基于CA—Markov模型的长沙市望城区土地利用/覆盖变化预测

宋磊 陈笑扬 李小丽 王丽芳 张宝一

文章编号：1672-5603（2018）02-017-7

摘 要 为获取望城区未来土地利用/覆盖的数量及空间分布情景，本文利用2009、2010、2012年土地利用/覆盖数据、DEM及社会经济数据，运用Logistic模型分析土地利用变化与各驱动因子间的定量关系，综合区域限制条件修正土地利用适宜性概率，最终耦合CA-Markov模型对2020年土地利用进行模拟与预测。模拟结果较好地揭示了望城区土地利用动态变化趋势，一定程度上指导该地区的土地资源优化配置。

关键词 土地利用/覆盖变化；CA-Markov模型；空间格局模拟；望城区

中图分类号：F301.2 文献标识码：A

The CA-Markov ModelBased Prediction of Land Use/Cover Changes in Wangcheng District， Changsha City， Hunan Province

Song Lei1， 2， Chen Xiaoyang1， LiXiaoli1， 3， Wang Lifang1 ， Zhang Baoyi1

（1. School of Geosciences & Info-Physics， Central South University， Changsha Hunan 410083； 2. Hunan Institute of Geological Survey， Changsha Hunan 410116； 3. Development and Reform Bureau of Liangqing District， Nanning City， Nanning Guangxi 530200）

Abstract： In order to obtain the quantity and spatial pattern of future land use in Wangcheng District of Changsha City， this paper uses the land use/cover status data in 3 years （2009，2010，2012） and DEM and socio-economic data to analyze the relationship between land use change and each driving force. And on this basis， we revise the probability of land use suitability in the condition of taking the restrictions of the land use changing in the study area. At last， we coupled those analysis results with CA-Markov model to simulate and forecast the land use in 2020. The simulation results reveal the trend of dynamic changes of land use in Wangcheng District and can be used as a basis to guide the optimal allocation of land resources in this area.

Keywords： land use/cover change； CA-Markov model； simulation of spatial pattern； Wangcheng District

1引言

土地是“人類-自然”相互作用的桥梁，而土地利用/覆盖变化则是二者在不同时空尺度上交互作用的直接体现。人类活动对土地利用变化有着巨大的影响，而生态、社会及经济环境对土地利用变化做出响应，影响区域可持续发展。目前，土地利用变化的驱动机制、不同时空尺度下的变化动态模拟及未来的情景预测，是当前研究的热点。

近几十年来，众多学者设计了多种模型来研究不同尺度和区域的土地利用/土地覆盖变化（LUCC， land use/cover change），如系统动力学（SD， System Dynamics）[1]、元胞自动机（CA， cellular automaton）[2， 3]、马尔科夫（Markov）[4]、CLUE-S（Conversion of Land Use and its Effects at Small region extent）[5，6]、智能体（Agent-based）[7]等，它们均能够帮助我们认知、解释LUCC的变化规律，并模拟、预测其未来的情景。由Logistic、Markov和CA三者耦合所得到的模型，不仅通过Logistic很好的分析了LUCC的驱动机制，而且将CA在模拟地理空间变化上的能力与Markov在模拟时间序列预测上的优势相结合，提高了模拟、预测的精度，得到了广泛的应用[4， 8]。一些学者也从土地利用与水文条件[9， 10]、景观格局[11-13]、生态环境响应[14， 15]、生态安全[16， 17]以及道路网扩张[18]等各个方面进行了大量研究。

本文以长沙市望城区为例，选择合适的驱动因子，通过Logistic模型进行计算和检验，并耦合CA-Markov模型对其土地利用空间分布情景进行模拟预测，有助于指导土地集约化利用和科学决策。

2研究区概况及数据

2.1研究区概况

望城区是长沙市所管辖区域，位于湖南中东北部，湘江流域的下游，面积为954 km2，位于：27°58′28″N-28°33′45″N，112°35′48″E-113°02′30″E（图1），呈变形了的长方形展布，海拔南高北低。水资源丰富，河流和湖泊众多。全区归入“长株潭城市群”核心区、长沙大河西先导区和环洞庭湖生态经济圈范畴区，处于湖南省一点一线地区，地理位置优越。截至2012年末，望城区户籍人口52.43万人，GDP为3748847万元，区内铁路、公路运输都十分便利。

2.2数据

本研究所需数据为：2009-2012年土地利用现状数据、2010及2012年基本农田保护区数据、建设用地管制区数据、交通状况数据以及行政区划数据等源自长沙市第二次土地调查成果数据库；DEM数据源自中国科学院地理空间数据云平台；人口、GDP数据源自国家地球系统科学数据共享平台。土地利用矢量数据转为栅格数据，再转换为二值化ASCII数据，依据DEM、交通状况数据生成驱动因子栅格数据，所有栅格数据均统一坐标系，统一栅格大小为100 m×100 m。

3研究过程

在长沙市望城区2009、2010、2012年期间土地利用/覆盖现状图的基础上，统计研究区各地类占比，由表1可知：耕地、林地占比逐渐降低；交通运输用地、城镇村及工矿用地逐渐升高。综合影响该区土地利用变化的地形、距离及社会经济驱动因子，利用Logistic-CA-Markov模型预测了该区2012年和2020年的土地利用空间分布状况。实验结果表明，2012年土地利用预测结果得到了较高的Kappa系数和ROC值，表明模型可信度高。具体研究过程如图2所示。

3.1驱动因子分析

本文选取自然、距离和社会经济三个角度共10个驱动因子，结合各土地利用类型的二值化栅格图，运用Logistic模型分析土地利用变化的驱动因子，以ROC值检验了模拟效果，其结果如表1所示。

由表1可知：2010各个地类的ROC值均大于0.8，其中交通运输用地、城镇村及工矿用地和其他用地的ROC值达到了0.9以上，高于其他几类用地；各土地利用类型的主要驱动因子存在差异，高程、坡度、人口、GDP对区域土地利用变化有较强的驱动作用。总体而言，所选驱动因子对于望城区2010年的土地利用变化有较高的解释力。

3.2 CA-Markov模型预测步骤

耦合CA-Markov模型对未来土地利用空间分布进行模拟的步骤如下：

获取转移矩阵。将2009、2010、2012年土地利用现状数据按照模型需要进行处理，生成对应时间间隔的转移矩阵。

设置元胞。根据土地利用现状原始数据以及相关驱动因子的数据可用性，将元胞设置为100 m ×100 m的栅格。

设置邻域。将邻域定义为5×5的滤波器。

制定转换规则。与传统的CA-Markov模型直接利用驱动因子数据通过MCE（Multi-criteria evaluation）方法赋权重求取土地利用适宜性概率不同，本文是在Logistic分析得到的适宜性概率的基础之上，结合转移概率、区域限制因子（基本农田保护区域、建设用地限制区域）对其进行修正，再综合转移面积判断用地类型是否发生改变。具体转换规则实现过程如图3所示：

设置循环次数。根据基期土地利用数据和预测年份之间的间隔设置元胞自动机循环次数。

3.3预测算法验证

以2010年数据为基础模拟预测得到2012年的土地利用分布预测图（如图4b），并与其现状图（如图4a）进行了对比，并从数量和空间两个方面来验证模型精度。

数量上，运用精度误差检验法，其公式如下：

（1）

式中K-地类i的模拟数量误差，大于0表明实际面积大于预测面积；反之小于预测面积，K值绝对值越大说明模拟数量精度越低，反之，精度越高。Sij、Sit-表示地类i的实际面积与预测面积。

如表2所示，2012年数量预测总体精度较高，各地类相对误差都较小，表明数量上模型模拟结果较为可信。

空间上，运用Kappa系数检验模拟精度，Kappa系数[19]的计算如下：

（2）

其中，Po为预测结果和真实情况一致的栅格数占比于研究区栅格总数，Pp为理想变化情况下的准确预测的比值；Pc为在随机状况下的期望正确模拟比例。当Kappa>0.75，认为模拟的效果较好；当0.4≤Kappa≤0.75时，认为模拟的效果一般；当Kappa<0.4时，认为模拟的效果较差。根据本文的研究结果和公式（2），求得2012年模拟预测结果的Kappa指数为0.978，说明模型在对为望城区2012年的土地利用模拟中具有较高的空间尺度上的一致性，模型的模拟可信度达到研究要求。

通过数量和空间两个方面的验证可知，模型的模拟效果较好，能比较好地对望城区的土地利用变化进行模拟和预测，结果具有较高的可信度。

4预测结果

由模拟预测结果统计得出研究区各土地利用类型变化情况，由表4可知：研究区土地利用结构总体保持稳定；耕地、林地持续退化；交通运输用地、城镇村及工矿用地持续扩张。

由2012年的土地利用现状，预测了研究区基本农田保护情景下的2020年的土地利用分布，如图5所示。

从望城区的2020年的土地利用空间分布情况及面积变化表来看：城镇村及工矿用地、交通运输用地均在不断增加，耕地、林地、园地、草地及其他用地均不断减少，而水域及水利设施用地虽有增加，但幅度不大；虽然城镇村及工矿用地和交通运输用地面积增加，但耕地及林地占比仍然较高。交通运输用地和城镇村及工矿用地的增加，表明城镇化有序推进，主要集中在东南部。

综上，研究区耕地、林地不断退化，交通运输用地、城镇村及工矿用地不断扩张，需警惕该种变化趋势，在优化、调整基本农田保护及建设用地管制政策前提下，划定林地保护区或林地红线，使土地资源得到充分、合理的利用，促使经济发展。

5结论

以长沙市望城区为例，在2009、2010、2012年的土地利用現状图的基础上，运用Logistic-CA-Markov模型对2012、2020年土地利用情况进行模拟预测，其研究结果表明：高程、坡度、人口、GDP对区域土地利用变化有较强的驱动作用；模型能够模拟研究区的土地利用变化空间情况；需警惕耕地、林地的退化及城镇村及工矿用地的扩张趋势，调整优化现有土地利用政策，划定林地保护区或林地红线。

本文研究成果对研究区土地资源的优化配置具有一定的借鉴意义，但由于课题来源的局限问题，数据源所跨时间轴相对较短，区域土地利用变化相对不明显，此外未能考虑气候、土壤质量等因素对土地利用变化的影响。

参考文献/References

[1]谢正磊， 许学工，孙强. 基于Patch-Dynamics模式的土地覆被变化预测-以北京市为例[J]. 北京大学学报（自然科学版）， 2008， 44（3）： 452-458.

[2]杨青生， 黎夏，刘小平. 基于Agent和CA的城市土地利用变化研究[J]. 地球信息科学， 2005， 7（2）： 78-93.

[3]杨俊， 解鹏， 席建超， 葛全胜， 李雪铭，马占东. 基于元胞自动机模型的土地利用变化模拟_以大连经济技术开发区为例[J]. 地理学报， 2015， 70（3）： 461-475.

[4]Weng Q. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing， GIS and stochastic modelling[J]. Journal of Environmental Management， 2002， 64（3）： 273-284.

[5]盛晟， 刘茂松， 徐驰， 郁文，陈虹. CLUE-S模型在南京市土地利用变化研究中的应用[J]. 生态学杂志， 2008， 27（2）： 235-239.

[6]梁友嘉， 徐中民，鐘方雷. 基于SD和CLUE-S模型的张掖市甘州区土地利用情景分析[J]. 地理研究， 2011， 30（3）： 546-576.

[7]何丹， 金凤君，蔡建明. 近20年京津廊坊地区城市增长模拟和预测研究[J]. 经济地理， 2011， 31（1）： 7-13.

[8]Manson S M. Agent-based modeling and genetic programming for modeling land change in the Southern Yucatán Peninsular Region of Mexico[J]. Agriculture， Ecosystems & Environment， 2005， 111（1-4）： 47-62.

[9]Zhang L， Nan Z，Yu W. Coupling LUCC and Hydrological Models to Predict Land Use Change and Hydrological Response under Multiple Scenarios[J]. Journal of Geo-information Science， 2013， 15（6）： 829.

[10]Tong S T Y， Sun Y， Ranatunga T， He J，Yang Y J. Predicting plausible impacts of sets of climate and land use change scenarios on water resources[J]. Applied Geography， 2012， 32（2）： 477-489.

[11]胡雪丽， 徐凌，张树深. 基于CA-Markov模型和多目标优化的大连市土地利用格局[J]. 应用生态学报， 2013， 24（6）： 1652-1660.

[12]何丹， 金凤君，周璟. 基于Logistic-CA-Markov的土地利用景观格局变化-以京津冀都市圈为例[J]. 地理科学， 2011， 31（8）： 903-910.

[13]何丹， 周璟， 高伟， 郭怀成， 于书霞，刘永. 基于CA-Markov模型的滇池流域土地利用变化动态模拟研究[J]. 北京大学学报（自然科学版）， 2014， 50（6）： 1095-1105.

[14]殷格兰， 邵景安， 郭跃， 党永峰，徐良新. 南水北调中线核心区土地利用变化及其生态环境响应研究[J]. 地球信息科学， 2017， 19（1）： 59-69.

[15]汪佳莉， 吴国平， 范庆亚，崔敬涛. 基于CA-Markov模型的山东省临沂市土地利用格局变化研究及预测[J]. 水土保持研究， 2015， 22（1）： 212-216.

[16]廖柳文，秦建新. 环长株潭城市群湿地生态安全研究[J]. 地球信息科学， 2016， 18（9）： 1217-1226.

[17]Nouri J， Gharagozlou A， Arjmandi R， Faryadi S，Adl M. Predicting Urban Land Use Changes Using a CA–Markov Model[J]. Arabian Journal for Science and Engineering， 2014， 39（7）： 5565-5573.

[18]宇林军，刘亚岚. 基于土地利用强度的城市道路增长模拟模型与案例分析[J]. 地球信息科学， 2015， 17（4）： 423-430.

[19]布仁仓， 常禹， 胡远满， 李秀珍，贺红士. 基于Kappa系数的景观变化测度以辽宁省中部城市群为例[J]. 生态学报， 2005， 25（4）： 778-784.