基于FLUS模型的流域土地利用变化预测及水文响应评估

汤 佳， 胡希军， 韦宝婧， 罗紫薇， 赵思文， 王烨梓

(1.中南林业科技大学 风景园林学院，长沙 410004； 2.中南林业科技大学 湖南省自然保护地风景资源大数据工程技术研究中心， 长沙 410004； 3.中南林业科技大学 城乡景观生态研究所，长沙 410004)

1 研究背景

土地利用变化是人类活动作用于生态环境的一种复杂响应， 一直以来都是多学科关注的研究热点， 许多学者从不同尺度上进行了探讨。 当前在流域尺度的研究方面， 一些学者从流域的土地利用变化特征[1]、 驱动因子[2]、 水文过程变化[3]、 水安全格局[4]、 景观格局演变[5]等方面提出了探讨和建议。 在流域土地利用变化预测和响应研究上， 一些学者从流域土地利用的多情景模拟角度出发， 预测未来土地利用情景[6-7]； 部分学者预测流域未来土地利用情景并探讨其变化对生态系统服务、 生态承载力、 水文响应、 景观格局等方面的影响[8-13]。 流域尺度的土地利用变化预测影响因子复杂， 综合相关研究发现， 在影响流域尺度土地利用变化驱动因子的选择和相关参数设定上尚未形成统一标准。

2019年自然资源部启动了规划期至2035年的各级国土空间规划，要求实现“多规合一”，对土地利用空间保护和规划提出了明确要求。流域作为完整的水文响应单元，是重要的水安全管理和规划的研究对象。在国土空间规划的背景下，对生态用地、基本农田的约束和保护都将对未来流域的水文响应产生重要影响。因此，模拟2035年不同土地利用发展情景，对比流域水文响应变化，对流域土地利用管理规划和优化有重要意义。

在土地利用预测方法上，常用的模型有元胞自动机模型(CA)、土地变化模型(LCM)及FLUS模型等[14]。FLUS模型是Li等[15]提出的地理模拟与空间优化系统(Geographical Simulation and Optimization System，Geo SOS)，是基于CA的改进，能有效解决传统元胞自动机中各土地利用类型转换规则及参数确定复杂等问题。当前，FLUS模型主要应用于城市、县域等以行政边界划分区域的土地利用变化和预测模拟[16-21]，被认为有较好的模拟精度，但是在流域尺度的应用方面较少。因此，本研究基于FLUS模型进行流域土地利用预测，对流域土地利用研究有现实意义。

2 研究区及数据来源

2.1 研究区概况

汨罗江属于洞庭湖水系支流，发源于湖南省平江县、湖北省通城县、江西省修水县3个县交界处的黄龙山梨树埚(修水县境)。流域范围涉及岳阳县、长沙县、汨罗市、平江县和修水县5个行政县市(图1)，地跨湖南和江西两省。汨罗江干流全长253.6 km，流域总面积5 555.86 km2。流域内地形东、南、北高，西面低，由东到西呈现由山地→丘陵→洞庭湖平原的变化。流域内为亚热带湿润性气候，四季分明，降水集中在4—7月份。流域内主要涉及5个县市行政区，以汨罗市和平江县行政区为主。

图1 汨罗江流域研究范围Fig.1 Map of Miluo River Basin

2.2 数据来源与处理

本研究基于2000年、2010年、2018年三期土地利用数据预测2035年的土地利用情况。所用土地利用数据来源于中国科学院资源环境科学数据中心[22]，空间分辨率为30 m，对数据进行了Kappa精度验证，2000年土地利用数据总体精度为90.29%，Kappa系数为0.895 1；2010年土地利用数据总体精度为95.74%，Kappa系数为0.894；2018年土地利用数据总体精度为86.00%，Kappa系数为0.848 8，数据达到分类精度要求。

本研究所用数字高程模型(Digital Elevation Model，DEM)数据来源于ALOS DEM数据集，空间分辨率为12.5 m，将数据重采样为30 m精度。流域研究范围来源于对DEM数据的水文分析和流域范围提取。人口分布和国内生产总值(Gross Domestic Product，GDP)数据来源于中国人口空间分布公里网格数据集[23]和中国GDP空间分布公里网格数据集[24]，通过数据重采样，获取30 m精度数据。基本农田数据来自汨罗市规划局。实测水文数据采用流域内的伍市水文站2015—2018年逐月流量数据，数据来源于湖南省水文水资源勘测局。土壤数据来源于1∶100万世界土壤数据集(HWSD)[25]。气象数据采用2008—2018年的 CMADS V1.1数据集[26]。

3 研究方法

3.1 土地利用转移矩阵分析

利用地理信息系统(GIS)中的tabulate area方法进行不同土地类型的转移方向和转移数量的分析，土地利用转移通用公式为[27]

(1)

式中：S代表面积；n代表土地利用类型数；i、j(i，j=1，2，…，n)分别代表转移前与转移后的土地利用类型；Sij表示转移前的i类土地利用转移成j类土地利用的面积。

3.2 FLUS模型

FLUS模型主要包括人工神经网络模型算法模块(ANN-based Probability-of-occurrence Estimation)、基于自适应惯性机制的元胞自动机模块(Self-Adaptive Inertia and Competition Mechanism CA)和马尔科夫链(Markov Chain)计算模块三大内容，是基于浮现概率和土地竞争机制进行的土地利用模拟预测模型。首先利用土地利用数据及相关驱动因素，通过设置2%神经网络训练采样比例，选择随机采样模式在ANN模块中对样本进行神经网络训练，得到各土地利用类型在各像元上的适宜性概率分布。在CA模块中输入土地利用数据、适宜性概率分布数据，通过设定各类土地利用类型预测像元数、邻域权重、转化成本、迭代次数(500次)，从而进行土地利用情景预测。

3.2.1 土地利用变化影响因子

土地利用变化受自然、社会、经济等方面综合影响，本研究结合流域水安全规划的要求，考虑数据可获得因素，最终确定了12项驱动因子和2项限制因子。

在驱动因子方面，选取地形、坡度、坡向、交通、与政府距离、人口、GDP等 12项数据作为土地利用变化的驱动因子。其中，在交通因子方面，考虑不同的道路类型、等级和密度对土地利用类型变化的影响，划分为与城镇道路的距离、与国道省道的距离、与乡道的距离、与高速出入口的距离、与铁路站点的距离，以凸显发展建设在交通因素影响下的特点。

在限制因子方面，从水资源保护的角度出发，依据水源涵养功能重要性，结合《湖南省主要水系地表水环境功能区划脉络表(河流)》中的相关规定，通过判别重要水源涵养保护区设置土地利用限制转化因子。重要水源涵养区识别主要包括河流缓冲区、水源地、水源涵养林3个方面。河流保护缓冲区采用一级支流两侧1 000 m范围内；二级支流两侧200 m范围内进行保护区划定。水源地包括河渠、湖泊、水库坑塘、滩地4类，对面积>1 km2的湖泊水库进行200 m保护范围的划定，对于其他水体采用现状保护。对水源涵养林地的保护区划定主要依据土地利用分类二级分类中的有林地的分布进行判别，有林地是指乔木郁闭度>0.3的天然林和人工林地，包括用材林、经济林、防护林等成片林地，在涵养水源方面起到重要作用，因此，也作为限制因子限制土地的开发和转换。同时，结合国家对于基本农田的保护政策，限制因子包括基本农田范围。具体数据来源详见表1。

表1 土地利用变化影响因子信息Table 1 Impact factors of land use change

3.2.2 未来土地利用像元设定

利用FLUS模型中马尔科夫链(Markov Chain)模块进行未来土地利用像元预测，在2000年、2010年、2018年三期土地利用数据的基础上，预测了2035年土地利用数据(表2),其公式为[28]

表2 2000—2035年多期土地利用类型像元总数Table 2 Total number of pixels of multi-phase landuse types from 2000 to 2035

St+1=PijSt。

(2)

式中：St、St+1分别表示t时刻和t+1时刻土地的状态；Pij表示在t时刻用地类型发生转变的概率。

3.2.3 邻域权重参数设定

邻域权重参数是用来设定不同用地类型的扩张能力，参数范围为0～1，数值越接近1表示该用地类型的扩张能力越强，当前确定参数的方法主要有经验法、无量纲量处理法和Moore邻域模型法[18]。在参数设定上，历史面积变化趋势作为扩张能力大小的客观依据进行赋值运算，本研究将汨罗江流域2000—2018年各类土地利用的历史总面积变化量进行无量纲量处理，进而对邻域权重参数进行赋值(表3、表4)。无量纲量公式为

表3 2000—2018年的各类土地利用类型总面积变化Table 3 Changes in total area of land use types from2000 to 2018 km2

表4 邻域因子权重Table 4 Weight of neighborhood factor

(3)

式中：X*表示离差标准化值；Xmax为数据最大值；Xmin为数据最小值。

3.2.4 转换成本矩阵设定

成本矩阵是指各土地利用类型之间的变化规则，0表示不能转化，1表示允许转化。当前主要有依据经验、历史变化分析、专家咨询和情景设置的方式进行参数设定。其中，结合土地利用变化现实情况和国家政策导向，综合考虑历史变化和未来发展趋势，更能保障模拟过程反映真实情景[16，21]。依据2000—2018年间汨罗江流域各土地利用类型的转换情况可知，各类型用地之间基本都存在转入与转出的情况。本研究综合考虑国家退耕还湖、退耕还林、退耕还草、土地复垦、基本农田保护、一般农田控制性转建设用地、荒地开垦等影响土地利用变化的相关政策，对转换成本的设定如表5所示。

表5 转换成本矩阵Table 5 Transformation cost matrix

3.3 SWAT模型

3.3.1 SWAT模型建立

SWAT模型是美国农业部农业研究中心开发的分布式流域水文模型，在流域尺度上有较好的准确性和应用广泛性。首先利用DEM数据和现有水文分布数据，将汨罗江流域划分为69个子流域，然后对SWAT模型的土地利用、土壤、坡度数据进行设定。为了强化模型产流量对土地利用变化的敏感性，在水文响应研究的阈值划定时，将土地利用最小阈值设为0，土壤类型和坡度阈值设为10%。在气候数据建立上，利用在流域尺度有较好精度的CMADS V1.1数据集[29]获取了35个CMADS气象站点，构建气候数据库，包括降雨、温度、相对湿度、太阳辐射、风速数据信息，进行流域逐月径流模拟。

3.3.2 SWAT模型率定及验证

采用SWAT-CUP的SUFI-2算法进行率定，基于伍市水文站逐月平均径流量观测数据，设2015—2016年为率定期，2017—2018年为验证期，对水文模型进行率定和验证。选取决定系数R2与纳什效率系数NS作为评价指标。其中，R2和NS结果越趋近1，表明模型结果越准确，而R2和NS结果<0.5，表明模型结果不合格。结果显示率定期R2=0.97、NS=0.97，验证期R2=0.91、NS=0.9，表明水文模型结果符合要求。

本研究以探讨不同模拟情景下的未来土地利用变化产生的径流差异为目的，为了降低不同时期降雨带来的径流量影响，将降雨模拟时间固定为2018年，进行2035年不同情景土地利用下流域径流量对比。

4 结果与分析

4.1 汨罗江流域土地利用变化

根据2000—2018年汨罗江流域土地利用转移矩阵(表6)可知，在2000—2018年间，汨罗江流域中面积增加量从大到小依次为建设用地、草地、水域、未利用地。其中建设用地面积占比从0.87%增加到1.76%。面积来源从高到低依次为耕地、林地、草地、水域。草地和水域面积稍有增加。林地、耕地的面积有所减少。其中，林地面积减少最多，面积占比从70.12%下降到69.47%，主要转出为耕地、建设用地和草地，体现了流域范围内的城市化过程对林地的侵占砍伐。从土地利用类型的分布变化来看，汨罗市建设用地呈现沿着汨罗江和南部林地、耕地扩张的趋势，平江县建设用地呈现向南部林地、耕地扩张的趋势，见图2(a)— 图2(c)。符合城市在发展中沿着江河水系和向四周农田林地扩张的规律。

表6 汨罗江流域2000—2018年土地利用转移矩阵Table 6 Land use transfer matrix of Miluo River Basin from 2000 to 2018 km2

图2 2000—2035年多期汨罗江流域土地利用变化情况Fig.2 Multi-phase land use change of Miluo RiverBasin from 2000 to 2035

4.2 多情境模拟下的土地利用预测

4.2.1 模型精度验证

将2018年预测土地利用数据与2018年的实际值进行比较，计算总体精度和Kappa系数。当总体精度和Kappa系数的值越接近1表明模拟精度越好；当Kappa系数>0.8时表明模型的模拟精度在统计学上达到较满意的状态。通过精度验证可知，总体精度为0.951，Kappa系数为0.893，达到较高的模拟精度，表明FLUS模型在本研究有较好的适用性。

4.2.2 基准情景土地利用变化预测

在基准情景下，CA模拟过程中不设置限制因子，所有地类依照转换成本矩阵规则进行相互转换。从模拟结果来看(表7)，在2035年基准情景模拟下，汨罗江流域建设用地面积增加最多，由97.63 km2增加到124.05 km2，面积占比从2018年的1.76%上升到2.23%；其次为水域，面积呈现小幅度增加。林地、耕地、草地、未利用地面积减少，其中林地减少的最多，面积占比从2018年的69.47%下降到69.17%。总体呈现林地、耕地、草地、未利用地转化为建设用地和水域的趋势。

表7 汨罗江流域2018年与2035年模拟情景的土地利用结构Table 7 Land use structure of Miluo River Basin in 2018 and simulation scenario in 2035 km2

基准情景下汨罗江流域2035年土地利用预测结果显示，建设用地主要围绕汨罗市和平江县现有建设用地斑块向周边的林地、耕地扩张。其中汨罗市建设用地斑块扩张区域与政府和2处铁路站点位置相关性明显，并有沿着水系向南面发展的趋势，形成连续大面积建设用地斑块。平江县建设用地主要围绕政府向水系南北两岸的林地、耕地呈辐射状扩张。在平江县北部的铁路与水系交汇处，建设用地呈现轻微分散型扩张趋势，见图2(d)。

4.2.3 基于限制情景的土地利用变化预测

在限制情景下，CA模拟过程中设置限制因子，限制重要水源涵养区和基本农田区的土地利用类型进行转变。从模拟结果来看(表7)，相较基准情景的土地利用变化情况，限制情景的林地、未利用地比基准情景分别增加了0.14 km2和0.04 km2，耕地和草地面积分别减少了0.13 km2和0.06 km2，水域和建设用地面积未发生变化。各土地利用类型总体面积比例较基准情景无变化。

限制情景下汨罗江流域2035年土地利用预测结果显示，汨罗市和平江县建设用地斑块扩张的趋势较基准情景明显减缓。汨罗市建设用地斑块向周边一般农田小幅度扩张，斑块连续性和面积增幅降低，周边乡村居民点建设用地呈现小幅增加的趋势。平江县建设用地斑块呈现分散型扩张趋势，形成多个不连续斑块。见图2(e)。

4.3 多情景下汨罗江流域径流量变化

通过SWAT模拟结果可知，限制情景下的流域累积年径流量较基准情景下减少38.35万m3。从各个子流域的年径流量差值(图3)来看，37个子流域限制情景产生的径流量少于或等于基准情景，其中26号子流域的径流减少量最明显；26个子流域限制情景产生的径流量大于限制情景，其中7号子流域径流量增加最多。

图3 汨罗江子流域多情景年径流量差值Fig.3 Annual runoff difference in multiple simulationscenarios of Miluo River sub-basins

对比2个情景下子流域各类型土地利用变化可知。 流域内河流沿线的子流域总体呈现径流量减少趋势， 其中， 6、 7、 17、 31、 63号子流域径流量增加， 主要与限制情景下村庄居民点建设用地扩张有关； 24、 26号子流域径流量减少归因于汨罗市建设用地斑块扩张趋势下降， 以及耕地、 水域保护； 45、 55号子流域流量减少和37号子流域流量增加主要因为平江县建设用地面积的减少和分散式布局， 以及林地、 耕地、 水域得到不同程度的保护有关。 因此， 限制情景下对水源涵养区和基本农田进行保护和限制转化， 对于流域的径流量减少起到重要作用。

5 结论与讨论

5.1 结 论

本研究对汨罗江流域2000—2018年间的土地利用变化进行了解读，依据流域土地利用变化规律，利用FLUS模型进行基准情景和限制情景的2035年流域土地利用预测，通过SWAT模拟评估不同土地利用模拟情景下流域径流量变化情况。结论如下：

(1)汨罗江流域在2000—2018年间，6种土地利用类型都发生了变化，面积增加量从大到小依次为建设用地、草地、水域、未利用地，林地、耕地的面积有所减少。土地利用变化主要与城市化过程对林地、耕地的侵占以及流域内建设用地沿水系发展扩张有关。

(2)对2035年土地利用预测结果显示，2种情景的土地利用类型面积变化差异微小，限制情景的林地、未利用地比基准情景分别增加了0.14、0.04 km2，耕地和草地面积分别减少了0.13、0.06 km2，土地利用类型在总体面积比例上无变化。但是土地利用类型空间分布差异明显。限制情景下，流域范围内的汨罗市和平江县建设用地斑块扩张的趋势较基准情景明显减缓，建设用地呈分散型扩张趋势。

(3)对2种土地利用情景进行SWAT模拟可知，限制情景下的流域累积年径流量较基准情景下减少38.35万m3。在土地利用类型面积变化量微小的情况下，通过对重要水源涵养区、基本农田区进行土地利用转换限制，调整土地利用变化空间格局对流域径流量减少有积极影响。

5.2 讨 论

本研究从流域出发，基于流域2000—2018年的土地利用变化趋势，结合当下国家政策趋势，预测2035年的土地利用基准情景和限制情景。通过SWAT模拟评估了2种情景对流域径流量的影响，为流域尺度的土地利用变化预测和管理优化提供参考。在驱动因子选择上虽然考虑了社会、经济和自然3个方面的因素，但是受限于流域范围和行政界限上的差异，部分影响土地利用变化的社会经济因素没有考虑，希望能在今后的研究中进一步完善和探讨。

流域的管理和土地利用优化问题复杂，本研究基于固定降雨年评估了土地利用变化带来的流域径流量的影响。然而，随着全球气候变迁，未来气候变化是影响流域水安全的重要因素。因此在今后的研究中，希望能进一步从气候变化预测、土地利用优化等角度出发，设置多种发展情景，以提出基于水安全的流域土地利用优化策略，推动流域尺度的可持续发展研究。

致谢：感谢湖南省水文水资源勘测局对本论文中水文站数据的支持和贡献。