龍 遠，李 萍，唐月亮，段建南

(湖南農業(yè)大學 資源環(huán)境學院，湖南 長沙 410128)

城市的日益擴展成為中國當前和未來土地利用變化的主要特征[1]。自20世紀90年代中期以來，中國城鎮(zhèn)化進程進入快速發(fā)展階段，國家統(tǒng)計數據表明，1995～2017年，中國的城鎮(zhèn)化率從29.04%上升到58.32%，平均每年提升1個百分點以上[2]。城市化率的大幅增長帶來了城市擴張過于迅速、中心城區(qū)發(fā)展空間萎縮、土地資源供求矛盾日益尖銳、耕地補充難度逐年加大、人地矛盾日益嚴峻等問題，嚴重制約了城市的可持續(xù)發(fā)展[3]?！吨腥A人民共和國國民經濟和社會發(fā)展第十三個五年規(guī)劃綱要》指出：要完善與區(qū)域發(fā)展戰(zhàn)略相適應、與人口城鎮(zhèn)化相匹配、與節(jié)約集約相協調的土地政策體系，強化差別化的土地政策，促進區(qū)域、城鄉(xiāng)用地布局優(yōu)化[4]。土地利用變化影響著國計民生和可持續(xù)發(fā)展，對未來土地利用變化規(guī)律的把握正變得越來越重要。

當前，國內外眾多學者在土地利用優(yōu)化模擬方面進行了眾多研究，并獲得了諸多成果。這些研究經歷了從定性到定量、從靜態(tài)到動態(tài)、從單目標到多目標的逐步升級。在方法運用上，元胞自動機(CA)模型、Clue-S模型、多智能體系統(tǒng)模型、Markov模型等得到了廣泛應用，但是目前大部分模型是簡單設定轉換規(guī)則或單獨訓練各用地類型得到轉移的概率，并沒有在轉換過程中建立起各土地類型間的聯系，難以體現各用地類型間的競爭及相互影響[5]。黎夏等[6]提出了空間地理模擬與優(yōu)化系統(tǒng)，將元胞自動機(CA)、多智能體系統(tǒng)以及生物智能整合在GeoSOS平臺中，對復雜地理空間現狀環(huán)境及變化過程進行了模擬和優(yōu)化，解決了傳統(tǒng)元胞自動機中確定轉換規(guī)則及參數等復雜問題，能更精確地模擬在自然以及人類活動影響下的土地利用變化。其中，基于CA模型的FLUS(Future Land—Use Simulation)模型包含基于輪盤賭選擇的自適應慣性競爭機制，能夠有效地處理各種土地利用類型相互轉換的不確定性和復雜性，為土地利用空間布局模擬的研究提供了新思路。

土地利用的變化反映了特定時空尺度下土地利用方式、開發(fā)強度、經濟投入、政策導向等諸多因素的作用強度及其合理性[7]。它是由各種因素復合作用導致的，這些因素包括自然、社會、經濟、政治等。通過客觀、科學的方法對未來土地利用狀況進行模擬，從而明確其變化、發(fā)展的規(guī)律，并進一步檢驗當前社會、經濟政策對土地利用變化導向是否合理[8]。本研究運用FLUS模型，以基本農田保護區(qū)為限制因素，對未來長瀏平丘陵區(qū)的土地利用狀況進行模擬預測，為實現區(qū)域協調可持續(xù)發(fā)展提供有價值的參考，為土地利用管理提供新的視角。

1 研究區(qū)概況與數據來源

1.1 研究區(qū)概況

長瀏平丘陵區(qū)位于湖南省中東部偏北，湘江下游和長瀏盆地(圖1)，東西長約230 km，南北寬約139 km，總面積約為15933 km2。截至2019年，長沙市土地面積11819.40 km2，其中市區(qū)面積2150.90 km2，建成區(qū)面積374.64 km2。長沙市轄芙蓉、天心、岳麓、開福、雨花、望城6區(qū)，以及長沙縣、寧鄉(xiāng)市及瀏陽市。平江縣土地面積為4114.42 km2，下轄5鄉(xiāng)19鎮(zhèn)。長瀏平丘陵區(qū)境內地貌類型多樣，地勢起伏較大，東部以丘陵低山為主，東西兩端山地環(huán)繞，中部漸趨低平，南部丘崗起伏，西部靠近雪峰山脈東端支脈，地形起伏偏大，中部是長衡丘陵盆地向洞庭湖平原過渡地帶，地勢逐級遞降趨于平緩，湘江由南而北斜貫中部，湘江兩岸形成地勢低平的沖積平原。氣候屬亞熱帶季風性濕潤氣候，年平均氣溫為16.8 ℃，年降水量為1358.6 mm，由于位居長瀏盆地內部，且距海較遠，受冬夏季風轉換、地勢向北傾斜等因素的影響，主要氣候特征為春寒頻繁，降水集中，夏秋多旱，嚴寒期短，無霜期長，霧多，風小，溫差大。

隨著長瀏平丘陵區(qū)域內城市化的快速發(fā)展，城市擴張過于迅速，中心城區(qū)發(fā)展空間萎縮，土地資源供求矛盾愈加尖銳，人地矛盾日益嚴峻，影響了長瀏平丘陵區(qū)的可持續(xù)發(fā)展，因此，掌握該區(qū)域未來土地利用變化狀況具有極其重要的現實意義。

圖1 長瀏平丘陵區(qū)位置示意圖

1.2 數據來源與處理

本研究采用的2005、2015年土地利用現狀數據來源于中科院資源環(huán)境數據云平臺，根據長瀏平丘陵區(qū)的土地利用特點，將土地利用類型劃分為耕地、林地、草地、城市工礦居民用地、水域和未利用地6類。長瀏平丘陵區(qū)各區(qū)縣行政區(qū)劃、道路數據、湖泊河流的空間分布數據和高程數據來源于地理國情監(jiān)測云平臺。社會經濟數據來源于《湖南統(tǒng)計年鑒(2006)》和《湖南統(tǒng)計年鑒(2016)》?；巨r田保護區(qū)的空間分布數據來源于《湖南省土地利用總體規(guī)劃(2006～2020年)》。根據FLUS模型的需求，結合長瀏平丘陵區(qū)的實際狀況，在ArcGIS平臺上將上述數據經過格式轉換和投影變換制作成同一投影坐標系的柵格圖層。

2 研究方法

2.1 FLUS模型原理

FLUS模型是基于系統(tǒng)動力學模型和元胞自動機模型而構建的，它將人工神經網絡(ANN)算法和輪盤賭選擇機制進行有機結合，提高了土地利用變化的模擬精度，能夠有效處理自然、社會、經濟等多種驅動因素的作用機理及各種土地利用類型相互轉換的不確定性和復雜性[9]。FLUS模型采用多層前饋神經網絡算法(BP-ANN)將一期土地利用數據中的各用地類型現狀及篩選得到的自然、社會、經濟等多類驅動因子協同整合，將不同用地類型與各驅動因子之間進行關聯，最終得到各土地類型的適宜性分布概率圖集。傳統(tǒng)CA模型局限于非城市用地到城市用地的轉變，限制了其模擬真實世界變化的能力，從兩期土地利用分布數據中采樣可能造成誤差的傳遞[10]。為提高模擬精度，FLUS模型以傳統(tǒng)的CA模型為基礎，將基于輪盤賭選擇的自適應慣性競爭機制引入其中，從而更好地解決了自然作用和人類活動作用下土地利用類型相互轉化的不確定性和復雜性的問題[11]。

2.2 各用地類型分布的適宜性概率圖集的制作

土地利用變化是一個由多影響因子交互驅動的非線性復雜過程[12]。本研究所采用FLUS模型是基于自然、社會、經濟、政策等驅動因子的數據來模擬各土地類型在研究區(qū)內出現的概率及各自的空間分布狀況。ANN是一種基于生物神經網絡模擬的機器學習模型，通常用于模擬和計算變量較多的非線性函數，它可以通過大量學習與召回迭代來不斷擬合輸入數據和訓練目標之間的復雜關系，從而保證生成更高適宜性的概率分布，建立起各土地類型出現的概率同驅動因子間的作用關系[13]。ANN是由輸入層、隱藏層和輸出層組成的，其中每個神經元，都分別對應CA中的一個變量，多層前饋網絡神經算法公式為：

(1)

(2)

(3)

式中：sp(p，k，t)表示柵格p在時間t出現k土地類型的概率；wj,k是隱藏層和輸出層之間的自適應權重；sigmoid[netj(p,t)]稱為S型函數或S型生長曲線，是隱藏層同輸出層的關聯函數；netj(p,t)表示j輸入層上的柵格p在t時間向神經元j發(fā)送的信號，即t時間第j類土地中的柵格p發(fā)生變化的強度；wi,j同wj,k均為自適應權重，其區(qū)別在于wi,j表示輸入層和隱藏層之間的自適應權重關系；xi(p,t)是t時間變量i同輸入層神經元i中柵格p的關系函數。

2.3 各用地類型未來像元數量的設定

未來像元數量是指在未來給定的預測期限各用地類型所發(fā)生的最終變化數量。本研究使用馬爾科夫鏈的方法來計算各用地類型未來像元數量的參數[14]。將2005和2015年的土地利用數據作為參考，通過馬爾科夫鏈計算得出2025年各用地類型的像元數量，公式為：

St+1=Pij×St

(4)

式中：St和St+1分別表示t時刻和t+1時刻土地的狀態(tài)；Pij是狀態(tài)轉移概率矩陣，表示i用地類型轉移為j用地類型的概率。

2.4 基于輪盤賭選擇的自適應慣性競爭機制

FLUS模型中的關鍵部分是基于輪盤賭選擇的自適應慣性競爭機制。它結合了鄰域權重和轉換規(guī)則，基于各用地類型的適宜性概率分布來實現對未來各土地類型像元總量空間分布的合理化配置，核心是自適應慣性，即每類土地的慣性系數由現有土地數量與土地需求之間的差異決定，并在迭代過程中進行自適應調整，從而使得各用地類型的數量向著預定目標發(fā)展，從而實現土地利用變化的模擬[15]。公式為：

(5)

(6)

(7)

3 模擬過程與結果分析

3.1 土地利用變化驅動因子的選取與確定

土地利用變化是各類型土地自身理化條件和自然、社會、經濟等內外因共同作用的結果[16]。土地利用變化受自然因素的影響具有一定的穩(wěn)定性，各土地利用類型是在自然因素嚴格的限制條件下進行轉變，而隨著城市化的飛速發(fā)展，在受到社會、經濟、政策等方面諸多因素的復合作用下，變化狀況就更為復雜[17]。

根據長瀏平丘陵區(qū)的實際情況以及相關數據獲取的可行性，綜合國內外相關研究中關于土地利用變化驅動因子的結論，選取以下12項土地利用變化驅動因子(表1)。

其中，地形條件作為自然因素決定著研究區(qū)土地利用的方向、方式以及變化趨勢，所以選取了作為構成地形條件最為關鍵的高程、坡度和坡向作為表征自然因素的驅動因子?？蛇_性通常對區(qū)域的土地利用變化具有很強的作用力，本研究主要選取各用地類型到高速公路、普通公路、鐵路的距離，以及各用地類型到城鎮(zhèn)中心和區(qū)域內各河流的距離，使用GIS平臺的距離分析工具進行處理得到此數據。除此之外，還選擇了研究區(qū)的地均GDP、地均財政支出、地均固定資產投資和人口密度等作為驅動因子來表征社會經濟因素對土地利用變化的影響。

表1 土地利用變化驅動因子

3.2 各用地類型分布的適宜性概率分析

在應用FLUS模型對未來土地利用變化進行情景模擬時，首先使用長瀏平丘陵區(qū)2005年土地利用現狀數據作為初始數據，將12個驅動力因子進行歸一化處理，然后在訓練樣本的過程中采用均勻采樣的策略，經過多次試驗，決定提取柵格數據15%的像元作為訓練樣本，再使用BP-ANN模型計算得出每一種像元所代表的土地利用類型的適宜性概率，最后制作得出各用地類型分布的適宜性概率圖集。為便于直觀分析、判斷各類土地的適宜性分布規(guī)律，將制作而成的適宜性概率圖集按照對應的土地利用類型在單一波段下顯示出來(圖2)。在圖中顏色越深的部分代表該用地類型在此區(qū)域分布的適宜性概率越低，顏色越淺就代表該用地類型在此區(qū)域分布的適宜性概率越高。

圖2 各用地類型適宜性概率分布圖

由圖2可知，耕地的高適宜性區(qū)域主要集中在地勢較為平坦，灌溉水源比較豐富的區(qū)域，在東部的山地丘陵區(qū)域適宜性最弱；與耕地相反，林地多位于丘陵及坡度較高的地區(qū)，聯系實際情況可知這與各自的生長環(huán)境有關，草地和林地適宜性概率較高的區(qū)域多分布在人類干預行為較少的區(qū)域；草地與林地的高適宜性主要分布在地形起伏較大的山地丘陵區(qū)域，且在長瀏平丘陵區(qū)的東部具有一部分的重合，大致呈條帶狀；城市工礦居民用地適宜性強的地區(qū)主要位于長瀏平丘陵區(qū)的城市群建成區(qū)周邊，多分布在地勢平坦、交通便利、公共基礎設施完善的區(qū)域，并必將在地區(qū)土地利用規(guī)劃的限制條件下繼續(xù)向外擴張，呈現集中連片的狀態(tài)；水域的高適宜性區(qū)域主要分布在湘江及其支流以及現有水體的周邊區(qū)域；由于長瀏平丘陵區(qū)內部未利用地的分布范圍比較少，所以適宜性概率的分布不是很明顯，適宜性強的地方依舊集中在原有未利用地區(qū)域?？偨Y研究區(qū)各土地類型的適宜性概率分布情況，高適宜性概率分布的區(qū)域大部分仍位于各用地類型原有分布的區(qū)域，且隨著分布的擴散,其適宜性也在隨之下降。

3.3 模型應用與驗證

在FLUS模型中將2005年長瀏平丘陵區(qū)的土地利用現狀數據作為初始數據，導入各用地類型的適宜性概率圖集和限制性因素，對模型參數進行設置，對2015年長瀏平丘陵區(qū)進行模擬，并將其結果和2015年土地利用現狀的真實數據進行對比驗證(圖3)，驗證結果見表2。

表2 FLUS模型驗證系數

通過應用總體精度(OA)、FOM指數及Kappa指數來驗證模型的有效性，OA和Kappa值通常介于0～1之間，數值越接近1，模型的仿真精度越高[18]。當Kappa≥0.75時，模型的仿真精度較高。當Kappa值在0.50～0.75之間時，模型的仿真精度一般[19]。本文采用了相比于Kappa系數能夠更好地描述模擬準確性的FOM系數，理論上講該參數值越大則證明模擬的效果越好，精度越高，但實踐驗證表明其結果大多在0.3以內[20]。模擬結果是驅動因子、參數、模擬算法等所有因子共同影響的結果，所以，結果的客觀性和精度是對模型中使用的驅動因子、適宜性概率圖集及其他參數設置是否合理的最好檢驗[21]。綜合以上3個精度系數，表明FLUS模型適用于模擬本地區(qū)未來土地利用變化狀況，且模擬結果比較好。

3.4 各用地類型2025年像元總量預測

運用馬爾科夫鏈算法，將2005、2015年兩期土地利用現狀數據進行計算，最后得到了土地利用類型綜合轉移概率矩陣(表3)。表3中行為原始土地利用類型，列為轉移后的土地利用類型，該表反映了研究區(qū)10年間各類土地利用類型的總體變化情況。

圖3 長瀏平丘陵區(qū)2015年土地利用現狀圖(a)和土地利用模擬圖(b)

由表3可知，變化最大的是耕地和城市工礦居民用地，轉移為其他利用類型的概率分別是0.0838和0.0566，耕地轉移為其他土地利用類型中，所占的比例由大到小依次為城市工礦居民用地、水域、林地、草地和未利用地，轉移的耕地有80.69%的概率會成為城市工礦居民用地，說明在快速城市化的過程中，占用了大量的耕地進行城市的建設活動，2015年耕地面積約為2005年耕地面積的91.6%。其次是林地和草地，轉移為其他土地利用類型的概率均小于0.04，表明長瀏平丘陵區(qū)重視植被的修復與保護，沒有大面積毀林毀草情況的發(fā)生。土地利用轉移概率最小的是未利用地和水域，未利用地由于水土流失有可能被轉化為水域，但減少幅度有限，部分水域也有可能被填埋改造成為陸地用于耕作和城市建設，總體而言，未利用地和水域的變化狀況趨于穩(wěn)定。

聯系區(qū)域發(fā)展實際情況可知，長瀏平丘陵區(qū)土地利用的變動情況較為劇烈，且后備耕地資源較少，在現有條件下補充耕地的潛力有限，望城區(qū)、長沙縣、寧鄉(xiāng)縣、瀏陽市、平江縣的社會經濟發(fā)展同樣也面臨著耕地補充任務重的問題。由此可見，整個研究區(qū)域的耕地保護情況都不容樂觀，需要更加嚴格地控制耕地紅線，科學規(guī)劃城鎮(zhèn)化發(fā)展，避免無序占用耕地，以保證耕地數量的穩(wěn)定。

表3 2005～2015年長瀏平丘陵區(qū)土地利用類型轉移概率矩陣

基于長瀏平丘陵區(qū)10年間的土地利用類型轉移概率矩陣，可以進一步預測2025年各土地利用類型的像元數量，預測結果如表4所示。

表4 應用馬爾科夫鏈算法預測不同土地利用類型像元個數

由表4分析可知，基于2015年的土地利用像元數，在無限制自由發(fā)展的情景下，到2025年耕地的像元數將下降6.6%，而城市工礦居民用地的像元數則會上升55.1%，結果表明：在缺乏土地規(guī)劃和耕地保護政策的制約下將顯著影響整個研究區(qū)的土地利用狀況，土地利用結構將趨于失衡，耕地資源將迅速減少，城市發(fā)展也將呈現出臃腫無序的狀態(tài)，綜上說明了耕地保護政策的必要性以及模擬預測長瀏平丘陵區(qū)的土地利用狀況的重要性。

3.5 土地利用變化限制發(fā)展區(qū)域的設定

政府部門通過土地利用規(guī)劃及出臺相關政策的方式來調節(jié)和控制各用地類型的分布?；谌司財盗可俚幕緡?，我國一直實行嚴格的耕地保護制度，并依據“總量不減少、用途不改變、質量有提高、布局總體穩(wěn)定”的方針劃定各地區(qū)的基本農田保護區(qū)，對基本農田的保護是當前土地利用規(guī)劃的重要目標[22]?；诖?，本研究在通過閱讀相關規(guī)劃文件及實際走訪之后，決定采用長瀏平丘陵區(qū)的基本農田保護區(qū)(圖4)作為土地利用模擬的限制發(fā)展區(qū)域。在FLUS模型中制作限制發(fā)展區(qū)域的數據時，將基本農田保護區(qū)的屬性賦值為0，將非基本農田保護區(qū)的屬性賦值為1，在模擬過程中，數值0表示該區(qū)域不允許土地類型發(fā)生轉化，1 表示允許發(fā)生轉化。

3.6 耕地保護情景下的長瀏平丘陵區(qū)2025年土地利用狀況

在使用上述適宜性概率分布及相應參數的基礎上，通過自適應慣性競爭元胞自動機的循環(huán)迭代制作得出長瀏平丘陵區(qū)2025年土地利用模擬圖(圖5)。

由圖5可知：耕地保護情景下，基本農田保護區(qū)成為長瀏平丘陵區(qū)耕地集中連片的重要區(qū)域，耕地的數量及空間的變動幅度比較小，穩(wěn)定性也較強，而位于基本農田保護區(qū)外的其他耕地的數量及空間分布的變化則較為明顯，耕地減少的區(qū)域主要集中在城市周邊及近郊，大部分用于新建工礦居民城市工礦居民用地；城市工礦居民用地作為其中變化量最大的土地類型，用地規(guī)模增長迅速，由區(qū)域中部向東西兩側呈現明顯的空間差異，中部呈現明顯的城市土地利用特征，兩側呈現相對顯著的農村土地利用特征，受地形等因素影響農村居民點布局較為零散；林地和草地主要分布在區(qū)域內的丘陵山區(qū)，在工礦居民用地集中的河谷平原分布較少，在整個研究區(qū)域內呈現出從中部到東西兩端逐漸增加的布局；水域和未利用地的變動幅度比較微弱。

圖5 長瀏平丘陵區(qū)2025年土地利用模擬結果

由表5可知，由于耕地保護的情景設置，耕地像元數下降的比例縮小，由原來的6.6%下降為4.7%，耕地數量的減少得到了明顯的抑制。工礦居民用地的像元數由55.1%的增長幅度下降為46.2%，由此可知，耕地保護政策的實行也對城市工礦居民用地的擴張具有重要影響。由于耕地保護情景對其他用地類型的影響較小，所以它們在模擬結果里的變化幅度比較微弱。

結合2005、2015和2025年各用地類型的像元數量以及各土地類型變化前后的分布格局發(fā)現，大部分土地利用變化發(fā)生在本區(qū)域中部海拔較低且地勢相對平緩的區(qū)域，且主要表現為耕地、林地、草地向城市工礦居民用地的轉變，由此可見，城市工礦居民用地的擴張極大地影響了區(qū)域土地的利用格局。比較過去10年間的土地利用狀況可知，在劃定基本農田保護區(qū)的限制性條件下，耕地得到了較為有效的保護，占用耕地的規(guī)模得到了有效的控制，因此也使得城市工礦居民用地的空間分布在一定程度上得到合理安排，協調了用地矛盾，研究區(qū)的土地利用逐步向節(jié)約、集約、科學和可持續(xù)邁進。未來要在保證城鎮(zhèn)及重點建設項目用地的前提下，統(tǒng)籌兼顧，促進經濟社會的發(fā)展。

表5 馬爾科夫鏈與耕地保護情景下像元模擬結果對比

4 結論與討論

4.1 結論

在耕地保護政策的影響下，到2025年，長瀏平丘陵區(qū)的耕地數量呈小幅下降趨勢，主要集中在非基本農田保護區(qū)，其耕地像元數約下降1.9%，但基本農田保護區(qū)內的耕地仍然具有面積優(yōu)勢，除此之外，耕地保護政策也使未來城市工礦居民用地的像元數的增長下降了8.9%，在一定程度上減緩了城市無序擴張的態(tài)勢。人類的社會經濟活動，特別是城市工礦居民用地的開發(fā)對耕地的數量及空間分布的變化具有顯著影響，耕地適宜性概率高的區(qū)域同時也是被占用概率高的區(qū)域，耕地高適宜區(qū)域與城市中心及城郊區(qū)域在一定程度上重合，與占用林地和草地的難易程度進行對比，占用耕地的難度更低，所以建立并保護好基本農田保護區(qū)對穩(wěn)定耕地的數量具有重要作用。在保護耕地的同時也需要兼顧城市的發(fā)展，要在合理可控的范圍之內進行開發(fā)與建設，這就對城市規(guī)劃提出了更高的要求。

本研究得出的土地利用模擬的結果大致符合未來土地利用發(fā)展的規(guī)律，也符合國家和本區(qū)域對各土地類型發(fā)展方向的基本判斷，由此證明了FLUS模型是實現土地利用規(guī)劃空間布局模擬的有效工具。

4.2 討論

驅動因子作為影響土地擴張強度、導致土地利用變化的基礎，它的合理性及代表性對模擬結果的精度有著重要的影響，也直接影響著各土地類型的適宜性概率分布。本研究主要考慮政府所劃定的基本農田保護區(qū)的影響，對其他相關的決策因素考慮較少，還需要設置差異化情景，選擇各自不同的驅動因素，同時將政府、企業(yè)及農戶等土地利用主體的決策因素作為重點，從而實現區(qū)域政策、經濟決策、人文環(huán)境等因素的空間化，進行更為科學全面的模擬。除此之外，為了保證模擬精度，對模型參數的設置、驅動因子的選擇等方面還需要進一步研究與分析。

自然生態(tài)、社會經濟、政府政策都是影響土地利用變化的重要因素，人口、資源環(huán)境承載力和地質狀況等也是很重要的限制性條件，面對多個復雜因素的影響，FLUS模型在模擬結果的準確性方面仍然存在一定的局限。因此，應該探求更為科學的土地利用優(yōu)化模擬方法，不斷提高土地利用模擬的精度和效果。

在耕地保護情景下模擬得到的土地利用空間分布得到一定程度的合理安排，在一定程度上協調了用地矛盾，但值得注意的是在保持耕地數量穩(wěn)定的同時，也要注意在轉移過程中耕地質量變化以及農田生態(tài)安全等問題，這就要求對土地利用模擬進行更加深入和細致的研究，使土地利用向節(jié)約、集約、科學和可持續(xù)發(fā)展，達到人與自然和諧發(fā)展的目標。