延河流域土地利用空間格局模擬對比研究

黃 哲, 楊艷芬

(西北農林科技大學 水土保持研究所 黃土高原土壤侵蝕與旱地農業國家重點實驗室, 陜西 楊凌 712100)

土地利用和覆被變化(LUCC)是陸地生態系統對全球氣候變化和人類活動最重要的響應之一[1]，區域土地利用/覆蓋變化作為全世界資源環境變化的重要成因，逐漸成為研究的熱點，尤其是對“生態脆弱區”的研究，已經被國內外眾多學者所關注[2]。土地利用模型是研究土地利用/覆蓋變化的重要方法，它可以定量分析土地利用變化與影響其變化的驅動因素的關系，還可以模擬預測不同研究背景下的土地利用變化[3]。目前研究LUCC的主要有數量預測模型和空間預測模型，數量模型主要對各類土地利用類型數量變化情況進行預測，比較常用的數量模型[4]主要有馬爾科夫鏈Markov模型、灰色模型、二元Logistic回歸模型等。空間模型可從空間上表現各類土地利用類型地理位置上的演變，空間格局模擬模型[5]主要有CA(Cellular Automata)元胞自動機模型、CLUE模型及其改進版本CLUE-S模型等。隨著研究的不斷深入，許多學者根據研究區不同區域特點將數量預測模型和空間預測模型兩兩結合使用，使得其研究結果更具針對性。如CA-Markov模型、Logistic-CA-Markov模型及MCE-CA-Markov(Multi-Criteria Evaluation，多準則評價)模型等均屬于耦合模型。

耦合模型中的CA-Markov模型綜合了Markov鏈的長期預測和CA模擬復雜系統空間變化的優點使得其被廣泛應用于不同地區的LUCC模擬[6]，但預測多集中在城市。Logistic-CA-Markov模型是通過建立回歸模型來改變CA轉換規則并將回歸模型運用于土地利用變化的預測模擬之中[7]。MCE-CA-Markov模型則是基于土地利用轉移概率矩陣和適宜性圖集來為CA在下一時刻的狀態提供決策目標[8]。Logistic-CA-Markov模型及MCE-CA-Markov模型在國內外應用廣泛，在國外被應用于模擬美國明尼蘇達州明尼阿波利斯-圣保羅(雙城)大都市區的土地變化[9]、印度德拉敦市的城市轉型升級[10]及伊朗沿海紅樹林的變化監測和土地覆被預測等[11]；在國內被應用于京津冀都市圈的多情景模擬[12]、與Logistic耦合嵌入灰色不等時距模型中模擬城市形態空間演化特征[13]及碳儲量演變研究等[14]。

延河流域生態環境脆弱，自1999年以來，實施的水土保持綜合治理措施使得土地利用/覆被變化成為影響流域水文的重要因素。目前，對延河流域利用不同耦合模型進行土地利用空間格局演化的研究較少。本文基于黃土高原延河流域1986年、2000年及2010年3期土地利用數據和高程、坡度等7個驅動因子，首先分析延河流域1986—2010年土地利用/覆被演化特征，再利用耦合模型中較經典的Logistic-CA-Markov模型及MCE-CA-Markov模型進行延河流域土地利用空間格局模擬對比研究，以期為未來優化流域土地利用結構，科學制定合理的土地利用政策，實現流域資源的可持續利用提供科學依據。

1 研究區概況

延河流域地處陜西北部黃土高原中部，經緯度為36°27′—37°58′N，108°38′—110°29′E，流域總面積約為7 725 km2，干流全長286.90 km。流域內地勢空間差異大，高程范圍為494～1 787 m，主要表現為西北相對較高而東南低，且流域內侵蝕強烈，地形破碎。流域包括延安市、延安市延長縣大部分地區、延安市安塞縣、榆林市靖邊縣和延安市志丹縣。改革開放以來，流域內工礦產業快速發展，但仍然以農業經濟發展為中心。

2 數據來源及研究方法

2.1 數據來源及預處理

研究所用的數據主要包括延河流域1986年、2000年、2010年3期土地利用數據、延河流域DEM數據及相關社會經濟數據。其中1986年、2000年、2010年3期土地利用遙感影像數據是經過幾何糾正、輻射定標、大氣校正和地形校正后得到，DEM數據來自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×100 m。為對比研究模型模擬效果差異，本文所用模型均選擇相同的驅動因子，從自然地理，社會經濟及可達性方面選取了高程、坡度、距鐵路的距離、距公路的距離、距居民點的距離、人口密度及GDP共7個驅動因子作為影響延河流域土地利用格局變化的主要驅動因子。高程、坡度數據從DEM影像中提取；公路、鐵路、居民點等自然地理數據來自地理信息專業知識服務系統，距離因子數據是利用GIS對公路、鐵路、居民點進行歐氏距離分析得到的；延河流域人口密度和GDP柵格數據來自于中國科學院資源環境科學數據中心。

在進行土地利用變化模擬預測之前，對所有數據進行預處理，統一邊界范圍，統一投影坐標系為Krasovsky_1940_Albers，統一分辨率為100 m×100 m。根據延河流域土地利用特點，將得到的3期土地利用現狀數據按照《土地利用現狀分類》(GB/T21010—2017)重分類為耕地，林地，草地，水域，建設用地和未利用地6類。

2.2 研究方法

2.2.1 CA-Markov模型 CA-Markov模型由元胞自動機和馬爾可夫鏈構成，既提高了轉化的預測精度，又可以有效模擬空間格局變化[15]，馬爾可夫鏈Markov計算公式為[16]：

(1)

St+1=Pij·St

(2)

式中:St,St+1為t,t+1時期土地利用結構狀態;Pij為轉移概率矩陣,研究初期到末期由類型i轉為j的概率;n為土地利用類型。

CA模型公式為[15]：

S(t,t+1)=f〔S(t),N〕

(3)

式中:S為元胞有限且離散狀態的集合;f為元胞狀態的轉換規則函數;N為每個元胞的鄰域;t,t+1為兩個不同的時刻。

本文利用IDRISI軟件中的Markov模塊和CA-Markov模塊進行延河流域土地利用的模擬預測，首先利用Markov模塊計算1986—2000年和2000—2010年的延河流域土地利用轉移概率矩陣，然后利用CA-Markov模型，基于2000年分別選擇由Logistic模塊和MCE模塊生成的2000年適宜性圖集，循環次數設為10，濾波器設為5×5，分別得到2010年土地利用預測圖，將兩個模型得到的模擬圖與實際圖進行精度驗證，精度符合要求后按照上述步驟進行2030年延河流域土地利用模擬。

2.2.2 Logistic-CA-Markov模型 Logistic-CA-Markov模型是通過建立回歸模型來改變CA轉換規則并將其運用于土地利用變化的預測之中，要求結果發生的變量取值為二分變量(取值為0或者1)或多分變量[17]，Logistic回歸分析計算每個柵格出現該種土地利用類型i的概率Pi為[18]：

(4)

式中:β0為常數;Pi為某類土地利用i出現的概率;β為回歸系數用來表示各地類與驅動因子的定量關系;X1,X2,…,Xm為驅動因子。

回歸方程的擬合度檢測使用的是Pontius等[19]提出的ROC(相對工作特征曲線)曲線，其值介于0.5～1，越接近于1說明擬合效果越好，若ROC大于0.75，表示該模型模擬效果較好，能夠滿足相關要求。

利用Logistic模塊制作適宜性圖集時，基于IDRISI中的Logistic模塊，將延河流域基期年各地類的土地利用二值圖(如耕地二值圖是將耕地賦值為1，其余地類全部設置為0)依次作為因變量，高程、坡度、GDP、人口密度、距鐵路距離、距公路距離及距居民點距離這7個驅動因子作為自變量，得到各驅動因子與土地利用類型的系數、優勢比及各地類的適宜性圖層，對各地類系數和優勢比進行分析后將適宜性圖層利用集合生成器(Collection Editor)打包生成適宜性圖集，參與后續CA-Markov的模擬過程。

2.2.3 MCE-CA-Markov模型 MCE-CA-Markov多評價準則方法可以提高模型模擬精度且預測未來時期的LUCC變化更為可靠，利用MCE模塊制作的適宜性圖集可為CA在下一時刻的狀態提供決策目標[8]。MCE模塊包含限制因子和影響因子，限制因子是將分析嚴格控制在某種范圍內，以0，1值表示，0是指該區域不能發生土地利用類型變化，如水域或者自然保護區等；1指該區域可以發生土地利用類型的轉變。影響因子通過FUZZY功能實現，將原來離散或者連續數據統一到0～255標準化數據，并確定各因子對該類地類影響的函數形式。

MCE-CA-Markov模型制作適宜性圖集是基于IDRISI Selva 17.0平臺，耕地、林地、草地選擇高程、坡度為影響因子，高程對于3種地類的影響選擇S型衰減模式，坡度對于3種地類的影響選擇J型遞減模式，耕地、林地、草地及其影響因子的權重均采用自定義權重。建設用地選擇高程、坡度、GDP、人口密度、距公路距離、距鐵路距離、距居民點距離為影響因子，影響函數形式為S型衰減，建設用地各影響因子的權重用層次分析法(AHP)確定，將各地類的限制及影響因子組合做為該地類的適宜性圖層，利用集合生成器(Collection Editor)打包生成6類適宜性圖集，參與后續CA-Markov的模擬過程。

2.2.4 擴展的Kappa系數 CA-Markov模型的校準選用擴展的Kappa系數進行檢驗，不同于傳統的Kappa系數，擴展的Kappa系數采用多個評價指標來解決評價中類別數量和空間分配中的不一致[20]。分別對Logistic-CA-Markov模型和MCE-CA-Markov模型模擬的2010年延河流域利用圖進行檢驗，結果見表1。

表1 擴展Kappa系數評價指標

3 結果與分析

3.1 1986-2010年延河流域土地利用時空分布特征

通過統計匯總延河流域1986年、2000年和2010年3期土地利用數據，得出不同時段各類土地利用的面積，所占比例及空間轉化情況見表2，圖1。在1986—2000年期間，耕地、水域、未利用地呈減少趨勢，其中耕地降幅最為明顯，減少了67.09 km2，水域和未利用地減少了1.94，1.74 km2，而林地、草地和建設用地呈增長趨勢，分別增長了32.00，33.48，5.29 km2。延河流域2000—2010年與1986—2000年土地利用類型變化趨勢大致一致，耕地、水域及未利用地呈減少趨勢，分別減少了490.01，2.55，0.15 km2，其中耕地減少趨勢依舊最為明顯，林地、草地、建設用地持續保持增長，分別增加了346.34，103.49，42.88 km2。

表2 延河流域1986-2010年土地利用類型面積變化

圖1 1986-2000年、2000-2010年延河流域土地利用空間轉化

為進一步說明各類土地利用類型轉移過程，利用IDRISI17.0軟件中的Markov模塊分別以1986年和2000年的土地利用圖為初始年份，2000年和2010年為末期年份，得到土地利用轉移概率矩陣，并利用GIS得到土地利用轉移面積矩陣。其中轉移概率矩陣是各土地利用類型轉化為其他類型的概率，轉移面積矩陣是轉化為其他類型的面積。由表3—4可知，延河流域1986—2000年及2000—2010年土地利用類型轉移情況大致相同：草地以轉入為主，主要由耕地轉入，轉出較少；建設用地少量轉出為草地和耕地，較多由耕地轉入；減少趨勢較為明顯的耕地以轉出為主，主要轉為草地、林地和建設用地；林地以轉入為主，主要由草地和耕地轉入；未利用地和水域都以轉出為主，未利用地主要向建設用地轉化，而水域則主要向耕地和草地轉化，但未利用地和水域占比較小，總體變化不明顯。

表3 1986-2000年延河流域土地利用類型轉移面積矩陣 km2

表4 2000-2010年延河流域土地利用類型轉移面積矩陣 km2

1986—2010年延河流域土地利用類型以草地和耕地為主，面積比為45%，40%；其次是林地、建設用地和水域，面積比分別在10%，0.9%，0.3%左右；而未利用地僅占0.01%左右。土地作為人類社會經濟活動的基礎，其開發利用程度反映了社會經濟活動對其的需求程度，結合延河流域生態環境政策和社會經濟發展狀況，可知延河流域1986—2010年耕地面積持續減少，主要轉出為建設用地、林地和草地，原因有流域25°以上坡耕地退耕為其他地類、大量農村人口往城鎮轉移、流域城鎮化發展使得建設用地擴張占用周邊耕地以及近年來流域退耕還林(草)工程、天然林保護工程和小流域綜合治理措施等生態治理措施和相關生態恢復政策的實施等，其中有關生態恢復方面的政策是最主要的影響因子，國家自1998年以來陸續出臺相關生態恢復政策及鼓勵相關植被恢復與林農產業項目結合，積極調整了土地利用結構，促進了該地區生態經濟社會協調發展。

3.2 Logistic-CA-Markov模型預測土地利用類型

Logistic回歸模型得到的7個驅動因子與6種地類關系見表5，草地、耕地、林地、建設用地、水域、未利用地的ROC值分別為0.86，0.84，0.87，0.93，0.93，0.99，均大于0.75，說明該尺度下的回歸模型可以很好的解釋驅動因子與各地類的關系。將兩個圖層疊加進行空間分析得到疊加面積為6 172.24 km2，占總面積的80.39%，并對各地類面積進行誤差分析，得到各地類總誤差率為13.36%，由IDRISI中VALIDATA計算的擴展的Kappa系數見表1，模擬結果表明模擬精度較好。

表5 2010年延河流域土地利用類型Logistic回歸結果

利用Logistic-CA-Markov模型模擬得到的2030年延河流域土地利用圖見圖2，2030年延河流域土地利用格局以耕林草地為主，建設用地增勢明顯，其中耕地和草地面積較之2010年減少明顯，耕地減少了459.41 km2，占比為30.49%，草地減少了270.02 km2，占比為43.08%，林地和建設用地面積分別增加了656.60，67.60 km2，占比分別為24.24%，1.81%，水域面積與2010年延河流域差別不大，增加了0.14 km2，未利用地增加了7.05 km2，流域新增林地和建設用地主要由耕地和草地轉入，且集中在延安市區域，新增草地、水域和未利用地均主要由耕地轉入。

圖2 基于Logistic-CA-Markov模型的2030年延河流域土地利用模擬圖

3.3 MCE-CA-Markov模型預測土地利用類型

MCE模塊針對不同的地類設置不同的影響因子及限制因子來分析各地類及其驅動因子的關系，其中耕地、林地、草地的影響因子坡度及高程權重分別設置為0.40，0.60。建設用地的影響因子高程、坡度、GDP、人口密度、距公路距離、距鐵路距離、距居民點距離利用AHP層次分析法，系數分別設置為0.09，0.19，0.19，0.17，0.13，0.13，0.08，經檢驗符合模型連續性要求。兩圖層疊加面積為6 298.55 km2，占總面積的82.04%，各地類總誤差率為14.24%，利用VALIDATA計算得到的擴展的Kappa指數見表1，模擬結果表明模擬精度較好。

利用MCE-CA-Markov模型模擬得到2030年延河流域土地利用圖見圖3，2010—2030年延河流域林地、水域和建設用地與2000—2010年變化趨勢一致，其中耕地、林地、水域及建設用地均有增加，其中耕地增幅最為明顯，增加了106.43 km2，占比為37.84%；草地和未利用地面積較之2010年分別減少了117.24，0.45 km2，草地占比為45.05%；林地、水域及建設用地分別增加了13.52，0.93，0.96 km2，占比分別為15.86%，0.3%，0.94%。2030年延河流域新增耕地主要集中在延長縣區域、靖邊縣和安塞區，林地增加主要集中在延長縣區域，新增耕地和林地主要由草地轉入。

圖3 基于MCE-CA-Markov模型的2030年延河流域土地利用模擬圖

3.4 Logistic-CA-Markov模型和MCE-CA-Markov模型預測結果對比分析

從模擬結果上看，利用CA-Markov模型模擬的2010年延河流域土地利用空間布局圖符合精度要求，說明CA-Markov模型在延河流域具有較好的應用性且能模擬流域土地利用空間變化特征。由2010年模擬結果可知，相比之下MCE-CA-Markov模型模擬空間區位變化方面精度較高，Logistic-CA-Markov模型則在模擬數量變化方面精度較高，但MCE-CA-Markov模型標準Kappa系數0.8664略高于Logistic-CA-Markov模型精度0.8576。

從2030年模擬結果上看，利用Logistic-CA-Markov模型預測的2030年延河流域耕地和草地面積較之2010年減少明顯，林地、建設用地、水域和未利用地面積均有增加。林地增加與該區實施的退耕還林工程有關，建設用地增加表明隨著社會經濟快速發展，城鎮擴張出現集聚效應。延河流域生態環境脆弱，耕地轉出容易但要將其他地類恢復為耕地成本更高且難度更大，因此面對流域經濟建設的高需求，要準確把握地區經濟發展與資源利用的科學規律，合理協調經濟建設與流域資源環境的保護，優化調整用地結構，從而實現區域經濟高質量式發展。利用MCE-CA-Markov模型模擬得到2030年延河流域草地和未利用地面積呈減少趨勢，耕地、林地、水域及建設用地均有增加，其中耕地增幅大于建設用地，表明流域經濟發展相對較緩，注重對耕地和生態環境的保護。但在流域資源有限的情況下，要實現流域發展應立足于地區產業發展特色，積極探索不同的土地利用新結構，最大限度的發揮區域資源的優勢，只有經濟和環境雙發展才有利于維持該地區的可持續性。

Logistic-CA-Markov模型和MCE-CA-Markov模型模擬結果差異的原因，從驅動因子對地類的影響方式上分析，Logistic-CA-Markov模型采用的是線性回歸分析，將各驅動因子逐個與各地類進行線性回歸，而MCE-CA-Markov模型采用的是加權線性分析，對影響地類變化的限制因子和影響因子進行加權線性回歸。從影響地類變化的驅動因子選擇上分析，Logistic-CA-Markov模型選擇的影響2010年建設用地變化的主要因子為GDP、人口密度、DEM和距道路距離因子，其中GDP為最重要的影響因子，距道路距離因子和建設用地為負相關關系，影響耕地的主要因子為GDP、人口密度和DEM。而MCE-CA-Markov模型選擇的影響建設用地變化的因子為GDP、坡度、人口密度和距公路距離，其中GDP和坡度的權重一樣大，影響耕地的主要因子為高程和坡度。兩個模型在選擇影響地類變化的驅動因子上以及對于驅動因子處理方式上的不一致，使得兩個模型組成的參與后續模擬循環的適宜性圖集不同，因此造成了模型模擬結果的差異。

4 結 論

延河流域1986—2010年期間耕地、水域、未利用地呈減少趨勢，其中耕地降幅最為明顯，林地、草地和建設用地呈增長趨勢。減少趨勢較為明顯的耕地以轉出為主，主要轉為草地、林地和建設用地，林地轉入為主，主要由草地和耕地轉入，未利用地和水域都以轉出為主，生態恢復政策是影響流域土地利用變化的最主要的因子。

利用Logistic-CA-Markov模型預測的2030年延河流域耕地和草地面積較之2010年減少明顯，林地、建設用地、水域和未利用地面積均有增加。利用MCE-CA-Markov模型模擬得到2030年延河流域草地和未利用地面積呈減少趨勢，耕地、林地、水域及建設用地均有增加，其中耕地增幅最為明顯。Logistic-CA-Markov模型預測的流域經濟發展需求較高，應根據區域特點因地制宜制定適合當地發展的政策。而MCE-CA-Markov模型預測的2030年延河流域經濟發展相對較緩，雖然實現了對環境的保護，但要實現流域發展應積極探索土地利用新結構，用養結合，才能更好的實現經濟環境的持續發展。