基于隨機(jī)森林算法和MODIS數(shù)據(jù)的日喀則地區(qū)土地覆蓋分類與動(dòng)態(tài)監(jiān)測(cè)

高子恒　丁煒　何靜

摘要 土地覆蓋動(dòng)態(tài)變化是導(dǎo)致區(qū)域孕災(zāi)環(huán)境變化的重要因素之一，針對(duì)日喀則地區(qū)地形復(fù)雜、山地災(zāi)害易發(fā)的特點(diǎn)，選用MODIS、DEM、谷歌地球的高分影像以及氣象數(shù)據(jù)等多源遙感數(shù)據(jù)，采用隨機(jī)森林與遙感分析技術(shù)相結(jié)合的方法，對(duì)日喀則2001—2017年的土地覆蓋變化進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。使用500 m分辨率8 d合成的不同年份相同季節(jié)的MOD09A1數(shù)據(jù)，確定了9個(gè)土地覆蓋類型，分類總體精度和Kappa系數(shù)分別為83%和0.83。對(duì)多期分類圖進(jìn)行變化分析，統(tǒng)計(jì)土地覆蓋種類的變化幅度和比例，并加入降水和溫度變化等氣象要素協(xié)同分析，得到動(dòng)態(tài)監(jiān)測(cè)結(jié)果。結(jié)果表明，近17年來(lái)，日喀則地區(qū)受自然條件和地形的限制，土地利用潛力不大，植被覆蓋率波動(dòng)上升，但水體覆蓋率波動(dòng)下降，導(dǎo)致生態(tài)環(huán)境脆弱，容易引發(fā)各種自然災(zāi)害。

關(guān)鍵詞 隨機(jī)森林;MODIS;土地覆蓋;動(dòng)態(tài)監(jiān)測(cè);日喀則

中圖分類號(hào) TP 751文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 0517-6611（2020）16-0001-12

doi：10.3969/j.issn.0517-6611.2020.16.001

Land Cover Classification and Dynamic Monitoring in Shigatse Based on Random Forest Algorithm and MODIS Data

GAO Zi-heng，DING Wei，HE Jing

（School of Automation， Nanjing University of Information Science and Technology， Nanjing，Jiangsu 210000）

Abstract The dynamic change of land cover is one of the important factors that cause regional hazard-pregnant environment changes. In view of the complex terrain and the difficulty of mountain disasters in Shigatse， this study used multi-source remote sensing data such as MODIS， DEM， high-resolution image and meteorological data， and combined random forest and remote sensing analysis technology to dynamically monitor land cover change in Shigatse from 2001 to 2017. Nine types of land cover were identified， using MOD09A1 data of the same season in different years by 8-day synthesis at 500 m resolution. The total classification accuracy and Kappa coefficient were 83% and 0.83，respectively. The change analysis of multi-period classification map was carried out， and the variation range and proportion of land cover types were counted. The dynamic monitoring results were obtained by synergistic analysis of meteorological elements such as precipitation and temperature changes. The results showed that in the past 17 years， Shigatse had been restricted by natural conditions and topography， the potential of land use was not large， and vegetation coverage had increased， but the water coverage rate had decreased， the ecological environment was fragile and it is easy to cause various natural disasters.

Key words Random forest;MODIS;Land cover;Dynamic monitoring;Shigatse

基金項(xiàng)目 國(guó)家自然科學(xué)基金項(xiàng)目（41875027）。

作者簡(jiǎn)介 高子恒（1995—），男，江蘇連云港人，碩士研究生，研究方向：遙感圖像處理。

收稿日期 2020-02-05

日喀則地區(qū)植被發(fā)育程度總體較差，絕大多數(shù)山地以裸巖和冰雪覆蓋為主，植被覆蓋率總體在10%以下，局部湖盆周邊濕地有高覆蓋草墊生長(zhǎng)，但生物量較低，隨著人口的增長(zhǎng)，過(guò)牧條件下植被已呈現(xiàn)明顯退化現(xiàn)象。區(qū)域內(nèi)降水充沛，氣溫相對(duì)較高，且高山冰川分布廣，形成大量的冰雪融水，為誘發(fā)地質(zhì)災(zāi)害提供了充足的水源條件。因此，對(duì)日喀則地區(qū)進(jìn)行土地覆蓋動(dòng)態(tài)監(jiān)測(cè)很有必要。

土地覆蓋動(dòng)態(tài)變化在一定程度上對(duì)改善區(qū)域生態(tài)環(huán)境和分析人類活動(dòng)起到了重要的作用，它是造成區(qū)域孕災(zāi)環(huán)境變化的重要因素之一。區(qū)域孕災(zāi)環(huán)境的變化可以通過(guò)幾十年來(lái)對(duì)土地覆蓋動(dòng)態(tài)變化的準(zhǔn)確監(jiān)測(cè)來(lái)評(píng)估，而遙感具有宏觀性、實(shí)時(shí)性、周期性和完整性等優(yōu)點(diǎn)，為土地覆蓋快速、客觀、準(zhǔn)確地監(jiān)測(cè)提供了可能[1]。遙感圖像的分類是土地覆蓋動(dòng)態(tài)監(jiān)測(cè)的基礎(chǔ)，主要是對(duì)遙感圖像上的地物進(jìn)行屬性上的判讀，提取地物相關(guān)信息，遙感圖像分類的準(zhǔn)確性直接影響到土地覆蓋動(dòng)態(tài)監(jiān)測(cè)的準(zhǔn)確性[2]。

近年來(lái)，運(yùn)用遙感技術(shù)進(jìn)行土地覆蓋動(dòng)態(tài)監(jiān)測(cè)已取得大量的研究成果。對(duì)多時(shí)相數(shù)據(jù)的分類方法各不相同[3]，如Zhao等[4]、Zeng等[5]、Mandal等[6]采用支持向量機(jī)的分類方法;Yang等[7]采用基于規(guī)則的分類方法;Zhao等[8]采用人工神經(jīng)網(wǎng)絡(luò)的方法;Scott等[9]采用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的方法。利用遙感數(shù)據(jù)的分類圖建立土地利用和土地覆蓋變化也有多種評(píng)價(jià)方法，如Tan等[10]、田傳召等[11]根據(jù)土地利用的轉(zhuǎn)移矩陣;Leclerc等[12]側(cè)重景觀格局的變化;Bashir等[13]、David等[14]采用GIS技術(shù);Toll等[15]強(qiáng)調(diào)圖像差分的使用;Johnson等[16]則研究了變化矢量分析。可見，基于衛(wèi)星遙感的多時(shí)相數(shù)據(jù)可以提供關(guān)于區(qū)域土地覆蓋變化的詳細(xì)可靠的統(tǒng)計(jì)數(shù)據(jù)。

針對(duì)研究區(qū)的情況，筆者選取日喀則地區(qū)2001—2017年每年6月的MODIS數(shù)據(jù)，該數(shù)據(jù)是Terra衛(wèi)星傳輸?shù)?00 m地表反射率8 d合成的MOD09A1，在對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理后，采用隨機(jī)森林的方法對(duì)前7個(gè)波段的反射率數(shù)據(jù)進(jìn)行土地覆蓋分類，并選用谷歌地球高分辨率圖像進(jìn)行樣本選擇和精度評(píng)估，然后根據(jù)土地覆蓋轉(zhuǎn)移矩陣和圖象差分情況綜合分析了日喀則地區(qū)2001—2017年土地覆蓋動(dòng)態(tài)變化，以期為山地災(zāi)害多發(fā)區(qū)的孕災(zāi)環(huán)境變化與生態(tài)系統(tǒng)保護(hù)等提供可靠的依據(jù)。

1 資料與方法

1.1 研究區(qū)域概況

日喀則地區(qū)隸屬于西藏自治區(qū)，地處82°00′～97°07′E、27°55′～31°16′N，位于中國(guó)西南邊陲、青藏高原西南部，國(guó)境線長(zhǎng)1 753 km，面積18.2萬(wàn)km2，平均海拔5 082 m（圖1）。日喀則地區(qū)地形復(fù)雜多樣，氣候分明，水利資源和植物資源豐富。被譽(yù)為“黃金走廊”的中尼公路穿過(guò)其中，是一條重要的經(jīng)濟(jì)動(dòng)脈，同時(shí)也是西藏日喀則地區(qū)目前唯一一條國(guó)際直通公路。由于中尼公路沿線地質(zhì)構(gòu)造復(fù)雜，新構(gòu)造運(yùn)動(dòng)強(qiáng)烈，山地災(zāi)害頻發(fā)，對(duì)日喀則地區(qū)的生態(tài)環(huán)境造成了極大的影響。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 數(shù)據(jù)來(lái)源。

搭載在Terra衛(wèi)星上的中分辨率成像光譜儀（MODIS）運(yùn)行周期為1～2 d，光譜儀的光學(xué)設(shè)計(jì)可以為地學(xué)應(yīng)用提供0.4～14.5 μm的36個(gè)離散波段圖像，掃描寬度為2 330 km。MODIS數(shù)據(jù)具有較高的光譜分辨率和空間分辨率，對(duì)宏觀尺度土地覆蓋的分類具有很強(qiáng)的優(yōu)勢(shì)和廣泛的應(yīng)用價(jià)值，其數(shù)據(jù)豐富、時(shí)間分辨率高（多時(shí)相）、覆蓋范圍廣、視野寬、周期短[17]。該研究所用MODIS數(shù)據(jù)來(lái)自美國(guó)航空航天局（NASA）的陸地過(guò)程分布式數(shù)據(jù)檔案中心（https：//ladsweb.nascom.nasa.gov/search），選取2001—2017年的MOD09A1數(shù)據(jù)，由于6月份圖像無(wú)云覆蓋且成像質(zhì)量較好，因此選取時(shí)間主要集中于6月份的17幅影像數(shù)據(jù)，空間分辨率為500 m。

數(shù)字高程模型（DEM）用于描述區(qū)域地貌形態(tài)的空間分布，高程為地面上任意一點(diǎn)的海拔，DEM是進(jìn)行二維地形空間模擬的基礎(chǔ)，作為重要的地形因子可以被合理地應(yīng)用到分類研究中[18]，對(duì)水文分析和土地覆蓋分類都有一定的作用[19]。DEM數(shù)據(jù)由空間數(shù)據(jù)云（http：//www.gscloud.cn/）下載，為30 m分辨率ASTER GDEM V2數(shù)字高程數(shù)據(jù)。

TRMM（tropical rainfall measurement mission，熱帶降雨測(cè)量任務(wù)）是目前應(yīng)用最廣泛的衛(wèi)星降水產(chǎn)品，其準(zhǔn)確性得到了廣泛的認(rèn)可，對(duì)于分析氣候變化導(dǎo)致的土地覆蓋變化具有一定的作用[19]。

地表溫度數(shù)據(jù)采用MOD11A2數(shù)據(jù)，由每日地表溫度MOD11A1合成，為8 d中晴好天氣下溫度的平均值[20]。

該研究選用Google Earth高分辨率遙感影像作為標(biāo)注訓(xùn)練樣本和驗(yàn)證分類精度的輔助數(shù)據(jù)。

1.2.2 數(shù)據(jù)預(yù)處理。

MODIS數(shù)據(jù)前7個(gè)波段主要是針對(duì)陸地表面，其中空間分辨率250 m有2個(gè)（波段1，紅波段620～670 nm;波段2，近紅外841～876 nm），500 m有5個(gè)波段，即波段3～7（459～479、545～565、1 230～1 250、1 628～1 652、2 105～2 155 nm），1 000 m有29個(gè)波段[21]。該研究使用ENVI 5.3軟件進(jìn)行圖像預(yù)處理操作，并將IDL作為開發(fā)語(yǔ)言，選取前7個(gè)波段經(jīng)過(guò)太陽(yáng)高度角訂正、投影變換、輻射校正以及圖像拼接和裁剪操作等數(shù)據(jù)預(yù)處理。

利用隨機(jī)森林分類方法需要準(zhǔn)確的地物波譜作為輸入特征，因此采用ENVI軟件對(duì)17期MODIS數(shù)據(jù)分別進(jìn)行預(yù)處理后，獲得表觀反射率數(shù)據(jù)，再在ArcGIS支持下利用Georeferencing Tool進(jìn)行嚴(yán)格的配準(zhǔn)，配準(zhǔn)誤差均小于0.5個(gè)像元[21]。

為了獲取研究區(qū)的遙感圖像，將日喀則地區(qū)的矢量邊界文件輸入ArcGIS軟件，對(duì)原始下載的框定大小的數(shù)據(jù)進(jìn)行準(zhǔn)確的圖像裁剪，最終得到預(yù)處理好的17期日喀則地區(qū)MODIS數(shù)據(jù)，如圖2所示，RGB波段分別為R.Band2;G.Band1;B.Band3。

1.3 研究方法

1.3.1 分類系統(tǒng)建立。

參照國(guó)內(nèi)外現(xiàn)有的土地覆蓋分類體系，結(jié)合日喀則地表覆蓋的實(shí)際情況以及對(duì)該研究所使用的遙感數(shù)據(jù)源本身特征進(jìn)行目視解譯判讀，將研究區(qū)土地覆蓋類型劃分為9類，分別是森林、灌叢、草地、濕地、農(nóng)田、城市和建筑用地、冰雪、裸地、水體。表1顯示了各種分類的定義。

1.3.2 隨機(jī)森林分類。

RF是由決策樹分類器組成的集成分類器，最終的分類結(jié)果是由基分類器投票決定的。RF算法的基本流程是：①?gòu)脑紭颖炯疭中用Bootstrap方法隨機(jī)抽取K個(gè)訓(xùn)練樣本集;②每個(gè)訓(xùn)練樣本集分別構(gòu)建決策樹模型，從而組成隨機(jī)森林，得到K種分類結(jié)果;③K種分類結(jié)果采用投票表決的方式確定最終分類結(jié)果，分類誤差取決于每一棵樹的分類能力和它們之間的相關(guān)性。RF通過(guò)隨機(jī)選擇輸入預(yù)測(cè)變量和使用相同訓(xùn)練數(shù)據(jù)集的不同子集來(lái)避免偏差和方差的誤差，同時(shí)也可以克服過(guò)度擬合[22]。

RF算法基本流程如圖3所示。每棵決策樹的輸入變量是從N個(gè)屬性樣本集中隨機(jī)抽取M個(gè)屬性樣本，通常M取值為M=N或M=log2N+1。此外，節(jié)點(diǎn)分裂標(biāo)準(zhǔn)通常采用基尼指數(shù)（Gini）和信息熵（Entropy）。2種方法的計(jì)算公式分別為：

其中，m表示訓(xùn)練數(shù)據(jù)集D包含的類別個(gè)數(shù)，pi表示訓(xùn)練數(shù)據(jù)屬于類別Ci的概率。

該研究采用RF算法進(jìn)行分類的主要技術(shù)路線如圖4所示。其中，主要處理步驟如下：①先對(duì)MODIS數(shù)據(jù)進(jìn)行預(yù)處理，包括太陽(yáng)高度角訂正、投影變換、輻射校正以及圖像拼接和裁剪;②對(duì)預(yù)處理后的遙感圖像根據(jù)反射率數(shù)據(jù)計(jì)算得到歸一化差異植被指數(shù)（NDVI）、歸一化差異水體指數(shù)（NDWI）、歸一化差異雪蓋指數(shù)（NDSI）指數(shù);③對(duì)遙感圖像做主成分分析，選取第二主成分進(jìn)行紋理特征的提取;④將多光譜波段數(shù)據(jù)、NDVI、NDWI、NDSI指數(shù)、DEM數(shù)據(jù)與紋理特征相結(jié)合，共同作為輸入變量構(gòu)建RF分類模型，得到地物分類圖;⑤將分類結(jié)果進(jìn)行分類精度的驗(yàn)證。其中，特征變量的選擇對(duì)RF算法的分類精度有著重要的影響。

考慮到研究區(qū)多山區(qū)地形且多樣化，選用3個(gè)具有代表性的光譜指數(shù)[23]。NDVI是植被覆蓋度的最佳指示因子;NDWI能夠凸顯影像中的水體信息，在綠色帶中具有相對(duì)較高的反射率且在NIR中具有強(qiáng)吸收;NDSI利用積雪在綠光波段高反射和短波紅外波段強(qiáng)吸收的特征，可提取積雪。3個(gè)指數(shù)的計(jì)算公式如下：

紋理特征由灰度共生矩陣（GLCM）計(jì)算得到[22]，它對(duì)于改善各種土地覆蓋類型的分類準(zhǔn)確度并減少具有相似光譜特征的對(duì)象的分類誤差是有用的[23]，包括均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩、相關(guān)性共8個(gè)特征[24]，其中灰度量化級(jí)別為64，紋理提取窗口為5×5。樣本總量約為8.4萬(wàn)個(gè)，各個(gè)樣本分布如表2所示。

該研究中，RF分類模型的參數(shù)選擇情況為：決策樹個(gè)數(shù)為50，采用基尼指數(shù)度量分裂質(zhì)量，采用有放回式的抽樣方法，每次抽樣約有1/3的數(shù)據(jù)未被抽中，這部分?jǐn)?shù)據(jù)通常稱為袋外數(shù)據(jù)（OOB），利用袋外數(shù)據(jù)進(jìn)行內(nèi)部誤差估計(jì)，從而預(yù)測(cè)分類的正確率。將7個(gè)多光譜波段數(shù)據(jù)、3個(gè)光譜指數(shù)（NDVI、NDWI、NDSI）、8個(gè)紋理特征以及DEM數(shù)據(jù)相結(jié)合，賦予圖像的各個(gè)像素構(gòu)成每個(gè)像素的特征向量（共19個(gè)）。

1.3.3 分類結(jié)果評(píng)估。

隨機(jī)森林訓(xùn)練過(guò)程中可以在內(nèi)部進(jìn)行評(píng)估，即采用袋外數(shù)據(jù)OOB對(duì)泛化誤差建立無(wú)偏估計(jì)。方法是對(duì)每個(gè)樣本計(jì)算其作為OOB樣本的樹的分類情況，以簡(jiǎn)單多數(shù)投票作為該樣本的分類結(jié)果，最后用誤分個(gè)數(shù)占樣本總數(shù)的比率作為隨機(jī)森林的OOB誤分率[25]。

在進(jìn)行精度評(píng)價(jià)時(shí)，該研究選用混淆矩陣的方法，對(duì)2001—2017年的MODIS土地覆蓋分類圖進(jìn)行檢驗(yàn)，混淆矩陣是通過(guò)將每個(gè)實(shí)測(cè)像元的位置與分類圖像中的相應(yīng)位置比較計(jì)算得到。其中制圖精度表示在實(shí)測(cè)類型中被正確分類的樣本所占的比例，用戶精度表示分類圖中被正確分類的樣本所占的比例[26]。

2 結(jié)果與分析

此次試驗(yàn)過(guò)程的OOB錯(cuò)誤率如圖5所示。此次試驗(yàn)混淆矩陣見表3。2001—2017年總體精度取值區(qū)間為80%～84%，總體Kappa系數(shù)為0.83，2001—2017年Kappa系數(shù)取值區(qū)間為80%～84%。最終分類結(jié)果如圖6所示。

3.1 水體與植被變化分析

由于采用的訓(xùn)練數(shù)據(jù)為8 d合成的MOD09A1數(shù)據(jù)，因此土地覆蓋變化的統(tǒng)計(jì)先從日統(tǒng)計(jì)分析入手，挑選最具有典型性和重要性的環(huán)境影響因素植被和水體進(jìn)行日統(tǒng)計(jì)變化分析。選擇日喀則地區(qū)2001—2017年的MOD09A1數(shù)據(jù)，利用Google Earth Engine在線平臺(tái)加載已訓(xùn)練的RF模型并將模型應(yīng)用于MOD09A1數(shù)據(jù)，對(duì)植被和水體2種土地覆蓋類型進(jìn)行面積統(tǒng)計(jì)，由于運(yùn)行環(huán)境的限制，選擇每半年統(tǒng)計(jì)一次，將得到的統(tǒng)計(jì)數(shù)據(jù)制作成連續(xù)的日變化趨勢(shì)折線圖。

從日喀則地區(qū)2001—2017年每8 d的水體覆蓋面積的變化情況（圖7）可以看出，2001、2006、2009和2010年的水體面積日變化趨勢(shì)大致相似，水體覆蓋面積最小值出現(xiàn)在夏季，最大值出現(xiàn)在春季或秋季;2004、2005和2008年的水體覆蓋面積最大值正好與前4年相反，出現(xiàn)在夏季。2011—2015年的水體面積日變化趨勢(shì)大致相同，都是在春夏秋3季呈現(xiàn)波浪上升的趨勢(shì)，但在冬季持續(xù)下降，水體覆蓋面積最小值在1月或2月，最大值在9月或10月。與前幾年冬季相比，2017年冬季的水體覆蓋面積是最大的，這可能是由于全球氣候變暖導(dǎo)致冰雪融水的增多?？偟膩?lái)說(shuō)，日喀則地區(qū)每年的水體覆蓋面積年內(nèi)日變化比較穩(wěn)定，1—12月變化趨勢(shì)呈現(xiàn)各種波浪形，個(gè)別月份會(huì)出現(xiàn)大起大落，但首尾月份的水體覆蓋面積大致能夠持平。說(shuō)明水體覆蓋面積的大小與季節(jié)有一定的關(guān)聯(lián)性，除此以外還會(huì)受到當(dāng)?shù)馗鞣N環(huán)境因素的影響。

從2001—2017年日喀則地區(qū)每8 d的植被覆蓋面積的變化情況（圖8）可以看出，2008—2010和2016—2017年的植被面積日變化趨勢(shì)大致相似，植被覆蓋面積最大值出現(xiàn)在夏季6、7、8月份，最小值出現(xiàn)在秋冬季。2004、2005、2012、2013和2015年的植被覆蓋面積1—12月呈現(xiàn)比較明顯的波動(dòng)下降趨勢(shì)，這可能是由于人為因素和自然因素等導(dǎo)致的植被破壞嚴(yán)重?？偟膩?lái)說(shuō)，日喀則地區(qū)每年的植被覆蓋面積年內(nèi)日變化波動(dòng)較大。說(shuō)明植被覆蓋面積的大小與季節(jié)變化和氣候變化有很大的關(guān)聯(lián)。

3.2 土地覆蓋變化分析

土地覆蓋變化是區(qū)域生態(tài)系統(tǒng)格局和結(jié)構(gòu)類型的直接反映，反映了生態(tài)系統(tǒng)的群落組成、生態(tài)系統(tǒng)的質(zhì)量、生態(tài)服務(wù)功能和評(píng)價(jià)以及環(huán)境條件[27]。為了說(shuō)明研究區(qū)的區(qū)域土地覆蓋變化，還要進(jìn)行年統(tǒng)計(jì)分析，由于隨機(jī)森林分類方法是基于像素的方法，可以根據(jù)圖像的分辨率和像素個(gè)數(shù)，得出每一年每種土地類型各自所占的面積及其長(zhǎng)時(shí)間的變化趨勢(shì)。根據(jù)研究區(qū)的實(shí)際分類結(jié)果，選取主要的4種土地覆蓋類型進(jìn)行分析，結(jié)果見圖9。

從圖9可以看出，2001—2017年裸地和水體的覆蓋面積總體呈波動(dòng)下降趨勢(shì)，而草地和冰雪的覆蓋面積總體呈波動(dòng)上升趨勢(shì);在2014年，裸地面積突然有大幅度上升，相應(yīng)地草地面積大幅度下降，但在2015年又恢復(fù)到之前的狀態(tài);在2017年，水體面積極速上升，是近幾年水體覆蓋面積最多的一年，而冰雪面積卻有所下降?？偟膩?lái)說(shuō)，日喀則地區(qū)的水體和冰雪覆蓋面積所占比例較小，而裸地和草地覆蓋面積所占比例較大，尤其是草地的占比非常大。

為了進(jìn)一步說(shuō)明區(qū)域土地覆蓋動(dòng)態(tài)，應(yīng)用變化檢測(cè)的方法，變化檢測(cè)是一種通用的遙感技術(shù)，比較不同時(shí)間采集的同一區(qū)域的圖像，并突出顯示已經(jīng)改變的特征[28-29]。

不同類型之間的時(shí)間轉(zhuǎn)換能夠表達(dá)詳細(xì)的轉(zhuǎn)換信息，此次研究監(jiān)測(cè)日喀則地區(qū)2001—2017年的土地覆蓋變化情況，時(shí)間跨度較大，變化復(fù)雜。在此使用多日期后分類比較變化分析法確定土地覆蓋變化的6個(gè)區(qū)間：2001—2003、2003—2006、2006—2009、2009—2012、2012—2015、2015—2017年[29]。由統(tǒng)計(jì)出的各類型的面積，兩兩對(duì)比，得到6期土地覆蓋轉(zhuǎn)移矩陣，如表4～9所示。

從6個(gè)轉(zhuǎn)移矩陣（表4～9）可以看出，日喀則地區(qū)草地面積占整個(gè)土地覆蓋類型的比例最大，且變化的面積總量也最大，主要轉(zhuǎn)化為裸地，其次是森林和灌叢，最后是冰雪和水體。草地與裸地之間的相互轉(zhuǎn)化量最多，裸地與冰雪之間的相互轉(zhuǎn)化量次之，而森林與水體之間以及灌叢與水體之間的相互轉(zhuǎn)化量幾乎為0。與自身相比，森林、灌叢和冰雪的改變量較大，每個(gè)區(qū)間都有超過(guò)50%的森林、灌叢和冰雪會(huì)轉(zhuǎn)化成其他的土地覆蓋類型。日喀則地區(qū)裸地的面積遠(yuǎn)大于森林，兩者之間的面積轉(zhuǎn)換也很少，說(shuō)明退耕還林、封山育林的重要性沒有得到重視。2003—2006年森林覆蓋面積極速大幅度下降，主要轉(zhuǎn)化為草地，但2006—2012和2015—2017年卻又直線上升，主要由草地和裸地轉(zhuǎn)化而來(lái)，這是由于環(huán)保意識(shí)得到增強(qiáng)以及環(huán)保政策得到落實(shí)。2003—2017年裸地的覆蓋面積持續(xù)增加，而2009—2015年水體覆蓋面積下降許多，主要是轉(zhuǎn)化為裸地，說(shuō)明水資源匱乏，土地的荒漠化日益嚴(yán)重。2009—2012和2015—2017年的總體變化率比較平穩(wěn)。

水資源危機(jī)將會(huì)導(dǎo)致生態(tài)環(huán)境的進(jìn)一步惡化，同時(shí)也會(huì)對(duì)自然災(zāi)害的發(fā)生產(chǎn)生一定的影響;植被覆蓋稀少同樣會(huì)導(dǎo)致自然生態(tài)系統(tǒng)的功能損失，加速自然災(zāi)害的發(fā)生[30]。考慮到降水和溫度等環(huán)境因素與土地覆蓋的變化息息相關(guān)，因此結(jié)合研究區(qū)的年降水量與年平均地表溫度的變化，進(jìn)行綜合分析。氣候?qū)ν恋馗采w類型的影響中，水體對(duì)降雨的影響最為敏感，因此在圖10中將日喀則地區(qū)的年降水量與水體覆蓋變化進(jìn)行關(guān)聯(lián)比較。整體而言，日喀則地區(qū)水體覆蓋面積出現(xiàn)下降的趨勢(shì)，同時(shí)受降水量變化影響出現(xiàn)波動(dòng)，結(jié)合圖9、轉(zhuǎn)移矩陣（表4～9）、圖11的結(jié)果發(fā)現(xiàn)裸地面積減少且主要轉(zhuǎn)為草地，草地面積顯著增加，水體面積減少但冰雪面積增加，因此推測(cè)水體面積減少的可能原因是冰雪融水減少以及草地面積增加導(dǎo)致的降水入滲量增加[31]。在圖11中，由于地表溫度對(duì)冰雪覆蓋有一定的影響，將日喀則地區(qū)的年平均地表溫度與冰雪覆蓋變化進(jìn)行關(guān)聯(lián)比較。可以看出，在2009年隨著地表溫度的急劇升高，冰雪覆蓋面積出現(xiàn)了局部最小值;在2016年隨著地表溫度的極速下降，冰雪覆蓋面積出現(xiàn)了局部最大值;2002—2005、2006—2010、2011—2013、2015—2017年冰雪覆蓋面積變化與平均地表溫度變化幾乎完全相反，說(shuō)明地表溫度波動(dòng)是引起研究區(qū)冰雪覆蓋面積變化的重要因素。

3 結(jié)論

該研究利用隨機(jī)森林的分類方法對(duì)日喀則地區(qū)2001—2017年17個(gè)時(shí)相的MODIS遙感數(shù)據(jù)進(jìn)行分類，得到土地覆蓋分類圖，分類總精度和Kappa系數(shù)分別為83%和0.83，精度基本滿足動(dòng)態(tài)監(jiān)測(cè)要求，且相比于MCD12Q1產(chǎn)品，該研究結(jié)果具有更高的時(shí)間分辨率（8 d）。根據(jù)分類數(shù)據(jù)由轉(zhuǎn)移矩陣和圖像差分法提取出土地覆蓋時(shí)空變化信息，并結(jié)合氣候等影響因素進(jìn)行綜合分析與動(dòng)態(tài)監(jiān)測(cè)，得到最終的結(jié)論。該項(xiàng)工作能夠?yàn)槿湛t地區(qū)的生態(tài)環(huán)境保護(hù)、社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展和土地管理等提供可靠的依據(jù)。

日喀則地區(qū)是山地城市，受地形影響較大，適合耕種及居住的平原面積較少。近年來(lái)，受自然條件尤其是地形的限制，土地利用潛力不大且不合理，植被和水土保持在一定程度上受到破壞，人地矛盾逐漸凸顯[32]。

根據(jù)不同年份各類型的空間分布和變化趨勢(shì)可以直觀地觀察到：森林主要集中在南部與尼泊爾相鄰處，草地所占比重很大;2001—2017年裸地面積減少了3 491.99 km2，草地面積增加了3 099.96 km2，水體面積減少了665.75 km2，冰雪面積增加了237.46 km2。這一現(xiàn)象表明植被增加的主要原因是相應(yīng)的保護(hù)政策如封山育林、土地復(fù)墾、退耕還林[33-34]等措施的逐步實(shí)施，植被覆蓋越多，水源的涵養(yǎng)能力就越強(qiáng);水資源的損失可能受到人口增長(zhǎng)的影響以及水資源污染、河流斷流和湖泊退化日益嚴(yán)重，還未有及時(shí)有效的解決措施，政府應(yīng)當(dāng)采取相應(yīng)的政策，實(shí)施水資源管理計(jì)劃，以避免水土流失。日喀則地區(qū)的生態(tài)環(huán)境極為脆弱和不穩(wěn)定，從長(zhǎng)期來(lái)看，人類活動(dòng)、氣候變化因素、土地利用政策等都對(duì)土地覆蓋變化產(chǎn)生了越來(lái)越大的影響。

綜上所述，環(huán)境的惡化會(huì)給生態(tài)系統(tǒng)造成直接的破壞和影響，如沙漠化、各種山地災(zāi)害;也會(huì)給生態(tài)系統(tǒng)和人類社會(huì)造成間接的危害，有時(shí)這種間接的環(huán)境效應(yīng)的危害比當(dāng)時(shí)造成的直接危害更大，也更難消除。土地覆蓋動(dòng)態(tài)變化檢測(cè)在環(huán)境地球資源監(jiān)測(cè)和管理中具有十分重要的意義，自然資源的可持續(xù)管理和土地利用規(guī)劃的編制，需要時(shí)間序列的土地覆蓋變化分析提供支持[35]。

由于研究區(qū)多山，不同坡度的土地覆蓋變化也是環(huán)境變化分析的重要信息。隨著高分辨率衛(wèi)星的商業(yè)應(yīng)用以及數(shù)據(jù)庫(kù)技術(shù)的發(fā)展，長(zhǎng)時(shí)間序列和短時(shí)間間隔的區(qū)域土地利用變化監(jiān)測(cè)將成為發(fā)展方向。土地覆蓋變化驅(qū)動(dòng)力的研究和生態(tài)服務(wù)價(jià)值評(píng)估可以為災(zāi)害監(jiān)測(cè)和預(yù)警的研究提供有價(jià)值的信息[35]。

參考文獻(xiàn)

[1] CAO X，LI M C，LUO P，et al.Dynamic remote sensing monitoring of land use change in Xiangxi river watershed by decision tree method[C]//2010 18th international conference on geoinformatics.Beijing：IEEE，2010：1-4.

[2] 于龍，周宇峰，丁麗霞，等.基于波譜角分類的土地利用動(dòng)態(tài)監(jiān)測(cè)[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2014，31（3）：386-393.

[3] SOBRINO J A，RAISSOUNI N.Toward remote sensing methods for land cover dynamic monitoring：Application to Morocco[J].International journal of remote sensing，2000，21（2）：353-366.

[4] ZHAO J L，LIU C.Monitoring dynamic change of land cover based on SVM and satellite images in Hanoi，Vietnam[J].Wuhan University journal of natural sciences，2010，15（4）：355-362.

[5] ZENG T J，WANG C J.SVM-based land use/cover classification in Shihezi area[C]//Progress in electromagnetic research symposium.Shanghai：IEEE，2016：2077-2079.

[6] MANDAL S，SAHA A.Support vector machines for monitoring land use dynamicity and temporal variation of land surface temperature in Kurseong and surrounding of Darjeeling Himalaya[J].Modeling earth systems & environment，2018，4：659-672.

[7] YANG X Y，CHEN L G，LI Y K，et al.Rule-based land use/land cover classification in coastal areas using seasonal remote sensing imagery：A case study from Lianyungang City，China[J].Environmental monitoring & assessment，2015，187（7）：1-15.

[8] ZHAO J L，GUO W，HUANG W J，et al.Characterizing spatiotemporal dynamics of land cover with multi-temporal remotely sensed imagery in Beijing during 1978-2010[J].Arabian journal of geosciences，2014，7（10）：3945-3959.

[9] SCOTT G J，ENGLAND M R，STARMS W A，et al.Training deep convolutional neural networks for land-cover classification of high-resolution imagery[J].IEEE Geoscience & Remote Sensing Letters，2017，14（4）：549-553.

[10] TAN Y M，BAI B X，MASUM S M.Time series remote sensing based dynamic monitoring of land use and land cover change[C]//2016 4th international workshop on earth observation and remote sensing applications.Guangzhou：IEEE，2016：202-206.

[11] 田傳召，于陽(yáng)，肖虹雁，等.基于TM影像的昆明市區(qū)土地利用遙感動(dòng)態(tài)監(jiān)測(cè)[J].林業(yè)資源管理，2014（4）：103-108.

[12] LECLERC E，WIERSMA Y F.Assessing post-industrial land cover change at the Pine Point Mine，NWT，Canada using multi-temporal Landsat analysis and landscape metrics[J].Environmental monitoring & assessment，2017，189（4）：1-19.

[13] BASHIR H，AHMAD S S.Exploring geospatial techniques for spatiotemporal change detection in land cover dynamics along Soan River，Pakistan[J].Environmental monitoring & assessment，2017，189（5）：1-11.

[14] DAVID T I，MUKESH M V，KUMARAVEL S，et al.Exploring 16 years changing dynamics for land use/land cover in Pearl City（Thoothukudi）with spatial technology[J].Spatial information research，2017，25（4）：1-8.

[15] TOLL D L，ROYAL J A，DAVIS J B.Urban area update procedures using Landsat data[M].Bethesda，MD：Proceedings of American Society of Photogrammetry，1981.

[16] JOHNSON R D，KASISCHKE E S.Change vector analysis：A technique for the multispectral monitoring of land cover and condition[J].International journal of remote sensing，1998，19（3）：411-426.

[17] 陳少丹，張利平，郭夢(mèng)瑤，等.TRMM衛(wèi)星降水?dāng)?shù)據(jù)在區(qū)域干旱監(jiān)測(cè)中的適用性分析[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（15）：126-132.

[18] WANG Y Y，LI G C.Analysis of “furnace cities" in China using MODIS/LST product（MOD11A2）[C]//2014 IEEE geoscience & remote sensing symposium.Quebec City，Canada：IEEE，2014.

[19] USMAN M，LIEDL R，SHAHID M A，et al.Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data[J].Journal of geographical sciences，2015，25（12）：1479-1506.

[20] 張思琪.DEM和MODIS數(shù)據(jù)融合的土地覆蓋分類遙感方法研究[J].科技通報(bào)，2016，32（10）：31-35.

[21] LOWE B，KULKARNI A.Multispectral image analysis using Random Forest[J].International journal on soft computing，2015，6（1）：1-13.

[22] 石彩霞，趙傳鋼，龐蕾.基于超像素統(tǒng)計(jì)量的隨機(jī)森林遙感圖像分類[J].計(jì)算機(jī)應(yīng)用研究，2018，35（12）：3798-3802.

[23] TIAN S H，ZHANG X F，TIAN J，et al.Random forest classification of wetland land cover from multi-sensor data in the arid region of Xinjiang，China[J].Remote sensing，2016，8（11）：1-14.

[24] BERHANE T M，LANE C R，WU Q S，et al.Decision-tree，rule-based，and random forest classification of high-resolution multispectral imagery for wetland mapping and inventory[J].Remote sensing，2018，10（4）：1-26.

[25] CHUN X，YONG M，LIU J Y，et al.Monitoring land cover change and its dynamic mechanism on the Qehan Lake Basin，Inner Mongolia，North China，during 1977-2013[J].Environmental monitoring & assessment，2018，190（4）：1-17.

[26] XIAO Q，TAO J P，XIAO Y，et al.Monitoring vegetation cover in Ch-ongqing between 2001 and 2010 using remote sensing data[J].Environmental monitoring & assessment，2017，189（10）：1-13.

[27] 馬海燕，劉洪超，孫曉慶.基于SWAT模型的大安市降水入滲量變化的模擬研究[J].吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，38（3）：298-301，312.

[28] NABOUREH A，MOGHADDAM M H R，F(xiàn)EIZIZADEH B，et al.An integrated object-based image analysis and CA-Markov model approach for modeling land use/land cover trends in the Sarab plain[J].Arabian journal of geosciences，2017，10（12）：259.

[29] BASHIR H，AHMAD S S.Exploring geospatial techniques for spatiotemporal change detection in land cover dynamics along Soan River，Pakistan[J].Environmental monitoring & assessment，2017，189（5）：1-11.

[30] 陳燕芬，牛振國(guó)，胡勝杰，等.基于MODIS時(shí)間序列數(shù)據(jù)的洞庭湖濕地動(dòng)態(tài)監(jiān)測(cè)[J].水利學(xué)報(bào)，2016，47（9）：1093-1104.

[31] PARSA V A，YAVARI A，NEJADI A.Spatio-temporal analysis of land use/land cover pattern changes in Arasbaran Biosphere Reserve：Iran[J].Modeling earth systems & environment，2016，2（4）：1-13.

[32] ADDABBO P，F(xiàn)OCARETA M，MARCUCCIO S，et al.Land cover classification and monitoring through multi-sensor image and data combination[C]//2016 IEEE international geoscience and remote sensing symposium.Beijing，China：IEEE，2016.

[33] 毛紹娟，李紅琴，張鐿鋰，等.日喀則河谷退耕還草（林）工程實(shí)施后生態(tài)功能效應(yīng)的初步分析[J].草地學(xué)報(bào)，2015，23（6）：1278-1286.

[34] DOU P，CHEN Y B.Dynamic monitoring of land-use/land-cover change and urban expansion in Shenzhen using Landsat imagery from 1988 to 2015[J].International journal of remote sensing，2017，38（19）：5388-5407.

[35] KUSSUL N，LAVRENIUK M，SKAKUN S，et al.Deep learning classification of land cover and crop types using remote sensing data[J].IEEE Geoscience & Remote Sensing Letters，2017，14（5）：778-782.