基于生态保护的西安市建设用地变化及预测分析

李星周，韩丽颖，魏峰群

(陕西师范大学 地理科学与旅游学院，陕西 西安 710119)

0 引言

改革开放以来，我国城市化进程获得快速发展，城镇化率由最初的17.9%增加到2019年的60.6%。然而快速的城市化也带来了一系列问题，导致城市向病态和无序方向发展。城市化的发展直观上表现为建设用地在空间上的扩张，其中包括平面和立体方向的延伸[1]。我国城市建设用地面积以每10年左右翻一番的速度呈不断增加的趋势，特别是进入21世纪后，年平均增加面积超过了1000 km2，规模几乎接近于千万人口的城市[2]。空间城镇化指数始终大于人口城镇化指数，并且两者之间的差距越来越大[3]。城市扩张占用耕地，威胁国家粮食安全，每年审批的耕地转用面积占所有土地利用类型转用面积的一半左右[4]。除此之外，城市化无序蔓延导致土地利用低效，生态环境遭到破坏，造成水土流失、土壤沙化和生物生存环境缩减等问题。因此，研究建设用地在空间上的变化规律，对于引导城市健康和有序发展具有重要意义。

2019年5月，中共中央国务院提出建立国土空间规划体系，要求划定各类生态底线，保护生态环境，实现可持续发展。2020年8月，自然资源部、财政部和生态环境部印发了《山水林田湖草生态保护修复工程指南(试行)》的通知，指导全国各地开展生态保护修复实施，提高生态系统的恢复力和稳定性。本文通过对西安市的生态保护进行评价，通过评价结果的空间格局能够识别生态功能重要区域、生态环境敏感脆弱区，为西安市的山水林田湖草工程提供实施范围和规模；从城市发展的角度来看，强化底线约束，对西安市的建设用地格局进行预测，可以为国土空间规划背景下西安市弹性城镇开发边界的划定提供参考和借鉴。

建设用地变化模拟可以采用经验统计模型、宏观动力学模型和微观动力学模型[5]。常用的模型有Markov模型、Logistic回归模型、CA模型[6-8]、CLUE-S模型[9-10]、MAS模型[11-12]。Logistic回归模型和Markov模型都属于统计模型，通过回归分析和马尔科夫链，能模拟土地利用的数量变化，缺点是不能对土地利用在空间上的分布进行预测[13]。CA模型虽然可以预测土地利用在空间上的变化，但在解释城市扩张时空变化方面的能力不足[5]。CLUE-S模型效率较低，需用其他软件辅助[14]。MAS可以通过多主体的决策，采取自下而上的方法进行模拟，具有土地利用变化数量和空间格局结合的优点，但在结果解释方面比较乏力[15]。越来越多的学者对于土地利用动态模拟逐渐从单一方法的模拟研究转向多种方法的相互融合[16-17]。FLUS模型基于元胞自动机，采用神经网络获取各种土地利用类型的适宜性概率，通过自适应惯性和轮盘竞争机制，能够更加真实地模拟建设用地变化情况[18],其基于神经网络可以从单期土地利用数据提取转换规则，相比较于CA-Markov模型对于数据量的需求更小。

当前模型的驱动力反馈机制大多数是正反馈，即从发展的角度审视城市扩张，对于负反馈机制的研究较少，即保护的角度。本文通过建立生态保护评价指标体系，将其作为驱动力进行土地利用模拟，可以在一定程度上完善驱动力的反馈机制。除此之外，本文采用了更为精确的格网尺度，对西安市建设用地变化进行分析和预测，一方面可以为西安市的城市发展提供决策依据，另一方面可以为国土空间规划城镇开发边界的划分和山水林田湖草生态修复工程的实施范围和规模提供思路。

1 研究区概况

西安市位于陕西省中南部，处于秦岭北部、渭河南部。境内主要以山地为主，北部平原和丘陵较多，地势平坦，南部由于秦岭的原因，地势较高。西安市所在行政区包括11区(未央区、新城区、碑林区、莲湖区、灞桥区、鄠邑区、阎良区、长安区、雁塔区、临潼区、高陵区)和2县(周至县、蓝田县)，总面积达10752 km2(图1)。2018年年末西安市常住人口1000.37万人，其中城镇人口740.37万人，城镇化率达到74%。习近平主席提出了“一带一路”战略，促进我国经济的对外交流和发展。西安市是“古丝绸之路”的起点，西北地区重要的经济发展中心，在促进“一带一路”沿线经济发展中扮演着重要节点城市的作用。2018年2月，《关中平原城市群发展规划》提出：“要将西安建设成为国家中心城市，发挥其在推动区域经济发展中的引领作用。”

图1 西安市地理位置

2 研究方法

2.1 数据来源与处理

2.1.1 数据来源 本文生态保护评价指标数据主要包括植被净初级生产力(NPP)数据、归一化植被指数(NDVI)数据、DEM数据、气象数据、土壤类型数据等。其中DEM数据来源于地理空间数据云( http://www.gscloud.cn /)，空间分辨率为30 m；NPP(2000～2010年)和NDVI数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/)，空间分辨率为1000 m；气象数据为2000～2018年中国地面累年值数据集，主要包括累年降雨量、累年气温数据，来源于中国气象科学数据共享服务网(http://data.cma.cn/)。FLUS模型所采用数据包括土地利用数据、DEM数据、气象数据、GDP数据、路网数据和河流水库数据等。其中土地利用/覆被数据使用2010和2018年全球地表覆盖数据，来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/)，空间分辨率为100 m；土壤质地数据来源于寒区旱区科学数据中心( http://westdc.westgis.ac.cn)；GDP数据来源于《西安市统计年鉴》；路网数据和河流水库数据使用1∶100万全国基础地理数据库，来源于全国地理信息资源目录服务系统(https://www.webmap.cn/main.do?method=index)。基于Arcgis 10.3平台，将所有数据统一投影至WGS_1984_Albers坐标系统下，分辨率统一采样为100 m，保持数据处理过程中的一致性。

2.1.2 数据处理 具体处理如下：(1)将NPP数据经过提取和栅格运算得到2000～2010年平均净初级生产力NPPmean。(2)对土壤质地类型进行提取、分类和归一化得到土壤渗流能力因子Fsic，在查阅相关文献[19-20]的基础上，进行栅格运算，得到土壤可蚀性因子K和Ri。(3)选取西安市及周边区域内30个气象站点，筛选2000～2018年的年均降水数据，采用Arcgis反距离权重插值运算，然后对结果进行归一化处理，得到降水因子Fpre。(4)使用DEM数据提取坡度、地形起伏度、海拔，然后对结果进行归一化处理，得到坡度因子Fslo、地形起伏度因子LS和海拔因子Falt。(5)选取西安市及周边区域30个气象站点，筛选2000～2018年的年均温度数据，采用Arcgis反距离权重插值运算，利用海拔数据对插值结果进行矫正得到温度因子Ftem[21]。(6)对NDVI数据进行处理并归一化得到植被覆盖度C。(7)对交通因素使用欧氏距离进行处理。(8)人口、二三产产值和一产产值网格化分别基于建设用地和耕地数据进行计算，先计算各县区人口和产值密度，然后算出每个网格里的用地面积，最后得到每个网格的人口和产值。

2.2 生态保护评价

生态保护评价主要包括土壤保持功能重要性评价、水源涵养功能重要性评价、生物多样性保护功能重要性评价和水土流失敏感性评价(表1)。首先集成生态系统功能性评价，每个子评价的权重都为1，然后使用自然断点法划分为一般重要、较重要、中等重要、高度重要、极重要5个等级。水土流失敏感性评价先对各因子进行赋值，然后采用自然断点法划分为不敏感、轻度敏感、中度敏感、高度敏感和极敏感5个等级。

表1 生态保护评价

2.3 建设用地模拟

2.3.1 FLUS模型 FLUS模型原理来自元胞自动机，可模拟在人类活动和自然等条件影响下的建设用地的空间格局。首先采用神经网络算法获取转换规则，建立土地利用类型与城市扩张驱动因子(自然、交通、气候等)的映射关系，得到建设用地的适宜性概率。然后结合适宜性概率与元胞邻域大小、土地利用类型转换成本和惯性系数计算像元上各土地利用类型的转换总概率，其采用的轮盘赌机制可以反映不同地类在空间上的竞争作用[23]。本文建设用地模拟主要基于GeoSOS-FLUS软件，其中转换成本可以根据研究区土地利用转移实际情况，结合规划政策和政府文件确定不同类型之间的转换规则，并通过限制区域表示城市规划刚性边界对建设用地扩张的抑制作用，因此具有更高的模拟精度，模拟结果更符合现实。

FLUS模型的模拟精度采用总体精度和Kappa系数进行验证，Kappa系数计算公式如下[24]：

其中，p0为总体精度，通过统计模拟土地利用数据和真实土地利用数据类型相同所占比例进行计算，pc=1/n，n表示土地利用类型个数。

2.3.2 驱动力因子 城市是一个复杂的系统，其发展受到多种因素的影响。在前人研究的基础上[25-26]，本文选择自然条件、交通条件、社会经济条件和气候条件，并将生态系统重要性评价和水土流失敏感性评价作为城市扩张的驱动因子，加强驱动因子的全面性，对2035年西安市建设用地进行模拟。自然条件主要选取高程、坡向和坡度；交通条件主要选取到河流水库、城市、高速、国道、省道和铁路的距离；社会经济条件主要选取人口、一产产值、二三产产值；气候因素主要选取降雨和温度(图2)。自然条件是限制城市扩张的客观条件，但是以往的研究仅仅考虑地形和坡度等因子，本文从生态保护评价出发，将结果作为限制城市发展的条件；气候条件和城市扩张相辅相成，一方面城市形成需要适宜的温度和水资源，另一方面城市的快速扩张又会影响局部气候；社会经济是城市发展的动力，人口和产业的空间集聚推动了城市规模扩张；交通条件使得产业的运输成本降低，对于城市的扩张具有线性影响。

图2 驱动力因子

2.4 技术路线

本文先进行生态系统功能性评价和生态敏感性评价，将结果和自然、社会经济、交通和气候条件作为FLUS模型的空间驱动因子，模拟建设用地规模采取马尔科夫链进行计算，基于Arcgis平台将生态系统功能性评价中的高等重要、极重要区域和水土流失敏感性中的高度敏感、极敏感区域进行空间叠加，将叠加区域作为限制区域，最后模拟建设用地空间布局。

3 结果与分析

3.1 生态保护评价结果

3.1.1 西安市生态系统功能重要性评价 将水土保持功能重要性、水源涵养功能重要性和生物多样性保护功能重要性进行评价，通过空间叠加得到西安市生态系统功能重要性评价[22](图3)。西安市水土保持功能重要性以中等和高等重要为主，占整个区域的56.12%，主要集中在除城六区(莲湖区、雁塔区、未央区、灞桥区、新城区和碑林区)外的区域，城六区因为城镇化率较高，植物较少，NPP值很低，基本都属于一般重要等级。水源涵养功能重要性以较重要、中等重要和高等重要为主，占整个区域的76.41%，主要集中在除城六区外的区域，这是由于不透水面导致了NPP和土壤渗流能力值很低；西安市生物多样性保护功能重要性主要以较重要和中等重要为主，占整个区域的51.74%，较重要的水源涵养功能主要分布在蓝田县、临潼区和高陵区，中等重要的水源涵养功能主要分布在周至县、鄠邑区和长安县。西安市综合生态系统功能重要性整体属于中等重要，较为重要、中等重要和高等重要占研究区的75.41%，一般重要占15.26%，极重要占9.33%。城六区主要属于一般重要，蓝田县和临潼区主要属于一般重要，中等重要主要集中在周至县、鄠邑区、长安区、高陵区和阎良区，高等重要和极重要主要分布在南部秦岭区域(图4)。

图3 技术路线

3.1.2 西安市水土流失敏感性评价 西安市水土流失敏感性以轻度敏感为主，占整个区域的36.76%，中度敏感和高度敏感占整个区域的48.81%，不敏感占5.96%，极敏感占8.47%。不敏感主要集中在未央区、莲湖区、新城区和碑林区，轻度敏感和中度敏感主要包括雁塔区、灞桥区、临潼区、高陵区、阎良区、周至县南部、鄠邑区南部、长安区南部和蓝田县南部，高度敏感区和极敏感区主要分布在周至县北部、鄠邑区北部、长安区北部和蓝田县北部(图5)。

a.水土保持；b.水源涵养；c.生物多样性；d.生态系统功能性评价图4 西安市生态系统功能重要性评价结果

图5 西安市水土流失敏感性评价结果

将生态系统功能重要性评价和水土流失敏感性进行叠加，提取高等重要、极重要和高度敏感、极敏感部分，其面积为995.49 km2，占整个区域的9.85%，主要集中在周至县北部和南部、鄠邑区北部、长安区和蓝田县中部。在水土流失敏感性中，周至县降雨较多，由东北向西南呈阶梯状递增，鄠邑区南部降雨较多，长安区和蓝田县降雨较少；周至县、鄠邑区和长安区北部以及蓝田县中部土壤可侵蚀性均位于最高水平。水土保持重要性、水源涵养重要性和生物多样性重要性差别不大，主要位于周至县、鄠邑区的南部和北部，长安区、蓝田县的中部和南部。造成秦岭北麓重要性和敏感性在空间上产生分异的主要原因是降雨，秦岭东部相对于西部降雨较少。本文重点从植被、土壤结构、气候变化等方面对生态问题进行分析，此结果可以为西安市山水林田湖草生态修复工程的实施范围和规模提供参考。

3.2 西安市建设用地变化特征

3.2.1 建设用地总量变化特征 2010～2018年西安市建设用地总量持续增加，建设用地面积从1141.77 km2增长到1363.37 km2，增速达19.41%。在建设用地转移矩阵中，建设用地的转入类型包括耕地、草地、林地、水域和未利用土地。主要转入类型是耕地，面积达345.54 km2，占总转入面积的88.11%；其次是林地，面积为26.89 km2，占总转入面积的6.86%；未利用土地最少，面积仅为0.04 km2，占总转入面积的0.01%(图6)。

图6 建设用地转移规模

3.2.2 各区县建设用地变化特征 在西安市各区县建设用地面积中，长安区建设用地面积最大，其次是未央区，碑林区最小。2010～2018年西安市各县区建设用地面积除莲湖区外，其余均处于增加状态，但是不同县区之间的扩张程度不同。增长率从大到小依次为：未央区>高陵区>长安区>灞桥区>阎良区>蓝田县>鄠邑区>雁塔区>临潼区>周至县>碑林区>新城区。莲湖区由于面积较小，在2010年已经完成100%城镇化，因此增长率为零。未央区增速最快，达到52.19%；其次是高陵区，为40.82%；碑林区和新城区增速最慢，分别为2.48%和0.65%(图7)。2014年，国务院批复设立西咸新区，其位于西安市和咸阳市建成区之间，作为科技资源的新兴产业集聚区，对于推进西安、咸阳一体化进程具有重要意义。未央区和高陵区作为西安和咸阳的交界地，靠近西咸新区，通过区位优势和政策优势获得了快速发展，因此增长迅速。碑林区和新城区由于行政区面积较小，再加上原本较高的城镇化率，增速较小。周至县由于距离西安主城区较远，主城区发挥的带动作用有限，增长速率较慢。

图7 建设用地变化空间分布

鄠邑区、蓝田县和周至县处于区域边缘，中心城区的辐射范围有限，主要集中于农业、轻工业和旅游业，很难形成产业集聚，城市扩张方式主要以星状蔓延为主，蓝田县由于沿河流发展，加上地形的限制，呈现出带状蔓延的趋势。临潼区具有发达的交通网络，依靠丰富的农业和旅游业资源，在西安市市域城镇体系中扮演着中心城镇的角色，其扩张方式同样以带状蔓延为主，并且呈现出沿交通线发展的带状蔓延趋势。灞桥区产业结构多元化，形成了具有特色的产业集聚园，包括纺织、物流、汽车、文化创意和工业等，多元的产业结构对不同资源的需求和适配，是灞桥区产业整体上集聚度不高的主要原因，并呈现出星状蔓延的扩张趋式。未央区和雁塔区处于主城区，人口和产业高度集中，主要以团状蔓延和内部填充为主。长安区靠近主城区，对于承接产业转移，提高自己的服务业，具有较大优势，形成了现代农业、工业和服务业的发展体系，城市扩张方式主要为团状蔓延。高陵区凭借濒临西咸新区的区位优势和便捷的交通条件，重点发展高端装备制造业，呈现出星状蔓延和团状蔓延的趋势。阎良区主要以航空和电子科技为主，产业集中，城市扩张方式以团状蔓延为主，内部填充为辅(图8)。

图8 城市扩张方向空间分布

3.3 建设用地变化预测

3.3.1 基于神经网络的适宜性概率分析 基于自然、交通、社会经济和气候驱动因子，结合土地利用数据，通过GeoSOS-FLUS软件神经网络工具，建立土地利用类型和驱动因子之间的映射关系，即驱动因子和土地利用变化的作用机制和规律。适宜性发展概率包括多个波段，不同波段反映的不同土地利用类型，其值表示的是土地利用类型未来在栅格上出现的概率。本文土地利用数据共有6种类型，因此宜性概率数据具有6个波段。图9为西安市建设用地发展概率，越接近于1表示将来越容易转变为建设用地，由图9可知建设用地发展概率较高的区域主要集中在鄠邑区、高陵区和临潼区。

图9 建设用地发展概率

3.3.2 精度验证 基于2010年土地利用数据，结合土地适宜性概率，模拟2018年土地利用状态(图10)。经过多次调整参数，使模拟结果与真实接近一致。在Arcgis中统计2018年土地利用模拟数据和真实数据相同像元值，计算总体精度。结果发现：总体精度为85.82%，大于80%；Kappa系数为82.98%，大于0.8，表明西安市建设用地发展模拟模型具有一定的可信度，能反映土地利用变化的趋势，可用于预测无干预条件下的未来建设用地形态[27]。误差最大的为未央区，主要是由于政策原因造成的。2014年西咸新区成立，西安主城区、咸阳主城区和西咸新区组成大西安都市圈，推动西安—咸阳一体化发展，未央区作为连接西安主城区和西咸新区的纽带，获得了快速发展。由于驱动力缺少政策因素，其建立的规则不能体现未央区城市发展的规模和方向。

a.2018年现状；b.2018年模拟；c.2035年模拟；d.限制区域图10 西安市建设用地模拟结果

3.3.3 未来土地利用模拟 土地利用变化模拟是根据过去的趋势进行预测的，基于未来的社会经济、交通和自然气候等条件没有发生较大变化的基础上进行预测。本文采用马尔科夫链对2035年各类土地利用类型规模进行预测，结合耕地保护和生态保护政策，合理确定各类用地规模。将生态系统功能重要性评价和水土流失敏感性进行叠加，提取高等重要、极重要和高度敏感、极敏感部分作为限制区域，区域内不允许改变土地利用性质。根据2035年预测结果发现，建设用地主要呈现在原有用地基础上向四周扩散的趋势。通过统计西安市各区县建设用地增长变化发现，灞桥区、临潼区和阎良区增长率最大；其次是鄠邑区、高陵区和长安区；周至县和雁塔区最小。临潼区具有丰富的旅游资源和交通优势，阎良区形成了航空、汽车和电子制造等工业体系，在西安市市域城镇体系中均属于中心城镇，因此预测结果符合实际发展。灞桥区属于西安主城区，拥有较好的区位和交通优势，形成了多元的产业结构，应当完善基础设施配套，加快经济结构转型，促进消费升级，带动东部区域的发展。周至县由于区位原因，应当结合当地农业和旅游资源，发展农副产品加工业和旅游业，建设现代化城镇(图11)。

图11 建设用地增长率空间分布

4 结论

基于2010年和2018年西安市土地利用数据，分析了建设用地变化情况。2010～2018年西安市建设用地总量持续增加，建设用地面积从1141.77 km2增长到1363.37 km2，增速达19.41%。西安市各区县建设用地面积中，长安区建设用地面积最大，其次是未央区，碑林区最小。2010～2018年，西安市各县区建设用地均增加。其中，未央区增速最快，达到52.19%；其次是高陵区，为40.82%。

基于格网数据，选取自然、交通、社会经济和气候驱动因子，并加入生态系统功能重要性和水土流失敏感性评价结果，基于神经网络计算土地利用发展适宜性概率，模拟2018年土地利用格局，通过验证得到总体精度为85.82%，kappa系数为82.98%，表明西安市建设用地发展模拟模型具有一定的可信度，可以反映土地利用变化的趋势。

通过提取生态系统功能重要性和水土流失敏感性中的高度重要、极重要和高度敏感、极敏感区域作为限制区域，模拟西安市2035年建设用地空间格局，统计西安市各区县建设用地面积的变化发现，变化最大的是临潼区、灞桥区和阎良区，周至县变化最小。

5 讨论

建设用地变化反映了人类的活动方向，尤其是快速发展的城市化。城市扩张是人为因素的结果，人的决策在城市化扩张中占据主导作用。自上而下的决策往往会导致主观性加强，其结果就是以牺牲环境为代价，大城市病、耕地侵占和生态恶化等问题，成为影响城市健康和有序发展的因子。因此，采取自下而上的方法，客观分析城市扩张的影响因素，通过模型模拟城市发展的空间格局，可以为城市规划提供方向和建议。发展是规划的目标，保护是前提，本文在城市发展驱动因子和生态保护基础上，通过模型模拟未来建设用地分布情况，科学引导城市发展方向，可为新时期国土空间规划背景下城镇开发边界划定提供思路。

通过模型预测未来城市发展的土地利用空间格局是当下的热点，本文利用格网数据，在尺度上对于城市发展驱动因子做了更精确的要求。城市发展不仅仅是驱动力推动的结果，也受到限制因素的影响，因此，本文将生态保护的结果作为驱动力，提高了驱动力在模型模拟中的全面性。

在进行生态评价时，由于数据的精度问题，仅仅只将生态系统重要性和水土流失敏感性的部分等级区域进行叠加，以此来作为限制城市扩张的因子。下一步研究可以将不同等级的重要性和敏感性区域进行更加详细的叠加，将结果划分为不同等级，对不同级别的单元分别采取保护保育、自然恢复、辅助再生或生态重建的保护技术模式。

影响土地利用变化的驱动因子很多，在实际进行规划模拟时，需要结合研究区现状进行综合考虑。本文由于土地利用数据分类的精度不够，因此建立的土地利用转换规则比较简单，在实际规划中，应该建立更为复杂精确的转换规则。除此之外，在进行土地利用变化模拟的时候，应该考虑到规划政策对城市发展方向的影响。