基于地理加權CLUE-S模型的土地利用變化分區模擬

崔學森 劉軼倫 郭玉彬 黎世勇 胡月明 張飛揚 王璐

摘要：運用CLUE-S模型進行大范圍的土地利用變化模擬具有其優越性，但是傳統模型對于研究區內不同地理區域土地利用變化的自然人文驅動因子的差異缺乏考慮。針對大范圍土地利用變化模擬存在的問題，在傳統的CLUE-S模型的基礎上，引入了空間分區的概念，使模擬過程中考慮了不同空間分區對驅動因子敏感性的差異，并用GWR-Logistics回歸對研究區進行土地利用變化轉換適宜性建模。以海南省多期土地利用現狀分布圖為基礎，利用多個影響因子進行分區用地適宜性回歸，并集成于CLUE-S模型進行模擬。通過對比發現，基于地理加權CLUE-S模型對于空間差異性顯著的區域具有更好的適用性。

關鍵詞：CLUE-S;分區模擬;土地利用/覆被變化;GWR-Logistic回歸

中圖分類號： F323.211 文獻標志碼： A

文章編號：1002-1302（2019）20-0287-06

土地利用/覆被變化（land use/cover change，簡稱LUCC）的研究內容包含了土地利用和土地覆被變化過程、驅動機制以及資源、生態和環境效應影響等諸多方面。土地利用變化模擬是LUCC的核心內容之一[1]。近年來，大區域的土地利用變化模擬受到了更多的關注[2]，如何考慮區域空間差異并提高模擬質量成為了在大區域模擬過程中需要考慮的核心問題。

根據近年來學者在土地利用變化的驅動力、結構、模式的研究來看，由于受區位條件、自然條件與行政等級分異等因素的影響，土地利用變化是存在區域分異的，且具有時序性的特點[3-5]。土地利用模擬已有分區模擬的探索與應用，如楊俊等基于局部土地利用競爭的CA-Markov模型進行土地利用變化模擬[6];柯新利等論證了基于空間聚類的分區元胞自動機比不分區具有更高的精度[7]。CLUE-S模型在大范圍區域的土地利用變化情景模擬具有先天優勢[1]，近年來對CLUE-S模型的改進更多地集中在計算用地需求的模型[8-11]與驅動力回歸算法[12]上，而對影響土地利用類型空間分布的驅動因子區域分異問題的研究仍在初步探索階段。吳桂平等在驅動因子的回歸計算中引入了空間自相關變量[13]，但其反映的空間關系仍停留在微觀層面，忽略了區域上的空間差異，例如對于海南省的中部山地區與沿海經濟帶則難以用統一的回歸方程解釋各驅動因子與土地利用變化的關系。因此，有必要在建立土地適宜性回歸方程的過程中考慮驅動因子在不同分區之間的差異，并探索不同的空間分區模擬方式情景下CLUE-S的適用性。

CLUE-S模型一般包括自上而下的宏觀控制與自下而上的微觀規則2個方面[14]。但是在這種CLUE-S模型的運行機制下，對區域尺度上的空間差異則較少考慮。從其模擬過程來看，CLUE-S模型注重從宏觀全局的角度進行土地利用變化模擬，并認為研究區域具有同質性，這與地理區域在自然與人文各因素在客觀上具有空間差異性是相矛盾的，驅動因子在不同空間分區上對土地利用變化的影響是不一樣的，而用統一的驅動力回歸方程驅動具有空間差異性的土地利用變化過程，降低了模擬的準確性。地理加權回歸（geographically weighted regression，簡稱GWR）模型允許局部的參數進行函數擬合[15]，利用GWR模型集成具有不同區域特征的用地適宜性方程可以使模型更好地解決驅動因子的空間異質性問題。因此需要在原有的土地利用變化模擬模型的基礎上引入空間分區的概念，以適用于模擬具有宏觀空間分區差異的區域。

本研究在利用CLUE-S模型進行土地利用變化模擬的基礎上，加入了GWR-Logistics回歸模型以適應不同空間差異的分區模擬。以海南省為例，因其自然條件與經濟發展情況具有較為明顯的區域分布特征，通過分析驅動因子的分布特征進行區域劃分。在海南省2009年、2012年、2015年土地利用類型現狀數據的基礎上，對沿海經濟帶、環形臺地帶、中部山地區3個區域建立不同的驅動力回歸方程，并通過地理加權集成到CLUE-S模擬的過程中，最后探討了CLUE-S模型在不同的模擬情景之間的優劣。

1 模型與方法

1.1 CLUE-S模型

CLUE-S模型是荷蘭瓦赫寧根大學“土地利用與變化”研究小組在CLUE模型的基礎上開發的。CLUE-S模型是一種未來用地變化及其空間分布的多情景的、動態的、區域性的小尺度分析預測模型。基于系統論的方法，CLUE-S模型利用社會經濟與自然資源的驅動因子來分析用地變化。該模型還提出土地利用系統中的分層結構、位置與定義用地類型轉換彈性的一系列變量所影響的穩定性之前的空間關系[16]。

CLUE-S分為土地需求模塊與土地利用變化空間分配模塊2個部分。土地需求模塊從宏觀的角度上計算研究區內由土地需求驅動因素導致的土地利用類型數量的變化，或者計算設定不同情景條件的土地需求。土地利用變化空間分配模塊則把土地需求模塊計算出的土地需求結果分配到研究區的空間位置上，達到空間模擬的目的[17]。一般土地利用變化空間分配模塊的第一步是借助外部模型計算出土地利用適宜性回歸方程，最常用的模型是二元Logistics回歸模型：

利用得到的回歸方程計算模擬年份在不同土地利用類型上的土地適宜性分布概率，再計算柵格在迭代過程中一定搜索半徑中不同土地類型出現的頻率，從而得到各柵格的鄰域影響值。最后綜合由土地適宜性、預定義的轉換彈性與鄰域影響3個因素計算得到的總體轉換概率進行空間配置，并通過迭代計算使模擬土地數量符合土地需求為止[18]，其核心公式為

式中：TPROPi，u表示柵格i對u土地類型的總體轉換概率;Pi，u表示柵格i對u土地類型的土地適宜性，其值越接近1表示出現u土地類型的概率越大;ELASu表示u土地類型的轉換彈性，越接近0表示轉換耗費越低，反之越高;Ni，u表示柵格i對u土地類型的鄰域適宜性，其反映了i柵格被周圍u土地類型同化程度的高低;ITERu表示迭代變量，在每一次迭代中，當u土地類型總量與土地需求不符則自動改變并進入下一輪空間配置。

1.2 基于CLUE-S的分區模擬

本研究在CLUE-S模型的基礎上，對研究區進行區域劃分。針對不同的區域分別進行土地利用變化驅動力的回歸分析，使驅動因子與土地利用變化的關系由全區域變為分區各自的驅動力方程，減少了不同分區合并而造成的方程特征模糊。根據各組驅動力回歸方程計算整個研究區的用地適宜性概率，該組土地適宜性概率包含了不同分區的發展特征，考慮到不同的土地適宜性對不同分區的解析程度不一致且具有空間上連續衰減的特點，再引入地理加權的方法將分區適宜性合并輸入到CLUE-S模型進行模擬。

1.2.1 GWR-Logistics回歸

Logistics回歸是一種計算各個土地利用類型在空間上分布的概率的常用方法，反映不同土地利用受驅動因子影響在空間上的適宜性。在分區模擬的思路下，對不同分區分別將回歸因子與土地利用現狀數據輸入到SPSS中的二元Logistics逐步回歸，得到反映不同區域土地利用特征的回歸方程，并推測出分區適宜性概率。根據研究區的空間分布特征，構建反映區域局部特征的地理加權因子，將分區適宜性概率加權疊加得到總體土地適宜性。

1.2.2 土地需求計算

一般情況下土地需求計算依賴于外部模型來完成，本研究使用操作性較強的曲線擬合方式來預測不同土地利用類型的土地需求數量。曲線擬合的方法使用最小二乘法，擬合曲線類型使用二次函數。

1.2.3 鄰域分析

傳統的CLUE-S模型所采用的二元Logistics逐步回歸方法往往忽略了空間數據內部具有自相關性，為了彌補這一缺陷，參考CA元胞自動機定義轉換規則的方法[19]，在原有的CLUE-S模型的基礎上，引入了鄰域約束作為空間配置的一個因子。鄰域類型包括von Neumann鄰域和Moore鄰域，為了方便運算，采用3×3Moore鄰域窗口針對每一種土地利用類型建立鄰域約束，若中心元胞的約束鄰域內存在的土地利用類型越多，則其值越高，表示受該土地利用類型的影響程度越高。

1.2.4 轉換彈性

傳統的CLUE-S模型多根據經驗來定義土地利用類型之間的轉換彈性矩陣，其取值越低表示土地類型轉換的概率越低，反之越高。這種方法受主觀影響較大，并且需要在模型檢驗中不斷調試。本研究參考了Markov鏈模型的思路，認為當前一年的土地利用狀況受前一年的土地利用狀況影響，用1年作為步長，以歷年土地利用類型的數量作為狀態序列，計算不同相鄰狀態的轉換概率并構建土地利用轉移矩陣。該矩陣取能反映歷史土地利用類型之間的轉移概率，再取倒數用于表示土地利用類型之間的轉換彈性。

2 模型應用與驗證

2.1 研究區概況

海南省是我國最南端的一個島嶼，全省陸地總面積3.5萬km2，自2010年提出建設國際旅游島以來經歷了快速城鎮化的過程，土地利用方式與模式也隨著經濟的發展而改變。海南省先天性具有自然條件與社會經濟條件相對獨立的特點，受周邊地區影響較少，另一方面，海南省又存在著環形的分層結構，沿海地區經濟與發展均優于中部山區，而農田與植被覆蓋也存在以中部山區向外輻射減少的趨勢。自從2010年國務院下發《國務院關于推進海南國際旅游島建設發展的若干意見》以來，海南省在保護生態環境及基本農田的基礎上，大力扶持開發多種旅游資源。因此，需要結合海南省各區域特點來合理地制定發展規劃方案。

2.2 數據源及預處理

本研究所需數據包括3期土地利用現狀數據及6個驅動因子數據，數據均由海南省國土資源廳信息中心提供。將海南省2009年、2012年、2015年的第2次土地調查及變更調查圖件數據歸并為5種土地利用類型（表1）。在保證計算效率的前提下，確定數據源的空間分辨率為500 m×500 m。

土地利用變化一般受自然資源條件與社會經濟條件2類因素影響（表2）。其中自然資源因子包括植被、水體、農業適宜性3種指數，社會經濟因子選取了縣城中心、高速公路、省道3種要素并通過ArcGIS通過距離制圖得到。

空間自相關反映的是一塊區域中某種現象與鄰近區域單元上同一現象的相關程度，而某個驅動因子的值在同一區域對同一土地利用類型呈現出區域性的空間自相關行為。利用ArcGIS通過Getis-Ord Gi*統計方法[20]對6個驅動因子進行熱點分析，發現其聚集現象存在不同程度的環形結構（圖 1-a），結合疊加分析各驅動因子得到的聚集趨勢進行空間分區，可將研究區分為沿海經濟帶、環形臺地帶、中部山地區3個區域（圖1-b）。

2.3 參數設置

通過對研究區的2009年、2012年、2015年的土地利用數量進行二次方程的曲線擬合，計算出2015年、2020年、2025年的土地需求（表3）。以歷史土地利用轉換情況為基礎，構建Markov鏈模型，得到土地轉移彈性矩陣（表4，水體設定為不允許轉換）。由于研究區具有近似環形的分區結構，可以利用距中心點衰減、增強及兩者疊加的方式構建出近似環形的權重文件[w1，w2，w3]，其中wx的取值為[0，1]，將不同分區回歸預測結果分別與[w1，w2，w3]加權求和得到總體土地適宜性（圖2）。以生態保護紅線作為限制區域。將土地需求、轉移彈性、土地適宜性與限制區域輸入到CLUE-S模型中，模擬不分區、分區模擬及分區集成3種情況下的土地利用分布。

分區Logistics回歸示意如圖2所示，fi（xi，1，xi，2，…，xi，m）表示第i個分區由m個驅動因子得到的回歸方程，Pi，u表示柵格i對u土地類型的土地適宜性，[w1，w2，…，wi]表示地理加權因子。

2.4 結果與檢驗

將3個分區下的5種土地利用類型與6個驅動因子柵格數據轉換成文本文件，根據分區二元Logistics逐步回歸建模方法計算不同區域特征的回歸方程（表5） 其中“—”表示被剔除的因子。對回歸方程使用ROC曲線檢驗，該值越大，說明回歸方程的擬合精度越高，通常認為ROC值大于0.7時，所選的驅動因子具有良好的解釋能力。運用Python語言編寫GWR集成工具集成用地適宜性概率，將該概率值與其他參數輸入到JAVA編寫的CLUE-S模型模擬工具，輸出2種模擬方式的結果并與2015年的真實值進行對比（圖3）。

由3個分區的Logistics回歸系數（表5）對比發現，在ROC檢驗效果總體表現良好的情況下，不同區域的回歸系數具有較大的區別，尤其是自然資源因子區別更明顯，說明其回歸方程的共線性較低。

從圖3中海口局部的模擬結果對比發現，集成CLUE-S模擬方法與傳統CLUE-S方法的土地利用分布形態均與2015年現狀分布類似，但是傳統方法表現出同質化現象更嚴重，說明土地適宜性回歸方程對土地利用類型變化的解釋性比鄰域模塊弱，而集成CLUE-S模擬方法考慮了3個區域之間驅動因子的空間差異，分區域計算Logistics回歸方程再耦合到整個研究區，因此能更合理地解釋土地利用變化情況。

為了進行模擬結果檢驗，本研究同時使用傳統模型及改進的CLUE-S模型進行控制性試驗：按照傳統的CLUE-S模型進行模擬（以下簡稱傳統模型）;在3個區域中分別使用傳統的CLUE-S模型進行模擬（以下簡稱分區模型）;在分區進行Logistic回歸的基礎上，利用GWR集成的 CLUE-S模型進行模擬（以下簡稱分區集成模型）。

2.4.1 模擬準確性檢驗

將2015年模擬結果與研究區同一年份的實際土地利用狀況進行疊加分析，比較分區集成前后模擬的準確率。通過對比發現，對比傳統CLUE-S模擬的結果，除了農田的正確率降低了，其他的土地利用類型正確率均有所提高，而對比分區模型（均值），只有旅游用地的正確率降低了（表6）。

2.4.2 Kappa檢驗

1960年Cohen提出用Kappa值作為評價判斷的一致性的指標[21]，而實踐證明它是一個描述一致性較為理想的指標。其中Kappa值由下式算得：

通過表7可知，分區集成比不進行空間分區及單純分區模擬的Kappa值都要高，模擬結果更為理想。

2.4.3 Moran's I檢驗

Moran's I指數可以用于衡量地圖數據的空間格局及分布，其絕對值越大說明空間相關性越明顯，當值為0時表示空間呈隨機分布。用該指數檢驗了分區集成與傳統CLUE-S方法，基于分區集成的CLUE-S模型所模擬的結果的Moran's I指數值更接近于實際情況的2015年土地利用分布情況（表8），因此，使用分區集成的方式更符合實際情況。

3 結論與討論

本研究針對以往對中-大范圍區域的土地利用模擬研究中缺乏考慮區域差異的問題，在傳統CLUE-S模型的基礎上引入Logistics回歸模型，試驗結果表明其更能反映土地利用在空間上的區域差異，增強了模型對區域差異明顯的研究區的適用性和模擬的精度。

本研究利用2009年海南省土地利用數據模擬未來的土地利用情況，對比分析了傳統的CLUE-S模型與分區模擬的CLUE-S模型，分區集成的CLUE-S模型均有更理想的結果，說明不同區域條件下土地適宜性受驅動因子的影響程度有所區別，在進行土地利用變化模擬的過程中應充分考慮驅動因子方程在不同區域的差異。

另一方面，本研究從探索區域間不同要素間自然與人文差異的角度出發，在土地利用變化模擬過程中先對不同區域的驅動因子回歸方程進行擬合，結合研究區的區域特征利用地理加權回歸模型對各區域的土地適宜方程集成到CLUE-S模型中。由于該分區集成模擬過程中側重考慮了不同區域的空間分布狀態，因此對于區域間各要素差異越大并且區域空間分布規律性越強的案例，具有較好的模擬效果。而區域的劃定方法與回歸方程的集成方法對模擬結果是否有影響以及影響的程度則是需要進一步研究。

參考文獻：

[1]后立勝，蔡運龍. 土地利用/覆被變化研究的實質分析與進展評述[J]. 地理科學進展，2004，23（6）：96-104.

[2]王海軍，夏 暢，劉小平，等. 大尺度和精細化城市擴展CA的理論與方法探討[J]. 地理與地理信息科學，2016，32（5）：1-8.

[3]甘 靜，郭付友，陳 才，等. 2000年以來東北地區城市化空間分異的時空演變分析[J]. 地理科學，2015，35（5）：565-574.

[4]徐 霞，王靜愛，朱玉潔，等. 內蒙古中部地區土地利用變化區域差異分析[J]. 北京師范大學學報（自然科學版），2006，42（3）：310-314.

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

[6]楊 俊，解 鵬，席建超，等. 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.

[7]柯新利，鄧祥征，陳 勇. 元胞空間分區及其對GeoCA模型模擬精度的影響[J]. 遙感學報，2011，15（3）：512-523.

[8]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）：564-576.

[9]Luo G P，Yin C Y，Chen X，et al. Combining system dynamic model and CLUE-S model to improve land use scenario analyses at regional scale：a case study of Sangong watershed in Xinjiang，China[J]. Ecological Complexity，2010，7（2）：198-207.

[10]陸汝成，黃賢金，左天惠，等. 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[J]. 地理科學，2009，29（4）：577-581.

[11]嚴 冬，李愛農，南 希，等. 基于Dyna-CLUE改進模型和SD模型耦合的山區城鎮用地情景模擬研究——以岷江上游地區為例[J]. 地球信息科學學報，2016，18（4）：514-525.

[12]Jiang W G，Chen Z，Lei X，et al. Simulating urban land use change by incorporating an autologistic regression model into a CLUE-Smodel[J]. Journal of Geographical Sciences，2015，25（7）：836-850.

[13]吳桂平，曾永年，馮學智，等. CLUE-S模型的改進與土地利用變化動態模擬——以張家界市永定區為例[J]. 地理研究，2010，29（3）：460-470.

[14]吳健生，馮 喆，高 陽，等. CLUE-S模型應用進展與改進研究[J]. 地理科學進展，2012，31（1）：3-10.

[15]邵一希，李滿春，陳振杰，等. 地理加權回歸在區域土地利用格局模擬中的應用-以常州市孟河鎮為例[J]. 地理科學，2010，30（1）：92-97.

[16]Verburg P H，Soepboer W，Veldkamp A，et al. Modeling the spatial dynamics of regional land use：the CLUE-S model[J]. Environmental Management，2002，30（3）：391-405.

[17]王麗艷，張學儒，張 華，等. CLUE-S模型原理與結構及其應用進展[J]. 地理與地理信息科學，2010，26（3）：73-77.

[18]許小亮，李 鑫，肖長江，等. 基于CLUE-S模型的不同情景下區域土地利用布局優化[J]. 生態學報，2016，36（17）：5401-5410.

[19]楊 俊，張永恒，葛全勝，等. 基于GA-MCE算法的不規則鄰域CA土地利用模擬[J]. 地理研究，2016，35（7）：1288-1300.

[20]Ord K，Getis A. Local spatial autocorrelation statistics：distributional issues and an application[J]. Geographical Analysis，2010，27（4）：286-306.

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