摘 要：快速準(zhǔn)確地獲取土地利用信息，可為城市發(fā)展和生態(tài)環(huán)境保護(hù)提供參考依據(jù)?；诠雀璧厍蛞妫℅oogle Earth Engine，GEE）平臺(tái)的多時(shí)相Landsat圖像密集時(shí)間疊加和隨機(jī)森林算法對(duì)云南省的土地利用類型進(jìn)行分類，分析云南省土地利用和土地覆蓋（Land use and Land cover，LULC）時(shí)空變化趨勢(shì)，并使用地理探測(cè)器定量評(píng)估關(guān)鍵的驅(qū)動(dòng)因素。結(jié)果表明，1）LULC分類平均總體精度和Kappa系數(shù)分別為88.64%、86.01%，精度較高，滿足數(shù)據(jù)使用要求。2）云南省土地類型以林地、耕地、草地及稀疏灌草混交地為主，占比97.91%～98.38%，土地利用轉(zhuǎn)移以林地和耕地互相轉(zhuǎn)換、草地及稀疏灌草混交地轉(zhuǎn)為耕地為主。3）云南省滇中和滇東部的土地利用強(qiáng)度總體高于其他地區(qū)，滇西北和滇西南地區(qū)的土地利用強(qiáng)度較低。4）不同驅(qū)動(dòng)因素對(duì)LULC影響程度存在顯著差異，植被類型、年均氣溫和土壤類型對(duì)LULC變化的影響程度相對(duì)較小，高程、坡度、坡向、年均降水、人口密度、GDP和人口城鎮(zhèn)化率等對(duì)LULC變化的影響程度普遍較高，其中GDP、人口密度和人口城鎮(zhèn)化率對(duì)LULC變化程度影響較高。研究結(jié)果可為云南省后續(xù)生態(tài)環(huán)境保護(hù)政策制定和區(qū)域可持續(xù)發(fā)展提供數(shù)據(jù)基礎(chǔ)與支撐。

關(guān)鍵詞：云南??； 土地利用/土地覆蓋（LULC）； 遙感監(jiān)測(cè)； 谷歌地球引擎； 地理探測(cè)器； 驅(qū)動(dòng)分析

中圖分類號(hào)：S771.8 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7525/j.issn.1006-8023.2024.04.007

Analysis of LULC Changes and Driving Factors in Yunnan Province from 1995 to 2022 Based on GEE Platform

SHEN Jian1， YUE Cairong1，2*， GUO Xilong1， LI Xin1， ZHANG Lanzhong1， XU Tianshu1，2

（1.College of Forestry， Southwest Forestry University， Kunming 650224， China；2.Yunnan Provincial University Engineering Center of Forestry 3S Technology， Kunming 650224， China）

Abstract： Quickly and accurately obtaining land use information can provide a reference for urban development and ecological environment protection. This study classifies land use types in Yunnan Province based on multi-temporal Landsat image dense time stacking and random forest algorithm on the Google Earth Engine （GEE） platform， analyzes the spatiotemporal change trends of LULC in Yunnan Province， and uses geodetectors to quantitatively evaluate key drivers factor. The results show that， 1） the average overall accuracy and Kappa coefficient of LULC classification in this study are 88.64% and 86.01%， respectively， which is highly accurate and meets the data usage requirements. 2） The land types in Yunnan Province are mainly forest land， cultivated land， grassland， and sparse shrub grass mixed land， accounting for 97.91%-98.38%. Land use transfer mainly involves the conversion of forest land and cultivated land， and the conversion of grassland and sparse shrub grass mixed land into cultivated land. 3） The land use intensity in central and eastern Yunnan in Yunnan Province is generally higher than that in other regions， while the land use intensity in northwest and southwestern Yunnan is lower. 4） There are significant differences in the influence of different driving factors on LULC. Vegetation type， average annual temperature and soil type have a relatively small impact on LULC changes. Elevation， slope， aspect， average annual precipitation， population density， GDP and population urbanization rate， etc.， generally have a high impact on LULC changes， Among them， GDP， population density， and population urbanization rate have a higher impact on LULC changes. The research results can provide data basis and support for subsequent ecological and environmental protection policy formulation and regional sustainable development in Yunnan Province.

Keywords： Yunnan Province； land use/land cover （LULC）； remote sensing monitoring； Google Earth Engine； geodetector； driver analysis

0 引言

土地利用和土地覆蓋（Land use and Land cover，LULC）變化是影響地球生態(tài)系統(tǒng)穩(wěn)定性的主導(dǎo)因素之一，在全球和區(qū)域環(huán)境變化中發(fā)揮著關(guān)鍵作用。LULC變化描述了人類行為對(duì)地球表面的影響，包括城市擴(kuò)張、農(nóng)業(yè)發(fā)展和森林砍伐等。通過對(duì)LULC的遙感監(jiān)測(cè)和分析，可以揭示人類活動(dòng)對(duì)生態(tài)系統(tǒng)、氣候變化和自然資源的影響，進(jìn)而幫助政府制定可持續(xù)發(fā)展戰(zhàn)略和環(huán)境管理政策。

由于數(shù)據(jù)來源、方法和分類體系的不同，目前全球現(xiàn)有LULC產(chǎn)品存在較大的不確定性和差異性。此外，以往的研究大多關(guān)注云南省的長(zhǎng)期植被變化［1-2］。LULC變化與人類建設(shè)活動(dòng)密切相關(guān)，探究其演變規(guī)律對(duì)地區(qū)實(shí)現(xiàn)可持續(xù)發(fā)展具有重要的指導(dǎo)意義［3-4］。LULC遙感監(jiān)測(cè)使用高分辨率光學(xué)衛(wèi)星圖像受到高云量和數(shù)據(jù)空白的影響，僅靠單一場(chǎng)景圖像來監(jiān)測(cè)難以完成，因此通過稠密時(shí)間堆棧方法覆蓋所有可用的圖像，采用疊加另一幅圖像的覆蓋來替換被云覆蓋的區(qū)域，生成清晰的圖像［5］，該方法被廣泛應(yīng)用于森林［6］、土地利用［7］和不透水地表變化監(jiān)測(cè)［8］，優(yōu)勢(shì)明顯。

然而，多源衛(wèi)星數(shù)據(jù)的處理面臨著計(jì)算能力的挑戰(zhàn)。近年來，云計(jì)算在大規(guī)模土地覆蓋測(cè)繪研究中展現(xiàn)出巨大優(yōu)勢(shì)［9］。谷歌地球引擎（Google Earth Engine，GEE）作為一個(gè)支持空間信息處理的平臺(tái)，在區(qū)域乃至全球范圍內(nèi)的遙感數(shù)據(jù)處理方面發(fā)揮著重要作用。目前，已經(jīng)有許多大區(qū)域尺度土地覆蓋研究［10-11］和森林監(jiān)測(cè)［12］基于GEE平臺(tái)展開。為了探究基于中分辨率遙感數(shù)據(jù)進(jìn)行省級(jí)尺度遙感檢測(cè)的技術(shù)方法，本研究利用GEE平臺(tái)進(jìn)行了云南省多時(shí)相LULC類型覆蓋遙感監(jiān)測(cè)試驗(yàn)。

驅(qū)動(dòng)力分析是一種確定LULC變化過程并揭示區(qū)域生態(tài)環(huán)境變化機(jī)理的方法。LULC變化受到社會(huì)經(jīng)濟(jì)、自然環(huán)境等因素的影響［13］，可以分為定性描述和定量分析［14］。定性分析方法雖然能夠描述LULC的發(fā)展趨勢(shì)和各種驅(qū)動(dòng)因素，但難以準(zhǔn)確估計(jì)各個(gè)因素對(duì)LULC變化的影響程度。定量方法主要采用相關(guān)分析、多元回歸和主成分分析等研究驅(qū)動(dòng)力與LULC變化之間的關(guān)系［15］。然而，這些方法往往忽略了驅(qū)動(dòng)因素與LULC變化的空間關(guān)系，且容易受到主觀因素的影響，難以準(zhǔn)確揭示其內(nèi)在變化機(jī)理。為了解決這些局限性，地理檢測(cè)器作為一種新的方法被廣泛應(yīng)用于檢測(cè)空間分異并揭示驅(qū)動(dòng)因素［16］，相較于傳統(tǒng)的線性統(tǒng)計(jì)方法如相關(guān)分析和回歸分析更具優(yōu)勢(shì)［17］，在分析植被變化的驅(qū)動(dòng)因素［18］和生態(tài)系統(tǒng)健康［19］方面得到廣泛應(yīng)用。

云南省位于中國(guó)西南邊陲，被視為連接中國(guó)大陸與東南亞的關(guān)鍵門戶，與緬甸、老撾等接壤，在水源涵養(yǎng)、維護(hù)生物多樣性和氣候調(diào)節(jié)方面發(fā)揮著重要作用。然而，不合理的土地利用和人口快速增長(zhǎng)導(dǎo)致云南省城市化進(jìn)程加快，生態(tài)平衡受到嚴(yán)重威脅。為了實(shí)現(xiàn)可持續(xù)發(fā)展，研究該地區(qū)土地利用變化，并探討LULC驅(qū)動(dòng)因素顯得十分必要。本研究借助GEE平臺(tái)，使用Landsat影像密集時(shí)間疊加方法監(jiān)測(cè)云南省1995—2022年土地利用變化，并通過地理探測(cè)器分析人為因素和自然因素對(duì)LULC的影響，以提供理論支持，促進(jìn)土地利用的合理調(diào)整和優(yōu)化。

1 研究區(qū)概況

云南省地處中國(guó)西南邊境的高原山區(qū)（21°8'～29°15' N，97°31'～106°11' E），海拔76.4～6 740 m，面積為39.41萬km2。盆地和河谷約占總面積的6%，高原和丘陵約占10%，而山地面積約占84%［20］，如圖1所示。年均降水量在1 200～1 700 mm，年均氣溫在12～22 ℃。1995—2022年，云南省人口從3 989萬人增長(zhǎng)到4 693萬人，GDP從0.12萬億元增長(zhǎng)到2.9萬億元。由于其復(fù)雜的地形和氣候條件，云南省擁有多樣的生態(tài)系統(tǒng)類型，包括高山雪域、森林、草原和河流等，具體如圖1所示。伴隨著社會(huì)經(jīng)濟(jì)、人口的快速增長(zhǎng)和城市化飛速發(fā)展，探究云南省的LULC變化有助于評(píng)估該地區(qū)土地資源的可持續(xù)利用、生態(tài)環(huán)境保護(hù)。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來源

本研究使用影像數(shù)據(jù)主要來源于美國(guó)地質(zhì)調(diào)查局（USGS）的陸地衛(wèi)星數(shù)據(jù)集，包括Landsat TM和OLI Surface Reflectance（SR）反射率產(chǎn)品［21］，該數(shù)據(jù)可直接通過GEE平臺(tái)進(jìn)行下載處理（https：//earthengine.google.com/）。氣候、土壤和植被類型數(shù)據(jù)來自中國(guó)科學(xué)院資源與環(huán)境科學(xué)數(shù)據(jù)中心（http：//www.resdc.cn）。人口密度、城鎮(zhèn)化率和GDP等數(shù)據(jù)來源于《云南統(tǒng)計(jì)年鑒》（http：//stats.yn.gov.cn/）。同時(shí)，獲取了全球地表覆蓋遙感數(shù)據(jù)產(chǎn)品GlobeLand30（http：//www.globallandcover.com），用于本研究的分類結(jié)果比較［22］。

2.2 LULC分類系統(tǒng)及樣本選擇

根據(jù)全國(guó)《土地利用現(xiàn)狀分類》（GB/T 2010—2017）并結(jié)合研究區(qū)域?qū)嶋H土地覆蓋情況，本研究將LULC地類分為：耕地、草地及稀疏灌草混交地、林地、水域、雪地、建設(shè)用地和未利用地。在本研究中，分類訓(xùn)練和檢驗(yàn)樣本主要通過對(duì)Google Earth Pro影像進(jìn)行目視判讀來勾繪，總共獲取1 475個(gè)訓(xùn)練樣本圖斑和443個(gè)檢驗(yàn)樣本圖斑，涵蓋7種LULC類型。每種LULC類型至少采集50個(gè)樣本，隨機(jī)抽取其中70%作為L(zhǎng)ULC分類的訓(xùn)練樣本，30%用于驗(yàn)證分類結(jié)果作為驗(yàn)證樣本［23］。

2.3 人為和自然驅(qū)動(dòng)因素

本研究在參照前人研究的基礎(chǔ)上，結(jié)合云南省實(shí)際情況共選取10個(gè)驅(qū)動(dòng)因素，見表1。包括3個(gè)人為因素，7個(gè)自然因素，探究其對(duì)云南省LULC變化的影響。在ArcGIS軟件中，采用自然斷點(diǎn)法對(duì)上述相關(guān)驅(qū)動(dòng)因子進(jìn)行聚類處理［24］，這是因?yàn)樽匀粩帱c(diǎn)法可以根據(jù)數(shù)據(jù)的內(nèi)在屬性來確定聚類，有助于減少組內(nèi)方差，增加組間方差［25］，該方法得到學(xué)術(shù)界廣泛的應(yīng)用。根據(jù)前人研究成果［25］，本研究將人口密度、人口城鎮(zhèn)化率、GDP、年均氣溫、年均降水和海拔分為6個(gè)等級(jí)，將坡向、坡度、植被類型分為9類，將土壤分為14種類型。

2.4 研究方法

為了探究LULC變化，本研究選擇經(jīng)過正射處理和大氣處理的長(zhǎng)時(shí)間序列Landsat SR數(shù)據(jù)產(chǎn)品。首先，對(duì)這些影像進(jìn)行云量篩選，選取云量低于20%的遙感影像，按照云量從低到高排序，以確保數(shù)據(jù)質(zhì)量；其次，在Google Earth Pro中收集了訓(xùn)練和驗(yàn)證樣本數(shù)據(jù)集，并將其上傳到GEE平臺(tái)；然后，對(duì)Landsat圖像進(jìn)行了一系列預(yù)處理步驟，包括數(shù)據(jù)濾波、去除云狀物、鑲嵌和裁剪等操作，最終得到Landsat SR復(fù)合圖像。此外，本研究還計(jì)算了一些特征參數(shù)，包括歸一化差異植被指數(shù)（NDVI）、歸一化差異建筑指數(shù)（NDBI）、歸一化差異水體指數(shù)（NDWI）和地形輔助因子（數(shù)字高程模型（DEM）、坡度、坡向）等。在分類階段中，采用了隨機(jī)森林算法，利用訓(xùn)練樣本對(duì)Landsat圖像進(jìn)行分類，并結(jié)合混淆矩陣對(duì)分類結(jié)果進(jìn)行驗(yàn)證和評(píng)估。最后，運(yùn)用土地利用轉(zhuǎn)移矩陣分析LULC變化情況，并利用地理探測(cè)器分析云南省LULC變化的驅(qū)動(dòng)機(jī)制。

2.4.1 隨機(jī)森林算法

隨機(jī)森林（Random Forest，RF）算法是在決策樹基礎(chǔ)上發(fā)展而來的一種分類算法［26］，與其他分類算法相比，RF通常對(duì)數(shù)據(jù)噪聲和過擬合有更好的處理能力［27］。此外，RF可以處理大維度的復(fù)雜數(shù)據(jù)，通?？梢蕴峁┍绕渌麄鹘y(tǒng)算法如最大似然和單決策樹更高的精度。因其優(yōu)良的分類結(jié)果，本研究設(shè)置決策樹的數(shù)量為150，其他參數(shù)均選擇默認(rèn)值應(yīng)用于本研究LULC分類中。

2.4.2 土地利用程度綜合指數(shù)

土地利用強(qiáng)度是人類活動(dòng)最直觀的表征，可以直接反映土地利用和土地覆蓋（LULC）的狀態(tài)。土地利用程度綜合指數(shù)（La）用于描述某一時(shí)期土地利用的程度和強(qiáng)度。La越高，意味著該地區(qū)土地利用的強(qiáng)度越大，社會(huì)經(jīng)濟(jì)活動(dòng)也越復(fù)雜。本研究中， La的計(jì)算公式為

L_a=100×∑_（i=1）^n?A_i ×C_i。 （1）

式中：La代表土地利用程度指標(biāo)值；Ai表示土地利用程度i的層次指數(shù)；Ci表示第i類土地利用程度的分級(jí)面積所占的百分比。根據(jù)Zhuang等［28］和Liu等［29］的前期研究，本研究將LULC類型劃分為4個(gè)等級(jí)，并分別賦值不同的分級(jí)指標(biāo)，見表2。

2.4.3 地理探測(cè)器

地理探測(cè)器模型是一種評(píng)估空間異質(zhì)性的方法，常用于評(píng)估各種因素對(duì)某個(gè)因變量的影響力［24］。該模型包括因子探測(cè)器、風(fēng)險(xiǎn)探測(cè)器、生態(tài)探測(cè)器和交互探測(cè)器。本研究選擇使用因子探測(cè)器來分析LULC的驅(qū)動(dòng)機(jī)制。因子探測(cè)器用于檢測(cè)自變量X（所選取的驅(qū)動(dòng)因素）是否對(duì)因變量Y（土地利用程度綜合指數(shù)）產(chǎn)生影響，并在一定程度上解釋因變量Y的空間分異機(jī)制。通過使用（q）量化影響強(qiáng)度，可以更好地理解各個(gè)因素對(duì)土地利用土地利用變化影響。其數(shù)學(xué)模型如下

q=1-（∑_（h=1）^L?N_h σ_h^2）/（Nσ^2 ）=1-S_SW/S_ST 。 （2）

S_SW=∑_（h=1）^L?N_h σ_h^2，S_ST=Nσ^2。 （3）

式中：L為因變量Y或自變量X的分層；Nh及N為層h及全區(qū)單位數(shù)；σ2h及σ2分別為層h及全區(qū)Y的方差；SSW及SST分別是層內(nèi)方差之和及全區(qū)總方差。q的值域?yàn)椋?，1］，q越大表明土地利用程度綜合指數(shù)的空間分異性越顯著；若分層是由自變量X生成的，則q越大說明此因子對(duì)因變量Y的解釋力越強(qiáng)。

3 結(jié)果分析

3.1 LULC分類特征變量與準(zhǔn)確性評(píng)估

本研究使用分類器上的解釋方法來確定所選擇特征參數(shù)在GEE平臺(tái)上的重要性。特征變量的重要性得分越高，表明該變量對(duì)分類結(jié)果的影響和貢獻(xiàn)越大。由圖2可知，在1995—2022年6期特征均值分布中，坡度在所有特征變量中重要性得分最高，其次是NDVI、NDWI、NDBI、SR_B6和SR_B7。除坡向的得分較低外，其他特征變量對(duì)LULC分類的重要性得分保持穩(wěn)定。

分類結(jié)果的準(zhǔn)確性是分析LULC變化的重要前提，見表3和圖3。1995—2022年的總體精度和Kappa系數(shù)均達(dá)到80%以上，達(dá)到可接受的閾值，因此該分類精度能夠滿足LULC分類的要求。通過對(duì)比用戶精度和制圖精度結(jié)果，本研究對(duì)林地、水域和雪地分類效果較好，但對(duì)耕地、草地及稀疏草灌混交地分類存在一些錯(cuò)誤。此外，為了進(jìn)一步評(píng)估本研究的分類結(jié)果，將其與全球土地覆蓋產(chǎn)品GlobeLand30進(jìn)行了比較。

3.2 LULC空間分布特征

1995—2022年云南省LULC情況見表4和圖3，其中林地是最主要的土地利用類型，占比60%以上，主要分布在滇南、滇西南的德宏、臨滄、西雙版納和紅河等地；其次是耕地、草地及稀疏灌草混交地，分別占比20%和10%以上；耕地主要分布于昆明市、曲靖市、昭通市和紅河州等地；草地及稀疏灌草混交地主要分布于昆明市東北部、文山州東部和昭通市西南部等地。

3.3 LULC時(shí)空變化特征

為了研究云南省LULC變化情況，本研究使用GIS空間分析方法構(gòu)建了1995—2000年、2000—2005年、2005—2010年、2010—2016年和2016—2022年的土地利用轉(zhuǎn)移概率矩陣，見表5。研究發(fā)現(xiàn)，林地分別有87.39%、87.13%、82.23%、88.34%和87.51%未發(fā)生改變，耕地有71.77%、76.36%、73.70%、76.95%和76.93%未發(fā)生改變，草地及稀疏灌草混交地有73.74%、78.33%、77.56%、71.11%、69.70%未發(fā)生改變。其中，林地的主要轉(zhuǎn)移方向分別為耕地（8.52%、9.42%、8.00%、8.12%、10.50%），耕地的主要轉(zhuǎn)移方向?yàn)榱值兀?4.46%、19.13%、19.36%、16.89%、15.74%），稀疏灌草混交地的主要轉(zhuǎn)移方向?yàn)楦兀?1.78%、10.77%、14.76%、13.78%、12.13%）。由表4和圖4可知，1995—2022年，云南省的建設(shè)用地呈逐漸擴(kuò)張的趨勢(shì)，而水域和雪地呈波浪式浮動(dòng)，但總體呈下降的趨勢(shì)。

3.4 土地利用變化程度

本研究結(jié)果顯示，云南省的土地利用強(qiáng)度空間變化表現(xiàn)為多類型、多層次的變化。云南省滇中和滇東部的土地利用強(qiáng)度總體高于其他地區(qū)，如圖5所示，其中滇西北和滇西南地區(qū)的土地利用較低。高土地利用強(qiáng)度主要集中在昆明市、曲靖市和昭通市等地區(qū)，主要受城市建設(shè)、農(nóng)業(yè)和其他人類活動(dòng)的影響。怒江傈僳族自治州、迪慶藏族自治州和麗江市的土地利用強(qiáng)度相對(duì)較低。此外，1995—2022年云南省土地利用強(qiáng)度呈現(xiàn)出“略有波動(dòng)，總體上升”的趨勢(shì)，但變化幅度不大。

3.5 LULC驅(qū)動(dòng)因素分析

因子檢測(cè)可以揭示各因子對(duì)土地利用強(qiáng)度的影響。本研究計(jì)算人為因素和自然因素的q，見表6。結(jié)果表明各因素對(duì)土地利用強(qiáng)度的影響存在顯著差異?？傮w而言，高程、坡度、坡向、年均降水、人口密度、GDP和人口城鎮(zhèn)化率等因子的q對(duì)土地利用強(qiáng)度的解釋均大于0.50，其中GDP和高程在1995—2022年q均為最高。因此，GDP和高程是影響云南省LULC變化的主要人為因子和自然因子。GDP、人口密度和人口城鎮(zhèn)化率的q均大于0.749，并呈上升趨勢(shì)。2022年，這3個(gè)變量的q均高于0.877，尤其是GDP（0.919），說明GDP是驅(qū)動(dòng)LULC變化的重要因素。植被類型、年均氣溫和土壤類型對(duì)LULC變化的影響相對(duì)較小，年均降水對(duì)LULC變化的q維持在0.526～0.823。除植被類型外，各驅(qū)動(dòng)因子均進(jìn)行了顯著性檢驗(yàn)（P<0.001）。

本研究將影響云南省LULC變化的驅(qū)動(dòng)因素概括為：地理特征和氣候條件、經(jīng)濟(jì)發(fā)展、人口城鎮(zhèn)化、居民生活水平的提高及政策因素等方面。

1）地形特征和氣候條件方面：這是因?yàn)樵颇鲜—?dú)特的自然條件和地形，低緯度和高海拔對(duì)降水、溫度和植被類型的空間分布有顯著影響，坡度對(duì)耕地、水域的空間分布具有重要意義。郭洪峰等［30］研究同樣發(fā)現(xiàn)地形影響土地利用類型及其變化方向，對(duì)土地利用空間格局的形成具有重要影響。云南省土地利用變化較為明顯的地區(qū)主要集中于中低緯度地區(qū)，而高緯度地區(qū)如迪慶藏族自治州、怒江傈僳族和麗江市的土地利用強(qiáng)度較低，其LULC變化不明顯。另外，云南省的雪地覆蓋面積呈現(xiàn)減少的趨勢(shì)，這一現(xiàn)象與全球氣候變暖以及溫室效應(yīng)密切相關(guān)，云南省氣溫呈現(xiàn)出顯著上升趨勢(shì)［31］。隨著溫度的升高，雪地覆蓋在該地區(qū)的覆蓋面積逐漸減少。冰川融化速度加快，季節(jié)性的積雪覆蓋期縮短，以及降雨形式的改變，都是導(dǎo)致云南省的雪地覆蓋面積減少的主要因素。

2）城鎮(zhèn)化速度方面：1995—2022年云南省常住總?cè)丝跀?shù)由3 989萬人增至4 693萬人，常住城鎮(zhèn)人口由1 821萬人增加至2 427萬人，常住人口城鎮(zhèn)化率由45.65%增長(zhǎng)至51.72%。而鄉(xiāng)村常住人口由54.35%下降至48.28%。鄉(xiāng)村人口占比的減少加快了城鎮(zhèn)化建設(shè)的速度，而城鎮(zhèn)化擴(kuò)張不僅需要占用大量耕地，還會(huì)使一部分綠地也轉(zhuǎn)化為建設(shè)用地，導(dǎo)致云南省LULC發(fā)生變化，從而使得耕地、草地及稀疏灌混交地的減少，人地矛盾加深。

3）居民生活水平方面：云南省1995—2022年國(guó)內(nèi)生產(chǎn)總值由0.12萬億元增長(zhǎng)至2.9萬億元，其經(jīng)濟(jì)的快速發(fā)展使得居民生活水平得到了較大改善，消費(fèi)能力也進(jìn)一步提升。農(nóng)村常住居民人均生活消費(fèi)支出從1995年的981.10元上升到2022年的15 147元，常住城鎮(zhèn)居民人均生活消費(fèi)從1995年的3 448.27元上升到2022年的42 168元。隨著生活水平的改善，人們?cè)诰幼　⒔煌ê凸苍O(shè)施等方面的用地需求不斷增加，從而導(dǎo)致建設(shè)用地增加。

4）政策因素方面：自從1998年洪災(zāi)后，國(guó)務(wù)院相繼出臺(tái)了多項(xiàng)退耕還林指導(dǎo)意見，并于2002年發(fā)布了《退耕還林條例》，旨在通過減少耕地面積、增加林地面積來改善生態(tài)環(huán)境和防止自然災(zāi)害。這一政策使得林地面積快速擴(kuò)張，其中主要貢獻(xiàn)來自耕地的轉(zhuǎn)換。2015—2020年，中國(guó)堅(jiān)持走綠色發(fā)展之路，相繼完善生態(tài)和土地開發(fā)利用政策與法規(guī)。云南省積極響應(yīng)國(guó)家政策號(hào)召，落實(shí)了永久基本農(nóng)田劃定工作，并推行了耕地占補(bǔ)平衡新政策，嚴(yán)格遵守資源生態(tài)紅線，限制非農(nóng)業(yè)建設(shè)用地的擴(kuò)張。這些措施明顯減緩了建設(shè)用地增加和耕地減少的趨勢(shì)。此外，轉(zhuǎn)移的耕地主要用于恢復(fù)和保護(hù)林地、草地和水域，使得土地利用與環(huán)境保護(hù)取得了顯著成效。

4 討論與結(jié)論

4.1 討論

Landsat系列影像具有易獲取、覆蓋廣等優(yōu)勢(shì)，使其在大尺度和長(zhǎng)時(shí)間序列研究中非常便捷。但是，Landsat影像也存在一定的局限性。相比其他高分辨率遙感數(shù)據(jù)，Landsat影像的空間分辨率相對(duì)較低，這會(huì)導(dǎo)致了同物異譜和同譜異物的問題，引起分類錯(cuò)誤或混淆不同的地物類型。本研究的總體精度和Kappa系數(shù)分別為85.05%～92.08%、80.33%～91.00%，根據(jù)USGS調(diào)查，建議最佳閾值為85%，Gashaw等［32］建議最佳閾值為80%，表明本研究結(jié)果是合理可靠的。從LULC分類結(jié)果的用戶精度和制圖精度來看，水域和林地的分類準(zhǔn)確度最高，這可能與研究區(qū)水域和林地相對(duì)集中有關(guān)。部分耕地、草地及稀疏草灌混交區(qū)域分類錯(cuò)誤，這可能是草地及稀疏草灌混交區(qū)域退化造成的，導(dǎo)致耕地和草地及稀疏草灌混交區(qū)域的光譜特征相似，從而產(chǎn)生“胡椒鹽”效應(yīng)。為了進(jìn)一步驗(yàn)證，本研究選擇了分辨率同為30 m的全球地表遙感覆蓋產(chǎn)品—GlobeLand30進(jìn)行對(duì)比，其所選地物類型其變化規(guī)律基本一致，但與陳軍等［22］研究結(jié)論有一定的誤差。這主要是由于遙感數(shù)據(jù)來源、土地利用和覆蓋分類類別及方法、時(shí)間跨度、研究模型，以及所采用的分類后處理方法的不同，研究數(shù)據(jù)與結(jié)論也存在一定的差異。

在驅(qū)動(dòng)因素分析研究中，政策因素對(duì)于LULC變化具有重要影響，當(dāng)前政策對(duì)LULC變化影響研究是難點(diǎn)。關(guān)于如何建立簡(jiǎn)單、快捷高效的研究模型去量化政策因素對(duì)LULC變化的影響是需要進(jìn)一步研究。此外，各因子對(duì)LULC變化的影響并非完全獨(dú)立，而是會(huì)產(chǎn)生一定的交互作用，并且交互作用起到了決定性的作用。未來在對(duì)影響因子進(jìn)行解析時(shí)應(yīng)更加關(guān)注因子間交互作用對(duì)LULC變化的影響，并盡可能地將因子影響落實(shí)于空間，以更好地服務(wù)土地利用綜合管理。

4.2 結(jié)論

本研究基于GEE平臺(tái)構(gòu)建多種特征變量，并利用隨機(jī)森林算法（RF）對(duì)云南省的LULC進(jìn)行分類，結(jié)合土地轉(zhuǎn)移概率矩陣、土地利用程度綜合指數(shù)與地理探測(cè)器等方法，探究了1995—2022年云南省土地利用變化的時(shí)空變化特征及其驅(qū)動(dòng)因素，主要研究結(jié)論如下。

1）云南省LULC制圖的總體精度和Kappa系數(shù)分別為85.05%～92.08%、80.33%～91.00%，均達(dá)到80%以上，精度能夠滿足LULC分類要求。

2）1995—2022年，云南省土地類型以林地、耕地、草地及稀疏灌草混交地為主，其余為建設(shè)用地、水域、雪地和未利用地。從土地利用轉(zhuǎn)移情況來看，云南省以林地和耕地互相轉(zhuǎn)換、草地及稀疏灌草混交地轉(zhuǎn)為耕地為主。云南省建設(shè)用地面積呈逐漸擴(kuò)張趨勢(shì)，水域和雪地的面積呈波浪式浮動(dòng)，但總體呈下降趨勢(shì)。

3）云南省滇中和滇東部的土地利用強(qiáng)度總體高于其他地區(qū)，其中滇西北和滇西南地區(qū)的土地利用較低。高土地利用強(qiáng)度主要集中在昆明市、曲靖市和昭通市等地區(qū)。怒江傈僳族自治州、迪慶藏族自治州和麗江市的土地利用強(qiáng)度相對(duì)較低。研究時(shí)段內(nèi)云南省土地利用強(qiáng)度呈現(xiàn)“略有波動(dòng)，總體上升”的趨勢(shì)。

4）不同驅(qū)動(dòng)因素對(duì)LULC影響程度存在顯著差異，植被類型、年均氣溫和土壤類型對(duì)LULC變化的影響程度相對(duì)較小，高程、坡度、坡向、年均降水、人口密度、GDP和人口城鎮(zhèn)化率等對(duì)LULC變化的影響程度普遍較高，其中GDP、人口密度和人口城鎮(zhèn)化率對(duì)LULC變化程度影響較高。

【參 考 文 獻(xiàn)】

［1］ 谷雷，岳彩榮，趙勛，等.基于Google Earth Engine的云南省1999—2018年植被覆蓋度變化分析［J］.西部林業(yè)科學(xué)，2020，49（5）：74-80.

GU L，YUE C R，ZHAO X，et al.Analysis of changes in vegetation cover in Yunnan Province from 1999 to 2018 based on Google Earth Engine［J］.Journal of West China Forestry Science，2020，49（5）：74-80.

［2］ 劉珊珊，王建雄，牛超杰，等.基于NDVI的云南省植被覆被變化趨勢(shì)分析［J］.湖北農(nóng)業(yè)科學(xué)，2017，56（11）：2037-2040.

LIU S S，WANG J S，NIU C J，et al.Trend analysis of vegetation cover change in Yunnan Province based on NDVI［J］.Hubei Agricultural Sciences，2017，56（11）：2037-2040.

［3］ 張佰發(fā)，苗長(zhǎng)虹.黃河流域土地利用時(shí)空格局演變及驅(qū)動(dòng)力［J］.資源科學(xué)，2020，42（3）：460-473.

ZHANG B F，MIAO C H.Evolution of spatial and temporal land use patterns and driving forces in the Yellow River Basin［J］.Resources Science，2020，42（3）：460-473.

［4］ 鄧鈺.基于MODIS數(shù)據(jù)的云南省土地覆蓋分類研究［D］.昆明：云南師范大學(xué)，2016.

DENG Y.Research on land cover classification of Yunnan Province based on MODIS data［D］.Kunming：Yunnan Normal University，2016.

［5］ PIAO S，CUI M，CHEN A，et al.Altitude and temperature dependence of change in the spring vegetation green-up date from 1982 to 2006 in the Qinghai-Xizang Plateau［J］.Agricultural and Forest Meteorology，2011，151（12）：1599-1608.

［6］ 李若楠，歐光龍，代沁伶，等.基于GEE和Landsat時(shí)間序列數(shù)據(jù)的香格里拉森林類型分類研究［J］.西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2020，40（5）：115-125.

LI R N，OU G L，DAI Q L，et al.A study on forest type classification in Shangri-La based on GEE and Landsat time series data［J］.Journal of Southwest Forestry University（Natural Sciences），2020，40（5）：115-125.

［7］ 梁錦濤，陳超，孫偉偉，等.長(zhǎng)時(shí)序Landsat和GEE云平臺(tái)的杭州灣土地利用/覆被變化時(shí)空格局演變［J］.遙感學(xué)報(bào)，2023，27（6）：1480-1495.

LIANG J T，CHENG C，SUN W W，et al.Evolution of spatial and temporal patterns of land use/cover change in Hangzhou Bay with long time series Landsat and GEE cloud platforms［J］.National Remote Sensing Bulletin，2023，27（6）：1480-1495.

［8］ 譚春陽，匡文慧，徐天蜀，等.近20年上海市不透水地表時(shí)空格局分析［J］.測(cè)繪地理信息，2014，39（3）：71-74.

TAN C Y，KUANG W H，XU T S，et al.Analyzing spatio-temporal pattern of impervious surface for recent two decades in Shanghai［J］.Journal of Geomatics，2014，39（3）：71-74.

［9］ WANG X，XIAO X，ZOU Z，et al.Tracking annual changes of coastal tidal flats in China during 1986-2016 through analyses of Landsat images with Google Earth Engine［J］.Remote Sensing of Environment，2020，238：110987.

［10］ 葉敏婷，王仰麟，彭建，等.基于SOFM網(wǎng)絡(luò)的云南省土地利用程度類型劃分研究［J］.地理科學(xué)進(jìn)展，2007（2）：97-105.

YE M T，WANG Y L，PENG J，et al.A study on the classification of land use degree types in Yunnan Province based on SOFM network［J］.Progress in Geography，2007（2）：97-105.

［11］ 申振宇.基于GEE的Landsat影像長(zhǎng)時(shí)間序列數(shù)據(jù)的湟水流域土地利用/土地覆被分類及精度評(píng)估［D］.西寧：青海師范大學(xué)，2020.

SHEN Z Y.Huangshui basin land use/land cover classification and accuracy assessment based on GEE′s Landsat imagery long time series data［D］.Xining：Qinghai Normal University，2020.

［12］ 李微，岳彩榮.基于GEE云平臺(tái)的2005-2017年云南省森林覆蓋變化監(jiān)測(cè)［J］.西北林學(xué)院學(xué)報(bào)，2022，37（5）：182-187.

LI W，YUE C R.Monitoring of forest cover changes in Yunnan Province from 2005 to 2017 based on the GEE cloud platform［J］.Journal of Northwest Forestry University，2022，37（5）：182-187.

［13］ HU Y，HU Y.Land cover changes and their driving mechanisms in Central Asia from 2001 to 2017 supported by Google Earth Engine［J］.Remote Sensing，2019，11（5）：554.

［14］ BELAY T，MENGISTU D A.Land use and land cover dynamics and drivers in the Muga watershed，Upper Blue Nile basin，Ethiopia［J］.Remote Sensing Applications： Society and Environment，2019，15：100249.

［15］ BERIHUN M L，TSUNEKAWA A，HAREGEWEYN N，et al.Exploring land use/land cover changes，drivers and their implications in contrasting agro-ecological environments of Ethiopia［J］.Land Use Policy，2019，87：104052.

［16］ WANG J F，LI X H，CHRISTAKOS G，et al.Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region，China［J］.International Journal of Geographical Information Science，2010，24（1）：107-127.

［17］ PHIRI D，MORGENROTH J，XU C.Long-term land cover change in Zambia： An assessment of driving factors［J］.Science of the Total Environment，2019，697：134206.

［18］ 王永紅，魯恒.2001—2018年云南省植被變化及驅(qū)動(dòng)力［J］.山地學(xué)報(bào)，2022，40（4）：531-541.

WANG Y H，LU H.Vegetation changes and drivers in Yunnan Province，2001-2018［J］.Mountain Research，2022，40（4）： 531-541.

［19］ 李灝欣，萬華偉，孫林，等.新疆生態(tài)系統(tǒng)健康遙感評(píng)估及關(guān)鍵驅(qū)動(dòng)因子研究［J］.干旱區(qū)地理，2021，44（2）：460-470.

LI H X，WAN H W，SUN L，et al.Remote sensing assessment of ecosystem health and key drivers in Xinjiang［J］.Arid Land Geography，2021，44（2）：460-470.

［20］ 羅禮溥，郭憲國(guó)，錢體軍，等.云南省醫(yī)學(xué)革螨區(qū)系分布研究［J］.地方病通報(bào)，2007，12（1）：5-12.

LUO L P，GUO X G，QIAN T J，et al.A study on the regional distribution of medical leatherback mites in Yunnan Province［J］.Endemic Disease Bulletin，2007，12（1）：5-12.

［21］ GORELICK N，HANCHER M，DIXON M，et al.Google Earth Engine： Planetary-scale geospatial analysis for everyone［J］.Remote Sensing of Environment，2017，202：18-27.

［22］ 陳軍，廖安平，陳晉，等.全球30m地表覆蓋遙感數(shù)據(jù)產(chǎn)品-Globe Land30［J］.地理信息世界，2017，24（1）： 1-8.

CHEN J，LIAO A P，CHEN J，et al.30-meter global land cover data product-Globe Land30［J］.Geomatics World，2017，24（1）：1-8.

［23］ ZHANG D D，ZHANG L.Land cover change in the central region of the lower Yangtze River based on Landsat imagery and the Google Earth Engine：A case study in Nanjing，China［J］.Sensors，2020，20（7）：2091.

［24］ PENG W，KUANG T，TAO S.Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan，western China［J］.Journal of Cleaner Production，2019，233：353-367.

［25］ ZHU L，MENG J，ZHU L.Applying Geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin［J］.Ecological Indicators，2020，117：106545.

［26］ 懷聽聽.隨機(jī)森林分類算法的改進(jìn)及其應(yīng)用研究［D］.杭州：中國(guó)計(jì)量大學(xué)，2016.

HUAI T T.Improvement of random forest classification algorithm and its application research［D］.Hangzhou：China Jiliang University，2016.

［27］ BREIMAN L.Random forests［J］.Machine Learning，2001，45：5-32.

［28］ ZHUANG D，LIU J.Modeling of regional differentiation of land-use degree in China［J］.Chinese Geographical Science，1997，7：302-309.

［29］ LIU H，ZHENG M，LIU J，et al.Sustainable land use in the trans-provincial marginal areas in China［J］.Resources，Conservation and Recycling，2020，157：104783.

［30］ 郭洪峰，許月卿，吳艷芳.基于地形梯度的土地利用格局與時(shí)空變化分析——以北京市平谷區(qū)為例［J］.經(jīng)濟(jì)地理，2013，3（1）：160-166，186.

GUO H F，XU Y Q，WU Y F.Analysis of the land use spatial pattern and spatio-temporal changes based on Terrain gradient：a case study of pinggu district in beijing［J］.Economic Geography，2013，33（1）：160-166，186.

［31］ 李濤輝，張文翔，呂愛鋒，等.1978—2019年云南省氣候生產(chǎn)潛力的時(shí)空演變及糧食產(chǎn)量響應(yīng)［J］.中國(guó)農(nóng)學(xué)通報(bào)，2023，39（17）：55-63.

LI T H，ZHANG W X，Yü A F，et al.Temporal and spatial evolution of climatic potential productivity and response characteristics of grain yield in yunnan province from 1978 to 2019［J］.Chinese Agricultural Science Bulletin，2023，39（17）：55-63.

［32］ GASHAW T，TULU T，ARGAW M，et al.Estimating the impacts of land use/land cover changes on Ecosystem Service Values：The case of the Andassa watershed in the Upper Blue Nile basin of Ethiopia［J］.Ecosystem Services，2018，31：219-228.