土地利用变化报告
1 前言
经过一学期对《土地利用与植被覆盖变化研究》课程的学习，使我对这门课程有了更进一步的认识和了解。

为了巩固所学内容，灵活的将理论与实际相结合，本次研究特选取西安市临潼区2000、2009年的tm影像，利用所学理论知识，结合软件操作，完成土地利用分类、动态度计算、土地利用转移矩阵、土地利用程度综合指数计算和马尔科夫预测等工作，并对研究结果进行分析总结。

本次研究旨在掌握土地利用变化研究的基本流程，从而加深对遥感与土地利用基本理论的理解，着重培养我们分析问题和解决问题的能力。

2 研究过程
2.1 土地利用分类
土地利用分类是区分土地利用空间地域组成单元的过程。

这种空间地域单元是土地利用的地域组合单位，表现人类对土地利用、改造的方式和成果，反映土地的利用形式和用途（功能）。

分类提供土地覆盖以及土地利用中涉及的人类活动类型等信息。

它也可能有助于环境影响评价，以及潜在的土地利用多样性。

本研究采用监督分类的方法对临潼区2000年和2009年土地利用情况进行分类，以分析研究区的土地利用分布格局。

2.1.1 影像分析及样本选取
根据已有的影像资料分析判别，可将研究区地物类别划分为四类：建设用地、耕地、水体和林地。

在ENVI中利用ROI Tool来定义训练样本，也就是将感兴趣区当做训练样本。

根据人工经验知识和影像波段组合，可确定影像中白色有尖锐颗粒的呈片状分布地区为建设用地，影响颜色呈浅绿、深绿，并且纹理清晰，分布在城市着农村周围的平缓区域的为耕地，水体的分布呈现出带状或颜色均一的片状，
一般为蓝色或浅蓝色，而在影像东南地区的山上则分布着大量的林地，颜色为墨绿，色泽均一或有浅绿色颗粒。

根据上述的解译特征，在ENVI软件中的Region of Interest中选择土地类别的样本，并按照3、7的规则分为验证样本和训练样本。

如图所示：
图1. 样本选取过程
对于选好的训练样本在Options下的Compute ROI Separability 中计算可分离度，一般可分离度大于1.8，则表示训练样本的可分离性较好。

本研究所选的分类样本分离度均大于1.6，表明可分离性较好。

2.1.2 监督分类
根据分类的复杂程度和精度要求，本次研究选择最大似然法分类器。

最大似然法分类器假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。

在ENVI软件菜单中选择Classification——Supervised——Likelihood Classification功能，对2000年和2009年的遥感影像进行土地利用分类，制作成专题地图如下：
图2. 2000年、2009年土地利用分布图
2.1.3 精度检验
执行监督分类后，需要对分类结果进行评价。

用之前选好的验证样本对分类后的影像进行精度评价。

使用Confusion Matrix工具可以把分类结果的精度显示在一个混淆矩阵，用于比较分类结果和地表真实信息。

ENVI可以使用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。

在Classification——Post Classification——Confusion Matrix——Using Ground Truth Image下完成精度评定的工作，得到下面的报表：
表1 2000年和2009年土地利用精度评价表
2.2 土地利用变化分析
土地覆盖主要表达的是土地表层以植被为主要覆盖物的自然类型和状态；土地利用则是人类对土地的利用方式和使用状况。

因此，土地利用变化主要体现在土地利用类型变化、土地利用类型数量变化、土地资源生态背景质量变化、土地利用程度变化及土地利用变化的区域差异等方面。

2.2.1 土地利用转移矩阵
在全球环境变化研究中，土地利用和土地覆被动态越来越被认为是一个关键而迫切的研究课题。

土地利用转移矩阵可全面而又具体地分析区域土地利用变化的数量结构特征与各用地类型变化的方向，因而在土地利用变化和模拟分析中具有重要意义，并得到了广泛应用。

关部门和广大人民群众关注和保护。

2.2.2 土地利用类型动态度
主要是随着城镇化进程的推进,必须占用土地以适应城镇化的发展。

而耕地的增长主要表现在对自然林地的改造利用上，可能是由于城镇化的发展和人口基数的快速增加，致使耕地面积不断扩张。

2.2.3土地利用程度综合指数模型
土地利用程度主要反映土地利用的广度和深度，它不仅反映了土地利用中土地本身的自然属性，同时也反映了人类因素与自然环境因素的综合效应。

根据刘纪远先生等提出的土地利用程度的综合分析方法。

将土地利用程度按照土地自然综合体在社会因素影响下的自然平衡状态分为若干级，并赋予分级指数，从而给出了某研究区土地利用程度综合指数的定量化表达：
∑=⨯
⨯=
n
i
i i
j
C A
D
1
100
()
400
,
100
∈
j
D
式中，D j为某研究区域土地利用程度综合指数；A i为研究区域内第i级土地利用分级指数；C i为研究区域内第i级土地利用程度分级面积百分比；n为土地利用程度分级数。

按照土地利用程度指数的分级标准，城乡建设，交通水利建设等建设用地的土地利用程度最高为第一级，第二级为耕地、园地以及其他农用地，第三极的是林地、牧草地和水域，土地利用程度最低的是自然保留地为第四级（见表4）。

西安市临潼区内土地面积所占比例最大的是农业用地中的耕地（属于土地人为再生利用级），占土地总面积的60%左右；其次为建设用地（属于土地非再生利用级）；然后是未经开发，自然生长的林地（属于土地未利用级）；最后是水域（属于土地自身再生利用级）。

表明临潼区的土地资源开发较好。

表4 临潼区土地利用分级
2.3 马尔科夫预测
2.3.1 马尔科夫预测原理
马尔科夫预测过程是根据俄国数学家马尔科夫的随机过程理论
提出来的，是一种具有“无后效应”的特殊随机过程。

所谓的“无后效应”是指某随机过程时刻(t+1)的状态S(t+1)的概率只与时刻t 的状态S (t)有关，而与时刻t 之前的状态概率无关。

这点用于土地利用结构动态变化预测是合适的，因为在一定条件下，土地利用的动态演变具有马尔科夫过程的性质。

具体而言，在通过转移矩阵生成区域土地利用变化转移概率矩阵的基础上，马尔科夫模型被用来预测特定情景下土地利用变化的未来趋势。

(1)转移概率矩阵的确立是成功应用马尔科夫模型的关键，转移概率矩阵可以定量说明土地利用类型之间的相互转化状况，揭示转移速率，其土地利用/覆被类型转移概率矩阵的数学表达式为:
⎥
⎥⎥⎥⎦
⎤⎢⎢⎢⎢⎣⎡=nn n n n n p p p p p p p p p (2)
1
22221
11211
P
式中:Pij —土地利用/覆被类型i 转化为j 的转移概率。

该矩阵的每一项元素需满足以下两个条件:
∑=≤≤==n
j ij ij
p n j i p
1
1
0);,...3,2,1,(;1
(2)假设己知土地利用/覆被系统中n=0时的,初始状态
()()
()()
[
]002010...k A A A A =，经过n 次转移后的状态()()
()
()
[]
n k n n
n
A A A A (21)
=为:
()()()n n P A A •=0
式中:()
n P —初始状态土地利用/覆被概率矩阵经过n 步转移后的概率矩阵，经过n 步转移后的系统状态概率为
()()()()n n n n P A PP A P A A 021...====--，所以()
n n P P =。

由此可见，系统在任
何时刻的状态概率是由初始状态概率和转移概率确定的。

2.3.1 结果与分析
3 心得
“纸上得来终觉浅，绝知此事要躬行”，《土地利用与植被覆盖变化》的研究实习结束了，经过这次系统全面的学习，让我更深刻的了解了遥感图像处理和土地利用变化监测的的操作流程，也掌握了面对常出现问题的解决方法，同时也让我对这门课程有了更确切的理解，把理论应用于实际，同时加深了对理论部分的重点理解，还提升了动手能力。

当然还有很多不懂的问题需要日后的不断探索和研究，但这次实践给我打开了一扇自主学习的门，让我懂得了凡是不要怕难不要怕不会。

所谓“困难像弹簧，看你强不强，你强它就弱，你弱它就强”，当我们遇到不会或者不清楚的地方，要有效利用周围的资源，网上咨询，询问老师，只要有心，就一定会有解决之法。

总之，这次研究实习让我受益匪浅。