针对传统的遥感影像解译速度缓慢、效率较低、人力物力需求量大等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat TM/OLI遥感影像,采用分类回归树(Classification and Regression Tree,CART)方法,对1990~2016年北京...针对传统的遥感影像解译速度缓慢、效率较低、人力物力需求量大等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat TM/OLI遥感影像,采用分类回归树(Classification and Regression Tree,CART)方法,对1990~2016年北京市土地覆被/土地利用变化(LUCC,Land Use and Land Cover Change)开展了遥感解译研究,分析了北京市土地覆被/土地利用时空动态变化特征和耕地、人造地表面积变化的驱动机制。研究表明:(1)GEE在区域尺度遥感数据分析和处理等方面具有方便快捷的优势。(2)CART方法进行遥感分类精度较高,研究所得的6期土地覆被/利用数据产品与训练样本交叉验证的学习精度均在93%以上,方法可靠有效。2010年的分类产品与测试样本混淆矩阵的验证精度为88.67%,Kappa系数为0.86。2010年的分类产品与GlobeLand30-2010数据的空间一致性为74.0%,其中林地一致性高达84.28%;两套产品中,人造地表、草地和水体面积比重相差不足1%,各地类面积构成一致性较高。(3)北京市主要土地类型为耕地、林地和人造地表,面积比重为90%左右;1990~2016年期间人造地表和林地面积呈增加态势,耕地和水体呈萎缩态势,其中,人造地表面积增加1 371km2,增幅高达87%以上,耕地萎缩幅度近40%;1990~2016年北京市平原地区人造地表由圈层状的"摊大饼"扩张态势向"遍地开花"扩张态势转变;人造地表的扩张主要通过对耕地的侵占实现。人口快速增长、经济快速发展以及政策等社会经济发展因素驱动北京市土地覆被/土地利用的演化进程。展开更多
文摘针对传统的遥感影像解译速度缓慢、效率较低、人力物力需求量大等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat TM/OLI遥感影像,采用分类回归树(Classification and Regression Tree,CART)方法,对1990~2016年北京市土地覆被/土地利用变化(LUCC,Land Use and Land Cover Change)开展了遥感解译研究,分析了北京市土地覆被/土地利用时空动态变化特征和耕地、人造地表面积变化的驱动机制。研究表明:(1)GEE在区域尺度遥感数据分析和处理等方面具有方便快捷的优势。(2)CART方法进行遥感分类精度较高,研究所得的6期土地覆被/利用数据产品与训练样本交叉验证的学习精度均在93%以上,方法可靠有效。2010年的分类产品与测试样本混淆矩阵的验证精度为88.67%,Kappa系数为0.86。2010年的分类产品与GlobeLand30-2010数据的空间一致性为74.0%,其中林地一致性高达84.28%;两套产品中,人造地表、草地和水体面积比重相差不足1%,各地类面积构成一致性较高。(3)北京市主要土地类型为耕地、林地和人造地表,面积比重为90%左右;1990~2016年期间人造地表和林地面积呈增加态势,耕地和水体呈萎缩态势,其中,人造地表面积增加1 371km2,增幅高达87%以上,耕地萎缩幅度近40%;1990~2016年北京市平原地区人造地表由圈层状的"摊大饼"扩张态势向"遍地开花"扩张态势转变;人造地表的扩张主要通过对耕地的侵占实现。人口快速增长、经济快速发展以及政策等社会经济发展因素驱动北京市土地覆被/土地利用的演化进程。
