劉 暢， 張 紅， 張霄羽， 楊國婷， 劉 勇,3

（1.山西大學(xué)黃土高原研究所，山西太原030006； 2.山西大學(xué)環(huán)境與資源學(xué)院，山西太原030006；3.山西省黃河實驗室，山西太原030006）

日益加快的城市化導(dǎo)致土地覆蓋和土地利用變化（Land Use and Land Cover Change，LUCC）波動明顯［1］，土地覆蓋和土地利用的變化會造成當(dāng)?shù)厣鷳B(tài)環(huán)境的破壞，進而使整個區(qū)域的生態(tài)系統(tǒng)逐漸不平衡［2］。目前，對于土地利用變化的研究逐步從現(xiàn)象描述走向機制解析，從定性分析走向定量模擬，土地利用變化模型可以分析土地利用變化的成因、探索土地利用格局演變以及預(yù)測未來土地利用的需求和分布［3］。因此，對土地利用變化動力學(xué)機制以及提高土地利用變化預(yù)測能力的研究成為目前研究的焦點。土地利用變化模型主要包括基于經(jīng)驗統(tǒng)計原理的模型如多元回歸模型、地理加權(quán)回歸、CLUE-S 模型等［4-5］，基于元胞自動機（Cellular Automata，CA）原理的模型如SLEUTH 模型、GEOMOD 模型等［6］，基于機器學(xué)習(xí)原理的模型如神經(jīng)網(wǎng)絡(luò)模型、遺傳算法模型等［7］，基于多智能體的模型如多智能體系統(tǒng)（Multi-Agent System，MAS）模型［8］等。經(jīng)驗統(tǒng)計和機器學(xué)習(xí)模型可以很好的結(jié)合遙感數(shù)據(jù)，根據(jù)歷史土地利用變化，建立土地變化與時空要素之間的關(guān)系，但由于假設(shè)驅(qū)動力不變，所以不合適長時間段的預(yù)測，并且會出現(xiàn)擬合過度問題［9］。基于CA 原理的模型采用離散的空間單元進行模擬［10］，可以更好的處理空間性信息，適用于復(fù)雜地理空間格局的模擬和預(yù)測［11］。

以往CA 研究多是以邏輯回歸為轉(zhuǎn)換規(guī)則進行，邏輯回歸的優(yōu)勢在于運算方便可以輸出權(quán)重便于理解，但精度不夠高［12］；之后,楊青生等［13］學(xué)者提出以人工智能和機器算法為轉(zhuǎn)換規(guī)則，精度提高了但無法輸出權(quán)重。隨著研究者和決策者對土地利用分類、未來格局模擬預(yù)測、適宜性概率獲取的精度產(chǎn)生了更高的追求，隨機森林模型結(jié)合自身可以平衡誤差、復(fù)雜度適中、分析驅(qū)動因子權(quán)重等優(yōu)點被廣泛應(yīng)用于土地利用研究之中。例如，張大川等［14］借助隨機森林模型的優(yōu)勢與CA模型結(jié)合模擬東莞市土地利用變化，分析不同土地利用類型分布的各因子影響重要程度。馬惠娟等［15］在青海省湟水流域復(fù)雜地形區(qū)采用隨機森林分類方法對土地利用類型進行了分類研究。陳凱［16］等利用隨機森林方法的優(yōu)勢結(jié)合元胞自動機模型通過對影響城市空間分析的重要性判別來研究復(fù)雜非線性的城市擴展。

土地利用變化是一個受到自然條件以及社會經(jīng)濟因素綜合影響的地理變化過程，由于礦區(qū)的區(qū)位、地形地貌、開采方式和規(guī)模、社會經(jīng)濟水平等不同，影響礦區(qū)土地利用變化的因素也存在很大差異［17］。大同礦區(qū)位于半干旱區(qū)，受自然本底條件的限制，區(qū)內(nèi)本身土地承載力小，煤炭資源開發(fā)固有的時間持續(xù)性、空間擴展性和強干擾性不僅會占用和破壞大量土地，還會使其脆弱的生態(tài)環(huán)境更加嚴重。如段語鳳等［18］發(fā)現(xiàn)礦區(qū)井工開采改變了干旱荒漠區(qū)植物的群落結(jié)構(gòu)和植被蓋度。史曉瓊等［19］研究高強度采煤造成的地下水位下降、地面沉降等生態(tài)環(huán)境問題。鄒雅婧等［20］研究發(fā)現(xiàn)黃土高原渭北礦區(qū)開采使土壤侵蝕更加嚴重。

本研究基于1985—2015 年每10 a 時間序列的遙感影像，結(jié)合礦區(qū)具體的環(huán)境特征和開采歷史，對大同礦區(qū)近30 a的時空格局、演變特征及驅(qū)動力進行分析，對未來2025 年土地利用格局進行預(yù)測。為揭示受自然條件和人為影響的作用下礦區(qū)土地變化的規(guī)律，引入隨機森林的方法提高模型精度更加準(zhǔn)確預(yù)測未來土地格局演變，對于理解土地利用格局的復(fù)雜動態(tài)演變機制有一定理論意義，同時對于探索礦區(qū)土地資源管理和優(yōu)化、實施生態(tài)調(diào)控策略具有重要實際意義。

1 數(shù)據(jù)來源與方法

1.1 研究區(qū)概況

大同礦區(qū)位于山西省大同市的西南方，地理位置為39°43′～40°10′N，112°31′～113°14′E，地形為向斜構(gòu)造的平緩丘陵，海拔高度為1031～1964 m。礦區(qū)內(nèi)有十里河以及“V”字形溝谷發(fā)育。大同礦區(qū)位于干旱半干旱區(qū)脆弱地帶，礦區(qū)內(nèi)晝夜溫差大，降水集中在夏季，全年氣候干燥，年均蒸發(fā)量遠大于年均降雨量，水域面積小。礦區(qū)主要含煤層為侏羅系和石炭-二疊系，侏羅紀煤層除西南邊角已全部開發(fā)利用。石炭-二疊系采空區(qū)主要分布在東部和南部。大同礦區(qū)煤質(zhì)有害元素含量低，焦油產(chǎn)率較高，發(fā)熱量較高，是中國重要的優(yōu)質(zhì)動力煤生產(chǎn)基地，開采方式以井工開采為主。研究區(qū)地理位置如圖1所示。

圖1 研究區(qū)示意圖Fig.1 Diagram of the study area

1.2 數(shù)據(jù)來源與處理

數(shù)據(jù)類型包括土地利用數(shù)據(jù)以及影響因子數(shù)據(jù)，影響因子數(shù)據(jù)包括自然因子、社會因子以及距離因子（表1）。土地利用數(shù)據(jù)是由30 m 分辯率的Landsat系列遙感影像數(shù)據(jù)解譯獲取，并按照國家標(biāo)準(zhǔn)重分類為六類。高程數(shù)據(jù)由中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心（http://www.resdc.cn）獲取，并從中提取出坡向和坡度。氣溫和降水?dāng)?shù)據(jù)由中國氣象數(shù)據(jù)網(wǎng)（http://data.cma.cn）氣溫和降水站點數(shù)據(jù)進行空間插值獲得。煤礦生產(chǎn)能力由實地調(diào)查獲得。人口數(shù)據(jù)在Ye 等［21］研究基礎(chǔ)上將精度提升到30 m。距離因子通過采用ArcGIS 10.5 中歐氏距離算法計算得出，POI數(shù)據(jù)采用網(wǎng)絡(luò)爬蟲技術(shù)獲得。

表1 數(shù)據(jù)來源Tab.1 Data source

1.3 研究方法

1.3.1 FLUS 模型 FLUS 模型耦合了系統(tǒng)動力學(xué)模型和元胞自動機模型，并在元胞自動機模型原有基礎(chǔ)上引入人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）構(gòu)建轉(zhuǎn)換規(guī)則，具有耦合人類活動與自然效應(yīng)的各類土地類型之間相互競爭和轉(zhuǎn)化的模擬優(yōu)勢［22］。FLUS模型包括如下兩個部分：

第一部分是通過ANN 模塊訓(xùn)練樣本數(shù)據(jù)并構(gòu)建本區(qū)域的土地利用類型空間發(fā)生概率。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于能夠通過多次迭代學(xué)習(xí)和擬合輸入數(shù)據(jù)與訓(xùn)練目標(biāo)之間的復(fù)雜關(guān)系［23］。在ANN的輸入層中，神經(jīng)元與輸入變量相對應(yīng)；輸出層中的神經(jīng)元代表特定地類在網(wǎng)格單元內(nèi)的發(fā)生概率，在特定單元格內(nèi)該值越高表示目標(biāo)地類的發(fā)生概率越高［24］。根據(jù)公式可得出，在k時刻第i種地類在柵格d上發(fā)生的概率：

第二部分是基于輪盤賭選擇機制的自適應(yīng)慣性競爭機制融合CA 的空間運算功能，調(diào)整宏觀土地需求與當(dāng)前現(xiàn)有土地之間的數(shù)量并達到目標(biāo)值，解決了以往模型在處理復(fù)雜地類間的相互影響［25］。公式為：

綜上可以將綜合適宜性概率計算公式表示為：

1.3.2 RF-FLUS模型 隨機森林模型是一個在數(shù)據(jù)挖掘能力、轉(zhuǎn)換規(guī)則準(zhǔn)確性及其穩(wěn)定性方面具有自身優(yōu)勢的利用多個決策樹生成的集成智能算法。只需要對給定樣本進行訓(xùn)練，克服神經(jīng)網(wǎng)絡(luò)過度擬合的問題［26］。采用RF代替ANN在FLUS模型內(nèi)的轉(zhuǎn)換規(guī)則，構(gòu)造24棵決策樹，變量數(shù)為4，每個樣本抽取2/3 的數(shù)據(jù)作為袋內(nèi)數(shù)據(jù)用來訓(xùn)練模型，剩余1/3 的數(shù)據(jù)用作袋外數(shù)據(jù)來估算誤差并驗證決策樹的精度，袋外數(shù)據(jù)越小精度越高。樣本和變量的選擇可以降低各決策樹之間相關(guān)性，為之后更準(zhǔn)確的對大同礦區(qū)土地利用變化進行模擬和預(yù)測提供基礎(chǔ)。

1.3.3 平均基尼系數(shù)下降法 選用平均基尼系數(shù)下降法來計算并分析影響大同礦區(qū)土地利用格局不同因素的影響程度。平均基尼系數(shù)下降法是對每顆決策樹按照基尼的不純度（Gini Impurity）對特征進行排序，特征的重要性直接反映了該特征參與模型計算過程中的重要性。每個特征的重要性為0～1之間的浮點數(shù)，數(shù)值越大表明該特征對于整個模型越重要。通過遍歷全部樹節(jié)點，計算選入的每個特征變量的基尼系數(shù)下降總和表示該變量對最終格局的影響程度［27］。

1.3.4 模型精度驗證 模型精度驗證采用混淆矩陣Kappa系數(shù)檢驗［28］定量分析驗證模型精度?；煜仃噷蔷€百分比越高，代表精度越高。

2 結(jié)果與分析

2.1 土地利用格局時空變化特征

由1985—2015 年大同礦區(qū)土地利用格局空間變化和面積變化圖可知（圖2，圖3），1985—1995 年礦區(qū)處于成長階段，耕地面積增加了40.75 km2；草地廣泛分布于研究區(qū)內(nèi)，變化率為-2.87%；林地主要分布在中部以及東部邊緣，面積增加3.37 km2，林草地數(shù)量僅次于耕地面積；水域主要分布在研究區(qū)西北部的十里河，呈帶狀分布水量較多，面積增加了3.53 km2；建設(shè)用地和其他類型多分布在北部地勢平坦處，面積增加了0.27%。

圖2 1985—2015年大同礦區(qū)土地利用空間分布Fig.2 Spatial distribution of land use in Datong coal mining area from 1985 to 2015

圖3 大同礦區(qū)不同時期土地類型面積變化Fig.3 Changes of land type area in Datong coal mining area in each year

1995—2005年礦區(qū)走向成熟階段，生產(chǎn)過程逐漸機械化，開采規(guī)模進一步擴大。耕地主要零散分布于礦區(qū)邊緣，該時期耕地面積減少約20%；隨著退耕還林還草政策的推行，草地成為礦區(qū)所占比例最大的土地利用類型，占總面積的60%；水域面積急劇下降，由1.04%減少至0.1%；建設(shè)用地減少0.67%，其他類型增加0.35%。

2005—2015年礦區(qū)處于轉(zhuǎn)型期，政府政策扶持生產(chǎn)全面改造，礦井生產(chǎn)逐漸規(guī)模化，同時礦區(qū)城市工業(yè)化程度不斷加快，因此該期土地利用特點主要表現(xiàn)為建設(shè)用地面積大幅增加，由3.09%增加到7.09%。耕地、林地、草地以及水域地類由于人類活動的影響面積都有所下降，其他類型面積略微上升，增加0.29%。

2.2 不同歷史時期土地利用轉(zhuǎn)移分析

由1985—2015 年大同礦區(qū)的土地利用轉(zhuǎn)移可知（表2），1985—1995 年由于采礦活動和人類生活的影響，土地利用轉(zhuǎn)移主要為水域大面積轉(zhuǎn)變?yōu)榱值?、草地和耕地，建設(shè)用地有6.72%轉(zhuǎn)向林地；1995—2005 年礦區(qū)開始大規(guī)模開采，毀林采礦、修筑公路實現(xiàn)晉煤外運，大量占用耕地和林地，土地利用的變化主要表現(xiàn)為各土地利用類型向草地的轉(zhuǎn)移，耕地向草地轉(zhuǎn)移高達72.58%，林地向草地發(fā)生轉(zhuǎn)移55.93%，水域、建設(shè)用地和其他用地向草地轉(zhuǎn)移均為30%以上。水域面積向耕地轉(zhuǎn)移較多，達33.39%；2005—2015年土地利用類型轉(zhuǎn)移主要表現(xiàn)為水域轉(zhuǎn)為其他類型，轉(zhuǎn)移94.35%，少量耕地和水域轉(zhuǎn)為草地。其余土地利用類型幾乎沒有發(fā)生轉(zhuǎn)移。30 a間大同礦區(qū)土地利用的變化趨勢是各土地利用類型向草地轉(zhuǎn)移，其中，林地向草地轉(zhuǎn)移最多，其次是耕地。

表2 1985—2015年大同礦區(qū)土地利用轉(zhuǎn)移概率矩陣Tab.2 Land use transfer probability matrix in Datong coal mining area from 1985 to 2015 /%

2.3 土地利用變化的影響因素分析

根據(jù)土地利用變量的重要性，進一步分析大同煤礦區(qū)土地利用變化的影響因子（圖4），林草地的分布主要受到氣候、距水系和設(shè)施點距離影響；耕地分布受到礦區(qū)DEM、氣候、距水系、設(shè)施點以及居民點的距離等因素影響。這主要由于干旱區(qū)氣候干燥，耕地需要便利的灌溉條件，而且農(nóng)民為方便耕種將耕地分布在距離居民點較近的地方；水域最重要的影響因子是降水因子，降水條件直接決定水域分布范圍；建設(shè)用地很大程度上受到生產(chǎn)能力和距設(shè)施點距離的影響，礦區(qū)煤炭生產(chǎn)能力越高，各種廠房、排土道路、煤礦職工辦公住宿區(qū)均相應(yīng)增加。餐館、學(xué)校、醫(yī)院、休閑娛樂場所等設(shè)施點的距離也直接決定建設(shè)用地分布。其他類型分布受到距水系距離的影響，水系周圍的用地極易被改變?yōu)槠渌愋汀?/p>

圖4 2015年大同礦區(qū)土地利用類型影響因子的重要性Fig.4 The importance of different types of influencing factors in Datong coal mining area in 2015

2.4 土地利用格局模擬及未來預(yù)測

分別采用FLUS 和RF-FLUS 模型，對大同礦區(qū)土地利用變化進行建模，采用Kappa 系數(shù)對比精度結(jié)果。首先對2015 年大同煤礦區(qū)土地利用格局進行擬合，結(jié)果表明，F(xiàn)LUS 模型和RF-FLUS 模型模擬得到的2015年礦區(qū)土地利用格局與2015年影像解譯得到的實際土地利用格局相比（圖5a～圖5c），擬合程度均較高。將模擬結(jié)果與實際土地利用做混淆矩陣精度驗證（表3）。FLUS 模型Kappa 系數(shù)為0.92，OA 系數(shù)為0.95；RF-FLUS 模型Kappa 系數(shù)為0.93，OA 系數(shù)為0.96，就模擬精度而言，RF-FLUS 模型擬合效果更好，更加符合實際土地利用格局。

表3 RF-FLUS模型與FLUS模型混淆矩陣Tab.3 Confusion matrix of RF-FLUS model and FLUS model /%

圖5 2015年大同礦區(qū)土地利用格局與模型模擬結(jié)果Fig.5 Land use pattern and model simulation results in Datong coal mining area in 2015

以2015年為基準(zhǔn)年，采用RF-FLUS模型模擬礦區(qū)2025 年的土地利用空間分布結(jié)果可知（圖6）。2025 年大同煤礦區(qū)林地、草地和耕地均呈下降態(tài)勢，林地、草地和耕地面積分別下降了3.01 km2、14.97 km2和12.7 km2，水域面積基本保持不變，建設(shè)用地與其他類型面積穩(wěn)態(tài)上升，建設(shè)用地由2015年的130.75 km2增 加 到2025 年 的157 km2，增 加 了26.26 km2，其他類型面積預(yù)計增加44.12 km2。

圖6 大同礦區(qū)2015年和2025年土地利用分布格局Fig.6 Distribution pattern of land use in Datong coal mining area in 2015 and 2025

3 結(jié)論

本文通過研究大同礦區(qū)不同階段土地利用格局的時空變化，進一步探討不同土地利用模型的模擬精度優(yōu)勢以及影響土地利用格局變化的主要驅(qū)動因素，并進行了預(yù)測分析，得到如下結(jié)論：

（1）大同礦區(qū)侏羅系煤層已基本全部開發(fā)利用，石炭-二疊系煤層開采范圍主要在北部和南部，受采礦影響，1985—2015年大同礦區(qū)土地利用格局發(fā)生劇烈轉(zhuǎn)變，主要表現(xiàn)為草地、建設(shè)用地以及其他類型增加，林地和耕地先增加后減少，以減少為主，水域面積基本被侵占。礦區(qū)土地利用變化是以資源開采為原動力的動態(tài)時空演變過程，采掘資源的同時造成對土地的破壞，從而改變了土地利用結(jié)構(gòu)。

（2）礦區(qū)內(nèi)不同土地利用類型的驅(qū)動因素不同。林地、草地主要受氣候影響以及距水系和設(shè)施點的距離影響；耕地分布受到高程、氣候及距水系、設(shè)施點、居民點的距離等多因素綜合影響；水域最重要的驅(qū)動因素是降水。建設(shè)用地受到生產(chǎn)能力和距設(shè)施點的距離的影響。其他類型主要受距水系距離的影響。礦產(chǎn)資源開發(fā)是土地利用變化的主要驅(qū)動力，此外氣候地形等自然因素也影響著土地利用變化。

（3）RF-FLUS 模型的應(yīng)用，可以更加準(zhǔn)確的預(yù)測未來土地利用格局。相比于FLUS模型中ANN模塊出現(xiàn)過度擬合的現(xiàn)象，RF-FLUS 模型能發(fā)揮隨機森林算法精度高的優(yōu)勢，提高預(yù)測未來土地利用格局變化的能力，對預(yù)測小尺度區(qū)域的土地利用格局具有重要借鑒意義。