三亚市土地利用变化多情景模拟研究

张亦清, 韩念龙,2,*, 张伟璇, 黎兴强

三亚市土地利用变化多情景模拟研究

张亦清1, 韩念龙1,2,*, 张伟璇1, 黎兴强1

1. 海南大学公共管理学院, 海口 570228 惠州学院地理与旅游学院, 惠州 516007

热带区域的城市土地利用变化具有独特特征, 通过多情景模拟可以了解其变化特征及未来的发展趋势, 从而有效引导土地规划, 为区域的可持续发展提供依据。利用FLUS模型, 基于2014和2018年的Landsat遥感影像解译土地利用数据, 结合自然、交通、社会发展及POI等14个变量作为驱动因子对进行土地利用变化模拟。同时, 分别以自然发展、耕地保护及生态控制三种情景模拟预测2030年的三亚市土地利用变化情况。结果表明: FLUS模型模拟精度高, Kappa系数为0.82,总体分类精度为87.17%; 基于三种情景的模拟及比较分析发现, 生态控制情景下林地与水域等生态空间得到保护, 耕地总量条件得以满足, 同时有效遏制了建设用地扩张, 因此基于FLUS模型的生态控制情景较适用于三亚市的未来土地利用发展策略。

FLUS; 土地利用变化; 情景模拟; 生态控制

0 前言

1995年, 国际地圈-生物圈计划(IGBP)和国际全球环境变化人文因素计划(IHDP)联合正式提出“土地利用/土地覆被变化(Land Use and Land Cover Change, LUCC)”研究计划, 自此LUCC开始受到全球的广泛关注和研究[1]。LUCC的变化过程和机理复杂, 并在很大程度上受到自然和人为因素的影响[2]。因此, 在研究方法上结合相关数学模型, 以一定的技术手段对LUCC的动态发展过程特征进行模拟和预测, 成为现阶段研究的热点[3]。许多学者运用CLUE-S模型、CA-Markov模型对不同尺度下的土地利用情景进行模拟研究。CLUE-S模型运用logistic回归方法计算各驱动因素对土地利用变化的影响, 要求各个变量之间是线性无关的, 缺乏对变量之间非线性关系的考虑[4-6]。CA-Markov模型在模拟土地利用变化的过程中, 单纯考虑元胞数量和结构对于地区土地利用的前效影响[7-8]。在此基础上, 刘小平等提出的未来土地利用模拟(Future Land Use Simulation, FLUS)模型有效解决各种土地利用类型之间相互转换的不确定性和复杂性, 具有较高的土地利用格局预测能力[9]。

热带区域土地利用格局的变化深刻影响了区域可持续发展[10], 主要表现在以下几个方面: 一是热带地区的LUCC导致生态系统服务功能与其他区域有显著差异, 例如热带地区森林转变为农田和草场的碳排放均高于温带和北方森林[11]。二是热带地区LUCC产生的综合效应对区域气候影响显著, 研究表明其会引起区域温度升高, 导致的城市热岛效应对热带城市的人居环境产生不利影响[12]。同时, 热带区域土地资源具有雨热充足、土壤肥力高、物种多样性丰富等特点, 为地区提供了优质的生态系统服务[13-14]。三亚市作为我国唯一的热带滨海旅游城市及国家南繁科研育种基地, 合理利用热带土地资源, 对区域的可持续发展极为重要。因此, 本文基于FLUS模型, 对三亚市的土地利用变化进行政策多情景模拟研究, 期望为当前的国土空间规划和城市可持续发展提供有效支撑。

1 研究区与数据处理

1.1 研究区概况

三亚市位于18°09′34′′—18°37′27′′N、108°56′30′′—109°48′28′′E之间, 地处海南岛最南端, 南临南海, 属热带海洋性季风气候。陆地总面积1921.51 km2, 其中平原占23.4%; 海域总面积6000 km2。北靠高山,南临大海, 地势自北向南倾斜, 依次分布着山地、丘陵、台地、平原等地形结构。东西长91.6公里, 南北宽51公里, 下辖崖州区、天涯区、吉阳区、海棠区四区。截至2018年, 全市年末户籍人口614647人, 包含汉族、黎族、苗族等20多个民族; 全市生产总值达595.5057亿元人民币。

1.2 数据来源与处理

本研究所需数据分别为土地利用分类数据、各驱动因子空间数据以及约束性限制因子空间数据(表1)。

土地利用数据以2014年、2018年上旬Landsat 8 OLI遥感影像作为数据源, 依照《土地利用现状分类》(GB/T 21010—2017), 结合三亚市土地利用特点, 将土地利用类型划分为耕地、林地、园地、水域、建设用地与未利用地。在此基础上, 采用支持向量机的监督分类与人机交互式的解译方式进行信息提取, 得到上述2个时期的土地利用分类数据, 如图 4(a)、(b)所示。分类后选取240个验证样本点, 随机均匀分布在研究区内, 利用Google Earth历史影像对图像分类进行精度验证, 结果表明各种土地利用/覆被的分类精度平均值达86.25%, 分类结果可以满足精度要求。

根据研究区的基本条件和数据的可获取性, 本文选取了自然因素、交通区位因素、社会经济因素、POIs邻近因素4大类共14个影响变量。旅游休闲业作为三亚市主导产业, 极大地影响了区域土地利用的发展, 风景名胜区以及相关服务产业在三亚市的分布, 对其邻域范围内的土地利用变化作用显著。此外, 部分城市基础设施对于其周边土地利用类型的转变也起到了一定的促进作用[15]。鉴于此, 本文选取三亚市的兴趣点(Point of Interest, POI)数据, 并根据不同时间对POI数据进行了调整, 利用ArcGIS核密度分析功能, 形成POIs邻近因素空间变量, 参与到模型计算中。

2 研究方法

2.1 基于BP神经网络的元胞模拟

FLUS模型采用的BP神经网络由输入层、隐含层和输出层三层组成。在输入层, 每个神经元与输入变量之间会建立一定的关系, 如式(1)。其中,x表示输入层的第个神经元。

之后输入变量通过各个神经元将信息传递到隐含层。在隐含层, 所有神经元中的某个神经元于时间从栅格单元所接受到的信号则用(2)表示。

表1 数据来源表

式中,net(,)表示在隐含层第个神经元所接收到的信息;x(,)表示在训练时间、栅格单元经由神经元所输入的第个变量;w,j表示在输入层和隐含层之间, 经过训练和校准的适应性权重。

经校准过后的适应性权重需要通过sigmoid激活函数有效地连接隐含层和输出层, 将其结果输出, 其函数表达如(3)所示。

特别地, 在输出层每个神经元对应一个特定的土地利用类型。每个神经元所代表的值便意味着某一栅格单元上特定土地利用类型的转换概率。因此, 在训练时间、栅格单元上的第种土地利用类型的发生概率便可通过(4)表达。

(4)

式中,w,k表示经校准过隐含层和输出层之间训练过程的适应性权重, 与w,j类似。

通过大量数据对w,j、w,k进行训练和校准后, 人工神经网络已成功建立, 并可用来计算特定元胞上各类土地利用类型的发生概率。

2.2 土地利用类型转换模拟

除发生概率外, 土地利用类型的转换需考虑预测年限内不同发展情景下的变动部分。因此, FLUS模型将元胞发生概率与邻域影响、自适应惯性系数以及转换成本进行总体概率计算[16]。

邻域影响反映周围元胞对于中心元胞的影响程度, 元胞邻域影响因子的计算模型表达式为(5)。

自适应惯性系数是影响元胞总体概率的重要因素。其计算表达式为(6)。

转换成本代表了当前土地利用类型转变为目标地物类型的难易程度, 是衡量土地利用变化的一个指标[9]。其值用式(7)中的sc→k表示, 即地物类型从转变成的转换成本, 而1–sc→k为转换发生的困难程度。该值越接近1则表明地物类型发生转换的可能性越低。

综上确定各个元胞的土地利用总体转换概率, 即如(7)表达所示。

完成上述计算之后, 为均衡具备优势的土地利用类型与非优势土地利用类型的分配机会, FLUS模型采用轮盘竞争机制以确定栅格单元是否发生土地利用类型的转换。轮盘竞争机制是由轮盘所占面积大小代表地类分配概率高低, 即某元胞有更大的可能分配为具有较高总体概率的土地利用类型, 但不乏分配为较低概率地类的可能, 因此充分体现了该机制的随机性特征, 从而使模型能够更好地反映土地利用类型相互转换过程中的复杂性和不确定性。

3 结果与分析

3.1 FLUS模拟过程及结果

首先需要计算研究区各种地类的适应性概率。设置样本采样方法为均匀采样策略(Uniform Sampling), 并以1%的采样率进行采样, 隐含层设置为12层。将归一化处理后的14个驱动因子栅格数据输入到BP人工神经网络模型中, 得到六类用地适应性概率数据, 如图 1所示。

结合以上的适应性概率数据, 对2018年土地利用情况进行预测。基于马尔科夫链(Markov Chain)的未来各类土地需求总量预测(表 2)以及经多次实验分析获取的邻域影响因子(表 3), 采用3×3 Moore邻域范围, 设置元胞自动机迭代次数为300次, 最终得到2018年三亚市土地利用模拟结果(图2—4)。

图1 各类用地的适应性概率

Figure 1 Probability of occurrence of land use types

表2 马尔科夫链预测各类用地(像元个数)

表3 邻域影响因子权重表

为验证模型模拟精度, 本文从数量、空间及参数角度对模型模拟结果进行验证。从数量上看(表 4), 2018年三亚市土地利用模拟结果与其现状完全相同; 从空间上看(图3及图 4), 各个地类的分布特征较为相似; 从参数上看, 2018年的三亚市土地利用模拟精度Kappa系数为0.815, 总体分类精度为87.17%, FoM系数值为0.03, 表明该模拟结果可用于进一步的未来土地利用模拟预测。

3.2 多情景模拟分析

多情景模拟旨在研究不同政策影响下三亚市土地利用变化, 以直观反映政策发展对三亚市土地空间布局的影响和效应。因此, 本文基于自然发展情景、耕地保护情景与生态控制情景对三亚市2030年的土地利用空间布局进行模拟预测。

3.2.1 自然发展情景

自然发展情景即无约束条件的土地利用变化。该情景模拟结果(图 5)表明, 与2018年相比, 2030年耕地、林地、水域面积下降, 降幅分别达19.30%、13.64%、4.20%; 园地、建设用地以及未利用地的规模扩大, 其中建设用地总面积涨幅较大, 增加至348.16 km2, 增幅为82.96%。根据土地面积转移矩阵(表 6), 从转出看, 耕地主要转为建设用地(34.80 km2)和林地(20.04 km2), 林地主要转为建设用地; 从转入看, 转入总量最多的地类为建设用地, 其增量中60.43%来自林地、21.64%来自耕地。空间上, 建设用地在三亚市南部、东部沿海地区分布更为聚集, 城市范围扩大, 主要原因在于三亚市撤镇设区后整体城镇化步伐持续加快。该情景结果表明, 未来三亚市社会经济快速发展, 城镇化进一步发展, 建设用地剧增, 但与此形成强烈对比的是耕地面积剧减, 城市建设开发占用耕地资源的现象严重; 同时因城市扩张造成的水域和林地等生态空间的减少对区域的生态环境健康形成一定压力。

表4 2014-2018年各用地类型数据表

图 2 2014年三亚市土地利用现状图

Figure 2 Land use in Sanya in 2014

图3 2018年三亚市土地利用现状图

Figure 3 Land use in Sanya in 2018

图4 2018年三亚市土地利用模拟结果

Figure 4 Simulation result in Sanya in 2018

表5 自然发展情景的土地面积转移矩阵(km2)

图5 自然发展情景土地利用模拟

Figure 5 Land use simulation of natural development scenario

表6 耕地保护情景的土地面积转移矩阵(km2)

3.2.2 耕地保护情景

耕地保护情景核心是有效保护耕地资源, 本研究通过设定基本农田保护区域以及提高耕地转换成本, 以此严格管控经济社会的发展占用耕地资源。模拟结果(图 6)显示, 与2018年土地利用现状相比, 耕地保护情景下2030年三亚市的耕地面积为235.91 km2, 同比降幅为15.72%, 与自然发展情景相比下降趋势减弱, 说明耕地总量的保护在数量上初见成效; 建设用地总量增加66.20 km2, 增幅34.79%。根据土地面积转移矩阵(表 7), 从转出看, 耕地转出量最大, 且其88.41%的转出均为建设用地; 从转入看, 建设用地的转入总量最多, 其中65.10%来自耕地。空间上, 建设用地扩张方向与自然发展情景类似, 集中分布在三亚市南部、东部沿海地区, 但扩张程度明显减弱。该结果表明此模拟情景下, 城市扩张程度相对趋缓, 但大量耕地转为建设用地, 城市发展依旧威胁耕地保护以及粮食安全, 未来三亚市需不断加强耕地保护政策的实施, 引导建设用地向集约利用的方向发展。

3.2.3 生态控制情景

本研究以三亚市2018年的林地面积作为生态本底保护红线, 即生态控制情景进行模拟, 通过设定林地的转换成本, 以期实现生态的合理控制。生态控制情景模拟结果(图 7)表明, 与2018年土地利用现状相比, 2030年园地总量增加了37.47%; 建设用地增幅为11.42%, 其扩张范围主要分布在吉阳区的南部沿海地区和中北部山区。根据土地面积转移矩阵(表 8), 从转出看, 耕地转出量的75.39%成为林地, 林地则主要转换为水域(31.78 km2)和建设用地(14.27 km2); 从转入来看, 水域增量中的92.54%是林地贡献的。生态控制情景下耕地、水域得以有效保护, 林地与2018年相比总面积虽有所减少, 但降幅较小, 仅为2.04%, 而且主要转变为水域, 生态空间在总量上得以保持; 建设用地面积总量为212.01 km2, 比2018年增加21.72 km2, 这在一定程度上满足了城市经济社会发展的需求, 但结合目前三亚市土地利用效率而言, 建设用地总量过少不利于经济发展, 因此未来三亚市对城市土地的节约集约高效利用有着更高的要求。同时, 与其余两种情景相比, 耕地降幅最低。因此该情景均衡了经济发展、耕地保护与生态建设三者之间的关系, 有利于区域的可持续发展。

图6 耕地保护情景土地利用模拟

Figure 6 Land use simulation of cultivated land protection scenario

表7 生态控制情景的土地面积转移矩阵（km2）

图7 生态控制情景土地利用模拟

Figure 7 Land use simulation of ecological control scenario

表8 2018—2030年各用地类型数据表

4 讨论与结论

旅游业作为三亚市的重点支柱产业, 是影响城市土地利用的主要驱动力之一。因此本文将三亚市风景名胜点、旅游服务设施点及旅游交通设施等POI数据作为驱动因子, 结合人工神经网络计算各地类的适应性概率和空间分布, 探索城市支柱产业的驱动因子对区域土地利用变化的影响。同时, 结合遥感影像解译数据, 基于FLUS模型的研究表明该模型适用于热带城市的土地利用变化模拟。多情景模拟的分析结果表明, 生态控制更适用于三亚市未来土地利用发展策略, 在此情景下, 三亚市的耕地保护任务得以基本落实, 经济社会与生态环境建设也能够协调发展。

当前, 我国国土空间规划正处于探索起步阶段, 生态红线、基本农田、城镇发展边界空间的科学布局是国土空间规划的基本要求。在此过程中需要融入生态文明和可持续城市化等理念, 通过未来土地利用变化多情景模拟以进行最优空间决策选择, 从而在资源环境约束条件下实现国土空间优化路径选择和综合效益最优化[17-18]。经过多情景模拟分析可知, 三亚市经济发展、耕地保护、生态建设三者之间存在矛盾。经济发展需要部分建设用地的扩张作为支撑, 粮食安全需要充足的耕地后备资源作为保障, 生态建设需要林地、草地、水域的合理布局作为生态源, 而建设用地的扩张势必会占用其余地类, 一定程度上削弱耕地保护和生态环境的建设[19-22]。生态控制情景下的土地利用变化模拟结果表明, 在生态空间得以保护的前提下, 耕地占用现象同时得以控制, 尽管象征经济发展的建设用地总量增幅小于其余两种情景, 但这也意味着对建设用地的节约集约及高效利用提出更高的要求。总而言之, 该背景保证耕地及生态用地总量, 特别是约束了建设用地的无序扩张, 协调经济发展、粮食安全及生态环境三者之间的发展, 是一种适用于三亚市可持续城市化的空间发展路径选择。

文章存在的不足在于模拟过程中未考虑其他重要政策的影响。三亚市作为海南省对外开放的重要窗口, 正处于自由贸易港建设的关键时期, 国家建设自贸港的相关重大政策将在土地利用变化上有所体现, 而本研究未充分量化重要政策及体现其影响, 这些不足需要在未来研究中进一步探索。

[1] TURNER B L, SKOLE D, SANDERSON S, et al. Land use and land cover change science/research plan[R]. IGBP Report No.35 and IHDP Report No.7, 1995.

[2] XU Quanli, YANG Kun, WANG Guilin, et al. Agent-based modeling and simulations of land-use and land-cover change according to ant colony optimization: a case study of the Erhai Lake Basin, China[J]. Natural Hazards, 2015, 75(1): 95–118.

[3] 徐新良, 赵美艳, 闵稀碧. 城市扩展研究的主要进展与展望[J]. 生态科学, 2014, 33(3): 619–624.

[4] BATTY M, XIE Y. From cells to cities[J]. Environment and Planning B: Planning and Design, 1994, 21(7): S31–S48.

[5] 吴健生, 冯喆, 高阳, 等. CLUE-S模型应用进展与改进研究[J]. 地理科学进展, 2012, 31(1): 3–10.

[6] 许小亮, 李鑫, 肖长江, 等. 基于CLUE-S模型的不同情景下区域土地利用布局优化[J]. 生态学报, 2016, 36(17): 5401–5410.

[7] 吴晶晶, 田永中, 许文轩, 等. 基于CA-Markov模型的乌江下游地区土地利用变化情景分析[J]. 水土保持研究, 2017, 24(4): 133–139.

[8] 权瑞松. 基于情景模拟的上海土地利用变化预测及其水文效应[J]. 自然资源学报, 2018, 33(9): 1552–1562.

[9] LIU Xiaoping, LIANG Xun, LI Xia, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017, 168: 94–116.

[10] GONZALEZ–REDIN J, GORDON I J, HILL R, et al. Exploring sustainable land use in forested tropical social-ecological systems: A case-study in the Wet Tropics[J]. Journal of Environmental Management, 2019, 231: 940–952.

[11] 马晓哲, 王铮. 土地利用变化对区域碳源汇的影响研究进展[J]. 生态学报, 2015, 35(17): 5898–5907.

[12] 邵璞, 曾晓东. 土地利用和土地覆盖变化对气候系统影响的研究进展[J]. 气候与环境研究, 2012, 17(1): 103–111.

[13] SANCHEZ P A, PALM C A, BUOL S W. Fertility capability soil classification: a tool to help assess soil quality in the tropics[J]. Geoderma, 2003, 114(3/4): 157–185.

[14] TAO B, TIAN H, CHEN G, et al. Terrestrial carbon balance in tropical Asia: Contribution from cropland expansion and land management[J]. Global & Planetary Change, 2013, 100: 85–98.

[15] 张大川, 刘小平, 姚尧, 等. 基于随机森林CA的东莞市多类土地利用变化模拟[J]. 地理与地理信息科学, 2016, 32(5): 29–36.

[16] HUANG Kangning, LIU Xiaoping, LI Xia, et al. An improved artificial immune system for seeking the Pareto front of land-use allocation problem in large areas[J]. Taylor & Francis, 2013, 27(5): 922–946.

[17] 夏皓轩, 岳文泽, 王田雨, 等. 省级“双评价”的理论思考与实践方案——以浙江省为例[J]. 自然资源学报, 2020, 35(10): 2325-2338.

[18] 焦利民, 刘耀林. 可持续城市化与国土空间优化[J]. 武汉大学学报(信息科学版), 2021, 46(1): 1–11.

[19] 吴欣昕, 刘小平, 梁迅, 等. FLUS-UGB多情景模拟的珠江三角洲城市增长边界划定[J]. 地球信息科学学报, 2018, 20(4): 532–542.

[20] 王保盛, 廖江福, 祝薇, 等. 基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例[J]. 生态学报, 2019, 39(12): 4284–4298.

[21] 王旭, 马伯文, 李丹, 等. 基于FLUS模型的湖北省生态空间多情景模拟预测[J]. 自然资源学报, 2020, 35(1): 230–242.

[22] 王明常, 郭鑫, 王凤艳, 等. 基于FLUS的长春市土地利用动态变化与预测分析[J]. 吉林大学学报(地球科学版), 2019, 49(6): 1795–1804.

Study on multi-scenario simulation of land use change in Sanya

ZHANG Yiqing1, HAN Nianlong1,2,*, ZHANG Weixuan1, LI Xingqiang1

1. School of Public Administration, University of Hainan, Haikou 570228, China 2. School of Geography and Tourism, Huizhou University, Huizhou 516007, China

Urban land use change in tropic regions has unique characteristics; its change and future development can be understood through multi-scenario simulation, so as to effectively guide the land planning and provide a basis for sustainable development of the region. In this study, FLUS model was used to simulate Sanya land use change based on land use data from Landsat in 2014 and 2018, and 14 driving factors including natural, traffic, social development and POI factors. Furthermore, three scenarios of natural development, cultivated land protection and ecological control were used to simulate and predict the Sanya land use change in 2030. The results show that the FLUS model has high accuracy in simulation, with a Kappa coefficient of 0.82 and an overall classification accuracy of 87.17%. Under the ecological control scenario, the ecological space such as forest and water area is protected, the total amount of cultivated land is guaranteed, and the expansion of construction land is effectively curbed. Therefore, the ecological control scenario based on FLUS model is more suitable for the future land use development strategy of Sanya city.

FLUS model; land use change; scenario simulation; ecological control

10.14108/j.cnki.1008-8873.2022.06.007

K928.5

A

1008-8873(2022)06-052-11

2020-09-19;

2020-11-22

国家社科基金(21XGL019); 海南省自然科学基金(421RC1034); 海南大学科研启动基金(kyqdsk1926)

张亦清(1998—), 女, 河南洛阳人, 本科生在读, 主要从事土地资源管理, E-mail: sameenzyq@foxmail.com

通信作者:韩念龙, 男, 海南文昌人, 博士, 高级工程师, 主要从事土地资源管理, E-mail: diamond20@126.com

张亦清, 韩念龙, 张伟璇. 三亚市土地利用变化多情景模拟研究[J]. 生态科学, 2022, 41(6): 52–62.

ZHANG Yiqing, HAN Nianlong, ZHANG Weixuan. Study on multi-scenario simulation of land use change in Sanya[J]. Ecological Science, 2022, 41(6): 52–62.