長時(shí)序Landsat和GEE云平臺的杭州灣土地利用/覆被變化時(shí)空格局演變

梁錦濤，陳超，孫偉偉，楊剛，劉志松，張自力

1.浙江海洋大學(xué) 海洋科學(xué)與技術(shù)學(xué)院,舟山 316002;

2.蘇州科技大學(xué) 地理科學(xué)與測繪工程學(xué)院,蘇州 215009;

3.寧波大學(xué) 地理與空間信息技術(shù)系,寧波 315211;

4.浙江海洋大學(xué) 信息工程學(xué)院,舟山 316002;

5.浙江海洋大學(xué) 浙江省海洋大數(shù)據(jù)挖掘與應(yīng)用重點(diǎn)實(shí)驗(yàn)室,舟山 316002;

6.浙江省生態(tài)環(huán)境監(jiān)測中心(浙江省生態(tài)環(huán)境監(jiān)測預(yù)警及質(zhì)控研究重點(diǎn)實(shí)驗(yàn)室),杭州 310012

1 引言

土地利用/覆被變化LUCC（Land Use/Cover Change）通常定義為人類對土地的使用（Zhao 等，2021），是人與自然相互作用的直接結(jié)果，反映了人類賴以生存的地球環(huán)境系統(tǒng)與人類日益發(fā)展的生產(chǎn)系統(tǒng)之間相互作用的基本過程（Liu 等，2017；駱劍承 等，2021）。LUCC 研究的實(shí)質(zhì)是為人類進(jìn)一步理性化的土地利用服務(wù)。通過對人類土地利用及所帶來的土地覆蓋變化的研究，可以對人類現(xiàn)行的土地使用政策進(jìn)行評估，預(yù)測由此所帶來的種種后果，以求最終能提出土地利用的最優(yōu)模式，實(shí)現(xiàn)可持續(xù)性的土地利用（Chen 等，2021；Regasa等，2021）。

海岸帶地區(qū)在過去的幾十年中經(jīng)歷了快速的土地覆被變化，對復(fù)雜的海岸帶地區(qū)進(jìn)行準(zhǔn)確的LUCC信息提取是一項(xiàng)具有挑戰(zhàn)性的任務(wù)（陳超 等，2021；Khwarahm 等，2021；李清泉 等，2016）。遙感技術(shù)RS（Remote Sensing）可以提供長時(shí)間尺度的豐富數(shù)據(jù)，借助于傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類方法，成為獲取海岸帶土地覆被信息的有效手段（Lyons等，2012；Rawat和Kumar，2015；吳一全和劉忠林，2019）。機(jī)器學(xué)習(xí)算法擁有整合有限訓(xùn)練數(shù)據(jù)的強(qiáng)大能力（Bangira 等，2019），能夠適用于更加復(fù)雜的異質(zhì)性地表區(qū)域，通過整合多源數(shù)據(jù)的優(yōu)勢，提高了海岸帶地區(qū)LUCC 信息提取的精度。支持向量機(jī)SVM（Support Vector Machine）、分類回歸樹CART（Classification and Regression Tree）、隨機(jī)森林RF（Random Forest）等算法已被廣泛應(yīng)用于濱海濕地分類（Kiggundu 等，2018；Li 等，2018；Tu 等，2021）。然而，機(jī)器學(xué)習(xí)算法在處理不同衛(wèi)星數(shù)據(jù)集的性能和算法分類精度的提升方面，還存在著優(yōu)化的空間（彭江濤 等，2020；孫偉偉 等，2018）。一些常用遙感指數(shù)對植被、水體、建筑等具有良好的區(qū)分性，而主成分分析PCA（Principal Component Analysis）可以實(shí)現(xiàn)數(shù)據(jù)的降維，更好的消除各地物特征之間的相關(guān)性（Abdi和Williams，2010）。如何利用指數(shù)空間的良好區(qū)分性和變換空間的獨(dú)立性，突破單純依靠原始圖像數(shù)據(jù)的局限，提高遙感圖像分類精度和信息提取準(zhǔn)確性是值得思考的問題。

土地利用時(shí)空變化的動態(tài)分析離不開大范圍、長時(shí)序、高精度的監(jiān)測方法，生產(chǎn)高時(shí)空連續(xù)性LUCC 產(chǎn)品的需求隨著人類社會的發(fā)展而日益緊迫。爆炸式增長的地理空間數(shù)據(jù)從根本上改變了人類對地球的感知和互動，傳統(tǒng)地理信息與遙感手段因其高計(jì)算復(fù)雜性與高處理成本而面臨挑戰(zhàn)（Ghorbanian 等，2020）。以GEE 云平臺為代表的衛(wèi)星遙感云存儲和云計(jì)算平臺的出現(xiàn)和發(fā)展，不僅允許全波段和高強(qiáng)度圖像計(jì)算，而且集成了多源和多尺度的全球遙感圖像（Akar 和Güng?r，2012；Rodrigues 和Souza-Filho，2011），極大程度上實(shí)現(xiàn)了高效、連續(xù)的遙感監(jiān)測。GEE 云平臺已被廣泛應(yīng)用于海岸帶區(qū)域的紅樹林提?。惛?等，2022；賈明明 等，2021）、水產(chǎn)養(yǎng)殖塘提?。⊿un等，2020）、沼澤濕地提取（寧曉剛 等，2022）、潮間帶（陳慧欣 等，2022；程麗娜 等，2022）等，在計(jì)算效率等方面表現(xiàn)出極大的優(yōu)越性。

杭州灣是多重國家戰(zhàn)略的交匯點(diǎn)，也是國家加強(qiáng)東部經(jīng)濟(jì)建設(shè)、打造大灣區(qū)重大決定的重要支撐點(diǎn)，代表中國東部未來發(fā)展新高度，影響著超過6000 萬人（陳軍 等，2014；李加林和王麗佳，2020）。本研究面向杭州灣區(qū)域，基于Landsat長時(shí)間序列衛(wèi)星影像和GEE 云平臺，發(fā)展融合遙感指數(shù)和主成分分量的隨機(jī)森林分類算法，繪制1985 年—2020 年（5 年時(shí)間間隔）的LUCC 數(shù)據(jù)集，明確了杭州灣區(qū)域各土地利用類型的時(shí)間趨勢和空間特征。本研究能夠?yàn)長UCC 信息準(zhǔn)確獲取提供技術(shù)支撐，由此產(chǎn)生的杭州灣LUCC 數(shù)據(jù)集對于區(qū)域可持續(xù)發(fā)展具有重要意義。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)

杭州灣位于中國浙江省東北部，南接寧紹平原，北鄰上海，東靠舟山群島，是重要的生態(tài)監(jiān)測區(qū)和世界著名的喇叭形潮汐河口（Li 等，2017；Tian 等，2021）。海灣的喇叭形導(dǎo)致潮汐波的強(qiáng)烈變形并加強(qiáng)潮汐流，對區(qū)域地貌過程產(chǎn)生了重大影響，導(dǎo)致杭州灣北側(cè)侵蝕和南側(cè)沉積（Wang 等，2017）。20 世紀(jì)60 年代以來，人工海堤在北側(cè)筑起，阻止了自然變化，而南側(cè)的海岸線由于海灣地理特征和填海造地引發(fā)的強(qiáng)烈沉積而迅速變化。特別是進(jìn)入21 世紀(jì)以來，強(qiáng)烈的人類活動導(dǎo)致了杭州灣區(qū)域地表的劇烈變化，對資源、環(huán)境等產(chǎn)生了較大影響。因此，快速、準(zhǔn)確了解杭州灣土地利用及動態(tài)變化信息已經(jīng)迫在眉睫。研究區(qū)包括上海市的3個(gè)區(qū)域（金山、奉賢、浦東）和浙江省的9個(gè)區(qū)域（平湖、海寧、海鹽、蕭山、柯橋、越城、上虞、余姚、慈溪），總面積約11429.80 km2，具體如圖1所示。

圖1 研究區(qū)概況Fig.1 The study area

2.2 數(shù)據(jù)源

GEE 云平臺是一個(gè)面向全球尺度的地理空間分析工具，不但集成了海量的地理和遙感數(shù)據(jù)資源，而且擁有強(qiáng)大的云端計(jì)算能力，為研究地球科學(xué)相關(guān)問題提供了一種有效便捷的方式（寧曉剛 等，2022）。

本文所用的衛(wèi)星遙感數(shù)據(jù)為1985 年—2020 年（5 年時(shí)間間隔）的Landsat 地表反射率SR（Surface Reflectance）數(shù)據(jù)集。1985 年、1990 年、1995 年、2005 年、2010 年的影像來自Landsat 5 專題繪圖儀TM（Thematic Mapper），2000年影像來自Landsat 7增強(qiáng)型專題繪圖儀ETM+（Enhanced Thematic Mapper Plus），2015 年、2020 年的影像來自Landsat 8 陸地成像儀OLI（Operational Land Imager），具體如表1所示。其中TM 與ETM+傳感器的數(shù)據(jù)產(chǎn)品使用陸地資源衛(wèi)星生態(tài)系統(tǒng)擾動自適應(yīng)處理系統(tǒng)LEDAPS（Landsat Ecosystem Disturbance Adaptive Processing System）進(jìn)行了大氣校正。OLI 傳感器的數(shù)據(jù)產(chǎn)品使用集成了美國地質(zhì)調(diào)查局內(nèi)部算法的地表反射率代碼LaSRC（Landsat 8 Surface Reflectance Code）進(jìn)行了大氣校正。

表1 研究中使用的Landsat衛(wèi)星遙感數(shù)據(jù)Table 1 Landsat satellite data used in the study

3 研究方法

本研究面向區(qū)域特點(diǎn)，發(fā)展了融合遙感指數(shù)和主成分分量的隨機(jī)森林分類算法，開展了土地利用分類，對杭州灣地區(qū)LUCC 時(shí)空格局演變特點(diǎn)進(jìn)行了分析，明確了各土地利用類型變化的時(shí)間趨勢和空間格局。本文技術(shù)路線如圖2所示。

圖2 研究路線圖Fig.2 Flowchart of the study

3.1 數(shù)據(jù)選擇及預(yù)處理

在GEE 云平臺中選擇相應(yīng)時(shí)相的衛(wèi)星遙感數(shù)據(jù)之后，使用cloud mask 開展陰影去除和云掩膜操作（Mateo-García 等，2018）。之后，使用中值濾波法獲取年際合成影像，即為整個(gè)圖像堆棧的每個(gè)像素分配一個(gè)中值，從而將研究年份所有遙感圖像合成為一個(gè)，得到能夠清晰、完整顯示研究區(qū)地表覆蓋信息的遙感圖像（Wang 等，2018；Zurqani等，2018）。

3.2 基于隨機(jī)森林的土地利用/覆被變化信息提取

根據(jù)研究區(qū)土地利用實(shí)際情況，將土地利用類型分為6類：建設(shè)用地、水體、林地、耕地、裸地和灘涂，如表2所示。

表2 各土地利用類型及遙感圖像表現(xiàn)特征Table 2 Various land use types and the performance characteristics of remote sensing images

3.2.1 基于隨機(jī)森林算法的分類器構(gòu)建

RF 算法是一種非參數(shù)回歸方法（Breiman，2001）。與其他回歸方法相比，RF算法不會過度擬合，不需要變量選擇，且包含內(nèi)置的交叉驗(yàn)證方法，不需要單獨(dú)的測試數(shù)據(jù)集來評估性能（Breiman，2001）。此外，RF算法不對預(yù)測變量或響應(yīng)變量進(jìn)行分布假設(shè)，并且可以處理預(yù)測變量數(shù)量大大超過觀測值數(shù)量的情況。本研究設(shè)置決策樹的數(shù)量為100，其余拆分變量數(shù)、最大葉節(jié)點(diǎn)、隨機(jī)化種子等參數(shù)均選擇默認(rèn)值。對于樣本點(diǎn)，70%用于分類器的訓(xùn)練，30%用于精度驗(yàn)證。

3.2.2 融合遙感指數(shù)和主成分分量的隨機(jī)森林土地利用分類

為了提高分類的準(zhǔn)確性，除了地表反射率數(shù)據(jù)之外，本研究通過各類遙感指數(shù)、主成分分量等信息來提高提高分類精度。

（1）遙感指數(shù)計(jì)算及添加。在本研究中，為了更好地學(xué)習(xí)各類別特征，將歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）、歸一化建筑物指數(shù)NDBI（Normalized Difference Building Index），改進(jìn)歸一化差異水體指數(shù)MNDWI（Modified Normalized Difference Water Index）導(dǎo)入合成后原始影像中，以增強(qiáng)各個(gè)地物類別的可區(qū)分性，提高分類準(zhǔn)確率。各指數(shù)計(jì)算公式如下：

式中，NIR、RED、GREEN、SWIR分別表示Landsat圖像中近紅外波段、紅波段、綠波段和短波紅外波段的地表反射率。

（2）主成分分析及添加。PCA 是一種將數(shù)據(jù)從大量波段壓縮到較少不相關(guān)波段的統(tǒng)計(jì)技術(shù)（Abdi和Williams，2010）。本文中，將PCA運(yùn)行后的主成分分量添加到合成后原始影像中，并以PCA 影像圖為底圖進(jìn)行訓(xùn)練樣本點(diǎn)的采集，以提高各個(gè)地物類別的獨(dú)立性。

3.2.3 精度評價(jià)

精度評價(jià)是遙感信息提取及目標(biāo)識別中必不可少的步驟，不僅能夠評價(jià)結(jié)果的精度，也是評估方法性能、優(yōu)化參數(shù)的參考（陳超 等，2018；孫偉偉 等，2020）?？傮w精度OA（Overall Accuracy）指被正確分類的像元數(shù)目沿著混淆矩陣的對角線分布，直接反映分類正確的比例，kappa 系數(shù)則用于檢驗(yàn)?zāi)Ｐ皖A(yù)測結(jié)果和實(shí)際分類結(jié)果是否一致。OA和Kappa系數(shù)的計(jì)算公式如下所示：

式中，Pc是正確分類的像素?cái)?shù)，Pn是像素總數(shù)。r是誤差矩陣中的行數(shù)和列數(shù)，xii是第i行和第i列中的觀測數(shù)，xi+是第i行的邊際總數(shù)，x+i是第i列的邊際總數(shù)，N是觀測總數(shù)。

3.3 土地利用/覆被變化時(shí)空格局演變分析

準(zhǔn)確認(rèn)知LUCC 特征及規(guī)律對于評價(jià)土地利用合理性、調(diào)整土地利用/覆被結(jié)構(gòu)具有重要意義。本文統(tǒng)計(jì)各土地利用類型面積、面積變化量、面積變化率，使用土地轉(zhuǎn)移矩陣定量分析各土地利用類型在空間尺度上的轉(zhuǎn)入與轉(zhuǎn)出，明確LUCC 發(fā)展變化的趨勢和規(guī)律。

4 數(shù)據(jù)處理結(jié)果與分析

4.1 杭州灣土地利用/覆被變化信息遙感提取結(jié)果

本研究發(fā)展了融合遙感指數(shù)和主成分分量的隨機(jī)森林遙感圖像分類方法，在GEE 云平臺支持下，利用Landsat 長時(shí)間序列衛(wèi)星遙感數(shù)據(jù)，提取了研究區(qū)多個(gè)時(shí)相的LUCC信息，具體如圖3所示。

圖3 1985年—2020年杭州灣分類圖Fig.3 Classification of Hangzhou Bay from 1985 to 2020

基于混淆矩陣計(jì)算OA 和Kappa 系數(shù)以評價(jià)分類結(jié)果的準(zhǔn)確性，結(jié)果如表3 與圖4 所示。從表3中可以看出，1985 年—2020 年OA 和Kappa 系數(shù)分別大于91.00%和0.8900，平均值分別為92.83%和0.9108，表明分類結(jié)果較為準(zhǔn)確，能夠?yàn)楹罄m(xù)的時(shí)空格局演變分析提供較為準(zhǔn)確的數(shù)據(jù)支撐。

表3 樣本點(diǎn)與分類精度Table 3 Sample points and classification accuracy

圖4 混淆矩陣Fig.4 Confusion matrix

4.2 杭州灣土地利用/覆被變化時(shí)空格局演變分析

4.2.1 時(shí)間趨勢分析

本研究統(tǒng)計(jì)了建設(shè)用地、水體、林地、耕地、裸地和灘涂的面積、面積變化量、面積變化率等指標(biāo)，結(jié)果如表4所示。

表4 各土地類型面積、面積變化和面積變化率Table 4 Area，area change and area change rate of each land use type

（1）建設(shè)用地。統(tǒng)計(jì)了不同研究年份建設(shè)用地的面積和面積變化量，具體如圖5 所示。通過圖5 和表4 可以看出，在研究期間內(nèi)，建設(shè)用地面積由1985 年的278.26 km2不斷上升至2020 年的2984.76 km2，年均增長77.33 km2，每隔5年分別增加42.05 km2、469.24 km2、267.33 km2、400.16 km2、552.42 km2、645.04 km2和330.26 km2，對應(yīng)的變化率分別為15.11%、146.50%、33.86%、37.86%、37.91%、32.10%、12.44%。

圖5 1985年—2020年杭州灣建設(shè)用地面積變化Fig.5 Area change of Hangzhou Bay construction land from 1985 to 2020

（2）水體。統(tǒng)計(jì)了不同研究年份統(tǒng)計(jì)了不同研究年份水體（未包含海域）的面積和面積變化量，具體如圖6 所示。通過圖6 和表4 可以看出，水體面積整體為上升趨勢，年均增長4.88 km2，但個(gè)別研究年份呈現(xiàn)波動，每隔5 年變化率分別為-13.40%、10.20%、60.68%、-7.97%、28.09%、-5.25%、-22.02%。

圖6 1985年—2020年杭州灣水體面積變化Fig.6 Area change of Hangzhou Bay water area from 1985 to 2020

（3）林地。統(tǒng)計(jì)了不同研究年份林地的面積和面積變化量，具體如圖7 所示。通過圖7 和表4可以看出，林地面積變化相對平穩(wěn)，年均減少7.94 km2，每隔5 年變化率分別為-0.90%、-0.33%、-6.47%、-2.34%、8.95%、4.19%、-14.92%。

圖7 1985年—2020年杭州灣林地面積變化Fig.7 Area change of Hangzhou Bay wood land from 1985 to 2020

（4）耕地。統(tǒng)計(jì)了不同研究年份耕地的面積和面積變化量，具體如圖8 所示。通過圖8 和表4可以看出，耕地面積由1985 年的6998.45 km2增加至1990 年的7214.30 km2，之后不斷減少至2020 年的4800.59 km2，年均減少62.80 km2，每隔5 年變化率分別為3.08%、-0.46%、-5.96%、-9.48%、-14.33%、-5.64%、-2.86%。

圖8 1985年—2020年杭州灣耕地面積變化Fig.8 Area change of Hangzhou Bay cultivated field from 1985 to 2020

（5）裸地。統(tǒng)計(jì)了不同研究年份裸地的面積和面積變化量，具體如圖9所示。通過圖9和表4可以看出，研究期間內(nèi)，裸地面積整體呈現(xiàn)增長趨勢，年均增長8.83 km2，但1995年和2015年出現(xiàn)了大量減少，每隔5 年變化率分別為-15.86%、-61.76%、60.23%、123.17%、12.55%、-24.80%、43.97%。

圖9 1985年—2020年杭州灣裸地面積變化Fig.9 Area change of Hangzhou Bay bare land from 1985 to 2020

（6）灘涂。統(tǒng)計(jì)了不同研究年份灘涂的面積和面積變化量，具體如圖10所示。通過圖10和表4可以看出，研究期間內(nèi)，灘涂面積整體呈現(xiàn)減少趨勢，從1985年的181.65 km2減少至2020年的161.50 km2，年均減少0.58 km2，每隔5 年變化率分別為89.18%、-28.00%、-4.39%、-40.93%、74.00%、-28.37%，-7.28%。

圖10 1985年—2020年杭州灣灘涂面積變化Fig.10 Area change of Hangzhou Bay tidal-flat area from 1985 to 2020

4.2.2 空間特征分析

土地利用轉(zhuǎn)移矩陣可以直觀反映出發(fā)生變化的土地利用類型和數(shù)量，對于明確各個(gè)時(shí)期各土地利用類型之間的轉(zhuǎn)變特征和規(guī)律有著積極的意義。本研究提取了1985 年—2020 年間首末研究年份和間隔研究年份的土地利用轉(zhuǎn)移矩陣，具體如圖11所示。

圖11 首末研究年份和間隔研究年份土地利用轉(zhuǎn)移矩陣Fig.11 Land transfer matrix for 35-year and 5-year intervals

從圖11 可以看出，1985 年—2020 年間杭州灣區(qū)域土地利用格局發(fā)生了重大變化。在土地流轉(zhuǎn)中，耕地是最主要的轉(zhuǎn)出源，面積由1985 年的6998.45 km2減少為2020 年的4800.59 km2，總面積占比由64.23%減少至41.43%。35年間，耕地主要轉(zhuǎn)出為建設(shè)用地與裸地，轉(zhuǎn)出面積分別為2268.05 km2，630.20 km2。耕地在向其他地物類型不斷轉(zhuǎn)出的同時(shí)，也接受著其他地物的轉(zhuǎn)入，其中水體與林地的面積轉(zhuǎn)入最為顯著，分別為376.22 km2，352.22 km2。其余地物類型間的土地轉(zhuǎn)移相對較小，均小于300 km2。

為了更清楚地描述LUCC 變化的流向和多樣性，將土地利用轉(zhuǎn)移分為轉(zhuǎn)入大于轉(zhuǎn)出類（建設(shè)用地）、轉(zhuǎn)出大于轉(zhuǎn)入類（耕地、水體）、轉(zhuǎn)出轉(zhuǎn)入變動類（林地、裸地、灘涂）3 類，使用和弦圖定量地表達(dá)了不同時(shí)期LUCC 類型之間的轉(zhuǎn)換關(guān)系，具體如圖12所示。

圖12 35年與5年時(shí)間間隔土地轉(zhuǎn)移和弦圖Fig.12 Chord diagram for 35-year and 5-year intervals

通過圖11 和圖12 可以看出，研究期間內(nèi)，杭州灣建設(shè)用地隨著城市群的擴(kuò)張而迅速增長，不斷侵占周邊耕地，耕地與建設(shè)用地、耕地與裸地間的土地轉(zhuǎn)移最為明顯。

（1）建設(shè)用地。建設(shè)用地呈現(xiàn)持續(xù)擴(kuò)張的發(fā)展趨勢，且發(fā)展往往是從一個(gè)城市群開始往四周擴(kuò)散，擴(kuò)張區(qū)域主要集中在上海浦東區(qū)的北部以及浙江省的蕭山、柯橋、紹興區(qū)以及寧波附近。建設(shè)用地面積逐年增長，是一種轉(zhuǎn)入占絕對優(yōu)勢的類型。在轉(zhuǎn)入方面，建設(shè)用地主要轉(zhuǎn)入來源為耕地與裸地，最大轉(zhuǎn)入面積分別為947.67 km2（2010年—2015 年）和347.74 km2（2010 年—2015 年）。在轉(zhuǎn)出方面，建設(shè)用地轉(zhuǎn)出以耕地與裸地為主，最大轉(zhuǎn)出面積分別為397.73 km2（2015年—2020年）和289.58 km2（2015年—2020年）。

（2）水體。水體面積在相對內(nèi)陸區(qū)域變化較為平穩(wěn)，杭州灣南岸有著豐富的水田與養(yǎng)殖塘，蕭山、柯橋區(qū)東北部以及慈溪、余姚北部水體與耕地等其他地物的相互轉(zhuǎn)變是水體變化的主要原因。在轉(zhuǎn)入方面，水體主要轉(zhuǎn)入來源為耕地與灘涂，最大轉(zhuǎn)入面積分別為236.44 km2（1995年—2000 年）和129.74 km2（1995 年—2000 年）。在轉(zhuǎn)出方面，水體轉(zhuǎn)出以灘涂與耕地為主，最大轉(zhuǎn)出面積分別為239.49 km2（1985 年—1990 年）和174.40 km2（2000年—2005年）。

（3）林地。林地主要集中在研究區(qū)南部的丘陵地段以及海寧、海鹽區(qū)南部，空間格局相對穩(wěn)定，是變動頻率較小的一種地類，主要轉(zhuǎn)入與轉(zhuǎn)出的類型均為耕地。在轉(zhuǎn)入方面，林地主要轉(zhuǎn)入來源為耕地，最大轉(zhuǎn)入面積為353.18 km2（2005 年—2010 年）。在轉(zhuǎn)出方面，林地轉(zhuǎn)出以耕地為主，最大轉(zhuǎn)出面積為460.12 km2（2015年—2020年）。

（4）耕地。耕地面積逐年減少，減少區(qū)域位于與建設(shè)用地?cái)U(kuò)張相對應(yīng)的上海浦東區(qū)的北部以及浙江省的蕭山、柯橋、紹興區(qū)以及寧波附近，杭州灣南岸的海岸堆積區(qū)存在少量耕地的發(fā)展。耕地與其余地類的轉(zhuǎn)化較為頻繁，是一種轉(zhuǎn)出占絕對優(yōu)勢的地類，研究期間內(nèi)共轉(zhuǎn)出3280.20 km2，其中，69.14%轉(zhuǎn)變?yōu)榻ㄔO(shè)用地。在轉(zhuǎn)入方面，林地、建設(shè)用地、裸地、水體一直是耕地的穩(wěn)定轉(zhuǎn)入類型，轉(zhuǎn)變?yōu)楦氐淖畲竺娣e分別為460.12 km2（2015 年—2020 年）、397.73 km2（2015 年—2020 年）、364.97 km2（2010 年—2015 年）、174.40 km2（2000 年—2005年）。

（5）裸地。裸地與水體情況相似，主要受耕地以及杭州灣南岸水體的影響，空間分布相較其他地物類型波動較大，主要集中在上海浦東區(qū)南部、杭州灣北岸以及浙江慈溪、余姚區(qū)的北部。在轉(zhuǎn)入方面，裸地主要轉(zhuǎn)入來源為耕地與建設(shè)用地，最大轉(zhuǎn)入面積分別為466.05 km2（2015 年—2020 年）和289.58 km2（2015 年—2020 年）。在轉(zhuǎn)出方面，裸地轉(zhuǎn)出同樣以耕地與建設(shè)用地為主，最大轉(zhuǎn)出面積分別為364.97 km2（2010 年—2015 年）和347.74 km2（2010年—2015年）。

（6）灘涂。灘涂是一個(gè)處于動態(tài)變化中的海陸過渡地帶，是重要的后備土地資源，對于進(jìn)一步開發(fā)海洋具有重要意義。研究期間內(nèi)，杭州灣灘涂空間分布如圖13所示。

圖13 灘涂信息提取結(jié)果Fig.13 Tidal-flat area from 1985 to 2020

通過圖13 可以看出，研究初期，杭州灣南岸的灘涂主要分布南岸西部，后隨著人類活動的不斷加劇，蕭山、柯橋、上虞等地向海不斷擴(kuò)張，南岸西部的灘涂明顯減少，同時(shí)由于淤積，灘涂集中區(qū)轉(zhuǎn)移至南岸北部?？傮w而言，1985 年—2020 年間南岸由于泥沙堆積和圍海造田岸線發(fā)生明顯的北移現(xiàn)象，導(dǎo)致灘涂面積也隨之波動改變，北岸則由于侵蝕，灘涂面積呈下降趨勢。在北岸不斷侵蝕、南岸不斷向海淤積的影響下，灘涂面積主要的轉(zhuǎn)入轉(zhuǎn)出都發(fā)生在與水體之間。在轉(zhuǎn)入方面，水體轉(zhuǎn)入為灘涂最大面積為239.49 km2（1985 年—1990 年）；在轉(zhuǎn)出方面，灘涂轉(zhuǎn)出為水體最大面積為129.74 km2（1995年—2000年）。

5 討論

本研究基于Landsat 長時(shí)間序列衛(wèi)星影像和GEE 云平臺，在隨機(jī)森林算法的支持下提取了1985 年—2020 年杭州灣區(qū)域LUCC 信息，分析了時(shí)間趨勢和空間特征。

（1）結(jié)果的準(zhǔn)確性。隨機(jī)森林是一種機(jī)器學(xué)習(xí)算法，它是具有多個(gè)決策樹的分類器。隨機(jī)森林分類器通過構(gòu)造許多不相關(guān)的隨機(jī)決策樹，并通過預(yù)測模型引導(dǎo)和聚合決策樹，實(shí)現(xiàn)了對數(shù)據(jù)集進(jìn)行分類的目的（Teluguntla等，2018）。隨機(jī)森林分類器可以定量設(shè)置每個(gè)變量對分類輸出的貢獻(xiàn)率，以評估每個(gè)變量的重要性。與最大似然法、單決策樹和單層神經(jīng)網(wǎng)絡(luò)算法相比，隨機(jī)森林算法具有更高的準(zhǔn)確度，且更容易應(yīng)用（Chan 和Paelinckx，2008；Wingate等，2016）?；谄鋬?yōu)越性能，本研究采用融合遙感指數(shù)和主成分分量的隨機(jī)森林算法進(jìn)行LUCC 產(chǎn)品的獲取，平均總體精度為92.83%，平均Kappa系數(shù)為0.9108。

（2）結(jié)果的不確定性。在決策樹的建立過程中，可能存在很多相似決策樹，掩蓋了真實(shí)結(jié)果，導(dǎo)致誤差的產(chǎn)生，因此，隨機(jī)森林算法不適用于小樣本數(shù)據(jù)或低維數(shù)據(jù)（Cutler 等，2007）。本研究盡管添加了多個(gè)遙感指數(shù)以及主成分分量來提高分類準(zhǔn)確度，但由于像素混合、地物光譜特征同物異譜和異物同譜的復(fù)雜性，在30 m 分辨率的Landsat 影像中部分林地與耕地的邊界依舊較難區(qū)分，這在一定程度上影響了訓(xùn)練樣本的準(zhǔn)確性，從而導(dǎo)致錯(cuò)分現(xiàn)象的發(fā)生。這一情況同樣出現(xiàn)在部分建筑區(qū)域與裸地之間。

（3）推廣至其他海灣區(qū)域的可行性。海灣是海洋與陸地相互交接的地帶，是人類從事海洋經(jīng)濟(jì)和發(fā)展海洋生產(chǎn)活動的重要基地，與人類的生存與發(fā)展密切相關(guān)。世界大小海灣甚多，主要分布于北美、歐洲和亞洲沿岸，其中較大的有240多個(gè)。海灣LUCC 數(shù)據(jù)集對于海灣資源的利用、海灣生態(tài)的保護(hù)以及海灣經(jīng)濟(jì)的可持續(xù)發(fā)展具有重要意義。本文研究能夠?yàn)閰^(qū)域或全球其他海灣區(qū)域土地利用/覆被變化研究、多因素歸因分析提供技術(shù)支撐。

6 結(jié)論

本研究發(fā)展了融合遙感指數(shù)和主成分分量的隨機(jī)森林算法，基于Landsat 長時(shí)間序列衛(wèi)星影像和GEE 云平臺，開展了杭州灣區(qū)域1985 年—2020 年（5 年時(shí)間間隔）土地利用分類研究，分析了各土地利用類型的時(shí)間趨勢和空間特征，為杭州灣區(qū)域綜合治理與可持續(xù)發(fā)展提供基礎(chǔ)信息。主要結(jié)論如下：

（1）發(fā)展了融合遙感指數(shù)和主成分分量的隨機(jī)森林遙感圖像分類方法，繪制杭州灣區(qū)域1985年—2020 年間8 個(gè)時(shí)相的30 m 分辨率土地利用類型圖，產(chǎn)品平均總體精度和Kappa 系數(shù)分別為92.83%和0.9108。

（2）研究期間內(nèi)，建筑用地面積持續(xù)增加從278.26 km2增加至2984.76 km2，年均增長77.33 km2。水體面積波動增加從509.32 km2增加至680.21 km2，年平均增長4.88 km2。林地面積相對平穩(wěn)從2159.49 km2減少至1881.52 km2，年平均減少7.94 km2。耕地面積不斷減少從6998.45 km2減少至4800.59 km2，年平均減少62.80 km2。裸地面積波動較大從768.99 km2增長至1078.13 km2，年均增長8.83 km2。灘涂面積從181.65 km2減少至161.50 km2，年均減少0.58 km2；灘涂區(qū)域主要集中在杭州灣南岸，面積占比從1985年的76.69%變化為2020年的85.86%。

（3）研究期間內(nèi)，杭州灣區(qū)域土地利用格局發(fā)生了重大變化。在土地流轉(zhuǎn)中，耕地是最主要的轉(zhuǎn)出源，總面積占比由64.23%減少至41.43%。在轉(zhuǎn)出方面，耕地主要轉(zhuǎn)出為建設(shè)用地與裸地，轉(zhuǎn)出面積分別為2268.05 km2和630.20 km2。在轉(zhuǎn)入方面，主要以水體與林地為主，分別為376.22 km2和352.22 km2。其余地物類型間的土地轉(zhuǎn)移相對較小，均小于300 km2。

杭州灣是能量集中、資源豐富、人類活動頻繁、生態(tài)環(huán)境敏感的區(qū)域，準(zhǔn)確獲取LUCC 信息并明確其時(shí)空格局演變特征能夠?yàn)榫S持區(qū)域健康發(fā)展提供重要支撐。在影像波段中導(dǎo)入更多和更合適的指數(shù)以精確識別地物類型是下一步工作內(nèi)容。綜合考慮社會、經(jīng)濟(jì)、氣候等因素，探測并識別杭州灣區(qū)域LUCC驅(qū)動因素是另一項(xiàng)工作內(nèi)容。