青岛市土地利用演化驱动力因素分析

凌 涛，李 鹏，左小清*

(1.昆明理工大学国土资源工程学院，云南昆明 650093；2.大连理工大学城市学院，辽宁大连 116600)



青岛市土地利用演化驱动力因素分析

凌 涛1，李 鹏2，左小清1*

(1.昆明理工大学国土资源工程学院，云南昆明 650093；2.大连理工大学城市学院，辽宁大连 116600)

摘要在RS和GIS技术支持下，首先，以青岛市1986、2000和2006年3期遥感影像为基础，以谷歌地图为参考，对3期遥感影像进行分类处理，提取出了同时期的土地利用数据。其次，利用数学模型对1986～2006年青岛市土地利用数量变化、土地利用速度变化、土地利用程度变化等方面进行了分析。再次，结合同期青岛市社会经济统计资料，应用主成分分析法得到了影响青岛市土地利用发生变化的主要社会经济驱动力因子，计算得出青岛市社会经济驱动力指数，指出社会经济因素对土地利用的驱动力呈不断上升的趋势；应用多元线性回归分析法建立了青岛市水域、林地、建筑用地和耕地的社会经济驱动力模型，得到了影响每种土地利用类型的社会经济因子。最后，运用Markov模型预测了2012～2030年青岛市的土地利用变化趋势。

关键词遥感；土地利用变化；驱动力；主成分分析；Markov模型

改革开放以来，我国城市化水平不断提高，城市在发展的过程中呈现向四周扩张的趋势，不可避免地会占用其他的土地资源，盲目扩张严重地威胁生态安全。研究城市土地利用发展变化的过程，对科学合理地规划城市发展的方向具有重要意义。笔者采用青岛市1986、2006年的TM影像和2000年的ETM影像，利用相关数学模型作为理论基础，应用统计分析、回归分析等方法，通过查找资料结合已有数据对青岛市的土地利用情况进行定量分析和定性分析。分析了青岛市土地利用动态变化[1]，研究了影响青岛市土地利用变化的社会经济因素，运用主成分分析得到了青岛市土地利用变化驱动力的综合得分，运用回归分析建立了青岛市4大土地利用类型的社会经济驱动力模型，并运用Markov预测模型[2]预测了2012～2030年青岛市土地利用变化的发展趋势。

1研究区概况与数据来源

1.1研究区概况青岛市属于沿海丘陵城市，其地势东高西低，南北隆起，中间低凹，其中丘陵、山地、平原、洼地的面积分别占全市面积的25.1%、15.5%、37.7%和21.7%。全市海岸包括泥质粉砂岸、山基岩岸及基岩砂砾质岸等3种基本类型，近海海底则拥有现代水下三角洲、水下浅滩及海冲蚀平原等。青岛市处于北温带季风区域，市区气候受到海洋环境的调节，东南季风、洋流、水团影响导致青岛市有具有鲜明的海洋气候特点，空气湿度大，雨水充足，温度适宜，季节特点明显。青岛市共有3大水系，分别为大沽河、北胶莱河以及沿海诸河流，囊括224条河流，多为独立入海的山溪性小河，其中有33条流域在100 km2以上。作为山东半岛城市群的中心城市，青岛市大力发展总部经济、品牌经济、研发中心、信息服务业、会展经济、商贸流通以及各种生产性服务业，为发展全省经济搭建了高端平台。其所在的山东半岛经济区(8市)经济总量高达2.6万亿，仅次于珠三角、京津唐和长三角经济区，居全国第四位，青岛市下属及周边共有19个县入围全国百强县。

1.2数据来源与预处理该研究所采用的数据是Landsat5和Landsat7的影像数字产品，成像时间分别是1986年9月18日、2000年9月16日和2006年10月27日。其中1986和2006年的影像质量较好，2000年的影像质量稍差。该研究使用波段4(红)，波段5(绿)，波段3(蓝)组成假彩色合成影像[3]，深蓝色、褐色、蓝色、绿色一级波普信息分别表示水域、林地、建筑用地、耕地。在ERDAS中，以2000年的影像为参考，采用二次的多项式(Polynomial)几何校正模型[4]对1986年和2006年的影像进行配准。

根据遥感影像的实际可解译能力和青岛市土地利用的特征，并参考2007年8月5日开始颁布执行的 《土地利用分类》国家标准，将青岛市土地利用类别分为水域、林地、建筑用地、耕地4大类。

然后将要处理的图像执行非监督分类，并进行分类评价[5]，检查所分得类别的精度，再将分类后的图像进行重编码等操作，得到1986和2000年青岛市土地利用专题(图1)。

图1　1986和2000年青岛市土地利用专题分类图像Fig.1　The specific classification image of land use in Qingdao City in 1986 and 2000

2青岛市土地利用变化分析

土地利用变化分析有众多的衡量指标，该研究根据自身需要，结合数据实际情况，选取了土地利用数量、速度、程度等方面的指标对1986、2000、2006年的青岛市土地利用遥感解译结果进行了分析。

2.1土地利用数量变化分析土地面积的变化是区域土地利用类型变化的主要体现方式，而面积变化最直接的表现是土地数量的变化[6]，通过对一种土地类型数量变化的分析，能进一步了解这种土地类型在态势和结构上的变化[7]。

该研究以数据预处理所得分类数据为基础，计算出青岛市1986、2000和2006年土地利用类型面积变化与比例变化，结果见图2和表1。由图2可知，1986～2006年青岛市4大用地类型都发生了不同程度的变化：水域和林地先增加后减少，但是变化幅度较小，基本保持不变；建筑用地呈增加趋势；耕地呈减少趋势。

图2　1986、2000、2006年青岛市土地利用面积对比Fig.2　Land use area of Qingdao City in 1986，2000 and 2006

从表1可以看出，1986年青岛市耕地所占比重最大，占所有用地类型的48%；其次就是水域，占总面积的11%；林地和建筑用地占的比重最低，分别是14%和17%。到2000年，耕地占的比重依然是最大，占30%，但是相比1986年，已经大幅度下降，降低了18个百分点；建筑用地与耕地占的比重相同，也是30%，比1986年增长了13个百分点；水域和林地略有增加，分别是1个和4个百分点。2006年耕地所占比重保持不变，建筑用地相比2000年增加了4个百分点，达到了34%，水域和林地变化依然不大，相比2000年分别降低了2个百分点。

表1　1986、2000和2006年青岛市土地利用结构

2.2土地利用速度变化分析土地利用扩展速度表示整个研究时期内不同阶段土地利用扩展的年增长面积[8]，公式为：

(1)

式中，V为某种土地利用类型的扩展速度；Ua和Ub分别为研究时期初和研究时期末某一种土地利用类型的数量；T为研究时长，当T为年时，V的值就是该区域某一种土地利用类型年变化率。

根据公式(1)计算得到1986～2006年分时段的青岛市土地利用扩展速度，结果见表2。

表21986～2006年青岛市土地利用扩展速度

Table 2Expansion speed of land use in Qingdao City in 1986-2006

hm2/a

从表2可以看出，1986～2006年青岛市增长速度最快的建筑用地，每年增加1 370 hm2，减少速度最快的是耕地，每年减少1 376 hm2，水域每年减少112 hm2，林地每年增加119 hm2。其中，1986～2000年，建筑用地增加速度高于平均水平，而耕地减少速度比平均速度要大得多，也就是说耕地主要是在这14年间减少的，而水域在这一时期的增加速度为每年33 hm2，林地的增长速度为每年460 hm2；2000～2006年，建筑用地依然保持每年1 114 hm2的高速增长，耕地开始略有增加，但速度仅为每年19 hm2，水域和林地分别以每年450和677 hm2的速度减少。

2.3土地利用程度变化分析土地利用程度综合指数指的是一国或地区全年农作物的播种总面积与耕地总面积的百分比，其是反映耕地利用程度的指标。其数值越大说明土地的开发程度越大，反之则说明土地的开发程度越小。研究区域土地利用程度综合指数表达式如下：

(2)

式中，La为某研究区域土地利用程度的综合指数；A为第i级土地利用程度的分级指数；Ci为研究区域第i级土地利用程度分级面积的百分比；n为土地利用程度的分级指数。

将遥感影像的解译结果代入公式(2)，经计算得出，1986、2000、2006年青岛市土地利用程度综合指数分别为281、290和299。1986～2006年青岛市土地利用程度一直维持在较高水平，并且利用程度不断增高。从土地利用类型的面积变化上看，1986～2006年青岛市除了水域和林地变化较为平稳外，建筑用地面积在快速持续增长，耕地面积在快速持续降低，建筑用地在一直侵占耕地的面积。人口增长不但需要建筑用地，过量的人口更需要粮食等产品，由此引发的人地矛盾只是城市扩张过程中众多生态问题中的一种。因此在土地开发利用的过程中，应优化土地资源配置。

3土地利用变化主导驱动力分析

土地利用变化驱动力是指对土地利用方式和目的变化具有重要影响的自然和社会因素[9]，是土地利用变化的动力源。土地利用及其变化受到社会、经济、自然等诸多因素的影响。

3.1驱动力分析方法青岛市是山东半岛城市群的中心城市，社会经济因素影响较大；通过遥感影像分析发现1986～2006年青岛市自然因素变化较小，而且自然因素本身难以量化，故该研究仅基于社会经济数据，采用主成分分析的方法，对青岛市的政经结构、贫富状况、人口变化、技术变化、经济增长和价值观念等社会经济驱动力进行分析。

具体分析步骤包括数据的标准化处理，计算相关系数矩阵并计算特征值和特征向量，计算贡献率和累积贡献率进而确定主成分，最后计算因子荷载矩阵[10]。结合1986～2006年青岛市土地利用演化特征及现有的统计资料，从影响土地利用变化的社会经济众多因素中选出有代表性的14个因子，具体见表3。

表3　土地利用变化驱动因子

经过标准化处理得出变量相关系数矩阵(表4)、特征值及各主成分的贡献率与累计贡献率(表5)。

表4　变量相关系数矩阵

从表4可以看出，X1、X5、X6、X7、X10、X11、X12之间相关系数在0.9以上，信息上存在一定的重叠；农业人口(X13)与总人口(X1)、固定资产投资(X5)、国内生产总值(X6)、工业总产值(X7)、地方财政收入(X10)、农民人均纯收入(X11)、社会消费品零售总额(X12)之间相关系数为-0.9以下，信息不存在或存在较少的重叠。

表5　主成分特征值及贡献率

主成分分析就是要提取出特征值大于1，累积贡献率大于等于85%的主成分。由表5可以看出，根据计算得到的14个主成分中的前2个已经满足要求，能代表青岛市土地利用变化的整体情况。因此，提取前2个主成分，由此得到的主成分载荷距阵见表6。

表6　主成分荷载矩阵

每个主成分所反映的信息要看主成分因子在其主成分中载荷绝对值的大小，载荷绝对值越大的因子越能代表主成分的内容。从表6可以看出，在第一主成分上，总人口(X1)、固定资产投资(X5)、国内生产总值(X6)、工业生产总值(X7)、粮食总产量(X9)、地方财政收入(X10)、农民人均收入(X11)、社会消费品零售总额(X12)、农业人口(X13)、人均GDP(X14)等的载荷绝对值均高于0.9，这说明第一主成分基本表达了这些信息；而在第二主成分上，第二产业产值占国内生产总值比(X3)、第三产业产值占国内生产总值比(X4)的荷载绝对值高于0.9，说明第二主成分基本表达了这些信息。

3.2驱动力指数分析经上述分析得出2个主成分，这2个主成分已经基本包含了选取的所有社会经济因子，以此为基础，求出社会经济驱动力指数，主成分表达式如下：

Fi=a1iZX1+a2iZX2+…+apiZXp

式中，Fi为第i个主成分表达式；a1i，a2i，…，api(i=1，2，…，m)为特征向量；ZX1，ZX2，…，ZXp，为标准化处理后的原始变量。

由上述公式对标准化后的数据进行计算，得出主成分1和主成分2的表达式，并进行加权计算，得到1986～2006年青岛市土地利变化社会经济驱动力综合指数，结果见图3。

图3　1986～2006年青岛市土地利用变化社会经济驱动力综合指数趋势Fig.3　Composite index trend of the social and economic driving force of land use change Qingdao City in 1986-2006

从图3可以看出，1986～2006年青岛市社会经济驱动力指数基本呈现不断上升的趋势，其中1986～1998年的值小于0，1999～2006年的值大于0。社会经济驱动力对青岛市土地利用变化的驱动过程可以分为2个阶段，1986～1998年为第一阶段，虽然这个阶段的驱动力综合指数为负，但是驱动力综合指数却在缓慢增加，这说明在这期间，社会经济因素对土地利用变化的驱动力在缓慢增强；第二个阶段为1999～2006年，这个阶段的驱动力综合指数增加较为快速，增加量是第一阶段的2倍多，而时间跨度却缩短1/2，说明在此期间，社会经济因素对土地利用变化的驱动力在迅速增加。

3.3多元线性回归分析对促进土地利用演化的社会经济因素进行主成分分析，只是从全局上总体分析了青岛市社会经济驱动力的情况，而每一个社会经济因子对于哪一个地类起作用，或者某一地类到底由哪几种社会经济因子驱动却难以看出。该研究运用SPSS软件对不同社会经济因子与不同土地利用类型进行了多元线性回归分析[11]，并建立了相应模型。

3.3.1水域模型。在R2=0.957，通过10%显著性检验的条件下，得到水域模型如下：

Y=-9.50×10-16-0.998ZX5+0.565ZX8+0.353ZX6

根据GB/T 27404-2008《实验室质量控制规范食品理化检测》，用阴性样品连续测定24次后，计算出24次测定的平均值和标准偏差（SD）。再根据检测限（LOD）=平均值+2×SD，计算检测限；定量限（LOQ）=平均值+10×SD，计算定量限。

由回归模型可知，青岛市水域变化的驱动力因子分别为固定资产投资、农林渔牧业生产总值和粮食总产量。

3.3.2林地模型。在R2=0.931，通过10%显著性检验的条件下，得到林地模型如下：

Y=-1.82×10-15-2.207ZX1-0.542ZX2+0.384ZX3-2.091ZX5+3.418ZX6+0.912ZX8+2.138ZX10-1.943ZX14

由上式可知，青岛市林地变化的驱动力因子分别为总人口、第一产业产值比例、第二产业产值比例、固定资产投资、国内生产总值、农林牧渔总产值、地方财政收入、人均GDP。

3.3.3建筑用地模型。在R2=0.949，通过10%显著性检验的条件下，得到建筑用地模型如下：

由上式可知，青岛市建筑用地变化的驱动力因子分别为总人口、第一产业产值比例、第二产业产值比例、固定资产投资、国内生产总值、农林牧渔总产值、地方财政收入、人均GDP。

3.3.4耕地模型。在R2=0.940，通过10%显著性检验的条件下，得到耕地模型如下：

Y=-1.34×10-15+1.992ZX1+0.491ZX2-0.317ZX3+1.291ZX5-2.670ZX6-0.626ZX8-1.831ZX10+1.497ZX14

由上式可知，青岛市耕地变化的驱动力因子分别为总人口、第一产业产值比例、第二产业产值比例、固定资产投资、国内生产总值、农林牧渔总产值、地方财政收入、人均GDP。

3.4土地利用变化趋势预测土地利用变化趋势预测有很多种方法，诸如Markov预测法、灰度值预测法、CA-Markov预测法等。该研究结合实际情况，采用Markov预测法[12]对青岛市土地利用变化的趋势进行预测，大体把握青岛市的土地动态发展状况，为土地的宏观调控提供支持。

一个系统在当前的状态下转移到另一个状态的过程中，存在转移转移概率，这个转移概率只与它当前状态有关，与它以前的状态无关，这一过程就是Markov随机过程。

该研究运用ERDAS软件构建了1986～2000年和2000～2006年的土地利用转移矩阵，见表7和表8。

表7　1986～2000年青岛市土地利用转移矩阵

表8　2000～2006年青岛市土地利用转移矩阵

Markov链对在短期内预测土地利用变化趋势是有效的[12]。该研究运用Markov模型预测2006～2030年青岛市土地利用变化。用2000～2006年的土地利用转移矩阵构造转移概率矩阵，以2000年各土地利用类型所占比例作为初始矩阵进行预测。

表9　2000～2006年青岛市土地利用转移概率矩阵

1986～2006年青岛市4种土地利用类型之间相互转换，根据Markov模型的理论和方法，以2000年各土地利用类型的比例作为初始向量，为了方便计算以6年为步长进行预测，结果见表10。

表102012～2030年青岛市土地利用结构变化预测

Table10ThepredictionoflandusestructurechangeinQingdaoCityfrom2012to2030

%

由表10可知，2012～2030年青岛市水域面积不断减少，林地面积几乎保持不变，建筑用地面积不断扩大，耕地面积在缓慢扩大。在应用Markov模型预测过程中，转移概率矩阵是固定不变的，但是实际上，土地利用变化的过程是非常复杂的，人口、政策等因素都会导致转移概率矩阵的变化，因此，此预测结果仅作为参考。

4结论

该研究以青岛市1986、2000和2006年3期遥感数据为基础，结合谷歌地图解译出青岛市3期土地利用现状图，并应用一些数理统计模型，以遥感解译数据为基础，详细分析了1986～2006年青岛市土地利用的数量、速度和程度的动态变化特征。应用SPSS软件针对筛选出的社会经济因子进行了分析，建立了水域、林地、建筑用地、耕地的社会经济因素驱动力模型，并定性分析了引起青岛市土地利用变化的人口因素和经济因素。最后运用Markov模型对2012～2030年青岛市土地利用变化趋势进行了预测。主要结论如下：

(1)1986～2006年青岛市土地利用变化巨大，建筑用地面积增加，耕地面积减少是青岛市土地利用变化的最大特点。具体表现为建筑用地增加了27 398hm2，增加量几乎为原来的1倍，耕地面积减少最为剧烈，减少量为27 515hm2，相当于减少了原来的1/3，相比之下水域和林地变化不大。

(2)运用主成分分析方法，得到青岛市土地利用变化的驱动力因子综合得分，变化曲线为逐渐上升，说明社会经济因素驱动力对土地利用变化的作用力在逐年增强。运用多元线性回归分析方法，建立了青岛市水域、林地、建筑用地、耕地的社会经济因素驱动力模型，分析了青岛市人口因素和经济因素对城市发展扩张的影响。

(3)运用Markov模型，以2000年土地利用结构为初始矩阵，以6年为步长，预测了青岛市2012、2018、2024和2030年各土地利用类型发展趋势，预测结果显示，2030年青岛市水域、林地、建筑用地和耕地的比例分别为15.99%、14.28%、38.30%和31.34%。

参考文献

[1] 李瑞俊，孙希华，李平.基于遥感和GIS的青岛市土地利用动态变化分析[J].山东师范大学学报(自然科学版)，2005，19(4)：50-52.

[2] 杨灿，杨敏华，汪齐松.基于灰色马尔科夫链预测系统的设计与实现[J].测绘科学，2009，34(6)：182-183.

[3] 谭熊，余旭初，张鹏强，等.基于MKSVM和MRF的高光谱影像分类方法[J].国土资源遥感，2015，27(3)：42-46.

[4] 赵涌泉，单小军，唐娉.低空间分辨率多源遥感数据的空间一致性分析和相对几何校正[J].遥感技术与应用，2014，29(1)：155-163.

[5] 陈超，江涛，岳远平.监督分类和目视修改相结合在高分辨率遥感影像中的应用[J].国土资源信息化，2009(5)：37-40.

[6] 管东生，董文福，宋巍巍.珠江三角洲的土地利用变化研究[C]//中国地理学会自然地理专业委员会.自然地理学与生态建设.北京：气象出版社，2006.

[7] 张杨，刘艳芳，丁庆，等.1996-2006 年武汉市土地利用/覆被变化研究[J].生态环境学报，2010，19(11)：2534-2539.

[8] 蒲光昕，李玲琴，柏家平，等.西宁市城市用地时空扩展研究[J].国土资源科技管理，2011，28(4)：19-24.

[9] 摆万奇，赵士洞.土地利用变化驱动力系统分析[J].资源科学，2001，23(3)：39-41.

[10] 张金禄，王英杰，余卓渊，等.自适应地图符号模型与原型系统的实现[J].地球信息科学学报，2009(11)：469-474.

[11] 蔡宏，何政伟，安艳玲，等.基于遥感和GIS的赤水河水质对流域土地利用的响应研究[J].长江流域资源与环境，2015，24(2)：286.

[12]AL-SHARIFAAA，PRADHANB.MonitoringandpredictinglandusechangeinTripoliMetropolitanCityusinganintegratedMarkovchainandcellularautomatamodelsinGIS[J].Arabianjournalofgeosciences，2014，7(10)：4291-4301.

[13] 王群，王万茂.中国大陆地区土地利用结构研究进展[J].中国土地科学，2015(8)：10-15.

作者简介凌 涛(1990- )，男，河南睢县人，博士研究生，研究方向：3S集成原理及应用。*通讯作者，教授，博士，硕士生导师，从事数据挖掘和遥感图像处理研究。

收稿日期2016-04-08

中图分类号F 293.22；TP 79

文献标识码A

文章编号0517-6611(2016)13-257-06

Analysis of Evolution Driving Force Factor of Land Use in Qingdao City

LING Tao1, LI Peng2, ZUO Xiao-qing1*

(1. School of Land Resources Engineering, Kunming University of Science and Technology, Kunming, Yunnan 650093; 2. City Institute, Dalian University of Technology, Dalian, Liaoning 116600)

AbstractBased on RS and GIS technology, the remote sensing images in 1986, 2000 and 2006 of Qingdao City were chosen as the base data. Firstly, with Google map as the reference, the remote sensing images of the three phases were classified; and the land use data in the same period was extracted. Secondly, corresponding mathematical model was used to analyze the land use quantity change, land use speed change and land use degree change in the 20 years in Qingdao City. Thirdly, based on the social and economic statistical data in Qingdao in the 20 years, main social economic driving force factors of land use change in Qingdao City was obtained by principal component analysis; the social and economic driving force index in Qingdao was calculated in the 20 years. It was proved that the driving force of social and economic driving force to land use showed an increasing rising trend in the 20 years. The social economic driving force model of waters, forest land, construction land and cultivated land in Qingdao was established by the multivariate regression analysis method. And the social and economic factor affecting each and use type was obtained. Finally, land use change trend of Qingdao City was forecasted in future 24 years under the support of Markov model.

Key wordsRemote sensing; Land use change; Driving force; Principal component analysis; Markov model