滇中城市群2000—2009年耕地时空变化及驱动力分析

陈国平，赵俊三，李红波，吴晓伟

(1.昆明理工大学 国土资源工程学院，云南 昆明 650093；2.昆明冶金高等专科学校，云南 昆明 650033； 3.云南省地矿测绘院，云南 昆明 651208)

滇中城市群2000
—2009年耕地时空变化及驱动力分析

陈国平1，2，赵俊三1，李红波1，吴晓伟3

(1.昆明理工大学 国土资源工程学院，云南 昆明 650093；2.昆明冶金高等专科学校，云南 昆明 650033； 3.云南省地矿测绘院，云南 昆明 651208)

[关键词]耕地；景观格局；时空演变；驱动力；滇中城市群

[摘要]从景观格局视角分析了滇中城市群2000—2009年耕地时空变化特征，结合高程、人口、GDP、距离等自然和社会经济数据，通过构建滇中城市群耕地Logistic回归概率模型，对研究区耕地变化的驱动因素进行了分析。研究结果表明：景观格局指数可以直观地分析耕地时空变化；研究区耕地变化受自然和社会经济因子共同影响。该研究可为耕地政策制定及类似地区城市群尺度的土地时空变化及驱动力研究提供参考和借鉴。

耕地具有特殊的地位和重要的作用，长久以来，保护耕地一直是我国确保经济社会可持续发展的重中之重。此外，耕地不仅具有生产功能，而且具有很强的生态服务功能[1]。因此，开展耕地时空变化及驱动力研究，既可为土地利用与土地覆被变化(LUCC)等热点问题研究提供帮助，也为科学编制国土资源开发利用规划提供依据。

LUCC是区域范围内各种因素综合作用的结果。大量案例表明，LUCC具有高度的时间和空间异质性，不同时空尺度上的土地利用与土地覆被变化，往往具有不同的驱动力，各种因素的作用存在尺度差异[2]，文献[3-6]研究了不同影响因素对耕地变化的驱动机理机制。综观前人研究发现，从景观格局视角针对地形地貌复杂的高原山区大尺度耕地变化的驱动力研究比较少见。

本研究以高原山区滇中城市群为研究区，在分析2000—2009年对经济发展最为敏感的耕地时空变化特征的基础上，构建基于GIS与Logistic回归的耕地变化模型，揭示城市群尺度耕地时空演变的机理和动因，以期为研究区未来制定耕地政策提供参考和建议。

1研究区概况及数据来源

1.1研究区概况

依照《滇中城市群规划修改(2009—2030年)》，滇中城市群包括昆明市、曲靖市、玉溪市、楚雄彝族自治州行政辖区范围，合计42个县(市、区)，是云南省最重要、最具发展活力的区域，也是我国面向南亚、东南亚增长最快，竞争力影响力较强的地区之一。全区土地总面积9 332 797.47 hm2，占全省土地总面积的24.36%，其中耕地1 890 667.38 hm2，占全区土地总面积的20.26%。据统计，2009年总人口1 708.60万人，占云南省总人口的37.38%；GDP为3 696.76亿元，占全省GDP的59.92%。

1.2数据来源与处理

2000年土地利用分类数据来源于地球系统科学数据共享平台(www.geodata.cn)，2009年土地利用分类数据来源于云南省第二次全国土地调查缩编数据，高程、坡度等数据来源于中国科学院国际科学数据服务平台提供的SRTM 90 m分辨率的DEM数据；社会经济数据来源于《云南统计年鉴》；距离数据通过ArcGIS 10.2的空间分析功能得到。为便于研究，在原土地利用分类基础上根据耕地含义对原分类进行归并处理，并把数据统一到500 m×500 m栅格尺度。

2研究方法

2.1景观格局指数

景观格局指数是指能够高度浓缩景观格局信息，反映其结构组成和空间分布特征的定量指标[7]。其变化可以在一定程度上定量反映土地利用变化格局。运用GIS软件和景观格局分析软件Fragstats提取耕地变化图斑，通过计算耕地景观斑块类型面积、斑块密度、斑块平均面积等景观格局指数，分析研究区耕地时空变化特征。

2.2二元Logistic回归模型

多元回归分析方法在确定因变量与自变量的关系时，其因变量不能设为定性变量，不具备二分性，因而不能处理具有二分性变量的情况，而Logistic回归分析却能很好地解决这一问题。Logistic回归模型不需要假设变量之间存在多元正态分布，其采用最大似然估计法进行参数估计，以事件发生概率的形式提供结果。借助该模型能对二值响应的因变量和分类变量(连续型或混合型)进行回归建模，进而探讨影响概率及主要的影响因子。目前，Logistic 回归模型已经广泛应用于地学领域，如农村居民点变化[8]、耕地变化[9-10]、城市扩展预测[11]、农地流转意愿调查[12]等方面的研究。

根据Logistic回归建模的要求，设x1，x2，…，xi是与Y相关的一组向量，P是某事件发生的概率，将比数P/(1-P)取对数得到ln[P/(1-P)]，即对P作Logistic变换，记为logit(P)，相应的回归模型为

(1)

式中：P是给定系列自变量xi值事件的发生概率，本研究设定耕地发生增加或者减少时P值为1，耕地没有发生变化时P值为0；a为截距；xi为影响耕地变化的驱动力；βi为Logistic回归的偏回归系数，表示变量xi对logit(P)的影响大小。

发生事件的概率是一个由自变量xi构成的非线性函数，表达式为

(2)

本研究采用SPSS逐步回归分析的Logistic函数完成耕地驱动因子的分析。所得到的Logistic回归分析结果包括回归系数、回归系数估计的Waldχ2统计量、回归系数估计的标准差、回归系数估计的显著性水平。其中，Waldχ2统计量表示每个xi(解释变量)在模型中的相对权重，用来评价每个解释变量对事件预测的贡献力。

3结果与分析

3.1耕地时空变化分析

耕地时空变化是一种双向的动态过程，通过对比2000—2009年滇中城市群耕地新增来源(表1)和减少去向(表2)的景观格局指数，分析新增耕地及耕地减少流向景观格局的差异，可为制定差异化的耕地政策提供参考。

表1　2000—2009年新增耕地不同来源地类景观特征

表2　2000—2009年耕地流向不同地类景观特征

从表1可以看出，草地和林地是耕地增加的最主要来源，两者占新增耕地的97%，其斑块平均面积分别为224.906 7和117.918 4 hm2，两者均远高于其他地类。此外，斑块密度和平均邻近指数相对较高，说明草地、林地开发为耕地相对集中，其斑块复杂程度也相对较大。

在耕地减少方面(表2)，耕地主要流向为林地和草地，两者之和占比接近90%，说明近年来退耕还林、还草的生态保护措施效果明显，是耕地减少的主要原因。被建设占用的耕地面积虽然不大，但是斑块平均面积、平均邻近指数均是最高的，表明建设占用的耕地比较集中、质量等级较好；此外，其平均斑块分维数最高，说明建设用地在扩张过程中对耕地的占用属于外延型扩张。

3.2耕地时空变化驱动力Logistic回归模型

研究区面积较大、数据量庞大，由于耕地时空变化驱动力Logistic回归模型的结果与样本选择关系很大，故需要保证数量足够多、模式多样化的训练样本。而耕地变化部分占研究区总面积的比重较小，如果在全域内随机选取样本将导致选取耕地变化的数据量较少，容易造成模型校正的偏差。故本研究釆用分层随机取样的方式选取总数据量的10%作为样本数据(其中变化数据10%，非变化数据10%)，该取样方式能够保证变化与未变化数据有大致相同的精度。然后通过软件在样本点要素的指定位置提取得到13个驱动因子栅格图层的像元属性值，并将值记录到点要素类的属性表中，为驱动力Logistic回归拟合提供数据基础。

Logistic回归模型对自变量中存在的多元共线性十分敏感[13]，因此在进行回归分析之前，需要对自变量之间的共线性进行诊断，剔除存在明显共线性的因子，以提高模型构建的精度。共线性诊断一般用容忍度和方差膨胀因子(VIF)来进行评定，两者互为倒数关系。容忍度值越小共线性越强，通常小于0.2认为存在共线性，小于0.1说明共线性问题严重；VIF越大共线性越强，大于10则认为共线性问题严重。本研究对初选的13个自变量进行共线性诊断(见表3)，容忍度值最小为0.262，VIF最大为3.816，说明自变量之间没有多元共线性问题。

运用统计分析软件SPSS中二元Logistic回归模块，将所选取的样本响应因子与驱动因子进行拟合计算，以0.5为分类标准，显著性以<0.05为标准，删除不符合要求的自变量，分别构建耕地总体变化、耕地增加及耕地减少的二元Logistic回归方程，见式(3)～(5)，相关估计结果见表4～6。

表3　自变量共线性诊断结果

(3)

(4)

(5)

3.3驱动力分析

3.3.1耕地总体变化的驱动力分析

构建的耕地变化时空Logistic回归模型，其精度需要通过检验，在此使用Pontius等提出的受试者工作特征(ROC)曲线分析方法。耕地总体变化驱动力模型的ROC检验值大于0.5，ROC曲线下的面积AUC=0.626，预测结果正确率达61.52%，说明模型拟合程度较好。

从表4可知，耕地总体变化的驱动因子贡献率从大到小分别为距公路距离(x5)、高程(x1)、坡度(x2)、距铁路距离(x4)、距农村道路距离(x6)、距沟渠距离(x7)、农民人均纯收入(x11)、距村庄距离(x9)。由此可见，耕地的变化是自然、距离和社会经济驱动因子综合作用的结果。距公路距离是对耕地变化影响最大的因子，此外自然禀赋条件(高程、坡度)对耕地的变化影响也较大，说明交通便利、自然条件较好的耕地优先得以利用。

表4　耕地总体变化驱动因子模型估计结果

3.3.2耕地增加的驱动力分析

耕地增加驱动力模型(表5)的AUC=0.671，预测结果正确率达73.51%，模型拟合程度较好。研究区耕地的增加是社会经济因子、自然因子和距离因子共同作用的结果，驱动因子分别为高程(x1)、坡度(x2)、距道路距离(x4、x5、x6)、距沟渠距离(x7)、距村庄距离(x9)、农民人均纯收入(x11)和人口密度(x13)。其中农民人均纯收入和人口密度越大，耕地新增的可能性越高；而高程、坡度和距离铁路、公路、农村道路、沟渠、村庄的距离越大，耕地新增的可能性越小。

表5　耕地增加驱动因子模型估计结果

耕地是一种对地形地貌等自然条件和水源条件要求程度较高的地类。滇中地区属于高原山区，地形破碎化严重，耕地的增加受自然条件的限制严重，其增加必然较多地发生在海拔较低、坡度平缓、水源丰富、交通便利的地区，因而这些区域内耕地的增加多于高程较高、坡度陡峭、交通不便、水源匮乏的区域。

由模型可以看出，农民人均纯收入是耕地增加的主要影响因素，说明研究区农民以耕地为主要生计，传统耕作收入是农民的主要收入。此外，人口密度是耕地增加的重要驱动因素，在未能大幅提高耕地产出效率的前提下，为了满足一定区域面积内新增人口的基本生活需求，必然只能通过扩大耕地面积来满足刚性需求。

3.3.3耕地减少的驱动力分析

耕地减少驱动力模型(表6)的ROC检验值大于0.5，AUC=0.784，预测结果正确率达81.34%，模型拟合程度较好。耕地减少的驱动因子从大到小依次为高程(x1)、距村庄距离(x9)、距沟渠距离(x7)、距公路距离(x5)、距农村道路距离(x6)、农民人均纯收入(x11)、距城镇距离(x10)、坡度(x2)。

表6　耕地减少驱动因子模型估计结果

高程、距村庄距离的影响程度居于前两位，说明耕地减少依然受到自然因素和距离因素的作用。耕地的减少与高程、坡度成正相关，主要是因为近年实施的退耕还林还草等政策使得海拔高、坡度大的耕地被退还为林、草地，生态环境保护措施初显成效；与距公路、农村道路、沟渠、村庄、城镇距离成正相关，一方面是因为传统耕地一般交通便利、水源条件好、距离村庄城镇较近，是农民收入的主要经济来源，农民对其依赖性相对强烈，比较珍惜现有的耕地，会尽量减少对优质耕地的占用；另一方面是因为近年来国家加大了耕地保护力度，使得集中连片、高质量的耕地得以保护，一定程度上遏制了城市扩张占用大量耕地的态势。耕地减少数量与农民人均纯收入成负相关关系，耕地的减少造成农民纯收入随之减少，说明研究区农民收入依然主要依靠农业，其收入来源单一，农村经济不发达。

另外值得关注的是，人口密度的变化并不会引起耕地的减少。由于当前相关的社会保障体系尚不健全，无法在制度上给予进城农民以生存保障，难以让其主动放弃收益不高的耕地收入，因此尽管人口密度增加会促使耕地增加，而耕地却不会因人口密度的减少而减少。

4结论与讨论

(1)从景观生态学视角分析滇中城市群2000—2009年间耕地的时空变化，发现耕地增加主要通过侵占草地、林地，耕地减少的主要流向也为林地和草地。此外，建设项目占用也是耕地减少的一个重要方面，并且占用的耕地集中连片、质量较好，建设用地在扩张过程中对耕地的占用属于外延型扩张。研究表明景观格局指数可用于分析耕地时空变化。

(2)选取了与耕地变化密切相关的自然、社会经济及距离等13个驱动因子，构建了耕地总体变化、耕地增加及耕地减少3个Logistic回归模型，有效地从空间角度分析了耕地变化的驱动力，并详细阐释了其对耕地变化的影响力度和过程，进一步揭示了其相互关系与变化驱动机制，以期为制定耕地政策提供服务。

(3)通过耕地变化驱动力分析，发现滇中地区耕地变化是受自然和社会经济驱动因子共同作用的结果。由于研究区特殊的地形地貌，因此自然禀赋条件(高程、坡度)对耕地的变化影响较大。耕地增加的主要驱动力是农民人均纯收入，滇中地区农民仍以传统农耕为主，收入单一，因此应加大农业投入，调整农业结构，盘活农村经济，增加农民收入渠道。耕地减少量与高程、坡度及距公路、农村道路、沟渠、村庄、城镇距离呈正相关关系，主要是因为近年来实施了退耕还林、还草、还湖的生态环境保护政策及耕地保护力度加大。

本研究选择滇中城市群作为研究区，范围较大，采用的数据是基于第二次全国土地调查成果缩编数据和影像解译结果，数据质量难免会有偏差。此外，由于耕地时空变化是一个相当复杂的过程，与滇中城市群特殊的地形地貌、经济社会因素、多民族价值观念、政治结构和生态保护措施等密切相关，部分因素未能纳入模型，因而使模型的精度受到影响，若能采用更小尺度数据并结合外业调查数据对模型进行修正后使用，可以更加精确地揭示耕地变化的驱动力。另外，将模型用于对未来一个时期内不同空间尺度的耕地变化的模拟预测分析，及早对耕地未来发展变化做出预判，实施差别化耕地政策是值得深入研究的问题。

[参考文献]

[1] 中国土地学会.土地科学学科发展蓝皮书(2013年)[M].北京:中国大地出版社,2014:Ⅲ.

[2] 全斌.土地利用与土地覆被变化学导论[M].北京:中国环境科学出版社,2010:34,53,103-106.

[3] 陈朝,朱明栋,李翠菊,等.湖北耕地变化驱动力分析[J].华中农业大学学报:社会科学版,2006(2):39-44.

[4] 陈秀贵.耕地变化驱动力及耕地保护对策研究[D].武汉:中国地质大学,2012:18-30.

[5] 陈辉.耕地动态变化及其驱动力研究[D].重庆:西南大学,2008:31-40.

[6] 郭洪海,宋民.山东省耕地动态变化趋势及驱动力分析[J].中国农业资源与区划,2009(1):51-57.

[7] 唐秀美,陈百明,路庆斌,等.城市边缘区土地利用景观格局变化分析[J].中国人口·资源与环境,2010,20(8):159-163.

[8] 姜广辉,张凤荣,陈军伟.基于Logistic回归模型的北京山区农村居民点变化的驱动力分析[J].农业工程学报,2007,23(5):81-87.

[9] 曾凌云,王钧,王红亚.基于GIS和Logistic回归模型的北京山区耕地变化分析与模拟[J].北京大学学报:自然科学版,2009(1):165-170.

[10] 王秀春,黄秋昊,蔡运龙,等.贵州省猫跳河流域耕地空间分布格局模拟[J].地理科学,2007,27(2):188-192.

[11] 杨云龙,周小成,吴波.基于时空Logistic回归模型的漳州城市扩展预测分析[J].地球信息科学学报,2011,13(3):374-382.

[12] 周陶,高明.基于Logistic模型的四川省南溪区农地流转微观主体意愿的实证分析[J].贵州农业科学,2013(3):182-185.

[13] 刘庆凤,刘吉平,宋开山,等.基于CLUE-S模型的别拉洪河流域土地利用变化模拟[J].东北林业大学学报,2010,38(1):64-67.

(责任编辑徐素霞)

[基金项目]国家自然科学基金项目(41261043，41161062)；云南省教育厅科学研究基金项目(2014Y493)

[中图分类号]S157；F301.24

[文献标识码]A

[文章编号]1000-0941(2016)05-0048-05

[作者简介]陈国平(1981—)，男，河南新野县人，讲师，博士研究生，研究方向为国土资源信息化、地理模拟；通信作者赵俊三(1964—)，男，河南邓州市人，教授，博士，博导，研究方向为国土资源信息化、GIS/LIS。

[收稿日期]2015-08-20