基于RF-CA-Markov 模型的滨海城市景观格局变化与预测研究——以连云港市为例

孙静雅，王 旭，陈昆仑

（中国地质大学（武汉），a.地理与信息工程学院；b.体育学院，武汉 430074）

滨海地区位于海洋与陆地交界区域，海陆相互作用以及人类经济开发活动共同塑造了当地的生态环境以及景观格局［1，2］。强烈的自然地质营力与人类活动叠加，使滨海地区的景观格局在时间和空间2 个维度上表现出较强的异质性［3］。随着沿海大开发战略的实施，滨海地区经济社会发展和当地生态环境保护之间的矛盾愈发凸显。探索滨海地区景观格局时空变化规律并制定其保护对策已成为景观生态学领域的研究热点［4-6］。对景观格局进行模拟，有助于深入理解景观格局的演变过程、作用机制和环境影响［7］。目前，应用于景观格局动态研究的空间模 型 有LCM 模 型［8］、CLUE-S 模型［9，10］、CA-Markov模型等［11］，其中CA-Markov 模型能够在景观类型变化的数量和空间2 个方面均取得较好的预测效果［12］。RF-CA-Markov 模型对CA-Markov 模型进行了改进，引入了随机森林算法（RF）来获取景观适宜性概率作为全局元胞转换规则，相较于以往研究中采用的Logistic 回归方法，随机森林算法突破了传统统计方法的局限性，能够应用于多重因子影响的定量研究［13-15］，为深入剖析景观分布格局的驱动机制提供了有力工具。

本研究以中国东部滨海城市连云港市为研究区，利用多期遥感影像和自然、社会经济数据，对研究区景观格局动态变化进行定量分析，并构建RFCA-Markov 模型，对研究区未来景观格局进行模拟预测，旨在探讨连云港市景观格局时空变化特征和规律，以期为滨海地区土地资源可持续开发和景观规划提供参考。

1 研究区概况与数据处理

1.1 研究区概况

连云港市位于江苏省东北部，是中国首批沿海开放城市之一，也是新亚欧大陆桥经济走廊的首个节点城市。地处北纬33°59′至35°07′、东经118°24′至119°48′，鲁中南丘陵与淮北平原的结合部，地势由西北向东南倾斜（图1）。连云港市属于暖温带到亚热带过渡地带，四季分明，冬季寒冷干燥，夏季高温多雨；年均气温14.5 ℃，年平均降水量883.9 mm。连云港市资源类型丰富，土地利用类型以耕地为主，围海养殖、盐业开发等是该地区特有的土地利用模式。21 世纪以来，随着国家对海洋资源开发的重视以及“一带一路”等重要国家战略的部署，连云港市国土开发强度不断增加，城市化进程加快。截至2019 年末，全市户籍人口534.41 万人，其中城镇人口286.89 万人；2019 年连云港地区生产总值达3 139.29 亿元，比上年增长7.4%。

图1 研究区地理位置

1.2 数据来源与处理

本研究参考美国C-CAP 海岸带土地覆被分类系统和中国2017 年发布的《土地利用现状分类》（GB/T21010—2017），同时结合江苏海岸带的区域特征，将研究区的景观分为耕地、林地、建设用地、河渠湖泊、人工塘、盐田和未利用地7 种类型。连云港市景观类型分布变化信息主要是通过3 期共6 景Landsat 影像解译得到，影像来源美国地质勘探局USGS（https：//earthexplorer.usgs.gov/），包 括Land⁃sat5-TM、Landsat8-OLI。

研究区地处滨海，人口稠密，经济发展较快，除了气候、土壤等自然因素影响景观类型的分布外，人文因素也与景观分布格局密切关联。基于数据的可获取性、因子的可量化性等原则，选取社会经济、气候、地形地貌、水文、交通区位、植被和土壤7 类共16项作为驱动因子。其中，社会经济因子、气候因子和植被因子来源于资源环境数据云平台（http：//www.resdc.cn），具体包括GDP、人口、植被覆盖度（ND⁃VI）、多年平均降雨量和多年平均温度；交通区位因子和水文因子主要通过计算研究区范围内的每个像元到各要素的欧式距离得到，包括距城镇行政中心距离、距乡村行政中心距离、距道路距离、距铁路距离、距海岸线距离和距河流距离；高程数据来源于地理空间数据云网站（http：//www.gscloud.cn/）SRTM 数据集，经过表面分析得到坡度数据；土壤因子来源于世界土壤数据库（Harmonized World Soil Database V1.2，HWSD），包括过量盐、养分有效性和根系氧利用率。根据模型的模拟预测要求，结合研究区实际情况，基于ArcGIS 10.2 软件平台，将各空间数据统一配准到WGS_1984_UTM_Zone_50 坐标系，以连云港市行政范围为边界，将各种矢量数据转换为30 m×30 m的栅格数据。

2 研究方法

2.1 景观格局分析

景观格局指数是景观生态学中定量化分析景观格局的常用方法，能够反映不同层次景观的组成及格局信息［16］。本研究基于景观生态学原理，采用景观格局指数作为量化指标对研究区域各时期的景观格局进行分析。从景观破碎度、形状、聚集状态和均匀性4个方面考虑，在类型水平上选择斑块密度（PD）、景观形状指数（LSI）和散布与并列指数（IJI）3 个指标；在景观水平上选择斑块密度（PD）、景观形状指数（LSI）、散布与并列指数（IJI）、蔓延度（CONTAG）、香农多样性指数（SHDI）和香农均匀度（SHEI）6 个指标。景观指数采用FRAGSTATS 4.2 软件计算得到。

2.2 RF-CA-Markov 模型

CA-Markov 模型综合了Markov 模型长期预测能力和CA 模型强大的空间模拟能力，既可以从数量上，又可以从时间上模拟景观类型分布格局的动态变化［17］，本研究对CA-Markov 模型进行了改进，引入随机森林算法分析驱动因子生成各景观类型的空间分布适宜性概率图。采用RF-CA-Markov 模型预测连云港市景观格局状况，主要包括以下3 个部分：①根据现有的景观分布数据，利用Markov 模型获取景观类型转移矩阵作为局部元胞状态转换规则；②通过考虑气温、降水、土壤、地形、交通、区位等多种驱动因素影响，利用随机森林算法，计算各景观类型的空间分布适宜性概率作为全局元胞状态转换规则；③对连云港市景观格局进行模拟并对模拟结果进行精度评价。

2.2.1 Markov 模型 Markov 模型在景观格局变化研究中，通过假定t+1 时的某景观类型状态只与t时的景观类型状态有关，来实现景观格局变化的模拟［18］。具体过程如下：

式中，S（t）、S（t+1）为t、t+1 时的研究区景观类型状态矩阵；Pij表示由类型i转化为类型j的转移概率矩阵。本研究利用TerrSet 软件中的Markov 模块来预测各景观类型相互转化的变化量，获得研究区景观类型变化的转移面积矩阵和转移概率矩阵，参与模拟运算。

2.2.2 随机森林模型 随机森林模型是一种采用随机方式建立的包含多个决策树的集成模型，最早由Breiman 提出。随机森林生成许多决策树，通过在其发展过程中引入随机性，使其具有不同的发展方向，利用输入数据集中信息的不同组合，最终形成可靠的模型，并且避免了过度拟合和相关变量之间相互重叠覆盖的问题［13，19］，通过对树木集合的类别预测结果取众数，对建模数据的起始条件容错率较高，即使不平衡或存在缺失的数据集，也能够维持一定的精确度。同时，随机森林方法可以用来对影响因子的重要性进行排序。

在本研究中，从社会经济、气候、地形地貌、水文、交通区位、植被和土壤方面选取16 项指标作为驱动因子，用随机森林分类树分别拟合每种景观类型与各驱动因子之间的依赖关系。实际操作中，对景观类型分布分别进行“二值化”，即将该类景观赋值为1，除该类景观以外的点赋值为0。每种景观类型分别构建各自的随机森林决策树。在研究区范围内，生成15 000 个随机采样点，并将各驱动因子以及景观分布信息提取到采样点文件中，70%的数据集用于构造训练数据集，30%用于模型验证。最终生成2 000 棵决策树，经过tungrid 函数的参数调优，每棵决策树随机选取4 个解释变量用于树的分叉。随机森林模型预测能力由ROC 曲线进行评估。ROC曲线所包裹的面积AUC范围介于0.5~1.0，AUC越接近1.0，表明模型拟合能力越强［20］。最后，利用训练好的随机森林模型对测试数据集进行预测，每种景观类型的预测结果即该类用地的分布概率，插值得到每种景观类型的适宜性概率分布。

2.2.3 景观格局模拟 根据CA 模型的基本组成要素，本研究定义元胞单元尺寸为30 m×30 m，元胞空间为连云港市行政区范围。整体区域为4 242×4 145 规则格网，有效元胞单元数量8 186 820 个。元胞状态集合=｛1，2，3，4，5，6，7｝，分别对应的景观类型为耕地、人工塘、盐田、河渠湖泊、林地、建设用地和未利用地。元胞单元的邻域范围为5×5 的扩展Moore 型邻域。使用TerrSet 软件中的Collection Edi⁃tor 模块，将随机森林模型生成的适宜性概率图按照各景观类型的顺序进行排列，最终合成研究区景观类型分布适宜性图集，结合Markov 预测所得到的2010—2015 年研究区景观类型变化转移矩阵，作为CA 模型的状态转移规则函数。以2015 年景观栅格图为基期，设置模拟步长为5 年，获得2020 年模拟影像。将模拟结果与2020 年实际景观栅格图进行比较分析。使用Kappa系数对研究结果进行精度检验，一般认为Kappa>0.8 时，模拟精度较高［21］。

3 结果与分析

3.1 景观格局分析

3.1.1 景观构成与变化分析 连云港市2010—2020 景观类型分布和组成结构如图2 和表1 所示，景观类型转移矩阵如表2 所示。从景观类型的构成来看，耕地是本研究区最主要的景观类型，占研究区总面积超过65%；其次为建设用地，占研究区总面积的17.23%~20.40%。从景观类型变化动态过程来看，2010—2020 年连云港耕地的面积呈下降趋势，10 年间耕地面积共减少了317.25 km2，占研究区总面积比例由72.19%降低到67.87%，主要转出为人工塘和建设用地；盐田面积在2010—2015 年剧烈减少，共减少了64.98%，大量盐田转为了人工塘，部分废弃的盐田未得到利用，转为了未利用地。盐田的转变与江苏地区盐业生产转型有关，20 世纪末以来矿盐的发展势头强劲，逐步取代了海盐的主体地位，生产基地由苏北沿海转移到淮安。随着滨海地区城市的扩张和人口数量的增长，建设用地的需求量增加，城镇化率不断提高。分析时间段内，建设用地面积增加速度较快，占比由17.23%增加到20.40%，2010—2015 年的增长速度快于2015—2020 年，主要由耕地和盐田转入。同时，人工塘的面积增长幅度较大，由2.93%上升至6.16%，10 年间面积增加了1倍多；林地和河渠湖泊面积总体变化量不大。

表2 连云港市2010—2020 年景观类型转移矩阵 （单位：km2）

图2 连云港市2010、2015、2020 年景观类型

表1 连云港市景观类型组成特征

3.1.2 景观格局特征演变分析 本研究从类型水平尺度和景观水平尺度对研究区景观格局进行分析。表3 和表4 分别给出了2 种尺度相关指数的计算结果。连云港市各景观类型的景观指数变化趋势各不相同。2010 年至2020 年间，连云港市斑块密度（PD）整体上呈增大趋势，斑块密度从0.610 增加到0.702，破碎化程度不断增加。河渠湖泊、人工塘和未利用地的斑块密度指数持续增加；耕地、林地的斑块密度指数在持续减少；建设用地的斑块密度先增后减，在2015 年达到峰值；盐田的斑块密度基本上未发生变化。研究区总体景观形状指数（LSI）在10年中不断上升，从44.764 上升到51.007。各景观类型中，耕地、建设用地以及河渠湖泊的LSI较大，表明连云港市这几种景观类型破碎程度较大，形状较复杂。散布与并列指数（IJI）反映了景观的集中程度，其值越高表明同一类型斑块相互临近。连云港市景观水平IJI指数在不断增大，而在类型水平上，人工塘和林地的IJI指数在减小，说明连云港整体景观分布趋于集中，而人工塘和林地的分布则趋于分散。在连通性方面，蔓延度指数（CONTAG）从72.665 降至70.605，反映了相同景观的连通性在不断减弱。多样性指数（SHDI）和均匀度指数（SHEI）表征景观由少数几个主要景观类型控制的程度，进一步表征景观均衡程度。研究区多样性指数和均匀度指数不断增加，这是由于优势景观类型耕地的面积不断减少，景观分布更加均衡。总体来看，连云港市在2010—2020 年，景观格局的演变呈破碎化、多样化倾向，相同景观类型间的连通性降低，整体景观格局趋于复杂。

表3 2010—2020 年连云港市景观斑块类型水平指数

表4 2010—2020 年连云港市景观水平指数

3.2 随机森林模型训练结果

本研究选取16 个驱动因素，建立随机森林模型拟合每种景观类型与各驱动因子之间的依赖关系，模型的训练结果如表5、图3 所示。从精度评价结果来看，随机森林模型对连云港市各景观类型分布的解释能力较强，7 类景观的ROC值均超过0.800，其中耕地、林地和建设用地的ROC值在0.900 以上，表明随机森林模型对耕地、林地和建设用地的拟合效果较好。训练结果能够用于研究区景观格局的模拟预测。

表5 连云港市各景观类型随机森林模型训练精度评价结果

由图3 可知，不同景观类型分布影响因子的重要性排序有明显差别。自然因素方面，植被、水文、地形和气候因子对研究区景观分布影响最为显著。植被覆盖度与耕地、人工塘和建设用地分布关系紧密，这是由于人工塘和建设用地分布在植被较少的区域，耕地则相反。距海岸线距离以及坡度和高程对耕地的影响较大，这是由于连云港市耕地多分布于远离海岸线的内陆平原区域，坡度较小。林地则主要分布在山区，因此海拔相对较高且具有一定的坡度。多年平均降雨量和多年平均气温对耕地、河渠湖泊和未利用地分布的重要性较大。土壤因素对研究区盐田、未利用地分布有一定影响。

图3 连云港市各景观类型分布影响因素重要性

人文因素方面，社会经济因子对连云港地区7类景观类型的分布都有不同程度的影响，其中人口和GDP 对建设用地、人工塘和盐田分布的重要性较高，对河渠湖泊、未利用地分布的重要性较低。交通区位因子中距城镇中心距离对耕地、人工塘、建设用地分布影响较大，建设用地倾向以城镇为中心向附近扩张，耕地、人工塘则通常分布在远离城镇中心的区域。距公路、铁路距离对建设用地、林地、河渠湖泊和未利用地分布的重要性较高。

3.3 景观格局变化预测

本研究以2015 年的景观栅格数据为基础，结合转移矩阵和适宜性图集，预测了2020 年的景观格局，结合2020 年实际景观栅格数据，对预测结果进行精度检验，精度检验结果见表6。RF-CA-Markov模型对耕地、河渠湖泊、林地和建设用地变化模拟的Kappa系数分别是0.941 3、0.942 8、0.981 9和0.931 2，模型对以上4 种景观类型的模拟效果最优。模型对人工塘、盐田的模拟效果较差，可能是沿海区域盐田和人工塘的变化受产业发展政策影响较大，本研究没有设置这方面的政策因素导致。整体来看，RFCA-Markov 模型的Kappa系数大于0.900 0，模型精度较高，可以满足研究需求。在此基础上，用2020年景观栅格数据对2025 年景观格局进行模拟预测，结果如图4 所示。

图4 连云港市2020、2025 年景观模拟预测结果

表6 连云港市景观格局变化模拟精度检验结果

到2025 年，连云港市的建设用地和人工塘面积持续增加，耕地、盐田和林地面积减少，河渠湖泊和未利用地面积变化较小。根据连云港市2020—2025 年景观类型变化（图5）可知，盐田面积的减少幅度最大，减少了55.21%，其次是耕地和林地，分别减少了4.2%、1.42%；人工塘面积的增加幅度最大，增加了28.72%，其次为建设用地，增加了6.01%。

图5 连云港市2020—2025 年景观类型的变化

2020—2025 年连云港市城镇化进程主要集中在已有城镇建设用地的边缘，建设用地扩张多分布于连云港市区和东海县，灌云县和灌南县建设用地增长幅度较小。耕地主要转出为人工塘和建设用地，林地主要转出为建设用地，这表明限制建设用地对耕地、林地的侵占是目前地区发展需要关注的问题。未利用地面积增加主要分布在沿海，盐田仍是未利用地面积增加的主要来源，应该加强对废弃盐田的治理，使其重新得到有效利用。

研究区2025 年景观格局指数如表7 所示。整体上，连云港市景观破碎化增加，斑块密度上升至0.706，形状指数由2020 年的51.007 增加到2025 年的51.216，表明研究区景观形状变得更加复杂。散布与并列指数增至40.111、蔓延度指数减少至69.856，反映研究区景观集中程度增加，而相同景观之间的连通性降低。香农多样性指数和香农均匀度指数分别增加到1.018、0.521，景观多样性呈增加趋势，分布变得更加均衡。

表7 2020—2025 年连云港景观尺度水平指数

4 小结

本研究以连云港市为研究区域，运用景观类型转移变化、景观格局指标、随机森林建模、马尔科夫预测、元胞自动机等方法，对研究区景观格局变化情况、影响因子的驱动作用等进行分析，构建了适用于滨海城市的RF-CA-Markov 模型，对研究区未来景观格局进行了预测，主要结论如下。

1）2010—2020 年连云港市景观格局变化显著。主要体现为耕地、盐田的减少和建设用地、人工塘的增加。研究区域景观的优势度下降，破碎化程度上升，景观丰富度和异质性增强，整体形状趋于复杂。

2）随机森林模型训练结果显示，各景观类型的空间模拟效果良好，ROC检验值均超过了0.800。根据重要性排序结果，连云港市景观类型分布适宜性主要受到自然和人类活动因素的综合影响。不同影响因子对于各景观类型的作用方向与解释能力各不相同，耕地更易分布在坡度较小、远离城镇中心和海岸线的内陆区域；林地则倾向于分布在坡度较大的区域；人工塘、盐田多分布在植被较少、土壤含盐量高且远离城镇中心的区域；而建设用地的分布受到人口、GDP、距铁路距离等人类活动因素影响较大，倾向于分布在人口密集、靠近铁路的区域。

3）基于Markov 预测方法生成的景观类型转移矩阵和随机森林模型得到的适宜性图集，较好地规定了CA 模型的预测方向，将2020 年的模拟结果与2020 年真实解译结果进行对比，精度试验的Kappa系数高于0.900 0，其中，模型对耕地、河渠湖泊、林地和建设用地4 种景观类型变化的模拟效果最优，Kappa系数达0.941 3、0.942 8、0.981 9 和0.931 2。

4）连云港未来景观格局变化的特征为人工塘和建设用地面积将持续增加，盐田继续显著减少。研究区景观格局向破碎化、复杂化和多样化方向发展。废弃盐田主要转化为人工塘和未利用地，建设用地的侵占是耕地、林地面积减少的主要原因。