基于IDRISI CA-Markov模型的闵行区土地利用变化及预测

魏永坤, 石登荣, 陶康华, 周国祺, 梅 晶

(1.上海师范大学 生命与环境科学学院,上海 200234;2.上海师范大学 城市信息研究中心,上海 200234)

0 引 言

“有土斯有人”,土地是人类赖以生存与发展的摇篮与襁褓,是最基本的生存物质基础,是一切社会经济活动的载体.土地利用变化是区域人口、资源环境与发展的基本和核心问题[1].20世纪90年代以来,区域土地利用/覆被变化的研究已成为“全球环境变化的人文因素计划(IHDP)”的重要组成部分之一[2],土地利用和覆盖变化涉及全球环境变化、区域城市发展、经济社会稳定、环境质量等所有与可持续发展相关的问题,逐渐成为研究的前沿与热点[3-5].

我国正处于城市化高速发展的阶段,大规模的土地利用/土地覆盖变化发生.因此,城市的土地利用/覆盖变化研究,正成为研究者关注的焦点[6-7].高分辨率遥感卫星影像结合GIS技术,通过建立土地利用时空数据库,进行土地利用变化分析研究,掌握土地利用的时空演变过程,已为土地利用研究的有力工具和方法[8].通过目视解译结合野外实地调查,已成为城市区域土地利用变化现状研究的重要手段[9-10].CA-Markov(Cellular Automaton-Markov)模型综合了CA模型模拟复杂系统空间变化的优势和Markov模型长期预测的优势,通过CA-Markov模型对土地利用研究,已被广泛探讨和应用,且在分析和模拟土地利用变化方面都取得了良好的效果[11-15].上海市闵行区近3次人口普查都呈现人口翻番的状态,城市化速度惊人,因此,利用遥感数据,结合ARCGIS和IDRISI,对闵行区土地利用格局进行模拟和预测,以期揭示闵行区土地利用的时空变化.

1 研究区概况

闵行区位于上海市中心腹地,在中心城区西南,并与其犬牙交错,形似一把“钥匙”,区域总面积371.68 km2,占上海市总面积(6340.5 km2)的5.86%.闵行地区西部处于湖积平原,中-东部和吴泾地区处于滨海平原,平均海拔4 m左右.吴淞江流经北境,黄浦江纵贯南北,将闵行区分为浦东、浦西两部分.闵行区沿江接市,得风气之先,拥有水、陆、空立体化的完备交通网络.随着城市化进程的快速推进,中心市区旧区改造、房地产开发及产业(特别是二产)外迁,打破了过往的“城郊结合部和农村”的定位束缚,“十二五”闵行区定位为上海市拓展区.

闵行区可分为特征鲜明的三大功能区:北部高端现代服务业功能区,包括华漕镇、七宝镇、莘庄镇、虹桥镇、梅陇镇(春申塘以北部分)、新虹街道、古美路街道,城市化率69.8%;南部创新研发先进制造功能区,包括吴泾镇、颛桥镇、马桥镇、江川路街道、莘庄工业区、梅陇镇(春申塘以南部分),城市化率64.9%;东部统筹城乡发展功能区,主要是浦江镇,城市化率28%(简称“北、南、东部区”,下同).三区从人口类型特性、产业性质到土地利用可以看成是上海市中心城、近郊区、远郊区的缩影,因此选取县域闵行区3个功能区作为研究对象具有重要意义.

2 数据来源与研究方法

2.1 数据来源及处理

本研究选用闵行区2000、2005、2010年Landsat TM遥感数据,影像空间分辨率为30m,几何纠正为上海市地方坐标,在ArcGIS10的环境下,采用人机交互式目视解译,并结合实地考察进行验证.参考《城市用地分类与规划建设用地标准》GB50137-2011和《土地利用现状分类标准》 GB/T 21010-2007,结合研究出发点以及闵行区城市化程度、土地资源的经营特点、利用方式、覆被特征,建立分类系统,包括农业用地、农村居住用地、城市居住用地、工业仓储用地、公共设施用地、待建在建用地、交通用地和其他用地(主要为河道、水塘、未利用滩涂)等8种土地利用类型(以下分别简称为农地、农居、城居、工仓、公设、待建、交通、其他).最终得到3个年份的土地利用现状图,获得土地利用变化空间、属性数据和动态变化信息.

2.2 研究方法

在土地利用格局中,每一个栅格相当于一个元胞,每个元胞的土地利用类型即为元胞的状态,利用转移矩阵和条件概率图像进行运算,可确定元胞状态的转移,从而模拟土地利用格局的空间变化[16].CA-Markov模型综合了CA模型和Markov模型各自的优势,既提高了土地类型转化的预测精度,又能有效地模拟土地格局的空间分布.IDRISI 软件中的CA-Markov 模块为土地利用时空变化提供了便利,具体操作如下:(1)数据转换.将ArcGIS下的土地利用数据进行转换处理,得到IDRISI可识别文件;(2)Markov预测.利用Markov模块分别得到2个年度区间的状态转移概率矩阵和转移面积矩阵;(3)空间分布概率适宜图.利用Logistic模块,以各种土地利用类型作为因变量,对其影响程度较大的因子(交通、人口、经济、规划等)作为自变量,依次回归得到空间分布概率适宜图集;(4)CA-Markov模拟预测.以CA 标准5×5邻近滤波器为邻域定义,确定起始时刻和循环次数,进行预测模拟.

3 土地利用分析

3.1 土地利用数量分析

土地利用数量的变化可从幅度和速度两方面度量.根据遥感图像分类结果(图1),从土地利用变化类型来看,农地、农居在持续减少,城居、工仓、公设、交通以及待建用地持续增加.农地与农居,后五年变化率皆大于前五年变化率,呈现快速缩减的态势,其中农地消失一半多,但农居缩减有加快趋势,变化率从13.4%～30.4%.建设用地中,除了工仓外,其他几种用地都呈现加快增长趋势,即后五年增加率皆高于前五年,这其中公设用地变化速度最快,后五年变化率高达152.6%,其次为城居用地64.8%,待建、交通用地同样持续迅猛增加.闵行区近十年土地变化,说明了闵行区第二、三产业发展迅猛,处于大发展时期,其中第二产业发展为背景,房地产业发展旺盛特征较突出,公共设施用地的发展也说明了闵行区并非为单纯的房地产经济,第三产业发展得到了较好兼顾.必须指出待建用地的大规模增加,亦说明了发展存在一定的盲目性,使大量规划用地批而未用,造成闲置浪费,土地集约利用度降低.

图1 遥感图像分类结果

3.2 土地利用变化转移分析

利用ArcGIS中arctoolbox模块中选择分析工具下的intersect,分别将专题图叠加,可以得到三大功能区土地利用的转移矩阵.变化面积超过1%的土地利用变化见图2、3.

图2 2000～2005年土地利用时空变化图

图3 2005～2010年土地利用时空变化图

2000～2005年土地变迁主要特点:第一,农地向工仓与城居用地的转变,农地减少7.6个百分点,城居增加3.1个百分点,工仓增加3.7个百分点;第二,北、南、东部区土地变迁程度依次减弱;第三,农地变迁贯穿全区,为主要的转出对象,变量大.其中北部区转为工仓、待建为主,城居为次;南、东部区转为待建为主,工仓为次,转移速度慢;第四,待建变迁仅北、南部区.北部区转为城居为主,公设、工仓为次;南部区转为城居为主,工仓少增;第五,农居、工仓变迁量小,呈现农居减、工仓增.

2005～2010年土地变迁主要特点:第一,农地和村居为主要转出对象,分别减少14.8个百分点和 4.2个百分点,城居增加最迅猛,为6.7个百分点,其次为公设和待建用地,工仓增加有所减缓,仅为2.1个百分点;第二,北、南、东部区土地变迁依次减弱,东部区发展加速;第三,农地变迁量最大,高达15个百分点.其中北部区转为工仓、公设为主;南、东部区变迁量很大,转为待建、城居、工仓为主,公设为次;第四,待建变迁北、南部区为主.北部区转为城居为主,公设为次;南部区转为公设、工仓为主,城居为次;第五,农居变迁贯穿全区,主要向待建转化,其中北部区还有直接向城居转化;第六,工仓变迁为北部区特有,转为待建、公设为主,城居为次.

很显然,后五年土地利用变化比前五年剧烈得多,不仅变化量大,且范围更广、类型更多样化.土地时空变迁主要就是农地转为非农地的过程(农地占比十年间从40.7%降到19.8%),此过程常以待建用地为过渡,表现为农地在一定时间内转为待建再转为其他各种建设用地.北部区发展起步早且快,城市化程度高,农地消耗得快,但存量不足,后期逐步转为工仓消减为主,主要转为城居、公设;南部区消耗的农地主要转为工仓、城居;东部区发展起步晚,城市化水平最低,但是后来居上,农地消耗最快,城居、工仓、公设共同发展.北部区的迁移过程明显地表明了土地迁移规律-土地利用方式向更高产值的方向转移.因此城市化水平的高低、进程的快慢,在很大程度上影响了土地时空变迁较大的差异性.

3.3 基于CA-Markov的土地利用变化趋势预测

分别以2005和2010年为预测起始年份,输入基于Logistic创建的土地利用适宜性图集,指定地理元胞自动机的循环次数为 5a、10a,结合CA-Markov模型分三大功能区模拟预测,得到研究区域相关年份的土地利用预测图(图4～7)以及各类用地面积比重表(表1).

图4 2010年土地利用现状图

图5 2010年土地利用预测图

图6 2015年土地利用预测图

图7 2020年土地利用预测图

功能区土地类型10年实际(%)10年预测(%)15年预测(%)20年预测(%)北部高端现代服务业功能区农地6.38.34.93.7农居4.34.03.22.6城居29.836.434.136.8工仓19.819.417.115.4交通15.59.516.016.7公设9.13.99.611.0待建8.27.67.76.6其他6.910.97.37.2南部创新研发先进制造功能区农地15.121.011.38.3农居5.58.62.82.2城居12.89.816.718.0工仓28.024.830.932.5交通9.47.310.811.3公设11.310.612.313.4待建10.16.98.58.0其他7.010.76.55.9东部统筹城乡发展功能区农地42.346.235.228.5农居12.113.69.77.2城居6.85.110.213.7工仓13.110.114.015.3交通6.43.77.28.6公设2.34.45.97.6待建10.44.310.812.8其他7.612.57.16.3

评价2个图件的一致性一般用Kappa系数[17],Kappa系数的算式可表示为:Kappa=(Po-Pc)/(Pp-Pc).其中,Po为正确模拟的比例;Pc为随机选择情况下期望的正确模拟比例;Pp为理想分类下的正确模拟比例(100%);为了检验本次CA-Markov模型预测不同土地利用类型的合理性,得到2010年的Kappa系数为0.74,结果具有比较高的精度,能反应客观现实,可采用CA-Markov模型.

土地利用变化受各种自然的、人为的因素影响,尤其是政策影响更为突出和难以预料,闵行区作为中心城区的拓展区,并伴随着浦东的大发展,东部区受政策影响显著,房地产、开发区的发展受上海市、闵行区政策引导明显,在近期成为发展热点地区.北部区城市化程度高,会逐渐自发成为成熟的城市化区域,南部区发展居中,以发展工业为主,随着工业向工业园区集中、城市交通的成熟,土地利用逐渐转为有序结构.

由预测结果可知,闵行区总体依然为农地、农居、其他减少,向城居、公设等建设用地转移,三大功能区差异性大.北部区农地、农居基本消失,城居缓慢增加,工仓减少趋势增强,完成二产向三产的转移,土地利用变化趋缓,逐渐成为类似中心城以三产为主的成熟功能区;南部区农地、农居到2020年减半,仅占到功能区的10%,城居、工仓增加幅度较大,还处于城市快速建设时期,但是同时兼顾了公设,二、三产同步发展,土地变化速度会逐渐缓慢下来,直到形成相对合理的土地利用格局;东部区发展迅猛,农地、农居大规模转建设用地,总和只为35.7%,且会持续一段时间直到达到相对稳定状态,土地利用率提高,按照新的土地利用规划形成可持续的新格局.

4 结论与讨论

闵行区基于遥感影像,利用GIS和IDRISI,对闵行区的土地利用变化进行了研究、分析和预测,运用CA-Markov模型较好地模拟了2015、2020年区域土地利用变化趋势.结果表明:

(1) 闵行区土地利用结构在2000～2010年之间发生了很大的变化,其总特征是农用地减少,城镇建设用地增加,但土地利用结构变化是后五年比前五年要剧烈,不仅变化量大,且范围更广、类型更多样化.

(2) 北部区农地消耗得快,但存量不足,后期逐步转为工仓消减为主,土地利用方式向更高产值的方向转移;东部区农地消耗逐渐加快,各种建设用地共同发展.南部区居中,以农地向工仓和城居转化为主.闵行三大功能区历史背景、区位、发展现状、定位的不同,也即城市化进程及发展水平,在很大程度上影响了土地时空变迁较大的差异性.

(3) 根据CA-Markov预测,2020年闵行区农地面积占总量的12.41%,农居占3.69%,城居占22.77%,工仓占22.54%,交通占12.29%,公设占11.09%,待建占8.91%,其他占6.41%,成为城居、工仓为主的格局.北部区发展为成熟功能区,土地变化基本稳定;南部区工业区集聚完成,变化速度逐渐缓慢;东部区发展迅猛,土地利用变化依然强劲.

闵行区城市化的快速发展固然是好,但是伴随着农地的急剧减少,这同时也着实让人担忧,闵行区的未来该不该像中心城区那样农地完全消失,农地到底是不是城市发展的包袱.从长远来看,随着上海城市快速发展,闵行区保存一定量的农地和农村景观,不仅是基本农田保护红线的约束,也将成为该区域城乡融合发展轨道的需要.无论从经济、生态、社会、文化哪个角度,农村必定会成为城市人最羡慕的地方.上海城市规划正大规模进行郊野公园设计,物以稀为贵,闵行区保存的农村景观和文化,必定会在离中心城区最近的区域成为特色.珍惜这几分足以感人、动人,引人入胜的“农情”.

以上方法预测结果可见到2020年闵行区农用地继续显著减少,有违基本农田保护政策,由于政策驱动为闵行区土地利用最重要驱动力之一,因此将对相应的政策量压与拐点分析做进一步深入研究.

参考文献:

[1] 刘富刚,刘俊章.德州市土地利用变化及驱动力研究[J].高师理科学刊,2007,27(6):69-72.

[2] TURNER B L,SKOLE D,SANDERSON S.Land use and land cover change:Science/Research Plan[R].IGBP Report,No.35 and HDP Report No.7,Stovkholm and Geneva,1995.

[3] 李秀彬.全球环境变化研究的核心领域—土地利用/土地覆被变化的国际研究动向[J].地理学报,1996,51(6):553-557.

[4] 陈百明.试论中国土地利用和土地覆被变化及其人类驱动力研究[J].自然资源,1997(2):31-36.

[5] 高志强,刘纪远,庄大方.基于遥感和的中国土地利用/土地覆盖的现状研究[J].遥感学报,1999,3(2):134-139.

[6] 顾朝林.北京土地利用/覆盖变化机制研究[J].自然资源学报,1994,14(4):307-312.

[7] 史利江.1994～2006年上海市土地利用时空变化特征及驱动力分析[J].长江流域资源与环境,2012,21(12):1468-1479.

[8] 王光谦,王思远,陈志祥.黄河流域的土地利用和土地覆盖变化[J].清华大学学报,2004,44(9):18-36.

[9] 吕雄杰,陆文龙,宋治文,等.QuickBird影像在城市土地利用现状调查中的应用研究[J].天津农业科学,2008,14(2):12-15.

[10] 肖瑶,王艳慧,尹川.北京城区近20年土地利用变化及其驱动力分析[J].测绘与空间地理信息,2013,36(7):29-32.

[11] ALMEIDA C M D,BATTY M,MONTEIRO A M V,et a1.Stochastic cellular automata modeling of urban land use dynamics[J].Computers,Environment and Urban Systems,2003,27(5):481-509.

[12] 侯西勇,常斌,于信芳.基于CA-Markov的河西走廊土地利用变化研究[J].农业工程学报,2004,20(5):286-291.

[13] 杨国清,刘耀林,吴志峰.基于CA-Markov模型的土地利用格局变化研究[J].武汉大学学报,2007,32(5):414-418.

[14] 汤沽,汪雪格,李昭阳,等.基于CA-Markov模型的吉林省西部土地利用景观格局变化趋势预测[J].吉林大学学报,2010,40(2):406-411.

[15] 何丹,金凤君,周璟.基于LOGISTIC-CA-MARKOV的土地利用景观格局变化[J].地理科学,2011,31(8):903-910.

[16] 刘纪远,庄大方,张增祥,等.中国土地利用时空数据平台建设及其支持下的相关研究[J].地球信息科学,2002,3:1-8.

[17] 布仁仓,常禹,胡远满,等.基于Kappa系数的景观变化测度—以辽宁省中部城城市群为例[J].生态学报,2005,25(4):779-784.