摘 要
快速、准确获取耕地时空信息是研究耕地时空格局和生态效应的基础,也是及时制定应对粮食问题相应对策的迫切需求对,长期的耕地时空变化进行监测对维护粮食安全和农业发展以及可持续发展有重要意义.
以迁安市为研究区,基于 2000 和 2017 年 Landsat TM/OLI 影像,采用面向对象分类方法,提取迁安市耕地信息,并以此为基础,探究迁安市耕地时空格局及其生态效益,以期为相关部门制定规划和政策提供科学依据.对迁安市长期的耕地时空变化进行监测对维护粮食安全和农业发展以及可持续发展有重要意义.主要结论如下:(1)面向对象分类方法应用于提取迁安市耕地信息,能够取得较好的效果.总体分类精度达到了 86.34%,Kappa 系数为 0.8292.(2)2017 年,迁安市耕地面积为 733.9 平方公里,主要分布在高程为 50-100 米之间.17 年间,迁安市耕地减少了 45.56 平方公里,主要是迁安镇面积减小最大,减少了 21.2 平方公里.耕地减少的主要去向是人工表面,期间减少了 119.4 平方公里.(3)2000-2017年间,迁安市各乡镇之间耕地变化量差异明显.耕地增加的乡镇有 7 个,减少的乡镇有 12 个,迁安镇是减少速度最快的乡镇.17 年间,耕地动态在 0.5 以上的乡镇有 5 个,其中只有彭店子乡的耕地是呈现增加趋势.从迁安市各个乡镇耕地的相对变化率来看,2000-2017 年迁安市耕地发展不平衡.相对变化率大于 1 的有 15个,迁安市大部分乡镇耕地变化速率超过了迁安市耕地平均变化速率.(4)17 年间,迁安市耕地重心向东北方向偏移了 972.62 米,偏移速度为 57.21 米/年.迁安市西南部耕地面积流失严重和东北部耕地快速扩张是迁安市耕地重心向东北偏移的主要原因.(5)通过对 2000 年和 2017 年耕地景观格局时空动态研究发现:17 年间,迁安市耕地聚集度降低,破碎化程度增加,连通性减低,受人类活动干扰增加.(6)在众多人为驱动因素中,政策因素起着重要的指导作用;人口的增加、经济的增长和产业结构调整,促进耕地的快速被侵占.迁安市科技的投入量增加,促进了耕地单位面积产量增加,在一定程度上缓解了耕地面积减少对粮食安全的影响.
关键词:遥感,面向对象分类方法,景观格局,生态效应,耕地
Abstract
Food is an important basic resource related to China's development and strategicreserve, and food security is the top priority in national security. As a country with a largepopulation, the food problem has a direct impact on China's long-term stability, and hasbecome the focus of scholars at home and abroad. It is an important task to grasp thespatial and temporal change pattern of cultivated land and formulate correspondingpolicies and plans scientifically.
Based on Landsat TM/OLI images in 2000 and 2017, this paper extracted thecultivated land information of Qian'an city by using object-oriented classification method,and based on this, explored the spatial and temporal pattern of cultivated land in Qian'ancity and its ecological benefits, so as to provide scientific basis for relevant departmentsto formulate plans and policies. Monitoring the long-term changes in time and space ofcultivated land in Qian'an city is of great significance for maintaining food security andagricultural development and sustainable development. The main conclusions of thisstudy are as follows:(1) The object-oriented classification method was used to classifyremote sensing images of Qian'an city and extract the cultivated land information ofQian'an city. 366 verification points were used to evaluate the accuracy of theclassification results. The results showed that the accuracy of cultivated land was 90.74%,the overall accuracy of the classification was 86.34%, and the Kappa coefficient was0.8292. The classification accuracy was high and could meet the requirements of thisstudy.(2) In 2017, the cultivated land area of Qian'an city was 733.9 km2, mainlydistributed in the elevation of 50-100 m. In the past 17 years, the cultivated land ofQian'an city decreased by 45.56 km2, and the area of Qian'an town decreased the mostby 21.2 km2.Most of the decrease in cultivated land went to artificial surfaces, whichdecreased by 119.4 km2.(3) From 2000 to 2017, there was a significant difference in thechange amount of cultivated land between towns in Qian'an. There were 7 towns withmore cultivated land, There were 12 towns with increased cultivated land, Qian'an townwas the fastest reducing town. In 17a, there were 5 towns with a cultivated land dynamicattitude of 0.5 or more, among which only the cultivated land of Pengdian town showedan increasing trend. From the perspective of the relative change rate, the relative changerate of cultivated land in each town of Qian'an city shows that the cultivated landdevelopment in Qian'an city was unbalanced from 2000 to 2017.The change rate ofcultivated land in most towns of Qian'an was higher than the average change rate ofcultivated land in the city.(4) between 17a, the center of gravity of Qian'an city shifted972.62m to the northeast, with an offset speed of 57.21m/a. The main reasons for theserious loss of cultivated land in southwest and the rapid expansion of cultivated land innortheast of Qian'an city.(5) in 2000 and 2017, the calculation of farmland landscapepattern, Qian'an concentration of cultivated lands is reduced, the fragmentation degreeincrease, connectivity, interference by human activities.(6) among many human drivingfactors, policy factors play an important guiding role; Population increase, economicgrowth and industrial restructuring, promote the rapid occupation of farmland. Theincrease of the input of science and technology in Qian'an city promotes the increase ofthe output of cultivated land per unit area and alleviates the impact of the decrease ofcultivated land on food security to some extent.
Keywords: remote sensing, object-based classification, landscape pattern, ecologicalbenefits, cultivated land
目 次
引 言 ....................................................................................................................... 1
第 1 章 文献综述 ......................................................................................................... 2
1.1 国内外研究进展 ............................................................................................. 2
1.1.1 耕地信息提取现状 ................................................................................ 2
1.1.2 景观格局及生态效应研究进展 ............................................................ 3
1.2 研究目的与内容 ............................................................................................. 5
1.2.1 研究目的 ................................................................................................ 5
1.2.2 研究内容 ................................................................................................ 5
1.3 研究方法与技术路线 ..................................................................................... 6
1.3.1 研究方法 ................................................................................................ 6
1.3.2 技术路线 .............................................................................................. 12
第 2 章 研究区概况及耕地信息提取 ....................................................................... 14
2.1 研究区概况 ................................................................................................... 14
2.2 数据源 ........................................................................................................... 15
2.3 遥感影像预处理 ........................................................................................... 17
2.4 耕地信息提取 ............................................................................................... 17
2.4.1 多尺度分割 .......................................................................................... 17
2.4.2 耕地信息提取 ...................................................................................... 19
2.4.3 分类精度评价 ...................................................................................... 21
第 3 章 耕地时空动态定量分析 ............................................................................... 23
3.1 迁安市耕地变化总体特征 ........................................................................... 23
3.2 迁安市耕地转移特征 .................................................................................... 25
3.3 迁安市耕地时空动态特征 ........................................................................... 32
3.3.1 耕地数量时空变化 .............................................................................. 32
3.3.2 耕地重心时空变化 .............................................................................. 33
3.4 耕地景观格局及其生态效应 ........................................................................ 35
3.4.1 耕地 class 水平的景观格局动态 ........................................................ 35
3.4.2 耕地 landscape 水平的景观格局动态 ................................................ 35
第 4 章 迁安市耕地变化驱动力分析 ....................................................................... 37
4.1 人口因素 ........................................................................................................ 38
4.2 经济因素 ........................................................................................................ 39
4.3 科技因素 ........................................................................................................ 39
4.4 政策因素 ........................................................................................................ 41
结 论 ......................................................................................................................... 42
参考文献 ..................................................................................................................... 44
附录 A 迁安市农业投入表 ....................................................................................... 49
引 言
粮食是关系到我国发展和战略储备的重要基础资源,粮食安全是国家安全中重中之重.作为人口庞大的国家,粮食问题更是直接影响到我国的长治久安,也成为国内外学者的重点关注的对象.影响粮食安全的因素包括:社会、经济、人口、科技进步、政策等,而耕地资源是农业生产和解决粮食问题的最基础物质条件,其数量的增减直接影响着粮食的供给.准确掌握耕地时空格局变化,科学制定相应的政策和计划,是保证粮食安全的重要任务.
快速、准确获取耕地时空信息是研究耕地时空格局和生态效应的基础,也是及时制定应对粮食问题相应对策的迫切需求.随着遥感技术在耕地研究领域的应用,使耕地信息获取的效率进一步提高,同时,分类精度也得到了提高.遥感分类技术进一步发展,逐渐弥补了传统技术效率低、费人费力等缺点,向计算机自动分类技术方向发展.监督分类、非监督分类、支持向量机、人工神经网络、面向对象分类方法等分类技术得到了广泛应用,并取得了一定成果.目前,深度学习和人工智能也逐渐在分类领域得到了应用.这些技术为快速获取耕地空间信息奠定了技术基础.
迁安市以钢铁立市,有着名的"铁迁安"着称,钢铁的发展成为迁安市的支柱产业.然而,耕地面积占迁安市的 1/2 之多,固然是迁安发展的重要基础.随着城市发展和钢铁产业的推进,迁安市的耕地收到了严重影响.在多重因素影响下,耕地时空格局如何,耕地发展是否处于健康状态,目前还是一片空白.为确保迁安市粮食安全,快速、准确获得耕地时空分布信息,掌握其发展规律,成为迁安市制定农业发展政策的迫切需求.
本研究以 2000 和 2017 年 Landsat TM/OLI 遥感影像为基础,采用面向对象分类方法,提取迁安市耕地信息;通过耕地动态模型、变化程度综合指数、相对变化率、重心模型等指数探讨耕地时空格局;并通过生态景观格局理论分析期间景观格局变化方向,以期为相关部门制定规划和政策提供科学依据.
第 1 章 文献综述
1.1 国内外研究进展
1.1.1 耕地信息提取现状
《国家粮食安全中长期规划纲要(2008-2020 年)》指出,粮食安全始终是关系我国国民经济发展、社会稳定和国家自立的全局性重大战略问题.随着我国人口迅速增长,人民生活水平不断提高,粮食消费量迅速增加,人口-粮食-资源-环境的矛盾日益突出[1].中国粮食供需处于紧平衡已成为常态,到 2020 年,国内粮食(不含大豆)的供给缺口将在 400-500 亿公斤;进口不断增加,导致"米袋子系在别人腰间".2014 年国务院发布《关于全面深化农村改革加快推进农业现代化的若干意见》,指出"抓紧构建新形势下的国家粮食安全战略,把饭碗牢牢端在自己手上,是治国理政必须长期坚持的基本方针".对长期的耕地时空变化进行监测对维护粮食安全和农业发展以及可持续发展有重要意义.
近些年来,大量的学者利用于 Landsat TM/ETM+/OLI、国产的 HJ1A/1B、CBERS 等遥感数据在全国范围内开展耕地时空演变监测和研究[2].陈迪等采用我国 2000、2010 年两期全球 30 米 GlobeLand30 和 FAOSTAT 统计数据研究了亚洲耕地时空变化,发现亚洲耕地有稳定上升趋势[3].Liu 等将 Landsat TM 应用于我国耕地时空格局变化研究中,揭示了 1990-2000 年耕地演变特点,为我国制定合理农业发展计划提供了可靠的依据[4].Dong 等基于遥感影像,结合 10℃以上积温和耕地的时空变化,探讨了 10℃以上积温对耕地变化的影响[5].赵晓丽等通过利用多源遥感影像探讨了我国近 30 年耕地时空变化特征和驱动因素[6].满卫东等采用Landsat TM/ETM+/OLI 遥感数据获取了东北地区耕地信息,以此为基础探讨了东北地区 23 年间耕地时空变化特征,得出此变化与政策变动、经济发展和科技进步有重要关系[2].Shi 等利用 Landsat MSS/TM/ETM+和 CBERS1/2 探讨了我国北方耕地变化对气候变化的响应[7].Zuo 等运用多时相、多期遥感数据揭示了西北干旱半干旱区的耕地变化特征[8].苑惠丽等利用 Landsat-8 OLI 对蚌埠市的农作物进行了监测[9].陈东湘等利用遥感遥感手段探索了城市扩张对耕地质量的影响[10].杜国明等采用遥感技术实现了 2000-2015 年东北地区水田时空格局演变研究[11].相恒星等完成了 1990-2015 年图们江流域耕地监测,发现在此期间大量旱田转化为水田.张茹等采用遥感和地理信息系统技术探究了轩岗矿区耕地流失主要影响因素[12].薛冰等基于 2000、2005、2010 和 2015 四期遥感数据对东北农田变化进行了监测[13].以上研究证实,遥感在耕地时空变化中的应用越来越广泛,对遥感和耕地研究领域有重大意义.
随着遥感技术在耕地研究领域的应用和发展,准确获得耕地信息的分类方法越来越丰富[14].传统的目视解译方法,其主要优势在于分类精度较高,但其费时费力、效率低劣势明显[15].计算机分类方法如监督分类、非监督分类[16]、支持向量机[17-18]、人工神经网络[19]、随即森林[20-21]和决策树[22]等在一定程度上提高了分类效率,但分类精度不高,有些分类方法计算复杂耗时较长[23].人工智能[24]和深度学习[25-26]等技术逐渐步入遥感图像分类领域,正受遥感技术研究学者关注.面向对象分类方法将具有相同特征的像素分组合并成同质对象,其能够反映遥感影像的一个特殊空间,同时具有该空间丰富的影像信息,这是面向对象分类方法的基础[27].该方法通过将遥感图像分割成多个同质对象,分类方法包括多尺度分割、四叉树分割和合并对象等处理[28].多尺度分割是面向对象分类方法最为常用的分割技术,分割时需要设定波段参数、尺度参数、紧致度因子、光滑度因子、形状因子和颜色因子[29].该方法充分利用对象的光谱、大小、位置、纹理、上下文、形状和波段特征等信息,完成面向对象分类方法对特定信息提取[30].该方法有效的避免了"椒盐现象",同时还减少了"同物异谱"和"同谱异物"现象[31].
1.1.2 景观格局及生态效应研究进展
景观生态学关注点在于景观的空间时空格局、生态学过程、景观尺度之间相互关系.景观格局指的就是景观的空间格局,包括景观组成部分的数目、类型和空间分布以及空间配置.景观格局方面来看,耕地的变化必然引起土地利用方式、强度、过程等方面也随之改变.大量研究表明.土地利用变化度全球气候变化有着重要影响,尤其是耕地变化,对自然生态系统影响更大.耕地格局动态对生态环境因素、其他生态景观格局有着重大影响.由于短时间内,自然因素对景观格局影响较小,而人为因素对其影响起着关键作用[32].
人类活动增强、影响范围逐渐增加,导致本应该由自然环境因素主导的生态系统变化,逐渐被人为活动的作用所取代.人为主导的景观耕地频繁发生变化,既有以解决粮食安全为目的耕地扩张,也有城市发展带来的耕地被占用.耕地变化对生态环境的影响主要包括对气候变化、土壤属性和质量的变化、水环境和生物多样性变化的影响.耕地扩张包括对自然生态系统的占用,包括对森林、湿地、草地和水域等,森林、湿地、草地的大量开垦打破碳收支平衡,使"温室效应"越来越严重.路则栋等研究了呼伦贝尔谢尔塔拉牧场草地开垦对温室气体排放的影响,结果表明草地被耕地占用之后导致土壤中的 N2O 排放量大量增加[33].董芳辰等研究了由于开垦年限的不同,土壤表层养分的空间变化,土壤养分出现了明显退化现象[34].向业凤研究了黄龙山林地开垦对土壤有机碳的影响,发现林地开垦导致了土壤有机碳的流失[35].耕地的变化也影响到了土壤质量,对农作物追施各种化学元素肥料,改变了土壤中化学组成,影响了土壤生态系统平衡.赵明松等对安徽省耕地土壤养分进行研究,发现耕地大量增加,土壤养分变异程度增加[36].耕地的增加导致水体富营养化,水环境遭到破坏;另外还引起水资源需求增加,水环境问题更严重.李宝富等研究后备耕地变化对土壤水盐变化的影响[37].耕地的变化直接影响着生态系统的生物多样性,从而引起景观破碎化加重、生物栖息环境破坏、森林垦殖边缘化效应等问题[38].
景观格局的研究已经与遥感技术结合在一起,用于研究景观格局时空演变.随着生态系统被大众所熟知,生态系统可持续性发展已经成为众多学者关注的焦点.目前国内外学者将景观格局应用于生态效应研究.景观格局可以从斑块、类别和景观层次进行景观分析.魏中龙通过景观格局分析,研究了重庆市巴南区江南新城景观生态效应,结果表明该地区景观破碎度有所下降[39].于洋采用遥感和地理信息系统技术研究了密云县景观生态效应随 LUCC 变化的响应[40].董玉红等通过景观指数和相关分析方法研究了吉林省大安市不同地物景观时空动态,结果表明该地区景观破碎化程度降低[41].Wang 等通过景观格局分析发现:1954-2008 年间松嫩平原西部湿地景观呈现破碎化趋势[42].Song 等分析了 1976-2005 年间穆棱-兴凯平原湿地景观变化与农业活动的关系[43].Baidi 等通过景观发现了南美温带草原景观破碎化特征[44].Burgi 等深入分析了景观格局时空变化的驱动力未来发展方向[45].Jaeger 等分析了景观分异、分离度指数等在景观格局分析中的作用[46].Rayburn 等探究了美国中西部一个农业分水岭的景观变化[47].Simpson 等分析了俄亥俄 48 年景观变化[48].Wu 等分析了 1942-2002 年长江三角洲农业景观变化[49].程琳琳等利用遥感技术探索了盐池县景观格局动态轨迹,发现该区域景观聚集度指数持续增加[50].李晓雅等研究差异明显的村庄的耕地撂荒发现景观格局特征差异显着[51].Yu等研究发现景观格局对干旱强度有重要影响[52].王戈等对包头市景观格局研究发现,2006-2016 年间景观破碎化加剧程度并不显着[53].张起鹏等研究 2000-2016 年间高寒草甸草原景观破碎化加剧,主要是人为因素起到了推动作用[54].
综上所述,耕地信息提取对区域制定相关政策提供重要的科学依据.遥感技术在耕地时空变化研究中有明显优势.通过比较不同的遥感图像分类方法,综合考虑人力、物力、财力以及相关方法的复杂程度和分类精度,发现面向对象分类方法更适合本研究.景观格局分析方法已然成为生态学研究的重要手段,通过景观格局和其他研究领域结合,能够为生态和环保部门解决相关问题提供技术支撑.
1.2 研究目的与内容
1.2.1 研究目的
本文的主旨在于以迁安市为研究区,基于 2000 和 2017 年 Landsat TM/OLI 影像,采用面向对象分类方法,提取迁安市耕地信息,探究迁安市耕地时空格局及其生态效益,以期为相关部门制定规划和政策提供科学依据.
1.2.2 研究内容
本研究的主要内容包括迁安市耕地信息提取、耕地时空格局和生态效应,主要为以下三个方面
1)耕地信息提取
收集迁安市 2000 和 2017 年 Landsat TM/OLI 遥感影像;对迁安市遥感影像进行几何校正、大气校正等预处理;基于 Landsat TM/OLI 遥感影像建立解译标志;综合面向对象分类方法和目视解译方法提取耕地信息,完成制图;分类结果验证.
2)耕地时空格局
基于以上提取的耕地信息,通过耕地动态模型、变化程度综合指数、相对变化率、重心模型等指数探讨耕地时空格局.
3)耕地景观格局变化
本研究从斑块类型水平分析耕地景观格局动态,选取指数包括:1)面积指数,其中包括:斑块占景观面积比(Percentage of landscape, PLAND)、最大斑块指数(Largest patch index, LPI)和平均斑块面积(Mean area, AREA-MN);2)边缘指数总边缘长度(Total edge, TE)、边缘密度(Edge density, ED);3)分散指数,主要包括斑块个数(Number of patches, NP)和斑块密度(Patch density,PD);4)聚集指数,相似临近百分比(Proportion of like adjacencies, PLADJ)、聚合度指数(Aggregation index, AI)、聚类指数(Clumpiness, CLUMPY)、景观形状指数(Landscape shape index, LSI)和连通度指数(Patch cohesion index,COHESION)等指数来定量描述示范区景观格局变化.
1.3 研究方法与技术路线
1.3.1 研究方法
1)面向对象分类方法
面向对象分类方法是基于遥感影像的像素信息,采用多尺度分割、四叉树分割等方法把各个分割参数进行组合,将遥感图像分割成近似于同质像元的对象,最后采用对象的光谱特征、纹理特征、形状特征、斑块大小以及对象的上下文特征对遥感影像进行分类的过程.本研究的面向对象分类方法实现是通过 eCognition9.0 软件平台实现.
多尺度分割是面向对象分类方法最常用的图像分割法,其能够在保证遥感影像信息最小的情况下,对遥感影像进行不规则的分割,生成同质性大、异质性小的对象.多尺度分割需要设定一些参数,包括尺度参数、形状异质性参数、光谱异质性参数、平滑度参数和紧致度参数以及参与分割的波段等.尺度参数数值输入越大,其分割结果的斑块相对越大;反之,则相对越小.形状异质性参数和光谱异质性参数之和为 1;平滑度参数和紧致度参数之和为 1,因此在设置这两组参数时,只需要输入各组参数中一个参数[55].
…………由于本文篇幅较长,部分内容省略,详细全文见文末附件
结 论
本文以迁安市为研究区,基于 2000 和 2017 年 Landsat TM/OLI 影像,采用面向对象分类方法,提取迁安市耕地信息,并以此为基础,探究迁安市耕地时空格局及其生态效益,以期为相关部门制定规划和政策提供科学依据.对迁安市长期的耕地时空变化进行监测对维护粮食安全和农业发展以及可持续发展有重要意义.本研究的主要结论如下:
(1)采用面向对象分类方法对迁安市遥感影像进行分类,提取迁安市耕地信息.利用 366 个验证点对分类结果进行精度评价,结果显示耕地的精度为90.74%,分类总体精度为 86.34%,Kappa 系数为 0.8292,分类精度较高,能够满足本研究需求.
(2)2017 年,迁安市耕地面积为 733.9 平方公里,主要分布在高程为 50-100米之间.17 年间,迁安市耕地减少了 45.56 平方公里,主要是迁安镇是面积减小最大,减少了 21.2 平方公里.耕地减少的主要去向是人工表面,期间减少了 119.4平方公里.
(3)2000-2017 年间,迁安市各乡镇之间耕地变化量差异明显.耕地增加的乡镇有 7 个,平均每年每个乡镇增加 24.89 公顷;耕地增加的乡镇有 12 个,减少速度为 37.07 公顷/a.迁安镇是减少速度最快的乡镇,为平均每年减少 125.22 公 顷/年.17 年间,耕地动态在 0.5 以上的乡镇有 5 个,其中只有彭店子乡的耕地是呈现增加趋势.从相对变化率来看,迁安市各个乡镇耕地的相对变化率来看,2000-2017 年迁安市耕地发展不平衡.相对变化率大于 1 的有 15 个,迁安市大部分乡镇耕地变化速率超过了迁安市耕地平均变化速率.
(4)17 年间,迁安市重心向东北方向偏移了 972.62 米,偏移速度为 57.21米/年.迁安市西南部耕地面积流失严重和东北部耕地快速扩张迁安市耕地重心向东北偏移的主要原因.
(5)通过对 2000 年和 2017 年耕地景观格局的计算,发现:17 年间,耕地的NP、PD、TE、ED、AREA_MN、PARA_MN、DIVISION、SPLIT、SHEI、SIDI和 MSIDI 增加,LPI、SHAPE_MN、FRAC_MN、CONTIG、CONTIG_MN、CLUMPY、PLADJ、IJI、SHDI 和 AI 减少,迁安市耕地聚集度降低,破碎化程度增加,连通性减低,受人类活动干扰增加.
(6)在众多人为驱动因素中,政策因素起着重要的指导作用;人口的增加、经济的增长和产业结构调整,促进耕地的快速被侵占.迁安市科技的投入量增加,促进了耕地单位面积产量增加,在一定程度上缓解了耕地面积减少对粮食安全的影响.
参考文献
[1] 刘旭华, 王劲峰, 刘明亮, 等. 中国耕地变化驱动力分区研究[J]. 中国科学(D 辑:地球科学),2005(11): 1087-1095.
[2] 满卫东, 王宗明, 刘明月, 等. 1990-2013 年东北地区耕地时空变化遥感分析[J]. 农业工程学报, 2016, 32(7): 1-10.
[3] 陈迪, 吴文斌, 周清波, 等. 亚洲耕地利用格局十年变化特征研究[J]. 中国农业科学, 2018,51(06): 1106-1120.
[4] Liu J Y, Liu M L, Tian H Q, et al. Spatial and temporal patterns of China's cropland during 1990-2000: An analysis based on Landsat TM data[J]. Remote Sensing of Environment, 2005, 98(4):442-456.
[5] Dong J W, Liu J Y, Yan H M, et al. Spatio-temporal pattern and rationality of land reclamationand cropland abandonment in mid-eastern Inner Mongolia of China in 1990-2005[J].Environmental Monitoring and Assessment, 2011, 179(1-4): 137-153.
[6] 赵晓丽, 张增祥, 汪潇, 等. 中国近 30a 耕地变化时空特征及其主要原因分析[J]. 农业工程学报, 2014, 30(03): 1-11.
[7] Shi W J, Tao F L, Liu J Y, et al. Has climate change driven spatio-temporal changes of croplandin northern China since the 1970s?[J]. Climatic Change, 2014, 124(1-2): 163-177.
[8] Zuo L, Zhang Z, Zhao X, et al. Multitemporal analysis of cropland transition in a climatesensitive area: a case study of the arid and semiarid region of northwest China[J]. RegionalEnvironmental Change, 2014, 14(1).
[9] 苑惠丽, 马荣华, 李吉英, 等. 基于 Landsat-8 OLI 的农作物信息提取研究--以安徽省蚌埠市为例[J]. 金陵科技学院学报, 2017, 33(01): 72-76.
[10] 陈东湘, 周生路, 吴绍华. 基于遥感评价城市扩张对耕地质量等级结构及产能的影响[J]. 农业工程学报, 2017, 33(13): 264-269+316.
[11] 杜国明, 春香, 于凤荣, 等. 东北地区水田分布格局的时空变化分析[J]. 农业现代化研究,2017, 38(04): 728-736.
[12] 相恒星, 王一航, 张敬瑶, 等. 1990-2015 年图们江流域耕地时空变化遥感分析[J]. 长沙大学学报, 2017, 31(05): 8-13.
[13] 薛冰, 肖骁, 李京忠, 等. 基于遥感数据的东北三省水域与农田用地时空演变[J]. 生态学杂志, 2019, 38(05): 1444-1452.
[14] Weih R C, Riggan N D. Object-Based Classification Vs. Pixel-Based Classification: ComparitiveImportance of Multi-Resolution Imagery[J]. Geobia 2010: Geographic Object-Based ImageAnalysis, 2010, 38-4-C7.
[15] Sonobe R, Yamaya Y, Tani H, et al. Mapping crop cover using multi-temporal Landsat 8 OLIimagery[J]. International Journal of Remote Sensing, 2017, 38(15): 4348-4361.
[16] Enderle D I M, Weih R C J. Integrating Supervised and Unsupervised Classification Methods toDevelop a More Accurate Land Cover Classification[J]. Journal of the Arkansas Academy ofScience, 2005, 59: 65-73.
[17] Petropoulos G P, Kalaitzidis C, Vadrevu K P. Support vector machines and object-basedclassification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery[J].Computers & Geosciences, 2012, 41: 99-107.
[18] Seifi Majdar R, Ghassemian H. A probabilistic SVM approach for hyperspectral imageclassification using spectral and texture features[J]. International Journal of Remote Sensing,2017, 38(15): 4265-4284.
[19] Ingram J C, Dawson T P, Whittaker R J. Mapping tropical forest structure in southeasternMadagascar using remote sensing and artificial neural networks[J]. Remote Sensing ofEnvironment, 2005, 94(4): 491-507.
[20] Mahdianpari M, Salehi B, Mohammadimanesh F, et al. Random forest wetland classificationusing ALOS-2 L-band, RADARSAT-2 C-band, and TerraSAR-X imagery[J]. ISPRS Journal ofPhotogrammetry and Remote Sensing, 2017, 130: 13-31.
[21] Stumpf A, Kerle N. Object-oriented mapping of landslides using Random Forests[J]. RemoteSensing of Environment, 2011, 115(10): 2564-2577.
[22] Khosravi I, Safari A, Homayouni S, et al. Enhanced decision tree ensembles for land-covermapping from fully polarimetric SAR data[J]. International Journal of Remote Sensing, 2017,38(23): 7138-7160.
[23] Jia M M, Wang Z M, Zhang Y Z, et al. Landsat-Based Estimation of Mangrove Forest Loss andRestoration in Guangxi Province, China, Influenced by Human and Natural Factors[J]. IEEEJournal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(1): 311-323.
[24] 百晓, 张雪妮. 人工智能在减灾遥感中的应用[J]. 城市与减灾, 2018, (06): 82-87.
[25] 高峰, 楚博策, 帅通, 等. 基于深度学习的耕地变化检测技术[J]. 无线电工程, 2019, (07): 1-6.
[26] 胡龙廷, 张克. 深度学习方法用于遥感图像处理的研究进展[J]. 计算机产品与流通, 2019,(06): 234.
[27] Ke Y H, Quackenbush L J, Im J. Synergistic use of QuickBird multispectral imagery and LIDARdata for object-based forest species classification[J]. Remote Sensing of Environment, 2010,114(6): 1141-1154.
[28] Burnett C, Blaschke T. A multi-scale segmentation/object relationship modelling methodologyfor landscape analysis[J]. Ecological Modelling, 2003, 168(3): 233-249.
[29] Hadavand A, Saadatseresht M, Homayouni S. Segmentation parameter selection for object-basedland-cover mapping from ultra high resolution spectral and elevation data[J]. InternationalJournal of Remote Sensing, 2017, 38(12): 3586-3607.
[30] Jia M M, Wang Z M, Li L, et al. Mapping China's mangroves based on an object-orientedclassification of Landsat imagery[J]. Wetlands, 2014, 34(2): 277-283.
[31] Jia M M, Zhang Y Z, Wang Z M, et al. Mapping the distribution of mangrove species in the CoreZone of Mai Po Marshes Nature Reserve, Hong Kong, using hyperspectral data and highresolution data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,33: 226-231.
[32] 杨德生. 重庆市渝北区地表景观格局时空演化及生态环境响应[D]. City: 成都理工大学,2011.
[33] 路则栋, 杜睿, 杜鹏瑞, 等. 农垦对草甸草原生态系统温室气体(CH_4 和 N_2O)的影响[J].中国环境科学, 2015, 35(04): 1047-1055.
[34] 董芳辰, 刘晓光, 于杰, 等. 富锦市湿地不同开垦年限土壤养分时空分布特征研究[J]. 干旱区资源与环境, 2017, 31(08): 167-174.
[35] 向业凤. 黄龙山林区林地开垦和弃耕地造林对土壤有机碳的影响[D]. City: 四川农业大学,2014.
[36] 赵明松, 李德成, 张甘霖, 等. 1980-2010 年安徽省耕地表层土壤养分变化特征[J]. 土壤,2018, 50(01): 173-180.
[37] 李宝富, 熊黑钢, 张建兵, 等. 干旱区不同灌溉量下后备耕地土壤水盐动态变化规律研究[J].地理科学, 2013, 33(06): 763-768.
[38] Tóth R, Czeglédi I, Kern B, et al. Land use effects in riverscapes: Diversity and environmentaldrivers of stream fish communities in protected, agricultural and urban landscapes[J]. EcologicalIndicators, 2019, 101.
[39] 魏中龙. LUCC 的景观生态效应与土地利用优化配置研究[D]. 重庆: 西南大学, 2017.
[40] 于洋. 基于 RS 和 GIS 的区域 LUCC 的景观生态效应研究[D]. 哈尔滨: 东北林业大学,2014.
[41] 董玉红, 刘世梁, 安南南, 等. 基于景观指数和空间自相关的吉林大安市景观格局动态研究[J]. 自然资源学报, 2015, 30(11): 1860-1871.
[42] Wang Z M, Huang N, Luo L, et al. Shrinkage and fragmentation of marshes in the West SongnenPlain, China, from 1954 to 2008 and its possible causes[J]. International Journal of Applied EarthObservation and Geoinformation, 2011, 13(3): 477-486.
[43] Song K S, Wang Z M, Li L, et al. Wetlands shrinkage, fragmentation and their links toagriculture in the Muleng-Xingkai Plain, China[J]. Journal of Environmental Management, 2012,111: 120-132.
[44] Baldi G, Guerschman J P, Paruelo J M. Characterizing fragmentation in temperate SouthAmerica grasslands[J]. Agriculture Ecosystems & Environment, 2006, 116(3-4): 197-208.
[45] Burgi M, Hersperger A M, Schneeberger N. Driving forces of landscape change - current andnew directions[J]. Landscape Ecology, 2004, 19(8): 857-868.
[46] Jaeger J a G. Landscape division, splitting index, and effective mesh size: New measures oflandscape fragmentation[J]. Landscape Ecology, 2000, 15(2): 115-130.
[47] Rayburn A P, Schulte L A. Landscape change in an agricultural watershed in the U.S. Midwest[J].Landscape and Urban Planning, 2009, 93(2): 132-141.
[48] Simpson J W, Boerner R E J, Demers M N, et al. Forty-eight years of landscape change on twocontiguous Ohio landscapes[J]. Landscape Ecology, 1994, 9(4): 261-270.
[49] Wu J X, Cheng X, Xiao H S, et al. Agricultural landscape change in China's Yangtze Delta,1942-2002: A case study[J]. Agriculture, Ecosystems & Environment, 2009, 129(4): 523-533.
[50] 程琳琳, 刘华, 刘焱序. 半干旱区县域景观格局变化轨迹识别--以宁夏盐池县为例[J]. 自然资源学报, 2019, 34(05): 1066-1078.
[51] 李晓雅, 郭青霞, 杜轶. 不同特点村庄撂荒耕地景观格局特征对比分析--以太行山区为例[J]. 山西农业科学, 2019, 47(05): 916-921.
[52] Peng Y, Wang Q, Wang H, et al. Does landscape pattern influence the intensity of drought andflood?[J]. Ecological Indicators, 2019, 103.
[53] 王戈, 于强, 刘晓希, 等. 包头市景观格局时空演变研究[J]. 农业机械学报: 1-20.
[54] 张起鹏, 王建, 张志刚, 等. 高寒草甸草原景观格局动态演变及其驱动机制[J]. 生态学报,2019, (17): 1-12.
[55] 谢静, 王宗明, 毛德华, 等. 基于面向对象方法和多时相 HJ-1 影像的湿地遥感分类--以完达山以北三江平原为例[J]. 湿地科学, 2012, 10(4): 429-438.
[56] 满卫东. 乌苏里江流域中俄跨境地区湿地动态变化研究[D]. 吉林: 延边大学, 2014.
[57] Mathieu R, Aryal J, Chong A K. Object-based classification of ikonos imagery for mappinglarge-scale vegetation communities in urban areas[J]. Sensors, 2007, 7(11): 2860-2880.
[58] 张磊, 吴炳方, 李晓松, 等. 基于碳收支的中国土地覆被分类系统[J]. 生态学报, 2014,34(24): 7158-7166.
[59] 谭雪兰, 钟艳英, 段建南, 等. 快速城市化进程中农村居民点用地变化及驱动力研究--以长株潭城市群为例[J]. 地理科学, 2014, 34(3): 309-315.
[60] Zhang S Q, Zhang J Y, Li F, et al. Vector analysis theory on landscape pattern (VATLP)[J].Ecological Modelling, 2006, 193(3-4): 492-502.
[61] Frohn R C, Autrey B C, Lane C R, et al. Segmentation and object-oriented classification ofwetlands in a karst Florida landscape using multi-season Landsat-7 ETM+ imagery[J].International Journal of Remote Sensing, 2011, 32(5): 1471-1489.
