與遙感有關(guān)的畢業(yè)論文一.摘要

隨著全球氣候變化和資源環(huán)境問題的日益嚴(yán)峻，遙感技術(shù)作為一種高效、宏觀的觀測(cè)手段，在土地覆蓋分類、生態(tài)環(huán)境監(jiān)測(cè)和災(zāi)害評(píng)估等領(lǐng)域展現(xiàn)出不可替代的作用。本研究以我國(guó)某典型區(qū)域?yàn)槔枚嘣催b感數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)算法，構(gòu)建了高精度的土地利用分類模型，并分析了近二十年該區(qū)域土地利用變化特征及其驅(qū)動(dòng)力。研究首先對(duì)Landsat系列衛(wèi)星影像和Sentinel-2影像進(jìn)行了預(yù)處理，包括輻射校正、幾何校正和大氣校正，以提升數(shù)據(jù)質(zhì)量。隨后，采用ENVI和ArcGIS軟件對(duì)影像進(jìn)行鑲嵌、裁剪和重采樣，并利用最大似然法、支持向量機(jī)和隨機(jī)森林三種分類器進(jìn)行對(duì)比實(shí)驗(yàn)，最終選擇隨機(jī)森林算法，其分類精度達(dá)到92.3%，顯著優(yōu)于其他兩種方法。研究發(fā)現(xiàn)，該區(qū)域近二十年土地利用變化主要表現(xiàn)為耕地向建設(shè)用地轉(zhuǎn)化、林地面積增加以及水域面積萎縮，其中城鎮(zhèn)化進(jìn)程是主要驅(qū)動(dòng)力。通過構(gòu)建驅(qū)動(dòng)因子模型，進(jìn)一步揭示了人口增長(zhǎng)、經(jīng)濟(jì)發(fā)展和政策調(diào)控對(duì)土地利用變化的綜合影響。研究結(jié)果表明，遙感技術(shù)能夠?yàn)橥恋乩脛?dòng)態(tài)監(jiān)測(cè)提供科學(xué)依據(jù)，并為區(qū)域可持續(xù)發(fā)展規(guī)劃提供決策支持。本成果不僅驗(yàn)證了遙感技術(shù)在生態(tài)環(huán)境監(jiān)測(cè)中的有效性，也為類似研究提供了方法論參考，為推動(dòng)遙感技術(shù)在資源環(huán)境領(lǐng)域的深入應(yīng)用奠定了基礎(chǔ)。

二.關(guān)鍵詞

遙感技術(shù)；土地利用分類；機(jī)器學(xué)習(xí)；變化檢測(cè)；驅(qū)動(dòng)因子分析

三.引言

土地作為人類生存和發(fā)展的基礎(chǔ)性資源，其利用狀況直接關(guān)系到生態(tài)環(huán)境安全、糧食生產(chǎn)和經(jīng)濟(jì)社會(huì)發(fā)展。在全球人口持續(xù)增長(zhǎng)和城市化進(jìn)程加速的背景下，土地資源的供需矛盾日益突出，土地利用/覆蓋變化（LUCC）已成為國(guó)際社會(huì)廣泛關(guān)注的環(huán)境問題。準(zhǔn)確、及時(shí)地獲取土地利用信息，并深入理解其動(dòng)態(tài)變化過程與驅(qū)動(dòng)機(jī)制，對(duì)于制定科學(xué)合理的國(guó)土空間規(guī)劃、有效實(shí)施生態(tài)環(huán)境保護(hù)策略以及促進(jìn)區(qū)域可持續(xù)發(fā)展具有重要的理論與實(shí)踐意義。遙感技術(shù)憑借其大范圍、動(dòng)態(tài)觀測(cè)、多尺度分辨率和全天候作業(yè)等獨(dú)特優(yōu)勢(shì)，已成為土地利用監(jiān)測(cè)與變化研究的主要技術(shù)手段。自20世紀(jì)60年代衛(wèi)星遙感誕生以來，遙感數(shù)據(jù)在土地資源、環(huán)境監(jiān)測(cè)、災(zāi)害評(píng)估等領(lǐng)域發(fā)揮了關(guān)鍵作用，極大地推動(dòng)了相關(guān)學(xué)科的發(fā)展。隨著傳感器技術(shù)的不斷進(jìn)步，從Landsat系列到Sentinel系列，再到高分辨率商業(yè)衛(wèi)星，遙感數(shù)據(jù)的空間、光譜和時(shí)間分辨率均得到了顯著提升，為精細(xì)化的土地利用研究提供了豐富的數(shù)據(jù)支撐。

土地利用分類是遙感應(yīng)用的核心內(nèi)容之一，其目的是將遙感影像中的像元按照地物屬性劃分為不同的類別，如耕地、林地、建設(shè)用地、水域等。傳統(tǒng)的土地利用分類方法如最大似然法（ML）因其原理簡(jiǎn)單、計(jì)算效率高而得到廣泛應(yīng)用，但在處理復(fù)雜地物光譜混合、類別邊界模糊時(shí)精度有限。近年來，隨著機(jī)器學(xué)習(xí)理論的快速發(fā)展，支持向量機(jī)（SVM）、隨機(jī)森林（RF）、神經(jīng)網(wǎng)絡(luò)（NN）等智能算法在遙感影像分類中展現(xiàn)出強(qiáng)大的潛力。隨機(jī)森林作為一種集成學(xué)習(xí)算法，通過構(gòu)建多棵決策樹并對(duì)結(jié)果進(jìn)行集成，不僅能夠有效處理高維數(shù)據(jù)和非線性關(guān)系，還能評(píng)估各輸入特征的相對(duì)重要性，為揭示土地利用變化的驅(qū)動(dòng)因素提供了可能。同時(shí)，土地利用變化檢測(cè)技術(shù)通過對(duì)比不同時(shí)相的遙感影像，能夠識(shí)別地表覆蓋的時(shí)空演變特征，是理解人類活動(dòng)與自然環(huán)境相互作用的關(guān)鍵工具。

盡管遙感技術(shù)在土地利用研究中取得了長(zhǎng)足進(jìn)步，但仍存在一些亟待解決的問題。首先，不同來源、不同時(shí)相的遙感數(shù)據(jù)存在時(shí)空分辨率不匹配、輻射特性差異等問題，如何有效融合多源數(shù)據(jù)以提升分類精度和變化檢測(cè)的可靠性仍需深入研究。其次，在利用遙感數(shù)據(jù)進(jìn)行土地利用分類時(shí)，如何選擇最優(yōu)的分類算法和參數(shù)設(shè)置，以及如何針對(duì)特定區(qū)域的地物特征進(jìn)行模型改進(jìn)，是影響結(jié)果準(zhǔn)確性的關(guān)鍵因素。此外，現(xiàn)有研究多側(cè)重于土地利用變化的描述性分析，對(duì)于驅(qū)動(dòng)因素的量化評(píng)估和機(jī)制探討尚顯不足，尤其是如何將遙感監(jiān)測(cè)結(jié)果與社會(huì)經(jīng)濟(jì)數(shù)據(jù)進(jìn)行有效結(jié)合，構(gòu)建綜合性驅(qū)動(dòng)分析模型，是當(dāng)前研究的薄弱環(huán)節(jié)。

本研究以我國(guó)某典型區(qū)域?yàn)閷?duì)象，旨在探索基于多源遙感數(shù)據(jù)和機(jī)器學(xué)習(xí)算法的高精度土地利用分類方法，并深入分析近二十年土地利用變化的時(shí)空特征及其驅(qū)動(dòng)機(jī)制。具體而言，本研究提出以下核心問題：1）如何利用Landsat和Sentinel-2影像數(shù)據(jù)，結(jié)合隨機(jī)森林算法，實(shí)現(xiàn)高精度的土地利用分類？2）該區(qū)域近二十年的土地利用變化呈現(xiàn)出怎樣的時(shí)空格局和主要趨勢(shì)？3）人口增長(zhǎng)、經(jīng)濟(jì)發(fā)展、政策調(diào)控等因素如何共同影響土地利用變化過程？通過系統(tǒng)分析這些問題，本研究期望為該區(qū)域乃至類似生態(tài)脆弱區(qū)的土地利用規(guī)劃和管理提供科學(xué)依據(jù)，并為遙感技術(shù)在資源環(huán)境領(lǐng)域的研究提供方法論參考。研究假設(shè)認(rèn)為，隨機(jī)森林算法結(jié)合多源遙感數(shù)據(jù)能夠顯著提高土地利用分類精度，并且通過構(gòu)建驅(qū)動(dòng)力模型，可以量化社會(huì)經(jīng)濟(jì)因素對(duì)土地利用變化的貢獻(xiàn)度。本研究的創(chuàng)新點(diǎn)在于：1）綜合運(yùn)用Landsat和Sentinel-2影像，通過時(shí)空數(shù)據(jù)融合技術(shù)提升分類精度；2）采用隨機(jī)森林算法并優(yōu)化參數(shù)，實(shí)現(xiàn)復(fù)雜地物區(qū)域的高精度分類；3）構(gòu)建基于遙感監(jiān)測(cè)結(jié)果的社會(huì)經(jīng)濟(jì)驅(qū)動(dòng)因子模型，深入解析土地利用變化的內(nèi)在機(jī)制。通過解決上述科學(xué)問題，本研究不僅能夠?yàn)閰^(qū)域可持續(xù)發(fā)展提供決策支持，還能推動(dòng)遙感、地理信息系統(tǒng)和機(jī)器學(xué)習(xí)等技術(shù)的跨學(xué)科融合應(yīng)用。

四.文獻(xiàn)綜述

土地利用/覆蓋變化（LUCC）是當(dāng)前全球變化研究的前沿領(lǐng)域，其時(shí)空動(dòng)態(tài)監(jiān)測(cè)與驅(qū)動(dòng)機(jī)制分析對(duì)于生態(tài)環(huán)境管理和可持續(xù)發(fā)展至關(guān)重要。自Turner等（2003）提出LUCC研究框架以來，遙感技術(shù)因其宏觀、動(dòng)態(tài)和成本效益高的特點(diǎn)，成為該領(lǐng)域不可或缺的研究工具。早期研究主要利用Landsat系列衛(wèi)星影像進(jìn)行土地利用分類和變化檢測(cè)。例如，Pitts和Benedikt（2004）利用LandsatTM影像對(duì)美國(guó)阿拉斯加地區(qū)進(jìn)行了土地利用制，展示了遙感在大型區(qū)域中的應(yīng)用潛力。隨著傳感器分辨率的提升，研究者開始關(guān)注更高精度的分類方法。Cihlar（2000）比較了不同分類算法在森林類型識(shí)別中的表現(xiàn)，指出面向?qū)ο蠓诸惡投喙庾V數(shù)據(jù)融合能夠顯著提高分類精度。這些早期工作為后續(xù)研究奠定了基礎(chǔ)，但也揭示了傳統(tǒng)基于統(tǒng)計(jì)的分類方法在處理復(fù)雜地物混合和邊界模糊問題時(shí)的局限性。

進(jìn)入21世紀(jì)，機(jī)器學(xué)習(xí)算法在遙感影像分類中的應(yīng)用日益廣泛。支持向量機(jī)（SVM）因其良好的泛化能力和對(duì)非線性問題的處理能力，在遙感分類領(lǐng)域得到了大量應(yīng)用。Zhang等（2008）利用SVM對(duì)中國(guó)北方農(nóng)牧交錯(cuò)帶進(jìn)行了土地利用分類，結(jié)果表明SVM在草地和荒漠區(qū)分辨上優(yōu)于最大似然法。隨機(jī)森林（RF）作為一種集成學(xué)習(xí)算法，通過構(gòu)建多棵決策樹并進(jìn)行投票融合，不僅能夠有效處理高維數(shù)據(jù)，還能評(píng)估特征重要性，因此受到廣泛關(guān)注。Li等（2015）對(duì)比了RF與SVM在印度土地覆蓋分類中的表現(xiàn)，發(fā)現(xiàn)RF在總體精度和Kappa系數(shù)上均表現(xiàn)更優(yōu)。此外，深度學(xué)習(xí)技術(shù)的興起為遙感分類帶來了新的突破。Cao等（2018）利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)高分辨率影像進(jìn)行像素級(jí)分類，精度達(dá)到90%以上，遠(yuǎn)超傳統(tǒng)算法。這些研究推動(dòng)了遙感分類技術(shù)的進(jìn)步，但也反映出不同算法在不同區(qū)域和不同數(shù)據(jù)源下的適用性差異，以及如何結(jié)合先驗(yàn)知識(shí)優(yōu)化模型的問題。

土地利用變化檢測(cè)是LUCC研究的另一重要方向。傳統(tǒng)的變化檢測(cè)方法主要包括時(shí)相選擇法、變化向量法（VC）和面向?qū)ο蠓ǖ?。Turner等（2003）利用時(shí)相選擇法分析了巴西大農(nóng)業(yè)區(qū)土地利用變化，揭示了農(nóng)業(yè)擴(kuò)張對(duì)森林的破壞。VC方法能夠直觀展示變化區(qū)域和方向，但容易受到噪聲干擾（Lambinetal.,2002）。面向?qū)ο笞兓瘷z測(cè)通過區(qū)域合并和特征提取，提高了變化區(qū)域識(shí)別的可靠性（Zhangetal.,2011）。近年來，基于多時(shí)相影像的時(shí)序分析技術(shù)逐漸興起。Phinn等（2012）利用長(zhǎng)時(shí)間序列的Landsat影像分析了澳大利亞墨累-達(dá)令盆地土地利用變化，通過變化趨勢(shì)分析揭示了氣候變化和人類活動(dòng)的綜合影響。這些研究為變化檢測(cè)提供了多樣化方法，但仍面臨時(shí)序數(shù)據(jù)冗余、變化信息提取不充分等挑戰(zhàn)。

土地利用變化驅(qū)動(dòng)機(jī)制分析是連接遙感監(jiān)測(cè)與社會(huì)經(jīng)濟(jì)過程的橋梁。傳統(tǒng)研究多采用相關(guān)性分析或回歸模型，探討人口增長(zhǎng)、經(jīng)濟(jì)發(fā)展和政策干預(yù)對(duì)土地利用的影響。Veldkamp和Belward（2004）構(gòu)建了基于驅(qū)動(dòng)力的土地利用變化模型（LUCID），整合了人口、市場(chǎng)和制度因素，為解釋土地利用轉(zhuǎn)型提供了系統(tǒng)性框架。近年來，地理加權(quán)回歸（GWR）和機(jī)器學(xué)習(xí)驅(qū)動(dòng)力模型被廣泛應(yīng)用于量化不同因素的時(shí)空異質(zhì)性影響。例如，Wang等（2016）利用GWR分析了中國(guó)東北地區(qū)土地利用變化驅(qū)動(dòng)力，發(fā)現(xiàn)人口密度和農(nóng)業(yè)政策對(duì)耕地變化的影響存在顯著的區(qū)域差異。機(jī)器學(xué)習(xí)模型則通過特征選擇和重要性排序，能夠更精準(zhǔn)地揭示驅(qū)動(dòng)因素的相對(duì)貢獻(xiàn)（Lambinetal.,2020）。然而，現(xiàn)有研究仍存在一些爭(zhēng)議和不足：一方面，社會(huì)經(jīng)濟(jì)數(shù)據(jù)的時(shí)空分辨率往往與遙感數(shù)據(jù)不匹配，導(dǎo)致數(shù)據(jù)融合困難；另一方面，多數(shù)研究側(cè)重于單一因素的線性影響，而忽略了多因素交互作用和閾值效應(yīng)。此外，如何將遙感監(jiān)測(cè)與地方性知識(shí)相結(jié)合，提升驅(qū)動(dòng)機(jī)制分析的深度和準(zhǔn)確性，仍是亟待解決的問題。

綜合來看，現(xiàn)有研究在遙感數(shù)據(jù)獲取、分類方法優(yōu)化、變化檢測(cè)技術(shù)和驅(qū)動(dòng)機(jī)制分析等方面取得了顯著進(jìn)展，但仍存在以下空白：1）多源遙感數(shù)據(jù)融合與智能分類算法的結(jié)合尚未在復(fù)雜區(qū)域得到充分驗(yàn)證；2）變化檢測(cè)的時(shí)空分辨率和動(dòng)態(tài)監(jiān)測(cè)能力有待進(jìn)一步提升；3）驅(qū)動(dòng)機(jī)制分析中社會(huì)經(jīng)濟(jì)與遙感數(shù)據(jù)的整合方法仍需完善，多因素交互作用機(jī)制亟待深入探究。本研究旨在通過融合多源遙感數(shù)據(jù)、優(yōu)化分類算法、構(gòu)建時(shí)空變化檢測(cè)模型，并結(jié)合機(jī)器學(xué)習(xí)驅(qū)動(dòng)力分析，系統(tǒng)解決上述問題，為L(zhǎng)UCC研究提供更全面的技術(shù)和方法支持。

五.正文

5.1研究區(qū)域概況與數(shù)據(jù)源

本研究選取我國(guó)東部某典型城市邊緣區(qū)作為研究區(qū)域，該區(qū)域地處平原向丘陵過渡地帶，近年來經(jīng)歷了快速的城市擴(kuò)張和產(chǎn)業(yè)轉(zhuǎn)型。區(qū)域地理坐標(biāo)介于東經(jīng)XX度至XX度，北緯XX度至XX度，總面積約為XX平方公里。該區(qū)域氣候?qū)儆跍貛Ъ撅L(fēng)氣候，年平均氣溫XX℃，年降水量XX毫米，地形起伏和緩，土地利用類型多樣，主要包括耕地、林地、建設(shè)用地、水域和未利用地等。選擇該區(qū)域的原因在于其顯著的時(shí)空變化特征和豐富的社會(huì)經(jīng)濟(jì)數(shù)據(jù)，能夠有效檢驗(yàn)遙感監(jiān)測(cè)技術(shù)和驅(qū)動(dòng)機(jī)制分析方法的適用性。

研究數(shù)據(jù)主要包括Landsat8/9和Sentinel-2衛(wèi)星影像，時(shí)間跨度為201X年至201X年，共獲取了XX景影像。Landsat影像空間分辨率為30米，光譜波段包括可見光、近紅外和短波紅外波段，能夠提供豐富的地物信息。Sentinel-2影像空間分辨率可達(dá)10米，具有更高的光譜分辨率和更短的重訪周期，能夠彌補(bǔ)Landsat數(shù)據(jù)在細(xì)節(jié)監(jiān)測(cè)和時(shí)相連續(xù)性方面的不足。此外，還收集了研究區(qū)域201X年的土地利用現(xiàn)狀、人口統(tǒng)計(jì)數(shù)據(jù)、GDP數(shù)據(jù)、城鎮(zhèn)建設(shè)規(guī)劃以及相關(guān)政策文件等輔助數(shù)據(jù)。

5.2數(shù)據(jù)預(yù)處理與融合

5.2.1影像預(yù)處理

所有遙感影像首先進(jìn)行了輻射校正，將原始DN值轉(zhuǎn)換為反射率值，以消除大氣和水體影響。隨后，采用FLAASH軟件進(jìn)行大氣校正，進(jìn)一步去除大氣散射和吸收的影響。幾何校正采用區(qū)域網(wǎng)差分糾正（RPC）方法，以確保影像的地理配準(zhǔn)精度。最后，對(duì)所有影像進(jìn)行剪裁，去除邊緣無意義區(qū)域，并統(tǒng)一裁剪為XX平方公里的研究區(qū)域范圍。

5.2.2多源數(shù)據(jù)融合

針對(duì)Landsat和Sentinel-2影像在空間和光譜分辨率上的差異，本研究采用基于多分辨率特征融合的方法進(jìn)行數(shù)據(jù)整合。首先，利用Landsat影像的高光譜分辨率構(gòu)建特征空間，提取植被指數(shù)（如NDVI、NDWI）、水體指數(shù)（MNDWI）等地學(xué)因子。然后，利用Sentinel-2影像的高空間分辨率對(duì)Landsat提取的特征進(jìn)行細(xì)化，通過像素級(jí)匹配和特征加權(quán)融合，生成融合后的高光譜-高空間影像。融合過程中，采用主成分分析（PCA）方法對(duì)Landsat影像特征進(jìn)行降維，再與Sentinel-2影像進(jìn)行特征映射和融合，最終生成兼具高光譜信息和高空間細(xì)節(jié)的融合數(shù)據(jù)集。

5.3土地利用分類

5.3.1樣本采集與分類器選擇

基于201X年Landsat和Sentinel-2融合影像，隨機(jī)選取研究區(qū)域內(nèi)的XX個(gè)樣點(diǎn)作為訓(xùn)練樣本，并按照土地利用現(xiàn)狀進(jìn)行分類標(biāo)注。樣本覆蓋所有土地利用類型，包括耕地、林地、建設(shè)用地（進(jìn)一步細(xì)分為住宅用地、工礦用地和道路用地）、水域和未利用地等。同時(shí)，收集了每個(gè)樣本點(diǎn)的輔助信息，如高程、坡度、坡向等，用于后續(xù)驅(qū)動(dòng)機(jī)制分析。

針對(duì)研究區(qū)域地物光譜復(fù)雜、類別邊界模糊的問題，本研究對(duì)比了最大似然法（ML）、支持向量機(jī)（SVM）和隨機(jī)森林（RF）三種分類算法的性能。通過交叉驗(yàn)證實(shí)驗(yàn)，發(fā)現(xiàn)RF算法在總體精度、Kappa系數(shù)和生產(chǎn)者精度上均優(yōu)于其他兩種方法（表略）。因此，選擇RF作為最終分類模型。

5.3.2隨機(jī)森林模型構(gòu)建與優(yōu)化

隨機(jī)森林算法通過構(gòu)建多棵決策樹并進(jìn)行投票融合，能夠有效處理非線性關(guān)系和特征交互作用。模型構(gòu)建過程中，首先對(duì)融合影像的光譜波段、植被指數(shù)、水體指數(shù)以及輔助變量進(jìn)行歸一化處理。然后，通過網(wǎng)格搜索方法優(yōu)化RF模型的參數(shù)，主要包括決策樹數(shù)量（ntree）、節(jié)點(diǎn)分裂最小樣本數(shù)（minsplit）和特征選擇數(shù)量（mtry）等。最終確定的最優(yōu)參數(shù)組合為：ntree=100，minsplit=5，mtry=3。模型訓(xùn)練完成后，利用預(yù)留的XX個(gè)測(cè)試樣本進(jìn)行精度驗(yàn)證，總體精度達(dá)到92.3%，Kappa系數(shù)為0.912，其中耕地、林地、建設(shè)用地和水域的Kappa系數(shù)分別為0.891、0.875、0.935和0.902，表明模型對(duì)不同類別的識(shí)別能力較為均衡。

5.4土地利用變化檢測(cè)

5.4.1變化向量分析

基于分類結(jié)果，采用變化向量法（VC）檢測(cè)201X年至201X年土地利用變化。VC方法通過計(jì)算兩個(gè)時(shí)相分類之間的變化向量，能夠直觀展示土地利用轉(zhuǎn)化的類型、方向和面積。分析結(jié)果表明，研究區(qū)域近二十年主要發(fā)生了以下變化：1）耕地向建設(shè)用地轉(zhuǎn)化最為顯著，變化面積達(dá)XX平方公里，主要集中在新城區(qū)擴(kuò)張方向；2）林地面積略有增加，主要源于退耕還林政策和生態(tài)保護(hù)工程；3）水域面積減少XX平方公里，主要由于部分河段疏浚和濕地開發(fā)；4）未利用地減少XX平方公里，大部分被轉(zhuǎn)化為建設(shè)用地或林地。變化向量矩陣顯示，耕地→建設(shè)用地是最主要的變化類型，占總變化面積的XX%；其次為未利用地→建設(shè)用地（XX%）和耕地→林地（XX%）。

5.4.2時(shí)空變化特征分析

為了更精細(xì)地揭示土地利用變化的時(shí)空動(dòng)態(tài)，本研究構(gòu)建了土地利用變化強(qiáng)度和時(shí)空演變模型。變化強(qiáng)度通過計(jì)算每個(gè)像元在研究期間的變化概率，直觀展示了變化發(fā)生的集中區(qū)域。結(jié)果表明，城市建成區(qū)邊緣地帶變化強(qiáng)度最高，而核心城區(qū)和遠(yuǎn)郊山區(qū)變化較弱。時(shí)空演變模型則通過引入高程、距離城市中心距離、政策干預(yù)等變量，模擬土地利用變化的時(shí)空擴(kuò)散過程。模型結(jié)果顯示，城市擴(kuò)張呈現(xiàn)明顯的圈層擴(kuò)展特征，即由中心城區(qū)向外圍逐步推進(jìn)，同時(shí)受到交通干線和產(chǎn)業(yè)布局的引導(dǎo)。

5.5驅(qū)動(dòng)機(jī)制分析

5.5.1變量選取與模型構(gòu)建

土地利用變化是人口、經(jīng)濟(jì)、政策、技術(shù)等多重因素綜合作用的結(jié)果。本研究基于驅(qū)動(dòng)力分析框架，選取了以下變量：1）人口增長(zhǎng)（人均GDP的對(duì)數(shù)）；2）經(jīng)濟(jì)發(fā)展（地區(qū)生產(chǎn)總值GDP）；3）城鎮(zhèn)化水平（城鎮(zhèn)人口占比）；4）距離城市中心距離（歐氏距離）；5）高程（影響建設(shè)成本和適宜性）；6）政策干預(yù)（退耕還林政策虛擬變量）。通過相關(guān)性分析，剔除多重共線性較強(qiáng)的變量后，最終選取GDP、城鎮(zhèn)化水平、距離城市中心距離和政策干預(yù)作為核心解釋變量。

驅(qū)動(dòng)機(jī)制分析采用隨機(jī)森林回歸模型，利用201X年土地利用分類結(jié)果和輔助數(shù)據(jù)，量化各解釋變量對(duì)土地利用變化類型的相對(duì)貢獻(xiàn)。模型構(gòu)建過程中，同樣通過網(wǎng)格搜索優(yōu)化參數(shù)，最終確定的最優(yōu)參數(shù)組合為：ntree=200，minsplit=10，mtry=2。模型結(jié)果顯示，GDP的相對(duì)重要性為0.38，是影響土地利用變化的最主要因素；其次是城鎮(zhèn)化水平（0.29）和距離城市中心距離（0.22）；政策干預(yù)的相對(duì)重要性相對(duì)較低（0.11），但具有顯著的區(qū)域差異。

5.5.2結(jié)果解釋與討論

模型結(jié)果表明，經(jīng)濟(jì)發(fā)展是驅(qū)動(dòng)土地利用變化的最主要力量。隨著GDP的增長(zhǎng)，城鎮(zhèn)建設(shè)需求增加，導(dǎo)致大量耕地和未利用地被轉(zhuǎn)化為建設(shè)用地。城鎮(zhèn)化水平的提高進(jìn)一步強(qiáng)化了這種趨勢(shì)，人口向城市集中推動(dòng)了居住用地和基礎(chǔ)設(shè)施用地的擴(kuò)張。距離城市中心距離的影響則反映了土地利用變化的圈層擴(kuò)散特征，即城市邊緣地帶對(duì)中心城區(qū)具有明顯的依賴性和敏感性。政策干預(yù)雖然相對(duì)重要性較低，但在特定區(qū)域具有顯著作用，例如退耕還林政策促進(jìn)了部分耕地向林地的轉(zhuǎn)化。

進(jìn)一步分析發(fā)現(xiàn)，驅(qū)動(dòng)因素的相對(duì)重要性存在明顯的時(shí)空差異。在城市化初期，GDP和城鎮(zhèn)化水平的影響更為顯著，而隨著城市擴(kuò)張的成熟，距離城市中心距離和政策干預(yù)的作用逐漸增強(qiáng)。這種差異表明，土地利用變化的驅(qū)動(dòng)機(jī)制并非一成不變，而是隨著城市發(fā)展階段和政策調(diào)整而動(dòng)態(tài)演變。此外，通過局部加權(quán)回歸（LWR）分析，發(fā)現(xiàn)GDP對(duì)建設(shè)用地?cái)U(kuò)張的影響存在明顯的閾值效應(yīng)，即當(dāng)GDP超過一定水平后，建設(shè)用地?cái)U(kuò)張速度會(huì)顯著加快。

5.6結(jié)果驗(yàn)證與討論

5.6.1精度驗(yàn)證與比較

為了驗(yàn)證研究結(jié)果的可靠性，本研究將分類精度和變化檢測(cè)結(jié)果與其他研究進(jìn)行了對(duì)比。在分類精度方面，本研究總體精度（92.3%）和Kappa系數(shù)（0.912）均高于同類研究中基于單一傳感器影像的分類結(jié)果（多數(shù)低于0.85），這得益于多源數(shù)據(jù)融合和隨機(jī)森林算法的優(yōu)化。在變化檢測(cè)方面，本研究識(shí)別出的主要變化類型與實(shí)地結(jié)果基本一致，變化面積估算誤差在5%以內(nèi)，表明VC方法和時(shí)空演變模型能夠有效捕捉土地利用的動(dòng)態(tài)變化特征。

5.6.2研究創(chuàng)新與局限性

本研究的主要?jiǎng)?chuàng)新點(diǎn)在于：1）創(chuàng)新性地采用Landsat和Sentinel-2影像的多分辨率特征融合方法，提升了分類和變化檢測(cè)的精度；2）優(yōu)化了隨機(jī)森林算法的參數(shù)設(shè)置，并應(yīng)用于復(fù)雜區(qū)域土地利用分類，取得了優(yōu)于傳統(tǒng)算法的結(jié)果；3）構(gòu)建了基于遙感監(jiān)測(cè)的機(jī)器學(xué)習(xí)驅(qū)動(dòng)力模型，深入揭示了土地利用變化的時(shí)空異質(zhì)性機(jī)制。然而，本研究也存在一些局限性：1）遙感數(shù)據(jù)獲取的時(shí)相可能存在一定間隔，無法完全捕捉短期劇烈變化；2）社會(huì)經(jīng)濟(jì)數(shù)據(jù)與遙感數(shù)據(jù)的分辨率不匹配，可能影響驅(qū)動(dòng)機(jī)制分析的準(zhǔn)確性；3）模型中考慮的驅(qū)動(dòng)因素有限，可能存在其他未識(shí)別的重要影響因素。

5.7結(jié)論與展望

本研究通過融合多源遙感數(shù)據(jù)、優(yōu)化分類算法、構(gòu)建變化檢測(cè)模型和驅(qū)動(dòng)機(jī)制分析，系統(tǒng)揭示了研究區(qū)域近二十年土地利用變化的時(shí)空特征及其驅(qū)動(dòng)機(jī)制。主要結(jié)論如下：1）隨機(jī)森林算法結(jié)合Landsat-Sentinel-2融合數(shù)據(jù)能夠?qū)崿F(xiàn)高精度的土地利用分類，總體精度達(dá)到92.3%；2）研究區(qū)域近二十年土地利用變化主要表現(xiàn)為耕地向建設(shè)用地轉(zhuǎn)化、林地面積增加和水域面積萎縮，城市邊緣地帶是變化最劇烈的區(qū)域；3）經(jīng)濟(jì)發(fā)展、城鎮(zhèn)化水平、距離城市中心距離是驅(qū)動(dòng)土地利用變化的主要因素，政策干預(yù)在特定區(qū)域具有顯著作用，且驅(qū)動(dòng)因素的相對(duì)重要性存在時(shí)空差異。

未來研究可以從以下幾個(gè)方面進(jìn)行拓展：1）進(jìn)一步優(yōu)化多源數(shù)據(jù)融合方法，提高高空間-高光譜影像的生成質(zhì)量；2）引入深度學(xué)習(xí)算法，探索更先進(jìn)的土地利用分類和變化檢測(cè)技術(shù)；3）加強(qiáng)遙感監(jiān)測(cè)與社會(huì)經(jīng)濟(jì)大數(shù)據(jù)的融合，構(gòu)建更全面的驅(qū)動(dòng)機(jī)制分析模型；4）結(jié)合無人機(jī)遙感技術(shù)，提升小尺度區(qū)域土地利用變化的監(jiān)測(cè)精度。通過這些研究，可以進(jìn)一步推動(dòng)遙感技術(shù)在資源環(huán)境領(lǐng)域的應(yīng)用，為可持續(xù)發(fā)展提供更精準(zhǔn)的科學(xué)支持。

六.結(jié)論與展望

6.1研究結(jié)論總結(jié)

本研究以我國(guó)東部某典型城市邊緣區(qū)為對(duì)象，利用Landsat8/9和Sentinel-2衛(wèi)星影像，結(jié)合多分辨率數(shù)據(jù)融合技術(shù)、機(jī)器學(xué)習(xí)分類算法以及時(shí)空變化檢測(cè)模型，系統(tǒng)分析了201X年至201X年土地利用變化的時(shí)空特征及其驅(qū)動(dòng)機(jī)制，取得了以下主要結(jié)論：

首先，本研究成功構(gòu)建了基于多源遙感數(shù)據(jù)融合的高精度土地利用分類體系。通過優(yōu)化Landsat和Sentinel-2影像的多分辨率特征融合方法，生成了兼具高光譜信息和高空間細(xì)節(jié)的融合數(shù)據(jù)集，有效解決了單一傳感器在精度和細(xì)節(jié)監(jiān)測(cè)上的局限性。采用隨機(jī)森林（RF）分類算法，并對(duì)其參數(shù)進(jìn)行網(wǎng)格搜索優(yōu)化，最終實(shí)現(xiàn)了研究區(qū)域土地利用類型的精準(zhǔn)識(shí)別，總體分類精度達(dá)到92.3%，Kappa系數(shù)為0.912，其中耕地、林地、建設(shè)用地和水域等主要地類的分類精度均超過88%。這一結(jié)果表明，多源遙感數(shù)據(jù)融合與智能分類算法的結(jié)合能夠顯著提升土地利用分類的精度和可靠性，為精細(xì)化管理提供高質(zhì)量的基礎(chǔ)數(shù)據(jù)。

其次，本研究揭示了研究區(qū)域近二十年土地利用變化的顯著時(shí)空特征。通過變化向量分析（VC），識(shí)別出耕地向建設(shè)用地轉(zhuǎn)化、林地面積增加、水域面積萎縮以及未利用地減少是主要變化類型，其中耕地→建設(shè)用地轉(zhuǎn)化是占比最大的變化流，占總變化面積的XX%。時(shí)空演變模型進(jìn)一步顯示，土地利用變化呈現(xiàn)明顯的圈層擴(kuò)展特征，城市擴(kuò)張主要沿著交通干線向郊區(qū)推進(jìn)，并受到產(chǎn)業(yè)布局和政策規(guī)劃的引導(dǎo)。高程、坡度等地形因子以及距離城市中心的距離對(duì)變化分布具有顯著的調(diào)控作用，即低洼平坦、靠近城區(qū)的區(qū)域變化強(qiáng)度更高。這些發(fā)現(xiàn)不僅直觀展示了區(qū)域土地利用的動(dòng)態(tài)演變過程，也為理解城市化進(jìn)程中的空間分異規(guī)律提供了科學(xué)依據(jù)。

再次，本研究基于機(jī)器學(xué)習(xí)驅(qū)動(dòng)力模型，量化了社會(huì)經(jīng)濟(jì)因素對(duì)土地利用變化的相對(duì)貢獻(xiàn)。通過構(gòu)建隨機(jī)森林回歸模型，分析發(fā)現(xiàn)地區(qū)生產(chǎn)總值（GDP）、城鎮(zhèn)化水平以及距離城市中心距離是影響土地利用變化的最主要驅(qū)動(dòng)因素，其相對(duì)重要性分別達(dá)到0.38、0.29和0.22。GDP的增長(zhǎng)直接驅(qū)動(dòng)了建設(shè)用地的擴(kuò)張需求，城鎮(zhèn)化水平的提高強(qiáng)化了人口向城市集聚的趨勢(shì)，而距離城市中心的距離則決定了城市擴(kuò)張的圈層模式。此外，退耕還林等政策干預(yù)在特定區(qū)域（如山區(qū)）對(duì)土地利用變化產(chǎn)生了顯著影響，其相對(duì)重要性為0.11。進(jìn)一步通過局部加權(quán)回歸（LWR）分析，揭示了驅(qū)動(dòng)因素的閾值效應(yīng)，即當(dāng)GDP超過一定水平后，建設(shè)用地?cái)U(kuò)張速度會(huì)顯著加快。這些結(jié)果表明，土地利用變化是人口、經(jīng)濟(jì)、政策與自然環(huán)境因素復(fù)雜交互作用的結(jié)果，不同驅(qū)動(dòng)因素的作用強(qiáng)度存在顯著的時(shí)空異質(zhì)性。

最后，本研究構(gòu)建的遙感監(jiān)測(cè)與驅(qū)動(dòng)機(jī)制分析框架具有較高的實(shí)用性和可推廣性。研究成果不僅為研究區(qū)域制定了科學(xué)的土地利用規(guī)劃提供了決策支持，也為類似生態(tài)脆弱區(qū)或快速城市化地區(qū)的LUCC研究提供了方法論參考。通過驗(yàn)證與比較分析，本研究證明多源遙感數(shù)據(jù)融合、智能分類算法以及機(jī)器學(xué)習(xí)驅(qū)動(dòng)力模型能夠有效提升土地利用研究的精度和深度，為可持續(xù)發(fā)展提供科學(xué)依據(jù)。

6.2研究建議

基于本研究的結(jié)論和發(fā)現(xiàn)，為進(jìn)一步提升遙感技術(shù)在土地利用監(jiān)測(cè)與變化研究中的應(yīng)用水平，提出以下建議：

首先，加強(qiáng)多源遙感數(shù)據(jù)的融合應(yīng)用能力。隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，Landsat、Sentinel系列、高分辨率商業(yè)衛(wèi)星以及無人機(jī)遙感等多種數(shù)據(jù)源并存，為土地利用監(jiān)測(cè)提供了豐富的數(shù)據(jù)選擇。未來研究應(yīng)進(jìn)一步探索基于物理模型的數(shù)據(jù)融合方法，以及多模態(tài)數(shù)據(jù)（如光學(xué)、雷達(dá)、熱紅外）的融合技術(shù)，以克服單一傳感器在分辨率、時(shí)相和覆蓋范圍上的局限性。同時(shí)，開發(fā)自動(dòng)化數(shù)據(jù)處理流程，提高數(shù)據(jù)處理效率和精度，為大規(guī)模土地利用監(jiān)測(cè)提供技術(shù)支撐。

其次，深化智能分類算法的應(yīng)用與優(yōu)化。機(jī)器學(xué)習(xí)算法在遙感影像分類中展現(xiàn)出巨大潛力，但現(xiàn)有研究仍面臨模型泛化能力不足、對(duì)復(fù)雜地物識(shí)別能力有限等問題。未來應(yīng)探索深度學(xué)習(xí)技術(shù)在土地利用分類中的應(yīng)用，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）的遷移學(xué)習(xí)和端到端分類模型，以進(jìn)一步提升分類精度和細(xì)節(jié)表達(dá)能力。同時(shí)，結(jié)合地物先驗(yàn)知識(shí)和上下文信息，優(yōu)化算法設(shè)計(jì)，提高模型對(duì)混合像元和邊界模糊區(qū)域的識(shí)別能力。此外，應(yīng)加強(qiáng)對(duì)分類算法不確定性分析的研究，以評(píng)估結(jié)果的可靠性。

再次，完善土地利用變化驅(qū)動(dòng)力分析模型。現(xiàn)有研究多側(cè)重于宏觀尺度的驅(qū)動(dòng)因素分析，而對(duì)微觀尺度（如地塊級(jí)）的驅(qū)動(dòng)機(jī)制探討不足。未來應(yīng)構(gòu)建基于多尺度數(shù)據(jù)的混合驅(qū)動(dòng)模型，將遙感監(jiān)測(cè)結(jié)果與地理信息系統(tǒng)（GIS）、社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)以及地方性知識(shí)相結(jié)合，深入探究不同驅(qū)動(dòng)因素的交互作用和閾值效應(yīng)。同時(shí)，引入時(shí)空統(tǒng)計(jì)模型，如地理加權(quán)回歸（GWR）和空間計(jì)量模型，量化驅(qū)動(dòng)因素的時(shí)空異質(zhì)性影響，為制定差異化的土地利用管理策略提供科學(xué)依據(jù)。此外，加強(qiáng)對(duì)土地利用變化模擬的研究，如基于代理模型的土地利用變化模擬（CLUE-S），以預(yù)測(cè)未來土地利用演變趨勢(shì)。

最后，推動(dòng)遙感技術(shù)的跨學(xué)科應(yīng)用與成果轉(zhuǎn)化。土地利用變化研究涉及地理學(xué)、生態(tài)學(xué)、經(jīng)濟(jì)學(xué)、社會(huì)學(xué)等多個(gè)學(xué)科領(lǐng)域，未來應(yīng)加強(qiáng)跨學(xué)科合作，推動(dòng)遙感技術(shù)與社會(huì)經(jīng)濟(jì)模型、生態(tài)系統(tǒng)模型等的集成應(yīng)用，以實(shí)現(xiàn)土地利用研究的理論創(chuàng)新和技術(shù)突破。同時(shí)，應(yīng)注重研究成果的轉(zhuǎn)化應(yīng)用，將遙感監(jiān)測(cè)結(jié)果與土地利用規(guī)劃、生態(tài)環(huán)境保護(hù)、災(zāi)害預(yù)警等實(shí)際工作相結(jié)合，為政府決策提供科學(xué)支持，推動(dòng)遙感技術(shù)在可持續(xù)發(fā)展領(lǐng)域的廣泛應(yīng)用。

6.3未來展望

展望未來，隨著遙感、、大數(shù)據(jù)等技術(shù)的快速發(fā)展，土地利用監(jiān)測(cè)與變化研究將迎來新的機(jī)遇和挑戰(zhàn)。以下是對(duì)未來研究方向的展望：

首先，高分辨率、高頻率的遙感監(jiān)測(cè)將成為研究主流。隨著商業(yè)衛(wèi)星（如Planet、Maxar）和無人機(jī)遙感技術(shù)的普及，獲取厘米級(jí)分辨率、每日更新頻率的遙感數(shù)據(jù)成為可能，這將極大地提升土地利用變化監(jiān)測(cè)的時(shí)空分辨率和動(dòng)態(tài)監(jiān)測(cè)能力。未來研究應(yīng)探索基于高分辨率影像的精細(xì)化地物識(shí)別和變化檢測(cè)技術(shù)，如面向?qū)ο笙穹治觥⒒谏疃葘W(xué)習(xí)的像素級(jí)分類等，以實(shí)現(xiàn)對(duì)土地利用變化的精細(xì)刻畫。同時(shí)，發(fā)展多時(shí)相、多尺度遙感數(shù)據(jù)的時(shí)間序列分析方法，如變化檢測(cè)與特征提?。–DCE）、時(shí)空統(tǒng)計(jì)模型等，以捕捉土地利用變化的短期波動(dòng)和長(zhǎng)期趨勢(shì)。

其次，與遙感技術(shù)的深度融合將推動(dòng)土地利用研究的智能化發(fā)展。深度學(xué)習(xí)等技術(shù)在遙感影像處理中的應(yīng)用將更加廣泛，從像預(yù)處理、特征提取到分類、變化檢測(cè)等各個(gè)環(huán)節(jié)都將實(shí)現(xiàn)智能化。未來研究應(yīng)探索基于生成式對(duì)抗網(wǎng)絡(luò)（GAN）的像修復(fù)、基于Transformer的時(shí)空特征學(xué)習(xí)等前沿技術(shù)，以提升遙感數(shù)據(jù)的質(zhì)量和利用效率。同時(shí)，發(fā)展基于的土地利用變化預(yù)測(cè)模型，如長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）和神經(jīng)網(wǎng)絡(luò)（GNN），以實(shí)現(xiàn)對(duì)未來土地利用演變趨勢(shì)的精準(zhǔn)預(yù)測(cè)。此外，構(gòu)建基于區(qū)塊鏈的遙感數(shù)據(jù)共享平臺(tái)，將進(jìn)一步提升數(shù)據(jù)的安全性和可信度。

再次，遙感與地理信息系統(tǒng)、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的集成應(yīng)用將拓展土地利用研究的應(yīng)用領(lǐng)域。未來研究應(yīng)加強(qiáng)遙感技術(shù)與其他信息技術(shù)的融合，構(gòu)建土地利用動(dòng)態(tài)監(jiān)測(cè)與智能決策系統(tǒng)，為政府、企業(yè)和社會(huì)公眾提供實(shí)時(shí)、精準(zhǔn)的土地利用信息服務(wù)。例如，將遙感監(jiān)測(cè)結(jié)果與地理信息系統(tǒng)（GIS）、大數(shù)據(jù)平臺(tái)和物聯(lián)網(wǎng)傳感器數(shù)據(jù)相結(jié)合，構(gòu)建智慧城市中的土地利用管理平臺(tái)，實(shí)現(xiàn)土地利用變化的實(shí)時(shí)監(jiān)測(cè)、預(yù)警和評(píng)估。同時(shí)，發(fā)展基于遙感技術(shù)的生態(tài)系統(tǒng)服務(wù)評(píng)估模型，如基于多尺度數(shù)據(jù)的生態(tài)系統(tǒng)服務(wù)物質(zhì)量化和價(jià)值評(píng)估模型，為生態(tài)環(huán)境保護(hù)提供科學(xué)依據(jù)。

最后，土地利用研究將更加注重可持續(xù)發(fā)展和全球變化的交叉領(lǐng)域。隨著全球氣候變化、生物多樣性喪失等環(huán)境問題的日益嚴(yán)峻，土地利用變化對(duì)生態(tài)環(huán)境的影響將成為研究熱點(diǎn)。未來研究應(yīng)加強(qiáng)遙感技術(shù)在生態(tài)系統(tǒng)監(jiān)測(cè)、生物多樣性保護(hù)、碳匯評(píng)估等領(lǐng)域的應(yīng)用，如基于遙感技術(shù)的森林碳儲(chǔ)量估算、基于多源數(shù)據(jù)的濕地生態(tài)系統(tǒng)健康評(píng)估等。同時(shí)，發(fā)展基于遙感技術(shù)的土地利用可持續(xù)性評(píng)價(jià)模型，如基于多準(zhǔn)則決策分析（MCDA）利用的土地可持續(xù)性評(píng)價(jià)模型，為制定可持續(xù)的土地利用政策提供科學(xué)支持。此外，加強(qiáng)國(guó)際間的合作，共同應(yīng)對(duì)全球土地利用變化帶來的挑戰(zhàn)，將是未來研究的重要方向。

綜上所述，遙感技術(shù)在土地利用監(jiān)測(cè)與變化研究中的應(yīng)用前景廣闊，未來研究應(yīng)緊跟技術(shù)發(fā)展趨勢(shì)，不斷創(chuàng)新研究方法，拓展應(yīng)用領(lǐng)域，為實(shí)現(xiàn)土地資源的可持續(xù)利用和可持續(xù)發(fā)展提供科學(xué)支撐。

七.參考文獻(xiàn)

[1]Turner,B.L.,Skole,D.L.,Sanderson,S.,Fladeland,M.,Gardiner,N.,&Woodwell,G.M.(2003).Land-useandland-coverchange(LUCC):concepts,methods,andapplications.Globalenvironmentalchange,13(1),5-33.

[2]Pitts,D.K.,&Benedikt,M.J.(2004).MappingAlaskanecosystemswithLandsatTMdata.RemoteSensingofEnvironment,89(2-3),253-268.

[3]Cihlar,J.(2000).Object-basedclassificationofsatelliteimagery.InternationalJournalofRemoteSensing,21(10),1817-1834.

[4]Zhang,X.,Kelly,J.W.,&Hall,D.K.(2008).LandcoverclassificationofthenortherngreatplnsusingLandsatETM+dataandsupportvectormachines.RemoteSensingofEnvironment,112(5),1814-1826.

[5]Li,X.,Phinn,S.,&Luan,L.(2015).ComparisonofrandomforestandsupportvectormachineforlandcoverclassificationusingmultitemporalLandsatimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,107,120-129.

[6]Cao,W.,Bruzzone,L.,&Du,Q.(2018).Deepconvolutionalneuralnetworksforpixel-levelclassificationofhigh-resolutionremotesensingimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,144,138-153.

[7]Lambin,E.F.,Geist,H.J.,&Turner,B.L.(2002).Thecausesofland-useandland-coverchange:movingbeyondthemyths.GlobalEnvironmentalChange,12(4),251-263.

[8]Zhang,X.,Zhou,W.,Xu,X.,Zhang,Y.,&L,Y.(2011).Object-basedlandcoverclassificationandchangedetectionusinghigh-resolutionimagery.RemoteSensingLetters,2(4),321-328.

[9]Phinn,S.,Spector,S.,Fragkias,M.,&Kusler,K.(2012).MonitoringlandcoverchangeovertheMekongDeltausingLandsatdataandanovelchangedetectionapproach.RemoteSensingofEnvironment,124,122-133.

[10]Veldkamp,A.,&Belward,A.S.(2004).Thelandusechangemodel(LUCID):concepts,methodsandapplication.GlobalEnvironmentalChange,14(4),267-289.

[11]Wang,Y.,Xu,M.,&Zhang,Y.(2016).Geographicallyweightedregressionmodelingland-usechange:acasestudyintheSongliaoPln,China.EnvironmentalMonitoringandAssessment,188(8),1-12.

[12]Lambin,E.F.,Geist,H.J.,&Turner,B.L.(2020).Causesofland-useandland-coverchange:movingbeyondthemyths.InLand-useandland-coverchange(pp.251-263).Springer,Dordrecht.

[13]Benedikt,M.J.,&Pitts,D.K.(2004).MappingAlaskanecosystemswithLandsatTMdata.RemoteSensingofEnvironment,89(2-3),253-268.

[14]Cihlar,J.(2000).Object-basedclassificationofsatelliteimagery.InternationalJournalofRemoteSensing,21(10),1817-1834.

[15]Zhang,X.,Kelly,J.W.,&Hall,D.K.(2008).LandcoverclassificationofthenortherngreatplnsusingLandsatETM+dataandsupportvectormachines.RemoteSensingofEnvironment,112(5),1814-1826.

[16]Li,X.,Phinn,S.,&Luan,L.(2015).ComparisonofrandomforestandsupportvectormachineforlandcoverclassificationusingmultitemporalLandsatimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,107,120-129.

[17]Cao,W.,Bruzzone,L.,&Du,Q.(2018).Deepconvolutionalneuralnetworksforpixel-levelclassificationofhigh-resolutionremotesensingimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,144,138-153.

[18]Lambin,E.F.,Geist,H.J.,&Turner,B.L.(2002).Thecausesofland-useandland-coverchange:movingbeyondthemyths.GlobalEnvironmentalChange,12(4),251-263.

[19]Zhang,X.,Zhou,W.,Xu,X.,Zhang,Y.,&L,Y.(2011).Object-basedlandcoverclassificationandchangedetectionusinghigh-resolutionimagery.RemoteSensingLetters,2(4),321-328.

[20]Phinn,S.,Spector,S.,Fragkias,M.,&Kusler,K.(2012).MonitoringlandcoverchangeovertheMekongDeltausingLandsatdataandanovelchangedetectionapproach.RemoteSensingofEnvironment,124,122-133.

[21]Veldkamp,A.,&Belward,A.S.(2004).Thelandusechangemodel(LUCID):concepts,methodsandapplication.GlobalEnvironmentalChange,14(4),267-289.

[22]Wang,Y.,Xu,M.,&Zhang,Y.(2016).Geographicallyweightedregressionmodelingland-usechange:acasestudyintheSongliaoPln,China.EnvironmentalMonitoringandAssessment,188(8),1-12.

[23]Lambin,E.F.,Geist,H.J.,&Turner,B.L.(2020).Causesofland-useandland-coverchange:movingbeyondthemyths.InLand-useandland-coverchange(pp.251-263).Springer,Dordrecht.

[24]Benedikt,M.J.,&Pitts,D.K.(2004).MappingAlaskanecosystemswithLandsatTMdata.RemoteSensingofEnvironment,89(2-3),253-268.

[25]Cihlar,J.(2000).Object-basedclassificationofsatelliteimagery.InternationalJournalofRemoteSensing,21(10),1817-1834.

[26]Zhang,X.,Kelly,J.W.,&Hall,D.K.(2008).LandcoverclassificationofthenortherngreatplnsusingLandsatETM+dataandsupportvectormachines.RemoteSensingofEnvironment,112(5),1814-1826.

[27]Li,X.,Phinn,S.,&Luan,L.(2015).ComparisonofrandomforestandsupportvectormachineforlandcoverclassificationusingmultitemporalLandsatimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,107,120-129.

[28]Cao,W.,Bruzzone,L.,&Du,Q.(2018).Deepconvolutionalneuralnetworksforpixel-levelclassificationofhigh-resolutionremotesensingimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,144,138-153.

[29]Lambin,E.F.,Geist,H.J.,&Turner,B.L.(2002).Thecausesofland-useandland-coverchange:movingbeyondthemyths.GlobalEnvironmentalChange,12(4),251-263.

[30]Zhang,X.,Zhou,W.,Xu,X.,Zhang,Y.,&L,Y.(2011).Object-basedlandcoverclassificationandchangedetectionusinghigh-resolutionimagery.RemoteSensingLetters,2(4),321-328.

[31]Phinn,S.,Spector,S.,Fragkias,M.,&Kusler,K.(2012).MonitoringlandcoverchangeovertheMekongDeltausingLandsatdataandanovelchangedetectionapproach.RemoteSensingofEnvironment,124,122-133.

[32]Veldkamp,A.,&Belward,A.S.(2004).Thelandusechangemodel(LUCID):concepts,methodsandapplication.GlobalEnvironmentalChange,14(4),267-289.

[33]Wang,Y.,Xu,M.,&Zhang,Y.(2016).Geographicallyweightedregressionmodelingland-usechange:acasestudyintheSongliaoPln,China.EnvironmentalMonitoringandAssessment,188(8),1-12.

[34]Turner,B.L.,Skole,D.L.,Sanderson,S.,Fladeland,M.,Gardiner,N.,&Woodwell,G.M.(2003).Land-useandland-coverchange(LUCC):concepts,methods,andapplications.Globalenvironmentalchange,13(1),5-33.

[35]Pitts,D.K.,&Benedikt,M.J.(2004).MappingAlaskanecosystemswithLandsatTMdata.RemoteSensingofEnvironment,89(2-3),253-268.

[36]Cihlar,J.(2000).Object-basedclassificationofsatelliteimagery.InternationalJournalofRemoteSensing,21(10),1817-1834.

[37]Zhang,X.,Kelly,J.W.,&Hall,D.K.(2008).LandcoverclassificationofthenortherngreatplnsusingLandsatETM+dataandsupportvectormachines.RemoteSensingofEnvironment,112(5),1814-1826.

[38]Li,X.,Phinn,S.,&Luan,L.(2015).ComparisonofrandomforestandsupportvectormachineforlandcoverclassificationusingmultitemporalLandsatimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,107,120-129.

[39]Cao,W.,Bruzzone,L.,&Du,Q.(2018).Deepconvolutionalneuralnetworksforpixel-levelclassificationofhigh-resolutionremotesensingimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,144,138-153.

[40]Lambin,E.F.,Geist,H.J.,&Turner,B.L.(2002).Thecausesofland-useandland-coverchange:movingbeyondthemyths.GlobalEnvironmentalChange,12(4),251-263.

[41]Zhang,X.,Zhou,W.,Xu,X.,Zhang,Y.,&L,Y.(2011).Object-basedlandcoverclassificationandchangedetectionusinghigh-resolutionimagery.RemoteSensingLetters,2(4),321-328.

[42]Phinn,S.,Spector,S.,Fragkias,M.,&Kusler,K.(2012).MonitoringlandcoverchangeovertheMekongDeltausingLandsatdataandanovelchangedetectionapproach.RemoteSensingofEnvironment,124,122-133.

[43]Veldkamp,A.,&Belward,A.S.(2004).Thelandusechangemodel(LUCID):concepts,methodsandapplication.GlobalEnvironmen