太湖流域建設用地與耕地景觀時空演變及驅動力

王 芳,陳芝聰,謝小平

曲阜師范大學地理與旅游學院, 日照 276826

景觀生態學中,景觀是由不同類型生態系統鑲嵌組成、具有重復性格局和高度空間異質性的地理單元[1- 2],是具有異質性和斑塊性的空間單元[3]。景觀格局即形狀不一、大小不同的景觀要素在空間上的排列和組合,表示景觀組成單元的類型、數目及空間分布與配置,是景觀異質性的空間表現[4]。景觀格局及其時空動態變化研究是景觀生態學研究的核心內容和熱點問題之一[5- 8]。隨著城市化進程的推進,建設用地不斷擴張,耕地被大量占用。耕地作為最基本的土地資源,在城市化進程中的日益縮減將會對區域生態系統協調帶來一定影響[9],而建設用地的空間擴展又是城市化的顯著特征[10]。因此建設用地與耕地景觀的時空演變成為景觀格局研究的熱點領域,國內外學者已開展了大量單獨研究建設用地與耕地景觀時空演變及驅動機制等方面的學術工作[11- 15]。

景觀格局具有等級性,這主要取決于景觀格局對尺度的依賴性,景觀格局的尺度效應是正確認識景觀格局的前提[16- 17]。梯度分析法能夠較好展示研究對象在空間上的分布規律,進而更好地分析其在時間維上的演變。近來不少學者將景觀生態學與梯度分析相結合,但是多數景觀梯度研究是基于樣帶[16- 21]來開展,對于整個研究區的景觀梯度研究較少。景觀格局演變驅動機制分析也是當前研究的熱點[22],在多種驅動因素定量分析方法中,Logistic回歸模型分析具有變量解釋性強等特點[23],能夠更好的分析多自變量與單一因變量之間的關系[24]。CLUE-S模型在模擬多種景觀類型之間的競爭轉移關系上具有顯著優勢[25- 26],且可進行不同情景模擬預測[27- 28],更好地實現對未來景觀格局的空間表達。鑒于此,本文借助格網化技術,通過景觀梯度、動態變化分析及Logistic回歸模型法,揭示了太湖流域2000—2015年間建設用地與耕地景觀格局時空演變特征及驅動機制,進一步基于CLUE-S模型對不同情景下未來景觀格局模擬預測,分析兩種景觀類型的時空演變差異,從而為太湖流域土地管理決策、可持續利用與發展及城市規劃建設提供一定的借鑒與參考。

1 研究區狀況及研究數據源

1.1 研究區概況

太湖流域地處119°11′—121°53′E,30°28′—32°15′N之間,是長江三角洲地區的核心區域,三面臨江濱海一面環山,北抵長江,南與錢塘江、杭州灣毗鄰,東臨東海,西依天目山、茅山,面積約3.69萬km2。行政區劃范圍包括江蘇省蘇南地區,浙江省的嘉興、湖州二市及杭州市的一部分,上海市的大部分(圖1)。太湖流域地處亞熱帶,屬于亞熱帶季風氣候,夏季高溫多雨、冬季溫和濕潤。地勢西高東低,東部為平原,西側為山地丘陵,呈碟狀[29-30]。自然植被以亞熱帶常綠闊葉林為主,其間也分布有落葉闊葉林及竹林等,主要分布于丘陵、山地。2000年流域總人口4313萬人,人口密度超過全國平均值的6倍,人均耕地面積僅0.04hm2,只及全國平均水平的40%。太湖流域自然條件優越,經濟基礎雄厚,人口密集,市場廣闊,基礎設施和投資環境較好,是我國城市化進程和社會發展最迅速的地區之一。

1.2 數據來源及處理

本文以2000、2010及2015年的土地利用數據集為數據源,2000年和2010年數據來源于國家地球系統科學數據共享平臺(http://www2.geodata.cn/)。以共享平臺原有數據作為分類參照樣本,結合太湖流域實際情況、景觀特征及研究目的,借助地理空間數據云(http://www.gscloud.cn/)Landsat8 OLI遙感影像,對遙感數據進行輻射定標、大氣校正,再對其進行基于CART決策樹分類,精度檢驗在83%以上,最終解譯出2015年太湖流域景觀類型數據(圖2)。參考國土資源部2007年頒發的《第二次全國土地調查規程》(TD/T1014—2007)[31]及太湖流域景觀特征、研究目的,根據共享平臺原有數據的分類類別,將研究區分為耕地、林地、草地、建設用地、水域、未利用土地6類一級類型,以此對研究區建設用地與耕地的景觀空間梯度分布特征及時空演變進行研究分析。

本著驅動因子選取具有科學性、代表性與可獲取性的原則,選取9個驅動因素構建Logistic驅動因子數據庫。DEM數據來源于地理空間數據云的ASTER GDEM V2全球數字高程數據,利用DEM數據提取得到坡度數據;GDP與人口數據來源于中國科學院資源環境科學數據中心(http://www.resdc.cn/);基于中國基本地理信息數據獲得距縣市距離、距鐵路距離、距高速距離、距縣道距離及距河流距離。本文對2000—2010年、2010—2015年兩個時間段內的建設用地轉入與耕地轉出變化進行建模分析,對發生變化與未變化景觀分別賦值為1、0,將驅動因子空間處理后柵格化,提取具有空間一致性的多層柵格屬性數據,借助SPSS進行Logistic驅動機制分析。

圖2 太湖流域景觀類型斑塊分布圖Fig.2 Distribution of landscape types patches in Taihu Lake BasinⅠ: 耕地Cultivated land; Ⅱ: 林地Forestland; Ⅲ: 草地Grassland; Ⅳ: 建設用地Construction land; Ⅴ: 水域Waters; Ⅵ: 未利用土地Unused land

2 研究方法

2.1 格網法

通過對研究區建立格網,能夠把研究區內的某一景觀類型縮小到單個研究格網之上,而不是將其均勻地分散到整個研究區上,從而彌補了以流域平均值來表達整個流域景觀分布的不足,更加合理地分析流域景觀時空演變特征[32]。格網分析方法與方格網大小密切相關,具有尺度效應[33]。參考相關格網景觀生態學研究[34- 35],最佳景觀樣本面積是平均斑塊面積的2—5倍,確定6km×6km格網為基本評價單元。

2.2 景觀梯度

景觀梯度是指單位格網面積內某一景觀類型的面積占有率,能很好地反映景觀變化特征及趨勢[36- 38]。景觀梯度值越大表明某種景觀類型分布越密集,景觀梯度值的時空變化特征反映了某一景觀的受干擾過程及退化趨勢[36],其表達式為：

(1)

式中,DI為某景觀類型梯度值,CA為單位格網內某景觀面積,CAi為單位格網內不同類型景觀總面積。

本文將空間格網與不同時期建設用地、耕地景觀數據進行空間疊加分析,分別計算各格網兩種景觀類型所占面積百分比,插值得到景觀梯度。根據研究區實際情況參考相關研究[36- 38],借助ArcGIS自然間斷法,確定景觀梯度等級為8級。

2.3 Logistic回歸模型

Logistic回歸模型是對因變量是二分類變量,自變量是連續變量或者混合變量而建立的模型[39-40],其回歸模型如下：

(2)

(3)

式中,P為事件發生概率,x為影響概率分布的因素,α為常數項,β為回歸系數。

關于回歸模型的擬合優度,用ROC[23,41]方法進行檢驗,ROC值越高,說明所選驅動因子具有較好解釋能力,擬合效果較好。

2.4 CLUE-S模型

CLUE-S模型,包括非空間模塊和空間模塊,兼顧了景觀格局驅動力因子中的自然和社會經濟因素[42],非空間模塊即在自然和社會經濟驅動因子分析下,來計算研究區內各模擬年份景觀類型的需求變化;空間模塊以各驅動因子的柵格化圖層為基礎,根據景觀類型概率與規則,對模擬年份的景觀類型需求進行空間分配[43]。本研究中CLUE-S模型的輸入內容：(1)政策限制區域：不設置受限制區域,整個研究區都可發生景觀類型變化。(2)各景觀類型轉換規則和轉換彈性系數：通過設置轉移矩陣全部為1,來定義各景觀類型之間都可以實現轉換。經多次模擬調試,3種情景下的轉換彈性參數如表1所示。(3)景觀類型需求文件設置：根據不同情境對Markov概率矩陣進行調整,再利用線性內插法得到CLUE-S模型的需求文件。(4)區域位置特征與驅動因子的關系,運用Logistic逐步回歸分析法,計算得到景觀類型的空間格局與各驅動因子之間的量化關系。(5)模型檢驗：利用ROC方法[41,43]對回歸效果進行檢驗,得到各景觀類型的ROC值均大于0.8,表示所選驅動因子對各景觀類型都具有良好的解釋能力;利用Kappa[44]指數檢驗模擬景觀類型圖與實際景觀類型圖之間的一致性,計算得到3種情景模擬的總體精度均達到了75%以上。

3 結果與分析

3.1 建設用地與耕地景觀時空演變分析

2000—2015年間,高景觀梯度值區間的建設用地面積顯著提高,在50—100區間的建設用地面積比重由3.02%猛增到31.27%(圖3);建設用地單位面積最大增量達到0.92km2(圖4)。研究時段內,滬寧線沿途地區的城市周邊及交通線兩側,尤其是蘇州市、無錫市、常州市周邊地區以及東部上海市周邊的浦東新區、寶山區、南匯區、閔行區與嘉定區等,地處水網密集的平原和長江三角洲地區,地勢低平,經濟發展水平較好,由于沿江發展戰略和上海經濟的輻射帶動作用,大面積耕地被開發為建設用地[45]。耕地流向建設用地的面積達到7866.30km2,占耕地變化量的91.61%,對建設用地增加的貢獻率達到96.48%(圖5)。耕地景觀受到強烈干擾,面積大幅降低,景觀梯度值在50—100區間的耕地面積減少量達到13939.27km2,占流域面積比重由68.69%縮減到30.84%(圖3);耕地單位面積最大縮減量達到0.95km2(圖4)。相反上海市等原有大城市中心的建設用地面積增量相對較小,這與地區原有城市化水平密切相關。西部和西南部丘陵地區,地勢相對較高,致使建設用地增加量與耕地減少量低于流域其他地區。

表1 未來預測過程中不同情境下各景觀類型的ELAS參數

2000年建設用地景觀主要集中在以上海市為中心的地帶以及蘇州市、無錫市、常州市與南部杭州市附近,且占地面積較小(圖3),景觀梯度值在50—100區間的建設用地僅占流域面積的3.02%。除以上建設用地景觀相對密集區以及西南部林地景觀,其他地區為耕地景觀密集區(圖3),景觀梯度值在50—100區間的耕地面積達到25298.06km2,占整個流域總面積的68.69%。2010年建設用地景觀有明顯地空間擴展趨勢,原有建設用地集聚區域規模擴大,尤其是上海市附近地區,建設用地景觀梯度顯著提高;同時昆山市、常熟市及江陰市地區的建設用地面積也進一步增加(圖3)。景觀梯度值在50—100區間的建設用地達到流域總面積的12%。2000—2010年間,建設用地單位面積最大變化量達到0.33—1km2,但是由于其市中心位置城市化水平已經達到相對較高水平,導致市中心的增加量較小;流域東南部也呈現出不同程度的建設用地擴展趨勢;而在中部太湖湖區以及西部與南部林區的面積增加較少(圖4)。10年間建設用地面積增加量為3990.78km2,其主要來源是耕地,流域內17.92%的耕地轉變為建設用地,占耕地變化量的85.92%,為建設用地變化量的97.58%(圖5)。耕地單位面積最大減少量達到0.30—1km2(圖4),尤其是流域北部,景觀梯度降低更為明顯。流域西南部則為耕地增加區,單位面積的最大增量達到了0.62km2,這是由于21世紀以來,人口數量激增,對土地的需求量劇增,導致部分林地被開墾為耕地。2015年高建設用地景觀梯度區進一步向四周擴展,同時流域內部也零星出現建設用地高度集聚區(圖3)。2010—2015年間,沿著滬寧線的城市帶交通系統日漸發達,經濟突飛猛進,城市化水平提高,導致城鎮周邊以及交通沿線等成為太湖流域景觀變化的熱點區域,大面積耕地被占用開墾為建設用地,尤其是流域西北部的城市周邊地區,耕地縮減最為顯著,單位面積減少量達到0.31—0.69km2(圖4),流域內27.21%的耕地轉變為建設用地,占耕地變化量的94.51%(圖5)。建設用地單位面積增加量更是達到了0.34—0.87km2(圖4),其主要來源仍是耕地,占建設用地變化量的93.84%(圖5)。流域部分地區出現耕地面積擴展趨勢,其中水域轉化為耕地的面積達243.70km2,占水域變化量的51.07%,這與《全國土地利用總體規劃綱要(2006—2020年)》[45]的出臺密切相關,綱要明確指出,蘇浙滬區在規劃期內要控制建設用地總量,適度降低人均城鎮工礦用地面積,提高集約用地水平,嚴格保護水田等優質耕地。

圖4 太湖流域建設用地、耕地景觀變化量分布圖Fig.4 Distribution of construction land and cultivated land landscape variable quantity in Taihu Lake Basin圖例數值表示每1km2范圍內景觀面積變化量

圖5 太湖流域建設用地、耕地景觀類型轉移圖Fig.5 Distribution of construction land and cultivated land landscape transfer in Taihu Lake Basin

3.2 Logistic驅動機制分析

利用SPSS軟件對太湖流域2000—2010年、2010—2015年兩個時間段內的建設用地轉入與耕地轉出變化進行Logistic回歸建模分析,并對模型擬合優度進行ROC檢驗,結果均達到0.8以上,可見所確定的驅動因子能較好的解釋景觀變化。

由表2中Wald統計量可知,第一階段建設用地轉入重要的解釋變量依次為總人口變化率、距鐵路距離、GDP變化率、距縣市距離;第二階段較為重要的解釋變量為總人口變化率、距高速距離、距縣市距離、距河流距離及高程和坡度。總人口變化率在整個研究時段內的回歸系數為正值,可見隨著城市化進程的推進,大量人口涌入城鎮,給城市帶來巨大的承載壓力,導致基礎設施等建設用地面積不斷增加。兩個階段中距鐵路、高速距離的回歸系數為負值,說明建設用地的擴展概率隨著距鐵路、高速公路等交通要道距離的增大而減小,交通要道帶來的便捷運輸條件成為經濟增長的重要帶動因素,區域經濟增長導致建設用地面積擴增。兩個時間段內距縣市距離的回歸系數由負值變為正值,可見2000—2010年間受城市輻射帶動作用的影響,距離各縣市中心的距離越近,建設用地擴張概率越大;而2010—2015年間各縣市中心的周邊區域早已開發為建設用地,此時建設用地的增加趨勢由第一階段的以縣市為中心的內向填充式擴展,轉變成以縣市中心區為圓心的外擴式增加。自然因素中,高程與坡度的回歸系數為負值,表明隨著高程坡度的增加,其他景觀類型轉為建設用地的概率將會減少。

由表3可知,兩個階段中距鐵路、高速、縣道距離的回歸系數都為負值,且都是較為重要的解釋變量,表明重要交通要道周邊的居民點、鄉鎮等建設用地的增加導致耕地大量減少。第一階段中GDP變化率為正值,可見區域經濟快速增長區的耕地面積被大量占用;此階段中DEM高程的回歸系數為負值,耕地轉出的發生比率隨高程增大而減少,表明地勢低平區的耕地更有可能轉變為其他景觀類型;然而第二階段中DEM高程的回歸系數變為正值,同時耕地轉出與距河流距離也呈正相關,這主要受《全國土地利用總體規劃綱要(2006—2020年)》的影響,綱要規定蘇浙滬區在規劃期內要控制建設用地總量,提高集約用地水平,嚴格保護水田等優質耕地[45],因此,地勢平坦、水網密集區的優質水田得到一定保護,而海拔較高地區及距河流一定距離區域,受工業化與城市化的影響,耕地景觀的縮減更為顯著。第二階段距縣市距離的回歸系數為正值,表明前期建設用地以縣市為中心的內向填充式擴展已占用了大部分耕地,此階段以縣市中心區為圓心的外擴式增加,使距離縣市較遠區域的耕地轉出機率增大。

表2 建設用地變化的Logistic回歸模型擬合結果

**:P<0.01; —: 自變量統計檢驗不顯著

表3 耕地變化的Logistic回歸模型擬合結果

**:P<0.01; —: 自變量統計檢驗不顯著

3.3 不同模擬情境下兩種景觀類型時空演變分析

對于3種不同情境下的模擬,在參考了相關修改Markov轉移概率矩陣的研究成果[45- 46]下進行。自然發展情景按照太湖流域2000—2010年的景觀變化趨勢發展,假設2010—2030年間各景觀類型變化不受較大程度政策干擾,將2000—2010年景觀類型面積轉移矩陣作為Markov模型概率轉移矩陣元素;生態保護情景以保護生態環境為原則發展,太湖流域作為生態環境建設示范區,應加強對林地、草地和水體等生態用地的保護,將耕地向建設用地轉移概率減少25%,減少的25%加到耕地轉草地之上,草地、林地、水體向建設用地轉移概率均降低90%;耕地保護情景參考《全國土地利用總體規劃綱要》發展,嚴格控制建設用地占用耕地,將耕地向建設用地轉移概率減少50%,耕地向水體轉移概率降低25%。通過以上轉移概率矩陣修改,得到2030年不同模擬情境下的建設用地與耕地景觀梯度空間分布圖(圖6)。

圖6 3種模擬情景下2030年太湖流域建設用地、耕地景觀梯度空間分布圖Fig.6 Distribution of construction land and cultivated land landscape gradient in 2030 under different scenarios

3種不同模擬預測情景下,建設用地與耕地景觀時空演變存在著顯著差異。自然發展情境下2030年景觀梯度值在5—20區間的建設用地面積明顯小于生態保護情景與耕地保護情景,僅占研究區面積的18.62%;景觀梯度值在50—100區間的建設用地面積達到了12713.85km2,占研究區的面積比重達到34.52%,其他情景下高景觀梯度值區間的建設用地面積相對較少。自然發展情景下耕地減少量最大,達到3366.62km2,且在流域東南與西部地區流失較多;建設用地增加量最大,達到2942.06km2,其擴增主要在西部與西南部的句容市、金壇市、溧陽市、高淳縣、安吉縣與臨安縣等發展潛力較大的地區。

生態保護情景下2030年建設用地的增加幅度明顯降低,僅以0.62%的速度增加了1102.78km2;耕地仍保持大幅度降低,但是高景觀梯度值區間的耕地面積略高于自然發展情景下的耕地面積,兩者差異不大。草地面積猛增;林地變化趨勢與其他兩種情景相反,呈增加趨勢;水域在此情景下的面積增幅最大。

耕地保護情景下,建設用地僅以0.18%的速度增加了315.82km2,景觀梯度值在50—100區間的面積比重僅有18.59%。耕地景觀梯度值相對較高,在50—100高景觀梯度值區間的面積為16022.37km2,占整個流域的面積比重高達43.51%;耕地景觀梯度值在0—5區間內的區域,為耕地最小面積分布區,僅占流域面積的1.83%。耕地僅以0.28%的速度減少了637.55km2,尤其是常州市、無錫市、蘇州市與昆山市城鎮周邊與滬寧線沿線地區的耕地得到了有力保護。

通過不同情景模擬預測,可見采取相應的耕地保護措施,切實控制建設用地占用耕地,能夠有效減少耕地流失;同時加強生態環境建設,能夠較好地保持生態用地數量,更好地提供生態服務功能。未來太湖流域應提高集約用地水平,嚴格保護優質耕地,控制建設用地增量,做好規劃調整,切實加強生態環境保護,更好地協調經濟發展與生態建設。

4 結論與討論

以2000、2010、2015年3期土地利用數據為數據源,借助格網化技術、景觀梯度、Logistic回歸模型及CLUE-S模型,對太湖流域2000—2015年間及2030年不同模擬預測情景下的建設用地與耕地景觀時空演變特征及驅動機制進行了分析,得到以下結論及討論：

(1)2000—2015年間,流域內建設用地景觀面積增加與耕地景觀面積縮減趨勢明顯。滬寧線沿途地區的城市周邊及交通線兩側,尤其是蘇州市、無錫市、常州市以及上海市周邊地區,由于沿江發展戰略和上海經濟的輻射帶動作用,大面積耕地被開發為建設用地。建設用地單位面積最大增量達到0.92km2,高景觀梯度值在50—100區間的建設用地面積比重由3.02%猛增到31.27%;而景觀梯度值在50—100區間的耕地面積比重由68.69%縮減到30.84%,耕地單位面積最大減少量達到0.95km2;其中耕地流向建設用地的面積達到7866.30km2,占耕地變化量的91.61%,對建設用地增加的貢獻率達到96.48%。近15年來,原有大城市中心以及西部和西南部丘陵地區,動態變化幅度相對較小。

(2)建設用地轉入與耕地轉出在不同階段的驅動因素具有一定差異性,其變化受自然環境與社會經濟因素的交叉影響,后者影響相對更為顯著。兩個階段中總人口變化率及距鐵路、高速等交通要道的距離都是建設用地轉入的重要驅動因子;但是與距縣市距離的相關性,隨建設用地擴展模式的轉變由負相關變為正相關。兩個階段中耕地轉入受距鐵路、高速距離等驅動因素的影響較大,與DEM高程的回歸系數由負值變為正值。

(3)基于CLUE-S模型的3種預測情景下,2030年建設用地與耕地景觀時空演變存在著顯著差異。自然發展情景下,高景觀梯度值區間的建設用地面積最大,耕地轉出量與建設用地轉入量最大;生態保護情景下,建設用地增幅明顯降低,但耕地仍保持大幅縮減,多轉為生態用地,導致草地面積猛增;耕地保護情景下,建設用地占用耕地的情況得到有效改善,高景觀梯度值區間的耕地面積達到整個流域的43.51%,耕地僅以0.28%的速度減少了637.55km2。

(4)從格網角度進行景觀時空演變分析,彌補了以流域平均值來表達整個流域景觀分布的不足,但是不同格網大小下分析結果的差異性有待進一步探討。由于數據獲取的限制性,驅動因子指標體系的精度與全面性尚需提高與完善,如何綜合政策實施、價值觀念及其他動態驅動因子構建驅動力動態變化模型是進一步研究的重點。參考太湖流域面積,CLUE-S模擬尺度設置為300m×300m,通過ROC值檢驗,模擬效果較好。模擬尺度的不同,導致結果精度存在差異,尺度越小數據量越大,往往產生運算時間過長、數據報錯的影響;尺度過大則會使驅動因子影響降低,導致精度下降,如何選擇適宜模擬尺度有待深入研究。

參考文獻(References):

[1] 孫才志, 閆曉露, 鐘敬秋. 下遼河平原景觀格局脆弱性及空間關聯格局. 生態學報, 2014, 34(2): 247- 257.

[2] 陽文銳. 北京城市景觀格局時空變化及驅動力. 生態學報, 2015, 35(13): 4357- 4366.

[3] 鄭新奇, 付梅臣. 景觀格局空間分析技術及其應用. 北京: 科學出版社, 2010: 1- 2.

[4] 劉頌, 郭菲菲, 李倩. 我國景觀格局研究進展及發展趨勢. 東北農業大學學報, 2010, 41(6): 144- 152.

[5] 張敏, 宮兆寧, 趙文吉, 阿多. 近30年來白洋淀濕地景觀格局變化及其驅動機制. 生態學報, 2016, 36(15): 4780- 4791.

[6] 肖篤寧. 國際景觀生態學研究的最新進展——第五屆景觀生態世界大會介紹. 生態學雜志, 1999, 18(6): 75- 76.

[7] 陳利頂, 劉洋, 呂一河, 馮曉明. 景觀生態學中的格局分析: 現狀、困境與未來. 生態學報, 2008, 28(11): 5521- 5531.

[8] 唐利, 邵景安, 郭躍, 鄧華, 薛沛沛. 社區水平森林景觀格局動態特征與驅動因素. 生態學報, 2017, 37(6): 2101- 2117.

[9] 趙小汎, 代力民, 陳文波, 于大炮, 周莉. 耕地與建設用地變化驅動力比較分析. 地理科學, 2008, 28(2): 214- 218.

[10] 姜廣輝, 張鳳榮, 吳建寨, 周丁揚, 宮攀, 蘇子友. 北京山區建設用地擴展及其與耕地變化關系研究. 農業工程學報, 2006, 22(10): 88- 93.

[11] Li C X, Wu K N, Wu J Y. Urban land use change and its socio-economic driving forces in China: a case study in Beijing, Tianjin and Hebei region. Environment Development and Sustainability, 2017, doi: 10.1007/s10668-017- 9928- 6.

[12] He C Y, Li J G, Wang Y Y, Shi P J, Chen J, Pan Y Z. Understanding cultivated land dynamics and its driving forces in northern China during 1983- 2001. Journal of Geographical Sciences, 2005, 15(4): 387- 395.

[13] 孔靜靜, 魏建新. 烏魯木齊市近16年建設用地和耕地變化驅動力比較分析. 水土保持研究, 2014, 21(4): 101- 106.

[14] 居玲華, 石培基, 邴廣路, 周生超. 張掖綠洲耕地和建設用地變化驅動力比較研究. 水土保持通報, 2009, 29(5): 156- 159.

[15] 呂志強. 快速城市化背景下的建設用地擴展類型格局及驅動力分析. 水土保持研究, 2012, 19(4): 65- 71.

[16] 張景華, 吳志峰, 呂志強, 高楊. 城鄉樣帶景觀梯度分析的幅度效應. 生態學雜志, 2008, 27(6): 978- 984.

[17] 趙志軒, 張彪, 金鑫, 翁白莎, 嚴登華, 鮑淑君. 海河流域景觀空間梯度格局及其與環境因子的關系. 生態學報, 2011, 31(7): 1925- 1935.

[18] 白元, 徐海量, 劉新華, 凌紅波, 傅藎儀. 塔里木河干流景觀格局梯度分析. 干旱區研究, 2013, 30(6): 1064- 1072.

[19] 李俊祥, 王玉潔, 沈曉虹, 宋永昌. 上海市城鄉梯度景觀格局分析. 生態學報, 2004, 24(9): 1973- 1980.

[20] Zhang L Q, Wu J P, Zhen Y, Shu J. RETRACTED: a GIS-based gradient analysis of urban landscape pattern of Shanghai metropolitan area, China. Landscape and Urban Planning, 2004, 69(1): 1- 16.

[21] Shrestha M K, York A M, Boone C G, Zhang S N. Land fragmentation due to rapid urbanization in the Phoenix Metropolitan Area: analyzing the spatiotemporal patterns and drivers. Applied Geography, 2012, 32(2): 522- 531.

[22] 張秋菊, 傅伯杰, 陳利頂. 關于景觀格局演變研究的幾個問題. 地理科學, 2003, 23(3): 264- 270.

[23] 榮子容, 馬安青, 王志凱, 周凱. 基于Logistic的遼河口濕地景觀格局變化驅動力分析. 環境科學與技術, 2012, 35(6): 193- 198.

[24] 徐嘉興, 李鋼, 陳國良. 基于logistic回歸模型的礦區土地利用演變驅動力分析. 農業工程學報, 2012, 28(20): 247- 255.

[25] 周銳, 蘇海龍, 王新軍, 李月輝, 胡遠滿, 張鳳娥, 許博涵. CLUE-S模型對村鎮土地利用變化的模擬與精度評價. 長江流域資源與環境, 2012, 21(2): 174- 180.

[26] 許月卿, 羅鼎, 郭洪峰, 周東. 基于CLUE-S模型的土地利用空間布局多情景模擬研究——以甘肅省榆中縣為例. 北京大學學報: 自然科學版, 2013, 49(3): 523- 529.

[27] 梁友嘉, 徐中民, 鐘方雷. 基于SD和CLUE-S模型的張掖市甘州區土地利用情景分析. 地理研究, 2011, 30(3): 564- 576.

[28] 王日明, 熊興耀, 肖洋. 重慶市永川區土地利用空間格局變化模擬. 中國農學通報, 2014, 30(35): 166- 171.

[29] 徐嘉興, 王繼堯, 梁濤, 唐翔. 近18年太湖流域土地利用變化及區域差異分析. 地理空間信息, 2009, 7(4): 48- 51.

[30] 萬榮榮, 楊桂山. 太湖流域土地利用與景觀格局演變研究. 應用生態學報, 2005, 16(3): 475- 480.

[31] 中華人民共和國國土資源部. TD/T 1014—2007 第二次全國土地調查技術規程. 北京: 中國標準出版社, 2007.

[32] 薛亮, 任志遠. 基于格網GIS的關中地區生態安全研究. 地理科學, 2011, 31(1): 123- 128.

[33] 姚永慧, 張百平, 羅揚, 朱軍, 岑綱. 格網計算法在空間格局分析中的應用——以貴州景觀空間格局分析為例. 地球信息科學, 2006, 8(1): 73- 78.

[34] 蘇海民, 何愛霞. 基于RS和地統計學的福州市土地利用分析. 自然資源學報, 2010, 25(1): 91- 99.

[35] 左偉, 張桂蘭, 萬必文, 李碩, 王橋. 中尺度生態評價研究中格網空間尺度的選擇與確定. 測繪學報, 2003, 32(3): 267- 271.

[36] 王宗明, 陳銘, 宋開山, 劉殿偉, 張柏, 李方, 張樹清. 三江平原別拉洪河流域濕地農田化過程中濕地——農田景觀梯度時空特征分析. 水土保持學報, 2008, 22(1): 194- 198.

[37] 武慧智, 姜琦剛, 李遠華, 崔劍, 馮濤. 松嫩流域濕地景觀動態變化. 吉林大學學報: 地球科學版, 2015, 45(1): 327- 334.

[38] 陳芝聰, 謝小平, 白毛偉. 南四湖濕地景觀空間格局動態演變. 應用生態學報, 2016, 27(10): 3316- 3324.

[39] 李洪, 宮兆寧, 趙文吉, 宮輝力. 基于Logistic回歸模型的北京市水庫濕地演變驅動力分析. 地理學報, 2012, 67(3): 357- 367.

[40] 謝花林, 李波. 基于logistic回歸模型的農牧交錯區土地利用變化驅動力分析——以內蒙古翁牛特旗為例. 地理研究, 2008, 27(2): 294- 304.

[41] Pontius R G Jr, Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems and Environment, 2001, 85(1/3): 239- 248.

[42] 馮仕超, 高小紅, 顧娟, 亢健, 郭麗峰, 吳國良, 鄒嬋. 基于CLUE-S模型的湟水流域土地利用空間分布模擬. 生態學報, 2013, 33(3): 985- 997.

[43] 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. 自然資源學報, 2003, 18(3): 310- 318.

[44] Cohen J. A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 1960, 20(1): 37- 46.

[45] 陸汝成, 黃賢金, 左天惠, 肖思思, 趙小風, 張興榆. 基于CLUE-S和Markov復合模型的土地利用情景模擬研究——以江蘇省環太湖地區為例. 地理科學, 2009, 29(4): 577- 581.

[46] 周銳, 蘇海龍, 王新軍, 李月輝, 胡遠滿, 許博涵. 基于CLUE-S模型和Markov模型的城鎮土地利用變化模擬預測——以江蘇省常熟市辛莊鎮為例. 資源科學, 2011, 33(12): 2262- 2270.