王貝貝，李星月，陳 濛

浙江省城鄉(xiāng)規(guī)劃設計研究院，浙江 杭州 310030

0 引 言

城鎮(zhèn)作為人類生產(chǎn)生活的重要場所，是非農(nóng)經(jīng)濟社會要素高度密集的綜合體[1-2]。近年來，城市經(jīng)濟快速發(fā)展，城市人口迅速增加，使得居住、生產(chǎn)用地需求不斷上升，進而導致城鎮(zhèn)空間持續(xù)擴張，建設用地規(guī)模增大[3-4]。我國的城鎮(zhèn)化率由1978 年的17.90%增長到2018 年的59.58%[5-7]。土地是城鎮(zhèn)建設的最基本載體，城鎮(zhèn)化過程和經(jīng)濟社會活動離不開土地資源，快速高效地提取城鎮(zhèn)建設用地，準確分析時空格局演變及驅(qū)動力，是區(qū)域可持續(xù)發(fā)展的科學依據(jù)和重要保障[8-10]。

遙感技術觀測范圍廣，觀測成本較低，近年來在土地利用變化監(jiān)測中廣泛使用，Landsat 影像由于獲取時間的連續(xù)性強以及中等分辨率的優(yōu)勢，使其適合監(jiān)測土地利用方面的變化[11-13]。基于Landsat 遙感影像提取建設用地變化主要有兩類方法：一是通過選擇樣本點利用機器學習進行影像分類，有研究表明，支持向量機分類方法提取城鎮(zhèn)建設用地作用顯著，通過此方法可以在城市群層面進行長時間序列的城鎮(zhèn)建設用地擴展動態(tài)監(jiān)測[14-15]。CART 決策樹和最大似然分類方法在城市歷時30 年的建設用地變化情況監(jiān)測取得了較為理想的效果[16-17]。二是通過波段運算構建指數(shù)進行土地覆被分類，其中歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）、歸一化建筑指數(shù)（Normalized Difference Built-up Index，NDBI）、改進的歸一化建筑指數(shù)（Built-up Index，BI）、新居民地提取指數(shù)（New Built-up Index，NBI）等在土地覆被信息提取方面作用顯著。另外，影像融合和時間序列在變化監(jiān)測方面也有一定優(yōu)勢[18]，采用遙感影像融合的方法，將Landsat 中分辨率遙感影像和MODIS 多光譜影像融合分析，在保留光譜信息的同時提高影像的空間分辨率，使得城鎮(zhèn)建設用地提取精度進一步提高[19]。時間序列方法先分析城鎮(zhèn)建設用地擴展前后時間序列軌跡特征，然后使用決策樹、支持向量機分類方法進行城市和郊區(qū)的土地覆蓋變化監(jiān)測[20-21]。

通過分析發(fā)現(xiàn)，目前的土地利用變化分析方法以機器學習、指數(shù)法、影像融合、時間序列等為主，對于分類結(jié)果的精度評價一般采用人工選取樣本點的方式，通過計算混淆矩陣驗證分類精度?；煜仃嚨某霈F(xiàn)確實為遙感影像分類精度提供了量化依據(jù)，但是隨著研究的深入，基于樣本點的混淆矩陣評價方法陸續(xù)顯露出一些問題。精度評價結(jié)果對樣本點的依賴性較大，只能對樣本點所在區(qū)域進行評價，忽略了樣本點外的絕大部分區(qū)域。

考慮到上述問題，本文以中國城鎮(zhèn)化進程相對較快的東部地區(qū)省份為研究對象，采用支持向量機和指數(shù)相結(jié)合的分類方法提取浙江省30 年建設用地擴張的時空變遷。隨機選擇省內(nèi)部分城市的土地利用現(xiàn)狀數(shù)據(jù)與提取結(jié)果進行校核，定位識別錯誤的區(qū)域，從而改進分類方法，提升分類精度，最終使得精度評價結(jié)果更為全面科學。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

浙江省地理環(huán)境優(yōu)越，地處北緯27°02′～31°11′，東經(jīng)118°01′～123°10′之間，東臨東海，南接福建，西與安徽、江西相連，北與上海、江蘇接壤，對內(nèi)對外交通十分便利。全省陸域面積10.55萬km2，下轄杭州、寧波、嘉興、溫州、金華、紹興、湖州、舟山、臺州、麗水、衢州11 個市（圖1）。浙江省開發(fā)歷史悠久，經(jīng)濟發(fā)達，是長三角經(jīng)濟圈的重要組成部分。近年來，城市化快速推進，大量人口涌入城市，建設用地需求急劇增加，土地利用結(jié)構發(fā)生較大變化。

圖1 研究區(qū)概況Fig.1 Location of the study area

1.2 數(shù)據(jù)來源

本文采用的數(shù)據(jù)主要有遙感影像數(shù)據(jù)和土地利用現(xiàn)狀數(shù)據(jù)。遙感影像數(shù)據(jù)從USGS 網(wǎng)站和地理空間數(shù)據(jù)云下載，包括1990、1995、2000、2005、2010、2015、2020 共7 個年份的Landsat5 TM、Landsat7 ETM+ 和Landsat8 OLI 共3 種衛(wèi)星遙感數(shù)據(jù)。由于浙江省范圍廣闊，需要多幅影像拼接才能覆蓋全域，為避免影像獲取時間不一致造成的建設用地檢測誤差，同一年份選取采集時間差在3 個月左右的9 幅影像，選取結(jié)果見表1。

表1 遙感影像數(shù)據(jù)獲取時間表Tab.1 List of acquisition time of remote sensing image

2 建設用地提取方法研究

研究結(jié)合上述兩種數(shù)據(jù)源，采用指數(shù)法和支持向量機相結(jié)合的方法對遙感影像進行分類，通過計算NDVI、NDWI、NDBI、BSI 4 個指數(shù)建立特征空間，選取典型樣本支持向量機分類，得到建設用地覆蓋范圍。然后將部分地區(qū)的遙感影像建設用地識別結(jié)果和土地利用現(xiàn)狀數(shù)據(jù)進行疊加驗證精度，根據(jù)精度校驗結(jié)果改進方法從而進一步提高識別精度。最終得到1990-2020 年浙江省建設用地分布圖，并從建設用地擴展和土地利用變化兩個方面對結(jié)果進行分析（圖2）。

圖2 技術路線圖Fig.2 Technical flow chart

2.1 圖像預處理

從USGS 網(wǎng)站和地理空間數(shù)據(jù)云獲取的Landsat 一級數(shù)據(jù)產(chǎn)品已經(jīng)完成了圖像幾何配準，且誤差在0.5 個像元以內(nèi)，滿足研究的精度要求。采用ENVI 中快速大氣校正方法（QUAC）對Landsat TM/ETM+/OLI 3 種數(shù)據(jù)進行大氣校正。由于2003 年6 月Landsat7 出現(xiàn)機器故障，導致后來采集的影像出現(xiàn)條帶，利用鄰近時間可用像元替換來修復條帶[22-23]。同時，為了保持遙感影像地物邊緣的連接性和完整性，采用邊界保持類平滑濾波器（K-Nearest Neighbor，KNN）對每一幅影像做濾波操作。對經(jīng)過大氣校正、條帶修復和KNN 濾波的影像進行拼接和裁剪，得到浙江省域范圍的影像。

2.2 建設用地提取

2.2.1 分類體系確定

不同地區(qū)的土地覆蓋分類體系標準是有區(qū)別的，國際具有代表性的分類體系有美國USGS 分類體系、歐盟Corine 分類體系、國際LUCC 分類體系，國內(nèi)主要有中國科學院土地資源分類系統(tǒng)、國土資源部土地覆蓋分類系統(tǒng)等。本次研究的主要目的是監(jiān)測城鎮(zhèn)和農(nóng)村建設用地的變化?；诖?，結(jié)合浙江省實際情況，參考中科院土地資源分類系統(tǒng)，將浙江省分為建設用地、林灌草地、耕地、水體、裸地5 種土地覆蓋類型，見表2。其中，建設用地主要指城鎮(zhèn)和農(nóng)村建筑用地、交通道路用地、工礦用地等人造地表。

表2 土地利用分類體系Tab.2 Land use classification system

2.2.2 指數(shù)法構建分類特征空間

由于地表不同覆蓋地物的結(jié)構不同，造成對光的吸收和反射情況不同，形成了每種地物典型的反射光譜特征。通過在多光譜波段內(nèi)尋找研究對象的最強和最弱的反射波段，運用比值和歸一化運算，進一步擴大兩者之間的差異，從而在指數(shù)影像上能夠獲取研究對象的最大亮度增強[24]。浙江省土地利用/土地覆蓋類型主要有建設用地、林灌草地、耕地、水體、裸地5 類。針對建設用地、林灌草地、水體、裸地4 種地類相應地選取4 個指數(shù)來區(qū)分不同的土地覆蓋類型，分別是歸一化植被指數(shù)（NDVI）、歸一化水體指數(shù)（NDWI）、歸一化建筑指數(shù)（NDBI）、裸土指數(shù)（Bare Soil Index，BSI）[24-26]，選取結(jié)果見表3。

表3 遙感指標列表Tab.3 List of remote sensing indicators

通過計算同一幅影像的上述4 個指數(shù)，將計算結(jié)果與影像原有波段共同作為分類特征空間，然后用機器學習中的支持向量機分類方法進行分類，計算結(jié)果如圖3所示。NDVI 影像中植被的亮度較高，特征進一步突顯；NDBI 影像中建設用地的亮度較高，使得建設用地特征進一步突顯；NDWI 影像中水體的值較高，故水體在影像中顯示出較高的亮度特征；裸地具有較高的BSI 值，故BSI 影像中裸地顯示出較高的亮度。

圖3 4 種遙感指數(shù)影像Fig.3 Four images of remote sensing index

2.2.3 支持向量機分類

建設用地是一種復雜的土地利用類型，與其他地類相比存在許多同物異譜以及同譜異物的現(xiàn)象，采用普通的分類方法很難將其從遙感影像中準確提取出來。隨著信息技術的發(fā)展，計算能力加快，以支持向量機為代表的機器學習方法逐漸成熟，在遙感圖像分類中應用廣泛[27]。支持向量機分類的基本思路是將實際問題變換到高維特征空間，在高維特征空間尋找最優(yōu)擬合平面作為分類面將類與類區(qū)分開來[28]。通過在研究區(qū)均勻選取不同地類的典型樣本，支持向量機可以通過不斷的學習找到最優(yōu)分類特征平面。樣本空間分布如圖4 所示（以瑞安市中心城區(qū)為例），每種地類選取150 個左右樣本點，共計812 個樣本點。

圖4 支持向量機樣本分布Fig.4 Sample distribution of support vector machine

2.3 建設用地提取精度校核

隨著我國對用地管控政策的收緊，多次全國國土調(diào)查以及歷年用地變更調(diào)查均能通過測繪、地理信息、互聯(lián)網(wǎng)等技術實地調(diào)查土地的地類、面積和權屬，成為監(jiān)測土地利用情況的主要手段，是當前全國土地利用狀況和土地基礎數(shù)據(jù)最為真實準確的反映。本文基于公開發(fā)布的土地利用現(xiàn)狀數(shù)據(jù)，在精度驗證的基礎上定位錯分區(qū)域，通過分析這些區(qū)域影像的特點，尋找誤差原因，從而提升建設用地分類的精度。

校核的具體方法如圖5 所示，將支持向量機分類識別得到的建設用地數(shù)據(jù)與土地利用現(xiàn)狀數(shù)據(jù)相疊加，判斷精度是否滿足要求。若不滿足精度要求，針對建設用地同物異譜特性，通過更新訓練樣本再次輸入支持向量機進行分類，同時運用形態(tài)學算子通過膨脹和侵蝕填補內(nèi)部孔洞，然后再與土地利用現(xiàn)狀數(shù)據(jù)疊加分析，如此迭代直至精度滿足要求。

圖5 結(jié)合土地利用現(xiàn)狀數(shù)據(jù)的精度校核流程圖Fig.5 Flow chart of accuracy check using current land usedata

遙感識別建設用地與土地利用現(xiàn)狀數(shù)據(jù)中的建設用地空間疊加之后會產(chǎn)生表4 中的結(jié)果，精度可以表示為：

表4 改進混淆矩陣Tab.4 Improved confusion matrix

式中，a為土地利用現(xiàn)狀是建設用地且遙感識別結(jié)果也是建設用地的面積值；b為土地利用現(xiàn)狀是建設用地但遙感識別結(jié)果是非建設用地的面積值；c為土地利用現(xiàn)狀是非建設用地但遙感識別結(jié)果是建設用地的面積值；d為土地利用現(xiàn)狀是非建設用地且遙感識別結(jié)果也是非建設用地的面積值。

3 浙江省1990-2020年建設用地提取結(jié)果分析

3.1 土地利用現(xiàn)狀數(shù)據(jù)校核結(jié)果

研究選取多個城市進行校核，在此以瑞安為例進行展示。土地利用現(xiàn)狀數(shù)據(jù)校核前分類結(jié)果如圖6a 所示，瑞安市中心城區(qū)總面積448 km2，其中現(xiàn)狀建設用地面積107 km2，遙感識別的建設用地面積為131 km2，兩者重合的部分為83 km2，精度僅為83%，許多非建設用地的區(qū)域被識別為建設用地類別，東部和西南部地區(qū)這種情況尤為嚴重。經(jīng)過土地利用現(xiàn)狀數(shù)據(jù)校核后的分類結(jié)果如圖6b 所示，中心城區(qū)的東部和西南部兩個區(qū)域的錯分像元幾乎全部被去除，經(jīng)計算遙感識別的建設用地面積為101 km2，與土地利用現(xiàn)狀數(shù)據(jù)重合的面積為91 km2，精度達到了94%，建設用地識別精度有明顯的提升。

圖6 土地利用現(xiàn)狀數(shù)據(jù)校核前后分類結(jié)果對比Fig.6 Comparison of classification results before and after verification of current land use data

3.2 建設用地擴張過程分析

基于以上方法，本文提取了浙江省1990、1995、2000、2005、2010、2015、2020 年7 個年份的建設用地，并計算了不同時間段建設用地擴展速率。建設用地擴展速率表示空間單元建設用地面積的階段變化率，計算公式如下：

式中，q為建設用地擴展速率；ak為某一時間段建設用地擴展面積；as為某一時間段初期的建設用地面積；t為時間段，一般以年為單位，計算結(jié)果如圖7 所示。

圖7 浙江省1990-2020 年建設用地擴展速率Fig.7 Expansion rates of construction land in Zhejiang Province from 1990 to 2020

從浙江省整體角度看，1990 年全省建設用地面積2751 km2，2020 年全省建設用地面積增長為13205 km2，為1990 年的4.8 倍，城鎮(zhèn)化速度較快。6 個時期浙江省建設用地擴張速率呈現(xiàn)急劇上升、急劇下降、緩慢上升的態(tài)勢，具有階段性與波動性特征。2000 年以前浙江省處于城鎮(zhèn)化初期階段，用地規(guī)?？焖僭黾?，1995-2000年擴展速率最高，達到了10.9%。2000 年以后擴展速率一直下降，在2010-2015 年達到最低值，僅為3.5%，較之前的大規(guī)模擴展，用地增長更為精明。

1990-2020 年浙江省11 個地市的建設用地空間擴張過程如圖8 所示。可以看出，雖然1990-2020 年浙江省建設用地總體呈現(xiàn)出擴張趨勢，但擴張過程的空間異質(zhì)性明顯，不同城市間建設用地擴張速度差異較大。在空間結(jié)構上，杭州、寧波、溫州、金華及其周邊城市建設用地分布密度明顯高于其他地區(qū)。逐漸形成了以杭州、寧波、溫州、金義為核心區(qū)，以環(huán)杭州灣、甬臺溫、杭金衢、金麗溫四大城市連綿帶為軸線延伸，以四大都市區(qū)為輻射拓展的“四核、四帶、四區(qū)”網(wǎng)絡型城市群空間格局。

圖8 浙江省1990-2020 年建設用地空間擴張過程Fig.8 The process of spatial expansion of construction land in Zhejiang Province from 1990 to 2020

3.3 土地利用變化分析

通過Arcmap 軟件對1990、2020 年土地利用數(shù)據(jù)進行疊置分析，結(jié)果如圖9 所示。浙江省土地利用類型以林灌草地（57%）和耕地（20%）為主，1990—2020 年土地利用轉(zhuǎn)移方向表現(xiàn)為耕地大量減少和建設用地持續(xù)擴張。

圖9 浙江省1990-2020 年土地利用面積變化和2020 年土地利用面積占比圖Fig.9 Land use changes in Zhejiang Province from 1990 to 2020 and proportion of land use area in 2020

將1990、2020 年土地利用數(shù)據(jù)相交后的統(tǒng)計數(shù)據(jù)進行土地利用轉(zhuǎn)移矩陣分析，結(jié)果見表5。30 年來，浙江省共有36826.6 km2的土地利用類型發(fā)生了改變。其中，耕地的轉(zhuǎn)出最大，減少了18084.9 km2，主要轉(zhuǎn)出為建設用地，轉(zhuǎn)入主要是林灌草地和裸地；林灌草地的轉(zhuǎn)出以建設用地為主，其次是耕地，轉(zhuǎn)入主要是裸地和耕地；建設用地很少轉(zhuǎn)出，流入相對較多，增加了12014.7 km2，新增的建設用地主要來源于耕地和裸地（表5）。

表5 浙江省1990-2020 年土地利用轉(zhuǎn)移矩陣Tab.5 Land use transfer matrix of Zhejiang Province in 1990-2020

4 結(jié) 論

本文基于指數(shù)法和支持向量機相結(jié)合的分類方法，采用土地利用現(xiàn)狀數(shù)據(jù)對分類結(jié)果進行校核，定位識別錯誤的區(qū)域，從而改進分類方法，提升分類精度，得到了浙江省1990、1995、2000、2005、2010、2015、2020 年7 期土地利用數(shù)據(jù)，并分析了1990-2020 年間浙江省土地利用變化和建設用地時空演變格局，得出的主要結(jié)論如下。

1）支持向量機和指數(shù)法相結(jié)合可有效識別建設用地。本文首先計算了研究區(qū)的NDVI、NDBI、NDWI、BSI等4 個指數(shù)，然后與影像原有的波段疊加構建分類特征空間，綜合了指數(shù)法和支持向量機兩種方法的優(yōu)勢。

2）定位影像分類誤差對提升識別精度具有顯著作用。將支持向量機分類得到的建設用地數(shù)據(jù)與土地利用現(xiàn)狀數(shù)據(jù)相疊加，定位識別錯誤區(qū)域，通過更新訓練樣本和孔洞填充的方式提高建設用地識別精度，經(jīng)修正后的方法對建設用地的提取準確率可以達到94%以上。

3）在無法獲取精確的土地利用現(xiàn)狀數(shù)據(jù)的環(huán)境下，開放的Landsat 數(shù)據(jù)和本文方法適用于國土空間規(guī)劃分析，對宏觀層面分析建設用地拓展方向、建設用地分類變化具有實際意義和推廣價值。

4）1990-2020 年浙江省土地利用轉(zhuǎn)移方向表現(xiàn)為耕地大量減少和建設用地持續(xù)擴張。建設用地擴張速率呈現(xiàn)急劇上升、急劇下降、緩慢上升的態(tài)勢，具有階段性與波動性特征?？臻g結(jié)構上總體呈現(xiàn)出擴張趨勢，但擴張過程的空間異質(zhì)性明顯，不同城市間建設用地擴張速度差異較大，逐漸形成了“四核、四帶、四圈”網(wǎng)絡型城市群空間格局。