西安市主城区土地利用时空变化及驱动力分析

袁梦雨， 李金玺*， 曾璐， 蔡鸿燕， 华天

(1.成都理工大学地球物理学院地球勘探与信息技术教育部重点实验室， 成都 610059； 2.中国科学院水利部成都山地灾害与环境研究所， 成都 610041； 3.中国科学院山地灾害与地表过程重点实验室， 成都 610041)

城市绿地是一种富含经济、生态效益的城市用地，处于城市生态系统的核心地位，对净化城市空气、提高生物多样性、缓解城市热岛效应以及城市的内涝压力起着重要的作用[1-2]。城市绿地不仅可以提供环境服务(如噪声过滤、空气净化、微气候稳定和控制雨水循环)和美学服务(如减少建筑环境对心理困扰的影响)，同时还可以提供显著的心理服务[3-6]。20世纪80年代后，随着城市化进程的加快，城市绿地的维护和规划出现了诸多挑战，城市居住环境的适宜性出现失衡现象。随着遥感技术(remote sensing, RS)、地理信息系统 (geography information systems, GIS)和全球定位系统(global positioning systems, GPS)的飞速发展，使用遥感卫星影像辅助研究土地利用动态变化、城市绿地分布、城市空间格局等已经成为一种重要的技术手段[7-13]。其中卢刚等[8]通过Landsat-TM影像提取土地利用现状数据，并选取6个景观格局指数作为评价指标，构建水生态韧性提升效果评价指标体系，为水生态韧性提升提供了科学的依据；陈越豪等[11]利用e-Cognition对Landsat TM/ETM/OLI遥感影像数据进行面向对象提取，生成各时期土地利用数据，分析其动态变化，并基于CA-Markov模型预测2025年元谋县土地利用与土地覆盖变化情况，预测模型精度效果较好，结果可信。若同时计算出各时期的景观格局指数，可为元谋县植被生态环境质量指数较高这一结论提供更加完善的理论支撑；董亚坤等[13]对Landsat 5-TM和Landsat 8-OLI遥感影像进行监督分类，生成洱海流域上游土地利用数据，结合空间分析、土地利用转移矩阵等方法分析该区域土地利用类型在时间、空间以及数量上的动态变化，其结果表明耕地、林地和草地是主要地类，研究结果可为该区域土地利用规划以及生态环境保护等提供理论支持。

在进行土地利用景观格局变化驱动力研究中，顾晶晶等[14]以兰州市为例，以2003—2019年Landsat卫星遥感影像为基础，利用城市扩张速度、强度和城市紧凑度三个指标分析了兰州市城市扩张情况，得出人口和经济是兰州市城市扩张的主要驱动力。Wang等[15]在分析汉中市汉台区的土地利用变化时认为城市化用地的扩张在推动景观格局变化中起着重要的作用，指出经济、人口和城镇化率是主要的驱动力。薛嵩嵩等[16]以Landsat影像作为研究数据，通过Fragstats软件计算景观指数，分析景观格局时空演变特征，并结合相关数据，探讨乌伦古河流域景观格局变化的驱动因素。徐晓然等[17]将研究区1964年、1972年、1988年、2000年、2009年、2015年的不同来源的遥感影像作为景观数据库，利用土地转移矩阵和景观格局指数探讨八门湾红树林湿地及其周边的土地利用变化与景观破碎化过程之间的相互关系。陆凤连[18]对焦作矿区1980—2015年5期影像数据进行分析，提景观类型数据，并分析矿区景观格局演变及其驱动力，认为人口、农业发展和工业发展是导致矿区土地利用景观格局变化的主要原因。

以西安市中心城区(碑林区、雁塔区、莲湖区、新城区、未央区、灞桥区)为研究对象，以2013年、2016年、2019年三期 Landsat 8遥感影像为数据源，在ENVI、ArcGIS以及Fragstats景观软件的支持下，选择斑块所占景观面积、斑块数量、斑块密度、蔓延度指数、香浓多样性指数和聚合度指数6类景观格局指数对六年来西安市中心城区的土地利用类型变化以及城市景观格局演化进行定性与定量分析，同时在地理探测器模型的支撑下，对2013年、2016年和2019年这3年的土地利用变化驱动力进行定量分析。根据研究结果，为西安市主城区及其他城区的土地规划及城市生态环境建设提供参考。

1 研究区概况

西安市是陕西省省会，位于渭河流域中部，107°24′00″E～109°29′24″E，33°25′12″N～34°27′00″N之间，北临渭河和黄土高原，南接秦岭，总面积10 752 km2，建成区面积700.69 km2。作为关中平原城市群的核心，截至2019年底，共辖11个区、2个县，常住人口1 020.35万人，城镇人口761.28万人，城镇化率74.61%(西安市统计局2020统计年鉴)。本研究选取西安市主城区作为研究区，如图1所示，包括碑林区、雁塔区、莲湖区、新城区、未央区和灞桥区，面积约832 km。

图1 研究区地理位置图Fig.1 The geographic location of the study area

2 数据来源及研究方法

2.1 数据来源与处理

Landsat 8卫星是美国国家航空航天局(National Aeronautics and Space Administration, NASA)于2013年2月成功发射，负载有陆地成像仪(operational land imager,OLI)和热红外传感器(thermal infrared sensor,TIRS)。陆地成像仪有9个波段，空间分辨率为30 m，其中第八波段为全色波段，空间分辨率为15 m[19]。本研究所用的Landsat数据的是2013年6月25日、2016年5月16日、2019年4月7日共3期Landsat 8影像，所用数据均从地理空间数据云网站下载(http://www.gscloud.cn/)，影像分辨率为30 m。根据本文研究目的，选用数据均为植被长势较好的月份，同时为了避免误差，选用云量小于等于5%的数据以确保质量良好，使研究结果更加可靠。

遥感影像预处理包括辐射定标、大气校正、几何校正、裁剪、图像增强等步骤。辐射定标和大气校正在ENVI软件中都有对应的处理模块可以直接进行预处理操作。将图像的数字量化值(digital number, DN)转换为对应像元的辐射率就是辐射定标，即DN值转换为辐射率，公式为

(1)

式(1)中：Lλ为辐射率；d为天文单位的日地距离；(ESUN)λ为太阳辐射照度；θ为太阳高度角。

大气校正是一种反演方法，目的是为了消除大气和光照等外部因素对地物反射结果的影响。图像融合是为了增强影像的可读性，提高目视解译的精度。图像融合的方法有很多，如HSV(hue saturation value)变换、Brovey变换、主成分(principal component, PC)变换等。不同的融合方法，会突出不同的信息。通过比较不同的方法，主成分(PC)变换对植被较多的地物分类，其影像的细节表达能力和光谱信息保真程度较好，因此选择主成分变换作为图像融合的方法[20]。Landsat-8多光谱与全彩色波段进行图像融合，其目的是为了合成15 m分辨率的影像数据，以提高目视解译的精度。

2.2 研究方法

随着地理信息科学(geography information systems, GIS)和遥感技术(remote sensing, RS)技术的发展，机器学习技术得到广泛应用，综合前人研究发现，空间计量模型、机器学习、RS与GIS技术等不断应用到土地利用格局演变和动态监测的研究中[21-22]。因此首先通过支持向量机(support vector machine, SVM)的方法对西安市主城区土地利用数据完成专题地图制作，以遥感解译结果为基础进行景观格局指数计算，并利用“因子探测模型”和“交互作用探测模型”进行驱动力分析，定量得出各个驱动因子的相对重要性以及各因子之间的交互作用。

2.2.1 支持向量机

监督分类也称训练区法，是在分类前通过研究区地物类别的先验知识为依据建立训练样本和分类器，从而完成整幅影像的地物划分[23]。支持向量机(SVM)是一种适用于小样本学习的机器学习算法[24]，即使在有限的训练样本下也能很好地应用[25]。Foody在多光谱数据分类问题上，通过比较SVM与其他分类方法表面，SVM可以获得较高的分类精度，同时在小样本训练问题上，SVM仍可以获得较高的分类精度[26]。本文选择支持向量机作为分类器。

SVM最优分类函数为

(2)

SVM的目的是通过使用一条函数曲线将空间进行区分，对曲线两侧区域的像元识别判断从而进行分类[图2(a)]。样本与线的距离代表了分类的可信赖称度，目的就是寻找可信度最高函数曲线，这样也可获得最高分类精度。对于二维空间数据的分类，可以通过函数变换到一维进行分类，原理同上[图2(c)]。当数据分布在三维空间时，通过寻求空间内的最大超平面而进行分类[27][图2(b)]。

图2 支持向量机原理Fig.2 Support Vector Machine

利用目视解译并结合SVM，对2013年、2016年和2019年的土地利用类型进行提取，通过混淆矩阵对三期影像的分类结果进行精度检验，总体精度达到86.9%以上，Kappa系数均在0.77以上，符合监督分类的标准要求。

2.2.2 景观格局指数计算

景观格局指数作为一种简单定量化指标，能够高度浓缩景观格局信息，反映其结构组成和空间配置等方面的特征[28]。景观格局指数可以从斑块、斑块类型和景观类型这三个水平进行计算，其中斑块水平指数一般作为基础指数，对于景观构成和空间配置的解释不够充分。因此，所选指数为：斑块所占景观面积比例(percent of landscape, PLAND)、斑块数量(number of patches, NP)、斑块密度(patch density, PD)、蔓延度指数(contagion index, CONTAG)、香浓多样性指数(Shannon’s diversity index, SHDI)和聚合度指数(aggregation index, AI)，以下简要介绍后3种指数。

1)蔓延度指数(CONTAG)

CONTAG指数是用来描述景观中不同斑块类型的聚集程度或者延伸趋势。由于该指数包含空间信息，所以是描述景观格局的一个重要指数[17]。当CONTAG指数越大，表明景观中的优势斑块形成了良好的连接，反之则说明景观中存在很多破碎斑块，连接程度低。该指数的计算公式为

(3)

式中:Pi为i斑块所占景观比例;gik为基于重复方法的i类和k类斑块之间的连接数;m为景观中斑块类型的数量。

2)香农多样性指数(SHDI)

SHDI是群落生态学中常用的多样性指标，应用广泛。该指数可以反映出景观异质性，尤其是对景观类型中各斑块非均衡分布状况更为敏感，能够突出稀有斑块对景观的贡献度。SHDI=0时，表明景观仅仅由一个斑块组成，当SHDI增大时，说明各种斑块类型在增加，或者斑块在整个景观中呈均衡化趋势分布[15]。计算公式为

(4)

式(4)中：Pi为斑块所i占景观比例，香农多样性指数的范围为SHDI≥0。

3)聚合度指数(AI)

从AI这一角度可以考察每一种景观类型斑块间的连通性。离散程度可以通过某种类型中所有像元间的公共边界来衡量。当不存在公共边界时，该类型的聚合程度最低；当公共边界达到最多，则表示具有最大的聚合程度[17, 29]。聚合度指数可反映景观要素空间配置特征，聚合度指数值越小，则景观要素分布越离散[30]。计算公式为

(5)

式(5)中：g为景观类型ij之间的临界量；max→gij为景观类型ij之间的最大临界数值；pi为斑块类型i在整个景观中的面积比例，聚合度指数的取值范围为0

2.2.3 地理探测器

自然和社会经济的空间表现称为空间分异，地理探测器能够探测空间分异性并揭示其背后驱动因子的一种统计学方法，广泛应用到自然科学和社会科学等领域[31]。地理探测器模型由因子探测模型、交互作用探测模型、生态探测模型和风险探测模型4部分组成[32]。

本研究主要利用“因子探测模型”和“交互作用探测模型”来分析各驱动因子对西安市主城区土地利用景观格局变化的驱动机制，从而定量地得出各个驱动因子在不同年份影响研究区土地利用程度分异的相对重要性以及各因子之间的交互作用。

(1)因子探测模型。因子探测器用于探测西安市主城区土地利用程度变化的空间分异性，以及探测各个因子对其空间分析的解释程度。其原理是采用空间叠加分析方法先将因变量与各自变量进行关联，然后根据空间类别的区别将各影响因子进行分类，最后通过显著性检验来检测生境平均值的差异，从而得到各个因子的重要性[33]。计算公式为

(6)

式(6)中：N表示土地利用程度的扩展指数；σ2代表方差。将研究区的影响因素划分为L层，使用i=1，则Ni和σi2分别表示i层的扩展指数和方差，q的范围为[0，1]，值越大表明该因子对土地利用程度的解释力越强，即影响程度越强，反之越弱。

(2)交互作用探测模型。交互作用探测器主要用于探测不同因子之间的交互作用，以及其影响程度的大小[34-35]。即判断因子A和B之间是否存在共同作用以及属于何种形式的共同作用，探测不同的因子交互作用是否会增强或是减弱土地利用程度空间分异的解释力，具体交互方式见表1。

表1 地理探测器交互作用方式Table 1 Geo detector interaction mode

3 结果与分析

3.1 土地利用变化分析

根据西安市土地利用现状以及研究目的，将土地利用类型分为：耕地、建筑用地、绿地和水体四类。基于ENVI、ArcGIS软件，利用支持向量机法，获得了三期土地利用现状分类结果，如图3所示，为后文进行景观格局分析和土地利用驱动力分析提供基础数据。

图3 2013—2019 年西安市主城区土地利用现状Fig.3 Situation of land use in Xi’an City from 2013 to 2019

西安市主城区总面积830.68 km2。对比三期土地利用现状图，可以看出2013年灞桥区绿地所占面积大于2016年和2019年，随着西安市主城区不断向北发展，截至2019年，灞桥区北部绿地面积大部分已转换为建筑用地。莲湖区、碑林区和新城区属于中心城区，发展趋于饱和状态，因此各土地利用类型之间的转换不大。土地利用类型的面积占比仍然是建筑用地>绿地>耕地>水体。

对三期土地利用现状进行叠加分析，其结果可以直观反映土地利用类型转移空间变化，如图4所示。

如图4(a)所示，2013—2016年，绿地面积减少9%，而建筑用地增加9.28%，其中建筑用地增加的部分有来自耕地的转换；如图4(b)所示，2016—2019年，建筑用地减少4.63%，绿地面积增加了4.06%。如图4(c)所示，纵观2013—2019年6年间的变化，绿地面积共减少4.94%，建筑用地增加4.65%，而水体和耕地的面积变化不大。

图4 2013—2019 年西安市主城区土地利用类型转移空间变化Fig.4 The spatial change of land use type transfer in Xi’an City from 2013 to 2019

3.2 景观格局指数分析

利用Fragstats软件计算选择的6种景观格局指数(PLAND、NP、PD、CONTAG、SHDI、AI)并进行分析，得到的结果如表2、表3所示。

由表2可知，绿地斑块在2013年时占33.53%，在2016年时明显减少了9.66%，但2019年绿地斑块占比有所增加。建筑用地斑块在2013—2016年这三年里增加了接近10%，但在2016—2019年减少。斑块个数可以很好地反映景观的空间格局，与景观破碎化程度呈正相关。斑块个数越多，揭示整体景观越破碎[36]。绿地斑块个数逐年增加，说明破碎化程度逐年加重，而建筑用地的斑块个数不断减少，说明建筑用地的发展规划已经呈大面积发展。斑块密度与景观破碎化程度也有着密切的关系，斑块密度越大，说明该类型的景观破碎化程度越大[30]。因此斑块密度和斑块个数呈正相关，同时反映景观的完整度。水体的斑块密度逐渐增加，与斑块个数增加保持一致，因此水体景观的破碎化程度逐年加剧；绿地的斑块密度也逐年增加，解释了绿地的破碎化程度不断增强；建筑用地的斑块密度在不断下降，这也与斑块个数不断减小保持一致，从侧面反映出建筑用地正在大面积发展这一城市化现象。

表2 西安市主城区斑块水平景观格局指数(2013—2019年)Table 2 Landscape pattern index of patch level in Xi’an City (2013—2019)

由表3可知，蔓延度指数从2013年的33.82%增加到2016年的36.92%，说明在这3年里，各景观类型之间的连接程度很好。香农多样性指数呈现先减后增的趋势，但仍为1左右，表明各景观类型保持均衡的分布趋势，聚合度指数仍然处于较大值，因为聚合度指数主要反映景观要素空间配置特征，2013—2019年的景观要素分布变化不大，基本趋于稳态。

表3 西安市主城区景观水平景观格局指数Table 3 Landscape pattern index of landscape level in Xi’an City

3.3 驱动力分析

在ArcGIS软件中，使用创建渔网工具生成采样点文件，再将土地利用程度综合指数和所有因子提取到采样点，把因子数据和土地利用程度数据分别设为自变量(X)和因变量(Y)，运用地理探测器模型进行驱动力分析，得到土地利用程度与各个驱动因子之间的定量关系。

人类活动和政策变化是诱发土地利用变化的主要因素[15]，因此所选因素包含了社会经济等人类活动因素以及少量的自然环境因素，主要包括2013年、2016年、2019年三个时期的人均GDP(万元)、常住人口(万人)、城镇化率、温度(℃)、海拔(m)5个影响因子，各项人类活动因素使用西安市统计年鉴数据以区县为单位进行空间量化。使用因子探测模块对3期土地利用程度进行探测，得到各因子对西安市主城区土地利用的影响程度，如表4所示。

表4 各因子对土地利用影响程度Table 4 The degree of influence of each factor on land use

分析表4可知，不同因子在各时期对西安市主城区土地利用的影响程度各不相同。2013年，各因子的土地利用程度变化影响程度的大小为：温度>城镇化率>人均GDP>海拔>常住人口。其中地区温度的解释力大于30%，城镇化率的解释力接近30%，说明地区温度和城镇化率是影响土地利用变化的主要因素。人均GDP的解释力大于25%，表明该因子是影响土地利用变化的重要因子。

2016年各因子的土地利用程度变化影响程度的大小为：温度>海拔>人均GDP>城镇化率>常住人口。其中温度的解释力超过了50%，与上个时期相比增加了30%，是影响土地利用变化的最主要驱动因素，主要是由于此期间的城市化进程加快，可能造成城市热岛的形成，所以地区温度成了土地使用程度最突出的主要驱动因素。

2019年各因子的土地利用程度变化影响程度的大小为：海拔>人均GDP>常住人口>城镇化率>温度。地区温度的解释力在1%以下，其影响程度可忽略不计。人均GDP、常住人口和城镇化率的解释力基本持平，说明这三个因子对土地使用程度的影响程度一致。而海拔的解释力在2013年、2016年和2019年均保持在25%左右，属于一个稳定的驱动因素。

西安市主城区土地利用变化是由多种驱动因子共同作用所控制的，通过利用地理探测器的交互作用探测器获取2013年、2016年和2019年5个驱动因子对土地利用的交互作用，结果如表5所示。

表5 驱动因子交互探测结果Table 5 Driver interaction detection results

4 讨论

对城市进行土地利用情况和驱动力分析可以掌握该地区城市对土地利用的影响，了解该地区土地利用的空间格局，同时为该区域的土地资源、人文和经济规划的发展提供重要的理论依据。随着城市化进程的加快，土地资源的过度开发和使用，致使城市生态系统和居民生活水平受到了巨大的挑战。自然因素和社会因素均在一定程度上对城市土地利用的变化产生影响，生态环境保护和经济发展之间是相辅相成，辩证统一的，经济发展不能以生态环境为代价。

根据西安市统计年鉴，2013—2016年间，主城区人口数量从453.93万人增长至467.93万人，人口增长3.1%，同时生产总值增长1 436.13亿元。人口的增长对应着住房需求的上涨，导致大面积林地转换为建设用地，对建设用地快速增加的地区，土地利用应进行优化，提高土地的使用效率。2017年，西安市不断深入实施户籍、人才、创新创业“三大新政”，率先实行人才引进政策[37-38]，2017年末主城区人口数量为460.63万人，截至2019年末主城区人口为503.47万人，人口数量较前三年增长更快。值得注意的是2016—2019年期间，在人口持续增长的背景下，城市建筑用地的面积却在下降，而绿地面积有所增加。通过调查分析，造成这个现象的原因可能有以下三点：①政府对商品房的调控，对炒房等活动的限制，使大量房源释放到市场中，缓解了人口增长带来的住房压力；②旧城区的改造使部分建筑用地暂时性转换为绿地；③可能与西安市响应国家打好“治霾、治水、治土”3大攻坚战的政策，努力打造优秀绿色城市有关。

5 结论

以西安市主城区作为研究对象，基于2013年、2016年和2019年的三期 Landsat 8遥感影像数据，综合利用GIS空间分析、RS遥感数据处理技术对研究区土地利用数据进行了提取，并利用景观格局指数对西安市主城区在不同时期的土地利用变化特征和景观格局进行了研究，通过地理探测器模型对造成土地利用景观格局变化的驱动因子进行定量分析，并确定各因子间的相互关系。得出如下主要结论。

(1)分析土地利用情况，2013—2019年，西安市主城区城市绿地面积整体减少，建筑面积整体向北增加，增加的建筑面积主要源于绿地和耕地的转换。其中2013—2016年绿地面积转化为建筑用地最多。截至2019年，灞桥区北部绿地面积大部分已转换为建筑用地。莲湖区、碑林区和新城区属于中心城区，发展趋于饱和状态，因此各土地利用类型之间的转换不大。

(2)基于景观格局指数进行分析，2013—2016年，建筑用地斑块在快速增加，2016—2019年逐渐减少。绿地斑块个数逐年增加，说明绿地景观的破碎化程度逐年加重，而建筑用地的斑块个数不断减少，说明建筑用地的发展规划已经呈大面积发展。水体的斑块密度逐渐增加，与斑块个数增加保持一致；同时绿地的斑块密度也在增加，说明绿地的破碎化程度不断增强；建筑用地的斑块密度在不断下降，这也与斑块个数不断减小保持一致。蔓延度指数由2013年的33.82%上升到2016年的36.92%，说明在这三年里，景观连接很好。香农多样性指数呈现先减后增的趋势，但仍为1左右，表明各类斑块保持均衡趋势分布。聚合度指数仍然处于较大值。

(3)驱动力因子在不同时期的解释能力不同，根据地理探测器研究结果表明，2013年和2016年地区温度的解释能力最强，2019年驱动因子中海拔的解释能力最强；交互探测结果显示，2013年和2016年驱动因子间的交互作用均表现为双因子增强，2019年的交互作用表现为其他驱动因子与地区温度的交互效果为非线性增强。

根据西安市主城区土地利用及驱动力分析的研究结果，提出以下建议：由于各方面因素的综合影响，土地利用一直处于动态变化中，因此对于城市土地利用的空间布局就需要当地政府的政策指引，适当调整，不断优化土地利用空间结构。在未来发展建设中采取建设用地整合、耕地复垦等方式，正确处理好耕地与项目用地之间的关系，严格遵守保护耕地的基本国策。重点掌握好城市发展和生态文明建设之间的平衡，针对不同的城区，因地施策的推动土地利用和城市生态文明建设；由于城市绿地景观的破碎化程度较大，应提高新城区、莲湖区和碑林区的绿地景观连接度，防止破碎化程度的加剧，未央区和灞桥区在未来建设中要考虑各类景观的连接度，提高土地利用率；对现存的不利于经济发展的土地利用结构进行优化，使土地资源的配置更加合理化，促进土地资源的可持续发展。