基于Markov-CLUES耦合模型的杭州灣濕地多情景模擬研究

劉甲紅，胡潭高*，潘驍駿，張登榮，張路，李瑤

1. 杭州師范大學遙感與地球科學研究院/浙江省城市濕地與區域變化研究重點實驗室，浙江 杭州 311121；2. 浙江省第二測繪院，浙江 杭州 310012

杭州灣濕地是中國濱海濕地的南北過渡帶（吳統貴等，2011），也是中國重要濕地及重點濕地監測對象。近年來，政府大力推動杭州灣的發展及杭州灣新區的建立，大量人口涌入，社會經濟發展迅速，城市化進程日益加快。劇烈的人類活動與高強度的建設開發，導致淤泥質海灘的圍墾過度，濱海濕地喪失退化，動植物生境受到破壞，濕地功能退化，生態自然演替過程受到影響（Sun，2016；蔣科毅等，2013）。對杭州灣濕地未來發展趨勢的模擬預測，可為資源合理開發、政府政策規劃等提供科學依據。

遙感與GIS技術在濕地動態變化監測以及演變趨勢研究中得到廣泛應用（Jin et al.，2017；Luo et al.，2016；Chen et al.，2014）。其中，Landsat系列遙感影像作為監測長期變化的理想數據，在長時序動態變化研究中廣泛使用（Vogelmann et al.，2006；Chander et al.，2009；Coulter et al.，2016；Son et al.，2017）。Lu et al.（2017）利用 Landsat時間序列數據評估城市植被覆蓋度。Halabisky et al.（2016）利用Landsat時間系列衛星影像重建半干旱濕地地表水并監測其長時間上的濕地水文變化。Han et al.（2015）基于Landsat衛星觀測潘陽湖冬季近40年的濕地變化。

土地利用變化及效應模型（Conversion of Land Use and its Effects at Small Region Extent，CLUES）因其具有自然驅動因子與人文驅動因子的綜合、多時空尺度以及多情景模擬的特點，能將模擬結果精確直觀地反映到空間位置，可以有效地探索未來濕地時空演變規律，因此受到了國內外學者的廣泛關注并對其進行了大量研究。P.H. Verburg團隊對其進行了大量的研究，在空間尺度方面，用于對國家級大尺度的研究和錫布延島等小區域尺度的研究；在應用方面，用于對糧食產量及農業密度強度的預測，用于由于邊緣效應導致的土地類型的不穩定性的預測，用于預測生態系統的服務和需求；在模擬精度方面，與Capri-Spat、CRAFTY和多智能體等模型多個模型結合以提高模擬精度（Verburg et al.，2004；Verburg et al.，2008；Verburg et al.，2009；Britz et al.，2011）。Markov在數量預測方面具有優勢，可為CLUES模型所需要的未來濕地需求量提供基礎數據。而CLUES模型中的空間模塊彌補了Markov模型缺乏空間模擬能力的不足。Markov-CLUES模型綜合了Markov模型定量化預測的優勢和CLUES模型模擬復雜空間動態變化的能力，不僅提高土地利用變化的預測精度，又較好地模擬土地利用格局的空間變化，提高了模擬的科學性。因此，本文將Markov數量預測模型與CLUES空間預測模型相結合，模擬多情景下杭州灣濱海濕地未來空間格局分布及濕地演變趨勢。

基于Landsat遙感影像數據及GIS技術手段，構建Markov-CLUES耦合模型，通過對未來10年杭州灣濱海濕地多情景模擬研究，預測其未來發展趨勢，并提出濕地未來發展的保護對策與建議，為資源合理開發、防止濕地功能退化提供科學依據，對濕地的管理、保護和可持續發展具有重要意義。

1 研究區域與數據

1.1 研究區域概況

杭州灣濕地位于中國浙江省東北部——錢塘江匯入東海的入海喇叭口區域，是中國典型性濱海濕地。本文選取杭州灣南岸弧形區域濕地作為研究區域，地理坐標中心經緯度分別為 121.55°E、30.31°N。研究區由海域、海岸帶區域、內陸區域3部分組成，總面積為377487.36 hm2（圖1）。

1.2 數據

1.2.1 遙感影像數據

（1）Landsat系列數據

遙感衛星可提供空間連續且高度反映地球表面現象的數據，特別是衛星影像，可以在較大空間尺度上獲得濕地信息，因此遙感與GIS技術在監測濕地動態變化以及演變趨勢中得到廣泛應用。其中，Landsat數據作為監測長期變化的理想數據，在長時序動態變化研究中廣泛使用。

圖1 研究區概況Fig. 1 The overview of the study areaSea, Beach, River, Lake, Canal, Farm pond, Fish pond, Cropland, Non-wetland分別對應于淺海水域、淤泥質海灘、永久性河流、永久性淡水湖、運河、農用池塘、海水養殖場、稻田、非濕地（下同）

實驗收集了從1986—2016年的Landsat TM系列遙感影像，通過對影像的初步對比分析，及根據杭州灣實際情況，確定間隔5年的時間尺度研究；在影像選取時，充分考慮了植被的生長狀況，選取夏季植被覆蓋度較高并盡量選取同一植被生長期的遙感影像，同時考慮到 Landsat數據存在云量覆蓋以及數據缺失問題（Kontgis et al.，2015；Hilker et al.，2009），選取研究區域天氣晴朗時期無云高質量影像，若該時期數據缺失則選用前后時期的高質量影像。綜合上述問題，本文選取了以下 3景Landsat TM影像，各參數如表1所示。

表1 遙感影像時相及參數Table 1 General information of each remote sensing data

（2）數據預處理

在數據使用之前，首先對遙感影像的云量及清晰度進行數據質量的檢查，確定影像是否可用；對影像進行標準化處理，采用幾何校正法對3期影像進行配準；根據研究區大小對影像進行裁剪處理。最終數據如圖2所示。

1.2.2 野外調查數據

在對遙感影像解譯前，對杭州灣進行野外實地考察，了解各種濕地類型的特征及分布規律，根據遙感影像的成像原理，對各種地物類型建立了杭州灣濕地遙感解譯標志系統，如圖1所示。

在獲取2016年實驗分類結果后需對各個景觀類型進行野外實地驗證。本文采用分層采樣方法，確保每一種濕地類型采集量，同時根據實驗研究中存在問題的疑問點以及各景觀類型的分布特征，確保樣本的有效性及代表性。根據所需驗證點對實地調查路線進行部署以及對相應驗證點開展了針對性的驗證。本次野外驗證線路由北向南、由西向東對132個所部署點進行逐一驗證（采樣點如圖1所示）。

圖2 2006—2016年3期實驗數據Fig. 2 Three period data in the study from 2006 to 2016

2 研究方法

2.1 濕地分類體系

濕地分類既要與國家、國際濕地分類系統有本質區別與聯系，又要針對研究區域特征，充分體現特定地理條件下濕地類型的獨特性與空間異質性分布（劉紅玉等，2009）。本文根據中國《濕地分類》國家標準（李玉鳳，2014），并結合研究區域實際情況，將杭州灣濕地分類三級。第一級按照濕地成因，將研究區濕地生態系統劃分為自然濕地和人工濕地兩大類；第二級按照地貌特征，分為近海與海岸濕地、永久性河流、永久性淡水湖和人工濕地；第三級根據濕地水文特征和植被類型以及主要用途分為：淺海水域、淤泥質海灘、永久性河流、永久性淡水湖、運河、農用池塘、海水養殖場、稻田等8個濕地類型。將建筑、道路等非濕地類型均歸為非濕地。本次濕地信息提取以人工目視解譯為主（牛振國等，2009）。通過目視解譯及人機交互方法對2006年、2011年、2016年3期遙感影像進行濕地信息提取，得到3期濕地空間分布圖。

2.2 Markov-CLUES 耦合模型構建

2.2.1 Markov 原理概述

Markov過程最初由俄國數學家Markov提出。它不僅適用于時間序列同時適用于空間序列（焦繼宗，2012）。Markov模型原理是利用 Markov過程在t0時刻所處的狀態為已知的條件下，過程在時刻t＞t0所處狀態的條件分布與過程在時刻 t0之前所處的狀態無關的特性，來對事物的動態演變進行研究。土地利用的動態演變具有Markov過程的性質，從土地利用的初始階段按照穩定的轉移速率進行演變模擬預測，Markov模型在土地利用預測定量化的描述中有好的效果。其基本方法就是利用狀態之間的轉移概率矩陣，預測事件發生的狀態及其發展變化趨勢。

式中，S(t)表示初始時刻t的土地利用狀態概率向量，S(t+1)表示t+1時刻的狀態概率；Pij為Sij轉移矩陣百分比的狀態轉移概率矩陣且滿足：0≤Pij≤1，

馬爾科夫轉移概率矩陣對于土地利用流向與轉化方向具有很好的刻化功能，從定量方面而言，馬爾科夫矩陣以數字的形式展示出各土地利用類型之間的相互轉化情況，同時又揭示了在研究期間中不同土地類型之間的流向問題，為土地利用類型間轉移數量與變動程度的衡量提供了依據。

2.2.2 CLUES 原理概述

土地利用變化及效應模型（The Conversion of Land Use and its Effect，CLUE）是通過對影響土地利用變化的自然和人文驅動力的定量化來確定土地利用的類型，是一個空間多尺度、定量描述土地利用變化空間分布的模型，常用來模擬較短時間內的土地利用變化（何春陽等，2004）。CLUE模型主要應用于國家和大陸尺度的土地利用研究。因其模擬空間尺度較大，分辨率較低，故不能直接運用于較小尺度區域范圍內的土地利用變化模擬。而CLUE-S模型（Conversion of Land Use and its Effects at Small Region Extent）是在CLUE模型基礎上，為在較小尺度上模擬土地利用變化及其環境效應而進行的改進（吳健生等，2012）。CLUE-S模型一般假設，某地區的土地利用變化受土地利用需求驅動，并且該地區的土地利用分布格局總是與土地需求及自然社會經濟狀況處于動態平衡狀態，在此基礎上，結合影響土地利用變化的自然和人文驅動因子，以確定柵格單元上的土地利用類型。

2.2.3 模型構建

Markov為時間離散、狀態離散的動力學模型，在土地利用的數量預測方面具有優勢，可為CLUES模型所需要的未來濕地需求量提供基礎數據。而CLUES模型中的空間模塊彌補了Markov模型缺乏空間模擬能力的不足。Markov模型是由過去的土地利用類型以及轉移概率矩陣來模擬分析未來的變化趨勢，要求驅動力是相同的，CLUES模型中充分考慮了人為因素，如土地政策等政府調控政策，同時通過對CLUES模型中對未來不同模擬情景的設置，對不同的土地利用類型之間的概率轉移進行調整，Markov轉移矩陣也會發生相應的調整，彌補了Markov模型中固定轉移矩陣的不足。Markov模型常被應用于土地利用未來需求量的預測，Markov-CLUES模型綜合了 Markov模型定量化預測的優勢和 CLUES模型模擬復雜空間動態變化的能力，能夠考慮政策調控的因素，綜合自然與人文驅動因子綜合、多時空尺度以及多情景模擬的特點，不僅提高土地利用變化的預測精度，又較好地模擬土地利用格局的空間變化，提高了模擬的科學性。本研究將Markov模型嵌入CLUES模型的regional demand模塊中，利用Markov模型計算濕地類型未來需求量，以提高濕地需求量的預測精度。

本文首先以 2011年為模擬年份初始圖，根據2006—2011年的轉變趨勢作為未來的轉變趨勢，模擬 2016年的濕地空間分布柵格圖。并通過與實際分類結果進行比較，對模擬結果進行精度評價，驗證模型可行性。

2.3 杭州灣濕地未來發展趨勢多情景設置

情景設置目的在于分析杭州灣濱海濕地在不同條件的影響下，濕地未來空間格局多種演變趨勢。針對研究區域現狀及歷史發展趨勢，綜合考慮政府政策規劃及未來經濟社會發展戰略，設置自然增長、經濟建設、糧食安全及灘涂資源保護這4種未來模擬情景。各濕地類型轉移概率矩陣及參數設置參照前人研究及上述歷史演變分析（陸汝成等，2009）所調整。通過不同情景的設置對 Markov轉移概率矩陣進行相應調整；根據修正后的 2011—2016年Markov轉移概率矩陣預測得到2021年的濕地需求量，根據修正后的2006—2016年Markov轉移概率矩陣預測得到 2026年的濕地需求量；根據2006年、2011年、2016年、2021年、2026年已知的5年數據，利用多項式內插得到2016—2026年的濕地面積需求量。

（1）自然增長情景。在沒有突發性自然災害和外來因素的強烈干擾下，未來10年的驅動因素不變，各濕地類型轉變與濕地發展趨勢與 2006—2016年保持一致，以歷史發展趨勢作為未來模擬發展趨勢，對未來濕地類型進行模擬。（2）經濟建設情景。為了達到杭州灣“一城四區”發展目標，加速推動城市化進程，打造國際化城市空間格局，保持經濟高速增長，勢必要增大建設及道路等非濕地的使用面積，在此情景下，非濕地的轉換彈性系數調高，其它類型彈性系數不變；對Markov轉移矩陣進行調整，設定各濕地類型向非濕地的轉變速率增加10%，其它濕地類型相互轉變速率不變。（3）糧食安全情景。稻田不僅是農業生產的基礎，土地的精華，更是人類生存的根基，而隨著慈溪市人口的增長，對糧食需求相應增加。此情旨在保護糧食資源，避免因過度開發而占用稻田，滿足人類對糧食需求的增長，同時也是對國家基本農田保護政策的具體落實。結合本研究的研究區域具體情況可知，除淺海水域外，稻田是主要的濕地類型，在此情景下，設定糧食安全情景，對稻田區域進行保護，稻田面積保持不變；限制文件中，設置稻田類型為限制類型；轉換矩陣中，稻田的轉出設為0，Markov轉移矩陣中稻田轉入及轉出速率調整為0。（4）灘涂資源保護情景。本研究中，淤泥質海灘作為濱海濕地的重要資源，不但作為農業用地的后備資源，更是鳥類的棲息地；合理開發可達到資源的可持續利用，而過度開發將導致生境喪失，此情景旨在保護資源的合理利用，淤泥質海灘的轉換彈性系數調高，同時為了抑制海水養殖場的轉入速率，將海水養殖場的轉換彈性系數調高；并對Markov轉移矩陣進行調整，將淤泥質海灘向海水養殖場的轉變速率下降50%。

3 結果與討論

3.1 結果

3.1.1杭州灣濕地分類結果

2006年、2011年、2016年3景遙感影像信息提取結果如圖3所示，濕地分類統計結果如表2所示。從圖3和表2中可看出，2006—2016年杭州灣濕地格局及濕地面積發生了極大變化。其中，海岸帶區域向海域方向擴張；淤泥質海灘呈下降趨勢，主要向海水養殖場及稻田轉變；除淺海水域外，稻田是最主要的濕地類型，由圖3中可以看出，稻田面積減少，主要像非濕地轉變；非濕地面積變化較大，且總體呈增加狀態，尤其在2006—2011年間，面積增加明顯。

3.1.2 杭州灣濕地模擬結果

對比2026年各情景模擬空間分布圖（圖4）及各模擬情景下的模擬結果柱形圖（圖 5）發現，呈現出以下特點：

淺海水域在4個情景中均保持基本不變狀態；淤泥質海灘在灘涂資源保護情境下，面積幾乎不變，在其它3個情景下均呈下降趨勢，其中，在經濟建設情景中下降速率最快；永久性河流在各情景下均呈下降趨勢，主要向人工濕地中的運河轉變；永久性淡水湖面積均下降；運河均呈上升趨勢；農用池塘、海水養殖場及稻田在各情景下變化較大。非濕地從內陸濕地及人工濕地均有流入，且幾乎不向其它類型轉變，因而在各情景下均呈上升趨勢；在經濟建設的情景下，非濕地增加速度最快；由上述分析可知，非濕地的增加面積主要來源于稻田的轉入，因而在稻田保護的情景下，非濕地的增加明顯受到抑制。

表2 杭州灣濕地3景影像分類結果面積統計Table 2 Total areas of the wetland types in Hangzhou Bay hm2

圖3 遙感影像信息提取結果Fig. 3 Wetland mapping in 2006, 2011 and 2016 of Hangzhou bay

3.2 精度評價

3.2.1 分類結果精度評價

（1）與高分辨率影像對比

將2006年與2011年的分類結果與同一時期的谷歌高分辨率影像對比，對濕地分類結果進行抽樣調查以檢驗其分類精度。通過谷歌歷史影像查詢，下載2006年8月1日及2011年12月31日兩期影像，將谷歌高分辨率影像作為真實影像，在影像上隨機撒點作為真實點，并將分類結果與其進行比較。以制圖精度、用戶精度、以及總體精度和Kappa系數等作為精度評價指標，利用ENVI中混淆矩陣的精度評價方法，檢驗各個景觀類型的精度。結果如表3所示，總體精度及Kappa系數均達到85%以上。

表3 2006—2011年杭州灣濕地信息提取精度評價Table 3 Accuracy assessment of wetland mapping for 2006 and 2011

圖4 2026年各情景模擬空間分布圖Fig. 4 Wetland mapping of various scenario in 2026General changes scenario, economic development scenario, agriculture protection scenario and mudflat resources protection scenario分別表示自然增長情景、經濟建設情景、糧食安全情景和灘涂資源保護情景。下同

（2）實地野外驗證

為了進一步驗證杭州灣濕地信息提取精度，在獲得2016年實驗分類結果后對各個景觀類型進行野外實地驗證。根據實驗研究中存在問題的疑問點以及各景觀類型的分布特征，對實地調查路線進行部署以及對不同地物類型的點開展了針對性的驗證。本次野外驗證線路由北向南、由西向東對 132個部署點進行逐一驗證。野外實地驗證點如圖1所示，混淆矩陣結果如表4所示。結果表示，實驗分類結果精度均達到 80%以上。并在實地驗證結束后，對原分類結果進行了改善以提高其分類精度。

3.2.2 模擬結果精度驗證

首先以 2011年的濕地空間分布格局圖為模擬年份初始圖，運用Markov-CLUES耦合模型模擬了2016年的濕地空間分布格局模擬圖，并以2016年的實際濕地分布現狀圖進行驗證，結果顯示模擬總體精度為 86%；Kappa系數為 0.81。因而，將Markov-CLUES耦合模型運用于杭州灣濱海濕地未來空間格局的模擬，精度較高，模擬結果可信。

3.3討論

3.3.1 杭州灣濕地現狀分析

圖5 2026年各情景模擬結果柱形圖Fig. 5 Wetland histogram of various scenario in 2026

表4 2016年杭州灣濕地信息提取精度評價Table 4 Accuracy assessment of wetland mapping for 2016

由于圍海造田及杭州灣新區建設等政策實施，海岸帶不斷朝海域方向擴張。淤泥質海灘受到來自內陸方向的圍墾，同時不斷向海域方向淤積，當圍墾速率與淤積速度平衡時，則淤泥質海灘保持動態平衡，當圍墾速率高于淤泥淤積速度，淤泥質海灘受到過渡圍墾，將導致濕地功能喪失及退化。由于城市建設及人口增長加大了對建筑及道路等非濕地的需求，導致居民聚集點由中心向外圍不斷擴張，占用周邊濕地類型，其中最明顯的結果是建筑與稻田的交界處，由于邊緣效應導致的稻田類型的不穩定性，稻田類型極易轉變為建筑等非濕地類型。非濕地從各濕地類型均有轉入，且幾乎不向其它濕地類型轉變，因此，面積呈上升趨勢。

3.3.2 多情景模擬結果對比分析

在自然增長的情景下，未來濕地演變趨勢與歷史演變趨勢相近。與 2016年濕地現狀相比，2026年濕地演變趨勢如下：淤泥質海灘呈輕微下降趨勢，淤泥質海灘面積減少部分主要轉變為稻田和非濕地；永久性河流及永久性淡水湖減少；運河增加，增加面積主要來源于永久性河流的轉入；農用池塘和稻田面積增加，農用池塘的增加主要來源于淤泥質海灘的轉入，稻田面積增加主要來源于淤泥質海灘及海水養殖場的轉入；海水養殖場面積下降，主要轉變為稻田及非濕地。

在經濟增長的情景下，加速了自然濕地與人工濕地向非濕地的轉變速率及轉變范圍。與自然增長情景相比，淤泥質海灘圍墾速率加快，面積下降速率增加 3.46%；稻田向非濕地的轉變速率增加5.31%，稻田面積下降，而非濕地呈急劇上升趨勢。

在糧食安全情景下，稻田面積得到很好的保護，基本不向非濕地轉變，同時，接收淤泥質海灘的轉入，面積呈輕微上升趨勢，與 2016年相比增加了 3470.76 hm2，因此，稻田資源在數量上和空間分布上都得到了良好的保護。在稻田不向其它濕地類型轉變的情況下，稻田面積達到飽和，淤泥質海灘向稻田的轉變速率受到抑制，轉變速率降低了1.55%，與情景一相比，淤泥質海灘下降速率降低。在稻田被保護的情況下，減少了稻田向非濕地的轉變，非濕地轉入的主要來源減少，因此，在此情景下非濕地面積及空間分布與2016年基本一致。

在灘涂資源保護情景下，淤泥質海灘面積與2016年相比幾乎不變，處于穩定狀態，資源得到了有效保護；在此情景下，海水養殖場與稻田來源于淤泥質海灘的轉入大幅度減少，同時仍以一定速率向非濕地轉變，因而海水養殖場與稻田的整體面積呈急劇下降趨勢。

4 結論與展望

4.1 結論

本文以杭州灣濱海濕地為研究區域，對杭州灣濱海濕地2006年、2011年、2016年3年的Landsat影像進行濕地信息提取，通過Markov模型對研究區未來年份的各濕地類型需求面積進行定量預測，構建Markov-CLUES耦合模型，對杭州灣濕地未來10年的空間格局演變進行多情景模擬。本文主要研究結論如下：

（1）本文通過對杭州灣濕地現狀研究發現，由于圍海造田及杭州灣新區建設等政策實施，海岸帶不斷朝海域方向擴張。淤泥質海灘受到來自內陸方向的圍墾，處于極不穩定狀態。由于城市建設及人口增長加大了對建筑及道路等非濕地的需求，導致居民聚集點由中心向外圍不斷擴張，占用周邊濕地類型，稻田類型極易轉變為建筑等非濕地類型。非濕地面積呈不斷上升趨勢。

（2）通過對比各情景模擬得到的2026年濕地空間分布圖及對其分析發現，濕地未來演變趨勢如下。淤泥質海灘在經濟增長情境下圍墾速率加快，與自然情景相比，面積下降速率增加3.46%；在灘涂資源保護情境下，面積幾乎不變，得到了有效保護。永久性河流與永久性淡水湖在各情景下均呈下降趨勢；運河均呈上升趨勢；農用池塘及海水養殖場在各情景下變化較大。稻田是除淺海水域外的主要濕地類型，在經濟建設情景下，稻田向非濕地的轉變速率增加5.31%，稻田面積下降；在糧食安全情景下，面積呈輕微上升趨勢，與2016年相比增加了3470.76 hm2，在數量上和空間分布上都得到了良好的保護。非濕地在稻田保護的情景下，由于來源的減少，面積增長受到抑制；在其它3個情景下均呈上升趨勢；在經濟建設的情景下，非濕地增加速度最快。

4.2 展望

本文研究過程中，利用了三期Landsat影像作為基礎數據獲取了近 10年來濕地空間格局分布和歷史演變趨勢，分辨率為30 m，在后續的研究中，可采用高分辨率影像對濕地信息進行提取，有助于提高遙感影像解譯精度，減少因分類誤差對驅動機制分析造成的影響；可適當增加影像數量及延長研究的時間，有助于對濕地演變歷史演變趨勢更準確的分析，有助于驅動因子與濕地演變的相關性分析，同時可延長對未來的預測時間對提高對濕地未來空間分布的精度。

本研究中，主要采用目視解譯方法對濕地進行分類，但耗費大量人力及時間，在后續的研究中，希望能尋找及嘗試采用計算機自動分類的方法獲取濕地分類結果。在對驅動因子的研究中，驅動因子需通過空間可視化的形式表現，才能加入模型的運行，而社會經濟發展及人為干擾的強弱等因子較難定量化及進行空間可視化分析，因此在驅動因子選取時受到限制。在后續的研究中，如何確定這些因子與濕地類型之間的相關性及如何進行定量化分析需進一步研究。在預測過程中，雖然考慮了自然和社會影響因素，具體在情景設置中體現，但主要以人為設置為主，主觀性較強。在后續的研究中，也會嘗試通過引入其它模型以便在模型預測時將自然和社會因素作為重要模塊加以考慮，如引入系統動力學模型等。