打开文本图片集

摘要：土地利用分类是进行土地状况调查、城市发展规划和生态环境保护的基础和前提。本研究基于GEE云平台（Google Earth Engine）所提供的Landsat时间序列遥感影像数据，采用随机森林分类算法和转移矩阵对济南市土地利用类型的时空演变规律（2010-2020年）进行研究。研究结果表明：（1）随机森林算法在进行济南市土地利用分类时能够取得较好的分类效果，其分类精度可达80%以上，kappa系数可达75%以上；（2）研究期内济南市建设用地和林地面积呈现增长趋势，增长率分别为10.52%、3.68%；耕地、水域和未利用地面积呈现下降趋势，减少率分别为6.47%、2.45%和5.28%；（3）总体来说，济南市各类土地利用类型均存在不同程度的变化，且建设用地呈现明显增长趋势，表明济南市土地利用强度有上升的趋势。

关键词：土地利用分类；GEE云平台；随机森林；转移矩阵

引言

随着人口的增长和城市化进程，导致城市土地利用类型发生着剧烈而又快速的变化。准确评价城市土地利用的变化趋势，对土地资源合理开发和城市规划建设具有重要意义[1-2]。近年来，以谷歌地球引擎（Google Earth Engine）为代表的遥感大数据服务平台广泛兴起，借助GEE平台存储的海量长时间序列遥感数据及超强的服务器运算能力，能够高效地实现长时序多时相遥感影像土地利用变化检测，为大区域土地利用分类提供了崭新的方向[3-4]。目前国内外学者基于GEE云平台对土地利用分类开展了大量研究，如Camilo Alcantara等利用MODIS NDVI卫星时间序列影像和支持向量机分类方法对中东欧耕地和牧场的撂荒程度进行量化[5]；Hamud A M等基于GEE平台，采用支持向量机（SVM）和随机森林（RF）监督分类方法，对索马里巴纳迪尔的城市扩展和土地覆盖变化进行研究[6]；李微等利用GEE平台提供的Landsat系列影像作为主要数据源，采用随机森林方法，监测云南省森林覆盖空间分布、动态变化及转移情况[7]。

济南市作为山东省省会，近年来随着经济的迅速发展和人口的急剧增长，导致城市规模不断扩大，耕地面积逐渐减少，生态退化、环境污染等问题日趋严重。本研究基于GEE云平台提供的Landsat卫星影像数据，采用随机森林和转移矩阵方法对济南市土地利用的时空演变规律进行研究，以期为济南市土地资源规划配置提供科学依据。

1 研究区概况

济南市地处中国华东地区、山东中西部、华北平原东南部边缘（如图1所示），地理位置介于北纬36°01′～37°32′、东经116°11′～117°44′之间。济南市南依泰山，北跨黄河，分别与西南部的聊城、北部的德州和滨州、东部的淄博、南部的泰安交界；其地势南高北低，由南到北依次为低山丘陵、山前倾斜平原和黄河冲积平原，属暖温带大陆性季风气候区。

2 材料与方法

2.1 数据来源及样本点选取

数据来源包括：①遥感影像数据：Landsat7影像（2010年、2012年）、Landsat8影像（2014年、2016年、2018年、2020年），来源于谷歌公司GEE云平台；②行政区域边界来源于中国科学院资源环境科学与数据中心。影像数据利用GEE平台进行去云、裁剪、影像融合等预处理。

结合研究区现状并根据自然资源部修订的《土地利用现状分类》（GB/T 21010-2017）国家标准分类标准[8]，将济南市土地分为5大类：耕地、林地、水域、建设用地和其它未利用地类型，选择2010年、2012年、2014年、2016年、2018年、2020年5个时段构建土地利用分类数据样本集。样本集数据通过结合GEE高分辨率卫星图及土地利用现状图进行目视判读，具体每年每种类型的样本数量如表1所示。将每年样本数据集按照7：3分别划分为训练样本数据集和精度验证样本数据集。

2.2 研究方法

（1）随机森林算法[9-11]

随着机器学习方法的兴起，人们开始广泛利用逻辑回归（LR）、支持向量机（SVR）、人工神经网络（ANN）和随机森林（RF）等方法进行分类模型的建立和训练。其中，由加州大学伯克利分校的BREIMAN等在2001年提出的随机森林算法由于训练速度快、泛化能力强、不易陷入过拟合而得到了广泛的应用。随机森林算法由一系列决策树单学习器组成，通过多个单学习器对输入样本进行简单投票并判断其分类，再集合各单学习器的结果得出随机森林的最终结果。

（2）土地利用转移矩阵[12]

土地利用转移矩阵能够描述土地利用结构变化特征和彼此的转移方向，反映土地利用类型的转移趋势，即：

3 结果与分析

3.1分类精度验证

各年份训练样本分类结果的OA精度和kappa系数如图2所示。通过图2可以看出，OA精度和Kappa系数绝大多数均超过了80%，仅在开始的年份Kappa系数为74%，说明基于GEE云平台采用随机森林算法进行土地利用分类具有较高的精度。此外，通过图2还可以看出，随着遥感影像质量的提升，OA精度和Kappa系数也呈不断上升的趋势。

为进一步验证分类结果的可靠性，将典型局部地区的分类结果与高分辨率Google Earth

卫星影像进行一致性比对（如图3所示）。从图3可以看出，本研究的分类结果与Google Earth卫星影像具有较高的一致性，可较好地分类出水域、建设用地等地物。

3.2 土地利用空间变化

对2010年、2012年、2014年、2016年、2018年、2020年分类后的影像进行面积计算分析，得到济南市土地利用基本结构以及10年来济南市土地利用变化情况（如表2和图4所示）。

2010-2020年10年间，济南市建设用地由最初占比15.84%增长至26.36%，增长率为10.52%，这主要是因为人口增加和城市建设等带来的土地需求在逐步加大，导致建设用地逐年增加；林地由最初占比30.67%增长至34.35%，增长率为3.68%，可以看出济南市在大力发展经济建设的同时也同样注重城市发展的质量，不断加强生态环境保护，使得济南市林地面积逐年增加。

耕地、水域和其它未利用地面积呈下降趋势。耕地由最初占比30.5%下降至24.03%，减幅率为6.47%；主要原因是一方面对质量相对较差的耕地实施退耕还林政策，另一方面由于城市建设的快速发展导致部分耕地被建设用地占用。水域面积减幅率为2.45%，主要是由于近年来气候干旱，导致河流、水库水面面积大量减少，同时部分滩涂被开发为耕地或建设用地，造成滩涂面积减少；此外地下管道的使用逐渐替代了原来的明沟明渠，沟渠面积有所减少，也导致了水域面积的减少。未利用地由最初的18.49%减少至13.21%，减幅为5.28%，主要集中在济南市的东南区域。

3.3 土地利用结构变化

运用ArcGIS软件对处理后的影像进行土地利用转移矩阵处理，得到2010-2015、2015-2020、2010-2020年济南市土地利用转移矩阵各空间类型之间的转移关系（图5所示）。

2010-2015年耕地转出面积较多，主要转化为建设用地和林地，转换面积占耕地总量的比例分别为11.67%和1.84%。2015-2020年耕地和未利用地转出面积较多，耕地主要转化为建设用地和林地，转换面积占耕地总量的比例分别为8.06%、8.56%；未利用地主要转化为耕地、建设用地和林地，转换面积占未利用地总量的比例分别为3.04%、6.98%、5.52%。总体来看2010-2020年济南市5种土地利用类型之间均有不同程度的转化，其中耕地和未利用地转出面积幅度较大，主要转化为林地和建设用地。

4 结论

基于GEE云平台提供的Landsat影像数据，分析了济南市2010-2020年间的土地利用动态演化趋势，得到以下4点结论：

（1）基于GEE平台存储的海量长时间序列遥感数据及超强的服务器运算能力，能有效减少数据下载和预处理时间。

（2）采用随机森林算法对济南市土地利用进行分类时，其验证样本数据集分类的OA精度和Kappa系数大多数时间均超过了80%，证明随机森林算法在进行土地利用分类时具有较好的适用性和精度。

（3）济南市土地利用类型丰富，近10年来发生了较大改变。从土地利用总量来看2010-2020年间建设用地和林地面积呈增长趋势，增长率分别为10.52%、3.68%；耕地、水域和未利用地面积呈下降趋势，减幅率分别为6.47%、2.45%和5.28%；从土地利用结构来看2010-2020年期间土地利用类型之间均有不同程度的转化，未利用地、耕地和水域主要向建设用地和林地转化。整体来说，济南市土地利用强度有上升的趋势，但幅度较小。

（4）受限于遥感数据源，本文仅探讨了济南市2010-2020年10年间土地利用的变化，时间序列相对较短，无法充分体现济南市土地利用的演变规律；因此在以后的研究中需通过不断补充不同类型遥感数据，采用更加全面的数据进行济南市土地利用分类研究。

参考文献：

[1]李忠德. 基于Sentinel-2A遥感影像和POI数据的城市土地利用分类研究[D]. 延边大学，2021.

[2]Ayambire R A，Amponsah O，Peprah C，et al. A review of practices for sustaining urban and peri-urban agriculture：Implications for land use planning in rapidly urbanising Ghanaian cities[J]. Land Use Policy，2019，84：260-277.

[3]裴杰，牛铮，王力，等. 基于Google Earth Engine云平台的植被覆盖度变化长时间序列遥感监测[J]. 中国岩溶，2018，37（4）：608-616.

[4]DONG J，XIAO X，MENARGUEZ M A，et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images，phenology-based algorithm and Google earth engine [J]. Remote Sensing of Environment，2016，185：142-154.

[5]Camilo Alcantara，Tobias Kuemmerle，Matthias Baumann，et al. Mapping the extent of abandoned farmland in Central and Eastern Europe using MODIS time series satellite data[J]. Environmental Research Letters，2013，8（3）.

[6]Hamud A M，Shafri H Z M，Shaharum N S N. Monitoring Urban Expansion And Land Use/Land Cover Changes In Banadir，Somalia Using Google Earth Engine（GEE）[J]. IOP Conference Series：Earth and Environmental Science，2021，767（1）.

[7]李微，岳彩荣. 基于GEE云平台的2005-2017年云南省森林覆盖变化监测[J]. 西北林学院学报，2022，37（05）：182-187.

[8]中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. 中华人民共和国国家标准（GB/T 21010-2017）：土地利用现状分类[S]. 北京：中国标准出版社，2017.

[9]BREIMAN L. Random forests[J]. Machine learning，2001，45（1）：5-32.

[10]田菊飞，苏怀智. 基于随机森林算法的大坝应力预测模型的构建及其应用[J]. 水电能源科学，2018，36（05）：54-56+5.

[11]林奕晨，周鹏，潘悦，等. 荆州市洪涝灾害影响因子探究及风险评估-基于随机森林和XGBoost算法[J]. 中国农村水利水电，2022（06）：125-132.

[12]孙晓晨，焦菊英，王红雷，等. 河湟谷地1980-2020年土地利用变化及其冷热点分布[J]. 水土保持通报，2022，42（01）：327-334.

[13]何朝霞. 喀斯特地区土地分类方法研究[J]. 安徽农业科学，2017，45（1）：4-7.

基金项目：黄河流域生态地质调查项目（SDGP370000000202202008093C_001）

作者简介：史国萍（1976—），女，山东济南人，高级工程师，研究方向：地质勘查工程。

通信作者：刘辉（1999—），男，安徽阜阳人，在读硕士，研究方向：水利工程。