基于高分一号遥感影像的广州市南沙区土地利用变化特征分析

陈广成,余煌浩,李彬权*,陈 丞,许 栋,孙金彦

(1.广州市南沙区水务局,广东 广州 510640;2.河海大学 水文水资源学院,江苏 南京 210098;3.河海大学 水利水电学院,江苏 南京 210098)

广州市南沙区地处粤港澳大湾区地理几何中心,是国家级新区、自由贸易试验区、粤港澳全面合作示范区和广州城市新核心区,近年来城市建设和经济发展很快,土地利用发生显著变化。2022年6月,国务院印发《广州南沙深化面向世界的粤港澳全面合作总体方案》,给南沙赋予打造立足湾区、协同港澳、面向世界的重大战略性平台的新定位。近年来,南沙城市建设步伐加快,下垫面显著变化,因此需要充分了解南沙城市化和经济社会快速发展背景下土地利用变化特征,同时需要结合土地利用规划分析土地利用类型时空尺度上的转移特征,为水务、市政等领域发展规划研究提供支撑。

土地利用既可以作为一种结果供决策者了解区域土地利用情况,继而制定相关的土地政策,也可以作为水文模型的条件输入。开展高精度的国家尺度长时间序列土地利用遥感监测,满足国家资源保护与国家和区域可持续发展需求具有重要的战略意义[1]。匡文慧等[2]采用Landsat 8 OLI、GF-2等卫星遥感数据,融合遥感大数据云计算和专家知识辅助人机交互解译方法,建立了1980年末至2020年每隔5 a的30 m分辨率中国土地利用动态数据库。Li等[3]基于深度学习框架、全球土地覆盖产品(GLC)、开放街道地图(OSM)和谷歌地球图像,建立了中国第一张1 m分辨率的国家级土地覆盖图SinoLC-1。高精度的土地利用情况能够更加准确地反映人类活动情况,Luo等[4]以土地利用情况量化了人类活动的情况,通过SWAT模型模拟径流量,从而得到水文循环对人类活动的敏感性。鲍振鑫等[5]在VIC水文模型中输入植被覆盖数据,量化了气候变化和人类活动对黄土高原窟野河流域水沙变化的影响。提供高精度土地利用数据不仅可以准确地了解当地土地利用及其变化,作为水文模型的土地利用输入条件,还可以保障水文模型输出结果的精度,从而更好地制定相关的水资源政策。

遥感影像为下垫面特征识别和分析提供了重要的数据基础,主要包括Landsat系列影像、高分系列影像、Sentinel系列影像等原始遥感影像数据以及GlobeLand30等土地利用分析产品。谢火艳等[6]利用2000、2005、2014年Landsat TM遥感影像数据进行下垫面土地利用变化分析,结果表明:2000—2014年南沙区耕地面积不断下降,而建筑用地面积逐年递增。罗继文等[7]基于全球地表覆盖产品(GlobeLand30),采用土地利用变化动态度、土地利用转移矩阵和重心迁移模型分析了南沙区2010、2020年土地利用时空变化,发现2010—2020年建筑面积显著增加,围海填地导致水体和海域面积大幅减少。Luo等[8]基于高分一号遥感数据和面向对象的图像分析技术(OBIA)提取了福建龙岩的废弃农田,证实了提高政府监管是抵消新增废弃耕地重要且直接的途径。采用遥感影像数据进行土地利用识别常见的方法有目视解译、监督分类、非监督分类和深度学习等。其中,监督分类中有决策树分类、最大似然分类、支持向量机分类以及随机森林等算法[9]。柴旭荣等[10]利用Google Earth Engine云平台和随机森林监督分类法识别山西省不同时期土地覆被分类,对比验证发现分类结果的总体精度达到86%～94%,比同期单时相分类结果的精度提高了5%～10%。由于传统的监督分类算法存在耗时长、容易错分漏分等问题,王春阳等[11]提出粒子群优化概率神经网络的半监督分类算法,整体精度较随机森林法、极大似然法和概率神经网络算法提高了1.25%～6.57%,Kappa系数达到0.8以上。裴欢等[12]基于Landsat 8 OLI遥感影像,对比面向对象的支持向量机算法和K邻近法,结果表明面向对象的支持向量机算法效果更好,总体精度达到85.67%。成淑艳等[13]在青海湖沙柳河流域运用6种监督分类器进行土地覆盖分类,发现支持向量机分类器具有较好的分类识别结果。Boonpook等[14]使用Landsat 8图像进行土地利用自动分类,发现使用基线网络(SegNet、U-Net)的深度学习语义分割优于基于像素的机器学习算法(MLE、SVM、RF)。深度学习算法虽然较传统机器学习算法精度有所提高,但是深度学习算法需要大量的训练样本,而且需要的遥感影像精度更高,当人眼都无法识别的土地类型,深度学习算法也无法将这种土地类型提取出来。因此本文结合区域的面积和遥感影像的空间精度,采用监督分类的支持向量机算法配合目视解译和实地查勘,使南沙区土地利用分类结果更加准确。

综上可知,受限于遥感影像时空精度不高(如应用较为的广泛的Landsat影像空间分辨率为30 m)以及下垫面复杂、不同地物影像相似度高等原因,大多数借助于数学算法自动解译的下垫面分类成果精度不高,需要结合高精度影像、现场查勘等进行人工后处理,以提高精度。本文以广州市南沙区为研究区域,选择2016、2017、2022年高分一号PMS影像为遥感源数据,结合人工现场查勘,构建南沙区土地利用转移矩阵,分析在城镇化建设背景下的土地利用类型变化特征。

1 研究区情况

1.1 研究区概况

南沙区介于北纬22°26′～23°06′,东经113°13′～113°43′,是广东省广州市市辖区,位于珠三角的河网地带、珠江三大出海口门,东临狮子洋,南入南海,整个区域地势低洼,四面环水,水网纵横密布,河涌、湖塘众多。南沙区面积约803 km2,由13个联围组成,即义沙围、万顷沙围、龙穴围、沥心沙围、缸瓦沙围、蕉东联围、小虎岛围、沙仔岛围、高新沙围、大坳围、四六村围、鱼窝头围和番顺联围,陆地面积约580 km2,外江水道面积约223 km2。南沙区地处亚热带季风气候区,属亚热带季风海洋气候,由于背山面海,海洋性气候显著,气候温和湿润,具有温暖多雨、光热充足、温差较小、夏季长等气候特征。南沙区包括3个街道、6个镇,分别为南沙街、珠江街、龙穴街、东涌镇、榄核镇、大岗镇、黄阁镇、横沥镇、万顷沙镇。截至2021年末,南沙区常住人口为90.04万人,户籍人口为51.75万人,GDP为28 839亿元,人口和GDP分别占广州市的比例为4.8%和7.8%。

1.2 数据来源与预处理

高分一号搭载2种相机,即高分相机(PMS)和宽幅相机(WFV),PMS相机多光谱数据有4个波段,为常见的蓝(band1,0.45～0.52 μm)、绿(band2,0.52～0.59 μm)、红(band3,0.63～0.69 μm)、近红外(band4,0.77～0.89 μm)4个可见光/近红外波段,高分相机全色和多光谱空间分辨率分别为2、8 m,幅宽为60 km,侧摆时重访周期为4 d,不侧摆时覆盖周期为41 d,本研究采用的是多光谱和全色融合后的2 m真彩影像,影像时间范围是2016—2022年,分析南沙区近5 a的土地利用变化情况。遥感数据的预处理步骤包括辐射定标、大气校正、正射校正、图像融合、图像裁剪以及图像配准,其中辐射定标采用的是遥感软件的Radiometric Calibration功能,目的是消除传感器本身的误差,确定传感器入口处的准确辐射值;大气校正采用的是软件的Dark Subtract功能,目的是为了消除大气散射、吸收、反射引起的误差;正射校正采用的工具是RPC Orthorectification Workflow,目的是消除地形的影响或相机方位引起的变形等。南沙区原始遥感影像由多景拼接而成,2017、2022年遥感影像均由3景拼接得到(图1),各景的拍摄时间以及位置信息见表1。

表1 不同景号影像对应的信息

a)2017年

2 数据与方法

2.1 遥感解译

由于高分一号PMS数据精度较高,采用支持向量机算法对南沙区整体进行遥感解译需要大量计算资源且耗时较长,因此将南沙区拆分为13个联围分别进行遥感解译。利用监督分类算法进行遥感解译结果的精度很大程度上取决于分类样本的类别数量和分类样本的选择。样本的类别数量太多会导致解译过程非常缓慢,类别数量太少则会导致解译结果过于粗糙,因此选择合适的类别数量和选择典型的分类样本对遥感解译结果至关重要。本文根据目前大多数水利应用需求,将南沙区土地利用类型定义为4种类型,分别为不透水面、耕地、林草地和水域,其中水域和不透水面具有较高的区分度(即样本分离度高于1.8),不透水面、耕地、林草地和水域分类样本的选择较为简单,需要特别注意的是水域分类样本的选择。南沙区分布着广泛的水产养殖池塘,其中部分比例的池塘铺上了白色塑料膜,目的是为了保持恒温养虾,铺膜池塘在遥感影像上显示为白色(图2),此颜色易被识别为白色建筑物(即二者分离度太低)。因此在选择水域样本时,需要把铺设塑料膜的池塘单独归为一类,监督分类完成后再将铺膜池塘合并到水域当中,最后还需要对水域的分类结果进行检查和人工调整。

a)东涌镇

2.2 实地查勘

实地查勘验证是检查遥感解译结果最直观的方法,针对土地利用分类中存疑的结果,对相关的地点进行了实地查勘。本文查勘的时间为2023年3月15、16日,考察的地点分布在黄阁镇、南沙街、东涌镇、大岗镇、横沥镇和万顷沙镇。表2为实地调查的相关结果。

表2 实地查勘结果的验证

通过对实地查勘和遥感解译的土地利用结果分析,水域和林草地的识别精度较高,由于部分耕地种植花卉和草皮,所以存在部分耕地与林草地之间的错误划分,种植作物的耕地和没有种植作物的耕地都能准确地解译出来。不透水面主要包括建筑物(群)和道路等,其中建筑物群由于色彩混杂,不易识别完整,因此需要通过后续的目视解译修改进而提高不透水面的识别精度。

2.3 分类精度评价

在各联围随机抽取一定数量样本进行精度验证,随机选取各类型的样本作为分类的验证数据集,对南沙区整体进行精度验证。其中2017年各联围共抽取534个样本,2021年各联围共抽取517个样本,运用总体精度(OA)和Kappa系数来评价验证结果好坏,2个指标越趋近于1,代表精度越高,南沙区各联围抽取样本验证精度见表3。

表3 南沙区各联围抽样样本验证精度

由表3可知,2017、2021年南沙区各联围抽样样本总体精度均高于90%且Kappa系数均高于0.85,由此可知,通过支持向量机解译得到的南沙区2017、2021年土地利用产品能达到精度要求且能满足水文模型下垫面数据的输入要求。

2.4 土地利用转移矩阵构建

土地利用转移矩阵是马尔科夫模型在土地利用变化方面的应用,来源于系统分析中系统状态与状态转移的定量描述[15]。土地利用转移矩阵以矩阵的形式将2个不同时期的土地覆盖类型之间相互转换的数量关系展现出来,可以全面地反映出一个区域土地覆盖类型的数值和转移方向,土地利用转移矩阵具体的表现形式见表4。通常TL表示上一个时相,TN表示下一个时相。C1—Cn表示n种不同的土地覆盖类型。土地利用转移矩阵中的行表示上一个时相的土地利用类型,列表示下一个时相的土地利用类型。Sij表示TL—TN期间土地类型Ci转换为土地类型Cj的面积大小,Si*表示上一个时相Ci土地类型面积的总和,S*j表示下一个时相Cj土地类型面积的总和。Si*-Sii为Ci土地类型的流出量,即上一个时相Ci类型土地中转移为下一个时相其他土地类型的面积总和。S*j-Sjj表示土地类型的流入量,即下一个时相Cj类型土地中由上一个时相其他类型土地转变而来的面积总和。

表4 土地利用转移矩阵

3 结果

3.1 土地利用分类结果

图3为南沙区2017、2021年土地利用情况,图4为南沙区2017—2021年土地利用变化情况。由图3、4可知,黄阁镇、南沙街、东涌镇和横沥镇东部、大岗镇南部的不透水面面积显著增加,林草地主要分布在黄阁镇、南沙街和大岗镇,林草地和耕地面积变化不大,水域主要分布在万顷沙街、龙穴街、大岗镇南部和东涌镇东部,面积显著减少。不透水面面积的增加主要来自于耕地和水域的转移,其中,耕地面积在东涌镇、大岗镇、横沥镇、珠江街和万顷沙镇少量减少,水域面积在黄阁镇东部的联围、龙穴街中部以及万顷沙镇南部大量减少,这些区域的水域多转化为不透水面。黄阁镇和南沙街的城市化建设程度较高,耕地与水域向城镇不透水面转移;其余镇街也有不同程度的城镇化发展导致不透水面增加,比如耕地分布较多的东涌镇和大岗镇均存在小规模的耕地面积减少。

a)2017年

图4 南沙区2017—2021年土地利用变化情况

3.2 土地利用转移矩阵

由表5可知,2017年南沙区不透水面、耕地、林草地和水域的面积分别为137.81、281.46 、60.05、323.68 km2,水域是南沙区分布最多的土地利用类型,比例高达40%,耕地和不透水面的分布其次,比例分别为35%和17%。2021年,仅有不透水面增加14.39 km2,其余3种土地类型面积均减少,耕地、林草地和水域的面积分别减少1.95、1.80、10.63 km2。在4种土地利用类型中,不透水面面积变化最为显著,增幅为10%,水域面积变化次之,减少3%。

表5 南沙区2017—2021年土地利用转移矩阵 单位:km2

在不透水面与耕地的转移中,耕地有52.14 km2变为不透水面,不透水面有44.08 km2变为耕地,不透水面从耕地获得8.06 km2的净增加量。在不透水面与林草地的转移中,林草地有6.36 km2变为不透水面,不透水面有7.50 km2变为林草地,林草地从不透水面获得1.14 km2的净增加量。在不透水面与水域的转移中,水域有17.82 km2变为不透水面,不透水面有10.34 km2变为水域,不透水面从水域获得7.48 km2的净增加量。总体来看,不透水面在2017—2021年共增长14.39 km2,主要来源于耕地和水域的转移,比例高达56%和52%。

在耕地与林草地的转移中,林草地有15.25 km2变为耕地,耕地有12.22 km2变为林草地,耕地从林草地获得3.03 km2的净增加量。在耕地与水域的转移中,水域有18.78 km2变为耕地,耕地有15.71 km2变为水域,耕地从水域获得3.07 km2的净增加量。总体来看,耕地的面积变化不大,2017—2021年减少1.95km2,不透水面对耕地的占用最大,面积为8.06 km2,而耕地也从林草地和水域的开垦中获得了6.1 km2土地的补充。

在林草地与水域的转移中,水域有3.53 km2变为林草地,林草地有3.45 km2变为水域,林草地从水域获得0.08 km2的净增加量。林草地在4种土地利用类型中面积变化最小,仅减少了1.80 km2,而水域则与之相反,变化非常明显,在2017—2022年共减少10.63 km2,不透水面对水域的占用为7.48 km2,比例高达70%,耕地对水域的占用次之,面积为3.07 km2。

3.3 与2025年土地利用规划对比

图5为南沙区2012—2025年土地利用规划,对比图3中2021年土地利用现状可以发现:南沙街与黄阁镇的下垫面类型规划内容基本完成,这也是南沙区近5 a不透水面主要增长的区域,东涌镇、榄核镇、大岗镇、横沥镇以及龙穴街虽然还没有达到规划的建设内容,但均有不同程度的发展;另外,珠江街和万顷沙镇还远远没有达到相应规划的下垫面建设要求。

图5 南沙区2012—2025年土地利用规划[16]

4 分析与讨论

2017—2021年,南沙区土地利用仅有不透水面面积增加,而耕地、林草地和水域都有不同程度的减少,即“一增三减”,这与刘锋等[17]研究结果一致,其研究指出近20 a广州市的土地利用呈现“一增五减”的特点,即建设用地总体面积增加,耕地、林地、草地、水域、未利用地总计面积减少,建筑用地占用耕地、林地的情况突出。樊舒迪等[18]也发现1995—2020年广州市的建设用地呈现“稳定—缓慢增加—剧烈增加”的趋势,而耕地呈现出“缓慢减少—稳定—大幅减少”的趋势,林草地整体呈现单调减少的趋势。

根据南沙区2012—2025年土地利用规划可知,南沙区不透水面面积的增加是土地利用规划导致的,虽然现状2021年远未达到规划的不透水面要求,但总体上南沙区各个镇和街道不透水面都有显著的增加,原本覆盖不透水面较多区域黄阁镇和南沙街继续增多,不透水面覆盖较少的区域也随着的规划的推进在不断增多。南沙区不透水面的显著增加反映了南沙区城市化进程的加快,这体现了南沙区作为“三区一中心”定位背景下全面推进南沙城市建设的努力[19]。不透水面面积的增加必然会导致其余类型土地面积的减少,在这5 a,南沙区耕地面积仅减少了1.95 km2,考虑解译误差情况下可以认为没有变化。在国家方面,对于违法违规占用耕地会受到严厉的处罚,任何占用耕地的规划都需要获得相关部门的批准。在南沙区土地利用总体规划中明确了“南沙区耕地保有量、基本农田保护面积保持不变”这一前提。南沙区耕地面积基本保持不变主要是由于国家和地方的政策导致的,在国家和地方严格控制耕地面积和禁止违规占用耕地面积的情况下,南沙区耕地面积近5 a来基本保持稳定。南沙区林草地面积在5 a内减少了1.8 km2,南沙区林草地面积最大的区域主要为黄山鲁森林公园、十八罗汉森林公园和南沙湿地,其中黄山鲁森林公园和十八罗汉森林公园海拔较高,区域周围分布着密集的建筑物,人口较多,这两个公园不仅可以供当地居民休闲娱乐也是当地重要的景区,因此,林草地面积在南沙区没有太大变动。由于耕地和林草地面积变化不大,剩下的水域自然会更多地受到不透水面的侵占。南沙区分布着丰富的水产养殖池塘,根据实地考察发现,在养殖季节许多池塘的水已经被抽干,说明南沙区的许多池塘早已不承担养殖的任务,有些池塘慢慢演化成林草地或耕地,也有池塘被填满后在上面修建房屋。水域的显著减少一方面受到耕地红线的影响,另一方面水域所带来的经济效益远没有不透水面高,因此这是经济规律的发展结果。

有研究表明水域和林草地的减少会影响当地的生态环境[20],肖红等[21]在生态空间识别结果的基础上,参考生态红线数据、遥感影像和土地利用数据调整生态空间初步结果,得到南沙区生态空间面积为410 km2,占比为51%,涵盖了主要的生态功能区和生态脆弱区。社会经济的发展与生态环境的保护并不完全矛盾,但经济的发展离不开建设用地的增加,因此需要在社会经济发展与生态环境保护中寻找平衡。

5 结语

a)本文选择空间分辨率为2 m的高分一号PMS数据作为广州南沙区土地利用分类的原始遥感数据,利用解译效果更好的支持向量机算法解译遥感影像,在选择训练样本时,单独考虑了铺膜池塘的样本,大大提高了水域的识别准度;通过实地查勘提升了训练样本的可信度,同时也修正了分类有误的土地利用类型;修正后的土地利用产品总体精度高于90%且Kappa系数高于0.85,能够达到精度要求。

b)建立2017—2021年南沙区土地利用转移矩阵,以描述南沙区土地利用的变化情况。南沙区在开发大量建筑用地的同时侵占了大片水域,在万顷沙镇和龙穴街表现尤为明显,耕地在这一过程中受影响较小。根据《广州南沙新区城市总体规划(2012—2025)》,珠江街和万顷沙镇尚有很大一部分城市建设规划内容未完成。

c)本次研究采用的是高精度遥感影像,对土地利用的描述较为准确,但目前主流的解译算法精度不高,监督分类样本的人工选择会给分类结果带来较大的不确定性,建筑物群由于色彩混杂,解译的效果远不如耕地、水域和林草地的效果好,因此需要耗费大量时间修正不透水面。在后续研究中,可采用深度学习算法进行遥感影像解译,提高结果精度。