基于CLUE-S模型的煤礦城市土地利用變化模擬

趙明松 徐少杰 鄧 良 劉斌寅 王世航 吳運金

(1.安徽理工大學空間信息與測繪工程學院， 淮南 232001；2.安徽理工大學礦山采動災害空天地協(xié)同監(jiān)測與預警安徽省教育廳重點實驗室， 淮南 232001；3.安徽省地質測繪技術院， 合肥 230022； 4.生態(tài)環(huán)境部南京環(huán)境科學研究所， 南京 210042;5.國家環(huán)境保護土壤環(huán)境管理與污染控制重點實驗室， 南京 210042)

0 引言

土地利用/土地覆蓋變化(Land use and land cover change, LUCC)改變了區(qū)域的自然景觀、物質循環(huán)、能量流動以及各種生態(tài)過程，影響著全球環(huán)境和區(qū)域生態(tài)經(jīng)濟系統(tǒng)的可持續(xù)發(fā)展，是當前土地變化學科和景觀生態(tài)學研究的熱點和前沿問題[1-3]。近年來，國內(nèi)外學者對土地利用的研究主要集中在時空格局變化、驅動機制分析[4-5]、模擬預測[6-8]和生態(tài)環(huán)境效應[9-10]等方面。不同空間尺度上，模擬LUCC的模型較多，主要分為數(shù)量變化與空間變化的土地利用變化動態(tài)模擬模型及其混合模型。常見模型主要有Markov模型[11]、CLUE-S模型[11-14]、CA及改進模型[15-17]、系統(tǒng)動力學模型[18-19]和FLUS(Future land use simulation)模型[20]等。不同模型在LUCC模擬時具有各自的獨特優(yōu)勢，其中，CLUE-S(Conversion of land use and its effects at small regional extent)模型因適用于小范圍內(nèi)的土地利用數(shù)量和空間位置變化的模擬與預測，且能夠對土地利用變化與其社會、經(jīng)濟、技術、政策及自然環(huán)境等驅動因子相互關系進行定量分析，應用較廣泛。

在CLUE-S模型中，運用Logistic逐步回歸分析方法來計算每一種地類在區(qū)域內(nèi)每個像元出現(xiàn)的概率[21]，分析各土地利用類型的空間分布與驅動因素之間的關系。傳統(tǒng)的Logistic回歸忽略了不同土地利用之間存在的空間依賴關系，即空間自相關[22]。Logistic回歸模型假定土地利用格局的均質性，忽略了空間自相關對參與建模的各個變量之間相互作用的影響，BESAG[23]在傳統(tǒng)Logistic回歸模型基礎上引入空間自相關空間權重，構建Autologistic回歸模型。引入空間自相關因子，可以有效避免擬合殘差的強自相關，提高模型精度。段增強等[24]對CLUE-S模型進行了改進，引入了動態(tài)計算的鄰域分析因子，對北京市海淀區(qū)1991—2001年土地利用變化進行了多方案模擬。吳桂平等[25]通過將某一點某土地利用類型出現(xiàn)的概率定義為各驅動因子和一個空間自相關的虛擬變量的形式，解決了統(tǒng)計分析中空間自相關效應的影響。土地利用空間格局變化是引起土壤質量變化的主要原因，其中建設用地擴張不可避免會影響土壤質量尤其是耕地資源損失[26]。同時土壤質量也影響土地利用方式，如“永久基本農(nóng)田”等高土壤質量的土地禁止轉變?yōu)槠渌愋陀玫豙27]。因此，在土地利用變化模擬中需要考慮土壤質量或土壤屬性的影響。

兩淮礦區(qū)是全國13個大型煤電基地之一，煤炭資源豐富，主要包括安徽省中北部淮河兩岸的淮南和淮北兩大礦區(qū)?；茨系V區(qū)主要包括淮南市區(qū)及轄縣鳳臺縣，礦產(chǎn)資源豐富。煤炭產(chǎn)業(yè)為區(qū)域經(jīng)濟的持續(xù)發(fā)展和人民生活水平的改善做出巨大貢獻的同時，也帶來一系列生態(tài)環(huán)境問題。因長期的采煤活動產(chǎn)生了大面積的地下采空區(qū)，引發(fā)土地沉陷，使得大量高產(chǎn)優(yōu)質耕地、村莊等地表塌陷損毀[3, 28]。雖然已有研究利用GIS和RS技術分析淮南市土地利用程度變化過程的時空演化特征[29]，但是對研究區(qū)的土地利用變化模擬并未涉及。因此，本文選取淮南市為研究區(qū)，運用GIS和RS等技術分析1985—2016年研究區(qū)土地利用景觀格局變化特征，并采用CLUE-S模型模擬未來土地利用空間格局，為區(qū)域國土空間規(guī)劃管理、生態(tài)環(huán)境建設、塌陷區(qū)治理等提供數(shù)據(jù)基礎。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

選擇淮南市為研究區(qū)(32°32′45″～33°0′24″N，116°21′21″～117°11′59″E，圖1)，主要包括淮南市轄區(qū)和鳳臺縣，總面積為2 580.02 km2。研究區(qū)屬暖溫帶和亞熱帶的過渡地帶，年平均氣溫16.6℃，全年降水量893.4 mm。以淮河為界，研究區(qū)包含兩種不同的地貌類型，淮河以南屬于江淮丘陵的一部分，海拔17～75 m；淮河以北地勢平坦，為河間淺洼平原，海拔20～24 m。研究區(qū)煤礦遠景儲量444億t，探明儲量180億t，占安徽省的70%，占華東地區(qū)的32%。截至2017年研究區(qū)采煤塌陷區(qū)面積為278.60 km2，約35%的面積塌陷積水形成巨大湖泊。

圖1 研究區(qū)位置Fig.1 Location of study area

1.2 數(shù)據(jù)來源與處理

(1)土地利用數(shù)據(jù)。1985、1995、2005年研究區(qū)土地利用數(shù)據(jù)來源于長江三角洲科學數(shù)據(jù)共享平臺(http:∥nnu.geodata.cn)。2016年土地利用圖，利用Landsat8 OLI影像解譯獲得。影像來源于地理空間數(shù)據(jù)云(http:∥www.gscloud.cn)，軌道號分別為121/38、121/37和122/37，日期為2016年7月25日、7月25日和9月2日。利用ENVI 5.3軟件對OLI數(shù)據(jù)進行預處理，采用最大似然方法進行監(jiān)督分類，Kappa系數(shù)為0.95。

(2)土壤數(shù)據(jù)。安徽省1∶500 000土壤圖，來源于全國第二次土壤普查；典型土壤類型理化性質來源于2010—2011年土壤調(diào)查獲取的206個典型樣點數(shù)據(jù)集[30]，包括表層(0～20 cm)土壤有機質含量(SOM)、全氮含量(TN)、全磷含量(TP)和全鉀含量(TK)數(shù)據(jù)。

(3)數(shù)字高程模型數(shù)據(jù)(SRTM DEM)來源于地理空間數(shù)據(jù)云(http:∥www.gscloud.cn)，空間分辨率90 m。在ArcGIS 10.2軟件中，對DEM進行裁剪，并提取坡度和坡向。

(4)中國GDP空間分布公里網(wǎng)格數(shù)據(jù)集(單位：元/km2)和中國人口空間分布公里網(wǎng)格數(shù)據(jù)集(單位：人/km2)，來自于中國科學院資源環(huán)境科學數(shù)據(jù)中心數(shù)據(jù)注冊與出版系統(tǒng)(http:∥www.resdc.cn/DOI)。

(5)年均溫(MAT)和年均降水量(MAP)，來自中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所中國生態(tài)環(huán)境背景層面建造項目完成的柵格數(shù)據(jù)，空間分辨率1 km。

(6)研究區(qū)統(tǒng)計年鑒(2005—2016年)電子版，來源于研究區(qū)統(tǒng)計局(http:∥tjj.huainan.gov.cn/content/column/15642315)。

土壤數(shù)據(jù)、年均溫、年均降水量等均為整個安徽省范圍，中國GDP空間分布公里網(wǎng)格數(shù)據(jù)集和中國人口空間分布公里網(wǎng)格數(shù)據(jù)集為全國范圍，重采樣后裁剪研究區(qū)數(shù)據(jù)。利用ArcGIS 10.2軟件中ArcToolbox中的Euclidean Distance工具制作與鐵路、高速公路、國道省道、河流、城鎮(zhèn)的空間距離圖。

2 研究方法

2.1 土地利用動態(tài)度

選擇單一土地利用動態(tài)度和綜合土地利用動態(tài)度分析研究區(qū)土地利用變化的速度。

(1)單一土地利用動態(tài)度研究一定時間范圍內(nèi)某種土地利用類型的數(shù)量變化情況，計算公式為[31]

(1)

式中K——研究時段內(nèi)某一土地利用類型動態(tài)度

Ua——研究期初某一土地利用類型面積

Ub——研究期末某一土地利用類型面積

T——研究時時段T定義為年時，K就是該研究區(qū)域某種土地利用類型年變化率。

(2)綜合土地利用動態(tài)度描述區(qū)域土地利用變化的總體速度，用于反映變化的劇烈程度，計算公式為[32]

(2)

式中Si——研究期初第i類土地利用類型總面積

ΔSi-j——研究開始至結束時段內(nèi)，第i類土地利用類型轉換為其他土地利用類型的面積總和

S——與時段T對應的研究區(qū)土地利用變化速率,即綜合土地利用動態(tài)度

2.2 土地利用變化重要性指數(shù)

土地利用變化重要性指數(shù)(Ci)反映區(qū)域主要土地利用變化的方向，篩選出土地利用變化的主要類型[33]。計算公式為

Ci=Ai/A×100%

(3)

(4)

式中Ci——第i類土地利用變化重要性指數(shù)，取值0～100%

Ai——第i類土地變化面積，km2

A——該區(qū)域各類土地變化面積之和，km2

Ci越大，說明第i類土地利用變化越占主導。利用ArcGIS軟件計算1985—1995年、1995—2005年和2005—2016年的土地利用轉移矩陣，計算土地利用變化重要性指數(shù)，識別主要的土地利用變化類型。

2.3 CLUE-S模型

CLUE-S模型是VERBURG等[21]在CLUE模型的基礎上開發(fā)的，是一種在較小尺度上模擬土地利用變化及其環(huán)境效應的模型，包括空間分析模塊和非空間分析模塊。非空間分析模塊獨立于模型外，另需運用Markov模型進行土地利用需求預測，然后作為參數(shù)代入模型[34]。CLUE-S模型輸入主要包括：土地利用轉移規(guī)則、限制區(qū)域、土地利用需求量、空間分析。

2.3.1空間分析

在CLUE-S模型中，運用Logistic逐步回歸分析方法來計算每一種地類在區(qū)域內(nèi)每個像元出現(xiàn)的概率[21]，分析各土地利用類型的空間分布與驅動因素之間的關系。Logistic回歸模型忽略了空間自相關對參與建模的各個變量之間相互作用的影響。本文選用BESAG[23]在傳統(tǒng)Logistic回歸模型基礎之上引入空間自相關性構建的Autologistic回歸模型，一般表達式為

(5)

式中Pi——每個空間單元為土地利用類型i的概率

β0——常數(shù)項β——向量X的系數(shù)

X——由一系列驅動因素構成的向量

yi——事件狀態(tài)，為二值變量

wij——空間權重

r——事件狀態(tài)yi的系數(shù)

本研究借助鄰域因子構建空間權重矩陣，基本理念是每一個土地單元的狀態(tài)是否發(fā)生變化，不僅取決于其自身所受到的影響，也同時受到一定周邊范圍內(nèi)的用地狀態(tài)的影響。空間權重設定為[35]

(6)

式中Sjn——柵格j周圍每個鄰域柵格與j的相似性，用地類型相同為1，否則為0

N——鄰域柵格j的鄰域總數(shù)

參照文獻[36-37]，本研究選取16個土地利用變化的驅動因子，包括：DEM、坡度(Slope)、坡向(Aspect)、與鐵路距離(Railway_d)、與高速公路距離(Freeway_d)、與國道省道距離(Road_d)、與河流距離(River_d)、與城鎮(zhèn)距離(Town_d)、土壤有機質含量(SOM)、全氮含量(TN)、全磷含量(TP)、全鉀含量(TK)、GDP、人口數(shù)量(POP)、年均溫(MAT)、年均降水量(MAP)，并對驅動因子進行歸一化處理(圖2)。

2.3.2空間分配

空間分配是根據(jù)總概率對土地利用需求進行多次迭代分配的過程。具體公式[38-39]為

Ti,u=Pi,u+Eu+Iu

(7)

式中Ti,u——地類u在i柵格單元上的總概率

Pi,u——柵格單元i對于地類u的適宜性概率(通過Logistic回歸方程求得)

Eu——設定的地類u的轉移彈性

Iu——土地利用類型u的迭代變量值(所有地類均相同)

2.3.3模型結果檢驗

利用Kappa系數(shù)對CLUE-S的模擬結果進行精度檢驗。

利用SPSS 22軟件進行Logistic回歸分析，根據(jù)方程的系數(shù)β分析各驅動因子對不同土地利用類型的影響。ROC(Relative operating characteristics)方法被用于檢驗回歸方程的解釋能力，ROC值為ROC曲線以下的面積，其值介于0.5～1之間，越小解釋能力越弱[40-41]。一般認為，當ROC值大于0.7時，計算地類的概率分布與真實地類分布有較好的一致性，驅動因子解釋能力較好[42]。CLUE-S模擬在IDRISI 17.0軟件中進行。

圖2 各驅動因子柵格圖Fig.2 Raster map of driving factors

3 結果與分析

3.1 土地利用動態(tài)度

圖3 研究區(qū)1985—2016年土地利用類型Fig.3 Land use in Huainan from 1985 to 2016

研究區(qū)土地利用以耕地為主(圖3)，4個時期均占總面積64%以上，最高達75.71%，其他地類面積比例由高到低依次為建設用地、水體、林地和草地。1985—2016年間，耕地面積減少299.93 km2，面積百分比減少11.62個百分點；建設用地和水體面積分別增加205.76、110.6 km2，面積百分比增加7.98個百分點和4.29個百分點；林地和草地面積分別減少2.41、14.02 km2，面積百分比減少不足1個百分點。水體增加主要發(fā)生在淮南市區(qū)的潘集區(qū)和鳳臺縣。

從3個時段土地利用動態(tài)度來看(表1)，3個時段中，2005—2016年間各種土地利用變化速率最快，各土地利用動態(tài)度和綜合土地利用動態(tài)度最高。3個時段研究區(qū)的綜合土地利用動態(tài)度分別為0.05%、0.79%和13.46%。1985—1995年和1995—2005年兩個時段土地利用變化緩慢，僅存在耕地面積的減少和建設用地面積的增加，其他土地利用類型變化不明顯。2005—2016年，耕地面積減小270.71 km2，水體和建設用地面積分別增加92.17、195.41 km2，其中建設用地土地利用變化較為活躍，年變化率為5.19%。30年間，研究區(qū)耕地面積呈不斷減少趨勢，2005—2016年耕地年變化率為-1.28%，分別是1985—1995年和1995—2005年的25.6、12.8倍。水體從1995年面積開始增加，2005—2016年動態(tài)度達到3.4%。

表1 1985—2016年研究區(qū)土地利用動態(tài)度Tab.1 Land use dynamic index in Huainan from 1985 to 2016

3.2 土地利用類型空間變化

圖4為研究區(qū)1985—2016年土地利用轉移桑基(Sankey)圖，表示不同時段各土地利用轉入和轉出情況。1985—1995年，土地利用變化不明顯，僅存在少量耕地向建設用地轉移。1995—2005年，土地轉移主要發(fā)生在耕地、水體和建設用地之間。該時期，耕地轉移為建設用地和水體面積為19.22、18.37 km2，分別占耕地轉出面積的50.42%和48.19%。建設用地的轉入面積和轉出面積相差不大，主要轉出為耕地，面積為18.14 km2，少量轉移為水體，面積為0.39 km2。2005—2016年，建設用地類型的轉移較為頻繁，均有不同程度的轉入和轉出，未變化面積為235.46 km2，轉入面積為302.18 km2，轉出面積為106.78 km2。建設用地由耕地轉入面積為277.82 km2，是建設用地未變動面積的1.18倍；水體轉入面積為134.73 km2，其中93.44%由耕地轉移而來，主要分布在研究區(qū)西部和北部的采煤塌陷區(qū)(圖5a)，5.63%由建設用地轉移而來。耕地面積的增加量主要來自于建設用地和水體，轉入面積分別為98.90、35.04 km2。綜合3個時段，水體轉入面積依次為0、18.76、134.73 km2，且由耕地轉入占0、97.92%、93.44%；水體轉出面積依次為0、0.35、42.56 km2，其中2005—2016年間有82.33%流入耕地。

圖4 1985—2016年土地利用類型轉移Sankey示意圖Fig.4 Sankey diagram of land use type conversion from 1985 to 2016

2005—2016年間研究區(qū)土地變化類型較多，變化速率較快，根據(jù)該時段土地利用變化重要性指數(shù)(Ci)，識別出該時段主要的土地利用變化類型。結果表明：2005—2016年間，共有20種土地變化類型，其中耕地→建設用地類型的Ci為47.66%，耕地→水體類型的Ci為21.60%，故耕地向建設用地和水體的轉換為主要土地利用變化類型。

由圖4可知，耕地→建設用地土地變化通過占用耕地，建設用地得到擴張。多數(shù)情況下建設用地的擴張與地區(qū)經(jīng)濟規(guī)模密切相關，研究區(qū)GDP從2005年的267.15億元增加至2016年的821.4億元，區(qū)域建設用地擴張除了和經(jīng)濟相關，可能因煤炭開采村莊搬遷，使得新建設區(qū)產(chǎn)生。1995—2016年研究區(qū)煤礦產(chǎn)業(yè)發(fā)展迅速，尤其在2005年以來煤礦開采的工業(yè)增加值和產(chǎn)量持續(xù)增長(表2)。2005—2016年研究區(qū)工業(yè)增加值由126.87億元增加到347.77億元，其中煤礦開采行業(yè)的工業(yè)增加值在總增加值的占比達60%以上，2013年后有所下降。2010—2013年每年新開工采煤沉陷區(qū)村莊搬遷安置點10個以上。2015年煤沉陷區(qū)搬遷安置房開工建設4 900套，搬遷入住4 800戶；2016年采煤沉陷區(qū)搬遷安置房開工建設4 500套，搬遷入住4 400戶。

圖5 研究區(qū)2005—2016年土地利用變化圖譜Fig.5 Land use change of Huainan during 2005—2016

表2 1995—2016年研究區(qū)煤礦開采行業(yè)生產(chǎn)概況Tab.2 Production of coal mining industry in Huainan from 1995 to 2016

耕地→水體土地變化主要發(fā)生在鳳臺縣和市區(qū)的潘集區(qū)(圖5a)，總面積達125.89 km2。由于煤礦開采導致了大面積地表沉陷，截至2017年，研究區(qū)采煤沉陷區(qū)總面積達278.60 km2，且礦區(qū)潛水集聚形成大片水體。新增水體集中分布在潘謝礦區(qū)內(nèi)(圖5b)，潘謝礦區(qū)為淮南的主要礦區(qū)，是典型的高潛水位礦區(qū)，塌陷后積水嚴重。其中，鳳臺縣的崗河和西淝河一帶，塌陷水體在顧橋礦、張集礦和新集礦內(nèi)均有分布，丁集礦內(nèi)也存在；潘集區(qū)的泥河一帶，采煤塌陷地大面積出現(xiàn)(圖5a)，塌陷水體在潘一礦、潘二礦、潘三礦和潘北礦均分布。

3.3 土地利用變化模擬與預測

3.3.1最佳模擬尺度選擇

選用50 m×50 m、100 m×100 m、150 m×150 m、200 m×200 m和250 m×250 m共5種模擬尺度，計算土地利用類型和驅動因子的Logistic回歸方程。表3為不同模擬尺度下的ROC，結果表明采用150 m×150 m網(wǎng)格的各土地利用類型回歸方程的ROC最大，因此確定該尺度為最佳模擬尺度。

表3 不同尺度各地類ROCTab.3 ROC of different scales

3.3.2Logistic回歸分析

表4為研究區(qū)各土地利用類型Logistic回歸分析結果，L和LS代表未加入和加入土壤因子的普通Logistic回歸模型，AL和ALS代表未加入和加入土壤因子的Autologistic回歸模型。結果表明，土壤質量因子和空間自相關性因子，對不同土地利用類型Logistics回歸建模的貢獻率不同。

當普通Logistics回歸建模(L)中加入土壤質量因子后(LS)，除建設用地外，其余土地利用類型建模的ROC有不同程度的增加。如，耕地的ROC由0.617增加到0.680；林地的ROC由0.807增加到0.961；建設用地的ROC沒有明顯變化，為0.708和0.709。普通Logistics回歸建模(L)中加入空間自相關性因子后(AL)，僅有耕地和建設用地建模的ROC有明顯增加。耕地的L和AL模型的ROC由0.617增加到0.722；建設用地的L和AL模型的ROC由0.708增加到0.769。這說明在分析土地利用變化的空間驅動時不可忽略土地利用類型空間自相關關系的影響。普通Logistics回歸建模(L)中同時加入土壤質量因子和空間自相關性因子時(ALS)，模型的ROC增加最多，具有最高的解釋精度。如，耕地和建設用地的ROC分別增加0.201和0.133，明顯大于傳統(tǒng)Logistic回歸分析的ROC。

結合表4和上述分析結果，本研究采用同時加入土壤質量因子和空間自相關因子的回歸建模結果用于CLUE-S模擬。研究區(qū)內(nèi)年均降水量(MAP)是影響耕地分布的主要驅動因子，β系數(shù)為-0.618。除此，耕地還受與鐵路距離(Railway_d)、GDP和全鉀含量(TK)因素影響。除水體外，土壤養(yǎng)分含量對于土地利用分布概率有不同程度的影響。土壤有機質含量(SOM)和TK對耕地轉化有較為明顯的促進作用，全氮含量(TN)對草地轉化起促進作用。全磷含量(TP)對林地轉化有一定的促進作用，對其他類型用地轉化作用不明顯。林地和草地的土壤全鉀含量β系數(shù)均為負值，代表土壤全鉀含量與林地、草地分布概率呈負相關。TK對建設用地擴展起促進作用但其作用程度小于耕地。建設用地分布概率受GDP、高程(DEM)、坡度(Slope)和人口數(shù)量(POP)影響較大，主要驅動因子為GDP，β系數(shù)為0.561，代表GDP對建設用地擴展起促進作用。

表4 研究區(qū)各土地利用類型傳統(tǒng)Logistic回歸和Autologistic回歸的β系數(shù)Tab.4 β value of Logistic regression and Autologistic regression for different land use types in Huainan

3.3.3CLUE-S模型檢驗與預測

以2010、2016年土地利用數(shù)據(jù)作為模擬的首期、末期，通過研究區(qū)2010—2016年間土地利用轉移矩陣來計算轉移概率，得到面積轉移矩陣。測算2016—2040年研究區(qū)土地利用需求面積(表5)。

表5 研究區(qū)2016—2040年土地利用需求面積Tab.5 Land use demand in Huainan from 2016 to 2040 km2

圖6為研究區(qū)2016年的模擬土地利用圖與土地利用現(xiàn)狀圖，總柵格數(shù)為114 663個，模擬正確柵格數(shù)共90 832個。模擬結果的Kappa系數(shù)為0.74，模擬效果理想。

圖7 研究區(qū)2028、2034、2040年土地利用預測結果Fig.7 Prediction result of land use in Huainan in 2028, 2034 and 2040

以研究區(qū)2016年為起點，預測2028、2034、2040年研究區(qū)各個土地利用類型的空間分布。結果(圖7)表明：2016—2040年期間地類變化趨勢，主要表現(xiàn)為耕地、林地和草地面積減少，水體和建設用地面積增加。2016—2028年間，耕地資源大量流失，預計由1 653.46 km2減少至1 426.61 km2，水體和建設用地增量均超過100 km2；后期2028—2040 年間，預計各地類面積變化明顯減緩，建設用地面積變化不足1 km2，集中分布在淮河一帶，耕地資源仍大量流失。水體呈現(xiàn)“填充式”和向外蔓延式增加，分布在泥河和高塘湖以及謝家集區(qū)的魯村灣塌陷區(qū)和錢家湖塌陷區(qū)。未來實施耕地保護的同時也要加強塌陷水體治理措施。

永久基本農(nóng)田保護、生態(tài)紅線以及城鎮(zhèn)開發(fā)邊界、濕地保護等國家剛性政策規(guī)定的區(qū)域，在土地管理中有著極其嚴格的用途管制，限制轉換為其他土地利用類型。本研究在土地利用變化模擬中，對于這類限制轉換區(qū)域，并沒有實際劃分出來，默認所有區(qū)域均可發(fā)生地類轉換。因此在后期的研究中，需要充分考慮該類因素，使得模擬結果更具有可靠性。

4 結論

(1)研究區(qū)土地利用類型以耕地為主，1985—2016年，耕地、林地和草地呈減少趨勢，其中耕地面積持續(xù)減少且流失速率加??；建設用地和水體面積呈增加趨勢。2005—2016年，各種土地利用類型變化速率最快，建設用地最劇烈。土地利用轉移主要發(fā)生在耕地、水體和建設用地之間，其中，1995—2016年，水體轉入面積的93.44%來自于耕地。建設用地擴張也是通過占用耕地實現(xiàn)。

(2)空間自相關因子和土壤質量因子對土地利用類型轉移的驅動作用不可忽略，且這兩種因子對各土地利用類型的Logistic回歸模型具有不同程度的貢獻作用。其中土壤有機質含量、土壤全鉀含量、土壤全氮含量、土壤全磷含量等土壤質量因子對耕地、林地、草地類型轉移均有顯著影響；空間自相關性因子對耕地和建設用地分布模擬有顯著作用。

(3)研究區(qū)土地利用模擬的Kappa系數(shù)為0.74。模擬未來土地利用變化發(fā)現(xiàn)，耕地、林地和草地面積減少，水體和建設用地面積增加。2016—2028年，土地利用變化較快，到后期2028—2040年土地利用變化將減緩。