郝曉敬,張 紅,*,徐小明,王 荔,崔 嚴

1 山西大學環(huán)境與資源學院, 太原 030006 2 伊利諾伊大學大氣科學系, 厄巴納 IL61801

土地利用覆被變化對區(qū)域生態(tài)經(jīng)濟系統(tǒng)的可持續(xù)發(fā)展和全球環(huán)境有著重要的影響。土地利用覆被變化改變了區(qū)域的自然景觀、物質循環(huán)、能量流動以及各種生態(tài)過程[1],進而引起全球生態(tài)系統(tǒng)發(fā)生變化[2- 3]。土地利用覆被(Land use/land cover,LULC)格局的演變與模擬已經(jīng)成為研究區(qū)域和全球生態(tài)系統(tǒng)變化的主要趨勢和潮流[4]。

LULC的演變是一個復雜的過程[5- 6],對這個復雜過程進行建模具有挑戰(zhàn)性。LULC的演變實際上是社會經(jīng)濟文化因素與土地潛力相互作用的結果,也是人類為了生存發(fā)展不斷開發(fā)自然資源這一動態(tài)過程的開始[7],各種驅動因子在不同的時空尺度上以復雜的方式影響著土地利用覆被變化[8],從而在局部、區(qū)域乃至全球尺度上影響著經(jīng)濟、社會和環(huán)境發(fā)生變化[9]。

LULC模擬前提是假設區(qū)域LULC格局受該區(qū)域土地利用覆被需求驅動, 區(qū)域LULC格局與該區(qū)域土地需求以及自然環(huán)境和社會經(jīng)濟狀況長期處于動態(tài)平衡之中,基于歷史時期的變化可預測未來LULC格局并采用有效的管理政策將生態(tài)系統(tǒng)引導到期望的路徑[10]。

LULC動態(tài)預測與模擬主要包括數(shù)量預測和時空格局模擬。隨著研究的深入,土地利用覆被變化的研究逐漸從簡單的數(shù)量預測轉向復雜的時空格局演變模擬。眾多學者運用了多種模型及其相互間的組合模型對區(qū)域的土地利用覆被演變進行了分析研究,如CA、CLUE、Markov、CLUE-S等[11-12],這些模型可以通過GIS環(huán)境下的遙感數(shù)據(jù)提供對土地利用覆被變化的適當識別,使LULC預測與模擬發(fā)生革命性的變化[13]。

晉北地區(qū)位于黃土高原農牧交錯帶,分布有大量礦產資源,因長期受自然因素和人類活動的綜合影響,生態(tài)環(huán)境變得極其敏感。近些年,在人口數(shù)量及經(jīng)濟快速增長的背景下,該區(qū)域土地利用變化劇烈。徐小明等研究了晉北地區(qū)1986—2010年土地利用變化的時空格局及其驅動力,由此結合不同時期政策導向和特征推斷出土地利用變化的原因[14],Xu等采用CA-Markov預測了晉北地區(qū)2020年的土地利用變化,但其影響因子未考慮GDP、人口等社會經(jīng)濟因素[15]。因此,研究近年來該區(qū)域土地利用覆被的演變情況以及影響因素,并預測未來不同情景下土地利用的時空分布,對優(yōu)化區(qū)域土地利用格局,促進生態(tài)、經(jīng)濟和社會協(xié)調發(fā)展有重要意義。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

晉北地區(qū)地處38°39′56″—40°44′35″N,110°56′30″—114°32′30″E之間,位于黃土高原地區(qū)的東北部邊緣,包括大同市部分縣區(qū)、朔州市所有縣區(qū)及忻州市的部分縣區(qū),屬于溫帶大陸性季風氣候,四季分明。區(qū)內山岳、丘陵、盆地交錯分布,地質地貌結構復雜,是我國典型的農牧交錯帶(圖1)。受地理位置、生態(tài)環(huán)境等自然因素的影響,晉北地區(qū)的礦藏資源豐富,但水資源十分匱乏,水土流失和土地沙化現(xiàn)象嚴重,生態(tài)環(huán)境脆弱。

圖1 研究區(qū)高程及行政區(qū)劃Fig.1 Digital elevation model and administrative divisions of study area

1.2 數(shù)據(jù)來源與處理

本文采用的土地利用覆被數(shù)據(jù)來源于中國科學院資源環(huán)境科學數(shù)據(jù)中心(http://www.resdc.cn/),在ArcGIS中進行數(shù)據(jù)提取、裁剪等步驟,得到晉北地區(qū)2010和2015年的LULC數(shù)據(jù),空間分辨率為1km×1km。結合研究區(qū)特點,將土地利用覆被分為8類：耕地(0)、林地(1)、草地(2)、居民用地(3)、工礦用地(4)、水域(5)、鹽堿地(6)、裸地(7)。

考慮到土地利用覆被變化的影響因子包括自然因素與社會經(jīng)濟因素,本文選取高程(a)、坡度(b)、坡向(c)、國內生產總值(d)、人口(e)、氣溫(f)、降水(g)、距公路距離(h)和距水系距離(i)共9種影響因素,數(shù)據(jù)來源于中國科學院資源環(huán)境科學數(shù)據(jù)中心(http://www.resdc.cn/)和中國氣象數(shù)據(jù)網(wǎng)(www.nmic.cn)。其中,氣象因子采用研究區(qū)站點的實測數(shù)據(jù)并進行反距離權重空間插值,得到氣溫和降水的空間分布；高程(DEM)數(shù)據(jù)進行重采樣并提取坡度和坡向信息；國內生產總值(GDP)和人口柵格數(shù)據(jù)基于居民點密度、土地利用類型和夜間燈光亮度等信息,利用多因子權重分配法將以行政區(qū)為基本統(tǒng)計單元的GDP數(shù)據(jù)與人口數(shù)據(jù)展布到柵格單元上[16]。距離因子依據(jù)獲取的主要公路和水系數(shù)據(jù),計算得到每個柵格到主要公路和水系的歐氏距離。所有數(shù)據(jù)空間分辨率為1km×1km,并進行歸一化處理。影響因子數(shù)據(jù)見圖2,土地利用數(shù)據(jù)見圖3。

圖2 晉北地區(qū)2010年9種驅動因子柵格圖Fig.2 Grid diagram of 9 driving factors in the northern Shanxi in 2010

1.3 研究方法

首先采用邏輯斯蒂(Logistic)回歸模型模擬各個土地利用類型與影響因子間的關系,然后基于回歸結果構造CLUE-S模型需求參數(shù),以2010年為基年模擬2015年的LULC格局,將模擬結果與實際結果進行精度檢驗。依據(jù)研究區(qū)歷史時期發(fā)展特征設置2020年不同發(fā)展情景下的土地需求,運行CLUE-S模型模擬晉北地區(qū)2020年不同情景下的LULC空間格局。

1.3.1邏輯斯蒂回歸模型

邏輯斯蒂(Logistic)回歸模型是一種概率統(tǒng)計模型,能夠定量分析土地利用類型的空間分布與驅動因子間的相關度[17],并篩選出相關性較大的驅動因素,排除相關性不顯著的驅動因素[18],從而判別每個柵格成為某種地類的可能性。

采用ROC曲線(Receiver operating characteristic curve)檢驗Logistic回歸結果,依據(jù)ROC曲線下面積的大小判斷回歸結果的擬合優(yōu)度[19]。ROC面積范圍在0.5(隨機分離)到1(完全區(qū)分)之間,當ROC曲線下面積大于0.7時,即可認為回歸結果的解釋力較好。

1.3.2CLUE-S模型

CLUE-S(Conversion of Land Use and its Effects at Small region extent)以柵格作為土地利用類型的表達基質,用每個柵格上占地比例最高的土地利用類型代表該柵格的地類[20-21]。CLUE-S模型提供了一個研究土地利用覆被變化及其與環(huán)境間相互關系的方法論框架,由非空間土地利用需求模塊和空間分配模塊組成[22]。

非空間土地利用需求模塊需要結合研究區(qū)的社會、政策、經(jīng)濟、自然環(huán)境等的特點、現(xiàn)狀以及發(fā)展規(guī)律,逐年計算出該區(qū)域不同土地利用類型的用地需求以作為空間配置的約束?？臻g分配模塊基于空間分布概率、土地利用轉換規(guī)則和基年土地利用模式,其中,每種土地利用類型空間分布概率的計算是模型模擬的核心,使用二元logistic回歸模型分析選定的驅動因子與土地利用變化之間的關系,得到未來LULC空間分布格局[23]。

采用Kappa指數(shù)驗證CLUE-S模型模擬精度,Kappa指數(shù)通常介于0—1之間,當Kappa指數(shù)>0.75表明一致性較好。

1.3.3情景分析

Kappa指數(shù)通過驗證后,表明CLUE-S模型對研究區(qū)2015年土地利用的模擬是可信的。在此基礎上,本文根據(jù)研究區(qū)的實際土地利用覆被變化特征,首先采用系統(tǒng)動力學模型構建數(shù)學方程式和結構流程圖進行仿真實驗[15],設置了3種發(fā)展情景,對研究區(qū)未來土地利用需求進行數(shù)量上的預測,然后采用CLUE-S模型對3種發(fā)展情景下的LULC格局進行空間上的預測。

情景a為維持現(xiàn)狀情景,代表發(fā)展速率維持現(xiàn)狀的情景。在本情景下,人口、GDP和3大產業(yè)的發(fā)展維持2010—2015年間的發(fā)展速度。由于人口基數(shù)大,為了滿足更多人的生活需求,擴大原有的耕地面積,減緩了植樹造林政策的實施進程,也使得草地面積大幅度減少；同時由于發(fā)展過程中并不太注重生態(tài)環(huán)境的保護,進而導致水域的面積減少,鹽堿地、裸地的面積增加。

情景b為經(jīng)濟優(yōu)先情景,代表發(fā)展速率較快,重視經(jīng)濟發(fā)展的情景。在該情景下,工礦業(yè)迅速擴展,城鎮(zhèn)化速度加快,居民用地占比增高；農民為提高收入,不斷擴大現(xiàn)有耕地,致使草地面積不斷減少,林地面積增速減慢；同時忽略了對生態(tài)環(huán)境的保護,導致水資源總量急劇降低,水域面積不斷減少,土地質量下降,土地退化現(xiàn)象加劇,甚至使得部分土地成為廢棄地,土地利用率下降。

情景c為生態(tài)保護情景,代表重視生態(tài)保護的情景。在該情景下,GDP呈中速上漲,第三產業(yè)比重增加,生態(tài)環(huán)境得到很大程度的改善。工礦用地和居民用地的增加速度減緩,生態(tài)系統(tǒng)的部分功能得到恢復,使得研究區(qū)的水域面積增多,鹽堿地和裸地面積不斷減少；同時由于植樹造林政策的優(yōu)化施行,林地面積逐漸增加,耕地基本維持原有的狀態(tài),生態(tài)系統(tǒng)向更健康的方向發(fā)展。

2 結果分析

2.1 晉北地區(qū)土地利用覆被變化特征

晉北地區(qū)的土地覆被類型(表1)以耕地、林地和草地為主,耕地面積占比最大,高達40%以上,其次為林地和草地,分別為20%和30%左右,表明研究區(qū)以農牧業(yè)為主要生產方式。晉北地區(qū)的LULC格局(圖3)主要呈西北斜向的條帶狀分布,是氣候、地貌特征等多種因素共同作用的結果。草地和林地集中分布在西北部和東南部,零散分布于其他地方；耕地幾乎遍布整個研究區(qū),但在東南部由于五臺山與恒山縱橫,限制耕地發(fā)展,分布較少；水域大致沿東北斜向流經(jīng)中部地區(qū)；大部分的工礦用地和居民用地集中分布在朔州市絕大部分地區(qū)和大同市的南郊區(qū)；鹽堿地主要集中分布于朔州市的山陰縣和應縣；裸地在研究區(qū)域內零散分布。

表1 2010、2015年各土地利用類型面積及比例

對比2010年和2015年的土地利用變化(表1、圖3),在2010—2015年間,所有土地利用類型均發(fā)生變化。其中,面積增加最多的是耕地,與人口增加以及糧食需求的上漲有直接關系；林地和草地面積的平穩(wěn)變化、居民用地和工礦用地面積的少量增加以及鹽堿地和裸地面積的大幅下降均得益于政府的管控措施以及民眾環(huán)保意識的覺醒。

圖3 2010、2015年土地利用覆被格局Fig.3 Land use and cover pattern in 2010 and 2015

2.2 晉北地區(qū)土地利用覆被變化影響因素分析

從研究區(qū)土地利用覆被的logistic回歸結果(表2)看,耕地和林地均受DEM、坡度、GDP這3種因素的影響最明顯；草地與居民用地、工礦用地的分布則與DEM、人口和GDP相關性較大,此外,工礦用地還與距公路距離有關,經(jīng)濟越發(fā)達,人口越稀疏,且交通越便利的地方越適合建廠；水域和鹽堿地的分布主要受DEM、距水系距離以及降水量和氣溫的影響；鹽堿地的分布受人口、坡度和坡向影響較大。

表2 2010年各土地利用類型的Logistic回歸結果

從Logistic回歸結果的ROC檢驗(表2)可知,除鹽堿地和裸地外,耕地、林地、草地等其他土地利用類型的ROC值都在0.74—0.95之間,表明采用本文選取的影響因子擬合研究區(qū)耕地、林地、草地等土地利用類型的分布是可行的；鹽堿地的ROC值為0.680,裸地的ROC值為0.651,表明模型對這兩種地類的解釋能力稍差,這是因為鹽堿地和裸地在遙感解譯時難以判別,分類精度不高,因此這兩種地類的擬合效果稍差?？傮w而言,本文所建立的logistic回歸模型具有較好的解釋能力,基本能夠反映自然和社會經(jīng)濟因子對土地利用類型分布的影響。

2.3 晉北地區(qū)2015年土地利用覆被的模擬和精度檢驗

基于研究區(qū)2010年的土地利用覆被和驅動因子數(shù)據(jù)以及l(fā)ogistic回歸結果,采用CLUE-S模型模擬2015年的LULC格局。將實際解譯效果與模型模擬結果進行對比,可以得知93.4%的區(qū)域一致,僅有6.6%的區(qū)域不一致(圖4)。

圖4 2015年土地利用覆被模擬及檢驗圖Fig.4 Simulation and inspection of land use and cover in 2015

進一步采用Kappa系數(shù)對2015年CLUE-S模型模擬精確度進行檢驗,結果見表3。其中,耕地、林地、草地的模擬精度都在0.87以上,表明CLUE-S模型能較好地模擬晉北地區(qū)的主要土地利用類型覆被格局。但是,檢驗結果也表明,鹽堿地和裸地的Kappa系數(shù)較低,這是因為相對于其他地類而言,鹽堿地和裸地在遙感解譯時難以判別和剝離,存在一定的分類誤差,而且數(shù)據(jù)空間分辨率較低,對土地利用類型空間細節(jié)水平的描述較弱,導致模型對這兩種地類的解釋能力稍差,logistic回歸結果也表明這一點。總體來看,研究區(qū)整體的Kappa系數(shù)為0.89,表明我們所建立的模型能夠較好的模擬研究區(qū)的LULC格局,可以進行2020年的情景模擬。

表3 2015年土地利用類型模擬精確度檢驗結果

2.4 晉北地區(qū)2020年土地利用覆被格局情景模擬

根據(jù)前文的3種情景設置得到2020年各土地利用類型需求(表4),并以2010年的LULC數(shù)據(jù)為基年數(shù)據(jù),模擬2020年這3種發(fā)展情景下晉北地區(qū)的LULC格局(圖5)。

對比3種發(fā)展情景下晉北地區(qū)2020年的土地利用覆被格局(圖5),可知：研究區(qū)在注重生態(tài)保護情景下的居民用地、工礦用地、鹽堿地和裸地的面積低于其他兩種發(fā)展情景,林地、草地以及水域面積較多,特別是鹽堿地和裸地的空間分布明顯較少,水域的分布范圍較廣；3種發(fā)展情景下,耕地、林地和草地的面積雖有所不同,但分布格局基本保持一致。因此,注重生態(tài)保護情景是晉北地區(qū)2020年最適宜的LULC格局。建議積極采取合理的水資源使用和土地利用以及恰當?shù)纳鷳B(tài)修復措施,提高各種土地的資源有效利用率,實現(xiàn)土地資源的均衡利用,更多地關注生態(tài)環(huán)境系統(tǒng)的保護,實現(xiàn)區(qū)域生態(tài)、經(jīng)濟和社會的可持續(xù)發(fā)展。

表4 2010—2020年(3種情景)不同土地利用類型面積需求

a. 維持現(xiàn)狀情景b. 經(jīng)濟優(yōu)先情景c. 生態(tài)保護情景

3 結論和討論

本文對晉北地區(qū)土地利用格局變化進行了分析和模擬,得到如下結論：

(1)晉北地區(qū)2010、2015和2020年的LULC格局整體分布基本一致,以耕地、林地和草地為主,土地利用類型主要呈西北斜向的條帶狀分布。

(2)在影響因子中,DEM、GDP、人口三者對于各類型土地利用空間格局的影響較大。具體而言,DEM對水域和鹽堿地的空間分布影響較大,GDP則在林地分布中較為重要,受人口影響較大的包括草地、居民用地和鹽堿地等。耕地和裸地受到多個影響因子的共同作用。

(3)CLUE-S模型在晉北地區(qū)土地利用覆被格局的擬合上有較好的精度,Kappa系數(shù)達0.89,表明模型能夠很好地模擬晉北地區(qū)的LULC格局；情景模擬結果表明,研究區(qū)在重視生態(tài)保護情景下的LULC格局明顯優(yōu)于著重維持發(fā)展現(xiàn)狀情景和致力于經(jīng)濟優(yōu)先發(fā)展情景,研究區(qū)未來發(fā)展方向應趨向重視生態(tài)保護情景,通過比較3種情景,也可以為未來決策提供更多信息。

總體來看,CLUE-S模型可以成功應用于晉北地區(qū)土地利用覆被演變和模擬,但是由于模型本身結構不完善、影響因素的復雜性以及數(shù)據(jù)分辨率等限制,仍然存在一些不足：

(1)尺度的大小和空間現(xiàn)象的本質有內在的聯(lián)系,在某一尺度上的空間現(xiàn)象, 在另一尺度上不一定存在或發(fā)生,遙感數(shù)據(jù)的最佳分辨率,與所研究景觀或格局問題的內在特征和目標有關,本文所采用數(shù)據(jù)的空間分辨率為1 km×1 km,對土地利用空間細節(jié)水平的描述較弱,尤其是對鹽堿地和裸地在低分辨率時難以判別和剝離,使得單個柵格包含地面多種土地利用類型信號[24],因此理解尺度和空間分辨率對LULC的精確模擬是非常有幫助的。

(2)CLUE-S模擬模型是一種基于宏觀尺度模擬土地利用覆被變化的經(jīng)驗統(tǒng)計模型,忽略了系統(tǒng)內部微觀層次變化對區(qū)域整體LULC格局演變的影響；在空間配置方面,CLUE-S模型所需參數(shù)較多,且各參數(shù)都有其特定的內涵和規(guī)則,設置復雜[25]；在驅動因子方面,由于土地利用類型復雜,所需的驅動因子較多且某些因子難以量化,致使驅動因素完整性降低[26]。

(3)在情景模擬方面,情景預測結果會因不同的預測者經(jīng)驗不同帶有一定的主觀性,反映特定情景下的模擬結果具有不確定性[27]；土地利用數(shù)量變化預測是CLUE-S模型的缺陷,因此,結合土地利用總量模擬模型與CLUE-S模型將成為該領域研究的熱點和重要方向[28]。