APP下载

基于随机森林方法的遥感影像耕地提取与变化分析

2022-06-30范震乔梓李栋梁孙雯君刘典

安徽农学通报 2022年10期
关键词:随机森林变化检测

范震 乔梓 李栋梁 孙雯君 刘典

摘 要:耕地是人类社会稳定发展的物质基础,是粮食生产的重要前提与保障。耕地的变化检测对于耕地的保护和利用都具有十分重要的意义。该文以南京市江宁区为研究区,使用2017年、2019年、2021年3期哨兵2号影像,采用随机森林分类方法,提取耕地信息并分析其时空变化。结果表明:随机森林分类方法能有效识别耕地,分类精度均在80%以上。2017—2019年间,江宁区耕地面积变化不大;2021年与2019年相比,耕地面积略有减少,部分耕地转化为其他用地类型。在空间上,西部、东南部地区的耕地与其他用地类型间转化面积较大;总体上,耕地重心不断向东南方向迁移。耕地的时空变化受多种因素的影响,经济发展与城市扩张是其中的主要因素,及时准确地获取耕地变化信息可为相关管理部门提供科学依据。

关键词:哨兵2号;耕地提取;随机森林;变化检测

中图分类号 P237 文献标识码 A 文章编号 1007-7731(2022)10-0116-04

Extraction and Change Analysis of Cultivated Land from Remote Sensing Images Based on Random Forest Method

FAN Zhen   QIAO Zhi   LI Dongliang   SUN Wenjun   LIU Dian

(School of Environmental Science,Nanjing Xiaozhuang Universty, Nanjing 211171, China)

Abstract: Cultivated land is the material basis of stable development of human society, and is an important premise and guarantee of food production. The change detection of cultivated land is very important for the protection and utilization of cultivated land. In this paper, jiangning District, Nanjing was selected as the research area, and the sentry 2 images of 2017, 2019 and 2021 were used to extract cultivated land information and analyze its spatial and temporal changes by random forest classification method. The results show that the random forest classification method can effectively identify cultivated land, and the classification accuracy is above 80%. From 2017 to 2019, the cultivated land area in Jiangning District did not change much. In 2021, compared with 2019, the area of cultivated land decreased slightly, and part of cultivated land was converted to other land types. In terms of space, the conversion area between cultivated land and other land types is large in the west and southeast regions. On the whole, the center of gravity of cultivated land moves southeast continuously. The spatial-temporal change of cultivated land is affected by many factors, among which economic development and urban expansion are the main factors. Timely and accurate acquisition of cultivated land change information can provide scientific basis for relevant management departments.

Key words: Sentinel-2; Farmland extraction; Random forest; Change detection

耕地是人类社会稳定发展的物质基础[1],耕地资源的稀缺性日益突出,已成为我国农业生产和国民经济可持续发展的瓶颈因素。粮食安全问题关系到国计民生,是国家发展和社会穩定的前提[2-4]。虽然我国耕地面积总量可观,拥有耕地127万km2(数据来源于第三次国土资源调查),但人均耕地占有量只有世界人均耕地占有量的45%;随着工业化和城镇化的推进,城市建设占用了大量优质耕地;由于粮食经济收益较低,大量劳动力进城务工,致使大量土地撂荒[5-7]。耕地资源现状不容乐观,所以耕地资源的监测与保护工作愈发重要[8]。

近年来,对于耕地资源概况的研究,国内外学者主要集中在耕地利用的时空格局特征、驱动机制、生态环境效应及模拟预测等方面[9-13]。随机森林分类方法因其多级决策特性和便于集成多种分类特征,被广泛应用于土地利用信息提取中。土地利用变化分析主要采用土地利用转移矩阵、土地利用动态度[14]、主成分分析和多元线性回归[15-16]等方法,其中使用较多的是分类后比较法。笔者利用随机森林分类方法,以南京市江宁区为例,提取2017年、2019年、2021年耕地及变化信息,得出其时空变化特征,进而分析江宁区耕地转化驱动因素,为地方政府制定发展政策和规划、粮食生产安全和可持续发展提供科学依据。

1 材料与方法

1.1 研究区概况 江宁区位于南京市中南部,从西、南、东三面环抱南京主城,介于118°31′~119°04′E、30°38′~32°13′N,属于亚热带温湿气候,四季分明,雨水充沛,年平均降水量1072.9mm。该区东西宽33km,南北长57km,总面积1563km2,其中农用地1103km2(耕地占农用地面积的53%),耕地主要是灌溉水田,种植作物以水稻、小麦、油菜为主(图1)。近年来,江宁区的经济高速发展,城市用地和交通用地需求不断增大。

1.2 数据来源 本研究使用的数据为哨兵2号影像,共选用3期数据,成像时间为4—5月份(见表1),数据均来自于欧空局哥白尼数据中心(https://scihub.copernicus.eu/dhus/#/home)。哨兵2号卫星搭载的MSI传感器,与Landsat、SPOT等系列卫星数据相比,其空间和光谱分辨率均有所提升,增加的3个红边波段能够更有效地检测植被信息。DEM数据来源于NASA的分布式数据中心(https://asf.alaska.edu/),由ALOS卫星搭载的全色遥感立体测绘仪(PRISM)生产,空间分辨率为12.5m。

1.3 研究方法

1.3.1 影像预处理 下载的哨兵2号影像为大气顶层反射率,使用前需对其进行大气校正。利用欧空局提供的sen2cor插件对3期数据进行辐射定标和大气校正,该大气校正算法运用离散纵标法计算地球大气、太阳以及热辐射传输[17],能有效去除大气的影响。使用该插件将3期影像均校正为地表真实反射率。采用欧空局官网提供的SNAP工具将大气校正过后的数据重采样为10m分辨率,叠加3期影像,其空间位置匹配准确,位置精度小于0.2个像元。将下载的DEM数据空间分辨率重采样为10m,最后利用江宁区行政边界对3期影像和DEM数据进行裁剪。

1.3.2 耕地分类 随机森林(Random Forest)是一种统计学习理论,是利用重抽样方法从原始样本中抽取多个样本,并对每个样本进行决策树建模,每个决策树分类模型都有一票投票权,最终根据票数得出最优分类结果[18]。随机森林分类方法在实践方面具有很高的噪声容忍度与较高的精度。

参照《土地利用现状分类》GB/T 21010-2017文件并结合研究区实际状况,将研究区分成8类(旱地、水浇地、水田、城镇用地、裸土、林地和园地、水体、工矿用地),通过实地考察和谷歌地球数据并结合目视解译,共选择了88139个像素构建特征样本库,利用哨兵2号影像的原始12个波段和DEM数据,进行耕地信息的提取。结合构建的样本库,采用随机采样方法抽取部分样本,利用混淆矩阵对分类结果进行精度评价,计算了用户精度、制图精度、错分误差、漏分误差和总体分类精度。

1.3.3 变化分析 本研究采用土地利用转移矩阵和土地分类转化图来进行耕地的时空变化分析。土地利用转移矩阵来源于系统分析中对系统状态与状态转移的定量描述。在土地利用转移矩阵中,行表示变化前地区土地利用类型,列表示变化后土地利用类型。在随机森林分类结果的基础上,统计各期分类结果影像中的地物类型面积,同时将不同期的分类结果在空间上叠加,通过叠置运算,计算得到各期的耕地和其他用地类型的转换面积,最后将分类结果合并为耕地与非耕地2类,分别赋值后,叠加得到耕地空间变化结果图。

2 结果与分析

2.1 耕地的时间变化特征 根据构建的特征样本库采用随机森林分类方法得到3期影像的分类结果,并利用混淆矩阵对分类结果图进行精度评价,3期分类结果总体精度达到80%以上,kappa系数均大于0.7,说明采用随机森林方法并附加DEM数据后,能够较为有效地对耕地信息进行提取。对3期分类结果进行统计,得到各期影像的用地类型面积(图2)。由图2可知,2017年、2019年、2021年间林地和水体面积基本没有变化;而2017—2021年间耕地面积呈缓慢减少趋势,其中2019—2021年间的耕地面积变化量大于2017—2019年间;2017—2019年的建设用地面积变化不大,而到了2021年,建设用地面积有一个显著的增加;裸土面积呈缓慢上升的趋势。

对于耕地未变化区域,结合耕地分类结果,计算得到2017—2019、2019—2021、2017—2021年间的耕地类型转移矩阵(表2~4)。2017—2021年间,旱地占耕地总量的绝大部分,4年间不同耕地类型相互转化,2017—2019年未发生变化的旱地面积为362.67km2,面积最大;2017—2021年次之,为313.58km2;2019—2021年最小,未发生变化的旱地面积为310.56km2。总体上,江宁区的水浇地和水田占比较低,面积均小于10km2,4年间水浇地的面积基本没有发生变化。由表2可知,2017—2019年间,共有20.1km2新增旱地,其中由水田转化的面积为12.54km2,7.56km2由水浇地转化而来,其原因可能是农户将水田改造为经济作物。由表3可知,2019—2021年間,未变化区域的旱地面积增加了5km2,较2017—2019年有所减少;水田面积增加近1/3;水浇地面积减少5km2,约占总量的1/3;与2019—2021年相比,2017—2019年期间旱地面积增加4倍。由表4可知,2017—2021年间,总体上江宁区未变化旱地面积总量占比超过90%,水浇地、水田、旱地之间均有少量转化,总体面积变化不大。

综上所述,2017—2021年间,江宁区总体耕地面积有所减少,其大部分转化为建设用地类型,变化原因主要是由于城市规划、经济建设所导致。但从江宁区的经济发展来看,其减少的耕地量尚在可控范围内。在未发生变化的耕地范围内,旱地面积占绝大部分,且在4年间,耕地类间转化较少,耕地类型未发生明显变化,这说明江宁区在重视经济发展的同时,也积极推进土地利用有效管理,提高土地利用效率,同时为了保证耕地生态质量,采用了轮耕休耕的措施,有效保护了耕地面积和作物种类。

2.2 耕地的空间变化特征 从3期耕地分类结果图上可以看出(图3),江寧区的耕地主要分布在东南部和西部沿江地区。东南部区域的耕地空间分布在2017—2019年间变化不大,而2019—2021年江宁区东南部方山及禄口镇区域耕地呈较为明显的减少,其中大部分转化为建设用地。总体上,2017—2021年江宁区耕地的空间分布格局未发生大的变化,说明城市建设未对耕地分布及格局产生大的影响;同时,江宁区实施“十三五”规划的“六稳”“六保”、产业转型、智慧农业等有力举措也有效保护了耕地和提升了人居环境。

将2017与2021年用地类型叠加,获取耕地与非耕地转化空间分布图(图4),空间上,2017—2021年间,江宁区中部区域及西部江心洲地带耕地未发生变化,耕地转化为非耕地的区域主要出现在禄口镇和沿江东岸。由图4可以看出,沿江东岸地区耕地减少明显,结合谷歌地球高清影像可以发现,除了早期一部分农田转化耕地外,还有部分区域为已批未建的建设用地,闲置的建设用地生长植被,少部分被错分为耕地,但总量有限。位于禄口镇周边的区域有较大一部分耕地转化为非耕地,其原因可能是,江宁区为推进城乡融合,满足城市化需求,进一步加快了城乡建设,城镇化率已达75%。每年完成城建项目近百个,年度投入超百亿元,园博园、宁句线、宁马高速改扩建等省市重大工程项目也是耕地变化的主导因素。耕地转化为非耕地的同时,在江宁区中部以南,零星分布着非耕地转为耕地的区域,这说明随着生产建设项目监管的有力实施,一些非法占用耕地被还原,但总体数量不大。从空间变化趋势来看,变化集中体现在城市周围,耕地重心不断向东南方向迁移,同时对城市周边的未利用地进行耕地生态补偿。

3 结论与讨论

本研究结果表明,从时间变化上看,江宁区耕地面积呈减少趋势,但耕地类型未发生大的变化,因此,建设用地的面积不断扩大。因此,建议加大特色农业生态旅游项目投入,减少农用地转化的同时,实现产业结构升级,提高经济收入,完善生态耕地补偿机制。江宁区的耕地空间分布格局较为稳定,但局部区域仍然出现了较为明显的耕地与其他用地类型的转化。为缓解经济建设与耕地占用之间的矛盾,应加快以市场为导向的农业结构战略性调整,提高农业效益,并严格实施生态红线保护。江南地区地形平坦、水网密布,地形因素对耕地分布影响较大。加入了地形因子特征波段后,能有效提升耕地信息提取的精度。哨兵2号影像具有较高的空间分辨率,在后续应用中,可以考虑加入纹理等空间特征,以进一步提高土地利用分类精度。

参考文献

[1]张雪花,滑永胜,韩成吉.耕地资源可持续发展的系统动力学仿真分析[J].水土保持通报,2019,39(03):144-150.

[2]赵其国,周生路,吴绍华,等.中国耕地资源变化及其可持续利用与保护对策[J].土壤学报,2006(04):662-672.

[3]封志明,张蓬涛,宋玉.粮食安全:西北地区退耕对粮食生产的可能影响[J].自然资源学报,2002(03):299-306.

[4]朱泽.中国粮食安全问题[M].武汉:科学技术出版社,1998.

[5]李静.基于劳动力析出的山区耕地撂荒研究[D].重庆:西南大学,2013.

[6]于元赫,李子君.山东省耕地利用集约度时空变化及政策启示[J].中国土地科学,2017,31(04):52-60.

[7]马尚杰,裴志远,王飞,等.基于GF-1影像的沿淮地区冬季耕地撂荒遥感调查应用[J].农业工程学报,2019,35(01):227-233.

[8]满卫东,王宗明,刘明月,等.1990—2013年东北地区耕地时空变化遥感分析[J].农业工程学报,2016,32(07):1-10.

[9]杨旭,刘志武,武昊.长江上游及清江流域土地覆被变化分析[J].人民长江,2019,50(2):90-94,121.

[10]GAO W W,ZENG Y,ZHAO D,et al. Land cover changes and drivers in the water source area of the middle route of the south-to-north water diversion project in China from 2000 to 2015[J].Chinese Geographical Science,2020,30(1):115-126.

[11]范泽孟,李赛博.新亚欧大陆桥经济走廊土地覆被变化及驱动力分析[J].生态学报,2019,39(14):5015-5027.

[12]SONG Y Y,XUE D Q,DAI L H,et al.Land cover change and eco-environmental quality response of different geomorphic units on the Chinese Loess Plateau[J].Journal of Arid Land,2020,12(1):29-43.

[13]雷亚龙,陈菁,孙伯明.张家港土地利用变化预测及生态响应[J].中国农村水利水电,2016(5):33-36,40.

[14]蒋姣,孙哲,赵思远,等.淮安市耕地时空变化特征及其驱动因素[J].农业工程,2020,10(12):63-69.

[15]徐磊,张志,师永强,等.武汉市耕地资源的时空变化及驱动力分析[J].安徽农业科学,2008(16):6884-6886.

[16]岁秀珍,阮仁宗,颜梅春,等.南京市耕地时空变化及驱动力分析[J].地理空间信息,2014,12(03):89-92,7.

[17]霍娟,吕达仁.晴空与有云大气辐射分布的数值模拟及其对全天空图像云识别的应用[J].气象学报,2006(01):31-38.

[18]张雷,王琳琳,张旭东,等.随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例[J].生态学报,2014,34(03):650-659.

(责编:徐世红)

猜你喜欢

随机森林变化检测
用于遥感图像变化检测的全尺度特征聚合网络
基于多尺度纹理特征的SAR影像变化检测
面向对象的高分辨率遥感影像森林植被变化检测方法对比研究
基于稀疏表示的视网膜图像对变化检测
面向地表覆盖变化检测的服务关系模型与方法研究
基于Landsat影像的黄丰桥林场森林变化检测研究
随机森林在棉蚜虫害等级预测中的应用
基于二次随机森林的不平衡数据分类算法
拱坝变形监测预报的随机森林模型及应用
基于随机森林算法的飞机发动机故障诊断方法的研究