![]()
本文内容来源于《测绘通报》2021年第12期，审图号：GS（2021）8192号
![]()
基于Sentinel-2影像的雄安新区2016—2019年土地利用分析
于淼1![]( "374554982@qq.com")
, 马洪兵2![]( "通讯作者")
![]( "hbma@tsinghua.edu.cn")
, 王宏伟3
1. 新疆大学, 新疆 乌鲁木齐 830047;
2. 清华大学, 北京 100084;
3. 大连理工大学, 辽宁 大连 116024基金项目：国家自然科学基金(61863034)
关键词：土地变化 遥感 Sentinel-2 雄安新区
![]()
引文格式：于淼, 马洪兵, 王宏伟. 基于Sentinel-2影像的雄安新区2016—2019年土地利用分析[J]. 测绘通报，2021(12)：6-9, 32. DOI: 10.13474/j.cnki.11-2246.2021.363.摘要 ：雄安新区是国家层面打造的又一个具有重要战略意义的新区, 及时准确掌握该地区的土地利用详情具有重要意义。本文利用10 m分辨率的Sentinel-2影像对雄安新区2016—2019年的土地利用进行分类, 进而分析该地区的土地利用时空演变。共测试了决策树、随机森林和支持向量机3种分类器, 进而获得最高精度的土地分类结果图; 同时, 利用随机森林的特征排序功能分析了不同特征的重要性。结果表明, 雄安新区的耕地、林地、水生植物面积总体均呈显著减少趋势, 建设用地面积变化最为显著, 表明雄安新区正在进行中、快速的城市化发展。本研究得到的10 m分辨率土地利用专题图和分析结果对于雄安新区的及时监测与规划有着重要参考意义。
土地是人类最基础的资源，对人类社会发挥着重要的作用。土地利用研究一直是学术界和社会关注的重要课题，对于国家和社会经济发展有重要的意义[1]。随着遥感技术的迅速发展，利用遥感技术对地球地表的土地利用进行准确及时的监测成为当前遥感领域的研究热点[2]。国内外学者开展了大量研究工作，其中利用机器学习等方法成为当前研究前沿。同时，随着光学遥感影像光谱、空间和时间分辨率的不断提高，其在土地利用研究方面也扮演着越来越重要的角色[3]。自2017年雄安新区成立以来，研究人员利用遥感等技术对雄安地区开展了系列研究，分析了该地区土地利用驱动力[4]、白洋淀的时空变化特征[5]和雄安新区土地利用空间特征[6]等，获得了系列研究成果。然而，现有研究有的开展于雄安新区设立之前，不能及时描述该地区的土地利用变化情况；有的使用MODIS或Landsat等中低分辨率影像[7]，不能准确挖掘该地区的土地利用空间分布特征。此外，现有研究一般只研究较少的土地利用类别，因而不能详细地描述该地区的土地利用分布特性。基于此，本文采用决策树、随机森林和支持向量机3种机器学习算法，利用10 m分辨率的Sentinel-2影像数据，对雄安新区2016—2019年10类不同土地利用进行分类，进而分析雄安新区成立前后的时空变化特征，为雄安新区绿色发展提供有力的科学依据。
雄安新区处于北京、天津、保定之间，规划范围涉及河北省雄县、容城、安新3县及周边部分区域[8-9]，如图 1所示。雄安新区属于暖温带季风型大陆性气候, 土地面积辽阔，地貌多为平原和湿地形态，土地肥沃，资源环境承载能力高[10]。 |
| 图 1 雄安新区的地理位置及其搜集的样本分布(2016年) |
|
2 数据来源与研究方法2.1 Sentinel-2影像数据本文使用的数据为2016—2019年的Sentinel-2影像数据，最高空间分辨率10 m，重访周期5~10 d[11]。用含云量 < 10%对可用数据进行筛选，以剔除云雨等影响。考虑研究区的作物种植类型及生长周期，同时为了进行年际间比较，共收集4幅影像Sentinel-2遥感影像，都集中在植被生长茂盛的8月。为了增强不同土地类型的分类特性，对每幅影像计算并生成了共14种植被指数数据[12]，公式和含义见表 1。这些指数特征加上原始波段共同用于训练分类器和影像分类操作。
![]()
使用目视解译和Google Earth高分辨率影像相结合的方法对雄安新区遥感影像进行解译并建立参考样本库。根据《土地利用现状分类》(GB/T 21010—2017)，共搜集到10类不同土地利用类型作为研究[13]。考虑不同土地类型的影像特征差异、不同地物空间分布差异及不同时序绿色植被的生长规律等特性，构建2016—2019年地表参考样本库(见表 2)。其中，2016的样本空间分布图如图 1所示。对于选择的样本数据，10%用于训练分类模型，90%用于精度测试。
![]()
首先使用3种分类算法进行分类操作，包括决策树(decision tree, DT)、支持向量机(support vector machine, SVM)和随机森林(random forest, RF)。然后选择精度最好的分类器对雄安新区2016—2019年的土地利用进行分类，进而分析研究该地区的土地利用时空演变格局。最后，利用随机森林自带的特征分析能力，评价不同分类特征对于分类精度的贡献度。
DT算法是基于树结构进行决策，从而得到最终判定结果的一种算法[14]。本文采用CART决策树进行分类，并对生成的决策树进行后剪枝处理。决策树算法相比于其他机器学习算法而言，其构建过程更加简单。
SVM是基于统计学习理论和结构风险最小原理建立的一种监督型学习方法。在处理小样本数据、解决非线性问题及高维模式的识别中有着独特优势[15]。它通常会使用核函数将样本从原始空间映射到高维特征空间中，然后在这个特征空间中寻找具有“最大间隔”的划分超平面。本文使用径向基核(也称高斯核), 并使用格网搜索方法确定参数C和γ的最佳值，以执行分类任务。
RF属于集成学习算法的一种，有着准确率高和稳健性好等优点[16]。在构建随机森林时，需指明两个参数，一个是树的棵数，另一个是随机特征数目。本文中树的数目设为100，随机特征的个数设置为总特征数的平方根。本文对比分析了DT、SVM和RF这3种分类算法，得到3种分类算法的分类精度。可以看出，SVM分类精度都达到最高，达到0.98；RF次之，低于SVM 1%~3%不等；DT精度最差，但也不低于93%。因而，从分类精度角度看，SVM更适合本文的分类操作。
由于SVM分类精度最好，图 2给出了利用SVM分类的雄安新区2016—2019年10 m空间分辨率的土地利用分布情况。可以发现旱地占了绝大部分，水田则集中分布于中南部地区。粗略比较即可发现，居民地等建筑区呈现一定程度的扩张趋势。对局部地区城镇建筑面积进行比较可以更加明显看出城镇扩展之快，如图 3所示。在图 3中，几个小城镇2016年还相对零散地分布于周边地区，但到了2019年则连成了片，说明雄安新区的设立对该地区城市建设起到了很大的促进作用。本文选取雄安新区2016年和2019年的土地利用分类图并对不同的土地利用面积进行统计分析，如图 4所示，从中可以看出，近年来雄安地区的耕地资源(旱地和水田)略有下降。对于非农田地物，面积出现明显增长，尤其是在东部地区出现了一大片“苗景两用林”导致非农田地物激增。对于居民地等建筑物区域，2019年相较2016年出现了较大增长，符合图 3给出的建筑物扩展的情况。 |
| 图 4 2016—2019年雄安新区土地利用类型变化 |
|
随机森林内置的OOB(Out-of-bag)评价指标能够评价不同特征的分类重要性，如图 5所示。从中可以看出，短波红外B11和B12波段的重要性最高，说明短波红外波段十分有助于分类，这可能与短波红外波段能够反映水分吸收有关，而雄安地区植被和水体较多，因此有着很好的区分效果。对于构造的特征而言，VI700、LSWI11、NDTI和PMI的效果则较好，表明利用这种人为构造的指数能够有助于分类。
本文利用Sentinel-2影像对雄安新区2016—2019年的土地利用进行分类操作，进而分析该地区的土地利用时空演变规律。测试了决策树、随机森林和支持向量机3种分类机器，进而获得最高精度的土地分类结果。随后利用多年数据对雄安新区的土地利用变化进行了细致分析。研究发现，自雄安新区成立以来，其土地利用类型和面积均发生了较明显的变化。其中耕地、林地、水生植物面积总体均呈显著减少趋势，建设用地面积净增量最为显著，表明雄安新区正在进行中、快速的城市化发展。
作者简介：于淼(1995—), 男, 硕士, 研究方向为卫星遥感图像处理与应用。通信作者：马洪兵。E-mail: hbma@tsinghua.edu.cn![]()