基于CA—Markov模型的長沙市望城區土地利用/覆蓋變化預測

宋磊 陳笑揚 李小麗 王麗芳 張寶一

文章編號：1672-5603（2018）02-017-7

摘 要 為獲取望城區未來土地利用/覆蓋的數量及空間分布情景，本文利用2009、2010、2012年土地利用/覆蓋數據、DEM及社會經濟數據，運用Logistic模型分析土地利用變化與各驅動因子間的定量關系，綜合區域限制條件修正土地利用適宜性概率，最終耦合CA-Markov模型對2020年土地利用進行模擬與預測。模擬結果較好地揭示了望城區土地利用動態變化趨勢，一定程度上指導該地區的土地資源優化配置。

關鍵詞 土地利用/覆蓋變化；CA-Markov模型；空間格局模擬；望城區

中圖分類號：F301.2 文獻標識碼：A

The CA-Markov ModelBased Prediction of Land Use/Cover Changes in Wangcheng District， Changsha City， Hunan Province

Song Lei1， 2， Chen Xiaoyang1， LiXiaoli1， 3， Wang Lifang1 ， Zhang Baoyi1

（1. School of Geosciences & Info-Physics， Central South University， Changsha Hunan 410083； 2. Hunan Institute of Geological Survey， Changsha Hunan 410116； 3. Development and Reform Bureau of Liangqing District， Nanning City， Nanning Guangxi 530200）

Abstract： In order to obtain the quantity and spatial pattern of future land use in Wangcheng District of Changsha City， this paper uses the land use/cover status data in 3 years （2009，2010，2012） and DEM and socio-economic data to analyze the relationship between land use change and each driving force. And on this basis， we revise the probability of land use suitability in the condition of taking the restrictions of the land use changing in the study area. At last， we coupled those analysis results with CA-Markov model to simulate and forecast the land use in 2020. The simulation results reveal the trend of dynamic changes of land use in Wangcheng District and can be used as a basis to guide the optimal allocation of land resources in this area.

Keywords： land use/cover change； CA-Markov model； simulation of spatial pattern； Wangcheng District

1引言

土地是“人類-自然”相互作用的橋梁，而土地利用/覆蓋變化則是二者在不同時空尺度上交互作用的直接體現。人類活動對土地利用變化有著巨大的影響，而生態、社會及經濟環境對土地利用變化做出響應，影響區域可持續發展。目前，土地利用變化的驅動機制、不同時空尺度下的變化動態模擬及未來的情景預測，是當前研究的熱點。

近幾十年來，眾多學者設計了多種模型來研究不同尺度和區域的土地利用/土地覆蓋變化（LUCC， land use/cover change），如系統動力學（SD， System Dynamics）[1]、元胞自動機（CA， cellular automaton）[2， 3]、馬爾科夫（Markov）[4]、CLUE-S（Conversion of Land Use and its Effects at Small region extent）[5，6]、智能體（Agent-based）[7]等，它們均能夠幫助我們認知、解釋LUCC的變化規律，并模擬、預測其未來的情景。由Logistic、Markov和CA三者耦合所得到的模型，不僅通過Logistic很好的分析了LUCC的驅動機制，而且將CA在模擬地理空間變化上的能力與Markov在模擬時間序列預測上的優勢相結合，提高了模擬、預測的精度，得到了廣泛的應用[4， 8]。一些學者也從土地利用與水文條件[9， 10]、景觀格局[11-13]、生態環境響應[14， 15]、生態安全[16， 17]以及道路網擴張[18]等各個方面進行了大量研究。

本文以長沙市望城區為例，選擇合適的驅動因子，通過Logistic模型進行計算和檢驗，并耦合CA-Markov模型對其土地利用空間分布情景進行模擬預測，有助于指導土地集約化利用和科學決策。

2研究區概況及數據

2.1研究區概況

望城區是長沙市所管轄區域，位于湖南中東北部，湘江流域的下游，面積為954 km2，位于：27°58′28″N-28°33′45″N，112°35′48″E-113°02′30″E（圖1），呈變形了的長方形展布，海拔南高北低。水資源豐富，河流和湖泊眾多。全區歸入“長株潭城市群”核心區、長沙大河西先導區和環洞庭湖生態經濟圈范疇區，處于湖南省一點一線地區，地理位置優越。截至2012年末，望城區戶籍人口52.43萬人，GDP為3748847萬元，區內鐵路、公路運輸都十分便利。

2.2數據

本研究所需數據為：2009-2012年土地利用現狀數據、2010及2012年基本農田保護區數據、建設用地管制區數據、交通狀況數據以及行政區劃數據等源自長沙市第二次土地調查成果數據庫；DEM數據源自中國科學院地理空間數據云平臺；人口、GDP數據源自國家地球系統科學數據共享平臺。土地利用矢量數據轉為柵格數據，再轉換為二值化ASCII數據，依據DEM、交通狀況數據生成驅動因子柵格數據，所有柵格數據均統一坐標系，統一柵格大小為100 m×100 m。

3研究過程

在長沙市望城區2009、2010、2012年期間土地利用/覆蓋現狀圖的基礎上，統計研究區各地類占比，由表1可知：耕地、林地占比逐漸降低；交通運輸用地、城鎮村及工礦用地逐漸升高。綜合影響該區土地利用變化的地形、距離及社會經濟驅動因子，利用Logistic-CA-Markov模型預測了該區2012年和2020年的土地利用空間分布狀況。實驗結果表明，2012年土地利用預測結果得到了較高的Kappa系數和ROC值，表明模型可信度高。具體研究過程如圖2所示。

3.1驅動因子分析

本文選取自然、距離和社會經濟三個角度共10個驅動因子，結合各土地利用類型的二值化柵格圖，運用Logistic模型分析土地利用變化的驅動因子，以ROC值檢驗了模擬效果，其結果如表1所示。

由表1可知：2010各個地類的ROC值均大于0.8，其中交通運輸用地、城鎮村及工礦用地和其他用地的ROC值達到了0.9以上，高于其他幾類用地；各土地利用類型的主要驅動因子存在差異，高程、坡度、人口、GDP對區域土地利用變化有較強的驅動作用。總體而言，所選驅動因子對于望城區2010年的土地利用變化有較高的解釋力。

3.2 CA-Markov模型預測步驟

耦合CA-Markov模型對未來土地利用空間分布進行模擬的步驟如下：

獲取轉移矩陣。將2009、2010、2012年土地利用現狀數據按照模型需要進行處理，生成對應時間間隔的轉移矩陣。

設置元胞。根據土地利用現狀原始數據以及相關驅動因子的數據可用性，將元胞設置為100 m ×100 m的柵格。

設置鄰域。將鄰域定義為5×5的濾波器。

制定轉換規則。與傳統的CA-Markov模型直接利用驅動因子數據通過MCE（Multi-criteria evaluation）方法賦權重求取土地利用適宜性概率不同，本文是在Logistic分析得到的適宜性概率的基礎之上，結合轉移概率、區域限制因子（基本農田保護區域、建設用地限制區域）對其進行修正，再綜合轉移面積判斷用地類型是否發生改變。具體轉換規則實現過程如圖3所示：

設置循環次數。根據基期土地利用數據和預測年份之間的間隔設置元胞自動機循環次數。

3.3預測算法驗證

以2010年數據為基礎模擬預測得到2012年的土地利用分布預測圖（如圖4b），并與其現狀圖（如圖4a）進行了對比，并從數量和空間兩個方面來驗證模型精度。

數量上，運用精度誤差檢驗法，其公式如下：

（1）

式中K-地類i的模擬數量誤差，大于0表明實際面積大于預測面積；反之小于預測面積，K值絕對值越大說明模擬數量精度越低，反之，精度越高。Sij、Sit-表示地類i的實際面積與預測面積。

如表2所示，2012年數量預測總體精度較高，各地類相對誤差都較小，表明數量上模型模擬結果較為可信。

空間上，運用Kappa系數檢驗模擬精度，Kappa系數[19]的計算如下：

（2）

其中，Po為預測結果和真實情況一致的柵格數占比于研究區柵格總數，Pp為理想變化情況下的準確預測的比值；Pc為在隨機狀況下的期望正確模擬比例。當Kappa>0.75，認為模擬的效果較好；當0.4≤Kappa≤0.75時，認為模擬的效果一般；當Kappa<0.4時，認為模擬的效果較差。根據本文的研究結果和公式（2），求得2012年模擬預測結果的Kappa指數為0.978，說明模型在對為望城區2012年的土地利用模擬中具有較高的空間尺度上的一致性，模型的模擬可信度達到研究要求。

通過數量和空間兩個方面的驗證可知，模型的模擬效果較好，能比較好地對望城區的土地利用變化進行模擬和預測，結果具有較高的可信度。

4預測結果

由模擬預測結果統計得出研究區各土地利用類型變化情況，由表4可知：研究區土地利用結構總體保持穩定；耕地、林地持續退化；交通運輸用地、城鎮村及工礦用地持續擴張。

由2012年的土地利用現狀，預測了研究區基本農田保護情景下的2020年的土地利用分布，如圖5所示。

從望城區的2020年的土地利用空間分布情況及面積變化表來看：城鎮村及工礦用地、交通運輸用地均在不斷增加，耕地、林地、園地、草地及其他用地均不斷減少，而水域及水利設施用地雖有增加，但幅度不大；雖然城鎮村及工礦用地和交通運輸用地面積增加，但耕地及林地占比仍然較高。交通運輸用地和城鎮村及工礦用地的增加，表明城鎮化有序推進，主要集中在東南部。

綜上，研究區耕地、林地不斷退化，交通運輸用地、城鎮村及工礦用地不斷擴張，需警惕該種變化趨勢，在優化、調整基本農田保護及建設用地管制政策前提下，劃定林地保護區或林地紅線，使土地資源得到充分、合理的利用，促使經濟發展。

5結論

以長沙市望城區為例，在2009、2010、2012年的土地利用現狀圖的基礎上，運用Logistic-CA-Markov模型對2012、2020年土地利用情況進行模擬預測，其研究結果表明：高程、坡度、人口、GDP對區域土地利用變化有較強的驅動作用；模型能夠模擬研究區的土地利用變化空間情況；需警惕耕地、林地的退化及城鎮村及工礦用地的擴張趨勢，調整優化現有土地利用政策，劃定林地保護區或林地紅線。

本文研究成果對研究區土地資源的優化配置具有一定的借鑒意義，但由于課題來源的局限問題，數據源所跨時間軸相對較短，區域土地利用變化相對不明顯，此外未能考慮氣候、土壤質量等因素對土地利用變化的影響。

參考文獻/References

[1]謝正磊， 許學工，孫強. 基于Patch-Dynamics模式的土地覆被變化預測-以北京市為例[J]. 北京大學學報（自然科學版）， 2008， 44（3）： 452-458.

[2]楊青生， 黎夏，劉小平. 基于Agent和CA的城市土地利用變化研究[J]. 地球信息科學， 2005， 7（2）： 78-93.

[3]楊俊， 解鵬， 席建超， 葛全勝， 李雪銘，馬占東. 基于元胞自動機模型的土地利用變化模擬_以大連經濟技術開發區為例[J]. 地理學報， 2015， 70（3）： 461-475.

[4]Weng Q. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing， GIS and stochastic modelling[J]. Journal of Environmental Management， 2002， 64（3）： 273-284.

[5]盛晟， 劉茂松， 徐馳， 郁文，陳虹. CLUE-S模型在南京市土地利用變化研究中的應用[J]. 生態學雜志， 2008， 27（2）： 235-239.

[6]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[J]. 地理研究， 2011， 30（3）： 546-576.

[7]何丹， 金鳳君，蔡建明. 近20年京津廊坊地區城市增長模擬和預測研究[J]. 經濟地理， 2011， 31（1）： 7-13.

[8]Manson S M. Agent-based modeling and genetic programming for modeling land change in the Southern Yucatán Peninsular Region of Mexico[J]. Agriculture， Ecosystems & Environment， 2005， 111（1-4）： 47-62.

[9]Zhang L， Nan Z，Yu W. Coupling LUCC and Hydrological Models to Predict Land Use Change and Hydrological Response under Multiple Scenarios[J]. Journal of Geo-information Science， 2013， 15（6）： 829.

[10]Tong S T Y， Sun Y， Ranatunga T， He J，Yang Y J. Predicting plausible impacts of sets of climate and land use change scenarios on water resources[J]. Applied Geography， 2012， 32（2）： 477-489.

[11]胡雪麗， 徐凌，張樹深. 基于CA-Markov模型和多目標優化的大連市土地利用格局[J]. 應用生態學報， 2013， 24（6）： 1652-1660.

[12]何丹， 金鳳君，周璟. 基于Logistic-CA-Markov的土地利用景觀格局變化-以京津冀都市圈為例[J]. 地理科學， 2011， 31（8）： 903-910.

[13]何丹， 周璟， 高偉， 郭懷成， 于書霞，劉永. 基于CA-Markov模型的滇池流域土地利用變化動態模擬研究[J]. 北京大學學報（自然科學版）， 2014， 50（6）： 1095-1105.

[14]殷格蘭， 邵景安， 郭躍， 黨永峰，徐良新. 南水北調中線核心區土地利用變化及其生態環境響應研究[J]. 地球信息科學， 2017， 19（1）： 59-69.

[15]汪佳莉， 吳國平， 范慶亞，崔敬濤. 基于CA-Markov模型的山東省臨沂市土地利用格局變化研究及預測[J]. 水土保持研究， 2015， 22（1）： 212-216.

[16]廖柳文，秦建新. 環長株潭城市群濕地生態安全研究[J]. 地球信息科學， 2016， 18（9）： 1217-1226.

[17]Nouri J， Gharagozlou A， Arjmandi R， Faryadi S，Adl M. Predicting Urban Land Use Changes Using a CA–Markov Model[J]. Arabian Journal for Science and Engineering， 2014， 39（7）： 5565-5573.

[18]宇林軍，劉亞嵐. 基于土地利用強度的城市道路增長模擬模型與案例分析[J]. 地球信息科學， 2015， 17（4）： 423-430.

[19]布仁倉， 常禹， 胡遠滿， 李秀珍，賀紅士. 基于Kappa系數的景觀變化測度以遼寧省中部城市群為例[J]. 生態學報， 2005， 25（4）： 778-784.