基于GIS与CLUE-S模型的土地利用/覆被变化模拟——以成都市龙泉驿区为例

岳智慧， 王玉贵， 任 平

(1.四川师范大学地理与资源科学学院，四川成都 610101； 2.西南土地资源评价与监测教育部重点实验室，四川成都 610068；3.四川大学建筑与环境学院，四川成都 610065)

土地是宝贵的自然资源，是人类赖以生存的物质财富。随着人类社会的进步，土地覆被发生着日新月异的变化，土地问题日益凸显。从已有研究经验看，大尺度研究能从宏观上把握区域总体LUCC状况，而微观尺度研究则能更细腻地展现LUCC动态过程。因此，在进行大区域研究的同时，还应加强中、小尺度的土地利用研究，这样才能在LUCC研究领域取得更为长足的进步。CLUE-S模型运用系统论原理，相对于其他模型具有更强大的时空动态变化模拟能力[1-2]。该模型在国内大多被应用于东部经济发达区以及生态环境脆弱敏感区，而对地貌类型较为复杂的地区研究较少。龙泉驿区位于成都平原东缘，地貌类型复杂，近年来，随着龙泉驿区土地资源得到进一步开发，这必然带来许多的土地问题，以这个地区为例开展LUCC研究具有重大现实意义。

本研究将Markov模型与CLUE-S模型相结合，对龙泉驿区未来的LUCC状况进行了多情境模拟，研究结果可为龙泉驿区土地利用规划的编修和城市规划布局提供决策参考依据，也为今后同类型研究提供方法上的借鉴。

1 研究区概况与研究方法

1.1 研究区概况

龙泉驿区位于我国西南地区，位于成都平原东缘地带，龙泉山脉的中段，是成都市所辖市区之一。区内包含3个主要的地貌类型，分别为山地、丘陵、平坝，其中平坝为研究区主要的地貌类型。2013年以来，龙泉驿区稳居四川省经济十强县第一名。近年来，快速发展的汽车工业更为龙泉驿区的发展带来了巨大的福利。便捷的交通、发达的产业和优美的自然环境等条件，必然使得龙泉驿区在将来会获得更好的成绩。

1.2 数据来源

本研究所使用的数据包括研究区数字高程模型(DEM)和2005、2014年龙土地利用现状数据。数字高程DEM数据来源于地理空间数据云，2005、2014年2期土地利用数据来源于龙泉驿区国土资源局，其中2005年数据为全国第一次土地调查数据，而2014年数据为全国第二次土地调查变更数据，故以全国第二次土地调查变更数据为准，参照全国《土地利用现状调查技术规程》，并结合龙泉驿区实际情况，将研究区土地利用类型分为7个类别，分别为耕地、园地、林地、草地、建设用地、水域、其他土地。

1.3 研究方法

1.3.1 Logistic回归模型 在土地利用变化的研究中，CLUE-S模型可根据Logistic回归结果来计算每个栅格单元出现某种土地利用类型的概率，对其进行空间分配。Logistic回归模型表达式为[3-4]：

(1)

式中：Pi表示i地类出现在栅格上的可能性；β0为常数项；β1，β2，…，βn分别为各驱动因子的Logistic回归分析结果中的β系数；X1，i，X2，i，…，Xn，i代表各个驱动因子。

1.3.2 Markov模型 将Markov模型应用于土地利用数量变化的模拟，相对于线性内插法更接近于土地利用需求数量的实际情况[5]。Markov模型与CLUE-S模型的结合应用，克服了单一模型的弊端，使土地利用变化在时间和空间上得到优化，其表达式为：

Pn=Pn-1Pij。

(2)

式中：Pn和Pn-1表示第n和n-1的时间点土地利用转移状态；Pij为土地利用转移概率矩阵。

1.3.3 CLUE-S模型 CLUE-S(The Conversion of Land Use and Its Effects at Small Region Extent)模型由荷兰Wageningen大学学者开发，应用于区域土地利用变化的模拟，经改进后的模型比较适合中小尺度的LUCC模拟分析[6]。

1.3.3.1 驱动因子选取 本研究根据CLUE-S模型的驱动因子需求，并结合研究区实际情况，共筛选出影响龙泉驿区土地利用/土地覆被变化的9个驱动因子(包括数字高程、坡度、坡向、距河流的距离、距坑塘水库的距离、距农村道路的距离、距农村居民地距离、距主要城镇距离、距工矿用地距离等)。

1.3.3.2 模拟尺度甄选 本研究共选取了8种研究尺度进行回归分析，通过对不同尺度下的Logistic回归结果进行ROC检验，甄选出最佳模拟尺度。

1.3.3.3 土地利用需求 土地利用需求是通过模型外的一些数学等方法被计算出来，在模拟过程中用于限定土地利用类型的面积数量。基于已有的2期土地利用数据，应用Markov模型可以得到龙泉驿区2005—2014年每一年各个地类的土地需求面积。

1.3.3.4 转换矩阵 在土地利用类型的转换当中，特定区域转换成其他地类的难度较高[7-8]。根据龙泉驿区历史土地利用转换情况和实地调研，设置了本研究所需1的转移矩阵。

1.3.3.5 ELAS稳定性参数 由于各地类之间转换稳定性程度具有差异，根据龙泉驿区发展特点、历史数据等设定了较为合理的ELAS参数值(表1)。

表1 龙泉驿区各地类转换ELAS参数

1.3.3.6 模拟精度检验 采用正确栅格比例和Kappa指数来测算模拟结果的精度，其中正确栅格比例以正确的栅格数目百分比表示。Kappa指数作为一种RS影像分类精度的评价指标，可以定量反映模拟效果，也可以用来评价2幅图的一致性[9]，其运算公式为：

Kappa=(P0-Pc)/(Pp-Pc)。

(3)

式中：P0为正确栅格数目比例，Pc为随机情况下期望的正确模拟比例，Pp为最为理想的模拟状态。

1.4 情境设计

情境分析由Pier Wark在1972年提出，指事物在未来的不同条件下的发展态势[10]，本次情境模拟基于龙泉驿区土地利用自然发展态势、基本农田保护和生态保护视角，通过调整Markov转移概率矩阵和模型参数，设计了研究区未来LUCC3种发展情境。

1.4.1 自然增长情境 该情境假设研究区的土地利用/土地覆被变化完全不受任何政策因素的影响，土地需求按照上一时期的土地利用转移概率矩阵的模式而变化。

1.4.2 基本农田保护情境 参考龙泉驿区土地利用总体规划中关于严格保护耕地、基本农田保护和控制建设用地规模的相关政策，对Markov转移概率进行相应的调整，调整后的结果表明，耕地向建设用地的转移概率由11.08%下降至 6.03%，下降幅度为45.58%；园地向建设用地的转化率由原来的15.13%下降至9.8%，下降幅度为35.23%。

1.4.3 生态保护情境 该情境强调了林地、草地和水域等生态用地的保护。该情境的意义在于对区域的生态环境的改善和维护，保障区域的生态安全。基于以上考虑，本情景设置将适当地调整林地、草地和水域的转移概率。

2 结果与分析

2.1 研究尺度拟合度检验

对不同尺度下Logistic回归结果的评价采用ROC验证，ROC值越大的尺度，其模拟效果越好(表2)。ROC检验结果表明，60 m×60 m的研究尺度ROC值相对较为理想(图1)，故将60 m作为本研究的最佳模拟尺度。

2.2 不同情境下LUCC时空特征

基于以上情境设计，将不同的情境设计应用到CLUE-S模型中，最终模拟得到3种不同情境下龙泉驿区2020年土地利用状况数据。

2.2.1 自然增长情境 自然增长情境下，从2014—2020年，各土地利用类型的变化存在着巨大的差异，变化幅度从大到小依次表现为园地>建设用地>耕地>水域>林地>草地>其他土地。在模拟时间段内，园地、建设用地和耕地的变化幅度最大，其他土地利用类型面积都出现了减少的情况，减少幅度较前3个地类小。在该情境下，建设用地的扩张较为剧烈，对其四周的土地侵略程度较高，特别是对园地的侵占程度较高(图2)。

表2 2005年不同研究尺度下Logistic回归分析ROC值对比

2.2.2 基本农田保护情境 基本农田保护情境下，耕地受到有效的保护，基本农田的面积较自然增长情境下有所提升，从空间分布上来看，主要是在原有的农田基础上有所扩张，并且集中分布于区域西部平坝地区，而建设用地向四周扩张的态势则受到明显的抑制(图3)。

2.2.3 生态保护情境 生态保护情境下，林地、草地和水域等生态资源得到强有力的保护，并且数量上在原有的基础上有所增长。该情境相较于其他情境设置，各个地类的变化幅度较小(图4)。在该情境下，必须全面平衡社会、经济和环境保护之间的相互关系，在经济发展的同时，也能保证对生态环境的保护，研究区的生态环境得到了较大程度的优化，有利于改善人们的生活环境，保障区域“青山绿水”式的社会发展。

2.3 模拟结果分区

根据不同情境模拟结果的相似特征，将研究区土地利用情况分为三类区域，并根据各自区域的LUCC特征，提出相应的土地利用建议。

2.3.1 中西、中北部平坝区 该区域以耕地、园地和建设用地为主，地势平坦，经济发展水平是整个龙泉驿区相对较高的区域。该地区的主要问题是，农用地后备资源缺乏，建设用地供需矛盾将更加突出。社会经济发展的阶段性特征表明，由于区域内的工业化和城镇化的快速发展，城镇工矿用地增长，大规模的基础建设还没有全面地发挥其经济效益，同时这些建设用地的扩张还将不可避免地占用部分农业用地，农用地保护将面临较为严峻的形势。解决的主要方向是要加强耕地保护政策的执行力度，划定必要的耕地保护区域，坚决落实“占补平衡”政策，缓和用地矛盾。同时，还应加大对二、三产业的扶持力度，从提高土地利用效益角度来实现对农用地的保护。

2.3.2 东部山地区 该地区相对东部平地地势较高，以山地和丘陵地貌为主， 主要包含万兴乡、同安街道办事处、洛带镇等乡镇的部分区域。该区域内林地、耕地和园地大量分布，是整个龙泉驿区经济条件相对较差的区域。该地区存在的问题是农业用地分布较为散乱，破碎化程度较高，粮果争地的问题较为突出。解决该问题的办法是根据当地实际情况，因地制宜地进行土地利用规划，使得耕地、园地等地类能够集中起来，便于山区土地的集中管理，提高土地利用的效率。

2.3.3 东南部浅丘区 该区域位于龙泉山脉中西部，地形以丘陵为主，包含山泉镇、茶店镇和柏合镇的部分地区，区内土地利用类型中园地、林地和水域分布较广。该地区水果种植较为普遍，水蜜桃、枇杷等水果产量较高，特色农业种植全国闻名。该地区土地利用存在的主要问题是建设用地的分布较为散乱，造成园地的分布没有实现很好的区域规模。解决该问题的办法是，对居民点进行集中整理，实现聚落的集中，使得该区域的耕地和园地发展空间更大，这种模式更有利于该区域特色农业未来的经营与发展。

3 结论与展望

3.1 结论

本研究在SPSS、ArcGIS软件以及相关数学模型的支撑下，探索了CLUE-S模型在龙泉驿区LUCC情境模拟预测中的适宜性，构建了2020年龙泉驿区不同情境下的土地利用/土地覆被变化状况，并将模拟结果进行了分区。主要结论如下：

3.1.1 模拟尺度的甄选对模拟结果至关重要 本研究在进行模拟尺度的选择时，从30 m×30 m的尺度开始，以15 m为步长，预先设定了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种研究尺度进行最佳模拟尺度的筛选，最终将较理想60 m×60 m作为最佳模拟尺度，使得模拟结果更加接近龙泉驿区土地利用的真实状况。

3.1.2 Markov模型的应用使得模拟结果更为理想 CLUE-S 模型中缺少对土地利用需求的预测模块，因此需要独立于模型之外的方法来计算土地利用需求，将Markov模型与CLUE-S模型结合应用，克服了单一模型的弊端，使土地利用变化在时间和空间上得到优化。

3.1.3 不同时期的驱动因子对LUCC的影响存在差异 本研究所选取的9个驱动因子，在不同的研究时段对各个地类的影响有所差异。以耕地为例，在2005年对耕地变化的主要驱动因子为数字高程、坡度、距河流距离和距农村居民地距离，而到了2014年距河流距离对耕地变化影响力较2005年明显下降。

3.1.4 CLUE-S模型对龙泉驿区的模拟效果良好 将模拟结果进行Kappa检验，结果其精度值达到了84%，大于75%，模拟效果较为理想，说明运用CLUE-S模型对龙泉驿区未来的土地利用/土地覆被变化的模拟可行性较大。

3.2 展望

对CLUE-S模型参数的合理设置对模拟结果的精准度尤为重要，未来的研究将探求更高的模拟精度。本研究最终的模拟精度还不是特别高，在今后的研究中，作者将针对论文还存在不足的地方进行改进，以期得到更好的模拟精度。

土地利用的需求数据是CLUE-S模型中非空间模块一个重要内容，它对模拟结果极其关键，但模型本身缺乏对土地利用需求总量的预测功能。本研究对土地利用需求计算是基于Markov模型转移矩阵进行的模拟测算，但是真实的土地利用/土地覆被变化是一个极其复杂的系统，受到许多因素的影响，因此，对土地利用需求总量数据的准确获取，是LUCC模拟研究领域亟需解决的重点和难点问题，需要所有研究者的共同努力。就CLUE-S模型本身而言，它只能识别ASCII格式的文件，因此在进行模型的运行过程中，格式转换问题繁杂，容易出现数据处理错误，导致模型运行失败或模拟结果偏差。因此，对于模型今后的开发和应用，统一的文件格式处理功能是重要的发展方向。