基于最大似然法的青藏高原南部1985~2005年土地利用变化遥感监测

Remote Sensing Monitoring of Land Use Changes in the Southern Qinghai-Xizang Plateau from 1985 to 2005 Based on Maximum Likelihood Classification

摘要: 土地利用变化是指由于自然或人为因素引起的土地覆盖和土地利用方式的变化。现有研究多集中于人类活动的影响，而对自然环境驱动的土地利用变化的探讨较少。本研究聚焦青藏高原南部，利用Landsat卫星数据，采用最大似然法(Maximum Likelihood Classification, MLC)对1985~2005年间的遥感影像进行了监督分类。结果显示，模型在耕地、水体和冰川及永久性积雪等特征明显的类别上表现出较高的准确率、精确率、召回率和F1分数，而对于林地和湿地等光谱特性相似或内部异质性较高的类别，分类精度略有下降。总体而言，二十年间模型的分类性能稳定且可靠，显示出随着时间推移逐步优化的能力。研究表明：1) 基于MLC的方法依然在自然环境驱动区域的土地利用变化监测中具有较好的应用前景；2) 通过对1985~2005年间研究区土地利用转移矩阵的分析，揭示了该时期内土地利用类型的显著动态变化，耕地、草地、林地的变化体现了生态恢复政策的有效实施，冰川和永久积雪、湿地的变化则反映了气候变化对自然环境的影响。未来的研究可以通过引入更多样化的样本和改进模型参数来进一步提升分类精度，并探索结合多时相影像和其他遥感源以增强不同类别之间的可分性。

Abstract: Land use change refers to the change of land cover and land use mode caused by natural or human factors. Most existing studies focus on the effects of human activities and less on natural environment-driven land use change. This study focused on the southern Qinghai-Xizang Plateau and used Landsat satellite data and Maximum Likelihood Classification (MLC) to supervise and classify remote sensing images between 1985 and 2005. The results showed that the model showed high accuracy, precision, recall and F1 scores in the categories well characterized by cultivated land, water, glaciers and permanent snow, while the classification accuracy decreased slightly for the categories with similar spectral characteristics like woodlands and wetlands or high internal heterogeneity. Overall, the classification performance of the models was stable and reliable in the past 20 years, showing the ability to gradually optimize over time. The study shows that: 1) The method based on MLC still has a good application prospect in monitoring land use changes in the natural environment-driven area; 2) The analysis of land use transfer matrix in the study area between 1985 and 2005 reveals the significant dynamic change of land use type during the period, the change of cultivated land, grassland, forest land reflects the effective implementation of ecological restoration policy, the change of glaciers and permanent snow, wetland reflects the impact of climate change on the natural environment. Future studies could further improve classification accuracy by introducing more diverse samples and improving model parameters, and explore the combination of multi-phase images and other remote sensing sources to enhance the division between different categories.

1. 引言

土地利用变化是指由于自然或人为因素引起的土地覆盖和土地利用方式的变化[1]。在工业化的进程中，随着人口增长、城市扩张和经济发展，土地利用变化已成为全球范围内最为显著的环境变化之一[2] [3]。土地利用变化不仅关系到区域经济发展、社会福利和政策制定等社会经济问题，还与粮食安全、水资源管理、生物多样性保护等环境问题紧密相关[4]。虽然人类活动确实显著影响了全球范围内的土地利用模式，但自然条件下的土地利用变化同样不可忽视，这些影响往往更为复杂和深远[5]。

在自然条件下，气候变化、水文循环以及生态系统本身的动态性等因素都可引发土地覆盖和利用方式的重大转变。长期的气候变化可能导致干旱区扩展或湿地萎缩；地质事件能够迅速改变地貌；河流改道或湖泊扩张等水文现象也会重塑周边的土地用途。这些自然驱动因素不仅影响着生态系统的稳定性和生物多样性保护，还直接关系到区域的水资源管理和粮食安全。

在现有研究文献中，绝大多数研究集中于探讨人类活动对土地利用变化的影响[6]-[8]，而对于自然环境因素驱动的土地利用变化的研究则相对较为匮乏。在青藏高原南部，自然条件主导着该地区土地利用的变化。鉴于该区域所具有的独特地理位置和环境特征，对人类活动的影响相对较小，这为研究在自然条件下土地利用动态提供了一个宝贵的研究场所。因此，对青藏高原南部这一关键区域的土地利用研究有助于填补当前研究中对自然环境驱动的土地利用变化理解的空白。本研究选择1985~2005年的数据进行分析，这一时期的Landssat系列卫星提供了高质量且时间连续的遥感影像资料，具有良好的时空分辨率和可靠性，能够有效捕捉自然条件下的土地利用变化过程。1985~2005年间，尽管西藏地区经历了社会经济的发展，但相较于其他更为发达的地区，行134列39号图像和行134列40号图像覆盖的八宿县和察隅县所在的青藏高原南部区域的人类开发活动尚未显著改变原有的土地利用格局。因此，这一时间段的数据能够最大限度地减少人为因素的干扰，使我们更清晰地观察自然条件对土地利用变化的影响。

本研究选取Landsat卫星数据，对1985~2005年间的遥感影像进行了监督分类。利用最大似然法(Maximum Likelihood Classification, MLC)对遥感影像所展示的区域进行土地利用分类，该方法基于统计学理论，能够高效识别各类地物的光谱特征，进而生成高精度的土地利用图。

2. 研究区域数据源

2.1. 研究区概况

研究区涵盖两个Landsat 8卫星图像覆盖区域，分别为行134列39号图像和行134列40号图像。行134列39号图像覆盖的区域大部分为西藏自治区昌都市八宿县，而相邻的行134列40号图像则覆盖了林芝市察隅县。两幅图像覆盖的区域位于中国西藏自治区的东南部。两幅遥感图像所覆盖的区域地形复杂多变。行134列40号覆盖怒江上游，属于三江流域高山峡谷地带，而行134列39号图像则覆盖了横断山脉西段地带的藏东南高山峡谷区。两个区域均以高山环绕和峡谷相间为特征，海拔变化显著，从而形成了独特的垂直自然带分布。具有重要的地理和生态研究价值。

2.2. 数据来源

所有遥感图像均来源于地理空间数据云平台(Geospatial Data Cloud)，该数据库提供了高质量、经过校准的Landsat系列卫星影像。由于Landsat 8卫星是在2013年2月11日发射，且Landsat 4和Landsat 5卫星轨道并不与Landsat 8重合，因此，利用Landsat 4和Landsat 5卫星对1985~2005年的遥感图像进行裁剪，得到符合Landsat 8卫星轨道上行134列39号图像和行134列40号图像。

3. 数据处理与方法

3.1. 影像预处理

在分析之前，为了确保遥感数据分析的准确性和可靠性，利用辐射定标、大气校正对原始卫星图像进行了预处理，使遥感影像在图像色彩与显示上保持相对一致。考虑到研究区域跨越了两个连续的图像组合，以及图像来源于不同的卫星，这就需要将多幅图像无缝拼接在一起，形成一个完整的覆盖区。首先在ENVI软件中对两幅图像进行了色彩平衡调整，保证它们在图像颜色上具有连续性；然后利用ArcGIS中的镶嵌工具，按照Landsat 8行134列39号图像和行134列40号图像边界裁剪并合并图像，最终生成了一张覆盖整个研究区域的高质量遥感影像。

3.2. 监督分类

利用最大似然法对得到的遥感图像进行分类[6]，算法流程见图1。最大似然法假设每个波段中的每类地物的统计分布都呈正态分布，并且不同类之间的协方差矩阵可以相同或不同。它通过计算每个像素属于各个类别的概率，将像素分配给具有最高概率的那个类别[9]。一般来说，对于一个给定的像素$\text{X}=\left[{\text{x}}_1,{\text{x}}_2,\cdots ,{\text{x}}_n\right]$ ，其中n是波段数，如果它属于第i类，则其概率密度函数可以表示为：

$p\left(x|C_i\right)=\frac{1}{{\left(2\pi \right)}^{\frac{n}{2}}{\left|{\displaystyle {\sum }_i}\right|}^{\frac{1}{2}}}\exp \left(-\frac{1}{2}{\left(x-{\mu }_i\right)}^T{\displaystyle {\sum }_i^{-1}\left(x-{\mu }_i\right)}\right)$ (1)

其中，x是像素的光谱向量；C_i表示第i类；μ_i是第i类的均值向量；${\displaystyle \sum {}_i}$ 是第i类的协方差矩阵；$\left|{\displaystyle \sum {}_i}\right|$ 是协方差矩阵${\displaystyle \sum {}_i}$ 的行列式；${\displaystyle {\sum }_i^{-1}}$ 是协方差矩阵${\displaystyle \sum {}_i}$ 的逆矩阵。

Figure 1. Algorithm flow of Maximum likelihood classification

图1. 最大似然法算法流程

3.3. 样本选取

利用ArcGIS将预处理好的遥感图像进行加载。Landsat卫星共有7个波段，每个波段捕捉特定范围内的电磁辐射，提供了关于地表物体的独特信息。不同的波段组合可以有效识别地表不同类型的地物特征。因此，在样本选择上，利用不同波段的组合可以清晰地划定样本点的土地利用性质与范围的界定精度。根据研究区特征，森林覆盖的区域利用Landsat卫星Band 4 (NIR)、Band 3 (Red)、Band 2 (Green)波段的假彩色合成排列确定；水体的识别由Band 5 (Mid-Infrared)、Band 4 (NIR)、Band 3 (Red)波段的假彩色合成排列确定；耕地的识别利用Band 6 (TIR)、Band 5 (Mid-Infrared)、Band 2 (Green)波段；建设用地利用Band 5 (Mid-Infrared)、Band 4 (NIR)、Band 3 (Red)波段的假彩色合成排列确定；未利用地利用Band 1 (Blue)、Band 2 (Green)、Band 3 (Red)确定。其余详细分类见表1。

Table 1. Spectral characteristics and visual representation of multi-band combinations of land cover types

表1. 多波段组合的地物类型光谱特征及视觉表征

分类号	类型	波段组合	影像特征	说明
10	耕地	6、5、2		规则块状，明显边界、研究区内片状分布
20	林地	5、4、3		深红色或深褐色，连续分布
30	草地	5、6、2		浅绿色、不规则片状
50	湿地	5、6、4		深绿色、片状，零星分布
60	水体	5、4、3		黑色、平整块状、均匀，无起伏
80	人造地表	5、4、3		亮白色或蓝绿色、规则块状、一般聚集分布
90	裸地	1、2、3		深棕色、不规则块状、平滑均匀，连续状分布于山体
100	冰川及 永久性积雪	7、5、3		浅白色或亮白色、不规则片状、分布于山体

4. 结果与分析

4.1. 模型训练结果

将已经目视解译完成的区域分为训练集和测试集，比例为9:1。训练集用于对图像分类进行训练，测试集则用于评估分类模型的性能和精度。最终结果利用控制点提取成csv格式的文件用以测试。测试集中，为了保证数据的代表性和随机性，采用分层抽样方法来进行数据集划分。本文使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1分数(F1 Score)对该方法分类的测试集进行评价(图2)。

根据结果发现，耕地、水体和冰川及永久性积雪的分类精度较高，各项指标均接近或超过94%。这表明模型在识别这些特征明显的类别时表现出色，是因为这些类别在遥感影像上通常具有较为显著的光谱特征和纹理特征，有清晰的边界，模型能够准确区分它们。林地和湿地的分类精度略低，这可能是由于这两类之间的光谱特性相似，内部异质性较高，导致分类难度增加。为了进一步提高这两类的分类精度，可以考虑引入更多的特征变量，或者采用更为复杂的分类算法。草地和裸地的分类结果显示出模型在这两类上的区分能力还有提升空间，可能与这两类在遥感影像上的光谱特征和纹理特征相对较弱有关。因此，在未来的研究中，可以尝试通过优化特征提取方法和分类算法来提高这两类的分类精度。人造地表的分类结果令人满意，体现了模型对人类活动影响区域的良好识别能力。这可能与人类活动导致的地表覆盖变化在遥感影像上表现出较为显著的光谱特征和纹理特征有关。总体上，不同地物的分类精度都大于85%。因此，基于最大似然法的土地利用分类方法在人类活动不频繁的区域仍具有较好的应用前景。

Figure 2. Analysis of test set results

图2. 测试集结果分析

4.2. 1985~2005年土地利用分类结果

利用训练好的模型对遥感图像进行分类，由于不同年份遥感图像的云量、太阳高度角不一样，对地物的区分难度也不同。因此，对于不同年份，在同一个模型的基础上，根据不同年份的地物特征添加了额外样本以提高模型针对当前年份的精度。分类完成后。中国科学院数据中心提供的中国多时期土地利用遥感监测CNLUCC数据集以其高分辨率、长时间序列覆盖以及权威性著称，为结果提供了可靠的基准参考，利用中国科学院数据中心提供的中国多时期土地利用遥感监测数据集(CNLUCC)对分类结果进行检验(图3)。

基于最大似然法的土地利用分类模型在1985~2005年间展现了相对稳定的高精度分类性能。整体准确率的范围在76.3%到84.1%之间，平均整体准确率约为80.1%，显示出较为一致的表现，整体的准确率较高，与中国多时期土地利用遥感监测CNLUCC数据集较为一致，误差来源于所选择的卫星和选取的遥感图像时间范围不同。Kappa系数的范围在0.72到0.81之间，平均Kappa系数约为0.76，表明分类结果的一致性水平较高，并且模型在不同年份之间具有一致且可靠的分类能力，超出了随机猜测的结果。FOM系数的范围在0.74到0.82之间，接近但略低于整体准确率，符合其作为综合评估指标的特点，平均FOM系数约为0.78，进一步验证了模型在处理错分误差方面的良好表现。

总体来看，整体准确率、Kappa系数和FOM系数均显示出一定的年际波动，但波动幅度较小，通常在±3个百分点以内。2005年的整体准确率达到最高值89.1%，而1999年的最低值为77.9%。尽管存在波动，但整体趋势保持稳定。特别是进入2000年代后，整体准确率普遍高于早期年份，如2002年和2005年的整体准确率分别为83.5%和89.1%，显示了模型的可靠性。

Figure 3. Classification accuracy evaluation from 1985 to 2005

图3. 1985~2005年分类精度评价

4.3. 20年间土地利用转变结果

Table 2. Land use transfer matrix of the research area from 1985 to 2005 (unit: hectare)

表2. 1985~2005年研究区土地利用转移矩阵(单位：公顷)

2005 1985	耕地	林地	草地	湿地	水体	人造地表	裸地	冰川和永久积雪
耕地	5850.9	4425.39	2351.07	0.09	27.09	162.63	17.55	0.18
林地	1579.05	2087712.18	2716.11	0	4.86	180.18	2.16	1.8
草地	1210.59	124323.66	3365813.97	33.93	10505.79	398.7	94390.65	2246.22
水体	48.15	6684.39	3980.52	0	26365.86	51.66	1812.15	110.16
人造地表	0	0.09	1.8	0	41.94	835.11	0.45	0
裸地	29.16	1825.11	68296.77	0	3280.05	37.26	408077.64	54477.81
冰川和永久积雪	1.71	1370.88	73568.25	5.13	20077.11	0	101851.56	574037.19

利用已经分类好的20年间土地利用数据集进行土地利用转移分析，制作了1985~2005年研究区土地利用转移矩阵(表2)。根据计算结果，在1985~2005年间，耕地发生了明显的变化，其中5850.9公顷的耕地保持不变，但有大量耕地转变为其他用途，如林地(4425.39公顷)、草地(2351.07公顷)、湿地(0.09公顷)、水体(27.09公顷)、人造地表(162.63公顷)、裸地(17.55公顷)及冰川和永久积雪(0.18公顷)。反映了农业用地的减少与生态恢复政策之间的紧密联系。与此同时，林地变化相对较小，1985年的林地大部分在2005年仍保持原状(20877.12公顷)，但仍有部分转变为耕地、草地等类型，显示出林地保护措施的有效性。草地的转变则呈现出复杂性，1985年的草地大部分仍为草地(33658.14公顷)，但亦有大量草地转化为耕地、林地、水体等类型，揭示了草地退化、生态恢复及人类活动的影响。水体的变化相对稳定，1985年的水体在2005年仍占据较大比例(26,366公顷)，变化可能与水利工程、生态保护项目或气候变化相关。人造地表在城镇化进程中基本保持稳定(835.11公顷)，仅微量转变为其他类型，反映了建设用地增长的态势。裸地在两个时间点间表现出显著增长，1985年的裸地到2005年增加了408,078公顷，这种变化可能是由于植被覆盖减少、矿产开采或其他自然原因所致。冰川和永久积雪在研究期间大部分保持不变(574037.19公顷)，但仍有少部分转变为其他类型，这可能同全球变暖有内在的联系。湿地增加主要来源于耕地的改变，1985年最初并没有湿地这一地类，在20年间，研究区内部逐渐发展出湿地，湿地的变化也可能来自冰雪的消融导致地表变湿，进而将本来处于低洼的耕地通过水文连通性和土壤水分饱和作用转变为湿地。

5. 结论

5.1. 讨论

1985~2005年间，西藏南部经历了气温上升、降水模式的变化以及极端天气事件频率的增加等一系列气候变化。这些气候变化对区域内的水文循环、冰川动态及植被分布产生了直接影响，进而推动了土地利用方式的重大转变。根据前人研究[10]，研究区年平均气温在这20年间呈现明显上升趋势，导致高山冰川和永久积雪加速消融，这一过程不仅改变了当地的水文条件，还促使一些原本为裸地或草地的区域转变为湿地。降水在研究的时间段内呈现缓慢下降的趋势[11]，但气温升高引起的冰川和永久积雪融化增加了地表径流和土壤水分含量，进而促进了低洼地带的水文连通性和土壤水分饱和度，使得这些地区逐渐演变为地。因此，在土地利用转移矩阵中观察到的部分裸地转为草地以及冰川和永久积雪减少的现象，可以归因于全球变暖的影响。同时，降水量季节性和总量变化也影响了土地覆盖类型：尽管总降水量逐渐下降，但春季和夏季降水的增加有利于草地生长，即表2中展现的裸地逐渐转变为草地。气候变暖引起的冰雪融化增加了地表湿度，使得原来的农业用地通过自然演替过程逐渐变为湿地。此外，频繁发生的暴雨和洪水等极端天气事件，重塑了周边的土地用途，尤其是在三江源等重要水源涵养区，对水资源管理和生态系统的稳定性有着深远影响。

与此同时，政策导向与人类活动也在一定程度上塑造了土地利用格局。随着国家对环境保护重视程度的提高，一系列保护和恢复生态系统的政策措施相继出台，“退耕还林”、“退牧还草”工程有效地促进了森林和草原面积的增长，减少了农业生产对土地的压力。这在耕地向林地和草地的大规模转变中得到了体现，反映了政府政策在调整土地利用方面的重要作用。尽管研究区的城镇化速度较慢，但交通基础设施建设和小型城镇的发展仍然对土地利用产生了局部影响。人造地表虽未大幅扩张，但建设用地的逐步增长体现了社会经济发展的需求。总体来看，由于严格的生态保护措施，这种增长并未突破环境承载力，保持了相对稳定的状态。通过对1985~2005年间西藏南部土地利用转移矩阵的分析，研究揭示了背后复杂的驱动机制——气候变化带来的自然变动和政策引导下的人类活动影响。这些发现有助于更好地理解该地区土地利用变化的生态环境意义，并为未来的可持续发展提供科学依据。

5.2. 成果

本研究基于最大似然法对1985~2005年间Landsat系列卫星行134列39号图像和行134列40号遥感图像进行了土地利用分类。测试集的结果表明，该模型对于耕地、水体和冰川及永久性积雪等特征明显的类别，其准确率、精确率、召回率和F1分数较高，表现出较为优秀的分类能力。对于林地和湿地等光谱特性相似或内部异质性较高的类别，分类精度略有下降。总体上实现了高精度分类。因此，基于最大似然法的土地利用分类方法在人类活动不频繁的区域仍具有较好的应用前景。

通过对1985~2005年间研究区土地利用转移矩阵的分析，揭示了该时期内土地利用类型的动态变化，为当前和未来土地管理和环境保护提供了多方面的参考价值。土地利用矩阵的结果表明，大量耕地转变为林地、草地、湿地、水体、人造地表、裸地及冰川和永久积雪等其他用途。这一转变体现了生态恢复政策的有效实施。草地的复杂转变模式揭示了退化、恢复以及人类活动对生态系统的影响。林地的变化相对较小，显示出保护措施的成功，但仍有部分转化为其他类型，表明存在一定的自然或人为干扰。裸地面积的转变，揭示了潜在的土地退化问题。冰川和永久积雪的变化也暗示了全球变暖对高原植被和地表覆盖的影响。耕地、草地在20年间转变为湿地，进一步强调了气候变化对该地区生态系统的深刻影响。

本研究的结果不仅提供了关于青藏高原南部土地利用变迁的重要见解，还揭示了自然条件与人类活动共同作用下的复杂机制。气候变化，特别是气温升高和冰川消融，显著影响了区域内的水文循环和土壤水分状况，促使部分低洼地带演变为湿地。这表明，在降水量减少的情况下，冰雪融水的补充可以改变局部水文条件，从而形成新的湿地环境。此外，生态恢复政策的有效执行促进了森林和草原面积的增长，减少了农业生产对土地的压力，显示了政策干预在调整土地利用方面的重要性。然而，尽管有一定的积极变化，研究区内的变化仍然反映了西藏地区面临的土地退化的挑战，需要持续关注并加强生态保护措施。

5.3. 未来改进方向

为了更好地理解和应对未来的土地利用变化，本研究提出以下几点建议：

深化驱动机制研究：未来的研究应更深入探讨自然因素(如气候变化、地质事件)和人为因素(如政策干预、经济发展)之间的相互作用，以构建更加全面的土地利用变化模型。

改进分类技术：为提升分类精度，特别是在处理光谱特性相似或内部异质性高的类别时，可以引入更多样化的样本或改进现有模型参数，实现更高的分类精度和鲁棒性。

长期监测与预测：建立长期的土地利用监测系统，结合气候模型和其他环境变量，对未来土地利用趋势进行预测。这对于制定科学合理的环境保护和管理策略至关重要，有助于确保青藏高原南部地区的可持续发展。