2. 流域土地利用变化数据获取与处理

要研究土地利用变化与污染负荷之间的关联，第一步不是建模，而是把“土地到底怎么变了”这件事用数据说清楚。流域土地利用变化数据集通常由多期遥感影像解译而来，其质量直接决定后续污染负荷估算的可信度。本节围绕四个关键环节展开：遥感解译、分类体系选择、变化检测方法、精度评估，并给出针对具体流域构建多期数据集的完整任务思路。

一、遥感解译：从影像到土地利用图

土地利用遥感解译的本质，是把影像像元或对象归入若干土地类型。常用数据源包括Landsat系列（30 m）、Sentinel-2（10 m）、高分系列（亚米级至米级）等。解译前必须完成辐射定标、大气校正、几何精校正与影像裁剪，使多期影像处于同一坐标系与相近辐射基准下，否则后续变化检测会把“影像差异”误判为“地类变化”。

解译方法分三类：目视解译精度高但效率低，适合小流域或样本标注；监督分类（最大似然、随机森林、支持向量机）依赖训练样本，是业务中的主流；面向对象分类先分割后分类，对高分影像的破碎地块更友好。实际操作中，建议以“监督分类为主、目视解译抽查修正”的组合方式，兼顾效率与质量。

二、分类体系选择：与污染负荷模型对齐

分类体系不是越细越好，而要与后续污染负荷模型的需求匹配。若采用输出系数模型（ECM），核心是区分不同地类的污染输出系数，因此分类体系至少应把耕地、林地、草地、建设用地、水域、未利用地分开，其中耕地还可细分水田与旱地，建设用地可细分城镇与农村居民点。若采用SWAT等分布式模型，则需与模型自带的土地利用编码对应，避免重分类时丢失关键类型。

一个常见误区是直接套用全国土地覆盖分类标准而不做归并，导致类别过多、样本不足、精度下降。合理做法是先确定模型所需的最小类别集，再向上兼容更细的分类，形成“模型类别—解译类别”的映射表。多期数据集必须使用同一套分类体系，否则变化检测结果没有可比性。

三、变化检测方法：捕捉地类转移

变化检测的目标是识别两期之间地类发生转移的位置与方向。常用方法包括：分类后比较法，即分别解译两期再逐像元比对，逻辑直观、能给出转移矩阵，但会累积两期分类误差；影像代数法（差值、比值、植被指数差值）对阈值敏感，适合快速筛查变化热点；变化向量分析（CVA）利用多波段差异的幅值与方向判断变化强度与类型。

工程上推荐“分类后比较 + 转移矩阵”作为主方法，因为它能直接回答“耕地转建设用地多少公顷、林地转耕地多少公顷”这类与污染负荷强相关的问题。下图展示了一个流域多期数据集构建与变化检测的整体数据流，以及转移矩阵如何衔接后续负荷估算。

四、精度评估：让数据集可信

精度评估的核心是混淆矩阵。做法是从分类结果中随机抽取验证样本（每类不少于50个，总样本量建议300以上），逐点与高分影像或实地调查比对，计算总体精度（OA）、生产者精度（PA）、用户精度（UA）与Kappa系数。业务上一般要求总体精度不低于85%、Kappa不低于0.8，主要地类（耕地、建设用地、林地）的精度应单独核查。

需要特别提醒：验证样本必须与训练样本空间独立，否则精度会被高估。多期数据集应逐期评估，而不是只评估一期。若某期影像云量大或时相不佳，应如实记录并考虑用相邻年份影像替代，而不是强行解译。

五、面向具体流域的多期数据集构建任务

以一个假设的中型流域为例（面积约1200 km²，以农业与林地为主），构建2000、2010、2020三期土地利用数据集，可按下述任务链执行：

1. 确定时空基准：统一采用CGCS2000坐标系、Albers等积投影，三期影像尽量选择同一季节（如夏季植被茂盛期），减少物候差异。
2. 建立分类体系：设定6个一级类（耕地、林地、草地、建设用地、水域、未利用地），并与输出系数模型的系数表一一对应。
3. 样本库建设：每期每类采集不少于100个训练样本，样本在空间上均匀分布，三期样本位置可复用但需逐期核对。
4. 解译与修正：采用随机森林分类，结合NDVI、NDWI等指数提升水体与植被区分度，对错分斑块进行目视修正。
5. 精度评估：逐期生成混淆矩阵，记录OA、Kappa及各地类UA/PA，形成精度评估表。
6. 变化检测：两两比较生成2000—2010、2010—2020转移矩阵，统计各地类转出转入面积与年变化速率。

下表给出一个示例性的精度评估记录表结构（数值为合理假设，非实测结果），可直接用于填写：

完成上述步骤后，得到的不仅是一张张土地利用图，而是一套带精度标签、可追溯、可比对的多期数据集。它把“土地利用变化”从定性描述转化为可量化、可进入模型的地类转移面积，为后续关联污染负荷奠定了数据基础。