青島市土地利用演化驅動力因素分析

凌 濤，李 鵬，左小清*

(1.昆明理工大學國土資源工程學院，云南昆明 650093；2.大連理工大學城市學院，遼寧大連 116600)

?

青島市土地利用演化驅動力因素分析

凌 濤1，李 鵬2，左小清1*

(1.昆明理工大學國土資源工程學院，云南昆明 650093；2.大連理工大學城市學院，遼寧大連 116600)

摘要在RS和GIS技術支持下，首先，以青島市1986、2000和2006年3期遙感影像為基礎，以谷歌地圖為參考，對3期遙感影像進行分類處理，提取出了同時期的土地利用數據。其次，利用數學模型對1986～2006年青島市土地利用數量變化、土地利用速度變化、土地利用程度變化等方面進行了分析。再次，結合同期青島市社會經濟統計資料，應用主成分分析法得到了影響青島市土地利用發生變化的主要社會經濟驅動力因子，計算得出青島市社會經濟驅動力指數，指出社會經濟因素對土地利用的驅動力呈不斷上升的趨勢；應用多元線性回歸分析法建立了青島市水域、林地、建筑用地和耕地的社會經濟驅動力模型，得到了影響每種土地利用類型的社會經濟因子。最后，運用Markov模型預測了2012～2030年青島市的土地利用變化趨勢。

關鍵詞遙感；土地利用變化；驅動力；主成分分析；Markov模型

改革開放以來，我國城市化水平不斷提高，城市在發展的過程中呈現向四周擴張的趨勢，不可避免地會占用其他的土地資源，盲目擴張嚴重地威脅生態安全。研究城市土地利用發展變化的過程，對科學合理地規劃城市發展的方向具有重要意義。筆者采用青島市1986、2006年的TM影像和2000年的ETM影像，利用相關數學模型作為理論基礎，應用統計分析、回歸分析等方法，通過查找資料結合已有數據對青島市的土地利用情況進行定量分析和定性分析。分析了青島市土地利用動態變化[1]，研究了影響青島市土地利用變化的社會經濟因素，運用主成分分析得到了青島市土地利用變化驅動力的綜合得分，運用回歸分析建立了青島市4大土地利用類型的社會經濟驅動力模型，并運用Markov預測模型[2]預測了2012～2030年青島市土地利用變化的發展趨勢。

1研究區概況與數據來源

1.1研究區概況青島市屬于沿海丘陵城市，其地勢東高西低，南北隆起，中間低凹，其中丘陵、山地、平原、洼地的面積分別占全市面積的25.1%、15.5%、37.7%和21.7%。全市海岸包括泥質粉砂岸、山基巖岸及基巖砂礫質岸等3種基本類型，近海海底則擁有現代水下三角洲、水下淺灘及海沖蝕平原等。青島市處于北溫帶季風區域，市區氣候受到海洋環境的調節，東南季風、洋流、水團影響導致青島市有具有鮮明的海洋氣候特點，空氣濕度大，雨水充足，溫度適宜，季節特點明顯。青島市共有3大水系，分別為大沽河、北膠萊河以及沿海諸河流，囊括224條河流，多為獨立入海的山溪性小河，其中有33條流域在100 km2以上。作為山東半島城市群的中心城市，青島市大力發展總部經濟、品牌經濟、研發中心、信息服務業、會展經濟、商貿流通以及各種生產性服務業，為發展全省經濟搭建了高端平臺。其所在的山東半島經濟區(8市)經濟總量高達2.6萬億，僅次于珠三角、京津唐和長三角經濟區，居全國第四位，青島市下屬及周邊共有19個縣入圍全國百強縣。

1.2數據來源與預處理該研究所采用的數據是Landsat5和Landsat7的影像數字產品，成像時間分別是1986年9月18日、2000年9月16日和2006年10月27日。其中1986和2006年的影像質量較好，2000年的影像質量稍差。該研究使用波段4(紅)，波段5(綠)，波段3(藍)組成假彩色合成影像[3]，深藍色、褐色、藍色、綠色一級波普信息分別表示水域、林地、建筑用地、耕地。在ERDAS中，以2000年的影像為參考，采用二次的多項式(Polynomial)幾何校正模型[4]對1986年和2006年的影像進行配準。

根據遙感影像的實際可解譯能力和青島市土地利用的特征，并參考2007年8月5日開始頒布執行的 《土地利用分類》國家標準，將青島市土地利用類別分為水域、林地、建筑用地、耕地4大類。

然后將要處理的圖像執行非監督分類，并進行分類評價[5]，檢查所分得類別的精度，再將分類后的圖像進行重編碼等操作，得到1986和2000年青島市土地利用專題(圖1)。

圖1　1986和2000年青島市土地利用專題分類圖像Fig.1　The specific classification image of land use in Qingdao City in 1986 and 2000

2青島市土地利用變化分析

土地利用變化分析有眾多的衡量指標，該研究根據自身需要，結合數據實際情況，選取了土地利用數量、速度、程度等方面的指標對1986、2000、2006年的青島市土地利用遙感解譯結果進行了分析。

2.1土地利用數量變化分析土地面積的變化是區域土地利用類型變化的主要體現方式，而面積變化最直接的表現是土地數量的變化[6]，通過對一種土地類型數量變化的分析，能進一步了解這種土地類型在態勢和結構上的變化[7]。

該研究以數據預處理所得分類數據為基礎，計算出青島市1986、2000和2006年土地利用類型面積變化與比例變化，結果見圖2和表1。由圖2可知，1986～2006年青島市4大用地類型都發生了不同程度的變化：水域和林地先增加后減少，但是變化幅度較小，基本保持不變；建筑用地呈增加趨勢；耕地呈減少趨勢。

圖2　1986、2000、2006年青島市土地利用面積對比Fig.2　Land use area of Qingdao City in 1986，2000 and 2006

從表1可以看出，1986年青島市耕地所占比重最大，占所有用地類型的48%；其次就是水域，占總面積的11%；林地和建筑用地占的比重最低，分別是14%和17%。到2000年，耕地占的比重依然是最大，占30%，但是相比1986年，已經大幅度下降，降低了18個百分點；建筑用地與耕地占的比重相同，也是30%，比1986年增長了13個百分點；水域和林地略有增加，分別是1個和4個百分點。2006年耕地所占比重保持不變，建筑用地相比2000年增加了4個百分點，達到了34%，水域和林地變化依然不大，相比2000年分別降低了2個百分點。

表1　1986、2000和2006年青島市土地利用結構

2.2土地利用速度變化分析土地利用擴展速度表示整個研究時期內不同階段土地利用擴展的年增長面積[8]，公式為：

(1)

式中，V為某種土地利用類型的擴展速度；Ua和Ub分別為研究時期初和研究時期末某一種土地利用類型的數量；T為研究時長，當T為年時，V的值就是該區域某一種土地利用類型年變化率。

根據公式(1)計算得到1986～2006年分時段的青島市土地利用擴展速度，結果見表2。

表21986～2006年青島市土地利用擴展速度

Table 2Expansion speed of land use in Qingdao City in 1986-2006

hm2/a

從表2可以看出，1986～2006年青島市增長速度最快的建筑用地，每年增加1 370 hm2，減少速度最快的是耕地，每年減少1 376 hm2，水域每年減少112 hm2，林地每年增加119 hm2。其中，1986～2000年，建筑用地增加速度高于平均水平，而耕地減少速度比平均速度要大得多，也就是說耕地主要是在這14年間減少的，而水域在這一時期的增加速度為每年33 hm2，林地的增長速度為每年460 hm2；2000～2006年，建筑用地依然保持每年1 114 hm2的高速增長，耕地開始略有增加，但速度僅為每年19 hm2，水域和林地分別以每年450和677 hm2的速度減少。

2.3土地利用程度變化分析土地利用程度綜合指數指的是一國或地區全年農作物的播種總面積與耕地總面積的百分比，其是反映耕地利用程度的指標。其數值越大說明土地的開發程度越大，反之則說明土地的開發程度越小。研究區域土地利用程度綜合指數表達式如下：

(2)

式中，La為某研究區域土地利用程度的綜合指數；A為第i級土地利用程度的分級指數；Ci為研究區域第i級土地利用程度分級面積的百分比；n為土地利用程度的分級指數。

將遙感影像的解譯結果代入公式(2)，經計算得出，1986、2000、2006年青島市土地利用程度綜合指數分別為281、290和299。1986～2006年青島市土地利用程度一直維持在較高水平，并且利用程度不斷增高。從土地利用類型的面積變化上看，1986～2006年青島市除了水域和林地變化較為平穩外，建筑用地面積在快速持續增長，耕地面積在快速持續降低，建筑用地在一直侵占耕地的面積。人口增長不但需要建筑用地，過量的人口更需要糧食等產品，由此引發的人地矛盾只是城市擴張過程中眾多生態問題中的一種。因此在土地開發利用的過程中，應優化土地資源配置。

3土地利用變化主導驅動力分析

土地利用變化驅動力是指對土地利用方式和目的變化具有重要影響的自然和社會因素[9]，是土地利用變化的動力源。土地利用及其變化受到社會、經濟、自然等諸多因素的影響。

3.1驅動力分析方法青島市是山東半島城市群的中心城市，社會經濟因素影響較大；通過遙感影像分析發現1986～2006年青島市自然因素變化較小，而且自然因素本身難以量化，故該研究僅基于社會經濟數據，采用主成分分析的方法，對青島市的政經結構、貧富狀況、人口變化、技術變化、經濟增長和價值觀念等社會經濟驅動力進行分析。

具體分析步驟包括數據的標準化處理，計算相關系數矩陣并計算特征值和特征向量，計算貢獻率和累積貢獻率進而確定主成分，最后計算因子荷載矩陣[10]。結合1986～2006年青島市土地利用演化特征及現有的統計資料，從影響土地利用變化的社會經濟眾多因素中選出有代表性的14個因子，具體見表3。

表3　土地利用變化驅動因子

經過標準化處理得出變量相關系數矩陣(表4)、特征值及各主成分的貢獻率與累計貢獻率(表5)。

表4　變量相關系數矩陣

從表4可以看出，X1、X5、X6、X7、X10、X11、X12之間相關系數在0.9以上，信息上存在一定的重疊；農業人口(X13)與總人口(X1)、固定資產投資(X5)、國內生產總值(X6)、工業總產值(X7)、地方財政收入(X10)、農民人均純收入(X11)、社會消費品零售總額(X12)之間相關系數為-0.9以下，信息不存在或存在較少的重疊。

表5　主成分特征值及貢獻率

主成分分析就是要提取出特征值大于1，累積貢獻率大于等于85%的主成分。由表5可以看出，根據計算得到的14個主成分中的前2個已經滿足要求，能代表青島市土地利用變化的整體情況。因此，提取前2個主成分，由此得到的主成分載荷距陣見表6。

表6　主成分荷載矩陣

每個主成分所反映的信息要看主成分因子在其主成分中載荷絕對值的大小，載荷絕對值越大的因子越能代表主成分的內容。從表6可以看出，在第一主成分上，總人口(X1)、固定資產投資(X5)、國內生產總值(X6)、工業生產總值(X7)、糧食總產量(X9)、地方財政收入(X10)、農民人均收入(X11)、社會消費品零售總額(X12)、農業人口(X13)、人均GDP(X14)等的載荷絕對值均高于0.9，這說明第一主成分基本表達了這些信息；而在第二主成分上，第二產業產值占國內生產總值比(X3)、第三產業產值占國內生產總值比(X4)的荷載絕對值高于0.9，說明第二主成分基本表達了這些信息。

3.2驅動力指數分析經上述分析得出2個主成分，這2個主成分已經基本包含了選取的所有社會經濟因子，以此為基礎，求出社會經濟驅動力指數，主成分表達式如下：

Fi=a1iZX1+a2iZX2+…+apiZXp

式中，Fi為第i個主成分表達式；a1i，a2i，…，api(i=1，2，…，m)為特征向量；ZX1，ZX2，…，ZXp，為標準化處理后的原始變量。

由上述公式對標準化后的數據進行計算，得出主成分1和主成分2的表達式，并進行加權計算，得到1986～2006年青島市土地利變化社會經濟驅動力綜合指數，結果見圖3。

圖3　1986～2006年青島市土地利用變化社會經濟驅動力綜合指數趨勢Fig.3　Composite index trend of the social and economic driving force of land use change Qingdao City in 1986-2006

從圖3可以看出，1986～2006年青島市社會經濟驅動力指數基本呈現不斷上升的趨勢，其中1986～1998年的值小于0，1999～2006年的值大于0。社會經濟驅動力對青島市土地利用變化的驅動過程可以分為2個階段，1986～1998年為第一階段，雖然這個階段的驅動力綜合指數為負，但是驅動力綜合指數卻在緩慢增加，這說明在這期間，社會經濟因素對土地利用變化的驅動力在緩慢增強；第二個階段為1999～2006年，這個階段的驅動力綜合指數增加較為快速，增加量是第一階段的2倍多，而時間跨度卻縮短1/2，說明在此期間，社會經濟因素對土地利用變化的驅動力在迅速增加。

3.3多元線性回歸分析對促進土地利用演化的社會經濟因素進行主成分分析，只是從全局上總體分析了青島市社會經濟驅動力的情況，而每一個社會經濟因子對于哪一個地類起作用，或者某一地類到底由哪幾種社會經濟因子驅動卻難以看出。該研究運用SPSS軟件對不同社會經濟因子與不同土地利用類型進行了多元線性回歸分析[11]，并建立了相應模型。

3.3.1水域模型。在R2=0.957，通過10%顯著性檢驗的條件下，得到水域模型如下：

Y=-9.50×10-16-0.998ZX5+0.565ZX8+0.353ZX6

根據GB/T 27404-2008《實驗室質量控制規范食品理化檢測》，用陰性樣品連續測定24次后，計算出24次測定的平均值和標準偏差（SD）。再根據檢測限（LOD）=平均值+2×SD，計算檢測限；定量限（LOQ）=平均值+10×SD，計算定量限。

由回歸模型可知，青島市水域變化的驅動力因子分別為固定資產投資、農林漁牧業生產總值和糧食總產量。

3.3.2林地模型。在R2=0.931，通過10%顯著性檢驗的條件下，得到林地模型如下：

Y=-1.82×10-15-2.207ZX1-0.542ZX2+0.384ZX3-2.091ZX5+3.418ZX6+0.912ZX8+2.138ZX10-1.943ZX14

由上式可知，青島市林地變化的驅動力因子分別為總人口、第一產業產值比例、第二產業產值比例、固定資產投資、國內生產總值、農林牧漁總產值、地方財政收入、人均GDP。

3.3.3建筑用地模型。在R2=0.949，通過10%顯著性檢驗的條件下，得到建筑用地模型如下：

由上式可知，青島市建筑用地變化的驅動力因子分別為總人口、第一產業產值比例、第二產業產值比例、固定資產投資、國內生產總值、農林牧漁總產值、地方財政收入、人均GDP。

3.3.4耕地模型。在R2=0.940，通過10%顯著性檢驗的條件下，得到耕地模型如下：

Y=-1.34×10-15+1.992ZX1+0.491ZX2-0.317ZX3+1.291ZX5-2.670ZX6-0.626ZX8-1.831ZX10+1.497ZX14

由上式可知，青島市耕地變化的驅動力因子分別為總人口、第一產業產值比例、第二產業產值比例、固定資產投資、國內生產總值、農林牧漁總產值、地方財政收入、人均GDP。

3.4土地利用變化趨勢預測土地利用變化趨勢預測有很多種方法，諸如Markov預測法、灰度值預測法、CA-Markov預測法等。該研究結合實際情況，采用Markov預測法[12]對青島市土地利用變化的趨勢進行預測，大體把握青島市的土地動態發展狀況，為土地的宏觀調控提供支持。

一個系統在當前的狀態下轉移到另一個狀態的過程中，存在轉移轉移概率，這個轉移概率只與它當前狀態有關，與它以前的狀態無關，這一過程就是Markov隨機過程。

該研究運用ERDAS軟件構建了1986～2000年和2000～2006年的土地利用轉移矩陣，見表7和表8。

表7　1986～2000年青島市土地利用轉移矩陣

表8　2000～2006年青島市土地利用轉移矩陣

Markov鏈對在短期內預測土地利用變化趨勢是有效的[12]。該研究運用Markov模型預測2006～2030年青島市土地利用變化。用2000～2006年的土地利用轉移矩陣構造轉移概率矩陣，以2000年各土地利用類型所占比例作為初始矩陣進行預測。

表9　2000～2006年青島市土地利用轉移概率矩陣

1986～2006年青島市4種土地利用類型之間相互轉換，根據Markov模型的理論和方法，以2000年各土地利用類型的比例作為初始向量，為了方便計算以6年為步長進行預測，結果見表10。

表102012～2030年青島市土地利用結構變化預測

Table10ThepredictionoflandusestructurechangeinQingdaoCityfrom2012to2030

%

由表10可知，2012～2030年青島市水域面積不斷減少，林地面積幾乎保持不變，建筑用地面積不斷擴大，耕地面積在緩慢擴大。在應用Markov模型預測過程中，轉移概率矩陣是固定不變的，但是實際上，土地利用變化的過程是非常復雜的，人口、政策等因素都會導致轉移概率矩陣的變化，因此，此預測結果僅作為參考。

4結論

該研究以青島市1986、2000和2006年3期遙感數據為基礎，結合谷歌地圖解譯出青島市3期土地利用現狀圖，并應用一些數理統計模型，以遙感解譯數據為基礎，詳細分析了1986～2006年青島市土地利用的數量、速度和程度的動態變化特征。應用SPSS軟件針對篩選出的社會經濟因子進行了分析，建立了水域、林地、建筑用地、耕地的社會經濟因素驅動力模型，并定性分析了引起青島市土地利用變化的人口因素和經濟因素。最后運用Markov模型對2012～2030年青島市土地利用變化趨勢進行了預測。主要結論如下：

(1)1986～2006年青島市土地利用變化巨大，建筑用地面積增加，耕地面積減少是青島市土地利用變化的最大特點。具體表現為建筑用地增加了27 398hm2，增加量幾乎為原來的1倍，耕地面積減少最為劇烈，減少量為27 515hm2，相當于減少了原來的1/3，相比之下水域和林地變化不大。

(2)運用主成分分析方法，得到青島市土地利用變化的驅動力因子綜合得分，變化曲線為逐漸上升，說明社會經濟因素驅動力對土地利用變化的作用力在逐年增強。運用多元線性回歸分析方法，建立了青島市水域、林地、建筑用地、耕地的社會經濟因素驅動力模型，分析了青島市人口因素和經濟因素對城市發展擴張的影響。

(3)運用Markov模型，以2000年土地利用結構為初始矩陣，以6年為步長，預測了青島市2012、2018、2024和2030年各土地利用類型發展趨勢，預測結果顯示，2030年青島市水域、林地、建筑用地和耕地的比例分別為15.99%、14.28%、38.30%和31.34%。

參考文獻

[1] 李瑞俊，孫希華，李平.基于遙感和GIS的青島市土地利用動態變化分析[J].山東師范大學學報(自然科學版)，2005，19(4)：50-52.

[2] 楊燦，楊敏華，汪齊松.基于灰色馬爾科夫鏈預測系統的設計與實現[J].測繪科學，2009，34(6)：182-183.

[3] 譚熊，余旭初，張鵬強，等.基于MKSVM和MRF的高光譜影像分類方法[J].國土資源遙感，2015，27(3)：42-46.

[4] 趙涌泉，單小軍，唐娉.低空間分辨率多源遙感數據的空間一致性分析和相對幾何校正[J].遙感技術與應用，2014，29(1)：155-163.

[5] 陳超，江濤，岳遠平.監督分類和目視修改相結合在高分辨率遙感影像中的應用[J].國土資源信息化，2009(5)：37-40.

[6] 管東生，董文福，宋巍巍.珠江三角洲的土地利用變化研究[C]//中國地理學會自然地理專業委員會.自然地理學與生態建設.北京：氣象出版社，2006.

[7] 張楊，劉艷芳，丁慶，等.1996-2006 年武漢市土地利用/覆被變化研究[J].生態環境學報，2010，19(11)：2534-2539.

[8] 蒲光昕，李玲琴，柏家平，等.西寧市城市用地時空擴展研究[J].國土資源科技管理，2011，28(4)：19-24.

[9] 擺萬奇，趙士洞.土地利用變化驅動力系統分析[J].資源科學，2001，23(3)：39-41.

[10] 張金祿，王英杰，余卓淵，等.自適應地圖符號模型與原型系統的實現[J].地球信息科學學報，2009(11)：469-474.

[11] 蔡宏，何政偉，安艷玲，等.基于遙感和GIS的赤水河水質對流域土地利用的響應研究[J].長江流域資源與環境，2015，24(2)：286.

[12]AL-SHARIFAAA，PRADHANB.MonitoringandpredictinglandusechangeinTripoliMetropolitanCityusinganintegratedMarkovchainandcellularautomatamodelsinGIS[J].Arabianjournalofgeosciences，2014，7(10)：4291-4301.

[13] 王群，王萬茂.中國大陸地區土地利用結構研究進展[J].中國土地科學，2015(8)：10-15.

作者簡介凌 濤(1990- )，男，河南睢縣人，博士研究生，研究方向：3S集成原理及應用。*通訊作者，教授，博士，碩士生導師，從事數據挖掘和遙感圖像處理研究。

收稿日期2016-04-08

中圖分類號F 293.22；TP 79

文獻標識碼A

文章編號0517-6611(2016)13-257-06

Analysis of Evolution Driving Force Factor of Land Use in Qingdao City

LING Tao1, LI Peng2, ZUO Xiao-qing1*

(1. School of Land Resources Engineering, Kunming University of Science and Technology, Kunming, Yunnan 650093; 2. City Institute, Dalian University of Technology, Dalian, Liaoning 116600)

AbstractBased on RS and GIS technology, the remote sensing images in 1986, 2000 and 2006 of Qingdao City were chosen as the base data. Firstly, with Google map as the reference, the remote sensing images of the three phases were classified; and the land use data in the same period was extracted. Secondly, corresponding mathematical model was used to analyze the land use quantity change, land use speed change and land use degree change in the 20 years in Qingdao City. Thirdly, based on the social and economic statistical data in Qingdao in the 20 years, main social economic driving force factors of land use change in Qingdao City was obtained by principal component analysis; the social and economic driving force index in Qingdao was calculated in the 20 years. It was proved that the driving force of social and economic driving force to land use showed an increasing rising trend in the 20 years. The social economic driving force model of waters, forest land, construction land and cultivated land in Qingdao was established by the multivariate regression analysis method. And the social and economic factor affecting each and use type was obtained. Finally, land use change trend of Qingdao City was forecasted in future 24 years under the support of Markov model.

Key wordsRemote sensing; Land use change; Driving force; Principal component analysis; Markov model