黃安東， 趙明松， 郜敏， 王世航

(1.安徽理工大學(xué)空間信息與測繪工程學(xué)院， 淮南 232001； 2.土壤與農(nóng)業(yè)可持續(xù)發(fā)展國家重點實驗室(中國科學(xué)院南京土壤研究所)， 南京 210008； 3.礦山采動災(zāi)害空天地協(xié)同監(jiān)測與預(yù)警安徽省教育廳重點實驗室， 淮南 232001； 4.礦區(qū)環(huán)境與災(zāi)害協(xié)同監(jiān)測煤炭行業(yè)工程研究中心， 淮南 232001)

土地利用反映了人類與自然界相互影響與交互作用最直接和最密切的關(guān)系，對土地利用/覆被變化(land use/cover change，LUCC)驅(qū)動機制的研究對理解其變化特征及制定相關(guān)的土地利用發(fā)展策略有重要意義[1]，LUCC與全球環(huán)境變化和可持續(xù)發(fā)展的關(guān)系是研究的核心問題[2]。國內(nèi)外許多學(xué)者采用遙感(remote sensing，RS)和地理信息系統(tǒng)(geographic information system，GIS)技術(shù)對研究區(qū)域土地利用進行分類研究并分析了其演變規(guī)律[3-4]。目前關(guān)于LUCC的研究方向主要集中在：土地利用空間格局演變及其驅(qū)動因素，如于成龍等[5]基于土壤和水文評估工具(soil and water assessment tool,SWAT)模型等方法研究了西遼河流域自然人為因素對濕地變化的驅(qū)動效應(yīng)；謝毅等[6]研究表明，2000—2016 年安徽省土地城市化和人口密度及各社會經(jīng)濟因子之間的交互作用對人口和土地城市化耦合發(fā)展起主導(dǎo)作用?；谀Ｐ偷奈磥硗恋乩米兓M預(yù)測，如Liu等[7]提出了未來土地利用模擬(future land-use simulation，F(xiàn)LUS)模型，通過耦合人為和自然效應(yīng)來模擬多種土地利用場景，對多種場景下未來土地利用狀態(tài)的預(yù)測獲得了良好結(jié)果；趙冬玲等[8]利用CA-Markov模型整合多種土地轉(zhuǎn)移因子進行模擬，驗證了該模型的可靠性，并對區(qū)域尺度未來10 年土地利用變化趨勢做出預(yù)測。土地利用變化的生態(tài)效應(yīng)分析，如張鵬巖等[9]研究結(jié)果表明：黃河下游地區(qū)地均生態(tài)系統(tǒng)服務(wù)價值持續(xù)降低，高值和低值的空間分異明顯，且受到自然和社會經(jīng)濟因素的共同影響。

以往對土地利用歷史變化的研究，多著眼于各時期土地利用空間格局變化過程中的某些指數(shù)進行分析，只回答了過程中的“數(shù)量”問題，未能通過“點”上的時間維度變化過程來描述區(qū)域時空演變特征并探究土地利用過程累積量空間分布背后的驅(qū)動因素[10]。土地利用變化是一個眾多驅(qū)動力作用下的系統(tǒng)，具有結(jié)構(gòu)變異性和演化復(fù)雜性[11]。運用統(tǒng)計模型模擬未來土地利用變化的難點在于處理變化過程中的空間變量，大區(qū)域尺度土地利用類型變化的驅(qū)動力 (自然、人類活動和政策驅(qū)動等)存在較強的交互作用和地理變異性[12]；空間模型如CA模型有較強的空間計算的能力，可以根據(jù)土地利用轉(zhuǎn)化規(guī)律對土地利用單元局部狀態(tài)改變進行預(yù)測模擬，但是仍缺少對時空過程定量描述的能力[13]。

本研究以安徽省土地利用分布時間序列數(shù)據(jù)為研究對象，基于土地利用變化Sankey圖、單一和綜合動態(tài)度分析、空間聚類分析、地理探測器等方法，兼顧了LUCC研究中“格局”與“過程”兩個重要路線，圍繞安徽省土地利用的變化強度、空間模式以及驅(qū)動因素三個關(guān)鍵問題進行分析討論。通過分析土地利用類型轉(zhuǎn)換量、動態(tài)度探討了安徽省近40 年土地利用空間特征變化的一般規(guī)律和時空差異性，即土地利用格局的變化；通過對土地利用程度變化累積量分布特征的分析揭示了安徽省土地利用變化強度的空間聚集特征，即土地利用變化的格局；對土地利用變化強度各驅(qū)動因素交互作用的定量分析揭示了自然與社會因子在不同范圍上的作用強度和作用方式。研究從多個維度綜合考慮，對安徽省土地利用時空演化特征進行了全面的刻畫，可為安徽省土地利用規(guī)劃與可持續(xù)發(fā)展提供科學(xué)參考。

1 材料與方法

1.1 研究區(qū)概況

安徽省(114°54′E～119°37′E、29°41′N～34°38′N)位于中國華東地區(qū)，總面積約14萬km2，地處長江、淮河流域中下游，淮河南北分別屬暖溫帶半濕潤季風(fēng)氣候和亞熱帶濕潤季風(fēng)氣候；地勢由平原、丘陵、山地構(gòu)成；地跨淮河、長江、錢塘江三大水系，河流約2 000 余條，境內(nèi)湖泊約580 個，總面積約1 750 km2。全省由北至南分為五個地理區(qū)域：淮北平原、江淮丘陵地、沿江平原區(qū)、皖西大別山區(qū)和皖南丘陵山區(qū)；主要土壤類型有水稻土、砂姜黑土、紅壤、潮土等[14]。安徽省是長三角一體化重大戰(zhàn)略中的重要部分，經(jīng)濟建設(shè)占比逐漸增大，但高速化發(fā)展中帶來的土地合理利用及生態(tài)環(huán)境保護問題同樣需要重視。

1.2 數(shù)據(jù)來源與數(shù)據(jù)處理

本文中數(shù)據(jù)來源如下：①安徽省1980年、1995年、2000年、2005年、2010年、2015年1∶10萬土地利用數(shù)據(jù)來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn)；②安徽省2020年土地利用數(shù)據(jù)(30 m分辨率)，2010年GDP和人口空間數(shù)據(jù)、2013年夜間燈光數(shù)據(jù)(night light data，NLD)、2010年凈第一性生產(chǎn)力(net primary productivity， NPP)空間數(shù)據(jù)(1 000 m分辨率)來自中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http://www.resdc.cn)；③SRTM_DEM數(shù)字高程模型數(shù)據(jù)(90 m分辨率)來源于地理空間數(shù)據(jù)云(http://www.gscloud.cn)，在ArcGIS中提取坡度信息；④安徽省主要城市和道路分布數(shù)據(jù)來自O(shè)penStreetMap平臺(https://www.openstreetmap.org/)，在IDRISI 17.0中提取距城市中心距離和距主要道路距離信息。

將以上空間數(shù)據(jù)統(tǒng)一為100 m分辨率的柵格數(shù)據(jù)。將土地利用類型按照土地資源分類系統(tǒng)編碼，分為耕地、林地、草地、水域、建設(shè)用地、未利用地6大類。

1.3 研究方法

1.3.1 土地利用動態(tài)度

(1)單一土地利用動態(tài)度。研究一定時間內(nèi)某種土地利用類型的數(shù)量變化情況，可定量描述土地利用變化的速度，其表達式為[15]

(1)

式(1)中：K為研究時段內(nèi)某一土地利用類型動態(tài)度；Ua和Ub分別為研究期初及研究期末某一種土地利用類型的面積；T為研究時段。當(dāng)T定義為年時，K就是該研究區(qū)域某種土地利用類型年變化率。

(2)綜合土地利用動態(tài)度。定量描述研究區(qū)土地利用類型變化的劇烈程度，計算公式為

(2)

式(2)中：LUi為監(jiān)測起始時間第i類土地利用類型面積；ΔLUi，j為監(jiān)測時段第i類土地利用類型轉(zhuǎn)化為其他土地利用類型的面積總和；T為研究時段；LC為T時段對應(yīng)的研究區(qū)土地利用變化速率。當(dāng)T設(shè)定為年時,LC的值表示該研究區(qū)土地利用的年變化率[16]。

1.3.2 土地利用變化累積量采樣方法

根據(jù)陳萬旭等[17]采用的土地利用程度分級方法，將未利用地賦值1，林地、草地和水域賦值2，耕地賦值3，建設(shè)用地賦值4，得到各時期安徽省土地利用程度數(shù)據(jù)。采用“像元尺度上各相鄰時期之間土地利用程度變化絕對值之和”這一指標(biāo)來描述1980—2020年像元等級上土地利用變化累積量(cumulative value of land use change，CVLUC)，達到將時間維度壓縮的目的[13]。然后根據(jù)研究區(qū)情況，采用3 000 m×3 000 m規(guī)則格網(wǎng)對CVLUC進行采樣，將每個格網(wǎng)內(nèi)所有像元的值的平均值賦予格網(wǎng)中心，計算方法為

(3)

式(3)中：Cm為采樣點的空間格網(wǎng)平均CVLUC；n為規(guī)則格網(wǎng)內(nèi)柵格數(shù)；i，j為研究期；Li和Lj分別為第i期和第j期土地利用程度等級。

得到CVLUC空間平均要素集[圖1(a)]后，采用K-means聚類對要素集進行分類，使得每一類型內(nèi)土地利用演化單元之間的 CVLUC差異最小。聚類結(jié)果顯示：三種類型Cm取值范圍分別為0～0.256 5、0.256 5～0.669 4、0.669 4～2.695 8[圖1(b)]。

圖1 1980—2020年安徽省CVLUC空間平均要素集及聚類結(jié)果Fig. 1 The CVLUC spatial average element set and clustering results of Anhui Province from 1980 to 2020

1.3.3 Getis-Ord General G聚類方法

Getis-Ord General G聚類是對空間高值或低值聚類程度進行統(tǒng)計的常用手段，可針對指定的研究區(qū)域測量高值或低值的密度[18]，其計算公式為

(4)

式(4)中：xi和xj為樣本i和j的屬性值；wij為i和j之間的空間權(quán)重；n為數(shù)據(jù)集中樣本的個數(shù)；?i≠j表示樣本i和j為兩個不同樣本。

定義G值的z得分計算方法為

(5)

(6)

V(G)=E(G2)-E(G)2

(7)

Getis-Ord General G和空間自相關(guān)的零假設(shè)是樣本具有完全空間隨機性，在數(shù)據(jù)集的要素中值是隨機分布的。用p表示所觀測的空間模式是由隨機過程創(chuàng)建而成的概率，當(dāng)p很小時，意味著隨機過程下不太可能產(chǎn)生所觀測的空間模式(小概率事件)，可以拒絕零假設(shè)。Getis-Ord General G聚類的z得分的解釋與普通空間自相關(guān)的z得分的解釋有所差別：當(dāng)p顯著且z得分為正值時，在空間自相關(guān)中代表高值或低值的空間分布在空間上聚類的程度要高于預(yù)期，而在Getis-Ord General G聚類中代表數(shù)據(jù)集中高值的空間分布與預(yù)期的空間分布相比在空間上的聚類程度更高。

1.3.4 多距離空間聚類(Ripley’sK函數(shù))

基于Ripley’sK函數(shù)的多距離空間聚類分析是分析事件點空間模式的一種常用方法。區(qū)別于一些傳統(tǒng)分析方法(如空間自相關(guān)、最鄰近距離分析)，該方法的特征是可對一定距離范圍內(nèi)的空間相關(guān)性(要素聚類或要素擴散)進行匯總，研究多個距離和空間比例下空間模式的變化，Ripley’sK函數(shù)可用于描述CVLUC要素的空間聚集或擴散在不同尺度下是如何變化的[19]。原始的Ripley’sK函數(shù)為

(8)

式(8)中：n為要素總數(shù)；r表示空間尺度；Ir為空間長度指數(shù)；uij表示點i和點j之間的距離；當(dāng)uij≤r時，Ir(uij)=1，當(dāng)uij>r時，Ir(uij)=0；而在實際的應(yīng)用中，通常執(zhí)行的是K函數(shù)的一種常見變換，稱為L(d)，即

(9)

式(9)中：d為距離；A代表要素的總面積；Kij為權(quán)重。如果沒有邊校正，當(dāng)i與j之間的距離小于d時，Kij=1，反之Kij=0，在L(d) 變換下，“預(yù)期值”K等于“距離”。

比較各個測量距離下K觀測值和K預(yù)期值，如果前者大于后者，則在該距離尺度下的分布相比隨機分布的聚類程度更高。如果前者小于后者，則與該距離的隨機分布相比，該分布的離散程度更高。通過在研究區(qū)域中多次進行分布隨機點并計算該分布的K值來構(gòu)建置信區(qū)間，將這些點分布多次之后，對每個距離選擇相對“預(yù)期”K值向上和向下偏離最大的K值，這些值將成為置信區(qū)間。如果K觀測值大于置信區(qū)間上限值，則該距離的空間聚類具有統(tǒng)計顯著性，反之則該距離的空間離散具有統(tǒng)計顯著性。

1.3.5 地理探測器

地理探測器(geographic detector)由王勁峰等[20]提出，用于探測空間分異性，揭示其背后驅(qū)動力的一組統(tǒng)計學(xué)方法。其主要思想是假設(shè)自變量對因變量的影響程度和他們的空間分布應(yīng)該具有相似性，即假設(shè)土地利用累積變化量受某一影響因素的作用而變化，則土地利用累積變化量與該影響因素的空間分布類似。地理探測器采用q值衡量影響因子對土地利用累積變化量的解釋力，q值計算公式為

(10)

地理探測器可評價各驅(qū)動因子對CVLUC的影響程度以及每兩項環(huán)境因子共同作用下的的交互影響程度，主要應(yīng)用了因子探測和交互探測器，因子探測器通過計算各影響因素的q值，對比分析各驅(qū)動因子對生態(tài)環(huán)境質(zhì)量解釋力的大小，并利用p值對結(jié)果的顯著性進行檢驗；交互探測器用于分析兩影響因素是否存在交互作用或是否獨立，通過比較單個影響因素的q值和2個影響因素交互作用的q值可將交互作用的類型分為5類，如表1所示。

表1 地理探測器因子交互作用類型

本研究中選取的CVLUC驅(qū)動因子有：地形因子2 個：高程(digital elevation model，DEM)、坡度(SLOPE)；社會因子5 個：距城市中心距離(distance to city，DIS_CITY)、距主要道路距離(distance to primary road，DIS_PROAD)、2010年GDP(gross domestic product of 2021，GDP2010)、2010年人口(total population of 2010，TPOP2010)、2013年NLD；生態(tài)因子1 個：2010年NPP。以上數(shù)據(jù)為空間柵格數(shù)據(jù)，按照CVLUC空間平均要素集點位置進行提取，并按照20%、40%、60%、80%分位數(shù)間隔將各因子轉(zhuǎn)換為分組數(shù)據(jù)，作為地理探測器的自變量輸入。

2 結(jié)果與分析

2.1 土地利用變化分析

圖2為安徽省土地利用Sankey圖[21]，描述了1980—2020年土地面積在各類型之間的流向。1980—2020年安徽省耕地、林地面積總體呈下降趨勢，草地、水域、建設(shè)用地、未利用地呈增加趨勢。2020年安徽省耕地、林地、草地、水域、建設(shè)用地和未利用地面積分別占安徽省總面積的55.37%、22.91%、5.94%、5.24%、10.53%、0.02%。安徽省淮河平原區(qū)、沿江平原區(qū)分別占據(jù)全省面積30%和25%，為耕地的廣泛分布提供了條件；其次便是林地和草地，安徽省林地和草地主要分布在海拔較高、地勢起伏較大的皖西大別山區(qū)和皖南丘陵區(qū)；隨著改革開放以來安徽經(jīng)濟的快速發(fā)展，建設(shè)用地面積在1980—2020年40年間增加了35%，這個變化在安徽省主要城市十分顯著。

圖2 1980—2020年安徽省土地利用變化Sankey圖Fig.2 Sankey diagram of land use change of Anhui Province from 1980 to 2020

安徽省耕地面積在不斷縮減，其中2005—2010年減少量最大，為1 581.18 km2，占同期耕地總面積的1.9%；向建設(shè)用地的轉(zhuǎn)出在耕地面積轉(zhuǎn)出量中占據(jù)主導(dǎo)地位，研究期內(nèi)累計有8 212 km2的耕地轉(zhuǎn)換為建設(shè)用地，占耕地轉(zhuǎn)出總量的68%；在朝向耕地的轉(zhuǎn)入中，各種地類在不同時期都占據(jù)過主導(dǎo)地位，說明在自然發(fā)展?fàn)顟B(tài)下較為穩(wěn)定的一些地類(如林地、草地)在人為作用影響下，轉(zhuǎn)換也會變得活躍起來。

分析安徽省水田、旱地和其他地類間轉(zhuǎn)換(圖3)發(fā)現(xiàn)：①安徽省水田和旱地均呈減少趨勢，1980—2020年間分別減少5.4%和3.8%；②水田與其他地類之間的相互轉(zhuǎn)換活躍程度普遍高于旱地，原因是安徽省南北發(fā)展存在差異，導(dǎo)致多分布于南部地區(qū)的水田受城市擴張等人為活動影響更劇烈；③1980—2020水田和旱地轉(zhuǎn)換未見有整體規(guī)律，因水田旱地的相互轉(zhuǎn)換比較復(fù)雜，取決于人文(種植傳統(tǒng)、生產(chǎn)效益、政策調(diào)整等)和自然條件(氣候變化、自然災(zāi)害等)多種因素。

圖3 1980—2020年安徽省水田、旱地、其他地類轉(zhuǎn)換量Fig.3 Conversion of paddy field, dry field and other land types in Anhui Province from 1980 to 2020

建設(shè)用地面積2005—2010年增長率在整個研究期內(nèi)最高，達到15.8%，表明這一時期城鎮(zhèn)化發(fā)展速度顯著提升。建設(shè)用地和耕地間的相互轉(zhuǎn)換通常是所有土地利用類型之間的轉(zhuǎn)換中轉(zhuǎn)換量最大的兩種類型，耕地占補平衡等政策的推進是重要原因，1980—1995年轉(zhuǎn)換量最高的是耕地向建設(shè)用地的轉(zhuǎn)換，面積約為348 km2，而其他地類間轉(zhuǎn)換量均不超過10 km2，造成這種現(xiàn)象的原因是這一時期建設(shè)用地需求快速增加，且耕地保護政策仍不完善，2005—2010年耕地向建設(shè)用地轉(zhuǎn)移量比建設(shè)用地向耕地多1 654.5 km2，成為這一時期建設(shè)用地面積增長的重要原因。其他地類向建設(shè)用地的轉(zhuǎn)換在研究期內(nèi)是逐漸增加的，而建設(shè)用地向其他地類的轉(zhuǎn)移量逐漸減少。

林地和草地總面積在研究期內(nèi)比較穩(wěn)定，總體呈略微減少趨勢。林地的主要轉(zhuǎn)入來源是耕地和草地，2000—2005年林地面積有少量增長，這一時期其它地類向林地的轉(zhuǎn)移均顯著大于林地向相應(yīng)地類的轉(zhuǎn)出，原因是1999年開始安徽省積極響應(yīng)國家推行植樹造林、退耕還林的政策號召[22]。各個時期耕地和林地都是草地的主要轉(zhuǎn)入來源，草地1995—2005年和2015—2020年主要轉(zhuǎn)出為耕地和林地，其余時期向各地類的轉(zhuǎn)出比較平均。

水域面積總體朝增長方向發(fā)展，但變化量并不大，1980—2020年共增長2.4%。未利用地的面積呈逐漸增多態(tài)勢，但都占比很少，有相當(dāng)一部分來源于耕地的污染破壞或拋荒。

2.2 土地利用動態(tài)度

由1980—2020年土地利用動態(tài)度(表2)可以得出：①2005—2010年、2015—2020年每個地類的單一動態(tài)度并不顯著高于其他時期，但綜合動態(tài)度很高，說明這兩個時期內(nèi)各地類的相互轉(zhuǎn)換較其余各時期更為劇烈；②建設(shè)用地動態(tài)度多數(shù)時期內(nèi)在各土地類型中占據(jù)首位(除未利用地外)，說明安徽省近年來城鎮(zhèn)化建設(shè)發(fā)展速度十分可觀，2005—2015年建設(shè)用地擴張迅速，兩期動態(tài)度分別為3.15%和1.83%；③耕地雖然變化量很大，但其面積基數(shù)較大，動態(tài)度變化并不明顯，與建設(shè)用地加速擴張對應(yīng)，耕地的縮減速度加快同樣發(fā)生在2005—2015年；相反，未利用地雖然變化量不大，但由于其總量很小，因此各時期動態(tài)度差別很大；④除水域在2000—2005年增加1.17%外，林地、草地、水域三種類型在40年間動態(tài)度都很低，較其他地類穩(wěn)定性高。

表2 1980—2020年土地利用動態(tài)度

2.3 CVLUC空間聚類分析

分別對CVLUC空間平均要素集總體和K-means聚類得到的各個類型進行Getis-Ord General G聚類，結(jié)果如表3所示，可以看出，四種要素集合下Getis-Ord General G聚類都通過了顯著性水平為0.01的檢驗，z得分均為正值，代表總體和各類型水平下都有依高值聚集的趨勢?？傮wz得分要顯著高于3種類型的z得分，說明CVLUC空間平均要素集總體具有很高的高值空間聚集性，安徽省土地利用的劇烈轉(zhuǎn)換通常是發(fā)生在一些特定的且密集的區(qū)域內(nèi)，K-means聚類之后，各類型的CVLUC也具有一定的程度的高值空間聚集性，但各類型z得分均不高且差異不明顯，聚類達到了顯著減小類型間差異的目的。類型1要素均值最小，在三種類型中包含要素最多，且z得分最低，說明安徽省土地利用程度變化平緩區(qū)域所占比重很大，其分布相比劇烈變化區(qū)域分散程度較高。

表3 Getis-Ord General G聚類結(jié)果

對三種類型的要素進行了Ripley’sK函數(shù)多距離空間聚類，結(jié)果如圖4所示。三種類型的觀測K值均位于多次分布隨機點構(gòu)建的置信區(qū)間之上，三種類型的聚集分布呈現(xiàn)統(tǒng)計顯著性；在類型1和2水平上，預(yù)測K值與觀測K值在各個相同測量距離下的差值隨測量距離的增加都呈現(xiàn)先增后減的趨勢，說明此兩種類型在空間上隨著距離的增加，聚集程度會相應(yīng)增加，隨后在距離更遠(yuǎn)處趨向均勻分布，類型3在多距離空間上聚集程度變化并不明顯，但在各距離上的聚集程度都要高于前兩種類型，表明土地利用程度的劇烈變化時空聚集程度較平緩變化要高，且前者的聚集特征受觀測尺度變化的影響小于后者。

圖4 三種類型的Ripley’s K函數(shù)多距離空間聚類結(jié)果Fig.4 Results of multi-distance spatial cluster analysis (Ripley’s K function) under three types

2.4 CVLUC驅(qū)動因子分析

對CVLUC驅(qū)動因子的探測結(jié)果(表4)顯示：各因子q值均不高。但都通過了顯著性檢驗，因子間q值存在差異，可以反映出各類因子對安徽省CVLUC的解釋程度的差異，其中q值最高的是NLD因子，可以解釋近20%的CVLUC空間分異，NLD涵蓋了交通道路、居民地等與人口、城市等因子分布密切相關(guān)的信息，可作為人類活動強度的表征；q值最低的是NPP，只對CVLUC空間分異有約6.4%的解釋力，NPP表征的是陸地生態(tài)過程，可見陸地生態(tài)發(fā)展態(tài)勢與LUCC變化劇烈程度的相關(guān)性并不強。其余因子的q值介于0.07～0.1。

表4 因子探測器結(jié)果

對各因子的交互探測結(jié)果如圖5所示，本研究中所選擇的因子兩兩之間對CVLUC的交互作用均表現(xiàn)為增強，其中TPOP2010與NPP、DIS_PROAD與NPP呈非線性增強，其余因子間表現(xiàn)為雙因子增強作用， LUCC變化是一個復(fù)雜、系統(tǒng)的過程，各因子對LUCC變化的影響作用不是簡單、獨立的，這一過程受各類因子交互式的影響，且因子間是互補、互促的。

生態(tài)過程自身雖對CVLUC空間分異影響不大，但與社會和地形因子結(jié)合對CVLUC的改變發(fā)揮了積極作用；NLD與其他各因子的交互作用在所有交互作用中占據(jù)主導(dǎo)地位，其中與高程和坡度因子的交互作用最高，q值分別達到0.241 9和 0.239 8，NLD因子與其他幾種社會因子存在著一定的相關(guān)性，但又不完全相同，在對CVLUC的影響作用中存在相互重合的部分，易造成因子交互作用類型和效果的冗余，相比之下NLD本身受地形因素的影響較少，二者搭配可以更好地解釋CVLUC空間分異，由此也可以得出社會和地形因素的交互式增進作用是LUCC的劇烈變化的重要動力。

LUCC的變化包括自然狀態(tài)下的改變和人為作用下的改變，各個社會因子本質(zhì)上體現(xiàn)的是人類活動強度這一綜合因子，與之密切相關(guān)的是城鎮(zhèn)化速度、經(jīng)濟活力、交通能力、人口聚集程度等，同時地形因子影響了人類活動的適宜程度，生態(tài)因子NPP是估算地球支持能力和評價陸地生態(tài)系統(tǒng)可持續(xù)發(fā)展的指標(biāo)，一定程度表征了生態(tài)用地類型在自然條件下的穩(wěn)定性水平，因此當(dāng)其與反映人類活動強度軌跡的TPOP2010和DIS_PROAD因子交互時，便表現(xiàn)出非線性增強的特征。

A表示雙因子增強，B表示非線性增強圖5 交互探測結(jié)果Fig.5 results of interaction detactor

3 結(jié)論

本文中利用土地利用動態(tài)度、Getis-Ord General G聚類、多距離空間聚類、地理探測器等方法，分析了安徽省土地利用一系列時空演化特征及其驅(qū)動因素，得到了以下結(jié)論。

(1)安徽省近40年間耕地面積逐漸減少，建設(shè)用地面積逐漸增多，建設(shè)用地與耕地之間最為頻繁；林地和草地緩慢減少，水域緩慢增加，且各土地利用類型的相互轉(zhuǎn)換越來越頻繁活躍。

(2)在總體水平上，安徽省土地利用的劇烈轉(zhuǎn)換通常是發(fā)生在一些特定且密集的區(qū)域內(nèi)，通過K-means 聚類可以減弱但不能完全消除這種特性；在不同的距離尺度水平上，平緩變化區(qū)域在各距離上的空間聚集程度比劇烈變化區(qū)域的低，且后者的空間模式較前者受距離尺度變化的影響更小。

(3)各類驅(qū)動因子對CVLUC空間分異的解釋力存在差異，安徽省土地利用變化劇烈程度受多種因素交互作用。生態(tài)因子與人類活動強度軌跡共同作用時解釋力大于二者之和，NLD因子及其與各因子的交互作用對CVLUC空間分異影響最為顯著，社會類型因子和地形類型因子共同作用可以解釋相當(dāng)一部分的CVLUC空間分異。

在土地利用變化過程中，“人”是不可忽略的一個主要角色，變化劇烈區(qū)域通常依附于人類活動軌跡而聚集，土地利用變化的時空演化特征表征了人-地關(guān)系在不同地域空間上的作用強度與作用模式[23]。地理探測器是研究安徽省土地利用變化主要驅(qū)動因子解釋能力的有效方法，在研究區(qū)域內(nèi)，社會、地形、生態(tài)等因子交互作用于變化過程中，變化劇烈程度的空間分布與人類活動范圍與強度息息相關(guān)。本文中所采用的一系列思路方法可應(yīng)用于各類區(qū)域土地演化分析中，為土地利用規(guī)劃、生態(tài)效應(yīng)分析等提供參考。