基于生態保護的西安市建設用地變化及預測分析

李星周，韓麗穎，魏峰群

(陜西師范大學 地理科學與旅游學院，陜西 西安 710119)

0 引言

改革開放以來，我國城市化進程獲得快速發展，城鎮化率由最初的17.9%增加到2019年的60.6%。然而快速的城市化也帶來了一系列問題，導致城市向病態和無序方向發展。城市化的發展直觀上表現為建設用地在空間上的擴張，其中包括平面和立體方向的延伸[1]。我國城市建設用地面積以每10年左右翻一番的速度呈不斷增加的趨勢，特別是進入21世紀后，年平均增加面積超過了1000 km2，規模幾乎接近于千萬人口的城市[2]。空間城鎮化指數始終大于人口城鎮化指數，并且兩者之間的差距越來越大[3]。城市擴張占用耕地，威脅國家糧食安全，每年審批的耕地轉用面積占所有土地利用類型轉用面積的一半左右[4]。除此之外，城市化無序蔓延導致土地利用低效，生態環境遭到破壞，造成水土流失、土壤沙化和生物生存環境縮減等問題。因此，研究建設用地在空間上的變化規律，對于引導城市健康和有序發展具有重要意義。

2019年5月，中共中央國務院提出建立國土空間規劃體系，要求劃定各類生態底線，保護生態環境，實現可持續發展。2020年8月，自然資源部、財政部和生態環境部印發了《山水林田湖草生態保護修復工程指南(試行)》的通知，指導全國各地開展生態保護修復實施，提高生態系統的恢復力和穩定性。本文通過對西安市的生態保護進行評價，通過評價結果的空間格局能夠識別生態功能重要區域、生態環境敏感脆弱區，為西安市的山水林田湖草工程提供實施范圍和規模；從城市發展的角度來看，強化底線約束，對西安市的建設用地格局進行預測，可以為國土空間規劃背景下西安市彈性城鎮開發邊界的劃定提供參考和借鑒。

建設用地變化模擬可以采用經驗統計模型、宏觀動力學模型和微觀動力學模型[5]。常用的模型有Markov模型、Logistic回歸模型、CA模型[6-8]、CLUE-S模型[9-10]、MAS模型[11-12]。Logistic回歸模型和Markov模型都屬于統計模型，通過回歸分析和馬爾科夫鏈，能模擬土地利用的數量變化，缺點是不能對土地利用在空間上的分布進行預測[13]。CA模型雖然可以預測土地利用在空間上的變化，但在解釋城市擴張時空變化方面的能力不足[5]。CLUE-S模型效率較低，需用其他軟件輔助[14]。MAS可以通過多主體的決策，采取自下而上的方法進行模擬，具有土地利用變化數量和空間格局結合的優點，但在結果解釋方面比較乏力[15]。越來越多的學者對于土地利用動態模擬逐漸從單一方法的模擬研究轉向多種方法的相互融合[16-17]。FLUS模型基于元胞自動機，采用神經網絡獲取各種土地利用類型的適宜性概率，通過自適應慣性和輪盤競爭機制，能夠更加真實地模擬建設用地變化情況[18],其基于神經網絡可以從單期土地利用數據提取轉換規則，相比較于CA-Markov模型對于數據量的需求更小。

當前模型的驅動力反饋機制大多數是正反饋，即從發展的角度審視城市擴張，對于負反饋機制的研究較少，即保護的角度。本文通過建立生態保護評價指標體系，將其作為驅動力進行土地利用模擬，可以在一定程度上完善驅動力的反饋機制。除此之外，本文采用了更為精確的格網尺度，對西安市建設用地變化進行分析和預測，一方面可以為西安市的城市發展提供決策依據，另一方面可以為國土空間規劃城鎮開發邊界的劃分和山水林田湖草生態修復工程的實施范圍和規模提供思路。

1 研究區概況

西安市位于陜西省中南部，處于秦嶺北部、渭河南部。境內主要以山地為主，北部平原和丘陵較多，地勢平坦，南部由于秦嶺的原因，地勢較高。西安市所在行政區包括11區(未央區、新城區、碑林區、蓮湖區、灞橋區、鄠邑區、閻良區、長安區、雁塔區、臨潼區、高陵區)和2縣(周至縣、藍田縣)，總面積達10752 km2(圖1)。2018年年末西安市常住人口1000.37萬人，其中城鎮人口740.37萬人，城鎮化率達到74%。習近平主席提出了“一帶一路”戰略，促進我國經濟的對外交流和發展。西安市是“古絲綢之路”的起點，西北地區重要的經濟發展中心，在促進“一帶一路”沿線經濟發展中扮演著重要節點城市的作用。2018年2月，《關中平原城市群發展規劃》提出：“要將西安建設成為國家中心城市，發揮其在推動區域經濟發展中的引領作用。”

圖1 西安市地理位置

2 研究方法

2.1 數據來源與處理

2.1.1 數據來源 本文生態保護評價指標數據主要包括植被凈初級生產力(NPP)數據、歸一化植被指數(NDVI)數據、DEM數據、氣象數據、土壤類型數據等。其中DEM數據來源于地理空間數據云( http://www.gscloud.cn /)，空間分辨率為30 m；NPP(2000～2010年)和NDVI數據來源于中國科學院資源環境科學數據中心(http://www.resdc.cn/)，空間分辨率為1000 m；氣象數據為2000～2018年中國地面累年值數據集，主要包括累年降雨量、累年氣溫數據，來源于中國氣象科學數據共享服務網(http://data.cma.cn/)。FLUS模型所采用數據包括土地利用數據、DEM數據、氣象數據、GDP數據、路網數據和河流水庫數據等。其中土地利用/覆被數據使用2010和2018年全球地表覆蓋數據，來源于中國科學院資源環境科學數據中心(http://www.resdc.cn/)，空間分辨率為100 m；土壤質地數據來源于寒區旱區科學數據中心( http://westdc.westgis.ac.cn)；GDP數據來源于《西安市統計年鑒》；路網數據和河流水庫數據使用1∶100萬全國基礎地理數據庫，來源于全國地理信息資源目錄服務系統(https://www.webmap.cn/main.do?method=index)。基于Arcgis 10.3平臺，將所有數據統一投影至WGS_1984_Albers坐標系統下，分辨率統一采樣為100 m，保持數據處理過程中的一致性。

2.1.2 數據處理 具體處理如下：(1)將NPP數據經過提取和柵格運算得到2000～2010年平均凈初級生產力NPPmean。(2)對土壤質地類型進行提取、分類和歸一化得到土壤滲流能力因子Fsic，在查閱相關文獻[19-20]的基礎上，進行柵格運算，得到土壤可蝕性因子K和Ri。(3)選取西安市及周邊區域內30個氣象站點，篩選2000～2018年的年均降水數據，采用Arcgis反距離權重插值運算，然后對結果進行歸一化處理，得到降水因子Fpre。(4)使用DEM數據提取坡度、地形起伏度、海拔，然后對結果進行歸一化處理，得到坡度因子Fslo、地形起伏度因子LS和海拔因子Falt。(5)選取西安市及周邊區域30個氣象站點，篩選2000～2018年的年均溫度數據，采用Arcgis反距離權重插值運算，利用海拔數據對插值結果進行矯正得到溫度因子Ftem[21]。(6)對NDVI數據進行處理并歸一化得到植被覆蓋度C。(7)對交通因素使用歐氏距離進行處理。(8)人口、二三產產值和一產產值網格化分別基于建設用地和耕地數據進行計算，先計算各縣區人口和產值密度，然后算出每個網格里的用地面積，最后得到每個網格的人口和產值。

2.2 生態保護評價

生態保護評價主要包括土壤保持功能重要性評價、水源涵養功能重要性評價、生物多樣性保護功能重要性評價和水土流失敏感性評價(表1)。首先集成生態系統功能性評價，每個子評價的權重都為1，然后使用自然斷點法劃分為一般重要、較重要、中等重要、高度重要、極重要5個等級。水土流失敏感性評價先對各因子進行賦值，然后采用自然斷點法劃分為不敏感、輕度敏感、中度敏感、高度敏感和極敏感5個等級。

表1 生態保護評價

2.3 建設用地模擬

2.3.1 FLUS模型 FLUS模型原理來自元胞自動機，可模擬在人類活動和自然等條件影響下的建設用地的空間格局。首先采用神經網絡算法獲取轉換規則，建立土地利用類型與城市擴張驅動因子(自然、交通、氣候等)的映射關系，得到建設用地的適宜性概率。然后結合適宜性概率與元胞鄰域大小、土地利用類型轉換成本和慣性系數計算像元上各土地利用類型的轉換總概率，其采用的輪盤賭機制可以反映不同地類在空間上的競爭作用[23]。本文建設用地模擬主要基于GeoSOS-FLUS軟件，其中轉換成本可以根據研究區土地利用轉移實際情況，結合規劃政策和政府文件確定不同類型之間的轉換規則，并通過限制區域表示城市規劃剛性邊界對建設用地擴張的抑制作用，因此具有更高的模擬精度，模擬結果更符合現實。

FLUS模型的模擬精度采用總體精度和Kappa系數進行驗證，Kappa系數計算公式如下[24]：

其中，p0為總體精度，通過統計模擬土地利用數據和真實土地利用數據類型相同所占比例進行計算，pc=1/n，n表示土地利用類型個數。

2.3.2 驅動力因子 城市是一個復雜的系統，其發展受到多種因素的影響。在前人研究的基礎上[25-26]，本文選擇自然條件、交通條件、社會經濟條件和氣候條件，并將生態系統重要性評價和水土流失敏感性評價作為城市擴張的驅動因子，加強驅動因子的全面性，對2035年西安市建設用地進行模擬。自然條件主要選取高程、坡向和坡度；交通條件主要選取到河流水庫、城市、高速、國道、省道和鐵路的距離；社會經濟條件主要選取人口、一產產值、二三產產值；氣候因素主要選取降雨和溫度(圖2)。自然條件是限制城市擴張的客觀條件，但是以往的研究僅僅考慮地形和坡度等因子，本文從生態保護評價出發，將結果作為限制城市發展的條件；氣候條件和城市擴張相輔相成，一方面城市形成需要適宜的溫度和水資源，另一方面城市的快速擴張又會影響局部氣候；社會經濟是城市發展的動力，人口和產業的空間集聚推動了城市規模擴張；交通條件使得產業的運輸成本降低，對于城市的擴張具有線性影響。

圖2 驅動力因子

2.4 技術路線

本文先進行生態系統功能性評價和生態敏感性評價，將結果和自然、社會經濟、交通和氣候條件作為FLUS模型的空間驅動因子，模擬建設用地規模采取馬爾科夫鏈進行計算，基于Arcgis平臺將生態系統功能性評價中的高等重要、極重要區域和水土流失敏感性中的高度敏感、極敏感區域進行空間疊加，將疊加區域作為限制區域，最后模擬建設用地空間布局。

3 結果與分析

3.1 生態保護評價結果

3.1.1 西安市生態系統功能重要性評價 將水土保持功能重要性、水源涵養功能重要性和生物多樣性保護功能重要性進行評價，通過空間疊加得到西安市生態系統功能重要性評價[22](圖3)。西安市水土保持功能重要性以中等和高等重要為主，占整個區域的56.12%，主要集中在除城六區(蓮湖區、雁塔區、未央區、灞橋區、新城區和碑林區)外的區域，城六區因為城鎮化率較高，植物較少，NPP值很低，基本都屬于一般重要等級。水源涵養功能重要性以較重要、中等重要和高等重要為主，占整個區域的76.41%，主要集中在除城六區外的區域，這是由于不透水面導致了NPP和土壤滲流能力值很低；西安市生物多樣性保護功能重要性主要以較重要和中等重要為主，占整個區域的51.74%，較重要的水源涵養功能主要分布在藍田縣、臨潼區和高陵區，中等重要的水源涵養功能主要分布在周至縣、鄠邑區和長安縣。西安市綜合生態系統功能重要性整體屬于中等重要，較為重要、中等重要和高等重要占研究區的75.41%，一般重要占15.26%，極重要占9.33%。城六區主要屬于一般重要，藍田縣和臨潼區主要屬于一般重要，中等重要主要集中在周至縣、鄠邑區、長安區、高陵區和閻良區，高等重要和極重要主要分布在南部秦嶺區域(圖4)。

圖3 技術路線

3.1.2 西安市水土流失敏感性評價 西安市水土流失敏感性以輕度敏感為主，占整個區域的36.76%，中度敏感和高度敏感占整個區域的48.81%，不敏感占5.96%，極敏感占8.47%。不敏感主要集中在未央區、蓮湖區、新城區和碑林區，輕度敏感和中度敏感主要包括雁塔區、灞橋區、臨潼區、高陵區、閻良區、周至縣南部、鄠邑區南部、長安區南部和藍田縣南部，高度敏感區和極敏感區主要分布在周至縣北部、鄠邑區北部、長安區北部和藍田縣北部(圖5)。

a.水土保持；b.水源涵養；c.生物多樣性；d.生態系統功能性評價圖4 西安市生態系統功能重要性評價結果

圖5 西安市水土流失敏感性評價結果

將生態系統功能重要性評價和水土流失敏感性進行疊加，提取高等重要、極重要和高度敏感、極敏感部分，其面積為995.49 km2，占整個區域的9.85%，主要集中在周至縣北部和南部、鄠邑區北部、長安區和藍田縣中部。在水土流失敏感性中，周至縣降雨較多，由東北向西南呈階梯狀遞增，鄠邑區南部降雨較多，長安區和藍田縣降雨較少；周至縣、鄠邑區和長安區北部以及藍田縣中部土壤可侵蝕性均位于最高水平。水土保持重要性、水源涵養重要性和生物多樣性重要性差別不大，主要位于周至縣、鄠邑區的南部和北部，長安區、藍田縣的中部和南部。造成秦嶺北麓重要性和敏感性在空間上產生分異的主要原因是降雨，秦嶺東部相對于西部降雨較少。本文重點從植被、土壤結構、氣候變化等方面對生態問題進行分析，此結果可以為西安市山水林田湖草生態修復工程的實施范圍和規模提供參考。

3.2 西安市建設用地變化特征

3.2.1 建設用地總量變化特征 2010～2018年西安市建設用地總量持續增加，建設用地面積從1141.77 km2增長到1363.37 km2，增速達19.41%。在建設用地轉移矩陣中，建設用地的轉入類型包括耕地、草地、林地、水域和未利用土地。主要轉入類型是耕地，面積達345.54 km2，占總轉入面積的88.11%；其次是林地，面積為26.89 km2，占總轉入面積的6.86%；未利用土地最少，面積僅為0.04 km2，占總轉入面積的0.01%(圖6)。

圖6 建設用地轉移規模

3.2.2 各區縣建設用地變化特征 在西安市各區縣建設用地面積中，長安區建設用地面積最大，其次是未央區，碑林區最小。2010～2018年西安市各縣區建設用地面積除蓮湖區外，其余均處于增加狀態，但是不同縣區之間的擴張程度不同。增長率從大到小依次為：未央區>高陵區>長安區>灞橋區>閻良區>藍田縣>鄠邑區>雁塔區>臨潼區>周至縣>碑林區>新城區。蓮湖區由于面積較小，在2010年已經完成100%城鎮化，因此增長率為零。未央區增速最快，達到52.19%；其次是高陵區，為40.82%；碑林區和新城區增速最慢，分別為2.48%和0.65%(圖7)。2014年，國務院批復設立西咸新區，其位于西安市和咸陽市建成區之間，作為科技資源的新興產業集聚區，對于推進西安、咸陽一體化進程具有重要意義。未央區和高陵區作為西安和咸陽的交界地，靠近西咸新區，通過區位優勢和政策優勢獲得了快速發展，因此增長迅速。碑林區和新城區由于行政區面積較小，再加上原本較高的城鎮化率，增速較小。周至縣由于距離西安主城區較遠，主城區發揮的帶動作用有限，增長速率較慢。

圖7 建設用地變化空間分布

鄠邑區、藍田縣和周至縣處于區域邊緣，中心城區的輻射范圍有限，主要集中于農業、輕工業和旅游業，很難形成產業集聚，城市擴張方式主要以星狀蔓延為主，藍田縣由于沿河流發展，加上地形的限制，呈現出帶狀蔓延的趨勢。臨潼區具有發達的交通網絡，依靠豐富的農業和旅游業資源，在西安市市域城鎮體系中扮演著中心城鎮的角色，其擴張方式同樣以帶狀蔓延為主，并且呈現出沿交通線發展的帶狀蔓延趨勢。灞橋區產業結構多元化，形成了具有特色的產業集聚園，包括紡織、物流、汽車、文化創意和工業等，多元的產業結構對不同資源的需求和適配，是灞橋區產業整體上集聚度不高的主要原因，并呈現出星狀蔓延的擴張趨式。未央區和雁塔區處于主城區，人口和產業高度集中，主要以團狀蔓延和內部填充為主。長安區靠近主城區，對于承接產業轉移，提高自己的服務業，具有較大優勢，形成了現代農業、工業和服務業的發展體系，城市擴張方式主要為團狀蔓延。高陵區憑借瀕臨西咸新區的區位優勢和便捷的交通條件，重點發展高端裝備制造業，呈現出星狀蔓延和團狀蔓延的趨勢。閻良區主要以航空和電子科技為主，產業集中，城市擴張方式以團狀蔓延為主，內部填充為輔(圖8)。

圖8 城市擴張方向空間分布

3.3 建設用地變化預測

3.3.1 基于神經網絡的適宜性概率分析 基于自然、交通、社會經濟和氣候驅動因子，結合土地利用數據，通過GeoSOS-FLUS軟件神經網絡工具，建立土地利用類型和驅動因子之間的映射關系，即驅動因子和土地利用變化的作用機制和規律。適宜性發展概率包括多個波段，不同波段反映的不同土地利用類型，其值表示的是土地利用類型未來在柵格上出現的概率。本文土地利用數據共有6種類型，因此宜性概率數據具有6個波段。圖9為西安市建設用地發展概率，越接近于1表示將來越容易轉變為建設用地，由圖9可知建設用地發展概率較高的區域主要集中在鄠邑區、高陵區和臨潼區。

圖9 建設用地發展概率

3.3.2 精度驗證 基于2010年土地利用數據，結合土地適宜性概率，模擬2018年土地利用狀態(圖10)。經過多次調整參數，使模擬結果與真實接近一致。在Arcgis中統計2018年土地利用模擬數據和真實數據相同像元值，計算總體精度。結果發現：總體精度為85.82%，大于80%；Kappa系數為82.98%，大于0.8，表明西安市建設用地發展模擬模型具有一定的可信度，能反映土地利用變化的趨勢，可用于預測無干預條件下的未來建設用地形態[27]。誤差最大的為未央區，主要是由于政策原因造成的。2014年西咸新區成立，西安主城區、咸陽主城區和西咸新區組成大西安都市圈，推動西安—咸陽一體化發展，未央區作為連接西安主城區和西咸新區的紐帶，獲得了快速發展。由于驅動力缺少政策因素，其建立的規則不能體現未央區城市發展的規模和方向。

a.2018年現狀；b.2018年模擬；c.2035年模擬；d.限制區域圖10 西安市建設用地模擬結果

3.3.3 未來土地利用模擬 土地利用變化模擬是根據過去的趨勢進行預測的，基于未來的社會經濟、交通和自然氣候等條件沒有發生較大變化的基礎上進行預測。本文采用馬爾科夫鏈對2035年各類土地利用類型規模進行預測，結合耕地保護和生態保護政策，合理確定各類用地規模。將生態系統功能重要性評價和水土流失敏感性進行疊加，提取高等重要、極重要和高度敏感、極敏感部分作為限制區域，區域內不允許改變土地利用性質。根據2035年預測結果發現，建設用地主要呈現在原有用地基礎上向四周擴散的趨勢。通過統計西安市各區縣建設用地增長變化發現，灞橋區、臨潼區和閻良區增長率最大；其次是鄠邑區、高陵區和長安區；周至縣和雁塔區最小。臨潼區具有豐富的旅游資源和交通優勢，閻良區形成了航空、汽車和電子制造等工業體系，在西安市市域城鎮體系中均屬于中心城鎮，因此預測結果符合實際發展。灞橋區屬于西安主城區，擁有較好的區位和交通優勢，形成了多元的產業結構，應當完善基礎設施配套，加快經濟結構轉型，促進消費升級，帶動東部區域的發展。周至縣由于區位原因，應當結合當地農業和旅游資源，發展農副產品加工業和旅游業，建設現代化城鎮(圖11)。

圖11 建設用地增長率空間分布

4 結論

基于2010年和2018年西安市土地利用數據，分析了建設用地變化情況。2010～2018年西安市建設用地總量持續增加，建設用地面積從1141.77 km2增長到1363.37 km2，增速達19.41%。西安市各區縣建設用地面積中，長安區建設用地面積最大，其次是未央區，碑林區最小。2010～2018年，西安市各縣區建設用地均增加。其中，未央區增速最快，達到52.19%；其次是高陵區，為40.82%。

基于格網數據，選取自然、交通、社會經濟和氣候驅動因子，并加入生態系統功能重要性和水土流失敏感性評價結果，基于神經網絡計算土地利用發展適宜性概率，模擬2018年土地利用格局，通過驗證得到總體精度為85.82%，kappa系數為82.98%，表明西安市建設用地發展模擬模型具有一定的可信度，可以反映土地利用變化的趨勢。

通過提取生態系統功能重要性和水土流失敏感性中的高度重要、極重要和高度敏感、極敏感區域作為限制區域，模擬西安市2035年建設用地空間格局，統計西安市各區縣建設用地面積的變化發現，變化最大的是臨潼區、灞橋區和閻良區，周至縣變化最小。

5 討論

建設用地變化反映了人類的活動方向，尤其是快速發展的城市化。城市擴張是人為因素的結果，人的決策在城市化擴張中占據主導作用。自上而下的決策往往會導致主觀性加強，其結果就是以犧牲環境為代價，大城市病、耕地侵占和生態惡化等問題，成為影響城市健康和有序發展的因子。因此，采取自下而上的方法，客觀分析城市擴張的影響因素，通過模型模擬城市發展的空間格局，可以為城市規劃提供方向和建議。發展是規劃的目標，保護是前提，本文在城市發展驅動因子和生態保護基礎上，通過模型模擬未來建設用地分布情況，科學引導城市發展方向，可為新時期國土空間規劃背景下城鎮開發邊界劃定提供思路。

通過模型預測未來城市發展的土地利用空間格局是當下的熱點，本文利用格網數據，在尺度上對于城市發展驅動因子做了更精確的要求。城市發展不僅僅是驅動力推動的結果，也受到限制因素的影響，因此，本文將生態保護的結果作為驅動力，提高了驅動力在模型模擬中的全面性。

在進行生態評價時，由于數據的精度問題，僅僅只將生態系統重要性和水土流失敏感性的部分等級區域進行疊加，以此來作為限制城市擴張的因子。下一步研究可以將不同等級的重要性和敏感性區域進行更加詳細的疊加，將結果劃分為不同等級，對不同級別的單元分別采取保護保育、自然恢復、輔助再生或生態重建的保護技術模式。

影響土地利用變化的驅動因子很多，在實際進行規劃模擬時，需要結合研究區現狀進行綜合考慮。本文由于土地利用數據分類的精度不夠，因此建立的土地利用轉換規則比較簡單，在實際規劃中，應該建立更為復雜精確的轉換規則。除此之外，在進行土地利用變化模擬的時候，應該考慮到規劃政策對城市發展方向的影響。