基于多維特征優(yōu)選支持向量機算法的城市土地利用變化遙感監(jiān)測

周柱燦，鄭云云，劉亞群

（1.重慶市規(guī)劃和自然資源調(diào)查監(jiān)測院，重慶 401120；2.中國科學院地理科學與資源研究所，北京 100101）

城市土地利用變化作為全球變化的重要組成部分，耦合氣候變化和人類活動，影響著人類社會和生態(tài)系統(tǒng)的生存和發(fā)展[1-3]。城市土地利用變化在經(jīng)濟和人口增長的驅(qū)動下以空前速度在全球進行。至21世紀初，已有50%的全球人口居住于城市[4]。然而，過快的城市用地無序擴張會導致耕地和棲息地減少、生物多樣性下降、交通擁擠、房地產(chǎn)泡沫、熱島效應、溫室氣體排放等負面影響，不利于社會進步和經(jīng)濟發(fā)展、糧食安全和生態(tài)保護[3，5-8]。實時準確獲取土地利用分布信息是評估和應對這些社會-經(jīng)濟-生態(tài)負面影響的基礎(chǔ)。早期的土地利用變化監(jiān)測主要基于地面調(diào)查和統(tǒng)計資料，耗時費力，難以及時反映大尺度空間變化特征。自20世紀80年代起，遙感因具備快速、及時、準確獲取大空間尺度地表信息的能力，被廣泛應用于土地利用變化監(jiān)測。在大空間尺度的城市土地利用變化長期監(jiān)測研究中，具有較長收集歷史的美國陸地衛(wèi)星（Landsat）、Advanced Very High Resolution Radiometer（AVHRR）、Defense Meteorological Program Operational Line-Scan System （DMSP-OLS）、Moderate Resolution Imaging Spectroradiometer（MODIS）等中、低空間分辨率遙感數(shù)據(jù)應用最廣泛。常采用歸一化建筑指數(shù) （normalized difference built-up index，NDBI）、歸一化不透水面指數(shù)（normalized difference impervious surface index，NDISI）、遙感建筑用地指數(shù) （index-based built-up index，IBI）、歸一化植被 指 數(shù) （normalized difference vegetation index，NDVI）、增強型植被指數(shù)（enhanced vegetation index，EVI）、基于NDVI或EVI等改進的夜間燈光指數(shù)等波譜指數(shù)識別城市用地[7-12]。然而，城市不透水地表與裸地、休耕地等存在光譜相似性，只使用單一或幾個波譜指數(shù)難以區(qū)分。在小區(qū)域的城市土地利用變化監(jiān)測研究中，?；赟ysteme Probatoire d’Observation de la Terre（SPOT）、伊科諾斯衛(wèi)星（IKONOS）、快鳥（QuickBird）等高空間分辨率影像開展面向?qū)ο蠓诸?，同時引入波譜、空間紋理等特征，能較好克服同譜異物現(xiàn)象[13-15]。但高空間分辨率影像較難獲取，不適宜大區(qū)域長期監(jiān)測研究。近年隨著遙感和地理信息技術(shù)的迅速發(fā)展，中國高分系列、哨兵（Sentinel）系列等遙感衛(wèi)星和中國環(huán)境與災害監(jiān)測預報小衛(wèi)星星座、RapidEye、行星實驗室（Planet Lab）等衛(wèi)星星座的應用[16]，支持向量機（support vector machine，SVM）、機器學習、深度學習等算法的推廣[17]，進一步提升了遙感數(shù)據(jù)的時、空、譜、輻等多維特征和數(shù)據(jù)處理能力，土地利用分布信息獲取手段也由降維向多維特征融合發(fā)展，在提升識別精度時對降低數(shù)據(jù)冗余的考慮逐步減少。但目前城市土地利用變化遙感監(jiān)測仍缺乏融合光譜、空間、時序等多維特征的研究[3]。在多維特征中，選擇哪些特征參與分類，對提高分類精度至關(guān)重要，卻往往被忽視，而且針對特定區(qū)域特定目標的地物識別，并非所有特征均有效。因此，目前急需有效的多維特征優(yōu)選方法來提高識別精度。

此外，發(fā)展中國家城市土地利用變化及其負面影響通常大于發(fā)達國家，但未得到應有關(guān)注[18]。中國是世界最大的發(fā)展中國家，城市化率已從1978年改革開放時的15.80%增至2016年的57.35%[3]。作為中國西部唯一的直轄市，重慶市城市化率更是由1996年的19.09%激增至2016年的62.60%[19-20]。較之中國東南經(jīng)濟發(fā)達地區(qū)，西部城市土地利用變化引起的負面影響往往更嚴重。目前中國城市土地利用變化相關(guān)研究主要關(guān)注東南地區(qū)，而對生態(tài)環(huán)境脆弱的西部地區(qū)關(guān)注較少[3，8]。

因此，本研究以中國西部重慶市渝北區(qū)為例，提取了基于Landsat衛(wèi)星Thematic Mapper、Enhanced Thematic Mapper Plus和Operational Land Imager（TM/ETM+/OLI）影像的多維特征，構(gòu)建特征優(yōu)化選擇指標與模型，遴選最優(yōu)特征組合，采用SVM算法準確識別了1996—2014年渝北區(qū)的城市土地利用分布，并分析了城市土地利用時空變化特征。

1 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)概況

重慶渝北區(qū)（106°27′E～106°58′E，29°34′N～30°07′N）是中國西南部的重要增長極和城市新中心，地處“絲綢之路經(jīng)濟帶”和“長江流域經(jīng)濟帶”核心區(qū)、重慶都市發(fā)達經(jīng)濟圈和兩江新區(qū)核心區(qū)（圖1）。自1994年底撤縣建區(qū)以來，渝北區(qū)城市化率由1995年的15.56%增至2016年的71.17%[21-22]。渝北區(qū)屬亞熱帶季風氣候，多年平均氣溫17.3℃，平均降雨量1 100 mm，平均日照時長1 340 h，無霜期319 d[23]。渝北區(qū)過境河流主要有長江、嘉陵江、御臨河，境內(nèi)山脈包括自西向東的華鎣山脈、銅鑼山脈、明月山脈。

圖1 重慶渝北區(qū)的地理位置Fig.1 The location of Yubei District in Chongqing

1.2 數(shù)據(jù)源及預處理

Landsat TM/ETM+/OLI遙感影像①來源https://glovis.usgs.gov/是本研究的數(shù)據(jù)源，用于識別渝北區(qū)1996、2002、2008和2014年的城市土地利用分布情況（表1）。所選影像時、空分辨率分別為16 d和30 m，行/列號為127/39、128/39，均為Level 1T產(chǎn)品，成像時間在8—9月，云覆蓋均低于10%（研究區(qū)內(nèi)低于5%）。所有影像均進行了系統(tǒng)幾何和輻射校正、波段合成、條帶去除、影像裁剪、輻射定標、大氣校正等預處理。

表1 遙感數(shù)據(jù)源信息Table 1 The information of remote sensing data

其他數(shù)據(jù)源包括土地利用訓練樣本和驗證樣本，分別用于土地利用分類和分類結(jié)果精度評價。首先基于Google和Landsat影像目視解譯獲取真實樣本集，再利用分層隨機抽樣法獲取每一種地類訓練樣本100個和驗證樣本200個?？紤]到渝北區(qū)地處山區(qū)、地塊較破碎的實際情況，為保證樣本代表性，每個樣本設定2×2像元，訓練和驗證樣本像元數(shù)占區(qū)域圖像總像元數(shù)的比例分別為0.3%和0.6%。

2 研究方法

本研究首先提取TM/ETM+/OLI影像的31維特征，并對它們進行Min-max標準化，再基于提出的特征優(yōu)選指標和模型，遴選最優(yōu)特征組合進行SVM分類，識別1996—2014年渝北區(qū)城市土地利用分布，并解析其時空變化特征（圖2）。根據(jù)以往研究的土地利用多級分類系統(tǒng)[2-3]，本研究關(guān)注的是城市用地、耕地、林地、草地、水域和未利用地6種一級地類。

圖2 本研究的技術(shù)路線圖Fig.2 The technology roadmap of this study

2.1 多維特征提取

1）光譜指數(shù)。NDBI可有效識別城市不透水地表[9]。NDVI是植被遙感研究中應用最廣泛的光譜指數(shù)，有助于區(qū)分城市用地和植被[22]，但在植被覆蓋度較低的建成區(qū)，NDVI受土壤背景噪聲影響較大[3]。Huete[25]基于NDVI和大量觀測數(shù)據(jù)提出可有效消除土壤背景干擾的土壤調(diào)節(jié)植被指數(shù)。改進型歸一化水指數(shù)（modified normalized different water-index，MNDWI）可有效增強水域與其他地類的反差，減小水域與城市用地、水域與植被之間的光譜混淆[26]。Liu等[27-28]提出的歸一化植被-水指數(shù)（normalized different vegetation-water index，NDVWI）集成了歸一化植被指數(shù)（normalized different vegetation index，NDVI）和歸一化水指數(shù) （normalized different water index，NDWI） 的優(yōu)勢，在植被分類中表現(xiàn)出優(yōu)于NDVI或NDWI的可分性（尤其在干旱半干旱地區(qū)），有助于細分植被（如耕地、林地和草地）。但NDVWI對植被冠層含水量的敏感程度隨不同區(qū)域和時相的干旱程度差異而不同。因此，本研究引入干旱調(diào)節(jié)因子d，構(gòu)建了干旱調(diào)節(jié)歸一化植被-水指數(shù)（dNDVWI），以增強NDVWI應用的時空適應性。本研究提取NDBI、NDVI、土壤調(diào)節(jié)植被指數(shù)（soil adjust vegetation index，SAVI）、MNDWI、dNDVWI 5種光譜指數(shù)，其計算如下。

式中：ρ（green）、ρ（red）、ρ（nir）和ρ（swir）分別為綠光（波長0.53～0.59 μm）、紅光（波長0.64～0.67 μm）、近紅外（波長0.85～0.88 μm）和短波紅外波段（波長1.57～1.65 μm）的地表反射率。土壤調(diào)節(jié)因子l和干旱調(diào)節(jié)因子d隨研究區(qū)域和目標變化有不同的適宜值，可通過參數(shù)優(yōu)化或率定方法確定，本研究中二者分別取值為0.5和0.8。

2）穗帽變換，是增強光譜差異、減少數(shù)據(jù)冗余的有效降維方法[29]。本研究提取變換后的亮度（Brightness）、 綠度 （Greenness） 和濕 度 （Wetness）3個分量，分別有助于識別城市不透水地表、植被和水域。

3）最小噪聲分離變換，是一種有效減少噪聲干擾、增強影像光譜特征的特殊主成分分析[30]。變換后各分量的信噪比（或特征值）依次降低，本研究提取前3個分量。

4）高斯濾波，可有效增強比光譜特征更穩(wěn)定的空間紋理特征[31]。本研究基于主成分變換的前2個主成分進行高斯高頻和低頻濾波2種變換，其中高通濾波可增強高頻成分，銳化城市建筑和道路的邊界，低通濾波可加強低頻成分、平滑水域和農(nóng)田等連片地類的內(nèi)部細節(jié)。

5）灰度共生矩陣，是通過統(tǒng)計影像灰度的空間相關(guān)特征來提取空間紋理的方法[32]。本研究基于主成分變換的前2個主成分進行灰度共生矩陣變換，使用了平均值、方差、同質(zhì)性、對比度、差異性、熵、二次矩、相關(guān)性8種統(tǒng)計值。

2.2 特征優(yōu)化選擇指標與模型

1）全局Jeffries-Matusita（J-M）距離。J-M距離是基于條件概率理論的可分性度量指標，可評價兩種訓練樣本在某種特征組合時的可分性[3，33]。然而，實際分類關(guān)注的不僅是兩種類別的分類精度。因此，本研究提出可評價所有樣本類型整體可分性度量指標。

式中：JM為類別wf和wg的J-M距離（f≠g）；GJM為所有n種類型的全局J-M距離；Xfg為類別wf和wg的特征向量；p（Xfg/wf）和p（Xfg/wg）分別為類別wf和類別wg在Xfg上的條件概率密度函數(shù)。JM和GJM值越接近2可分性越高，其值小于1.5或小于1.75時說明可分性極低或較低，其值大于1.9說明可分性較高。

2）FOSM模型。針對特定研究目標、區(qū)域和訓練樣本，整體可分性隨特征組合而變化。特征數(shù)不足時分類結(jié)果可能出現(xiàn)欠擬合，特征數(shù)過多時分類結(jié)果可能受低效噪聲干擾出現(xiàn)過擬合，兩者均會影響分類精度。因此，為防止分類結(jié)果出現(xiàn)欠擬合或過擬合，本研究構(gòu)建了FOSM模型，當整體可分性最大（或最優(yōu)）時，認為該特征組合最優(yōu)、其分類精度最高。本研究首先將JM值小于1.5的單個特征剔除，剩余m種特征（m≤31）。

圖3 最優(yōu)特征選擇流程圖Fig.3 The flow chart for optimal features selection

2.3 支持向量機

支持向量機SVM基于訓練樣本統(tǒng)計信息，構(gòu)建最大化各類別間隙的最優(yōu)超平面（optimal hyperplane）來分類數(shù)據(jù)集，是一種適宜多維、復雜數(shù)據(jù)集分類的監(jiān)督學習算法[3，17]。

2.4 小斑塊去除和精度評價

本研究采用主要分析法[27]去除小于2×2像元（60 m×60 m，符合渝北區(qū)實際）的小斑塊?；谡`差混淆矩陣[3]評價1996—2014年渝北區(qū)城市土地利用分類結(jié)果的精度。

3 結(jié)果與分析

3.1 多維影像特征比較分析

本研究提取了2014年渝北區(qū)TM/ETM+/OLI影像的31維特征，并進行Min-max標準化，使它們的值介于[-1，1]（圖4—圖5）。NDBI（簡寫為I1）有利于區(qū)分城市用地與其他地類以及植被細分（區(qū)分耕地、林地、草地），但難以區(qū)分水域和植被。NDVI（I2）可有效區(qū)分城市用地、植被和水域，但由于植被覆蓋度高時I2值易飽和，難以細分植被。SAVI（I3）在NDVI的基礎(chǔ)上增強了植被細分能力。MNDWI（I4）有效增強了水域、城市用地、植被之間的光譜差異，但仍無法很好識別河道較窄、易與岸邊地物混淆的御臨河。dNDVWI（I5）能有效區(qū)分城市用地與植被，且進一步增強了植被細分能力，但減少了水域與其他地類的光譜差異。這5種光譜指數(shù)在土地利用分類中各有不同優(yōu)缺點，然而它們均無法有效識別狹小水域（如御臨河），因此，僅使用1種或全部這5種常用光譜指數(shù)都難以達到最佳分類效果。穗帽變換后的亮度（T1）、綠度（T2）、濕度（T3）這前3個分量在分類中各有所長，其中T1能較好突出城市用地和耕地與其他地類的區(qū)分，但難以區(qū)分城市用地和耕地以及細分植被；T2可有效區(qū)分城市用地和植被以及細分植被，但難以區(qū)分城市用地和水域；T3可有效區(qū)分水域和其他用地，但難以區(qū)分城市用地和植被，且難以識別狹小水域（圖4）。由這3個分量的RGB合成圖可見，其組合的分類能力大于任一單獨分量，尤其是明顯提升了狹小水域的識別能力，并保留了較強的植被細分能力[圖6（a）]。

最小噪聲分離后的前3個分量（M1、M2、M3）的信噪比遞減，其中M1能有效區(qū)分城市用地和植被以及細分植被，M2能有效識別水域、林地，M3由于信噪比較小，無法有效幫助地物識別（圖4）。因此，這3個分量組合時，雖增強了城市用地、水域、植被之間的光譜差異，但由于M3的噪聲干擾，組合在植被細分上的能力有所降低[圖6（b）]。高斯高通濾波主要用于銳化地物邊緣信息，但由于渝北區(qū)地塊較破碎，且Landsat影像空間分辨率僅30 m，對PCA前2分量的高斯高通濾波變換（H1、H2）均不利于地物分類（圖4）。相反，對PCA前2分量的高斯低通濾波（L1、L2）較好消除了地物內(nèi)部的“椒鹽噪聲”，能有效區(qū)分城市用地和植被以及細分植被，但對水域識別效果不佳（圖4）。PCA第1分量的灰度共生矩陣分別基于平均值、方差、同質(zhì)性、對比度、差異性、熵、二次矩、相關(guān)性8種統(tǒng)計值開展，依次得到C11～C18等8個特征；PCA第2分量的灰度共生矩陣也基于以上統(tǒng)計值開展，依次得到C21～C28等8個特征（圖5）。其中C11、C22可有效區(qū)分城市用地和植被、水域和植被以及細分植被，但無法有效區(qū)分城市用地和水域。C13有助于識別城市用地，但無法區(qū)分植被和水域。C22、C24、C25可有效區(qū)分水域和其他地類，尤其有助于識別狹小水域。C12、C14、C15能幫助識別少量城市用地，C16、C17可有效識別少量林地，但由于它們在識別其他地物時噪聲太大，均不利于分類。C18、C23、C26、C27、C28的噪聲較大，不利于區(qū)分地類。

圖4 渝北區(qū)2014年Landsat影像的光譜指數(shù)、穗帽變換、最小噪聲分離、高斯濾波特征Fig.4 Features of spectral indexes,tasselled cap transformation,minimum noise fraction rotation and gaussian filtering based on the Landsat images of Yubei District in 2014

圖5 渝北區(qū)2014年Landsat影像的灰度共生矩陣特征Fig.5 Features of gray level co-occurrence matrix based on the Landsat images of Yubei District in 2014

圖6 穗帽變換和最小噪聲分離后特征的RGB合成影像Fig.6 RGB composite images based on the features of tasselled cap transformation and minimum noise fraction rotation

3.2 最優(yōu)特征組合遴選及分類精度驗證

本研究基于全局J-M距離比較了不同特征及組合對土地利用分類的可分性，并利用FOSM模型遴選了適合渝北區(qū)分類的最優(yōu)特征組合（圖7）。NDBI、 NDVI、 SAVI、 MNDWI、 dNDVWI （I1、I2、I3、I4、I5）的全局J-M距離（GJM）從高至低為I5＞I3＞I2＞I1＞I4，但均低于這5種光譜指數(shù)的組合（5I）（圖7）。穗帽變換前3個分量均有助于土地利用分類，其中綠度（T2）的GJM高于亮度（T1）、濕度（T3），3個分量組合時（3T）分類效果更高，因此組合5I+T2的GJM高于5I+T1（或T3），5I+3T高于5I+T2。最小噪聲分離變換前2個分量（M1、M2）均有助于分類，M1的GJM高于M2，第3分量（M3）噪聲較多，不利于分類，因此前2分量組合（2M）的GJM大于前3分量組合（3M），組合5I+3T+2M的GJM高于5I+3T+M1（或M2或M3或3M）。可能是由于Landsat影像的空間分辨率僅30 m，高斯高通濾波的特征（H1、H2）未能突出地物輪廓，反而抑制了可分性，二者組合時（2H）抑制效果更大；低通濾波的特征（L1、L2）有效抑制了同種地物內(nèi)部的“椒鹽噪聲”，促進了可分性，且二者組合時（2L）促進效果更佳；因此，5I+3T+2M+H1（或H2或2H）的GJM低于5I+3T+2M，5I+3T+2M+2L的GJM高于5I+3T+2M+L1（或L2）。PCA第1、2主成分的灰度共生矩陣變換后各特征（C11～C18和C21～C28）中，基于平均值變換的特征（C11、C21）可有效提升可分性，第2主成分的基于方差、對比度、差異性的灰度共生矩陣（C22、C24、C25）可幫助識別水域（尤其是狹小水域），且它們分別組合時效果更好；其他特征噪聲較大，均不利于分類。因此，5I+3T+2M+2L+C11+C21+C22+C24+C25的GJM最高，為最優(yōu)特征組合。

圖7 Landsat影像的不同特征及其組合的全局J-M距離Fig.7 GJM values of different features and their combinations based on the Landsat images

基于最優(yōu)特征組合開展SVM分類，識別1996、2002、2008和2014年渝北區(qū)土地利用分布，采用主要分析法去除小于2×2像元的小斑塊，并基于誤差混淆矩陣評價1996—2014年渝北區(qū)城市土地利用分類結(jié)果的精度。評價結(jié)果表明，各地類的制圖和用戶精度均在85%以上，其中城市用地的分類精度均高于90%，水域的分類精度最高，未利用地的精度最低，城市用地與未利用地、耕地和林地、耕地與草地、林地和草地之間的混淆較多（表2）。

表2 1996—2014年渝北區(qū)城市土地利用分類精度Table 2 Classification accuracy of urban land uses in Yubei district from 1996 to 2014

3.3 城市土地利用時空格局變化

1996—2014年，渝北區(qū)城市用地持續(xù)擴張（圖8）。1996年，城市用地圍繞市中心和機場呈“兩中心”形式分布于西南部[圖8（a）]；2002年，沿著兩中心間的軸線有小幅擴張[圖8（b）]；2008年，“點-軸”式擴張加速[圖 8（c）]；2014 年，圍繞“點-軸”向西北進一步擴張，同時在中南部新增了大量城市用地[圖8（d）]。林地主要分布于（自西向東）華鎣山脈、銅鑼山脈、明月山脈，耕地主要分布于三大山脈間的谷地（圖8）。1996—2014年，雖然華鎣山脈有部分坡耕地退耕（或撂荒）成為林地，但三大山脈間的谷地上有大量林地被開荒成耕地，同時城市周邊大量林地和耕地被城市用地擴張侵占，因此，林地面積持續(xù)減少、耕地總面積變化較少。1996—2002年，銅鑼山脈北部的部分林地和未利用地開荒為耕地，而后部分耕地又退耕（或撂荒）成為林地。2008—2014年，城市內(nèi)部新增了少量林地（城市綠地）。草地零星分布于林地和耕地內(nèi)部，在城市擴張、耕地開荒、退耕還草等共同影響下，面積變化較少。水域主要有東南邊境的長江、西南邊境的嘉陵江、中部的御臨河和水庫、湖泊，城市擴張的同時在城市內(nèi)部新增了少量水域（人工湖泊和人工濕地等），但由于天然水域面積減少，水域總面積小幅減少。

圖8 渝北區(qū)城市土地利用時空分布Fig.8 Urban land use maps of Yubei District

渝北區(qū)城市用地面積由1996年的3.70×103hm2持續(xù)擴張至2014年的22.87×103hm2，擴張了19.17×103hm2（518.11%）（表3）。1996—2002年，城市用地擴張速度較慢（0.35×103hm2/a），對耕地侵占較少，耕地面積增加3.60×103hm2。2002—2014年，城市用地擴張速度較快，耕地面積呈減少趨勢，其中2002—2008年城市用地擴張速度最快（1.59×103hm2/a），耕地面積減少速度也最快（-0.33×103hm2/a）。除了城市用地擴張，耕地減少的原因還包括退耕還林還草和耕地撂荒。1996—2014年，耕地先增后減的趨勢導致其總面積僅減少0.20×103hm2。林地面積減少幅度不斷下降，2002—2008年、2008—2014年較1996—2002年的減少幅度分別下降0.22×103hm2、2.48×103hm2，這主要是退耕還林和撂荒的影響。1996—2014年，草地和水域的變化很小，分別減少0.19×103hm2和0.05×103hm2。未利用地在城市用地擴張的影響下持續(xù)減少，其中2002—2008年減少最多（2.63×103hm2），這是由于在此期間城市用地擴張最快。

表3 1996—2014年渝北區(qū)城市土地利用面積變化Table 3 Changes in the area of urban land uses in Yubei district from 1996 to 2014單位：103hm2

3.4 城市土地利用類型轉(zhuǎn)移

1996—2014年，渝北區(qū)城市土地利用類型轉(zhuǎn)移主要發(fā)生在城市用地、耕地和林地這三種地類之間（圖9）。在渝北區(qū)西南部和中南部，有大量耕地和林地、少量草地轉(zhuǎn)出為城市用地，這些轉(zhuǎn)移不利于區(qū)域糧食和生態(tài)安全。耕地與林地之間的類型轉(zhuǎn)移主要發(fā)生在三大山脈及其谷地，其中在西北部的華鎣山脈主要是耕地通過退耕（或撂荒）還林轉(zhuǎn)移為林地，而在銅鑼山脈和明月山脈及其谷地主要是林地通過開荒轉(zhuǎn)移為耕地。減少的草地主要是轉(zhuǎn)移為城市用地，可能少部分隨時間推移生長為灌木等林地；新增的草地主要由林地和耕地轉(zhuǎn)移而來。

圖9 渝北區(qū)1996—2014年城市土地利用類型轉(zhuǎn)移Fig.9 Land use conversions from 1996 to 2014 in Yubei District

1996—2014年，渝北區(qū)有51.16%的總土地面積（74.56×103hm2）發(fā)生了類型轉(zhuǎn)移（表4）。城市用地總面積的91.69%（20.97×103hm2）是由其他五種地類轉(zhuǎn)移而來，其中耕地和林地分別貢獻了11.97×103hm2和7.61×103hm2，分別占總轉(zhuǎn)入城市用地面積的57.08%和36.29%；草地、水域和未利用地對新增城市用地的貢獻很小。耕地與林地之間的轉(zhuǎn)移最多，1996—2014年，有24.94×103hm2林地轉(zhuǎn)移為耕地，有15.98×103hm2耕地轉(zhuǎn)移為林地。46.03%的轉(zhuǎn)出水域是由于城市用地擴張侵占導致，48.28%的新增水域來源于未利用地。減少的未利用地主要轉(zhuǎn)移為耕地（35.44%）和林地（46.38%）。

表4 1996—2014年渝北區(qū)土地利用類型轉(zhuǎn)移矩陣Table 4 Land use conversion matrix of Yubei District from 1996 to 2014

4 討論

4.1 多維特征優(yōu)化選擇的優(yōu)勢及未來研究議題

不同變換可便捷提取多維影像特征，但各特征在土地利用分類中往往各有優(yōu)劣，使用單一特征難以達到理想分類效果。NDBI能有效識別城市用地，但難以區(qū)分植被和水域；常用于分類的NDVI也不能有效細分植被；dNDVWI增強了植被細分能力，但弱化了水域識別能力；MNDVWI能有效識別水域，但無法很好地識別狹小水域以及細分植被；PCA第2主成分經(jīng)過基于方差、對比度或差異性的灰度共生矩陣變換后，可有效識別狹小水域，卻無法區(qū)分其他地類。因此，只有集成多維特征時才能更好地取長補短、提升分類精度。然而，由于針對特定研究區(qū)和目標，各特征的適應性有所差異，即最優(yōu)特征組合隨研究時空、目標等差異而不同；在先驗知識不足時，無法保證所提取的特征對特定研究時空和目標均有效；摻雜無效特征時反而會降低分類精度。因此，基于本研究提出的特征優(yōu)化選擇指標（GJM）與FOSM模型，可從不同特征集中高效遴選適宜不同研究時空和目標的最優(yōu)特征組合。

本研究僅提取Landsat的31維影像特征（并非均有效），還有哪些其他有效特征值得關(guān)注？本研究各特征及組合在渝北區(qū)土地利用分類中表現(xiàn)出的優(yōu)劣性，是否適宜其他相似數(shù)據(jù)源（如HJ-1、Sentinel-2等）或地區(qū)（如重慶其他地區(qū)、成都等）？多維特征如何響應不同時空尺度和數(shù)據(jù)源？哪些特征具有更強的時空和數(shù)據(jù)適應性？此外，未來研究應注重揭示最優(yōu)特征組合對不同訓練樣本集、不同可分性評價指標（如GJM、信息熵、最佳波段指數(shù)等）的響應機理。研究這些重要議題是未來獲取具有更強適應性的有效特征（集）和最優(yōu)特征組合（集）的關(guān)鍵。此外，訓練樣本集的代表性和數(shù)量也影響分類精度；高代表性的訓練樣本數(shù)量越多，對應分類精度越高。因此，未來研究可通過提升訓練樣本的代表性和數(shù)量，盡量囊括同種類型的所有可能形式，來降低“同物異譜”的負面影響，提高分類精度。

4.2 城市土地利用變化的原因、影響及對策

經(jīng)濟和人口增長共同影響著城市居民單體及總體需求量的提升，是促進城市用地擴張的主要驅(qū)動力[3]。尤其在耦合政策推動的影響下，即1994年“撤縣建區(qū)”，導致1996—2014年渝北區(qū)城市用地加快擴張，并在2000年“西部大開發(fā)”進一步推動下，城市用地擴張速度達到最大[23]。雖然城市用地過快擴張促進了經(jīng)濟和人口增長，然而，這種粗放型擴張同時增加了城市系統(tǒng)的需求，加劇了對環(huán)境的壓力，導致耕地和生態(tài)用地過度消耗，不利于城市可持續(xù)發(fā)展[3，34]。

城市化過程中的土地利用難免與生態(tài)保護產(chǎn)生沖突，但不應只關(guān)注經(jīng)濟效益，應同時兼顧與居民福祉息息相關(guān)的生態(tài)系統(tǒng)服務[35-36]。因此，未來城市土地規(guī)劃和管理應合理收緊城市增長邊界，高效利用存量（如棚戶區(qū)改造）和增量（如鼓勵使用未利用地）城市用地以復興城市中心和棕地（brownfields），加強土地管理和保護政策，并引入精明增長（smart growth）來幫助遏制城市蔓延、發(fā)展緊湊綠色城市[3]。

5 結(jié)論

綜合多維影像特征是提升土地利用分類精度的有力手段，但并非所有特征均能提升分類效果，摻雜無效特征反而會降低分類精度。為此，提出了簡便易復制的特征優(yōu)化選擇指標（全局J-M距離）和FOSM模型，渝北區(qū)城市土地利用分類實踐證實了它們可幫助快速高效地遴選最優(yōu)特征組合方案，有利于提高分類精度。實踐還證實，提取的31維影像特征并非對本研究均有效，部分特征抑制了分類精度（如高斯濾波對地塊破碎地區(qū)的分類效果不佳）。因此，提取具有區(qū)域針對性的特征集合對提升分類精度至關(guān)重要。此外，不同訓練樣本集對應的最優(yōu)特征組合可能存在差異，高代表性的訓練樣本對提升分類精度也很重要，未來相關(guān)研究應關(guān)注樣本和多維特征集成組合的優(yōu)化選擇。同時，隨著遙感數(shù)據(jù)量及維度的增加，需要綜合考量樣本與特征優(yōu)選模型的有效性及復雜度，以便及時準確識別地物。

1996—2014年，渝北區(qū)城市用地加速擴張了19.17×103hm2，主要侵占城市周邊的耕地和林地，不利于糧食安全和生態(tài)保護。因此，未來城市化進程應注重高效利用新增城市用地和高效再利用現(xiàn)有低效城市用地，嚴控城市增長邊界，加強耕地保護和生態(tài)建設?？赡苁鞘苷佳a平衡等政策影響，渝北區(qū)退耕（或撂荒）還林還草的同時普遍存在耕地開荒現(xiàn)象，這或?qū)p少生態(tài)保護措施的效力。在“西部大開發(fā)”戰(zhàn)略、“一帶一路”倡議等引導下，未來中國西部城市用地擴張將進一步加快，難免與生態(tài)保護存在沖突，未來城市土地利用開發(fā)過程中，研究者和決策者應注重使用情景分析和多目標規(guī)劃等手段優(yōu)化管理社會-經(jīng)濟-生態(tài)效益的權(quán)衡與協(xié)同，促進城市可持續(xù)發(fā)展。