李 敏 劉國(guó)棟

（重慶交通大學(xué)土木工程學(xué)院，重慶400000）

本文以濟(jì)南市市中區(qū)為研究對(duì)象，首先應(yīng)用ENVI 軟件對(duì)2005 年和2015 年2 期遙感影像進(jìn)行解譯；其次利用Logistic 回歸模型提取CA-Markov 模型所需的轉(zhuǎn)換規(guī)則；最后完成研究區(qū)2025 年用地類型格局的模擬預(yù)測(cè)，從而為研究區(qū)未來(lái)土地可持續(xù)發(fā)展提供決策依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

本文研究區(qū)域?yàn)闈?jì)南市中心城區(qū)之一的市中區(qū)，地理位置位 于36° 35′ 36″ N-36° 40′ 04″ N， 116° 54′ 29″E-117°02′01″E 之間。該區(qū)屬于暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候。地勢(shì)南高北低，坡差較大，南有群山，北依平原，最高處海拔高程450.5 米，最低處海拔高程30 米[4]。

圖1 研究區(qū)位置

1.2 數(shù)據(jù)獲取及預(yù)處理

從地理空間數(shù)據(jù)云（http://www.gscloud.cn/）下載合適時(shí)間段的2 期遙感影像，空間分辨率均為30m×30m，基于常用的分類體系和研究區(qū)實(shí)際實(shí)際情況對(duì)2 期影像進(jìn)行目視解譯并劃分為5 種用地類型：建設(shè)用地、耕地、林地、水體及其他土地。驅(qū)動(dòng)因子選取DEM、地形起伏度、距城鎮(zhèn)道路的距離、距離鐵路的距離、距離主要河流的距離等自然和人口密度、GDP 密度等社會(huì)經(jīng)濟(jì)的7 個(gè)參數(shù)進(jìn)行邏輯回歸分析。DEM、從地理空間數(shù)據(jù)云（http://www.gscloud.cn/）獲得鐵路和河流數(shù)據(jù)，道路數(shù)據(jù)從開(kāi)源地圖OpenStreetMap(簡(jiǎn)稱，OSM)（http://www.openstreetmap.org/）中獲取，基于此部分?jǐn)?shù)據(jù)分別通過(guò)GIS 軟件進(jìn)行距離計(jì)算；基于DEM數(shù)據(jù)提取地形起伏度；人口密度、GDP 密度數(shù)據(jù)從中國(guó)科學(xué)院地理科學(xué)與資源研究所全球變化科學(xué)研究數(shù)據(jù)出版系統(tǒng)（http://www.geodoi.ac.c）獲取。

1.3 研究方法

參考土地利用變化研究相關(guān)文獻(xiàn)可知，Logistic 回歸分析方法廣泛的應(yīng)用于此[5]， 擬合方程為:Log (Pi/ (1-Pi))=β0+β1X1+β2X2+……βnXn。式中，Pi 表示每個(gè)柵格可能出現(xiàn)某一土地利用類型i 的概率，β1，β2，…βn 是自變量的回歸系數(shù)，X 表示所選自然和人文等驅(qū)動(dòng)影響因素?cái)?shù)據(jù)[6]。通過(guò)構(gòu)建含有回歸系數(shù)和驅(qū)動(dòng)因素的Logistic 回歸方程，判斷每一個(gè)柵格有可能出現(xiàn)某種地類的概率，以此篩選出對(duì)土地利用格局產(chǎn)生較為明顯影響的驅(qū)動(dòng)因子，確定它們間定量關(guān)系和作用的相對(duì)大小，并采用PontiusR.G 提出的ROC 方法用于檢驗(yàn)Logistic回歸結(jié)果[7]。

馬爾科夫模型(Markov)模型基于Markov 鏈獲得初始概率及轉(zhuǎn)移概率，體現(xiàn)出土地利用過(guò)程中各用地類型的轉(zhuǎn)化情況，因此可用來(lái)預(yù)測(cè)模擬未來(lái)用地類型數(shù)量的變化趨勢(shì)[8]。元胞自動(dòng)機(jī)(cellular automata，CA) 基于轉(zhuǎn)換規(guī)則模擬復(fù)合現(xiàn)象的時(shí)空演化過(guò)程的一種網(wǎng)格統(tǒng)計(jì)動(dòng)力模型[9]。為綜合考慮自然和人文因素，在Markov 模型的基礎(chǔ)上加入CA 模型可實(shí)現(xiàn)土地利用動(dòng)態(tài)模擬。此部分可以在IDRISI 所提供的CA-Markov 模塊計(jì)算完成。

2 土地利用變化模擬

2.1 模型建立過(guò)程

首先Idrisi 軟件的Markov 模塊計(jì)算10 年間用地轉(zhuǎn)移面積矩陣和轉(zhuǎn)移概率矩陣；然后對(duì)2 期土地利用數(shù)據(jù)分別進(jìn)行重分類獲得各期5 種單一用地類型，以此作為因變量，自變量是前文給定的7 種驅(qū)動(dòng)因子，由此構(gòu)建Logistic 回歸方程即可生成不同用地類型的條件概率圖像；利用CollectionEditor 工具將各用地概率圖組成土地利用適宜性圖集用作元胞狀態(tài)改變時(shí)的轉(zhuǎn)換規(guī)則；根據(jù)CA-Markov 模塊相關(guān)設(shè)定，導(dǎo)入2005 年土地利用圖、土地利用適宜性圖集和10 年間用地轉(zhuǎn)移面積矩陣等數(shù)據(jù)，元胞濾波器設(shè)定為5×5，時(shí)間間隔迭代設(shè)定為10 年，點(diǎn)擊運(yùn)算便可得到2015 年土地利用模擬圖，由kappa 指數(shù)進(jìn)行精度判定；預(yù)測(cè)過(guò)程以2015 年為起始年，輸入2015 年土地利用適應(yīng)性圖集，設(shè)定5×5 濾波器，時(shí)間間隔設(shè)為10，模擬得到2025 年各用地類型分布圖。

2.2 精度驗(yàn)證

檢驗(yàn)?zāi)Ｐ湍M的精度，可以利用Kappa 指數(shù)對(duì)同一時(shí)間、同一空間的遙感分類現(xiàn)狀圖像與模擬圖像進(jìn)行一致性檢驗(yàn)。當(dāng)Kappa≥0.75 時(shí)，現(xiàn)狀圖與模擬圖對(duì)比一致性較高，預(yù)測(cè)效果較好，本文利用IDRISI 的Validation 模塊，對(duì)2015 年土地利用分類模擬圖進(jìn)行4 種Kappa 指數(shù)的比較，得到表1。Kstandard 指數(shù)為 0.7871，Kno 指 數(shù) 為 0.8373，Klocation 指 數(shù) 為 0.8284，KlocationStrata 指數(shù)為8284，均大于0.75，表明研究區(qū)域內(nèi)模擬柵格圖與實(shí)際柵格圖一致性比較高，具有較高的可信度，說(shuō)明可以利用Logistic-CA-Markov 模型模型進(jìn)行2025 年土地利用的預(yù)測(cè)研究。

表1 2015 年土地利用模擬精度

2.3 城市土地利用分析與模擬

2005-2015 年間土地利用轉(zhuǎn)化可由Markov 模塊計(jì)算完成，10 年間研究區(qū)5 種土地利用面積分別為建筑用地由104.63 km2增加到123.58km2，耕地從90.79 km2變?yōu)?2.07 km2，林地從56.63 km2增加到62.38 km2，水域和其他用地由2.66 km2、29.03 km2分別減少到1.87 km2和23.84 km2。2005-2015 年間各類用地類型變化明顯，主要變化來(lái)自建筑用地、耕地和林地。

根據(jù)Logistic-CA- Markov 模型預(yù)測(cè)模擬數(shù)據(jù)可得2025 年研究區(qū)建筑用地面積126.91 km2、耕地面積65.85 km2、林地面積63.93 km2、水域面積2.19 km2和其他用地面積25.08 km2。由預(yù)測(cè)統(tǒng)計(jì)結(jié)果可知，2025 年土地利用分布體現(xiàn)于建筑用地明顯增加，比2015 年增加3.33 km2；耕地減少了6.22 km2，林地、水域和其他用地少量增加，分別比2015 年增加1.55 km2、0.32 km2、1.24 km2，其中耕地面積減少最為明顯。

圖2 2025 年土地利用預(yù)測(cè)圖

3 結(jié)論

本文研究采用2005 年、2015 年2 期Landsat 遙感影像解譯數(shù)據(jù)并結(jié)合地形和GDP 密度、人口密度等自然和人文數(shù)據(jù)，應(yīng)用Logistic-CA- Markov 耦合模型可獲取研究區(qū)用地類型變化情況。以此提供一種探究所選驅(qū)動(dòng)力因子與其之間的定量關(guān)系的方法參考。

對(duì)2005-2015 年間用地類型變化分析可知，建設(shè)用地和林地面積用地呈現(xiàn)大幅增加、以轉(zhuǎn)入為主的趨勢(shì)，耕地、水體和其他土地均有不同程度減少，主要以轉(zhuǎn)出為主。這10 年間城市化快速發(fā)展和人口變化急劇增加，促使建設(shè)用地容易占用耕地和其他用地等多種用地類型。 選定Kappa 指數(shù)判定Logistic-CAMarkov 耦合模型具有較好的模擬效果，因此可保證預(yù)測(cè)結(jié)果具有一定科學(xué)性與合理性。

研究中仍存在一定的不足之處，由于本文僅提供一種研究思路，可結(jié)合更大尺度的研究區(qū)域進(jìn)行方法實(shí)現(xiàn)；影像數(shù)據(jù)分辨率僅為30 m，要想獲得更加精細(xì)的土地利用數(shù)據(jù)的分類，可選擇更高分辨率的影響數(shù)據(jù)以避免其在數(shù)量及空間上部分誤差；受到數(shù)據(jù)可獲得性的限制，選擇驅(qū)動(dòng)力時(shí)未考慮更多可能存在的影響因素及地區(qū)政策因素。綜上考慮，保證可獲得合適數(shù)據(jù)的前提下，結(jié)合特定的區(qū)域情況選取更高分辨率的遙感影像數(shù)據(jù)，盡可能考慮多種驅(qū)動(dòng)力因素，同時(shí)需要進(jìn)一步提高模型情景設(shè)計(jì)與模擬方法。