小组成员：章超 王海 赵丹 叶胜飞
指导教师：刘吉凯
获奖情况：二等奖
一、作品概述
本项目以凤阳县为例，对其进行长时间序列上的景观格局分析，从而探求其城市建设和土地资源的变化，追溯其多年来的发展状况。
本作品利用Landsat系列卫星构建1989～2018年凤阳县时间序列数据集，，采用基于机器学习的随机森林算法进行地物分类，结合RS与GIS技术、目视解译等方法，对凤阳县1995、2000、2005、2009、2013 和2018年6期影像进行土地利用分类和景观格局分析。研究结果有助于了解经济快速发展背景下凤阳县土地利用空间格局变化及规律，对于指导凤阳县城乡规划、土地资源管理和生态环境保护等方面有着重要的参考意义。
二、作品技术流程
以安徽省凤阳县为典型案例，以遥感影像（Landsat系列）为数据源构成时间序列，谷歌影像、2015年凤阳县土地利用现状图为参考数据源。首先将影像进行预处理，通过目视解译建立建筑、水体、耕地、道路、林地和裸地六类地物类型（由于2000年之前的影像分辨率较低，将道路与建筑物类别合并）的解译标志，在此基础上对每幅影像提取优选用于分类的特征，然后基于特征优选进行机器学习法（随机森林）分类，并与传统分类方法（支持向量机与最大似然法）进行对比，从而突出机器学习法的分类优势。最后对分类结果进行处理，得到土地利用专题系列图、土地类型变化系列地图，并对其进行景观格局分析，了解经济快速发展背景下凤阳县土地利用空间格局变化及规律。
图 作品主要技术流程图
三、作品制作过程
3.1数据预处理
对Landsat数据进行辐射定标、大气校正、确定分类类别、选取样本、计算了五个分类特征波段：反射率、K-T变换特征、主成分特征、纹理特征以及指数特征。
图 指数特征的提取
3.2基于机器学习方法的分类
使用EnMAP-Box的随机森林分类器，对Landsat 系列遥感图像进行分类。将波段反射率、K-T变换、主成分分析、纹理特征和指数特征共58个特征进行叠加导入EnMap-Box中，并将训练样本与验证样本导入，随后利用分类特征与训练样本构建分类模型，模型建立完成后，使用此模型对特征文件进行地物分类。
图 基于机器学习的随机森林分类
为了评估模型58个特征的重要性，利用归一化重要性评价各个特征对模型的贡献度大小
图 特征重要性评分排序
综合考虑各个特征重要性、平均和累积特征重要性与删减特征与总体精度、Kappa系数之间的关系，选取前43个特征（按特征重要性从前至后选取）作为优选特征子集，Landsat8 OLI 2013-04-04期影像、Landsat7 off 2009-04-09影像、Landsat7 off 2005-03-13期影像、Landsat7 off 2000-04-16期影像、Landsat5 TM 1995-03-26期影像、Landsat5 TM 1989-02-13期影像使用这43个特征作为最终的最优特征子集进行分类。如下图所示为Landsat8 OLI 2018-04-10期影像分类结果。
图 Landsat8 OLI 2013-04-04期影像分类结果
3.3机器学习分类法与其他分类方法的对比
对同样的数据分别进行最大似然分类、支持向量机分类、并进行分类精度评价，与随机森林分类的结果进行对比，随机森林的分类精度优于其他两种分类算法。
图 不同分类方法的精度和Kappa系数对比
3.4时间序列的图像分类与变化检测
对2013、2009、2005、2000、1995、1989年的Landsat数据做处理和利用随机森林方法进行分类，得到五个年份的凤阳县土地利用图、水体分布图、建筑分布图、耕地分布图。并进行土地变化检测。
图 2018年凤阳土地利用现状图
图 凤阳县1995-2018水体变化专题图
图 凤阳县1995-2018建筑变化专题图
图 凤阳县1995-2018耕地变化专题图
3.5景观格局分析
景观格局分析的目的是为了在看似无序的的景观中发现潜在的有意义的秩序或规律。本作品选取面积、斑块类型所占景观面积的百分比、斑块数、斑块密度、最大斑块指数、总边缘长度、边缘密度、平均面积八个指标进行景观格局分析。分别对每一期影像的分类后结果进行相同的景观格局分析，并从中提取所选的景观参数，得到1995-2018其中6年的景观格局分析结果。
2018年土地利用的景观格局分析结果
|
地物类别 |
CA-面积 |
Pland-斑块类型百分比 |
NP-斑块数 |
PD-斑块密度 |
LPI-最大斑块指数 |
TE-总边缘长度 |
ED-边缘密度 |
AREA_MN-平均面积 |
|
水体 |
16371.36 |
8.3556 |
8728 |
4.4546 |
1.5188 |
3843930 |
19.6186 |
1.8757 |
|
居民区 |
38871.3 |
13.7145 |
13985 |
7.1376 |
2.2155 |
8563440 |
43.7059 |
1.9214 |
|
道路 |
4342.49 |
0.43 |
4973 |
2.5381 |
0.0047 |
909390 |
4.6413 |
0.1694 |
|
耕地 |
132551.4 |
70.7136 |
3570 |
1.8221 |
60.3154 |
1.4E+07 |
69.7574 |
38.8099 |
|
林地 |
12996.18 |
6.633 |
3492 |
1.7822 |
1.2902 |
2466720 |
12.5859 |
3.7217 |
|
裸地 |
7300.33 |
0.1533 |
500 |
0.2552 |
0.0162 |
161550 |
0.8245 |
0.6007 |
根据所得到的景观格局分析的指数数据对时间序列的不同类别地物CA（面积）、PD（斑块密度）和ED（边缘密度）变化进行分析。
图 1995-2018年CA变化
图 1995-2018年PD变化
图 1995-2018年ED变化
结合景观分析的结果，作品从经济因素、城市规划、政治因素对凤阳县景观格局变化的驱动因素进行了分析。
四、关键技术
（1）作品基于机器学习的随机森林分类进行土地利用分类，并进行了时间序列的土地利用变化分析；
（2）作品结合景观格局分析的方法，对研究区土地利用变化过程和因素进行了全面的分析。
