王保盛,廖江福,祝 薇,邱全毅,王 琳,唐立娜,*

1 中國科學(xué)院城市環(huán)境研究所城市環(huán)境與健康重點實驗室,廈門 361021 2 中國科學(xué)院大學(xué),北京 100049 3 集美大學(xué)計算機工程學(xué)院,廈門 361021

由于人們對土地利用變化的持續(xù)關(guān)注[1- 3],土地利用模擬模型的研究也隨之興起,模型多樣性得以豐富的同時各類模型參數(shù)更是層出不窮,因此,如何更為科學(xué)、客觀的設(shè)定模型參數(shù)正在成為影響土地利用模擬研究的重要因素之一。元胞自動機(Cellular Automata, CA)作為諸多模型中最主要、且應(yīng)用廣泛的方法之一[4- 5],是很多模型研究的基礎(chǔ)。諸多以CA為基礎(chǔ)的模擬方法,譬如小尺度土地利用變化及效應(yīng)模型(The Conversion of Land Use and its Effects at Small region extent CLUE-S)、地理模擬優(yōu)化系統(tǒng)(Geographical Simulation and Optimization System, GeoSOS)、未來土地利用變化情景模擬模型(A Future Land Use Simulation Model FLUS)等,都是在整合驅(qū)動力因素、變化規(guī)則、變化強度等因子的基礎(chǔ)上結(jié)合元胞理論,通過相應(yīng)的數(shù)學(xué)過程對各土地類型的變化量或總量進(jìn)行合理分配,進(jìn)而實現(xiàn)對設(shè)定情景的模擬[6- 10]。由于模型參數(shù)對模擬過程和結(jié)果的重要性[11-12],參數(shù)也越來越被關(guān)注,鄰域因子作為CA重要的參數(shù)之一,已在鄰域作用可控性[13]、擴展鄰域效應(yīng)[14-15]、鄰域空間自組織性[16]、動態(tài)鄰域[17-18]、鄰域敏感性[19]等諸多角度開展了研究,但鄰域因子的權(quán)重系數(shù)目前仍缺乏客觀且簡單的確定方法,相比基于主觀判斷的方法,本研究從歷史情景入手,通過對歷史客觀變化的分析來設(shè)定FLUS模型鄰域權(quán)重(Weight of Neighborhood),合理規(guī)避主觀判斷帶來的偏差,以增強模擬的客觀性和科學(xué)性。

土地利用變化是自然、社會、經(jīng)濟、政治等諸多影響因子復(fù)合作用的結(jié)果[20],是區(qū)域經(jīng)濟活力的指示劑,反映著特定時空尺度下土地利用方式、開發(fā)強度、經(jīng)濟投入、政策導(dǎo)向等諸多因素的作用強度及其合理性[21],對未來土地利用情景客觀、合理的模擬,不僅可以掌握其變化、發(fā)展規(guī)律,還可以檢驗當(dāng)前社會、經(jīng)濟政策對土地利用變化導(dǎo)向的合理性[22]。土地資源供需矛盾日益激化、土地利用變化引起的環(huán)境問題等已經(jīng)開始強烈的影響國計民生和可持續(xù)發(fā)展,對未來土地利用變化規(guī)律的把握正變得越來越迫切和重要。2017年初國務(wù)院發(fā)布的《全國國土規(guī)劃綱要(2016—2030年)》以2030年為本輪規(guī)劃的終期時間節(jié)點；同年,廈門市、泉州市、漳州市相繼發(fā)布《土地利用總體規(guī)劃(2006—2020年)調(diào)整完善方案》,均明確提出要不斷優(yōu)化土地開發(fā)利用的結(jié)構(gòu)和布局,引導(dǎo)土地資源的合理、節(jié)約、集約利用；鑒于地方規(guī)劃統(tǒng)一于全國規(guī)劃、服從全國規(guī)劃整體協(xié)調(diào)的原則,綜合國家規(guī)劃的時間節(jié)點和區(qū)域規(guī)劃的具體要求,以閩三角城市群2030年土地利用情景的模擬為例也有其現(xiàn)實意義。

1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

閩三角城市群位于我國福建省東南部沿海(圖1),以廈門、泉州、漳州三個設(shè)區(qū)市為核心。地處亞熱帶海洋季風(fēng)氣候區(qū),年平均氣溫17—21℃,平均降雨量1400—2000 mm,水熱資源充沛?？偯娣e25381 km2,地形以低山丘陵為主,分布有玳瑁山、戴云山、博平嶺等山脈。區(qū)域內(nèi)水系發(fā)達(dá),有洛陽江、晉江、西溪、九龍江等河流,素有“八山一水一分田”之說,耕地資源總量先天不足。區(qū)域內(nèi)土地類型主要以林地為主(圖1)。隨著建設(shè)用地面積增長迅猛。統(tǒng)計顯示,截至2015年底區(qū)域總?cè)丝?737萬,地區(qū)生產(chǎn)總值12371億元,是中國改革開放以來優(yōu)先發(fā)展起來的區(qū)域之一。近年來國家一路一帶戰(zhàn)略大力推進(jìn),閩三角城市群作為海峽西岸經(jīng)濟區(qū)的主要構(gòu)成部分和21世紀(jì)海上絲綢之路的重要節(jié)點在國家區(qū)域協(xié)同發(fā)展戰(zhàn)略中的地位和作用逐步凸顯,城鄉(xiāng)開發(fā)建設(shè)得以大力推進(jìn)。然而快速開發(fā)建設(shè)活動導(dǎo)致的土地利用結(jié)構(gòu)失衡、集約化程度相對較低、土地資源供需矛盾尖銳以及利用方式粗放等問題都給區(qū)域可持續(xù)發(fā)展埋下巨大的安全隱患。

圖1 閩三角城市群地理區(qū)位及2015年土地利用概況Fig.1 The location of urban agglomeration and the overview of land-use in 2015 of Golden Triangle of Southern Fujian

1.2 數(shù)據(jù)來源及數(shù)據(jù)處理

本研究所用數(shù)據(jù)主要包括2000年、2015年廈門、泉州、漳州三市區(qū)域的建設(shè)用地分布、鎮(zhèn)及以上居民點分布、鐵路分布、公路分布、河流及灘涂水域分布、高程數(shù)據(jù),以上數(shù)據(jù)主要來自全國地理信息資源目錄服務(wù)系統(tǒng)(http://www.webmap.cn)；最熱月(7月)、最冷月(1月)的降水分布數(shù)據(jù)[23],該數(shù)據(jù)來自WorldClim-Global Climate Data(http://worldclim.org)；人口空間分布數(shù)據(jù)[24],該數(shù)據(jù)來源于歐盟數(shù)據(jù)目錄聯(lián)合研究中心(http://data.jrc.ec.europa.eu)；GDP空間分布數(shù)據(jù)[25],該數(shù)據(jù)來自全球變化科學(xué)研究數(shù)據(jù)出版系統(tǒng)(http://www.geodoi.ac.cn)；土地利用數(shù)據(jù)(2000年、2005年、2008年、2010年、2015年),該數(shù)據(jù)均由對應(yīng)年份的遙感影像解譯獲得；OSM(Open Street Map)數(shù)據(jù),該數(shù)據(jù)來自GEOFABRIK(http://www.geofabrik.de/),在此數(shù)據(jù)基礎(chǔ)上通過ArcMap數(shù)據(jù)處理軟件將區(qū)域內(nèi)自然保護(hù)區(qū)、風(fēng)景名勝區(qū)、歷史遺址、宗教場所、水庫、大壩、主要城市公園等區(qū)域篩選出來,作為限制發(fā)展區(qū)域(Restricted Area)的基礎(chǔ)數(shù)據(jù)。經(jīng)ArcMap處理將所有數(shù)據(jù)格式統(tǒng)一為tif格式,行列數(shù)為2401×2859,像元分辨率100 m,使之符合FLUS模型的格式要求。

為了增強同類型土地變化的顯示度,凸顯不同類型土地間的差異性,本研究在國家最新發(fā)布的《土地利用現(xiàn)狀分類》(GB/T 21010—2017)的基礎(chǔ)上對區(qū)域內(nèi)土地類型進(jìn)行了部分整合和重分類,具體對應(yīng)關(guān)系如表1所示。同時鑒于海洋相對穩(wěn)定,除近陸地區(qū)域的沿海灘涂外,本研究暫不考慮海洋用地類型的變化。

表1 土地利用類型重分類對照表

2 研究框架

模型參數(shù)作為模擬過程不可或缺的部分,對模擬結(jié)果有著決定性的作用,反之,模擬結(jié)果的精度及合理性則是對參數(shù)優(yōu)劣最直接的反映。所以本研究分為模擬邏輯和模擬流程(圖2)兩個部分,模擬邏輯部分主要通過對歷史情景的分析設(shè)定相關(guān)參數(shù),實現(xiàn)對未來土地利用情景的模擬。模擬流程部分通過對模擬結(jié)果精度的檢驗來驗證參數(shù)設(shè)置的客觀性和可行性。

圖2 土地利用變化模擬邏輯框架及流程Fig.2 The framework and process of land use change simulation圖中CA：元胞自動機,Cellular Automata；FLUS：未來土地利用變化情景模擬模型,A Future Land Use Simulation model

3 研究方法

3.1 模型選擇及介紹

FLUS模型是在系統(tǒng)動力學(xué)(System Dynamics, SD)模型和元胞自動機模型的基礎(chǔ)上整合人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)算法和輪盤賭(Roulette wheel selection)選擇機制建立的[9],可以很好的用于自然、社會、經(jīng)濟等多種驅(qū)動力作用下的土地利用變化情景模擬。該模型主體分為兩大模塊,基于人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)概率模擬(ANN-based Probability of Occurrence Estimation)模塊和自適應(yīng)慣性競爭元胞自動機(Self-Adaptive Inertia and Competition mechanism Cellular Automata)模塊。ANN是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的機器學(xué)習(xí)模型,屬于非線性動力系統(tǒng),能夠較好的實現(xiàn)非線性函數(shù)逼近,具有自學(xué)習(xí)、自組織、自適應(yīng)的特點,可以有效融合不同數(shù)據(jù)類型,實現(xiàn)多變量、復(fù)雜信息并行處理[26-28]。因此它可以協(xié)同整合自然、社會、經(jīng)濟等多類驅(qū)動因子(Driving Data),并結(jié)合土地利用現(xiàn)狀模擬在預(yù)設(shè)情景下各土地類型的適宜性分布概率,從而建立起不同用地類型同驅(qū)動因子之間的關(guān)聯(lián)。同時FLUS模型創(chuàng)新的在傳統(tǒng)CA模型的基礎(chǔ)上引進(jìn)了基于輪盤賭選擇的自適應(yīng)慣性競爭機制,用于處理多種用地類型在自然、社會、經(jīng)濟協(xié)同作用下發(fā)生變化的不確定性和相對復(fù)雜性,從而實現(xiàn)較高精度的土地利用變化模擬[9]。

3.2 土地利用變化驅(qū)動因子確定

土地利用變化是各類型土地自身理化條件和自然、社會、經(jīng)濟等內(nèi)外因共同作用的結(jié)果[29-31]。其變化除了受到自身理化性質(zhì)等自然因素的影響外,在城市化、工業(yè)化高度發(fā)展的今天,更多的則是受到社會、經(jīng)濟等多元因子的復(fù)合作用和驅(qū)動[32]。綜合其他研究對于土地利用變化驅(qū)動因子的分析及探究[33-34],最終選取以下自然、社會、經(jīng)濟方面的12項驅(qū)動因子(表2)。

表2 土地利用變化驅(qū)動因子數(shù)據(jù)說明

某一區(qū)域的可達(dá)性通常對該區(qū)域的土地利用變化有著很強的作用力,由于影響可達(dá)性的主要自然因子(如高程、坡度等)都已作為單獨的驅(qū)動因子輸入到系統(tǒng),為避免重復(fù)計算,同時參考其他相關(guān)研究中的處理方法[28, 35],對社會、驅(qū)動因子(到建成區(qū)、鐵路交通節(jié)點、公路交通線、水體、城市中心、居民點的距離)在進(jìn)行數(shù)據(jù)預(yù)處理時,均采用歐氏距離(Euclidean Distance),盡可能避免自然因子通過作用于社會、經(jīng)濟驅(qū)動因子而間接影響模擬過程。

3.3 各土地類型適宜性概率分布模擬

土地利用變化是一個由多影響因子交互驅(qū)動的非線性復(fù)雜過程。FLUS模型用ANN基于驅(qū)動因子數(shù)據(jù),來模擬不同土地類型出現(xiàn)的概率及空間分布。ANN是一種基于生物神經(jīng)網(wǎng)絡(luò)模擬的機器學(xué)習(xí)模型,通常用于模擬和計算變量較多的非線性函數(shù),它可以通過大量學(xué)習(xí)與召回迭代來不斷擬合輸入數(shù)據(jù)和訓(xùn)練目標(biāo)之間的復(fù)雜關(guān)系,從而保證生成更高適宜性的概率分布,建立起各土地類型出現(xiàn)的概率同驅(qū)動因子間的作用關(guān)系,ANN由輸入層、隱藏層和輸出層組成,其中每個神經(jīng)元,都分別對應(yīng)CA中的一個變量[9,36-37]。該模擬過程實質(zhì)是建立起各驅(qū)動因子同初始土地類型在空間上的作用強度關(guān)系,其具體過程見公式(1)：

p(p,k,t)=∑jwj,k×sigmoid(netj(p,t))

(1)

式中:(p,k,t)表示柵格p在t時間出現(xiàn)k土地類型的的概率；wj,k是隱藏層和輸出層之間的自適應(yīng)權(quán)重；sigmoid(netj(p,t))又稱S型函數(shù),或S型生長曲線,是隱藏層同輸出層的關(guān)聯(lián)函數(shù)；netj(p,t)表示j輸入層上的柵格p在t時間向神經(jīng)元j發(fā)送的信號,即t時間第j類土地中的柵格p發(fā)生變化的強度；wi,j同wj,k均為自適應(yīng)權(quán)重,其區(qū)別在于wi,j表示輸入層和隱藏層之間的自適應(yīng)權(quán)重關(guān)系；xi(p,t)是t時間變量i同輸入層神經(jīng)元i中柵格p的關(guān)系函數(shù)。

3.4 FLUS模型參數(shù)設(shè)定

3.4.1 未來像元總量參數(shù)設(shè)定

未來像元總量表示預(yù)測期各土地利用類型所占像元的總量。該研究采用馬爾可夫鏈(Markov Chain)(公式(2))[38-40],基于2000年的土地利用數(shù)據(jù),來預(yù)測2015年和2030年的各用地類型的像元總量：

St+1=Pij×St

(2)

式中:St和St+1分別表示t時刻和t+1時刻土地的狀態(tài)；Pij表示在t時刻用地類型P發(fā)生轉(zhuǎn)變的概率,計算方法如下：

3.4.2 鄰域權(quán)重參數(shù)設(shè)定

鄰域權(quán)重參數(shù)即該土地類型的擴張強度,也就是各用地類型在外界因子驅(qū)動下使自身得以擴張的能力,閾值范圍0到1,值越接近1則代表該類型的擴張能力越強。由于驅(qū)動因子同土地利用變化間關(guān)系的復(fù)雜性使得各用地類型的擴張強度較難直接計算,但各用地類型歷史過程中的擴張規(guī)律卻是對各自擴張能力的最好體現(xiàn)。通常來講用地類型擴張無非面積增大和斑塊數(shù)量增多兩個方面,所以本研究以2000年到2015年同時間尺度部分年份(2000年、2005年、2008年、2010年、2015年)的土地利用數(shù)據(jù)為基礎(chǔ),以Fragstats(Fragmentation Statistics)軟件為工具,從斑塊數(shù)量(Number of Patches, NP)(公式(3))、總面積(Total Area, TA)(公式(4))、斑塊面積加權(quán)平均面積(Patch Area_ Area-Weighted Mean, AREA_AM)(公式(5))[41]3種景觀格局指數(shù)入手,依據(jù)景觀格局研究的一般規(guī)律,從景觀(Landscape)、斑塊類型(Class)及斑塊(Patch)3個尺度展開[42]本研究。針對不同目的和研究對象選擇適宜的尺度是景觀格局分析的關(guān)鍵[43],任何系統(tǒng)的描述都要依賴于特定特定時空范圍和組織水平的選擇[44-45],由于研究對象為各用地類型,屬于斑塊類型尺度,因此選取在景觀和斑塊類型兩個尺度就上述景觀指數(shù)反映的空間格局關(guān)系和變換關(guān)系展開研究,探索各用地類型的擴張強度。各景觀格局指數(shù)的計算方法如下：

NP=ni

(3)

(4)

(5)

式中:n表示斑塊數(shù)量；a表示斑塊面積；x表示權(quán)重值。

通過2000—2015年閩三角城市群NP及AREA_AM在景觀尺度的變化趨勢(圖3)來看,該時期景觀尺度的NP和AREA_AM的變化總體呈現(xiàn)顯著的負(fù)相關(guān)關(guān)系,具體表現(xiàn)為AREA_AM逐步縮小的同時NP逐漸增多,景觀破碎化程度進(jìn)一步加強。從數(shù)量變化來看,AREA_AM從2000年的38.64萬hm2下降到2015年的36.63萬hm2,下降2.01萬hm2,區(qū)域內(nèi)各類型斑塊趨向于向小型化發(fā)展。

圖3 2000年—2015年閩三角城市群NP及AREA_AM在景觀尺度的變化趨勢Fig.3 The trend of NP and AREA_AM on landscape scale of urban agglomeration of Golden Triangle of Southern Fujian from 2000 to 2015圖中NP:斑塊數(shù)量,Number of patches；AREA_AM：面積加權(quán)平均面積,Patch area_ area-weighted mean

景觀尺度的變化是斑塊類型尺度變化的綜合表達(dá),將尺度下推到斑塊類型尺度,使景觀水平的變化規(guī)律展現(xiàn)在各土地類型的動態(tài)過程中,為便于直觀對比分析各景觀格局指數(shù)在斑塊類型尺度的變化規(guī)律,在統(tǒng)計了閩三角城市群2000年、2005年、2008年、2010年、2015年各用地類型NP和TA的基礎(chǔ)上對其予以無量綱化(公式(7))處理,并生成了2000—2015年閩三角城市群NP及TA在斑塊類型尺度的變化趨勢(圖4)。

(7)

式中:X*表示離差標(biāo)準(zhǔn)化值; max為數(shù)據(jù)最大值;min為數(shù)據(jù)最小值。

圖4 2000—2015年閩三角城市群NP及TA在斑塊類型尺度的變化趨勢Fig.4 The trend of NP and TA on class scale of urban agglomeration of Golden Triangle of Southern Fujian from 2000 to 2015TA：總面積,Total area

各用地類型NP和TA在斑塊類型的尺度表現(xiàn)為正、負(fù)相關(guān)兩大類：農(nóng)田、林地、草地以及其他土地的NP和TA總體呈負(fù)相關(guān)關(guān)系；水域及灘涂、建設(shè)用地的NP和TA呈正相關(guān)關(guān)系。區(qū)分NP和TA來看,各用地類型的NP總體趨勢均呈現(xiàn)逐步增加的趨勢；各用地類型中農(nóng)田、林地、草地及其他土地的TA總體表現(xiàn)為減小趨勢；水域及灘涂的TA在逐步增大。斑塊類型尺度各土地類型的NP均呈上升趨勢,并不能反映各類型土地間的競爭消漲關(guān)系,相比之下TA很好的呈現(xiàn)了各土地類型間的相對增減變換關(guān)系。從TA的變化趨勢來看,水域及灘涂、建設(shè)用地的TA表現(xiàn)為增加趨勢,而其他土地類型均在減小,也就是說建設(shè)用地、水域及灘涂的擴張能力較農(nóng)田、林地、草地及其他土地的擴張能力要強。

斑塊類型尺度上TA的變化規(guī)律是對各用地類型擴張能力的定性表征,那么TA的變化量則可以用來定量表征各用地類型的擴張強度。在假定相同時間尺度下各類型土地的擴張能力保持相對穩(wěn)定的前提下,本研究采用2000—2015年各土地類型的TA變化量來表征2015—2030年對應(yīng)類型土地的擴張強度。結(jié)合Fragstats計算,2000—2015年各用地類型TA的變化量如表3。

表3 2000—2015年閩三角城市群各土地類型的TA變化量/km2

對比發(fā)現(xiàn)該時期建設(shè)用地TA增幅最大,達(dá)到1184.30 km2,其次是水域及灘涂,農(nóng)田、林地、草地及其他土地。也就是說在該時期的自然、社會、經(jīng)濟條件下建設(shè)用地有最強的擴張能力,而農(nóng)田的擴張能力最弱,該擴張力強度的相對關(guān)系完全符合之前的分析和判斷。TA的變化量是對各土地類型外擴張能力的反映,完全符合FLUS模型鄰域權(quán)重的參數(shù)意義?；谝陨戏治霾⒔Y(jié)合鄰域權(quán)重對數(shù)據(jù)結(jié)構(gòu)的要求,對各土地類型的TA變化量進(jìn)行無量綱(公式(7))處理,使其閾值在0—1之間,由此TA變化量的無量綱值在參數(shù)意義和數(shù)據(jù)結(jié)構(gòu)方面均符合FLUS模型鄰域權(quán)重的要求。

3.4.3 成本矩陣(Cost Matrix)與限制發(fā)展區(qū)域的設(shè)定

成本矩陣是指各用地類型間的變化規(guī)則,用于表示是否容許各土地類型相互轉(zhuǎn)變。理論上講,各類型土地間的轉(zhuǎn)變應(yīng)是不受限制的,但延續(xù)上述對各土地類型TA變化量的分析,在所有土地類型中,建設(shè)用地、水域及灘涂的TA表現(xiàn)為凈流入過程,其中88.89%的變化量流入建設(shè)用地,11.11%的變化量流入水域及灘涂。由此可以確定農(nóng)田、林地、草地和其他土地同水域及灘涂和建設(shè)用地存在單向的轉(zhuǎn)變關(guān)系。結(jié)合土地利用變化的現(xiàn)實,目前的經(jīng)濟及技術(shù)條件完全有能力將任何用地類型開發(fā)成為建設(shè)用地,然而要將建設(shè)用地轉(zhuǎn)變?yōu)槠渌恋仡愋推潆y度及成本均相對較高,且現(xiàn)實中較少有該類情況發(fā)生,基于此本研究暫定建設(shè)用地不向其他類型土地發(fā)生轉(zhuǎn)變。然而水域及灘涂、農(nóng)田、林地、草地及其他土地間是否存在相互的轉(zhuǎn)變關(guān)系仍無法予以客觀斷定,所以在模型成本矩陣參數(shù)設(shè)置中僅限制建設(shè)用地向其他類型轉(zhuǎn)變,其余土地類型間的相互轉(zhuǎn)變不予限制。

部分土地由于用途的特殊性,其利用方式已基本固定,較難發(fā)生變化,為保障模擬過程最大程度反映真實情景,經(jīng)整理,在本研究中將區(qū)域內(nèi)的自然保護(hù)區(qū)、風(fēng)景名勝區(qū)、歷史遺址和宗教場所(均包括范圍內(nèi)的非建設(shè)用地部分)、水庫大壩等水源地、主要城市公園等區(qū)域設(shè)置為限制發(fā)展區(qū)域,使這些區(qū)域不參與土地利用變化的模擬運算。

3.5 2030年土地利用情景模擬

基于輪盤賭選擇的自適應(yīng)慣性競爭元胞自動機是FLUS模型的關(guān)鍵模塊,它結(jié)合鄰域權(quán)重、轉(zhuǎn)換規(guī)則,基于各用地類型的適宜性概率分布(圖5)來實現(xiàn)對未來各土地類型像元總量空間分布的合理化配置,最終實現(xiàn)土地利用變化的模擬[9],該過程實質(zhì)是一個通過循環(huán)迭代(公式(8))使輸出結(jié)果不斷逼近目標(biāo)值的過程。本研究選擇在9×9摩爾鄰域[14, 46]下運行該迭代循環(huán)：

(8)

4 結(jié)果與分析

模擬結(jié)果是驅(qū)動因子、參數(shù)、模擬算法等所有因子共同影響的結(jié)果,所以,結(jié)果的客觀性和精度是對以上因子合理性的最好檢驗。

4.1 2030年各土地類型適宜性概率分布特征

基于ANN對2015年閩三角城市群土地利用數(shù)據(jù)和相對應(yīng)驅(qū)動因子的整合便可以模擬出2030年閩三角城市群各土地類型的適宜性概率分布,為便于直觀分析、判斷各類土地的適宜性分布規(guī)律,在ArcMap數(shù)據(jù)處理平臺將多波段的分布圖按照對應(yīng)的土地利用類型在單一波段下顯示(圖5)發(fā)現(xiàn)：適宜性概率分布能較好反映各土地類型的空間分布格局,高適宜性區(qū)域大多分布在該用地類型原有分布范圍的周邊區(qū)域,并隨著分布的減少其適宜性隨之下降；農(nóng)田的適宜性區(qū)域自海岸線向內(nèi)陸和高海拔區(qū)域逐步遞減；林地和草地的高適宜性分布區(qū)域在地域上具有較高的重合度,呈條帶狀自東北向西南分布在地形起伏較大的山地丘陵區(qū)域；水域及灘涂的高適宜性區(qū)域則主要分布在沿海、沿江、沿現(xiàn)有水體的周邊區(qū)域；建設(shè)用地的高適宜性區(qū)域主要分布在區(qū)域的東南沿海一側(cè),以泉州、廈門、漳州三座城市的建成區(qū)為中心,基本形成沿海岸線的高適應(yīng)性分布帶,呈現(xiàn)區(qū)域連片發(fā)展的可能性。

4.2 2030年各土地類型像元總量

本研究用馬爾可夫鏈確定FLUS模型未來像元總量參數(shù)時,在2000年、2015年土地利用數(shù)據(jù)的基礎(chǔ)上分別預(yù)測了2015年和2030年各土地類型的像元總量(表4),其中2015年的模擬值用于檢驗馬爾可夫鏈的預(yù)測精度,2030年模擬值作為模型的未來像元總量參數(shù)。通過與2015年實際土地利用數(shù)據(jù)對比發(fā)現(xiàn),馬爾可夫鏈對2015年各土地類型像元總量的平均預(yù)測精度為99.53%,其中水域及灘涂用地的預(yù)測誤差最大(-2.49%),且面積呈增長趨勢，分析其原因發(fā)現(xiàn),該增長主要由以下的因素造成：退耕還湖政策的實施、人工灘涂濕地建設(shè)、坑塘水庫開發(fā)等活動一定程度增加了水域及灘涂面積；由于2000年和2015年所執(zhí)行的《土地利用現(xiàn)狀分類》標(biāo)準(zhǔn)的差別也導(dǎo)致了部分區(qū)域存在統(tǒng)計偏差,如廈門市大嶝島、小嶝島周邊、九龍江入海口的部分區(qū)域在2000年被統(tǒng)計為海洋區(qū)域而在2015年則被統(tǒng)計為水域及灘涂區(qū)域,以上因素由于數(shù)據(jù)不完整且相互間耦合,無法予以分離一定程度影響了馬爾可夫鏈的預(yù)測精度。但考慮到整體預(yù)測誤差相對較小,在合理范圍內(nèi),且各用地類型數(shù)據(jù)發(fā)展趨勢符合歷史變化規(guī)律,故不再對2030年的模擬結(jié)果做誤差修正處理。

4.3 鄰域權(quán)重參數(shù)

用歷史情景下各土地類型TA變化量的無量綱值賦值它們的鄰域權(quán)重參數(shù)(表5),是對各土地類型擴張規(guī)律的表達(dá),有其客觀性的同時在數(shù)據(jù)結(jié)構(gòu)和參數(shù)意義方面均完全符合鄰域權(quán)重的參數(shù)要求。

圖5 2030年各用地類型的適宜性概率分布Fig.5 The distribution of suitability probability of land use types in 2030

農(nóng)田Cultivated land林地Woodland草地Grassland水域及灘涂Water area and tidal flat建設(shè)用地Construction land其他土地Other land2000年實際像元數(shù) Actual pixel number in 200064370012886954084966102913245322712015年實際像元數(shù) Actual pixel number in 201556042112517883954677584825088322372015年預(yù)測像元數(shù) Predicted pixel number in 201556096312527723958077396125090222392030年預(yù)測像元數(shù)Predicted pixel number in 203049221712180023835259579434489822082015年預(yù)測數(shù)量同實際數(shù)量誤差/% The error between predicted and actual number in 2015/%0.10%0.08%0.09%-2.49%0.01%0.09%

表5 鄰域權(quán)重參數(shù)表

4.4 2030年閩三角城市群土地利用情景

圖6 基于FLUS模擬的2030年閩三角城市群土地利用情景Fig.6 The land use scenario of urban agglomeration of Golden Triangle of Southern Fujian in 2030 based on FLUS simulation

在上述適宜性概率分布及所有參數(shù)的基礎(chǔ)上,通過自適應(yīng)慣性競爭元胞自動機的循環(huán)迭代過程,便可實現(xiàn)對2030年閩三角城市群土地利用情景(圖6)的模擬。2030年閩三角城市群各土地類型總體依然保持現(xiàn)有基本格局：林地、草地主要集中分布在區(qū)域遠(yuǎn)離海岸線的一側(cè)；農(nóng)田、建設(shè)用地、水域及灘涂主要分布在臨近海岸線地勢平緩的一側(cè)。建設(shè)用地作為其中變化量最大的土地類型,其分布明顯呈現(xiàn)出由東南沿海向區(qū)域西部和北部延伸、擴散的規(guī)律,在東南沿海區(qū)域基本形成形成以泉州、廈門、漳州城市建成為主體的連片發(fā)展區(qū),建設(shè)用地協(xié)同發(fā)展進(jìn)一步加強,區(qū)域一體化格局基本形成。結(jié)合未來像元總量對比各土地類型變化前后的分布格局發(fā)現(xiàn),大部分土地利用變化發(fā)生在區(qū)域東南部海拔較低且地勢相對平緩的區(qū)域,且主要表現(xiàn)為農(nóng)田、林地、草地向建設(shè)用地和水域及灘涂的轉(zhuǎn)變,建設(shè)用地的擴張極大的影響著區(qū)域土地利用格局。綜合建設(shè)用地同農(nóng)田在擴張強度、TA變化量之間的差異以及二者在空間分布上的鑲嵌結(jié)構(gòu)來看,農(nóng)田是受建設(shè)用地擴張影響最嚴(yán)重的土地類型，符合目前社會、經(jīng)濟背景對未來土地利用發(fā)展規(guī)律的影響[32, 47- 48],同時也符合國家和區(qū)域?qū)Ω魍恋仡愋桶l(fā)展方向的基本判斷。

4.5 模擬精度檢驗及對比

FLUS模型曾被用于全國尺度的土地利用模擬,其結(jié)果的Kappa系數(shù)為0.67,總體模擬精度為0.75,模型置信度在合理區(qū)間[9]。為便于對本次模擬進(jìn)行精度檢驗,本研究采用相同的方法和參數(shù)值,以2000年土地利用數(shù)據(jù)和對應(yīng)的驅(qū)動因子為基礎(chǔ)模擬了2015年的土地利用情景,經(jīng)與2015年實際土地利用狀況對比發(fā)現(xiàn),模擬結(jié)果在1%隨機采樣時的Kappa系數(shù)為0.85,總體精度達(dá)到0.90；10%隨機采樣時的Kappa系數(shù)0.84,總體精度達(dá)到0.89；均勻采樣(2000個采樣點/類)時Kappa系數(shù)為0.80,總體精度達(dá)到0.83,同時本文還采用了相比Kappa系數(shù)能更好描述模擬準(zhǔn)確性的FoM(Figure of merit)系數(shù)[49- 50],理論上講該參數(shù)值越大則證明模擬的效果越好,精度越高,但實踐驗證表明其結(jié)果大多在0.3以內(nèi)[50],其中以0.1至0.2的結(jié)果最為常見[9,51]。對比2015年閩三角城市群土地利用模擬情景同實際狀況,其FoM系數(shù)為0.11,在合理的范圍之內(nèi)?？傮w來看,各檢驗均在合理范圍,Kappa系數(shù)在不同采樣率下均能保證較高的精度,且模擬結(jié)果也符合目前社會、經(jīng)濟發(fā)展的客觀變化規(guī)律,所以該參數(shù)設(shè)置方法能夠?qū)崿F(xiàn)對未來土地利用變化情景的客觀模擬。

為進(jìn)一步驗證該賦值方法對模擬精度的作用,本文在模擬2015年土地利用情景的基礎(chǔ)上,在不改變其他參數(shù)的前提下將鄰域權(quán)重參數(shù)統(tǒng)一設(shè)定為0.5對比了不同賦值條件下的模擬精度。結(jié)果顯示,1%隨機采樣時的Kappa系數(shù)為0.84,總體精度0.90；10%隨機采樣時的Kappa系數(shù)0.76,總體精度0.84；均勻采樣(2000個采樣點/類)時Kappa系數(shù)為0.73,總體精度0.78,FoM系數(shù)0.09。相比而言,基于TA變化量的鄰域權(quán)重賦值方法對模擬精度有一定程度的提升,可以較好實現(xiàn)更高精度的土地利用變化模擬。

5 討論

5.1 基于歷史情景或用其他方法賦值鄰域權(quán)重?zé)o優(yōu)劣差異

從以上來看TA變化量和各土地類型的擴張強度所表達(dá)的現(xiàn)實意義高度一致,所以用TA變化量來表征各土地類型的擴張能力并設(shè)定鄰域權(quán)重參數(shù),能有效規(guī)避主觀判斷賦值造成的誤差,具有較強的客觀性；從模擬結(jié)果的精度來看,具有較高的可信度,且操作簡單,易于理解。但不論是基于歷史情景,還是其他主觀判斷的賦值方法都只是確定模型參數(shù)的方法之一,均有各自的優(yōu)缺點,無絕對的優(yōu)劣差異,本研究只是嘗試一種區(qū)別于主觀判斷的參數(shù)設(shè)置方法。本研究用TA變化量的無量綱值賦值FLUS模型的鄰域權(quán)重雖然能使模擬結(jié)果的Kappa系數(shù)在不同的采樣率下均保持在0.80以上,但也只能說明該方法對本研究有較好的適宜性,是否具有普適性仍需更多的實踐論證。該方法一定程度上固化了各土地類型的變化方向和強度,忽視了影響因素在時空差異下的不確定性和動態(tài)性對土地擴張能力的影響,有悖于土地擴張的實際,也有其局限性。雖然德爾菲法或采用歷史經(jīng)驗賦值的方法更多的受到研究人員經(jīng)驗水平、個人意愿等主觀判斷的影響,但也正是因為這些方法較多受主觀能動性的作用,研究人員在對各土地類型擴張強度的權(quán)衡過程中必然綜合考慮各影響因素以及時空尺度差異帶來的影響[9,52- 53],進(jìn)而實現(xiàn)對各土地類型擴張能力更為準(zhǔn)確、合理的描述。

5.2 模型參數(shù)和驅(qū)動因子共同決定模擬結(jié)果

模型參數(shù)(鄰域權(quán)重、轉(zhuǎn)換規(guī)則、未來像元量)的合理性以及驅(qū)動因子的代表性是影響FLUS模型整體精度的兩個重要方面。本研究中討論的模型參數(shù)只是影響模擬精度的因素之一,并不能單獨對模擬精度起到?jīng)Q定作用。驅(qū)動因子作為影響土地擴張強度、導(dǎo)致土地利用變化的基礎(chǔ),它的合理性及代表性對模型精度有著同等重要的意義。驅(qū)動因子一般從兩個方面影響著模擬的精度及合理性：模擬邏輯(圖2)方面,驅(qū)動因子直接影響著各土地類型的適宜性概率分布；土地擴張強度方面,驅(qū)動因子作用強度和種類的差異極大影響著土地的擴張能力。因此,模擬精度的提升既要保障模型參數(shù)合理化,還要確保驅(qū)動因子選擇的科學(xué)性。

5.3 未來研究中的模型參數(shù)和驅(qū)動因子

模型參數(shù)作為模擬運行必不可少的部分,對模擬過程意義深遠(yuǎn)。新形勢下,政策紅利[54-55]、經(jīng)濟結(jié)構(gòu)及產(chǎn)業(yè)格局進(jìn)一步完善、城市化加速發(fā)展等因素對土地利用變化的加速效應(yīng)[31,56-57]日益顯現(xiàn),導(dǎo)致土地利用的變化過程更為劇烈,變化途徑更趨于多樣化發(fā)展,這也對如何科學(xué)設(shè)置相關(guān)參數(shù)提出更多、更高的要求,譬如鄰域衰減[35]、不規(guī)則鄰域[58]、可控鄰域[59]、可變參數(shù)以及多情景模擬[60]等方面。

土地利用變化是一個非線性的復(fù)合波動過程,受自然、社會、經(jīng)濟、政治、文化等多元因子的交互耦合和協(xié)同驅(qū)動[61-62],因此驅(qū)動因子的選擇要具有充分的代表性,既要反映其自然特征,又要體現(xiàn)時代發(fā)展賦予它的新特征,才能更好地實現(xiàn)優(yōu)化模擬。從重要性程度來講,在目前的經(jīng)濟及技術(shù)條件下,一些非自然的驅(qū)動因子對土地利用變化的作用更為明顯和強烈。例如：區(qū)域人口規(guī)模、流動人口的數(shù)量和質(zhì)量[30]、產(chǎn)業(yè)結(jié)構(gòu)[57]、國家土地政策[63-64]、居民開發(fā)意愿或文化傳承[65-66]、資本和信息的全球化流動[67-68]、主導(dǎo)經(jīng)濟的類型及規(guī)模、區(qū)域經(jīng)濟外向化程度等都更為強烈的影響著區(qū)域的土地利用變化。此外由于驅(qū)動因子的異質(zhì)性特征,時空和土地類型的差異都會導(dǎo)致驅(qū)動因子不同的作用強度和方式[66, 69]。社會、經(jīng)濟等因素的持續(xù)發(fā)展導(dǎo)致驅(qū)動因子越來越多元化,作用方式更加復(fù)雜多變,土地利用變化已形成復(fù)合的巨系統(tǒng)結(jié)構(gòu)。綜上所述,未來研究中驅(qū)動因子的確定要綜合考慮其多元性、異質(zhì)性、時空差異性和動態(tài)性,重視驅(qū)動因子同土地利用變化間的協(xié)同作用。

6 結(jié)論

本研究認(rèn)為各土地類型TA指數(shù)的變化量可以用來表征各土地類型的擴張強度,它的無量綱值能夠用于FLUS模型鄰域權(quán)重參數(shù)的設(shè)置。該賦值法產(chǎn)生的模擬結(jié)果方面：閩三角城市群在延續(xù)歷史發(fā)展規(guī)律的前提下,到2030年區(qū)域各類用地將在現(xiàn)有空間格局的基礎(chǔ)上發(fā)生較大的變化,建設(shè)用地面積增加最為明顯,其次為水域及灘涂,其余類型土地面積均不同程度下降,建設(shè)用地擴張將嚴(yán)重影響農(nóng)田用地；區(qū)域尺度,以廈門、泉州、漳州城市建成區(qū)為代表的建設(shè)用地區(qū)域連片式發(fā)展,閩三角城市群空間一體化格局基本形成。以上土地利用模擬結(jié)果符合目前社會、經(jīng)濟背景對未來土地利用發(fā)展規(guī)律的影響,符合國家和區(qū)域?qū)Ω魍恋仡愋桶l(fā)展方向的基本判斷,從設(shè)置過程和模擬結(jié)果兩個方面看,該賦值法均有其客觀性和科學(xué)性。