基于土地变化模型的中国北方喀斯特盆地国土空间预测

宋 艳， 仕玉治， 邸 燕， 李福林

(1. 济南大学 水利与环境学院，山东 济南 250022； 2. 山东省水利科学研究院，山东 济南 250014；3. 山东省肥城市水资源保护中心，山东 泰安 271600)

国土空间预测是建立国土空间规划体系，谋划国土空间开发保护格局的重要基础，是保障社会经济健康可持续发展的关键[1]。随着社会和经济的快速发展，受到人类活动的影响，国土空间不同土地利用类型也发生了巨大的变化，如耕地向建设用地转化、林地向耕地和建设用地转化等。识别国土空间演化关键是研究土地利用类型在时间和空间不同程度的变化规律[2]，已成为当前国土空间演化研究领域内热点之一[3]。针对土地覆被系统规律演化研究，国内外学者进行了不断探索，在模型方法和土地空间预测因子识别等方面取得了较大的进展，如元胞自动机(cellular automata，CA)模型、马尔科夫模型(Markov model)、土地利用变化及效应(conversion of land use and its effects，CLUE)模型以及土地利用变化模型(land change model，LCM)[4-5]，其中LCM应用较为广泛。该模型是由美国克拉克实验室开发，具有非线性国土空间模拟与变化预测识别功能，能够有效地解决国土空间预测的非线性和空间结构分布难点，为国土空间的识别与演化关键问题提供了有效解决方案。同时，该模型还可以实现土地规划和生物多样性保护以及温室气体排放影响的模拟，目前已经在美国、欧洲等地区进行了评估和应用[5-16]。此外，LCM还被应用于研究东欧后社会主义时代的土地变化，模拟预测精度较高，取得了较好的应用效果。

截至目前，LCM在我国国土空间预测方面的研究与应用较少，因此本文中将LCM引入岩溶流域国土空间预测应用中，以位于山东省中部的肥城盆地为研究对象，分析近30 a土地利用变化，并以1980、2015年土地利用数据为基础，预测出2030年研究区国土空间分布。

1 土地变化模型

LCM耦合了多层感知器(MLP)人工神经网络和马尔科夫链(Markov chain，MC)方法，利用前期土地利用基础数据，建立土地类型与扰动变化因子之间非线性关系，识别土地空间变化潜力和变化量，通过土地利用变化量空间优化，即LCM中的硬预测方法，最终实现未来土地利用变化空间分布预测[17-18]。

1.1 多层感知器神经网络

MLP神经网络是一种具有自适应、自组织特性的非线性方法，用来模拟计算土地利用类型空间转化潜力。该方法通过建立土地利用类型与变化影响因子之间的非线性映射关系，神经元采用sigmoid激励函数。给定土地利用类型表示为(y1,y2,…，yi，…，yn)，其中yi为第i种土地利用类型，n为土地利用类型数；土地利用变化影响因子为(x1,x2,…,xj,…，xm)，其中xj为第j个土地利用影响因子，m为土地利用影响因子个数。MLP神经网络拓扑结构如图1所示。

图1 多层感知器(MLP)神经网络拓扑结构图

1.2 马尔科夫链

MC是一种用于预测未来变化的概率方法，具有无后效性。本文中利用MC确定各土地利用类型之间确定初始转移概率矩阵，即用于描述不同类型之间相互转化的概率。利用MC可预测土地利用变化量，为实现土地利用变化量空间优化分配奠定基础。MC状态转移矩阵为

(1)

1.3 硬预测模型

硬预测模型是统筹考虑不同土地利用类型空间相互转化潜力、MC土地类型转移概率(变化量)以及不同土地利用类型转化约束条件，通过不同土地利用类型之间优化，可有效地模拟预测未来土地利用空间分布。硬预测方法为

(2)

式中：X为x1，x2，…，xn是决策变量；Fo(X)为最优土地利用类型；f(X)为土地利用驱动因子与土地利用类型间的关系式；t为时间；g(X)、h(X)为限制条件。

1.4 预测流程与精度评估

结合LCM方法原理确定LCM计算流程，如图2所示，计算流程共包括4个步骤。

图2 土地利用变化模型(LCM)计算流程图

步骤1 根据已解译的2期土地利用数据，分析不同土地利用类型转化和变化趋势，同时给定不同土地利用类型转化阈值，确定可纳入空间预测的土地利用类型。

步骤2 选择可能影响土地利用变化的因子，如距离城市中心、道路、水体、坡度、高程等因子，利用Cramer’V指标ICV确定土地利用变化因子，一般情况下ICV>0.15，可认为土地利用影响因子比较敏感且有效。

步骤3 将选取的土地利用变化影响因子构建MLP神经网络模型进行模型训练，确定模型参数，输出不同土地利用类型转化潜力空间分布。

步骤4 结合前述MLP神经网络模拟取得的不同土地利用类型之间转化潜力空间分布，利用MC计算不同土地利用类型转移概率矩阵，同时给定预测约束与激励条件以及未来预测时段，即可采用硬预测模型来预测未来时期土地利用空间分布。

采用反映空间点位对应效果的定量评估指标Kappa系数来进一步评估模型模拟预测精度，Kappa系数越大，说明模型模拟预测精度越高。

2 应用实例

2.1 研究区概况

喀斯特即岩溶，是水对可溶性岩石进行溶蚀、冲蚀、潜蚀和崩塌等地质作用，以及由这些作用所产生的现象的总称。由喀斯特作用所造成地貌称喀斯特地貌(岩溶地貌)。岩溶地貌按出露条件分为裸露型、覆盖型、埋藏型。我国是世界岩溶大国，岩溶面积总和达344万km2，南方分布最广泛的岩溶环境类型为裸露型，北方分布的主要为覆盖型。山东省是我国北方重要的岩溶地区之一，可溶性岩出露面积约为16 200 km2，除少量分布在鲁东地区，其余广泛分布于鲁中南山地丘陵区。以肥城盆地为代表的鲁中南地区的可溶性岩主要为古生界的石灰岩、白云质灰岩、泥灰岩及白云岩，植被覆盖面积大，耕地面积比较大。

肥城盆地地理坐标为北纬35°53′—36°19′、东经116°28′—116°59′，位于山东中部，鲁中南山区、泰山西麓，是以泰安市辖肥城市北部平原及其周边山体为主体形成的独立地质构造单元。研究区地貌主要为侵蚀-堆蚀地貌、裸露的溶蚀-剥蚀地貌和片麻岩侵蚀-剥蚀地貌。

研究区地处黄河流域，盆地流域面积为1 260 km2，包括肥城北部区域和泰安市岱岳区、东平县和济南市平阴县部分区域，其中肥城区域分布面积最大，为882.4 km2，占总面积的70.3%。肥城盆地属于暖温带大陆性半湿润季风气候，多年平均降雨量为646.9 mm，降水年内分配不均，主要集中在7—9月份；多年平均蒸发量为1 224.5 mm。肥城盆地海拔高度为250～660 m，地势东北高、西南低，地表水和地下水流向基本一致。肥城市老城区和石横镇工业园区位于盆地中西部，是肥城市工业核心区。近年来，随着经济社会的快速发展，盆地内不同土地利用类型也发生了重大变化。

2.2 模型数据

采用肥城盆地1980、2000、2015年3期土地利用解译图，30 m×30 m(长度×宽度)数字高程模型(digital elevation model，DEM)图，比例尺为1∶10万的水系图、1∶10万的交通图等为模型数据。利用ArcGIS软件将所有数据统一投影坐标为WGS_1984_UTM_zone_50N，并将数据转换为IDRISI和ArcGIS软件均适用的栅格数据，栅格大小设置为30 m×30 m(长度×宽度)。由于不同空间处理软件对于数据格式要求有所差别，采用ArcGIS软件将数据处理为tif格式或者txt格式并导入IDRISI转换为重构文本格式(RST)数据，即可利用LCM模块进行土地利用模拟预测计算。根据我国土地利用分类标准，本文中3期土地利用类型均分为耕地、林地、草地、水域、城乡居民用地和未利用地6类，如图3所示。

(a)1980年(b)2000年(c)2015年肥城盆地地图来源于地理国情监测云平台(http://www.dsac.cn/DataProduct/Detail/300011),经过ArcGIS10.2软件数字化处理后得到。图3 肥城盆地不同时期土地利用类型解译成果

2.3 结果分析

首先以1980、2000年2期土地利用为基础数据模拟2015年土地利用分布，并将模拟结果与2015年土地利用解译图进行对比分析，以验证评估LCM的模拟精度； 然后，以1980、2015年2期土地利用为基础数据建模，预测2030年土地利用分布。

根据1980、2000年2期土地利用类型转化分析，研究区内城乡居民用地、耕地和草地等土地利用类型发生变化较大，从而确定主要潜在转换类型为耕地→城乡居民用地、林地→城乡居民用地、林地→耕地、草地→耕地、草地→城乡居民用地、水域→城乡居民用地，2期土地利用类型MC转移概率矩阵如表1所示。

表1 1980—2000年肥城盆地土地利用类型转移概率矩阵

高程、坡度、离城市中心距离分布、离道路距离、离水域距离、当前变化区域变量等影响因子的ICV指数均大于0.15，由此确定所有指标均可以作为土地利用变化潜在影响因子，将数据导入LCM中模拟2015年土地利用分布，模拟结果如图4(a)所示。

对比2015年土地利用模拟分布图和实际分布图，采用4种扩展的Kappa系数进行了精度评估，分别为随机Kappa系数Kn、位置Kappa系数Kl、分层区位Kappa系数Kls、标准Kappa系数Ks，评估结果为Kn=0.909 1，Kl=0.907 2，Kls=0.907 2，Ks=0.872 9。由上述结果可看出，LCM预测的土地利用分布和实际土地利用分布有着高度的一致性，预测精度较高，说明模型可用来进行未来土地利用预测。

同样，以1980、2015年土地利用为基础，采用前述模型预测影响因子，利用1980、2015年MC转移概率矩阵，预测研究区2030年国土空间分布，结果如图4(b)所示，并将预测成果与3期土地利用进行比较分析，结果如表2所示。由表中数据可知：2030年肥城盆地耕地类型所占比例为66.91%，城乡居民用地比例为21.92%，其他类型占比相对较小； 1980—2030年期间，耕地面积与1980年比较，减少了11.4%； 与1980年比较，城乡居民用地增加了126.4%；2015年林地面积较2000年减少13.3%，2030年的面积较2015年的减少1.46%；水域面积与1980年比较，增加了24.7%。究其原因：肥城盆地土地利用类型的变化是自然因素和人为因素共同作用的结果，城镇化不断推进，城镇、工矿用地需求量将在相当长时期内保持较快增长，同时随着城乡一体化进程的加快和新型城镇化及现代农业、生态城市及旅游事业的发展，建设用地需求量将逐步增加。城镇化进程加快，使得耕地、林地被占用，城乡居民用地面积增加迅速，但随着肥城市“十四五”林业发展规划的实施，林地面积减少速率明显变小。同时，随着近几年肥城市政府注重对河湖生态系统的修复和治理，水域面积在逐年缓慢扩大。

(a)2015年(b)2030年肥城盆地地图来源于地理国情监测云平台(http://www.dsac.cn/DataProduct/Detail/300011),经过ArcGIS10.2软件数字化处理后得到。图4 肥城盆地2015年土地利用变化模拟结果及2030年土地利用预测结果

表2 基于土地利用变化预测模型(LCM)的肥城盆地土地利用变化预测对比

3 结论与建议

以肥城盆地为研究对象，以1980、2000、2015年3期土地利用为基础，选取地形、高程、坡度、离城市中心距离分布、离道路距离、离水域距离、当前变化区域变量为影响因子，运用LCM模拟了2015年的土地利用，用2015年实际土地利用数据进行模型验证，结果表明，4种Kappa系数较高，模型预测精度高。在此基础上，以30多年土地利用变化规律和趋势，预测了肥城盆地2030年国土空间分布。在自然因素和人为因素共同作用下，肥城盆地建设用地需求量将逐步增加，耕地、林地被占用，城乡居民用地面积增加迅速。耕地所占比例最大，其次是城乡居民用地，其他类型占比相对较小；1980—2030年期间，耕地、林地、草地面积将持续减少，城乡居民用地和水域面积将有所增加，未利用土地变化不大。同时，随着肥城市各项规划等相关保护政策的实施，林地面积减少速率明显变小，水域面积在逐年缓慢扩大。未来耕地与城乡居民用地、林地与城乡居民用地之间的转化将更为明显。

虽然LCM为分析土地覆被变化和制定国土规划提供了一套强大的工具，但是土地利用变化是一个较为复杂的过程，受到各种因素的综合作用，如肥城盆地地质灾害、大型工程等不确定因素的影响、模型预测输入的基础数据仅为前2期土地利用信息，信息量偏少，难以准确的反映国土空间土地利用变化的速度和趋势，预测结果存在一定不确定性。下一步应充分考虑土地利用变化的各项影响因子以及约束与激励条件，增加已有国土空间土地利用的期数，采用更多的土地利用信息，减小土地利用变化预测不确定性，提高国土空间模拟预测精度，更好地为流域水文模拟提供精准的空间数据，也为国土资源规划政策的制定提供更加有力的技术支撑。