基于光谱特征的决策树分类方法研究——以昆明市东北部地区为例
高光谱图像分类算法中的特征选择方法
高光谱图像分类算法中的特征选择方法随着遥感技术的发展，高光谱图像在地质勘探、农业、城市规划等领域得到了广泛的应用。
为了有效利用高光谱图像数据，研究人员一直在探索合适的特征选择方法，以提高图像分类的准确性和效率。
本文将介绍几种常用的特征选择方法，并对它们在高光谱图像分类算法中的应用进行讨论。
一、相关性分析法相关性分析法是最常用的特征选择方法之一。
它基于特征与目标变量之间的相关性，通过计算它们之间的统计指标（如相关系数）来选择最相关的特征。
在高光谱图像分类中，可以使用相关性分析法来确定哪些波段与分类任务最相关，并在分类模型中仅使用这些波段的信息。
通过减少特征维度，可以提高分类算法的效率，并降低过拟合的风险。
二、信息增益法信息增益法是一种基于信息论的特征选择方法。
它通过计算每个特征对于分类任务的信息增益，确定其重要性。
信息增益是指特征引入后对系统整体不确定度的减少程度。
在高光谱图像分类中，信息增益法可以用于选择那些在分类过程中能提供更多信息的特征。
通过选择具有较高信息增益的特征，可以提高分类算法的准确性。
三、最大信息系数法最大信息系数法是一种非参数的特征选择方法。
它可以测量两个变量之间的相关性，并通过计算它们的最大信息系数来选择最相关的特征。
在高光谱图像分类中，最大信息系数法可以用于筛选那些在分类任务中与目标变量相关性最强的特征。
对于高光谱图像来说，不同波段之间可能存在较强的相关性，因此使用最大信息系数法可以帮助排除冗余的特征，提高分类算法的效果。
四、L1范数稀疏化方法L1范数稀疏化方法是一种基于稀疏表示的特征选择方法。
它通过最小化特征向量的稀疏性度量，实现特征的选择与分类同时进行。
在高光谱图像分类中，L1范数稀疏化方法可以帮助选择那些对分类任务最重要的特征。
与其他方法相比，L1范数稀疏化方法具有较好的鲁棒性和稳定性，对于高光谱图像分类任务具有一定的优势。
五、主成分分析法主成分分析法是一种常用的特征选择方法。
基于决策树的土地分类方法案例研究
基于决策树的土地分类方法案例研究作者：张成强周国祥齐红超来源：《科技资讯》 2013年第24期张成强1 周国祥2 齐红超3(1.山东日照市莒县国土资源局山东济南 250001; 2.济南军区司令部第二部山东济南250001; 3.北京中科九度有限公司北京 100000)摘要：以鲁中地区为例，利用卫星遥感影像数据，探讨了基于决策树算法的土地分类方法，结果表明，基于决策树算法的土地分类方法可以自动生成分类规则，效率高，周期短，对于当前大面积土地综合利用的研究具有重要意义。
关键词：决策树鲁中地区土地覆被中图分类号：P23文献标识码：A 文章编号：1672-3791(2013)08(c)-0203-02土地利用的变化，反映的是人类为满足社会经济发展需要，不断调配各种土地利用的过程。
因此土地利用/覆被变化（LUCC）研究一直是全球土地研究的重点内容[1]。
随着社会发展进程的不断加快，传统的实地调查和定位观测已经跟不上土地资源变化的节奏。
通用做法是利用遥感（RS）和地理信息系统（GIS）相结合的方法进行分析处理，而对大范围地域的土地覆被分析需要大量的遥感数据及辅助数据的处理、集成、解译过程[2]，因此对高效率、高精度的遥感自动分类算法的需求非常迫切。
近年来，机器学习算法由于其在效率和分类精度的优势开始取代传统的监督和非监督算法[3]。
决策树算法和人工神经网络是机器学习算法中比较典型的算法，他们在利用遥感图像对土地覆被分类中各有特点：决策树算法在分类规则上速度较快，而人工神经网络算法的精度较高[4]。
本文通过利用C5.0决策树算法对鲁中地区的土地覆被进行了分析研究，在数据的处理方面选择了原始波段数据、纹理数据、非监督分类数据作为决策树算法的原始数据，选择了2071个样本点，对样本点进行分类学习，之后学习得到的分类规则对整个研究区进行分类1 研究区概况鲁中地区，面积大约 6.5万平方公里，整个地区南低北高，西侧为鲁西北平原，东侧为潍、沐河谷底和漫长海岸，北临莱州湾，南面与苏北平原接壤，省内四分之三的山地以近圆形集中于该区，属于一种典型的中尺度地形，具有特殊的研究价值。
利用光谱遥感技术进行林木种类研究与分类
利用光谱遥感技术进行林木种类研究与分类光谱遥感技术是一种非常有用的工具，可以帮助我们了解地球上不同地区的植被分布和种类。
在林木种类研究和分类方面，光谱遥感技术在提供高效准确的数据方面有着巨大的潜力。
本文将介绍利用光谱遥感技术进行林木种类研究与分类的方法和应用。
首先，光谱遥感技术可通过分析不同波段的反射率来识别和分类不同种类的林木。
不同种类的植物具有不同的光谱特性，这些特征能够以数字化形式记录在光谱数据中。
通过比较不同种类植物在不同波段的反射率变化，我们可以得到用于分类的重要特征。
在进行林木分类之前，我们需要采集大量的光谱数据。
这些数据可以通过航空或卫星遥感技术获取。
航空遥感技术使用搭载在航空器上的高分辨率光谱仪，可以获取更为详细和准确的光谱数据。
而卫星遥感技术则能够覆盖更大范围的地区。
通过对这些数据进行处理和分析，我们可以了解不同地区的植被类型和林木种类。
利用光谱遥感技术进行林木种类研究与分类需要一些先验知识。
在开始研究时，我们需要进行地面调查和数据采集，确定不同地区的林木种类和分布情况。
这些数据可以作为训练样本，用于开发分类算法和建立模型。
常用的光谱遥感技术中，最常使用的是多光谱遥感技术。
多光谱遥感数据包含了多个波段的信息，从可见光到红外波段。
这些波段各自对应着不同的光谱特征，可以提供丰富的信息用于分类分析。
通过对多光谱数据进行特征提取和处理，例如主成分分析、线性判别分析和神经网络等方法，可以提取出林木种类分类所需的信息。
除了多光谱数据，高光谱遥感数据也被广泛应用于林木种类研究与分类。
高光谱遥感数据包含更多的波段信息，通常涵盖了可见光和近红外波段。
这种数据可以提供更为详细和精确的光谱特征，能够更准确地识别和分类不同种类的林木。
在利用光谱遥感技术进行林木种类研究与分类时，建立一个准确的分类模型是至关重要的。
在模型的建立中，我们通常使用监督学习算法，例如支持向量机、随机森林和人工神经网络等方法。
这些方法能够根据已知的训练样本进行分类模型的训练和测试，然后将学习到的模型应用于未知数据进行林木种类的分类。
基于NDVI的决策树分类方法研究
基于NDVI的决策树分类方法研究严玉奎【摘要】20世纪80年代以来,随着城镇化进程的快速发展,我国土地利用结构发生了明显的变化.及时准确地掌握土地利用状况有利于有关部门根据土地利用现状做出合理的规划和正确的决策,有利于促进经济和社会的协调发展.本文针对石河子垦区地物覆盖的特点,综合分析了不同覆盖类别区域的时序NDVI特性以及他们之间的差异性,选择最能反映土地覆盖情况和有效区分不同地类的两期TM影像,解算制作NDVI亮度图.利用均值滤波器对NDVI亮度图进行平滑处理,降低噪声.根据不同地物时序NDVI的差异选择适当的阈值进行决策树分类.精度评价结果表明该方法能够简单有效的区分不同覆盖类型的地类,特别是季节性变化差异较大的地区.【期刊名称】《北京测绘》【年(卷),期】2016(000)003【总页数】6页(P85-89,84)【关键词】NDVI;均值滤波;决策树;分类【作者】严玉奎【作者单位】中材地质工程勘查研究院有限公司,北京100102【正文语种】中文【中图分类】P237土地资源是人类赖以生存和发展的物质基础。
随着科学技术的大幅度进步和经济水平快速提高，人类对土地的利用强度不断增强，导致了地表生物地球化学循环水温过程和景观动态的快速变化，土地利用成为当前人类活动对全球变化的重要影响因素。
土地覆盖变化及其时空规律研究已经成为当前全球变化研究的热点问题[1]。
遥感能够快速、准确地获取大范围地表变化信息，已经成为当前土地覆盖变化研究的主要手段。
NDVI( Normalized Difference Vegetation Index , 归一化植被指数)作为一个重要的遥感参数，能够敏感地反映出植被生长状况、生物物理化学性质及生态系统参数的变化，在一定程度上反映了像元所对应区域的土地覆盖类型的综合情况，因而在在土地覆盖遥感研究中植被系数常被用于土地覆盖的分类、描述植被生长状况、植被光合能力、叶面积指数 ( LAI) 、现存绿色生物量和植被生产力等。
基于MODIS数据的决策树分类方法研究与应用
基于MODIS数据的决策树分类方法研究与应用刘勇洪;牛铮;王长耀【期刊名称】《遥感学报》【年(卷),期】2005(009)004【摘要】介绍了目前国际上流行的两种决策树算法--CART算法与C4.5算法,并引入了两种机器学习领域里的分类新技术--boosting和bagging技术,为探究这些决策树分类算法与新技术在遥感影像分类方面的潜力,以中国华北地区MODIS250m分辨率影像进行了土地覆盖决策树分类试验与分析.研究结果表明决策树在满足充分训练样本的条件下,相对于传统方法如最大似然法(MLC)能明显提高分类精度,而在样本量不足下决策树分类表现差于MLC;并发现在单一决策树生成中,分类回归树CART算法表现较C4.5算法具有分类精度和树结构优势,分类精度的提高取决于树结构的合理构建与剪枝处理;另外在决策树CART中引入boosting 技术,能明显提高那些较难识别类别的分类准确率18.5%到25.6%.【总页数】8页(P405-412)【作者】刘勇洪;牛铮;王长耀【作者单位】中国科学院,遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院,遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院,遥感应用研究所,遥感科学国家重点实验室,北京,100101【正文语种】中文【中图分类】TN911.73【相关文献】1.基于MODIS影像的森林类型决策树分类方法研究 [J], 吴梓尚;林辉;孙华;林欣2.基于MERSI和MODIS数据的2种监督分类方法比较研究 [J], 王馨凝;李国春3.基于 CART 决策树方法的 MODIS 数据海冰反演 [J], 张娜;张庆河4.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类[J], 刘明月;王宗明;满卫东;毛德华;贾明明;张柏;张淼5.基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类[J], 刘明月;王宗明;满卫东;毛德华;贾明明;张柏;张淼;;;;;;;;;因版权原因，仅展示原文概要，查看原文内容请购买。
云南大学东陆园植被景观的光谱特征
云南大学东陆园植被景观的光谱特征曹帅强;李阳阳;张军【摘要】植被景观是我国校园生态环境建设与文化认知的重要组成部分,非成像地物光谱仪得到的植被光谱特征是植被景观分类的重要依据.以云南大学东陆园为例,采用野外光谱仪对针、阔、草三种典型绿色植被和不同颜色植被的反射光谱进行采集和处理,得到六种植被的反射光谱.通过分析三种绿色植被的反射光谱特征、一阶导数光谱和二阶导数光谱,建立了校园植被景观中针、阔、草的区分特征规律.研究结果表明:(1)特征值分别位于反射光谱的红光区(反射率从高到低依次为:草地、阔叶林、针叶林)、一阶导数光谱红边峰值(峰值从高到低次序与反射率相同)和二阶导数的四个特征波段(683 nm—703 nm(二阶导数>0)、724 nm—755 nm(二阶导数<0)、756 nm—760 nm(二阶导数>0)和760 nm—765 nm(二阶导数<0)),峰值从高到低分别对应草地、阔叶林、针叶林,且二阶导数区分性最好;(2)彩色植被由于花青素差异,红、黄、蓝青三种花在可见光波段对应颜色区域呈现较高的反射率,因此可见光区的反射特征可以用来区分不同色系的彩色植被.【期刊名称】《衡阳师范学院学报》【年(卷),期】2018(039)003【总页数】7页(P116-122)【关键词】校园植被景观;反射光谱;导数光谱;云南大学【作者】曹帅强;李阳阳;张军【作者单位】湖南省古村古镇文化遗产数字化传承协同创新中心,湖南衡阳421002;云南大学资源环境与地球科学学院,云南昆明 650000;湖南省古村古镇文化遗产数字化传承协同创新中心,湖南衡阳 421002;湖南省古村古镇文化遗产数字化传承协同创新中心,湖南衡阳 421002【正文语种】中文【中图分类】Q436校园植被景观是我国重要“科—学—游”一体化为集合的文化功能、空间构景和地域特色等的总和，具有一定的地方意义。
学术界主要从校园植物景观的群落结构特征[1]、文化内涵[2]、规划设计[3]与配置[4]、质量提升改造[5]等方面做了大量研究工作，但对于充分识别校园植被景观特征仍需要深入探讨。
基于See5.0算法的决策树构建与分类研究
基于See5.0算法的决策树构建与分类研究
梁坤;常鲁群
【期刊名称】《矿山测量》
【年(卷),期】2009(000)002
【摘要】文中以地形较为复杂的济南市长清区为研究区域,综合TM影像的光谱特征、纹理特征与区域内的地形特征、植被特征信息作为样本集的属性值,结合研究区内6种主要地物类型训练数据集,基于See5.0的决策树分类法进行分类实验,并在ENVI中提取土地的利用现状信息.实验结果表明:综合利用不同的特征数据会有效的提高分类精度;See5.0和ENVI相结合可以高效、高精度地、客观地实现土地覆盖分类,是基于知识的遥感影像分类的有效的方法.
【总页数】3页(P41-43)
【作者】梁坤;常鲁群
【作者单位】济南市勘察测绘研究院,山东,济南,250013;中国矿业大学环境与测绘学院,江苏,徐州,221008
【正文语种】中文
【中图分类】TP75
【相关文献】
1.基于改进决策树分类算法的遥感影像分类研究 [J], 薄瑜;刘瑞杰;何丹丹
2.基于指数的决策树土地利用分类算法研究 [J], 何朝霞
3.基于决策树分类算法的高校远程教学质量评估研究 [J], 甘甜
4.基于决策树算法的古代方剂分类研究 [J], 王鹏;张静宇;石文;宇文宗辉;师帅
5.区块链框架下基于优化决策树模型的大数据分类算法研究 [J], 杨薇薇;曾凌静因版权原因，仅展示原文概要，查看原文内容请购买。
基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例
基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例林川;宫兆宁;赵文吉;樊磊【摘要】光谱特征变量的选择对于湿地植被识别的精度和效率有着直接的影响作用.以华北地区典型的淡水湿地——野鸭湖湿地为研究区,采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植物的冠层光谱.以野外高光谱数据为基础,首先利用一阶导数与包络线去除的方法,分析和对比不同植物生态类型的光谱特征,选定了用于识别植物生态类型的光谱特征变量,选定的8个光谱特征变量为红边位置WP_r、红边幅值Dr、绿峰位置WP_g、绿峰幅值Rg、510 nm附近的吸收深度DEP-510和吸收面积AREA-510、675 nm附近的吸收深度DEP-675和吸收面积AREA-675.其中,7种植物生态类型的一阶导数光谱特征差异较小,吸收特征差异性相对较大.除WP_r和WP _g外,沉水植物Rg和Dr平均值最低,湿生植物的Rg平均值最高,达到0.164,栽培植物的Dr平均值最高,达到0.012.7种植物生态类型在675 nm附近的DEP-675和AREA-675均高于510 nm附近的DEP-510与AREA-510,除去栽培植物,随着水分梯度的变化,其他6种植物生态类型的吸收深度和吸收面积都表现出先升高后降低的趋势.然后利用单因素方差分析(One-way ANOVA)验证了所选光谱特征变量的区分度,在P≤0.01的置信水平下,选取的8个光谱特征变量都能够较好的区分7种植物生态类型,区分度的最小值为13,最大值为18,并且吸收特征参数的区分度优于一阶导数参数.最后应用非线性的反向传播人工神经网络(BP-ANN)与线性判别分析(FLDA)的类型识别方法,利用选定的8个光谱特征变量进行湿地植物生态类型识别,取得了较好的识别精度,两种方法的总分类精度分别达到85.5％和87.98％.单因素方差分析(One-way ANOVA)和不同分类器的分类精度表明,所选的8个光谱特征变量具有一定的普适性和可靠性.【期刊名称】《生态学报》【年(卷),期】2013(033)004【总页数】14页(P1172-1185)【关键词】湿地植物生态类型;高光谱;光谱特征变量;单因素方差分析(One-way ANOVA);非线性的反向传播人工神经网络(BP-ANN);线性判别分析(FLDA)【作者】林川;宫兆宁;赵文吉;樊磊【作者单位】首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048;首都师范大学资源环境与旅游学院;三维信息获取与应用教育部重点实验室资源环境与地理信息系统北京市重点实验室;北京市城市环境过程与数字模拟国家重点实验室培育基地,北京100048【正文语种】中文湿地植被作为湿地生态系统的一个重要组成部分，可以综合反映湿地的生境特征，是湿地研究的关键，因此快速、准确进行湿地植被的鉴识，对于湿地资源监测和保护具有重要的意义［1］。
基于多源遥感数据的森林植被类型分类方法研究
基于多源遥感数据的森林植被类型分类方法研究随着遥感技术的发展和应用日益广泛，森林植被类型的分类成为了一个重要的研究方向。
森林植被类型分类是指利用多源遥感数据对不同类型的森林植被进行区分和分类的过程，可以为保护森林资源、监测和评估森林生态环境提供重要的科学依据。
在这篇文章中，我将介绍一种基于多源遥感数据的森林植被类型分类方法的研究。
然后，我们需要进行预处理。
预处理包括大气校正、几何校正和辐射校正等。
大气校正是指根据大气光学特性将遥感数据转换为地物表面反射率，减少大气干扰。
几何校正是指将遥感数据的像素位置与地理坐标建立对应关系，保证数据的空间一致性。
辐射校正是指将遥感数据的辐射量转换为地物表面辐射率，消除不同传感器间的辐射差异。
接下来，我们需要提取特征。
特征提取是指从遥感数据中提取能够反映森林植被类型特征的信息。
常用的特征包括光谱特征、纹理特征和形态特征等。
光谱特征可以通过计算不同波段的反射率来获取，反映不同植被类型的光谱差异。
纹理特征可以通过利用图像的空间关系来描述图像的细节信息，反映不同植被类型的纹理差异。
形态特征可以通过计算图像的形状、大小和方向等来描述图像的形态特征，反映不同植被类型的形态差异。
最后，我们需要选择分类算法进行分类。
常用的分类算法包括最大似然分类法、支持向量机分类法和决策树分类法等。
最大似然分类法基于概率模型，根据统计学原理对每个类别进行分类。
支持向量机分类法通过找到最优超平面将不同类别的样本分隔开来。
决策树分类法通过建立树状结构对输入数据进行分类。
对于森林植被类型的分类，可以根据实际情况选择适合的分类算法。
综上所述，基于多源遥感数据的森林植被类型分类方法主要包括数据获取、预处理、特征提取和分类算法选择等步骤。
通过合理使用多源遥感数据和有效的分类算法，可以提高森林植被类型分类的精度和效果，为森林资源的保护与管理提供重要的支持。
基于GEE的昆明市生态系统服务价值与生态风险变化
第44卷第1期2024年2月水土保持通报B u l l e t i no f S o i l a n d W a t e rC o n s e r v a t i o nV o l .44,N o .1F e b .,2024收稿日期:2023-03-19 修回日期:2023-09-06资助项目:国家重点研发计划政府间国际科技创新合作重点专项 利用地理空间技术监测和评估土地利用/土地覆被变化对区域生态安全的影响 (2018Y F E 0184300);云南省自然科学资助项目 生态文明建设排头兵引领下的云南省三线协调与优化研究 (202101A T 070052);云南省教育厅项目 基于深度学习的滇中城市群L U L C 遥感信息提取 (2022J 0139) 第一作者:冯婧文(1998 ),女(汉族),甘肃省华亭市人,硕士研究生,研究方向为生态环境遥感智能信息提取㊂E m a i l :2387478740@q q .c o m ㊂ 通信作者:丁雪(1983 ),男(汉族),云南省陆良县人,副研究员,主要从事资源环境遥感㊁遥感智能信息处理等方面的研究㊂E m a i l :d i n gx u e _1983@163.c o m ㊂基于G E E 的昆明市生态系统服务价值与生态风险变化冯婧文1,丁雪2,3,4,易邦进5(1.云南师范大学信息学院,云南昆明650500;2.云南师范大学地理学部,云南昆明650500;3.云南省高校资源与环境遥感重点实验室,云南昆明650500;4.云南省地理空间信息技术工程技术研究中心,云南昆明650500;5.云南省地质科学研究所,云南昆明650051)摘 要:[目的]研究区域生态系统服务价值和生态风险变化及影响,为土地资源合理利用及国土空间生态修复提供决策支持㊂[方法]以L a n d s a t 遥感影像为数据源,使用G E E (G o o g l eE a r t hE n g i n e )平台随机森林分类方法对云南省昆明市1990 2020年的土地利用变化信息进行提取,基于解译结果进行空间动态变化分析,采用当量因子法估算生态系统服务价值,运用生态风险模型揭示生态风险变化趋势,并借助双变量空间自相关模型计算二者的相关性㊂[结果]①1990 2020年,昆明市土地利用类型中林地和草地占地面积最大,建设用地面积明显增加,耕地㊁草地和林地面积减少㊂②昆明市生态系统服务价值总体呈逐年上升趋势,共上升3.08ˑ108元,生态保护政策的有效实施对生态系统服务价值的提升有积极作用;研究期间生态风险以中㊁低风险为主,占总面积的79%,生态风险总体均值下降了0.12,城市经济发展与环境保护向良性态势发展㊂③生态风险对生态系统服务价值变化具有一定的影响㊂随着时间的推移,高价值 高风险区面积逐渐减少,低价值 低风险区面积逐渐增加,无明显极值㊂[结论]将区域生态系统服务价值和生态风险结合,能够较好地刻画昆明市人类活动所引起的生态环境状况的改变,为环境保护和高质量的可持续发展提供决策管理参考,有效防范生态风险,使昆明市经济发展与环境保护向良性态势发展㊂关键词:土地利用土地覆盖;生态系统服务价值;生态风险;相关性;昆明市文献标识码:A 文章编号:1000-288X (2024)01-0335-11中图分类号:F 301,X 24文献参数:冯婧文,丁雪,易邦进.基于G E E 的昆明市生态系统服务价值与生态风险变化[J ].水土保持通报,2024,44(1):335-345.D O I :10.13961/j .c n k i .s t b c t b .2024.01.033;F e n g J i n g w e n ,D i n g X u e ,Y iB a n g ji n .C h a n g e s o f e c o s y s t e ms e r v i c e v a l u e a n de c o l o g i c a l r i s k i nK u n m i n g C i t y ba s e do nG E E [J ].B u l l e t i no f S o i l a n d W a t e rC o n s e r v a t i o n ,2024,44(1):335-345.C h a n g e s o fE c o s y s t e mS e r v i c eV a l u e a n dE c o l o gi c a l R i s k i nK u n m i n g C i t y Ba s e do nG E E F e n g J i n g w e n 1,D i n g X u e 2,3,4,Y i B a n g ji n 5(1.S c h o o l o f I n f o r m a t i o nS c i e n c e a n dT e c h n o l o g y ,Y u n n a nN o r m a lU n i v e r s i t y ,K u n m i n g ,Y u n n a n 650500,C h i n a ;2.F a c u l t y o f G e o g r a p h y ,Y u n n a nN o r m a lU n i v e r s i t y ,K u n m i n g ,Y u n n a n 650500,C h i n a ;3.Y u n n a nP r o v i n c i a lK e y L a b o r a t o r y o nR e s o u r c e s a n dE n v i r o n m e n tR e m o t eS e n s i n g o f U n i v e r s i t y ,K u n m i n g ,Y u n n a n 650500,C h i n a ;4.G e o s p a t i a l I n f o r m a t i o nT e c h n o l o g y E n g i n e e r i n g R e s e a r c hC e n t e r o f Yu n n a nP r o v i n c e ,K u n m i n g ,Y u n n a n 650500,C h i n a ;5.Y u n n a nI n s t i t u t e o f G e o l o g i c a lS c i e n c e s ,K u n m i n g ,Y u n n a n 650051,C h i n a )A b s t r a c t :[O b j e c t i v e ]T h ec h a n g e sa n di m p a c to fr e g i o n a le c o s y s t e m s e r v i c e sa n de c o l o gi c a lr i s k s w e r e s t u d i e d i no r d e r t o p r o v i d e d e c i s i o n -m a k i n g s u p p o r t f o r t h e r a t i o n a l u t i l i z a t i o n o f l a n d r e s o u r c e s a n d e c o l o gi c a l r e s t o r a t i o no f t e r r i t o r i a l s p a c e .[M e t h o d s ]L a n d s a t r e m o t e s e n s i n g i m a g e sw e r eu s e dw i t h t h e r a n d o mf o r e s t c l a s s i f i c a t i o nm e t h o do f t h eG E E (G o o g l eE a r t hE n g i n e )p l a t f o r mt o e x t r a c t l a n du s e c h a n ge i nf o r m a t i o n f o r K u n m i ng C i t y ,Y u n n a nP r o v i n c e f r o m1990t o 2020.As p a t i a l d y n a m i c ch a n g e a n a l y si sw a s c a r r i e d o u t b a s e d o n t h e i n t e r p r e t a t i o n r e s u l t s .T h e e q u i v a l e n t f a c t o rm e t h o dw a s u s e d t o e s t i m a t e e c o s ys t e ms e r v i c e v a l u e s .A ne c o l o g i c a l r i s km o d e lw a s u s e d t od e t e r m i n e t h e c h a n g e i n e c o l o g i c a l r i s ko v e r t i m e.T h e c o r r e l a t i o nb e t w e e n e c o s y s t e ms e r v i c ev a l u ea n de c o l o g i c a lr i s k w a sc a l c u l a t e d w i t hab i v a r i a t es p a t i a la u t o c o r r e l a t i o n m o d e l. [R e s u l t s]①A m o n g t h el a n du s et y p e si n K u n m i n g C i t yf r o m1990t o2020,f o r e s t l a n da n dg r a s s l a n d o c c u p i e d th e l a r g e s ta r e a,t h ea r e ao fc o n s t r u c ti o nl a n di n c r e a s e ds i g n i f i c a n t l y,a n dt h ea r e ao fc u l t i v a t e d l a n d,g r a s s l a n d,a n d f o r e s t l a n dd e c r e a s e d.②T h ev a l u eo f e c o s y s t e ms e r v i c e s i nK u n m i n g C i t y s h o w e da n o v e r a l l u p w a r d t r e n do v e r t i m e,w i t hat o t a l i n c r e a s eo f3.08ˑ108y u a n.T h ee f f e c t i v e i m p l e m e n t a t i o no f e c o l o g i c a l p r o t e c t i o n p o l i c i e si n c r e a s e dt h ev a l u eo fe c o s y s t e m s e r v i c e s.E c o l o g i c a lr i s k sd u r i n g t h es t u d y p e r i o dw e r em a i n l y c l a s s i f i e d a sm e d i u ma n d l o wr i s k s,a n d a c c o u n t e d f o r79%o f t h e t o t a l a r e a.T h e o v e r a l l a v e r a g ee c o s y s t e m s e r v i c e v a l u e d e c r e a s e d b y0.12,i n d i c a t i n g t h a t u r b a n e c o n o m i c d e v e l o p m e n t h a dd e v e l o p e dw i t h l i t t l e i m p a c to nt h ee n v i r o n m e n t.③E c o l o g i c a l r i s kh a dac e r t a i ni m p a c to nt h ec h a n g eo fe c o s y s t e ms e r v i c e v a l u e,a n dw i t ht h e p a s s a g eof t i m e,t h e a r e ao f h ig h-v a l u e a n dhi g h-r i s ka r e a s g r a d u a l l y d e c r e a s e d,a n d t h e a r e a o f l o w-v a l u e a n d l o w-r i s k a r e a s g r a d u a l l y i n c r e a s e d,w i t h o u t o b v i o u s e x t r e m e s.[C o n c l u s i o n] T h e c o m b i n a t i o no f r e g i o n a l e c o s y s t e m s e r v i c ev a l u ea n de c o l o g i c a l r i s kc a nb e t t e rc h a r a c t e r i z ec h a n g e s i n e c o l o g i c a le n v i r o n m e n to f K u n m i n g C i t y c a u s e d b y h u m a n a c t i v i t i e s,a n d p r o v i d e d e c i s i o n-m a k i n g a n d m a n a g e m e n t r e f e r e n c e sf o re n v i r o n m e n t a l p r o t e c t i o na n dh i g h-q u a l i t y s u s t a i n a b l ed e v e l o p m e n t.e f f e c t i v e l y p r e v e n t e c o l o g i c a l r i s k s,a n dm a k e t h e e c o n o m i c d e v e l o p m e n t a n d e n v i r o n m e n t a l p r o t e c t i o no fK u n m i n g C i t y d e v e l o p t o ab e n i g n s i t u a t i o n.K e y w o r d s:l a n du s e l a n d c o v e r(L U L C);e c o l o g i c a l s e r v i c e v a l u e;e c o l o g i c a l r i s k;r e l e v a n c e;K u n m i n g C i t y土地资源承载着人类社会经济发展[1],与人类生存发展息息相关[2],土地利用变化作为人类活动与自然演变的重要纽带[3],影响了生态系统的结构和功能转变[4],进而影响了其服务价值和风险程度,需要指出的是,不合理的土地利用会导致生态系统结构恶化和生态风险加剧[5],同时给生态环境的可持续发展带来极大挑战㊂生态系统服务价值(e c o s y s t e m s e r v i c ev a l u e, E S V)是人们对土地进行开发利用过程中的经济价值和环境价值总称,是生态系统服务内容的市场化表现形式㊂C o s t a n z aR.等[6]较早地提出了E S V的原理和计算方法㊂近年来,H a q u eM.N.等[7]对孟加拉国达卡都市区土地利用和E S V的关系进行了研究,发现水体㊁植被和农业用地覆盖面积的下降会导致E S V 下降㊂谢高地等[8]根据中国实际情况对E S V进行了更全面㊁更客观的模型构建㊂许多学者在此基础上展开了研究,J i a n g W e i等[9]对青藏高原E S V的研究表明,河流㊁湖泊和裸露冰川的减少导致E S V降低,气候变化和人类活动对其也有一定影响㊂Y u a nK e y u e 等[10]发现陕西省商洛市商州区土地利用类型中林地对当地E S V的贡献率最高㊂严长安等[11]通过探究滇池流域土地利用变化与E S V的定量响应关系对区域生态环境保护提供重要借鉴㊂上述研究表明,生态系统服务价值评价已形成相对完善的研究范式㊂生态风险(e c o l o g i c a l r i s k,E R)是指自然因素及人类活动对生态系统结构的稳定性所产生负面影响的可能程度[12],用来评价生态安全情况㊂D a s M.等[13]利用E R对印度加尔各答城市区域进行研究,结果表明过去20a间加尔各答及周边城市的E R都大幅增加;N e m a t o l l a h i S.等[14]研究发现伊朗中部和东部大约10%~25%研究区域属于高风险和中风险类别;S h e n J i a n x i u等[15]指出虽然退耕还林政策实施使得甘肃省正宁县东㊁中㊁西部的E R均减小,但是E R防范仍然是研究的重点方向㊂重视生态风险评价对于化解潜在生态危害,建设生态文明具有现实意义[16]㊂国内外学者已经对E S V和E R展开了大量研究,多数学者把二者作为两个独立的主题开展研究,并取得丰富成果,为E S V和E R相关性的研究奠定了扎实基础㊂蒋伟峰等[17]以淮河流域安徽段的土地利用数据为基础,探讨E S V与E R时空演化过程中的异质性和相关性㊂李辉等[18]核算近30a三峡库区E S V和E R的时空分布特征及二者相关性,属于为数不多进行E S V和E R相关性研究的文献㊂现有研究中,针对生态系统服务价值和生态风险的评估主要表现为将生态系统服务价值引入到生态风险中对其进行应用实践,虽极大程度地提高了评价的时效性,但缺乏两者评价的整体性,对二者的关系影响尚不明确,同时大多数传统评价框架停留在探讨阶段,针对长时期同一区域的相互作用机理研究较少[19-20]㊂E S V和E R的相关性研究是两门独立学科走进融合的综合性研究,两者相结合可以将生态系统服务价值的供需关系融合在一起,及时监测生态环境的变化情633水土保持通报第44卷况,精准地对生态风险区开展生态资源保护和国土空间修复,减少生态环境恶化的概率,提高生态系统服务价值,进一步通过构建有效的生态保护模式找寻两者的整体联系[21]㊂目前针对长时序生态系统服务价值和生态风险的相关性研究还相对较少,二者的融合可以推动区域生态经济协调发展,是实现关联生态过程和风险评估的重要途径㊂土地利用数据是E S V和E R核算的基础,谷歌地球引擎(G o o g l eE a r t hE n g i n e,G E E)的出现为准确快速地提取土地利用信息提供可能[22]㊂昆明市作为云南省省会城市,过去30a来经济快速发展,人口急剧增长,城市不断扩张,及时掌握该区域土地覆被变化引起的生态系统服务价值和生态风险变化,对土地资源的可持续利用与生态环境保护具有至关重要的现实意义,因研究区地处高原城市,不仅对高原相对发达城市具有借鉴意义,更可为具有相似环境背景的大中城市提供新的研究思路㊂基于此,本文以G E E为依托平台,使用随机森林分类算法(R F)提取了昆明市1990 2020年的土地利用信息,并对其30a来生态系统服务价值㊁生态风险及其空间动态变化进行分析,旨在可为昆明市乃至全国未来经济国土空间规划提供决策支持[23]㊂1材料与方法1.1研究区概况云南省昆明市位于东经102ʎ10' 103ʎ40',北纬24ʎ23' 26ʎ22'(图1),地处中国西南㊁云贵高原中部,是云南省省会㊁滇中城市群中心,属于亚热带高原气候,四季如春,素有春城之美誉,总面积为21012.54k m2,全市下辖7个区,3个县,并且代管1个县级市和3个自治县,常住人口为8.46ˑ106人,占全省人口的17.92%,年平均气温17.0ħ,年降水量522.8mm(降水㊁气温数据来源于国家气象科学数据共享服务平台,其他数据来源于2021,2022年云南省统计年鉴和昆明市政府网)㊂1.2数据来源本文研究使用的遥感数据来源于G o o g l eE a r t h E n g i n e平台的1990 2020年的L a n d s a t系列影像数据,其中1990 2012年使用的是空间分辨率为30m 的L a n d s a t5遥感影像,2013 2020年使用的是空间分辨率为30m的L a n d s a t8遥感影像,除2012年遥感数据采用1 4月均值合成数据外,其余年份均采用1 12月均值合成数据㊂行政区边界数据来源于地理国情监测平台(h t t p:ʊw w w.d s a c.c n/),计算单位面积生态系统服务价值均值包含的玉米㊁小麦和水稻等主要作物的单位面积粮食产量来源于国家统计局(w w w.s t a t s.g o v.c n)和云南省统计年鉴(w w w. s t a t s.y n.g o v.c n)㊂其中生态系统服务价值核算模型和生态风险核算模型是在A r c G I S10.4软件中将研究区域按500mˑ500m进行格网化得到85551个评价单元来核算㊂图1昆明市地形F i g.1T o p o g r a p h y o fK u n m i n g C i t y1.3研究方法1.3.1随机森林分类随机森林分类算法(r a n d o mf o r e s t,R F)是由B r e i m a n[24]于2001年提出的结合决策树㊁B ag g i n g法和随机子空间理论[25]的一种基于多颗决策树依赖独立采样随机向量值的监督学习算法,是对传统决策树的算法改进㊂其利用b o o t s r a p方法抽取多个样本构造多颗决策树[26],通过多颗决策树对样本进行训练依靠训练模型对样本类别进行预测[27],即通过投票产生结果 式(1) ㊂C(x)=a j a r g m a xðn i=1b j i(x)(1)式中:C(x)表示随机森林模型;b i表示第i个决策树;a j为类别标记㊂与单颗决策树相比较,R F训练样本的随机性很好地避免了过拟合的缺点;与其他机器学习算法相比,R F具有较强的稳定性,每颗决策树和树中结点特征属性的选择随机性亦使R F具有泛化能力强㊁精度高和速度快等优点㊂根据昆明市的实际情况,参考国家标准‘土地733第1期冯婧文等:基于G E E的昆明市生态系统服务价值与生态风险变化利用现状分类“(G B /T21010 2017),将研究区的土地利用类型分为6类,分别为耕地㊁林地㊁草地㊁水域㊁建设用地㊁未利用土地,为保证样本点的数据精度,采用G o o gl eE a r t h P r o 软件对1990 2020年昆明市地物类型进行目视解译,样本点满足均匀分布原则[28]㊂基于G o o g l e e a r t he n gi n e 云平台进行A P I 编程,为提升分类精度,加入了光谱指数㊁植被指数㊁地形特征进行训练,并对训练样本点和验证样本点按照7ʒ3的比例采用R F 算法进行土地利用分类,得到各个年份分类总体精度和k a p p a 系数(表1)㊂实验结果表明分类结果良好,分类数据能满足后续研究需要㊂表1 昆明市土地利用分类精度T a b l e 1 L a n du s e c l a s s i f i c a t i o na c c u r a c y i nK u n m i n g C i t y年份总体精度/%k a p pa 系数年份总体精度/%k a p pa 系数年份总体精度/%k a p pa 系数199080.040.81200183.560.80201285.930.83199180.650.80200285.770.82201383.020.80199280.400.81200383.690.80201485.110.82199382.120.82200484.530.81201586.050.83199481.960.81200584.150.80201687.720.85199580.200.85200684.800.81201785.100.82199680.050.82200784.400.80201888.140.86199781.140.82200884.180.80201987.040.84199882.930.83200986.670.84202087.750.85199982.780.82201085.500.82200083.010.80201183.760.801.3.2 生态系统服务价值核算模型 目前,E S V 的计算方法主要有基于单位价值的价值功能法和基于单位面积的当量因子法两种,昆明市耕地以水田和旱地为主㊂本文研究尺度较小,属性近似,自然地理特征表现一致,可以直接采用当量赋值的方法进行核算㊂根据谢高地等[8]于2007年提出的生态系统服务价值当量表 式(2),根据徐丽芬等[29]地区修正公式 式(3,4) ,对研究区生态系统服务价值进行修正,计算结果见表2㊂E a =1/7ðni =1m i p i q iM(i =1,2 n )(2)式中:E a 表示单位经济价值;i 表示农作物类型;m i ,p i ,qi 表示对应粮食类型的面积㊁均价㊁单产;M 表示对应粮食的总面积㊂φ=QQ 0,E n =φˑE n 0(3)式中:φ表示修正因子;Q 和Q 0分别表示昆明市和全国单位面积的平均产量;E n 表示第n 类地类修正后的当量因子;E n 0表示谢高地等[8]已经确定的同种地类当量因子㊂E S V=ðnm =1(A m ˑV C m )(4)式中:E S V 表示生态系统服务价值;A m 表示地类m 所占的面积;V C m 表示生态系统服务价值的系数㊂表2 昆明市单位面积生态系统服务价值均值T a b l e 2 A v e r a g e e c o s y s t e ms e r v i c e v a l u e p e r u n i t a r e a i nK u n m i n g C i t y104yu a n /k m 2生态服务类型单位面积生态系统服务价值耕地林地草地建设用地水域未利用地食物生产18.316.047.870.009.704.21原材料生产7.1454.566.590.006.413.66气体调节13.1879.1027.470.009.3414.28气候调节17.7674.5228.560.0037.7215.56水文调节14.1074.8927.830.00343.6814.65废物处理25.4531.4924.170.00271.9014.46保持土壤26.9273.6141.010.007.5122.16维持生物多样性18.6882.5834.240.0062.8020.87提供美学景观3.1138.0815.936.7781.3010.25合计144.65514.88213.686.77830.36120.11833 水土保持通报 第44卷1.3.3 土地利用生态风险核算模型 土地利用生态风险用于描述土地结构和风险程度的关系,不同的土地利用类型拥有不同的价值和功能,计算公式为:E R=ðnm =1C n D nC(5)式中:E R 表示生态风险;C 表示土地总面积;D 表示土地生态风险强度,根据文献[18],将耕地赋值为0.36,林地赋值为0.17,草地赋值为0.05,水域赋值为0.05,建设用地赋值为0.04,未利用土地赋值为0.02㊂运用空间插值法中指数克里金(K r i g i n g)插值法对研究区网格进行插值可得到土地利用生态风险分布情况,基于等间隔分类法(e q u a l i n t e r v a l )将1990 2020年研究区生态风险划分为Ⅰ(低生态风险)㊁Ⅱ(较低生态风险)㊁Ⅲ(中等生态风险)㊁Ⅳ(较高生态风险)和Ⅴ(高生态风险)5种模式㊂1.3.4 双变量空间自相关模型 空间自相关模型反映各个地类在空间中的聚集性㊁随机性等相关程度,分为局部自相关和全局自相关[30]㊂本文通过G e o d a软件使用双变量空间分析模型,利用M o r a n s I 指数反映土地利用类型的空间关联性,M o r a n s I <0,表示空间关联程度为负相关,M o r a n s I =0,表示空间关联程度为不相关,M o r a n s I >0,表示空间关联程度正相关,计算公式为:I i j =k ðkm =1ðkn =1L m n (x m ,i -y i )/γi (x m ,j -y j )/γj (n -1)ðk m =1ðkn =1L m n (6)式中:I i j 为单位面积的双变量全局自相关系数;L m n 表示地理单元相互邻接关系的权重矩阵,空间权重能根据邻接标准和距离标准度量,邻接标准将空间单元定义为1,不连接的定义为0,距离标准将一定范围内定义为1,距离之外定义为0;i 表示生态系统服务价值;j表示生态风险;X m ,i 和X m ,j 分别表示第m 个单元内的生态系统服务价值和生态风险;γ表示方差㊂运用斯皮尔曼(S pe a r m a n )相关分析E S V 与E R 间的相关关系,参考文献[18],显著性系数定为0.01,依据空间分布关系具体分为不显著和显著两种模式,显著又细分为高价值 高风险㊁低价值 低风险㊁低价值 高风险和高价值 低风险4种模式㊂2 结果与分析2.1 昆明市土地利用类型变化分析1990 2020年,林地和草地均为昆明市土地利用占比最大的部分,截至2020年林地和草地分别占全市总面积的44.96%,27.64%(表3 4)㊂30a 间,昆明市耕地面积不断减少,减少了8.78%,建设用地大幅度增加,增加了195.79%,水域和未利用地分别增加了44.85,2.5k m 2㊂由于受气候变化和人类活动影响,1990 2020年昆明市各用地类型变化明显,草地主要转换为林地,转换面积为263.48k m 2,对应的转移率为4.29%,林地大面积增加的原因在于积极响应国家植树造林㊁生态修复政策,将草地逐步转换为更适宜当地发展的土地类型;耕地主要转换为建设用地,转换面积为442.95k m 2,对应的转移率10.16%,林地主要转换为建设用地和耕地,转换面积为116.47,118.48k m 2,对应的转移率为1.22%和1.24%,主要与森林退化㊁毁林开荒有关;水域和未利用地变化不明显㊂2.2 生态系统服务价值空间分布特征1990 2020年,昆明市E S V 在空间分布上基本是相似的,但局部存在差异(图2)㊂1990 2020年,昆明市E S V 总体呈上升趋势,由1990年的7.21ˑ1010元上升至2020年的7.68ˑ1010元,上升了4.70ˑ109元㊂生态服务价值增长速率逐年加快,增幅为6.8%㊂从空间分布来看,昆明市E S V 高值区以滇池㊁阳宗海等水域周围为主,禄劝县北部E S V 也较高,云龙水库处E S V 上升最为明显;低值区主要位于建设用地密集区㊁昆明市主城区及东川植被覆盖较低区域,从土地利用的角度来看,昆明市有效地实施了生态保护政策,使得土地结构分配更加合理,生态得到改善,为城市可持续规划提供了科学参考㊂表3 1990—2020年昆明市土地利用面积及土地利用动态变化度T a b l e 3 L a n du s e a r e a a n dd y n a m i c c h a n g e s d e g r e e o f l a n du s e i nK u n m i n g C i t y fr o m1990t o 2020土地类型面积/k m 21990年2000年2010年2020年土地变化动态度/%1990 2000年2000 2010年2010 2020年耕地4360.144254.874223.453977.78-0.50-0.15-1.17林地9552.719580.949560.839441.030.13-0.10-0.57草地6146.716137.795967.235803.68-0.04-0.81-0.78水域466.90471.30486.17511.750.020.070.12建设用地403.37484.81688.841193.110.390.972.40未利用地68.7368.7472.1971.230.000.020.00933第1期 冯婧文等:基于G E E 的昆明市生态系统服务价值与生态风险变化表41990 2020年昆明市土地利用转移矩阵T a b l e4L a n du s e t r a n s f e rm a t r i x o fK u n m i n g C i t y f r o m1990t o2020k m2项目2020年面积草地耕地建设用地林地水域未利用地总计积面年0 9 9 1草地5427.82194.06236.51263.4819.174.466145.50耕地118.113636.92442.95136.9124.390.484359.75建设用地7.2514.11376.132.023.660.19403.37林地244.01118.48116.479033.2836.561.139549.93水域3.3813.0720.872.84426.470.14466.77未利用地2.110.770.130.490.4764.7568.72总计5802.673977.421193.069439.02510.7271.1520994.04图21990 2020年昆明市生态系统服务价值空间分异及其变化F i g.2S p a t i a l d i f f e r e n t i a t i o na n d c h a n g e s o f e c o s y s t e ms e r v i c e v a l u e i nK u n m i n g C i t y f r o m1990t o2020研究期间,耕地是昆明市生态系统服务价值构成的主体结构(表5),所占的比例最重,其次为水域和建设用地,草地和林地的E S V比例相当,未利用地比例最少㊂水域的E S V呈逐年上升趋势,这主要得益于昆明市水环境治理取得的显著成效;草地㊁耕地建设用地E S V逐年下降,这是由于森林退化以及昆明市经济快速发展,人口急剧增长和城市不断扩张所导致的㊂043水土保持通报第44卷表5 1990 2020年昆明市土地利用类型生态系统服务价值变化T a b l e 5 C h a n g e s i n e c o s y s t e ms e r v i c e v a l u e o f l a n du s e t y p e s i nK u n m i n g C i t y f r o m1990t o 2020土地利用类型1990年E S V/元比例/%2000年E S V/元比例/%2010年E S V/元比例/%2020年E S V/元比例/%草地6.31ˑ1098.756.16ˑ1098.466.11ˑ1098.265.75ˑ1097.49耕地4.92ˑ101068.234.93ˑ101067.824.92ˑ101066.594.86ˑ101063.30建设用地1.31ˑ101018.221.31ˑ101018.031.28ˑ101017.251.24ˑ101016.15林地3.20ˑ1070.043.20ˑ1070.043.30ˑ1070.043.50ˑ1070.05水域3.35ˑ1094.654.03ˑ1095.535.72ˑ1097.749.91ˑ10912.90未利用地8.30ˑ1070.118.30ˑ1070.118.70ˑ1070.128.60ˑ1070.11总计7.21ˑ1010100.007.27ˑ1010100.007.39ˑ1010100.007.68ˑ1010100.002.3 生态风险变化分析1990 2020年昆明市生态风险整体以低风险㊁较低风险和中等风险区为主(表6),其所占比例分别19%,22%和38%,30a 来生态风险值持续降低,总体下降0.12,研究区生态安全状况有所改善㊂从空间分布来看,1990 2020年昆明市生态风险降低区域主要分布在滇池周围,生态风险升高区域较为分散,生态风险降低区域面积占比明显高于生态风险升高区域(图3)㊂低生态风险区主要分布在滇池周围和研究区北部及中东部地区,研究期内低生态风险区面积呈上升趋势,主要表现为昆明市主城区城市化较其他区域更快,建设用地聚集成片,稳定性强,人为及外界干预较少,此外,人们环境保护意识增强,早年间违法砍伐山林破坏山体的现象有所抑制,生态风险得到有效改善,较低风险区面积逐渐上升㊂中等生态风险区主要分布于研究区植被覆盖密集区,多分布于耕地和林地地带,研究期内面积变化整体稳定㊂较高生态风险区分布较为分散,多位于中等风险区和高风险区的过渡地带,面积占比趋于稳定㊂高生态风险区主要分布在城市边缘地带,人为景观和生态景观的交错阻断了生态系统的完整性,一定程度上加大了生态风险,随着时间的推移,高生态风险区面积逐步降低,城市经济发展与环境保护向良性态势发展㊂表6 1990 2020年昆明市生态风险等级所占比例T a b l e 6 P r o p o r t i o no f e c o l o g i c a l r i s k l e v e l s i nK u n m i n g C i t yf r o m1990 2020y e a r s 等级E R各等级E R 在不同年份所占比例/%1990年2000年2010年2020年1990 2020平均值Ⅰ[0.00,0.20)0.200.210.210.230.19Ⅱ[0.20,0.40)0.200.190.200.200.22Ⅲ[0.40,0.60)0.380.390.380.370.38Ⅳ[0.60,0.80)0.100.100.100.100.10Ⅴ[0.80,1.00]0.120.110.110.100.102.4 生态系统服务价值与生态风险相关性分析1990 2020年昆明市E S V -E R 自相关性以不显著为主,不显著区域面积大于显著区域面积,且在研究期内E S V -E R 自相关性不显著区与显著区变化幅度都不大,不显著区域面积所占比例在58.14%~58.83%之间,显著区域所占比例均在41.17%~41.86%㊂显著区域面积以低价值 低风险区㊁低价值 高风险区为主,但这4种模式的变化特点不一样㊂高价值 高风险区所占面积呈持续缓慢增加,低价值 低风险区呈波浪式微幅增加,低价值 高风险区所占面积持续缓慢减少,高价值 低风险区呈先减少后增加再减少趋势(表7)㊂表7 1990 2020年昆明市E S V -E R 自相关性各类型面积及所占比例T a b l e 7 A r e a a n d p r o p o r t i o no f v a r i o u s t y p e s o fE S V -E Ra u t o c o r r e l a t i o n i nK u n m i n g C i t yf r o m1990t o 2020E S V -E R 自相关性1990年面积/k m2比例/%2000年面积/k m2比例/%2010年面积/k m 2比例/%2020年面积/k m 2比例/%不显著12517.5058.5312434.5058.1412582.0058.8312501.7558.45高价值 高风险1046.254.891125.505.261147.255.361305.006.10显著低价值 低风险3601.0016.843732.2517.453599.2516.833747.2517.52低价值 高风险3022.7514.132951.2513.802901.2513.572784.2513.02高价值 低风险1200.255.611144.255.351158.005.411049.504.91143第1期 冯婧文等:基于G E E 的昆明市生态系统服务价值与生态风险变化图31990—2020昆明市生态风险空间分异及其变化F i g.3S p a t i a l d i f f e r e n t i a t i o na n d c h a n g e s o f e c o l o g i c a l r i s k s i nK u n m i n g C i t y f r o m1990t o2020自相关性区域离散分布于研究区整个区域(图4),高价值 高风险区主要零星分布在昆明市西南部和中部地区,由于昆明市积极响应植树造林㊁生态修复政策,该区域面积逐渐减少㊂高价值 低风险区主要分布于低价值 低风险区和不显著区的过渡地带,主要表现在滇池和阳宗海等水域区域,由于昆明市生态环境质量有所提高,该区域面积逐渐增加㊂低价值 高风险区期初主要分布于高价值 高风险区毗邻区域,由于高风险地类的聚类效应,该模式面积逐年减少㊂低价值 低风险区以林地和草地为主,主要分布在东川区人类活动干扰较低的区域,其E S V主要受生态环境影响,处于相对稳定的状态㊂不显著区主要分布在研究区北部,土地覆盖以大面积林地和草地为主,土地利用无明显波动㊂4种类型的E S V-E R自相关性可以用于反映其空间聚集差异,分析整体空间关联性与差异性,在区域整体生态评估中呈现实践价值㊂高价值 高风险区的生态质量改善对区域综合治理开发有明显积极作用,应注意保护,减少人为干扰;高价值 低风险及低价值 高风险区受城市土地利用开发影响,在带来较好社会经济效益的同时,也会导致E S V退化,应增加人造自然景观面积,坚持生态保护和修复,提升部分耕地向林草地转化的概率,维持人口密度较低现状;低价值 低风险区生态系统结构稳定,分布均衡无明显聚集中心㊂3讨论昆明市是云南省的省会城市,作为云南省唯一的特大城市,过去30a来发展迅速㊂随着城镇化的快243水土保持通报第44卷速推进,城镇化率不断提高,城市扩张显著,土地利用变化剧烈,土地资源比较紧张,资源环境承受着较大压力,土地利用生态风险加剧,城市生态系统服务价值和生态风险受着不同程度的影响,其中高等级生态风险区面积增长则需要引起特别关注,伴随着新发展理念的贯彻,土地资源的可持续利用与生态环境保护的协同发展能力将日渐增强,对昆明市今后的发展而言,避免出现不合理的土地利用,不断提高城市土地利用效率,降低土地利用生态风险,减少土地利用高风险区覆盖的面积,实现高质量可持续发展;在此基础上,本文研究结果将为高原相对发达城市提供借鉴意义,为具有相似环境背景的大中城市提供新的研究思路㊂图41990—2020年昆明市单位面积生态系统服务价值与生态风险自相关分布F i g.4A u t o c o r r e l a t i o nd i s t r i b u t i o no f e c o s y s t e ms e r v i c e v a l u e p e r u n i t a r e a a n d e c o l o g i c a l r i s k i nK u n m i n g C i t y f r o m1990t o2020生态系统服务价值高低是生态环境质量好坏的主要依据,高生态系统服务价值也是生态环境保护的重要方向,昆明市应注重滇池和阳宗海 两湖 生态保育,强化高原湖泊保护治理㊂生态风险是生态可持续发展的重要评价指标,本研究中昆明市生态风险整体以低㊁中生态风险为主,生态安全相对整体稳定,与已有研究相契合[31-32],侧面验证了昆明市生态保护措施实施有效㊂可以看出,生态系统服务价值和生态风险都与生态环境密不可分,现有研究主要运用已有模型对二者进行独立研究或者将生态系统服务价值引入到生态风险中进行应用实践,双变量空间自相关模型为生态系统服务价值和生态风险二者的整体联系提供了具体量化标准,对于建立完善的生态评价体系具有重要价值㊂将生态系统服务价值和生态风险有机结合并分析其相关性,可以较好地刻画生态环境变化区域,分析生态功能和风险变化,为区域生态保护和可持续发展提供决策依据,考虑现有研究成果多基于简单的货币量化修正当量因子,未涉及对社会需求㊁经济发展等变化因素的综合考量,对研究成果有一定影响,针对自然本底脆弱的高原地区生态风险存在的空间复杂性导致二者的空间相关性难以明确其关联机理;同时生态系统服务价值和生态风险均通过土地利用进行评估,两者评价针对各个地物类型缺乏明显独立性和稳定性,虽有研究表明将二者相关性融入某一固定识别框架对区域生态安全的识别精度有所提升,但其整体影响尚不明确,怎样准确评估还需进一步摸索㊂目前,从生态系统服务价值 生态风险相关性角度开展研究在研究深度和方法上还处于不断探索阶段,本文侧重于二者研究结果的相互关系研究,厘清两者的内在影响因素同时开展交叉性研究是今后的重点研究方向㊂4结论(1)1990 2020年昆明市土地利用变化显著,耕地大幅退化为草地,减少了8.77%;建设用地占用耕地现象大幅增加,增幅为195.79%;草地逐步转换为更适宜当地发展的土地类型,主要流向为林地,转移率为4.29%㊂(2)昆明市生态系统服务价值和生态风险分布各异㊂生态系统服务价值呈上升,生态风险呈下降趋势,其中生态系统服务价值上升了4.70ˑ109元,生态风险总体均值下降0.12;低生态系统服务价值和高生态风险呈局部聚集但聚集程度逐年下降趋势;生态质量整体向好,研究区生态安全状况有所改善㊂(3)生态风险和生态系统服务价值变化具有一定关联㊂由双变量空间自相关模型分析可知,研究期343第1期冯婧文等:基于G E E的昆明市生态系统服务价值与生态风险变化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｔ ｒ ｆｔ ｅｍａｏ ａ ｄ ｖ ｒｔｐ ｓ ａ ｄ ｅ ｐ ｏ ｉｇ ｓ ｅｔａ ｎ ｑ ｅｃ ａ ａ ｔｒｗｉｈ ｃ ｎ ｔｕ ｔ ｇ ｓ ｖ ｒ ｌｉｄ ｃ ｓ ｕ ｅｏ ｈ ｊ ｒｌｎ ｏ ｅ ｙ ｅ ｎ ｘ ｌｒｎ ｐ ｃｒ １ｕ ｉｕ ｈ ｒｃ ｅ ｔ ｏ ｓｒ ｃｉ ｅ ｅ ａ ｎ ｉｅ ｎ
ｆ ｏ ｏ ｉ ｉ ａ ｒ ｍ ｒｇ ｎ ｌ ＴＭ ａ ｄ ． Ｔｈ ｅ ｕ ｔ ｆ ｌｓ ｉ ｃ ｔｏ ｒ ｈ ｃ ｅ ｙ ｓ ａ ｉｔｃ ｌ ｏ ｆ ｓｏ ａ ｒ ｘ ａ ｃ ｒ ｃ ｂｎ ｓ ｅｒ ｓ ｌｓｏ ａ ｓｆ ａ ｉ ｎ ｗｅ ｅ ｃ ｅ ｋ ｄ ｂ ｔ ｔｓ ｉａ ｎ ｕ ｉ ｎ ｍ ｔ ｉ ｃ ｕ ａ ｙ ｃ ｉ ｃ ａｓｓｍｅ ｔ ｓ ｅ ｓ ｎ ．Ｔｈ ｔ ｄ ｈ ｗｅ ｈ ｔｏ ｅ ａｌ ｃ ｕ ａ ｙ ｏ ｅ ｉ ｉ ｎ ｔ ｅ ｌ ｓ ｉｉａ ｉ ｎ ｗａ ７ ０ ，ａ ｏ ｔ６ ３ ｅ ｓ ｕ ｙ ｓ ｏ ｄ ｔ ａ ｖ ｒ ｌ ａ ｃ ｒ ｃ ｆｄ ｃ ｓｏ ｒ ｅｃａ ｓｆｃ ｔ ｓ ７ ． ｏ ｂ ｕ ． ｈ ｇ ｅ ｈ ｎ ｔ ａ ｙ ｍ ａ ｉ ｍ ｉ ｅ ｉ ｏ ｄ ｃａ ｓｆｃ ｔ ｎ Ｄｅ ｉｉ ｎ ｔ ｅ ｌ ｓ ｉ ｃ ｔｏ ａ ｆｅ ｔｖ ｌ ｍｐ ｏ ｅ ｉ ｈ ｒ ｔ ａ ｈ ｔ ｂ ｘ ｍｕ ｌ ｌ ｏ ｌ ｓ ｉ ａ ｉ ． ｋ ｈ ｉ ｏ ｃｓｏ ｒ ｅ ｃａ ｓｆ ａ ｉ ｎ ｃ ｎ ｅ ｆ ｃ ｉ ｅ ｙ ｉ ｒ ｖ ｉ
ａ ｃ ｒ ｃ ｆ ｌｎｄ ｃ ｅ ｌ ｓ ｉｉａ ｉ ． ｃ ｕ ａ ｙ ｏ ａ ｏｖ ｒ ｃａ ｓｆｃ ｔｏｎ
Ｋｅ ｒ ｓ ｒｍｏ ｅ ｓｎ ｉｇ；ｄ ｃｓｏ ｒ ｅ ｐ ｃｒ ｍ ｅ ｔ ｒ ；ｌｎ ｓ ／ ｓｎ ｅ ｉｉ ｎ ｔｅ ；ｓ ｅ ｔｕ ｆａ ｕ ｅ ａ ｄ ｕ ｅ ｃ ｖ ｒ ｌｓ ｉ ｃ ｔ ｉ ｏ
分 类精度 。
关键 词 ： 遥感 ； 决策树 ； 光谱 特征 ； 土地利 用／ 覆盖 ； 分类 中 图分类号 ： Ｐ ７ Ｔ ９ 文献标 志码 ： Ａ 文章编 号 ：０ １７ ６ （０ ０ ０ －２ ２０ １ ０ －４ １ ２ １ ） ６０ ２ －５
Ｓｐ ｃ ｒ ｌＦｅ ｔ ｅ Ｂａ ｅ ａ ｓｆｃ ｔｏ ｆＤｅ ｉｉ ｎ Ｔｒ ｅ ｅ ｔ ａ ａ ｕｒ ｓ ｄ Ｃｌ ｓ ｉｉａ ｉ ｎ ｏ ｃ ｓｏ ｅ
Ｓｏ ｔｗｅｔＦｏ ｅｔｙ Ｕｎｉｅｓｔ ｕｈ ｓ ｒｓｒ ｖ ｒ ｉ ｙ，Ｋｕ ｍｉ ｇ，Ｙ ｎ ａ ５ ２ ４ ，Ｃｈ ｎ ｎ ｎ ｕ ｎ ｎ ６０ ２ ｉａ）
Ａｂ ｔ ａ ｔ Ｄｅ ｉｉ ｎ ｔ ｅ ｌ ｓ ｉｉａ ｉ ｓ ｓｍｐ ｅ ｌ ｘ ｂ ｅ，ｃｅ ｒ ａ ｆｅ ｔｖ ． Ｉ ａ ｒ ｍｅ ｄｏ ｄ ａ ａ ｅ ｓｒ ｃ ： ｃ ｓｏ ｒ ｅ ｃａ ｓ ｆｃ ｔｏｎ ｉ ｉ ｌ ，ｆｅ ｉ ｌ ｌ ａ ｎｄ ｅ ｆ ｃ ｉ ｅ ｔ ｈ ｓ ｔ ｅ ｎ ｕｓ ａ ｖ ｎｔ ｇ ｓ
— —
Ａ ａ ｅ Ｓ ｕ ｙ ｉ ｈ ｒ ｈ ａ ｔｏ ｎ ｉ ｇ Ｃ ｓ ｔ ｄ ｔ ｅ Ｎｏ ｔ ｅ ｓ ｆ Ｋｕ ｍ ｎ ｎ
Ｓ ＨＡＮ ｅ Ｊｉ ，ＹＵＥ ｉｒ ｎｇ Ｃａ — ｏ
（ ｅ ｈ ｏｏ ｙ Ｅ ｇ ｎ ｅ ｉｇ Ｆｏ ｅｔ ｓａ ｃ ｅ ｔｒｏ Ｓ Ｆ ｒｓｒ ｕ ｎ ｎ Ｈｉ ｈ ｒＥ ｕ ａ ｉｎ Ｉ ｓｉ ｔｏ ｓ Ｔ ｃ ｎ ｌ ｇ ｎ ｉｅｒｎ ｒ ｓ ｙ Ｒｅｅ ｒｈ Ｃ ｎ ｅ ｆ ３ ｏ ｅｔｙ ｉ Ｙ ｎ ａ ｇ ｅ ｄ ｃ ｔｏ ｎ ｔｔ ｉｎ ， ｒ ｎ ｕ
ｉ ｈ ｉ ｄ ｏ ｅ ｔ ｅ ｓｎ ｌｓ ｉ ｃ ｔｏ ． Ｔａ ｉ ｇ ｔ ｅ ｎ ｒ ｈ ａ ｔｏ ｎ ｎ ｓａ ｓ ｕ ｙ ａ ｅ ，ｔ ｅ ｄ ｃ ｓｏ ｎ ｔ ｅ ｆ ｅ ｆ ｍｏ ｅｓ ｎ ｉ ｇ ｃａ ｓｆ ａ ｉ ｎ ｌ ｒ ｉ ｋ ｎ ｈ ｏ ｔ ｅ ｓ ｆＫｕ ｍｉ ｇ ａ ｔ ｄ ｒ ａ ｈ ｅ ｉｉ ｎ
单
捷 ， 彩 荣 岳
（ 西南 林 学 院 云南 省 高 校 林 业 ３ Ｓ技 术 工 程 研 究 中心 ， 南 昆 明 ６ ０２ ） 云 ５ ２４
摘
要： 以昆明 市 东北部 地 区的 ＴＭ 影像 为材 料 ， 通过 分析主要 地 物的 光谱特 征 ， 进行 波段 间的相
互运 算 ， 立相应 的决 策树模 型 ， 建 对地 物进行 分类 ， 并对分 类结果进 行精度 评价 。结 果表 明 ： 决策树 分类 法的总体 精度 为 ７ ． ， ７ Ｏ 比传 统的 分类方 法如 最 大似然 法提 高 了 ６ ３ ， ． 能有效 地提 高影像 的
西 北 林 学 院 学 报 ２ １ ，２ （ ） ２ ２ ２ ０ ０ ５ ６ ： ２ ￣２ ６
Ｊ ｕ ｎ ｌ ｆＮｏ ｔ ｗｅｔＦｏｅ ｔｙＵｎｖ ｒｉｙ ｏ ｒ ａ ｒｈ ｓ ｒ ｓｒ ｉｅ ｓｔ ｏ
基 于光 谱 特征 的决 策 树分 类方 法 研 究
以 昆 明 市 东 北 部 地 区 为 例
ｔｅ ｄ ｌ ｏ ｌｓ ｉ ｉｇ ｌｎ ｓ／ａ ｄ ｃ ｖ ｒ ａ ｅ ｎ ＴＭ ｓｅ ｔｂ ｉｈ ｄ ｂ ｎ ｌｚｎ ｈ ｐ ｃｒ ｌ ｅ — ｒ ｅｍｏ ｅ ｒｃａ ｓｆ ｎ ａ ｄ ｕ ｅ ｌｎ ｏ ｅ ｓｂ ｓ ｄｏ ｆ ｙ ｗａ ｓａ ｌ ｅ ｙ ａ ａｙ ｉｇ ｔ ｅｓ ｅ ｔａ ａ ｓ ｆ