基于地理探測器的長武縣土地利用時空差異及驅動力分析

李沛 賀炳彥

摘 要 以咸陽市長武縣為研究區，研究其土地利用時空變化特征、發展規律及驅動因子作用機制。經回歸分析可知，高程、生產總值和人口總數是影響長武縣土地利用變化的3個最顯著驅動力因子;通過構建地理探測器模型得出距人均收入與人口總數，坡度、高程等與距道路的距離和距水源的距離的交互作用極強，且不存在獨立或者減弱關系的因子，為長武縣土地利用可持續發展提供依據。

關鍵詞 土地利用變化;驅動力因子;Logistic回歸分析;地理探測器模型

中圖分類號：F301.2 文獻標志碼：B DOI：10.19415/j.cnki.1673-890x.2020.09.089

近年來，我國社會經濟的快速發展與土地資源的匱乏之間的矛盾日益突出，引發了越來越多的土地問題[1]。為了實現社會經濟與土地資源的協調可持續發展，土地利用/覆被變化逐漸成為人們關注的熱點內容[2]。深入研究土地利用變化的時空特征、發展規律以及產生變化的驅動因素，通過分析驅動因素與土地利用類型之間的作用機制，能夠為維持生態系統穩定提供有力支撐[3]。目前學者們對土地利用時空演變及驅動力分析的研究呈現出多角度全方位的特點[4-8]。但是任何一種地類的變化都是多因素影響的結果。基于此，以長武縣作為研究區域，探討和分析該區域土地利用時空變化特征，探測識別影響該區域用地時空演變的各驅動力因素及作用機制，對指導未來土地利用可持續發展具有重要意義。

1 數據與方法

1.1 數據來源與處理

研究中所涉及的土地利用數據來源于長武縣自然資源局，參考《土地利用現狀分類標準》將長武縣土地分為耕地、園地、林地、草地、城鎮村及工礦用地、交通運輸用地、水域及水利設施用地以及其他土地八大類。并選取了高程等十一個驅動因子并將其重命名，如表1所示。其中高程（DEM）數據來源于地理空間數據云平臺;坡度及坡向數據是根據Arcgis的表面分析模塊計算得到;距離因子是通過Arcgis的歐式距離分析模塊計算得到;人口數據、社會經濟、降雨量等社會統計數據主要通過查閱咸陽市年鑒、長武縣年鑒以及咸陽市和長武縣政府工作報告等獲得。

1.2 研究方法

1.2.1 單一土地利用動態度

單一土地利用動態度是描述單一地類動態變化時采用的模型[9]，能反映一定時間范圍內某種土地利用類型的數量變化情況和變化速率。其數學表達式為式1～3。

Logistic回歸分析主要分為二項logistic回歸和多元logistic回歸[10]。Logistic回歸分析可以篩選出對土地利用變化影響顯著的因子，因此在土地利用變化方面應用十分廣泛[11]，表達式如公式4所示。

1.2.3 地理探測器模型

地理探測器模型由因子探測器、生態探測器、風險探測器和交互探測器組成[12]，交互探測器可以識別不同因子之間的交互作用，可以評估兩個因子共同作用下對土地利用變化程度的解釋力[13]。交互判斷依據如表2所示。

2 結果與分析

2.1 時空差異分析

2.1.1 數量變化分析

由表3可知，長武縣土地利用類型總體呈以農用地為主、城鄉建設用地為輔的分布態勢。耕地、城鎮村及工礦用地等在研究時段內面積呈增加趨勢，其中城鎮村及工礦用地占比增加0.44%，變化最明顯。園地、林地等在研究時段內面積呈下降趨勢，其中園地面積占比減少了0.74%。隨著社會經濟的快速發展，長武縣城鎮體系的不斷優化使得建設用地呈現持續擴張趨勢，近年來隨著耕地保護政策的實施使得長武縣的耕地保有量穩中有升。園地整體處于下降趨勢，但減少速度逐漸放緩。

2.1.2 動態變化分析

長武縣土地利用動態變化情況如表4所示。研究期間長武縣的各地類均有不同程度的轉移或增加，未利用地與建設用地的總變化速率最大，且均為新增速率大于轉移速率。水域及水利設施用地的轉移速率大于新增速率，總變化率為0.70%。農用地中園地變化速率較大為0.66%。建設占用是園地減少的主要原因，耕地雖有部分轉移，但是隨著加大土地復墾及農業結構調整力度等政策的實施，耕地得到了有效及時的補充。

2.1.3 空間變化分析

如圖1所示，從地類的空間分布來看，長武縣的土地利用空間分布可以分為南、北、中3部分。由于地形地貌的影響，長武縣北部多耕地、園地和建設用地，最北端分布有較少量的林地;耕地主要分布在地掌鎮、彭公鎮和冉店鎮;園地主要分布在相公鎮、昭仁鎮和洪家鎮;建設用地主要分布在昭仁鎮和亭口鄉。中部區域較小，地類主要以草地為主。亭口鎮、巨家鎮和棗元鎮占了長武縣南部的絕大部分，其地類主要以林地為主。

2.2 影響因素分析

根據前文分析，將驅動因子與土地利用變化數據作為基礎數據導入到SPSS軟件中定量分析驅動因子與土地利用變化之間的相互作用關系，結果如表5所示。

長武縣回歸方程模型如公式5所示。由表5可知，高程、生產總值和人口總數是影響長武縣土地利用變化的3個最顯著的驅動力因子。

2.3 驅動力交互探測分析

運用地理探測器探測不同驅動因子與2010—2018年的土地利用時空變化的交互作用關系，交互作用結果如表6所示。土地利用在2010—2018年間受到了多因子的共同作用，其中距人均收入和人口總數交互影響力比值最大，為0.976，坡度和距道路的距離交互影響力次之，為0.964，DEM和距水源的距離交互影響力為0.937。二者的交互作用方式均為非線性增強。人均收入促進了人口總數因子對土地利用變化影響的程度，近年來人們生活水平提高，快速的人口增長使得中心城鎮居民對居住用地及居住環境的需求量大幅度提高，成為建設用地擴張的主要驅動因素。距道路的距離和距水源的距離也是影響土地利用時空分布的主要驅動力，高程與坡度加強了這種影響作用。