杨丽萍，张 静，贡恩军，刘 曼，任 杰，王 宇

（1. 长安大学地质工程与测绘学院，西安 710054；2. 华北水利水电大学测绘与地理信息学院，郑州 450046；3. 长安大学地球科学与资源学院，西安 710054）

0 引 言

土地资源是人类赖以生存的物质基础，是人类生存、生产的重要载体。土地利用/覆盖变化与景观格局变化、生态环境、生物多样性、人口增长及城市热岛效应等密切相关。土地利用格局时空变化及驱动力分析对于促进社会经济和生态环境的可持续发展具有重要的研究价值。

近年来，随着社会经济的快速发展，土地利用/覆盖时空变化引起了国内外学者的广泛关注。肖思思等利用遥感和GIS技术探讨了江苏省环太湖地区25年间土地利用演变特征及驱动因素，结果表明该地区的土地利用变化主要受人口、工业化、城市化与土地管理政策等因素的制约。曲衍波等借助重心偏移模型和空间自相关分析法分析了国土空间演变的时空格局特征及驱动机制，为合理有序的国土空间保护开发提供了重要支撑。张浚茂等利用主成分分析法（Principle Component Analysis，PCA）揭示了整个东南诸河流域片区的土地利用时空变化特征及主要驱动机制，研究表明人口数量及结构、城市化和社会经济发展对土地利用变化具有显著影响。黎云云等基于SWAT模型，分析了气候和土地利用变化对黄河流域农业干旱的影响，结果表明气候变化是驱动黄河流域农业干旱发生的主要诱因。然而，传统的研究方法面临着数据下载量大、预处理时间长、可视化困难以及数据存储和管理任务量大等诸多问题，同时多种不同来源的数据融合也是一个巨大的挑战。

谷歌云计算平台是由美国卡内基梅隆大学和美国地质调查局（United States Geological Survey，USGS）联合开发的世界上最先进的云端计算平台，该平台基于Web交互式的开发环境，存储了包括Landsat、MODIS、Sentinel等公开的PB级地理数据。用户可通过GEE提供的Java Script和Python两种编程语言接口实现复杂的地理空间数据分析，并且不需要处理数据投影、地理坐标系的转换以及不同数据源的空间分辨率问题，便可直接在线调用各种数据集，避免了传统的数据下载和预处理等工作。与此同时，用户不仅可以使用GEE已存档的数据和不断更新的几百种算法，还可以上传自己制作的样本数据。目前，GEE已在农业、林业、湿地和自然灾害变化检测等领域得到了广泛应用。在提取土地覆盖、土地利用变化信息方面，Zurqani等利用GEE平台和随机森林（Random Forest，RF）算法实现了Savannah河流域近20年的土地利用分类，分析了土地利用变化所产生的影响；Xu等针对城市建筑物和裸地之间的光谱易混淆问题，利用GEE平台结合Landsat和PALSAR等多源遥感数据提取了浙江省的城市分布信息，有效地监测了城市的扩张情况；Hu等以敏感的中亚地区为研究对象，在GEE支持下探讨了中亚地区的土地变化及其驱动机制，结果表明植被变化主要受自然因素的影响，而耕地变化主要受降水和人为因素的影响，城市区域扩张主要受经济因素的影响。Liu等基于地理探测器和GEE评价了甘南州土地利用变化的关键驱动因素，得出高程和人口密度是其主要驱动因素，同时经济发展也有显著影响。

在信息提取方面，机器学习算法发展迅速，其中，RF算法具有较高的精度。相比于其他分类器，RF能有效处理大规模数据，且速度快，对异常值不敏感，有利于减少过拟合现象，可估计分类特征的重要性，并利于特征选择和优化。目前，国内基于GEE平台且融合多源遥感数据，特别是在融合光学遥感数据与雷达遥感数据的基础上结合机器学习算法的研究相对较少，且基于GEE云平台在时间聚合算法的基础上融合多源数据的可行性有待验证，有必要在这一方向进行深入探讨。西安市作为中国西部地区的中心城市，近年来发展迅猛，土地利用/土地覆盖格局变化强烈，对土地资源的全面开发使城市气候与生态环境发生了显著变化，人地矛盾日益突出。前人虽然在西安市土地利用/土地覆盖方面做了大量工作，但对驱动因素的综合分析研究仍然非常薄弱。开展西安市土地利用格局时空变化及驱动力分析，对于城市生态环境保护、人地关系协调以及土地利用合理规划具有重要意义。

本文基于GEE平台，利用Landsat影像合成年度最少云量影像，在提取光谱特征、纹理特征和地形特征的基础上，辅以L 波段相控阵型合成孔径雷达（Phased Array L-band Synthetic Aperture Radar，PALSAR）数据的后向散射特征，构建分类特征集，利用随机森林分类算法，实现西安市2010、2015和2019年的土地利用快速分类，提取各地类面积，探讨西安市土地利用的时空格局。最后，运用地理探测器的方法，考虑人口、生产总值（GDP）、第二产业生产总值、第三产业生产总值、坡度、坡向、降水量和地表温度等多个因素，从社会和自然两方面，对西安市土地利用变化的驱动机制进行分析，为西安市土地利用格局的优化调整提供参考。

1 研究区概况及数据处理

1.1 研究区概况

西安市地处关中平原中部（图1），位于107°40'E～109°49'E，33°42'N～34°45'N，北临渭河，南依秦岭。辖境东西长约204 km，南北最大宽度约116 km，是陕西省的政治、经济和文化中心。西安市现辖新城区、碑林区、雁塔区、莲湖区、未央区、灞桥区和长安区等11个区以及蓝田和周至两个县，总体地势东南高，西北与西南低。该区域属于暖温带半湿润大陆性季风气候，具有冷暖干湿四季分明的特点，年平均气温为13.0～13.7 ℃，年降水量为522.4～719.5 mm，由北向南递增。截至2019年底，西安市常住人口1 020.35万人，GDP突破9 621.19亿元，西安市城市化速度快，人口、经济与土地资源的关系紧张，影响了西安市土地资源的承载力。

图1 研究区位置 Fig.1 Study area location

1.2 数据来源与处理

借助GEE平台，选取了以下数据：1）地表反射率数据。采用USGS提供的Landsat TM/OLI 地表反射率数据，分辨率均为30 m。其中，2010年影像为Landsat 5 TM数据，2015年和2019年的影像为Landsat 8 OLI数据；2） 高程数据。采用美国航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission，SRTM）的DEM 数据，分辨率为30 m；3）SAR数据。采用由日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency，JAXA）制作的Global PALSAR-2/PALSAR数据，分辨率为25 m；4）降雨数据。采用由美国气象环境预报中心（National Centers for Environmental Prediction，NCEP）和美国国家大气研究中心（National Center for Atmospheric Research，NCAR）联合制作的NCEP产品，分辨率为1 000 m；5） 温度数据。采用MOD11A2系列数据，该数据是由NASA发布的MODIS Level 1B数据经过大气和气溶胶校正后生成的产品，分辨率为1 000 m。其他数据：主要包括西安市各区县的社会经济统计数据和人口密度数据。前者来源于西安市统计局（http://tjj.xa.gov.cn），主要使用了生产总值、第二产业生产总值、第三产业生产总值、社会消费品零售总额以及全社会固定资产投资总额等指标；人口密度来源于世界人口网格（GPWv4.11）数据集（https://sedac.ciesin.columbia.edu）。

首先，基于GEE API编程，通过年份筛选得到的3期遥感影像分别为57、39和67景，其中各年份影像获取时间均为1—12月；其次，采用GEE中Simple Composite算法对每年原始卫星影像数据进行融合、裁剪等预处理，得到年度最少云量合成影像，提取光谱及纹理特征，对SAR数据提取后向散射特征，基于DEM数据提取高程、坡度和坡向等地形特征，基于GEE平台构建多维分类特征集；然后，利用RF分类算法完成西安市土地利用分类，基于单一土地利用动态度分析土地利用变化情况；最后，在驱动因子离散化的基础上，利用地理探测器从社会和自然因子两方面分析西安市土地利用变化的驱动机制。研究技术路线如图2所示。

图2 技术路线图 Fig.2 Technical route chart

2 研究方法

2.1 土地利用分类特征选择与分类算法

在参考土地利用分类体系的基础上，结合研究区实际情况，并考虑地类的可判读性，将西安市土地利用类型分为耕地、林草地、建设用地、水域和未利用地5类。通过人工目视解译，利用Google Earth Pro历史影像制作本地样本数据，各地类样本信息如表1所示。联合Landsat影像、SAR影像和DEM数据，构建了包括光谱特征（包括多种光谱指数）、纹理特征、地形特征和后向散射特征共4种特征用于后续分类，具体如表2所示。通过归一化植被指数（Normalized Difference Vegetation Index，NDVI）影像提取灰度共生矩阵（Grey Level Co-Occurrence Matrix，GLCM），利用雷达数据提取VV、VH极化后向散射系数。

表1 训练样本点信息 Table 1 Information of training points

表2 分类特征说明 Table 2 Description of classification features

采用目前广泛应用的土地利用分类方法—随机森林算法进行土地利用分类。RF是包含了多个决策树的分类模型。首先，运用Bootstrap方法进行随机且有放回地从训练集中抽取训练样本；其次，对训练样本建立决策树模型，每棵决策树都会投票给出一个分类选择；最后，通过投票的多少决定其最优的分类结果。本文利用ee.Classifier.smileRandomForest函数实现分类，该算法需要设置决策树个数和结点特征数两个参数。决策树个数过多会影响模型效率，过少则影响模型精度，因此在兼顾效率和精度的同时，通过试验确定决策树个数为250。结点特征数采用默认值，为输入特征总数的平方根。为获得最佳分类精度，通过反复试验和分析，选取约70% 的样本作为训练样本，约30%的样本作为验证样本，分类精度采用总体分类精度和Kappa系数进行评价。

2.2 土地利用程度指数

土地利用程度表征人类活动对土地生态系统干扰的程度，其大小反映了土地利用程度的高低。参考庄大方等提出的分级指数（表3），土地利用程度指数计算公式如下：

表3 土地利用程度分级表 Table 3 Classification table of land use degree

式中代表地类的土地利用程度综合指数；A代表第种土地利用类型的分级指数；C代表第种土地利用类型面积占比。

2.3 土地利用动态度

单一土地利用动态度指在一定时段内某种土地利用类型的数量变化，计算公式如下：

式中为某地类土地利用动态度，U、U分别为研究初期和末期某土地利用类型的面积（km²），为研究时长（a）。

2.4 土地利用变化驱动机制分析方法

地理探测器是用于探测空间分异性并揭示其背后驱动机制的一种新的统计学方法，已广泛应用于土地利用驱动机制分析。本文采用地理探测器中的因子探测器和交互探测器进行驱动机制分析。

1）因子探测器

探测因变量土地利用变化的空间分异性，以及驱动因子对因变量土地利用变化的影响力大小，用值度量，计算表达式为

式中值为单因子对土地利用变化的影响力，∈[0, 1]，值越大，说明该驱动因子对土地利用变化的影响越大；=1，...，；为因子的分层；N、分别为某一分层和整个区域的样本数；σ、分别为某一分层和整个区域的方差和。SSW和SST分别为层内方差之和（Within Sum of Squares）和全区总方差（Total Sum of Squares）。

2）交互探测器

用于识别不同驱动因子之间的交互作用，评估两个因子交互作用时对解释力的影响。

地形、气候等自然因素是影响土地利用变化的基本控制因素，与此同时，随着社会经济的发展，人类活动加剧了土地利用方式的改变。因此，鉴于自然因素和人类活动对土地利用的综合影响，同时考虑研究区的实际情况和指标的可获取性、科学性和定量性，从社会和自然两方面选取了11个因子（表4）进行分析，其中社会因子以县区为研究单元，即每个县区的网格值均为其年鉴统计值。利用地理探测器进行驱动因子分析时，需要结合研究区实际情况，将驱动因子连续变量进行适当离散化。借助ArcGIS 10.2平台，对研究区11个社会和自然探测因子进行离散化，通过构建1 595个2.5 km×2.5 km格网，提取每个格网中心点对应的驱动因子作为自变量、土地利用程度指数为因变量，将输入到GeoDetector中进行匹配。参考Cao等对驱动因子离散化分类方法的研究，结合西安市人口分布特点和区域特征进行离散化。其中，坡度因子采用等间距分类方法；考虑到秦岭地区人口稀疏，且所占总面积较大，人口密度因子采用几何断点法，该方法能使各区间的数值变化大致相同，有利于在每组人口区间上考虑更多的地类。自然断点方法能根据数据的内在属性进行恰当的分组，因此，其余因子采用效果较好的自然断点法分类。驱动因子及离散化方法如表4。

表4 驱动因子及离散化方法 Table 4 Driving factors and discretization methods

3 结果分析

3.1 土地利用分类精度评价

利用验证样本进行混淆矩阵的精度分析，结果如表5所示。

表5 不同特征组合的分类精度 Table 5 Classification accuracy of different feature combinations

由表5可见，协同使用光谱、纹理、地形和SAR后向散射特征获得了最高精度。西安市2010、2015和2019年3期最高总体精度分别为92.30%、86.66%和90.78%，对应Kappa系数分别为0.89、0.81和0.88，满足分析要求。与单独使用光谱特征（总体精度分别为87.14%、81.33%和88.81%）的分类相比，同时加入纹理和地形特征后，总体精度分别提高了1.32、4.00和1.32百分点；在使用光谱、地形和纹理特征（总体精度分别为88.46%、85.33%和90.13%）的基础上融入SAR特征后，各年份总体精度分别提升了3.84、1.33和0.65百分点，Kappa系数分别提高了0.06、0.02和0.01。可见，融合SAR信息有助于改善分类精度。同时，为了说明SAR信息对分类的贡献，在GEE中采用explain()算法模块对所有特征进行重要性排序，其中，3期VH、VV的后向散射系数的重要性平均值为140.98、109.52和104.37，说明SAR信息对分类贡献较大。

3.2 土地利用结构变化分析

协同利用研究区的光谱、纹理、地形和SAR后向散射特征进行土地利用分类，得到西安市三期土地利用空间分布图（图3）及各地类面积占比图（图4）。由图可知，西安市土地利用以林草地和耕地为主，两大地类面积占总面积的85%以上。2010年，两大地类面积占比分别为49.75%和37.92%；到2019年，两大地类所占面积比例分别为50.61%和33.47%。2010—2019年西安市林草地面积总体呈现先减少后微弱增加的趋势，占比上升约0.86百分点，是西安市占比最大的土地利用类型，约占总面积一半以上；耕地面积呈现持续萎缩态势，是所有地类中萎缩面积最大的类型，所占比例从2010年的37.92%减少至2015年的37.33%，到2019年，减少到33.47%，约减少了451.13 km，变化幅度较大。其中，2015—2019年的萎缩速率明显快于2010—2015年，但仍是西安市土地利用类型中的第二大地类；建设用地呈现增加态势，2010年面积为1 056.9 km，2015年面积为1 289.73 km，到2019年面积达到1 529.01 km，2010—2015年与2015 —2019年增量分别为232.83 km和239.28 km，涨幅分别为22%和19%，其中，相比于其他面积增加的地类，建设用地的面积增幅最大；水域面积持续减小，减小面积为30.27 km，2010—2015年和2015—2019年减少幅度分别为10%和23%；未利用地面积呈现缩减的趋势，2010年未利用地面积占比为0.91%，2019年占比为0.14%，减少约0.77百分点，面积减少了约78.28 km。

图3 2010—2019年西安市土地利用分类图 Fig.3 Land use classification maps in Xi´an during 2010-2019

图4 2010—2019年西安市各地类面积占比 Fig.4 Area percentages of each land type in Xi´an during 2010-2019

3.3 土地利用动态特征分析

单一土地利用动态度表示各土地利用类型的变化速度，根据西安市土地利用分类数据，计算2010—2015年、2015—2019年和2010—2019年三期单一土地利用动态度（图5）。总体来讲，建设用地的动态度一直处于最高水平，三期分别为4.41%、4.63%及4.96%，呈现出逐年扩张的态势，且2015—2019年增长速率最快；林草地的动态度次之，三期分别为-0.55%、1.05%及0.15%，在2015年后出现正数，总体表现出“减少-增加”趋势；耕地的动态度三期均为负数，表明耕地具有不断缩减的趋势，2010—2015年、2015—2019年和2010—2019年的动态度分别为-0.32%、-2.59%和-1.31%，且耕地面积2015—2019年的变化幅度大于2010—2015年的变化幅度；水域的单一土地利用动态度在研究时段内都为负数，说明水域面积不断减小，动态度分别为-2.01%、-5.77%和-3.42%；未利用地的波动现象较为明显，其面积急剧减少，由图可见虽然未利用土地的波动大，但所占比例较小，从总体上看减少的面积仍然较小。

图5 2010—2019年西安市单一土地利用动态度 Fig.5 Single land use dynamic degree in Xi´an from 2010 to 2019

3.4 土地利用格局时空变化分析

图6为2010—2015年、2015—2019年西安市土地利用类型转移图。其中，西安市土地利用变化主要表现为建设用地面积的扩张和耕地面积的减少。各地类转移情况如下：1）耕地转移。由图可见，耕地面积变化量最大，面积逐年减小，2010—2015年耕地转出了637.39 km²，其中69.42%转为建设用地，24.2%转化为林草地，其余转为水域和未利用地；2015—2019年耕地减少趋势与前期相同，耕地转化为建设用地最多，其次是林草地，转化为水域和未利用地较少；2）林草地转移。林草地面积呈现先减后增的态势，总体略增；2010—2015年有296.10 km²的林草地转化为其他地类，主要转化为耕地和建设用地，占比分别为93.91%和4.16%；2015—2019年林草地转入了336.67 km²，主要来自耕地，占比为86.94%；

图6 2010—2019年西安市土地利用类型转移图 Fig.6 Land use type transition map in Xi´an from 2010 to 2019

3）建设用地转移。建设用地大幅扩张，前期转入面积535.98 km²，其中82.55%来自耕地，12.61%来自未利用地；后期转入面积为471.74 km²，其中耕地转入401.42 km²，占比达85.09%；4）水域转移。两个时段水域面积分别转出了53.38 km²和42.21 km²，前期转为其他地类的面积排序为耕地>建设用地>林草地>未利用地，后期转为其他地类的面积排序为建设用地>林草地>耕地>未利用地；5）未利用地转移。未利用地面积总体呈现收缩态势，两个时段均主要流向建设用地，占比分别为81.23%和83.2%，其次流向耕地，占比分别为13.68%和10.17%。

图7为2010—2015年与2015—2019年两期土地利用变化图，由于考虑到两期土地利用空间变化特征较为相似，故将两期进行一并分析。从空间演变特征来看，耕地转出类型以建设用地为主，主要分布在长安区的中部、未央区、鄠邑区及北部的高陵区、阎良区；其次为林草地，主要分布在东南部的蓝田县及西南部的周至县；其他转出类型面积较少，较为分散。林草地转向耕地的区域分布在蓝田县、长安区及鄠邑区等区域；林草地转向建设用地、水域和未利用地面积较少，空间特征不明显。建设用地围绕雁塔区、莲湖区等中心城区向外扩张，其转入主要来自于耕地和未利用地，耕地转向建设用地区域主要发生在主城区外围；未利用地转向建设用地集中分布在雁塔区、新城区、碑林区和莲湖区等地区。水域转向耕地区域主要分布在临潼区、阎良区和高陵区；水域转向林草地区域较少，且空间特征不明显；水域转向建设用地区域主要发生在未央区和莲湖区等区域。建设用地是未利用地转出的主要类型，集中分布中心城区，其次零星分布在阎良区和高陵区；未利用地其他转出类型较少，空间特征不明显。

图7 2010—2019年西安市土地利用类型空间变化图 Fig.7 Spatial change of land use types in Xi´an from 2010 to 2019

3.5 土地利用变化驱动机制分析

因子分析结果如图8所示。由图可见，2010年各因子对西安市土地利用程度的解释力从大到小为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）。其中高程对土地利用程度影响最大，其次是地表温度、坡度和降雨量等自然因子，说明自然因子对土地利用时空演变格局影响显著。人口密度的解释力为0.391 1，可见人口密度也是推动土地利用变化的重要驱动因子。

图8 2010—2019年驱动因子探测结果 Fig.8 Detection results of driving factors from 2010 to 2019

分时段看，2015年加快土地利用变化的主要驱动因子为高程、坡度、降雨、地表温度和人口密度等，说明自然因子仍是主导因素；生产总值、第二产业生产总值等5个社会因子的值均大于0.173 7，较2010年明显提高，说明社会因子在土地利用变化中起着越来越重要的作用。相比2010年，人口密度快速增长，解释力值显著增强，为0.494 4，可见人口密度对西安市土地利用变化具有重要影响。2019年影响土地利用的主要驱动因子包括高程、坡度、降雨、地表温度和生产总值，说明随着经济发展，社会因子的驱动力进一步加强，而人口密度的值减小，解释力减弱。这一时期，自然、社会因子解释力值均大于0.3，说明该时期土地利用已转变为多因子共同约束的情形。相较于其他自然、社会因子，2010—2019年坡向对土地利用程度影响非常小。总之，地形等自然因子影响植被分布状况、人类活动范围，决定了西安市土地利用的空间分布格局，但由于西安市地理位置优越，经济发展迅速，人类活动对土地利用的干预越来越强，社会因子也成为影响西安市土地利用空间分布格局的关键因子。

交互探测器用来探测因子之间的交互作用相对于单因子是否会增加或减少对因变量的解释力，探测结果如图9所示。各年份因子交互作用均呈现双因子增强或非线性增强的特点，由此说明西安市土地利用变化是多因子共同作用的结果。各年份交互作用效果具有很大相似性，因此，以2019年为例进行分析。由图9 c可见，坡度和高程的交互作用最强，达到了0.75；高程与生产总值、温度与坡度叠加后的解释力度次之，达0.74；生产总值、第二产业生产总值等5个社会指标单因子解释力均不超过0.32，与高程、坡度、降雨、温度等因子叠加后解释力均大于0.61，表明这些社会因子并不是独立影响土地利用变化，与其他因子共同作用后影响力更强；此外解释力最小的人口因子与其他因子叠加后影响力也有所提升，最高达到0.71。

图9 2010—2019年驱动因子交互作用结果 Fig.9 Interaction results of driving factors from 2010 to 2019

总之，各因子与高程、坡度因子叠加后的影响力增强，主要是因为研究区南部秦岭地区海拔较高，主城区海拔低，人类活动复杂，使得其他因子受到了高程的影响，这与张泽等的研究结果一致。由此可见，这一时期社会因子和自然因子共同推动了西安市土地利用的变化。

4 讨 论

为协调西安市的人地关系，对土地利用做出合理规划，以促进社会经济和生态环境的可持续发展，本文基于GEE云平台结合随机森林算法完成了西安市土地利用分类，得到的三期分类图精度均在86.5%以上，结果较为理想。

利用地理探测器分析西安市土地利用变化的驱动力，发现高程和坡度是西安市土地利用动态变化的主要驱动因子，究其因很大程度上是因为地形因素的限制，使人类活动大多集中在中北部，对土地利用的程度较大。此外，人类活动在后期的影响加深，这与已有研究结果较为吻合。但考虑到数据的代表性，本文仅从自然和经济两方面选取了11个指标，而未考虑政策、制度因子，下一步将纳入政策、制度因子，构建更为完善的土地利用变化驱动指标体系。此外，本文仅从西安市整体的角度研究其驱动因素，但西安市各个县区社会经济基础和发展状况有所不同，充分考虑地区的差异性，将是下一步的研究方向。

5 结 论

本文基于GEE云平台，联合Landsat光学影像和PALSAR雷达数据，通过构建光谱、地形、纹理和后向散射特征4种特征变量，利用随机森林算法完成了西安市土地利用分类，定量分析了2010、2015和2019年西安市土地利用的时空格局，最后基于地理探测器从自然因子和社会因子两方面，探讨了西安市土地利用变化的驱动机制，主要结论如下：

1）GEE云平台具有数据处理方便、运算能力强、能有效解决数据分辨率不一致等问题的优势，且随机森林算法分类精度较高，2010、2015和2019年分类总体精度分别为92.30%、86.66%和90.78%，对应Kappa系数分别为0.89、0.81和0.88，联合PALSAR数据能有效提高分类精度。

2）西安市主要土地利用类型为林草地和耕地，两者合计占整个研究区面积的85%以上。2010—2019年耕地面积呈现大幅减小的趋势，十年间缩减了451.13 km，主要集中在长安区的中部、未央区、鄠邑区及北部的高陵区、阎良区；林草地表现为先减后增的趋势，中南部及东部地区变化较为明显；建设用地呈现出剧烈扩张的局面，新增加的建设用地集中分布在中心城区外围，且不断向外扩张，由2010年的1 056.9 km²扩张至2019年的1 529.01 km²，主要来源于耕地和林草地；水域和未利用地总体呈现出面积逐年减少但变化不大的特征，分布较为分散。

3）在西安市土地利用格局变化的过程中，地形、温度和降雨等自然因子始终占据主导地位，生产总值、第二产业生产总值等社会因子是土地利用变化的重要因子，且解释力不断增大，而人口解释力先增大后减少。地形、温度与生产总值叠加后的交互作用达到了较高水平，说明西安市土地利用变化格局是各种因子共同作用的结果。

基于GEE联合多源遥感数据，采用随机森林分类和地理探测器分析可有效反映土地利用格局时空变化及其驱动机制。近十年来，西安市城市建设发展迅速，在经济全球化的背景下，政府应加大产业结构和用地结构调整，加强土地资源的优化配置。在城乡建设过程中，应严控耕地、林草地等转建设用地，土地政策的制定和城市发展需兼顾生态环境保护和经济协调发展。