基于GEE的LUCC驱动因子动态分析及实现-优快云博客

本文链接：https://blog.youkuaiyun.com/lestatlu/article/details/149674311

一、引言

本文以2015-2020年上海地区为研究区，基于GEE实现LUCC变化识别、驱动因子提取及重要性评估的完整流程，为LUCC驱动机制研究提供可复用的技术框架。

二、技术原理与数据基础

2.1 核心技术框架

LUCC驱动因子分析的核心逻辑是通过对比“变化区域”与“未变化区域”的环境与人文特征差异，识别对土地利用转换具有显著影响的因子。本研究采用“变化识别-因子提取-模型评估”三步框架：

LUCC变化识别：通过两期土地覆盖数据对比，确定土地利用类型发生转换的空间范围；
驱动因子提取：选取与LUCC密切相关的自然与人文因子，构建因子数据集；
驱动机制评估：利用随机森林模型量化各因子对LUCC的贡献度（重要性），揭示主导驱动因子。

2.2 数据来源与预处理(实际上土地利用数据可以替换为前面发的内容中我们自己做的数据)

数据类型	数据源	空间分辨率	时间范围	预处理方法
土地覆盖数据	MODIS/MCD12Q1（LC_Type1）	500m	2015年、2020年	裁剪至研究区，提取主要地类代码
夜光数据	NOAA/VIIRS/DNB（月度合成）	500m	2015-2020年	计算多年均值，反映人类活动强度
地表温度数据	MODIS/MOD11A2（白天温度）	1km	2015-2020年	辐射定标（转换为℃），裁剪至研究区
植被指数数据	MODIS/MOD13A2（NDVI）	1km	2015-2020年	辐射定标（转换为-1~1），计算均值
地形数据	USGS/SRTMGL1_003（DEM）	30m	静态数据	重采样至500m，裁剪至研究区

三、代码实现与解析

3.1 研究区与参数设置

// 定义研究区（上海行政边界）
var roi = ee.FeatureCollection("projects/your/assets/SHANGHAI");
// 定义分析时段
var yearStart = 2015;
var yearEnd = 2020;

说明：研究区采用上海行政边界矢量数据，分析时段选取2015-2020年，该时段为上海城市化后期转型关键期，LUCC特征显著。

3.2 LUCC变化信息提取

// 函数：获取单年度MODIS土地覆盖数据
function getLUCC_MODIS(year) {
  var img = ee.ImageCollection('MODIS/006/MCD12Q1')
    .filter(ee.Filter.calendarRange(year, year, 'year')) // 按年份筛选
    .first() // 获取该年度影像
    .select('LC_Type1') // 选取土地覆盖类型波段
    .clip(roi); // 裁剪至研究区
  return img.rename('lc_' + year); // 重命名波段便于识别
}

// 获取起止年份土地覆盖数据
var lc_start = getLUCC_MODIS(yearStart);
var lc_end = getLUCC_MODIS(yearEnd);
// 识别变化区域（1=变化，0=未变化）
var lucc_change = lc_start.neq(lc_end).rename('lucc_change');

核心逻辑：通过对比2015年与2020年土地覆盖数据，利用neq（不等于）运算识别类型转换区域，生成二值化变化图（变化=1，未变化=0）。

3.3 驱动因子数据集构建

// 1. 夜光强度（人类活动因子）
var night = ee.ImageCollection('NOAA/VIIRS/DNB/MONTHLY_V1/VCMSLCFG')
  .filterDate(yearStart + '-01-01', yearEnd + '-12-31')
  .mean() // 多年均值
  .select('avg_rad').clip(roi).rename('night');

// 2. 地表温度（LST，环境因子）
var lst = ee.ImageCollection('MODIS/061/MOD11A2')
  .filterDate(yearStart + '-01-01', yearEnd + '-12-31')
  .select('LST_Day_1km')
  .mean()
  .multiply(0.02).subtract(273.15) // 辐射定标（K→℃）
  .clip(roi).rename('lst');

// 3. 植被指数（NDVI，生态因子）
var ndvi = ee.ImageCollection('MODIS/061/MOD13A2')
  .filterDate(yearStart + '-01-01', yearEnd + '-12-31')
  .select('NDVI').mean().multiply(0.0001) // 辐射定标（0→10000→0→1）
  .clip(roi).rename('ndvi');

// 4. 地形因子（DEM）
var dem = ee.Image('USGS/SRTMGL1_003').clip(roi).rename('dem');

数据处理说明：

夜光数据采用多年均值消除季节性波动，反映长期人类活动强度；
地表温度与NDVI均经过辐射定标，转换为物理意义明确的数值（℃、-1~1）；
所有因子均裁剪至研究区，确保空间范围一致性。

3.4 特征栈合成与采样

// 合成特征栈（变化信息+驱动因子）
var featureStack = lucc_change.addBands([night, lst, ndvi, dem]);
var bands = ['night', 'lst', 'ndvi', 'dem']; // 驱动因子波段名

// 分层采样（确保变化/未变化样本均衡）
var samples = featureStack.stratifiedSample({
  numPoints: 1000, // 总样本量
  classBand: 'lucc_change', // 分类依据（变化/未变化）
  region: roi,
  scale: 500, // 采样分辨率（与土地覆盖数据一致）
  geometries: true, // 保留采样点几何信息
  seed: 2025, // 随机种子（保证结果可重复）
  tileScale: 2 // 并行计算优化
});

采样设计：采用分层采样确保变化样本（lucc_change=1）与未变化样本（lucc_change=0）的比例均衡，避免因样本偏差影响模型精度。

3.5 驱动因子重要性评估（随机森林模型）

// 样本量检查（防错机制）
samples.size().evaluate(function(n){
  if (n < 10) {
    print('【警告】采样点数量不足10，无法建模，请扩大研究区或延长时间跨度');
  } else {
    // 随机森林建模
    var classifier = ee.Classifier.smileRandomForest(50) // 50棵决策树
      .train({
        features: samples,
        classProperty: 'lucc_change', // 因变量（变化/未变化）
        inputProperties: bands // 自变量（驱动因子）
      });
    
    // 提取驱动因子重要性
    var importances = ee.Dictionary(classifier.explain().get('importance'));
    print('驱动因子重要性（数值越高影响越大）:', importances);
    
    // 变化预测（验证模型效果）
    var prediction = featureStack.select(bands).classify(classifier);
  }
});

模型原理：随机森林通过多棵决策树集成学习，计算各驱动因子在分类过程中的贡献度（重要性），数值越高表明该因子对LUCC的区分能力越强。

3.6 可视化与结果导出

// 基础可视化配置
Map.centerObject(roi, 9);
// LUCC变化空间分布
Map.addLayer(lucc_change, {min:0, max:1, palette:['#7fc97f','#beaed4']}, 'LUCC变化（0=未变,1=变化）');
// 预测结果可视化
Map.addLayer(prediction, {min:0, max:1, palette:['#e0ecf4','#8856a7']}, 'LUCC变化预测');

// 图例构建函数
function makeLegend(title, dict, position) {
  var legend = ui.Panel({style: {position: position, padding: '8px 15px'}});
  legend.add(ui.Label({value: title, style: {fontWeight: 'bold', fontSize: '14px'}}));
  Object.keys(dict).forEach(function(key){
    var entry = ui.Panel({layout: ui.Panel.Layout.Flow('horizontal')});
    entry.add(ui.Label({style: {backgroundColor: dict[key], padding: '8px'}}));
    entry.add(ui.Label(key));
    legend.add(entry);
  });
  return legend;
}

// 添加图例
Map.add(makeLegend('LUCC变化类型', {'未变化':'#7fc97f','变化':'#beaed4'}, 'bottom-left'));
Map.add(makeLegend('预测变化类型', {'预测未变':'#e0ecf4','预测变化':'#8856a7'}, 'bottom-right'));

// 导出采样数据（用于本地验证）
Export.table.toDrive({
  collection: samples,
  description: 'LUCC_Driving_Factors_Samples',
  fileFormat: 'CSV'
});