规划情景约束下的城市土地利用空间格局模拟

尹昌应，石忆邵

（同济大学测绘与地理信息学院，上海 200092）

0 引言

土地利用类型是构成城市空间形态和结构的微观要素，研究一定时期内的土地利用类型转移情况，在此基础上预测未来土地利用类型间的转移动态，有助于优化土地利用结构和调控城市空间布局，促进土地资源的集约和高效利用。但是，当城市化发展到一定水平，特别是城市建设用地扩张到一定程度时，土地资源利用的局限形势会变得愈发严峻，强制性行政干预便成为不得不采取的控制手段，例如划定耕地红线和城市增长边界等。当某一种或几种用地类型快要接近或已达到政策强制性限定标准时，土地利用总体规划可从数量规模上进行计划控制，但在预见并藉此控制土地利用类型的空间演化趋势方面仍不足。因此，如何从空间上定量表达城市土地利用变化的驱动力，建立动态模型实现未来土地利用规模的空间分配，预测土地利用空间格局，是城市管理者和学术界面临的实际问题。

传统方法解决该问题时常采用定性分析或一些不具空间解释能力的定量模型，从较为宏观的视角分析土地利用变化的空间特征［1］。以元胞自动机（Cellular Automaton，CA）、土地利用变化及其影响（Conversion of Land Use and its Effects，CLUE）模型、多智能体系统（Multi－Agent System，MAS）等为代表的模拟技术产生后，土地利用格局预测进入了新时期。目前，运用模型化方法模拟土地利用格局已是理解和解释区域土地变化过程与趋势的常规途径［2－4］。其中，CA 模型的优点在于其显著的空间特性和由简单的邻域规则产生的突现性，但这种突现性能否反映实际的土地变化情况，取决于规则设计的合理性。实际上，土地变化驱动力的时空复杂性要求CA在简单的邻域规则上附加复杂的驱动作用关系，所以CA模型如果只有简单的邻域规则并不能真正解决实际问题。MAS强调“人”作为主体的自治性、反应性、主动性、社会性和学习性，考虑个体、群体及环境的相互作用和人类决策行为的影响［5］，尽管理论意义十分重大但进展较为缓慢，目前仍以理论探索为主［6］。相比之下，CLUE模型不仅能很好地反映土地变化在空间上的关联性、等级性、竞争性和相对稳定性［7］，建模过程也简单且易于理解；Dyna－CLUE模型［8］是 CLUE－S模型的改进版本，它将“自上而下”和“自下而上”过程结合，且弥补了CLUE－S在模拟大区域时不得不增大像元尺寸的弊端，使CLUE模型可被应用到更为精细的空间尺度上，但同时也对模型输入数据的空间分辨率提出了更高要求。由于城市内部驱动因素的复杂性及其输入数据的分辨率问题，迄今为止基于Dyna－CLUE模型的案例研究尚不多见。因此，本文以上海市为例，建立Dyna－CLUE模型预测土地利用空间格局，可为城市土地利用规划和管理提供新的技术思路。

1 研究区、数据和方法

1.1 研究区概况

上海市地处东经120°52′～122°12′、北纬30°40′～31°53′，位于中国南北海岸中心点，长江和黄浦江入海汇合处，北界长江，东濒东海，南临杭州湾，西接江苏和浙江，是长江三角洲冲积平原的一部分，全市陆地面积6 506.52km2。2011年末全市常住人口2 347.46万人，城镇人口占总人口89.3%，城镇化水平居全国首位。

1.2 研究数据及预处理

数据资料主要包括覆盖上海全市的2003年8月CBERS－1B影像4景，2006年 CBERS－1B影像4景，2009年8月Landsat－ETM＋影像2景；上海市2009年土地利用现状图和地形图、30m×30m分辨率DEM、上海市行政区划图、乡镇（街道）行政中心和农村居民点位数据。数据预处理主要包括基于ERDAS Image 2011平台的波段组合、几何纠正、图像拼接；ENVI 4.8软件支持下分别计算归一化植被指数（NDVI）和归一化建筑指数（NDBI），结合DEM数据提取的高程、坡度、坡向信息建立决策树，采用最大似然法进行土地利用分类处理；行政区划图矢量化，人口、经济数据空间化等。所有数据均配准到统一地理参考系统。

1.3 研究方法

包含“情景预测”和“空间分配”两部分，即用Markov模型预测土地利用需求情景，用Dyna－CLUE对需求情景进行空间分配。

1.3.1 土地利用需求情景预测 Markov模型中［9］：如果随机过程X（t）在时刻（n＋1）状态的概率分布只与时刻n的状态有关系，而与n之前的状态没有关系，则随机过程X（t）可以被称为是一个马尔柯夫链，记条件概率：

式中：Pij（n）是在时刻n的一步转换概率，由一步转换概率构成的转换矩阵：

该矩阵满足两个条件：矩阵每一行元素的和等于1；矩阵中每一个元素为非负。于是，Markov模型可表示为：

式中：X（n）表示趋势分析与预测对象在t＝n时刻的状态向量，P 表示一步转移概率矩阵，X（n＋1）表示预测对象在t＝n＋1时刻的状态向量。

情景预测前，需验证 Markov模型的适用性。设定3年为时间步长，首先以2003年、2006年两期遥感解译数据计算土地利用转移矩阵，得到各土地利用类型间的转移概率矩阵P；然后以2006年遥感解译数据为初始状态 X（1），用式（3）计算2009年对应的状态X（2）；再用X（2）与2009年土地利用现状数据比较，计算总体精度达89.23%，说明该模型具有较强的预测能力。情景预测时，利用上述原理计算2003－2009年的转移矩阵如表1。

表1 上海市2003－2009年土地利用转移矩阵Table 1 Transfer matrix of land use in Shanghai from2003 to 2009 %

基于上述转移矩阵，设计两种土地利用规划政策情景：情景Ⅰ，假定未来的土地利用延续现有方式，即各用地类型的变化速度保持2003－2009年的变化速度不变；情景Ⅱ，结合上海市土地利用总体规划（2006－2020）提出的“稳保328万亩耕地红线”以及国土资源部下达上海至2020年的建设用地指标（2 981km2），参考国内外大都市居住用地、产业用地和服务业用地等用地类型的平均变化速度，设计了一个基于用地规模控制的需求情景。运用Markov链模型分别预测两种情景下的土地利用需求如表2。

表2 基于不同用地模式预测的土地利用需求情景Table 2 Predicted demand scenarios based on different land use modes hm2

1.3.2 土地利用需求的空间分配 Dyna－CLUE模型对土地利用需求的空间分配，是在深入认识研究区土地利用变化历史的情况下，诊断土地利用变化与环境因素之间的定量关系，建立转换规则来模拟土地利用空间格局。建模步骤及主要输入数据如下：

（1）影响因素分析。土地利用变化是自然和人文因素共同作用的结果［10－12］。大区域、长时间尺度上的土地利用变化受自然环境因素的影响较明显，小流域、城市或更小空间尺度上短期内的土地利用变化则主要受当地社会经济发展状况的驱动作用更显著。本文选取海拔高度、坡度、坡向、道路通达性、到各级行政中心距离、到主干河道距离、人口密度、经济密度、建筑容积率等共计13项指标作为潜在的影响因素（部分如图1）。

图1 上海市土地利用空间变化的潜在驱动因子Fig.1 Potential driving factors of land use change in Shanghai

（2）空间驱动力诊断。驱动力分析是准确模拟土地利用变化的基础和前提条件。Dyna－CLUE采用Logistic逐步回归模型诊断土地利用变化的驱动因子，以土地利用类型为因变量、驱动因子为自变量建立二元Logistic回归方程，并据此建立回归方程估算每一栅格可能出现某种用地的概率。Logistic逐步回归模型可表示为：

式中：pi表示每个栅格可能出现某一土地利用类型i的概率；Xn，i表示各备选驱动因子在该位置上的值；β是回归方程的解释变量系数，βi值越大，代表其相关度越高，EXP（βi）是β系数以e为底的幂指数，等于事件发生概率pi。Logistic回归方程的解释能力用Pontius等［13］提出的ROC曲线进行检验（表3）。

表3 Dyna－CLUE模型中各用地类型与驱动因子间的回归系数Table 3 Regression coefficients of land use types and driving factors in the Dyna－CLUE model

（3）区域限制策略。空间政策制约模块指根据各地土地利用的实际情况确定土地利用转换中的特殊限制条件。结合数据可获得性，本文重点考虑了上海市的基本农田保护区、九段沙湿地国家级自然保护区、崇明东滩鸟类国家级自然保护区、长江口中华鲟自然保护区和金山三岛海洋生态自然保护区4个自然保护区。在限制区内，基本农田不会转换成其他任何类型的土地，森林、草地等自然生态系统不会受到干扰和破坏而转变为建设用地和耕地。

（4）转换弹性和转换规则设置。转换弹性（ELAS）是设置地类稳定性的重要参数，它表征在一定时期内某种用地类型可能转化为其他类型的难易程度。ELAS有3种取值：对于较难转换为其他土地利用类型的地类，ELAS＝1；对于极易变化的地类，ELAS＝0；难易程度介于这两种情况之间，则ELAS介于0～1之间。本文根据专家经验结合有关文献资料，设定转换弹性如表3。

（5）其他输入数据。包括初始土地利用格局和土地利用需求情景（表2），以及关于模拟时段、时间步长、空间范围、像元分辨率等方面的控制参数，具体参数取值如表4。

表4 Dyna－CLUE模型中主要控制参数及在本研究中取值Table 4 Values of main control parameters of Dyna－CLUE model in the study

（6）模型校准。模型校准时，以2003年遥感解译的土地利用现状图为初始数据，采用建立的Dyna－CLUE模型将2009年的土地利用需求情景分配到二维地理空间，结合2009年的土地利用现状格局进行精度评价，若不满足精度要求则通过调整上述参数对模型进行校准。评价模型精度时，以2009年土地利用现状图作为参考数据，采用分层随机抽样的点样本检验法［14］分别在模拟数据和参考数据上选取500个样本点对，通过计算混淆矩阵、总体精度和Kappa指数［15］来评价模型的精度水平。

经过多次参数调整，最后确定以表4所示数据作为模型输入参数。模拟输出2009年土地利用格局对应的混淆矩阵、总体精度和Kappa系数（表5），结果表明模型具有较强的用地规模和空间预测能力，可用来预测上海市未来一定时期内的土地利用变化格局。

表5 Dyna－CLUE模型的混淆矩阵及精度评价Table 5 Confusion matrix and accuracy assessment for Dyna－CLUE model

2 模拟结果与分析

运用上述构建的模型模拟两种需求情景下2015年、2021年的土地利用格局如图2所示。

2.1 数量变化特征

分析两种土地需求情景，可知未来土地利用规模的变化特征。其中，模式Ⅰ对应的土地利用规模变化情况如图3a所示，土地类型间转换频繁且“顺”势（趋势延续，即保持“增加”或“减少”的趋势）明显。耕地是变化最为显著的土地类型，到2015年减至147 850hm2，2021年仅存119 641hm2；2009年以后，林草地则和耕地一样表现为持续减少；建设用地则迅速增加，其中工业用地增长特别显著，2015年达985.27km2，2021年则达1 126.64km2，相应的工业用地比例分别增至27.90%和28.54%；居住用地增加趋势也很明显，2015年上海所需居住用地面积达1 133.64km2，2021年则达1 225.45km2；交通用地增至2015年的653.71km2和2021年的748.20km2；水面有一定减少，未利用地保持在40km2左右。

图2 上海市土地利用的Dyna－CLUE模拟格局Fig.2 Predicted land use patterns of Shanghai using Dyna－CLUE model

模式Ⅱ对应的土地利用规模变化情况如图3b所示，各种用地类型间转换仍然频繁但“逆”势（趋势逆转，即“先增后减”或“先减后增”的趋势）显著。耕地方面，2009年面积为216 699hm2，已低于上海市218 666hm2（328万亩）的 “耕地红线”，经过总量控制和结构调整，2015年耕地逆转减势增至221 476 hm2，2021年达236 833hm2；林草地则表现为持续缓慢增加，以适应生态城市建设要求；工业用地稳步减少，从2009年的790.22km2减至2015年的674.93km2，2021年达563.81km2，相应的工业用地比例分别为23.23%和19.43%；居住用地不断增加，从2009年的103 467万m2增至2015年119 581万m2，2021年达127 037万m2；交通用地也进一步增至2015年的648.64km2和2021年的768.95 km2；未利用地保持在30km2左右。

图3 两种需求情景下土地利用变化情况Fig.3 Land use change of the different demand scenarios

2.2 空间变化特征

分别将两种需求情景下的模拟格局与2009年的现状格局进行叠加和比较分析，可知未来土地利用格局的变化特点。例如，在情景Ⅰ中的工业仓储用地主要沿公路、河道两侧扩展，呈现显著的“廊道”特征；居住用地散布在工业仓储用地分布的空间范围内；耕地、林草地和水体等具有生态平衡和环境净化功能的非建设用地边界逐渐向郊区退缩，崇明岛北部的水体面积增加显著。这种土地利用格局是延续工业化大发展阶段的用地模式所产生的自然结果，工业仓储用地集中分布在交通便利的地方，建设用地扩张大量侵占耕地和林草地资源，建成区“摊大饼”式向郊区蔓延。

情景Ⅱ中，工业仓储用地逐渐从中心城区向郊区转移，工业郊区化趋势非常明显；中心城区原有的居住用地基本保持不变，郊区和崇明县的居住用地呈团块状增加；建设用地扩张主要集中在以嘉定、松江、临港、青浦、南桥、金山和城桥为中心的郊区新城；水体变化不明显。这种土地利用空间格局与上海市“十二五”规划关于“城市建设的重心将向郊区转移，全市将建立七个郊区新城”的特大城市卫星城发展模式设想相符合。

3 结论与讨论

通过对上海市土地利用空间格局及驱动力的系统分析，借助Markov模型模拟设置了两种规划情景下的用地需求，建立Dyna－CLUE模型进行用地需求的空间分配。结果表明，Dyna－CLUE模型对土地利用需求的空间分配，不仅可结合规划政策的宏观要求，还可考虑地理环境和交通等微观基础环境条件的影响。因此，该模型可为土地利用总体规划的空间实施和管理提供一种新的、有效的技术手段。

在规划情景设置过程中，将 Markov模型应用于土地利用变化的需求预测，其优势在于所需基础数据量少，便于实现。因为在利用Markov模型预测土地利用需求时，需要的基础地理数据包括模拟时段初期和末期的土地利用现状数据，这对于基础地理数据不齐全的地方是个很大的优势。然而，Markov模型没有考虑其他的社会经济和自然因素对于土地利用变化的影响，这使得这种“黑匣子”式的模拟结果虽然具有一定的合理性，却较难从社会和经济发展的角度给予合理的解释，因而在理解土地利用变化的驱动力方面存在不足，只可用作宏观需求预测。在土地利用现状数据和相关的社会经济数据比较充分的情况下，构建城市土地利用变化的系统动力学模型模拟用地需求可能是比Markov链更好的解决方案。

在城市化发展进程中，土地利用矛盾主要体现为各类用地规模间相互转换的矛盾，土地利用总体规划下达了各类用地指标，指标分解就成为各级政府规划之间衔接的桥梁。但在现行规划体系下，指标分解通常只关注数量分解，较少涉及数量规模在空间布局上的定量刻画。由于最终土地利用目标需求不同，造成发生增减的主要地类和规模各不相同。因此，在土地利用总体规划实施过程中可以通过调整土地利用目标引导各土地利用类型之间的转换，并最终达到优化土地利用结构、调整土地利用空间的目的。但这一系列过程中都涉及非常复杂的人文影响因素，尽管包括Dyna－CLUE在内的专业模拟模型在刻画自然驱动因素方面可以获得很好的效果，但对人文影响因素的定量刻画仍然差强人意。因此，还需深入开展相关研究，提高模型对人文驱动因素的解释和刻画能力，进而提高土地利用空间格局的模拟精度。

［1］ 尹昌应，罗格平，汤发树.乡镇尺度绿洲土地利用空间格局动态模拟与分析［J］.中国沙漠，2009，29（1）：68－75.

［2］ LUO G，YIN C，CHEN X，et al.Combining system dynamic model and CLUE－S model to improve land use scenario analyses at regional scale：A case study of Sangong watershed in Xinjiang，China［J］.Ecol.Complex，2010，7（2）：198－207.

［3］ MACHADO C R.Integrated research on coupled human－environmental system ［J］.LUCC Newsletter，2003，9（1）：8－9.

［4］ LAMBIN E F，MEYFROIDT P.Land use transitions：Socioecological feedback versus exogenous socio－economic dynamics［J］.Land Use Policy，2010，27（1）：108－118.

［5］ TIAN G，OUYANG Y，QUAN Q，et al.Simulating spatiotemporal dynamics of urbanization with multi－agent systems—A case study of the Phoenix metropolitan region，USA［J］.Ecolog－ical Modelling，2011，222（5）：1129－1138.

［6］ LI X.Emergence of bottom－up models as a tool for landscape simulation and planning［J］.Landscape and Urban Planning，2011，100（4）：393－395.

［7］ 张永民，赵士洞，VERBURG P H.CLUE－S模型及其在奈曼旗土地利用时空动态变化模拟中的应用［J］.自然资源学报，2003，18（3）：310－318.

［8］ VERBURG P H，OVERMARS K P.Combining top－down and bottom－up dynamics in land use modeling：Exploring the future of abandoned farmlands in Europe with the Dyna－CLUE model［J］.Landscape Ecology，2009，24（9）：1167－1181.

［9］ MICHAEL R M，JOHN M.A Markov model of land－use change dynamics in the Niagara Region，Ontario，Canada［J］.Landscape Ecology，1994，9（2）：151－157.

［10］ LAMBIN E F，MEYFROIDT P.Global land use competition［A］.SETO K C，REENBERG A.Rethinking Global Land Use in an Urban Era［C］.Cambridge，MA：MIT Press，2013.

［11］ LIU J，ZHANG Z，XU X L，et al.Spatial patterns and driving forces of land use change in China during the early 21st century［J］.Geographical Sciences，2009，20（4）：483－494.

［12］ MISANA S B，SOKONI C，MBONILE M J.Land－use／cover changes and their drivers on the slopes of Mount Kilimanjaro，Tanzania［J］.Geography and Regional Planning，2012，5（6）：151－164.

［13］ PONTIUS R G，SCHNEIDER L C.Land－cover change model validation by an ROC method for the Ipswich watershed，Massachusetts，USA［J］.Agriculture，Ecosystems and Environment，2001，85（1～3）：239－248.

［14］ 刘旭拢，何春阳，潘耀忠，等.遥感图像分类的点、群样本检验与评估［J］.遥感学报，2006，10（3）：366－372.

［15］ PONTIUS R G.Quantification error versus location error in comparison of categorical maps［J］.Photogrammetric Engineering and Remote Sensing，2000，66（8）：1011－1016.