当前世界环境

介绍

陆地表面的变化主要是自然生态过程和人类活动的结果。研究这些变化需要在社会科学和自然科学之间的紧张关系领域进行跨学科的方法(Keken et al, 2015)。在引起地球陆地表面显著变化的因素中，土地利用变化是非常重要的，它可能是全球环境变化的主要原因。如今，在世界许多地区，大部分土地利用变化是由人类活动引起的(Geri et al, 2010)。

声称人类活动引起的土地利用变化会对区域景观的结构和组成产生剧烈影响，并对当地环境的生物多样性和质量产生严重影响(Ouyang et al .， 2009)。人类日益控制或半控制土地(Wan et al .， 2015)。人类正在迅速而深刻地改变着景观。由于主导经济发展和持续的人口增长，人类对水、食物、建筑材料、纤维和其他商品的消费呈指数级增长。景观发生的最主要变化包括城市化、水坝建设、森林砍伐、灌溉、道路建设、畜牧业和农业扩张(Myers, 2011)。随着人类活动的发展和扩大，自然环境的压力越来越大，最终导致生物多样性和生态系统服务的丧失(Navarro et al .， 2015)。道路网络的扩张、大坝的建设、工业的发展、农用地的开垦等不合理的人类活动对水文和景观变化的转变具有重要作用(Zhao et al .， 2012)。随着时间的推移，人类影响了环境，也被环境影响。这一特点，特别是在具有悠久人类定居历史和几千年古老文明的伊朗高原，在其生态特征的背景下更为明显。伊朗高原人类与环境关系的悠久历史，不仅没有简化自然系统，反而增加了其复杂性。 Thus human and environment are so intertwined that their separation is not possible (Frozandeh, 2005). Humans have a uniquely dominant influence over land use worldwide. Changes in surface of land and landscape undoubtedly change the function and structure of ecosystems and influence regional and global climate, hydrology, vegetation, biogeochemical cycles and biodiversity (Wan et al, 2015).

大坝的建造有许多不同的目的，比如水力发电、航行和控制季节性洪水。认为大坝的建设对河流的影响最为重要，对流域的分割、对水文过程的影响、对河流连通性的中断以及对下游河道的侵蚀(Hu et al .， 2008)。由于美索不达米亚地区的原始文明建立在河岸上，他们开始通过供水技术和洪水管理来改变景观，比如建造水坝、渠道、旁路走廊、堤防。这些变化改变了控制河流系统的沉积过程和基本水文(Vanessa et al, 2012)。随着时间的推移，由于作用在河岸和河床上的水力作用，冲积河流系统的过程和形态发生了变化。人类活动或自然过程是这些变化的原因。这些变化可以中断和改变下游和上游条件下河流的任何一点或部分。人类通过对生态、物理和环境过程的影响诱发了许多变化，如退化、河床动员、沉积和水文制度变化(Isik et al .， 2088)。

确定现在和过去陆地表面变化和活动之间的对比，是确定景观变化和测量森林、农业和人类系统之间联系的简单方法。为了识别这些变化并制定合理管理自然资源的计划，需要大量的数据。遥感数据和信息是监测环境变化和量化栖息地特征的有用来源(Geri et al .， 2010)。

利用GIS技术和遥感对这些变化进行分类，能够加强对不同尺度景观格局的研究(Lautenbach et al, 2011)。如今，GIS与遥感的结合已经为监测土地利用变化提供了精确的信息(Abdullah et al, 2013)。使用卫星数据是提供土地覆盖制图和监测的有用方法，特别是在大地理区域(Yuan et al .， 2005)。信息系统和遥感数据的使用可以有效地用于景观随时间变化的情况，如侵蚀、森林砍伐、城市增长等过程，以及寻找各种空间模式、分析方差、评估和预测这些变化的影响及其建模功能(Arkhy et al, 2009)。

伊朗和其他国家利用遥感进行了许多关于土地利用变化的研究。Uchida(1997)在印度，通过分析印度干旱地区农业用地变化的原因，确定了易发农业用地。Li & Yeh(2004)在一个快速增长的地区使用GIS和遥感进行了一项研究。他们分析了城市地区土地利用的空间格局，并指出导致土地利用变化的主要原因是大都市的扩张、交通和住区的有计划发展。Kim & Daigle(2011)利用多时相遥感数据集确定了凯迪拉克山顶植被的变化。他们研究了1979年、2001年和2007年的图像，然后发现了植被的变化。Mohammadi and Seif(2014)在伊朗研究了基于多时相卫星数据的米甘盆地地貌单元检测与分类。米甘盆地被称为伊斯法罕省东南部的一个地貌单元。地表和地被覆盖类型的差异造成了较小的地貌单元。随着时间的推移，这些单位受到自然和人为因素的影响，如土地利用的变化、城市化程度的提高和气候变化因素。

本文利用卫星资料和遥感资料，研究了人类活动对喀尔赫河流域的影响。许多人类活动，如定居和农业，都位于盆地下部的干旱平原和盆地上部的山谷中(Masih et al, 2010)。

材料与方法

研究区域

研究区位于伊朗西部的Karkheh河流域，北纬30°~ 35°，东经46°~ 49°。农业活动由现代和传统系统在盆地的广大地区完成。卡尔赫河流域总面积为50800公里²。流域径流来自扎格罗斯山，占流域面积的80%。该流域在水文上分为五个集水区，包括Saymareh、Gamasiab、Kashkan、Qarasou和South Karkheh。盆地南部(下)平原为干旱平原，北部(上)平原为半干旱平原。流域上下降水量不同，年降水量下半部分约150 mm，上半部分约750 mm，流域平均450 mm。约65%的降水发生在冬季，夏季没有降水。Karkheh大坝建在Khuzestan省的Karkheh河上(Masih et al, 2011)。

自帕提亚时代以来，广阔的农业和Khuzestan的低平原是定居活动、大规模农业、技术创新和巨大投资的中心(Vanessa et al, 2012)。Karkheh河流域被认为是食物和水挑战项目的试金石盆地。盆地上部的大部分农业区是雨养的。提高水分生产力是伊朗农业战略的优先选择(Asmala, 2012)。为了提高流域上游平原的水分生产力和作物产量，建议进行补充灌溉(Hessari等，2012)。

卡尔赫河大坝遥感测量

利用两组具有以下特征的Landsat卫星对卡尔喀河流域的人为变化进行了评估:

1) 1998年4月14日Landsat-5 TM测量区块38 - 164

2) Landsat-8 OLI测量区块38 - 164，于2014年3月30日

本研究使用的软件包括:ENVI 4.7软件进行图像处理，Arc GIS软件进行面积测量，提取环境层和microstation层。

地表变化如图(1)和(2)所示。图(1)为1998年4月Landsat TM测量图像，图(2)为2014年3月底Landsat OLI测量图像。这些图像显示了这些年来盆地表面和植物覆盖的变化。

图1:1998年4月Landsat-5 TM测量图像 点击此处查看图

图2:2014年4月Landsat-8 OLI测量图像 点击此处查看图

结果与讨论

近年来，越来越多地使用精确分类技术作为生成广域地图的有用工具。开发监测地表变化的监测系统。这些有效的技术和遥感图像发展了监测和探测地表变化的实用系统。这些技术的能力旨在绘制任何特定地理区域的陆湾地图，并对其进行分类。使用该方法进行图像分类需要合适的训练集和准确的地面信息。但是，准确的地面信息采集在经济费用和时间上都是昂贵的劳动。有效的监测要靠可靠的训练数据来保证，但在某些情况下，依靠训练数据是不可能的。因此，有许多严重的困难限制了这些监测系统的能力(Bruzzone et al, 2001)。在本研究中，使用ML和SVM分类方法来检测变化。

最大似然(ML)是一种分类方法。ML是从贝叶斯原理中得到的一种应用最广泛的统计估计方法。在机器学习方法中，每个像素根据用户指定的阈值下的概率值以最高似然度分类到特定的类中。1-在研究区域内指定所有类型的土地覆盖。2-在每个类中，训练像素是使用案例研究的土地覆盖信息确定的。3-使用训练像素估计每个类的均值向量和协方差矩阵。4-最终，每个像素在图像中被分类为一种所需的土地覆盖类型(Asmala, 2012)。

另一种分类方法是支持向量机。V. Vapnik及其同事在统计学习理论的框架下开发了支持向量机方法。在该方法中，可以通过实现从决策函数集合中改变分类器的参数来选择训练一个分类器作为一个决策函数。通过许多模式识别应用，如手写数字识别和图像识别，支持向量机技术已经得到了良好的测试结果。支持向量机方法是一种二值分类技术，可以处理多种任务，如在不同的实际情况下从卫星图像中获取土地覆盖信息。近年来，在遥感研究中，支持向量机的使用越来越多(Anthony et al .， 2007)。变化检测是一个让我们看到和认识地表一系列现象、特征和模式差异的过程(Lu et al .， 2004)。变化检测是卫星最有效和最重要的用途之一(Jensen, 2005)。

在规划编制和土地利用评价过程中，对土地覆被变化进行诊断和准确认识是十分必要的。调查土地利用变化是我们发现我们对自然的干扰的一种方式。为了检测研究区发生的变化，需要对1998年和2014年的图像进行分类。一般来说，检测可以看作是两类的分类。类具有或不具有特定目标。目标在图像中以像素表示。在本研究中，使用ML和SVM算法进行分类。根据研究的目的，无论农业用地的类型和位置如何，所有的农业用地(无论是否收获)，树木和灌木，都被认为是一个植被类。此外，三种不同的特征，包括水，干旱和居住土地被认为是三个不同的类别。然后TM和OLI测量图像分为四类(图3、4、5、6)，分别用LM和SVM方法进行分类。

图3:类土地使用在Karkheh 1998年采用ML方法 点击此处查看图

图4:类土地使用在Karkheh 2014年采用ML方法对流域进行分析 点击此处查看图

图5:类土地使用在Karkheh 1988年采用支持向量机方法 点击此处查看图

图6:类土地使用在Karkheh 2014年，利用SVM方法对流域进行分析 点击此处查看图

将导出的土地利用图从栅格转换为矢量后，结果保存在文本和形状文件中。然后在下一阶段使用Arc GIS 9/3形成地面数据库(表1、2、3、4)。应用分类方法获得精度后，形成误差矩阵。通常用来表示分类准确度的一种方法是建立一个K* K维的误差矩阵。矩阵的第i行表示该算子所确定的像素数，作为第i类的成员，从第i行(第i个对角线元素)中表示该算子所确定的属于第i类的像素数。换句话说，该数量表示该算子所确定的属于第i类的像素数。i类中的其他元素表示被错误标记的元素的数量。每一行的标签由操作员使用参考数据给出，每一列的标签由分类方法创建。换句话说，i是Georeference数据中特定类别的像素面积，ii是计算出的分类精度，以百分比表示。

为了计算每种分类方法的分类精度，在研究区域内指定一个准确度为%100的控制范围。事实上，这一地区是在特定土地用途地区指定的。在接下来的阶段，对分类方法进行控制范围的设置，并计算在分类中正确放置像素和错误放置像素的面积。最后编制了下表，并对每种分类方法的准确率进行了计算。

表1:ML误差算法 1998年的对照样本 点击这里查看表格

表2:SVM的误差算法 1998年的对照样本 点击这里查看表格

表3:ML误差算法 2014年的控制样本 点击这里查看表格

表4:SVM的误差算法 2014年的控制样本 点击这里查看表格

由表可知，1998年ML方法分类准确率为85/2,2014年ML方法分类准确率为86/5。1998年SVM方法分类准确率为93/4,2014年为95/1。很明显，SVM方法在两个时期的分类都比ML方法更准确。这是由于SVM方法的性质和质量优于ML方法。将图像分为4个不同的类别，分别对每个数据集的每个类别计算面积和百分比值。结果如下表所示(表5、6、7、8)。

表5:一九九八年以最大面积法计算的土地用途面积

百分比	面积(亩)	土地使用
74	251601/7	干旱
25	83385/5	植被
0/6	2151/2	住宅
0/4	1407/3	水生
One hundred.	338545/7	总计

表6:1998年用支持向量机方法计算的土地利用面积

百分比	面积(亩)	土地使用
73	249471	干旱
26	86319/1	植被
0/2	649/2	住宅
0/6	2106/4	水生
One hundred.	338545/7	总计

表7 2014年用ML方法计算的土地利用面积

百分比	面积(亩)	土地使用
77	259828/1	干旱
20.	68437/1	植被
0/7	2304/3	住宅
2/3	7976/2	水生
One hundred.	338545/7	总计

表8 2014年SVM方法土地利用面积

百分比	面积(亩)	土地使用
79	267828/4	干旱
18	61065/8	植被
0/25	859/3	住宅
2/75	8792/2	水生
One hundred.	338545/7	总计

从表中给出的数值可以看出，不同用途的土地面积是不同的。其中，1998 - 2014年干旱区面积增加，植被面积减少。在此期间，住宅面积也有所增加，这可能是由于人口增长和通信增加。事实上，不同的分类方法在不同的图片上表明，植被和干旱区更容易识别。居住区识别精度较低的原因是该区域面积较小，使用的材料和岩石可能导致误分类，将该区域划分为干旱类。由于喀尔赫河大坝的建设，水域面积明显增加。

如表5 - 8所示，从1998年(喀尔喀大坝建设前)到2014年(喀尔喀大坝建成后)，该地区发生了许多变化。根据更精确的SVM分类方法，该地区的植被面积减少了近5%(约15万亩)，由于卡尔赫河大坝的建设，干旱地区和水生地区的面积增加了近5%。在精度较低的ML方法中，该地区的植被面积减少了约5%(约25万亩)，而干旱区和水域面积增加了约%8。

参考文献

1. 李建军，李建军。基于GIS的土地利用与土地覆被变化遥感研究进展。遥感研究进展。2013;2(2):193-204。
2. 陈建军，李建军，李建军，等。基于支持向量机的图像分类方法研究，中南大学学报(自然科学版)，2007。
3. 刘建军，刘建军。土地利用变化遥感监测方法的研究进展——以新疆省为例。草地与沙漠研究杂志。2009; 17(1): 74 - 95。
4. 李晓明，李晓明，李晓明，等。多光谱数据的最大似然分类分析。应用数学科学，2012;6(12):625 - 636。
5. 李建军，李建军。基于多时间点遥感图像的最大似然分类器无监督再训练。地球科学与遥感Ieee汇刊。2001年,39(2)。
6. 人类生态学，伊斯法罕，伊朗。Farhang pazhohan danesh。2005年,102年。
7. 李建军，李建军，李建军，等。人类活动对地中海景观异质性的影响。应用地理。2010;30(3):337 - 379。
8. 刘建军，刘建军，刘建军，等。基于gis的农田灌溉技术研究进展。hessd9 - 13519 - 2012。
9. 胡文伟，王国祥，邓伟，李世宁。淮河流域水坝对生态水文条件的影响。生态。Eng。2008;33:233 - 241。
10. 李建平，李建平，李建平，等。长江下游地区的气候变化及其影响因素，生态学报，2008;32(5):591 - 591。
11. 李建军。数字图像处理:遥感视角，上鞍河，普伦提斯&豪出版社。,美国。2005.
12. 张建军，张建军，张建军，等。三峡库区景观结构变化及其影响因素研究。生态学报，2015;44(4):448 - 457。
13. Kim M. K.， Daigle J. J.基于多时相遥感数据的凯迪拉克山峰顶植被覆盖变化检测:1979、2001和2007。环境监测与评价，2011;18(1):63-75。
14. 刘建军，刘建军，李建军，等。基于土地利用数据的区域生态系统服务供给历史变化分析。生态。印度语系。2011;11(2):676 - 687。
15. 李小叶。, AG-O。基于遥感和GIS的快速增长区域土地利用格局空间重构分析园林学报。2004;69(4):335-354。
16. 卢D.， P . Mausel。布朗迪佐。莫兰。变更检测技术。英特尔。遥感学报，2004;25(12):2365-2407。
17. 万丽，张勇，张旭，齐少群。[4]李晓东。红河国家级自然保护区土地利用/覆被变化与景观格局比较。生态学报。2015;51(1):205 - 214。
18. 马希赫，马斯基，艾哈迈德，等。基于流量持续时间曲线相似性的降雨径流模型区划:以伊朗半干旱的Karkheh盆地为例。水文学报，2010;391:188-201。
19. 李建军，李建军，李建军，等。中国半干旱区旱作农业生态系统的研究进展。农业科学与技术，2011;31(1):1 - 4。
20. 马建军，李建军。基于多时段卫星数据的渭河流域地貌单元变化检测。应用环境与生物科学学报，2014;4(2):89-97。
21. Navarro J, Coll M, Cardador L, Fernández a M, Bellido J M.环境、人类活动和空间因子在西地中海海洋生物多样性空间分布中的相对作用。海洋学进展。2015;131:126 - 137。
22. 欧阳伟，郝峰，李建军，李建军，等。1977 - 2006年黄河流域水力梯级开发对景观格局的累积效应。园林学报，2009;33(3):391 - 391。
23. 迈尔斯号。J Patz, Nelson环境研究所，威斯康星大学(麦迪逊分校)，麦迪逊，WI, USA 2011 Elsevier B.V.版权所有。2011.
24. 内田。基于IRS数据的印度半干旱热带地区农业土地利用时序分析，日本国际农业科学研究中心环境资源处，JIRCAS。1997
25. 凡妮莎·m·a·海瓦特。， Walstra J.， Maddah et al.， Curr。世界环境。， Vol. 10(2)， 473-481 (2015) 481 Verkinderen P.， Henk J.T. Weerts。Ooghe, B.，下胡齐斯坦平原(美索不达米亚，伊朗西南部)Karkheh河河道移动的人为干扰作用。第四纪研究，2012;25(1):56 - 64。
26. 袁峰，Bauer M. E, Heinert N. J, Holden g.r。基于TM/ETM+数据的双城(明尼苏达州)大都市区多层次土地覆盖制图。遥感学报。2005;29(4):1169-1184。
27. 赵强，刘诗，邓磊，董诗，王超，杨志。杨军，杨建军。三峡库区景观变化与水文变化的关系研究[j] .地理信息学报，2012;16(1):17 - 26。