基于Logistic-CA-Markov模型的青島市土地利用變化動態模擬

邢容容, 馬安青, 張小偉, 于欣鑫, 馬冰然

(1.中國海洋大學 環境科學與工程學院, 山東 青島 266100; 2.河北省地礦局秦皇島礦產水文工程地質大隊, 河北 秦皇島 066001)

基于Logistic-CA-Markov模型的青島市土地利用變化動態模擬

邢容容1,2, 馬安青1, 張小偉1, 于欣鑫1, 馬冰然1

(1.中國海洋大學 環境科學與工程學院, 山東 青島 266100; 2.河北省地礦局秦皇島礦產水文工程地質大隊, 河北 秦皇島 066001)

研究經濟快速發展的沿海地區土地利用結構的變化并預測其未來發展趨勢，可以為區域土地合理利用與配置提供參考。以青島市為研究區，采用Logistic-CA-Markov耦合模型，基于2000年、2011年土地利用解譯數據，結合DEM、人口、GDP、距離等因素模擬出2011年土地利用數據，與2011年解譯數據對比，得到模擬精度為94.27%，說明模型擬合精度較高，接著對2022年、2033年土地利用空間格局進行了預測。Logistic-CA-Markov模型模擬的2011—2022年土地利用類型將保持2000—2011年的變化趨勢，表現在耕地、水域、未利用土地面積減少，林地、草地以及城鄉、工礦、居民用地面積增加，2022—2033年城鄉、工礦、居民用地面積仍然增加，但是增加速率明顯小于2011—2022年。研究結果表明，Logistic-CA-Markov耦合模型具有較高的模擬精度，可以應用于模擬多類土地利用類型之間的演變。該研究可為青島市的土地規劃、管理和決策提供依據，同時對保護和改善生態環境具有現實的指導意義。

土地利用變化; 動態模擬; Logistic-CA-Markov耦合模型; 青島市

土地利用/覆被變化(Land Use/Land Cover Change，LUCC)是全球環境變化的重要組成部分和主要原因之一，其產生的資源環境問題越來越突出，影響著能量交換、水循環及生物多樣性和生態系統的穩定性[1]。隨著青島市經濟的迅速發展，經濟社會結構發生變化，人地矛盾愈加尖銳，制約著城市協調發展。此背景下，建立土地利用動態模型，科學把握土地變化趨勢，制定合理的土地調控政策，對于青島市土地資源可持續利用、經濟社會和諧發展具有指導意義。

目前模擬土地利用動態變化的模型很多，常見的有系統動力學模型[2]、元胞自動機(CA)[3]、CLUE-S模型[4]、多智能體[5]、CA-Markov[6]、人工神經網絡[7]，此外，黎夏和葉嘉安設計的ANN-CA模型[8]，鄧祥征的土地系統動態模擬模型(DLS)[9]，張顯峰、崔偉宏的城市土地利用演化過程模擬預測LESP模型[10]等取得了一定的成果。其中，CA-Markov模型是目前土地利用動態變化模擬預測研究中應用廣泛且較為有效的研究方法。該模型綜合了CA和Markov模型各自的優點，即CA模型模擬復雜系統空間變化的能力和Markov模型定量化預測的優勢，二者的有機結合，能夠綜合考慮自然和人文因素的影響，有利于模擬不同階段土地利用的時空變化，并且在國內外取得了較多的研究成果。本文以青島市為研究區，采用CA-Markov模型，并用Logistic模型定義CA的轉換規則，利用2000年、2011年的土地利用變化數據來預測青島市2022年、2033年土地利用變化的趨勢，從而為青島市可持續發展提供決策依據。

1 研究區概況

青島市位于山東半島南端，黃海之濱。全市海岸線總長約870 km，其中大陸岸線730 km，占山東省岸線的1/4。東北與煙臺市毗鄰，西與濰坊市相連，西南與日照市接壤。全市總面積11 282 km2，常住人口為871.51萬人(2011年)。青島市下轄六區四市(2012年國務院批復)，包括市南區、市北區、李滄區、嶗山區、城陽區、黃島區以及膠州市、即墨市、平度市、萊西市。地勢東高西低，南北兩側隆起，中間低凹，其中山地約占全市總面積的15.5%、丘陵占25.1%、平原占37.7%、盆地占21.7%。目前，青島市主要土地利用類型有城鎮居民點工礦用地、耕地、林地、園地、水域、交通用地、未利用地。青島雖屬溫帶季風氣候，但其“三面滄海一面山”的獨特地理位置，使其又具有鮮明的海洋性氣候特征，年平均氣溫12.7℃，降水量年平均662.1 mm，年平均風速為5.2 m/s，以東南風為主導風向，年平均相對濕度為73%，由于黃海水團和風向的影響，青島多平流霧，年均霧日50余天。

2 數據處理

選用2000年9月16日的Landsat TM影像(條帶號/行編號為120/34、120/35)和2011年5月23日的‘環境一號’衛星CCD影像，解譯出土地利用數據，根據中國科學院土地資源分類系統，結合青島市地形條件及土地利用/覆被特點，劃為6種土地利用類型：耕地、林地、草地、水域、城鄉工礦居民用地和未利用土地[11]。

選取自然和社會經濟7個參數作為驅動因子進行Logistic回歸分析，包括：海拔高度、地形起伏度、距城鎮中心的距離、距海岸線的距離、道路密度、人口密度、GDP密度。從國際科學數據服務平臺(http:∥datamirror.csdb.cn/)獲得30 m分辨率數字高程(DEM)柵格數據，利用ArcGIS提取地形起伏度。城鎮位置矢量數據是從地球系統科學數據共享網上下載，海岸線位置數據是由2000年青島市土地利用數據提取得到，通過ArcGIS空間分析distance命令得到距城鎮中心的距離和距海岸線的距離。人口數據和GDP數據均來自青島市2010年統計年鑒。交通數據是從Google Earth上提取縣級以上道路，然后與青島市行政區做疊置，對結果按行政區統計道路密度，將統計結果與青島市行政區做表鏈接，計算各縣(區)的交通密度，利用ArcGIS對計算出的交通密度采用反距離加權法(IDW)進行空間插值，得到青島市交通密度。采用同樣插值方法，獲得人口密度、GDP密度數據。

由于Logistic-CA-Markov模型需要RST格式的柵格數據，因此將土地利用數據和驅動因子數據在ArcGIS中轉換為ASCII碼，在IDRISI中將ASCII碼轉換RST格式。

3 研究方法

3.1 Logistic回歸分析模型

Logistic回歸分析可分為二元Logistic回歸分析和多元Logistic回歸分析，并被廣泛應用于土地利用變化研究中[12]。Binary Logistic回歸方程的公式為：

式中：Pi——每個柵格可能出現土地利用類型i的概率；x1，x2，…，xn——驅動因素。逐步回歸對每一個柵格出現某一地類的概率進行診斷，篩選出對土地利用格局影響較為顯著的因素，確定它們間的定量關系。

Logistic回歸的結果，通常采用Pontius提出的受試者工作特征曲線(relativeoperatingcharacteristics，簡稱ROC曲線)進行驗證[13]。ROC的值介于0.5和1.0之間。當0.50.9時，有較高準確性。ROC值越接近于1.0，說明預測效果越好。ROC=0.5時，說明模擬方法完全無效，無模擬價值。ROC<0.5不符合真實情況，在實際中極少出現。一般認為當ROC值大于0.7時模擬效果較好，模擬結果可以采用，反之則模擬效果不好。

3.2 CA-Markov模型

元胞自動機(cellularautomata，CA)是時間、空間、狀態都離散，空間相互作用和時間因果關系都為局部的網格動力學模型，具有模擬復雜系統時空演化過程的能力[14]。CA有4個基本要素：元胞、狀態、鄰域和轉換規則，最核心的部分就是定義轉換規則。

馬爾可夫模型是基于馬爾可夫鏈，根據系統中不同狀態的起始概率和狀態之間的轉移概率來預測將來各個時刻的變動狀況，是時間和狀態都離散的隨機運動過程。該過程一是分析土地利用類型面積的變化信息；二是由土地利用轉移概率矩陣來預測土地利用變化趨勢。

Markov模型與CA模型均為時間離散、狀態離散的動力學模型，二者具有一定的局限性。Markov模型支持土地利用變化的數量預測，而無空間特征；CA模型則具有較強的空間概念和模擬復雜空間系統時空動態演變的能力[15]。IDRISI軟件中的CA-Markov模型綜合了Markov模型定量化預測的優勢和CA模型模擬復雜系統空間變化的能力，能從數量和空間兩方面較好地進行土地利用變化時空格局模擬，具有較大的科學性和實用性[16]。

利用Logistic回歸分析模型定義CA的轉換規則，三者結合形成Logistic-CA-Markov模型。

4 土地利用變化模擬與預測

4.1 Logistic-CA-Markov模擬過程

通過Logistic回歸模型得到的分布適宜圖作為CA的轉換規則，利用IDRISI軟件中的CA-Markov模塊模擬青島市土地利用變化，過程如下：

(1) 生成土地利用轉移矩陣。基于IDRISI軟件的Markov模塊，疊加2000年、2011年的土地利用類型圖，并將間隔時間和預測時間周期設置為11a，比例誤差設置為0.15，得出土地利用轉移概率和轉移面積矩陣。

(2) 創建土地轉變適宜性圖像集。采用Logistic模型對各土地利用類型與7個驅動因子進行分析，構建回歸方程，并用ROC驗證。經ROC檢驗，各土地利用類型的ROC值分別是城鄉、工礦、居民用地0.915 4、耕地0.902 7、林地0.973 3、未利用土地0.887 8、水域0.864 5、草地0.786 1，均大于0.7，說明模擬效果較好，驅動因子能較好地解釋各地類的空間分布。運用Logistic逐步回歸對每一柵格單元可能出現的某一種土地利用類型的概率進行診斷得到各土地利用類型的空間分布概率圖。利用IDRISI的collectioneditor將Logistic回歸得到的各土地利用類型的適宜性圖組合為適宜性圖像集(.rgf)，作為CA的轉化規則。

(3) 設置參數。在IDRISI的CA-Markov模塊，以2000年為預測起始年，選取元胞周圍5×5的矩陣構成CA濾波器，設置間隔迭代為11年，模擬得到2011年土地利用分布圖。

4.2 模擬精度檢驗

目前還沒有統一的方法對CA-Markov模擬的結果進行精度驗證，但較常用的有全數檢驗法和隨機檢驗法。隨機檢驗法適合于驗證對象較均勻，代表性強且覆蓋面積較大的情況，由于樣本的選取是隨機的，存在一定的偏差，而全數檢驗法可以檢驗到參與模擬的每一個單元，可信度高，但是計算冗繁，計算時間要求長。考慮青島市面積適中，數據量較小，故采用全數檢驗法。將2011年土地利用的模擬結果與2011年土地利用的解譯結果進行求差柵格運算，前后一致的區域求差后地類編碼屬性為0，最后提取出地類編碼值為0的柵格數除以研究區域總柵格數，即得模擬精度94.27%(表1)，反映出該模擬結果可信度較好，利用CA-Markov模型預測土地利用類型具有較好的可靠性、適用性[17]。

表1 2011年預測精度對比

4.3 未來土地變化預測

以2011年為預測起始年，選取元胞周圍5×5的矩陣構成CA濾波器，設置間隔迭代為11年，模擬得到2022年土地利用分布圖，以2022年土地利用圖為基線，取11次建立2033年土地利用分布圖(附圖7)。

根據Logistic-CA-Markov模型預測，到2022年青島市耕地、林地、草地、水域、未利用土地和城鄉、工礦、居民用地的面積分別為5 832.50，1 061.72，892.95，316.72，54.57，2 871.27 km2。預測結果表明，2022年土地利用分布表現在城鄉、工礦、居民用地明顯增加，比2011年增加5.48%；林地和草地少量增加，分別比2011年增加0.41%,0.14%；而耕地、水域、未利用土地面積不同程度的減少，分別比2011年減少5.15%，0.76%，0.12%，其中耕地面積減少更為明顯。根據預測，青島市的耕地、林地、草地、水域、未利用土地和城鄉、工礦、居民用地的比例由2022年的52.88%，9.63%，8.1%，2.87%，0.49%，26.03%，到2033年則變成了46.16%，10.00%，8.96%，2.66%，0.43%，31.79%。2022—2033年期間青島市土地利用格局繼續保持著2011—2022年的變化趨勢，總體上表現為城鄉、工礦、居民用地仍呈擴張態勢，但是沒有2011—2022年擴張明顯，同時，耕地、水域、未利用土地面積仍不斷減少，減少幅度相對降低。

5 結 論

近年來，隨著經濟發展和人類活動的影響，青島市土地利用格局發生很大變化，科學把握土地利用變化的趨勢顯得尤為重要，本研究利用Logistic-CA-Markov模型模擬和預測了2022年、2033年的土地利用結構的變化，結果表明：通過對青島市2011 年土地利用類型動態變化進行模擬，驗證其模擬精度可達94.27 %，接著對2022年、2033年進行了預測，預測結果顯示2011—2022年土地利用將繼續保持2000—2011年的變化趨勢，表現出耕地、水域、未利用土地面積減少，林地、草地以及城鄉、工礦、居民用地面積增加。2033年城鄉、工礦、居民用地面積仍然增加，但是增加速率明顯小于2011—2022年。

由于一些社會經濟數據的欠缺，只選取了海拔高度、地形起伏度、距城鎮中心的距離、距海岸線的距離、道路密度、人口密度、GDP密度7個因子作為約束條件進行模擬，未考慮更多其他可能的潛在影響因素，如人口數量的快速增長、政府相關的調控政策都會影響青島市的土地利用格局。因此，在今后的研究中，要加強對這些潛在影響因子的研究，以及采用更高分辨率的影像，預測結果將會更加準確。

[1] Yadav V, Malanson G. Spatially explicit historical land use land cover and soil organic carbon transformations in Southern Illinois[J]. Agriculture, Ecosystems & Environment,2008,123(4):280-292.

[2] 何春陽,史培軍,陳晉,等.基于系統動力學模型和元胞自動機模型的土地利用情景模型研究[J].中國科學D輯:地球科學,2005,35(5):464-473.

[3] 熊利亞,常斌,周相廣.基于地理元胞自動機的土地利用變化研究[J].資源科學,2005,27(4):38-43.

[4] Zheng X Q, Zhao L, Xiang W N, et al. A coupled model for simulating spatio-temporal dynamics of land-use change: A case study in Changqing, Jinan, China[J]. Landscape and Urban Planning,2012,106(1):51-61.

[5] Célia G R, Carolina G A, Cássio G C, et al. A multi-agent model system for land-use change simulation[J]. Environmental Modelling & Software,2013,42(4):30-46.

[6] 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.

[7] Tayyebi A, Pijanowski B C, Tayyebi A H. An urban growth boundary model using neural networks, GIS and radial parameterization: An application to Tehran, Iran[J]. Landscape and Urban Planning,2010,100(1/2):35-44.

[8] 黎夏,葉嘉安.基于神經網絡的單元自動機CA及真實和優化的城市模擬[J].地理學報,2002,57(2):159-166.

[9] 鄧祥征.土地系統動態模擬[M].北京:中國大地出版社,2008.

[10] 張顯峰,崔偉宏.集成GIS和細胞自動機模型進行地理時空過程模擬與預測的新方法[J].測繪學報,2001,30(2):148-155.

[11] 邢容容,劉樂軍,馬安青.青島市1990—2011年土地利用/覆被變化研究[J].水土保持通報,2013,33(3):220-225.

[12] 劉榮,高敏華,謝峰.基于Logistic回歸模型的土地利用格局模擬分析:以新疆吐魯番市為例[J].水土保持研究,2009,16(6):74-78.

[13] 王美霞,任志遠,王永明.千河流域土地利用空間格局模擬及其影響因素分析[J].測繪科學,2013,38(4):34-36.

[14] 黎夏,葉嘉安,劉小平,等.地理模擬系統:元胞自動機與多智能體[M].北京:科學出版社,2007.

[15] 吳莉,侯西勇,徐新良,等.山東沿海地區土地利用和景觀格局變化[J].農業工程學報,2013,29(5):207-216.

[16] 鄢鐵平,廖煒,李璐,等.丹江口庫區土地利用結構與格局優化[J].水土保持研究,2012,19(1):11-15.

[17] 吳季秋,俞花美,肖明,等.基于CA-Markov模型的海灣土地利用動態預測[J].環境工程技術學報,2012,2(6):531-539.

DynamicSimulationofLandUseChangeinQingdaoCityBasedonLogistic-CA-MarkovModel

XING Rong-rong1,2, MA An-qing1, ZHANG Xiao-wei1, YU Xin-xin1, MA Bing-ran1

(1.CollegeofEnvironmentalScienceandEngineering,OceanUniversityofChina,Qingdao,Shandong266100,China; 2.QinhuangdaoMineralResourcesandHydrogeologicalBrigade,HebeiGeologicalProspectingBureau,Qinhuangdao,Hebei066001,China)

The study of land use change of rapid coastal areas and prediction of future trends can provide a reference for rational utilization and allocation of land resources. Qingdao City was taken as the study area. The land use scenario in 2011 was simulated and forecasted on the basis of land use type interpretation of 2000 and 2011, DEM, population, GDP and range of distance data by means of Logistic-CA-Markov model. Results showed that the simulation accuracy by this model was 94.27%. So the fitting accuracy will be higher by using this model. Then distribution of land use spatial patterns in 2022 and 2033 were forecasted. The simulated result by Logistic-CA-Markov model indicated that each land use type from 2011 to 2022 would keep the similar change trend as that from 2000 to 2011. Farm land, water and unused land area would decrease, while the areas of forest, grassland, rural, urban, mining and residential would increase. The rural, urban, mining and residential areas will increase from 2022 to 2033 slowly compared to that from 2011 to 2022. It is concluded that the proposed model in the paper had high accuracy in terms of simulating complex land use changes and could be used to simulate the multiple land use evolution. And this study provides not only basis of land planning, management and decision, but also realistic significance to protect and improve the ecological environment.

land use change; dynamic simulation; Logistic-CA-Markov model; Qingdao City

2013-10-31

：2013-12-08

我國近海海洋綜合調查與評價專項課題“山東江蘇海島海岸帶衛星遙感調查與研究”(908-01-WY02)

邢容容(1989—),女,山東省聊城市人,碩士研究生,研究方向為GIS與RS在環境工程中的應用。E-mail:rrxing01@163.com

馬安青(1970—),男,安徽太和縣人,博士,主要從事地理信息系統與遙感的研究與應用。E-mail:maanqing538@sina.com

F301.2;P901

：A

：1005-3409(2014)06-0111-04