半干旱地区矿区土地利用时空演变与预测

刘 畅， 张 红， 张霄羽， 杨国婷， 刘 勇,3

（1.山西大学黄土高原研究所，山西太原030006； 2.山西大学环境与资源学院，山西太原030006；3.山西省黄河实验室，山西太原030006）

日益加快的城市化导致土地覆盖和土地利用变化（Land Use and Land Cover Change，LUCC）波动明显［1］，土地覆盖和土地利用的变化会造成当地生态环境的破坏，进而使整个区域的生态系统逐渐不平衡［2］。目前，对于土地利用变化的研究逐步从现象描述走向机制解析，从定性分析走向定量模拟，土地利用变化模型可以分析土地利用变化的成因、探索土地利用格局演变以及预测未来土地利用的需求和分布［3］。因此，对土地利用变化动力学机制以及提高土地利用变化预测能力的研究成为目前研究的焦点。土地利用变化模型主要包括基于经验统计原理的模型如多元回归模型、地理加权回归、CLUE-S 模型等［4-5］，基于元胞自动机（Cellular Automata，CA）原理的模型如SLEUTH 模型、GEOMOD 模型等［6］，基于机器学习原理的模型如神经网络模型、遗传算法模型等［7］，基于多智能体的模型如多智能体系统（Multi-Agent System，MAS）模型［8］等。经验统计和机器学习模型可以很好的结合遥感数据，根据历史土地利用变化，建立土地变化与时空要素之间的关系，但由于假设驱动力不变，所以不合适长时间段的预测，并且会出现拟合过度问题［9］。基于CA 原理的模型采用离散的空间单元进行模拟［10］，可以更好的处理空间性信息，适用于复杂地理空间格局的模拟和预测［11］。

以往CA 研究多是以逻辑回归为转换规则进行，逻辑回归的优势在于运算方便可以输出权重便于理解，但精度不够高［12］；之后,杨青生等［13］学者提出以人工智能和机器算法为转换规则，精度提高了但无法输出权重。随着研究者和决策者对土地利用分类、未来格局模拟预测、适宜性概率获取的精度产生了更高的追求，随机森林模型结合自身可以平衡误差、复杂度适中、分析驱动因子权重等优点被广泛应用于土地利用研究之中。例如，张大川等［14］借助随机森林模型的优势与CA模型结合模拟东莞市土地利用变化，分析不同土地利用类型分布的各因子影响重要程度。马惠娟等［15］在青海省湟水流域复杂地形区采用随机森林分类方法对土地利用类型进行了分类研究。陈凯［16］等利用随机森林方法的优势结合元胞自动机模型通过对影响城市空间分析的重要性判别来研究复杂非线性的城市扩展。

土地利用变化是一个受到自然条件以及社会经济因素综合影响的地理变化过程，由于矿区的区位、地形地貌、开采方式和规模、社会经济水平等不同，影响矿区土地利用变化的因素也存在很大差异［17］。大同矿区位于半干旱区，受自然本底条件的限制，区内本身土地承载力小，煤炭资源开发固有的时间持续性、空间扩展性和强干扰性不仅会占用和破坏大量土地，还会使其脆弱的生态环境更加严重。如段语凤等［18］发现矿区井工开采改变了干旱荒漠区植物的群落结构和植被盖度。史晓琼等［19］研究高强度采煤造成的地下水位下降、地面沉降等生态环境问题。邹雅婧等［20］研究发现黄土高原渭北矿区开采使土壤侵蚀更加严重。

本研究基于1985—2015 年每10 a 时间序列的遥感影像，结合矿区具体的环境特征和开采历史，对大同矿区近30 a的时空格局、演变特征及驱动力进行分析，对未来2025 年土地利用格局进行预测。为揭示受自然条件和人为影响的作用下矿区土地变化的规律，引入随机森林的方法提高模型精度更加准确预测未来土地格局演变，对于理解土地利用格局的复杂动态演变机制有一定理论意义，同时对于探索矿区土地资源管理和优化、实施生态调控策略具有重要实际意义。

1 数据来源与方法

1.1 研究区概况

大同矿区位于山西省大同市的西南方，地理位置为39°43′～40°10′N，112°31′～113°14′E，地形为向斜构造的平缓丘陵，海拔高度为1031～1964 m。矿区内有十里河以及“V”字形沟谷发育。大同矿区位于干旱半干旱区脆弱地带，矿区内昼夜温差大，降水集中在夏季，全年气候干燥，年均蒸发量远大于年均降雨量，水域面积小。矿区主要含煤层为侏罗系和石炭-二叠系，侏罗纪煤层除西南边角已全部开发利用。石炭-二叠系采空区主要分布在东部和南部。大同矿区煤质有害元素含量低，焦油产率较高，发热量较高，是中国重要的优质动力煤生产基地，开采方式以井工开采为主。研究区地理位置如图1所示。

图1 研究区示意图Fig.1 Diagram of the study area

1.2 数据来源与处理

数据类型包括土地利用数据以及影响因子数据，影响因子数据包括自然因子、社会因子以及距离因子（表1）。土地利用数据是由30 m 分辩率的Landsat系列遥感影像数据解译获取，并按照国家标准重分类为六类。高程数据由中国科学院资源环境科学数据中心（http://www.resdc.cn）获取，并从中提取出坡向和坡度。气温和降水数据由中国气象数据网（http://data.cma.cn）气温和降水站点数据进行空间插值获得。煤矿生产能力由实地调查获得。人口数据在Ye 等［21］研究基础上将精度提升到30 m。距离因子通过采用ArcGIS 10.5 中欧氏距离算法计算得出，POI数据采用网络爬虫技术获得。

表1 数据来源Tab.1 Data source

1.3 研究方法

1.3.1 FLUS 模型 FLUS 模型耦合了系统动力学模型和元胞自动机模型，并在元胞自动机模型原有基础上引入人工神经网络（Artificial Neural Network，ANN）构建转换规则，具有耦合人类活动与自然效应的各类土地类型之间相互竞争和转化的模拟优势［22］。FLUS模型包括如下两个部分：

第一部分是通过ANN 模块训练样本数据并构建本区域的土地利用类型空间发生概率。人工神经网络的优势在于能够通过多次迭代学习和拟合输入数据与训练目标之间的复杂关系［23］。在ANN的输入层中，神经元与输入变量相对应；输出层中的神经元代表特定地类在网格单元内的发生概率，在特定单元格内该值越高表示目标地类的发生概率越高［24］。根据公式可得出，在k时刻第i种地类在栅格d上发生的概率：

第二部分是基于轮盘赌选择机制的自适应惯性竞争机制融合CA 的空间运算功能，调整宏观土地需求与当前现有土地之间的数量并达到目标值，解决了以往模型在处理复杂地类间的相互影响［25］。公式为：

综上可以将综合适宜性概率计算公式表示为：

1.3.2 RF-FLUS模型 随机森林模型是一个在数据挖掘能力、转换规则准确性及其稳定性方面具有自身优势的利用多个决策树生成的集成智能算法。只需要对给定样本进行训练，克服神经网络过度拟合的问题［26］。采用RF代替ANN在FLUS模型内的转换规则，构造24棵决策树，变量数为4，每个样本抽取2/3 的数据作为袋内数据用来训练模型，剩余1/3 的数据用作袋外数据来估算误差并验证决策树的精度，袋外数据越小精度越高。样本和变量的选择可以降低各决策树之间相关性，为之后更准确的对大同矿区土地利用变化进行模拟和预测提供基础。

1.3.3 平均基尼系数下降法 选用平均基尼系数下降法来计算并分析影响大同矿区土地利用格局不同因素的影响程度。平均基尼系数下降法是对每颗决策树按照基尼的不纯度（Gini Impurity）对特征进行排序，特征的重要性直接反映了该特征参与模型计算过程中的重要性。每个特征的重要性为0～1之间的浮点数，数值越大表明该特征对于整个模型越重要。通过遍历全部树节点，计算选入的每个特征变量的基尼系数下降总和表示该变量对最终格局的影响程度［27］。

1.3.4 模型精度验证 模型精度验证采用混淆矩阵Kappa系数检验［28］定量分析验证模型精度。混淆矩阵对角线百分比越高，代表精度越高。

2 结果与分析

2.1 土地利用格局时空变化特征

由1985—2015 年大同矿区土地利用格局空间变化和面积变化图可知（图2，图3），1985—1995 年矿区处于成长阶段，耕地面积增加了40.75 km2；草地广泛分布于研究区内，变化率为-2.87%；林地主要分布在中部以及东部边缘，面积增加3.37 km2，林草地数量仅次于耕地面积；水域主要分布在研究区西北部的十里河，呈带状分布水量较多，面积增加了3.53 km2；建设用地和其他类型多分布在北部地势平坦处，面积增加了0.27%。

图2 1985—2015年大同矿区土地利用空间分布Fig.2 Spatial distribution of land use in Datong coal mining area from 1985 to 2015

图3 大同矿区不同时期土地类型面积变化Fig.3 Changes of land type area in Datong coal mining area in each year

1995—2005年矿区走向成熟阶段，生产过程逐渐机械化，开采规模进一步扩大。耕地主要零散分布于矿区边缘，该时期耕地面积减少约20%；随着退耕还林还草政策的推行，草地成为矿区所占比例最大的土地利用类型，占总面积的60%；水域面积急剧下降，由1.04%减少至0.1%；建设用地减少0.67%，其他类型增加0.35%。

2005—2015年矿区处于转型期，政府政策扶持生产全面改造，矿井生产逐渐规模化，同时矿区城市工业化程度不断加快，因此该期土地利用特点主要表现为建设用地面积大幅增加，由3.09%增加到7.09%。耕地、林地、草地以及水域地类由于人类活动的影响面积都有所下降，其他类型面积略微上升，增加0.29%。

2.2 不同历史时期土地利用转移分析

由1985—2015 年大同矿区的土地利用转移可知（表2），1985—1995 年由于采矿活动和人类生活的影响，土地利用转移主要为水域大面积转变为林地、草地和耕地，建设用地有6.72%转向林地；1995—2005 年矿区开始大规模开采，毁林采矿、修筑公路实现晋煤外运，大量占用耕地和林地，土地利用的变化主要表现为各土地利用类型向草地的转移，耕地向草地转移高达72.58%，林地向草地发生转移55.93%，水域、建设用地和其他用地向草地转移均为30%以上。水域面积向耕地转移较多，达33.39%；2005—2015年土地利用类型转移主要表现为水域转为其他类型，转移94.35%，少量耕地和水域转为草地。其余土地利用类型几乎没有发生转移。30 a间大同矿区土地利用的变化趋势是各土地利用类型向草地转移，其中，林地向草地转移最多，其次是耕地。

表2 1985—2015年大同矿区土地利用转移概率矩阵Tab.2 Land use transfer probability matrix in Datong coal mining area from 1985 to 2015 /%

2.3 土地利用变化的影响因素分析

根据土地利用变量的重要性，进一步分析大同煤矿区土地利用变化的影响因子（图4），林草地的分布主要受到气候、距水系和设施点距离影响；耕地分布受到矿区DEM、气候、距水系、设施点以及居民点的距离等因素影响。这主要由于干旱区气候干燥，耕地需要便利的灌溉条件，而且农民为方便耕种将耕地分布在距离居民点较近的地方；水域最重要的影响因子是降水因子，降水条件直接决定水域分布范围；建设用地很大程度上受到生产能力和距设施点距离的影响，矿区煤炭生产能力越高，各种厂房、排土道路、煤矿职工办公住宿区均相应增加。餐馆、学校、医院、休闲娱乐场所等设施点的距离也直接决定建设用地分布。其他类型分布受到距水系距离的影响，水系周围的用地极易被改变为其他类型。

图4 2015年大同矿区土地利用类型影响因子的重要性Fig.4 The importance of different types of influencing factors in Datong coal mining area in 2015

2.4 土地利用格局模拟及未来预测

分别采用FLUS 和RF-FLUS 模型，对大同矿区土地利用变化进行建模，采用Kappa 系数对比精度结果。首先对2015 年大同煤矿区土地利用格局进行拟合，结果表明，FLUS 模型和RF-FLUS 模型模拟得到的2015年矿区土地利用格局与2015年影像解译得到的实际土地利用格局相比（图5a～图5c），拟合程度均较高。将模拟结果与实际土地利用做混淆矩阵精度验证（表3）。FLUS 模型Kappa 系数为0.92，OA 系数为0.95；RF-FLUS 模型Kappa 系数为0.93，OA 系数为0.96，就模拟精度而言，RF-FLUS 模型拟合效果更好，更加符合实际土地利用格局。

表3 RF-FLUS模型与FLUS模型混淆矩阵Tab.3 Confusion matrix of RF-FLUS model and FLUS model /%

图5 2015年大同矿区土地利用格局与模型模拟结果Fig.5 Land use pattern and model simulation results in Datong coal mining area in 2015

以2015年为基准年，采用RF-FLUS模型模拟矿区2025 年的土地利用空间分布结果可知（图6）。2025 年大同煤矿区林地、草地和耕地均呈下降态势，林地、草地和耕地面积分别下降了3.01 km2、14.97 km2和12.7 km2，水域面积基本保持不变，建设用地与其他类型面积稳态上升，建设用地由2015年的130.75 km2增 加 到2025 年 的157 km2，增 加 了26.26 km2，其他类型面积预计增加44.12 km2。

图6 大同矿区2015年和2025年土地利用分布格局Fig.6 Distribution pattern of land use in Datong coal mining area in 2015 and 2025

3 结论

本文通过研究大同矿区不同阶段土地利用格局的时空变化，进一步探讨不同土地利用模型的模拟精度优势以及影响土地利用格局变化的主要驱动因素，并进行了预测分析，得到如下结论：

（1）大同矿区侏罗系煤层已基本全部开发利用，石炭-二叠系煤层开采范围主要在北部和南部，受采矿影响，1985—2015年大同矿区土地利用格局发生剧烈转变，主要表现为草地、建设用地以及其他类型增加，林地和耕地先增加后减少，以减少为主，水域面积基本被侵占。矿区土地利用变化是以资源开采为原动力的动态时空演变过程，采掘资源的同时造成对土地的破坏，从而改变了土地利用结构。

（2）矿区内不同土地利用类型的驱动因素不同。林地、草地主要受气候影响以及距水系和设施点的距离影响；耕地分布受到高程、气候及距水系、设施点、居民点的距离等多因素综合影响；水域最重要的驱动因素是降水。建设用地受到生产能力和距设施点的距离的影响。其他类型主要受距水系距离的影响。矿产资源开发是土地利用变化的主要驱动力，此外气候地形等自然因素也影响着土地利用变化。

（3）RF-FLUS 模型的应用，可以更加准确的预测未来土地利用格局。相比于FLUS模型中ANN模块出现过度拟合的现象，RF-FLUS 模型能发挥随机森林算法精度高的优势，提高预测未来土地利用格局变化的能力，对预测小尺度区域的土地利用格局具有重要借鉴意义。