基于Markov-CLUES耦合模型的杭州湾湿地多情景模拟研究

刘甲红，胡潭高*，潘骁骏，张登荣，张路，李瑶

1. 杭州师范大学遥感与地球科学研究院/浙江省城市湿地与区域变化研究重点实验室，浙江 杭州 311121；2. 浙江省第二测绘院，浙江 杭州 310012

杭州湾湿地是中国滨海湿地的南北过渡带（吴统贵等，2011），也是中国重要湿地及重点湿地监测对象。近年来，政府大力推动杭州湾的发展及杭州湾新区的建立，大量人口涌入，社会经济发展迅速，城市化进程日益加快。剧烈的人类活动与高强度的建设开发，导致淤泥质海滩的围垦过度，滨海湿地丧失退化，动植物生境受到破坏，湿地功能退化，生态自然演替过程受到影响（Sun，2016；蒋科毅等，2013）。对杭州湾湿地未来发展趋势的模拟预测，可为资源合理开发、政府政策规划等提供科学依据。

遥感与GIS技术在湿地动态变化监测以及演变趋势研究中得到广泛应用（Jin et al.，2017；Luo et al.，2016；Chen et al.，2014）。其中，Landsat系列遥感影像作为监测长期变化的理想数据，在长时序动态变化研究中广泛使用（Vogelmann et al.，2006；Chander et al.，2009；Coulter et al.，2016；Son et al.，2017）。Lu et al.（2017）利用 Landsat时间序列数据评估城市植被覆盖度。Halabisky et al.（2016）利用Landsat时间系列卫星影像重建半干旱湿地地表水并监测其长时间上的湿地水文变化。Han et al.（2015）基于Landsat卫星观测潘阳湖冬季近40年的湿地变化。

土地利用变化及效应模型（Conversion of Land Use and its Effects at Small Region Extent，CLUES）因其具有自然驱动因子与人文驱动因子的综合、多时空尺度以及多情景模拟的特点，能将模拟结果精确直观地反映到空间位置，可以有效地探索未来湿地时空演变规律，因此受到了国内外学者的广泛关注并对其进行了大量研究。P.H. Verburg团队对其进行了大量的研究，在空间尺度方面，用于对国家级大尺度的研究和锡布延岛等小区域尺度的研究；在应用方面，用于对粮食产量及农业密度强度的预测，用于由于边缘效应导致的土地类型的不稳定性的预测，用于预测生态系统的服务和需求；在模拟精度方面，与Capri-Spat、CRAFTY和多智能体等模型多个模型结合以提高模拟精度（Verburg et al.，2004；Verburg et al.，2008；Verburg et al.，2009；Britz et al.，2011）。Markov在数量预测方面具有优势，可为CLUES模型所需要的未来湿地需求量提供基础数据。而CLUES模型中的空间模块弥补了Markov模型缺乏空间模拟能力的不足。Markov-CLUES模型综合了Markov模型定量化预测的优势和CLUES模型模拟复杂空间动态变化的能力，不仅提高土地利用变化的预测精度，又较好地模拟土地利用格局的空间变化，提高了模拟的科学性。因此，本文将Markov数量预测模型与CLUES空间预测模型相结合，模拟多情景下杭州湾滨海湿地未来空间格局分布及湿地演变趋势。

基于Landsat遥感影像数据及GIS技术手段，构建Markov-CLUES耦合模型，通过对未来10年杭州湾滨海湿地多情景模拟研究，预测其未来发展趋势，并提出湿地未来发展的保护对策与建议，为资源合理开发、防止湿地功能退化提供科学依据，对湿地的管理、保护和可持续发展具有重要意义。

1 研究区域与数据

1.1 研究区域概况

杭州湾湿地位于中国浙江省东北部——钱塘江汇入东海的入海喇叭口区域，是中国典型性滨海湿地。本文选取杭州湾南岸弧形区域湿地作为研究区域，地理坐标中心经纬度分别为 121.55°E、30.31°N。研究区由海域、海岸带区域、内陆区域3部分组成，总面积为377487.36 hm2（图1）。

1.2 数据

1.2.1 遥感影像数据

（1）Landsat系列数据

遥感卫星可提供空间连续且高度反映地球表面现象的数据，特别是卫星影像，可以在较大空间尺度上获得湿地信息，因此遥感与GIS技术在监测湿地动态变化以及演变趋势中得到广泛应用。其中，Landsat数据作为监测长期变化的理想数据，在长时序动态变化研究中广泛使用。

图1 研究区概况Fig. 1 The overview of the study areaSea, Beach, River, Lake, Canal, Farm pond, Fish pond, Cropland, Non-wetland分别对应于浅海水域、淤泥质海滩、永久性河流、永久性淡水湖、运河、农用池塘、海水养殖场、稻田、非湿地（下同）

实验收集了从1986—2016年的Landsat TM系列遥感影像，通过对影像的初步对比分析，及根据杭州湾实际情况，确定间隔5年的时间尺度研究；在影像选取时，充分考虑了植被的生长状况，选取夏季植被覆盖度较高并尽量选取同一植被生长期的遥感影像，同时考虑到 Landsat数据存在云量覆盖以及数据缺失问题（Kontgis et al.，2015；Hilker et al.，2009），选取研究区域天气晴朗时期无云高质量影像，若该时期数据缺失则选用前后时期的高质量影像。综合上述问题，本文选取了以下 3景Landsat TM影像，各参数如表1所示。

表1 遥感影像时相及参数Table 1 General information of each remote sensing data

（2）数据预处理

在数据使用之前，首先对遥感影像的云量及清晰度进行数据质量的检查，确定影像是否可用；对影像进行标准化处理，采用几何校正法对3期影像进行配准；根据研究区大小对影像进行裁剪处理。最终数据如图2所示。

1.2.2 野外调查数据

在对遥感影像解译前，对杭州湾进行野外实地考察，了解各种湿地类型的特征及分布规律，根据遥感影像的成像原理，对各种地物类型建立了杭州湾湿地遥感解译标志系统，如图1所示。

在获取2016年实验分类结果后需对各个景观类型进行野外实地验证。本文采用分层采样方法，确保每一种湿地类型采集量，同时根据实验研究中存在问题的疑问点以及各景观类型的分布特征，确保样本的有效性及代表性。根据所需验证点对实地调查路线进行部署以及对相应验证点开展了针对性的验证。本次野外验证线路由北向南、由西向东对132个所部署点进行逐一验证（采样点如图1所示）。

图2 2006—2016年3期实验数据Fig. 2 Three period data in the study from 2006 to 2016

2 研究方法

2.1 湿地分类体系

湿地分类既要与国家、国际湿地分类系统有本质区别与联系，又要针对研究区域特征，充分体现特定地理条件下湿地类型的独特性与空间异质性分布（刘红玉等，2009）。本文根据中国《湿地分类》国家标准（李玉凤，2014），并结合研究区域实际情况，将杭州湾湿地分类三级。第一级按照湿地成因，将研究区湿地生态系统划分为自然湿地和人工湿地两大类；第二级按照地貌特征，分为近海与海岸湿地、永久性河流、永久性淡水湖和人工湿地；第三级根据湿地水文特征和植被类型以及主要用途分为：浅海水域、淤泥质海滩、永久性河流、永久性淡水湖、运河、农用池塘、海水养殖场、稻田等8个湿地类型。将建筑、道路等非湿地类型均归为非湿地。本次湿地信息提取以人工目视解译为主（牛振国等，2009）。通过目视解译及人机交互方法对2006年、2011年、2016年3期遥感影像进行湿地信息提取，得到3期湿地空间分布图。

2.2 Markov-CLUES 耦合模型构建

2.2.1 Markov 原理概述

Markov过程最初由俄国数学家Markov提出。它不仅适用于时间序列同时适用于空间序列（焦继宗，2012）。Markov模型原理是利用 Markov过程在t0时刻所处的状态为已知的条件下，过程在时刻t＞t0所处状态的条件分布与过程在时刻 t0之前所处的状态无关的特性，来对事物的动态演变进行研究。土地利用的动态演变具有Markov过程的性质，从土地利用的初始阶段按照稳定的转移速率进行演变模拟预测，Markov模型在土地利用预测定量化的描述中有好的效果。其基本方法就是利用状态之间的转移概率矩阵，预测事件发生的状态及其发展变化趋势。

式中，S(t)表示初始时刻t的土地利用状态概率向量，S(t+1)表示t+1时刻的状态概率；Pij为Sij转移矩阵百分比的状态转移概率矩阵且满足：0≤Pij≤1，

马尔科夫转移概率矩阵对于土地利用流向与转化方向具有很好的刻化功能，从定量方面而言，马尔科夫矩阵以数字的形式展示出各土地利用类型之间的相互转化情况，同时又揭示了在研究期间中不同土地类型之间的流向问题，为土地利用类型间转移数量与变动程度的衡量提供了依据。

2.2.2 CLUES 原理概述

土地利用变化及效应模型（The Conversion of Land Use and its Effect，CLUE）是通过对影响土地利用变化的自然和人文驱动力的定量化来确定土地利用的类型，是一个空间多尺度、定量描述土地利用变化空间分布的模型，常用来模拟较短时间内的土地利用变化（何春阳等，2004）。CLUE模型主要应用于国家和大陆尺度的土地利用研究。因其模拟空间尺度较大，分辨率较低，故不能直接运用于较小尺度区域范围内的土地利用变化模拟。而CLUE-S模型（Conversion of Land Use and its Effects at Small Region Extent）是在CLUE模型基础上，为在较小尺度上模拟土地利用变化及其环境效应而进行的改进（吴健生等，2012）。CLUE-S模型一般假设，某地区的土地利用变化受土地利用需求驱动，并且该地区的土地利用分布格局总是与土地需求及自然社会经济状况处于动态平衡状态，在此基础上，结合影响土地利用变化的自然和人文驱动因子，以确定栅格单元上的土地利用类型。

2.2.3 模型构建

Markov为时间离散、状态离散的动力学模型，在土地利用的数量预测方面具有优势，可为CLUES模型所需要的未来湿地需求量提供基础数据。而CLUES模型中的空间模块弥补了Markov模型缺乏空间模拟能力的不足。Markov模型是由过去的土地利用类型以及转移概率矩阵来模拟分析未来的变化趋势，要求驱动力是相同的，CLUES模型中充分考虑了人为因素，如土地政策等政府调控政策，同时通过对CLUES模型中对未来不同模拟情景的设置，对不同的土地利用类型之间的概率转移进行调整，Markov转移矩阵也会发生相应的调整，弥补了Markov模型中固定转移矩阵的不足。Markov模型常被应用于土地利用未来需求量的预测，Markov-CLUES模型综合了 Markov模型定量化预测的优势和 CLUES模型模拟复杂空间动态变化的能力，能够考虑政策调控的因素，综合自然与人文驱动因子综合、多时空尺度以及多情景模拟的特点，不仅提高土地利用变化的预测精度，又较好地模拟土地利用格局的空间变化，提高了模拟的科学性。本研究将Markov模型嵌入CLUES模型的regional demand模块中，利用Markov模型计算湿地类型未来需求量，以提高湿地需求量的预测精度。

本文首先以 2011年为模拟年份初始图，根据2006—2011年的转变趋势作为未来的转变趋势，模拟 2016年的湿地空间分布栅格图。并通过与实际分类结果进行比较，对模拟结果进行精度评价，验证模型可行性。

2.3 杭州湾湿地未来发展趋势多情景设置

情景设置目的在于分析杭州湾滨海湿地在不同条件的影响下，湿地未来空间格局多种演变趋势。针对研究区域现状及历史发展趋势，综合考虑政府政策规划及未来经济社会发展战略，设置自然增长、经济建设、粮食安全及滩涂资源保护这4种未来模拟情景。各湿地类型转移概率矩阵及参数设置参照前人研究及上述历史演变分析（陆汝成等，2009）所调整。通过不同情景的设置对 Markov转移概率矩阵进行相应调整；根据修正后的 2011—2016年Markov转移概率矩阵预测得到2021年的湿地需求量，根据修正后的2006—2016年Markov转移概率矩阵预测得到 2026年的湿地需求量；根据2006年、2011年、2016年、2021年、2026年已知的5年数据，利用多项式内插得到2016—2026年的湿地面积需求量。

（1）自然增长情景。在没有突发性自然灾害和外来因素的强烈干扰下，未来10年的驱动因素不变，各湿地类型转变与湿地发展趋势与 2006—2016年保持一致，以历史发展趋势作为未来模拟发展趋势，对未来湿地类型进行模拟。（2）经济建设情景。为了达到杭州湾“一城四区”发展目标，加速推动城市化进程，打造国际化城市空间格局，保持经济高速增长，势必要增大建设及道路等非湿地的使用面积，在此情景下，非湿地的转换弹性系数调高，其它类型弹性系数不变；对Markov转移矩阵进行调整，设定各湿地类型向非湿地的转变速率增加10%，其它湿地类型相互转变速率不变。（3）粮食安全情景。稻田不仅是农业生产的基础，土地的精华，更是人类生存的根基，而随着慈溪市人口的增长，对粮食需求相应增加。此情旨在保护粮食资源，避免因过度开发而占用稻田，满足人类对粮食需求的增长，同时也是对国家基本农田保护政策的具体落实。结合本研究的研究区域具体情况可知，除浅海水域外，稻田是主要的湿地类型，在此情景下，设定粮食安全情景，对稻田区域进行保护，稻田面积保持不变；限制文件中，设置稻田类型为限制类型；转换矩阵中，稻田的转出设为0，Markov转移矩阵中稻田转入及转出速率调整为0。（4）滩涂资源保护情景。本研究中，淤泥质海滩作为滨海湿地的重要资源，不但作为农业用地的后备资源，更是鸟类的栖息地；合理开发可达到资源的可持续利用，而过度开发将导致生境丧失，此情景旨在保护资源的合理利用，淤泥质海滩的转换弹性系数调高，同时为了抑制海水养殖场的转入速率，将海水养殖场的转换弹性系数调高；并对Markov转移矩阵进行调整，将淤泥质海滩向海水养殖场的转变速率下降50%。

3 结果与讨论

3.1 结果

3.1.1杭州湾湿地分类结果

2006年、2011年、2016年3景遥感影像信息提取结果如图3所示，湿地分类统计结果如表2所示。从图3和表2中可看出，2006—2016年杭州湾湿地格局及湿地面积发生了极大变化。其中，海岸带区域向海域方向扩张；淤泥质海滩呈下降趋势，主要向海水养殖场及稻田转变；除浅海水域外，稻田是最主要的湿地类型，由图3中可以看出，稻田面积减少，主要像非湿地转变；非湿地面积变化较大，且总体呈增加状态，尤其在2006—2011年间，面积增加明显。

3.1.2 杭州湾湿地模拟结果

对比2026年各情景模拟空间分布图（图4）及各模拟情景下的模拟结果柱形图（图 5）发现，呈现出以下特点：

浅海水域在4个情景中均保持基本不变状态；淤泥质海滩在滩涂资源保护情境下，面积几乎不变，在其它3个情景下均呈下降趋势，其中，在经济建设情景中下降速率最快；永久性河流在各情景下均呈下降趋势，主要向人工湿地中的运河转变；永久性淡水湖面积均下降；运河均呈上升趋势；农用池塘、海水养殖场及稻田在各情景下变化较大。非湿地从内陆湿地及人工湿地均有流入，且几乎不向其它类型转变，因而在各情景下均呈上升趋势；在经济建设的情景下，非湿地增加速度最快；由上述分析可知，非湿地的增加面积主要来源于稻田的转入，因而在稻田保护的情景下，非湿地的增加明显受到抑制。

表2 杭州湾湿地3景影像分类结果面积统计Table 2 Total areas of the wetland types in Hangzhou Bay hm2

图3 遥感影像信息提取结果Fig. 3 Wetland mapping in 2006, 2011 and 2016 of Hangzhou bay

3.2 精度评价

3.2.1 分类结果精度评价

（1）与高分辨率影像对比

将2006年与2011年的分类结果与同一时期的谷歌高分辨率影像对比，对湿地分类结果进行抽样调查以检验其分类精度。通过谷歌历史影像查询，下载2006年8月1日及2011年12月31日两期影像，将谷歌高分辨率影像作为真实影像，在影像上随机撒点作为真实点，并将分类结果与其进行比较。以制图精度、用户精度、以及总体精度和Kappa系数等作为精度评价指标，利用ENVI中混淆矩阵的精度评价方法，检验各个景观类型的精度。结果如表3所示，总体精度及Kappa系数均达到85%以上。

表3 2006—2011年杭州湾湿地信息提取精度评价Table 3 Accuracy assessment of wetland mapping for 2006 and 2011

图4 2026年各情景模拟空间分布图Fig. 4 Wetland mapping of various scenario in 2026General changes scenario, economic development scenario, agriculture protection scenario and mudflat resources protection scenario分别表示自然增长情景、经济建设情景、粮食安全情景和滩涂资源保护情景。下同

（2）实地野外验证

为了进一步验证杭州湾湿地信息提取精度，在获得2016年实验分类结果后对各个景观类型进行野外实地验证。根据实验研究中存在问题的疑问点以及各景观类型的分布特征，对实地调查路线进行部署以及对不同地物类型的点开展了针对性的验证。本次野外验证线路由北向南、由西向东对 132个部署点进行逐一验证。野外实地验证点如图1所示，混淆矩阵结果如表4所示。结果表示，实验分类结果精度均达到 80%以上。并在实地验证结束后，对原分类结果进行了改善以提高其分类精度。

3.2.2 模拟结果精度验证

首先以 2011年的湿地空间分布格局图为模拟年份初始图，运用Markov-CLUES耦合模型模拟了2016年的湿地空间分布格局模拟图，并以2016年的实际湿地分布现状图进行验证，结果显示模拟总体精度为 86%；Kappa系数为 0.81。因而，将Markov-CLUES耦合模型运用于杭州湾滨海湿地未来空间格局的模拟，精度较高，模拟结果可信。

3.3讨论

3.3.1 杭州湾湿地现状分析

图5 2026年各情景模拟结果柱形图Fig. 5 Wetland histogram of various scenario in 2026

表4 2016年杭州湾湿地信息提取精度评价Table 4 Accuracy assessment of wetland mapping for 2016

由于围海造田及杭州湾新区建设等政策实施，海岸带不断朝海域方向扩张。淤泥质海滩受到来自内陆方向的围垦，同时不断向海域方向淤积，当围垦速率与淤积速度平衡时，则淤泥质海滩保持动态平衡，当围垦速率高于淤泥淤积速度，淤泥质海滩受到过渡围垦，将导致湿地功能丧失及退化。由于城市建设及人口增长加大了对建筑及道路等非湿地的需求，导致居民聚集点由中心向外围不断扩张，占用周边湿地类型，其中最明显的结果是建筑与稻田的交界处，由于边缘效应导致的稻田类型的不稳定性，稻田类型极易转变为建筑等非湿地类型。非湿地从各湿地类型均有转入，且几乎不向其它湿地类型转变，因此，面积呈上升趋势。

3.3.2 多情景模拟结果对比分析

在自然增长的情景下，未来湿地演变趋势与历史演变趋势相近。与 2016年湿地现状相比，2026年湿地演变趋势如下：淤泥质海滩呈轻微下降趋势，淤泥质海滩面积减少部分主要转变为稻田和非湿地；永久性河流及永久性淡水湖减少；运河增加，增加面积主要来源于永久性河流的转入；农用池塘和稻田面积增加，农用池塘的增加主要来源于淤泥质海滩的转入，稻田面积增加主要来源于淤泥质海滩及海水养殖场的转入；海水养殖场面积下降，主要转变为稻田及非湿地。

在经济增长的情景下，加速了自然湿地与人工湿地向非湿地的转变速率及转变范围。与自然增长情景相比，淤泥质海滩围垦速率加快，面积下降速率增加 3.46%；稻田向非湿地的转变速率增加5.31%，稻田面积下降，而非湿地呈急剧上升趋势。

在粮食安全情景下，稻田面积得到很好的保护，基本不向非湿地转变，同时，接收淤泥质海滩的转入，面积呈轻微上升趋势，与 2016年相比增加了 3470.76 hm2，因此，稻田资源在数量上和空间分布上都得到了良好的保护。在稻田不向其它湿地类型转变的情况下，稻田面积达到饱和，淤泥质海滩向稻田的转变速率受到抑制，转变速率降低了1.55%，与情景一相比，淤泥质海滩下降速率降低。在稻田被保护的情况下，减少了稻田向非湿地的转变，非湿地转入的主要来源减少，因此，在此情景下非湿地面积及空间分布与2016年基本一致。

在滩涂资源保护情景下，淤泥质海滩面积与2016年相比几乎不变，处于稳定状态，资源得到了有效保护；在此情景下，海水养殖场与稻田来源于淤泥质海滩的转入大幅度减少，同时仍以一定速率向非湿地转变，因而海水养殖场与稻田的整体面积呈急剧下降趋势。

4 结论与展望

4.1 结论

本文以杭州湾滨海湿地为研究区域，对杭州湾滨海湿地2006年、2011年、2016年3年的Landsat影像进行湿地信息提取，通过Markov模型对研究区未来年份的各湿地类型需求面积进行定量预测，构建Markov-CLUES耦合模型，对杭州湾湿地未来10年的空间格局演变进行多情景模拟。本文主要研究结论如下：

（1）本文通过对杭州湾湿地现状研究发现，由于围海造田及杭州湾新区建设等政策实施，海岸带不断朝海域方向扩张。淤泥质海滩受到来自内陆方向的围垦，处于极不稳定状态。由于城市建设及人口增长加大了对建筑及道路等非湿地的需求，导致居民聚集点由中心向外围不断扩张，占用周边湿地类型，稻田类型极易转变为建筑等非湿地类型。非湿地面积呈不断上升趋势。

（2）通过对比各情景模拟得到的2026年湿地空间分布图及对其分析发现，湿地未来演变趋势如下。淤泥质海滩在经济增长情境下围垦速率加快，与自然情景相比，面积下降速率增加3.46%；在滩涂资源保护情境下，面积几乎不变，得到了有效保护。永久性河流与永久性淡水湖在各情景下均呈下降趋势；运河均呈上升趋势；农用池塘及海水养殖场在各情景下变化较大。稻田是除浅海水域外的主要湿地类型，在经济建设情景下，稻田向非湿地的转变速率增加5.31%，稻田面积下降；在粮食安全情景下，面积呈轻微上升趋势，与2016年相比增加了3470.76 hm2，在数量上和空间分布上都得到了良好的保护。非湿地在稻田保护的情景下，由于来源的减少，面积增长受到抑制；在其它3个情景下均呈上升趋势；在经济建设的情景下，非湿地增加速度最快。

4.2 展望

本文研究过程中，利用了三期Landsat影像作为基础数据获取了近 10年来湿地空间格局分布和历史演变趋势，分辨率为30 m，在后续的研究中，可采用高分辨率影像对湿地信息进行提取，有助于提高遥感影像解译精度，减少因分类误差对驱动机制分析造成的影响；可适当增加影像数量及延长研究的时间，有助于对湿地演变历史演变趋势更准确的分析，有助于驱动因子与湿地演变的相关性分析，同时可延长对未来的预测时间对提高对湿地未来空间分布的精度。

本研究中，主要采用目视解译方法对湿地进行分类，但耗费大量人力及时间，在后续的研究中，希望能寻找及尝试采用计算机自动分类的方法获取湿地分类结果。在对驱动因子的研究中，驱动因子需通过空间可视化的形式表现，才能加入模型的运行，而社会经济发展及人为干扰的强弱等因子较难定量化及进行空间可视化分析，因此在驱动因子选取时受到限制。在后续的研究中，如何确定这些因子与湿地类型之间的相关性及如何进行定量化分析需进一步研究。在预测过程中，虽然考虑了自然和社会影响因素，具体在情景设置中体现，但主要以人为设置为主，主观性较强。在后续的研究中，也会尝试通过引入其它模型以便在模型预测时将自然和社会因素作为重要模块加以考虑，如引入系统动力学模型等。