芜湖市土地利用时空变化及预测分析

周振宏， 刘东义， 朱庆山， 汤伟宏， 王绘绘， 周 敏， 胡 琦

(安徽农业大学 林学与园林学院， 安徽 合肥 230036)

土地作为人类活动和居住的场所，也是人类生产生活的空间载体和社会经济发展的主要保障.人类活动深刻地改变着自然地理环境, 土地利用是这种作用的主要形式, 而其直接结果是地表覆被状况的改变[1-3].土地利用覆盖变化与生物多样性、气候问题以及经济的可持续性发展等密切相关， 模拟和预测未来土地利用变化，能为城市未来的发展提供有价值的信息，使城市能够走可持续化道路.近年来，国内外众多学者以各类遥感影像图作为数据源，运用了不同的模型方法，对全球部分城市土地利用变化进行了预测.应用较为广泛的是CA(元胞自动机)模型[4-5]、GM(1,1)模型[6-7]、Markov模型[8]等.房阿曼等[9]运用CA模型对兰考县耕地面积进行预测，并与现行的土地利用规划中的耕地进行对比分析；王甜等[10]在对2025年马来西亚吉隆坡市的土地利用变化预测时采用了GM(1,1)模型进行预测并得出相关结论；王云靓等[11]利用三种模型预测结果进行对比分析，得出Markov模型的预测的精确度最高，并采用Markov模型对济南市的土地利用进行研究分析，结合相关模型对未来济南市的土地利用景观格局进行了预测.CA模型有着强大的空间预测能力，但对于解释土地利用变化还有所欠缺；GM(1,1)模型主要是依赖数据的逐年变化特征，预测结果精准度较低；Markov模型是一种精确度高且能够很好解释土地利用变化的模型.但目前利用Markov模型进行土地利用变化研究仍然存在两点不足：第一，在土地利用转移概率矩阵的构建时，所采用的遥感影像数据与研究年份相距较远，会对预测的结果产生一定的影响；第二，研究地区大多选择为发达的地区，而针对皖南地区的土地利用变化的研究较少.芜湖市将建设成为省域副中心并打造成长三角最具有影响力的现代化大城市，在后续的发展中会得到快速发展，各类用地之间的转化将发生变化.了解芜湖市城市的发展的过程，分析和预测芜湖市土地利用的变化特征，对未来城市的可持续发展具有一定的现实意义.

本研究利用近20年的遥感影像数据并结合Markov模型对芜湖市未来的土地利用变化进行研究.首先，应用ArcGIS10.1的空间分析技术对芜湖市的2000、2010、2020年遥感影像进行解析，根据全国土地利用分类系统标准，将用地进行分类，通过土地利用转移矩阵[12]研究2000—2010年、2010—2020年、2000—2020年三个时间段土地利用类型转出和转入的动态过程，再通过土地利用动态度计算每个时期各类土地变化的速度[13]，最后通过Markov模型对芜湖市2030年土地利用变化进行预测，以期揭示土地利用变化的规律，为生态环境保护和土地利用规划提供一定参考.

1 研究区及数据来源

1.1 研究区概况

芜湖市位于安徽省东南部(117°40′—118°44′E，30°19′—31°34′N)，地处长江下游南岸、清弋江与长江汇合处、长江三角洲平原腹地，南倚皖南山系，北望江淮平原，地势呈现北边低南边高，地形为不规则长条状，为亚热带湿润季风气候，年降雨量1200毫米，年平均气温15～16℃.截至2020年芜湖市共包括五区一市一县,分别为：弋江区、三山区、湾沚区、镜湖区、繁昌区、无为市、南陵县.本研究区为全市范围，总面积约为6026 km2.

1.2 数据及预处理

本研究所采用的2000、2010、2020年3期Landsat 8遥感影像数据均来源于地理空间数据云平台，空间分辨率30 m，应用ArcGIS 10.1数据处理技术进行大气校正、影像剪裁和解译等处理，最后通过抽样对解析的数据进行精确验证.

通过地理空间数据云下载2000、2010、2020年的Landsat 8遥感影像，利用ArcGIS 10.1对遥感影像图进行镶嵌处理,使用掩膜法提取出需要分析的区域，采用非监督分类方法对遥感影像图进行解析，然后根据全国土地利用分类系统标准，将用地划分为耕田、林地、草地、水体、湿地、人造地表.将结果导入到Google Earth进行对比和修正，再进行抽样对解析的数据进行检验；最后将分类出的各类用地进行编号，使用不同的颜色进行分类，最终形成芜湖市2000、2010、2020年3期用地分类图.

2 研究方法

2.1 土地利用结构变化分析

土地利用结构是指在某个区域内的各种土地类型的数量比例关系以及空间分布特征.本文通过ArcGIS10.1空间数据处理技术对2000年、2010年、2020年芜湖市3期的影像图进行解析，将用地进行分类，最后通过计算各类用地占总用地面积的比值以及分析不同时期的土地利用解析图，得出结论.

2.2 土地利用动态度

土地利用动态度主要用来描述某一时间段内区域的土地利用类型的数量面积变化情况指标[14-16]，以表示区域土地利用的剧烈程度及不同类型间、不同时段内或不同区域间的差异情况.本文计算了2000—2010年、2010—2020年、2000—2020年3个时期的芜湖市各种土地利用类型的单一土地利用动态度，以分析研究区域内的土地利用变化情况，其表达式为：

式中：V表示研究时段内某种土地利用类型的变化速度；Ua表示某种土地利用类型起始的面积总量；Ub表示某土地利用类型末期的面积总量；T为时间段.

2.3 土地利用类型转移矩阵

土地利用转移矩阵能够监测研究区内始末各土地利用类型之间相互转化特征[17-19]，表明各类用地的转移方向，还包括各种土地利用类型转换面积，其表达式为：

式中：i与j分别表示研究始末的土地利用类型；n表示土地利用类型总数；Sij为研究期内第i类向第j类转化的总面积.

2.4 马尔可夫模型预测未来的土地利用变化

马尔可夫模型是一种预测未来变化的概率方法，具有无后效性.马尔科夫转移矩阵模型对分析土地利用类型之间的转化具有重要意义，本文通过马尔科夫转移矩阵，可以定量分析土地利用类型之间的相互转化概率，预测土地利用变化量，从而可以更好地了解土地利用格局的时空演变过程[20].其表达式为：

(1)

kn=kn-1Pij，

(2)

式中：kn为是经过n-1次状态转移到达n次转移后的状态概率向量；kn-1经过n-2次状态转移到达n-1次转移后的状态概率向量，也即相对前一次状态概率向量;Pij为转移概率矩阵.

3 结果与分析

3.1 土地利用结构变化分析

由于快速的城市化进程，对建设用地需求增加，使得人造地表的面积的变化较其他用地面积变化较为明显，主要发生在镜湖区、弋江区和繁昌区，呈现逐年递增的趋势.研究区历年的土地利用情况统计如表1所示.人造地表的面积从2000年至2010年增加了46.36 km2、2010年至2020年增加了196.29 km2，其中耕地和湿地一直是处于减少的趋势.从2000年至2020年，耕地面积共减少了202.46 km2，湿地面积共减少了13.26 km2，草地面积增加了13.57 km2，林地和水体用地均处于先增后减的趋势，从2000年至2010年间，林地面积共增加了25.79 km2，水体面积共增加了62.52 km2，2010年至2020年林地面积共减少了104.92 km2，水体面积共减少了23.90 km2.

表1 研究区3期土地利用情况统计

3.2 土地利用动态度分析

根据地类土地利用动态度计算结果可得，2000—2010 年期间，变化速度最快的是湿地，平均每年减少7.50%；变化速度最慢的林地，平均每年增加0.26%.2010—2020 年期间，变化速度最快的是人造地表，平均每年增加4.66%；变化速度最慢的是耕地，平均每年减少0.16%.2000—2020年期间，变化速度最快的是湿地，平均每年减少 3.84%；变化速度最慢的是耕地，平均每年减少0.22%.

3.3 各种土地利用类型之间的转移分析

为进一步揭示土地利用类型之间变化，利用ArcGIS10.1叠加分析将各期土地利用空间分布图进行两两叠置，获取土地利用转移矩阵，各类用地之间的面积转移变化如表2所示.从2000—2010年间，草地的出面积分别为11.72 km2,其中7.91%的面积转移至耕地，46.85%的面积转移至林地，0.01%的面积转移至人造地表，0.07%的面积转移至湿地，1.86%的面积转移至水体;耕地的转出面积为392.29 km2，0.48%的面积转移至草地，3.47%的面积转移至林地，2.51%的面积转移至人造地表，0.01%的面积转移至湿地，2.79%的面积转移至水体.林地的转出面积和转出率分别为144.05 km2和14.78%，人造地表的转出面积和转出率分别为70.74 km2和18.86%，湿地的转出面积和转出率分别为16.19 km2和93.71%，水体的转出面积和转出率分别为90.91 km2和23.92%.各种类型用地的转移率为：湿地>耕地>草地>水体>人造地表>林地.

表2 2000—2020年芜湖市土地利用转移矩阵 单位：km2

从2010—2020年，草地的转移率为60.73%，其中7.63%的面积转移至耕地，11.50%的面积转移至林地，35.27%的面积转移至人造地表，0.27%的面积转移至湿地，6.06%的面积转移至水体，耕地的转出面积和转出率分别为443.20 km2%和10.8%，林地的转出面积和转出率分别为178.58 km2和17.85%，人造地表转出面积和转出率分别为147.62 km2和35.02%，湿地的转出面积和转出率分别为2.08km2和48.26%，水体的转出面积和转出率分别为151.19 km2和34.16%.各种类型用地的转移率大小为：草地>湿地>人造地表>水体>林地>耕地.

从2000—2020年，草地的转出面积为14.79%，其中13.17%的面积转移至耕地，38.64%的面积转移至林地，9.12%的面积转移至人造地表，0.24%的面积转移至湿地，10.98%的面积转移至水体.耕地的转出面积和转出率分别为578.33 km2和13.65%，林地的转出面积和转出率分别为210.17 km2和21.57%，人造地表的出面积和转出率分别为148.60 km2和为39.61%，湿地的转出面积和转出率分别为16.43 km2和95.08%，水体的转出面积和转出率分别为98.99 km2为26.04%.各种类型用地的转移率出面积和转出率分别为：湿地>草地>人造地表>水体>林地>耕地.

各种用地类型的转移的主要方向为：耕地转化为人造地表和林地，草地转化至林地和人造地表，湿地转化为林地和水体，林地转化为耕地和水体，水体转化为耕地和人造地表，人造地表较少的转化为其他用地，表征人造地表的面积是处于扩张状态，主要是由草地和耕地转化而来.

3.4 应用马尔可夫模型预测未来的土地利用变化

3.4.1 初始状态矩阵

按照全国用地分类标准，将用地类型分为六类，由2010年各类用地所占的面积比值构成土地利用的初始状态矩阵，如表3所示.以10a为步长对芜湖市土地利用进行预测.

表3 初始状态矩阵

3.4.2 转移概率矩阵

根据式(1)，以2010—2020年的转移概率矩阵为初始状态的转移概率矩阵，如表4所示.

表4 2010—2020年转移概率矩阵

3.4.3 模型精准度检测

利用2010年土地利用面积为初始状态的矩阵，再利用2010—2020年的转移概率矩阵为初始状态的转移概率矩阵，根据式(2)并通过Excel计算得出2020年的土地利用面积，将实际的2020年土地利用面积与预测的值进行对比，从而检测模型预测的精准度(见表5).如表5所示，拟合误差最大的是耕地，其次是林地，草地、人造地表、湿地、水体的拟合误差均小于0.50%.因此，利用马尔可夫预测芜湖市土地利用结构是合理的.

表5 Markov模型预测结果精确度分析

3.4.4 利用Markov模型进行预测分析

运用Markov模型进行预测，得出2030年土地利用变化情况(见表6).由表6可见,人造地表的面积是不断增加的,表征2020年后芜湖市将处于快速建设状态，同时也对建设用地周围的其他用地均产生了影响.因此其他各类用地面积均在减少，其中林地的面积减少最多，各类用地的变化速度较2010—2020年都有所下降.

表6 2020—2030年土地利用情况 单位：km2

4 结论

本文首先对芜湖市2000、2010、2020年的遥感影像进行解析、裁剪、大气校正等预处理，然后采用全国土地利用分类系统标准对进行分类，对土地利用信息进行提取，最后利用土地利用动态度、土地转移矩阵和Markov模型对芜湖市未来的土地利用变化进行预测分析，探究芜湖市土地利用的变化特征，结论如下：

(1)在整个结构中，芜湖市的土地利用类型以耕地和林地为主，水体和人造地表次之，草地和湿地占比最少.

(2)2000—2020年，芜湖市人造地表面积和草地表现为持续增长的趋势，其中草地增长速度最快；耕地和湿地一直在减少，且耕地和湿地减少的面积最多；林地和水体用地处于先增后减的趋势；由土地转移矩阵可以分析得出，所增加的人造地表面积主要是由草地和耕地转化而来.

(3)2030年预测结果表明，未来芜湖市的土地变化主要是以人造地表和林地为主，且土地利用格局会不断发生变化，其中人造地表的增加趋势较大，由2020年的618.14 km2增加到2030年的736.46 km2，共增加118.32 km2，林地的减少面积相对于其他各类用地较大.

5 建议

基于芜湖市土地利用变化预测结果，发现研究区在2020—2030年间地类变化较大，其中人造地表的面积所占比例持续增大，其他用地类型所占比例不断减少，表征土地利用存在着一定的问题.因此，对于未来芜湖市的可持续发展，提出了几点建议.

(1)在耕地和林地保护上，要结合当前芜湖市国土空间规划的编制，严格控制态生态红线和永久基本农田保护红线，落实退耕还林政策，同时在湿地和水体的保护上，扎实推进水污染治理、水生态修复、水资源保护“三水共治”，坚持统筹山水林田湖草系统治理的思路，逐步形成结构合理、生态互补的土地利用安全格局.

(2)在当前人造地表面积的快速扩展下，我们要合理控制其速度并提高对原有人造地表用地的利用率.通过用地政策制度体系的不断完善，缓解当前的用地矛盾和生态压力，如将容积率奖励机制适用范围扩展到存量用地范畴，提高市场主体集约开发的积极性，建立健全地下空间开发收益分配机制等，实现对原有人造地表用地的集约高效利用，同时要加强对闲置用地和利用效率低的用地进行再开发.

(3)未来可以结合3S等相关技术建立土地动态变化监测系统，更好地管理土地资源，能够及时对土地的适应性进行客观评价和对土地利用变化所产生的影响进行分析，同时我们还可以结合大数据技术，处理更加准确的土地数据，进一步提高数据的准确性，从而精确的预测出未来的土地利用发展特征，为土地管理决策部门提供更好的参考意见.