基于DE M的小流域土地利用分析模型研究与实践

雷秀丽,杨泽东,马雪梅,肖 燕,李希峰

(1.测绘出版社,北京 100045;2.南京师范大学地理科学学院,江苏南京 210097;3.聊城大学环境与规划学院,山东聊城 252059;4.聊城大学建筑工程学院,山东聊城 252059)

基于DE M的小流域土地利用分析模型研究与实践

雷秀丽1,杨泽东2,马雪梅3,肖 燕3,李希峰4

(1.测绘出版社,北京 100045;2.南京师范大学地理科学学院,江苏南京 210097;3.聊城大学环境与规划学院,山东聊城 252059;4.聊城大学建筑工程学院,山东聊城 252059)

采用DEM数据和各种土地利用类型矢量数据,运用 GIS空间分析方法,设计土地利用分析模型,实现各种土地利用类型在不同地形因子影响下的空间分布现状的分析和显示,为区域土地利用规划或优化土地利用结构提供决策服务。

土地利用;地形因子;DEM;ArcGIS

一、引 言

我国是一个多山的国家,山区土地资源的利用非常重要,然而由于自然以及人为原因造成的坡地水土流失,一直困扰着山区经济的发展,如何科学合理地利用和保护现有的紧缺土地资源特别是坡耕地,解决生态退耕,一直是备受关注和急需解决的问题。

山区地形复杂多变,自然土地分布具有显著的空间分异性,并形成了复杂的山地景观,由于目前国内关于土地利用类型分布的研究绝大部分注重某行政区范围内的土地利用数量的研究,并非注重打破行政区界的整体的土地利用空间分布格局,这就造成空间上连续的同一土地利用类型因为行政区域不同而被分别进行规划和管理,而不能正确反映一个自然小流域内的土地利用总体分布状况。本文设计了基于DEM的小流域土地利用空间分布分析模型,以自然小流域为研究区域,打破了行政区界的限制。

本文利用自主设计的分析模型,结合现有土地利用数据以及相应区域的 DEM数据,通过叠加、融合等技术手段,研究主要土地利用类型在坡度、高程等不同地形因子影响下的分布特征,通过计算不同地形因子下各土地利用类型的分布频率,更加深入地了解土地利用空间分布现状以及地形因子对土地利用类型的影响,为区域土地资源合理利用提供决策依据。

二、数据处理流程及模型实现

1.处理方法及流程

在山区小流域中,坡度、高程、坡向是土地资源固有的重要环境因子,综合各种土地利用类型的选择性、适应性以及各种地形区域的生态敏感性,大体可界定为:坡度、坡向影响不同农业组分的分布,而高程则在一定程度上影响土地的开发利用。因此坡度、坡向、高程三个地形因子构成了土地利用类型分布的基本框架。

设计模型拟实现如下目标:以流域地区DEM数据和土地利用类型数据为基础数据,经过叠加、重分类等 GIS空间分析方法,结合汇总统计法获取各坡度和高程级别的土地利用类型分布和面积等数据。用户可根据特定需求将统计结果以折线图的形式显示。

在数据处理过程中,涉及栅格与矢量转换和二者之间的裁切操作以及在数据准备之初的矢量化误差,难免造成区域面积误差,为消除面积误差的影响,引入分布指数 P

式中,P代表分布指数;e代表地形因子,分别为坡度、高程、坡向等;Sie代表 e地形因子特定等级下的i地类的面积;Si是 i地类的面积;Se是整个区域 e地形因子特定等级下的总面积;S是整个区域面积。由该公式即可得到基本地形因子分布指数。

依据上述分析思路,列出具体操作流程,如图 1所示。

图 1 小流域土地利用空间分布分析流程

2.模型的实现

本文采用的操作环境为:CPU 1.7 GHz,内存512MB,操作系统Windows XP 2000,软件开发平台采用 ArcGIS 9.3的 ArcToolBox,开发语言 Python。模型主要由以下几个功能子模块来实现。

(1)截取 DEM,获得研究区域范围数据

在现实操作中,可获得的DE M数据无非两种方式:硬拷贝获取或者网上下载。为保证数据获取的完整性,所获得的 DE M数据一般地理范围要比实际操作范围大得多,因此为减少计算量,首先需要对 DE M数据进行掩膜裁剪,以获得研究区域范围的数据。

(2)计算土地利用类型在各特定地形级别的

分布面积

分析所需数据为土地利用类型数据和重分类数据。由于在数字地形分析中存在多种基本地形因子以及不同地区地形因子对土地利用类型的影响权重不同,为实现模型的通用性,特将地形因子的重分类数据作为基础数据,由用户根据所研究区域的实际情况自行设计标准进行分类。

将分类好的地形因子数据转换为矢量数据,并通过融合和字段统计工具,统计出各特定级别地形因子的分布面积,然后将其与土地利用类型数据进行相交处理,并按照上述方法做同样处理,获得土地利用类型在各特定地形级别的分布面积。

(3)计算土地利用类型在各特定地形级别的

分布比率

将地形面积数据和土地利用类型面积数据按照地形分类进行连接,使二者的属性数据同时在地形面积数据属性表上显示,计算 Index字段即可获得土地利用类型在各特定地形级别的分布比率。

(4)消除面积影响

在上述操作中涉及数据转换、数据裁剪以及矢量化的误差,在统计土地利用类型在各特定地形级别的分布比率时不可避免地产生面积上的误差,因此引入分布指数,消除面积误差,计算土地利用类型在各特定地形级别的分布频率 (指相对分布频率,不代表具体数字含义)。

(5)自动消除衍生数据

该模型运行过程中,会生成 10多个数据,这些数据阻止了用户第二次运行模型,为提高模型的运行效率,有必要引入数据自检机制,根据用户需求自动删除衍生数据。

(6)分析结果显示

根据用户需求,以折线图形式显示分析结果。

三、试 验

本文选取的试验区域为青岛市白沙河流域。白沙河流域为低山丘陵地,山多地少,地面平均海拔为 55 m左右,地表水常年控制在 3 m左右,该区域最高海拔处——崂山顶,海拔 1 133 m,位于崂山山脉,流域位于中纬度暖温带季风气候区,降水量充足、湿润温和、四季分明,然而受地形地貌和人为因素的影响,对坡耕地的不合理应用,造成了该区的水土流失,大量土地资源得不到应用。

1.数据来源

本研究采用的数据主要有 1∶50 000地形图;相应比例尺的DEM数据,30m空间分辨率,并通过对DEM进行分析获得研究区的高程和坡度数据;为方便起见,土地利用数据为遥感影像分类得到。

2.模型分析结果

模型的操作界面如图 2所示。

通过设计的土地利用空间分析模型,可以根据用户需要计算在各种地形影响因子影响下的土地利用情况,如农作物在不同坡度、坡向下的种类和分布,林地在不同高程下的分布情况等。

图 2 模型操作界面

仅以白沙河流域的耕地、园林、林地在坡度因子影响下 7的分布为例,分布频率分别如图 3～图 5所示。

图 3 耕地坡度分布频率

图 4 园林坡度分布频率

图 林地坡度分布频率

从图 3～图 5中可以看出,耕地、园地、林地三种不同土地利用类型在不同的坡度等级上的分布趋势。其中耕地的优势坡度等级为第 1～3级(1°～15°),随着坡度增大 ,其分布逐渐减少,而后在第 4级迅速下降,而在坡度大于 25°时,分布频率几乎达到零,这是由于耕地对坡度有较大的选择性造成的;园地的优势坡度等级为 2～4级,但就总体而言其分布还是较为平均的,一方面是因为园林对坡度有较大的适应性,另一方面是因为园林的种植对山区农民来说具有较大的经济价值,因此在人口稠密区其仍有广泛的分布;林地的分布则较前两类不同,可以看出在第 3级之后,其分布几乎成直线上升之势,因为在众多的土地利用类型中,林地对地形因子的适应性是最大的,由于在坡度较低范围内耕地、园林等其他土地利用类型的广泛分布,造成林地分布范围向高坡度移动。

从图 6也可以看出林地主要集中在高坡度区域。

图 6 林地坡度分布示意图

同样,从图 7可以看出林地主要集中在海拔150～500m之间。

根据小流域地区的地形特点,运用DEM和土地利用数据建立的数字模型能够直观地显示土地利用空间格局与其所处地形因子的关系。在模型分析结果的基础上还可以进一步开展有关坡度、坡向、高程等地形因子与土地利用空间适宜性等相关研究,从而为区域农业结构调整、各类土地资源的优化布局和土地资源可持续利用等提供理论依据。

图 7 林地高程分布示意图

四、结束语

本文借助 ArcGIS平台,研究并设计了小流域土地利用空间分布分析模型,通过对青岛白沙河流域地区的试验,证明了该模型所得结果直观、高效,并具有以下优点。

1.数据要求低

在本模型中,土地利用类型数据和DEM为基本输入数据,本模块对用户输入的这两种数据,不做任何要求,模型遵照提高系统效率和质量的系统工程学思想,通过编辑设计 Python脚本模型,输入数据的正规化模块后台运行,由模块将数据转换为符合要求的数据。例如:在模型运行时,自动为土地利用类型数据添加 Type字段,在大大节省用户时间的同时,也由于自动化确保了字段填充的准确率。

2.自动检索数据

通常在模型运行时,如果结果数据已经存在,模型一般会以⊗或△!提示,用户须通过 Windows手动删除数据,当数据非常多,而且储存于不同的文件夹时,该工作是相当耗时的。为提高模型运行效率,本模型特引入自动检索数据功能,模型会自动检索指定文件夹内已存在的数据集,并在用户的提示下进行自动删除,大大提高了模型运行效率,也使得该模型同样适合大型统计运算。

3.通用性较好

以往的统计模型中,习惯将分类标准按照示例数据设计,并引入到模型设计中去,这就在一定程度上减弱了模型的可移植性,将模型固定在只能研究和示例数据具有同样地形属性的地理范围内,降低了模型的通用性,本模型在研究之初就将这一因素考虑在内,因此将重分类标准交由用户来处理,用户可以按照所研究地理范围实际情况来确定分类标准。这样就使得该模型适合于任何基本地形因子的统计分析,大大拓宽了模型的应用范围。

4.模型模块化

在实际操作中,由于用户的工作性质不同,用户拥有的基础数据也就不同,为减少用户的重复操作,提高模型运行效率,本模型中的五个子模块只要是在符合数据标准的情况下 (参照数据介绍表)都可以作为独立模型运行。节省了用户的工作时间,提高了模型的运行效率。

[1]黄海洋,杨庆媛,王成.基于 DEM的土地利用类型与地形因子关系研究——以重庆市酉阳县麻旺镇为例[J].西南大学学报:自然科学版,2009,31(4):159-164.

[2]路云阁,许月卿,蔡运龙.基于遥感技术和 GIS的小流域土地利用/覆被变化分析 [J].地理科学进展,2005,24(1):79-86.

[3]韩建平,贾宁凤.土地利用与地形因子关系研究——以砖窑沟流域为例[J].中国生态农业学报,2010,18(5):1071-1075.

[4]毛蒋兴,李志刚,闫小培,等.深圳土地利用时空变化与地形因子的关系研究[J].地理与地理信息科学,2008,24(2):71-76.

Research and Practice of Land-use Analysis Model in Small Watershed Based on DEM

LEIXiuli,YANG Zedong,MA Xuemei,X IAO Yan,L IXifeng

0494-0911(2011)02-0052-04

P208

B

2010-10-22

聊城大学科研基金重点项目(X09042)

雷秀丽 (1979—),女,北京人,编辑,主要从事期刊的编辑工作。