基于支持向量机的蓄水工程土地利用分类与动态变化

doi:10.13866/j.azr.2024.04.05

干旱区研究 ›› 2024, Vol. 41 ›› Issue (4): 581-589.doi: 10.13866/j.azr.2024.04.05

基于支持向量机的蓄水工程土地利用分类与动态变化

王军¹^,²(), 柴志福³, 马浩艳⁴, 赵志锰⁴, 邬佳宾¹^,², 付卫平³

1.中国水利水电科学研究院牧区水利科学研究所，内蒙古呼和浩特 010020
2.内蒙古阴山北麓草原生态水文国家野外科学观测研究站，北京 100038
3.内蒙古自治区水利科学研究院，内蒙古呼和浩特 010052
4.华中师范大学，湖北武汉 430079

收稿日期:2023-08-15 修回日期:2024-01-19 出版日期:2024-04-15 发布日期:2024-04-26
作者简介:王军（1987-），男，博士，高级工程师，主要从事水土资源利用与生态环境效应研究. E-mail: slwj1988@163.com
基金资助:
内蒙古自治区水利科技项目(NSK202104);内蒙古自然科学基金项目(2020MS05057);科技基础资源调查专项(2022FY101600);中国水利水电科学研究院基本科研业务费项目(MK0145B022021)

Land use type interpretation and dynamic changes due to water storage projects using support vector machine

WANG Jun¹^,²(), CHAI Zhifu³, MA Haoyan⁴, ZHAO Zhimeng⁴, WU Jiabin¹^,², FU Weiping³

1. China Institute of Water Resources and Hydropower Research, Institute of Water Resources for Pastoral Area, Hohhot 010020, Inner Mongolia, China
2. Yinshanbeilu Grassland Eco-hydrology National Observation and Research Station, Beijing 100038, China
3. Inner Mongolian Autonomous Region Research Institute on Hydraulic Sciences, Hohhot 010052, Inner Mongolia, China
4. Central China Normal University, Wuhan 430079, Hubei, China

Received:2023-08-15 Revised:2024-01-19 Online:2024-04-15 Published:2024-04-26

摘要/Abstract

摘要：

为进一步恢复和重建蓄水工程建成前后土地利用变化的历史过程，更好掌握和预报土地利用转移方向，本文利用支持向量机理论开展了土地利用类型解译的适应性研究，通过梳理土地利用动态变化，剖析了蓄水工程建成前后土地利用结构的自适应调节能力和演变方向。结果表明：（1）依靠自学习和自适应等优势能力，支持向量机解译土地利用分类的总体精度高达91.7%、Kappa系数为0.90；除耕地生产者精度相对较低外，水体、林地等其他土地类型具有较高的分类识别能力。（2）利用谷歌地球引擎（GEE）平台梳理土地利用类型演变过程发现，受”三北防护林”工程二阶段（2001—2020年）等项目实施影响，建设用地、林地面积出现较大增幅，其中，林地面积较2000年实施初期增加了近5倍。（3）工程建设运行后林地和建设用地近2/3面积保持了原貌，水体和未利用土地受水利和城建工程影响，原貌类型超过65%以上面积变成了其他类型；“三北防护林”工程加快了林地面积的增加和草地植被覆盖度的提高，低覆盖度草地转移到中、高覆盖度草地的面积净增幅达48.0%、50.2%。

关键词: 土地利用, 支持向量机, 状态转移, 蓄水工程

Abstract:

In this study, to further restore and reconstruct the historical process of land use change before and after the construction of a water storage project and better grasp and forecast the direction of land use transfer, adaptive research on land use type interpretation was performed using the support vector machine theory. The adaptive adjustment ability and evolution direction of the land use structure before and after the construction of a water storage project were analyzed by examining the dynamic change in land use. The main conclusions were as follows: (1) The overall classification accuracy of the support vector machine for land use type interpretation is as high as 91.7%, and the Kappa coefficient is 0.90, depending on the advantages of self-learning and self-adaptation. In contrast with the relatively low accuracy observed for cultivated land producers, higher classification and recognition ability was observed other land types such as water bodies and forest land. (2) The Google Earth Engine (GEE) platform was used to examine the evolution process of land use types; it was found that the implementation of the second stage of the “Three-North Shelterbelt” project (2001-2020) significantly increased the area of construction land and forest land and increased the area of forest land by nearly five times compared with the initial stage of implementation in 2000. (3) Since the construction and operation of the project, nearly two-thirds of the area of forest land and construction land have maintained their original appearance, water bodies and unused land have been affected by water conservancy and urban construction projects, and more than 65% of the area has transformed from the original appearance type to other types. The “Three-North Shelterbelt” project accelerated the increase in forest area and improvement in grassland vegetation cover, and the net increase in the transformation of low-cover grassland to medium and high-cover grassland was 48.0% and 50.2%, respectively.

Key words: landuse, support vector machine, state transfer, water storage project

王军, 柴志福, 马浩艳, 赵志锰, 邬佳宾, 付卫平. 基于支持向量机的蓄水工程土地利用分类与动态变化[J]. 干旱区研究, 2024, 41(4): 581-589.

WANG Jun, CHAI Zhifu, MA Haoyan, ZHAO Zhimeng, WU Jiabin, FU Weiping. Land use type interpretation and dynamic changes due to water storage projects using support vector machine[J]. Arid Zone Research, 2024, 41(4): 581-589.

图/表 12

图1

图2

表1

表2

图3

表3

表4

表5

图4

图5

图6

表6

参考文献 26

[1]	董增川, 梁忠民, 李大勇, 等. 三峡工程对鄱阳湖水资源生态效应的影响[J]. 河海大学学报(自然科学版), 2012, 40(1): 13-18.
	[Dong Zengchuan, Liang Zhongmin, Li Dayong, et al. Influences of Three Gorges Project on water resources and ecological effects in Poyang Lake[J]. Journal of Hohai University (Natural Sciences), 2012, 40(1): 13-18.]
[2]	康艳, 高轩, 李伶杰, 等. 供水水库群蓄供水次序与调度图双层优化研究[J]. 水利学报, 2022, 53(10): 1240-1250.
	[Kang Yan, Gao Xuan, Li Lingjie, et al. A bilayer optimization method of water storing-supplying sequence and operation diagram for water supply reservoir group[J]. Journal of Hydraulic Engineering, 2022, 53(10): 1240-1250.]
[3]	花顶, 胡实, 莫兴国. 水利工程对年楚河流域农业水资源利用效率和作物生产力的影响[J]. 农业工程学报, 2022, 38(14): 98-107.
	[Hua Ding, Hu Shi, Mo Xingguo. Impacts of water conservancy projects on agricultural water use efficiency and crop productivity in the Nianchu River Basin of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(14): 98-107.]
[4]	党池恒. 气候变化下泾河流域径流模拟及水库调度风险研究[D]. 西安: 长安大学, 2021.
	[Dang Chiheng. Runoff Simulation and Risk Assessment on Reservoir Operation in the Jing River Basin Under Climate Change[D]. Xi’an: Chang’an University, 2021.]
[5]	胡长通, 杨涛, 万旭昊, 等. 西安市河流沉积物重金属分布特征及其与土地利用类型关系[J]. 干旱区研究, 2022, 39(4): 1270-1281.
	[Hu Changtong, Yang Tao, Wan Xuhao, et al. Distribution characteristics of heavy metals in river sediments and their relationship with land use types in Xi’an City[J]. Arid Zone Research, 2022, 39(4): 1270-1281.]
[6]	马瑶瑶, 史培军, 徐伟, 等. 干旱区水电站建设运营生态环境影响遥感监测[J]. 干旱区研究, 2023, 40(9): 1498-1508.
	[Ma Yaoyao, Shi Peijun, Xu Wei, et al. Remote sensing monitoring of the ecological environment of hydropower station construction and operation in arid areas[J]. Arid Zone Research, 2023, 40(9): 1498-1508.]
[7]	苏迎庆, 张恩月, 刘源, 等. 汾河流域土地利用变化及生态环境效应[J]. 干旱区研究, 2022, 39(3): 968-977.
	[Su Yingqing, Zhang Enyue, Liu Yuan, et al. Land-use change and ecological environment effects on Fenhe River Basin[J]. Arid Zone Research, 2022, 39(3): 968-977.]
[8]	袁静文, 武辰, 杜博, 等. 高分五号高光谱遥感影像的城市土地利用景观格局分析[J]. 遥感学报, 2020, 24(4): 465-478.
	[Yuan Jingwen, Wu Chen, Du Bo, et al. Analysis of landscape pattern on urban land use based on GF-5 hyperspectral data[J]. Journal of Remote Sensing, 2020, 24(4): 465-478.]
[9]	骆剑承, 胡晓东, 吴田军, 等. 高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究[J]. 遥感学报, 2021, 25(7): 1351-1373.
	[Luo Jiancheng, Hu Xiaodong, Wu Tianjun, et al. Research on intelligent calculation model and method of precision land use/cover change information driven by high-resolution remote sensin[J]. National Remote Sensing Bulletin, 2021, 25(7): 1351-1373.] doi: 10.11834/jrs.20219402
[10]	冯权泷, 牛博文, 朱德海, 等. 土地利用/覆被深度学习遥感分类研究综述[J]. 农业机械学报, 2022, 53(3): 1-17.
	[Feng Quanlong, Niu Bowen, Zhu Dehai, et al. Review for deep learning in land use and land cover remote sensing classification[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(3): 1-17.]
[11]	周珂, 杨永清, 张俨娜, 等. 光学遥感影像土地利用分类方法综述[J]. 科学技术与工程, 2021, 21(32): 13603-13613.
	[Zhou Ke, Yang Yongqing, Zhang Yanna, et al. Review of land use classification methods based on optical remote sensing images[J]. Science Technology and Engineering, 2021, 21(32): 13603-13613.]
[12]	张银辉, 赵庚星. 土地利用/土地覆盖遥感分类方法的研究综述[J]. 中国农业资源与区划, 2002(3): 21-25.
	[Zhang Yinhui, Zhao Gengxing. Classification methods of land use/cover based on remote sensing technologies[J]. Journal of China Agricultural Resources and Regional Planning, 2002(3): 21-25.]
[13]	任海娟, 董建军, 李晓媛, 等. 利用多时相Landsat8图像提取苜蓿人工草地信息[J]. 中国草地学报, 2015, 37(2): 81-87, 120.
	[Ren Haijuan, Dong Jianjun, Li Xiaoyuan, et al. Extraction artificial alfalfa grassland information using Landsat8 remote sensing data[J]. Chinese Journal of Grassland, 2015, 37(2): 81-87, 120. ]
[14]	王胜利, 张连蓬, 朱寿红, 等. 多共性特征联合的Landsat8 OLI遥感影像光伏电站提取[J]. 测绘通报, 2018(11): 46-52. doi: 10.13474/j.cnki.11-2246.2018.0348
	[Wang Shengli, Zhang Lianpeng, Zhu Shouhong, et al. Multi-invariant feature combined photovoltaic power plants extraction using multi-temporal Landsat8 OLI imagery[J]. Bulletin of Surveying and Mapping, 2018(11): 46-52.] doi: 10.13474/j.cnki.11-2246.2018.0348
[15]	李道纪, 郭海涛, 卢俊, 等. 遥感影像地物分类多注意力融和U型网络法[J]. 测绘学报, 2020, 49(8): 1051-1064. doi: 10.11947/j.AGCS.2020.20190407
	[Li Daoji, Guo Haitao, Lu Jun, et al. A remote sensing image classification procedure based on multilevel attention fusion U-Net[J]. Acta Geodaetica et Cartographica Sinica, 2019, 49(8): 1051-1064.]
[16]	Auria L, Moro R A. Support Vector Machines (SVM) as a Technique for Solvency Analysis[M]. Berlin: Social Science Electronic Publishing, 2008.
[17]	Cervantes J, Garcia-Lamont F, Rodríguez-Mazahua L, et al. A comprehensive survey on support vector machine classification: Applications, challenges and trends[J]. Neurocomputing, 2020, 408: 189-215. doi: 10.1016/j.neucom.2019.10.118
[18]	Thamaga K H, Dube T, Shoko C. Evaluating the impact of land use and land cover change on unprotected wetland ecosystems in the arid-tropical areas of South Africa using the Landsat dataset and support vector machine[J]. Geocarto International, 2022, 37(25): 10344-10365. doi: 10.1080/10106049.2022.2034986
[19]	林楠, 姜琦刚, 杨佳佳, 等. 基于资源一号02C高分辨率数据的农业区土地利用分类[J]. 农业机械学报, 2015, 46(1): 278-284.
	[Lin Nan, Jiang Qigang, Yang Jiajia, et al. Classifications of agricultural land use based on high-spatial resolution ZY1-02C remote sensing images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 278-284.]
[20]	刘志刚. 支撑向量机在光谱遥感影像分类中的若干问题研究[D]. 武汉: 武汉大学, 2004.
	[Liu Zhigang. Key Problems of Applying Support Vector Machines to the Classification of Spectral Remote Sensing Imagery[D]. Wuhan: Wuhan University, 2004.]
[21]	Cherkassky V, Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression[J]. Neural Networks, 2004, 17(1): 113-126. pmid: 14690712
[22]	韩文霆, 郭聪聪, 张立元, 等. 基于无人机遥感的灌区土地利用与覆被分类方法[J]. 农业机械学报, 2016, 47(11): 270-277.
	[Han Wenting, Guo Congcong, Zhang Liyuan, et al. Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 270-277.]
[23]	Yang Q, Li X, Shi X. Cellular automata for simulating land use changes based on support vector machines[J]. Computers & Geosciences, 2008, 34(6): 592-602. doi: 10.1016/j.cageo.2007.08.003
[24]	李珍珍. 东北地区土地利用变化对其生态系统服务影响研究[D]. 哈尔滨: 黑龙江大学, 2023.
	[Li Zhenzhen. Study on the Impact of Land Use Change on Ecosystem Services in Northeast China[D]. Harbin: Heilongjiang University, 2023.]
[25]	道日娜. 气候与土地利用变化对三北地区植被NDVI的影响研究[D]. 呼和浩特: 内蒙古师范大学, 2019.
	[Dao Rina. Effects of Climate and Land Use Change on Vegetation NDVI in the Three North Region[D]. Hohhot: Inner Mongolia Normal University, 2019.]
[26]	李世东, 冯德乾. 世界著名生态工程——中国“三北防护林体系建设工程”[J]. 浙江林业, 2021(9): 9-11.
	[Li Shidong, Feng Deqian. World famous ecological project: China’s “Three-North Shelterbelt system Construction Project”[J]. Zhejiang Forestry, 2021(9): 9-11.]

精度评价样本		预测类型及数量							评价指标
类型	数量	耕地	林地	草地	水体	建设用地	其他建设用地	未利用土地	用户精度/%	生产者精度/%	总体分类精度/%	Kappa 系数
耕地	64	56		8					72.7	87.5	89.4	0.87
林地	23	3	14	5				1	100.0	60.9
草地	131	17		109		1		4	81.3	83.2
水体	33				33				100.0	100.0
建设用地	98	1		1		96			99.0	98.0
其他建设用地	98			1			97		100.0	99.0
未利用土地	45			10				35	87.5	77.8

精度评价样本标签		预测类型及数量						评价指标
类型	数量	林地	草地	水体	建设用地	其他建设用地	未利用土地	用户精度/%	生产者精度/%	总体分类精度/%	Kappa 系数
耕地	58	2	6	1	3		1	93.8	77.6	94.2	0.93
林地	38	36	2					94.7	94.7
草地	76		66			3	4	89.2	86.8
水体	49			49				98.0	100.0
建设用地	96				96			96.0	100.0
其他建设用地	98				1	97		97.0	99.0
未利用土地	35						35	87.5	100.0

年份	耕地	林地	低覆盖度草地	中覆盖度草地	高覆盖度草地	水体	建设用地	其他建设用地	未利用土地
2000年	166.6	4.2	638.9	484.0	129.3	38.7	21.7	5.6	12.4
2002年	166.7	5.2	89.5	268.7	905.1	26.4	24.3	5.6	10.0
2004年	172.3	6.4	133.7	401.4	721.3	25.4	24.4	6.9	9.5
2006年	183.3	7.0	233.6	601.2	405.0	28.1	25.5	9.5	8.2
2008年	187.5	7.8	383.4	520.5	326.7	27.8	27.9	10.1	9.7
2010年	196.6	8.1	724.8	366.8	132.7	21.5	29.6	11.4	9.8
2012年	190.0	9.1	169.2	657.7	407.0	23.1	30.1	11.4	3.7
2014年	193.1	12.5	333.0	667.9	219.2	30.8	32.5	10.9	1.4
2016年	190.9	13.1	483.2	594.6	141.2	29.4	34.5	13.3	1.1
2018年	188.4	20.3	547.1	525.8	140.4	30.0	34.5	13.4	1.4
2020年	181.7	23.7	308.9	659.1	242.5	27.2	38.1	13.5	6.7
2000—2010年	178.8	6.5	367.3	440.4	436.7	28.0	25.6	8.2	10.0
2010—2020年	190.1	14.5	427.7	578.7	213.8	27.0	33.2	12.3	4.0

转移方向		2020年
转移方向		耕地	林地	低覆盖度草地	中覆盖度草地	高覆盖度草地	水体	建设用地	其他建设用地	未利用土地	总计
2000年	耕地	121.5	6.5	1.6	9.9	8.6	8.0	8.6	1.9	0.0	166.6
	林地	0.1	2.7	0.0	0.3	1.1	0.0	0.0	0.0	0.0	4.2
	低覆盖度草地	29.2	3.6	184.3	333.9	73.2	1.9	6.2	4.2	2.4	638.9
	中覆盖度草地	19.0	5.1	101.6	266.6	80.1	1.5	4.0	3.0	3.2	484.0
	高覆盖度草地	3.8	4.5	8.2	40.0	70.1	1.9	0.2	0.2	0.3	129.3
	水体	5.3	1.2	5.6	4.3	8.3	13.3	0.1	0.1	0.6	38.7
	建设用地	2.4	0.0	0.1	0.2	0.3	0.1	18.6	0.0	0.0	21.7
	其他建设用地	0.4	0.0	0.1	0.3	0.1	0.2	0.4	4.1	0.0	5.6
	未利用土地	0.0	0.0	7.4	3.6	0.8	0.3	0.0	0.0	0.2	12.4
	总计	181.7	23.7	308.9	659.1	242.5	27.2	38.1	13.5	6.7	1501.4

基于支持向量机的蓄水工程土地利用分类与动态变化

Land use type interpretation and dynamic changes due to water storage projects using support vector machine

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 26

相关文章 15

Metrics

本文评价

推荐阅读 0

一级	耕地	林地		草地			水体	城乡工矿	居民用地	未利用土地
二级	耕地	林地		低覆盖度草地	中覆盖度草地	高覆盖度草地	水体	建设用地	其他建设用地	未利用土地
代码	1	2		31	32	33	4	5	6	7

[1]	李文秀, 燕振刚. 基于地理探测器的甘肃农牧交错带土地利用时空演化及其驱动机制[J]. 干旱区研究, 2024, 41(4): 590-602.
[2]	司琪, 樊浩然, 董文明, 刘新平. 新疆叶尔羌河流域景观生态风险评价及预测[J]. 干旱区研究, 2024, 41(4): 684-696.
[3]	李佳珂, 邵战林. 基于PLUS和InVEST模型的乌鲁木齐市碳储量时空演变与预测[J]. 干旱区研究, 2024, 41(3): 499-508.
[4]	孙玮婕, 乔斌, 于红妍, 赵彤, 陈奇. 基于活力-组织力-恢复力的黑河源区高寒湿地景观生态健康评估[J]. 干旱区研究, 2024, 41(2): 301-313.
[5]	姚金玺, 肖成志, 张志, 王浪, 张焜. 基于GEE多源遥感数据的干旱区植被地物类型提取[J]. 干旱区研究, 2024, 41(1): 157-168.
[6]	刘一丹, 姚晓军, 李宗省, 胡家瑜. 气候变化和土地利用覆盖变化对河西地区植被净初级生产力的影响[J]. 干旱区研究, 2024, 41(1): 169-180.
[7]	李永广, 苑广辉. 青海湖流域不同下垫面类型对地表温度的生物物理影响[J]. 干旱区研究, 2024, 41(1): 24-35.
[8]	马瑶瑶, 史培军, 徐伟, 张钢锋. 干旱区水电站建设运营生态环境影响遥感监测[J]. 干旱区研究, 2023, 40(9): 1498-1508.
[9]	王鹏, 秦思彤, 胡慧蓉. 近30 a拉萨河流域土地利用变化和生境质量的时空演变特征[J]. 干旱区研究, 2023, 40(3): 492-503.
[10]	张恩月,郑君焱,苏迎庆,张蕾,张鹏飞,刘庚. 基于情景模拟的流域低碳土地利用格局优化研究——以汾河流域为例[J]. 干旱区研究, 2023, 40(2): 203-212.
[11]	雷馨, 海新权. 祁连山地区土地利用变化对碳储量的影响及经济价值估算[J]. 干旱区研究, 2023, 40(11): 1845-1854.
[12]	王娇娇, 尹小君, 刘陕南, 王帝盟. 基于深度学习的玛纳斯土地利用时空格局变化与预测[J]. 干旱区研究, 2023, 40(1): 69-77.
[13]	蒋小芳,段翰晨,廖杰,宋翔,薛娴. 基于PLUS-SD耦合模型的黑河流域中游甘临高地区土地利用研究[J]. 干旱区研究, 2022, 39(4): 1246-1258.
[14]	胡长通,杨涛,万旭昊,孙来康,郑奕文,严雪溶. 西安市河流沉积物重金属分布特征及其与土地利用类型关系[J]. 干旱区研究, 2022, 39(4): 1270-1281.
[15]	侯青青,陈英,裴婷婷,吉珍霞,谢保鹏. 近25 a来甘肃省耕地资源时空变化及其影响因子[J]. 干旱区研究, 2022, 39(3): 955-967.