西安市主城區土地利用時空變化及驅動力分析

袁夢雨， 李金璽*， 曾璐， 蔡鴻燕， 華天

(1.成都理工大學地球物理學院地球勘探與信息技術教育部重點實驗室， 成都 610059； 2.中國科學院水利部成都山地災害與環境研究所， 成都 610041； 3.中國科學院山地災害與地表過程重點實驗室， 成都 610041)

城市綠地是一種富含經濟、生態效益的城市用地，處于城市生態系統的核心地位，對凈化城市空氣、提高生物多樣性、緩解城市熱島效應以及城市的內澇壓力起著重要的作用[1-2]。城市綠地不僅可以提供環境服務(如噪聲過濾、空氣凈化、微氣候穩定和控制雨水循環)和美學服務(如減少建筑環境對心理困擾的影響)，同時還可以提供顯著的心理服務[3-6]。20世紀80年代后，隨著城市化進程的加快，城市綠地的維護和規劃出現了諸多挑戰，城市居住環境的適宜性出現失衡現象。隨著遙感技術(remote sensing, RS)、地理信息系統 (geography information systems, GIS)和全球定位系統(global positioning systems, GPS)的飛速發展，使用遙感衛星影像輔助研究土地利用動態變化、城市綠地分布、城市空間格局等已經成為一種重要的技術手段[7-13]。其中盧剛等[8]通過Landsat-TM影像提取土地利用現狀數據，并選取6個景觀格局指數作為評價指標，構建水生態韌性提升效果評價指標體系，為水生態韌性提升提供了科學的依據；陳越豪等[11]利用e-Cognition對Landsat TM/ETM/OLI遙感影像數據進行面向對象提取，生成各時期土地利用數據，分析其動態變化，并基于CA-Markov模型預測2025年元謀縣土地利用與土地覆蓋變化情況，預測模型精度效果較好，結果可信。若同時計算出各時期的景觀格局指數，可為元謀縣植被生態環境質量指數較高這一結論提供更加完善的理論支撐；董亞坤等[13]對Landsat 5-TM和Landsat 8-OLI遙感影像進行監督分類，生成洱海流域上游土地利用數據，結合空間分析、土地利用轉移矩陣等方法分析該區域土地利用類型在時間、空間以及數量上的動態變化，其結果表明耕地、林地和草地是主要地類，研究結果可為該區域土地利用規劃以及生態環境保護等提供理論支持。

在進行土地利用景觀格局變化驅動力研究中，顧晶晶等[14]以蘭州市為例，以2003—2019年Landsat衛星遙感影像為基礎，利用城市擴張速度、強度和城市緊湊度三個指標分析了蘭州市城市擴張情況，得出人口和經濟是蘭州市城市擴張的主要驅動力。Wang等[15]在分析漢中市漢臺區的土地利用變化時認為城市化用地的擴張在推動景觀格局變化中起著重要的作用，指出經濟、人口和城鎮化率是主要的驅動力。薛嵩嵩等[16]以Landsat影像作為研究數據，通過Fragstats軟件計算景觀指數，分析景觀格局時空演變特征，并結合相關數據，探討烏倫古河流域景觀格局變化的驅動因素。徐曉然等[17]將研究區1964年、1972年、1988年、2000年、2009年、2015年的不同來源的遙感影像作為景觀數據庫，利用土地轉移矩陣和景觀格局指數探討八門灣紅樹林濕地及其周邊的土地利用變化與景觀破碎化過程之間的相互關系。陸鳳連[18]對焦作礦區1980—2015年5期影像數據進行分析，提景觀類型數據，并分析礦區景觀格局演變及其驅動力，認為人口、農業發展和工業發展是導致礦區土地利用景觀格局變化的主要原因。

以西安市中心城區(碑林區、雁塔區、蓮湖區、新城區、未央區、灞橋區)為研究對象，以2013年、2016年、2019年三期 Landsat 8遙感影像為數據源，在ENVI、ArcGIS以及Fragstats景觀軟件的支持下，選擇斑塊所占景觀面積、斑塊數量、斑塊密度、蔓延度指數、香濃多樣性指數和聚合度指數6類景觀格局指數對六年來西安市中心城區的土地利用類型變化以及城市景觀格局演化進行定性與定量分析，同時在地理探測器模型的支撐下，對2013年、2016年和2019年這3年的土地利用變化驅動力進行定量分析。根據研究結果，為西安市主城區及其他城區的土地規劃及城市生態環境建設提供參考。

1 研究區概況

西安市是陜西省省會，位于渭河流域中部，107°24′00″E～109°29′24″E，33°25′12″N～34°27′00″N之間，北臨渭河和黃土高原，南接秦嶺，總面積10 752 km2，建成區面積700.69 km2。作為關中平原城市群的核心，截至2019年底，共轄11個區、2個縣，常住人口1 020.35萬人，城鎮人口761.28萬人，城鎮化率74.61%(西安市統計局2020統計年鑒)。本研究選取西安市主城區作為研究區，如圖1所示，包括碑林區、雁塔區、蓮湖區、新城區、未央區和灞橋區，面積約832 km。

圖1 研究區地理位置圖Fig.1 The geographic location of the study area

2 數據來源及研究方法

2.1 數據來源與處理

Landsat 8衛星是美國國家航空航天局(National Aeronautics and Space Administration, NASA)于2013年2月成功發射，負載有陸地成像儀(operational land imager,OLI)和熱紅外傳感器(thermal infrared sensor,TIRS)。陸地成像儀有9個波段，空間分辨率為30 m，其中第八波段為全色波段，空間分辨率為15 m[19]。本研究所用的Landsat數據的是2013年6月25日、2016年5月16日、2019年4月7日共3期Landsat 8影像，所用數據均從地理空間數據云網站下載(http://www.gscloud.cn/)，影像分辨率為30 m。根據本文研究目的，選用數據均為植被長勢較好的月份，同時為了避免誤差，選用云量小于等于5%的數據以確保質量良好，使研究結果更加可靠。

遙感影像預處理包括輻射定標、大氣校正、幾何校正、裁剪、圖像增強等步驟。輻射定標和大氣校正在ENVI軟件中都有對應的處理模塊可以直接進行預處理操作。將圖像的數字量化值(digital number, DN)轉換為對應像元的輻射率就是輻射定標，即DN值轉換為輻射率，公式為

(1)

式(1)中：Lλ為輻射率；d為天文單位的日地距離；(ESUN)λ為太陽輻射照度；θ為太陽高度角。

大氣校正是一種反演方法，目的是為了消除大氣和光照等外部因素對地物反射結果的影響。圖像融合是為了增強影像的可讀性，提高目視解譯的精度。圖像融合的方法有很多，如HSV(hue saturation value)變換、Brovey變換、主成分(principal component, PC)變換等。不同的融合方法，會突出不同的信息。通過比較不同的方法，主成分(PC)變換對植被較多的地物分類，其影像的細節表達能力和光譜信息保真程度較好，因此選擇主成分變換作為圖像融合的方法[20]。Landsat-8多光譜與全彩色波段進行圖像融合，其目的是為了合成15 m分辨率的影像數據，以提高目視解譯的精度。

2.2 研究方法

隨著地理信息科學(geography information systems, GIS)和遙感技術(remote sensing, RS)技術的發展，機器學習技術得到廣泛應用，綜合前人研究發現，空間計量模型、機器學習、RS與GIS技術等不斷應用到土地利用格局演變和動態監測的研究中[21-22]。因此首先通過支持向量機(support vector machine, SVM)的方法對西安市主城區土地利用數據完成專題地圖制作，以遙感解譯結果為基礎進行景觀格局指數計算，并利用“因子探測模型”和“交互作用探測模型”進行驅動力分析，定量得出各個驅動因子的相對重要性以及各因子之間的交互作用。

2.2.1 支持向量機

監督分類也稱訓練區法，是在分類前通過研究區地物類別的先驗知識為依據建立訓練樣本和分類器，從而完成整幅影像的地物劃分[23]。支持向量機(SVM)是一種適用于小樣本學習的機器學習算法[24]，即使在有限的訓練樣本下也能很好地應用[25]。Foody在多光譜數據分類問題上，通過比較SVM與其他分類方法表面，SVM可以獲得較高的分類精度，同時在小樣本訓練問題上，SVM仍可以獲得較高的分類精度[26]。本文選擇支持向量機作為分類器。

SVM最優分類函數為

(2)

SVM的目的是通過使用一條函數曲線將空間進行區分，對曲線兩側區域的像元識別判斷從而進行分類[圖2(a)]。樣本與線的距離代表了分類的可信賴稱度，目的就是尋找可信度最高函數曲線，這樣也可獲得最高分類精度。對于二維空間數據的分類，可以通過函數變換到一維進行分類，原理同上[圖2(c)]。當數據分布在三維空間時，通過尋求空間內的最大超平面而進行分類[27][圖2(b)]。

圖2 支持向量機原理Fig.2 Support Vector Machine

利用目視解譯并結合SVM，對2013年、2016年和2019年的土地利用類型進行提取，通過混淆矩陣對三期影像的分類結果進行精度檢驗，總體精度達到86.9%以上，Kappa系數均在0.77以上，符合監督分類的標準要求。

2.2.2 景觀格局指數計算

景觀格局指數作為一種簡單定量化指標，能夠高度濃縮景觀格局信息，反映其結構組成和空間配置等方面的特征[28]。景觀格局指數可以從斑塊、斑塊類型和景觀類型這三個水平進行計算，其中斑塊水平指數一般作為基礎指數，對于景觀構成和空間配置的解釋不夠充分。因此，所選指數為：斑塊所占景觀面積比例(percent of landscape, PLAND)、斑塊數量(number of patches, NP)、斑塊密度(patch density, PD)、蔓延度指數(contagion index, CONTAG)、香濃多樣性指數(Shannon’s diversity index, SHDI)和聚合度指數(aggregation index, AI)，以下簡要介紹后3種指數。

1)蔓延度指數(CONTAG)

CONTAG指數是用來描述景觀中不同斑塊類型的聚集程度或者延伸趨勢。由于該指數包含空間信息，所以是描述景觀格局的一個重要指數[17]。當CONTAG指數越大，表明景觀中的優勢斑塊形成了良好的連接，反之則說明景觀中存在很多破碎斑塊，連接程度低。該指數的計算公式為

(3)

式中:Pi為i斑塊所占景觀比例;gik為基于重復方法的i類和k類斑塊之間的連接數;m為景觀中斑塊類型的數量。

2)香農多樣性指數(SHDI)

SHDI是群落生態學中常用的多樣性指標，應用廣泛。該指數可以反映出景觀異質性，尤其是對景觀類型中各斑塊非均衡分布狀況更為敏感，能夠突出稀有斑塊對景觀的貢獻度。SHDI=0時，表明景觀僅僅由一個斑塊組成，當SHDI增大時，說明各種斑塊類型在增加，或者斑塊在整個景觀中呈均衡化趨勢分布[15]。計算公式為

(4)

式(4)中：Pi為斑塊所i占景觀比例，香農多樣性指數的范圍為SHDI≥0。

3)聚合度指數(AI)

從AI這一角度可以考察每一種景觀類型斑塊間的連通性。離散程度可以通過某種類型中所有像元間的公共邊界來衡量。當不存在公共邊界時，該類型的聚合程度最低；當公共邊界達到最多，則表示具有最大的聚合程度[17, 29]。聚合度指數可反映景觀要素空間配置特征，聚合度指數值越小，則景觀要素分布越離散[30]。計算公式為

(5)

式(5)中：g為景觀類型ij之間的臨界量；max→gij為景觀類型ij之間的最大臨界數值；pi為斑塊類型i在整個景觀中的面積比例，聚合度指數的取值范圍為0

2.2.3 地理探測器

自然和社會經濟的空間表現稱為空間分異，地理探測器能夠探測空間分異性并揭示其背后驅動因子的一種統計學方法，廣泛應用到自然科學和社會科學等領域[31]。地理探測器模型由因子探測模型、交互作用探測模型、生態探測模型和風險探測模型4部分組成[32]。

本研究主要利用“因子探測模型”和“交互作用探測模型”來分析各驅動因子對西安市主城區土地利用景觀格局變化的驅動機制，從而定量地得出各個驅動因子在不同年份影響研究區土地利用程度分異的相對重要性以及各因子之間的交互作用。

(1)因子探測模型。因子探測器用于探測西安市主城區土地利用程度變化的空間分異性，以及探測各個因子對其空間分析的解釋程度。其原理是采用空間疊加分析方法先將因變量與各自變量進行關聯，然后根據空間類別的區別將各影響因子進行分類，最后通過顯著性檢驗來檢測生境平均值的差異，從而得到各個因子的重要性[33]。計算公式為

(6)

式(6)中：N表示土地利用程度的擴展指數；σ2代表方差。將研究區的影響因素劃分為L層，使用i=1，則Ni和σi2分別表示i層的擴展指數和方差，q的范圍為[0，1]，值越大表明該因子對土地利用程度的解釋力越強，即影響程度越強，反之越弱。

(2)交互作用探測模型。交互作用探測器主要用于探測不同因子之間的交互作用，以及其影響程度的大小[34-35]。即判斷因子A和B之間是否存在共同作用以及屬于何種形式的共同作用，探測不同的因子交互作用是否會增強或是減弱土地利用程度空間分異的解釋力，具體交互方式見表1。

表1 地理探測器交互作用方式Table 1 Geo detector interaction mode

3 結果與分析

3.1 土地利用變化分析

根據西安市土地利用現狀以及研究目的，將土地利用類型分為：耕地、建筑用地、綠地和水體四類。基于ENVI、ArcGIS軟件，利用支持向量機法，獲得了三期土地利用現狀分類結果，如圖3所示，為后文進行景觀格局分析和土地利用驅動力分析提供基礎數據。

圖3 2013—2019 年西安市主城區土地利用現狀Fig.3 Situation of land use in Xi’an City from 2013 to 2019

西安市主城區總面積830.68 km2。對比三期土地利用現狀圖，可以看出2013年灞橋區綠地所占面積大于2016年和2019年，隨著西安市主城區不斷向北發展，截至2019年，灞橋區北部綠地面積大部分已轉換為建筑用地。蓮湖區、碑林區和新城區屬于中心城區，發展趨于飽和狀態，因此各土地利用類型之間的轉換不大。土地利用類型的面積占比仍然是建筑用地>綠地>耕地>水體。

對三期土地利用現狀進行疊加分析，其結果可以直觀反映土地利用類型轉移空間變化，如圖4所示。

如圖4(a)所示，2013—2016年，綠地面積減少9%，而建筑用地增加9.28%，其中建筑用地增加的部分有來自耕地的轉換；如圖4(b)所示，2016—2019年，建筑用地減少4.63%，綠地面積增加了4.06%。如圖4(c)所示，縱觀2013—2019年6年間的變化，綠地面積共減少4.94%，建筑用地增加4.65%，而水體和耕地的面積變化不大。

圖4 2013—2019 年西安市主城區土地利用類型轉移空間變化Fig.4 The spatial change of land use type transfer in Xi’an City from 2013 to 2019

3.2 景觀格局指數分析

利用Fragstats軟件計算選擇的6種景觀格局指數(PLAND、NP、PD、CONTAG、SHDI、AI)并進行分析，得到的結果如表2、表3所示。

由表2可知，綠地斑塊在2013年時占33.53%，在2016年時明顯減少了9.66%，但2019年綠地斑塊占比有所增加。建筑用地斑塊在2013—2016年這三年里增加了接近10%，但在2016—2019年減少。斑塊個數可以很好地反映景觀的空間格局，與景觀破碎化程度呈正相關。斑塊個數越多，揭示整體景觀越破碎[36]。綠地斑塊個數逐年增加，說明破碎化程度逐年加重，而建筑用地的斑塊個數不斷減少，說明建筑用地的發展規劃已經呈大面積發展。斑塊密度與景觀破碎化程度也有著密切的關系，斑塊密度越大，說明該類型的景觀破碎化程度越大[30]。因此斑塊密度和斑塊個數呈正相關，同時反映景觀的完整度。水體的斑塊密度逐漸增加，與斑塊個數增加保持一致，因此水體景觀的破碎化程度逐年加劇；綠地的斑塊密度也逐年增加，解釋了綠地的破碎化程度不斷增強；建筑用地的斑塊密度在不斷下降，這也與斑塊個數不斷減小保持一致，從側面反映出建筑用地正在大面積發展這一城市化現象。

表2 西安市主城區斑塊水平景觀格局指數(2013—2019年)Table 2 Landscape pattern index of patch level in Xi’an City (2013—2019)

由表3可知，蔓延度指數從2013年的33.82%增加到2016年的36.92%，說明在這3年里，各景觀類型之間的連接程度很好。香農多樣性指數呈現先減后增的趨勢，但仍為1左右，表明各景觀類型保持均衡的分布趨勢，聚合度指數仍然處于較大值，因為聚合度指數主要反映景觀要素空間配置特征，2013—2019年的景觀要素分布變化不大，基本趨于穩態。

表3 西安市主城區景觀水平景觀格局指數Table 3 Landscape pattern index of landscape level in Xi’an City

3.3 驅動力分析

在ArcGIS軟件中，使用創建漁網工具生成采樣點文件，再將土地利用程度綜合指數和所有因子提取到采樣點，把因子數據和土地利用程度數據分別設為自變量(X)和因變量(Y)，運用地理探測器模型進行驅動力分析，得到土地利用程度與各個驅動因子之間的定量關系。

人類活動和政策變化是誘發土地利用變化的主要因素[15]，因此所選因素包含了社會經濟等人類活動因素以及少量的自然環境因素，主要包括2013年、2016年、2019年三個時期的人均GDP(萬元)、常住人口(萬人)、城鎮化率、溫度(℃)、海拔(m)5個影響因子，各項人類活動因素使用西安市統計年鑒數據以區縣為單位進行空間量化。使用因子探測模塊對3期土地利用程度進行探測，得到各因子對西安市主城區土地利用的影響程度，如表4所示。

表4 各因子對土地利用影響程度Table 4 The degree of influence of each factor on land use

分析表4可知，不同因子在各時期對西安市主城區土地利用的影響程度各不相同。2013年，各因子的土地利用程度變化影響程度的大小為：溫度>城鎮化率>人均GDP>海拔>常住人口。其中地區溫度的解釋力大于30%，城鎮化率的解釋力接近30%，說明地區溫度和城鎮化率是影響土地利用變化的主要因素。人均GDP的解釋力大于25%，表明該因子是影響土地利用變化的重要因子。

2016年各因子的土地利用程度變化影響程度的大小為：溫度>海拔>人均GDP>城鎮化率>常住人口。其中溫度的解釋力超過了50%，與上個時期相比增加了30%，是影響土地利用變化的最主要驅動因素，主要是由于此期間的城市化進程加快，可能造成城市熱島的形成，所以地區溫度成了土地使用程度最突出的主要驅動因素。

2019年各因子的土地利用程度變化影響程度的大小為：海拔>人均GDP>常住人口>城鎮化率>溫度。地區溫度的解釋力在1%以下，其影響程度可忽略不計。人均GDP、常住人口和城鎮化率的解釋力基本持平，說明這三個因子對土地使用程度的影響程度一致。而海拔的解釋力在2013年、2016年和2019年均保持在25%左右，屬于一個穩定的驅動因素。

西安市主城區土地利用變化是由多種驅動因子共同作用所控制的，通過利用地理探測器的交互作用探測器獲取2013年、2016年和2019年5個驅動因子對土地利用的交互作用，結果如表5所示。

表5 驅動因子交互探測結果Table 5 Driver interaction detection results

4 討論

對城市進行土地利用情況和驅動力分析可以掌握該地區城市對土地利用的影響，了解該地區土地利用的空間格局，同時為該區域的土地資源、人文和經濟規劃的發展提供重要的理論依據。隨著城市化進程的加快，土地資源的過度開發和使用，致使城市生態系統和居民生活水平受到了巨大的挑戰。自然因素和社會因素均在一定程度上對城市土地利用的變化產生影響，生態環境保護和經濟發展之間是相輔相成，辯證統一的，經濟發展不能以生態環境為代價。

根據西安市統計年鑒，2013—2016年間，主城區人口數量從453.93萬人增長至467.93萬人，人口增長3.1%，同時生產總值增長1 436.13億元。人口的增長對應著住房需求的上漲，導致大面積林地轉換為建設用地，對建設用地快速增加的地區，土地利用應進行優化，提高土地的使用效率。2017年，西安市不斷深入實施戶籍、人才、創新創業“三大新政”，率先實行人才引進政策[37-38]，2017年末主城區人口數量為460.63萬人，截至2019年末主城區人口為503.47萬人，人口數量較前三年增長更快。值得注意的是2016—2019年期間，在人口持續增長的背景下，城市建筑用地的面積卻在下降，而綠地面積有所增加。通過調查分析，造成這個現象的原因可能有以下三點：①政府對商品房的調控，對炒房等活動的限制，使大量房源釋放到市場中，緩解了人口增長帶來的住房壓力；②舊城區的改造使部分建筑用地暫時性轉換為綠地；③可能與西安市響應國家打好“治霾、治水、治土”3大攻堅戰的政策，努力打造優秀綠色城市有關。

5 結論

以西安市主城區作為研究對象，基于2013年、2016年和2019年的三期 Landsat 8遙感影像數據，綜合利用GIS空間分析、RS遙感數據處理技術對研究區土地利用數據進行了提取，并利用景觀格局指數對西安市主城區在不同時期的土地利用變化特征和景觀格局進行了研究，通過地理探測器模型對造成土地利用景觀格局變化的驅動因子進行定量分析，并確定各因子間的相互關系。得出如下主要結論。

(1)分析土地利用情況，2013—2019年，西安市主城區城市綠地面積整體減少，建筑面積整體向北增加，增加的建筑面積主要源于綠地和耕地的轉換。其中2013—2016年綠地面積轉化為建筑用地最多。截至2019年，灞橋區北部綠地面積大部分已轉換為建筑用地。蓮湖區、碑林區和新城區屬于中心城區，發展趨于飽和狀態，因此各土地利用類型之間的轉換不大。

(2)基于景觀格局指數進行分析，2013—2016年，建筑用地斑塊在快速增加，2016—2019年逐漸減少。綠地斑塊個數逐年增加，說明綠地景觀的破碎化程度逐年加重，而建筑用地的斑塊個數不斷減少，說明建筑用地的發展規劃已經呈大面積發展。水體的斑塊密度逐漸增加，與斑塊個數增加保持一致；同時綠地的斑塊密度也在增加，說明綠地的破碎化程度不斷增強；建筑用地的斑塊密度在不斷下降，這也與斑塊個數不斷減小保持一致。蔓延度指數由2013年的33.82%上升到2016年的36.92%，說明在這三年里，景觀連接很好。香農多樣性指數呈現先減后增的趨勢，但仍為1左右，表明各類斑塊保持均衡趨勢分布。聚合度指數仍然處于較大值。

(3)驅動力因子在不同時期的解釋能力不同，根據地理探測器研究結果表明，2013年和2016年地區溫度的解釋能力最強，2019年驅動因子中海拔的解釋能力最強；交互探測結果顯示，2013年和2016年驅動因子間的交互作用均表現為雙因子增強，2019年的交互作用表現為其他驅動因子與地區溫度的交互效果為非線性增強。

根據西安市主城區土地利用及驅動力分析的研究結果，提出以下建議：由于各方面因素的綜合影響，土地利用一直處于動態變化中，因此對于城市土地利用的空間布局就需要當地政府的政策指引，適當調整，不斷優化土地利用空間結構。在未來發展建設中采取建設用地整合、耕地復墾等方式，正確處理好耕地與項目用地之間的關系，嚴格遵守保護耕地的基本國策。重點掌握好城市發展和生態文明建設之間的平衡，針對不同的城區，因地施策的推動土地利用和城市生態文明建設；由于城市綠地景觀的破碎化程度較大，應提高新城區、蓮湖區和碑林區的綠地景觀連接度，防止破碎化程度的加劇，未央區和灞橋區在未來建設中要考慮各類景觀的連接度，提高土地利用率；對現存的不利于經濟發展的土地利用結構進行優化，使土地資源的配置更加合理化，促進土地資源的可持續發展。