基于地理加权CLUE-S模型的土地利用变化分区模拟

崔学森 刘轶伦 郭玉彬 黎世勇 胡月明 张飞扬 王璐

摘要：运用CLUE-S模型进行大范围的土地利用变化模拟具有其优越性，但是传统模型对于研究区内不同地理区域土地利用变化的自然人文驱动因子的差异缺乏考虑。针对大范围土地利用变化模拟存在的问题，在传统的CLUE-S模型的基础上，引入了空间分区的概念，使模拟过程中考虑了不同空间分区对驱动因子敏感性的差异，并用GWR-Logistics回归对研究区进行土地利用变化转换适宜性建模。以海南省多期土地利用现状分布图为基础，利用多个影响因子进行分区用地适宜性回归，并集成于CLUE-S模型进行模拟。通过对比发现，基于地理加权CLUE-S模型对于空间差异性显著的区域具有更好的适用性。

关键词：CLUE-S;分区模拟;土地利用/覆被变化;GWR-Logistic回归

中图分类号： F323.211 文献标志码： A

文章编号：1002-1302（2019）20-0287-06

土地利用/覆被变化（land use/cover change，简称LUCC）的研究内容包含了土地利用和土地覆被变化过程、驱动机制以及资源、生态和环境效应影响等诸多方面。土地利用变化模拟是LUCC的核心内容之一[1]。近年来，大区域的土地利用变化模拟受到了更多的关注[2]，如何考虑区域空间差异并提高模拟质量成为了在大区域模拟过程中需要考虑的核心问题。

根据近年来学者在土地利用变化的驱动力、结构、模式的研究来看，由于受区位条件、自然条件与行政等级分异等因素的影响，土地利用变化是存在区域分异的，且具有时序性的特点[3-5]。土地利用模拟已有分区模拟的探索与应用，如杨俊等基于局部土地利用竞争的CA-Markov模型进行土地利用变化模拟[6];柯新利等论证了基于空间聚类的分区元胞自动机比不分区具有更高的精度[7]。CLUE-S模型在大范围区域的土地利用变化情景模拟具有先天优势[1]，近年来对CLUE-S模型的改进更多地集中在计算用地需求的模型[8-11]与驱动力回归算法[12]上，而对影响土地利用类型空间分布的驱动因子区域分异问题的研究仍在初步探索阶段。吴桂平等在驱动因子的回归计算中引入了空间自相关变量[13]，但其反映的空间关系仍停留在微观层面，忽略了区域上的空间差异，例如对于海南省的中部山地区与沿海经济带则难以用统一的回归方程解释各驱动因子与土地利用变化的关系。因此，有必要在建立土地适宜性回归方程的过程中考虑驱动因子在不同分区之间的差异，并探索不同的空间分区模拟方式情景下CLUE-S的适用性。

CLUE-S模型一般包括自上而下的宏观控制与自下而上的微观规则2个方面[14]。但是在这种CLUE-S模型的运行机制下，对区域尺度上的空间差异则较少考虑。从其模拟过程来看，CLUE-S模型注重从宏观全局的角度进行土地利用变化模拟，并认为研究区域具有同质性，这与地理区域在自然与人文各因素在客观上具有空间差异性是相矛盾的，驱动因子在不同空间分区上对土地利用变化的影响是不一样的，而用统一的驱动力回归方程驱动具有空间差异性的土地利用变化过程，降低了模拟的准确性。地理加权回归（geographically weighted regression，简称GWR）模型允许局部的参数进行函数拟合[15]，利用GWR模型集成具有不同区域特征的用地适宜性方程可以使模型更好地解决驱动因子的空间异质性问题。因此需要在原有的土地利用变化模拟模型的基础上引入空间分区的概念，以适用于模拟具有宏观空间分区差异的区域。

本研究在利用CLUE-S模型进行土地利用变化模拟的基础上，加入了GWR-Logistics回归模型以适应不同空间差异的分区模拟。以海南省为例，因其自然条件与经济发展情况具有较为明显的区域分布特征，通过分析驱动因子的分布特征进行区域划分。在海南省2009年、2012年、2015年土地利用类型现状数据的基础上，对沿海经济带、环形台地带、中部山地区3个区域建立不同的驱动力回归方程，并通过地理加权集成到CLUE-S模拟的过程中，最后探讨了CLUE-S模型在不同的模拟情景之间的优劣。

1 模型与方法

1.1 CLUE-S模型

CLUE-S模型是荷兰瓦赫宁根大学“土地利用与变化”研究小组在CLUE模型的基础上开发的。CLUE-S模型是一种未来用地变化及其空间分布的多情景的、动态的、区域性的小尺度分析预测模型。基于系统论的方法，CLUE-S模型利用社会经济与自然资源的驱动因子来分析用地变化。该模型还提出土地利用系统中的分层结构、位置与定义用地类型转换弹性的一系列变量所影响的稳定性之前的空间关系[16]。

CLUE-S分为土地需求模块与土地利用变化空间分配模块2个部分。土地需求模块从宏观的角度上计算研究区内由土地需求驱动因素导致的土地利用类型数量的变化，或者计算设定不同情景条件的土地需求。土地利用变化空间分配模块则把土地需求模块计算出的土地需求结果分配到研究区的空间位置上，达到空间模拟的目的[17]。一般土地利用变化空间分配模块的第一步是借助外部模型计算出土地利用适宜性回归方程，最常用的模型是二元Logistics回归模型：

利用得到的回归方程计算模拟年份在不同土地利用类型上的土地适宜性分布概率，再计算栅格在迭代过程中一定搜索半径中不同土地类型出现的频率，從而得到各栅格的邻域影响值。最后综合由土地适宜性、预定义的转换弹性与邻域影响3个因素计算得到的总体转换概率进行空间配置，并通过迭代计算使模拟土地数量符合土地需求为止[18]，其核心公式为

式中：TPROPi，u表示栅格i对u土地类型的总体转换概率;Pi，u表示栅格i对u土地类型的土地适宜性，其值越接近1表示出现u土地类型的概率越大;ELASu表示u土地类型的转换弹性，越接近0表示转换耗费越低，反之越高;Ni，u表示栅格i对u土地类型的邻域适宜性，其反映了i栅格被周围u土地类型同化程度的高低;ITERu表示迭代变量，在每一次迭代中，当u土地类型总量与土地需求不符则自动改变并进入下一轮空间配置。

1.2 基于CLUE-S的分区模拟

本研究在CLUE-S模型的基础上，对研究区进行区域划分。针对不同的区域分别进行土地利用变化驱动力的回归分析，使驱动因子与土地利用变化的关系由全区域变为分区各自的驱动力方程，减少了不同分区合并而造成的方程特征模糊。根据各组驱动力回归方程计算整个研究区的用地适宜性概率，该组土地适宜性概率包含了不同分区的发展特征，考虑到不同的土地适宜性对不同分区的解析程度不一致且具有空间上连续衰减的特点，再引入地理加权的方法将分区适宜性合并输入到CLUE-S模型进行模拟。

1.2.1 GWR-Logistics回归

Logistics回归是一种计算各个土地利用类型在空间上分布的概率的常用方法，反映不同土地利用受驱动因子影响在空间上的适宜性。在分区模拟的思路下，对不同分区分别将回归因子与土地利用现状数据输入到SPSS中的二元Logistics逐步回归，得到反映不同区域土地利用特征的回归方程，并推测出分区适宜性概率。根据研究区的空间分布特征，构建反映区域局部特征的地理加权因子，将分区适宜性概率加权叠加得到总体土地适宜性。

1.2.2 土地需求计算

一般情况下土地需求计算依赖于外部模型来完成，本研究使用操作性较强的曲线拟合方式来预测不同土地利用类型的土地需求数量。曲线拟合的方法使用最小二乘法，拟合曲线类型使用二次函数。

1.2.3 邻域分析

传统的CLUE-S模型所采用的二元Logistics逐步回归方法往往忽略了空间数据内部具有自相关性，为了弥补这一缺陷，参考CA元胞自动机定义转换规则的方法[19]，在原有的CLUE-S模型的基础上，引入了邻域约束作为空间配置的一个因子。邻域类型包括von Neumann邻域和Moore邻域，为了方便运算，采用3×3Moore邻域窗口针对每一种土地利用类型建立邻域约束，若中心元胞的约束邻域内存在的土地利用类型越多，则其值越高，表示受该土地利用类型的影响程度越高。

1.2.4 转换弹性

传统的CLUE-S模型多根据经验来定义土地利用类型之间的转换弹性矩阵，其取值越低表示土地类型转换的概率越低，反之越高。这种方法受主观影响较大，并且需要在模型检验中不断调试。本研究参考了Markov链模型的思路，认为当前一年的土地利用状况受前一年的土地利用状况影响，用1年作为步长，以历年土地利用类型的数量作为状态序列，计算不同相邻状态的转换概率并构建土地利用转移矩阵。该矩阵取能反映历史土地利用类型之间的转移概率，再取倒数用于表示土地利用类型之间的转换弹性。

2 模型应用与验证

2.1 研究区概况

海南省是我国最南端的一个岛屿，全省陆地总面积3.5万km2，自2010年提出建设国际旅游岛以来经历了快速城镇化的过程，土地利用方式与模式也随着经济的发展而改变。海南省先天性具有自然条件与社会经济条件相对独立的特点，受周边地区影响较少，另一方面，海南省又存在着环形的分层结构，沿海地区经济与发展均优于中部山区，而农田与植被覆盖也存在以中部山区向外辐射减少的趋势。自从2010年国务院下发《国务院关于推进海南国际旅游岛建设发展的若干意见》以来，海南省在保护生态环境及基本农田的基础上，大力扶持开发多种旅游资源。因此，需要结合海南省各区域特点来合理地制定发展规划方案。

2.2 数据源及预处理

本研究所需数据包括3期土地利用现状数据及6个驱动因子数据，数据均由海南省国土资源厅信息中心提供。将海南省2009年、2012年、2015年的第2次土地调查及变更调查图件数据归并为5种土地利用类型（表1）。在保证计算效率的前提下，确定数据源的空间分辨率为500 m×500 m。

土地利用变化一般受自然资源条件与社会经济条件2类因素影响（表2）。其中自然资源因子包括植被、水体、农业适宜性3种指数，社会经济因子选取了县城中心、高速公路、省道3种要素并通过ArcGIS通过距离制图得到。

空间自相关反映的是一块区域中某种现象与邻近区域单元上同一现象的相关程度，而某个驱动因子的值在同一区域对同一土地利用类型呈现出区域性的空间自相关行为。利用ArcGIS通过Getis-Ord Gi*统计方法[20]对6个驱动因子进行热点分析，发现其聚集现象存在不同程度的环形结构（图 1-a），结合叠加分析各驱动因子得到的聚集趋势进行空间分区，可将研究区分为沿海经济带、环形台地带、中部山地区3个区域（图1-b）。

2.3 参数设置

通过对研究区的2009年、2012年、2015年的土地利用数量进行二次方程的曲线拟合，计算出2015年、2020年、2025年的土地需求（表3）。以历史土地利用转换情况为基础，构建Markov链模型，得到土地转移弹性矩阵（表4，水体设定为不允许转换）。由于研究区具有近似环形的分区结构，可以利用距中心点衰减、增强及两者叠加的方式构建出近似环形的权重文件[w1，w2，w3]，其中wx的取值为[0，1]，将不同分区回归预测结果分别与[w1，w2，w3]加权求和得到总体土地适宜性（图2）。以生态保护红线作为限制区域。将土地需求、转移弹性、土地适宜性与限制区域输入到CLUE-S模型中，模拟不分区、分区模拟及分区集成3种情况下的土地利用分布。

分区Logistics回归示意如图2所示，fi（xi，1，xi，2，…，xi，m）表示第i个分区由m个驱动因子得到的回归方程，Pi，u表示柵格i对u土地类型的土地适宜性，[w1，w2，…，wi]表示地理加权因子。

2.4 结果与检验

将3个分区下的5种土地利用类型与6个驱动因子栅格数据转换成文本文件，根据分区二元Logistics逐步回归建模方法计算不同区域特征的回归方程（表5） 其中“—”表示被剔除的因子。对回归方程使用ROC曲线检验，该值越大，说明回归方程的拟合精度越高，通常认为ROC值大于0.7时，所选的驱动因子具有良好的解释能力。运用Python语言编写GWR集成工具集成用地适宜性概率，将该概率值与其他参数输入到JAVA编写的CLUE-S模型模拟工具，输出2种模拟方式的结果并与2015年的真实值进行对比（图3）。

由3个分区的Logistics回归系数（表5）对比发现，在ROC检验效果总体表现良好的情况下，不同区域的回归系数具有较大的区别，尤其是自然资源因子区别更明显，说明其回归方程的共线性较低。

从图3中海口局部的模拟结果对比发现，集成CLUE-S模拟方法与传统CLUE-S方法的土地利用分布形态均与2015年现状分布类似，但是传统方法表现出同质化现象更严重，说明土地适宜性回归方程对土地利用类型变化的解释性比邻域模块弱，而集成CLUE-S模拟方法考虑了3个区域之间驱动因子的空间差异，分区域计算Logistics回归方程再耦合到整个研究区，因此能更合理地解释土地利用变化情况。

为了进行模拟结果检验，本研究同时使用传统模型及改进的CLUE-S模型进行控制性试验：按照传统的CLUE-S模型进行模拟（以下简称传统模型）;在3个区域中分别使用传统的CLUE-S模型进行模拟（以下简称分区模型）;在分区进行Logistic回归的基础上，利用GWR集成的 CLUE-S模型进行模拟（以下简称分区集成模型）。

2.4.1 模拟准确性检验

将2015年模拟结果与研究区同一年份的实际土地利用状况进行叠加分析，比较分区集成前后模拟的准确率。通过对比发现，对比传统CLUE-S模拟的结果，除了农田的正确率降低了，其他的土地利用类型正确率均有所提高，而对比分区模型（均值），只有旅游用地的正确率降低了（表6）。

2.4.2 Kappa检验

1960年Cohen提出用Kappa值作为评价判断的一致性的指标[21]，而实践证明它是一个描述一致性较为理想的指标。其中Kappa值由下式算得：

通过表7可知，分区集成比不进行空间分区及单纯分区模拟的Kappa值都要高，模拟结果更为理想。

2.4.3 Moran's I检验

Moran's I指数可以用于衡量地图数据的空间格局及分布，其绝对值越大说明空间相关性越明显，当值为0时表示空间呈随机分布。用该指数检验了分区集成与传统CLUE-S方法，基于分区集成的CLUE-S模型所模拟的结果的Moran's I指数值更接近于实际情况的2015年土地利用分布情况（表8），因此，使用分区集成的方式更符合实际情况。

3 结论与讨论

本研究针对以往对中-大范围区域的土地利用模拟研究中缺乏考虑区域差异的问题，在传统CLUE-S模型的基础上引入Logistics回归模型，试验结果表明其更能反映土地利用在空间上的区域差异，增强了模型对区域差异明显的研究区的适用性和模拟的精度。

本研究利用2009年海南省土地利用数据模拟未来的土地利用情况，对比分析了传统的CLUE-S模型与分区模拟的CLUE-S模型，分区集成的CLUE-S模型均有更理想的结果，说明不同区域条件下土地适宜性受驱动因子的影响程度有所区别，在进行土地利用变化模拟的过程中应充分考虑驱动因子方程在不同区域的差异。

另一方面，本研究从探索区域间不同要素间自然与人文差异的角度出发，在土地利用变化模拟过程中先对不同区域的驱动因子回归方程进行拟合，结合研究区的区域特征利用地理加权回归模型对各区域的土地适宜方程集成到CLUE-S模型中。由于该分区集成模拟过程中侧重考虑了不同区域的空间分布状态，因此对于区域间各要素差异越大并且区域空间分布规律性越强的案例，具有较好的模拟效果。而区域的划定方法与回归方程的集成方法对模拟结果是否有影响以及影响的程度则是需要进一步研究。

参考文献：

[1]后立胜，蔡运龙. 土地利用/覆被变化研究的实质分析与进展评述[J]. 地理科学进展，2004，23（6）：96-104.

[2]王海军，夏 畅，刘小平，等. 大尺度和精细化城市扩展CA的理论与方法探讨[J]. 地理与地理信息科学，2016，32（5）：1-8.

[3]甘 静，郭付友，陈 才，等. 2000年以来东北地区城市化空间分异的时空演变分析[J]. 地理科学，2015，35（5）：565-574.

[4]徐 霞，王静爱，朱玉洁，等. 内蒙古中部地区土地利用變化区域差异分析[J]. 北京师范大学学报（自然科学版），2006，42（3）：310-314.

[5]徐嘉兴，王继尧，梁 涛，等. 近18年太湖流域土地利用变化及区域差异分析[J]. 地理空间信息，2009，7（4）：48-51.

[6]杨 俊，解 鹏，席建超，等. 基于元胞自动机模型的土地利用变化模拟——以大连经济技术开发区为例[J]. 地理学报，2015，70（3）：461-475.

[7]柯新利，邓祥征，陈 勇. 元胞空间分区及其对GeoCA模型模拟精度的影响[J]. 遥感学报，2011，15（3）：512-523.

[8]梁友嘉，徐中民，钟方雷. 基于SD和CLUE-S模型的张掖市甘州区土地利用情景分析[J]. 地理研究，2011，30（3）：564-576.

[9]Luo G P，Yin C Y，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]. Ecological Complexity，2010，7（2）：198-207.

[10]陆汝成，黄贤金，左天惠，等. 基于CLUE-S和Markov复合模型的土地利用情景模拟研究——以江苏省环太湖地区为例[J]. 地理科学，2009，29（4）：577-581.

[11]严 冬，李爱农，南 希，等. 基于Dyna-CLUE改进模型和SD模型耦合的山区城镇用地情景模拟研究——以岷江上游地区为例[J]. 地球信息科学学报，2016，18（4）：514-525.

[12]Jiang W G，Chen Z，Lei X，et al. Simulating urban land use change by incorporating an autologistic regression model into a CLUE-Smodel[J]. Journal of Geographical Sciences，2015，25（7）：836-850.

[13]吴桂平，曾永年，冯学智，等. CLUE-S模型的改进与土地利用变化动态模拟——以张家界市永定区为例[J]. 地理研究，2010，29（3）：460-470.

[14]吴健生，冯 喆，高 阳，等. CLUE-S模型应用进展与改进研究[J]. 地理科学进展，2012，31（1）：3-10.

[15]邵一希，李满春，陈振杰，等. 地理加权回归在区域土地利用格局模拟中的应用-以常州市孟河镇为例[J]. 地理科学，2010，30（1）：92-97.

[16]Verburg P H，Soepboer W，Veldkamp A，et al. Modeling the spatial dynamics of regional land use：the CLUE-S model[J]. Environmental Management，2002，30（3）：391-405.

[17]王丽艳，张学儒，张 华，等. CLUE-S模型原理与结构及其应用进展[J]. 地理与地理信息科学，2010，26（3）：73-77.

[18]许小亮，李 鑫，肖长江，等. 基于CLUE-S模型的不同情景下区域土地利用布局优化[J]. 生态学报，2016，36（17）：5401-5410.

[19]杨 俊，张永恒，葛全勝，等. 基于GA-MCE算法的不规则邻域CA土地利用模拟[J]. 地理研究，2016，35（7）：1288-1300.

[20]Ord K，Getis A. Local spatial autocorrelation statistics：distributional issues and an application[J]. Geographical Analysis，2010，27（4）：286-306.

[21]Cohen J A. A coefficient of agreement for nominal scales[J]. Educational & Psychological Measurement，1960，20（1）：37-46.