基于Logistic回歸模型的南昌市土地利用演變驅動力分析

顧順業

中國傳媒大學，北京 100024

0 引言

土地利用/土地覆蓋變化（Land-Use and Land-Cover Change，LUCC）是全球環境變化和可持續發展領域的熱門和前沿研究主題，是多個國際項目交叉研究的核心內容之一。LUCC 的變化是一個復雜的過程，受到許多因素的影響，包括人類活動、自然變化、宏觀經濟、環境政策等。

國內學者如李宇飛等［1］利用CA-Markov 模型研究了阿克蘇地區土地利用變化并進行了預測；周晨晴等［2］使用GIS-Logistic 耦合模型確定了2009—2014 年甘肅省廣河縣土地利用變化及其驅動因素；卞正富等［3］通過對遙感影像和景觀格局指數分析的方式，研究了1979—2001 年江蘇省徐州市煤礦區土地格局變化；王夏琰等［4］探究了甘肅省土地利用結構變化及其驅動力；于興修等［5］研究發現，城市發展和人口變遷等因素是土地利用變化的直接驅動因素，而地形地貌、土壤性質和氣候等因素是土地利用變化的顯著驅動因素，且這些因素相互關聯。

筆者基于前人研究成果，通過分析典型地區江西省南昌市的LUCC 情況及其驅動機制，探討社會、經濟、生態之間的相互作用規律，為優化土地利用方式、推進城市可持續發展提供參考。

1 數據來源和研究方法

1.1 研究區域概況

1.2 數據來源與處理

南昌市土地利用現狀圖、遙感監測數據、數字高程模型（Digital Elevation Model，DEM）來源于中國科學院地理科學與資源研究所的資源環境科學與數據中心，社會經濟發展相關數據來源于《南昌統計年鑒2020》。此外，筆者根據第二次全國土地調查土地分類系統，將研究區域的土地分為6 個主要類別，即耕地、林地、草地、水域、建設用地及未利用地。

1.3 研究方法

1.3.1 土地利用/覆被轉移矩陣

土地利用/覆被轉移矩陣能夠很好地反映LUCC的結構特征及土地利用/覆蓋類型之間的過渡方向，其可以通過定量的方式展示研究期內（初期到末期）各種土地利用類型的面積是如何變化的。

1.3.2 二元Logistic模型

該建模技術依靠樣本數據為相關變量創建回歸系數，并通過這些系數討論模型中因變量和自變量之間的關系。如果一個事件發生的概率是p（0≤p≤1），則1-p就是事件不會發生的概率，這個概率就可以用Logistic函數計算，公式為

式（1）中：p是某一土地利用類型的出現概率，p值越大則表示出現該土地利用類型的可能性越大；xn表示第n個驅動因素；β是二元Logistic 回歸方程中的偏回歸系數；exp( )β表示土地利用類型出現的頻率與不出現的頻率之比，用于反映相關影響因素對某一土地利用類型出現概率的貢獻大小。

2.2 韭蛆危害嚴重，防治困難 韭蛆是為害韭菜的主要地下害蟲之一[5]，隨著韭菜面積的增加，韭蛆的防治日益緊迫。由于韭蛆蟲體小、繁殖力強，世代重疊，防治難度大，生產中防治該蟲害往往使用高毒、高殘留殺蟲劑或過量使用農藥。一些農戶為了防治韭蛆，在韭菜上施用辛硫磷、甲基異硫磷、甚至甲拌磷(3911)等國家明令禁止在蔬菜上施用的劇毒、高殘留農藥，造成韭菜農藥殘留過量，質量安全存有隱患。

Logistic 函數是一個協變的非線性函數。如果對公式進行Logit變換，就可以得到一個線性公式。

式（2）中：p為土地利用/覆被類型出現在空間單元出現的概率；βn是第n個驅動因素的邏輯回歸系數；β0為常數項。

另外，p（1 -p）稱為1 組事件的發生比（Odds），通過除法得到兩組發生比的發生比率［Odds Ratio，OR，即exp( )β］，OR在測量關聯時可用來解釋Logistic回歸模型中自變量對事件概率的作用。因此，其常用于對Logistic 回歸模型回歸系數的解釋，以及表示一個單位變化引起另一個單位變化的量的大小。

1.3.3 ROC曲線和AUC面積

受試者工作特征曲線（Receiver Operating Characteristic，ROC曲線）的主要分析工具是一個畫在二維平面上的曲線——ROC 曲線，平面的橫坐標是False Positive Rate（假陽性率），縱坐標是True Positive Rate（真陽性率）。對某個分類器而言，可以根據其在測試樣本上的表現得到一個TPR 和FPR 點對。這樣，此分類器就可以映射成ROC 平面上的一個點。調整這個分類器分類時候使用的閾值，就可以得到一個經過（0，0）、（1，1）的曲線，這就是此分類器的ROC曲線。ROC曲線下與坐標軸圍成的面積（Area Under Roc Curve，AUC）可用來標志分類器的好壞。通常，AUC的值介于0.5～1.0，AUC值較大則代表分類器性能較好；一般認為，AUC在0.5以上可以接受，0.7以上優秀。

2 南昌市土地利用轉移分析

利用ArcGIS 軟件的空間分析功能，對南昌市2010—2020 年土地利用現狀圖進行疊加分析，導出屬性表；利用Excel軟件的數據透視表功能對上述屬性表進行整理匯總，得到如表1 所示的2010—2020 年南昌市土地利用轉移矩陣。由表1 可以得出南昌市每種土地利用類型的占比，如表2所示。

表1 2010—2020年南昌市土地利用轉移矩陣hm2

表2 各土地利用類型的占比%

由表1、表2 可知，南昌市土地以耕地居多，近10年占比都在50%以上，對應了南昌市作為江西省農業主產區的特點。2010—2020 年，南昌市土地利用類型轉變比較頻繁，共有39 043.98 hm2的土地利用類型發生了轉變，占總土地面積的5.4%。其中，3 895.47 hm2的耕地轉化成林地，2 242.98 hm2的耕地轉化為水域，15 357.51 hm2的耕地轉化為建設用地，不難看出退耕還林政策的實施成效及建設用地面積的大量增加；有4 060.71 hm2的林地轉化成耕地，3 128.76 hm2的林地轉化成建設用地；草地的變化相比其他地類不算太大，轉化面積均未超過200.00 hm2，最大值來自草地轉化為水域的188.97 hm2；水域轉化為耕地2 173.41 hm2，轉化為建設用地1 195.65 hm2；建設用地有1 815.30 hm2轉化為耕地，還有310.68 hm2轉化為水域；未利用地有1 870.20 hm2轉化為水域。整體來看，南昌市土地利用類型整體呈現出向建設用地轉移的趨勢，且其主要來源是耕地。

3 土地利用類型分布的驅動機制分析

3.1 驅動因素的選擇

由于不同土地利用類型及其變化的復雜性和非線性分布，以及影響因素會受到不同研究區域和不同時間段的影響，因此影響因素的選擇應基于完整性、數據可用性和可量化的原則。筆者綜合考慮以往學者選取的各類驅動因素，最終選取了氣候環境因素（年降水、年均溫）、社會經濟因素（夜間燈光、人口密度、生產總值）、地形影響因素（高程、坡度、坡向）3 大類共8 個驅動因素。

3.1.1 年降水、年均溫

不同的土地利用類型會反映不同的氣溫和降水量規律。對于南昌市這種四季氣溫變化明顯和降水量較大的城市，更能看出每一種土地利用類型對應的驅動因素。

3.1.2 夜間燈光、人口密度、生產總值

夜間燈光、人口密度、生產總值三者息息相關。由于我國城市化進程加快，人口快速流入城市，城市的生產總值會有所增加，夜間燈光也會發生變化，用地類型則會向建設用地靠攏。

3.1.3 高程、坡度、坡向

坡度越平緩的地區，越可能發生土地類型的變化。這是因為平坦的土地基礎較好，容易產生變化。而坡向會和光照、氣溫、天氣產生關聯，從而使用地類型發生變化。因為江西省多山，所以此研究考慮了高程的影響。

3.2 數據選擇

在ArcGIS應用程序中，使用“創建隨機點”工具隨機選擇了南昌市的10 000 個點，使用“空間分析”模塊中的“對點提取數值”工具對10 000個點中的每個點分配8 個影響因素的數值，之后導出屬性表并將數據導入SPSS應用程序進行數據處理和分析。

3.3 二元Logistic回歸

將10 000個點導入SPSS軟件之后，對每種土地類型進行二元Logistic 回歸運算，匯總各土地利用類型的運算結果，去除顯著大于0.05的要素，結果見表3。

表3 各因素對土地利用類型的回歸系數

發生比率OR或exp( )β可以比較直觀地反映LUCC 和8 個驅動因素之間的具體關系以及各自的影響程度。例如，如果回歸系數β＞0，那么當自變量增加一個單位，發生比率會增加exp( )β倍，反之亦然。計算結果見表4。

表4 各因素的exp(β) 值

由表4 可知，影響耕地分布的主要正相關因素有坡向和年均溫，發生比分別為1.003、1.441，表明耕地一般年均溫會高一些，利于作物生長，同時耕地分布在坡向大的區域；而坡度、夜間燈光與耕地的分布呈負相關，發生比為0.968、0.962，說明南昌市的耕地多分布在燈光較弱的地區（離城區較遠），且在分布在坡度比較緩和的區域（土地平緩利于耕作）。

對于林地來說，比較有代表性的驅動因素是坡度，說明一般林地分布在比較陡峭、坡度較高的區域，如森林公園和林場，甚至農業大學內部的林地多依山分布這一點可以印證；而與林地分布呈負相關的主要是人口密度和夜間燈光，因為南昌市大部分林地都距市區很遠，人口分布少，燈光也會弱很多。

草地的分布與坡度有比較明顯的正相關，說明草地多分布在坡度較大的地區，其他如高程、坡向和年降水都有比較接近的正相關exp( )β值；其負相關因素和林地相似，主要與夜間燈光和人口密度有關。雖然其解釋與林地類似，但是還可以看出一個問題：南昌市主要夜間燈光集中在城區，但是草地分布和夜間燈光呈負相關，這側面說明南昌市主城區綠化還較為缺乏，可以在未來進行增加。

水域的分布主要與坡度和年降水量有明顯的正相關性；因為南昌市的地理環境及江西省的地理環境特征，南昌市的水域一般分布在坡度高一點的地區，降水量也相對較多。水域的分布主要與夜間燈光、高程呈負相關，說明南昌市水域一般分布在海拔較低的地區，且其周圍的燈光也比較少，因為無論是濕地公園還是湖泊都離城區較遠。

影響建設用地分布的最主要驅動因素是坡度、年降水，且呈負相關，即建設用地多分布在坡度較低的地區，并且建設用地多在城區（由于熱島效應等原因，導致當地降水較少）；建設用地的分布與年均溫、夜間燈光、人口密度呈正相關（這符合實際情況），因為夜間燈光亮度高的區域集中了大量人口，氣溫也會較高，同時是城市經濟發展較好的地區。

未利用地主要為一些荒地，受高程、夜間燈光和人口密度的影響最大，且都呈負相關。這說明這些未利用地一般分布在海拔較高的地區，人跡罕至，燈光分布少。

筆者運用ROC 法檢驗回歸模型的擬合優度。一般如果ROC 曲線下的面積AUC＞0.5，可以說明模型擬合較好，大于0.7 可以看作優秀。經過SPSS 運算，耕地、林地、草地、水域、建設用地和未利用地的AUC值分別為0.718、0.786、0.782、0.782、0.900 和0.939，均大于0.7，表明選取的8 個驅動因素比較合理，而且回歸模型的預測和實際情況有統一性，模型擬合效果也很好，詳見圖1（部分圖略）。

圖1 代表性土地利用類型的AUC圖

4 結論

筆者分析了2010—2020 年南昌市LUCC 變化的特點和驅動因素，得出以下結論。

第一，南昌市土地利用類型以耕地、林地、水域為主（超過全域面積的80%），建設用地主要分布在南昌市中部，未利用地主要分布在東北部。南昌市土地利用類型經歷了一定的變化，但是總體的比例基本維持不變，保持了動態平衡，不過整體可以看作耕地向建設用地轉移了一定規模（2%）的土地。

第二，顯著影響南昌市耕地分布的因素有坡度、坡向、年降水、年均溫、夜間燈光、人口密度，其中比較關鍵的影響因素是坡度、年均溫、夜間燈光；顯著影響林地分布的因素有高程、坡度、坡向、年降水、年均溫、人口密度；影響草地分布的因素主要有高程、坡度、坡向、年降水、夜間燈光、人口密度；顯著影響水域分布的因素有高程、坡度、坡向、年降水、夜間燈光、人口密度；顯著影響建設用地分布的因素有高程、坡度、坡向、年降水、年均溫、夜間燈光、人口密度；顯著影響未利用地分布的因素有高程、坡向、年降水、夜間燈光、人口密度。