孫靜雅，王 旭，陳昆侖

（中國地質(zhì)大學(xué)（武漢），a.地理與信息工程學(xué)院；b.體育學(xué)院，武漢 430074）

濱海地區(qū)位于海洋與陸地交界區(qū)域，海陸相互作用以及人類經(jīng)濟(jì)開發(fā)活動共同塑造了當(dāng)?shù)氐纳鷳B(tài)環(huán)境以及景觀格局［1，2］。強(qiáng)烈的自然地質(zhì)營力與人類活動疊加，使濱海地區(qū)的景觀格局在時間和空間2 個維度上表現(xiàn)出較強(qiáng)的異質(zhì)性［3］。隨著沿海大開發(fā)戰(zhàn)略的實(shí)施，濱海地區(qū)經(jīng)濟(jì)社會發(fā)展和當(dāng)?shù)厣鷳B(tài)環(huán)境保護(hù)之間的矛盾愈發(fā)凸顯。探索濱海地區(qū)景觀格局時空變化規(guī)律并制定其保護(hù)對策已成為景觀生態(tài)學(xué)領(lǐng)域的研究熱點(diǎn)［4-6］。對景觀格局進(jìn)行模擬，有助于深入理解景觀格局的演變過程、作用機(jī)制和環(huán)境影響［7］。目前，應(yīng)用于景觀格局動態(tài)研究的空間模 型 有LCM 模 型［8］、CLUE-S 模型［9，10］、CA-Markov模型等［11］，其中CA-Markov 模型能夠在景觀類型變化的數(shù)量和空間2 個方面均取得較好的預(yù)測效果［12］。RF-CA-Markov 模型對CA-Markov 模型進(jìn)行了改進(jìn)，引入了隨機(jī)森林算法（RF）來獲取景觀適宜性概率作為全局元胞轉(zhuǎn)換規(guī)則，相較于以往研究中采用的Logistic 回歸方法，隨機(jī)森林算法突破了傳統(tǒng)統(tǒng)計(jì)方法的局限性，能夠應(yīng)用于多重因子影響的定量研究［13-15］，為深入剖析景觀分布格局的驅(qū)動機(jī)制提供了有力工具。

本研究以中國東部濱海城市連云港市為研究區(qū)，利用多期遙感影像和自然、社會經(jīng)濟(jì)數(shù)據(jù)，對研究區(qū)景觀格局動態(tài)變化進(jìn)行定量分析，并構(gòu)建RFCA-Markov 模型，對研究區(qū)未來景觀格局進(jìn)行模擬預(yù)測，旨在探討連云港市景觀格局時空變化特征和規(guī)律，以期為濱海地區(qū)土地資源可持續(xù)開發(fā)和景觀規(guī)劃提供參考。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

連云港市位于江蘇省東北部，是中國首批沿海開放城市之一，也是新亞歐大陸橋經(jīng)濟(jì)走廊的首個節(jié)點(diǎn)城市。地處北緯33°59′至35°07′、東經(jīng)118°24′至119°48′，魯中南丘陵與淮北平原的結(jié)合部，地勢由西北向東南傾斜（圖1）。連云港市屬于暖溫帶到亞熱帶過渡地帶，四季分明，冬季寒冷干燥，夏季高溫多雨；年均氣溫14.5 ℃，年平均降水量883.9 mm。連云港市資源類型豐富，土地利用類型以耕地為主，圍海養(yǎng)殖、鹽業(yè)開發(fā)等是該地區(qū)特有的土地利用模式。21 世紀(jì)以來，隨著國家對海洋資源開發(fā)的重視以及“一帶一路”等重要國家戰(zhàn)略的部署，連云港市國土開發(fā)強(qiáng)度不斷增加，城市化進(jìn)程加快。截至2019 年末，全市戶籍人口534.41 萬人，其中城鎮(zhèn)人口286.89 萬人；2019 年連云港地區(qū)生產(chǎn)總值達(dá)3 139.29 億元，比上年增長7.4%。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)來源與處理

本研究參考美國C-CAP 海岸帶土地覆被分類系統(tǒng)和中國2017 年發(fā)布的《土地利用現(xiàn)狀分類》（GB/T21010—2017），同時結(jié)合江蘇海岸帶的區(qū)域特征，將研究區(qū)的景觀分為耕地、林地、建設(shè)用地、河渠湖泊、人工塘、鹽田和未利用地7 種類型。連云港市景觀類型分布變化信息主要是通過3 期共6 景Landsat 影像解譯得到，影像來源美國地質(zhì)勘探局USGS（https：//earthexplorer.usgs.gov/），包 括Land?sat5-TM、Landsat8-OLI。

研究區(qū)地處濱海，人口稠密，經(jīng)濟(jì)發(fā)展較快，除了氣候、土壤等自然因素影響景觀類型的分布外，人文因素也與景觀分布格局密切關(guān)聯(lián)?；跀?shù)據(jù)的可獲取性、因子的可量化性等原則，選取社會經(jīng)濟(jì)、氣候、地形地貌、水文、交通區(qū)位、植被和土壤7 類共16項(xiàng)作為驅(qū)動因子。其中，社會經(jīng)濟(jì)因子、氣候因子和植被因子來源于資源環(huán)境數(shù)據(jù)云平臺（http：//www.resdc.cn），具體包括GDP、人口、植被覆蓋度（ND?VI）、多年平均降雨量和多年平均溫度；交通區(qū)位因子和水文因子主要通過計(jì)算研究區(qū)范圍內(nèi)的每個像元到各要素的歐式距離得到，包括距城鎮(zhèn)行政中心距離、距鄉(xiāng)村行政中心距離、距道路距離、距鐵路距離、距海岸線距離和距河流距離；高程數(shù)據(jù)來源于地理空間數(shù)據(jù)云網(wǎng)站（http：//www.gscloud.cn/）SRTM 數(shù)據(jù)集，經(jīng)過表面分析得到坡度數(shù)據(jù)；土壤因子來源于世界土壤數(shù)據(jù)庫（Harmonized World Soil Database V1.2，HWSD），包括過量鹽、養(yǎng)分有效性和根系氧利用率。根據(jù)模型的模擬預(yù)測要求，結(jié)合研究區(qū)實(shí)際情況，基于ArcGIS 10.2 軟件平臺，將各空間數(shù)據(jù)統(tǒng)一配準(zhǔn)到WGS_1984_UTM_Zone_50 坐標(biāo)系，以連云港市行政范圍為邊界，將各種矢量數(shù)據(jù)轉(zhuǎn)換為30 m×30 m的柵格數(shù)據(jù)。

2 研究方法

2.1 景觀格局分析

景觀格局指數(shù)是景觀生態(tài)學(xué)中定量化分析景觀格局的常用方法，能夠反映不同層次景觀的組成及格局信息［16］。本研究基于景觀生態(tài)學(xué)原理，采用景觀格局指數(shù)作為量化指標(biāo)對研究區(qū)域各時期的景觀格局進(jìn)行分析。從景觀破碎度、形狀、聚集狀態(tài)和均勻性4個方面考慮，在類型水平上選擇斑塊密度（PD）、景觀形狀指數(shù)（LSI）和散布與并列指數(shù)（IJI）3 個指標(biāo)；在景觀水平上選擇斑塊密度（PD）、景觀形狀指數(shù)（LSI）、散布與并列指數(shù)（IJI）、蔓延度（CONTAG）、香農(nóng)多樣性指數(shù)（SHDI）和香農(nóng)均勻度（SHEI）6 個指標(biāo)。景觀指數(shù)采用FRAGSTATS 4.2 軟件計(jì)算得到。

2.2 RF-CA-Markov 模型

CA-Markov 模型綜合了Markov 模型長期預(yù)測能力和CA 模型強(qiáng)大的空間模擬能力，既可以從數(shù)量上，又可以從時間上模擬景觀類型分布格局的動態(tài)變化［17］，本研究對CA-Markov 模型進(jìn)行了改進(jìn)，引入隨機(jī)森林算法分析驅(qū)動因子生成各景觀類型的空間分布適宜性概率圖。采用RF-CA-Markov 模型預(yù)測連云港市景觀格局狀況，主要包括以下3 個部分：①根據(jù)現(xiàn)有的景觀分布數(shù)據(jù)，利用Markov 模型獲取景觀類型轉(zhuǎn)移矩陣作為局部元胞狀態(tài)轉(zhuǎn)換規(guī)則；②通過考慮氣溫、降水、土壤、地形、交通、區(qū)位等多種驅(qū)動因素影響，利用隨機(jī)森林算法，計(jì)算各景觀類型的空間分布適宜性概率作為全局元胞狀態(tài)轉(zhuǎn)換規(guī)則；③對連云港市景觀格局進(jìn)行模擬并對模擬結(jié)果進(jìn)行精度評價(jià)。

2.2.1 Markov 模型 Markov 模型在景觀格局變化研究中，通過假定t+1 時的某景觀類型狀態(tài)只與t時的景觀類型狀態(tài)有關(guān)，來實(shí)現(xiàn)景觀格局變化的模擬［18］。具體過程如下：

式中，S（t）、S（t+1）為t、t+1 時的研究區(qū)景觀類型狀態(tài)矩陣；Pij表示由類型i轉(zhuǎn)化為類型j的轉(zhuǎn)移概率矩陣。本研究利用TerrSet 軟件中的Markov 模塊來預(yù)測各景觀類型相互轉(zhuǎn)化的變化量，獲得研究區(qū)景觀類型變化的轉(zhuǎn)移面積矩陣和轉(zhuǎn)移概率矩陣，參與模擬運(yùn)算。

2.2.2 隨機(jī)森林模型 隨機(jī)森林模型是一種采用隨機(jī)方式建立的包含多個決策樹的集成模型，最早由Breiman 提出。隨機(jī)森林生成許多決策樹，通過在其發(fā)展過程中引入隨機(jī)性，使其具有不同的發(fā)展方向，利用輸入數(shù)據(jù)集中信息的不同組合，最終形成可靠的模型，并且避免了過度擬合和相關(guān)變量之間相互重疊覆蓋的問題［13，19］，通過對樹木集合的類別預(yù)測結(jié)果取眾數(shù)，對建模數(shù)據(jù)的起始條件容錯率較高，即使不平衡或存在缺失的數(shù)據(jù)集，也能夠維持一定的精確度。同時，隨機(jī)森林方法可以用來對影響因子的重要性進(jìn)行排序。

在本研究中，從社會經(jīng)濟(jì)、氣候、地形地貌、水文、交通區(qū)位、植被和土壤方面選取16 項(xiàng)指標(biāo)作為驅(qū)動因子，用隨機(jī)森林分類樹分別擬合每種景觀類型與各驅(qū)動因子之間的依賴關(guān)系。實(shí)際操作中，對景觀類型分布分別進(jìn)行“二值化”，即將該類景觀賦值為1，除該類景觀以外的點(diǎn)賦值為0。每種景觀類型分別構(gòu)建各自的隨機(jī)森林決策樹。在研究區(qū)范圍內(nèi)，生成15 000 個隨機(jī)采樣點(diǎn)，并將各驅(qū)動因子以及景觀分布信息提取到采樣點(diǎn)文件中，70%的數(shù)據(jù)集用于構(gòu)造訓(xùn)練數(shù)據(jù)集，30%用于模型驗(yàn)證。最終生成2 000 棵決策樹，經(jīng)過tungrid 函數(shù)的參數(shù)調(diào)優(yōu)，每棵決策樹隨機(jī)選取4 個解釋變量用于樹的分叉。隨機(jī)森林模型預(yù)測能力由ROC 曲線進(jìn)行評估。ROC曲線所包裹的面積AUC范圍介于0.5~1.0，AUC越接近1.0，表明模型擬合能力越強(qiáng)［20］。最后，利用訓(xùn)練好的隨機(jī)森林模型對測試數(shù)據(jù)集進(jìn)行預(yù)測，每種景觀類型的預(yù)測結(jié)果即該類用地的分布概率，插值得到每種景觀類型的適宜性概率分布。

2.2.3 景觀格局模擬 根據(jù)CA 模型的基本組成要素，本研究定義元胞單元尺寸為30 m×30 m，元胞空間為連云港市行政區(qū)范圍。整體區(qū)域?yàn)? 242×4 145 規(guī)則格網(wǎng)，有效元胞單元數(shù)量8 186 820 個。元胞狀態(tài)集合=｛1，2，3，4，5，6，7｝，分別對應(yīng)的景觀類型為耕地、人工塘、鹽田、河渠湖泊、林地、建設(shè)用地和未利用地。元胞單元的鄰域范圍為5×5 的擴(kuò)展Moore 型鄰域。使用TerrSet 軟件中的Collection Edi?tor 模塊，將隨機(jī)森林模型生成的適宜性概率圖按照各景觀類型的順序進(jìn)行排列，最終合成研究區(qū)景觀類型分布適宜性圖集，結(jié)合Markov 預(yù)測所得到的2010—2015 年研究區(qū)景觀類型變化轉(zhuǎn)移矩陣，作為CA 模型的狀態(tài)轉(zhuǎn)移規(guī)則函數(shù)。以2015 年景觀柵格圖為基期，設(shè)置模擬步長為5 年，獲得2020 年模擬影像。將模擬結(jié)果與2020 年實(shí)際景觀柵格圖進(jìn)行比較分析。使用Kappa系數(shù)對研究結(jié)果進(jìn)行精度檢驗(yàn)，一般認(rèn)為Kappa>0.8 時，模擬精度較高［21］。

3 結(jié)果與分析

3.1 景觀格局分析

3.1.1 景觀構(gòu)成與變化分析 連云港市2010—2020 景觀類型分布和組成結(jié)構(gòu)如圖2 和表1 所示，景觀類型轉(zhuǎn)移矩陣如表2 所示。從景觀類型的構(gòu)成來看，耕地是本研究區(qū)最主要的景觀類型，占研究區(qū)總面積超過65%；其次為建設(shè)用地，占研究區(qū)總面積的17.23%~20.40%。從景觀類型變化動態(tài)過程來看，2010—2020 年連云港耕地的面積呈下降趨勢，10 年間耕地面積共減少了317.25 km2，占研究區(qū)總面積比例由72.19%降低到67.87%，主要轉(zhuǎn)出為人工塘和建設(shè)用地；鹽田面積在2010—2015 年劇烈減少，共減少了64.98%，大量鹽田轉(zhuǎn)為了人工塘，部分廢棄的鹽田未得到利用，轉(zhuǎn)為了未利用地。鹽田的轉(zhuǎn)變與江蘇地區(qū)鹽業(yè)生產(chǎn)轉(zhuǎn)型有關(guān)，20 世紀(jì)末以來礦鹽的發(fā)展勢頭強(qiáng)勁，逐步取代了海鹽的主體地位，生產(chǎn)基地由蘇北沿海轉(zhuǎn)移到淮安。隨著濱海地區(qū)城市的擴(kuò)張和人口數(shù)量的增長，建設(shè)用地的需求量增加，城鎮(zhèn)化率不斷提高。分析時間段內(nèi)，建設(shè)用地面積增加速度較快，占比由17.23%增加到20.40%，2010—2015 年的增長速度快于2015—2020 年，主要由耕地和鹽田轉(zhuǎn)入。同時，人工塘的面積增長幅度較大，由2.93%上升至6.16%，10 年間面積增加了1倍多；林地和河渠湖泊面積總體變化量不大。

表2 連云港市2010—2020 年景觀類型轉(zhuǎn)移矩陣 （單位：km2）

圖2 連云港市2010、2015、2020 年景觀類型

表1 連云港市景觀類型組成特征

3.1.2 景觀格局特征演變分析 本研究從類型水平尺度和景觀水平尺度對研究區(qū)景觀格局進(jìn)行分析。表3 和表4 分別給出了2 種尺度相關(guān)指數(shù)的計(jì)算結(jié)果。連云港市各景觀類型的景觀指數(shù)變化趨勢各不相同。2010 年至2020 年間，連云港市斑塊密度（PD）整體上呈增大趨勢，斑塊密度從0.610 增加到0.702，破碎化程度不斷增加。河渠湖泊、人工塘和未利用地的斑塊密度指數(shù)持續(xù)增加；耕地、林地的斑塊密度指數(shù)在持續(xù)減少；建設(shè)用地的斑塊密度先增后減，在2015 年達(dá)到峰值；鹽田的斑塊密度基本上未發(fā)生變化。研究區(qū)總體景觀形狀指數(shù)（LSI）在10年中不斷上升，從44.764 上升到51.007。各景觀類型中，耕地、建設(shè)用地以及河渠湖泊的LSI較大，表明連云港市這幾種景觀類型破碎程度較大，形狀較復(fù)雜。散布與并列指數(shù)（IJI）反映了景觀的集中程度，其值越高表明同一類型斑塊相互臨近。連云港市景觀水平IJI指數(shù)在不斷增大，而在類型水平上，人工塘和林地的IJI指數(shù)在減小，說明連云港整體景觀分布趨于集中，而人工塘和林地的分布則趨于分散。在連通性方面，蔓延度指數(shù)（CONTAG）從72.665 降至70.605，反映了相同景觀的連通性在不斷減弱。多樣性指數(shù)（SHDI）和均勻度指數(shù)（SHEI）表征景觀由少數(shù)幾個主要景觀類型控制的程度，進(jìn)一步表征景觀均衡程度。研究區(qū)多樣性指數(shù)和均勻度指數(shù)不斷增加，這是由于優(yōu)勢景觀類型耕地的面積不斷減少，景觀分布更加均衡?？傮w來看，連云港市在2010—2020 年，景觀格局的演變呈破碎化、多樣化傾向，相同景觀類型間的連通性降低，整體景觀格局趨于復(fù)雜。

表3 2010—2020 年連云港市景觀斑塊類型水平指數(shù)

表4 2010—2020 年連云港市景觀水平指數(shù)

3.2 隨機(jī)森林模型訓(xùn)練結(jié)果

本研究選取16 個驅(qū)動因素，建立隨機(jī)森林模型擬合每種景觀類型與各驅(qū)動因子之間的依賴關(guān)系，模型的訓(xùn)練結(jié)果如表5、圖3 所示。從精度評價(jià)結(jié)果來看，隨機(jī)森林模型對連云港市各景觀類型分布的解釋能力較強(qiáng)，7 類景觀的ROC值均超過0.800，其中耕地、林地和建設(shè)用地的ROC值在0.900 以上，表明隨機(jī)森林模型對耕地、林地和建設(shè)用地的擬合效果較好。訓(xùn)練結(jié)果能夠用于研究區(qū)景觀格局的模擬預(yù)測。

表5 連云港市各景觀類型隨機(jī)森林模型訓(xùn)練精度評價(jià)結(jié)果

由圖3 可知，不同景觀類型分布影響因子的重要性排序有明顯差別。自然因素方面，植被、水文、地形和氣候因子對研究區(qū)景觀分布影響最為顯著。植被覆蓋度與耕地、人工塘和建設(shè)用地分布關(guān)系緊密，這是由于人工塘和建設(shè)用地分布在植被較少的區(qū)域，耕地則相反。距海岸線距離以及坡度和高程對耕地的影響較大，這是由于連云港市耕地多分布于遠(yuǎn)離海岸線的內(nèi)陸平原區(qū)域，坡度較小。林地則主要分布在山區(qū)，因此海拔相對較高且具有一定的坡度。多年平均降雨量和多年平均氣溫對耕地、河渠湖泊和未利用地分布的重要性較大。土壤因素對研究區(qū)鹽田、未利用地分布有一定影響。

圖3 連云港市各景觀類型分布影響因素重要性

人文因素方面，社會經(jīng)濟(jì)因子對連云港地區(qū)7類景觀類型的分布都有不同程度的影響，其中人口和GDP 對建設(shè)用地、人工塘和鹽田分布的重要性較高，對河渠湖泊、未利用地分布的重要性較低。交通區(qū)位因子中距城鎮(zhèn)中心距離對耕地、人工塘、建設(shè)用地分布影響較大，建設(shè)用地傾向以城鎮(zhèn)為中心向附近擴(kuò)張，耕地、人工塘則通常分布在遠(yuǎn)離城鎮(zhèn)中心的區(qū)域。距公路、鐵路距離對建設(shè)用地、林地、河渠湖泊和未利用地分布的重要性較高。

3.3 景觀格局變化預(yù)測

本研究以2015 年的景觀柵格數(shù)據(jù)為基礎(chǔ)，結(jié)合轉(zhuǎn)移矩陣和適宜性圖集，預(yù)測了2020 年的景觀格局，結(jié)合2020 年實(shí)際景觀柵格數(shù)據(jù)，對預(yù)測結(jié)果進(jìn)行精度檢驗(yàn)，精度檢驗(yàn)結(jié)果見表6。RF-CA-Markov模型對耕地、河渠湖泊、林地和建設(shè)用地變化模擬的Kappa系數(shù)分別是0.941 3、0.942 8、0.981 9和0.931 2，模型對以上4 種景觀類型的模擬效果最優(yōu)。模型對人工塘、鹽田的模擬效果較差，可能是沿海區(qū)域鹽田和人工塘的變化受產(chǎn)業(yè)發(fā)展政策影響較大，本研究沒有設(shè)置這方面的政策因素導(dǎo)致。整體來看，RFCA-Markov 模型的Kappa系數(shù)大于0.900 0，模型精度較高，可以滿足研究需求。在此基礎(chǔ)上，用2020年景觀柵格數(shù)據(jù)對2025 年景觀格局進(jìn)行模擬預(yù)測，結(jié)果如圖4 所示。

圖4 連云港市2020、2025 年景觀模擬預(yù)測結(jié)果

表6 連云港市景觀格局變化模擬精度檢驗(yàn)結(jié)果

到2025 年，連云港市的建設(shè)用地和人工塘面積持續(xù)增加，耕地、鹽田和林地面積減少，河渠湖泊和未利用地面積變化較小。根據(jù)連云港市2020—2025 年景觀類型變化（圖5）可知，鹽田面積的減少幅度最大，減少了55.21%，其次是耕地和林地，分別減少了4.2%、1.42%；人工塘面積的增加幅度最大，增加了28.72%，其次為建設(shè)用地，增加了6.01%。

圖5 連云港市2020—2025 年景觀類型的變化

2020—2025 年連云港市城鎮(zhèn)化進(jìn)程主要集中在已有城鎮(zhèn)建設(shè)用地的邊緣，建設(shè)用地?cái)U(kuò)張多分布于連云港市區(qū)和東?？h，灌云縣和灌南縣建設(shè)用地增長幅度較小。耕地主要轉(zhuǎn)出為人工塘和建設(shè)用地，林地主要轉(zhuǎn)出為建設(shè)用地，這表明限制建設(shè)用地對耕地、林地的侵占是目前地區(qū)發(fā)展需要關(guān)注的問題。未利用地面積增加主要分布在沿海，鹽田仍是未利用地面積增加的主要來源，應(yīng)該加強(qiáng)對廢棄鹽田的治理，使其重新得到有效利用。

研究區(qū)2025 年景觀格局指數(shù)如表7 所示。整體上，連云港市景觀破碎化增加，斑塊密度上升至0.706，形狀指數(shù)由2020 年的51.007 增加到2025 年的51.216，表明研究區(qū)景觀形狀變得更加復(fù)雜。散布與并列指數(shù)增至40.111、蔓延度指數(shù)減少至69.856，反映研究區(qū)景觀集中程度增加，而相同景觀之間的連通性降低。香農(nóng)多樣性指數(shù)和香農(nóng)均勻度指數(shù)分別增加到1.018、0.521，景觀多樣性呈增加趨勢，分布變得更加均衡。

表7 2020—2025 年連云港景觀尺度水平指數(shù)

4 小結(jié)

本研究以連云港市為研究區(qū)域，運(yùn)用景觀類型轉(zhuǎn)移變化、景觀格局指標(biāo)、隨機(jī)森林建模、馬爾科夫預(yù)測、元胞自動機(jī)等方法，對研究區(qū)景觀格局變化情況、影響因子的驅(qū)動作用等進(jìn)行分析，構(gòu)建了適用于濱海城市的RF-CA-Markov 模型，對研究區(qū)未來景觀格局進(jìn)行了預(yù)測，主要結(jié)論如下。

1）2010—2020 年連云港市景觀格局變化顯著。主要體現(xiàn)為耕地、鹽田的減少和建設(shè)用地、人工塘的增加。研究區(qū)域景觀的優(yōu)勢度下降，破碎化程度上升，景觀豐富度和異質(zhì)性增強(qiáng)，整體形狀趨于復(fù)雜。

2）隨機(jī)森林模型訓(xùn)練結(jié)果顯示，各景觀類型的空間模擬效果良好，ROC檢驗(yàn)值均超過了0.800。根據(jù)重要性排序結(jié)果，連云港市景觀類型分布適宜性主要受到自然和人類活動因素的綜合影響。不同影響因子對于各景觀類型的作用方向與解釋能力各不相同，耕地更易分布在坡度較小、遠(yuǎn)離城鎮(zhèn)中心和海岸線的內(nèi)陸區(qū)域；林地則傾向于分布在坡度較大的區(qū)域；人工塘、鹽田多分布在植被較少、土壤含鹽量高且遠(yuǎn)離城鎮(zhèn)中心的區(qū)域；而建設(shè)用地的分布受到人口、GDP、距鐵路距離等人類活動因素影響較大，傾向于分布在人口密集、靠近鐵路的區(qū)域。

3）基于Markov 預(yù)測方法生成的景觀類型轉(zhuǎn)移矩陣和隨機(jī)森林模型得到的適宜性圖集，較好地規(guī)定了CA 模型的預(yù)測方向，將2020 年的模擬結(jié)果與2020 年真實(shí)解譯結(jié)果進(jìn)行對比，精度試驗(yàn)的Kappa系數(shù)高于0.900 0，其中，模型對耕地、河渠湖泊、林地和建設(shè)用地4 種景觀類型變化的模擬效果最優(yōu)，Kappa系數(shù)達(dá)0.941 3、0.942 8、0.981 9 和0.931 2。

4）連云港未來景觀格局變化的特征為人工塘和建設(shè)用地面積將持續(xù)增加，鹽田繼續(xù)顯著減少。研究區(qū)景觀格局向破碎化、復(fù)雜化和多樣化方向發(fā)展。廢棄鹽田主要轉(zhuǎn)化為人工塘和未利用地，建設(shè)用地的侵占是耕地、林地面積減少的主要原因。