廣東省2035年土地利用空間分布的模擬預測

許賢炯, 龔建周, 陳曉越

(廣州大學 地理科學與遙感學院， 廣東 廣州 510006)

土地利用是人類有目的地開發利用土地資源的一種人為活動[1]。人類活動不斷地改變著地表土地覆蓋，引起土地利用變化，進而影響生態系統的結構和功能，改變水循環、碳氮循環等生態過程[2]；并通過改變大氣組成成分，對地表溫度、降水等大氣狀況產生影響，由此作用于區域氣候變化[3]，加劇了人地矛盾[4]。1995年，國際地圈生物圈計劃(IGBP) 和全球環境變化人文計劃(IHDP)聯合提出“土地利用研究計劃”，之后土地利用變化引起學者的廣泛關注。我國在《第十四個五年計劃和2035年遠景目標綱要》中明確提出優化城鎮化空間布局，優化配置土地資源，深入踐行生態文明理念，解決土地資源短缺和土地利用布局不合理等問題。《廣東省2020-2035年國土空間規劃》進一步強調落實耕地保護、建立生態保護紅線，優化農業空間布局及營造良好生態空間。土地利用變化受到學者和政府的廣泛關注，對其展開研究有利于解決一系列自然環境問題和社會發展問題。

至今，有關土地利用變化的研究已集中在數據資料的挖掘、驅動與演變機制、環境效應、未來演變模擬等幾個方面[1-5]。其中，土地利用的模型預測主要從數量預測和空間分布預測2個方面展開。數量預測主要有系統動力學(SD)[6]、馬爾科夫和灰色預測[7]等模型。應用較為廣泛的空間分布預測模型主要有CLUE-S模型[8]和元胞自動機模型(CA)[9]。其中CLUE-S模型只考慮將元胞分配給最終轉換概率最大的土地利用類型，忽略其他概率較小的土地利用類型的轉換機會；劉小平等提出的FLUS模型引入自適應慣性競爭機制，與CLUE-S模型相比更重視土地利用變化的不確定性[10]，該模型已被用于城市增長邊界劃定[11-12]、生態空間模擬預測[13]和土地利用預測[14]等方面。開展規劃目標年的土地利用數量與空間分布的模型預測研究，可為優化城鎮化空間布局和合理配置土地資源的決策與實踐提供研究支撐，也是未來土地利用規劃的基礎。

廣東省是我國的經濟大省和強省，全省GDP已連續31年位居全國第一[15]。隨著城市化進程不斷推進，建設用地侵占大量耕地、林地的現象導致土地資源緊缺，已成為經濟和農業發展的瓶頸[16]。廣東省正處于城市快速發展階段，土地利用結構不合理、生態用地減少使廣東省生態環境壓力與日俱增，同時也威脅到廣東省的可持續發展。本文基于研究區2010年和2015年土地利用數據和同期自然社會經濟的主控因子，運用FLUS模型模擬預測2035年土地利用空間分布，以期為實現2035年遠景目標和優化城市土地利用布局、緩解生態環境壓力提供研究支撐。

1 研究區概況、數據與方法

1.1 研究區概況與數據

1.1.1 研究區概況

廣東省(20°09′～25°31′ N, 109°45′～117°20′ E)位于我國東南部，南臨南海，共有21個地級市，面積達17.97萬km2。地勢總體北高南低，如圖1所示，以山地、丘陵和平原為主。廣東省年均氣溫大于20 ℃，年均降水量超1 500 mm。據第七次全國人口普查數據，廣東省常住人口超1.26億人，與2010年第六次全國人口普查相比增長20.81%，城鎮化率超70%；2020年廣東省地區生產總值超110 760.94億元，居于全國首位，經濟發展迅速。

注：繪制底圖來源于國家自然資源部http://bzdt.ch.mnr.gov.cn/(審圖號：GS(2019)3333號)

1.1.2 數據及預處理

研究數據包括土地利用(2010年和2015年)、行政區劃數據(2015年)以及與土地利用同期的自然和社會經濟數據(表1)，部分年份缺失的數據由最近年份數據代替。土地利用空間分布是自然和人類活動共同作用的結果，結合了廣東省自然環境、社會經濟環境的特點，并綜合考慮數據可得性、數據一致性和因子可量化性，最終把自然環境中的海拔、坡度、氣象條件、河流距離以及社會經濟環境中的人口密度、地均GDP以及與鐵路和公路的距離作為驅動因子，這些因子在較大程度上決定著土地的可利用性[17]。在進行模擬預測前，對數據進行一系列預處理，包括重投影、按掩膜提取、重分類和重采樣等空間分析過程，最終把數據轉換成行列數為605×754的1 km×1 km柵格，使用數據的公共部分進行模擬預測。

表1 土地利用數據及驅動力因子數據

1.2 研究方法

擬以研究區2010年和2015年土地利用數據為基準，利用FLUS模型模擬2035年土地利用空間分布狀況。運用FLUS模型模擬的過程需要經歷3個關鍵步驟：①預測未來目標年各土地利用類型的數量；②運用計算土地利用適宜性概率；③基于CA原理的土地利用類型轉換。本研究首先以2010-2015年土地利用轉移概率為基準，預測得到2015年和2035年土地利用的數量，并驗證模型的可行性。

然后，采用地理探測器探測所有驅動因子和土地利用適宜性的關系，在保證合理選取土地利用適宜性驅動因子的前提下，利用FLUS內嵌的神經網絡算法(ANN)模塊，計算土地利用適宜性概率。有關模型分別介紹如下：

1.2.1 FLUS模型

(1)基于人工神經網絡計算適宜性概率

FLUS模型中借助BP-ANN人工神經網絡模型，將一期土地利用數據和形成各類土地利用的驅動因子結合計算出各土地利用類型的分布適宜性概率，BP-ANN是一種多層前饋神經網絡，由輸入層、隱藏層和輸出層3個神經元層組成，其中輸入層神經元與驅動因子對應，輸出層神經元則與各種土地利用類型對應[17-18]，適宜性概率的計算公式如下：

P(t,x,y)=∑jwj,k×sigmoid(netj(x,t))=

(1)

式中，P(t,x,y)表示t時刻元胞x轉換為土地利用類型y的適宜性概率，wj,k是隱藏層與輸出層之間的權重，sigmoid()是隱藏層到輸出層的激勵函數，netj(x,t)是第j個隱藏層t時刻在元胞x上接收到的信號?！芇(t,x,y)恒為1，體現了土地利用類型之間的聯系與競爭關系。

(2)自適應慣性競爭機制

FLUS模型在傳統的CA模型上作出了明顯改進，它基于自適應慣性競爭機制，土地利用的轉化能否實現取決于土地利用最終轉換概率和輪盤賭的結果，前者取決于適宜性概率、慣性系數、鄰域因子和轉換成本，后者的融入使得最終轉換概率較低的土地利用仍有機會發生轉化，充分考慮到土地利用變化的不確定性，提高了模型的精度[17-18]，具體原理如下：

1)慣性系數由當前土地利用數量與未來的土地需求決定，在迭代計算過程中不斷自我調整，確保模擬得到的土地利用數量與需求量近似。其公式為

(2)

2)鄰域因子表示鄰近元胞之間的相互作用，公式如下：

(3)

3)轉換成本指當前土地利用類型轉換為其他類型的難易程度，其值為0或1，當允許轉化時設定為1，不允許轉化時設定為0。

4)最終轉換概率是每種土地利用類型最終出現在不同元胞上的概率，表達式為

(4)

1.2.2 地理探測器

地理探測器是探測空間分異性及其驅動因子的方法，它要求自變量為類型變量，如果原數據為連續型變量，則需進行離散化處理，這明確了地理探測器是一種非線性模型，避免了自變量之間存在多重共線性的問題[19]。地理探測器分成4個模塊，分別為因子探測、交互作用探測、風險區探測和生態探測，該探測模型在研究土地利用變化驅動因子中應用越來越廣泛[20]，對不同地理現象也有較強的適應性。本文以土地利用數據為因變量，地均GDP、人口密度、土壤類型、海拔、坡度、距公路距離、距鐵路距離、距水系距離、年均氣溫和年降水量為自變量，使用因子探測來明確土地利用變化的驅動因子，提高未來土地利用模擬的精度，計算公式如下：

(5)

1.2.3 馬爾科夫模型

馬爾科夫過程中假設事件的狀態轉移只與前一時刻的狀態有關，與過去的狀態無關，這種性質也稱為無后效性。土地利用變化也具有無后效性，因此，可以采用馬爾科夫模型對未來土地利用需求進行預測[23]。其一般表達式為

π(k)=π(k-1)P=π(0)Pk

(6)

式中，π(k)為k時刻的狀態概率向量；π(0)為初始狀態概率向量，即預測初期各土地利用類型面積與總面積的比值；P為狀態轉移概率矩陣，Pij為預測期間土地利用類型從狀態i轉移到狀態j的狀態轉移概率。預測結果取決于初始狀態概率向量和狀態轉移概率矩陣。

由于馬爾科夫模型在長時間尺度預測上容易產生較大偏差，綜合考慮時間的長短及數據的可得性，本文土地利用需求預測的時間間隔為5年。

但馬爾科夫模型只能對未來土地利用需求進行預測，而不能明確其空間分布，元胞自動機模型(CA)與馬爾科夫模型的結合可以解決上述問題。

2 結果與分析

2.1 廣東省土地利用演化過程

土地利用轉移矩陣可以清楚展示各種土地利用類型之間的轉化情況。本文利用廣東省2010年和2015年土地利用數據，匯制土地利用轉移矩陣(表2)。2010-2015年土地利用轉換發生在耕地、林地、草地以及建設用地之間，其中耕地、林地轉變為建設用地的面積分別為365 km2和310 km2；林地轉草地的面積為377 km2。面積增加的是建設用地和草地，并以建設用地增加更明顯；耕地和林地面積呈下降趨勢，兩者相比，林地減少更快；水域和未利用土地變化較小。未來耕地和林地的保護仍然是重中之重。

表2 2010-2015年廣東省土地利用轉移矩陣

2.2 土地利用變化的地理探測、FLUS模型訓練及精度驗證

2.2.1 地理探測

土地利用變化是自然和社會經濟方面多種驅動因子綜合作用的結果。使用地理探測分析土地利用變化需要將驅動因子數據離散化，但是不同的離散化方法或分級數量都會直接影響到驅動分析結果。常見的離散化方法有標準差分級(Standard Deviation,SD)、自然間斷點分級(Natural Breaks,NB)、幾何間隔分級(Geometrical Interval,GI)、等間隔分級(Equal Interval,EI)和分位數分級(Quantile,QU)5種方法。為此，本文同時運用以上5種方法，對所有連續型驅動因子進行離散化處理，將其結果運用于地理探測，計算并比較q值，取最大q值對應的離散化結果，列于表3。

表3 地理探測器分區及因子探測結果

所選驅動因子均通過p=0.05的顯著性檢驗，此時q值具有現實意義，表明本文所選土地利用變化驅動因子合理，q值越大表示該因子對土地利用變化的解釋力越強。驅動因子的影響程度由強到弱分別為地均GDP、人口密度、土壤類型、海拔、年均氣溫、距公路距離、距鐵路距離、年降水量、距水系距離和坡度。顯然，人口密度和GDP等社會經濟因子的影響程度比自然因子的更大。

2.2.2 土地利用數量結構的馬爾科夫模型模擬

本研究以廣東省2010-2015年土地利用轉移概率為基準，假設相同時間間隔下不同地類依照此概率平穩變化，以2010年為起始年份，利用馬爾科夫模型預測得到2015年和2035年土地利用數量結構。

成本矩陣和鄰域權重的設置對模擬結果的精度有重要影響，根據王保盛等[24]對歷史情景下FLUS模型鄰域權重設置的研究，同時間尺度下各土地類型面積的變化量的歸一化值可以較好地反映不同地類的擴張能力，能夠更好地還原歷史情景。因此，本文通過2010-2015年土地利用轉移矩陣確定成本矩陣，即均設置為1,對該時間段內的各土地利用面積變化值進行歸一化處理，得出鄰域權重參數，計算公式如下：

(7)

式中，yi是歸一化值，xi為地類面積變化值，xi_max、xi_min分別表示第i種土地利用類型面積變化的最大值和各種地類面積變化值中的最小值。

對不同年份土地利用模擬均采用相同的成本矩陣和鄰域權重參數，計算得到的土地利用數量結構和鄰域權重參數列于表4。

表4 FLUS模型鄰域權重參數和未來土地利用馬爾科夫預測值

2.2.3 基于FLUS模型訓練與精度驗證

基于設置好的參數，以2010年土地利用及同年驅動因子數據，運用FLUS模型得到2015年的土地利用分布數據；將其與同期土地利用真實數據對比，進行數量精度驗證(表5)，結果表明兩者十分貼近，FLUS模型能很好地根據土地利用需求進行空間分布模擬。根據現有數據的公共部分，繪制實際與模擬土地利用分布圖層及兩者的疊加結果見圖2，兩者不一致的情況主要出現在珠三角地區，這些地區經濟發展快、人口增長快。采用總體精度、Kappa系數和FoM指數對2015年廣東省土地利用模擬結果進行空間精度驗證，計算得總體精度為0.98,Kappa系數為0.96,FoM指數為0.01，進一步證明了FLUS模型的空間模擬精度高。為此，將使用當前的參數，模擬預測2035年廣東省土地利用空間分布情況。

表5 2015年廣東省土地利用類型實際與模擬柵格數對比

圖2 2015年廣東省實際與模擬土地利用及其疊加結果

2.3 2035年廣東省土地利用模擬預測結果

在通過精度驗證的基礎上，假定廣東省土地利用變化僅按歷史變化趨勢，即自然、社會經濟因子基本沿當前速度發展，本文將該情景定義為自然發展情景。以2015年土地利用、年降水量、年均氣溫、人口密度、地均GDP、距水系距離、距鐵路距離和距公路距離數據為初始條件，其他參數不變，使用數據的公共部分，運用FLUS模型模擬2035年廣東省土地利用，結果見圖3。面積變化見表6，2015-2035年建設用地和草地持續增加，分別增加3 140 km2和1 301 km2；其中，建設用地集中分布在珠江三角洲城市，擴張范圍也集中在該處，主要侵占周圍耕地和林地，在其他地區則零散分布；耕地和林地持續減少，分別減少1 342 km2和2 822 km2，耕地連片出現在珠江三角洲外的其他城市，這些城市耕地數量基本不變；水域仍然主要分布在佛山市及河源市，面積變化微小；林地、草地分布范圍涉足廣東省各市，在建設用地集中分布的區域面積較少。

表6 2015-2035年廣東省土地利用面積變化

3 結論與討論

3.1 結論

本文基于2010年和2015年的土地利用數據及其驅動因子數據，借助GIS空間分析技術、馬爾科夫模型、地理探測器和FLUS模型，對廣東省2035年土地利用的空間分布進行模擬研究，主要結論如下：

(1)在對廣東省土地利用變化的地理探測基礎上，本文選取地均GDP、人口密度、土壤類型、海拔、年均氣溫、距公路距離、距鐵路距離、年降水量、距水系距離以及坡度作為驅動因子；再將馬爾科夫和FLUS模型結合，通過對模型訓練與驗證后，用于模擬預測研究區2035年土地利用。結果表明，研究方案設計能達到令人滿意的效果，所選驅動因子對土地利用變化有較好的解釋力，模擬結果的總體精度、Kappa系數和FoM指數分別達到0.98、0.96和0.01，FLUS模型可作為理想的土地利用模擬預測工具。

(2)在自然發展情景下，2015-2035年廣東省建設用地、草地、耕地和林地延續了2010-2015年的變化趨勢，建設用地、林地面積變化最大，珠江三角洲土地利用變化比其他地區更為明顯；而其它地類基本不變。在自然發展情景下，城市建設用地擴張過快，林地、耕地進一步縮減，使廣東省生態環境面臨更嚴重威脅，加強對耕地、林地的保護仍然是未來需要面臨的重點問題，同時需要制定合理的城市發展規劃，進一步提高土地資源的節約集約利用。

3.2 討論

本研究分析結果的不確定性主要來自3個方面：①未能把所有土地利用變化驅動因子考慮在內，土地利用變化是多因素綜合作用的結果，文中只選取了廣東省范圍內的部分重要影響因素，驅動因子選擇的全面性對提高模型模擬精度有重要影響；②在土地利用變化驅動因子的研究方法上，常見的方法有多元線性回歸、邏輯回歸、地理加權回歸和灰色關聯度分析等方法，不同分析方法篩選出的驅動因子可能存在差異，最終影響模擬的結果；③土地利用是自然因素和人類活動共同作用的結果，對于未來土地利用模擬，本研究只考慮了自然發展情景，但實際上社會經濟因子變化較大以及未來受政策因素的影響也更大，未來土地利用需求與分布也會隨之變化，因此，需要從不同的情景綜合考慮，才能實現模擬預測結果與現實契合。此外，仍需加強對土地利用轉換規則的探討，避免主觀設置，以提高模型模擬的準確性。