福建省滨海地区土地覆盖时空变化特征

陈 奕， 阙 翔*， 崔爱宁

(福建农林大学 a.计算机与信息学院 b.生态与资源统计福建省高校重点实验室 c.福建省资源环境空间信息统计研究中心， 福建 福州 350002)

0 引言

土地利用/土地覆盖变化(land use/cover change，LUCC)是揭示人类活动与自然环境相互作用机理的重要途径，其与人类生存发展、生态环境演变和物质能量循环等息息相关[1-2].因此，科学合理地分析土地利用演变特征及其未来变化趋势，对区域可持续发展具有重要意义.近年来，模拟土地利用变化主要通过构建时空模型，如多智能体系统模型(multi-agent system, MAS)[3]、人工神经网络(artificial neural network, ANN)[4]、元胞自动机(cellular automato, CA)模型[5]、马尔可夫(Markov)链[6]等.其中MAS模型是由微观个体作用产生全局变化；而Agent决策行为的多样性和土地覆盖系统的复杂性，使得模拟难度增加[7]；ANN虽可以对土地变化过程进行模拟预测，但其模拟时间长，且难以反映具体演变过程[8]；而CA-Markov模型综合了Markov链的长期预测能力和CA模拟复杂系统空间变化的优点[9-11]，能够有效揭示土地覆盖在空间与数量上的长期演变趋势，广泛应用于不同地区土地覆盖变化.

随着遥感技术和云端算力的发展，谷歌地球引擎(google earth engine，GEE)已成为世界上最先进PB级地理数据科学分析及可视化平台之一[12]，其具有丰富的数据资源、灵活的编程运算能力以及强大的数据处理功能[13-14]，为开展多源、多尺度、大范围卫星遥感数据的快速、批量整合提供了便利.福建省沿海地区经济的快速发展、人口的急剧增长、城市的扩张，导致土地覆盖类型变化频繁，对区域可持续发展造成了一定阻碍[15-16].本文基于GEE平台解译1989-2021年Landsat影像，并结合土地覆盖现状空间分布专题地图、土地利用动态度及转移矩阵，分析福建滨海地区土地演变规律，最后通过CA-Markov模型模拟预测2025年的土地覆盖情况，以期为制定更加科学合理的区域空间管理规划提供参考依据.

1 研究方法

依托GEE平台，在影像预处理的基础上，通过随机森林模型提取影像覆被信息，并分析福建滨海地区的地表覆盖变化特征.

1.1 特征选取

综合影像的地类分布特点，选取Landsat影像中蓝、绿、红、近红外、短波红外、中红外6个光谱波段，归一化植被指数(normalized difference vegetation index，NDVI)、调整土壤亮度的植被指数(soil-adjusted vegetation index，SAVI)、归一化建筑指数(normalized difference building index，NDBI)和改进的归一化差值水体指数(modified normalized difference water index，MNDWI)4个光谱特征指数，以及DEM坡度数据构建分类特征集.其中，NDVI和SAVI能够较好反映绿色植被的光谱特征，L取0.5时消除土壤反射率效果较好[17-18]，NDBI对提取城建有良好的效果，MNDWI是提取开阔水体的最常用的指标之一[19]，4个指数计算公式分别为：

式中，ρNIR、ρMIR、ρRED、ρGRE分别为近红外、中红外、红光和绿光波段的反射率值.

1.2 分类模型

随机森林分类模型[20]采用bootstrap抽样构建训练样本集，每个训练样本集的大小约占原始训练样本集的2/3，利用 CART算法生成若干棵互不相干的决策树，并综合所有决策树的结果输出最终分类情况，公式为：

式中，H(x)为分类模型，I为示性函数，hi(x)为第i棵决策树，Y表示目标类别，T为像元总数.

通过混淆矩阵进行精度验证[21]，分别计算分类结果的总体精度(overall accuracy，OA)以及 Kappa 系数.

1.3 土地覆盖动态变化分析

土地利用动态度、转移矩阵可定量表达土地覆盖程度的总体水平、演变趋势以及各类型之间的流转关系.

1.3.1 土地利用动态度

土地利用动态模型[22]可以反映研究区一定时间范围内，某种土地覆盖类型的变化速度和变化幅度，对比较地表覆被变化的差异和预测未来土地类别类型具有重要作用，其表达式为[23]：

式中，K为[a,b]时段内某地物类型的动态度，Ua、Ub分别为a、b时刻的面积，T表示研究时间长度，本文取4.

1.3.2 土地转移矩阵

土地转移矩阵可以反映区域LUCC的结构与各地类的变化特征，公式为：

式中，S表示土地面积转移矩阵，n为转移前后的土地类型，Sij为转移面积.

1.4 CA-Markov预测模型

CA-Markov模型是由CA模型和Markov链组合生成的模型，可以合理推演土地覆盖类型的空间变化.通过Markov模型生成不同时期系统状态转移概率矩阵，再利用CA模型表达复杂空间系统的动态变化过程[24-25].

Markov转移状态矩阵是由t到t+1时地物类型数量变化而构成的，公式为：

式中，S(t)为t时刻的系统状态，P是状态转移概率矩阵，n为地物类型该矩阵中每个元素必须为非负数，且每行元素之和为1.

CA模型是具有时空建模能力的动力学模型，具有时间、空间、状态离散的特点，公式为[26]：

S(t+1)=f(S(t),N)，

式中，S(t)是t时刻元胞有限、离散的状态集合，f为局部空间元胞状态转化规则，N为元胞邻域.

2 研究区概况与数据来源

2.1 研究区概况

福建位于我国东南沿海，属亚热带海洋季风气候，年均气温17～21℃，雨季集中在5-6月[27].其海岸线长达3752 km，居全国第二，曲折率全国第一，是我国海岸带的重要组成部分.滨海地区是全省人口最稠密、经济最发达的区域，是人类生态屏障和动植物的栖息场所，具有重要的服务功能和价值.根据研究需要，选择福建东部滨海地区(23°52′N～27°44′N，117°04′E～120°57′)，行政区包括福州、厦门、泉州、莆田、漳州和宁德6个地级市.研究区范围基于全球地形模型和海陆边界数据.其中，滨海边界提取参考刘明月[28]的方法，海洋水深数据采用ETOPT1全球地形模型获取，该数据分辨率为1弧分，是目前分辨率最高的地形起伏数据，并利用GEODAS Grid Translator工具提取海深为15 m的等深线作为海洋方向的边界.陆地边界为2021年福建省行政区划海陆边界向内陆延展20 km.

2.2 数据源及处理

选用1989、1993、1997、2001、2005、2009、2013、2017、2021年Landsat系列地表反射率数据为基础数据，空间分辨率为30 m.由于夏季水体、植被特征较为明显，选择6-9月的影像.影像数据通过GEE代码调用，已完成大气和地形校正，通过API工具进行去云处理.然后，参考中国科学院土地利用/覆被变化遥感监测数据集(CNLUCC)、《土地利用现状分类》(GB/T 21010-2017)、《湿地分类》(GB/T 24708-2009)，采用林草地、耕地、天然湿地、人工湿地、建设用地和未利用地6种类型.研究区内生成均匀随机样本点，采用目视解译结合随机森林对福建滨海地区土地类型进行分类，并在分类过程中通过人工目视判读对错分区域进行修正，得到每期样地数目超过500个，除未利用地外的地类样地数量均超过60个.将70%作为训练样本，30%作为测试样本，通过随机森林分类器提取1989-2021年福建滨海区的土地覆盖类型，其分类采用总体精度和kappa系数评价分类情况如图1所示.由图1可知，各期分类总体精度均大于94%，Kappa系数均大于0.9，满足应用精度要求.

图1 1989-2021年分类精度折线图

3 结果与分析

3.1 地表覆盖结构及类型变化特征

研究区土地覆盖类型主要以林草地和天然湿地两大地类为主(见图2)，两大地类面积占比超过总面积的68%.其中，林草地主要分布在离海岸线较远的区域，而天然湿地主要沿海岸线方向分布.耕地略高于建筑用地和人工湿地，而未利用地占比相对较低.福建省土地覆盖类型变化显著，主要特征为建筑用地的增加和耕地、林草地的减少.建筑用地为面积变化幅度最大的土地类型，从1989年的1619 km2上升至2021年的4215 km2.其中，厦门、泉州地区建筑用地面积有明显的增长，可能由于该地经济发展水平相对较高，吸引外来人口迁入，导致建筑用地扩张需求不断增加.林草地面积总体呈下降趋势，1989年的11 619 km2减少至2021年的9042 km2.耕地面积与林草地面积变化负相关,呈“N”型变化趋势，1997-2017年持续减少，可能由于我国城镇面积的扩大征用近郊土地、废弃地复垦率低造成.城市用地需求与日增长，应当有效规划城镇化进程，推动福建省经济有序发展.

图2 1989-2021福建滨海地区各地面积变化折线图

研究区各地类土地覆盖变化情况如表1所示.建筑用地动态度较于其他地物类型相对较大，且基本为正向变化.人工湿地和耕地动态度正负波动明显，林草地和天然湿地基本保持稳定，可能由于其在研究区内基数较大，变化比例不明显.2009-2013年期间，人工湿地的动态度高于其他时段，达10.13%，可能由于福建省水产养殖业的快速发展，全省水产养殖面积约增长12.62%.

在1989-2021年福建滨海地区土地覆盖面积转移矩阵如表2所示.林草地向耕地转移的面积最大，为2487.46 km2，占耕地转入面积的17.76%，占林草地转出面积的19.38%.耕地向建筑用地的转移面积次之，为2022.01 km2，占建筑用地转入面积的43.05%，耕地转出面积的38.82%.建筑用地侵占林草地和耕地发生扩张，其中林草地转为建筑用地的面积为890.03 km2，占建筑用地转入面积的18.95%.研究期内滨海地区城镇化进程加快,人口数量大幅上升，造成建筑用地侵占耕地、林草地,同时也存在耕地侵占林草地的现象，反映了在社会经济发展背景下，人类活动对于土地覆盖的影响较大.

表1 1989-2021年福建滨海地区土地利用动态度 单位:%

表2 1989-2021年福建滨海地区土地面积转移矩阵 单位：km2

3.2 土地覆盖模拟预测

基于IDRISI 17.0软件中的CA-Markov模块模拟研究区土地覆盖格局.以2017-2021年土地覆盖解译结果为基础，设置循环次数为20，以5×5为邻域构建CA滤波器，进行迭代预测模拟预测2021年的土地覆盖情况.将2021年实际情况与模拟结果对比，计算Kappa系数为0.9217，整体模拟效果较好.

验证模拟精度后，以2021年为基期，得到2025年福建滨海地区的土地覆盖类型模拟结果(见表3)和土地面积转移矩阵(见表4).在2021-2025年间，人工湿地与耕地之间的转化趋于平衡，人工湿地转向耕地面积为63.12 cm2，耕地转向人工湿地面积为56.99 cm2.林草地预测面积呈现轻微减少趋势.林草地也是转出面积最多的地物类型，其转移类型主要为耕地，预测减少面积为2101.91 km2，约占92.17%.其次是天然湿地预测出现小幅度的减少趋势，主要转为耕地和建筑用地，预测在将来的几年中建筑用地将进一步扩张，仍然可能出现建筑用地和耕地侵占天然湿地等现象.其中，厦门市预测转移面积较多，空间变化依然活跃，这与该地经济状况及常住人口数呈增长相符合.建设用地的增长是福建省未来土地利用的趋势，需要在科学合理规划下进行开发建设，因地制宜合理利用特色产业资源，保护林草地、天然湿地资源，统筹区域土地利用与可持续发展.

表3 福建滨海地区土地覆盖模拟结果

表4 2021-2025年福建滨海地区土地面积转移矩阵 单位：km2

4 结论

本研究基于GEE实现了1989-2021年福建滨海区域多时相遥感影像土地覆盖变化监测，并采用GIS技术分析其变化规律，利用CA-Markov模型模拟预测未来4年的福建滨海地区土地覆盖情况.得到如下结论：

(1)福建滨海地区景观类型主要为林草地和天然湿地，面积占比超过总面积的68%.然而，林草地面积总体呈下降趋势，城镇用地、耕地占用是林草地减少的主导因素.

(2)福建省滨海地区建筑用地动态度最大，且基本为正向变化.建筑用地扩张是驱动滨海地区土地覆盖变化的重要因素，其中经济发展水平较高的厦门、泉州等地建筑用地面积明显增加.因此，在城市扩张建设的过程中要注意与生态环境的协调，合理利用土地资源.

(3)预测2021-2025年，福建滨海地区人工湿地与耕地之间的转化总体趋于平衡，林草地面积有减少趋势，建筑用地面积有增加趋势但增速有所下降，仍可能存在建筑用地和耕地侵占天然湿地等现象.

由于土地覆盖演变是一个复杂的工程，与区域地理条件、气候变化及人类活动等因素息息相关，本文主要探讨研究区土地覆盖类型的数量演变关系，而对不同政策情景下土地变化规律的研究涉及较少，未来将关注多情景约束条件下滨海地区土地覆盖演变规律.