龙 远,李 萍,唐月亮,段建南
(湖南农业大学 资源环境学院,湖南 长沙 410128)
城市的日益扩展成为中国当前和未来土地利用变化的主要特征[1]。自20世纪90年代中期以来,中国城镇化进程进入快速发展阶段,国家统计数据表明,1995~2017年,中国的城镇化率从29.04%上升到58.32%,平均每年提升1个百分点以上[2]。城市化率的大幅增长带来了城市扩张过于迅速、中心城区发展空间萎缩、土地资源供求矛盾日益尖锐、耕地补充难度逐年加大、人地矛盾日益严峻等问题,严重制约了城市的可持续发展[3]。《中华人民共和国国民经济和社会发展第十三个五年规划纲要》指出:要完善与区域发展战略相适应、与人口城镇化相匹配、与节约集约相协调的土地政策体系,强化差别化的土地政策,促进区域、城乡用地布局优化[4]。土地利用变化影响着国计民生和可持续发展,对未来土地利用变化规律的把握正变得越来越重要。
当前,国内外众多学者在土地利用优化模拟方面进行了众多研究,并获得了诸多成果。这些研究经历了从定性到定量、从静态到动态、从单目标到多目标的逐步升级。在方法运用上,元胞自动机(CA)模型、Clue-S模型、多智能体系统模型、Markov模型等得到了广泛应用,但是目前大部分模型是简单设定转换规则或单独训练各用地类型得到转移的概率,并没有在转换过程中建立起各土地类型间的联系,难以体现各用地类型间的竞争及相互影响[5]。黎夏等[6]提出了空间地理模拟与优化系统,将元胞自动机(CA)、多智能体系统以及生物智能整合在GeoSOS平台中,对复杂地理空间现状环境及变化过程进行了模拟和优化,解决了传统元胞自动机中确定转换规则及参数等复杂问题,能更精确地模拟在自然以及人类活动影响下的土地利用变化。其中,基于CA模型的FLUS(Future Land—Use Simulation)模型包含基于轮盘赌选择的自适应惯性竞争机制,能够有效地处理各种土地利用类型相互转换的不确定性和复杂性,为土地利用空间布局模拟的研究提供了新思路。
土地利用的变化反映了特定时空尺度下土地利用方式、开发强度、经济投入、政策导向等诸多因素的作用强度及其合理性[7]。它是由各种因素复合作用导致的,这些因素包括自然、社会、经济、政治等。通过客观、科学的方法对未来土地利用状况进行模拟,从而明确其变化、发展的规律,并进一步检验当前社会、经济政策对土地利用变化导向是否合理[8]。本研究运用FLUS模型,以基本农田保护区为限制因素,对未来长浏平丘陵区的土地利用状况进行模拟预测,为实现区域协调可持续发展提供有价值的参考,为土地利用管理提供新的视角。
长浏平丘陵区位于湖南省中东部偏北,湘江下游和长浏盆地(图1),东西长约230 km,南北宽约139 km,总面积约为15933 km2。截至2019年,长沙市土地面积11819.40 km2,其中市区面积2150.90 km2,建成区面积374.64 km2。长沙市辖芙蓉、天心、岳麓、开福、雨花、望城6区,以及长沙县、宁乡市及浏阳市。平江县土地面积为4114.42 km2,下辖5乡19镇。长浏平丘陵区境内地貌类型多样,地势起伏较大,东部以丘陵低山为主,东西两端山地环绕,中部渐趋低平,南部丘岗起伏,西部靠近雪峰山脉东端支脉,地形起伏偏大,中部是长衡丘陵盆地向洞庭湖平原过渡地带,地势逐级递降趋于平缓,湘江由南而北斜贯中部,湘江两岸形成地势低平的冲积平原。气候属亚热带季风性湿润气候,年平均气温为16.8 ℃,年降水量为1358.6 mm,由于位居长浏盆地内部,且距海较远,受冬夏季风转换、地势向北倾斜等因素的影响,主要气候特征为春寒频繁,降水集中,夏秋多旱,严寒期短,无霜期长,雾多,风小,温差大。
随着长浏平丘陵区域内城市化的快速发展,城市扩张过于迅速,中心城区发展空间萎缩,土地资源供求矛盾愈加尖锐,人地矛盾日益严峻,影响了长浏平丘陵区的可持续发展,因此,掌握该区域未来土地利用变化状况具有极其重要的现实意义。
图1 长浏平丘陵区位置示意图
本研究采用的2005、2015年土地利用现状数据来源于中科院资源环境数据云平台,根据长浏平丘陵区的土地利用特点,将土地利用类型划分为耕地、林地、草地、城市工矿居民用地、水域和未利用地6类。长浏平丘陵区各区县行政区划、道路数据、湖泊河流的空间分布数据和高程数据来源于地理国情监测云平台。社会经济数据来源于《湖南统计年鉴(2006)》和《湖南统计年鉴(2016)》。基本农田保护区的空间分布数据来源于《湖南省土地利用总体规划(2006~2020年)》。根据FLUS模型的需求,结合长浏平丘陵区的实际状况,在ArcGIS平台上将上述数据经过格式转换和投影变换制作成同一投影坐标系的栅格图层。
FLUS模型是基于系统动力学模型和元胞自动机模型而构建的,它将人工神经网络(ANN)算法和轮盘赌选择机制进行有机结合,提高了土地利用变化的模拟精度,能够有效处理自然、社会、经济等多种驱动因素的作用机理及各种土地利用类型相互转换的不确定性和复杂性[9]。FLUS模型采用多层前馈神经网络算法(BP-ANN)将一期土地利用数据中的各用地类型现状及筛选得到的自然、社会、经济等多类驱动因子协同整合,将不同用地类型与各驱动因子之间进行关联,最终得到各土地类型的适宜性分布概率图集。传统CA模型局限于非城市用地到城市用地的转变,限制了其模拟真实世界变化的能力,从两期土地利用分布数据中采样可能造成误差的传递[10]。为提高模拟精度,FLUS模型以传统的CA模型为基础,将基于轮盘赌选择的自适应惯性竞争机制引入其中,从而更好地解决了自然作用和人类活动作用下土地利用类型相互转化的不确定性和复杂性的问题[11]。
土地利用变化是一个由多影响因子交互驱动的非线性复杂过程[12]。本研究所采用FLUS模型是基于自然、社会、经济、政策等驱动因子的数据来模拟各土地类型在研究区内出现的概率及各自的空间分布状况。ANN是一种基于生物神经网络模拟的机器学习模型,通常用于模拟和计算变量较多的非线性函数,它可以通过大量学习与召回迭代来不断拟合输入数据和训练目标之间的复杂关系,从而保证生成更高适宜性的概率分布,建立起各土地类型出现的概率同驱动因子间的作用关系[13]。ANN是由输入层、隐藏层和输出层组成的,其中每个神经元,都分别对应CA中的一个变量,多层前馈网络神经算法公式为:
(1)
(2)
(3)
式中:sp(p,k,t)表示栅格p在时间t出现k土地类型的概率;wj,k是隐藏层和输出层之间的自适应权重;sigmoid[netj(p,t)]称为S型函数或S型生长曲线,是隐藏层同输出层的关联函数;netj(p,t)表示j输入层上的栅格p在t时间向神经元j发送的信号,即t时间第j类土地中的栅格p发生变化的强度;wi,j同wj,k均为自适应权重,其区别在于wi,j表示输入层和隐藏层之间的自适应权重关系;xi(p,t)是t时间变量i同输入层神经元i中栅格p的关系函数。
未来像元数量是指在未来给定的预测期限各用地类型所发生的最终变化数量。本研究使用马尔科夫链的方法来计算各用地类型未来像元数量的参数[14]。将2005和2015年的土地利用数据作为参考,通过马尔科夫链计算得出2025年各用地类型的像元数量,公式为:
St+1=Pij×St
(4)
式中:St和St+1分别表示t时刻和t+1时刻土地的状态;Pij是状态转移概率矩阵,表示i用地类型转移为j用地类型的概率。
FLUS模型中的关键部分是基于轮盘赌选择的自适应惯性竞争机制。它结合了邻域权重和转换规则,基于各用地类型的适宜性概率分布来实现对未来各土地类型像元总量空间分布的合理化配置,核心是自适应惯性,即每类土地的惯性系数由现有土地数量与土地需求之间的差异决定,并在迭代过程中进行自适应调整,从而使得各用地类型的数量向着预定目标发展,从而实现土地利用变化的模拟[15]。公式为:
(5)
(6)
(7)
土地利用变化是各类型土地自身理化条件和自然、社会、经济等内外因共同作用的结果[16]。土地利用变化受自然因素的影响具有一定的稳定性,各土地利用类型是在自然因素严格的限制条件下进行转变,而随着城市化的飞速发展,在受到社会、经济、政策等方面诸多因素的复合作用下,变化状况就更为复杂[17]。
根据长浏平丘陵区的实际情况以及相关数据获取的可行性,综合国内外相关研究中关于土地利用变化驱动因子的结论,选取以下12项土地利用变化驱动因子(表1)。
其中,地形条件作为自然因素决定着研究区土地利用的方向、方式以及变化趋势,所以选取了作为构成地形条件最为关键的高程、坡度和坡向作为表征自然因素的驱动因子。可达性通常对区域的土地利用变化具有很强的作用力,本研究主要选取各用地类型到高速公路、普通公路、铁路的距离,以及各用地类型到城镇中心和区域内各河流的距离,使用GIS平台的距离分析工具进行处理得到此数据。除此之外,还选择了研究区的地均GDP、地均财政支出、地均固定资产投资和人口密度等作为驱动因子来表征社会经济因素对土地利用变化的影响。
表1 土地利用变化驱动因子
在应用FLUS模型对未来土地利用变化进行情景模拟时,首先使用长浏平丘陵区2005年土地利用现状数据作为初始数据,将12个驱动力因子进行归一化处理,然后在训练样本的过程中采用均匀采样的策略,经过多次试验,决定提取栅格数据15%的像元作为训练样本,再使用BP-ANN模型计算得出每一种像元所代表的土地利用类型的适宜性概率,最后制作得出各用地类型分布的适宜性概率图集。为便于直观分析、判断各类土地的适宜性分布规律,将制作而成的适宜性概率图集按照对应的土地利用类型在单一波段下显示出来(图2)。在图中颜色越深的部分代表该用地类型在此区域分布的适宜性概率越低,颜色越浅就代表该用地类型在此区域分布的适宜性概率越高。
图2 各用地类型适宜性概率分布图
由图2可知,耕地的高适宜性区域主要集中在地势较为平坦,灌溉水源比较丰富的区域,在东部的山地丘陵区域适宜性最弱;与耕地相反,林地多位于丘陵及坡度较高的地区,联系实际情况可知这与各自的生长环境有关,草地和林地适宜性概率较高的区域多分布在人类干预行为较少的区域;草地与林地的高适宜性主要分布在地形起伏较大的山地丘陵区域,且在长浏平丘陵区的东部具有一部分的重合,大致呈条带状;城市工矿居民用地适宜性强的地区主要位于长浏平丘陵区的城市群建成区周边,多分布在地势平坦、交通便利、公共基础设施完善的区域,并必将在地区土地利用规划的限制条件下继续向外扩张,呈现集中连片的状态;水域的高适宜性区域主要分布在湘江及其支流以及现有水体的周边区域;由于长浏平丘陵区内部未利用地的分布范围比较少,所以适宜性概率的分布不是很明显,适宜性强的地方依旧集中在原有未利用地区域。总结研究区各土地类型的适宜性概率分布情况,高适宜性概率分布的区域大部分仍位于各用地类型原有分布的区域,且随着分布的扩散,其适宜性也在随之下降。
在FLUS模型中将2005年长浏平丘陵区的土地利用现状数据作为初始数据,导入各用地类型的适宜性概率图集和限制性因素,对模型参数进行设置,对2015年长浏平丘陵区进行模拟,并将其结果和2015年土地利用现状的真实数据进行对比验证(图3),验证结果见表2。
表2 FLUS模型验证系数
通过应用总体精度(OA)、FOM指数及Kappa指数来验证模型的有效性,OA和Kappa值通常介于0~1之间,数值越接近1,模型的仿真精度越高[18]。当Kappa≥0.75时,模型的仿真精度较高。当Kappa值在0.50~0.75之间时,模型的仿真精度一般[19]。本文采用了相比于Kappa系数能够更好地描述模拟准确性的FOM系数,理论上讲该参数值越大则证明模拟的效果越好,精度越高,但实践验证表明其结果大多在0.3以内[20]。模拟结果是驱动因子、参数、模拟算法等所有因子共同影响的结果,所以,结果的客观性和精度是对模型中使用的驱动因子、适宜性概率图集及其他参数设置是否合理的最好检验[21]。综合以上3个精度系数,表明FLUS模型适用于模拟本地区未来土地利用变化状况,且模拟结果比较好。
运用马尔科夫链算法,将2005、2015年两期土地利用现状数据进行计算,最后得到了土地利用类型综合转移概率矩阵(表3)。表3中行为原始土地利用类型,列为转移后的土地利用类型,该表反映了研究区10年间各类土地利用类型的总体变化情况。
图3 长浏平丘陵区2015年土地利用现状图(a)和土地利用模拟图(b)
由表3可知,变化最大的是耕地和城市工矿居民用地,转移为其他利用类型的概率分别是0.0838和0.0566,耕地转移为其他土地利用类型中,所占的比例由大到小依次为城市工矿居民用地、水域、林地、草地和未利用地,转移的耕地有80.69%的概率会成为城市工矿居民用地,说明在快速城市化的过程中,占用了大量的耕地进行城市的建设活动,2015年耕地面积约为2005年耕地面积的91.6%。其次是林地和草地,转移为其他土地利用类型的概率均小于0.04,表明长浏平丘陵区重视植被的修复与保护,没有大面积毁林毁草情况的发生。土地利用转移概率最小的是未利用地和水域,未利用地由于水土流失有可能被转化为水域,但减少幅度有限,部分水域也有可能被填埋改造成为陆地用于耕作和城市建设,总体而言,未利用地和水域的变化状况趋于稳定。
联系区域发展实际情况可知,长浏平丘陵区土地利用的变动情况较为剧烈,且后备耕地资源较少,在现有条件下补充耕地的潜力有限,望城区、长沙县、宁乡县、浏阳市、平江县的社会经济发展同样也面临着耕地补充任务重的问题。由此可见,整个研究区域的耕地保护情况都不容乐观,需要更加严格地控制耕地红线,科学规划城镇化发展,避免无序占用耕地,以保证耕地数量的稳定。
表3 2005~2015年长浏平丘陵区土地利用类型转移概率矩阵
基于长浏平丘陵区10年间的土地利用类型转移概率矩阵,可以进一步预测2025年各土地利用类型的像元数量,预测结果如表4所示。
表4 应用马尔科夫链算法预测不同土地利用类型像元个数
由表4分析可知,基于2015年的土地利用像元数,在无限制自由发展的情景下,到2025年耕地的像元数将下降6.6%,而城市工矿居民用地的像元数则会上升55.1%,结果表明:在缺乏土地规划和耕地保护政策的制约下将显著影响整个研究区的土地利用状况,土地利用结构将趋于失衡,耕地资源将迅速减少,城市发展也将呈现出臃肿无序的状态,综上说明了耕地保护政策的必要性以及模拟预测长浏平丘陵区的土地利用状况的重要性。
政府部门通过土地利用规划及出台相关政策的方式来调节和控制各用地类型的分布。基于人均耕地数量少的基本国情,我国一直实行严格的耕地保护制度,并依据“总量不减少、用途不改变、质量有提高、布局总体稳定”的方针划定各地区的基本农田保护区,对基本农田的保护是当前土地利用规划的重要目标[22]。基于此,本研究在通过阅读相关规划文件及实际走访之后,决定采用长浏平丘陵区的基本农田保护区(图4)作为土地利用模拟的限制发展区域。在FLUS模型中制作限制发展区域的数据时,将基本农田保护区的属性赋值为0,将非基本农田保护区的属性赋值为1,在模拟过程中,数值0表示该区域不允许土地类型发生转化,1 表示允许发生转化。
在使用上述适宜性概率分布及相应参数的基础上,通过自适应惯性竞争元胞自动机的循环迭代制作得出长浏平丘陵区2025年土地利用模拟图(图5)。
由图5可知:耕地保护情景下,基本农田保护区成为长浏平丘陵区耕地集中连片的重要区域,耕地的数量及空间的变动幅度比较小,稳定性也较强,而位于基本农田保护区外的其他耕地的数量及空间分布的变化则较为明显,耕地减少的区域主要集中在城市周边及近郊,大部分用于新建工矿居民城市工矿居民用地;城市工矿居民用地作为其中变化量最大的土地类型,用地规模增长迅速,由区域中部向东西两侧呈现明显的空间差异,中部呈现明显的城市土地利用特征,两侧呈现相对显著的农村土地利用特征,受地形等因素影响农村居民点布局较为零散;林地和草地主要分布在区域内的丘陵山区,在工矿居民用地集中的河谷平原分布较少,在整个研究区域内呈现出从中部到东西两端逐渐增加的布局;水域和未利用地的变动幅度比较微弱。
图5 长浏平丘陵区2025年土地利用模拟结果
由表5可知,由于耕地保护的情景设置,耕地像元数下降的比例缩小,由原来的6.6%下降为4.7%,耕地数量的减少得到了明显的抑制。工矿居民用地的像元数由55.1%的增长幅度下降为46.2%,由此可知,耕地保护政策的实行也对城市工矿居民用地的扩张具有重要影响。由于耕地保护情景对其他用地类型的影响较小,所以它们在模拟结果里的变化幅度比较微弱。
结合2005、2015和2025年各用地类型的像元数量以及各土地类型变化前后的分布格局发现,大部分土地利用变化发生在本区域中部海拔较低且地势相对平缓的区域,且主要表现为耕地、林地、草地向城市工矿居民用地的转变,由此可见,城市工矿居民用地的扩张极大地影响了区域土地的利用格局。比较过去10年间的土地利用状况可知,在划定基本农田保护区的限制性条件下,耕地得到了较为有效的保护,占用耕地的规模得到了有效的控制,因此也使得城市工矿居民用地的空间分布在一定程度上得到合理安排,协调了用地矛盾,研究区的土地利用逐步向节约、集约、科学和可持续迈进。未来要在保证城镇及重点建设项目用地的前提下,统筹兼顾,促进经济社会的发展。
表5 马尔科夫链与耕地保护情景下像元模拟结果对比
在耕地保护政策的影响下,到2025年,长浏平丘陵区的耕地数量呈小幅下降趋势,主要集中在非基本农田保护区,其耕地像元数约下降1.9%,但基本农田保护区内的耕地仍然具有面积优势,除此之外,耕地保护政策也使未来城市工矿居民用地的像元数的增长下降了8.9%,在一定程度上减缓了城市无序扩张的态势。人类的社会经济活动,特别是城市工矿居民用地的开发对耕地的数量及空间分布的变化具有显著影响,耕地适宜性概率高的区域同时也是被占用概率高的区域,耕地高适宜区域与城市中心及城郊区域在一定程度上重合,与占用林地和草地的难易程度进行对比,占用耕地的难度更低,所以建立并保护好基本农田保护区对稳定耕地的数量具有重要作用。在保护耕地的同时也需要兼顾城市的发展,要在合理可控的范围之内进行开发与建设,这就对城市规划提出了更高的要求。
本研究得出的土地利用模拟的结果大致符合未来土地利用发展的规律,也符合国家和本区域对各土地类型发展方向的基本判断,由此证明了FLUS模型是实现土地利用规划空间布局模拟的有效工具。
驱动因子作为影响土地扩张强度、导致土地利用变化的基础,它的合理性及代表性对模拟结果的精度有着重要的影响,也直接影响着各土地类型的适宜性概率分布。本研究主要考虑政府所划定的基本农田保护区的影响,对其他相关的决策因素考虑较少,还需要设置差异化情景,选择各自不同的驱动因素,同时将政府、企业及农户等土地利用主体的决策因素作为重点,从而实现区域政策、经济决策、人文环境等因素的空间化,进行更为科学全面的模拟。除此之外,为了保证模拟精度,对模型参数的设置、驱动因子的选择等方面还需要进一步研究与分析。
自然生态、社会经济、政府政策都是影响土地利用变化的重要因素,人口、资源环境承载力和地质状况等也是很重要的限制性条件,面对多个复杂因素的影响,FLUS模型在模拟结果的准确性方面仍然存在一定的局限。因此,应该探求更为科学的土地利用优化模拟方法,不断提高土地利用模拟的精度和效果。
在耕地保护情景下模拟得到的土地利用空间分布得到一定程度的合理安排,在一定程度上协调了用地矛盾,但值得注意的是在保持耕地数量稳定的同时,也要注意在转移过程中耕地质量变化以及农田生态安全等问题,这就要求对土地利用模拟进行更加深入和细致的研究,使土地利用向节约、集约、科学和可持续发展,达到人与自然和谐发展的目标。