基于PLUS模型并顾及交通规划的广州市土地利用情景模拟与分析

林素丽，王枫

（华南农业大学公共管理学院，广州 510642）

土地是城市存在和发展的基础，是城市政治、经济、社会和文化等各项活动的空间载体[1]。随着城市经济的快速发展，城市基础设施不断完善，建设用地呈显著扩张态势，不断侵占耕地、林地和湿地等城市其他生产生态用地，造成粮食安全和生态环境等问题，在国土空间总体规划的大背景下，合理的城市规划是破解这些问题的有力手段。借助模型模拟预测城市内各类用地的需求总量，探讨不同情景下的用地空间格局有助于理解城市土地利用的变化过程和机制，为城市的合理规划提供参考依据。

当前，学术界主要采用系统动力学（System Dy⁃namics，SD）[2]、线性规划法[3]和马尔科夫链（Markov Chain）[4]等模型对土地利用结构进行模拟预测。SD模型能反映土地利用系统的复杂行为[2]，但部分参数随意性大，难以定量且最优解难寻[5]；线性规划法可以确定土地利用的最优结构[6]，但其为静态模型，难以有效反映土地利用与其他因子间的相互作用关系[5]；而马尔科夫链是基于一段时间内土地利用类型间的转换概率预测未来土地利用类型需求总量的模型，具有计算效率高和可定量预测的优势[7]。土地利用结构预测是基础，但实现城市用地的可持续发展还需从空间上合理配置资源。元胞自动机（Cellular Automata，CA）模型具有强大的空间运算能力，是模拟复杂空间的有效工具[8]，但已有的CA−Markov、FLUS（Future Land Use Simulation Model）等CA模型对土地利用变化机制的解释性较差，难以动态模拟多种土地利用类型的斑块级别演变[9]，而基于多类斑块生成策略的PLUS（Patch−generating Land Use Simulation Model）模型能弥补以上不足[9]，目前已被应用于不同尺度的土地利用变化模拟[10−15]。

城市土地利用状况受政策规划的影响，交通作为城市发展的命脉和骨架，其规划影响着城市土地的空间布局。已有研究表明，CA 模型在进行城市用地模拟中考虑规划交通的影响能模拟出更真实的城市空间格局[16]。以往的城市模拟多关注城市特定区域发展的规划限制[16]，如将“三线”区域[17]、河流水库和自然保护区[18]等作为限制条件设置情景来模拟城市未来用地情况，而较少综合考虑规划政策的驱动和引导作用[16]，且考虑城市未来的交通规划进行情景设置的研究更少。城市化进程的发展对城市的交通系统提出了新的要求，交通规划正是实现城市阶段性发展目标的重要举措，规划交通系统的发展能扩大城市的通勤半径，带来人口和产业的聚集，进而影响城市的形态[19]、空间布局[20]和用地强度[21]。为找准区域城市化的发展方向和实现区域的可持续发展，在模拟城市未来用地格局的情景设置方面有必要考虑交通规划这一重要情景，模拟结果有助于政府宏观把握交通规划带来的影响及土地资源的基本状况，进而调节资源配置以适应经济社会的发展需要，实现规划政策与城市长足发展的统一。

鉴于交通规划是影响未来区域土地利用空间格局的重要因素，本研究以广州市为研究区域，基于2010 年和2020 年两期土地利用覆盖数据，设置考虑城市未来交通规划的情景，在马尔科夫链预测的各类用地总量的基础上借助PLUS 模型模拟广州市2030年自然发展情景和交通规划情景下的土地利用情况，并运用土地利用转移矩阵和景观指数分析两种情景下的土地利用转移特征和景观格局分布特征，以期为广州市的发展规划和政策调整提供参考依据，促进土地资源的合理配置和高效利用。

1 材料与方法

1.1 研究区概况

广州市位于东经112°57′～114°03′、北纬22°26′～23°56′之间，为广东省省会城市，粤港澳大湾区和泛珠三角洲城市群的核心城市，由11 个区组成，处于南亚热带海洋季风气候带，雨热同期；地形北部主要为中低山地、中部为丘陵和台地、南部为珠江三角洲冲积平原。广州市的经济发展态势良好，城镇化水平较高，2021 年的国民生产总值达28 232 亿元，居全国第四位，常住人口1 881.06 万，城镇化率高达86.46%。广州市拥有辐射全国的综合运输体系，其公路和铁路等交通线路四通八达、环网相连、纵横交错，在全国的交通网中有重要的战略地位。

1.2 数据来源与处理

本研究所使用的2010年和2020年的土地利用现状数据为栅格数据，来源于30 m全球地表覆盖Globe⁃Land 30 数据库（http：//www.globallandcover.com），分辨率为30 m，数据总体精度较高。将两期土地利用数据按研究区范围进行拼接和掩膜提取后，参考Glo⁃beLand 30分类系统并结合广州市实际的土地利用特征，将其重分类为耕地、林地、草地、灌木地、湿地、水体、人造地表和海域8 类。广州市行政范围界线、地铁、铁路、高速公路、国道、省道的矢量数据来源于水经微图地图下载器，根据广州市实际交通情况进行点位检验和微调整，应用ArcGIS 软件中的欧式距离工具获取土地利用与地铁、铁路等的距离数据。市中心、乡镇和村庄点位的矢量数据来源于BIGEMAP 地图下载器，通过欧式距离工具进行数据处理。数字高程数据（DEM）来源于美国国家航空航天局（NASA），坡度数据由DEM 数据提取获得。人口数据来源于Worldpop（https：//www.worldpop.org/）。河流水系数据来源于Open Street Map（https：//www.openstreetmap.org/）。国内生产总值（GDP）、夜间灯光指数、年平均气温、年降水量和归一化植被指数（NDVI）数据来源于中国科学院资源环境与数据中心（https：//www.res⁃dc.cn/）。地铁、高速公路和铁路的规划数据来源于广州市交通运输局，通过其发布的《广州市交通运输“十四五”规划》中的交通规划图与研究区进行地理配准后数字化获得。所有数据均在ArcGIS 10.8 中设置环境参数，将数据统一为3 726×5 261 的行列数、30 m×30 m 的空间分辨率及WGS−1984−UTM−Zone−49N 的投影坐标系。

1.3 研究方法

1.3.1 PLUS模型

1.3.1.1 模型介绍及模拟流程

PLUS模型是一个以元胞自动机为基础构建的新模型[13]，相比于其他土地利用模拟模型，其应用新的用地扩张分析策略，对土地利用的变化机理具有更好的解释性，应用多类土地利用斑块变化的机制，可以模拟多种地类的斑块级别演变[10]。PLUS 模型模拟逻辑如图1 所示，首先，从两期土地利用数据中获取土地利用变化中各地类的扩张部分并从中进行采样，结合驱动因子采用随机森林算法生成各类用地的发展概率；其次，利用马尔科夫链预测未来土地利用的像元总量作为用地布局的约束条件，在CARS 模块中设置未来像元总量、成本矩阵、邻域权重和相关参数模拟各类用地的空间格局。此外，PLUS 还集成了基于随机森林的规划交通更新机制，可以将交通规划的路线、站点等作为驱动因子，探讨交通规划对城市发展的驱动引导作用，有助于解决已有研究只考虑规划的约束作用而无法考虑规划的政策驱动和引导作用的问题[10]。

图1 PLUS模型的模拟逻辑及土地利用模拟流程Figure 1 Simulation logic of PLUS model and land use simulation process

广州市的土地利用模拟分为两部分：①基于2010 年和2020 年的土地利用数据和驱动因子，借助PLUS 模型模拟2020 年的土地利用数据，与广州市真实的2020 年数据进行精度和一致性检验；②在总体精度和一致性满足的前提下，以2020 年真实的土地利用数据为基准，设置自然发展情景和交通规划情景，在马尔科夫链生成的2030 年土地利用像元的约束下模拟广州市2030 年的土地利用分布情况。自然发展情景（情景Ⅰ）即保持2010—2020 年各类用地的发展概率模拟2030 年的土地利用分布情况；交通规划情景（情景Ⅱ）即加入《广州市交通运输“十四五”规划》中新扩建的地铁、铁路和高速公路3 个驱动因子，生成新的用地发展概率后进行模拟。本研究PLUS模型中的邻域权重设置参考王保盛等[22]基于历史情景的设置方法，将耕地、林地、草地、灌木地、湿地、水体、人造地表和海域的邻域权重分别设置为0.523 6、0.324 7、0.135 8、0.000 1、0.001 7、0.009 4、1.000 0 和0.008 3，依据2010—2020 年各类用地的发展概率设置调整成本矩阵。

1.3.1.2 土地利用变化驱动因子选取

驱动因子的选择既要反映区域的自然地理特征，又要综合考虑经济社会发展条件的驱动作用。结合广州市的实际情况、数据的可得性及相关研究中驱动因子的选择[7，13]，本研究从自然、经济和社会三方面选取了16个因子，并增加了3个规划交通驱动因子生成新的用地发展概率，分别进行自然发展情景和交通规划情景的土地利用变化模拟。其中，自然因子包括高程、坡度和NDVI 等（图2a～图2f），经济因子选取了夜间灯光指数、GDP和人口密度（图2g～图2i），社会因子包括与市中心及各交通线路的距离等（图2j～图2p），3个规划交通驱动因子为铁路、高速和地铁的空间数据（图2q～图2s）。所有驱动因子均运用ArcGIS 10.8软件处理为相同的行列数、空间分辨率及投影坐标系。

图2 土地利用变化空间驱动因子Figure 2 Spatial driving factors of land use change

1.3.1.3 精度检验

Kappa 系数能全面揭示景观空间信息变化，可用于两幅图的一致性评价[23]，总体精度为正确分类的像元总和除以总像元数[24]，FoM 指数能描述模型模拟的准确性[25]，故模型模拟的精确性采用Kappa 系数、总体精度和FoM 指数进行检验，可以在PLUS 模型中的Validation 模块直接进行计算。Kappa系数、总体精度和FoM 指数是介于0～1 之间的连续数值，当Kappa 值大于0.75、总体精度接近1 时，说明模型模拟的总体精度较高；FoM 值一般较小，可用于识别真实用地格局与模拟结果之间的区域变化精度[26]，其值越大说明模拟结果与真实用地格局的一致性越高。

1.3.2 土地利用转移矩阵

某一时间序列内不同土地利用的数量变化、结构特征和变化方向可以借助土地利用转移矩阵直观反映，其表达式为：

1.3.3 景观指数

为更直观地反映广州市各类用地在不同时期和不同情景下的用地格局特征，引入景观格局指数对整体景观格局和斑块类型特征进行评价。本研究借助Fragstats 4.2软件，从面积、形状、聚散度和多样性4个维度选取12个指标进行分析（表1）。

2 结果与分析

2.1 模型模拟验证与精度分析

采用随机采样的方法选取了40%的栅格数据作为训练样本，基于广州市2010 年的土地利用数据（图3a），借助PLUS 模型模拟2020 年的土地利用情况，由模拟结果（图3c）与真实的用地格局（图3b）对比可知：在广州市南部，模拟结果中耕地和人造地表对海域和水体的转换能力相对较低，与实际用地格局略有偏差；在广州市的其他区域，模拟结果中人造地表的分布形态在空间上偶有集聚，而其余各地类与真实用地格局的空间布局大体一致。将模拟结果与真实的2020 年数据进行精度验证，得到Kappa 值为0.762，总体精度为0.825，FoM 值为0.345，说明模型一致性良好且精度较高，可应用于广州市2030 年的土地利用模拟。

图3 广州市土地利用空间分布及2020年模拟结果Figure 3 Spatial distribution of land use in Guangzhou and simulation results in 2020

2.2 不同情景的土地利用格局变化特征

通过PLUS 模型自带的马尔科夫链预测广州市2030 年各类用地面积。由表2 可知，2020—2030 年，随着广州市城市化进程的推进，人造地表取代林地成为广州市主要的用地类型，2030 年人造地表占总用地面积的35.67%，而林地占比为31.07%，居于第二位；与2020年相比，2030年广州市除人造地表面积增加了753.16 km2外，其余土地利用类型的面积均不同程度减少，其中耕地、林地、草地和水体分别减少了363.26、282.76、70.15 km2和29.11 km2。鉴于经济较发达区域地铁线路的影响范围可达2 km，高速公路沿线土地利用变化较为剧烈的区域为沿线3～8 km处，且距离铁路越近的区域土地利用变化幅度越大，本研究对交通线路建3 km 的缓冲区（图4）。通过分析缓冲区内的土地利用情况（表2）发现：交通线路对耕地、林地和人造地表的影响较大，相比于自然发展情景，交通规划情景的人造地表面积增加了22.06 km2，耕地和林地面积分别减少了14.36 km2和12.56 km2，人造地表增加的区域分布于广州市中心城区外围，以侵占耕地和林地为主，这说明交通线路的发展在一定程度上会促进人造地表在线路周围扩张。

图4 交通线路3 km范围内土地利用类型分布变化Figure 4 Distribution changes of land use types within 3 km of traffic line

表2 广州市土地利用面积变化Table 2 Area changes of land use in Guangzhou

广州市自然发展情景和交通规划情景模拟下的用地格局如图5 所示，从整体上看，两种情景的土地利用格局相似度较高，均反映了人造地表面积的增加及耕地、林地面积的减少。为分析不同情景下局部用地格局的变化特征，自北向南选取4 个区域进行放大研究，结果表明：广州市北部地区（区域1）距离广州市中心和从化区中心较远，地貌类型以山地为主，人口相对较少，人造地表的分布概率较低，该区域两种情景下的土地利用空间格局相似且与2020 年基本一致。对比2020 年与2030 年两种情景的区域2 和区域3 可知，2030 年广州市两种情景下的人造地表以“外延式”发展为主；2020—2030 年，自然发展情景的人造地表在各个区域的蔓延速度相对一致（情景Ⅰ区域2、情景Ⅰ区域3），而交通规划情景的人造地表在距离市中心较近的建成区外围聚集分布（情景Ⅱ区域3），在远离市中心的地区发展概率较低（情景Ⅱ区域2），这可能与规划新建的交通线路主要集中于市中心及其外围有关；在广州市南部地区（区域4），2020—2030年两种情景的耕地和水体变化较小，主要呈现出人造地表向海域蔓延的景象。

图5 广州市2030年自然发展情景和交通规划情景土地利用格局对比Figure 5 Comparison of land use patterns between natural development scenarios and traffic planning scenarios in Guangzhou in 2030

表1 景观指数及其说明Table 1 Landscape index and its description

2.3 不同情景的土地利用转移特征

为更加直观地表征不同情景下不同地类的转入转出情况，将2020 年的土地利用图层与自然发展情景和交通规划情景的用地图层进行叠加，得出广州市不同情景的地类转移空间情况。由图6 可知，2020—2030 年，广州市的土地利用类型变化主要表现为耕地和林地向人造地表的转移。两种情景下，耕地转入集中在增城区和从化区，交通规划情景下耕地转入更为集中；林地几乎无转入，林地转出集中于白云区、黄埔区和天河区的接壤部分，交通规划情景下林地在增城区和从化区也呈团块状集中转出；草地在从化区北部保持得较好；灌木地、湿地和水体无明显变化；海域有小部分转出；人造地表的增加主要以侵占耕地和林地为代价，主要集中于广州市的中部、北部和东部区域，在交通规划情景下以大斑块集中转入为主。

图6 2020—2030年广州市不同情景地类转移空间变化Figure 6 Spatial change of land−type transformation under different scenarios in Guangzhou from 2020 to 2030

2.4 不同情景的景观格局变化特征

2.4.1 景观水平变化特征

2020、2030 年自然发展情景和交通规划情景的景观格局变化如表3 所示，与2020 年的景观相比，2030年LPI值和CONTAG 值增加，表明自然发展情景和交通规划情景下的景观斑块优势度上升明显，景观斑块间连通度有所提高；LSI、NP、PD 和AI 等指标结果显示，2030 年两种情景的景观形状更为简单，整体呈集聚趋势，破碎化程度降低；SHDI 和SHEI 指数表明两种情景下景观的异质性、复杂性和均匀程度较为一致。相对于自然发展情景，交通规划情景的景观整体上更为集聚，但随着人造地表大斑块的增加，其他类型景观的连通性被打断，斑块间的连通性相对较低；LPI 值和LSI 值表明，与自然发展情景相比，交通规划情景由于受人为干扰，景观中斑块的优势度更高，且斑块形状相对复杂。

表3 广州市景观水平上的景观指数对比Table 3 Comparison of landscape index at the landscape level in Guangzhou

2.4.2 斑块类型水平变化特征

斑块类型水平变化特征如图7 所示，面积指标表明，研究区内耕地、林地和人造地表是占据优势的主要景观，与2020年相比，2030年自然发展情景和交通规划情景下的耕地、林地、草地、水体和海域面积均减少，其中，耕地减少最为剧烈，人造地表面积却增加；耕地的PLAND 值下降最多，其次为林地和草地，这反映了两种情景下耕地、林地和草地优势度均下降；研究区内林地和人造地表的LPI 值较高，说明连片林地和连片人造地表分布广泛；人造地表的PLAND值和LPI 值增加明显，说明人造地表在景观中的优势度上升。2030 年的土地利用相对于自然发展情景，交通规划情景的LPI 值相对较高，这表明交通规划下，土地利用受人为干扰程度较大，在一定程度上会加剧人造地表对其他地类景观的侵占，造成人造地表的景观优势度更高。

图7 广州市斑块类型水平上的景观指数对比Figure 7 Comparison of landscape indices at patch type level in Guangzhou

形状指标（图7）表明，所有地类在不同年份不同情景下的PAFRAC 值相差不大，均介于1.3～1.6 之间，表明各地类的景观形态的复杂性和稳定性较一致；耕地、林地和人造地表是景观中占优势的主导地类，草地、灌木地、湿地和水体镶嵌于其中，海域景观仅存在于广州市最南端的特定区域；LSI 值表明耕地和草地的景观形状指数高于其他景观类型，说明耕地和草地的景观形状更为复杂；与2020年相比，2030年两种情景下耕地的LSI 值呈增加趋势，揭示耕地形状更为复杂，破碎度增加；草地和灌木地的景观形状复杂程度有所减弱；与自然发展情景相比，交通规划情景下除湿地景观外，其他地类的LSI 值均有所上升，表明交通规划情景下各地类景观的形状更为复杂。

聚散度指标（图7）表明，研究区内除草地和灌木地之外，其他景观的空间聚集指数AI值均较大，表明广州市的景观类型的团聚程度较高。各地类景观的DIVISION 值变化不大，表明各斑块的分散程度一致；湿地和海域的NP值最低，斑块聚集度高；AI值表明交通规划情景相对于自然发展情景各斑块的破碎程度略高。

3 讨论

本研究综合考虑交通规划对城市土地利用空间布局的影响，利用马尔科夫链和PLUS 模型模拟了自然发展情景和交通规划情景下广州市的用地格局，在模型验证阶段得到Kappa 值为0.762，总体精度为0.825，FoM 值为0.345，比李玮麒等[17]利用FLUS 模型模拟广州市的结果的总体精度略高，这主要归因于PLUS 模型中多类土地利用斑块变化的机制，其可以模拟多种地类的斑块级别演变[10]，使模拟结果具有良好的一致性和较高的模拟精度。目前PLUS模型在不同尺度的土地利用格局研究和驱动因素分析中得到应用，如在宏观尺度上，张潇等[11]、李琛等[12]和胡丰等[13]利用PLUS 模型分别探究了长江三角洲、山地重点开发区和渭河流域的土地利用格局，罗芳等[14]运用PLUS 模型分析了四川省宜宾市耕地变化的驱动因素；在微观尺度上，喇蕗梦等[15]应用PLUS模型进行多情景用地模拟以探讨秭归县生态系统服务动态权衡关系，这均可说明该模型适用于模拟土地复杂的空间演化和挖掘用地诱因。本研究应用PLUS模型在宏观识别2030 年自然发展情景和交通规划情景土地利用格局的基础上，通过转移矩阵和建立交通线路3 km缓冲区相对微观地探析对比两种情景下的城市土地利用格局及规律，能更清晰把握交通规划对广州市土地利用空间布局的影响。

城市周边的农田和生态用地能作为城市组团之间的隔离地带，发挥农业、生态和景观功能，而交通线路的发展使得中心城区外围的耕地和林地转为人造地表的概率增大，这一定程度威胁到了城市的粮食和生态安全，需加以规范和引导。首先，在交通线路周围应落实更严格的耕地保护和生态保护政策，合理划定“三区三线”，加大对优质耕地和重要生态区的保护力度；其次，交通线路的选址应尽可能地避免对优质耕地和重要生态区的侵占，对于必要占领部分落实占补平衡政策；最后，应严格实行国土空间用途管制制度，严格执法监察，遏制交通线路周边违法用地行为的发生。

本研究模拟过程中由于数据的可得性问题，没有考虑广州市其他经济政策的驱动影响，如广州市南拓强南沙战略并没有在研究结果中明显体现，也没有识别基本农田保护区和生态脆弱区，进而对土地空间布局模拟进行约束，这在后续的研究中需进一步改进完善；今后也可将其他模型预测的未来人口和GDP等社会经济变量考虑到模型中，进行更全面的多因素模拟。

4 结论

在国土空间总体规划的大背景下，预测城市未来用地格局，可为城市发展规划的制定和调整提供数据支撑，缓解规划政策与实际开发建设之间的矛盾，促进土地资源高效利用。本研究基于PLUS 模型，结合自然、社会和经济三方面的16个空间驱动因子及3个规划交通因子，模拟了广州市2030 年自然发展情景和交通规划情景的土地利用格局，研究结论如下：

（1）PLUS 模型适用于广州市的土地利用变化模拟，模拟结果精度较高，借助PLUS模型设置自然发展情景和交通规划情景进行广州市未来用地格局模拟具有合理性。

（2）2020—2030 年，广州市的土地利用类型变化主要表现为耕地和林地向人造地表转移，2030 年人造地表取代林地成为广州市的主要用地类型；3 km范围内交通线路对人造地表的影响较大，该区域交通规划情景的人造地表分布更为集聚，主要以侵占耕地和林地进行发展，面积比自然发展情景增加了22.06 km2，这表明交通线路发展带动广州市郊区向城市用地转变，促进广州市人造地表向集中型发展。

（3）2020—2030 年，在广州市北部和南部地区，自然发展情景和交通规划情景下各地类间的相互转移强度均较低；除北部和南部之外，用地变化格局主要表现为人造地表以“外延式”向广州市中心城区外围扩张蔓延，自然发展情景下各区域的蔓延速度相对一致，交通规划情景则于城市建成区外围集聚蔓延。

（4）自然发展情景和交通规划情景的土地利用相对于2020年在整体景观上斑块的优势度显著上升，景观中各斑块的空间分布均匀度、破碎度和分割度略微降低；斑块类型水平上，两种情景的人造地表面积增加，景观优势度上升，耕地和草地的斑块形状更为复杂；相比自然发展情景，交通规划情景下斑块的优势度更高，斑块形状更复杂，具体表现为人造地表优势度明显上升，耕地和草地的形状更复杂、破碎度更高。