长时序Landsat和GEE云平台的杭州湾土地利用/覆被变化时空格局演变

梁锦涛，陈超，孙伟伟，杨刚，刘志松，张自力

1.浙江海洋大学 海洋科学与技术学院,舟山 316002;

2.苏州科技大学 地理科学与测绘工程学院,苏州 215009;

3.宁波大学 地理与空间信息技术系,宁波 315211;

4.浙江海洋大学 信息工程学院,舟山 316002;

5.浙江海洋大学 浙江省海洋大数据挖掘与应用重点实验室,舟山 316002;

6.浙江省生态环境监测中心(浙江省生态环境监测预警及质控研究重点实验室),杭州 310012

1 引言

土地利用/覆被变化LUCC（Land Use/Cover Change）通常定义为人类对土地的使用（Zhao 等，2021），是人与自然相互作用的直接结果，反映了人类赖以生存的地球环境系统与人类日益发展的生产系统之间相互作用的基本过程（Liu 等，2017；骆剑承 等，2021）。LUCC 研究的实质是为人类进一步理性化的土地利用服务。通过对人类土地利用及所带来的土地覆盖变化的研究，可以对人类现行的土地使用政策进行评估，预测由此所带来的种种后果，以求最终能提出土地利用的最优模式，实现可持续性的土地利用（Chen 等，2021；Regasa等，2021）。

海岸带地区在过去的几十年中经历了快速的土地覆被变化，对复杂的海岸带地区进行准确的LUCC信息提取是一项具有挑战性的任务（陈超 等，2021；Khwarahm 等，2021；李清泉 等，2016）。遥感技术RS（Remote Sensing）可以提供长时间尺度的丰富数据，借助于传统的监督分类和非监督分类方法，成为获取海岸带土地覆被信息的有效手段（Lyons等，2012；Rawat和Kumar，2015；吴一全和刘忠林，2019）。机器学习算法拥有整合有限训练数据的强大能力（Bangira 等，2019），能够适用于更加复杂的异质性地表区域，通过整合多源数据的优势，提高了海岸带地区LUCC 信息提取的精度。支持向量机SVM（Support Vector Machine）、分类回归树CART（Classification and Regression Tree）、随机森林RF（Random Forest）等算法已被广泛应用于滨海湿地分类（Kiggundu 等，2018；Li 等，2018；Tu 等，2021）。然而，机器学习算法在处理不同卫星数据集的性能和算法分类精度的提升方面，还存在着优化的空间（彭江涛 等，2020；孙伟伟 等，2018）。一些常用遥感指数对植被、水体、建筑等具有良好的区分性，而主成分分析PCA（Principal Component Analysis）可以实现数据的降维，更好的消除各地物特征之间的相关性（Abdi和Williams，2010）。如何利用指数空间的良好区分性和变换空间的独立性，突破单纯依靠原始图像数据的局限，提高遥感图像分类精度和信息提取准确性是值得思考的问题。

土地利用时空变化的动态分析离不开大范围、长时序、高精度的监测方法，生产高时空连续性LUCC 产品的需求随着人类社会的发展而日益紧迫。爆炸式增长的地理空间数据从根本上改变了人类对地球的感知和互动，传统地理信息与遥感手段因其高计算复杂性与高处理成本而面临挑战（Ghorbanian 等，2020）。以GEE 云平台为代表的卫星遥感云存储和云计算平台的出现和发展，不仅允许全波段和高强度图像计算，而且集成了多源和多尺度的全球遥感图像（Akar 和Güngör，2012；Rodrigues 和Souza-Filho，2011），极大程度上实现了高效、连续的遥感监测。GEE 云平台已被广泛应用于海岸带区域的红树林提取（陈高 等，2022；贾明明 等，2021）、水产养殖塘提取（Sun等，2020）、沼泽湿地提取（宁晓刚 等，2022）、潮间带（陈慧欣 等，2022；程丽娜 等，2022）等，在计算效率等方面表现出极大的优越性。

杭州湾是多重国家战略的交汇点，也是国家加强东部经济建设、打造大湾区重大决定的重要支撑点，代表中国东部未来发展新高度，影响着超过6000 万人（陈军 等，2014；李加林和王丽佳，2020）。本研究面向杭州湾区域，基于Landsat长时间序列卫星影像和GEE 云平台，发展融合遥感指数和主成分分量的随机森林分类算法，绘制1985 年—2020 年（5 年时间间隔）的LUCC 数据集，明确了杭州湾区域各土地利用类型的时间趋势和空间特征。本研究能够为LUCC 信息准确获取提供技术支撑，由此产生的杭州湾LUCC 数据集对于区域可持续发展具有重要意义。

2 研究区与数据源

2.1 研究区

杭州湾位于中国浙江省东北部，南接宁绍平原，北邻上海，东靠舟山群岛，是重要的生态监测区和世界著名的喇叭形潮汐河口（Li 等，2017；Tian 等，2021）。海湾的喇叭形导致潮汐波的强烈变形并加强潮汐流，对区域地貌过程产生了重大影响，导致杭州湾北侧侵蚀和南侧沉积（Wang 等，2017）。20 世纪60 年代以来，人工海堤在北侧筑起，阻止了自然变化，而南侧的海岸线由于海湾地理特征和填海造地引发的强烈沉积而迅速变化。特别是进入21 世纪以来，强烈的人类活动导致了杭州湾区域地表的剧烈变化，对资源、环境等产生了较大影响。因此，快速、准确了解杭州湾土地利用及动态变化信息已经迫在眉睫。研究区包括上海市的3个区域（金山、奉贤、浦东）和浙江省的9个区域（平湖、海宁、海盐、萧山、柯桥、越城、上虞、余姚、慈溪），总面积约11429.80 km2，具体如图1所示。

图1 研究区概况Fig.1 The study area

2.2 数据源

GEE 云平台是一个面向全球尺度的地理空间分析工具，不但集成了海量的地理和遥感数据资源，而且拥有强大的云端计算能力，为研究地球科学相关问题提供了一种有效便捷的方式（宁晓刚 等，2022）。

本文所用的卫星遥感数据为1985 年—2020 年（5 年时间间隔）的Landsat 地表反射率SR（Surface Reflectance）数据集。1985 年、1990 年、1995 年、2005 年、2010 年的影像来自Landsat 5 专题绘图仪TM（Thematic Mapper），2000年影像来自Landsat 7增强型专题绘图仪ETM+（Enhanced Thematic Mapper Plus），2015 年、2020 年的影像来自Landsat 8 陆地成像仪OLI（Operational Land Imager），具体如表1所示。其中TM 与ETM+传感器的数据产品使用陆地资源卫星生态系统扰动自适应处理系统LEDAPS（Landsat Ecosystem Disturbance Adaptive Processing System）进行了大气校正。OLI 传感器的数据产品使用集成了美国地质调查局内部算法的地表反射率代码LaSRC（Landsat 8 Surface Reflectance Code）进行了大气校正。

表1 研究中使用的Landsat卫星遥感数据Table 1 Landsat satellite data used in the study

3 研究方法

本研究面向区域特点，发展了融合遥感指数和主成分分量的随机森林分类算法，开展了土地利用分类，对杭州湾地区LUCC 时空格局演变特点进行了分析，明确了各土地利用类型变化的时间趋势和空间格局。本文技术路线如图2所示。

图2 研究路线图Fig.2 Flowchart of the study

3.1 数据选择及预处理

在GEE 云平台中选择相应时相的卫星遥感数据之后，使用cloud mask 开展阴影去除和云掩膜操作（Mateo-García 等，2018）。之后，使用中值滤波法获取年际合成影像，即为整个图像堆栈的每个像素分配一个中值，从而将研究年份所有遥感图像合成为一个，得到能够清晰、完整显示研究区地表覆盖信息的遥感图像（Wang 等，2018；Zurqani等，2018）。

3.2 基于随机森林的土地利用/覆被变化信息提取

根据研究区土地利用实际情况，将土地利用类型分为6类：建设用地、水体、林地、耕地、裸地和滩涂，如表2所示。

表2 各土地利用类型及遥感图像表现特征Table 2 Various land use types and the performance characteristics of remote sensing images

3.2.1 基于随机森林算法的分类器构建

RF 算法是一种非参数回归方法（Breiman，2001）。与其他回归方法相比，RF算法不会过度拟合，不需要变量选择，且包含内置的交叉验证方法，不需要单独的测试数据集来评估性能（Breiman，2001）。此外，RF算法不对预测变量或响应变量进行分布假设，并且可以处理预测变量数量大大超过观测值数量的情况。本研究设置决策树的数量为100，其余拆分变量数、最大叶节点、随机化种子等参数均选择默认值。对于样本点，70%用于分类器的训练，30%用于精度验证。

3.2.2 融合遥感指数和主成分分量的随机森林土地利用分类

为了提高分类的准确性，除了地表反射率数据之外，本研究通过各类遥感指数、主成分分量等信息来提高提高分类精度。

（1）遥感指数计算及添加。在本研究中，为了更好地学习各类别特征，将归一化植被指数NDVI（Normalized Difference Vegetation Index）、归一化建筑物指数NDBI（Normalized Difference Building Index），改进归一化差异水体指数MNDWI（Modified Normalized Difference Water Index）导入合成后原始影像中，以增强各个地物类别的可区分性，提高分类准确率。各指数计算公式如下：

式中，NIR、RED、GREEN、SWIR分别表示Landsat图像中近红外波段、红波段、绿波段和短波红外波段的地表反射率。

（2）主成分分析及添加。PCA 是一种将数据从大量波段压缩到较少不相关波段的统计技术（Abdi和Williams，2010）。本文中，将PCA运行后的主成分分量添加到合成后原始影像中，并以PCA 影像图为底图进行训练样本点的采集，以提高各个地物类别的独立性。

3.2.3 精度评价

精度评价是遥感信息提取及目标识别中必不可少的步骤，不仅能够评价结果的精度，也是评估方法性能、优化参数的参考（陈超 等，2018；孙伟伟 等，2020）。总体精度OA（Overall Accuracy）指被正确分类的像元数目沿着混淆矩阵的对角线分布，直接反映分类正确的比例，kappa 系数则用于检验模型预测结果和实际分类结果是否一致。OA和Kappa系数的计算公式如下所示：

式中，Pc是正确分类的像素数，Pn是像素总数。r是误差矩阵中的行数和列数，xii是第i行和第i列中的观测数，xi+是第i行的边际总数，x+i是第i列的边际总数，N是观测总数。

3.3 土地利用/覆被变化时空格局演变分析

准确认知LUCC 特征及规律对于评价土地利用合理性、调整土地利用/覆被结构具有重要意义。本文统计各土地利用类型面积、面积变化量、面积变化率，使用土地转移矩阵定量分析各土地利用类型在空间尺度上的转入与转出，明确LUCC 发展变化的趋势和规律。

4 数据处理结果与分析

4.1 杭州湾土地利用/覆被变化信息遥感提取结果

本研究发展了融合遥感指数和主成分分量的随机森林遥感图像分类方法，在GEE 云平台支持下，利用Landsat 长时间序列卫星遥感数据，提取了研究区多个时相的LUCC信息，具体如图3所示。

图3 1985年—2020年杭州湾分类图Fig.3 Classification of Hangzhou Bay from 1985 to 2020

基于混淆矩阵计算OA 和Kappa 系数以评价分类结果的准确性，结果如表3 与图4 所示。从表3中可以看出，1985 年—2020 年OA 和Kappa 系数分别大于91.00%和0.8900，平均值分别为92.83%和0.9108，表明分类结果较为准确，能够为后续的时空格局演变分析提供较为准确的数据支撑。

表3 样本点与分类精度Table 3 Sample points and classification accuracy

图4 混淆矩阵Fig.4 Confusion matrix

4.2 杭州湾土地利用/覆被变化时空格局演变分析

4.2.1 时间趋势分析

本研究统计了建设用地、水体、林地、耕地、裸地和滩涂的面积、面积变化量、面积变化率等指标，结果如表4所示。

表4 各土地类型面积、面积变化和面积变化率Table 4 Area，area change and area change rate of each land use type

（1）建设用地。统计了不同研究年份建设用地的面积和面积变化量，具体如图5 所示。通过图5 和表4 可以看出，在研究期间内，建设用地面积由1985 年的278.26 km2不断上升至2020 年的2984.76 km2，年均增长77.33 km2，每隔5年分别增加42.05 km2、469.24 km2、267.33 km2、400.16 km2、552.42 km2、645.04 km2和330.26 km2，对应的变化率分别为15.11%、146.50%、33.86%、37.86%、37.91%、32.10%、12.44%。

图5 1985年—2020年杭州湾建设用地面积变化Fig.5 Area change of Hangzhou Bay construction land from 1985 to 2020

（2）水体。统计了不同研究年份统计了不同研究年份水体（未包含海域）的面积和面积变化量，具体如图6 所示。通过图6 和表4 可以看出，水体面积整体为上升趋势，年均增长4.88 km2，但个别研究年份呈现波动，每隔5 年变化率分别为-13.40%、10.20%、60.68%、-7.97%、28.09%、-5.25%、-22.02%。

图6 1985年—2020年杭州湾水体面积变化Fig.6 Area change of Hangzhou Bay water area from 1985 to 2020

（3）林地。统计了不同研究年份林地的面积和面积变化量，具体如图7 所示。通过图7 和表4可以看出，林地面积变化相对平稳，年均减少7.94 km2，每隔5 年变化率分别为-0.90%、-0.33%、-6.47%、-2.34%、8.95%、4.19%、-14.92%。

图7 1985年—2020年杭州湾林地面积变化Fig.7 Area change of Hangzhou Bay wood land from 1985 to 2020

（4）耕地。统计了不同研究年份耕地的面积和面积变化量，具体如图8 所示。通过图8 和表4可以看出，耕地面积由1985 年的6998.45 km2增加至1990 年的7214.30 km2，之后不断减少至2020 年的4800.59 km2，年均减少62.80 km2，每隔5 年变化率分别为3.08%、-0.46%、-5.96%、-9.48%、-14.33%、-5.64%、-2.86%。

图8 1985年—2020年杭州湾耕地面积变化Fig.8 Area change of Hangzhou Bay cultivated field from 1985 to 2020

（5）裸地。统计了不同研究年份裸地的面积和面积变化量，具体如图9所示。通过图9和表4可以看出，研究期间内，裸地面积整体呈现增长趋势，年均增长8.83 km2，但1995年和2015年出现了大量减少，每隔5 年变化率分别为-15.86%、-61.76%、60.23%、123.17%、12.55%、-24.80%、43.97%。

图9 1985年—2020年杭州湾裸地面积变化Fig.9 Area change of Hangzhou Bay bare land from 1985 to 2020

（6）滩涂。统计了不同研究年份滩涂的面积和面积变化量，具体如图10所示。通过图10和表4可以看出，研究期间内，滩涂面积整体呈现减少趋势，从1985年的181.65 km2减少至2020年的161.50 km2，年均减少0.58 km2，每隔5 年变化率分别为89.18%、-28.00%、-4.39%、-40.93%、74.00%、-28.37%，-7.28%。

图10 1985年—2020年杭州湾滩涂面积变化Fig.10 Area change of Hangzhou Bay tidal-flat area from 1985 to 2020

4.2.2 空间特征分析

土地利用转移矩阵可以直观反映出发生变化的土地利用类型和数量，对于明确各个时期各土地利用类型之间的转变特征和规律有着积极的意义。本研究提取了1985 年—2020 年间首末研究年份和间隔研究年份的土地利用转移矩阵，具体如图11所示。

图11 首末研究年份和间隔研究年份土地利用转移矩阵Fig.11 Land transfer matrix for 35-year and 5-year intervals

从图11 可以看出，1985 年—2020 年间杭州湾区域土地利用格局发生了重大变化。在土地流转中，耕地是最主要的转出源，面积由1985 年的6998.45 km2减少为2020 年的4800.59 km2，总面积占比由64.23%减少至41.43%。35年间，耕地主要转出为建设用地与裸地，转出面积分别为2268.05 km2，630.20 km2。耕地在向其他地物类型不断转出的同时，也接受着其他地物的转入，其中水体与林地的面积转入最为显著，分别为376.22 km2，352.22 km2。其余地物类型间的土地转移相对较小，均小于300 km2。

为了更清楚地描述LUCC 变化的流向和多样性，将土地利用转移分为转入大于转出类（建设用地）、转出大于转入类（耕地、水体）、转出转入变动类（林地、裸地、滩涂）3 类，使用和弦图定量地表达了不同时期LUCC 类型之间的转换关系，具体如图12所示。

图12 35年与5年时间间隔土地转移和弦图Fig.12 Chord diagram for 35-year and 5-year intervals

通过图11 和图12 可以看出，研究期间内，杭州湾建设用地随着城市群的扩张而迅速增长，不断侵占周边耕地，耕地与建设用地、耕地与裸地间的土地转移最为明显。

（1）建设用地。建设用地呈现持续扩张的发展趋势，且发展往往是从一个城市群开始往四周扩散，扩张区域主要集中在上海浦东区的北部以及浙江省的萧山、柯桥、绍兴区以及宁波附近。建设用地面积逐年增长，是一种转入占绝对优势的类型。在转入方面，建设用地主要转入来源为耕地与裸地，最大转入面积分别为947.67 km2（2010年—2015 年）和347.74 km2（2010 年—2015 年）。在转出方面，建设用地转出以耕地与裸地为主，最大转出面积分别为397.73 km2（2015年—2020年）和289.58 km2（2015年—2020年）。

（2）水体。水体面积在相对内陆区域变化较为平稳，杭州湾南岸有着丰富的水田与养殖塘，萧山、柯桥区东北部以及慈溪、余姚北部水体与耕地等其他地物的相互转变是水体变化的主要原因。在转入方面，水体主要转入来源为耕地与滩涂，最大转入面积分别为236.44 km2（1995年—2000 年）和129.74 km2（1995 年—2000 年）。在转出方面，水体转出以滩涂与耕地为主，最大转出面积分别为239.49 km2（1985 年—1990 年）和174.40 km2（2000年—2005年）。

（3）林地。林地主要集中在研究区南部的丘陵地段以及海宁、海盐区南部，空间格局相对稳定，是变动频率较小的一种地类，主要转入与转出的类型均为耕地。在转入方面，林地主要转入来源为耕地，最大转入面积为353.18 km2（2005 年—2010 年）。在转出方面，林地转出以耕地为主，最大转出面积为460.12 km2（2015年—2020年）。

（4）耕地。耕地面积逐年减少，减少区域位于与建设用地扩张相对应的上海浦东区的北部以及浙江省的萧山、柯桥、绍兴区以及宁波附近，杭州湾南岸的海岸堆积区存在少量耕地的发展。耕地与其余地类的转化较为频繁，是一种转出占绝对优势的地类，研究期间内共转出3280.20 km2，其中，69.14%转变为建设用地。在转入方面，林地、建设用地、裸地、水体一直是耕地的稳定转入类型，转变为耕地的最大面积分别为460.12 km2（2015 年—2020 年）、397.73 km2（2015 年—2020 年）、364.97 km2（2010 年—2015 年）、174.40 km2（2000 年—2005年）。

（5）裸地。裸地与水体情况相似，主要受耕地以及杭州湾南岸水体的影响，空间分布相较其他地物类型波动较大，主要集中在上海浦东区南部、杭州湾北岸以及浙江慈溪、余姚区的北部。在转入方面，裸地主要转入来源为耕地与建设用地，最大转入面积分别为466.05 km2（2015 年—2020 年）和289.58 km2（2015 年—2020 年）。在转出方面，裸地转出同样以耕地与建设用地为主，最大转出面积分别为364.97 km2（2010 年—2015 年）和347.74 km2（2010年—2015年）。

（6）滩涂。滩涂是一个处于动态变化中的海陆过渡地带，是重要的后备土地资源，对于进一步开发海洋具有重要意义。研究期间内，杭州湾滩涂空间分布如图13所示。

图13 滩涂信息提取结果Fig.13 Tidal-flat area from 1985 to 2020

通过图13 可以看出，研究初期，杭州湾南岸的滩涂主要分布南岸西部，后随着人类活动的不断加剧，萧山、柯桥、上虞等地向海不断扩张，南岸西部的滩涂明显减少，同时由于淤积，滩涂集中区转移至南岸北部。总体而言，1985 年—2020 年间南岸由于泥沙堆积和围海造田岸线发生明显的北移现象，导致滩涂面积也随之波动改变，北岸则由于侵蚀，滩涂面积呈下降趋势。在北岸不断侵蚀、南岸不断向海淤积的影响下，滩涂面积主要的转入转出都发生在与水体之间。在转入方面，水体转入为滩涂最大面积为239.49 km2（1985 年—1990 年）；在转出方面，滩涂转出为水体最大面积为129.74 km2（1995年—2000年）。

5 讨论

本研究基于Landsat 长时间序列卫星影像和GEE 云平台，在随机森林算法的支持下提取了1985 年—2020 年杭州湾区域LUCC 信息，分析了时间趋势和空间特征。

（1）结果的准确性。随机森林是一种机器学习算法，它是具有多个决策树的分类器。随机森林分类器通过构造许多不相关的随机决策树，并通过预测模型引导和聚合决策树，实现了对数据集进行分类的目的（Teluguntla等，2018）。随机森林分类器可以定量设置每个变量对分类输出的贡献率，以评估每个变量的重要性。与最大似然法、单决策树和单层神经网络算法相比，随机森林算法具有更高的准确度，且更容易应用（Chan 和Paelinckx，2008；Wingate等，2016）。基于其优越性能，本研究采用融合遥感指数和主成分分量的随机森林算法进行LUCC 产品的获取，平均总体精度为92.83%，平均Kappa系数为0.9108。

（2）结果的不确定性。在决策树的建立过程中，可能存在很多相似决策树，掩盖了真实结果，导致误差的产生，因此，随机森林算法不适用于小样本数据或低维数据（Cutler 等，2007）。本研究尽管添加了多个遥感指数以及主成分分量来提高分类准确度，但由于像素混合、地物光谱特征同物异谱和异物同谱的复杂性，在30 m 分辨率的Landsat 影像中部分林地与耕地的边界依旧较难区分，这在一定程度上影响了训练样本的准确性，从而导致错分现象的发生。这一情况同样出现在部分建筑区域与裸地之间。

（3）推广至其他海湾区域的可行性。海湾是海洋与陆地相互交接的地带，是人类从事海洋经济和发展海洋生产活动的重要基地，与人类的生存与发展密切相关。世界大小海湾甚多，主要分布于北美、欧洲和亚洲沿岸，其中较大的有240多个。海湾LUCC 数据集对于海湾资源的利用、海湾生态的保护以及海湾经济的可持续发展具有重要意义。本文研究能够为区域或全球其他海湾区域土地利用/覆被变化研究、多因素归因分析提供技术支撑。

6 结论

本研究发展了融合遥感指数和主成分分量的随机森林算法，基于Landsat 长时间序列卫星影像和GEE 云平台，开展了杭州湾区域1985 年—2020 年（5 年时间间隔）土地利用分类研究，分析了各土地利用类型的时间趋势和空间特征，为杭州湾区域综合治理与可持续发展提供基础信息。主要结论如下：

（1）发展了融合遥感指数和主成分分量的随机森林遥感图像分类方法，绘制杭州湾区域1985年—2020 年间8 个时相的30 m 分辨率土地利用类型图，产品平均总体精度和Kappa 系数分别为92.83%和0.9108。

（2）研究期间内，建筑用地面积持续增加从278.26 km2增加至2984.76 km2，年均增长77.33 km2。水体面积波动增加从509.32 km2增加至680.21 km2，年平均增长4.88 km2。林地面积相对平稳从2159.49 km2减少至1881.52 km2，年平均减少7.94 km2。耕地面积不断减少从6998.45 km2减少至4800.59 km2，年平均减少62.80 km2。裸地面积波动较大从768.99 km2增长至1078.13 km2，年均增长8.83 km2。滩涂面积从181.65 km2减少至161.50 km2，年均减少0.58 km2；滩涂区域主要集中在杭州湾南岸，面积占比从1985年的76.69%变化为2020年的85.86%。

（3）研究期间内，杭州湾区域土地利用格局发生了重大变化。在土地流转中，耕地是最主要的转出源，总面积占比由64.23%减少至41.43%。在转出方面，耕地主要转出为建设用地与裸地，转出面积分别为2268.05 km2和630.20 km2。在转入方面，主要以水体与林地为主，分别为376.22 km2和352.22 km2。其余地物类型间的土地转移相对较小，均小于300 km2。

杭州湾是能量集中、资源丰富、人类活动频繁、生态环境敏感的区域，准确获取LUCC 信息并明确其时空格局演变特征能够为维持区域健康发展提供重要支撑。在影像波段中导入更多和更合适的指数以精确识别地物类型是下一步工作内容。综合考虑社会、经济、气候等因素，探测并识别杭州湾区域LUCC驱动因素是另一项工作内容。