GEE支持下的海口市土地利用时空变化分析研究

GEE支持下的海口市土地利用时空变化分析研究目录TOC\o"1-3"\h\u1引言 11.1研究背景及意义 11.2国内外研究现状 21.3研究内容与技术路线 31.3.1研究内容 31.3.2技术路线图 42研究区概况及数据来源 52.1海口市概况 52.1.1自然地理概况 52.1.2社会经济概况 52.2数据来源 52.2.1Landsat系列遥感数据 62.2.2SRTMDEM数据 72.2.3其他数据 72.3GEE平台介绍 82.4数据预处理 83海口市土地利用分类 103.1土地利用分类体系与流程 103.1.1土地利用分类体系的构建 103.1.2多维分类特征集的构建 103.1.3样本点的选取 113.1.4随机森林算法 113.1.5土地利用分类精度评估 123.2土地利用分类结果及精度评价 133.2.1海口市土地利用分类结果 133.2.2精度评价 154土地利用时空变化分析 164.1土地利用结构变化分析 164.2土地利用时空分布变化分析 174.3土地利用程度时空变化分析 234.3.1土地利用程度 234.3.2海口市土地利用程度分析 244.4土地利用转移矩阵分析 265土地利用时空变化驱动因子 315.1地理探测器 315.2驱动因子的选取 315.2.1地形地貌 315.2.2气候条件 325.2.3社会经济 335.2.4交通情况 335.2探测结果及分析 346结论与不足 366.1结论 366.2不足 37参考文献 39致谢 41

摘要：土地利用/覆被变化是当前全球环境变化研究的热点，它能直观地展现自然环境因为自然或人为因素而产生的变化，而大尺度长时序的土地利用变化研究，可以更加清晰的反应某一地区在一段时间内的人类活动和社会经济发展的情况。本文利用GEE平台对海口市2000—2023年期间土地利用时空变化进行分析，同时借助地理探测器分析各驱动因子对海口市土地利用程度的解释力度，本文的主要成果如下：（1）通过GEE平台获取并裁剪镶嵌海口市2000年、2005年、2010年、2015年、2020年、2023年六年的遥感影像数据，数据源为Landsat系列遥感数据，同时利用随机森林算法对研究区遥感影像数据进行监督分类，最终得到的Kappa系数均大于0.83，说明随机森林算法能很好的完成海口市土地利用分类。（2）土地利用结构方面，海口市土地利用结构以耕地以及林草地为主，其次为水域和建设用地，未利用地的占比在各个目标年份中都处于较低水平；土地利用分布变化方面，耕地逐年增加，林草地减少且破碎化程度增加，建设用地主要分布在海口市北部，并且逐渐向南扩张，水域分布较为稳定，未利用地分布变化情况未展现出一定的规律；土地利用程度方面，本文通过计算得到了2000年、2005年、2010年、2015年、2020年、2023年六年的海口市土地利用程度综合指数，分别为247.34、252.95、254.06、255.72、264.03、266.03，这说明海口市土地利用程度是逐步上升的；土地利用转移方面，通过计算土地利用转移矩阵，可以得出海口市的土地利用类型中，变化最大的是耕地和林草地，其次为建设用地，而水域和未利用地的转化往往所占比例较小。耕地和林草地每个阶段都出现了大量的相互转化，建设用地稳步上升，水域和未利用地占海口市总面积的比例变化较小。（3）本文利用地理探测器对海口市土地利用程度的驱动因子进行探测，最终得出夜间灯光亮度值最能反映海口市土地利用程度，其次为高程、年均降水量、距城市主干道的距离，最后年平均气温、距水系的距离以及坡度根据地理探测器的结果说明对海口市土地利用程度的影响较弱。关键词：土地利用/覆被变化；GoogleEarthEngine；随机森林算法；监督分类；驱动因子1引言1.1研究背景及意义土地利用/覆被变化(LUCC)是目前研究全球环境变化的热点之一，其直观展示了自然环境的演变过程，间接反映了人类社会经济发展的总体面貌[1]。二十世纪末，国际地圈—生物圈计划（IGBP）组织与国际全球环境变化人文因素计划（IHDP）组织针对全球环境问题，携手开展了“土地利用/土地覆被变化科学研究计划”[2]，其中土地利用/覆盖变化研究占据该项研究计划核心地位，是相关领域专家学者的关注重心。海口市目前正处于社会经济发展的重要时期，自2018年海南省开展对自贸港的建设后，吸引了大量的优秀资产以及人才的入驻，推动了整个海南省的发展[3]。土地利用能在一定程度上反应海口市的经济发展状况，因此，为让海口市的发展节奏与自贸港建设相契合，达到“1+1>2”的效果，对于海口市的土地利用研究是非常有必要的。过去由于缺乏获取和处理大批量数据的方法，导致土地利用变化的研究工作出现周期长、误差大以及成本高的缺点，限制了土地利用/覆被变化的研究。随着卫星遥感技术的进步，世界各国相继发射了众多具有不同轨道高度和分辨率的遥感卫星，其所组成的对地观测系统能够迅速及时地获取多种光谱分辨率、空间分辨率以及时间分辨率的对地观测数据[4]。当前，国内外存在众多可以免费获取的遥感数据源，为土地利用/覆被变化研究提供了坚实的数据基础，卫星遥感技术已经广泛应用于土地利用/覆被变化等大尺度研究中[5]。海量遥感数据的处理对科研人员的硬件条件要求较高，提高了大尺度长时间序列的遥感分析的门槛[6]。为解决这一问题，遥感云计算技术应运而生，通过在云计算平台代替本地设备进行计算，完成海量遥感数据的处理与分析，极大地降低了数据处理与分析的门槛，改变了传统遥感数据处理、分析的工作模式，使得全球尺度长时间序列影像的快速分析成为可能[7]。目前国内的遥感云计算平台仍处于刚起步的状态，国际上则已有较为开放、成熟的GoogleEarthEngine（GEE）遥感云计算平台[8]。GEE平台可以方便使用者获取和处理遥感数据，为土地利用时空变化分析提供了支持。目前GEE平台已经广泛运用在土地利用变化的研究当中。近年来，随着我国经济的迅速发展，人口密度持续增长，城市化进程也不断加快，土地利用类型、方式等发生剧烈变化，土地退化、资源短缺等人地矛盾问题逐渐崭露头角。十九大报告指出“大力推进生态文明建设”，在社会经济发展的同时还要注重生态环境的保护，注重人与自然的交互，是治理环境问题的有效途径。因此本文将以海口市土地利用为研究对象，提取2000年到2023年的覆盖海口市的Landsat图像数据并利用GEE平台对数据进行处理，同时对海口市土地利用变化驱动因素进行分析，研究结果可以揭示海口市土地利用方面的现状、以及存在的问题和挑战，对海口市土地资源规划的合理性和有效性具有重要意义。1.2国内外研究现状随着经济快速发展，城市化进程不断加快，土地利用类型、方式等发生剧烈变化，土地退化、资源短缺等人地矛盾问题也日益突出[9]。越来越多的专家学者意识到土地利用变化研究对于监测气候变化、生态平衡、人类生态活动等具有重要意义[10]。国外对于土地利用变化的研究起步较早，早在1931年，Web就对美国大平原的农业土地利用类型进行了深入研究。进入20世纪80年代以后，欧美国家发射了大量卫星，积累了大量的对地观测数据，这为遥感数据在土地利用的研究当中的广泛运用奠定了坚实基础。自此，遥感数据成为土地利用研究不可或缺的重要工具。如Koko等基于土地利用动态变化结合CA-Markov模型对尼日利亚Zaria市2035年土地利用状况进行预测[11]；Meyer等对德国纽伦堡市农业土地利用变化的驱动因素进行量化[12]；Suroso等采用SHETRAN模型探讨土地利用变化对布兰塔斯流域河流流量的影响[13]。国内当前主流的研究手段是结合GIS、RS、GPS相结合，利用3S技术研究土地利用变化。例如：宁启蒙等以2000年至2015年的遥感影像为基础，综合运用GIS、景观格局分析、OLS回归分析相结合的方法定量分析洞庭湖的土地利用和景观格局的时空演变特征及二者之间的关系[14]。胡栩等针对塔里木盆地南缘和田地区，以1990—2016年的遥感数据为基础，采用面向对象的分层分类方法，提取了和田塔里木地区的土地利用情况，重点分析了土地利用变化特征、发展模式和区域差异性[15]。邬亚娟等分析了1987—2017年科尔沁沙地—草甸过渡带区域土地利用/覆被动态演变规律[16]。王少华使用土地利用数据对郑州沿黄旅游区进行时空分异特征及土地利用演变规律分析[17]。随着土地利用变化研究越来越涉及长时序、大尺度，对于硬件的要求越来越高。随着云计算技术的发展，GEE平台等遥感云计算平台应运而生。目前，国内外学者基于GEE平台开展了大量的研究，例如：Hansen等基于GEE平台，使用30米分辨率的遥感影像分析了2000年至2012全球森林变化情况[18]。Xiong等应用GEE平台研究了整个非洲区域耕地的时间序列变化[19]。胡云锋等基于GEE平台，使用决策树的方法对北京市20多年的Landsat影像进行解译，并对北京市的土地利用变化特征以及驱动机制进行研究[20]。邹亚东等使用GEE平台对北洛河流域1970—2019年间的土地利用变化特征进行分析[21]。1.3研究内容与技术路线1.3.1研究内容本文将以海南省海口市为研究对象，利用GoogleEarthEngine（下文称GEE）提取目标年份海口市土地利用类型数据，并从四个方面对海口市的土地利用时空变化特征进行分析，分别为土地利用空间分布、土地利用程度、土地利用类型转移以及土地利用结构，同时，通过地理探测器对海口市土地利用变化的驱动因子进行进一步的分析，以期为海口市的土地资源规划和后续的城市建设提供一定的科学依据，并以研究结果为基础为海口市土地利用规划提出建议，具体开展以下内容研究：（1）基于GEE平台对2000—2023年期间的最小云量数据进行提取，同时对处理后的影像按照海口市的行政区划进行镶嵌和裁剪等预处理。建立合理的土地利用分类体系，综合考虑海口市的社会经济、自然环境、影像质量等多方面的因素，根据土地利用分类体系进行先验样本的选取，同时构建多维分类特征集辅助分类。本文采用随机森林算法进行监督分类，为保证分类精度，本文将通过总体精度（OA）和Kappa系数对分类结果的精度进行评估；（2）利用监督分类提取得出的海口市土地利用现状，生成海口市目标年份的土地利用结构，对海口市23年间的土地利用结构进行时空变化特征分析；叠加分析得出各地类的时空变化图，剖析各地类分布在不同时间节点的变化特征；计算海口市各目标年份的土地利用程度，在此基础上，进一步计算海口市的土地利用程度变化量以及速率，为直观展现海口市土地利用程度，构建公里网格，对海口市土地利用程度进行可视化处理；利用土地利用转移矩阵，对海口市各地类互相转移的方向和数量进行统计，分析海口市土地利用类型的转移特征。（3）构建驱动因子体系，凭借地理探测器对各驱动因子进行探测，了解在海口市土地利用变化过程各驱动因子的解释力度。1.3.2技术路线图本研究的技术路线如图1-1所示。图1-1技术路线示意图2研究区概况及数据来源2.1海口市概况2.1.1自然地理概况海口市是海南省省会城市，位于北纬19°31′—20°04′，东经110°07′—110°40′，地处海南岛北部，陆地面积2296.82平方千米，海域面积791平方千米。研究区属于热带季风气候，地势平缓，主要土壤类型为砖红壤、带状潮沙泥、滨海沙土。研究区概况如图2-1所示。图2-1海口市地理位置概况2.1.2社会经济概况海口市是海南建设自由贸易港的核心城市，也是我们国家“一带一路”的重要支点城市。截止2022年海口市共有常住人口293.97万人，生产总值为2134.7672亿元，随着2008年“国际旅游岛”的提出，人口数量增加，城市化进程加快，土地利用发生剧烈转型[22]。2.2数据来源2.2.1Landsat系列遥感数据Landsat系列卫星自1972年7月23日以来，已发射14颗卫星，是目前全世界运行时间最长的卫星系列，由于Landsat系列遥感数据具有较为完整的时间序列，同时具有范围广、具有中高分辨率等特点，因此在大尺度长时序的研究中具有较大的优势。本论文将利用Landsat-5TM和Landsat-8OLI影像，对2000年、2005年、2010年、2015年、2020年以及2023年共六年的土地利用分类进行提取并进行时空变化分析。Landsat-5于1984年3月1日成功发射，在长达数十年的服务期后于2013年退役停止使用。该卫星搭载了光机扫描仪传感器（MSS）以及专题制图仪传感器（TM），重访周期为16天，扫描范围方面，南北为170km，东西为183km。Landsat-5TM影像的七个波段及其使用领域如表2-1所示。2013年2月11日，Landsat-8成功发射，搭载了陆地成像仪（OLI）和热红外传感器（TIRS）。重访周期为16天，成像宽幅为185x185公里。本次使用的影像为Landsat-8OLI影像，Landsat-8的各个波段及其使用领域如表2-2所示。2.2.2SRTMDEM数据本文使用SRTM1数据集，该数据集的分辨率为30m，由航天飞机雷达地形测绘任务（SRTM）测绘得到的数据处理形成，本文利用STRMDEM高程数据计算高程用于构建多维分类特征集。同时利用海口市高程计算海口市坡度情况，将高程和坡度作为驱动因子进行研究。2.2.3其他数据本文中以海口市高程数据、年均降雨量数据、年均地表温度数据、全国路网数据、夜间灯光数据为基础，进行驱动因子分析。其中年降雨量数据、年均地表温度数据在国家地球系统科学数据中心（/main）下载，全国路网数据在地理空间数据云平台（/）下载得到，夜光遥感数据下载地址为：/products/vnl。2.3GEE平台介绍GoogleEarthEngine（GEE）是一款由谷歌联合卡内基梅隆大学以及美国地质调查局（USGS）共同研发的云端计算平台。GEE平台融合了谷歌服务器提供的强大计算能力以及大范围的云计算资源[23]，同时在平台中还提供了对地观测卫星大量完整的影像数据，除了本文所使用的Landsat系列遥感数据集外，GEE平台还提供了Sentinel系列数据、MODIS等数据，同时还提供了植被、地表温度等数据集，在做到数据库实时更新的同时，用户也可以通过简单的代码对各种数据集进行方便快捷的调用和处理。GEE平台与传统的遥感数据处理以及空间分析方法相比，具有多种优势，首先用户可以放心调用各个系列的影像数据而不用担心数据投影、地理坐标等常见问题，因为该平台提供的数据已经经过一系列预处理，例如大气校正、辐射定标等；其次GEE平台为用户提供了云计算服务，在大尺度长时序的遥感数据的处理方面具有一定的优势，降低了相关研究的硬件要求；最后，相较于付费的ENVI、ArcGIS等专业软件，GEE完全免费提供以上服务，为更多科研人员提供了一个高性能技术平台[24]。2.4数据预处理在遥感影像的处理当中，云层的存在会导致在影像中出现大量的异常值（云、云影等），这些异常值的存在会严重影像后续遥感数据的处理，也为后续的分析带来困难[25]，因此，对于遥感影像的去云处理是后续利用遥感影像的必要步骤。具体操作流程如下（以Landsat-8为例）：首先在GEE中调用QA_PIXEL波段实现对云以及云影的识别和处理，完成去云函数的构建，之后利用代码调用USGSLandsat8Level2,Collection2,Tier1数据集，对影像进行范围、时间、云量（筛选掉云量在20%以上的影像）的筛选，之后通过map()函数调用去云函数，完成对Landsat-8OLI影像的去云处理。由于去云处理后影像上会产生空洞，因此，需要调用median()函数对影像进行中值合成操作，同时对目标年份的前后各一年的数据进行相同处理备用，保证影像的完整性和精确性。最后利用clip()函数，根据前期上传的海口市行政边界矢量数据对获得的影像进行裁剪工作，最终获得研究区内目标年份的遥感影像数据。通过上述方法处理遥感数据影像，获得目标年份的最小云量数据集，有效解决研究区在雨季多云多雨导致遥感影像质量不佳的问题，从而提高了数据质量和研究准确性。3海口市土地利用分类3.1土地利用分类体系与流程3.1.1土地利用分类体系的构建本文参照《土地利用现状分类》（GB/T21010-2017）和《中华人民共和国土地管理法》的九大类、三大类标准，考虑到本次研究目的，以及海口市的社会经济条件、自然条件等因素，同时结合遥感数据的空间分辨率以及可判读性，制定分类标准。分类标准表3-1所示。土地利用类型含义水域天然水域以及人工水利设施用地等林草地一般乔木、灌木林地、苗木培育基地及草地等建设用地城镇用地、农村居民点、工矿以及交通用地等耕地种植农作物的土地，其中包括熟耕地、轮歇地以及休闲地等未利用地到目前为止还未利用或者难以利用的土地3.1.2多维分类特征集的构建本次研究中，利用GEE平台提取出各地物类型的分类特征，本次要提取的分类特征可分为两类，分别为光谱特征和地形特征。1）光谱特征的构建为了保证分类的精度，同时避免数据集过大，超过GEE处理内存的情况出现，本文将在GEE平台上利用Landsat-5TM的1-5波段、Landsat-8OLI的1-7波段作为分类的多光谱波段，同时利用这些波段对地物的归一化植被指数（NDVI）、归一化水体指数（NDWI）、裸地指数（BSI）等指标进行计算[26]，构建出用于土地利用分类的光谱特征集。归一化植被指数（NDVI）是用于反映植被理化性质的重要指标，在检测植物生长、植被覆盖度等研究中受到广泛的应用，NDVI的表达式为：NDVI=NIR−RNIR+R式中，NIR为近红外波段反射率，R为红波段的反射率。归一化水体指数（NDWI）用于水体信息的获取，其表达式为：NDWI=G−NIRG+NIR式中，G为绿波段反射率，NIR为近红外波段反射率。裸地指数（BSI）用于裸地的提取，其表达式为：BSI=(SWIR+R)−(NIR+B)(SWIR+R)+(NIR+B)式中，SWIR为短波红外波段反射率，R为红波段反射率，NIR为近红外波段反射率，B为蓝波段反射率。2）地形特征的构建本文选择高程数据（elevation）作为土地利用分类的地形特征集，该数据由SRTMDEM数据裁剪得到。3.1.3样本点的选取在GEE中，首先通过函数逐年调用目标年份的影像数据，同时将目标年份的遥感影像添加到图层，在添加的遥感影像上通过目视识别的方式对每种地类的样本点进行选取。在选取样本的过程中要确保样本点在研究区域内均匀分布。本文将从选择好的样本点中随机抽取70%作为样本点作为训练集，而剩余地30%的样本点用于精度评价工作，以确保分类结果的准确性。样本点分布（以2023年为例）如图3-1所示。图3-1样本点选取分布图3.1.4随机森林算法随机森林机器学习算法（RandomForest）是由美国学者布瑞曼（Breiman）在CART决策树算法的基础上发展的一种机器学习方法。这种学习算法在每颗决策树构建的过程中需要进行两次随机取样过程，一次为针对样本的随机采样，另一次为针对特征信息的随机采样[27]。过程中采用Bootstrap采样技术对训练数据集进行有放回的随机采样，抽取数据集中2/3的样本训练决策树，剩余的1/3的样本将被用于随机森林模型的性能评估，按照以上规则分别训练数个特征子空间构建数个决策树，最后将各决策树得到的结果整合到一起形成最终结果。随机森林算法的工作方法如图3-2所示。图3-2随机森林算法示意图本文将借助GEE平台使用随机森林算法进行土地利用分类，将前期确定的多维分类特征集导入到随机森林函数中进行学习训练，为保证监督分类结果的精确性，本文选择决策树数量为100[28]，其他参数默认，对研究区目标年份的土地利用影像数据进行监督分类分类。3.1.5土地利用分类精度评估土地利用分类的精度反映了监督分类分类的结果与实际的地物类型是否具有一致性，对后续的时空变化特征分析的准确性和有效性具有重要意义，因此，本次研究将通过计算混淆矩阵（ConfusionMatrix）随机森林算法的分类精度进行评估。混淆矩阵具有四个评价因子，分别为用户精度、生产者精度、总体精度、Kappa系数[29]，本文将引用总体精度（OA）和Kappa系数对土地利用分类的结果进行精度检验。1）总体精度总体精度指被正确分类的像元数占所有作为参考样本的像元的比例，其公式为：OA=i=1r式中r为混淆矩阵的行列数，A为参考样本的总像元数。2）Kappa系数Kappa系数是用于检验分类结果与先验样本之间的一致性，是一种定量评价分类结果的方式，其公式为：K=Nk=1式中，r为混淆矩阵的总行列数，Pij为混淆矩阵第i行第j列的元素。一般情况下，Kappa系数大于0.8表示分类结果与实际地物具有较高的一致性，即分类精度高。Kappa系数在0.4至0.8之间认为一致性中等，Kappa系数低于0.4表示分类结果误差较大，需要重新分类。3.2土地利用分类结果及精度评价3.2.1海口市土地利用分类结果在GEE平台上将选择好的各地类的分类样本导入用JavaScript语言编写的程序中，同时将前期构建多维分类特征集，包括NDVI、NDWI、BSI、DEM等指数导入程序，完成对海口市目标年份的遥感影像数据的监督分类，获得以下分类结果，如图3-2所示。图3-22000年至2023年海口市土地利用分类结果3.2.2精度评价本文通过GEE平台计算混淆矩阵，经过计算得到总体进度和Kappa系数值如表3-2所示。2000年2005年2010年2015年2020年2023年OA0.89090.89420.89420.89900.87380.8941Kappa0.85520.85780.85460.86950.83220.8616从GEE平台中通过计算混淆矩阵可以看出，总体精度和Kappa系数均在0.83以上，且OA的标准差为0.008，Kappa系数的标准差为0.01，这表明随机森林算法在不同的时间段对同一地物类型的分类较为稳定，可以很好得完成对海口市遥感影像数据进行监督分类的工作，为后续分析研究提供了基础。4土地利用时空变化分析4.1土地利用结构变化分析土地利用结构可以反映出一个地区的发展状况，本文基于土地利用分类的结果对各目标年份的水域、林草地、建设用地、耕地、未利用地各自所占总面积的比例进行计算，得到结果如表4-1、图4-1所示。年份200020052010201520202023水域12.2312.3112.8312.8111.9612.83林草地44.0339.7838.3836.7233.5131.93建设用地7.027.198.6310.5411.0512.31耕地35.0139.6538.4837.2842.7142.17未利用地1.711.081.682.650.780.76图4-1海口市土地利用结构柱状示意图从图中可以看出，海口市的土地利用类型主要聚焦于林草地和耕地，从2000年到2023年，耕地所占的比例分别为35.01%、39.65%、38.48%、37.28%、42.71%、42.17%，林草地为44.03%、39.78%、38.38%、36.72%、33.51%、31.93%，相加可知每年的林草地及耕地面积超过了全海口市的70%。从土地利用分类结果上来看，连片的耕地主要分布在美兰区北部、琼山区南部、龙华区南部，而林草地则广泛分布在海口市的南部地区，且除了龙华及秀英区南部地区的林草地外，其余的林草地分布较为分散和破碎，除以上地区外，海口市东部东寨港地区存在红树林，本文将其划分为林草地，由于对红树林保护方面存在相关的政策和条例，红树林地区的林草地较为稳定，为海口市维护生态平衡、保护生物多样性、促进可持续发展等方面提供了助力。建设用地的从分类结果上来看，主要分布再海口市的北部沿海地区，并以龙华区为中心像东西方向逐步扩张，建设用地的占比为7.02%、7.19%、8.63%、10.54%、11.05%、12.31%，从占比可以看出从2000年到2023年，始终展现出稳步上升的状态，这可能是由于海口市的常住人口处于逐年上升的状态，对住房以及配套设施建筑的需求不断增加，促进了海口市建设用地的增加。水域2000年至2023年所占研究区面积的比例为12.23%、12.31%、12.83%、12.81%、11.96%、12.83%。从占比可以看出海口市水域面积较为稳定，波动较小。未利用地2000年至2023年所占研究区面积的比例为1.71%、1.08%、1.68%、2.65%、0.78%、0.76%，由占比可知，未利用地占海口市总面积的比例较小，但是波动较大，这是因为未利用地受人为因素影响较大，同时分布也比较不稳定，导致未利用地的变化较大。总体来说，海口市土地利用结构的现状为，耕地总体上呈现扩张的趋势，但在一些年份出现了减少的情况；林草地呈现缓慢减少的情况，但占比还是出于较高水平；建设用地在2000年到2023年期间呈现出持续且稳定的增长状态；水域占比较低，且变化幅度较小，处于较为稳定的状态；未利用地占比较低，但由于人为因素，变化幅度较大。4.2土地利用时空分布变化分析本文借助ArcGIS软件，将监督分类得到的结果进行提取、栅格计算等处理，得到了各地类各目标年份的分布情况以及2000—2023年的变化情况示意图。由于水域的分布较为稳定，而未利用地占比较小，且受人为因素影响较大，不对水域和未利用地进行土地利用时空分布变化分析。1）林草地2000—2023年林草地的分布如图4-2所示，2000—2023年林草地空间分布变化情况如图4-3所示。图4-2海口市林草地2000—2023年空间分布示意图图4-32000—2023年海口市林草地空间分布变化示意图林草地是城市发展的重要资源，是海口市自然资源的重要组成部分，截止到2023年林草地依旧占有海口市面积的三分之一。由图4-2可知，海口市的林草地在北部沿海地区分布较少，在海口市南部分布较为广泛，从分布图可以比较直观地发现，2000年海口市的林草地较为完整，而随着时间的推进，由于城市发展等需求，林草地逐渐转化为建设用地以及耕地，由于这两种用地类型的“切割”，林草地的分布随着年份的推进逐渐出现离散化、破碎化的现象。由图4-3分布变化示意图可以看出，2000—2023年期间海口市林草地减少的数量较多，东南部分的林草地区域损失最为严重；红树林区域保护较为完善，图中所示的红树林湿地的分布范围基本不变，这表明在2000年到2023年的时间范围内红树林得到了有效的保护。2）耕地2000—2023年耕地的分布如图4-4所示，2000—2023年耕地空间分布变化情况如图4-5所示。图4-4海口市耕地2000—2023年空间分布示意图图4-52000—2023年海口市耕地空间分布变化示意图海南省位于我国的南部，是我国唯一一个热带省份，气候类型为热带季风气候，气候的主要特点是辐射量大、日照长、气温高、积温多，这种优越的气候条件大大缩短了农作物的育种周期，加快农作物新品种的研发和培育，为农作物研究和生产提供了得天独厚的优势，在这种背景下，海口市在2000—2023年期间保留和开发了大量的耕地，以满足海口市对于农作物的消费和科研需求。从图4-4可知海口市常年维持了大量的耕地，在基本的连片耕地保持不动的情况下，耕地范围也在随着年份的推进而增加，逐渐包围和占据了东南部地区的林草地分布区域。从图4-5可以看出2000—2023年期间，海口市的耕地分布地区的扩张十分明显，大多数扩张是通过转化林草地来进行的，同时也存在一定的将耕地转为其他用地的情况出现，例如在海口市北部地区耕地分布时空变化主要为减少，这是由于2000—2023年期间，建设用地增加，海口北部的耕地一部分转化为了建设用地。从总体来看，耕地的面积在2000—2023年期间大量增加，增加的大部分来自林草地，而减少的部分大多转化为建设用地。3）建设用地2000—2023年建设用地的分布如图4-6所示，2000—2023年建设用地空间分布变化情况如图4-7所示。图4-6海口市建设用地2000—2023年空间分布示意图图4-72000—2023年海口市建设用地空间分布变化示意图建设用地的分布反应了一个地区的繁容程度和社会经济水平，海口市下辖四个行政区，分别为秀英区、龙华区、琼山区、美兰区，建设用地的分布情况一定程度上反映了海口市四个区不同的发展程度和发展状态。由分布图以及变化示意图可以看出，2000年海口市的主要建设用地分布在海口市北部沿海地区，在后续的23年时间中，建设用地的分布范围逐渐扩张，扩张的特征为：以龙华区老城区为中心，逐渐向东西方向延申扩展，同时在海口市南部出现了新增的建设用地分布，这表明建设用地分布由一定向南延申的趋势，同时也表明，海口市对于南部林草地以及耕地的利用逐步重视和增加。但同时建设用地的增加也导致了林草地以及耕地的损失，使得林草地的分布变得破碎和分散。综合以上三种地类时空分布变化的分析，可以得出海口市土地利用分布变化的特点为：林草地分布面积大幅减少，耕地面积有增有减但是整体上在增加，建设用地分布面积从2000年开始出现稳定增长的趋势，水域较为稳定，没有太大变化，未利用地受人为影响较大，未体现出变化规律。4.3土地利用程度时空变化分析4.3.1土地利用程度土地利用程度是衡量土地利用状态的一种尺度，通过定量的分析手段评估研究区内土地的使用的充分性。为土地资源的合理利用提供有力支撑。1）土地利用程度分级表本文参考刘纪远所提出的土地利用程度分析方法[30]，将土地利用程度分为四个等级，土地利用程度分级表如表4-2所示。12342）土地利用程度综合指数L=100×i=1式中，A为第i类土地利用类型的分级指数，C为第i类土地利用类型的面积占比。3）土地利用程度变化量Lb−a=式中，Lb-a表示土地利用程度综合指数的变化量，La和Lb分别为a年和b年的海口市土地利用综合指数，Cia和Cib分别为a年和b年第i类土地利用类型的面积占比。4）土地利用程度变化率G=Lb−a式中，Lb-a表示a年到b年土地利用程度的变化量，La为a年的海口市土地利用综合指数。4.3.2海口市土地利用程度分析根据前文计算分析的海口市2000—2023年土地利用结构数据，利用公式（4.1）对海口市土地利用程度进行计算，可以得到海口市目标年份土地利用程度指数如表4-3所示。根据土地利用程度综合指数进一步计算得到综合变化量及变化率，如表4-4所示。年份2000年2005年2010年2015年2020年2023年L247.34252.95254.06255.72264.03266.03年份2000—20052005—20102010—20152015—20202020—2023变化量5.611.111.668.312.00变化率2.27%0.43%0.65%3.25%0.76%由海口市土地利用程度综合指数、综合变化量、变化率可知，海口市土地利用程度在过去的23年中始终呈现出上升的趋势，说明在这段时期海口市的土地利用是越来越充分的，由海口市土地利用程度变化率可知，在2000—2005年以及2015—2020年期间，综合变化率较高，这表示在这段时期，海口市的社会经济方面发展速度较快。借助ArcGIS软件对土地利用分类结果通过创建渔网的方法进行处理得到1km分辨率的土地利用程度分布图，以此来更加直观地展现海口市地土地利用程度，利用程度分布如图4-8所示。图4-8海口市2000—2023年土地利用程度综合指数示意图由图4-8可知，海口市土地利用程度较高的地区往往是城市中心，之后向东西两边扩散，而由于东南部分存在大量耕地这种分级指数较高的地物类型，因此往往能保持较高的土地利用程度。2000年和2020年土地利用程度综合指数的示意图颜色较浅，这可能是因为2000年由于整体的土地利用程度并不高，而水域由于自身特性可以获得200的土地利用程度指数，同时存在较多分类指数较低的未利用地，导致图像整体颜色偏向土地利用程度综合指数较高的颜色，从而使得图像看上去颜色相较于其他的图像更浅。4.4土地利用转移矩阵分析土地利用转移矩阵是定量分析土地利用类型转移情况的一种手段，同时通过转移矩阵可以对土地利用类型的转移方向进行监控[31]。将土地利用分类结果进行叠加分析，同时为了能更直观的体现土地之间的转化，将转移矩阵中的数值除以海口市总面积，用占海口市总面积的比例代替实际面积，得到2000—2023年每两年之间的转移矩阵，如表4-5、4-6、4-7、4-8、4-9所示，在转移矩阵中，对角线上的元素表示这种土地保持不变的区域。每一行的数据代表某一类土地转为其他类土地的面积，而每一列的数据代表其他类土地转为某一类土地的面积。由表4-5的数据可以得出，在转出方面，转出比例最大的地类为林草地和耕地，分别为12.85%和10.99%，建设用地和未利用地的转出比例较小，水域的转出面积最少，转出面积仅为海口市总面积的0.66%。2005年水域林草地建设用地耕地未利用地总计减少2000年水域11.57%0.08%0.09%0.47%0.02%12.23%0.66%林草地0.07%31.18%0.49%12.24%0.05%44.03%12.85%建设用地0.24%0.15%4.02%2.22%0.39%7.02%3.00%耕地0.37%8.31%2.11%24.01%0.20%35.00%10.99%未利用地0.06%0.06%0.48%0.70%0.41%1.71%1.30%总计12.31%39.78%7.19%39.64%1.08%增加0.74%8.59%3.17%15.63%0.67%从转入方面来看，耕地面积转入最多，达到海口市总面积的15.63%，林草地转入面积第二，建设用地转入面积比例较小，水域和未利用地的转入均处于较低的水平。综合来看，在2000—2005年期间，耕地、建设用地的面积为增长，而林草地的面积遭到一定的削减。通过转移矩阵可以看出，林草地转出的土地中，主要都转为了耕地，说明在这段时期中，海口市存在将林草地开垦为耕地的现象。2010年水域林草地建设用地耕地未利用地总计减少2005年水域11.67%0.02%0.32%0.27%0.04%12.31%0.64%林草地0.15%28.22%0.69%10.53%0.19%39.78%11.56%建设用地0.12%0.22%4.57%1.92%0.37%7.19%2.62%耕地0.85%9.91%2.53%25.59%0.76%39.65%14.06%未利用地0.04%0.02%0.52%0.17%0.32%1.08%0.75%总计12.83%38.38%8.63%38.48%1.68%增加1.16%10.17%4.06%12.89%1.36%由表4-6可知，2005年至2010年间，耕地的转入转出量均为最大，同时转入量略小于转出量，耕地面积略微减少，本文认为是由于退耕还林政策的实施，使得耕地的扩张被抑制甚至减少，从转移矩阵中可以看出，耕地转出的面积主要是转化为林草地，占海口市总面积的9.91%，占林草地转入总面积的97.4%，说明海口市在退耕还林政策实施过程中，有意识的引导耕地向林草地的转化，有效的延缓了林草地的减少。但是从转移矩阵上来看，林草地面积占比在2005—2010年期间还是略微减少了，而从转移矩阵可以看出建设用地面积转出量为海口市总面积的2.62%，转入量为总面积的4.06%，可见建设用地的面积占比是有所增加的，这说明，林草地和耕地在向建设用地转化。水域和未利用地的变化依旧较小，主要向耕地和建设用地转出。2015年水域林草地建设用地耕地未利用地总计减少2010年水域11.89%0.05%0.23%0.51%0.14%12.83%0.94%林草地0.09%25.29%0.71%11.44%0.85%38.38%13.08%建设用地0.28%0.31%5.56%1.90%0.58%8.63%3.07%耕地0.50%10.92%3.47%22.75%0.85%38.48%15.73%未利用地0.06%0.14%0.57%0.69%0.22%1.68%1.46%总计12.81%36.72%10.54%37.28%2.65%增加0.92%11.43%4.98%14.53%2.43%由表4-7可知，2010年至2015年中，耕地依旧是转入转出量最大的土地利用类型，其次为林草地，林草地和耕地均出现不同程度的土地利用占比减少的现象，建设用地面积占海口市总面积的比例略微增加，水域占比基本不变，未利用地略微下降。耕地的转入转出面积均为与林草地的交换，同时由于退耕还林政策的实施，耕地面积在2010年—2015年期间依旧处于减少的状态。林草地转出面积中，大多数林草地面积转化为了耕地面积，占海口市总面积的11.44%，转入面积中，耕地转入面积最大，为海口市总面积的10.92%。在2010—2015年中，建设用地的占比继续呈现增长的状态，转入转出面积分别占海口市总面积的4.98%和3.07%，转出的建设用地主要是向耕地转移占海口市的1.90%。水域的占比基本不变，转入转出面积分别为0.92%和0.94%，略微下降，未利用地的占比则出现了略微上升的情况。2020年水域林草地建设用地耕地未利用地总计减少2015年水域11.46%0.08%0.51%0.64%0.12%12.81%1.35%林草地0.04%24.11%0.57%11.89%0.11%36.72%12.60%建设用地0.09%0.21%6.75%3.31%0.19%10.54%3.80%耕地0.30%8.80%2.48%25.54%0.17%37.29%11.75%未利用地0.06%0.31%0.74%1.34%0.19%2.65%2.46%总计11.96%33.51%11.05%42.71%0.78%增加0.50%9.39%4.30%17.18%0.59%由表4-8可知，2015—2020年海口市林草地与耕地依旧具有较大的转入转出比例，但是相较于前几个年份来说，变化幅度变小，建设用地面积持续上升，水域占比减少，未利用地减少。耕地转入转出面积分别为海口市总面积的17.18%和11.75%，这说明耕地面积在持续降低两个阶段后，终于有所回升，说明海口市在2015—2020年期间开展了对耕地的保护工作。林草地在2015—2020年依旧处于减少状态，但是减少的速率有所下降，林草地的转出面积中一大部分是转化为了耕地，少部分转化为建设用地。建设用地的占比上升，但上升的速率有所减慢，建设用地的转入面积中主要为耕地和未利用地，分别占海口市总面积的2.48%和0.74%。水域占比减少较多，同时水域向建设用地的转化相较于前几个年份更加明显，这是由于在2015—2020年期间海口市进行了一些填海造陆的工程，使水域向建设用地的转化。未利用地总占比减小，其中转出面积比例为2.46%，主要转化为耕地与建设用地。2023年水域林草地建设用地耕地未利用地总计减少2020年水域11.45%0.01%0.05%0.43%0.02%11.96%0.51%林草地0.12%22.74%0.48%10.12%0.05%33.51%10.76%建设用地0.29%0.17%8.22%2.01%0.36%11.05%2.83%耕地0.94%8.98%3.19%29.45%0.16%42.71%13.26%未利用地0.04%0.02%0.37%0.17%0.18%0.78%0.60%总计12.83%31.93%12.31%42.17%0.76%增加1.38%9.18%4.09%12.73%0.58%由表4-9可知，耕地的面积占比在2015-2020年期间上升后，在2020-2023年又出现了下降，但是下降的比例较小，林草地比依旧呈现出下降的状态，但是下降的比例比之前的年份更少，说明海口市采取了一定的手段对林草地进行了保护，建设用地的增长速率基本与之前年份持平，水域面积占比有所回升，未利用地所占海口市总面积的比例几乎不变。耕地与林草地的相互流转依旧存在，但对比之前的占比，2020-2023年耕地与林草地之间的土地流转有减弱的趋势。建设用地的转入转出比例分别为4.09%和2.83%，占海口市的总面积比例略有上升，同时上升速率超过2015-2020年时间段，回到2015年以前的水平，说明这段时间内海口市经济发展处于快速上升时期。水域面积占比有所回升，同时可以在转移矩阵中看出，水域向建设用地的转化明显减少，说明海口市近年来没有出现填海造陆的工程，而未利用地的转入转出面积分别为海口市总面积的0.58%和0.60%，几乎没有变化。5土地利用时空变化驱动因子5.1地理探测器地理探测器是用于探测空间分异性的一种工具，其自身包含四个探测器，分别为因子探测器、风险探测器、生态探测器以及交互作用探测器[32]。本文凭借因子探测器对各个驱动因子对2020年土地利用程度综合指数的解释力度进行探测，以此来探究对于城市发展来说哪些驱动因子具有更大的影响力。因子探测器能够探测出驱动因子对因变量Y空间分异性的解释力度，这种性质可以用q值进行定量分析，q值的表达式为：q=1−h=1式中，L为变量Y或因子X的分层；Nh和N分别为层h和全区的单元数；σh2和σ2分别是层h和全区的Y值的方差。SSW和SST分别为层内方差之和和全区总方差。根据驱动因子对Y空间分异的解释力度不同将q值分为三个区间，q值为0-0.1时驱动因子对Y有弱影响；为0.1-0.2时驱动因子对Y有中影响；为0.2-0.3时驱动因子对Y有强影响；为0.3-1时驱动因子对Y有主要影响。因此本文将借助q值来研究各驱动因子对土地利用程度的影响。5.2驱动因子的选取5.2.1地形地貌本文地形地貌特征选择的驱动因子为高程和坡度，在GEE平台下载SRTMDEM数据，并计算得出坡度数据。除了以上处理外还要对数据进行投影转换以及重采样的处理，利用自然间断点法将高程和坡度数据分为5类。地貌数据如图5-1所示。图5-1海口市高程及坡度示意图5.2.2气候条件本文在气候方面选择了年均地表温度以及年降水量作为驱动因子，地表气温以及降水量数据从国家地球系统科学数据中心（/main）下载，该网站提供了2020年月度平均气温以及平均降雨量的数据集，下载后在ArcGIS软件中进行栅格运算得到2020年的年均地表温度以及年均降水量。2020年平均气温及平均降水量如图5-2所示。图5-2海口市2020年年均气温和年均降雨量5.2.3社会经济社会经济方面本文考虑到数据的可得性，选择了夜间灯光遥感数据的亮度值为驱动因子，本文使用到的夜光遥感数据为NPP/VIIRS夜光遥感数据，下载地址为：/products/vnl，通过对2020年月度数据进行合成得到2020年年度夜光遥感数据如图5-3所示。图5-32020年夜光遥感数据示意图5.2.4交通情况本文在交通方面选择了两个驱动因子，分别为距城市主干道的距离和距水系的距离，城市道路和水系的数据可以在地理空间数据云平台（/）下载得到，将城市主干道和水系的矢量数据导出后，通过计算每个像元到城市主干道或者水系的欧式距离得到所需数据。距城市主干道的距离和距水系的距离如图5-4所示。图5-4距城市主干道和水系的距离示意图5.2探测结果及分析各驱动因子对2020年海口市土地利用程度综合指数的解释力度如表5-1、图5-5所示。驱动因子x1x2x3x4x5x6x7解释力q0.2620.0080.0840.2400.5030.0570.229图5-52020年各驱动因子对土地利用程度的解释力示意图由图5-5可知，2020年，各驱动因子对海口市土地利用程度综合指数的解释力度由强到弱的顺序为：夜间灯光亮度值>高程>年均降雨量>距城市主干道的距离>年均地表温度>距水系的距离>坡度。夜间灯光亮度值对海口市土地利用程度综合指数的解释力为0.503，这表明夜间灯光亮度值能够更好的反应海口市土地利用程度，对于海口市土地利用程度的评价具有较大的影响。高程、年均降雨量、距城市主干道的距离对于海口市土地利用程度综合指数的解释力为0.262、0.239、0.228，说明这三个驱动因子对海口市的土地利用程度影响较大。这可能是因为年均降雨量可以通过影响耕地的分布来影响海口市土地利用程度；距离城市主干道较近的区域往往会分布居住点和城镇用地，而反之则可能因为交通不便的原因只会形成规模较小的居住点导致土地利用程度综合指数下降，因此距城市主干道的距离可以对海口市土地利用程度产生一定的影响。年均地表温度、距水系的距离和坡度对海口市土地利用程度综合指数的解释力较弱，均小于0.1，说明这些驱动因子对于海口市的土地利用程度影响程度小。例如，坡度对海口市的土地利用程度综合指数的解释力为0.008，说明坡度因素对海口市的土地利用影响较小，这可能是因为海口市本身整体地势平缓，在这种情况下坡度对于建设用地、耕地等各种用地类型的影响较小，从而导致坡度对海口市土地利用程度的影响力较弱。6结论与不足6.1结论本文基于GEE平台对海口市2000年、2005年、2010年、2015年、2020年及2023年进行随机森林算法监督分类，得到了海口市2000—2023年的土地利用现状，并基于分类结果进行时空变化特征分析。通过以上研究，本文得到如下结论：1）土地利用结构方面海口市土地利用结构占比最多的为耕地和林草地，其次为水域和建设用地，未利用地的占比在各个目标年份中都处于较低水平。其中耕地的占比呈现先上升后下降再上升的趋势，说明海口市2000—2023年这段期间内对于耕地实施了若干政策，以达到对耕地面积的调控；林草地在整个研究时间范围内占比始终处于下降的状态，从2000年的44.03%逐步下降，截止2023年，林草地的面积占比为31.93%，这表明在后续需要采取一些措施来对剩余的林草地进行保护，防止海口市自然资源的进一步流失；建设用地方面，其占比始终处于较低水平，但是2000—2023年期间始终区域升高状态，一定程度上反映了海口市的社会经济稳步发展的状态；水域和未利用地的土地利用面积占比都不存在显著变化。2）土地利用分布方面耕地在全海口市都有广泛的分布，其中集中连片的耕地基本都分布在南渡江流域，在海口市的南部分布着较多分散的耕地；林草地在2000—2023年期间遭受到了较大的转变，2000年海口市的林草地均匀分布在整个海口市行政区内，但是随着海口市的发展，林草地被大量的转变为其他用地，使得原本较为完整的林草地分布向破碎化的方向发展，其中海口市东南部分的林草地就被大量转变为耕地；建设用地主要分布在海口市的北部沿海地区，并随着海口市的发展向南部延伸；水域分布在2000—2023年中变化较小；未利用地由于受人为因素影响较大，分布情况为每年变化较大。3）土地利用程度方面本文通过计算得到了2000年、2005年、2010年、2015年、2020年、2023年六年的海口市土地利用程度综合指数，分别为247.34、252.95、254.06、255.72、264.03、266.03，这显示出海口市土地利用程度出现逐年递增的趋势，进一步对土地利用程度变化率进行的计算，海口市2015—2020年期间变化率最大，说明在该期间海口市的发展情况较为良好，发展速率较快。同时本文借助ArcGIS软件制作出了分辨率1km的土地利用程度分布图，更加直观地体现了海口市土地利用程度的情况。4）土地利用转移方面由各年份的土地利用转移矩阵可以得出，在各土地利用类型中，转移最剧烈的地类为林草地和耕地，建设用地次之，水域及未利用地在土地利用转移方面较为稳定。耕地和林草地的转出转入的主要方向都是对方，说明在2000—2023年期间，耕地和林草地出现了大量的相互转换，这种转换在2010—2015年达到最大速率，之后相互转换的面积逐年减小趋于稳定，在互相转换的过程中林草地转出往往较多，导致林草地的面积逐年减少；建设用地每年转移的量较小但是总面积占比始终保持上升趋势，主要的转出对象为耕地，转入则大多由耕地和林草地提供；水域的转化情况较为平稳，在2015—2020年期间向建设用地转化较多，说明在这期间海口市出现填海造陆的工程，导致了水域向建设用地的转化；未利用地的转化较少，大多向建设用地、耕地转化。5）对于海口市土地利用变化驱动因子的研究利用地理探测器探测各驱动因子对海口市土地利用程度变化的解释力度，其中，解释力度最强为夜间灯光亮度值，q值超过0.3，说明其很好地反映海口市的土地利用程度，其次为高程、年均降水量、距城市主干道的距离，这三个驱动因子的q值均超过0.2，说明对于海口市土地利用程度具有强影响。其余的驱动因子解释力则较弱，均未超过0.1。6.2不足本文对于海口市土地利用程度进行了一系列的分析和研究，但由于数据等方面的原因，还存在以下的不足：1）本文使用的数据集为Landsat-5TM和Landsat-8OLI，这两个数据集在长时序的研究中有较大的优势，但是在空间分辨率方面较Sentinel系列来说较差，可能会在一定程度上影响监督分类的效果，同时由于本人在监督分类方面的先验知识的不足，导致Kappa系数未能突破0.9，也使得分类的结果精准度和稳定性有限。2）在驱动因子分析上，对于驱动因子的选择缺乏深入的思考，同时由于数据的可获得性方面的考虑，所选择的驱动因子不够全面，在后续研究中，可以将驱动因子的体系进行优化，力争更加深入地对海口市发展的驱动因子进行研究。参考文献[1]李倩,邵景安.龙溪河流域土地利用变化及影响因素研究[J].农业与技术,2024,44(06):62-68.DOI:10.19754/j.nyyjs.20240330015.[2]孙智斌,高敏华,崔雪锋.基于遥感与GIS的天山北坡经济带2000—2015年土地利用动态变化研究[J].北京师范大学学报(自然科学版),2018,54(03):397-404.DOI:10.16360/ki.jbnuns.2018.03.017.[3]于赫.自贸港建设背景下海口市国际形象塑造及传播探析[J].传媒,2023,(23):63-65.[4]梁顺林.中国定量遥感发展的一些思考[J].遥感学报,2021,25(09):1889-1895.[5]张景华,封志明,姜鲁光.土地利用/土地覆被分类系统研究进展[J].资源科学,2011,33(06):1195-1203.[6]TamiminiaH,SalehiB,MahdianpariM,etal.GoogleEarthEngineforgeo-bigdataapplications:Ameta-analysisandsystematicreview[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2020,164:152-170.[7]裴杰,牛铮,王力,黄妮,曹建华.基于GoogleEarthEngine云平台的植被覆盖度变化长时间序列遥感监测[J].中国岩溶,2018,37(04):608-616.[8]WangL,DiaoC,XianG,etal.AsummaryofthespecialissueonremotesensingoflandchangesciencewithGoogleearthengine[J].RemoteSensingofEnvironment,2020,248[9]刘纪远,宁佳,匡文慧,等.2010-2015年中国土地利用变化的时空