【《土地利用分类问题研究的国内外文献综述》5200字】

土地利用分类问题研究的国内外文献综述土地是人类生存的基础，也影响着各个地区的全面发展。自上世纪九十年代以来，土地利用和土地覆盖变化（Landuseandlandcoverchange，LUCC）已经受到国际组织以及各个国家的关注，现已成为全球变化的研究热点。在土地资源的合理利用、开发与保护以及生态、经济与环境的协调发展等方面起到了重要的作用（摆万奇和柏淑琴，1999）。土地利用现状研究的关键在于准确、定量的获取和分析地物信息（杨存建和周成虎，2001）。相比以前依靠人力勘察为主的土地利用调查。目前，遥感技术是被公认能最快速、最有效地获取土地利用信息及其空间分布的手段（安建科，2011），其中，对遥感图像分类是提取遥感图像中重要信息的主要手段之一，主要是将图像中的每个像元根据在不同波段下的亮度和空间结构特征按照某种规则或算法划分为不同类别（Houghton，2002）。1城市土地利用分类的研究进展从美国发射了第一颗人造卫星开始，人们利用遥感影像对土地进行分类研究，Tucker利用归一化植被指数来进行土地利用分类，并在1985年对洲际尺度的土地进行系统的分类研究。随着遥感技术的发展，20世纪90年代，许多国家建立了土地覆盖分类系统，2003年，JensKeuchel等人利用马尔可夫随机场算法、支持向量机、最大似然法对Tenerife进行土地利用分类，结果显示三种方法的分类精度较高。张友静等人利用高分辨率卫星影像IKONOS，和SVM的核函数对城市植被类型进行分析，SVM决策树分类方法对植被类型的分类精度较高。2010年，SeemaJalan利用易康软件，对印度某郊区的土地进行分类，最后根据结果可知，利用高分辨的遥感影像对郊区土地进行的分类其精度较高。孙燕霞利用eCognition软件和面向对象分类方法，对城市地物进行分类，并获得较好的分类效果。李文君利用20m和30m的遥感影像，并融合了NDVI、变化强度和相关系数三种方法，对上海地区进行土地利用分类，并提高了分类的精度和效率。李淑圆等人，对广州市城市土地利用进行分类，其中利用了高分一号遥感影像，并依靠ENVI、易康等平台进行了较多土地类别的分类。结果表明，使用监督分类方法进行半自动地类信息提取，有较高的分类精度。城市是经济，社会，文化和娱乐活动的基础。城市土地的正确使用是对城市规划管理，与城市可持续发展有重要意义。在大多数城市中难以获得及时，大规模，频繁的土地利用信息。但随着遥感技术的发展，地面和可穿戴设备极大地扩展了我们在获取与城市环境和人们活动有关的数据方面的能力。在城市中收集的大数据在数据格式，空间尺度，时间尺度和语义尺度上是有差异的，并且与各种经济，社会，文化，环境和其他与人类相关的因素有着复杂的关系。如何从这些数据中提取经济，社会，文化，环境和娱乐信息，并结合提取的信息得出有关城市土地利用的信息，是需要一个更好的解决方案，因此，使用大数据绘制和分析城市土地利用方式已经成为一项挑战。2随机森林算法在城市土地利用分类的研究进展近年来，在土地利用/覆盖分类研究中，机器学习算法得到广泛应用，如支持向量机(SupportVectorMachine，SVM)（李平等，2010；Dihkanetal.，2013），随机森林(RandomForest，RF)（Fengetal.，2015；马玥等，2016；王娜等，2017），人工神经网络(ArtificialNeuralNetworks，ANNs)（陈磊士等，2018；ChatziantonioC.etal.，2017），分类回归树(ClassificationandRegressionTrees，CART)（赵萍等，2005）等。其中，随机森林分类算法处理大数据集能力突出，抗噪声和抗过拟合能力较强，分类效果好（Fengetal.，2015；马玥等，2016）。因此，越来越多的学者将随机森林机器学习方法应用于遥感影像分类研究中（马玥等，2016；王娜等，2017；朱永森等，2017）。由宫鹏、杜世宏教授等人在RemoteSensing期刊中建立“大数据时代的城市土地利用制图和分析”的专题特刊。其中有多数学者利用随机森林算法。以杭州市为例（Maoetal.，2015；）基于Sentinel-2A影像使用随机森林（RF），支持向量机（SVM）和人工神经网络（ANN）模型来构建用于城市土地利用分类的机器学习方法，结果表明，随机森林算法模型表现最佳，其次是支持向量机模型，而人工神经网络模型在基本的城市土地利用分类中相对较差。在准确识别和划定郑州时城市边界一文中（Wangetal.，2020），利用Sentinel-2A高分辨率图像和POI数据，并使用随机森林和数学形态学来绘制郑州市的城市边界。研究结果表明：建立了具有多维特征的城市建设用地提取模型，其准确性有较大提高；文中城市边界划定的结果可作为重要的数据库，用于详细绘制城市内的基本土地利用图。在北京市城市土地利用分类中（Lietal.，2021），使用带有POI数据的随机森林分类算法模型对城市特征进行分类，该方法大大减少了样本收集的实地调查工作量，并提高了分类准确性，为城市规划和环境政策制定提供更多支持。在土地利用分类的数据使用上来说，周正龙等（2020）利用4期Landsat遥感影像数据和随机森林方法获得了较高的城市土地利用分类精度，其研究区内的遥感影像分类总体精度均在87%以上，Kappa系数均在0.84以上。李庆等（2019）以郑州市为研究区，利用Landsat8遥感影像。利用随机森林算法的分类方法将每期影像进行土地利用分类，且总体分类精度达到了88.9%，Kappa系数达到了0.85。除了利用Landsat遥感影像数据进行分类外，吴琼等（2019）使用新的高分2号（GF-2）卫星数据，在复杂的城市环境中，单独使用GF-2多光谱数据或将GF-2数据与其他来源融合可以提供相对较好的分类映射精度，总准确度和Kappa系数分别达到94.51%和0.93。利用基于深度学习的新技术和合成孔径雷达（SAR）数据也可以很好完成的进行城市区域分类（Deetal.，2018）。Chen（2020）等人利用高德和百度地图中的地理空间数据（包括兴趣点数据），以网络制图平台获取建筑物类型的信息，利用该数据识别建筑物类型总体精度达到89%，该研究产生的数据产品对于建筑层面的定量城市研究非常有用。Sun（2020）等人在高空间分辨率城市土地利用分类时，利用兴趣点（POI）数据，并且得到POI数据在分类性能中发挥了最重要的作用，尤其是在确定行政，医疗，体育和文化用地类别方面，总体分类精度有所提高。在兰州市城市土地利用分类时，Zong（2020）等人利用OpenStreetMap（OSM）的组合道路网络数据集，兴趣点（POI）数据等的多源要素数据进行分类，OSM路网数据的利用可以有效提高分类效果。具体而言，I级的总体准确度和卡伯系数分别为83.75%和0.77，II级的每种类型的准确度均超过70%；多源特征的综合应用有利于城市土地利用分类的提高。互联网数据，例如兴趣点（POI）信息，对城市土地利用分类的贡献最大。3决策树算法在城市土地利用分类的研究进展国际上，虽然利用决策树技术进行土地分类的时间不长，但是由于科技的发展，能显示社会信息的各种数据量不断增加。建立在知识基础上的规则判断，也越来越引起学者的注意。经过实际操作，在土地利用上得到成功应用。DeFries等人通过应用研究开发决策树分类器，并进行对AVHRR全球遥感数据的分类处理，得到了全球土壤覆盖分类地图。Hansen等人利用NOAA/AVHRR全球数据，使用决策树分类法和最大似然法进行土地利用分类，显示结果得到决策树分类方法的精度优于最大似然法。在1997年，Friedl等人采用单变量决策、多变量决策树和混合决策树三种决策树分类方法，分别对研究区内进行土地覆盖分类，最后通过比较分析，得出决策树分类方法比最大似然法和线性法的结果精度都要高，其中采用混合决策树方法分类出的结果精度最高。Borak等人（1990）运用决策树分类方法，并从大量的数据中进行分类特征选择，在分类结果中取得较好效果。Muchoney等人（2000）利用MODIS数据，对美国中部地区进行土地利用分类，在比较了决策树、神经网络、最大似然法等三种分类方法的分类精度，最终结果显示决策树分类方法的分类精度最高。Joy等人（2003）利用TM影像，采用决策树分类方法对较大面积的森林类型进行识别，也取得了较高的分类精度。李飞雪等人（2003）提出了一种新的基于Kohonen神经网络与决策树相结合模型的遥感图像自动分类方法,对江南低山丘陵河网密集区的遥感图像进行分类，相对于传统分类提高了精度。赵萍等人（2003）以南京市江宁县为研究区域，利用决策树分类方法，研究了利用SPOT4（XI）卫星影像自动提取居民地信息。其提取精度与通常的监督分类方法相比有了很大的提高。李彤等人（2004），利用TM1-7多波段影像，采用决策树分类算法对北京市城市土地利用进行分类，并讨论如何使用决策树方法逐层区分水体、裸地、草地、林地、居民地和道路等地物类型，其研究表明，决策树分类有许多优势，例如：相对简单、明确、分类结构直观。都金康等人（2001）利用决策树分类方法，利用水体的光谱信息和不同类型的水体其周长、形状、面积、位置等的不相同的空间几何特征，对该地区的SPOT影像进行水体提取，研究表明，该方法可以有效地提取山区中水体类型，分类结果也有较大提高。采用决策树分类方法对郑州市土地利用进行分类（刘忠阳，2008），结果得出，决策树方法优于统计学分类方法，并且可以处理来自于遥感数据中的噪音和丢失的数据。宋昕等人（2011）利用TM影像，利用决策树方法和最小距离分类方法，决策树的分类精度高于最小距离分类精度，对研究区徐州市的城市区域发展规划提供了较为有力的支持。陈民等人（2014），以安徽市滁州为例，得到了决策树分类方法在该研究区内的分类结果较好，精度较高。在凉城县土地利用分类中（领梅，2013），决策树分类方法有较好的分类结果，并且分类精度较高，总体分类精度达到73.67%。张宇等人（2014），利用济宁市任城区的遥感影像，使用决策树分类方法进行分类，并且得到较高的分类精度。在哈尔滨市土地利用分类中（嘎力巴，2016），基于Landsat-8多光谱影像，利用指数决策树分类方法分类得到的结果，要比利用最大似然法分类得到的结果总体分类精度高，为哈尔冰城市土地利用与城市扩展提供研究依据。关于本文研究区长春市的城市土地利用分类，匡文慧等（2006）利用SPOT5，城市规划图、历史地图、大比例尺地形图、城市现状图及其他空间数据，分类了截至2004年的长春市城市土地利用，常守志等（2020）利用街景数据、POI数据和夜间灯光数据相结合进行对长春城市土地利用的分类，其中将城市用地分为了6类，精度相对于宫鹏等人对全国城市土地利用分类精度有所提高，但是街景数据获取困难，处理街景数据方法复杂，长春市的城市结构复杂，所以在该文中对长春市城市土地利用分类系统的设计相对简单，但该研究可以为城市多源数据融合提供参考，丰富城市特性指标,和提高城市土地利用分类的准确性,以及为管理部门提供技术路线。参考文献[1]安建科.基于RS和GIS的酒泉市肃州区土地利用变化及景观格局研究[D].西北师范大学，2011.[2]白立敏，修春亮，冯兴华，马丽亚.长春市土地利用变化及生态系统服务价值演变[J].资源开发与市场，2019，35(06)：786-793.[3]摆万奇，柏书琴.土地利用和覆盖变化在全球变化研究中的地位与作用[J].地域研究与开发，1999，18(4)：13-16.[4]长春市统计局，国家统计局长春调查队.长春统计年鉴[J].北京：中国统计出版社，2018，10.[5]蔡中为.长春建设东北亚区域性中心城市的对策[J].长春市委党校学报，2018(03)：54-57.[6]陈磊士，赵俊三，李易，等.基于机器学习的多源遥感影像融合土地利用分类研究[J].西南师范大学学报(自然科学版)，2018，43(10).[7]陈民，王宁，段国宾，王玖玲，童文彬，于学政.基于决策树理论的土地利用分类[J].测绘与空间地理信息，2014，37(01)：69-72.[8]但小岗.决策树在土地规划中的应用研究[D].贵州大学，2008.[9]都金康，黄永胜，冯学智，王周龙.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001(03)：214-219.[10]嘎力巴，臧淑英，李苗，吴长山.基于指数的遥感影像决策树分类方法[J].环境与发展，2016，28(05)：43-48.[11]郭玉宝，池天河，彭玲，刘吉磊，杨丽娜.利用随机森林的高分一号遥感数据进行城市用地分类[J].测绘通报，2016(05)：73-76.[12]郭红彩.长春市城市规划发展思想轨迹研究[D].吉林建筑大学，2017.[13]金光敏.加快优势产业发展打造长春特色名片[J].营销界，2019(43)：14-15.[14]刘丹丹，刘江，张玉娟，梅晓丹，赵晓明，朱继文，王明爽，王延亮.面向对象的多尺度高分影像建筑物提取方法研究[J].测绘与空间地理信息，2016，39(06)：17-20.[15]逯惠艳，周双双，郑晓东，王士君.长春市土地利用时空演变及生态系统服务价值测度[J].东北师大学报(自然科学版)，2019，51(03)：122-127.[16]李飞雪，李满春，赵书河.基于人工神经网络与决策树相结合模型的遥感图像自动分类研究[J].遥感信息，2003(03)：23-25+64.[17]李平，吴曼乔，曾联明.支持向量机技术在土地利用监测的应用研究[J].测绘通报2010(8)：28－30.[18]李庆，史敏伟.基于随机森林的多时相Landsat8土地利用分类