杭州市大江东产业集聚区土地利用过程模拟研究

顾春墚，潘骁骏，何大金，陈 燕，范津津，胡潭高

(1. 浙江省测绘科学技术研究院，浙江 杭州 311100； 2. 杭州师范大学遥感与地球科学研究院，浙江 杭州 311121；3. 浙江省城市湿地与区域变化研究重点实验室，浙江 杭州 311121)

0 引言

城市化已经成为人类社会发展的必然趋势，随着改革开放的不断深入，中国社会正在经历前所未有的社会转型和快速城市化[1].已有研究表明，各类科技新城以及产业集聚区已经成为目前中国城市化进程中最引人注目和最具有活力的地区[2].如何建设人与自然和谐共处的生态环境是产业集聚区需要攻克的重要课题，也是当前其他快速城市化地区面临的共性问题.

例如，天津滨海新区自1994年成立以来，当地经济建设取得快速增长，建成区内的土地利用格局则发生显著改变[3].与此类似，浦东新区的大力开发使得耕地等其他用地被大量转化成建设用地[4].快速城市化使得不渗水的水泥道路和建筑物材料取代了天然的土壤与植被，改变了地表与地下水径流、蒸发与空气湿度结构和地表反照率分布，并使热传导和热容量变大，形成了城市特殊的大气-土壤-水文动态平衡特征和地表辐射平衡特征[5]，同时也带来了以城市热环境恶化为代表特征的城市区域生态安全问题，日益威胁着我国城市社会经济的持续协调发展[6].因此，认识和理解快速城市化地区，尤其是产业集聚区内的土地利用格局变化特征，对于实现城市可持续发展具有重要意义.

近年来，随着复杂系统理论的发展，空间系统的复杂性研究逐渐成为地理学研究的一个前沿领域[7].元胞自动机(Cellular Automata，CA)、Markov、CA-Markov和CLUE-S(Conversion of Land Use and its Effects at Small Region Extent，CLUE-S)等土地利用过程演变模型在地理学中的应用也受到广泛重视，上述模型在土地利用变化驱动机制和演变分析、土地利用变化生态效应评估和土地利用规划决策分析等方面起着重要作用[8].CA模型在模拟空间复杂系统的时空演变方面具有很强的能力，但是无法预测土地利用的数量变化[9-10].Markov模型是一种统计模型，主要侧重于模拟土地利用的数量变化，但是难以预测土地利用的空间变化[11-12].CA-Markov模型则综合了CA和Markov模型的各自优势，在土地利用模拟预测研究中被广泛应用[13-16].CLUE-S模型不仅能够有效模拟土地利用数量和空间变化，而且通过对土地利用变化与其社会、经济及自然环境等驱动因子之间的定量分析，将上述因子体现在模拟预测过程中，有效提高了土地利用变化过程模拟的灵活性和精度[17-20].CLUMondo模型是CLUE-S模型的最新发展成果，与CLUE-S模型相比，CLUMondo模型操作更加简便，在数量、空间、驱动力、运算速度等方面都得到了进一步提升[21].

因此，本研究选取人与自然互动活跃、土地利用过程演替频繁、城市化进程快速的杭州大江东产业集聚区为研究对象，在历史土地利用动态变化监测结果基础上，利用CLUMondo模型，模拟研究区不同发展模式(自然增长、经济建设、耕地资源保护)下未来土地利用情景，进而分析杭州大江东产业集聚区土地利用过程演变规律，从而为大江东产业集聚区的可持续发展和生态风险防范提供理论依据.

1 研究区与数据

1.1 研究区概况

杭州大江东产业集聚区地处杭州市区东部、钱塘江下游、京杭大运河南端，地理中心坐标为(30°20′3″N，120°38′15″E)，是杭州城市发展的战略地带和快速城市化地区.研究区由海域、海岸带区域、内陆区域3部分组成，总面积为427 km2(图1)[22].2010年，杭州市政府为着力推动杭州大江东地区的快速发展设立了大江东产业集聚区，至此人口大量涌入，社会经济迅速发展，该地区快速进入城市化阶段；2019年4月，浙江省政府将大江东产业集聚区与北部的杭州经济技术开发区合并成立“钱塘新区”，有效促进了大江东地区快速高质量的发展.受到频繁且剧烈的人类活动和建设开发影响，研究区内建设用地面积逐年递增，耕地、林地、水域等类型呈现显著减少.研究并模拟杭州大江东产业集聚区未来发展趋势，可为自然资源的合理开发，生态环境的可持续发展和政府的科学决策等提供理论依据.

图1 研究区概况Fig.1 Study area

1.2 数据

1.2.1 Landsat卫星影像

Landsat系列卫星具有地表变化连续记录时间长、空间分辨率相对较高、免费开放等优势，被广泛应用于长时间序列的土地利用动态监测[23-26]中.因此，本研究选择Landsat卫星影像作为数据源(地理空间数据云，http://www.gscloud.cn).在研究区土地利用分布特征的基础上，结合研究区所有Landsat卫星存档影像数据分析，根据土地利用模型情景输入数据要求，确定2018年为基准年，并以间隔5年的时间尺度进行影像选取，依次选择2003、2008、2013、2018等年份组成遥感影像数据集，开展研究区土地利用空间变化分析.在影像选取过程中还要充分考虑影像时相以及云量的问题，选取原则：影像季节相近、云量较少等.根据上述要求，本文共选取2003年1月、2008年2月、2013年4月和2018年2月4期符合需求的遥感影像，参数如表1所示.

表1 遥感影像相关参数Tab.1 Related parameters of remote sensing image

1.2.2 数据预处理

首先，对遥感影像进行云量和清晰度的检查；然后，对影像进行辐射定标、大气校正、波段叠加和几何纠正等处理；最后，根据研究区范围对4期遥感影像分别进行裁切，得到4幅覆盖完整研究区的标准化Landsat影像.

2 方法

2.1 技术路线

首先，利用监督分类和分类后处理等方法，提取研究区2003年、2008年、2013年和2018年4期土地利用空间分布图，并利用同时期Google高分影像对分类结果进行精度评价[27]；然后，利用GIS空间分析方法和基础地理数据提取相应的驱动因子，构建CLUMondo模型，并对模型参数进行验证；最后，通过设置不同情景，模拟大江东产业集聚区2030年的土地利用过程.具体流程如图2所示.

图2 技术路线图Fig.2 Technology roadmap

2.2 历史土地利用过程提取

2.2.1 历史土地利用分类

本研究在参考已有研究成果以及大江东土地实际利用情况将大江东产业集聚区的土地利用类型分为建设用地、林地、耕地、水域和未利用地[28-29].通过监督分类方法和人工目视解译等方法对2003年、2008年、2013年、2018年4期遥感影像进行分类，得到研究区4期土地利用空间分布图.

2.2.2 分类结果精度评价

选取相近时期的Google高分辨率影像作为真实影像，在影像上随机分布抽样点，并将分类结果与其进行比较，通过计算混淆矩阵，选取总体精度和Kappa系数等指标，对2003年、2008年、2013年和2018年的4期分类结果分别进行精度评价.

2.3 土地利用过程模拟模型构建与验证

2.3.1 模型构建

CLUMondo模型能够基于驱动因子的位置特征模拟区域土地覆盖变化情况和土地利用强度的变化情况[30-31]，其土地利用变化分配主要受空间政策和限制、土地利用类型特定转换设置、土地利用需求和位置适宜性这4类驱动因子影响.

根据CLUMondo建模需求，利用GIS空间分析方法，依次制作和输入以下模型参数：(1)模拟初始栅格图；(2)空间政策和限制区域；(3)转换弹性系数和转换矩阵；(4)驱动因子选择；(5)面积需求量计算；(6)空间分配.

(1)模拟初始图.本研究以2013年为模拟年份初始图.将模拟初始年份的土地利用类型依次赋为建设用地=1、未利用地=2、水域=3、林地=4、耕地=5.

(2)空间政策和限制区域：在研究区内没有特殊的限制性土地，因此，在模型中不设定限制区域.

(3)转换弹性系数和转换矩阵：转换弹性系数表示某种土地利用类型转换为其他类型的难易程度，范围一般从0(容易转换)到1(不易转换).转换矩阵则表示从t时刻向t+1时刻不同土地利用类型间的转换规则，1表示允许转换，0表示限制转换.研究中各种土地利用类型的系数需要根据精度评价结果以及不同情景进行修改和设置.

(4)驱动因子选取：本研究主要选取了7个驱动因子：地形因子(高程、坡度、坡向)和距离因子(到城镇、海域、河流、道路的距离)，各距离因子通过GIS空间分析方法计算等到.

(5)土地利用类型面积需求量计算：土地利用需求需要满足所有土地利用总需求的限定而限制模拟.CLUMondo模型提供了独立计算模块，可以根据不同的案例研究和场景来计算，常用利用历史趋势外推法求解土地利用需求.

(6)空间分配：在特定时刻某区域内对特定土地利用类型有最高优先权的地方，土地利用转化最容易发生.而一个地点的优先权由多个因素决定，其具体计算公式如下：

Rki=C+akX1i+bkX2i+……

(1)

式中，Rki是区域i作为土地利用类型k的优先权，C是一个常数，X1,2,…是区域i的生物物理学和社会经济学特性，而ak和bk是这些特性对土地利用类型k优先权的相对影响.参数Rki是作为研究区内土地利用类型能否转变的响应，是一个概率值，无法通过观察或测量直接得到.这些概率和研究区外的驱动因子联系在一起的函数，可以用下列的分对数模型来表示：

(2)

2.3.2 模型验证

首先，以2013年的土地利用结果图为初始模拟年份图，运行CLUMondo模型，模拟得到2018年的土地利用空间分布图；然后，以2018年的土地利用分类结果图为参考结果，计算模拟结果的总体精度和Kappa系数，完成精度评价；最后，通过不断调整相关参数，直至精度达到规定要求，将CLUMondo模型运用于2030年的大江东产业集聚区土地利用情景模拟.

2.4 多情景设置

情景设置目的在于分析杭州大江东产业集聚区在不同条件的影响下，各种土地利用类型未来演变趋势.针对研究区现状以及历史发展趋势，综合考虑政府规划及未来经济社会发展战略，设置自然增长、经济建设、耕地资源保护这3种未来发展情景.通过增加约束性条件、定义转换矩阵以及转换阻力系数实现不同情景的模拟.

(1)自然增长情景.自然增长情景是指研究区在未来十几年不发生突发性自然灾害，如干旱、洪涝等，同时也不受到外界因素的强烈干扰，研究区内各种土地利用类型的未来转化和发展趋势同2013年—2018年一致，根据该发展趋势，对2030年的土地利用类型进行模拟.(2)经济建设情景.为了使杭州大江东地区实现“创建一流省级产业集聚区”目标，加速推动城市化进程，保持经济高速增长，需要增加建设用地的面积，在此情形下，设定各地物的转换阻力系数均减少10%[26]，同时将转换矩阵中各地物类型向建设用地的转出值设为1，其他设置均保持不变.(3)耕地资源保护情景.本研究中，耕地是研究区内重要的自然资源，是农业生产的重要基础，随着大江东产业集聚区城市化进程的加快和人口的增加，人们对粮食的需求也持续增长，对耕地资源的保护有助于保障当地人民的粮食需求.在此情景下，将耕地的转换阻力系数设置为1，其他地物类型的转换阻力保持不变；同时将转换矩阵中耕地的转出设为0.

3 结果与讨论

3.1 结果与分析

3.1.1 研究区土地利用分类结果与分析

2003、2008、2013、2018年4期遥感影像分类结果如图3所示，其各类地物面积统计结果如表2所示.从图3和表2可以看出，自2003年至2018年，杭州大江东地区的土地利用类型发生了较大的变化.其中，建设用地面积呈现逐年增加的趋势，平均面积每年增加517.416 hm2；而林地、水域和未利用地的面积呈现出逐年下降的趋势，其中林地面积减少了1 229.58 hm2，水域面积减少了5 327.55 hm2，未利用地面积减少了1 734.3 hm2；从表2中可以看出目前研究区内主要的土地利用类型是耕地.

建设用地面积不断增加，主要增长原因为在建筑与耕地和未利用地的相交地带，耕地和未利用地受边缘效应影响具有较大的不稳定性，极易转化为建设用地，且由于建设用地从各种土地利用类型中均有转入，并几乎不向其他土地利用类型转变，故其面积不断增加.同时，一些水域由于人类活动转变成耕地，使得耕地面积不断增长.

图3 2003年、2008年、2013年、2018年4期土地利用分类结果Fig.3 Classification results of the year of 2003,2008,2013 and 2018

表2 杭州大江东产业集聚区4期土地利用分类结果面积统计Tab.2 The area statistics of land use classification results of four scenes in study area /hm2

3.1.2 土地利用情景模拟结果与分析

图4 2030年不同情景下土地利用空间模拟分布图Fig.4 Spatial simulated distribution map of land use under different scenarios in 2030

图5 2030年不同情景模拟结果面积对比图Fig.5 Comparison of simulation results in different scenarios in 2030

对比2030年3种情景下的土地利用空间模拟分布图(图4)和不同情景下的模拟结果面积对比图(图5)，可以发现在不同发展情景下，研究区在2030年将会呈现以下特点.

水域面积在3个情景中均保持基本不变的状态；未利用地和林地面积在各情景中均呈现下降趋势，其中，在经济建设情景下未利用地面积为0，这是因为未利用地发生了转化，并主要转化为耕地和建设用地，使得在该情景下的建设用地面积和耕地面积均有所增长；耕地面积在自然增长情景下呈现下降趋势，而在其他情景下为上升趋势；建设用地在各情景下均呈现上升趋势，且其在经济建设情景中上升的速率最快，这是因为建设用地从未利用地、耕地和林地中均有流入，且几乎不向其他类型转变.

3.2 精度评价

3.2.1 分类结果精度评价

将2003年、2008年、2013年和2018年分类结果与相近时期的Google高分辨率影像进行对比验证.将Google高分辨率影像作为真实影像，通过在影像上随机分布抽样点，并将分类结果与其进行比较，既而生成混淆矩阵，以总体精度和Kappa系数等作为精度评价的指标，对2003年、2008年、2013年和2018年分类结果进行精度评价.结果显示，各个时期的土地利用分类结果的总体精度和Kappa系数均在80%以上.2003年分类结果的总体精度为84.81%，Kappa系数为0.81；2008年分类结果的总体精度为85.41%，Kappa系数为0.82；2013年分类结果的总体精度为87.50%，Kappa系数为0.84；2018年分类结果的总体精度为87.78%，Kappa系数为0.85.

3.2.2 模拟结果精度验证

首先以2013年的土地利用结果图为初始模拟年份图，运行CLUMondo模型，模拟得到2018年的土地利用结果图，再以2018年的实际土地利用分类结果图进行验证，结果显示模拟总体精度为84.01%，Kappa系数为0.6504.因此可以将CLUMondo模型运用于2030年的大江东产业集聚区土地利用情景的模拟，精度较高，模拟结果可信.

3.3 讨论

3.3.1 大江东产业集聚区土地利用空间变化分析

从建设用地和植被的历史土地利用空间变化情况可知(图6)，研究区内建设用地面积正在逐年增加，植被面积在逐年减少，其变化的主要特点为：建设用地逐渐朝城市中、西部进行扩张；植被减少的范围主要集中在城市的中、西部地区，而其在研究区内表现为随机增长.比较上述两种地物的土地利用变化的空间格局可以发现，研究区内主要发生着植被向建设用地转换的过程.

图6 研究区内典型地物土地利用空间变化情况(2003—2008年、2008—2013年、2013—2018年)Fig.6 Spatial change of land use of typical features in the study area (2003-2008,2008-2013,2013-2018)

3.3.2 多情景模拟结果对比分析

(1)在自然增长的情景下，未来土地利用演变趋势与历史演变趋势相近.与2018年土地利用现状相比，2030年土地利用演变趋势为：建设用地面积增加，共增加5 474.52 hm2，增加面积主要来源于耕地和未利用地的转入；林地和水域的面积几乎保持不变；耕地面积减少，减少面积主要转变为建设用地；未利用地面积下降，主要转变为建设用地.

(2)在经济建设的情景下，加速了林地和未利用地向建设用地的转换速度.与自然增长情景相比，经济建设情景下的土地利用类型呈现以下的特点：建设用地的增长速率变快，面积增长速率增加30.45%；耕地面积呈现上升趋势，其主要的增长原因为林地向耕地的转换速率大于耕地向建设用地转换的速率，从而导致耕地面积总体上升；林地面积减少，主要转换成耕地和建设用地；未利用地面积急剧下降，主要转换为建设用地.

(3)在耕地资源保护情景下，耕地面积得到很好的保护，基本不向建设用地进行转变，同时接收林地的转入，面积呈现上升趋势，与2018年相比增加了1 898.19 hm2，耕地资源在数量上和空间上得到了较好的保护.在耕地不向其他土地利用类型转变的情况下，建设用地面积有所增加，主要由未利用地转换而来；水域面积增加，增加面积主要由耕地转换而来；未利用地面积减少，其主要向建设用地进行转换，此时的未利用地减少面积与自然增长情况下减少的面积相近，但是由于耕地资源的保护，使得建设用地的面积增长缓慢.

4 结论

以杭州大江东产业集聚区为研究区域，对研究区2003年、2008年、2013年和2018年等4期Landsat影像进行土地利用信息提取，通过CLUMondo模型对研究区未来年份的各类土地利用类型进行多情景模拟.主要研究结论如下：

(1)通过对杭州大江东产业集聚区土地利用现状研究发现，在2010年9月浙江省政府确定成立杭州大江东产业集聚区之后，政府提出打造高端制造集聚区、自主创新示范区和招商引资的政策，诸多产业如机械装备、新能源产业等入住大江东产业集聚区，使得杭州大江东迅速进入城市化阶段[32].迅速增长的城市人口和不断入驻的企业使得城市对建设用地的需求迅速增加，使得建设用地面积逐年增加.此外，由于建设用地的扩大，建设用地边界上的未利用地和耕地受其影响慢慢向其转换，导致两者的面积逐渐减少，但是受人类活动影响，林地逐渐向耕地进行转换，使得耕地面积在减少的同时又有所增加.

(2)通过对比各情景模拟得到的2030年土地利用分布图和相关的分析可以发现，未来大江东的土地利用变化趋势如下：建设用地面积将逐年增加，相较于自然增长情景，其在经济建设情景下面积增长速率增加30.45%，林地和未利用地在各个情景下均呈现下降趋势；水域面积在各情景下均有细微变化，但是总体而言变化幅度不大，可以视为不变；耕地在耕地资源保护情景下得到了很好的保护，面积呈现上升趋势，与2018年相比增加了1 898.19 hm2，在经济建设情景下，由于林地向耕地的转换速率大于耕地向建设用地转换的速率，使得耕地面积呈现上升趋势.

本研究以4期中等分辨率的Landsat影像作为基础数据进行土地利用空间分布信息的提取并获得相应的历史演变趋势，在后续的研究中尝试采用更高分辨率的影像进行土地利用信息提取，从而减少因分类误差导致未来多情景演变的误差.另外，研究采用CLUMondo模型进行杭州大江东产业集聚区土地利用多情景模拟，该模型可通过调节转换阻力参数的大小和定义相应的转移矩阵来控制不同土地利用类型的转换程度，使得模拟结果更加理想，但是目前主要是根据专家知识或者对研究区的近期观察来确定这两个参数，还没有专业算法来准确计算，在今后的研究中，这部分参数的设置和计算有待进一步提升.