本文以安徽省两淮煤矿区的典型城市——淮南市和淮北市为研究区,基于RS和GIS技术,采用土地利用动态度、土地利用转移矩阵、土地利用变化图谱、土地利用变化重要性指数、景观指数综合分析淮南市1985～2016年和淮北市1985～2015年土地利用景观格局变化特征。采用Logistic回归模型测度不同驱动因素对各地类变化的驱动作用。参考前人研究,通过引入空间自相关变量对传统Logistic回归模型进行改进形成Autologistic模型,进而运用到CLUE-S模型模拟和预测土地利用变化过程。研究结果表明:1)1985～2016年淮南市土地利用变化主要表现为耕地、林地和草地面积减少,水域和建设用地面积增加。2005～2016年综合土地利用动态度最大,是各地类变化最强烈的阶段。土地变化以耕地向建设用地和水域的转换为主,新增水域集中分布在潘谢矿区。最大斑块指数、蔓延度指数呈下降趋势,景观形状指数呈上升趋势,土地利用景观向着破碎化的方向发展,景观空间连接性下降,景观形状趋于复杂,人为干扰较强。1985～2015年淮北市土地利用变化呈现为耕地、草地和水域面积减少,林地和建设用地面积增加。2005～2015年综合土地利用动态度最大,其中林地面积变化最为剧烈。主要土地利用变化是耕地和建设用地相互转化,以及草地的转出。最大斑块指数呈下降趋势,景观多样性指数呈上升趋势,均匀度指数、散布与并列指数呈先上升后下降趋势,区域景观格局破碎化趋势显著,景观异质性增强,各斑块类型在景观中面积比重不均衡,空间关系趋于简单化。2)选取 50m×50m、100m ×100m、150m×150m、200m×200m 和 250m×250m五种模拟尺度,分别计算5种尺度下土地利用类型和驱动因子的二元Logistic回归方程,比较不同模拟尺度上模型的拟合优度,经过对比选取最佳模拟尺度是150m ×150m。在此基础上,对比传统的Logistic回归模型和改进的Autologistic回归模型的差异,结果表明Autologistic回归模型具有更好的拟合优度,ROC>0.8,说明选取的驱动因子能够较好地解释土地利用空间变化驱动机制。根据Autologistic回归模型结果的回归系数β探究出淮南市耕地和建设用地变化的主要驱动力分别是年均降水量和GDP。淮北市耕地和草地的主要驱动力为高程,建设用地主要驱动力为人口。3)以2010年土地利用数据为基础,运用CLUE-S模型分别模拟淮南市2016年和淮北市2015年土地利用空间分布格局。通过与土地利用现状对比分析,总体模拟精度分别为79.22%、78.03%,Kappa指数分别为0.74和0.72,表明CLUE-S模型在研究区域具有较好的土地利用模拟能力。在此基础上,运用CLUE-S模型预测了淮南市2028年、2034年和2040年和淮北市2025年、2030年和2035年土地利用空间分布。结果表明,研究区未来土地利用空间分布格局总体上相对稳定,没有明显变化,各用地类型面积变化相对稳定。图16表23参83