湟水谷地土地利用/覆盖变化分析

刘朝松 肖可可

（1.中南大学 地球科学与信息物理学院，湖南 长沙 410083；2.中南大学 空间信息技术与可持续发展研究中心，湖南 长沙 410083；3.湖南省电力勘测设计院，湖南 长沙 410007）

0 前言

全球和区域尺度土地利用/土地覆被变化及其环境效应的研究是环境变化研究的重要领域之一[1]。目前，土地利用/土地覆被变化及其效应的研究主要集中在经济发展热点区域，中国西部地区自然环境较为复杂，水土流失严重，生态环境十分脆弱，针对该区域自然地理环境的遥感监测与分析具有重要意义[2]。21 世纪以来，为了保证中国西部地区的土地资源可持续利用，开展了大规模的退耕还林/草，以及一系列生态保护建设工程，土地利用发生显著变化。因此，开展中国西部土地利用/土地覆被变化动态研究具有重要意义。湟水谷地地处青海高原东部，位居青藏高原与黄土高原的过渡地带，生态环境脆弱，是生态环境治理的主要区域。同时，该区域又是青海东部城市群发展与新型工业化发展的重点区域。然而，针对近年来在环境治理与城镇化等人为因素驱动下，该区域土地利用/覆盖变化时空特征的分析尚显不足。为此，本文以位于青海高原东部湟水谷地的平安县为研究区，研究人为因素驱动下的区域土地利用/覆盖变化时空特征，以便为青海高原东部土地资源的科学管理与规划提供参考，也为中国西部生态环境建设、区域城镇化的发展提供决策参考。

遥感技术是土地利用/土地覆被变化研究的重要手段之一，遥感影像分类方法倍受关注。遥感分类方法得到不断的改善，有最大似然法，神经网络分类，支持向量机法等。随着群体智能理论的快速发展，许多学者尝试将蚁群分类规则挖掘算法引入遥感影像分类，获得了比最大似然法、神经网络等分类算法更好的分类效果[3-4]。本文采用群智能算法，集成粒子群与蚁群算法进行区域土地利用/覆盖分类研究，以此为干旱半干旱地区土地利用变化研究提供有效的技术手段。

表1 研究区TM 数据资料

1 研究区概况

本文以青海高原东部湟水谷地的平安县为研究区，平安县位于青海省东部，地理位置介于E101°49′～102°10′，N36°15′～36°34′之间，属于青藏高原与黄土高原的过渡地带，土地总面积为735.03km2。该区平均海拔在2066～4166.7m 之间，地貌以谷地、低中山地为主。研究区北部河谷地带，坡度较小，经济相对发达，人口密度较大，是以西宁市为中心的青海东部城市群及青海省新型工业化发展的重点区域；而研究区中部、南部区域，地形较为复杂，交通欠发达，经济相对薄弱，以耕地、林地分布为主。

2 研究方法

2.1 遥感数据来源

（1）采用的遥感数据主要为Landsat TM/ETM+/OLI 影像，主要来源于国际科学数据服务平台、USGS 网站，具体的获取日期、类型、轨道编号见表1。将各期实验数据经辐射校正、几何校正和图像裁剪等前期遥感图像处理工作后得到研究区遥感图像。

对TM 影像进行K-T 变换，以提升植被、土壤等地物信息的判别效果，突出地物纹理特征。

（2）采用DEM、坡度、坡向数据作为分类辅助数据。

2.2 遥感影像分类体系与分类方法

本文的土地利用/土地覆盖分类参考体系主要参考文献[5]的分类体系，将影像解译为草地、耕地、林地、水域、建设用地五类。

由于研究区自然条件复杂，区域海拔高低悬殊，存在明显的空间异质性，传统的遥感分类方法难以达到满意的分类精度；近年来，群体智能算法在遥感分类中的应用为遥感分类提供了一种新的智能化途径，它无须统计分布等先验知识，且具有较强的自学习、鲁棒性、自适应性和存在正反馈机制等优点，在海量遥感图像数据的信息提取上表现出了极大的优势。本文在已有研究的基础上，首先对数据进行预处理，然后对多源数据进行区域的植被区分，采用粒子群算法[6]寻找最优断点，实现波段的自动离散化，再利用蚁群算法挖掘分类规则实现遥感数据的自动分类。

2.3 土地利用动态度

土地利用单一动态度能够定量描述当前区域土地利用变化的速率，计算公式为：

式中K 为研究时段某一土地利用类型动态度；Ua、Ub指的是研究期初及研究期末某一种土地利用类型的数量；T 为研究时段长，通常其单位是年。

3 结果与分析

3.1 土地利用结构变化分析

通过遥感图像分类，获得研究区1995—2013年共5 期的土地利用/覆盖分类图，分类总体精度达到85%以上。并通过统计分析，获得研究区1995—2013年间各期土地利用面积、土地利用结构和各土地利用变化（表2、表3）。

表2 1995—2013年土地利用结构及比例

表3 1995—2013年土地利用类型变化量

研究区土地利用/覆盖以林地、草地、耕地为主（表2、表3），各期林地、草地、耕地面积占总面积分别为97.72%、97.37%、96.79%、96.47%、95.43%，三类生态用地所占的比重逐年下降。由于退耕还林和生态防护林建设，耕地和草地面积分别减少74.66km2和54.3km2，年均减少4.15km2和3.02km2。而林地增加112.1km2，占总面积的比重由1995年40.58%增加为2013年54.14%，生态环境的建设导致耕地的减少与林地的显著增加。

与此同时，建设用地面积逐年增加，从1995年的9.98km2增加至2013年的26.7km2，西部大开发与城镇化的发展在促进区域经济社会发展的同时对区域土地利用/覆盖变化产生较大的影响，也导致耕地的减少。

1995—2001年研究区各类土地利用/覆盖面积比例变化大小依次为：林地＞耕地＞草地＞建设用地＞水域，其中以林地的增幅最大，共增加了39.11km2，耕地、草地面积急剧减少，分别减少了24km2和17.77km2。这主要是由于2000年开始实施退耕还林、生态防护林建设工作，耕地、草地等大量转换为林地；2001—2006年草地、耕地进一步减少，分别减少了26.18km2和19.7km2，林地面积增加41.70km2，呈现明显增加趋势；2006—2013年林地、耕地、草地变化幅度明显小于1995―2006年的变化幅度，说明随着大规模生态退耕工程的结束，以及严格耕地保护制度的推行，耕地减少得到控制。总体上来说，1995—2006年各类土地利用变化幅度大于2006—2013年。

3.2 土地利用动态度分析

1995—2013年研究区土地利用发生了明显的改变，18年间共有约261km2的土地利用/覆盖类型发生了变化，占总面积的35.55%（表2、表3、表4）。

1）草地

1995—2013年，草地面积减少了54.3km2。2001—2006年期间减幅最大，面积减少26.18km2，年变化率为-2.84%；在2006—2009年间变化幅度最小，年变化率为-0.46%。区域生态保护建设工程的实施，生态林的建设导致草地的减少。

2）耕地

1995—2013年，耕地面积逐年减少，其变化速率呈现先上升后下降趋势。2006―2009年达到最大值，年均减少3.65%，2009―2013年减幅速率明显放缓，为1.91%。耕地减少的主要原因是2000年后退耕地还林政策的实施，致使大量的耕地转变为林地。另外，随着西部大开发的进程加速，城镇化、城市化过程中侵占了大量耕地。

3）林地

由于国家实施了退耕还林政策，林地面积一直呈现增长趋势。在2001―2006年间变化速率最快，年变化率达2.47%，随着三江源自然生态保护区生态环境的治理与建设，具有重要生态功能的林地得到了有效的保护与建设。

4）建设用地

1995―2013年研究区土地利用/覆盖变化速率最快的是建设用地，年均增加9.31%。从变化速率上看，2001―2013年大于1995―2001年。在西部大开发战略的推动下，2000年以来研究区城镇化、新型工业化得到快速发展。

表4 1995—2013年土地利用类型单一动态度变化

4 结论

1995—2013年，在生态环境治理与快速城镇化、新型工业化的驱动下，青海高原东部湟水谷地土地利用/覆盖时空变化显著，并呈现显著的阶段性。

1）1995—2013年，在退耕还林和生态保护建设工程的推动下，具有重要生态功能的林地面积增加并得到有效保护；快速城镇化、新型工业化的发展，以及基础设施的改善导致建设用地逐年增加；与此同时该区域有限的耕地面积的持续减少，耕地保护与质量提高任务逐步加重。

2）1995—2001 林地增加39.11km2，增幅最大，耕地和草地分别减少24km2和17.77km2，这都得益于2000年开始实施的退耕还林工程；2001—2006年耕地面积也减少约19.7km2，林地增加41.70km2，表明退耕还林、生态保护与建设工程成效显著效；2006—2013年各类土地变化量小于1995―2006年，随着大规模生态工程告一段落，人为因素驱动的土地利用/覆盖变化区域缓和。

3）1995―2013年研究区建设用地动态度最大，说明在西部开发、区域城镇化、新型工业化快速推进下，18年间建设用地迅速增加。2001―2009年期间，由于退耕还林和西部大开发战略的实施，土地利用动态度最大。

［1］史培军，宫鹏，李晓兵，等.土地利用/覆盖变化研究的方法与实践[M].北京：科学出版社，2000：3-35.

［2］曾永年，靳文凭，何丽丽，等.青海高原东部农业区土地利用遥感分类制图[J].农业工程学报，2012.

［3］陈玉敏.基于神经网络的遥感影像分类研究[J].测绘信息与工程，2002(27)：6-8.

［4］刘小平，黎夏，何晋强，等.基于蚁群智能的遥感影像分类新方法[J].遥感学报，2008，12(2)：253-262.

［5］马正龙.长株潭城市群土地利用/覆盖变化遥感动态分析[D].长沙：中南大学，2011.

［6］Kennedy J，Eberhart R C.Particle swarm optimization [C]//Proceeding of IEEE International conference on Neural Networks，Piscataway，NJ：IEEE CS，1995：1942-1948.