基于Logistic-CA-Markov模型的龙海市土地利用/覆被变化与模拟
2017-12-25陈训争范胜龙林晓丹黄炎和
陈训争, 范胜龙, 林晓丹, 黄炎和
(福建农林大学资源与环境学院，福建 福州 350002)
基于Logistic-CA-Markov模型的龙海市土地利用/覆被变化与模拟
陈训争, 范胜龙, 林晓丹, 黄炎和
(福建农林大学资源与环境学院，福建 福州 350002)
以2002、2008、2014年龙海市土地利用/覆被类型数据和Logistic回归模型生成的各土地利用类型空间分布概率适宜性图集为基础，借助IDRISI软件平台，运用CA-Markov模块对龙海市土地利用变化进行模拟预测.结果表明：在粗放发展情景下，龙海市的耕地将被大量侵占，生态用地得不到有效保护，人地矛盾关系愈演愈烈；在城市规划与区域发展情景下，龙海市未来各用地类型结构的发展将趋于稳定，表明土地利用政策法规的约束实施在一定程度上有利于促进土地的可持续发展.
土地利用; Logistic-CA-Markov模型; 预测; 龙海市
土地利用/覆盖变化(land use and land cover change, LUCC)与全球环境变化密切相关，影响气候变化、陆地生态系统碳循环、土壤以及区域产水量和水循环等[1].LUCC既是全球环境变化的原因，也是全球环境变化的结果.随着城市经济的快速发展，城市生态环境及土地利用格局发生了剧烈的变化[2].因此，从多学科、多视觉、多层次和多尺度的角度分析解释土地利用的变化规律，掌握土地利用变化的机理，全面掌握LUCC信息变得越发重要.利用特定区域的数据深入分析，构建土地利用空间模拟分析模型，不仅能够优化政府土地利用规划方案，也是实现土地利用合理化分配和可持续发展的有效方法.
当前，LUCC的预测模型主要分为两类[3-4]：一类是LUCC数量预测模型，主要实现用地类型数量的模拟，但无法实现土地利用空间位置的预测.主要包括Markov模型、灰色模型、二元Logistic回归模型、系统动力学模型、BP人工神经网络等.另一类是LUCC空间预测模拟模型，这类模型的优势在于集合了空间预测模拟模型在处理复杂空间系统的能力和数量预测模型在土地利用类型数量预测的优势，能够从空间和数量两方面对土地利用的动态演变信息进行充分、有效地挖掘，使得预测结果精确度更高.主要包括元胞自动机模型(CA)、CLUE-S模型、GEOMOD模型、AGENT模型等.
目前，国内外模拟土地利用通常采用动态预测模型，而对CA模型的空间规模相关性分析研究较少[5-7].现有的CA-Markov模型将各土地利用类型的概率转移矩阵作为恒定值处理，缺少对自然与经济等非线性驱动因素影响的考虑，为此需要改变过分依赖初始条件下的转移概率矩阵的局面，加入能够有效综合非线性驱动因素的定量方法.二元Logistic回归方法是研究分类变量与多因素间关系的概率预测，充分考虑了自然、社会、经济等多因素的作用，能够对多因素进行拟合分析，改变CA转换规则，减少了主观因素的影响[8-11].因此，本试验综合CA模型模拟复杂空间变化的能力和Markov模型在数值演变方面优势的优化版模型，采用基于Logistic-CA-Markov耦合模型，对试验区的土地利用类型进行模拟.此模型采用Logistic回归分析方法分析土地利用变化的主要驱动力，并制作土地利用适宜性图集，同时将其作为CA的转换规则，从而使模拟预测得出的土地利用/覆被变化更加趋于准确合理，研究结果可为政府部门土地利用规划方案优化提供参考.
1 材料与方法
1.1 试验区概况与数据源
龙海市地处福建省东南沿海，闽南经济区东南部(E 117°29′—118°14′，N 24°11′—24°36′).属于南亚热带海洋性季风气候，降水充沛，气候温和，自然景观四季常绿.土壤主要以水稻土、砖红壤性红壤和红壤为主.试验区境内植被属闽粤沿海丘陵、平原亚热带雨林区，地带性植被为南亚热带雨林.
本试验采用的龙海市土地利用变化数据由3个时段(2002、2008、2014年)的遥感影像数据经过几何校正、影像配准、图像镶嵌/拼接、图像裁剪以及图像合成等预处理解译分析得到.龙海市地形数据从DEM中获取，人口数据主要来自对应年份的《龙海市统计年鉴》[12]，社会经济数据(人均GDP)主要来源于中国科学院资源环境科学数据中心.
1.2 预测模型建立
本试验运用Logistic-CA-Markov耦合模型对龙海市土地利用/覆被类型进行动态模拟预测.在该耦合模型中，CA的关键部分在于转换规则.首先，运用Markov模型计算出土地利用类型状态转移概率矩阵；然后，基于二元Logistic回归模型对影响土地利用变化的自然与社会驱动因子进行回归分析，并结合multi-criteria evaluation (MCE)约束条件对土地适宜性转换规则进行校正；最后，将校正后的转换规则参与到CA模型的运行中，实现对土地利用/覆被类型的模拟预测.
1.2.1 数据预处理 由于模型预测是基于IDRISI软件平台完成的，因此需要将土地利用类型数据、适宜性图等转为其所支持的ASCII格式.同时，由于GIS与IDRISI软件默认的nodata值分别为-999和0，为避免模型运转出错及保证不同时期的土地利用/覆被类型具有同一属性值，运用IDRISI软件平台的Reclass模块将-999、耕地、园地、林地、建设用地、水域用地、其他用地分别赋值为0、1、2、3、4、5、6，以此作为模型预测的基础数据.
1.2.2 试验区元胞构成 (1)元胞、元胞状态、元胞空间:试验区元胞代表的是土地利用栅格图中的每个栅格.元胞的状态代表的是每个栅格的属性值所表示的土地利用类型.由二维四边形所划分成的空间范围就是试验区元胞空间.
(2)领域定义:CA-Markov模型主要是通过构造滤波器实现对邻域的定义.其工作原理是根据构造的滤波器来创建具有明显空间意义的权重因子，并将获取的权重因子作用于元胞，进而来确定中心元胞所处状态的转变情况.
(3)转换规则的定义:CA的核心部分在于对转换规则的定义，其最大的意义在于实现对地理系统的有效模拟.本试验基于Logistic回归方程的变形公式制成土地利用适宜性图集，结合MCE约束条件对土地适宜性图集进行校正，以此来实现对CA转换规则的定义.
(4)循环次数的设定:在保证模型精度的前提下，本试验采用等波长的年份进行预测，试验时期分别为2002、2008、2014和2020年，时间间隔为6年，设置循环次数为6.
1.2.3 精度检验 (1)数量精度检验:本试验检验Logistic-CA-Markov耦合模型的数量结果主要采用数量精度误差法[13].公式如下：
(1)
式中，E为第i类土地利用类型的数量误差值；miy为第i类土地利用类型的模拟面积；mix为第i类土地利用类型的实际面积.E的绝对值越小，则表示该模拟模型的预测精度越高.
(2)空间精度检验:Kappa指数用于评价两个图件的一致性程度[14]，即通过土地利用/覆被类型实际图与预测图的Kappa指数计算，以此检验模型的空间精度，公式如下：
(2)
(3)
式中，Pa为元胞模拟一致的比例；Pc为在随机情况下元胞模拟一致的比例；n1为模拟一致的元胞数；n为土地利用类型图元胞的总数；N为土地利用类型分类数量.
当0
2 结果与分析
2.1 基于Logistic-CA-Markov模型的区域土地利用模拟预测精度验证
2.1.1 龙海市2014年土地利用模拟预测 利用Markov模块工具，分别将2002、2008年与2008、2014年龙海市土地利用图进行叠加，时间间隔设置为6，正常比例误差设置为0.1，得到2002—2008年和2008—2014年Markov转移概率矩阵(表1、表2).
表1 龙海市2002—2008年土地利用转移概率矩阵Table 1 Transition probability matrix of land use of Longhai City during 2002-2008
表2 龙海市2008—2014年土地利用转移概率矩阵Table 2 Transition probability matrix of land use of Longhai City during 2008-2014
利用Logistic回归模型，选取坡度、坡向、高程、地表的凹凸特征等自然因素，人均GDP、人口密度等社会经济因素，距离公路、火车站、河流、城镇和村庄的5可达性作为驱动因子，借助GIS的栅格计算，求出最佳模拟尺度下空间栅格里可能出现的某种土地利用类型的概率，得到龙海市6类土地利用类型的空间分布概率图(图1)，并运用Collection Editor工具将各土地利用类型概率图组成土地利用变化适宜性图集.并运用CA-Markov模块，将2008年作为预测的基础图像，以2008年Logistic生成的土地利用适宜性图集作为CA的转换规则，并导入2002—2008年Markov转移概率矩阵，设定5×5滤波器，循环次数为6，模拟得到2014年龙海市土地利用/覆被类型图(图2a).
图1 龙海市土地利用类型空间分布概率图Fig.1 Probability of spatial distribution of different land use types in Longhai City
土地利用/覆被类型实际面积km2模拟面积km2相差面积km2误差/%耕地 239.17238.61-0.56-0.23园地 342.24372.0529.808.01林地 314.15314.800.650.21建设用地222.10238.4816.396.87水域用地132.51114.23-18.28-16.00其他用地648.20583.90-6.43-11.01
2.1.2 精度验证 (1)数量精度验证:将2014年龙海市土地利用现状实际图与模拟图进行空间叠置分析，得到实际面积与模拟面积的误差表(表3).除了水域用地和其他用地的模拟精度<90%，其他用地类型的模拟精度均在90%以上，说明预测结果理想，符合试验需要.
(2)空间精度验证:运用GIS的栅格计算，对比分析龙海市2014年土地利用类型实际图与预测图，得到土地利用模拟差异图(图2b)和模拟精度结果(表4).由模拟差异图可以直观地看出，不一致区域分布较少，说明各土地利用类型模拟结果均较好.由表4可知，龙海市2014年模拟Kappa指数为0.85>0.75，说明模拟结果较好，预测模型能够较好的预测龙海市土地利用变化，数据结果较为理想.
a.2014年模拟图;b.2014年模拟差异图.图2 2014年龙海市土地利用模拟图Fig.2 Stimulated spatial land use distribution in 2014 and regions of difference from the actual situation
土地利用/覆被类型实际数/个模拟数/个一致数/个Kappa指数耕地 1522015271130120.855园地 2196023257199580.909林地 2006420147169960.847建设用地1434415263119400.832水域 8322667162910.756其他用地4116341734160.830总计 8402684026716130.852
2.2 龙海市2020年土地利用/覆被类型模拟预测
本研究分别设定粗放发展情景和城市规划与区域发展情景两种预测模式.粗放发展情景是在不加入政策约束情况下，在自然演化过程下对龙海市2020年土地利用进行模拟预测，城市规划与区域发展情景是在施加政策约束条件下进行土地利用模拟预测.
图3 2020年龙海市粗放发展情景模拟图Fig.3 Stimulated land use distribution under extensive mode of development in 2020
2.2.1 粗放发展情景预测 以2014年龙海市土地利用分类图为基期，采用2008—2014年Markov转移概率矩阵(表2)和2014年Logistic生成的土地利用适宜性图集作为CA转换规则，设定5×5滤波器，循环次数为6，模拟得到2020年龙海市土地利用/覆被类型图(图3).利用Logistic-CA-Markov模型实现了对2020年龙海市在粗放发展情景下的预测，得到粗放发展情景下的土地利用结果(表5).
由图3和表5可知，在粗放发展情景下，龙海市2020年各土地利用类型与2014年变化趋势仍然较为明显，耕地、园地、林地都呈下降趋势，建设用地保持增长趋势.耕地在未来6年将减少29.10 km2，占土地总面积比例下降了2.19%，是下降幅度最大的土地利用类型.园地和林地面积也显著减少，分别为14.62 km2(1.08%)和24.97 km2(1.87%).由于对水域用地没有采取保护政策，面积也从132.51 km2减少到130.02 km2，占土地总面积比例下降了0.17%.其他用地类型小幅度增加了14.21 km2(1.09%).建设用地仍然呈扩张趋势，在未来6年面积达到了309.44 km2，增加87.34 km2(6.68%)，是增加幅度最明显且最大的土地利用类型.在粗放发展情境下，未集约利用土地和严格限制建设用地扩张，城市发展以“摊大饼”方式粗放扩展，导致区域耕地、园林、林地和水域面积急剧减少.
表5 龙海市2020年不同情景模拟结果统计表Table 5 Area and ratio of land use types under different scenario simulation in 2020
2.2.2 城市规划与区域发展情景 根据龙海市土地利用总体规划、主体功能区划的划定依据和内容，结
图4 2020年龙海市城市规划与区域发展情景模拟图Fig.4 Stimulated land use distribution under mode of city planning and development in 2020
合全市各乡镇自然资源条件和经济社会发展，在严格保护基本农田的条件下和在限制建设用地侵占耕地、林地和园地的基础上，加入两个政策约束条件，即建设用地管制区和基本农田保护区，将其与土地利用适宜性图集进行合并，组成城市规划与区域发展情景的土地适宜性图集作为CA的转换规则，设定5×5滤波器，循环次数为6，得到龙海市城市规划与区域发展情景模拟图(图4).
利用Logistic-CA-Markov模型实现了对2020年龙海市在城市规划与区域发展情景下的预测，得到的土地利用结果如表5所示.
由图4和表5可知，在城市规划与区域发展情景下，即情景2下，受政策的约束条件限制，龙海市建设用地增长的势头得到了控制，未来6年面积由222.10 km2增加到262.02 km2，面积占比上升了3.05%.耕地在政策的约束条件保护下，在未来6年面积将增加1.92 km2，面积占比上升了0.16%，在一定程度上得到了保护.水域用地的面积虽然也在减少，但是在耕地保护政策的影响下，占总面积比例下降为0.18%.而园地和林地由于没有受政策的保护，面积仍呈减少的趋势，分别减少了21.70 km2和16.32 km2.在耕地保护政策的约束下，建设用地的增加只能通过侵占园地和林地来实现扩张.
3 讨论
本研究综合二元Logistic回归方法的多因素拟合优势、CA模型模拟复杂空间变化的能力和Markov模型在数值演变方面的优势，采用基于Logistic-CA-Markov耦合模型，对研究区的土地利用类型进行模拟.此模型采用Logistic回归分析方法分析土地利用变化的主要驱动力，并制作土地利用适宜性图集，同时将其作为CA的转换规则，从而使模拟预测得出的土地利用/覆被变化更加趋于准确合理，研究结果可为政府部门土地利用规划方案优化提供参考.
由于受2002年TM遥感影像分辨率仅为30 m的影响，本研究难以对土地利用类型作更精细的解译.此外，本研究对于龙海市的预测结果仍与实际情况存在局部不相符的地方，一方面是由于栅格数据在尺度转换过程中存在空间自相关效应问题，使得回归模型在计算中存在一定不可避免的误差.另一方面是由于模型的解释变量在选取方面不够全面，没有考虑气温、降水、蒸发量等自然因素和科技等人文因素，这些数据的缺失可能是模拟结果与实际情况有所偏差的原因.
[1] 张新荣,刘林萍,方石,等.土地利用/覆被变化(LUCC)与环境变化关系研究进展[J].生态环境学报,2014,23(12):2 013-2 021.
[2] 郑燕凤.基于GIS的CA-MARKOV模型的土地利用变化研究[D].泰安:山东农业大学,2009.
[3] 史洪超.土地利用覆被变化(LUCC)研究进展综述[J].安徽农业科学,2012,40(26):13 107-13 110,13 125.
[4] SCHIRPKE U, LEITINGER G, TAPPEINER U et al. SPA-LUCC:Developing land-use/cover scenarios in mountain landscapes[J]. Ecological Informatics, 2012,12(11):68-76.
[5] 史晓亮,李颖,杨志勇.基于SWAT模型的诺敏河流域径流对土地利用/覆被变化的响应模拟研究[J].水资源与水工程学报,2016,27(1):65-69.
[6] ANPUTHES M, JANMAAT J A, NICOL C F, et al. Modeling spatial association in pattern based land use simulation models[J]. Journal of Environmental Management, 2016,181:465-476.
[7] 杨俊,张永恒,葛全胜,等.基于GA-MACE算法的不规则邻域CA土地利用模拟[J].地理研究,2016,35(7):1 288-1 300.
[8] 王美霞,任志远,王永明.千河流域土地利用空间格局模拟及其影响因素分析[J].测绘科学,2013,38(4):34-36,151.
[9] FANG S, GERTNER G Z, ANDERSON A B. Prediction of multiracial probability of land use change using a bisection decomposition and logistic regression[J]. Landscape Ecology, 2007,22(22):419-430.
[10] ARSANJANI J J, HELBICH M, KAINZ W, et al. Integration of logistic regression, Markov chain and cellular automate models to simulate urban expansion[J]. International Journal of Applied Earth Observation and Geo-information, 2013,21(1):265-275.
[11] DESSEL W V, ROMPEAY A V, SZILASSI P. Sensitivity analysis of logistic regression parameterization for land use and land cover probability estimation[J]. International Journal of Geographical Information Science, 2011,25(3):489-508.
[12] 龙海市统计局.龙海市统计年鉴[M].北京:中国统计出版局,2005.
[13] 左彤,何玲,张俊梅.基于CA-Markov模型的滨海土壤盐渍化动态变化研究——以黄骅市为例[J].资源科学,2014,36(6):1 298-1 305.
[14] 韩文霆,郭聪聪,张立元,等.基于无人机遥感的灌区土地利用与覆被分类方法[J].农业机械学报,2016,47(11):270-277.
SpatialsimulationandanalysisoflanduseandlandcoverchangeofLonghaiCitybasedonLogistic-CA-Markovmodel
CHEN Xunzheng, FAN Shenglong, LIN Xiaodan, HUANG Yanhe
(College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China)
To predict land use changes in Longhai City, land use data in 2002, 2008 and 2014 were firstly converted by IDRISI software, and spatial distribution probability of various land types was generated from Logistic-CA-Markov model. The results showed that in the scenario of extensive development area of arable land dropped mostly among all land use types, which was followed by forest land and garden. While area of construction land expanded sharply. When it comes to urban planning and regional development scenario, conversions of land use types with ecological functions to construction land was alleviated, so that arable land was protected to certain extent. Therefore, policy guidance and implementation of land use constraints are conducive to sustainable development of land.
land use and land cover change; Logistic-CA-Markov model; prediction; Longhai City
2017-06-29
2017-09-06
福建省自然科学基金资助项目(2015J01624).
陈训争(1992-)，男，硕士研究生.研究方向：土地资源可持续利用.Email：757551818@qq.com.通讯作者黄炎和(1962-)，男，教授，博士生导师.研究方向：土壤侵蚀.Email：yanhehuang@163.com.
F301.2
A
1671-5470(2017)06-0685-07
10.13323/j.cnki.j.fafu(nat.sci.).2017.06.014
(责任编辑:苏靖涵)
