規劃情景約束下的城市土地利用空間格局模擬

尹昌應，石憶邵

（同濟大學測繪與地理信息學院，上海 200092）

0 引言

土地利用類型是構成城市空間形態和結構的微觀要素，研究一定時期內的土地利用類型轉移情況，在此基礎上預測未來土地利用類型間的轉移動態，有助于優化土地利用結構和調控城市空間布局，促進土地資源的集約和高效利用。但是，當城市化發展到一定水平，特別是城市建設用地擴張到一定程度時，土地資源利用的局限形勢會變得愈發嚴峻，強制性行政干預便成為不得不采取的控制手段，例如劃定耕地紅線和城市增長邊界等。當某一種或幾種用地類型快要接近或已達到政策強制性限定標準時，土地利用總體規劃可從數量規模上進行計劃控制，但在預見并藉此控制土地利用類型的空間演化趨勢方面仍不足。因此，如何從空間上定量表達城市土地利用變化的驅動力，建立動態模型實現未來土地利用規模的空間分配，預測土地利用空間格局，是城市管理者和學術界面臨的實際問題。

傳統方法解決該問題時常采用定性分析或一些不具空間解釋能力的定量模型，從較為宏觀的視角分析土地利用變化的空間特征［1］。以元胞自動機（Cellular Automaton，CA）、土地利用變化及其影響（Conversion of Land Use and its Effects，CLUE）模型、多智能體系統（Multi－Agent System，MAS）等為代表的模擬技術產生后，土地利用格局預測進入了新時期。目前，運用模型化方法模擬土地利用格局已是理解和解釋區域土地變化過程與趨勢的常規途徑［2－4］。其中，CA 模型的優點在于其顯著的空間特性和由簡單的鄰域規則產生的突現性，但這種突現性能否反映實際的土地變化情況，取決于規則設計的合理性。實際上，土地變化驅動力的時空復雜性要求CA在簡單的鄰域規則上附加復雜的驅動作用關系，所以CA模型如果只有簡單的鄰域規則并不能真正解決實際問題。MAS強調“人”作為主體的自治性、反應性、主動性、社會性和學習性，考慮個體、群體及環境的相互作用和人類決策行為的影響［5］，盡管理論意義十分重大但進展較為緩慢，目前仍以理論探索為主［6］。相比之下，CLUE模型不僅能很好地反映土地變化在空間上的關聯性、等級性、競爭性和相對穩定性［7］，建模過程也簡單且易于理解；Dyna－CLUE模型［8］是 CLUE－S模型的改進版本，它將“自上而下”和“自下而上”過程結合，且彌補了CLUE－S在模擬大區域時不得不增大像元尺寸的弊端，使CLUE模型可被應用到更為精細的空間尺度上，但同時也對模型輸入數據的空間分辨率提出了更高要求。由于城市內部驅動因素的復雜性及其輸入數據的分辨率問題，迄今為止基于Dyna－CLUE模型的案例研究尚不多見。因此，本文以上海市為例，建立Dyna－CLUE模型預測土地利用空間格局，可為城市土地利用規劃和管理提供新的技術思路。

1 研究區、數據和方法

1.1 研究區概況

上海市地處東經120°52′～122°12′、北緯30°40′～31°53′，位于中國南北海岸中心點，長江和黃浦江入海匯合處，北界長江，東瀕東海，南臨杭州灣，西接江蘇和浙江，是長江三角洲沖積平原的一部分，全市陸地面積6 506.52km2。2011年末全市常住人口2 347.46萬人，城鎮人口占總人口89.3%，城鎮化水平居全國首位。

1.2 研究數據及預處理

數據資料主要包括覆蓋上海全市的2003年8月CBERS－1B影像4景，2006年 CBERS－1B影像4景，2009年8月Landsat－ETM＋影像2景；上海市2009年土地利用現狀圖和地形圖、30m×30m分辨率DEM、上海市行政區劃圖、鄉鎮（街道）行政中心和農村居民點位數據。數據預處理主要包括基于ERDAS Image 2011平臺的波段組合、幾何糾正、圖像拼接；ENVI 4.8軟件支持下分別計算歸一化植被指數（NDVI）和歸一化建筑指數（NDBI），結合DEM數據提取的高程、坡度、坡向信息建立決策樹，采用最大似然法進行土地利用分類處理；行政區劃圖矢量化，人口、經濟數據空間化等。所有數據均配準到統一地理參考系統。

1.3 研究方法

包含“情景預測”和“空間分配”兩部分，即用Markov模型預測土地利用需求情景，用Dyna－CLUE對需求情景進行空間分配。

1.3.1 土地利用需求情景預測 Markov模型中［9］：如果隨機過程X（t）在時刻（n＋1）狀態的概率分布只與時刻n的狀態有關系，而與n之前的狀態沒有關系，則隨機過程X（t）可以被稱為是一個馬爾柯夫鏈，記條件概率：

式中：Pij（n）是在時刻n的一步轉換概率，由一步轉換概率構成的轉換矩陣：

該矩陣滿足兩個條件：矩陣每一行元素的和等于1；矩陣中每一個元素為非負。于是，Markov模型可表示為：

式中：X（n）表示趨勢分析與預測對象在t＝n時刻的狀態向量，P 表示一步轉移概率矩陣，X（n＋1）表示預測對象在t＝n＋1時刻的狀態向量。

情景預測前，需驗證 Markov模型的適用性。設定3年為時間步長，首先以2003年、2006年兩期遙感解譯數據計算土地利用轉移矩陣，得到各土地利用類型間的轉移概率矩陣P；然后以2006年遙感解譯數據為初始狀態 X（1），用式（3）計算2009年對應的狀態X（2）；再用X（2）與2009年土地利用現狀數據比較，計算總體精度達89.23%，說明該模型具有較強的預測能力。情景預測時，利用上述原理計算2003－2009年的轉移矩陣如表1。

表1 上海市2003－2009年土地利用轉移矩陣Table 1 Transfer matrix of land use in Shanghai from2003 to 2009 %

基于上述轉移矩陣，設計兩種土地利用規劃政策情景：情景Ⅰ，假定未來的土地利用延續現有方式，即各用地類型的變化速度保持2003－2009年的變化速度不變；情景Ⅱ，結合上海市土地利用總體規劃（2006－2020）提出的“穩保328萬畝耕地紅線”以及國土資源部下達上海至2020年的建設用地指標（2 981km2），參考國內外大都市居住用地、產業用地和服務業用地等用地類型的平均變化速度，設計了一個基于用地規模控制的需求情景。運用Markov鏈模型分別預測兩種情景下的土地利用需求如表2。

表2 基于不同用地模式預測的土地利用需求情景Table 2 Predicted demand scenarios based on different land use modes hm2

1.3.2 土地利用需求的空間分配 Dyna－CLUE模型對土地利用需求的空間分配，是在深入認識研究區土地利用變化歷史的情況下，診斷土地利用變化與環境因素之間的定量關系，建立轉換規則來模擬土地利用空間格局。建模步驟及主要輸入數據如下：

（1）影響因素分析。土地利用變化是自然和人文因素共同作用的結果［10－12］。大區域、長時間尺度上的土地利用變化受自然環境因素的影響較明顯，小流域、城市或更小空間尺度上短期內的土地利用變化則主要受當地社會經濟發展狀況的驅動作用更顯著。本文選取海拔高度、坡度、坡向、道路通達性、到各級行政中心距離、到主干河道距離、人口密度、經濟密度、建筑容積率等共計13項指標作為潛在的影響因素（部分如圖1）。

圖1 上海市土地利用空間變化的潛在驅動因子Fig.1 Potential driving factors of land use change in Shanghai

（2）空間驅動力診斷。驅動力分析是準確模擬土地利用變化的基礎和前提條件。Dyna－CLUE采用Logistic逐步回歸模型診斷土地利用變化的驅動因子，以土地利用類型為因變量、驅動因子為自變量建立二元Logistic回歸方程，并據此建立回歸方程估算每一柵格可能出現某種用地的概率。Logistic逐步回歸模型可表示為：

式中：pi表示每個柵格可能出現某一土地利用類型i的概率；Xn，i表示各備選驅動因子在該位置上的值；β是回歸方程的解釋變量系數，βi值越大，代表其相關度越高，EXP（βi）是β系數以e為底的冪指數，等于事件發生概率pi。Logistic回歸方程的解釋能力用Pontius等［13］提出的ROC曲線進行檢驗（表3）。

表3 Dyna－CLUE模型中各用地類型與驅動因子間的回歸系數Table 3 Regression coefficients of land use types and driving factors in the Dyna－CLUE model

（3）區域限制策略。空間政策制約模塊指根據各地土地利用的實際情況確定土地利用轉換中的特殊限制條件。結合數據可獲得性，本文重點考慮了上海市的基本農田保護區、九段沙濕地國家級自然保護區、崇明東灘鳥類國家級自然保護區、長江口中華鱘自然保護區和金山三島海洋生態自然保護區4個自然保護區。在限制區內，基本農田不會轉換成其他任何類型的土地，森林、草地等自然生態系統不會受到干擾和破壞而轉變為建設用地和耕地。

（4）轉換彈性和轉換規則設置。轉換彈性（ELAS）是設置地類穩定性的重要參數，它表征在一定時期內某種用地類型可能轉化為其他類型的難易程度。ELAS有3種取值：對于較難轉換為其他土地利用類型的地類，ELAS＝1；對于極易變化的地類，ELAS＝0；難易程度介于這兩種情況之間，則ELAS介于0～1之間。本文根據專家經驗結合有關文獻資料，設定轉換彈性如表3。

（5）其他輸入數據。包括初始土地利用格局和土地利用需求情景（表2），以及關于模擬時段、時間步長、空間范圍、像元分辨率等方面的控制參數，具體參數取值如表4。

表4 Dyna－CLUE模型中主要控制參數及在本研究中取值Table 4 Values of main control parameters of Dyna－CLUE model in the study

（6）模型校準。模型校準時，以2003年遙感解譯的土地利用現狀圖為初始數據，采用建立的Dyna－CLUE模型將2009年的土地利用需求情景分配到二維地理空間，結合2009年的土地利用現狀格局進行精度評價，若不滿足精度要求則通過調整上述參數對模型進行校準。評價模型精度時，以2009年土地利用現狀圖作為參考數據，采用分層隨機抽樣的點樣本檢驗法［14］分別在模擬數據和參考數據上選取500個樣本點對，通過計算混淆矩陣、總體精度和Kappa指數［15］來評價模型的精度水平。

經過多次參數調整，最后確定以表4所示數據作為模型輸入參數。模擬輸出2009年土地利用格局對應的混淆矩陣、總體精度和Kappa系數（表5），結果表明模型具有較強的用地規模和空間預測能力，可用來預測上海市未來一定時期內的土地利用變化格局。

表5 Dyna－CLUE模型的混淆矩陣及精度評價Table 5 Confusion matrix and accuracy assessment for Dyna－CLUE model

2 模擬結果與分析

運用上述構建的模型模擬兩種需求情景下2015年、2021年的土地利用格局如圖2所示。

2.1 數量變化特征

分析兩種土地需求情景，可知未來土地利用規模的變化特征。其中，模式Ⅰ對應的土地利用規模變化情況如圖3a所示，土地類型間轉換頻繁且“順”勢（趨勢延續，即保持“增加”或“減少”的趨勢）明顯。耕地是變化最為顯著的土地類型，到2015年減至147 850hm2，2021年僅存119 641hm2；2009年以后，林草地則和耕地一樣表現為持續減少；建設用地則迅速增加，其中工業用地增長特別顯著，2015年達985.27km2，2021年則達1 126.64km2，相應的工業用地比例分別增至27.90%和28.54%；居住用地增加趨勢也很明顯，2015年上海所需居住用地面積達1 133.64km2，2021年則達1 225.45km2；交通用地增至2015年的653.71km2和2021年的748.20km2；水面有一定減少，未利用地保持在40km2左右。

圖2 上海市土地利用的Dyna－CLUE模擬格局Fig.2 Predicted land use patterns of Shanghai using Dyna－CLUE model

模式Ⅱ對應的土地利用規模變化情況如圖3b所示，各種用地類型間轉換仍然頻繁但“逆”勢（趨勢逆轉，即“先增后減”或“先減后增”的趨勢）顯著。耕地方面，2009年面積為216 699hm2，已低于上海市218 666hm2（328萬畝）的 “耕地紅線”，經過總量控制和結構調整，2015年耕地逆轉減勢增至221 476 hm2，2021年達236 833hm2；林草地則表現為持續緩慢增加，以適應生態城市建設要求；工業用地穩步減少，從2009年的790.22km2減至2015年的674.93km2，2021年達563.81km2，相應的工業用地比例分別為23.23%和19.43%；居住用地不斷增加，從2009年的103 467萬m2增至2015年119 581萬m2，2021年達127 037萬m2；交通用地也進一步增至2015年的648.64km2和2021年的768.95 km2；未利用地保持在30km2左右。

圖3 兩種需求情景下土地利用變化情況Fig.3 Land use change of the different demand scenarios

2.2 空間變化特征

分別將兩種需求情景下的模擬格局與2009年的現狀格局進行疊加和比較分析，可知未來土地利用格局的變化特點。例如，在情景Ⅰ中的工業倉儲用地主要沿公路、河道兩側擴展，呈現顯著的“廊道”特征；居住用地散布在工業倉儲用地分布的空間范圍內；耕地、林草地和水體等具有生態平衡和環境凈化功能的非建設用地邊界逐漸向郊區退縮，崇明島北部的水體面積增加顯著。這種土地利用格局是延續工業化大發展階段的用地模式所產生的自然結果，工業倉儲用地集中分布在交通便利的地方，建設用地擴張大量侵占耕地和林草地資源，建成區“攤大餅”式向郊區蔓延。

情景Ⅱ中，工業倉儲用地逐漸從中心城區向郊區轉移，工業郊區化趨勢非常明顯；中心城區原有的居住用地基本保持不變，郊區和崇明縣的居住用地呈團塊狀增加；建設用地擴張主要集中在以嘉定、松江、臨港、青浦、南橋、金山和城橋為中心的郊區新城；水體變化不明顯。這種土地利用空間格局與上海市“十二五”規劃關于“城市建設的重心將向郊區轉移，全市將建立七個郊區新城”的特大城市衛星城發展模式設想相符合。

3 結論與討論

通過對上海市土地利用空間格局及驅動力的系統分析，借助Markov模型模擬設置了兩種規劃情景下的用地需求，建立Dyna－CLUE模型進行用地需求的空間分配。結果表明，Dyna－CLUE模型對土地利用需求的空間分配，不僅可結合規劃政策的宏觀要求，還可考慮地理環境和交通等微觀基礎環境條件的影響。因此，該模型可為土地利用總體規劃的空間實施和管理提供一種新的、有效的技術手段。

在規劃情景設置過程中，將 Markov模型應用于土地利用變化的需求預測，其優勢在于所需基礎數據量少，便于實現。因為在利用Markov模型預測土地利用需求時，需要的基礎地理數據包括模擬時段初期和末期的土地利用現狀數據，這對于基礎地理數據不齊全的地方是個很大的優勢。然而，Markov模型沒有考慮其他的社會經濟和自然因素對于土地利用變化的影響，這使得這種“黑匣子”式的模擬結果雖然具有一定的合理性，卻較難從社會和經濟發展的角度給予合理的解釋，因而在理解土地利用變化的驅動力方面存在不足，只可用作宏觀需求預測。在土地利用現狀數據和相關的社會經濟數據比較充分的情況下，構建城市土地利用變化的系統動力學模型模擬用地需求可能是比Markov鏈更好的解決方案。

在城市化發展進程中，土地利用矛盾主要體現為各類用地規模間相互轉換的矛盾，土地利用總體規劃下達了各類用地指標，指標分解就成為各級政府規劃之間銜接的橋梁。但在現行規劃體系下，指標分解通常只關注數量分解，較少涉及數量規模在空間布局上的定量刻畫。由于最終土地利用目標需求不同，造成發生增減的主要地類和規模各不相同。因此，在土地利用總體規劃實施過程中可以通過調整土地利用目標引導各土地利用類型之間的轉換，并最終達到優化土地利用結構、調整土地利用空間的目的。但這一系列過程中都涉及非常復雜的人文影響因素，盡管包括Dyna－CLUE在內的專業模擬模型在刻畫自然驅動因素方面可以獲得很好的效果，但對人文影響因素的定量刻畫仍然差強人意。因此，還需深入開展相關研究，提高模型對人文驅動因素的解釋和刻畫能力，進而提高土地利用空間格局的模擬精度。

［1］ 尹昌應，羅格平，湯發樹.鄉鎮尺度綠洲土地利用空間格局動態模擬與分析［J］.中國沙漠，2009，29（1）：68－75.

［2］ LUO G，YIN C，CHEN X，et al.Combining system dynamic model and CLUE－S model to improve land use scenario analyses at regional scale：A case study of Sangong watershed in Xinjiang，China［J］.Ecol.Complex，2010，7（2）：198－207.

［3］ MACHADO C R.Integrated research on coupled human－environmental system ［J］.LUCC Newsletter，2003，9（1）：8－9.

［4］ LAMBIN E F，MEYFROIDT P.Land use transitions：Socioecological feedback versus exogenous socio－economic dynamics［J］.Land Use Policy，2010，27（1）：108－118.

［5］ TIAN G，OUYANG Y，QUAN Q，et al.Simulating spatiotemporal dynamics of urbanization with multi－agent systems—A case study of the Phoenix metropolitan region，USA［J］.Ecolog－ical Modelling，2011，222（5）：1129－1138.

［6］ LI X.Emergence of bottom－up models as a tool for landscape simulation and planning［J］.Landscape and Urban Planning，2011，100（4）：393－395.

［7］ 張永民，趙士洞，VERBURG P H.CLUE－S模型及其在奈曼旗土地利用時空動態變化模擬中的應用［J］.自然資源學報，2003，18（3）：310－318.

［8］ VERBURG P H，OVERMARS K P.Combining top－down and bottom－up dynamics in land use modeling：Exploring the future of abandoned farmlands in Europe with the Dyna－CLUE model［J］.Landscape Ecology，2009，24（9）：1167－1181.

［9］ MICHAEL R M，JOHN M.A Markov model of land－use change dynamics in the Niagara Region，Ontario，Canada［J］.Landscape Ecology，1994，9（2）：151－157.

［10］ LAMBIN E F，MEYFROIDT P.Global land use competition［A］.SETO K C，REENBERG A.Rethinking Global Land Use in an Urban Era［C］.Cambridge，MA：MIT Press，2013.

［11］ LIU J，ZHANG Z，XU X L，et al.Spatial patterns and driving forces of land use change in China during the early 21st century［J］.Geographical Sciences，2009，20（4）：483－494.

［12］ MISANA S B，SOKONI C，MBONILE M J.Land－use／cover changes and their drivers on the slopes of Mount Kilimanjaro，Tanzania［J］.Geography and Regional Planning，2012，5（6）：151－164.

［13］ PONTIUS R G，SCHNEIDER L C.Land－cover change model validation by an ROC method for the Ipswich watershed，Massachusetts，USA［J］.Agriculture，Ecosystems and Environment，2001，85（1～3）：239－248.

［14］ 劉旭攏，何春陽，潘耀忠，等.遙感圖像分類的點、群樣本檢驗與評估［J］.遙感學報，2006，10（3）：366－372.

［15］ PONTIUS R G.Quantification error versus location error in comparison of categorical maps［J］.Photogrammetric Engineering and Remote Sensing，2000，66（8）：1011－1016.