汾河流域土地利用变化特征及驱动力分析

董海平，牛俊杰，林 菲，于秋月

(太原师范学院 地理科学学院，山西 晋中 030619)

土地作为环境要素之一，是人类生存和发展不可缺少的宝贵资源[1]。土地利用是指人类为了达到一定目的，按照土地资源的特性，采取一系列手段对土地资源进行利用的活动[2-3]。土地利用变化是人类作用于自然环境的直观反映，受自然和人文两方面因素的影响。随着人口激增、社会经济迅速发展、土地资源供不应求、土地利用空间分布不断发生变化等问题凸显，同时人类对土地资源的不合理利用和开发导致了水土流失、温室效应、土壤沙化等一系列生态环境问题[4]。在这种背景下，全球环境变化研究蓬勃发展，自1995年“土地利用/覆被变化”研究计划提出，土地利用变化逐渐成为全球环境变化研究的热点问题[5]。同时，RS和GIS技术的发展为该研究提供了技术支撑，使得研究更趋向于定量化和可视化。

目前，土地利用方面的研究广泛：在研究内容方面，包含时空演变[6]、驱动机制[7-8]、生态风险[9-10]、结构优化[11]和模拟预测[12-13]等；在研究尺度方面，大到国家层面，小到乡镇区域范围；在研究方法方面趋于多样化，其中驱动机制的研究是揭示土地利用变化影响因素的途径，能够为后期政策的制定、未来土地利用状态的模拟预测奠定基础，研究方法包括对驱动因子进行描述的定性分析，采用主成分分析、层次分析、灰色关联度分析、Logistic回归模型等定性与定量相结合的方法。国内外众多学者在这方面已经做了大量研究，如廖慧等[14]基于黄河流域1980—2015年的土地利用数据，对整个流域以及不同省份土地利用的时空演变进行了分析，并采用主成分分析法探究气候、经济和人类活动对流域土地利用的影响；王新源等[15]在对河西走廊绿洲面积动态分析的基础上，应用灰色关联度分析法分析了12个环境因素对绿洲变化的影响，结果表明不同行政区的主导因子不同，但均与农耕产业密切联系。近些年，地理探测器模型的出现，使得分析因变量与自变量之间的关系被简化，且不需要做线性假设，同时能够分析两种自变量综合作用的影响，该方法已经广泛应用于土地利用变化的影响因素[16-19]、健康风险探测[20]、土壤污染[21]等领域。

本文以汾河流域作为研究区，以2000、2010和2018年土地利用现状数据为研究对象，分析近18年来汾河流域各土地类型的面积变化及转移方向，从自然、社会经济和可达性三方面共选取10个驱动因子，采用地理探测器模型探究各驱动因子对土地利用变化和不同时期土地利用空间分布的影响程度，以期为汾河流域的土地资源合理利用提供依据，进而促进区域人类活动和生态环境的协调发展。

1 研究区概况

汾河发源于山西省宁武县管涔山，自北向南涉及全省6市45县(区)，并在运城市万荣县注入黄河，干流全长716 km，流域面积为39 471 km2，约占全省的25.5%[22]。汾河位于山西省中南部，西依吕梁山，东临太行山，地势由北向南倾斜，众多支流分布于两侧山地(图1)。汾河流域属大陆性半干旱季风气候，年平均气温约6～13 ℃，自北向南逐渐升高，年平均降水量北低南高，在300～700 mm之间。流域内有耕地1.16×106hm2，占全省的29.54%，人口、GDP分别占全省的39%和42%。

2 数据来源与研究方法

2.1 数据来源及处理

汾河流域2000、2010和2018年3期土地利用现状数据以及土壤类型数据来源于中国科学院资源环境科学与数据中心(http://www.resdc.cn/)，并依据国家标准《土地利用现状分类》(GB/T 21010—2017)将3期土地利用现状数据重分类为耕地、林地、草地、水域、建设用地和未利用地6个一级类。数字高程模型(DEM)来自地理空间数据云(http://www.gscloud.cn/sources/)，同时在该数据的基础上提取坡度数据。年均降水和年均气温数据取自中国气象数据网(http://data.cma.cn/)，从汾河流域及周围地区共61个气象站点数据提取，并通过克里格插值法获取栅格数据。人口密度、人均GDP、城市化率等社会经济数据获取于山西省统计年鉴(2001—2019年)，将面数据转为点数据，再利用插值法获得空间数据。居民点和铁路的位置数据来源于国家基础地理信息中心(http://www.ngcc.cn/ngcc/)，通过欧氏距离分析生成相应的距离栅格图。

2.2 研究方法

2.2.1 驱动因子选取

土地利用变化受各方面因素的共同影响，地形、气候因素对研究区的农业、生态环境等产生影响，进而影响土地利用；随着社会经济发展，人类生活水平提高，加剧了土地利用方式的改变；道路的建设会影响居民点的分布，表现为人类对土地利用变化的影响。根据研究区的本底特征以及数据的可获取性，从自然、社会经济和可达性方面共选取了10个驱动因子。自然因子包括高程(X1)、坡度(X2)、土壤类型(X3)、年均降水(X4)和年均气温(X5)；社会经济因子包括人口密度(X6)、城镇化率(X7)、人均GDP(X8)；可达性因子包括到铁路距离(X9)、到居民点距离(X10)。

2.2.2 土地利用动态度

土地利用动态度能够反映研究区在一定时间范围内土地类型的变化情况，根据研究对象可分为单一土地利用动态度和综合土地利用动态度。

单一土地利用动态度可用于表征某时段内某种土地利用类型变化的幅度，表达式为：

K=(Ub-Ua)/Ua×1/T×100%，

(1)

式中，Ua、Ub分别指该种土地类型初始和终止年份的面积；T表示研究时段，单位为年；K指某一土地类型的动态度，K的绝对值越大，表明该种土地类型的变化速率越快。

综合土地利用动态度是从研究区总体出发，反映区域内土地利用总体变化的强度，表达式为：

(2)

式中，LUi表示研究时段内初始年份i土地类型的面积；ΔLUi-j表示为研究时段内i土地类型转为j土地类型面积的绝对值；n为土地利用类型的数量；T为研究时段，单位为年；LC为综合土地利用动态度。

2.2.3 地理探测器模型

地理探测器是以空间异质性为研究对象，揭示其与驱动因素间关系的一种方法[23]，共包括4个探测层次，即因子探测、交互探测、风险探测和生态探测。本研究利用因子探测和交互探测定量评估汾河流域4种土地利用类型的时空分布及其驱动力的影响程度。

1)因子探测：定量探测自变量(X)对因变量(土地利用类型)空间分异的影响力，用q值来表示，取值范围为0～1，越趋近于1表示影响程度越大，表达式为：

(3)

2)交互探测：探测不同驱动因子之间的交互作用，即q(Xi∩Xj)，并与单因子作用时的q值相比较，进而判断双因子的交互作用对因变量的影响是增强或减弱。其中Xi、Xj表示不同的驱动因子，首先将Xi和Xj两个驱动因子的图层叠加，得到Xi∩Xj新图层，再利用公式(3)计算得到q(Xi∩Xj)，同时与q(Xi)、q(Xj)相比较，最后得出交互作用的结果。交互作用结果共分为以下5种，当min[q(Xi)，q(Xj)]max[q(Xi)，q(Xj)]时，为双因子增强；当q(Xi∩Xj)>q(Xi)+q(Xj)时，为非线性增强；当q(Xi∩Xj)=q(Xi)+q(Xj)时，Xi、Xj对因变量的影响相互独立。

3 结果与分析

3.1 土地利用变化分析

结果表明：2000—2018年汾河流域的综合土地利用动态度整体较低，为1.00%；2000—2010年的综合土地利用动态度为0.03%，2010—2018年为2.24%，呈增加趋势，即2010—2018年各土地类型之间转换较频繁，表明随着经济的发展，人类活动对汾河流域土地利用的影响加重。从单一土地利用类型动态度(表1)可知，2000—2018年，建设用地面积持续增加，其中2010—2018年增幅较大，且在不同时段中动态度均为最大，2000—2010年为1.10%，2010—2018年为9.54%，表明汾河流域的城镇化速度不断加快；耕地和未利用地的面积持续减少，且均在2010—2018的变化幅度大，分别减少702.21、5.02 km2，动态度分别为-0.30%、-3.31%；林地面积在2000—2010年小幅减少，而在2010—2018年增加147.87 km2；草地和水域面积的变化与林地相反，呈先增加后减少的趋势，总体分别减少760.42、34.58 km2。

表1 汾河流域土地利用变化情况及动态度

桑基图能直观反映出不同土地利用类型的流入与流出。由图2可知，2000—2018年，耕地、草地、水域和建设用地面积减少，以转出为主，林地和建设用地面积增加，以转入为主。转出量最大的是耕地，面积占比从41.30%减少为39.08%，主要流向草地2896.81 km2、建设用地1722.00 km2和林地1161.83 km2。耕地与草地间相互转换。转入量最大的是建设用地，面积占比由4.01%增加为7.84%，主要源于耕地的大面积转入，表明汾河流域耕地的非农化、生态用地面积减少主要由建设用地的扩张造成。林地面积的增加主要源于耕地和草地的转入，受退耕还林政策的影响。其余土地类型间也存在不同程度的转换关系。

3.2 土地利用空间分布驱动力分析

在ArcGIS中利用重分类工具对各驱动因子进行离散化分类，采用创建渔网工具生成5 km×5 km的格网，对每个网格中心点采样，共1598个有效采样点，最后利用地理探测器模型研究土地利用变化的驱动因素。由于水域和未利用地面积较小，本研究分析耕地、林地、草地和建设用地的影响因素。结果如表2所示。

表2 不同时期各地类空间分布驱动因子解释力

对耕地而言，不同时期耕地的空间分布均受自然、社会经济和可达性因子的共同影响，且在3期数据中各驱动因子的影响程度排序差别不大，自然因子中的高程、坡度和年均气温起主导作用，q值均大于0.09，即在高程较低、坡度较小、气温较高的地带适宜农业生产活动，耕地分布较广；其次较重要的影响因素为土壤类型和到铁路距离，q值在0.05～0.09；其余因子对研究区耕地的空间分布影响程度较小。

对林地而言，不同时期10个驱动因子均影响林地的空间分异，2000—2010年林地变化较小，2000年和2010年除社会经济因子外其余各影响因子的q值解释力均相等；与2018年相比，各时期影响较强的因子相同，从大到小依次为：高程>坡度>到铁路距离>土壤类型>到居民点距离>年均气温，且随着时间的推移，q值逐渐增大，表明这些因子对林地转移的解释力逐渐增强；其余因子的q值低于0.05，解释力相对较弱。

对草地而言，可达性因素对草地几乎无影响，2000年，影响草地时空分布的驱动因子有高程、土壤类型、年均气温、人口密度、年均降水、城镇化率和人均GDP，相比较于2000年，2010年缺少人均GDP因子，2018年增加坡度和到铁路距离因子。不同时期相同驱动因子的q值解释力相差甚小，而且高程、土壤类型和年均气温因子的q值大于0.05，即为主要驱动力。

对建设用地而言，不同时期某些因素的q值解释力在发生变化，其中社会经济因子中人均GDP的q值从0.0118增加到0.0289，表明随着社会经济水平的提高，其他土地类型转为建设用地的几率增加；可达性因子中到居民点距离和到铁路距离因子的q值逐渐增大，分别从0.0166、0.0317增大到0.0329、0.0454，即这些因子对建设用地转入和转出的限制增大。

3.3 土地利用变化驱动力分析

3.3.1 因子探测

由表3可知，2000—2018年，耕地变化受自然因子的影响最大，其中高程为主导因子，q值解释力为0.1283，其次为土壤类型和坡度，在人为因子中城镇化率和人均GDP的解释力最强，表明汾河流域耕地面积的减少主要源于农村人口向城市迁移，城市住宅面积的需求增大，部分耕地转为建设用地。林地变化受驱动因子的影响从大到小依次为：高程>土壤类型>年均气温>到铁路距离>年均降水>人口密度>城镇化率>坡度，高程的q值为0.0786，是主导因子。草地变化主要受高程、年均气温、土壤类型的影响较大，其余因子的影响程度较小。对于建设用地变化的驱动因子，除年均降水因子外，其余因子的q值均大于0.05，表明建设用地的变化受自然因子和社会经济因子的影响均较强，随着人口激增、社会经济迅速发展，同时自然因素优越的条件下，汾河流域建设用地面积增加。

表3 2000—2018年各土地利用变化驱动因子解释力

3.3.2 交互探测

汾河流域2000—2018年4种土地类型变化驱动因子的交互探测结果(图3)表明，单因子作用的q值小于双因子交互作用的q值，即交互作用的结果均为非线性增强或双因子增强，表明汾河流域的土地利用变化是由多种因子复杂交互共同作用而成。就耕地而言，双因子中高程与年均气温交互作用的q值解释力最大，为0.27，年均降水与到铁路距离的最小，为0.07，影响程度最低的年均降水与其他因子交互作用后解释力明显增强。就林地而言，解释力最大的仍为高程与年均气温交互作用，q值为0.17，坡度与人均GDP的最小，q值为0.05，总体来看，双因子对林地变化的影响程度比耕地小。就草地而言，高程和年均气温交互的q值最大，为0.28，人均GDP、城镇化率等解释力较小的驱动因子与其他因子交互后结果均为非线性增强。就建设用地而言，双因子作用的q值解释力均大于0.1，除高程与各因子交互作用外，年均气温与到铁路距离、人均GDP和城镇化率的交互作用解释力最大，可见建设用地变化受自然因子与社会经济因子的共同作用较大。

4 结论与讨论

(1)耕地和未利用地面积持续减少,其中耕地减少891.65 km2，转出量最大；受人口增加、产业结构调整[24]、经济水平提高的影响，研究区建设用地的面积持续增加，这主要源于耕地的大面积转入，即汾河流域耕地的非农化、生态用地面积减少主要由建设用地的扩张造成，因此人类在发展经济的同时应该注重耕地的保护；林地面积总体增加，主要受退耕还林政策的影响；草地和水域面积的变化与林地相反，先增加后减少。

(2)从土地利用类型空间分布的驱动力分析得出，不同时期相同土地类型的影响因子排序差别较小，高程对4种土地类型空间分布的影响程度最大，除高程外，耕地的空间分异主要受坡度和年均气温的影响；坡度、到铁路距离和土壤类型对林地分布的解释力最强；各驱动因子对草地和建设用地的q值相对较小，排序最前的为土壤类型。可见研究区土地利用空间分布主要受自然因素的影响，研究区独特的地貌特征决定了土地利用的空间分布。

(3)从土地利用变化的驱动因子分析可知，林地和草地变化受自然因子的影响较大，耕地和建设用地变化受自然因子和社会经济因子的影响均较强，研究区人口增加并向城市迁移，城市的居住面积需求增大，农村大量耕地荒废，同时经济发展迅速，道路、机场和工业区的建设增多，造成耕地的减少和建设用地的增加；各驱动因子独立作用的q值解释力小于两因子交互作用，交互后的结果均为非线性增强或双因子增强。

(4)土地利用的变化能够直接改变地表的覆盖状况，进而影响区域的生态环境。随着社会经济的发展，各地类之间相互转化，其中建设用地的增加使得其他地类减少，从而造成生态环境恶化，如水土流失严重、生物多样性减少、水污染加重、洪涝灾害频发等。各地类的空间分布及变化受多种因素影响，相比其他研究[25-26]，本研究纳入可达性因子，并利用地理探测器分析了双因子的交互作用，但由于数据获取的局限性，本文所选的影响因子仍不全面，仅考虑了部分自然、社会经济和可达性因素，未将政策因素空间化，探讨其对土地利用的影响，在后续的研究中将全面考虑各驱动因子对研究区土地利用的影响，从而有效保护生态环境。