“一带一路”典型区土地利用变化热点区判别与其影响因素*

金 琦，许尔琪，张红旗，张旭晴

（1.吉林大学地球探测科学与技术学院，长春 130061；2.中国科学院地理科学与资源研究所，北京 100101；3.陆地表层格局与模拟院重点实验室，北京 100101）

0 引言

土地利用与覆盖变化的热点区域代表了土地覆盖频繁或大规模发生变化的区域，大范围的区域发展通常是不平衡的，Bera[3]等通过识别热点区域揭示了印度Parganas 地区的建成区不均衡增长对社会和经济发展的影响，因此探明热点区域具有促进区域协调发展的意义。同时热点区域因剧烈的土地覆盖变化会产生破碎的景观格局进而导致严重环境和生态问题，Alma[4]等通过热点识别发现热点区域内的农业发展加剧了墨西哥段的科罗拉多河流域的干旱情况。热点识别也有助于对环境的保护，Strassburg 等通过热点区域识别确定了全球生物群落的优先恢复区域，发现优先恢复15%的变化过的热点区域就可以极大程度地改善生物群落的生存环境[5]。热点识别还有助于保护对土地利用变化敏感的物种，Treglia 发现热点区域内土地覆盖变化对濒危蟾蜍物种的栖息地适宜性具有多尺度的影响[6]。因此从长远来看，检测土地利用与覆盖变化的热点识别有利于深度了解区域时空变化，有效地利用土地资源，为区域协调发展、治理提供理论依据，同时也为人与自然的互动提供了基础数据。

“一带一路”合作倡议以全球经济复苏为目的，旨在“和平合作、开放包容、互学互鉴、互利共赢”[7]。目前，“一带一路”典型区内的与土地覆盖相关的研究大多集中于单独或者某几个地区或国家[8,9]，或针对单一的土地利用类型的利用形态、变化趋势和驱动因素等方面为研究目标[10-13]。以“一带一路”为整体的研究有探究地理格局特点并分析区域风险[14]，或土地覆盖与生态系统检测与评价[15,16]。但对于“一带一路”典型区土地利用与覆盖变化的热点区域的了解甚少，不利于制定有针对性的保护计划和方针。识别“一带一路”范围内土地利用与覆盖变化的热点区域及热点的影响因素对于加强“一带一路”典型区自然资源的保护，应对全球气候变化、防范自然风险和制定经济合作方针具有重要意义。

热点区域被定义为土地覆盖变化在空间上高度集中的区域[17]。在以往的研究中土地变化的热点区域的识别通常由3 种不同的技术来确定，分别为基于核密度估计的热力图[18]、局部莫兰指数的空间聚类[19]和Gi统计[20,21]。3 种技术的共同点都是通过对土地覆盖变化的空间分布进行分析，识别土地覆盖变化的聚集现象。核密度估计的热点力图仅通过土地覆盖变化的分布进行聚集，不考虑土地覆盖的变化量和速率等要素，因此无法探测到土地覆盖变化在一定时间内剧烈变化的区域[22]，例如迅速的城市扩张[23]。而局部莫兰指数的空间聚类和Gi 统计都是根据土地覆盖变化要素的平均值对整体进行评估分析，以识别局部空间自相关现象，但局部莫兰指数的方法对于土地覆盖变化要素的权重关注度略低[19]。因此为了加强对热点区域时空变化的研究，文章从空间分布和变化速率两个角度出发，利用ESA 提供的CCI-LC 土地覆盖数据集识别1992—2020 年土地利用变化的热点区域，并从自然地理和社会经济等因素探究热点区域的土地利用与覆盖变化的影像因素和分布规律。为“一带一路”倡议的推进和实施提供生态环境基础数据和科学研究背景资料。

1 数据与方法

1.1 研究区概况

“一带一路”是一个开放的合作倡议，共包含65个国家，涵盖东亚、东南亚、南亚、中亚、西亚、欧洲和北非，贯穿亚欧非大陆，其中包含中国、蒙古、中亚5 国、南亚8 国、西亚18 国、东盟10国、独联体7 国和中东欧16 国，研究区范围如图1所示。2019年“一带一路”沿线国家总人口为47.5亿人,经济总量为29.4 亿美元,分别约占全球的62.0%和33.5%[24]。“一带一路”倡议有助于将提高有限的资源的配置效率，促进合作并加快推进重点领域、重点项目，共同面对气候变化，应对灾害风险。而“一带一路”区域幅员辽阔，地理条件复杂，且社会发展水平、自然资源分布和生态状况存在巨大差异[14]。因此需要将研究关注于土地利用与覆盖变化的热点区域、关键区域。

图1 研究区分布范围

1.2 土地利用与覆盖变化数据及分析

研究区的土地覆盖数据采用了欧洲太空局(ESA)气候变化倡议土地覆盖(CCI-LC)数据[25]，空间分辨率为300m。经过研究区矢量裁剪并参照土地覆盖分类系统将原始栅格数据重分类为10 个一级类别（耕地、林地、草地、灌丛、水体、建设用地、裸地、永久性冰川雪地、苔原和湿地），详细的分类系统如表1 所示。选取1992年、2000年、2010年和2020年4期的研究区土地覆盖数据进行土地利用与覆盖变化趋势分析。选取土地转移矩阵、净变化面积、相对变化速率等指标来分析“一带一路”区域土地利用变化特征[26,27]。

表1 土地覆盖分类系统与重分类

1.3 热点区域识别

土地覆盖变化的热点区域应体现为三个方面：面积，速率和空间分布[20]。区域内土地覆盖变化的面积代表了土地利用变化的程度，而建筑区域扩张的面积由于人口和资源的密集，分布较为集中，且会对周围景观造成重大影响，应作为重点关注的对象[28]。同时考虑到在一定的空间范围内存在广泛的土地变化类型，而变化类型的数量代表了景观的破碎程度[22]。因此将300m 空间分辨率的土地覆盖变化数据聚集到3km 的格网中，并计算每种变化的面积占比和相对变化百分比。从每种变化类型中筛选面积大于20%或变化百分比大于20%的格网，叠加后得到每个格网内土地覆盖变化类型的数量。再通过ArcGIS 软件的G*计算每个格网的聚集程度，并得到Z分数作为热点值。G*统计量是一个度量局部样本的空间聚类程度的指标，被计算为本地样本值与平均值之间的差值之和，并标准化为Z分数，Z分数越大，代表热点的聚类越强[18,20]。G*的计算公式为：

式（1）至（3）中，xj代表栅格j的属性值，wi,j是栅格i和j的空间权重，n为栅格总数。

Obviously, the U.S. side tried to shirk the responsibility to the Chinese government while accepting the Mission against the will of the Chinese government.

1.4 影响热点区域的因素分析

土地覆盖变化热点形成的影响因素应分为自然地理因素和社会经济因素两部分[29]。自然地理因素如海拔和气候等在短时间内不会发生变化，更主要的是体现在空间差异的分布，因此通常在大尺度的范围内体现[30,31]。而社会经济因素如人口和GDP等在小时间尺度的影响效果较为明显，经研究表明人类行为是土地利用与覆盖变化的主导因素[32]。由于指标的可获取性与定量化空间表达的不同，两者共同分析容易引起尺度效应[33,34]。因此，该文将自然地理因素与社会经济因素分开讨论，自然地理因素主要分析热点在不同地理条件下的分布与转型特征，社会经济因素以国家行政边界为空间统计单元探究各种指标对于热点数量的影响，各种指标的来源如表2所示。

表2 热点形成的影响因素指标体系及来源

该文引入地理空间探测器分析社会经济因素对热点形成的影响，因子探测用来识别自变量对于因变量的影响程度，交互探测目的是判断不同自变量的同时作用的影响程度[39]。地理空间探测器用q值来度量影响程度，取值范围为0～1，表示自变量X对于Y的解释能力为q× 100%。q的表达式为：

式（4）中，i= 1，2，3，…，n，表示自变量X的分层；N和Ni分别为整个研究区和i层的像元数；σ2和分别为研究区和i层的方差。该文以等距离散法对各种社会经济指标进行离散，离散等级为5类。

2 结果与讨论

2.1 “一带一路”典型区土地覆盖空间格局及变化特征

“一带一路”典型区4个时期的土地覆盖如图2所示，4个时期土地的基本格局差别很小，1992—2020年“一带一路”典型区土地覆盖类型占比最多的是林地，约占总面积的35%。林地主要分布在西伯利亚南部，占总林地的比例约74%。剩余的林地主要分布在中国东部、东南半岛和东欧平原北部，分别占林地的比例为8.5%、8.0%和4.0%。裸地、耕地和草地依次分别约占22%、18%和14%。其中，裸地主要分布在中东地区、俄罗斯北部、中国西北、中亚、蒙古和阿富汗及巴基斯坦，分别占裸地比例为35%、24%、15.0%、13.0%、8.0%和4.0%；耕地主要分布在东欧、俄罗斯及小亚细亚半岛、中国东部、南亚及东南亚等地区，分别占耕地的比例为50%、20%、20%和10%。草地占总面积14.0%，主要集中在内蒙古高原、青藏高原和哈萨克斯坦的半干旱等地区。灌丛占比4%主要分布在中亚及南亚。同时，水体、城市用地和湿地等占比很小且分布广泛，分别占总面积的比例为2.5%、0.6%和2.8%。永久性冰川雪地占总面积的比例为0.5%但集中分布在喜马拉雅山脉及接近北极的地区。苔原占总面积0.6%仅分布在俄罗斯境内高纬度的地区。

图2 1992—2020年“一带一路”不同时期土地覆盖格局

根据1992— 2020 年研究区土地利用与覆盖变化的转移矩阵（表3）表明，总共有5.46%的土地面积经历了土地覆盖变化。1992—2020 年建设用地、耕地和草地呈扩张趋势，分别净增加了24.61 万km2、15.46 万km2和4.69 万km2。其中，建设用地面积扩张的主要来源是耕地，占建筑用地面积扩张的74.16%，主要发生在中国的东部沿海地区、印度和东欧国家。虽然有一部分的耕地转型为了建设用地，但28 年来“一带一路”典型区的耕地面积依然是增加的。耕地的增加主要来源于林地和裸地，分别占耕地增加的43.23%和31.03%，主要分布在中南半岛和东南亚、中亚和中欧国家等。草地的主要来源是裸地和林地，分别占草地增加量的48.81%和48.56%，主要分布在温带大陆性气候带中央、地中海气候带和俄罗斯林地与草地交界处。而裸地、林地、水体、湿地和灌丛均呈减少的趋势，分别为-30.9 万km2、-6.81 万km2、-3.72 万km2、-2.56 万km2和-0.77 万km2，其中湿地的主要去向是转为林地，是湿地生态系统向森林生态系统的转变。而水体的转化方向比较平均，灌丛的主要去向是林地，冰川积雪和苔原基本保持不变。

表3 1992—2020年“一带一路”典型区土地覆盖变化转移矩阵 万km2

根据3 个时期的土地利用与覆盖变化的转移矩阵得知1992—2000 年改变了总面积的1.73%、2000—2010 年改变了2.05%，2010—2020 年改变了2.02%。每种类别的变化面积和相对变化速率如图3 所示。草地和建设用地在3个时期内都是增加的，而裸地在3个时期内都是减少的。草地增多的速率越来越快，裸地减少的是速率先快后慢。其中2000—2010 年建设用地增长速度最快。值得说明的是尽管建设用地变化面积并不是最大的，但其变化速率却远远大于其他类别，为76.94%。1992—2010 年耕地面积不断增大，但增长速率不断变慢，并在2000—2010 年耕地面积达到了顶峰。2010—2020 年耕地面积略有下降，中国和印度是主要发生耕地减少的国家。林地面积虽然整体是下降的趋势，但在2000—2010 年反而大幅度增加。1992—2000 年灌丛面积是减少的，但2000 后变为增加且增加速率越来越快。水体和湿地的变化方向类似，都在1992—2010 年面积不断减少，并且减少速率越来越快，但在2000 年以后面积开始慢速的恢复。

2.2 热点区域特征

2.2.1 热点区域分布特征

3 个时期的热点识别结果如图4 所示，每个时期热点的空间分布、热点所占面积和热点所属的变化类型都有很大的不同。所得的Z-score 小于0 代表非热点，大于0 为热点，值越大说明该区域土地覆盖变化越剧烈。热点数量最多的时期为2000—2010 年，占比该时期所有土地覆盖变化的41.38%，说明2000—2010年研究区的土地覆盖变化较为剧烈。同时可以发现，俄罗斯在3个时期都拥有这最高的热点数量，俄罗斯的热点区域都分布在俄罗斯的东北部。中国自1992 年以来热点区域数量是逐年上升的，从东南沿海还是沿东部逐渐发展，此外自2000年后西北热点区域也逐渐增多。印度在2000—2010年出现热点区域数量减少的情况，而东南亚地区则是一直持续较高的热点数量。

2.2.2 热点区域转型特征

统计了每个时期热点区域内的变化类型，并分别列出了热点区域内土地覆盖类型的转入与转出面积（图5）。可以发现，1992—2000 年热点区域转出最多的是林地，共17.91 万km2，转入最多的是耕地，共19.8万km2。热点中林地转出的最主要去向就是耕地。裸地转出最主要的去向也是耕地，草地和灌丛转为耕地的比例也很高。根据净变化面积，热点中净增加最多的为耕地，增加面积为15.2万km2；净减少最多的是裸地，净减少面积为13.3万km2。因此，这个时期热点转型特征主要表现为耕地的增加。

图5 不同时期热点区域内类别转入/转出面积

2000—2010年热点区域转出最多的是裸地，共16.70万km2。热点区域转入最多的是林地，共计22.13万km2。由于耕地、草地、灌丛、裸地和湿地都有很大比例转化为林地，因此热点区域净变化面积中，净增加最多的是林地，为7.81万km2，净减少最多的依然是裸地，净减少12.24万km2。此外，热点区域中建设用面积迅速扩大，面积扩大是前一时期的5.7倍，其中耕地是建设用地的主要来源，占建设用地转入的71.00%。所以，此时期热点区域内主要转型特征为林地增加和建设用地面积扩张。

2010—2020 年热点区域转出最多的是林地，共计17.26 万km2。而热点区域转入最多的同样是林地，共14.24 万km2，表明研究区林地的砍伐和再造现象显著。根据净变化面积，这个时期热点区域内建设用地净增加最多，为2.81 万km2，净减少最多的是裸地，为4.94 万km2。所以此时期热点区域内主要转型特征为建设用地面积增多与林地的砍伐与再造。

2.3 热点区域分布的影响因素分析

2.3.1 热点区域分布的自然地理因素

自然地理因素是土地利用/覆盖变化的物质基础和环境条件[40]，而海拔高度是地形中最基础、最直接的信息，能直接或间接影响植被空间生长和分布差异，同时影响人类的活动。气候因素在较短的时间段内不会或极少会发生变化，使其在大空间尺度范围内得以应用。鉴于此，该文分析海拔和气候对土地覆盖变化的热点分布影响如下。

根据图6a 可以发现，3 个时期热点分布在小于0m 的海拔范围内的数量最少，不同时期的热点在小于0m 的海拔范围内占比在1.47%～2.34%，而分布在0～200m 海拔范围内得数量最多，不同时期的热点在0～200m 海拔范围内占比在41.95%～48.51%，之后随着海拔升高热点数量呈减少趋势。根据不同海拔高度中热点区域所占百分比（图6b）表明0～200m范围内热点占比依然是最高的，且同样随着海拔升高热点区域所占百分比逐渐下降。究其原因主要是因为与平原和丘陵相比，高原和山地在很大程度上限制了人类活动。海拔对于热点区域中变化的影响3 个时期基本相似，水体变化主要分布在海拔200m 以下，耕地、林地、建设用地和湿地的变化主要分布在0～500m 的海拔高度内，并且随海拔的升高，转入转出变化明显减少。而草地、灌丛和裸地则更多的分布在500～1 000m的海拔高度范围内。

图6 1992—2020年热点区域在不同海拔和气候类型的分布

根据图6c可以发现，3个时期的热点区域分布在极地带气候区域内的数量最少，不同时期的热点在极地带气候区域内占比在0.76%～1.30%，分布在冷温带气候区域内的热点数量最多，不同时期的热点在冷温带气候区域内占比在57.16%～60.08%。而在不同气候类型中的热点区域所占百分比表明，热带多雨气候区域内热点占比最大，而其他气候类型无明显规律。不同的时期相同的气候区的热点区域内的变化类型基本相似，耕地、林地和湿地的变化主要分布在热带多雨带气候和冷温带气候区域，少量分布在温暖气候区域。草地和裸地的变化主要分布在冷温带气候区域。灌丛的转出主要分布在热带多雨带气候和温暖气候区域，而转入则主要分布在冷温带气候区域。水体转出主要分布在干燥带气候区域，转入主要分布在冷温带气候区域。建设用地的变化除极地气候区域外分布较为均匀。

2.3.2 热点区域形成社会经济因素

每个社会经济指标对于热点的数量均具有一定的影响（表4），其中城市人口数对于热点的形成影响最大，q值为0.791，而农业增加值对于热点的数量影响最小，q值为0.244。每个指标的P值均小于0.01，说明每个指标结果的显著性均超过99%。在交互探测结果中，城市人口和国内生产总值的叠加对热点数量的影响最大，两者结合可以解释86.46%的全部热点的形成。农村人口和农业增加值的组合对于热点数量的影响最小，仅可以解释32.2%的热点形成。每个指标在叠加后q值都有明显的增强，说明社会经济因素并不是单一作用的，共同作用对热点数量的解释更强。同时也可以看出，各指标之间并不是简单的线性关系，而是呈非线性增强及双因子增强关系。在两个因子的显著性评价中，除了工业增加值于人口数和工业增加值和农村人口数的组合外，其余的双因子组合都满足95%的显著性。总体而言，社会经济因素对于热点的数量有明显的影响，影响热点数量的主要的因素是每个国家的城市人口数量和国内生产总值（表5、6）。

表4 1992—2020 年“一带一路”典型区社会经济因素对热点的影响因子及显著性

表5 各社会经济因素影响因子交互作用的q 值

表6 交互作用下社会经济因素影响因子显著性差异（置信水平95%）

3 结论

该文利用ESA 提供的1992—2020 年的CCILC 数据对“一带一路”典型区土地利用格局和土地覆盖变化进行了分析，识别了土地利用与覆盖变化的热点区域，并分析了热点区域的分布特征。得到以下结论。

（1）1992—2020 年“一带一路”典型区内总共有5.46%的土地面积经历了变化。其中建设用地、耕地、草地和灌丛面积增多，裸地、林地、湿地和水体面积减少，冰川积雪和苔原面积基本保持不变。建设用地作为面积增多最多的类别，主要来源是耕地；耕地作为面积增多第二多的类别，主要来源是林地和裸地；裸地作为面积减少最多的类别，主要去向是草地、耕地和林地。因此“一带一路”典型区内主要的土地覆盖变化表现为以快速的建设用地和耕地为主，林地砍伐和水体、湿地的减少为辅。

（2）不同时期应当关注的热点区域并不相同。根据热点识别结果，土地覆盖变化最剧烈的时期是2000—2010 年，热点区域占比该时期所有土地覆盖变化的41.38%。每个时期热点区域内类别转型特征也不相同。其中，1992—2000 年热点区域内的转型特征为耕地的增加；2000—2010 年热点转型特征为林地增加和建设用地面积扩张；2010—2020年热点的转型特征为建设用地面积增多与林地的砍伐与再造。

（3）自然地理因素影响着热点的分布。热点分布在0～200m的海拔范围内的数量最多，分布在小于0m的海拔内最少，并且随着海拔升高热点数量明显减少，且不同的海拔影响着热点内的变化类型。热点分布在冷温气候带的数量最多，但热带多雨气候区域内热点占比最大，其他气候区域内对热点数量影响较小，但不同气候类型影响热点的变化类型。社会经济因素显著地影响一个国家内的土地利用与覆盖变化热点的数量，其中对于热点数量影响最为显著的是城市人口数量和国内生产总值，并且两者结合对于热点数量的解释更为显著。