岳智慧， 王玉貴， 任 平

(1.四川師范大學地理與資源科學學院，四川成都 610101； 2.西南土地資源評價與監(jiān)測教育部重點實驗室，四川成都 610068；3.四川大學建筑與環(huán)境學院，四川成都 610065)

土地是寶貴的自然資源，是人類賴以生存的物質財富。隨著人類社會的進步，土地覆被發(fā)生著日新月異的變化，土地問題日益凸顯。從已有研究經(jīng)驗看，大尺度研究能從宏觀上把握區(qū)域總體LUCC狀況，而微觀尺度研究則能更細膩地展現(xiàn)LUCC動態(tài)過程。因此，在進行大區(qū)域研究的同時，還應加強中、小尺度的土地利用研究，這樣才能在LUCC研究領域取得更為長足的進步。CLUE-S模型運用系統(tǒng)論原理，相對于其他模型具有更強大的時空動態(tài)變化模擬能力[1-2]。該模型在國內大多被應用于東部經(jīng)濟發(fā)達區(qū)以及生態(tài)環(huán)境脆弱敏感區(qū)，而對地貌類型較為復雜的地區(qū)研究較少。龍泉驛區(qū)位于成都平原東緣，地貌類型復雜，近年來，隨著龍泉驛區(qū)土地資源得到進一步開發(fā)，這必然帶來許多的土地問題，以這個地區(qū)為例開展LUCC研究具有重大現(xiàn)實意義。

本研究將Markov模型與CLUE-S模型相結合，對龍泉驛區(qū)未來的LUCC狀況進行了多情境模擬，研究結果可為龍泉驛區(qū)土地利用規(guī)劃的編修和城市規(guī)劃布局提供決策參考依據(jù)，也為今后同類型研究提供方法上的借鑒。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

龍泉驛區(qū)位于我國西南地區(qū)，位于成都平原東緣地帶，龍泉山脈的中段，是成都市所轄市區(qū)之一。區(qū)內包含3個主要的地貌類型，分別為山地、丘陵、平壩，其中平壩為研究區(qū)主要的地貌類型。2013年以來，龍泉驛區(qū)穩(wěn)居四川省經(jīng)濟十強縣第一名。近年來，快速發(fā)展的汽車工業(yè)更為龍泉驛區(qū)的發(fā)展帶來了巨大的福利。便捷的交通、發(fā)達的產(chǎn)業(yè)和優(yōu)美的自然環(huán)境等條件，必然使得龍泉驛區(qū)在將來會獲得更好的成績。

1.2 數(shù)據(jù)來源

本研究所使用的數(shù)據(jù)包括研究區(qū)數(shù)字高程模型(DEM)和2005、2014年龍土地利用現(xiàn)狀數(shù)據(jù)。數(shù)字高程DEM數(shù)據(jù)來源于地理空間數(shù)據(jù)云，2005、2014年2期土地利用數(shù)據(jù)來源于龍泉驛區(qū)國土資源局，其中2005年數(shù)據(jù)為全國第一次土地調查數(shù)據(jù)，而2014年數(shù)據(jù)為全國第二次土地調查變更數(shù)據(jù)，故以全國第二次土地調查變更數(shù)據(jù)為準，參照全國《土地利用現(xiàn)狀調查技術規(guī)程》，并結合龍泉驛區(qū)實際情況，將研究區(qū)土地利用類型分為7個類別，分別為耕地、園地、林地、草地、建設用地、水域、其他土地。

1.3 研究方法

1.3.1 Logistic回歸模型 在土地利用變化的研究中，CLUE-S模型可根據(jù)Logistic回歸結果來計算每個柵格單元出現(xiàn)某種土地利用類型的概率，對其進行空間分配。Logistic回歸模型表達式為[3-4]：

(1)

式中：Pi表示i地類出現(xiàn)在柵格上的可能性；β0為常數(shù)項；β1，β2，…，βn分別為各驅動因子的Logistic回歸分析結果中的β系數(shù)；X1，i，X2，i，…，Xn，i代表各個驅動因子。

1.3.2 Markov模型 將Markov模型應用于土地利用數(shù)量變化的模擬，相對于線性內插法更接近于土地利用需求數(shù)量的實際情況[5]。Markov模型與CLUE-S模型的結合應用，克服了單一模型的弊端，使土地利用變化在時間和空間上得到優(yōu)化，其表達式為：

Pn=Pn-1Pij。

(2)

式中：Pn和Pn-1表示第n和n-1的時間點土地利用轉移狀態(tài)；Pij為土地利用轉移概率矩陣。

1.3.3 CLUE-S模型 CLUE-S(The Conversion of Land Use and Its Effects at Small Region Extent)模型由荷蘭Wageningen大學學者開發(fā)，應用于區(qū)域土地利用變化的模擬，經(jīng)改進后的模型比較適合中小尺度的LUCC模擬分析[6]。

1.3.3.1 驅動因子選取 本研究根據(jù)CLUE-S模型的驅動因子需求，并結合研究區(qū)實際情況，共篩選出影響龍泉驛區(qū)土地利用/土地覆被變化的9個驅動因子(包括數(shù)字高程、坡度、坡向、距河流的距離、距坑塘水庫的距離、距農(nóng)村道路的距離、距農(nóng)村居民地距離、距主要城鎮(zhèn)距離、距工礦用地距離等)。

1.3.3.2 模擬尺度甄選 本研究共選取了8種研究尺度進行回歸分析，通過對不同尺度下的Logistic回歸結果進行ROC檢驗，甄選出最佳模擬尺度。

1.3.3.3 土地利用需求 土地利用需求是通過模型外的一些數(shù)學等方法被計算出來，在模擬過程中用于限定土地利用類型的面積數(shù)量?；谝延械?期土地利用數(shù)據(jù)，應用Markov模型可以得到龍泉驛區(qū)2005—2014年每一年各個地類的土地需求面積。

1.3.3.4 轉換矩陣 在土地利用類型的轉換當中，特定區(qū)域轉換成其他地類的難度較高[7-8]。根據(jù)龍泉驛區(qū)歷史土地利用轉換情況和實地調研，設置了本研究所需1的轉移矩陣。

1.3.3.5 ELAS穩(wěn)定性參數(shù) 由于各地類之間轉換穩(wěn)定性程度具有差異，根據(jù)龍泉驛區(qū)發(fā)展特點、歷史數(shù)據(jù)等設定了較為合理的ELAS參數(shù)值(表1)。

表1 龍泉驛區(qū)各地類轉換ELAS參數(shù)

1.3.3.6 模擬精度檢驗 采用正確柵格比例和Kappa指數(shù)來測算模擬結果的精度，其中正確柵格比例以正確的柵格數(shù)目百分比表示。Kappa指數(shù)作為一種RS影像分類精度的評價指標，可以定量反映模擬效果，也可以用來評價2幅圖的一致性[9]，其運算公式為：

Kappa=(P0-Pc)/(Pp-Pc)。

(3)

式中：P0為正確柵格數(shù)目比例，Pc為隨機情況下期望的正確模擬比例，Pp為最為理想的模擬狀態(tài)。

1.4 情境設計

情境分析由Pier Wark在1972年提出，指事物在未來的不同條件下的發(fā)展態(tài)勢[10]，本次情境模擬基于龍泉驛區(qū)土地利用自然發(fā)展態(tài)勢、基本農(nóng)田保護和生態(tài)保護視角，通過調整Markov轉移概率矩陣和模型參數(shù)，設計了研究區(qū)未來LUCC3種發(fā)展情境。

1.4.1 自然增長情境 該情境假設研究區(qū)的土地利用/土地覆被變化完全不受任何政策因素的影響，土地需求按照上一時期的土地利用轉移概率矩陣的模式而變化。

1.4.2 基本農(nóng)田保護情境 參考龍泉驛區(qū)土地利用總體規(guī)劃中關于嚴格保護耕地、基本農(nóng)田保護和控制建設用地規(guī)模的相關政策，對Markov轉移概率進行相應的調整，調整后的結果表明，耕地向建設用地的轉移概率由11.08%下降至 6.03%，下降幅度為45.58%；園地向建設用地的轉化率由原來的15.13%下降至9.8%，下降幅度為35.23%。

1.4.3 生態(tài)保護情境 該情境強調了林地、草地和水域等生態(tài)用地的保護。該情境的意義在于對區(qū)域的生態(tài)環(huán)境的改善和維護，保障區(qū)域的生態(tài)安全?；谝陨峡紤]，本情景設置將適當?shù)卣{整林地、草地和水域的轉移概率。

2 結果與分析

2.1 研究尺度擬合度檢驗

對不同尺度下Logistic回歸結果的評價采用ROC驗證，ROC值越大的尺度，其模擬效果越好(表2)。ROC檢驗結果表明，60 m×60 m的研究尺度ROC值相對較為理想(圖1)，故將60 m作為本研究的最佳模擬尺度。

2.2 不同情境下LUCC時空特征

基于以上情境設計，將不同的情境設計應用到CLUE-S模型中，最終模擬得到3種不同情境下龍泉驛區(qū)2020年土地利用狀況數(shù)據(jù)。

2.2.1 自然增長情境 自然增長情境下，從2014—2020年，各土地利用類型的變化存在著巨大的差異，變化幅度從大到小依次表現(xiàn)為園地>建設用地>耕地>水域>林地>草地>其他土地。在模擬時間段內，園地、建設用地和耕地的變化幅度最大，其他土地利用類型面積都出現(xiàn)了減少的情況，減少幅度較前3個地類小。在該情境下，建設用地的擴張較為劇烈，對其四周的土地侵略程度較高，特別是對園地的侵占程度較高(圖2)。

表2 2005年不同研究尺度下Logistic回歸分析ROC值對比

2.2.2 基本農(nóng)田保護情境 基本農(nóng)田保護情境下，耕地受到有效的保護，基本農(nóng)田的面積較自然增長情境下有所提升，從空間分布上來看，主要是在原有的農(nóng)田基礎上有所擴張，并且集中分布于區(qū)域西部平壩地區(qū)，而建設用地向四周擴張的態(tài)勢則受到明顯的抑制(圖3)。

2.2.3 生態(tài)保護情境 生態(tài)保護情境下，林地、草地和水域等生態(tài)資源得到強有力的保護，并且數(shù)量上在原有的基礎上有所增長。該情境相較于其他情境設置，各個地類的變化幅度較小(圖4)。在該情境下，必須全面平衡社會、經(jīng)濟和環(huán)境保護之間的相互關系，在經(jīng)濟發(fā)展的同時，也能保證對生態(tài)環(huán)境的保護，研究區(qū)的生態(tài)環(huán)境得到了較大程度的優(yōu)化，有利于改善人們的生活環(huán)境，保障區(qū)域“青山綠水”式的社會發(fā)展。

2.3 模擬結果分區(qū)

根據(jù)不同情境模擬結果的相似特征，將研究區(qū)土地利用情況分為三類區(qū)域，并根據(jù)各自區(qū)域的LUCC特征，提出相應的土地利用建議。

2.3.1 中西、中北部平壩區(qū) 該區(qū)域以耕地、園地和建設用地為主，地勢平坦，經(jīng)濟發(fā)展水平是整個龍泉驛區(qū)相對較高的區(qū)域。該地區(qū)的主要問題是，農(nóng)用地后備資源缺乏，建設用地供需矛盾將更加突出。社會經(jīng)濟發(fā)展的階段性特征表明，由于區(qū)域內的工業(yè)化和城鎮(zhèn)化的快速發(fā)展，城鎮(zhèn)工礦用地增長，大規(guī)模的基礎建設還沒有全面地發(fā)揮其經(jīng)濟效益，同時這些建設用地的擴張還將不可避免地占用部分農(nóng)業(yè)用地，農(nóng)用地保護將面臨較為嚴峻的形勢。解決的主要方向是要加強耕地保護政策的執(zhí)行力度，劃定必要的耕地保護區(qū)域，堅決落實“占補平衡”政策，緩和用地矛盾。同時，還應加大對二、三產(chǎn)業(yè)的扶持力度，從提高土地利用效益角度來實現(xiàn)對農(nóng)用地的保護。

2.3.2 東部山地區(qū) 該地區(qū)相對東部平地地勢較高，以山地和丘陵地貌為主， 主要包含萬興鄉(xiāng)、同安街道辦事處、洛帶鎮(zhèn)等鄉(xiāng)鎮(zhèn)的部分區(qū)域。該區(qū)域內林地、耕地和園地大量分布，是整個龍泉驛區(qū)經(jīng)濟條件相對較差的區(qū)域。該地區(qū)存在的問題是農(nóng)業(yè)用地分布較為散亂，破碎化程度較高，糧果爭地的問題較為突出。解決該問題的辦法是根據(jù)當?shù)貙嶋H情況，因地制宜地進行土地利用規(guī)劃，使得耕地、園地等地類能夠集中起來，便于山區(qū)土地的集中管理，提高土地利用的效率。

2.3.3 東南部淺丘區(qū) 該區(qū)域位于龍泉山脈中西部，地形以丘陵為主，包含山泉鎮(zhèn)、茶店鎮(zhèn)和柏合鎮(zhèn)的部分地區(qū)，區(qū)內土地利用類型中園地、林地和水域分布較廣。該地區(qū)水果種植較為普遍，水蜜桃、枇杷等水果產(chǎn)量較高，特色農(nóng)業(yè)種植全國聞名。該地區(qū)土地利用存在的主要問題是建設用地的分布較為散亂，造成園地的分布沒有實現(xiàn)很好的區(qū)域規(guī)模。解決該問題的辦法是，對居民點進行集中整理，實現(xiàn)聚落的集中，使得該區(qū)域的耕地和園地發(fā)展空間更大，這種模式更有利于該區(qū)域特色農(nóng)業(yè)未來的經(jīng)營與發(fā)展。

3 結論與展望

3.1 結論

本研究在SPSS、ArcGIS軟件以及相關數(shù)學模型的支撐下，探索了CLUE-S模型在龍泉驛區(qū)LUCC情境模擬預測中的適宜性，構建了2020年龍泉驛區(qū)不同情境下的土地利用/土地覆被變化狀況，并將模擬結果進行了分區(qū)。主要結論如下：

3.1.1 模擬尺度的甄選對模擬結果至關重要 本研究在進行模擬尺度的選擇時，從30 m×30 m的尺度開始，以15 m為步長，預先設定了30 m×30 m、45 m×45 m、60 m×60 m、75 m×75 m、90 m×90 m、105 m×105 m、120 m×120 m、135 m×135 m等8種研究尺度進行最佳模擬尺度的篩選，最終將較理想60 m×60 m作為最佳模擬尺度，使得模擬結果更加接近龍泉驛區(qū)土地利用的真實狀況。

3.1.2 Markov模型的應用使得模擬結果更為理想 CLUE-S 模型中缺少對土地利用需求的預測模塊，因此需要獨立于模型之外的方法來計算土地利用需求，將Markov模型與CLUE-S模型結合應用，克服了單一模型的弊端，使土地利用變化在時間和空間上得到優(yōu)化。

3.1.3 不同時期的驅動因子對LUCC的影響存在差異 本研究所選取的9個驅動因子，在不同的研究時段對各個地類的影響有所差異。以耕地為例，在2005年對耕地變化的主要驅動因子為數(shù)字高程、坡度、距河流距離和距農(nóng)村居民地距離，而到了2014年距河流距離對耕地變化影響力較2005年明顯下降。

3.1.4 CLUE-S模型對龍泉驛區(qū)的模擬效果良好 將模擬結果進行Kappa檢驗，結果其精度值達到了84%，大于75%，模擬效果較為理想，說明運用CLUE-S模型對龍泉驛區(qū)未來的土地利用/土地覆被變化的模擬可行性較大。

3.2 展望

對CLUE-S模型參數(shù)的合理設置對模擬結果的精準度尤為重要，未來的研究將探求更高的模擬精度。本研究最終的模擬精度還不是特別高，在今后的研究中，作者將針對論文還存在不足的地方進行改進，以期得到更好的模擬精度。

土地利用的需求數(shù)據(jù)是CLUE-S模型中非空間模塊一個重要內容，它對模擬結果極其關鍵，但模型本身缺乏對土地利用需求總量的預測功能。本研究對土地利用需求計算是基于Markov模型轉移矩陣進行的模擬測算，但是真實的土地利用/土地覆被變化是一個極其復雜的系統(tǒng)，受到許多因素的影響，因此，對土地利用需求總量數(shù)據(jù)的準確獲取，是LUCC模擬研究領域亟需解決的重點和難點問題，需要所有研究者的共同努力。就CLUE-S模型本身而言，它只能識別ASCII格式的文件，因此在進行模型的運行過程中，格式轉換問題繁雜，容易出現(xiàn)數(shù)據(jù)處理錯誤，導致模型運行失敗或模擬結果偏差。因此，對于模型今后的開發(fā)和應用，統(tǒng)一的文件格式處理功能是重要的發(fā)展方向。