在城镇化发展过程中,对土地资源的合理化利用是一个迫切需要解决的问题。开展景观格局变化及驱动力分析,对于地方的生态保护与建设有重要意义,能够促进地区的可持续发展。本文以南通市通州区金沙镇为研究区域,以Landsat5和Landsat8遥感影像为数据源,根据主要用地类型,确定景观类型分类体系。比较基于像元的分类和面向对象的分类。在Envi5.1软件中对研究区影像进行预处理,选用最大似然分类器和神经元网络分类器进行监督分类,评估分类结果的准确性。在eCognition8.7软件进行面向对象的分类,通过多尺度分割实验,确定各参数以及各景观类型的最优分割尺度,进行单一层次的面向对象决策树分类和多层次的面向对象决策树分类。对两种方法的分类结果进行精度评价。选择精度较高的方法对2009年研究区影像进行景观分类。将两期景观分类数据运用Fragstats4.2进行景观格局分析研究,在ArcGis10.2中进行林地景观转移研究,并计算林地与建设用地、林地与农业用地的空间交互情况,在此基础上,根据金沙镇年鉴数据进行驱动力定性分析。本文主要研究结果如下:(1)根据基于像元的分类法,最大似然分类分类精度为85.25%,对应的Kappa系数为0.7985;神经元网络分类精度为88.67%,对应的Kappa系数为0.8448。(2)eCognition8.7软件中波段权重按其标准差设置为1.06:1:1.10:1.09:1.87:1.45:1.21,形状因子为0.2,紧致度因子为0.5,林地最优分割尺度为70,水域最优分割尺度为80,建设用地最优分割尺度为100,农业用地最优分割尺度为70。分割尺度为70的单一层次CART决策树分类精度为89.19%,对应的Kappa系数为0.8493;多层次的CART决策树分类精度为93.59%,对应的Kappa系数为0.9107。在本研究区,面向对象的分类法相对于基于像元的分类法精度更高,适应各景观类型最优分割尺度的多层次的CART决策树分类精度最高。采用该方法获取2009年研究区景观类型分类数据。(3)景观格局变化分析。类型水平上,2009年至2014年,金沙镇林地景观的斑块数量和斑块类型面积呈增长趋势,这与当前通州区的生态林工程密不可分。建设用地景观在空间上连片趋势明显,优势度较高。农业用地景观破碎化程度加大。林地景观和建设用地景观的斑块类型扩大,连接度增大;景观水平上,研究区的整体景观类型破碎化程度增大,景观类型整体规模化,景观斑块形状复杂性一般,多样性指数降低,主要是由于建设用地的集聚,使得景观类型分布更为复杂,农业用地和水域更为分散使得小斑块数量增加,均匀度下降。(4)林地景观类型转移分析。林地景观在2009年至2014年期间保存率为32.97%,基于城镇发展需求,31.91%的林地景观转移成为建设用地,30.79%的林地景观转移成为农业用地。(5)林地与建设用地、林地与农业用地的空间交互关系。2009年至2014年,金沙镇林地与建设用地空间交互性增强,关系更加紧密,林地与农业用地的空间交互性减弱,分离程度增大。(6)景观格局变化驱动力定性分析。从人口变化、技术进步、经济发展、城镇化水平、林业政策、土地价格六个角度进行分析。研究区人口的增加使得更多的土地被用于居住、消费,建设用地的面积增加明显;研究区借助新技术,发展现代农业,推动农业用地景观格局变化;服务业占比增加明显,推动相应的建设用地发展;城镇化推动人口向镇区集中,促进周围景观变化;林业政策推动林地发展;土地价格的趋利性使得更多土地成为建设用地。