基于GIS與CLUE-S模型的土地利用/覆被變化模擬
——以成都市龍泉驛區為例

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測教育部重點實驗室，四川成都 610068；3.四川大學建筑與環境學院，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，土地覆被發生著日新月異的變化，土地問題日益凸顯。從已有研究經驗看，大尺度研究能從宏觀上把握區域總體LUCC狀況，而微觀尺度研究則能更細膩地展現LUCC動態過程。因此，在進行大區域研究的同時，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模型運用系統論原理，相對于其他模型具有更強大的時空動態變化模擬能力[1-2]。該模型在國內大多被應用于東部經濟發達區以及生態環境脆弱敏感區，而對地貌類型較為復雜的地區研究較少。龍泉驛區位于成都平原東緣，地貌類型復雜，近年來，隨著龍泉驛區土地資源得到進一步開發，這必然帶來許多的土地問題，以這個地區為例開展LUCC研究具有重大現實意義。

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

1 研究區概況與研究方法

1.1 研究區概況

龍泉驛區位于我國西南地區，位于成都平原東緣地帶，龍泉山脈的中段，是成都市所轄市區之一。區內包含3個主要的地貌類型，分別為山地、丘陵、平壩，其中平壩為研究區主要的地貌類型。2013年以來，龍泉驛區穩居四川省經濟十強縣第一名。近年來，快速發展的汽車工業更為龍泉驛區的發展帶來了巨大的福利。便捷的交通、發達的產業和優美的自然環境等條件，必然使得龍泉驛區在將來會獲得更好的成績。

1.2 數據來源

本研究所使用的數據包括研究區數字高程模型(DEM)和2005、2014年龍土地利用現狀數據。數字高程DEM數據來源于地理空間數據云，2005、2014年2期土地利用數據來源于龍泉驛區國土資源局，其中2005年數據為全國第一次土地調查數據，而2014年數據為全國第二次土地調查變更數據，故以全國第二次土地調查變更數據為準，參照全國《土地利用現狀調查技術規程》，并結合龍泉驛區實際情況，將研究區土地利用類型分為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Logistic回歸結果來計算每個柵格單元出現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地類出現在柵格上的可能性；β0為常數項；β1，β2，…，βn分別為各驅動因子的Logistic回歸分析結果中的β系數；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；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，應用于區域土地利用變化的模擬，經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CLUE-S模型的驅動因子需求，并結合研究區實際情況，共篩選出影響龍泉驛區土地利用/土地覆被變化的9個驅動因子(包括數字高程、坡度、坡向、距河流的距離、距坑塘水庫的距離、距農村道路的距離、距農村居民地距離、距主要城鎮距離、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量。基于已有的2期土地利用數據，應用Markov模型可以得到龍泉驛區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，特定區域轉換成其他地類的難度較高[7-8]。根據龍泉驛區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穩定性參數 由于各地類之間轉換穩定性程度具有差異，根據龍泉驛區發展特點、歷史數據等設定了較為合理的ELAS參數值(表1)。

表1 龍泉驛區各地類轉換ELAS參數

1.3.3.6 模擬精度檢驗 采用正確柵格比例和Kappa指數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目百分比表示。Kappa指數作為一種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。

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展態勢[10]，本次情境模擬基于龍泉驛區土地利用自然發展態勢、基本農田保護和生態保護視角，通過調整Markov轉移概率矩陣和模型參數，設計了研究區未來LUCC3種發展情境。

1.4.1 自然增長情境 該情境假設研究區的土地利用/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 基本農田保護情境 參考龍泉驛區土地利用總體規劃中關于嚴格保護耕地、基本農田保護和控制建設用地規模的相關政策，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 生態保護情境 該情境強調了林地、草地和水域等生態用地的保護。該情境的意義在于對區域的生態環境的改善和維護，保障區域的生態安全。基于以上考慮，本情景設置將適當地調整林地、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2020年土地利用狀況數據。

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

2.2.3 生態保護情境 生態保護情境下，林地、草地和水域等生態資源得到強有力的保護，并且數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、經濟和環境保護之間的相互關系，在經濟發展的同時，也能保證對生態環境的保護，研究區的生態環境得到了較大程度的優化，有利于改善人們的生活環境，保障區域“青山綠水”式的社會發展。

2.3 模擬結果分區

根據不同情境模擬結果的相似特征，將研究區土地利用情況分為三類區域，并根據各自區域的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 該區域以耕地、園地和建設用地為主，地勢平坦，經濟發展水平是整個龍泉驛區相對較高的區域。該地區的主要問題是，農用地后備資源缺乏，建設用地供需矛盾將更加突出。社會經濟發展的階段性特征表明，由于區域內的工業化和城鎮化的快速發展，城鎮工礦用地增長，大規模的基礎建設還沒有全面地發揮其經濟效益，同時這些建設用地的擴張還將不可避免地占用部分農業用地，農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行力度，劃定必要的耕地保護區域，堅決落實“占補平衡”政策，緩和用地矛盾。同時，還應加大對二、三產業的扶持力度，從提高土地利用效益角度來實現對農用地的保護。

2.3.2 東部山地區 該地區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、同安街道辦事處、洛帶鎮等鄉鎮的部分區域。該區域內林地、耕地和園地大量分布，是整個龍泉驛區經濟條件相對較差的區域。該地區存在的問題是農業用地分布較為散亂，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當地實際情況，因地制宜地進行土地利用規劃，使得耕地、園地等地類能夠集中起來，便于山區土地的集中管理，提高土地利用的效率。

2.3.3 東南部淺丘區 該區域位于龍泉山脈中西部，地形以丘陵為主，包含山泉鎮、茶店鎮和柏合鎮的部分地區，區內土地利用類型中園地、林地和水域分布較廣。該地區水果種植較為普遍，水蜜桃、枇杷等水果產量較高，特色農業種植全國聞名。該地區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很好的區域規模。解決該問題的辦法是，對居民點進行集中整理，實現聚落的集中，使得該區域的耕地和園地發展空間更大，這種模式更有利于該區域特色農業未來的經營與發展。

3 結論與展望

3.1 結論

本研究在SPSS、ArcGIS軟件以及相關數學模型的支撐下，探索了CLUE-S模型在龍泉驛區LUCC情境模擬預測中的適宜性，構建了2020年龍泉驛區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。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字高程、坡度、距河流距離和距農村居民地距離，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。

土地利用的需求數據是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，受到許多因素的影響，因此，對土地利用需求總量數據的準確獲取，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，容易出現數據處理錯誤，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和應用，統一的文件格式處理功能是重要的發展方向。