基于IDRISI CA-Markov模型的閔行區土地利用變化及預測

魏永坤, 石登榮, 陶康華, 周國祺, 梅 晶

(1.上海師范大學 生命與環境科學學院,上海 200234;2.上海師范大學 城市信息研究中心,上海 200234)

0 引 言

“有土斯有人”,土地是人類賴以生存與發展的搖籃與襁褓,是最基本的生存物質基礎,是一切社會經濟活動的載體.土地利用變化是區域人口、資源環境與發展的基本和核心問題[1].20世紀90年代以來,區域土地利用/覆被變化的研究已成為“全球環境變化的人文因素計劃(IHDP)”的重要組成部分之一[2],土地利用和覆蓋變化涉及全球環境變化、區域城市發展、經濟社會穩定、環境質量等所有與可持續發展相關的問題,逐漸成為研究的前沿與熱點[3-5].

我國正處于城市化高速發展的階段,大規模的土地利用/土地覆蓋變化發生.因此,城市的土地利用/覆蓋變化研究,正成為研究者關注的焦點[6-7].高分辨率遙感衛星影像結合GIS技術,通過建立土地利用時空數據庫,進行土地利用變化分析研究,掌握土地利用的時空演變過程,已為土地利用研究的有力工具和方法[8].通過目視解譯結合野外實地調查,已成為城市區域土地利用變化現狀研究的重要手段[9-10].CA-Markov(Cellular Automaton-Markov)模型綜合了CA模型模擬復雜系統空間變化的優勢和Markov模型長期預測的優勢,通過CA-Markov模型對土地利用研究,已被廣泛探討和應用,且在分析和模擬土地利用變化方面都取得了良好的效果[11-15].上海市閔行區近3次人口普查都呈現人口翻番的狀態,城市化速度驚人,因此,利用遙感數據,結合ARCGIS和IDRISI,對閔行區土地利用格局進行模擬和預測,以期揭示閔行區土地利用的時空變化.

1 研究區概況

閔行區位于上海市中心腹地,在中心城區西南,并與其犬牙交錯,形似一把“鑰匙”,區域總面積371.68 km2,占上海市總面積(6340.5 km2)的5.86%.閔行地區西部處于湖積平原,中-東部和吳涇地區處于濱海平原,平均海拔4 m左右.吳淞江流經北境,黃浦江縱貫南北,將閔行區分為浦東、浦西兩部分.閔行區沿江接市,得風氣之先,擁有水、陸、空立體化的完備交通網絡.隨著城市化進程的快速推進,中心市區舊區改造、房地產開發及產業(特別是二產)外遷,打破了過往的“城郊結合部和農村”的定位束縛,“十二五”閔行區定位為上海市拓展區.

閔行區可分為特征鮮明的三大功能區:北部高端現代服務業功能區,包括華漕鎮、七寶鎮、莘莊鎮、虹橋鎮、梅隴鎮(春申塘以北部分)、新虹街道、古美路街道,城市化率69.8%;南部創新研發先進制造功能區,包括吳涇鎮、顓橋鎮、馬橋鎮、江川路街道、莘莊工業區、梅隴鎮(春申塘以南部分),城市化率64.9%;東部統籌城鄉發展功能區,主要是浦江鎮,城市化率28%(簡稱“北、南、東部區”,下同).三區從人口類型特性、產業性質到土地利用可以看成是上海市中心城、近郊區、遠郊區的縮影,因此選取縣域閔行區3個功能區作為研究對象具有重要意義.

2 數據來源與研究方法

2.1 數據來源及處理

本研究選用閔行區2000、2005、2010年Landsat TM遙感數據,影像空間分辨率為30m,幾何糾正為上海市地方坐標,在ArcGIS10的環境下,采用人機交互式目視解譯,并結合實地考察進行驗證.參考《城市用地分類與規劃建設用地標準》GB50137-2011和《土地利用現狀分類標準》 GB/T 21010-2007,結合研究出發點以及閔行區城市化程度、土地資源的經營特點、利用方式、覆被特征,建立分類系統,包括農業用地、農村居住用地、城市居住用地、工業倉儲用地、公共設施用地、待建在建用地、交通用地和其他用地(主要為河道、水塘、未利用灘涂)等8種土地利用類型(以下分別簡稱為農地、農居、城居、工倉、公設、待建、交通、其他).最終得到3個年份的土地利用現狀圖,獲得土地利用變化空間、屬性數據和動態變化信息.

2.2 研究方法

在土地利用格局中,每一個柵格相當于一個元胞,每個元胞的土地利用類型即為元胞的狀態,利用轉移矩陣和條件概率圖像進行運算,可確定元胞狀態的轉移,從而模擬土地利用格局的空間變化[16].CA-Markov模型綜合了CA模型和Markov模型各自的優勢,既提高了土地類型轉化的預測精度,又能有效地模擬土地格局的空間分布.IDRISI 軟件中的CA-Markov 模塊為土地利用時空變化提供了便利,具體操作如下:(1)數據轉換.將ArcGIS下的土地利用數據進行轉換處理,得到IDRISI可識別文件;(2)Markov預測.利用Markov模塊分別得到2個年度區間的狀態轉移概率矩陣和轉移面積矩陣;(3)空間分布概率適宜圖.利用Logistic模塊,以各種土地利用類型作為因變量,對其影響程度較大的因子(交通、人口、經濟、規劃等)作為自變量,依次回歸得到空間分布概率適宜圖集;(4)CA-Markov模擬預測.以CA 標準5×5鄰近濾波器為鄰域定義,確定起始時刻和循環次數,進行預測模擬.

3 土地利用分析

3.1 土地利用數量分析

土地利用數量的變化可從幅度和速度兩方面度量.根據遙感圖像分類結果(圖1),從土地利用變化類型來看,農地、農居在持續減少,城居、工倉、公設、交通以及待建用地持續增加.農地與農居,后五年變化率皆大于前五年變化率,呈現快速縮減的態勢,其中農地消失一半多,但農居縮減有加快趨勢,變化率從13.4%～30.4%.建設用地中,除了工倉外,其他幾種用地都呈現加快增長趨勢,即后五年增加率皆高于前五年,這其中公設用地變化速度最快,后五年變化率高達152.6%,其次為城居用地64.8%,待建、交通用地同樣持續迅猛增加.閔行區近十年土地變化,說明了閔行區第二、三產業發展迅猛,處于大發展時期,其中第二產業發展為背景,房地產業發展旺盛特征較突出,公共設施用地的發展也說明了閔行區并非為單純的房地產經濟,第三產業發展得到了較好兼顧.必須指出待建用地的大規模增加,亦說明了發展存在一定的盲目性,使大量規劃用地批而未用,造成閑置浪費,土地集約利用度降低.

圖1 遙感圖像分類結果

3.2 土地利用變化轉移分析

利用ArcGIS中arctoolbox模塊中選擇分析工具下的intersect,分別將專題圖疊加,可以得到三大功能區土地利用的轉移矩陣.變化面積超過1%的土地利用變化見圖2、3.

圖2 2000～2005年土地利用時空變化圖

圖3 2005～2010年土地利用時空變化圖

2000～2005年土地變遷主要特點:第一,農地向工倉與城居用地的轉變,農地減少7.6個百分點,城居增加3.1個百分點,工倉增加3.7個百分點;第二,北、南、東部區土地變遷程度依次減弱;第三,農地變遷貫穿全區,為主要的轉出對象,變量大.其中北部區轉為工倉、待建為主,城居為次;南、東部區轉為待建為主,工倉為次,轉移速度慢;第四,待建變遷僅北、南部區.北部區轉為城居為主,公設、工倉為次;南部區轉為城居為主,工倉少增;第五,農居、工倉變遷量小,呈現農居減、工倉增.

2005～2010年土地變遷主要特點:第一,農地和村居為主要轉出對象,分別減少14.8個百分點和 4.2個百分點,城居增加最迅猛,為6.7個百分點,其次為公設和待建用地,工倉增加有所減緩,僅為2.1個百分點;第二,北、南、東部區土地變遷依次減弱,東部區發展加速;第三,農地變遷量最大,高達15個百分點.其中北部區轉為工倉、公設為主;南、東部區變遷量很大,轉為待建、城居、工倉為主,公設為次;第四,待建變遷北、南部區為主.北部區轉為城居為主,公設為次;南部區轉為公設、工倉為主,城居為次;第五,農居變遷貫穿全區,主要向待建轉化,其中北部區還有直接向城居轉化;第六,工倉變遷為北部區特有,轉為待建、公設為主,城居為次.

很顯然,后五年土地利用變化比前五年劇烈得多,不僅變化量大,且范圍更廣、類型更多樣化.土地時空變遷主要就是農地轉為非農地的過程(農地占比十年間從40.7%降到19.8%),此過程常以待建用地為過渡,表現為農地在一定時間內轉為待建再轉為其他各種建設用地.北部區發展起步早且快,城市化程度高,農地消耗得快,但存量不足,后期逐步轉為工倉消減為主,主要轉為城居、公設;南部區消耗的農地主要轉為工倉、城居;東部區發展起步晚,城市化水平最低,但是后來居上,農地消耗最快,城居、工倉、公設共同發展.北部區的遷移過程明顯地表明了土地遷移規律-土地利用方式向更高產值的方向轉移.因此城市化水平的高低、進程的快慢,在很大程度上影響了土地時空變遷較大的差異性.

3.3 基于CA-Markov的土地利用變化趨勢預測

分別以2005和2010年為預測起始年份,輸入基于Logistic創建的土地利用適宜性圖集,指定地理元胞自動機的循環次數為 5a、10a,結合CA-Markov模型分三大功能區模擬預測,得到研究區域相關年份的土地利用預測圖(圖4～7)以及各類用地面積比重表(表1).

圖4 2010年土地利用現狀圖

圖5 2010年土地利用預測圖

圖6 2015年土地利用預測圖

圖7 2020年土地利用預測圖

功能區土地類型10年實際(%)10年預測(%)15年預測(%)20年預測(%)北部高端現代服務業功能區農地6.38.34.93.7農居4.34.03.22.6城居29.836.434.136.8工倉19.819.417.115.4交通15.59.516.016.7公設9.13.99.611.0待建8.27.67.76.6其他6.910.97.37.2南部創新研發先進制造功能區農地15.121.011.38.3農居5.58.62.82.2城居12.89.816.718.0工倉28.024.830.932.5交通9.47.310.811.3公設11.310.612.313.4待建10.16.98.58.0其他7.010.76.55.9東部統籌城鄉發展功能區農地42.346.235.228.5農居12.113.69.77.2城居6.85.110.213.7工倉13.110.114.015.3交通6.43.77.28.6公設2.34.45.97.6待建10.44.310.812.8其他7.612.57.16.3

評價2個圖件的一致性一般用Kappa系數[17],Kappa系數的算式可表示為:Kappa=(Po-Pc)/(Pp-Pc).其中,Po為正確模擬的比例;Pc為隨機選擇情況下期望的正確模擬比例;Pp為理想分類下的正確模擬比例(100%);為了檢驗本次CA-Markov模型預測不同土地利用類型的合理性,得到2010年的Kappa系數為0.74,結果具有比較高的精度,能反應客觀現實,可采用CA-Markov模型.

土地利用變化受各種自然的、人為的因素影響,尤其是政策影響更為突出和難以預料,閔行區作為中心城區的拓展區,并伴隨著浦東的大發展,東部區受政策影響顯著,房地產、開發區的發展受上海市、閔行區政策引導明顯,在近期成為發展熱點地區.北部區城市化程度高,會逐漸自發成為成熟的城市化區域,南部區發展居中,以發展工業為主,隨著工業向工業園區集中、城市交通的成熟,土地利用逐漸轉為有序結構.

由預測結果可知,閔行區總體依然為農地、農居、其他減少,向城居、公設等建設用地轉移,三大功能區差異性大.北部區農地、農居基本消失,城居緩慢增加,工倉減少趨勢增強,完成二產向三產的轉移,土地利用變化趨緩,逐漸成為類似中心城以三產為主的成熟功能區;南部區農地、農居到2020年減半,僅占到功能區的10%,城居、工倉增加幅度較大,還處于城市快速建設時期,但是同時兼顧了公設,二、三產同步發展,土地變化速度會逐漸緩慢下來,直到形成相對合理的土地利用格局;東部區發展迅猛,農地、農居大規模轉建設用地,總和只為35.7%,且會持續一段時間直到達到相對穩定狀態,土地利用率提高,按照新的土地利用規劃形成可持續的新格局.

4 結論與討論

閔行區基于遙感影像,利用GIS和IDRISI,對閔行區的土地利用變化進行了研究、分析和預測,運用CA-Markov模型較好地模擬了2015、2020年區域土地利用變化趨勢.結果表明:

(1) 閔行區土地利用結構在2000～2010年之間發生了很大的變化,其總特征是農用地減少,城鎮建設用地增加,但土地利用結構變化是后五年比前五年要劇烈,不僅變化量大,且范圍更廣、類型更多樣化.

(2) 北部區農地消耗得快,但存量不足,后期逐步轉為工倉消減為主,土地利用方式向更高產值的方向轉移;東部區農地消耗逐漸加快,各種建設用地共同發展.南部區居中,以農地向工倉和城居轉化為主.閔行三大功能區歷史背景、區位、發展現狀、定位的不同,也即城市化進程及發展水平,在很大程度上影響了土地時空變遷較大的差異性.

(3) 根據CA-Markov預測,2020年閔行區農地面積占總量的12.41%,農居占3.69%,城居占22.77%,工倉占22.54%,交通占12.29%,公設占11.09%,待建占8.91%,其他占6.41%,成為城居、工倉為主的格局.北部區發展為成熟功能區,土地變化基本穩定;南部區工業區集聚完成,變化速度逐漸緩慢;東部區發展迅猛,土地利用變化依然強勁.

閔行區城市化的快速發展固然是好,但是伴隨著農地的急劇減少,這同時也著實讓人擔憂,閔行區的未來該不該像中心城區那樣農地完全消失,農地到底是不是城市發展的包袱.從長遠來看,隨著上海城市快速發展,閔行區保存一定量的農地和農村景觀,不僅是基本農田保護紅線的約束,也將成為該區域城鄉融合發展軌道的需要.無論從經濟、生態、社會、文化哪個角度,農村必定會成為城市人最羨慕的地方.上海城市規劃正大規模進行郊野公園設計,物以稀為貴,閔行區保存的農村景觀和文化,必定會在離中心城區最近的區域成為特色.珍惜這幾分足以感人、動人,引人入勝的“農情”.

以上方法預測結果可見到2020年閔行區農用地繼續顯著減少,有違基本農田保護政策,由于政策驅動為閔行區土地利用最重要驅動力之一,因此將對相應的政策量壓與拐點分析做進一步深入研究.

參考文獻:

[1] 劉富剛,劉俊章.德州市土地利用變化及驅動力研究[J].高師理科學刊,2007,27(6):69-72.

[2] TURNER B L,SKOLE D,SANDERSON S.Land use and land cover change:Science/Research Plan[R].IGBP Report,No.35 and HDP Report No.7,Stovkholm and Geneva,1995.

[3] 李秀彬.全球環境變化研究的核心領域—土地利用/土地覆被變化的國際研究動向[J].地理學報,1996,51(6):553-557.

[4] 陳百明.試論中國土地利用和土地覆被變化及其人類驅動力研究[J].自然資源,1997(2):31-36.

[5] 高志強,劉紀遠,莊大方.基于遙感和的中國土地利用/土地覆蓋的現狀研究[J].遙感學報,1999,3(2):134-139.

[6] 顧朝林.北京土地利用/覆蓋變化機制研究[J].自然資源學報,1994,14(4):307-312.

[7] 史利江.1994～2006年上海市土地利用時空變化特征及驅動力分析[J].長江流域資源與環境,2012,21(12):1468-1479.

[8] 王光謙,王思遠,陳志祥.黃河流域的土地利用和土地覆蓋變化[J].清華大學學報,2004,44(9):18-36.

[9] 呂雄杰,陸文龍,宋治文,等.QuickBird影像在城市土地利用現狀調查中的應用研究[J].天津農業科學,2008,14(2):12-15.

[10] 肖瑤,王艷慧,尹川.北京城區近20年土地利用變化及其驅動力分析[J].測繪與空間地理信息,2013,36(7):29-32.

[11] ALMEIDA C M D,BATTY M,MONTEIRO A M V,et a1.Stochastic cellular automata modeling of urban land use dynamics[J].Computers,Environment and Urban Systems,2003,27(5):481-509.

[12] 侯西勇,常斌,于信芳.基于CA-Markov的河西走廊土地利用變化研究[J].農業工程學報,2004,20(5):286-291.

[13] 楊國清,劉耀林,吳志峰.基于CA-Markov模型的土地利用格局變化研究[J].武漢大學學報,2007,32(5):414-418.

[14] 湯沽,汪雪格,李昭陽,等.基于CA-Markov模型的吉林省西部土地利用景觀格局變化趨勢預測[J].吉林大學學報,2010,40(2):406-411.

[15] 何丹,金鳳君,周璟.基于LOGISTIC-CA-MARKOV的土地利用景觀格局變化[J].地理科學,2011,31(8):903-910.

[16] 劉紀遠,莊大方,張增祥,等.中國土地利用時空數據平臺建設及其支持下的相關研究[J].地球信息科學,2002,3:1-8.

[17] 布仁倉,常禹,胡遠滿,等.基于Kappa系數的景觀變化測度—以遼寧省中部城城市群為例[J].生態學報,2005,25(4):779-784.