GEE聯(lián)合多源數(shù)據(jù)的西安市土地利用時空格局及驅動力分析

楊麗萍，張 靜，貢恩軍，劉 曼，任 杰，王 宇

（1. 長安大學地質工程與測繪學院，西安 710054；2. 華北水利水電大學測繪與地理信息學院，鄭州 450046；3. 長安大學地球科學與資源學院，西安 710054）

0 引 言

土地資源是人類賴以生存的物質基礎，是人類生存、生產的重要載體。土地利用/覆蓋變化與景觀格局變化、生態(tài)環(huán)境、生物多樣性、人口增長及城市熱島效應等密切相關。土地利用格局時空變化及驅動力分析對于促進社會經濟和生態(tài)環(huán)境的可持續(xù)發(fā)展具有重要的研究價值。

近年來，隨著社會經濟的快速發(fā)展，土地利用/覆蓋時空變化引起了國內外學者的廣泛關注。肖思思等利用遙感和GIS技術探討了江蘇省環(huán)太湖地區(qū)25年間土地利用演變特征及驅動因素，結果表明該地區(qū)的土地利用變化主要受人口、工業(yè)化、城市化與土地管理政策等因素的制約。曲衍波等借助重心偏移模型和空間自相關分析法分析了國土空間演變的時空格局特征及驅動機制，為合理有序的國土空間保護開發(fā)提供了重要支撐。張浚茂等利用主成分分析法（Principle Component Analysis，PCA）揭示了整個東南諸河流域片區(qū)的土地利用時空變化特征及主要驅動機制，研究表明人口數(shù)量及結構、城市化和社會經濟發(fā)展對土地利用變化具有顯著影響。黎云云等基于SWAT模型，分析了氣候和土地利用變化對黃河流域農業(yè)干旱的影響，結果表明氣候變化是驅動黃河流域農業(yè)干旱發(fā)生的主要誘因。然而，傳統(tǒng)的研究方法面臨著數(shù)據(jù)下載量大、預處理時間長、可視化困難以及數(shù)據(jù)存儲和管理任務量大等諸多問題，同時多種不同來源的數(shù)據(jù)融合也是一個巨大的挑戰(zhàn)。

谷歌云計算平臺是由美國卡內基梅隆大學和美國地質調查局（United States Geological Survey，USGS）聯(lián)合開發(fā)的世界上最先進的云端計算平臺，該平臺基于Web交互式的開發(fā)環(huán)境，存儲了包括Landsat、MODIS、Sentinel等公開的PB級地理數(shù)據(jù)。用戶可通過GEE提供的Java Script和Python兩種編程語言接口實現(xiàn)復雜的地理空間數(shù)據(jù)分析，并且不需要處理數(shù)據(jù)投影、地理坐標系的轉換以及不同數(shù)據(jù)源的空間分辨率問題，便可直接在線調用各種數(shù)據(jù)集，避免了傳統(tǒng)的數(shù)據(jù)下載和預處理等工作。與此同時，用戶不僅可以使用GEE已存檔的數(shù)據(jù)和不斷更新的幾百種算法，還可以上傳自己制作的樣本數(shù)據(jù)。目前，GEE已在農業(yè)、林業(yè)、濕地和自然災害變化檢測等領域得到了廣泛應用。在提取土地覆蓋、土地利用變化信息方面，Zurqani等利用GEE平臺和隨機森林（Random Forest，RF）算法實現(xiàn)了Savannah河流域近20年的土地利用分類，分析了土地利用變化所產生的影響；Xu等針對城市建筑物和裸地之間的光譜易混淆問題，利用GEE平臺結合Landsat和PALSAR等多源遙感數(shù)據(jù)提取了浙江省的城市分布信息，有效地監(jiān)測了城市的擴張情況；Hu等以敏感的中亞地區(qū)為研究對象，在GEE支持下探討了中亞地區(qū)的土地變化及其驅動機制，結果表明植被變化主要受自然因素的影響，而耕地變化主要受降水和人為因素的影響，城市區(qū)域擴張主要受經濟因素的影響。Liu等基于地理探測器和GEE評價了甘南州土地利用變化的關鍵驅動因素，得出高程和人口密度是其主要驅動因素，同時經濟發(fā)展也有顯著影響。

在信息提取方面，機器學習算法發(fā)展迅速，其中，RF算法具有較高的精度。相比于其他分類器，RF能有效處理大規(guī)模數(shù)據(jù)，且速度快，對異常值不敏感，有利于減少過擬合現(xiàn)象，可估計分類特征的重要性，并利于特征選擇和優(yōu)化。目前，國內基于GEE平臺且融合多源遙感數(shù)據(jù)，特別是在融合光學遙感數(shù)據(jù)與雷達遙感數(shù)據(jù)的基礎上結合機器學習算法的研究相對較少，且基于GEE云平臺在時間聚合算法的基礎上融合多源數(shù)據(jù)的可行性有待驗證，有必要在這一方向進行深入探討。西安市作為中國西部地區(qū)的中心城市，近年來發(fā)展迅猛，土地利用/土地覆蓋格局變化強烈，對土地資源的全面開發(fā)使城市氣候與生態(tài)環(huán)境發(fā)生了顯著變化，人地矛盾日益突出。前人雖然在西安市土地利用/土地覆蓋方面做了大量工作，但對驅動因素的綜合分析研究仍然非常薄弱。開展西安市土地利用格局時空變化及驅動力分析，對于城市生態(tài)環(huán)境保護、人地關系協(xié)調以及土地利用合理規(guī)劃具有重要意義。

本文基于GEE平臺，利用Landsat影像合成年度最少云量影像，在提取光譜特征、紋理特征和地形特征的基礎上，輔以L 波段相控陣型合成孔徑雷達（Phased Array L-band Synthetic Aperture Radar，PALSAR）數(shù)據(jù)的后向散射特征，構建分類特征集，利用隨機森林分類算法，實現(xiàn)西安市2010、2015和2019年的土地利用快速分類，提取各地類面積，探討西安市土地利用的時空格局。最后，運用地理探測器的方法，考慮人口、生產總值（GDP）、第二產業(yè)生產總值、第三產業(yè)生產總值、坡度、坡向、降水量和地表溫度等多個因素，從社會和自然兩方面，對西安市土地利用變化的驅動機制進行分析，為西安市土地利用格局的優(yōu)化調整提供參考。

1 研究區(qū)概況及數(shù)據(jù)處理

1.1 研究區(qū)概況

西安市地處關中平原中部（圖1），位于107°40'E～109°49'E，33°42'N～34°45'N，北臨渭河，南依秦嶺。轄境東西長約204 km，南北最大寬度約116 km，是陜西省的政治、經濟和文化中心。西安市現(xiàn)轄新城區(qū)、碑林區(qū)、雁塔區(qū)、蓮湖區(qū)、未央?yún)^(qū)、灞橋區(qū)和長安區(qū)等11個區(qū)以及藍田和周至兩個縣，總體地勢東南高，西北與西南低。該區(qū)域屬于暖溫帶半濕潤大陸性季風氣候，具有冷暖干濕四季分明的特點，年平均氣溫為13.0～13.7 ℃，年降水量為522.4～719.5 mm，由北向南遞增。截至2019年底，西安市常住人口1 020.35萬人，GDP突破9 621.19億元，西安市城市化速度快，人口、經濟與土地資源的關系緊張，影響了西安市土地資源的承載力。

圖1 研究區(qū)位置 Fig.1 Study area location

1.2 數(shù)據(jù)來源與處理

借助GEE平臺，選取了以下數(shù)據(jù)：1）地表反射率數(shù)據(jù)。采用USGS提供的Landsat TM/OLI 地表反射率數(shù)據(jù)，分辨率均為30 m。其中，2010年影像為Landsat 5 TM數(shù)據(jù)，2015年和2019年的影像為Landsat 8 OLI數(shù)據(jù)；2） 高程數(shù)據(jù)。采用美國航天飛機雷達地形測繪任務（Shuttle Radar Topography Mission，SRTM）的DEM 數(shù)據(jù)，分辨率為30 m；3）SAR數(shù)據(jù)。采用由日本宇宙航空研究開發(fā)機構（Japan Aerospace Exploration Agency，JAXA）制作的Global PALSAR-2/PALSAR數(shù)據(jù)，分辨率為25 m；4）降雨數(shù)據(jù)。采用由美國氣象環(huán)境預報中心（National Centers for Environmental Prediction，NCEP）和美國國家大氣研究中心（National Center for Atmospheric Research，NCAR）聯(lián)合制作的NCEP產品，分辨率為1 000 m；5） 溫度數(shù)據(jù)。采用MOD11A2系列數(shù)據(jù)，該數(shù)據(jù)是由NASA發(fā)布的MODIS Level 1B數(shù)據(jù)經過大氣和氣溶膠校正后生成的產品，分辨率為1 000 m。其他數(shù)據(jù)：主要包括西安市各區(qū)縣的社會經濟統(tǒng)計數(shù)據(jù)和人口密度數(shù)據(jù)。前者來源于西安市統(tǒng)計局（http://tjj.xa.gov.cn），主要使用了生產總值、第二產業(yè)生產總值、第三產業(yè)生產總值、社會消費品零售總額以及全社會固定資產投資總額等指標；人口密度來源于世界人口網(wǎng)格（GPWv4.11）數(shù)據(jù)集（https://sedac.ciesin.columbia.edu）。

首先，基于GEE API編程，通過年份篩選得到的3期遙感影像分別為57、39和67景，其中各年份影像獲取時間均為1—12月；其次，采用GEE中Simple Composite算法對每年原始衛(wèi)星影像數(shù)據(jù)進行融合、裁剪等預處理，得到年度最少云量合成影像，提取光譜及紋理特征，對SAR數(shù)據(jù)提取后向散射特征，基于DEM數(shù)據(jù)提取高程、坡度和坡向等地形特征，基于GEE平臺構建多維分類特征集；然后，利用RF分類算法完成西安市土地利用分類，基于單一土地利用動態(tài)度分析土地利用變化情況；最后，在驅動因子離散化的基礎上，利用地理探測器從社會和自然因子兩方面分析西安市土地利用變化的驅動機制。研究技術路線如圖2所示。

圖2 技術路線圖 Fig.2 Technical route chart

2 研究方法

2.1 土地利用分類特征選擇與分類算法

在參考土地利用分類體系的基礎上，結合研究區(qū)實際情況，并考慮地類的可判讀性，將西安市土地利用類型分為耕地、林草地、建設用地、水域和未利用地5類。通過人工目視解譯，利用Google Earth Pro歷史影像制作本地樣本數(shù)據(jù)，各地類樣本信息如表1所示。聯(lián)合Landsat影像、SAR影像和DEM數(shù)據(jù)，構建了包括光譜特征（包括多種光譜指數(shù)）、紋理特征、地形特征和后向散射特征共4種特征用于后續(xù)分類，具體如表2所示。通過歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）影像提取灰度共生矩陣（Grey Level Co-Occurrence Matrix，GLCM），利用雷達數(shù)據(jù)提取VV、VH極化后向散射系數(shù)。

表1 訓練樣本點信息 Table 1 Information of training points

表2 分類特征說明 Table 2 Description of classification features

采用目前廣泛應用的土地利用分類方法—隨機森林算法進行土地利用分類。RF是包含了多個決策樹的分類模型。首先，運用Bootstrap方法進行隨機且有放回地從訓練集中抽取訓練樣本；其次，對訓練樣本建立決策樹模型，每棵決策樹都會投票給出一個分類選擇；最后，通過投票的多少決定其最優(yōu)的分類結果。本文利用ee.Classifier.smileRandomForest函數(shù)實現(xiàn)分類，該算法需要設置決策樹個數(shù)和結點特征數(shù)兩個參數(shù)。決策樹個數(shù)過多會影響模型效率，過少則影響模型精度，因此在兼顧效率和精度的同時，通過試驗確定決策樹個數(shù)為250。結點特征數(shù)采用默認值，為輸入特征總數(shù)的平方根。為獲得最佳分類精度，通過反復試驗和分析，選取約70% 的樣本作為訓練樣本，約30%的樣本作為驗證樣本，分類精度采用總體分類精度和Kappa系數(shù)進行評價。

2.2 土地利用程度指數(shù)

土地利用程度表征人類活動對土地生態(tài)系統(tǒng)干擾的程度，其大小反映了土地利用程度的高低。參考莊大方等提出的分級指數(shù)（表3），土地利用程度指數(shù)計算公式如下：

表3 土地利用程度分級表 Table 3 Classification table of land use degree

式中代表地類的土地利用程度綜合指數(shù)；A代表第種土地利用類型的分級指數(shù)；C代表第種土地利用類型面積占比。

2.3 土地利用動態(tài)度

單一土地利用動態(tài)度指在一定時段內某種土地利用類型的數(shù)量變化，計算公式如下：

式中為某地類土地利用動態(tài)度，U、U分別為研究初期和末期某土地利用類型的面積（km2），為研究時長（a）。

2.4 土地利用變化驅動機制分析方法

地理探測器是用于探測空間分異性并揭示其背后驅動機制的一種新的統(tǒng)計學方法，已廣泛應用于土地利用驅動機制分析。本文采用地理探測器中的因子探測器和交互探測器進行驅動機制分析。

1）因子探測器

探測因變量土地利用變化的空間分異性，以及驅動因子對因變量土地利用變化的影響力大小，用值度量，計算表達式為

式中值為單因子對土地利用變化的影響力，∈[0, 1]，值越大，說明該驅動因子對土地利用變化的影響越大；=1，...，；為因子的分層；N、分別為某一分層和整個區(qū)域的樣本數(shù)；σ、分別為某一分層和整個區(qū)域的方差和。SSW和SST分別為層內方差之和（Within Sum of Squares）和全區(qū)總方差（Total Sum of Squares）。

2）交互探測器

用于識別不同驅動因子之間的交互作用，評估兩個因子交互作用時對解釋力的影響。

地形、氣候等自然因素是影響土地利用變化的基本控制因素，與此同時，隨著社會經濟的發(fā)展，人類活動加劇了土地利用方式的改變。因此，鑒于自然因素和人類活動對土地利用的綜合影響，同時考慮研究區(qū)的實際情況和指標的可獲取性、科學性和定量性，從社會和自然兩方面選取了11個因子（表4）進行分析，其中社會因子以縣區(qū)為研究單元，即每個縣區(qū)的網(wǎng)格值均為其年鑒統(tǒng)計值。利用地理探測器進行驅動因子分析時，需要結合研究區(qū)實際情況，將驅動因子連續(xù)變量進行適當離散化。借助ArcGIS 10.2平臺，對研究區(qū)11個社會和自然探測因子進行離散化，通過構建1 595個2.5 km×2.5 km格網(wǎng)，提取每個格網(wǎng)中心點對應的驅動因子作為自變量、土地利用程度指數(shù)為因變量，將輸入到GeoDetector中進行匹配。參考Cao等對驅動因子離散化分類方法的研究，結合西安市人口分布特點和區(qū)域特征進行離散化。其中，坡度因子采用等間距分類方法；考慮到秦嶺地區(qū)人口稀疏，且所占總面積較大，人口密度因子采用幾何斷點法，該方法能使各區(qū)間的數(shù)值變化大致相同，有利于在每組人口區(qū)間上考慮更多的地類。自然斷點方法能根據(jù)數(shù)據(jù)的內在屬性進行恰當?shù)姆纸M，因此，其余因子采用效果較好的自然斷點法分類。驅動因子及離散化方法如表4。

表4 驅動因子及離散化方法 Table 4 Driving factors and discretization methods

3 結果分析

3.1 土地利用分類精度評價

利用驗證樣本進行混淆矩陣的精度分析，結果如表5所示。

表5 不同特征組合的分類精度 Table 5 Classification accuracy of different feature combinations

由表5可見，協(xié)同使用光譜、紋理、地形和SAR后向散射特征獲得了最高精度。西安市2010、2015和2019年3期最高總體精度分別為92.30%、86.66%和90.78%，對應Kappa系數(shù)分別為0.89、0.81和0.88，滿足分析要求。與單獨使用光譜特征（總體精度分別為87.14%、81.33%和88.81%）的分類相比，同時加入紋理和地形特征后，總體精度分別提高了1.32、4.00和1.32百分點；在使用光譜、地形和紋理特征（總體精度分別為88.46%、85.33%和90.13%）的基礎上融入SAR特征后，各年份總體精度分別提升了3.84、1.33和0.65百分點，Kappa系數(shù)分別提高了0.06、0.02和0.01?？梢?，融合SAR信息有助于改善分類精度。同時，為了說明SAR信息對分類的貢獻，在GEE中采用explain()算法模塊對所有特征進行重要性排序，其中，3期VH、VV的后向散射系數(shù)的重要性平均值為140.98、109.52和104.37，說明SAR信息對分類貢獻較大。

3.2 土地利用結構變化分析

協(xié)同利用研究區(qū)的光譜、紋理、地形和SAR后向散射特征進行土地利用分類，得到西安市三期土地利用空間分布圖（圖3）及各地類面積占比圖（圖4）。由圖可知，西安市土地利用以林草地和耕地為主，兩大地類面積占總面積的85%以上。2010年，兩大地類面積占比分別為49.75%和37.92%；到2019年，兩大地類所占面積比例分別為50.61%和33.47%。2010—2019年西安市林草地面積總體呈現(xiàn)先減少后微弱增加的趨勢，占比上升約0.86百分點，是西安市占比最大的土地利用類型，約占總面積一半以上；耕地面積呈現(xiàn)持續(xù)萎縮態(tài)勢，是所有地類中萎縮面積最大的類型，所占比例從2010年的37.92%減少至2015年的37.33%，到2019年，減少到33.47%，約減少了451.13 km，變化幅度較大。其中，2015—2019年的萎縮速率明顯快于2010—2015年，但仍是西安市土地利用類型中的第二大地類；建設用地呈現(xiàn)增加態(tài)勢，2010年面積為1 056.9 km，2015年面積為1 289.73 km，到2019年面積達到1 529.01 km，2010—2015年與2015 —2019年增量分別為232.83 km和239.28 km，漲幅分別為22%和19%，其中，相比于其他面積增加的地類，建設用地的面積增幅最大；水域面積持續(xù)減小，減小面積為30.27 km，2010—2015年和2015—2019年減少幅度分別為10%和23%；未利用地面積呈現(xiàn)縮減的趨勢，2010年未利用地面積占比為0.91%，2019年占比為0.14%，減少約0.77百分點，面積減少了約78.28 km。

圖3 2010—2019年西安市土地利用分類圖 Fig.3 Land use classification maps in Xi′an during 2010-2019

圖4 2010—2019年西安市各地類面積占比 Fig.4 Area percentages of each land type in Xi′an during 2010-2019

3.3 土地利用動態(tài)特征分析

單一土地利用動態(tài)度表示各土地利用類型的變化速度，根據(jù)西安市土地利用分類數(shù)據(jù)，計算2010—2015年、2015—2019年和2010—2019年三期單一土地利用動態(tài)度（圖5）?？傮w來講，建設用地的動態(tài)度一直處于最高水平，三期分別為4.41%、4.63%及4.96%，呈現(xiàn)出逐年擴張的態(tài)勢，且2015—2019年增長速率最快；林草地的動態(tài)度次之，三期分別為-0.55%、1.05%及0.15%，在2015年后出現(xiàn)正數(shù)，總體表現(xiàn)出“減少-增加”趨勢；耕地的動態(tài)度三期均為負數(shù)，表明耕地具有不斷縮減的趨勢，2010—2015年、2015—2019年和2010—2019年的動態(tài)度分別為-0.32%、-2.59%和-1.31%，且耕地面積2015—2019年的變化幅度大于2010—2015年的變化幅度；水域的單一土地利用動態(tài)度在研究時段內都為負數(shù)，說明水域面積不斷減小，動態(tài)度分別為-2.01%、-5.77%和-3.42%；未利用地的波動現(xiàn)象較為明顯，其面積急劇減少，由圖可見雖然未利用土地的波動大，但所占比例較小，從總體上看減少的面積仍然較小。

圖5 2010—2019年西安市單一土地利用動態(tài)度 Fig.5 Single land use dynamic degree in Xi′an from 2010 to 2019

3.4 土地利用格局時空變化分析

圖6為2010—2015年、2015—2019年西安市土地利用類型轉移圖。其中，西安市土地利用變化主要表現(xiàn)為建設用地面積的擴張和耕地面積的減少。各地類轉移情況如下：1）耕地轉移。由圖可見，耕地面積變化量最大，面積逐年減小，2010—2015年耕地轉出了637.39 km2，其中69.42%轉為建設用地，24.2%轉化為林草地，其余轉為水域和未利用地；2015—2019年耕地減少趨勢與前期相同，耕地轉化為建設用地最多，其次是林草地，轉化為水域和未利用地較少；2）林草地轉移。林草地面積呈現(xiàn)先減后增的態(tài)勢，總體略增；2010—2015年有296.10 km2的林草地轉化為其他地類，主要轉化為耕地和建設用地，占比分別為93.91%和4.16%；2015—2019年林草地轉入了336.67 km2，主要來自耕地，占比為86.94%；

圖6 2010—2019年西安市土地利用類型轉移圖 Fig.6 Land use type transition map in Xi′an from 2010 to 2019

3）建設用地轉移。建設用地大幅擴張，前期轉入面積535.98 km2，其中82.55%來自耕地，12.61%來自未利用地；后期轉入面積為471.74 km2，其中耕地轉入401.42 km2，占比達85.09%；4）水域轉移。兩個時段水域面積分別轉出了53.38 km2和42.21 km2，前期轉為其他地類的面積排序為耕地>建設用地>林草地>未利用地，后期轉為其他地類的面積排序為建設用地>林草地>耕地>未利用地；5）未利用地轉移。未利用地面積總體呈現(xiàn)收縮態(tài)勢，兩個時段均主要流向建設用地，占比分別為81.23%和83.2%，其次流向耕地，占比分別為13.68%和10.17%。

圖7為2010—2015年與2015—2019年兩期土地利用變化圖，由于考慮到兩期土地利用空間變化特征較為相似，故將兩期進行一并分析。從空間演變特征來看，耕地轉出類型以建設用地為主，主要分布在長安區(qū)的中部、未央?yún)^(qū)、鄠邑區(qū)及北部的高陵區(qū)、閻良區(qū)；其次為林草地，主要分布在東南部的藍田縣及西南部的周至縣；其他轉出類型面積較少，較為分散。林草地轉向耕地的區(qū)域分布在藍田縣、長安區(qū)及鄠邑區(qū)等區(qū)域；林草地轉向建設用地、水域和未利用地面積較少，空間特征不明顯。建設用地圍繞雁塔區(qū)、蓮湖區(qū)等中心城區(qū)向外擴張，其轉入主要來自于耕地和未利用地，耕地轉向建設用地區(qū)域主要發(fā)生在主城區(qū)外圍；未利用地轉向建設用地集中分布在雁塔區(qū)、新城區(qū)、碑林區(qū)和蓮湖區(qū)等地區(qū)。水域轉向耕地區(qū)域主要分布在臨潼區(qū)、閻良區(qū)和高陵區(qū)；水域轉向林草地區(qū)域較少，且空間特征不明顯；水域轉向建設用地區(qū)域主要發(fā)生在未央?yún)^(qū)和蓮湖區(qū)等區(qū)域。建設用地是未利用地轉出的主要類型，集中分布中心城區(qū)，其次零星分布在閻良區(qū)和高陵區(qū)；未利用地其他轉出類型較少，空間特征不明顯。

圖7 2010—2019年西安市土地利用類型空間變化圖 Fig.7 Spatial change of land use types in Xi′an from 2010 to 2019

3.5 土地利用變化驅動機制分析

因子分析結果如圖8所示。由圖可見，2010年各因子對西安市土地利用程度的解釋力從大到小為X7（0.679 0）>X11（0.676 6）>X8（0.608 2）>X10（0.418 0）>X1（0.391 1）>X2（0.261 2）>X3（0.256 9）>X4（0.249 6）=X6（0.249 6）>X5（0.177 8）>X9（0.009 0）。其中高程對土地利用程度影響最大，其次是地表溫度、坡度和降雨量等自然因子，說明自然因子對土地利用時空演變格局影響顯著。人口密度的解釋力為0.391 1，可見人口密度也是推動土地利用變化的重要驅動因子。

圖8 2010—2019年驅動因子探測結果 Fig.8 Detection results of driving factors from 2010 to 2019

分時段看，2015年加快土地利用變化的主要驅動因子為高程、坡度、降雨、地表溫度和人口密度等，說明自然因子仍是主導因素；生產總值、第二產業(yè)生產總值等5個社會因子的值均大于0.173 7，較2010年明顯提高，說明社會因子在土地利用變化中起著越來越重要的作用。相比2010年，人口密度快速增長，解釋力值顯著增強，為0.494 4，可見人口密度對西安市土地利用變化具有重要影響。2019年影響土地利用的主要驅動因子包括高程、坡度、降雨、地表溫度和生產總值，說明隨著經濟發(fā)展，社會因子的驅動力進一步加強，而人口密度的值減小，解釋力減弱。這一時期，自然、社會因子解釋力值均大于0.3，說明該時期土地利用已轉變?yōu)槎嘁蜃庸餐s束的情形。相較于其他自然、社會因子，2010—2019年坡向對土地利用程度影響非常小?？傊?，地形等自然因子影響植被分布狀況、人類活動范圍，決定了西安市土地利用的空間分布格局，但由于西安市地理位置優(yōu)越，經濟發(fā)展迅速，人類活動對土地利用的干預越來越強，社會因子也成為影響西安市土地利用空間分布格局的關鍵因子。

交互探測器用來探測因子之間的交互作用相對于單因子是否會增加或減少對因變量的解釋力，探測結果如圖9所示。各年份因子交互作用均呈現(xiàn)雙因子增強或非線性增強的特點，由此說明西安市土地利用變化是多因子共同作用的結果。各年份交互作用效果具有很大相似性，因此，以2019年為例進行分析。由圖9 c可見，坡度和高程的交互作用最強，達到了0.75；高程與生產總值、溫度與坡度疊加后的解釋力度次之，達0.74；生產總值、第二產業(yè)生產總值等5個社會指標單因子解釋力均不超過0.32，與高程、坡度、降雨、溫度等因子疊加后解釋力均大于0.61，表明這些社會因子并不是獨立影響土地利用變化，與其他因子共同作用后影響力更強；此外解釋力最小的人口因子與其他因子疊加后影響力也有所提升，最高達到0.71。

圖9 2010—2019年驅動因子交互作用結果 Fig.9 Interaction results of driving factors from 2010 to 2019

總之，各因子與高程、坡度因子疊加后的影響力增強，主要是因為研究區(qū)南部秦嶺地區(qū)海拔較高，主城區(qū)海拔低，人類活動復雜，使得其他因子受到了高程的影響，這與張澤等的研究結果一致。由此可見，這一時期社會因子和自然因子共同推動了西安市土地利用的變化。

4 討 論

為協(xié)調西安市的人地關系，對土地利用做出合理規(guī)劃，以促進社會經濟和生態(tài)環(huán)境的可持續(xù)發(fā)展，本文基于GEE云平臺結合隨機森林算法完成了西安市土地利用分類，得到的三期分類圖精度均在86.5%以上，結果較為理想。

利用地理探測器分析西安市土地利用變化的驅動力，發(fā)現(xiàn)高程和坡度是西安市土地利用動態(tài)變化的主要驅動因子，究其因很大程度上是因為地形因素的限制，使人類活動大多集中在中北部，對土地利用的程度較大。此外，人類活動在后期的影響加深，這與已有研究結果較為吻合。但考慮到數(shù)據(jù)的代表性，本文僅從自然和經濟兩方面選取了11個指標，而未考慮政策、制度因子，下一步將納入政策、制度因子，構建更為完善的土地利用變化驅動指標體系。此外，本文僅從西安市整體的角度研究其驅動因素，但西安市各個縣區(qū)社會經濟基礎和發(fā)展狀況有所不同，充分考慮地區(qū)的差異性，將是下一步的研究方向。

5 結 論

本文基于GEE云平臺，聯(lián)合Landsat光學影像和PALSAR雷達數(shù)據(jù)，通過構建光譜、地形、紋理和后向散射特征4種特征變量，利用隨機森林算法完成了西安市土地利用分類，定量分析了2010、2015和2019年西安市土地利用的時空格局，最后基于地理探測器從自然因子和社會因子兩方面，探討了西安市土地利用變化的驅動機制，主要結論如下：

1）GEE云平臺具有數(shù)據(jù)處理方便、運算能力強、能有效解決數(shù)據(jù)分辨率不一致等問題的優(yōu)勢，且隨機森林算法分類精度較高，2010、2015和2019年分類總體精度分別為92.30%、86.66%和90.78%，對應Kappa系數(shù)分別為0.89、0.81和0.88，聯(lián)合PALSAR數(shù)據(jù)能有效提高分類精度。

2）西安市主要土地利用類型為林草地和耕地，兩者合計占整個研究區(qū)面積的85%以上。2010—2019年耕地面積呈現(xiàn)大幅減小的趨勢，十年間縮減了451.13 km，主要集中在長安區(qū)的中部、未央?yún)^(qū)、鄠邑區(qū)及北部的高陵區(qū)、閻良區(qū)；林草地表現(xiàn)為先減后增的趨勢，中南部及東部地區(qū)變化較為明顯；建設用地呈現(xiàn)出劇烈擴張的局面，新增加的建設用地集中分布在中心城區(qū)外圍，且不斷向外擴張，由2010年的1 056.9 km2擴張至2019年的1 529.01 km2，主要來源于耕地和林草地；水域和未利用地總體呈現(xiàn)出面積逐年減少但變化不大的特征，分布較為分散。

3）在西安市土地利用格局變化的過程中，地形、溫度和降雨等自然因子始終占據(jù)主導地位，生產總值、第二產業(yè)生產總值等社會因子是土地利用變化的重要因子，且解釋力不斷增大，而人口解釋力先增大后減少。地形、溫度與生產總值疊加后的交互作用達到了較高水平，說明西安市土地利用變化格局是各種因子共同作用的結果。

基于GEE聯(lián)合多源遙感數(shù)據(jù)，采用隨機森林分類和地理探測器分析可有效反映土地利用格局時空變化及其驅動機制。近十年來，西安市城市建設發(fā)展迅速，在經濟全球化的背景下，政府應加大產業(yè)結構和用地結構調整，加強土地資源的優(yōu)化配置。在城鄉(xiāng)建設過程中，應嚴控耕地、林草地等轉建設用地，土地政策的制定和城市發(fā)展需兼顧生態(tài)環(huán)境保護和經濟協(xié)調發(fā)展。