基于DEM的土地利用格局空间自相关分析

汪煜 朱振宇 刘玥

摘要以安徽省枞阳县为研究区，对县域土地利用格局进行了全局空间自相关和局部空间自相关分析，并结合DEM进一步分析了该县各土地利用类型显著集聚特征的地形特征。结果表明，各土地利用类型都表现出空间正自相关特性，所表现的空间聚集或异常的位置及范围也各有不同，并且聚集特征的发生具备一定的地形条件，地形特征影响土地利用格局的形成和空间集聚分布。

关键词空间自相关；DEM；土地利用格局

中图分类号S28文献标识码A文章编号0517-6611（2014）23-08009-05

作者简介汪煜（1986- ），男，安徽金寨人，助教，硕士，从事GIS技术应用及土地利用变化研究。

收稿日期20140707空间自相关是指空间中具有一定客观规律的空间变量在空间上的分布特征及对邻域的影响程度，可用来反映研究对象在空间位置中聚集程度[1]。土地利用格局空间自相关表现为土地利用变量在空间上的分布特征及其对邻域的影响程度，土地利用在区域空间连续分布，具有显著性空间自相关的区域往往表现为地理对象的局部空间聚集。谢花林研究了内蒙古翁牛特旗土地利用变化的多尺度空间自相关特征[2]；李慧等以珠江三角洲为研究区研究其土地利用变化空间自相关性[3]；张峰等分析了北京昌平区景观格局的聚集特征[4]；邱炳文等分析了福建省土地利用空间自相关特征[5]。这些研究表明空间自相关分析能有效地应用于土地利用格局研究。

土地利用格局的形成受人类活动和自然环境等多因素影响[6-8]，地形作为自然环境中的重要因素之一，为土地利用格局的形成提供基础[9]。将空间自相关分析和地形分析结合，能进一步理解土地利用格局空间自相关的地形特征，为区域土地利用的管理应用提供决策支持。笔者运用DEM和空间自相关、分析方法分析了地形因素与土地利用格局聚集程度之间的关系，为更好地理解土地利用格局和变化提供了思路，也为区域土地利用管理提供决策支持。

1研究方法与数据来源

1.1研究区概况以安徽省枞阳县为例进行研究。枞阳县地处安徽省西南部，长江北岸，大别山之东南麓，地理坐标为117°05′～117°43′E、31°01′～31°38′N，面積为1 808.1 km2。境内地势北高南低，中部低平，低山丘陵岗冲相间，其中东北部低山区，西北部低丘岗地平原区，中西部丘陵冲区，东南部江湖洲圩平原区，自然差异明显。将纵阳县作为研究区具有一定的代表性。

1.2研究方法

1.2.1空间自相关分析。计算空间自相关方法有多种，其中最常用的有Morans I、Gearys C、Getis等方法，一般分为2大类：一类为全局空间自相关，另一类为局部空间自相关。

（1）全局空间自相关。全局空间自相关用于描述空间对象整体分布状况，并判断此对象在空间上是否有聚集特性，但不能确切判断聚集在哪些地区。常采用Morans I统计量进行全局空间自相关度量，其值可用以识别研究区域整体的空间分布模式[10-11]。Morans I统计量计算公式如下[1]：

I=nS0×ni=1nj=1wij（xi-）（xj-）ni=1（xi-）2

式中，xi和xj分别为样本i和j所在位置的属性值；Wij为空间权重，为样本均值；n为样本总数。Morans I值计算结果为正（正向关联），代表空间相似，反映相似空间变量的聚集特性；计算结果为负（负向关联），代表空间相异；计算结果趋于0（离散分布），则代表空间随机，是一种典型的空间负相关现象。

（2）局部空间自相关。全局Morans I不能确切指出聚集或异常发生的具体空间位置，此时需要用局部自相关方法作进一步分析，包括空间关联局域指标[12]和Moran散点图[13]。

Moran散点图是用散点图描述变量Z与其空间滞后（即该观测值周围邻居的加权平均）向量WZ之间的相关关系。横轴对应描述变量，纵轴对应空间滞后向量。分为4个象限，分别识别研究单元及其邻近单元的关系。第一象限（HH）：表示研究单元变量高值的区域被高值的其他区域所包围；第二象限（LH）：表示研究单元变量低值的区域被高值的其他区域所包围；第三象限（LL）：表示研究单元变量低值的区域被低值的其他区域所包围；第四象限（HL）：表示研究单元变量高值的区域被低值的其他区域所包围。一、三象限正的空间自相关关系表示相似观测值之间的空间联系，暗示相似值的聚集；二、四象限负的空间自相关关系表示不同观测值之间的空间联系，暗示空间异常（spatial outliers）；如果观测值均匀地分布在4个象限，则表示地区之间不存在空间自相关性。因此，采用Moran散点图可以直观地看出区域内存在几种聚集或异常特征。

空间关联局域指标（local indicators of spatial association，LISA）用来衡量空间单元变量值与周边单元变量值的相近（正相关）或差异（负相关）程度。该指标可以用局部Morans I统计量进行度量，公式为：

Ii=xi′ni=1wijx′j

式中，x′i和x′j都是标准化的单元观测值；wij为空间权重，其确定与全局自相关wij确定的方法相同，并可通过绘制LISA分布图直观描述各空间单元中变量的聚集和异常状况。

1.2.2区域统计分析。运用ArcGIS统计分析工具可实现相关数据汇总及比较等处理，通过叠加地形因素数据与LISA分布图，统计LISA分布图中的HH聚集、LL聚集、HL异常和LH异常中各地形差异。该研究利用区域DEM数据派生出高程和坡度2种地形因子，分析其叠加区域中的各因子的均值、范围和标准差等统计数据，其结果用于分析HH聚集区、LL聚集区、HL异常区和LH异常区的地形特征。

1.3数据来源与处理

1.3.1土地利用数据处理。该研究收集了2008年枞阳县1∶1万的第二次全国土地调查数据，结合第二次全国土地调查土地分类，综合考虑枞阳县土地利用特点，对土地利用数据的原有地类进行重分类，最终得到耕地、园地、林地、其他农用地、建设用地、水域和其他土地共7种土地利用类型。

该研究运用网格化处理方法，以500 m×500 m作为基本研究尺度，将研究区划分为500 m×500 m网格单元，共7 690个单元，并计算每个网格单元内各类用地的面积作为分析变量。

1.3.2DEM数据处理。DEM 数据来源于美国国家航空航天局（NASA）ASTER GDEM，栅格大小为30 m×30 m。基于DEM地形分析，提取了高程和坡度2种地形因子（见～2），并将坡度数据分为5级：坡度≤2°为1级；2°<坡度≤6°为2级；6°<坡度≤15°为3级；15°<坡度≤25 °为4级；坡度>25°为5级。

枞阳县高程分布枞阳县坡度分布1.3.3空间权重数据处理。无论是全局空间自相关分析还是局部空间自相关分析，都需要构建空间权重数据。常见构建空间权重的方法有基于邻接关系的权重和基于距离的权重。该研究在全局空间自相关分析中构建基于不同距离的空间权重数据，其距离值分别选择为500、1 000、2 000、5 000、10 000和15 000 m。在局部空间自相关分析中构建基于“后”型（queens case）邻接关系权重。

2结果与分析

2.1土地利用全局空间自相关该研究以500 m×500 m作为基本网格单元，网格单元中各类土地的用地面积作为观测变量，分别基于500、1 000、2 000、5 000、10 000和15 000 m等不同尺度的空间权重，运用全局自相关方法分析枞阳县土地利用的空间分布特征。计算枞阳县2008年7种土地利用类型的Morans I值，得到空间自相关图（）。

枞阳县7种地类空间自相关关系由可知，所有土地利用类型的全局Morans I值均为正值，都表现出空间正自相关特性，并随着权重距离的增加而减小。因此研究区各土地利用类型的整体空间分布不是随机的，表现出一定的空间聚集性，但当权重距离增加到15 km时，其整体空间正自相关特性减弱。当权重距离为最小距离0.5 km时，其各土地利用类型全局Morans I值由大到小依次为：水域、林地、耕地、其他农用地、建设用地、园地和其他土地。

2.2土地利用局部空间自相关

2.2.1局部空间自相关Moran散点图。按照局部空间自相关Moran散点图的方法理论，基于邻接关系空间权重，构建枞阳县2008年各土地利用类型的Moran散点图，结果如所示。2008年枞阳县各土地利用类型的Moran散点图从可看出，各土地利用类型Moran散点图中斜率均为正，整体表现正相关，局部特征以枞阳县耕地Moran 散点图为例个象限以此对应于HH、LH、LL和HL象限，HH象限（或LL象限）表示单元网格耕地面积与和周边网格耕地面积均值都较高（或较低），相邻单元网格的空间差异度小，呈空间正相关，表现为聚集特征。相反位于HL象限（或LH象限）表示单元网格耕地面积较高（或较低），而周边网格耕地面积均值较低（或较高），相邻单元网格的空间差异度大，呈空间负相关，表现为异常特征。如（a）中，绝大多数点分布于一、三象限，表明枞阳县耕地用地分布呈HH和LL聚集趋势，而位于二、四象限的点数较少，说明其耕地用地出现异常的情况少。其他各土地利用类型分布的聚集和异常特征均可从中分析得出。

42卷23期汪 煜等基于DEM的土地利用格局空间自相关分析2.2.2局部空间自相关LISA集聚图。Moran散点图表达了各土地利用类型空间分布的聚集和异常特征，LISA集聚图可进一步确定局部空间聚集或异常的具体位置。枞阳县2008年各土地利用类型的LISA集聚图如所示。2008年枞阳县各土地利用类型的LISA集聚结果由可知，各土地利用类型在空间结构上都表现有HH（红色区域）、LL（蓝色区域）显著集聚的同时，在局部范围内也出现了HL、LH异常区的情况。（a）中耕地的HH区域主要分布在县域东部，此区域为农场，是枞阳县重点基本农田保护区，其耕地表现为集中连片的分布特征。（b）中，园地分布较少，主要集聚于县域北部山区，主要为集中连片的茶园地。（c）中，林地表现出显著的HH和LL特征，其主要分布于县域北部山区和县域南部山区等区域。（d）中，其他农用地也呈现了HH和LL空间集聚特征，其集聚特征主要分布于县域东南部和县域西南部，此区域主要为养殖鱼塘的集中分布区。（e）中，建设用地的HH区主要分布于各乡镇驻地区，南部县城驻地及东北部横埠工业区的HH集聚特征表现较为突出。（f）中，水域呈现明显的HH和LL特征，HH区分布于县域内的长江和湖泊。（g）中，其他土地的HH主要分布在县域北部，LL主要分布在东南部和东部区域。

2.3土地利用空间自相关的地形分析地形是影响土地利用空间格局的重要因素之一，其也直接影响土地利用空间自相关格局，影响着不同土地利用的聚集和异常特征。通过将枞阳县7种土地利用类型的LISA分布图与地形因子图（～2）叠加，运用区域统计的方法统计各土地利用类型HH与LL所对应的高程变化和坡度变化情况。统计结果见～4。

由和可知，不同土地利用类型的HH显著集聚区的地形特征各有差异，耕地和其他农用地、建设用地和水域主要集中于低海拔、坡度缓的区域，地形特征分布较集中。园地和林地和其他土地分布的平均海拔相对较高，平均坡度大，地形特征分布较广。各土地利用类型HH显著集聚区的平均海拔由高到低依次为：林地、园地、其他土地、建设用地、耕地、其他农用地和水域。平均海拔分布范围由高到低依次为：林地、园地、其他土地、建设用地、耕地、其他农用地和水域。平均坡度由高到低依次为：园地、林地、其他土地、建设用地、其他农用地、耕地和水域。平均坡度分布范围由高到低依次为：其他土地、园地、林地、水域、建设用地、其他农用地和耕地。

由和可知，不同土地利用类型的LL显著集聚区与HH显著集聚区的地形特征差异很大。耕地、其他农用地、建设用地和水域的地形统计值表明这些地类较少分布于高海拔、高坡度地区，地形特征表现为山地，在这些地形区域内不利于耕地耕作、农业养殖、生产建设及水域形成，因此耕地、其他农用地、建设用地和水域在山地区内表现出强的LL显著集聚特征；林地和其他土地的地形统计值表明其较少分布于低海拔、坡度缓地区，县域内林地和其他土地主要分布高海拔、高坡度的山地地区。由于县域内园地分布较少，未表现出LL顯著集聚特征。

總之，各土地利用类型HH和LL聚集特征的发生具备一定的地形条件，相邻网格的地形特征越相似，其土地利用结构越相近，彼此空间相关程度也越高。

3结论

该研究以枞阳县土地利用数据及DEM数据为例，运用空间自相关分析方法，在网格大小为500 m×500 m的尺度下进行了枞阳县土地利用格局空间自相关分析，并结合DEM所提取的高程和坡度数据进一步分析了该县各土地利用类型显著集聚特征的地形特征，结论如下：

（1）进行全局空间自相关分析。所有土地利用类型表现出空间正自相关特性，其自相关强度随着距离的增加而减弱。各土地利用类型中空间自相关强度最大的为水域，最小的为其他土地。

（2）进行局部空间自相关分析。运用Moran散点图和LISA集聚图进一步分析了局部空间集聚特征。各土地利用类型都表现出HH、LL显著集聚的同时，在局部范围内也出现了少量HL、LH异常区的情况。不同土地利用类型所表现的空间聚集或异常的位置及范围也各有不同。

（3）主要分析了HH和LL集聚区的地形特征。各土地利用类型HH和LL聚集特征的发生具备一定的地形条件，地形特征影响土地利用格局的形成和空间集聚分布。

参考文献

[1] CLIFF A，ORD J.Spatial Autocorrelation [M].Pion，London，1973.

[2] 谢花林，刘黎明，李波，等.土地利用变化的多尺度空间自相关分析——以内蒙古翁牛特旗为例[J].地理学报，2006，61（4）：389-400.

[3] 李慧，王云鹏，李岩，等.珠江三角洲土地利用变化空间自相关分析[J].生态环境学报，2011，20（12）：1879-1885.

[4] 张峰，张新时.基于TM影像的景观空间自相关分析——以北京昌平区为例[J].生态学报，2004，24（12）：2853-2858.

[5] 邱炳文，王钦敏，陈崇成，等.福建省土地利用多尺度空间自相关分析[J].自然资源学报，2007，22（2）：312-318.

[6] 摆万奇，赵士洞.土地利用变化驱动力系统分析[J].资源科学，2001，23（3）：39-41.

[7] 徐霞，王静爱，贾海坤，等.内蒙中部地区不同生态区土地利用格局分布特征[J].地理科学进展，2005，24（3）：45-49.

[8] 杨丽，谢高地，甄霖，等.泾河流域土地利用格局的时空变化分析[J].资源科学，2005，27（4）：26-32.

[9] 喻红，曾辉，江子瀛.快速城市化地区景观组分在地形梯度上的分布特征研究[J].地理科学，2001，21（1）：64-69.

[10] ANSELIN L.Space Stat Tutorial[M].Morgantown，WV：Regional Research Institute，WestVi University，1992.

[11] GETIS A，ORD J K.Local spatial autocorrelation statistics：distributional issues and an Application[J].Geographical Analysis，1995，27：286-306.

[12] ANSELIN L.Local Indicators of Spatial Association LISA[J]. Geographical Analysis， 1995， 27（2）： 93-115.

[13] ANSELIN L，SYABRI I，KHO Y.GeoDa： an introduction to spatial data analysis[J]. Geographical Analysis， 2006，38（1）： 5-22.