img

官方微信

遥感技术与应用, 2021, 36(1): 55-64 doi: 10.11873/j.issn.1004-0323.2021.1.0055

一带一路遥感监测专栏

基于GEE平台的海岛地表覆盖提取及变化监测—以苏拉威西岛为例

付甜梦,1,2, 张丽,1,3, 陈博伟1, 闫敏1

1.中国科学院空天信息创新研究院 数字地球重点实验室,北京 100094

2.中国科学院大学,北京 100049

3.海南省地球观测重点实验室,海南 三亚 572029

Monitoring of Land Cover Change based on Google Earth Engine Platform: A Case Study of Sulawesi Island

Fu Tianmeng,1,2, Zhang Li,1,3, Chen Bowei1, Yan Min1

1.Key Laboratory of Digital Earth Science,Aerospace Information Research Institute,Chinese Academy of Sciences,Beijing 100094,China

2.University of Chinese Academy of Sciences,Beijing 100049,China

3.Key Laboratory of Earth Observation of Hainan Province,Sanya 572029,China

通讯作者: 张丽(1975-),女,新疆伊犁人,研究员,主要从事植被生态与海岸带遥感研究。E⁃mail: zhangli@aircas.ac.cn

收稿日期: 2020-02-26   修回日期: 2021-01-30   网络出版日期: 2021-04-13

基金资助: 中国科学院战略性先导科技专项(A类).  XDA13020506
国家自然科学基金项目.  41771392

Received: 2020-02-26   Revised: 2021-01-30   Online: 2021-04-13

作者简介 About authors

付甜梦(1995-),女,河南洛阳人,硕士研究生,主要从事生态遥感研究E⁃mail:futianmeng19@mails.ucas.ac.cn , E-mail:futianmeng19@mails.ucas.ac.cn

摘要

随着海洋在国家政治、经济、资源等方面重要性的提升,对海岛开发利用、管理和保护等具有重要意义的海岛地表覆盖研究逐渐受到关注。针对传统的大范围地表覆盖提取速度慢、效率低的问题,基于Google Earth Engine(GEE)地学大数据平台,以作为生态重点保护区的印度尼西亚的苏拉威西岛为研究区,开展海岛地表覆盖提取及变化监测研究。基于GEE平台对Landsat TM/OLI遥感影像进行辐射校正、影像去云、镶嵌裁剪等预处理,构建海岛地表覆盖分类体系(包括人造地表、裸地、水体、湿地、草地、林地、耕地7个类别),采用随机森林(Random Forest, RF)算法提取2000~2018年苏拉威西岛地表覆盖信息,并从结构及类型变化、时空变化、动态变化3个角度分析苏拉威西岛地表覆盖的变化特征及变化驱动因素。研究表明:GEE在对海岛进行影像处理和地表覆盖信息提取方面具有处理数据量大、效率高的优势。随机森林分类精度较高,研究区2000年、2015年和2018年分类总体精度分别为91%、88%、85%,Kappa系数分别为0.89、0.86、0.82。变化监测研究发现苏拉威西岛的主要地类为林地和耕地,两者占整个海岛地表面积的85%以上。在2000~2018年期间受移民计划以及禁止非法砍伐政策的影响, 林地面积呈先减(减少7 982.29 km2)后增(增加9 079.17 km2)的态势,耕地面积不断萎缩(共减少14 267.35 km2)且主要流向林地、草地和人造地表。人造地表的变化最为活跃且其面积显著增加,主要驱动力为人口的迁移以及经济的发展。研究结果为生态型海岛的土地资源合理开发及应用、生态环境的保护、气候与环境变化等研究奠定了基础。

关键词: 海岛 ; 土地利用/土地覆盖 ; 随机森林 ; 变化监测及分析 ; GEE

Abstract

With the increasing importance of the ocean in the context of country's politics, economy, and resources; the Land Use Land Cover (LULC) related research of island has received growing attention, which is significant to the bio-physical and socio-economic development for island. The Sulawesi island has been declared as globally important conservation area. Considering the problem of slow extraction and low efficiency of traditional large-scale land cover, this study took the Sulawesi as study area and carried out LULC change analysis based on the Google Earth Engine (GEE) platform. In this study Landsat TM/OLI images were used. After pre-processing all of the Landsat image, signature classes were selected based on the GEE platform. Finally, Random Forest (RF) algorithm was used to extract all of the land cover types of Sulawesi island from 2000 to 2018. In this study, change characteristics of land cover were analyzed from three aspects including structure and type change, spatio-temporal change, and dynamic change. This study observes the efficiency of GEE platform in regional scale data processing and surface cover extraction. The overall classification accuracy of the study in 2000, 2015 and 2018 are 91%, 88% and 85%, and Kappa coefficients are 0.89, 0.86 and 0.82, respectively. The LULC change analysis of this study shows that the main land cover types of Sulawesi Island are forest and cultivated land comprises more than 85% of the entire island. During the time period of 2000~2018, the forest land of Sulawesi was reduced first (reduced by 7 982.29 km2) and then increased (increased by 9 079.17 km2) due to the resettlement plan and the prohibiting of illegal logging while. The area of cultivated land was decreased (total reduced by 14 267.35 km2) converting to forest land, grassland, and artificial surface. Artificial surface has been increased significantly, mainly due to population migration and economic development in the island. The findings of this study will play an important role in guiding policy for regional development as well as resource management and environmental protection of Sulawesi island.

Keywords: Island ; Land Use/Land Cover ; Random forest ; Change monitoring and analysis ; GEE

PDF (5505KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

付甜梦, 张丽, 陈博伟, 闫敏. 基于GEE平台的海岛地表覆盖提取及变化监测—以苏拉威西岛为例. 遥感技术与应用[J], 2021, 36(1): 55-64 doi:10.11873/j.issn.1004-0323.2021.1.0055

Fu Tianmeng, Zhang Li, Chen Bowei, Yan Min. Monitoring of Land Cover Change based on Google Earth Engine Platform: A Case Study of Sulawesi Island. Remote Sensing Technology and Application[J], 2021, 36(1): 55-64 doi:10.11873/j.issn.1004-0323.2021.1.0055

1 引 言

随着陆地资源的日渐枯竭,人类越来越重视约占地球表面积71%的海洋。作为海洋生态系统的重要组成部分,海岛具有巨大的经济、政治、军事、科学和生态等价值,是人类开发利用海洋的重要基地,对沿海国家及全球的可持续发展具有重要意义。近年来,人类开发、建设海岛的程度不断加大,作为海岛管理、海洋经济开发以及海洋规划的重要依据和必要保障的海岛礁测绘也越来越重要1。海岛土地利用/土地覆盖及其变化监测,是了解海岛地表覆盖情况和监测海岛地理环境变化的重要手段,也对合理开发海岛及海洋资源、保护海岛生态环境和改善海岛民生具有重要意义2

遥感具有短周期性、经济性、多源性等优势,为海岛地表覆盖监测提供了海量数据和技术支撑3。已有学者利用遥感技术对海岛地表覆盖进行一系列的研究,主要包括地表覆盖的提取、变化以及驱动力研究。针对我国岛屿,如Chen等4采用多源多时相遥感数据(CORONA、Landsat、SPOT5)重建舟山岛近40 a间土地覆盖的精细变化过程,发现研究区农业用地大量流失,而河流水库和林地得到了较好的保护。李亚萍等2使用QuickBird、WorldView-2影像和无人机航拍影像对西沙赵述岛2008~2014年间的地表覆盖情况进行分类提取和变化分析。针对国外岛屿,Mei等5利用Landsat系列影像进行最大似然法提取意大利兰佩杜萨岛地表覆盖类型,通过分类后比较和图像差分进行变化检测。Mageswaran等6使用Landsat系列卫星数据采用目视解译的方法确定南安达曼尼尔岛的土地利用类别,研究发现2000~2013年占比最大的森林减少了105.05 hm2,建设用地增加了105.15 hm2。Kumar等7利用Landsat系列卫星数据进行监督分类,量化了孟加拉国哈提亚岛1977~1999年的土地覆盖变化,并发现变化的主要驱动因素是侵蚀和生长过程、人类压力以及孟加拉国政府的重新造林和土地开垦计划。目前的海岛地表覆盖遥感监测研究仍存在以下3个方面的不足:①研究主要集中在靠近大陆、经济发达的海岛,对生态系统受海洋影响更大的远海岛礁研究较少,且受技术方法限制,现有研究区主要为面积较小的岛礁;②研究中采用不同来源及分辨率的遥感影像,对地表覆盖变化监测的不确定性干扰较大;③采用传统数据获取与处理方式,分类速度与精度无法兼得,效率较低。

隶属于印度尼西亚的苏拉威西岛为世界第11大海岛,是东南亚及马来群岛的重要交通枢纽,经常发生地震、火山爆发、滑坡和洪水等灾害。苏拉威西岛拥有东亚和澳大利亚之间的过渡生态系统,也是生物多样性热点区域华莱士地区Wallacea重要的一部分(Wallacea是一个生态地理区域,由深海与澳大利亚和亚洲大陆架分隔开的一组岛屿组成,以其独特的动植物物种集合而闻名,这些物种受到该地区人类活动的威胁8)。近几年受到全球气候变化的影响,地震海啸等灾害以及极端气候事件发生的可能性和严重性明显增加9-10。在一系列评估标准中,苏拉威西岛已被列为全球重要的保护区11,因此分析苏拉威西岛的地表覆盖类型及变化情况对于研究苏拉威西岛的气候与环境变化、生态环境保护具有重要意义。

选用2000、2015和2018年3期Landsat影像数据,对苏拉威西岛的地表覆盖情况进行变化监测和分析,为海岛的开发和保护提供技术支持。Google Earth Engine(GEE)是目前世界上先进的PB级地理数据科学分析及可视化平台12,与传统遥感数据获取方式和数据处理软件相比,具有长时间存档数据、运行稳定、计算效率高、上手难度低、使用成本低等优点13。通过GEE平台快速完成Landsat时序影像数据的获取与预处理、分类实验以及地表覆盖提取工作,避免了使用不同数据源影像造成的变化不确定性的问题,且解决了传统数据获取与处理效率低的问题,以此为海岛变化快速监测提供一套基于云平台的高效技术路线。

2 研究区与数据

2.1 研究区概况

苏拉威西岛位于印度尼西亚,陆地面积约为174 600 km2,在3°30′N~7°30′S和118°40′E~123°55′E之间(图1)。其形状类似大写英文字母“K”,从岛屿周围的深海海岸向上倾斜,到达高山区。苏拉威西坐落于巽他与太平洋岛弧的汇合地带,构造运动比较活跃,易发生地震,多高山和深谷,是印度尼西亚山地面积比重最大的岛屿,平原较少,河网稠密。其海岸曲折,海岸线总长约5 478 km,沿海遍布珊瑚礁,海滨平原狭窄。

图1

图1   苏拉威西区位图

Fig.1   Location map of Sulawesi


受赤道低气压带的控制,苏拉威西岛属热带雨林气候,全年高温多雨,温差小,年降水量2 500 mm以上。东半岛人口稀疏,主要为自给性农业,西南半岛和中部是国家移民计划的中心,用于减轻爪哇和巴厘岛的人口压力。岛上经济发达的地区位于南半岛和东北半岛的顶端,植被覆盖率达53%,南方主要种植水稻、玉米、木薯等;沿海种植烟草,制取海盐;岛上湖泊周围的冲积平原主要种植谷类;东北生产椰干、林产品等,还有一定规模的渔业。

2.2 卫星数据源及其预处理

基于Google Earth Engine平台,分别选取了2000、2015和2018年3期的Landsat影像数据(30 m分辨率)进行地表覆盖提取及变化监测。由于研究区位于赤道地区,受云影响严重且覆盖范围大,基于GEE的在线API编程,筛选成像时间为当年1~12月的影像,以保证合成研究区最小云量影像。其中,2000年数据包含329景Landsat 5 TM影像,2015年数据包含421景Landsat 8 OLI影像,2018年数据含489景Landsat 8 OLI影像。利用GEE提供的simpleComposite算法模块对每年的原始Landsat系列卫星影像进行辐射定标、影像去云处理,合成年际最小云量TOA影像。

3 研究方法

依托GEE平台,快速对研究区影像进行预处理工作以合成研究区的最小云量TOA影像,在此基础上构建分类特征集(包括多光谱波段、光谱指数、地形特征),然后结合构建的分类体系通过目视解译选取样本,采用随机森林分类方法对苏拉威西岛2000、2015和2018年3期影像进行分类,提取地表覆盖信息,并从结构及类型、时空、动态3个角度分析苏拉威西岛的地表覆盖变化特征。

3.1 分类体系的构建

参考联合国粮食及农业组织(FAO)的土地覆盖分类系统(LCCS):分类概念和用户手册14,根据苏拉威西岛的实际土地覆盖情况,并结合以往对苏拉威西的研究成果15,确定本研究苏拉威西岛的地表覆盖分类体系,包括以下7个类别:人造地表、裸地、水体、湿地、草地、林地和耕地,利用遥感影像的彩色红外合成方式(近红外、红光、绿光波段)显示各类别解译标志(表1)。

表1   地表覆盖类型特征描述

Table 1  Description of land cover types

地类特征

地物

类型

解译

标志

目视解译

人造

地表

人为活动造成的人工覆盖区域,如建筑(城市,城镇,交通),开采(露天采矿和采石场)或废物处理
裸地由于人类活动而没有人工掩护的区域,包括裸岩区,沙滩和沙漠。在影像中呈白色或黄色
水体包括天然水体和人工水体,如湖泊、河流、水库、水塘等。在影像中呈蓝黑色,纹理光滑
湿地在纯陆地系统和水生系统之间过渡的区域,为水生或定期被水淹的主要植被区域。主要由生长茂密的红树林组成
草地生长草本和灌木植物为主的土地
林地生长天然森林的土地,主要分布在山区
耕地指的是天然植被被移除或修改的地区,并被其他类型的人为来源的植被覆盖所取代,包括无植被覆盖的裸露耕地、果园以及种植园

新窗口打开| 下载CSV


通过目视解译的方式,参考Google Earth Pro中的历史高清影像,并根据Landsat影像不同的波段组合进行样本选择工作。2000、2015和2018年的样本点个数分别为746、742、727,随机选取样本的70%作为训练数据,剩余30%样本作为测试数据以进行精度评价。

3.2 分类方法

随机森林(Random Forest, RF)是Leo Breiman于2001年提出的一种基于分类回归树的组合分类算法16。随机森林算法基本思想是构建一个决策树分类器的集合,每棵决策树都会给出一个的分类选择,采用多个决策树投票的机制来改善决策树容易过拟合的问题,采用多数投票机制的策略来获得最终输出结果。由于具有学习速度快、人工干预少和精确度高等许多优点,随机森林算法被广泛应用于遥感地表覆盖分类研究17-18

使用多种特征变量及特征变量的组合能够有效提高分类的精度。选取多光谱波段、光谱指数、地形特征(高度和坡度)作为分类特征集作为随机森林算法的输入变量。其中,多光谱波段来自合成的最小云量TOA影像;高度和坡度数据来源于美国地质勘探局USGS提供的2000年30 m STRM数字高程模型DEM数据(GEE平台)。光谱特征指数包括归一化植被指数NDVI、归一化建筑指数NDBI和归一化水体指数NDWI,各指数计算公式19如下:

NDVI=LNIR-LREDLNIR+LRED
NDBI=LMIR-LNIRLMIR+LNIR
NDWI=LGREEN-LNIRLGREEN+LNIR

其中:LREDLGREENLNIRLMIR分别表示Landsat影像的红光、绿光、近红外和中红外波段。

根据测试样本对分类结果进行精度评价,利用混淆矩阵表示精度评价结果19,具体评价指标包括总体精度、Kappa系数和用户精度、制图精度等,从不同的方面评价影像分类的结果20

3.3 变化监测及分析方法

采用分类后比较法进行苏拉威西岛的地表覆盖变化监测,该方法能最大限度地减少多时相影像之间的大气、传感器和环境差异的影响,提供完整的变化信息矩阵21。但分类后比较法需要大量的时间和专业知识来创建分类产品,且变化监测的最终准确性取决于每个日期分类图像的精度21

根据各期地表覆盖分类结果,利用分类后比较法获得的地类转移矩阵及地类统计信息分析海岛地表覆盖结构及类型变化特征;根据地表覆盖变化监测图分析苏拉威西岛主要地类的变化分布特征;采用动态变化指标分析某时段内地类变化的幅度,包括单一地表覆盖动态度(K)、综合地表覆盖动态度(LC)、地表覆盖开发度(LUD)和地表覆盖耗减度(LUC)4个指标,各指标的计算公式和含义如表2所示2

表2   地表覆盖动态变化指标描述

Table 2  Description of dynamic changes in land cover

指标含义公式注释
单一地表覆盖动态度某一地类在某时段内变化的幅度K=LUb-LUaLUc×1T×100%LUa:a时间某地类面积;LUb:b时间某地类面积;T:a、b时间间隔;ΔLUi-j:地类i转为非i地类的面积;n:地类的总数;Dab:从a时间到b时间,某一地类转入面积;Cab:从a时间到b时间,某一地类转出面积
综合地表覆盖动态度某时段内地表覆盖的数量变化程度LC=inΔLUi-j2inLUt×1T×100%
地表覆盖开发度单位时间内某一地类实际新开发的程度LUD=DabLUa×1T×100%
地表覆盖耗减度单位时间内某一种地类实际被消耗的程度

LUD=CabLUa×1T×100%

新窗口打开| 下载CSV


4 结果与讨论

4.1 地表覆盖结构及类型变化特征

混淆矩阵结果如表3所示,苏拉威西岛2000、2015和2018年3期分类结果的总体精度分别为90.75%、88.09%、84.98%,Kappa系数分别为0.89、0.86、0.82。基于随机森林算法、分类后比较法开展地图制图的准确性取决于各期分类结果的精度,在本研究中不仅各期分类的总体精度和Kappa系数均在80%以上,而且典型的、不易变化的地类(如人造地表、水体、湿地等)在各期分类结果中也具有较高的制图精度(表3),表明本研究方法准确可靠。

表3   苏拉威西岛各地表覆盖类型精度评价

Table 3  Accuracy assessment of land cover types in Sulawesi

2000年2015年2018年
地类用户精度/%制图精度/%用户精度/%制图精度/%用户精度/%制图精度/%
人造地表82.3590.3287.1891.8972.7382.76
裸地93.3387.510010085.0080.95
水体86.6796.3093.9488.5784.3896.43
湿地96.0096.0095.8395.8396.30100
草地86.3686.3668.0077.2762.9680.95
林地91.4996.4895.3591.1195.4597.67
耕地96.3086.6782.1480.7093.3362.22
总体精度/%90.7588.0984.98
Kappa系数0.890.860.82

新窗口打开| 下载CSV


由2000、2015和2018年3期苏拉威西岛地表覆盖图(图2)及各地类面积占比图(图3)可知,苏拉威西岛地表覆盖的整体结构特征为:以林地、耕地两大地类为主,两大地类面积占总面积的85%以上(图3)。2000年林地和耕地的面积分别为106 532.28 km2、53 015.61 km2,至2018年两类的面积变化到107 629.13 km2、38 748.29 km2。2000~2018年苏拉威西岛的地表覆盖变化特征为:林地面积基本保持不变,仍是苏拉威西岛占比最大的地表覆盖类型;耕地面积呈现萎缩的态势,萎缩幅度为27%,但仍是苏拉威西岛的面积第二大地类;人造地表、草地面积呈现显著增加的态势,涨幅分别为156%、466%,在苏拉威西地类结构中占比越来越大;湿地面积呈现增加后减少的变化特征,增加和减少的比例分别是58%和60%。

图2

图2   苏拉威西岛地表覆盖空间分布图

Fig.2   Land cover maps of Sulawesi


图3

图3   苏拉威西岛各地类面积及变化情况图

Fig.3   Area of land cover types in Sulawesi Island


由2000~2018年苏拉威西岛地表覆盖转移矩阵(表4~5)及地表覆盖类型转移图(图4)可以更加明确、直观地获得各地类间的相互转换情况。从各地类最终面积增减量角度分析,2000~2015年林地面积变化最大,减少7 982.29 km2;2015年至2018年耕地面积变化量最大,减少13 948.88 km2,林地变化量仅次于耕地,面积增加9 079.17 km2。从主要地类流入转出角度分析,林地面积先减后增,总体略增,2000~2015年有14 410.43 km2 的林地转化为其它地类,主要流向耕地(68.11%)、草地(22.38%);2015~2018年有12 468.44 km2 的其他地类转变为林地,增加的林地主要来自耕地(78.26%)、湿地(11.23%)以及草地(10.28%)。耕地面积逐年递减,耕地在2015年之前减少不大,在2015~2018年有19 162.42 km2的耕地转变为其他地类,主要流向林地(50.92%)、草地(33.50%)以及人造地表(9.25%)。

表4   2000~2015年苏拉威西岛地表覆盖转移矩阵 (km2)

Table 4  The transfer matrix of land cover types in Sulawesi from 2000 to 2015

2000年
地类人造地表裸地水体湿地草地林地耕地总计
2015年人造地表390.9020.18165.7123.64236.9286.181 612.752 536.27
裸地25.426.6615.532.2828.3813.88114.66206.81
水体54.8921.212 701.42146.939.0544.25776.663 754.41
湿地4.7317.76117.49561.561.261 227.08627.202 557.08
草地248.9830.94122.5632.311 289.363 224.445 242.3810 190.98
林地165.25348.71935.26260.55126.8692 121.854 591.5198 549.99
耕地613.4635.68780.93596.10805.909814.6340 050.4452 697.14
合计1 503.62481.164 838.891 623.372 497.74106 532.2853 015.61
变化面积1 112.72474.502 137.471 061.811 208.3814 410.4312 965.17
增(减)1 032.65-274.34-1 084.48933.717 693.24-7 982.29-318.47

新窗口打开| 下载CSV


表5   2015~2018年苏拉威西岛地表覆盖转移矩阵 (km2)

Table 5  The transfer matrix of land cover in Sulawesi from 2015 to 2018

2015年
地类人造地表裸地水体湿地草地林地耕地总计
2018年人造地表1 281.7185.13108.398.61524.7666.901 772.473 847.96
裸地152.2643.7141.159.95121.5565.68156.07590.36
水体156.8211.623 337.2155.2233.8671.57835.524 501.82
湿地3.850.1864.32697.365.7032.93221.831 026.16
草地394.9530.7512.0110.445 763.751 517.756 419.3014148.95
林地8.962.2018.181 400.021 281.8595 160.699 757.23107 629.13
耕地537.7333.22173.15375.482 459.521 634.4433 534.7538 748.29
合计2 536.27206.813 754.412 557.0810 190.9898 549.9652 697.17
变化面积1 254.56163.10417.201 859.724 427.233 389.2719 162.42
增(减)1 311.69383.55747.41-1 530.923 957.979 079.17-13 948.88

新窗口打开| 下载CSV


图4

图4   2000~2018年苏拉威西岛地表覆盖类型转移图

Fig.4   The transfer map of land cover types in Sulawesi during 2000~2018


4.2 地表覆盖时空变化特征

根据苏拉威西岛地表覆盖变化监测结果可知各监测时间段内地表覆盖空间位置的变化情况,结合主要地表覆盖类型——林地和耕地的变化监测图,分析苏拉威西岛地表覆盖时空变化特征。

由林地变化监测图(图5)可以发现,2000~2015年林地主要呈现围绕原林区不断向内萎缩的趋势,主要分布于山区和平坦地区过渡的地方,尤其是南半岛和东南半岛;在原林地区域的内部也有其他地类转为林地,但增加面积小且支离破碎。2015~2018年林地面积呈明显增加的态势,增加的区域主要出现在东半岛、东南半岛和南半岛与耕地过渡的区域。

图5

图5   苏拉威西岛林地变化监测图

Fig.5   Change map of forest in Sulawesi


由耕地变化监测图(图6)可发现,2000~2015年期间耕地面积有增有减,主要呈现“一侧扩张一侧退化”的动态变化态势,扩张的面积主要分布于紧接原耕地与林地接壤的区域,即从林地转变而来;退化的面积主要分布两个区域,一是紧接原耕地的靠近海岸的区域,二是苏拉威西岛的中心。在2015~2018年期间,耕地面积主要呈现减少的态势,减少区域主要分布在苏拉威西岛东北半岛、南半岛、东南半岛,还有一部分位于岛中心区域。

图6

图6   苏拉威西岛耕地变化监测图

Fig.6   Change map of cultivated land in Sulawesi


4.3 地表覆盖动态变化特征

根据单一地表覆盖动态度(K)模型、地表覆盖开发度(LUD)模型以及地表覆盖损耗度(LUC)模型计算得到了苏拉威西岛地表覆盖动态变化指标(表6)。根据综合地表覆盖动态度(LC)模型,可得2000~2015年苏拉威西岛地表覆盖年均综合动态度为0.65%,而2015~2018年苏拉威西岛年均综合动态度为3.00%,表明在2015~2018年期间苏拉威西岛的地表覆盖数量变化程度比2000~2015年时段更剧烈。

表6   苏拉威西岛地表覆盖动态变化指标

Table 6  Index of Sulawesi's land cover dynamic change

2000~2015年2015~2018年2000~2018年
指标KLUDLUCKLUDLUCK
人造地表/%4.589.514.9317.2433.7316.498.66
裸地/%-3.802.516.5761.8288.1126.291.26
水体/%-1.495.102.946.6410.343.70-0.39
湿地/%3.8310.484.36-19.964.2924.24-2.04
草地/%20.5326.543.2312.9527.4314.4825.92
林地/%-0.506.160.903.074.221.150.06
耕地/%-0.046.551.63-8.823.3012.12-1.50

新窗口打开| 下载CSV


表6可知,耕地在2000~2015年、2015~2018年两个时段及2000~2018年总时段内的年均单一动态度均为负值,分别为-0.04%、-8.82%和-1.50%,表明从2000~2018年耕地面积呈现递减的态势。而人造地表的总面积呈持续增加的态势,3个不同的时段内年均单一动态度分别为4.58%、17.24%、8.66%,且人造地表类型内变化较大(人造地表新增和损耗的程度都大),在2015~2018年期间更为突出,年均开发度和年均损耗度分别为33.73%和16.49%。此外,林地的年均动态度、开发度、耗减度都较低,表明但林地数量变化程度小,但由于面积比重最大,林地面积的变化量仍然十分显著。

4.4 地表覆盖变化主要驱动力分析

地表覆盖变化是人类活动与自然环境相互作用的直接体现,一方面受气候、地貌、土壤性质等自然地理条件的影响,另一方面受土地利用政策、人口变化、经济发展、产业结构等人为因素影响22。从2000~2018年近20 a间苏拉威西岛的地表覆盖变化主要受到自然环境、政府政策(人口迁移、禁止非法采伐)和经济发展等因素的影响。

苏拉威西岛位于构造活动活跃的地区,且受全球气候变化的影响,苏拉威西岛的火山、地震、海啸等灾害变得更加频繁,这些自然灾害事件对于局部区域的地表覆盖变化具有较大的影响,比如位于原始森林中心的火山爆发会导致林地变为裸地,且不易恢复。此外,由于苏拉威西岛中部为陡峭的高山区,人类活动集中在盆地和峡谷,位于陡峭斜坡上的大部分的原始森林都得以保存。

印度尼西亚政府实施移民计划,将人口大规模地向人烟相对稀少、原始热带雨林密布的偏远岛屿迁移,苏拉威西岛的西南半岛和中部地区成为国家移民计划的中心23。人口的增加导致建设用地的扩张(18 a间人造地表新增了2 344.34 km2),并且移民安置点多在林区附近,移民往往砍伐森林以开辟耕地24(18 a间共有11 449.07 km2林地变为耕地)。2015~2018年的林地逐渐恢复,一是由于2015年印度尼西亚的移民计划彻底停止;二是由于森林破坏造成水土流失加重、土壤退化日益明显、可灌溉地也显著减少,直接威胁到农业生产和环境保护23,印度尼西亚政府加强森林管理,打击非法采伐,帮助森林部门开展现代化建设25

经济的发展是苏拉威西岛地表覆盖变化的另一个重要因素,苏拉威西岛除了主要种植水稻、玉米等农作物以及椰子、丁香、可可等经济性作物,其他重要的经济来源还包括渔业、林业和采矿业。人造地表的扩张不仅与人口因素有关,更受经济发展的影响。2000~2015年间人造地表的扩张侵占了1 612.75 km2的耕地,2015~2018年间侵占了1 772.47 km2的耕地;并且随着渔业和采矿业的发展,苏拉威西新增了许多渔场、港口、采矿场、运输道路等建设用地。林业行业的巨大利益和非法采伐活动的日益猖獗是2000~2015年间苏拉威西岛林地减少的另一重要原因,大量的原始森林被砍伐以出口木材获利25-26,由于森林被毁坏后短时间内不能恢复,18 a间共有4 742.19 km2的林地变为草地。

5 结 语

本文基于GEE地学大数据平台,以苏拉威西岛为例,开展了海岛地表覆盖的提取、变化监测及分析研究。GEE在海岛地表覆盖提取工作中具有处理数据量大、数据预处理及分类速度快的优势,且随机森林分类算法的提取结果准确可靠,各期分类精度均在80%以上。苏拉威西岛的主要地表覆盖类型为林地、耕地,两者占整个研究区的85%以上。2000~2018年期间林地面积呈现先减后增且整体变化不大的变化特征;耕地面积呈现递减的变化特征,且主要流向林地、草地、人造地表。2015~2018年期间各地类的变化程度比2000~2015年时段更剧烈。苏拉威西岛地表覆盖变化的驱动因素主要是自然环境、政府政策以及经济发展。

在气候变化的影响下,像苏拉威西这类的生态型海岛面临着海平面上升、极端气候事件(地震、火山爆发、台风等)增加、生态系统破坏等严重问题。同时,海岛的地表覆盖变化对于区域及全球的气候、环境、生态系统也具有巨大的影响。研究海岛的地表覆盖现状及变化信息,不仅能够为海岛的管理和开发提供参考,也可为区域及全球气候环境变化研究提供有价值的科学信息。

参考文献

Li YapingYan QinLiu Zhengjunet al.

Extraction and Variation Analysis of Zhaoshu Isle Land Cover based on High Resolution Remote Sensing Images

[J]. Journal of Tropical Oceanography, 2016352): 93-101.

[本文引用: 1]

李亚萍燕琴刘正军.

基于高分辨率遥感影像的西沙赵述岛地表覆盖提取与演变分析

[J]. 热带海洋学报, 2016352): 93-101.

[本文引用: 1]

LI Yaping.

Change Detection and Analysis of Surface Coverage on Island and Reefs Via High Resolution Remote Sensing Image

[D].LanzhouLanzhou Jiaotong University2015.

[本文引用: 3]

李亚萍.

高分辨率遥感影像海岛礁地表覆盖变化检测与分析

[D]. 兰州兰州交通大学2015.

[本文引用: 3]

Zhang Linlin.

Analysis Change on the Surface Coverage of Island based on Object-Oriented: Take Tongpan Island as Example

[D]. HangzhouHangzhou Normal University2018.

张琳琳

基于面向对象的海岛地表覆盖变化分析——以铜盘岛为例

[D].杭州:杭州师范大学,2018.

[本文引用: 1]

Chen JPan DMao Zet al.

Land-cover Reconstruction and Change Analysis Using Multisource Remotely Sensed Imageries in Zhoushan Islands Since 1970

[J]. Journal of Coastal Research, 2013302): 272-282. doi: 10.2112/JCOASTRES-D-13-00027.1.

[本文引用: 1]

Mei AManzo CFontinovo Get al.

Assessment of Land Cover Changes in Lampedusa Island(Italy) Using Landsat TM and OLI Data

[J]. Journal of African Earth Sciences, 201612215-24. doi:10.1016/j.jafrearsci.2015.05.014.

[本文引用: 1]

Mageswaran TSachithanandam VSridhar Ret al.

Mapping and Monitoring of Land Use/land Cover Changes in Neil Island(south Andaman) Using Geospatial Approaches

[J].Indian Journal of Geo-Marine Sciences,20154411):1762-1768.

[本文引用: 1]

Kumar LGhosh M K.

Land Cover Change Detection of Hatiya Island,Bangladesh,Using Remote Sensing Techniques

[J]. Journal of Applied Remote Sensing, 201261): 063608. doi: 10.1117/1.jrs.6.063608.

[本文引用: 1]

Myers NMittermeier R AMittermeier C Get al.

Biodiversity Hotspots for Conservation Priorities

[J]. Nature, 20004036772): 853. doi: 10.1038/35002501.

[本文引用: 1]

Luo YongJiang YingDong Wenjieet al.

Climate Change and Sea Level Rise and Their Impacts on the Damage of Tsunami

[J].Science & Technology Review. 2005230503): 41-44.

罗勇

江滢, 董文杰, .

气候变化与海平面上升及其对海啸灾害的影响

[J]. 科技导报, 2005230503): 41-44.

[本文引用: 1]

Diffenbaugh N SSingh DMankin J Set al.

Quantifying the Influence of Global Warming on Unprecedented Extreme Climate Events

[J]. Proceedings of the National Academy of Sciences,201711419):4881-4886. doi:10.1073/pnas.161808 2114.

[本文引用: 1]

Cannon C HSummers MHarting J Ret al.

Developing Conservation Priorities based on Forest Type, Condition, and Threats in a Poorly Known Ecoregion: Sulawesi, Indonesia

[J]. Biotropica, 2007396): 747-759. doi: 10.1111/j.1744-7429.2007.00323.x.

[本文引用: 1]

Xu HanzeyuLiu ChongWang Junbanget al.

Study on Extraction of Citrus Orchard in Gannan Region based on Google Earth Engine Platform

[J]. Journal of Geo-information Science, 2018203):396-404.

[本文引用: 1]

徐晗泽宇刘冲王军邦.

Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究

[J]. 地球信息科学学报, 2018203):396-404.

[本文引用: 1]

Liu KaiPeng LihengLi Xianget al.

Monitoring the Inter-annual Change of Mangrove based on the Google Earth Engine

[J]. Journal of Geo-information Science, 2019215):731-739.

[本文引用: 1]

刘凯彭力恒李想谭敏王树功.

基于Google Earth Engine的红树林年际变化监测研究

[J]. 地球信息科学学报, 2019215): 731-739.

[本文引用: 1]

Di Gregorio AJansen L J M.

Land Cover Classification System(LCCS): Classification Concepts and User Manual. Environment and Natural Resources Service

[R]. GCP/RAF/287/ITA Africover—East Africa Project and Soil Resources, Management and Conservation Service, Food and Agriculture Organization2000.

[本文引用: 1]

Erasmi STwele A.

Regional Land Cover Mapping in the Humid Tropics Using Combined Optical and SAR Satellite Data—A Case Study from Central Sulawesi, Indonesia

[J]. International Journal of Remote Sensing, 20093010): 2465-2478. doi: 10.1080/01431160802552728.

[本文引用: 1]

Breiman L.

Random Forests

[J]. Machine Learning, 2001451): 5-32. doi: 10.1023/A:1010933404324.

[本文引用: 1]

Gislason P OBenediktsson J ASveinsson J R.

Random Forests for Land Cover Classification

[J]. Pattern Recognition Letters,2006274):294-300. doi:10.1016/j.patrec.2005.08.011.

[本文引用: 1]

Waske BBraun M.

Classifier Ensembles for Land Cover Mapping Using Multitemporal SAR Imagery

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009645):450-457. doi:10.1016/j.isprsjprs.2009.01.003.

[本文引用: 1]

He ZhaoxinZhang MiaoWu Bingfanget al.

Extraction of Summer Crop in Jiangsu based on Google Earth Engine

[J]. Journal of Geo-information Science, 2019215):752-766.

[本文引用: 2]

何昭欣张淼吴炳方.

Google Earth Engine支持下的江苏省夏收作物遥感提取

[J].地球信息科学学报,2019215):752-766.

[本文引用: 2]

Hou XiyongDi XianghongHou Wanet al.

Accuracy Evaluation of Land Use Mapping Using Remote Sensing Techniques in Coastal Zone of China

[J]. Journal of Geo-information Science, 20182010):1478-1488.

[本文引用: 1]

侯西勇邸向红侯婉.

中国海岸带土地利用遥感制图及精度评价

[J].地球信息科学学报,20182010):1478-1488.

[本文引用: 1]

Wahyuni R.

Forest Change Analysis Using OBIA Approach and Supervised Classification a Case Study: Kolaka District, South East Sulawesi

[C]∥2017 International Conference on Advanced Computer Science and Information SystemsICACSIS2017. doi:10.1109/ICACSIS.2017.8355019.

[本文引用: 2]

Du GuomingKuang WenhuiMeng Fanhaoet al.

Spatiotemporal Pattern and Driving Forces of Land Use/cover Change in Brazil

[J].Progress in Geography,2015341):73-82.

[本文引用: 1]

杜国明匡文慧孟凡浩.

巴西土地利用/覆盖变化时空格局及驱动因素

[J].地理科学进展,2015341): 73-82.

[本文引用: 1]

Shen Yanqing.

An Analysis on Indonesia's Transmigration Program(1905~2000)

[J]. Crossroads: Southeast Asian Studies, 20109):20-24.

沈燕清

.印度尼西亚国内移民计划浅析(1905~

2000年)

[J].东南亚纵横,20109):20-24.

[本文引用: 2]

Kim Y.

Facts and Fictions of 'Transmigrasi' in Indonesia

[J]. The Journal of Asian Studies, 2019221):75-100. doi: 10.21740/jas.2019.02.22.1.75.

[本文引用: 1]

Liu XinlaiLi Zhen.

Law Enforcement Measures of Indonesian Forest Police Against Illegal Logging and Relevant Problems

[J]. World Forestry Research,2019324):82-85.

[本文引用: 2]

刘心来李震.

印度尼西亚森林警察打击非法采伐的执法对策及存在问题分析

[J].世界林业研究,2019324):82-85.

[本文引用: 2]

Jiang FengpingLu WenmingSun Ruiet al.

Analysis of Illegal Logging in Indonesia

[J]. World Forestry Research,2013263):79-82.

[本文引用: 1]

姜凤萍陆文明孙睿.

印度尼西亚木材非法采伐现状分析

[J].世界林业研究,2013263):79-82.

[本文引用: 1]

/