基于CA-Markov模型的洞庭湖區土地利用變化模擬研究

袁淑君 王瑩（湖南工程職業技術學院）

土地利用模擬是研究土地利用變化趨勢、探索人地關系協調發展的重要手段。[1]通過數據測算及空間分析找到影響地類布局的驅動因子，探尋隱藏在地類變化中的規律，結合模擬模型將掌握的規律進行迭代運算，可以得到按照當前趨勢未來某一時間段的土地利用類型的布局形式，為未來區域土地利用管理政策制定提供數據支持。[2]土地利用布局優化是指對土地要素進行空間調控，力求在不同區域之間實現不同類型的合理配置，是實現土地資源合理利用、優化城市發展空間發展格局的重要手段。[3]土地利用布局優化方案對國土部門制定城市總體規劃具有現實參考意義，對促進地方經濟發展、加強生態保護、實現社會公平、促進資源利用協調發展具有深遠意義。通過對文獻的研究，CLUE-S、Binary-Logistic和CA-Markov模型被經常用于土地利用的未來情況模擬。在這之中，CA-Markov和CLUE-S模型在定量分析和空間展開研究方面雖存在局限性，但常用于空間分析，大體上可以展現出各種地類的時空變化趨勢及規律。Logistic模型和Markov鏈在處理復雜空間范圍內的模擬上還存在一些缺陷，主要用于經驗統計，在求解復雜操作中發揮重要作用。[3]綜上所述，CA-Markov模型在土地利用模擬研究中得到了廣泛應用。

本文以洞庭湖區為研究對象，基于從2000年至2020年之間獲取的五期的土地利用遙感數據，通過回歸分析進一步探索了各驅動因子和各土地類型空間布局上的潛在關系。在此基礎上，利用CAMarkov模型，根據現有趨勢預測2035年洞庭湖區土地利用類型布局。

一、區域概況

區位分布：洞庭湖區主要分布在湖南及湖北的部分區域，轄區內共33個縣（市、區），總面積6.05萬平方公里。本次研究中選取湖南省的岳陽、常德、益陽及長沙市望城區作為研究對象（以下簡稱洞庭湖區），面積約4.63萬平方公里，占全省總面積的21.89%。

地形地貌：東部、南部和西部的洞庭湖地區都是山區，地勢高；北部是平原水網區域，地勢呈現中間低、四周高的趨勢，由四周向中部依次按中低山、低山—侵蝕剝蝕丘陵、崗地—流水堆積平原和湖積圍堤平原的順序展開，顯示明顯的“碟形盆地圓帶狀”景觀，各進湖水系呈扇形分布。[4]

水熱條件：研究區屬亞熱帶濕潤季風氣候區，光熱充足，雨量充沛，雨熱同期。

資源總量：生態資源方面，生物類型豐富，濕地種類繁多，被列為國際重要濕地；地表水資源總量560.97億m3，占全省的29.38%；地下水資源量103.92億m3，占全省的23.79%，總面積2625平方公里，是中國第二大淡水湖；在非金屬礦產方面，資源總量豐富，主要有磷、巖鹽、芒硝、石膏等。

社會經濟方面：到2020年，洞庭湖區常住人口1506.62萬人，比2000年減少139.89萬人，其中城鎮人口866.83萬人，城鎮化率達到57.54%；實現國內生產總值10494.87億元，占全省經濟總量的25%；三大產業結構為11∶40∶49，基本形成“三、二、一”的產業格局。

二、數據來源與研究方法

（一）數據來源

1.遙感數據

涉及的遙感影像基本均來自中國科學院資源環境科學與數據中心。其中2000年、2005年和2010年的數據源主要采用的是Landsat TM/ETM遙感影像，并通過人工目視解譯。2015年及2020年數據主要基于前一期的數據，利用Landsat 8遙感影像，并通過人工目視解譯。

2.非遙感數據

高程、氣溫、降水、NDVI、河流、土壤侵蝕、鐵路、人口密度、GDP、生態系統服務價值等柵格和矢量數據均來自中國科學院資源環境科學與數據中心。

根據高程和NDVI數據分別計算坡度和植被覆蓋度。到河流的距離和到鐵路的距離使用ArcGIS軟件中的歐氏距離工具進行處理。

（二）研究方法

1.土地利用特征分析

（1）土地利用的地帶性分析

洞庭湖區海拔范圍為-112～2043m，海拔高度變化差異較大，為了分析不同時期各種土地利用類型的地帶分異，本文利用ArcGIS 10.7中的重分類功能將海拔按照相等間隔分為五個等次，并將五個不同時期的土地利用現狀圖與之進行疊置分析。

（2）土地利用類型轉換分析

對2000—2005年、2005—2010年、2010—2020年和2000—2020年四個時期的土地利用轉移狀況進行了詳細的數據分析。土地利用轉移矩陣計算公式如下：

上式中，Mij表示第i種地類轉換為第j種地類的面積，n表示土地利用類型的總數，即n=6。

每種地類的面積占比計算如下：

上式中，R表示某一地類占總面積的比值，Aij表示第i年第j種地類的面積。其中i=2000、2005、2010、2020，j=1、2、3、4、5、6。

（3）土地利用變化強度分析

通常情況下，衡量一個地區的土地利用變化強度可以從地類變化速度和地類變化幅度來分析，其中地類變化速度主要用土地利用單一動態度計算，地類變化幅度主要用地類變化強度計算。計算公式如下：

上式中，Rd表示地類的單一動態度，Ua表示某地類在前一期的面積，Ub表示該地類在后一期的面積，T表示時間間隔。

上式中，Id表示某一類型土地的變化強度，Ai表示研究區域內各類型土地的總面積。

2.Binary Logistic回歸分析

Binary Logistic回歸分析（簡稱二元回歸分析）不同于一般的回歸分析，它以每個柵格單元為研究對象，找出每種土地利用類型與每種驅動因素之間的線性關系。計算公式如下：

上式中，Pi表示i種地類出現在每個柵格單元中的概率，x0，x1，…，xn-1為每個驅動因子，β1，β2，…，βn為回歸方程的解釋變量系數，x0,i,x1,i，…，xn-1,i是各驅動因子在i地類上的值。

3.CA-Markov模型構建

（1）元胞自動機（CA）模型

元胞自動機模型（簡稱CA模型）將研究區域劃分為一定數量的規則格，每個格單元視為一個單元，每個單元按照一定的轉移規律變化，通過自身和附近的變化反映整個研究區域的變化。在了解轉移規律的基礎上，通過模型模擬可以得到未來某一時期土地利用的空間布局。

（2）馬爾科夫鏈（Markov）模型

馬爾科夫鏈模型（簡稱Markov模型），在地類的數量變化預測上經常發揮著至關重要的作用。土地利用轉移概率是由一種地類轉換為另一種地類的面積占原有土地總面積的比例。土地利用類型的轉移概率可用轉移矩陣表示為：

那么T時刻的土地利用狀態可以表示為：

上式中：Pin表示土地利用類型從i類轉移到n類的概率，滿足0≤Pin≤1，E(T0)和E(T)分別表示T0和T點的土地利用類型。

（3）CA-Morkov模型

CA-Morkov模型由元胞自動機（CA模型）和馬爾科夫鏈（Morkov模型）組成，可以很好地進行空間分析和數量預測。

三、結果分析

（一）土地利用空間分布特征分析

總體來看，90%的土地利用類型分布在700m以下，其余10%分布在700m以上。700m以下林地和草地兩種土地利用類型占比均超過70%，700—1600m仍有10%～20%分布。這說明整個研究區各土地利用類型存在一定的地帶分異規律，但分異不明顯，主要集中在700m以下的低空區域，高程帶之間僅存在少量流動，各土地利用類型的高程分布總體相對穩定。

（二）土地利用時空演變特征分析

1.土地利用數量變化特征

2000—2020年，隨著研究區社會經濟的快速發展，各土地利用類型也呈現出不同程度的變化。建設用地持續增加，耕地、林地、草地逐漸減少，水域和未利用地保持穩定但略有波動。六種主要土地類型中，建設用地、耕地和未利用地面積變化幅度較大。在此期間，研究區建設用地及未利用地分別增加了626km2和304km2，建設用地占比從1.85%逐漸增加到3.20%，未利用地占比增加了1.35%。根據洞庭湖區實際分析，耕地面積減少583km2，是所有土地類型面積減少最大的，而根據洞庭湖區實際分析，減少的原因可能有以下三個方面：一是近幾年外出務工人員較多，耕地荒廢現象普遍；二是以鎘為主的重金屬導致幕阜山、雪峰山土壤侵蝕及土地石漠化，部分耕地難以耕種，耕地面積減少；第三，建設項目和其他非農業活動的占用導致耕地數量減少。

2.土地利用變化時空轉移持征

（1）土地利用變化時空轉移特征

從時間上看，2010年以前土地利用類型之間的轉換相對穩定。2010—2020年，土地利用轉換較為活躍。根據土地利用轉換量變化分析，2000—2020年，耕地和林地轉出面積最大，轉出面積分別為2100km2和1355km2，轉出面積最少的是建設用地，轉出面積為201km2。轉出土地面積基本轉為建設用地，建設用地轉入面積626km2，其次是未利用土地，轉入面積304km2。其他類型的土地通常遷入比遷出少。

（2）土地利用空間轉移持征

從各類土地的空間分布來看，2000—2020年，湖區以洞庭湖為核心，耕地四面環抱，覆蓋面積最廣。草地與林地、耕地相鄰，未利用地與水域相鄰，呈分散分布。建設用地中的城市建設用地主要集中在沿湖平原區，且有擴大的趨勢，農村聚落群體多而分散，且大多分布在以耕地為主的農田周圍，多沿高速公路分布，研究期間空間變化不明顯。

3.土地利用動態變化特征

從土地利用綜合動態分析來看，整體上20年之間洞庭湖區域的土地變化較為活躍，分階段來看，2005—2010年洞庭湖區域土地利用變化最為顯著，而2015—2020年洞庭湖區域土地利用變化速度明顯放緩。而建設用地K值在5個階段均為正，且增長速度較快，擴張明顯，2005—2010年未利用地K值達到9.874%；其次是建設用地K值4.992%；耕地變化率一直為負，特別是2010年以后，耕地變化率下降了很多，而且減少明顯；在此期間，林地變化速率也為負，面積繼續減少；草地、水域和未使用土地的變化率是浮動的。總之，洞庭湖區土地利用的變化主要依賴于人類活動和城市擴張。此外，由于2010年后洞庭湖水利工程的建設和長江經濟帶的建設及生態環境的保護，水域面積的下降有所減少。

（三）土地利用變化影響因素分析

1.土地利用變化驅動因子分析

根據洞庭湖區的實際情況，為了更加準確、科學地實現土地利用模擬，保證數據的科學性、代表性和可用性，共選取了11個驅動因子，分別分屬于自然、社會經濟和區位三個方面。如表1所示：

表1 土地利用變化驅動因子統計表

通過SPSS軟件診斷11個驅動因子的共線性，提取分析結果中的容差和方差展開因子（VIF值），借用VIF值對驅動因子是否存在多重共線性進行診斷，公式如下：

由表2可知：每個驅動因子的VIF值都遠遠小于10。說明這11個驅動因素都不存在多重共線性，可以采用二元回歸分析。

表2 驅動因子的方差膨脹性因子（VIF值）計算結果

2.Binary Logistic回歸分析

在ArcGIS 10.7中將11個驅動因素轉換成ASCII文件導出，并將數據導入SPSS軟件，在因變量中導入6種土地利用類型，在自變量中導入11個驅動因素，按照次序依次進行回歸分析，回歸分析結果制表如表3。

表3 各土地利用類型Binary Logistic EXP(β)系數

由上表可知，數值越大即表明驅動因子在地類分布上的關聯性越強，由此可得：（1）對耕地分布格局影響最大的因子是高程和年平均氣溫，EXP值分別為2.595和2.308。（2）對林地分布格局影響最大的因子為植被覆蓋度和坡度，其EXP值分別為3.168和2.334。（3）對草地分布格局影響最大的因子是年降水量和土壤侵蝕，EXP值分別為1.437和1.324。（4）植被覆蓋度和生態系統服務價值對水體分布格局的影響最大，EXP值分別為1.572和2.686。（5）人口密度和GDP對建設用地分布格局影響最大，分別為3.127和3.03。（6）坡度和年降水量對未利用土地分布格局影響最大，EXP值分別為1.919和1.964。（7）坡度、植被蓋度、生態系統服務價值、國內生產總值（GDP）和距鐵路距離是影響土地利用類型分布的5個關鍵因素。

（四）CA-Markov模型模擬

在土地利用模擬研究中，Kappa系數經常被用來驗證土地利用模擬的準確性。在進行2035年土地利用模擬之前，可以首先檢驗一下模型模擬的準確程度，根據現有的2000年及2010年數據模擬2020年數據，并將2020年模擬數據和2020年現實數據做對比，分析其準確程度。并進一步采用CROSSTAB選項對模擬精度進行測試，結果顯示Kappa系數為0.8358，大于0.75，模擬精度較高，能夠滿足研究需要，各地類模擬誤差明細顯示如下，由此可知模型模擬上對除建設用地和未利用地的其他地類模擬精度較高，建設用地和未利用地模擬上誤差略大，不過整體上滿足研究需要，可進行下一步預測。

在此基礎上，進一步結合現有的2010年及2020年數據預測2035年土地利用狀況。首先生成2010—2020年利用馬爾科夫轉移概率矩陣和各土地利用類型的適宜性地圖集。[5]其中，CA模型中的鄰域結構設置采用系統默認的5＊5型馮諾依曼形狀，迭代次數為15次，最終形成2035年的土地利用模擬圖（如圖1）。

圖1 洞庭湖區2035年土地利用模擬圖

在未來的擴張過程中，洞庭湖區將進一步減緩城市擴張速度，加強土地集約利用程度，增強占補平衡、生態補償，大力實施退耕還林、退耕還草、退耕還湖等政策，加強人工林地種植和水利設施建設，大力推進生態文明建設，合理布局三生空間，實現高質量發展。

四、結論與討論

本文以洞庭湖區為研究對象，借助Binary-Logistic回歸和面積轉移矩陣研究方法，分析了洞庭湖區20年來土地利用的時空變化，深入探討了變化的原因，并利用CA-Markov模型模擬預測了研究區2035年土地利用變化趨勢。[6]

2000—2020年，洞庭湖區6種土地類型的變化幅度和活躍度均有所提高。城市化進程的加快導致的城市擴張，不可避免造成建設用地持續增加；耕地主要向建設用地、水域和林地轉變，面積明顯減少；林地面積略有減少；這一時期變化最顯著的是草地和未利用地，呈現出先減少后增加的明顯趨勢。

以洞庭湖區2000年土地利用狀況數據為基礎，利用Binary-Logistic回歸分析了11個影響因子與各地類分布的關系，結果表明，這些因子對地類具有較好的解釋效果，ROC檢驗值均大于0.8。各影響因子對不同地類具有不同的驅動作用和解釋能力，其中坡度、植被蓋度、生態系統服務價值、GDP、距鐵路距離等的解釋能力最好。

模擬結果表明，2035年洞庭湖區建設用地、草地、水域和未利用地面積均將增加，而耕地和林地面積將減少。洞庭湖區城市化進程明顯加快，主要集中在岳陽樓區、武陵區和赫山區。草地、水域和未利用地主要集中在研究區各區縣域和城區邊緣，生態保護措施效果明顯，但容易造成耕地和林地的撂荒。

本研究存在一些不足：在影像監督分類的情況下，由于所選樣本的可分離性存在細微誤差，導致分類結果與實際土地類型之間存在細微誤差，CAMarkov模型預測結果的科學可靠性需要考慮研究區域短期內不會發生重大經濟和政策變化。此外，在編制洞庭湖區適宜性圖集過程中，對影響因素的選取和權重分配較為主觀，缺乏客觀分析。[3]這些都是今后洞庭湖區進一步優化研究的重點方向。