论文部分内容阅读
摘 要：土地利用/覆被變化的模拟预测研究对于探索土地利用变化的规律与方向，实现区域可持续发展具有十分重要的意义。该研究以重庆市典型的城乡二元结构巴南区为例，将2005年、2010年、2015年TM影像解译数据作为数据源，在对巴南区土地利用现状进行分析的基础上，构建了CA-Markov模型模拟预测巴南区未来土地利用的变化情况。结果表明：（1）对2015年土地利用模拟结果与实际土地利用现状交叉验证，Kappa系数为0.9145，表明CA-Markov模型进行土地利用格局模拟可行;（2）2005—2015年间，巴南区土地利用类型面积总体上呈现出耕地和林地不断减少，建设用地持续增加，草地和水域变化不明显的变化趋势，究其原因是巴南区近年来城市扩建占用了部分耕地和林地;（3）预测结果显示，2015—2035年间巴南区建设用地面积变化最为明显，将由94.54km2增加到481.75km2，耕地和林地面积依然在持续减少。因此，应严格控制建设用地占用耕地和林地，尽量改造老城区以及提高土地利用集约度来缓解日益加剧的土地压力。
关键词：土地利用变化;预测;CA-Markov模型;巴南区
中图分类号 F301.2;X171.1 文献标识码 A 文章编号 1007-7731（2021）11-0125-06
Research on Simulation and Prediction of Land Use Change in Banan District Based on CA-Markov Model
RAN Yuju
（School of City and Environment， Yunnan University of Finance and Economics， Kunming 650221， China）
Abstract： Research on simulation and prediction of land use/cover change is of great significance for exploring the law and direction of land use change and realizing sustainable development. This study takes Banan District， a typical urban-rural dual structure of Chongqing City as an example， uses TM image interpretation data in 2005， 2010， and 2015 as the data source， and on the basis of analyzing the status quo of land use in Banan District， build a CA-Markov model to simulate and predict future land use changes in Banan District. The results show that： （1） The 2015 land use simulation results are cross-validated with the actual land use status， and the Kappa coefficient is 0.9145， indicating that it is feasible to use the CA-Markov model to simulate the land use pattern; （2） Banan from 2005 to 2015 In general， the area of land use types in the district shows a trend of “decreasing arable land and forest land， continuous increase in construction land， and insignificant changes in grassland and waters”. The reason is that the urban expansion in Banan District has occupied part of the arable land and forest land in recent years; （3） The forecast results show that the construction land area in Banan District has changed most significantly from 2015 to 2035， increasing from 94.54km2 to 481.75km2. The area of arable land and woodland is still decreasing. Therefore， the occupation of arable land and woodland for construction land should be strictly controlled， as far as possible. Transform the old city and increase the intensity of land use to alleviate the increasing pressure on land.
Key words： land use change; prediction; CA-Markov model; Banan District 自1995年国际地圈-生物圈计划（IGBP）和国际全球环境变化人文因素计划（IHDP）联合提出“土地利用/覆盖计划”（land use/cover change，LUCC）研究计划以来，LUCC便成为了国内外学者所研究的热点问题之一[1-3]。部分学者逐渐意识到LUCC会对区域生态环境以及社会经济发展产生直接或间接的影响，进而影响区域乃至全球的可持续发展[4-5]。因此，土地利用动态变化模拟预测研究已成为全球和区域环境变化的重要课题。
土地利用变化过程复杂多变，土地利用各类型内部的功能复杂和各类型之间的结构复杂性决定了土地利用研究必须采用复杂的系统的理论方法[6-7]。到目前为止，土地利用变化模擬预测研究中采用的方法主要有：基于经验的数理统计模型（CLUE-S模型）、马尔科夫链（Markov Process）、元胞自动机（Cellular automaton，CA）、人工神经网络（Artificial neural network，ANN）、多智能体系统模型（multi-agent system，MAS）[4]。在众多的模型中，Markov模型和CA模型被广泛运用，但前者最大的缺点是无法实现土地利用的空间变化预测[8]，而后者优势主要体现在具有极强的时空耦合特点以及空间运算能力[9]。目前，越来越多的学者结合CA模型和Markov模型各自优势来构建CA-Markov模型，引用多目标土地优化配置的方法来预测土地利用变化，将连续的空间数据和可能的空间转换信息加入马尔科夫分析中[10-11]，该耦合模型综合了CA模型的空间预测能力以及Markov模型数量预测的优势，有效提高了土地利用变化模拟精度以及模拟土地利用空间变化的能力[12-14]。目前已有的土地利用变化模拟预测模型不仅理论研究已经比较成熟，应用也十分广泛。但仍存在一些不足：关于次发达地区以及县级范围内的小尺度动态预测研究很少;部分学者利用单一模型进行土地利用动态变化研究，不具说服力。因此，本研究在选取研究区域以及预测模型时进行改进。
巴南区位于重庆市主城区西南部，是重庆主城九区之一，定位为重庆市都市拓展区，在重庆市“一圈两翼”发展战略上处于核心圈层区域，同时是国家重点水利工程三峡大坝上游重要流域区域，在重庆市主城发展地位上具有重要战略地位。随着西部大开发，城乡统筹发展以及巴南的发展定位的进一步完善，重庆市巴南区呈现出快速发展的模式，主要表现在随着城乡一体化政策的实施，巴南区的非农业人口降低以及区域内的工业生产的发展，加大了区域内的建设用地的扩张，导致区域内呈现出粗放发展的模式，毁林开荒、占用基本农田现象比较突出，这直接影响着巴南区的未来城市发展定位以及城市统筹规划的实施。在这样的大背景下，如何协调区域随着城市化快速发展与土地之间的矛盾，已经成为必须思考的话题。因此，综合以上存在的问题，本研究选取重庆市巴南区为研究区域，结合CA模型和Markov模型各有的优势构建CA-Markov模型，模拟预测巴南区土地利用变化情况，从空间和数量上综合把握土地利用变化趋势，以期为巴南区合理制定土地利用规划和促进区域经济社会可持续发展提供参考。
1 方法与数据
1.1 研究区概况 巴南区地处长江上游三峡库区，位于重庆市西南部，属主城九区之一，跨东经106°26′2″～106°59′53″、北纬29°7′44"～29°45′43"之间，面积1834.23km2，以丘陵山地为主，具备重庆市“大城市、大农村、大库区、大山区”特征，城乡差距较大，区域发展不平衡，资源节约和环境保护任务重。同时在较长时间范围内，城镇化、工业化等带动的土地利用演变较为剧烈，人地矛盾突出，其基本概括了山地城市边缘县域层面土地利用时空演变的一般特点。
1.2 数据来源与处理 本研究以重庆市巴南区2005年、2010年和2015年美国NAS陆地卫星（landsat）搭载的TM传感器所拍摄的1∶10万遥感影像数据以及1∶5万 DEM数据作为数据源。采用《中科院土地利用覆盖分类体系》，将土地分为耕地、林地、草地、水域、建设用地5大土地利用类型，对研究区域3年的遥感影像进行解译，获取3期土地利用数据。为了保证相关操作能够在ISRISI 17.0软件中正常运行，分别对3期土地利用数据以及其他相关数据进行格式转换、坐标系统一和设置像元大小等操作。
1.3 研究方法
1.3.1 土地利用动态度 土地利用动态度可以用来反映研究区内的土地利用类型在某一时期变化的剧烈程度，对于比较土地利用变化的区域差异和时空差异具有重要作用。因此，本文选取单一土地利用动态度分析土地利用变化特征，为预测巴南区未来的土地利用变化趋势提供参考，相关公式见参考文献[14]。
1.3.2 土地利用转移概率矩阵 土地利用转移矩阵是研究区域在某一时期期初与期末各土地利用类型之间的转换关系，使用土地利用转移矩阵能够对土地利用在数量上的分布特征以及各地类相互转化的流向等进行追踪研究[15]，主要通过ArcGIS软件中的栅格计算器获取。
1.3.3 土地利用变化图谱 土地利用图谱是研究土地利用“格局与过程”时空动态变化的基本时空复合体信息单元[16]。参考前人研究成果[17]，将巴南区土地利用变化图谱概括为3种类型：（1）稳定变化型：即土地利用类型在2005—2015期间不发生变化;（2）前期变化型：即土地利用类型在2005—2010年间发生变化，在2010—2015年间不发生变化;（3）后期变化型：即土地利用类型在2005—2010年间不发生变化，在2010—2015年间发生变化。
1.3.4 CA-Markov模型[S（t+1）=f（S（t），N）] 元胞自动机模型（CA）具有强大的时空处理能力，其运行原理是将研究区域的地理环境划分为独立的元胞空间，每个栅格单元就对应1个元胞，每个栅格的属性就是元胞的状态，在土地利用变化研究中元胞状态就是对应的某种土地利用类型，因此CA模型广泛应用于时空演变过程十分复杂的地理系统[18]。其最大的特点是时间、空间和状态皆是离散的，其空间相互作用和时间因果关系都处于局部。模型由元胞、时间、空间、状态、领域和转换规则个部分组成，各个变量取有限的状态，且其转变的规则在时间和空间上都是局部的[19]，其公式为： S（t+1）=f（S（t），N） （1）
式中：S（t），S（t+1）：t和t+1时刻元胞有限、离散的状态集合;N：元胞邻域;f：元胞转换规则。
马尔科夫模型（Markov）可以用来分析事件的发展规律以及预测其未来时刻的发展趋势，具有无后效性和稳定性[20]。无后效性是指事件在t+1时刻的状态只与t时刻的状态有关;稳定性是指随着时间发展而逐渐保持稳定。土地利用时空变化过程一定程度上也具有就具有这两种特点，因此Markov模型可以用来预测土地利用变化，在模型预测过程中，土地利用类型之间可以相互进行转换[21]。利用Markov模型对土地利用变化数量进行预测就确定土地利用转移概率，表达式如下：
[Pij=P11P12...P1nP21P22...P2n............Pn1Pn2...Pnn] （2）
[S（t+1）=Pij×S（t）] （3）
本研究采用集成的CA-Markov模型，模擬巴南区2015年的土地利用变化，对比解译得到的2015年土地利用图，计算模拟精度。在模拟结果较好的情况下，将2015年的土地利用适宜性图集和土地利用转移概率矩阵输入CA-Markov模块，预测2025年和2035年的土地利用空间格局。
2 结果与分析
2.1 2005—2015年巴南区土地利用变化特征
2.1.1 土地利用数量变化分析 通过ArcGIS软件统计分析巴南区2005年、2010年、2015年3个时期的土地利用数据，得出巴南区土地利用面积变化和动态度，结果如表1所示。从数量上来看，巴南区土地利用类型以耕地和林地为主，占总面积的90%以上，土地利用类型的面积表现为耕地>林地>建设用地>水域>草地，其中耕地是巴南区主要土地利用类型，在3个时期分别占总面积的48%、47%、46%。2005—2015年土地利用分布不断发生变化，总体表现为耕地和林地面积逐渐减少，建设用地面积持续增加，草地和水域面积变化不大。从动态度来看，建设用地变化幅度最大，在2005—2015年期间，建设用地不断增加，第2个时期增量达到第一个时期的近11倍，且变化速率连续2期都是最大值，分别为0.46、4.95;耕地和林地减少速度加快，耕地单一动态度由0.00增长到0.42，林地单一动态度由0.04增长到0.42。以上变化特征表明，随着巴南区经济的快速发展，建设占用的现象越来越普遍，政府部门应制定有效措施严格控制建设用地占用现象，协调好经济发展与生态保护之间的关系。
2.1.2 土地利用变化图谱 为研究2005—2010—2015年间巴南区的土地利用类型的演变情况，利用ArcGIS计算得出巴南区2005—2015年间的土地利用变化情况，参考前人研究成果以及计算结果，将巴南区土地利用变化图谱概括为3种类型：稳定变化型、前期变化型、后期变化型。从表2可以看出，在2005—2015年期间，巴南区土地利用变化类型中，稳定变化型面积变化最大，其图谱单元面积为1802.90km2，占总面积的比例达到98.75%，其中耕地-耕地-耕地的变化面积居于主体地位，变化面积为845.42km2;后期变化型次之，其图谱单元面积为19.66km2，占总面积1.08%，其中耕地-耕地-建设用地的变化面积最大，变化面积为14.25km2，占后期变化型总面积的72.48%;前期变化型面积变化最小，其图谱单元面积为3.19km2，占总面积0.17%。2005—2015年间巴南区土地利用变化面积由大到小的排序依次为稳定变化型>后期变化型>前期变化型。
2.1.3 土地利用空间转移 通过ArcGIS计算得出土地利用转移面积矩阵表（表3、表4）。巴南区在2005—2015年间土地利用类型面积总体上呈现出“两增、两减、一不变”的变化规律，即水域和建设用地面积增加，耕地和林地减少，草地基本无变化。耕地转出面积多于转入面积，呈减少趋势。其中2005—2010年耕地转出面积为0.89km2，转入面积为0.75km2，净转出0.14km2，转出地类主要为林地和建设用地。2010—2015年耕地转出地类主要为林地、水域、建设用地，转为建设用地的面积为14.25km2，占总转出面积的95%左右。林地转换不平衡，转出地类主要为耕地和建设用地，转入地类全部来自耕地，但是转入的林地面积远远小于转出的林地面积。建设用地呈增长趋势，2010—2015年建设用地未转为其他地类，转入面积总计19.07km2，主要来源于耕地和林地，城市扩张程度大于2010年以前，主要归因于巴南区经济发展速度不断加快，一大批城市公园和广场随着旅游业的兴起不断出现，城镇化率逐渐提高。此外，“十二五”规划期间，房地产项目增多，交通运输用地增加，使城市化进程进一步加速，从而导致土地利用变化剧烈。
2.2 巴南区土地利用变化模拟和预测
2.2.1 土地利用变化模拟 运用CA-Markov模型模拟土地利用格局的关键在于土地利用转移概率矩阵和土地适宜性图集的确定。本研究将巴南区3期土地利用数据经过数据格式转换后作为基础数据，以5年为时间间隔，比例误差设为0.15，利用软件IDRISI17.0中的Markov模型和COLLETION EDIT模块分别生成土地利用转移概率矩阵和适宜性图集作为CA-Markov模型的转换规则，为模拟预测未来年期的土地利用时空变化做准备。以2010年的土地利用数据为基础，将获取的2005—2010年土地利用转移面积矩阵和2010年土地利用适宜性图集作为转换规则，在CA标准的5x5滤波器以及迭代次数为5的条件下，通过CA-Markov模型得到巴南区2015年土地利用格局模拟图。巴南区2015年土地利用现状图与土地利用模拟图如图1和图2所示。总体来说，模拟预测图与土地利用现状图上的各土地利用类型在空间分布上大体一致，建设用地的分布表现出较为明显的差异，模拟预测出的巴南区2015年建设用地面积多于实际面积。这是因为“十一五”规划期间，巴南区建设用地的分布受到较多政策因素的影响。而本研究在选取土地利用变化影响因素时未能考虑到政策因素的影响，导致模拟预测中存在一些误差。 2.2.2 模拟精度检验 本研究采用IDRISI中的kappa模块对巴南区2015年的土地利用模拟结果进行精度检验，Kappa指数主要用于对比分析2个图件的一致性，也可用于评价遥感解译的精度。当Kappa≤0.4时，说明两幅图件一致性较差，即现状图与模拟预测图存在较大差异，模拟效果较低;当Kappa≥0.4且≤0.75时，说明两幅图件一致性一般，现状图与模拟图差异稍明显，模型模拟结果精度一般，有一定的错误栅格;当Kappa≥0.75时，说明2幅图之间的一致性较高，模拟效果良好。
巴南区2015年土地利用变化模拟检验结果如表5所示。从表5可以看出，巴南区2015年土地利用结构模拟数据与实际数据存在差异，但大体一致，CROSSTAB模块检验出模拟的总体Kappa精度为91.45%，平均精度为80.70%，模拟效果良好，因此其精度能够满足对巴南区未来年期的土地利用格局预测分析。其中，建设用地模拟精度较低，仅为72.87%，究其原因是因为建设用地的分布受政策因素影响较大，由于其驱动因子较难追踪，本研究未考虑政策因素的约束作用，导致其模拟精度较低。因此，为了提高模拟精度，未来在制作土地利用适宜性图集的过程中，应多加考虑政策因素对于土地利用变化的影响，从而对转换规则进行限制和约束，进一步提高模拟精度。
2.2.3 土地利用变化预测 CA-Markov模型模拟巴南区2015年土地利用效果良好，可以满足对未来年期土地利用变化的预测。因此，采用相同的方法获取2010—2015巴南区土地利用转移概率矩阵以及2015年土地利用适宜性图集，将2015年的土地利用图件作为基础数据，将迭代次数分别设置为10和20，利用CA-Markov模型对巴南区2025年和2035年土地利用格局进行预测，得到的土地利用格局预测图如图3、图4所示。利用ArcGIS对其统计分析，得出巴南区2015—2025年和2025—2035土地利用转移面积矩阵，如表7、表8所示。从表7、表8可以看出，巴南区未来的土地利用类型将呈现出“耕地和林地减少，草地和建设用地增加，水域先减少后增加”的演变趋势。究其原因，主要是因为对“空心村”的闲置宅基地进行复垦，使农村建设用地转变为耕地。耕地是巴南区主要土地利用类型，为了防止耕地持续减少，政府应严格限制对耕地的盲目开发行为。建设用地面积变化最为明显，呈现持续增多的趋势，2015—2035年间面积增加387.21km2，占比增加21.59%。由于建设用地转换具有不可逆性，因此政府部门在制定土地利用总体规划时应严格控制建设用地额增加量，尽量改造老城区以及提高土地利用集约度来满足日益加剧的土地压力。
3 结论与讨论
本研究以位于重庆市的巴南区作为研究区域，利用ArcGIS软件的空间分析功能，统计巴南区在2005—2015年土地利用数据，分析其土地利用变化特征。在此基础上，以坡度、高程、距主要道路距离、距城镇建设用地距离以及距水域距离作为驱动因子，利用IDRISI中的Markov模型和MCE模块获取土地利用转移矩阵以及土地利用适宜性图集，结合CA-Markov模型模拟预测巴南区2025年和2035年土地利用格局。主要结论如下：
（1）耕地和林地是主要土地利用类型。研究期内，巴南区土地利用类型中都是耕地和林地占比最大，其中2005—2015年耕地和林地面积之和占总面积的90%以上，2025年和2035年预测结果显示耕地和林地面积呈减少趋势，但仍是主要土地利用类型，两者占总面积之和接近70%。从土地利用转移面积矩阵可以看出，研究期内建设用地面积持续增多，且主要来源于耕地和林地的转换，耕地和林地转为建设用地的面积之和占总转入面积的95%以上。这主要是因为巴南区经济快速发展，城镇建设用地不断占用城市周边的耕地和林地以实现扩张。鉴于此，政府部门应采取措施协调城市发展和生态保护之间的关系，制定合理土地利用规划，保护耕地、林地和草地以及主要水资源，抑制城镇建设用地的规模。
（2）CA-Markov模型模拟效果良好。对比分析巴南区2015年土地利用模拟结果和2015年土地利用现状图，计算Kappa系数为0.9145，说明CA-Markov模型模拟效果良好，可以预测巴南区2025年和2035土地利用变化情况。
（3）耕地、林地和建设用地相互转换频繁。由巴南区2005—2015土地利用变化情况可知，耕地、林地和建设用地演变剧烈，相互之间转换频繁。耕地和林地转出地类主要是建设用地，是建设用地实现扩张的主要来源。此外，2025年和2035年土地利用模拟预测结果也表明耕地、林地和建设用地面积呈持续变化趋势。在空间上，预测结果显示建设用地变化最为明显，呈现出以鱼洞和花溪镇为中心，向四周辐射的趋势，整体沿着花溪鎮-南泉镇-界石镇-南彭镇方向发展。总体而言，预测结果与区域土地利用规划相符合，说明CA-Markov模型同时具有数量上和空间上的模拟预测优势，对于巴南区城市建设以及经济社会可持续发展方面具有实际意义。
本研究虽然在一定程度上克服了传统土地利用变化线性模拟方法的弊端，但仍存在一定的不足。在考虑土地利用变化的影响因素时，应结合研究区域实际情况，综合考虑自然、经济、社会和政策各方面对于地利用变化的影响，还应考虑基本农田保护区、建设用地管制区以及名胜古迹等因素，从而对转换规则进行限制和约束，以提高模型模拟的精度。此外，本研究在对巴南区未来土地利用变化进行模拟预测的过程中，将元胞大小统一设置为100m×100m，未考虑元胞大小对模拟精度的影响。未来的研究应根据研究区实际情况，设置不同的元胞大小进行试验，选择最适宜的元胞尺寸，从而提高模拟精度。
参考文献
[1]后立胜，蔡运龙.土地利用/覆被变化研究的实质分析与进展评述[J].地理科学进展，2004（6）：96-104.
[2]王兵，臧玲.我国土地利用/土地覆被变化研究近期进展[J].地域研究与开发，2006（2）：86-91. [3]郑燕凤.基于GIS的CA-MARKOV模型的土地利用变化研究[D].泰安：山东农业大学，2009.
[4]张龙飞.基于MAS-LCM耦合模型的孟连县土地利用时空变化模拟预测研究[D].昆明：云南大学，2016.
[5]刘国，陈海莉，李慧燕.土地利用/土地覆被变化研宄综述[J].青海师范大学学报（哲学社会科学版），2014，36（4）：5-10.
[6]王甜，闫金凤，乔海燕.马来西亚吉隆坡市土地利用变化特征分析与预测[J].水土保持通报，2020，40（5）：268-275，341.
[7]李晓，郑庆荣，胡砚秋，等.滹沱河上游地区土地利用变化对生态系统服务价值的影响[J].安徽农学通报，2021，27（2）：108-112，143.
[8]武丹，李欢，艾宁，黄涛，等.基于CA-Markov的土地利用时空变化与生境质量预测——以宁夏中部干旱区为例[J].中国生态农业学报（中英文），2020，28（12）：1969-1978.
[9]Al-shalabi M， Billa L. Modelling urban growth evolution and land-use changes using GIS based cellular automata and SLEUTH models： the case of Sana′a metropolitan city， Yemen[J].Environ Earth，2013，70（1）：425-437.
[10]王友生，余新晓，贺康宁，等.基于 CA-Markov模型的藉河流域土地利用变化动态模拟[J].农业工程学报，2011，27（12）：330-336.
[11]霍明明，张轶莹，陈伟强.基于CA-Markov的土地利用变化及预测研究——以巩义市鲁庄镇为例[J].中国农学通报，2015，31（12）：279-284.
[12]唐鹏.基于CA-MARKOV模型的LUCC机制与模拟研究[D].重庆交通大学，2016.
[13]李靖，廖和平，蔡进，等.山地城市边缘土地利用格局与变化的地形梯度分布特征分析——以重庆市巴南区为例[J].长江流域资源与环境，2015，27（2）：296-305.
[14]王秀兰，包玉海.土地利用动态变化研究方法探讨[J].地理科学进展，1999（1）：83-89.
[15]童小容，杨庆媛，毕国华.重庆市2000～2015年土地利用变化时空特征分析[J].长江流域资源与环境，2015，27（11）：2481-2495.
[16]张晓娟，周启刚，王兆林，等.基于MCE-CA-Markov的三峡库区土地利用演变模拟及预测[J].农业工程学报，2017，33（19）：268-277.
[17]齐笑，陈诚，何梦男，张劲.深圳市土地利用景观格局演变分析与情景模拟[J].地理空间信息，2015，16（12）：88-91，11.
[18]童小容，楊庆媛，毕国华.重庆市2000～2015年土地利用变化时空特征分析[J].长江流域资源与环境，2015，27（11）：2481-2495.
[19]田多松，傅碧天，吕永鹏，等.基于SD和CLUE-S模型的区域土地利用变化对土壤有机碳储量影响研究[J].长江流域资源与环境，2016，25（4）：613-620.
[20]林晓丹.基于GIS和Logistic-CA-Markov模型的土地利用/覆被变化与模拟研究[D].福州：福建农林大学，2017.
[21]吕乐婷，张杰，彭秋志，等.东江流域景观格局演变分析及变化预测[J].生态学报，2019，39（18）：6850-6859.
（责编：张宏民）
关键词：土地利用变化;预测;CA-Markov模型;巴南区
中图分类号 F301.2;X171.1 文献标识码 A 文章编号 1007-7731（2021）11-0125-06
Research on Simulation and Prediction of Land Use Change in Banan District Based on CA-Markov Model
RAN Yuju
（School of City and Environment， Yunnan University of Finance and Economics， Kunming 650221， China）
Abstract： Research on simulation and prediction of land use/cover change is of great significance for exploring the law and direction of land use change and realizing sustainable development. This study takes Banan District， a typical urban-rural dual structure of Chongqing City as an example， uses TM image interpretation data in 2005， 2010， and 2015 as the data source， and on the basis of analyzing the status quo of land use in Banan District， build a CA-Markov model to simulate and predict future land use changes in Banan District. The results show that： （1） The 2015 land use simulation results are cross-validated with the actual land use status， and the Kappa coefficient is 0.9145， indicating that it is feasible to use the CA-Markov model to simulate the land use pattern; （2） Banan from 2005 to 2015 In general， the area of land use types in the district shows a trend of “decreasing arable land and forest land， continuous increase in construction land， and insignificant changes in grassland and waters”. The reason is that the urban expansion in Banan District has occupied part of the arable land and forest land in recent years; （3） The forecast results show that the construction land area in Banan District has changed most significantly from 2015 to 2035， increasing from 94.54km2 to 481.75km2. The area of arable land and woodland is still decreasing. Therefore， the occupation of arable land and woodland for construction land should be strictly controlled， as far as possible. Transform the old city and increase the intensity of land use to alleviate the increasing pressure on land.
Key words： land use change; prediction; CA-Markov model; Banan District 自1995年国际地圈-生物圈计划（IGBP）和国际全球环境变化人文因素计划（IHDP）联合提出“土地利用/覆盖计划”（land use/cover change，LUCC）研究计划以来，LUCC便成为了国内外学者所研究的热点问题之一[1-3]。部分学者逐渐意识到LUCC会对区域生态环境以及社会经济发展产生直接或间接的影响，进而影响区域乃至全球的可持续发展[4-5]。因此，土地利用动态变化模拟预测研究已成为全球和区域环境变化的重要课题。
土地利用变化过程复杂多变，土地利用各类型内部的功能复杂和各类型之间的结构复杂性决定了土地利用研究必须采用复杂的系统的理论方法[6-7]。到目前为止，土地利用变化模擬预测研究中采用的方法主要有：基于经验的数理统计模型（CLUE-S模型）、马尔科夫链（Markov Process）、元胞自动机（Cellular automaton，CA）、人工神经网络（Artificial neural network，ANN）、多智能体系统模型（multi-agent system，MAS）[4]。在众多的模型中，Markov模型和CA模型被广泛运用，但前者最大的缺点是无法实现土地利用的空间变化预测[8]，而后者优势主要体现在具有极强的时空耦合特点以及空间运算能力[9]。目前，越来越多的学者结合CA模型和Markov模型各自优势来构建CA-Markov模型，引用多目标土地优化配置的方法来预测土地利用变化，将连续的空间数据和可能的空间转换信息加入马尔科夫分析中[10-11]，该耦合模型综合了CA模型的空间预测能力以及Markov模型数量预测的优势，有效提高了土地利用变化模拟精度以及模拟土地利用空间变化的能力[12-14]。目前已有的土地利用变化模拟预测模型不仅理论研究已经比较成熟，应用也十分广泛。但仍存在一些不足：关于次发达地区以及县级范围内的小尺度动态预测研究很少;部分学者利用单一模型进行土地利用动态变化研究，不具说服力。因此，本研究在选取研究区域以及预测模型时进行改进。
巴南区位于重庆市主城区西南部，是重庆主城九区之一，定位为重庆市都市拓展区，在重庆市“一圈两翼”发展战略上处于核心圈层区域，同时是国家重点水利工程三峡大坝上游重要流域区域，在重庆市主城发展地位上具有重要战略地位。随着西部大开发，城乡统筹发展以及巴南的发展定位的进一步完善，重庆市巴南区呈现出快速发展的模式，主要表现在随着城乡一体化政策的实施，巴南区的非农业人口降低以及区域内的工业生产的发展，加大了区域内的建设用地的扩张，导致区域内呈现出粗放发展的模式，毁林开荒、占用基本农田现象比较突出，这直接影响着巴南区的未来城市发展定位以及城市统筹规划的实施。在这样的大背景下，如何协调区域随着城市化快速发展与土地之间的矛盾，已经成为必须思考的话题。因此，综合以上存在的问题，本研究选取重庆市巴南区为研究区域，结合CA模型和Markov模型各有的优势构建CA-Markov模型，模拟预测巴南区土地利用变化情况，从空间和数量上综合把握土地利用变化趋势，以期为巴南区合理制定土地利用规划和促进区域经济社会可持续发展提供参考。
1 方法与数据
1.1 研究区概况 巴南区地处长江上游三峡库区，位于重庆市西南部，属主城九区之一，跨东经106°26′2″～106°59′53″、北纬29°7′44"～29°45′43"之间，面积1834.23km2，以丘陵山地为主，具备重庆市“大城市、大农村、大库区、大山区”特征，城乡差距较大，区域发展不平衡，资源节约和环境保护任务重。同时在较长时间范围内，城镇化、工业化等带动的土地利用演变较为剧烈，人地矛盾突出，其基本概括了山地城市边缘县域层面土地利用时空演变的一般特点。
1.2 数据来源与处理 本研究以重庆市巴南区2005年、2010年和2015年美国NAS陆地卫星（landsat）搭载的TM传感器所拍摄的1∶10万遥感影像数据以及1∶5万 DEM数据作为数据源。采用《中科院土地利用覆盖分类体系》，将土地分为耕地、林地、草地、水域、建设用地5大土地利用类型，对研究区域3年的遥感影像进行解译，获取3期土地利用数据。为了保证相关操作能够在ISRISI 17.0软件中正常运行，分别对3期土地利用数据以及其他相关数据进行格式转换、坐标系统一和设置像元大小等操作。
1.3 研究方法
1.3.1 土地利用动态度 土地利用动态度可以用来反映研究区内的土地利用类型在某一时期变化的剧烈程度，对于比较土地利用变化的区域差异和时空差异具有重要作用。因此，本文选取单一土地利用动态度分析土地利用变化特征，为预测巴南区未来的土地利用变化趋势提供参考，相关公式见参考文献[14]。
1.3.2 土地利用转移概率矩阵 土地利用转移矩阵是研究区域在某一时期期初与期末各土地利用类型之间的转换关系，使用土地利用转移矩阵能够对土地利用在数量上的分布特征以及各地类相互转化的流向等进行追踪研究[15]，主要通过ArcGIS软件中的栅格计算器获取。
1.3.3 土地利用变化图谱 土地利用图谱是研究土地利用“格局与过程”时空动态变化的基本时空复合体信息单元[16]。参考前人研究成果[17]，将巴南区土地利用变化图谱概括为3种类型：（1）稳定变化型：即土地利用类型在2005—2015期间不发生变化;（2）前期变化型：即土地利用类型在2005—2010年间发生变化，在2010—2015年间不发生变化;（3）后期变化型：即土地利用类型在2005—2010年间不发生变化，在2010—2015年间发生变化。
1.3.4 CA-Markov模型[S（t+1）=f（S（t），N）] 元胞自动机模型（CA）具有强大的时空处理能力，其运行原理是将研究区域的地理环境划分为独立的元胞空间，每个栅格单元就对应1个元胞，每个栅格的属性就是元胞的状态，在土地利用变化研究中元胞状态就是对应的某种土地利用类型，因此CA模型广泛应用于时空演变过程十分复杂的地理系统[18]。其最大的特点是时间、空间和状态皆是离散的，其空间相互作用和时间因果关系都处于局部。模型由元胞、时间、空间、状态、领域和转换规则个部分组成，各个变量取有限的状态，且其转变的规则在时间和空间上都是局部的[19]，其公式为： S（t+1）=f（S（t），N） （1）
式中：S（t），S（t+1）：t和t+1时刻元胞有限、离散的状态集合;N：元胞邻域;f：元胞转换规则。
马尔科夫模型（Markov）可以用来分析事件的发展规律以及预测其未来时刻的发展趋势，具有无后效性和稳定性[20]。无后效性是指事件在t+1时刻的状态只与t时刻的状态有关;稳定性是指随着时间发展而逐渐保持稳定。土地利用时空变化过程一定程度上也具有就具有这两种特点，因此Markov模型可以用来预测土地利用变化，在模型预测过程中，土地利用类型之间可以相互进行转换[21]。利用Markov模型对土地利用变化数量进行预测就确定土地利用转移概率，表达式如下：
[Pij=P11P12...P1nP21P22...P2n............Pn1Pn2...Pnn] （2）
[S（t+1）=Pij×S（t）] （3）
本研究采用集成的CA-Markov模型，模擬巴南区2015年的土地利用变化，对比解译得到的2015年土地利用图，计算模拟精度。在模拟结果较好的情况下，将2015年的土地利用适宜性图集和土地利用转移概率矩阵输入CA-Markov模块，预测2025年和2035年的土地利用空间格局。
2 结果与分析
2.1 2005—2015年巴南区土地利用变化特征
2.1.1 土地利用数量变化分析 通过ArcGIS软件统计分析巴南区2005年、2010年、2015年3个时期的土地利用数据，得出巴南区土地利用面积变化和动态度，结果如表1所示。从数量上来看，巴南区土地利用类型以耕地和林地为主，占总面积的90%以上，土地利用类型的面积表现为耕地>林地>建设用地>水域>草地，其中耕地是巴南区主要土地利用类型，在3个时期分别占总面积的48%、47%、46%。2005—2015年土地利用分布不断发生变化，总体表现为耕地和林地面积逐渐减少，建设用地面积持续增加，草地和水域面积变化不大。从动态度来看，建设用地变化幅度最大，在2005—2015年期间，建设用地不断增加，第2个时期增量达到第一个时期的近11倍，且变化速率连续2期都是最大值，分别为0.46、4.95;耕地和林地减少速度加快，耕地单一动态度由0.00增长到0.42，林地单一动态度由0.04增长到0.42。以上变化特征表明，随着巴南区经济的快速发展，建设占用的现象越来越普遍，政府部门应制定有效措施严格控制建设用地占用现象，协调好经济发展与生态保护之间的关系。
2.1.2 土地利用变化图谱 为研究2005—2010—2015年间巴南区的土地利用类型的演变情况，利用ArcGIS计算得出巴南区2005—2015年间的土地利用变化情况，参考前人研究成果以及计算结果，将巴南区土地利用变化图谱概括为3种类型：稳定变化型、前期变化型、后期变化型。从表2可以看出，在2005—2015年期间，巴南区土地利用变化类型中，稳定变化型面积变化最大，其图谱单元面积为1802.90km2，占总面积的比例达到98.75%，其中耕地-耕地-耕地的变化面积居于主体地位，变化面积为845.42km2;后期变化型次之，其图谱单元面积为19.66km2，占总面积1.08%，其中耕地-耕地-建设用地的变化面积最大，变化面积为14.25km2，占后期变化型总面积的72.48%;前期变化型面积变化最小，其图谱单元面积为3.19km2，占总面积0.17%。2005—2015年间巴南区土地利用变化面积由大到小的排序依次为稳定变化型>后期变化型>前期变化型。
2.1.3 土地利用空间转移 通过ArcGIS计算得出土地利用转移面积矩阵表（表3、表4）。巴南区在2005—2015年间土地利用类型面积总体上呈现出“两增、两减、一不变”的变化规律，即水域和建设用地面积增加，耕地和林地减少，草地基本无变化。耕地转出面积多于转入面积，呈减少趋势。其中2005—2010年耕地转出面积为0.89km2，转入面积为0.75km2，净转出0.14km2，转出地类主要为林地和建设用地。2010—2015年耕地转出地类主要为林地、水域、建设用地，转为建设用地的面积为14.25km2，占总转出面积的95%左右。林地转换不平衡，转出地类主要为耕地和建设用地，转入地类全部来自耕地，但是转入的林地面积远远小于转出的林地面积。建设用地呈增长趋势，2010—2015年建设用地未转为其他地类，转入面积总计19.07km2，主要来源于耕地和林地，城市扩张程度大于2010年以前，主要归因于巴南区经济发展速度不断加快，一大批城市公园和广场随着旅游业的兴起不断出现，城镇化率逐渐提高。此外，“十二五”规划期间，房地产项目增多，交通运输用地增加，使城市化进程进一步加速，从而导致土地利用变化剧烈。
2.2 巴南区土地利用变化模拟和预测
2.2.1 土地利用变化模拟 运用CA-Markov模型模拟土地利用格局的关键在于土地利用转移概率矩阵和土地适宜性图集的确定。本研究将巴南区3期土地利用数据经过数据格式转换后作为基础数据，以5年为时间间隔，比例误差设为0.15，利用软件IDRISI17.0中的Markov模型和COLLETION EDIT模块分别生成土地利用转移概率矩阵和适宜性图集作为CA-Markov模型的转换规则，为模拟预测未来年期的土地利用时空变化做准备。以2010年的土地利用数据为基础，将获取的2005—2010年土地利用转移面积矩阵和2010年土地利用适宜性图集作为转换规则，在CA标准的5x5滤波器以及迭代次数为5的条件下，通过CA-Markov模型得到巴南区2015年土地利用格局模拟图。巴南区2015年土地利用现状图与土地利用模拟图如图1和图2所示。总体来说，模拟预测图与土地利用现状图上的各土地利用类型在空间分布上大体一致，建设用地的分布表现出较为明显的差异，模拟预测出的巴南区2015年建设用地面积多于实际面积。这是因为“十一五”规划期间，巴南区建设用地的分布受到较多政策因素的影响。而本研究在选取土地利用变化影响因素时未能考虑到政策因素的影响，导致模拟预测中存在一些误差。 2.2.2 模拟精度检验 本研究采用IDRISI中的kappa模块对巴南区2015年的土地利用模拟结果进行精度检验，Kappa指数主要用于对比分析2个图件的一致性，也可用于评价遥感解译的精度。当Kappa≤0.4时，说明两幅图件一致性较差，即现状图与模拟预测图存在较大差异，模拟效果较低;当Kappa≥0.4且≤0.75时，说明两幅图件一致性一般，现状图与模拟图差异稍明显，模型模拟结果精度一般，有一定的错误栅格;当Kappa≥0.75时，说明2幅图之间的一致性较高，模拟效果良好。
巴南区2015年土地利用变化模拟检验结果如表5所示。从表5可以看出，巴南区2015年土地利用结构模拟数据与实际数据存在差异，但大体一致，CROSSTAB模块检验出模拟的总体Kappa精度为91.45%，平均精度为80.70%，模拟效果良好，因此其精度能够满足对巴南区未来年期的土地利用格局预测分析。其中，建设用地模拟精度较低，仅为72.87%，究其原因是因为建设用地的分布受政策因素影响较大，由于其驱动因子较难追踪，本研究未考虑政策因素的约束作用，导致其模拟精度较低。因此，为了提高模拟精度，未来在制作土地利用适宜性图集的过程中，应多加考虑政策因素对于土地利用变化的影响，从而对转换规则进行限制和约束，进一步提高模拟精度。
2.2.3 土地利用变化预测 CA-Markov模型模拟巴南区2015年土地利用效果良好，可以满足对未来年期土地利用变化的预测。因此，采用相同的方法获取2010—2015巴南区土地利用转移概率矩阵以及2015年土地利用适宜性图集，将2015年的土地利用图件作为基础数据，将迭代次数分别设置为10和20，利用CA-Markov模型对巴南区2025年和2035年土地利用格局进行预测，得到的土地利用格局预测图如图3、图4所示。利用ArcGIS对其统计分析，得出巴南区2015—2025年和2025—2035土地利用转移面积矩阵，如表7、表8所示。从表7、表8可以看出，巴南区未来的土地利用类型将呈现出“耕地和林地减少，草地和建设用地增加，水域先减少后增加”的演变趋势。究其原因，主要是因为对“空心村”的闲置宅基地进行复垦，使农村建设用地转变为耕地。耕地是巴南区主要土地利用类型，为了防止耕地持续减少，政府应严格限制对耕地的盲目开发行为。建设用地面积变化最为明显，呈现持续增多的趋势，2015—2035年间面积增加387.21km2，占比增加21.59%。由于建设用地转换具有不可逆性，因此政府部门在制定土地利用总体规划时应严格控制建设用地额增加量，尽量改造老城区以及提高土地利用集约度来满足日益加剧的土地压力。
3 结论与讨论
本研究以位于重庆市的巴南区作为研究区域，利用ArcGIS软件的空间分析功能，统计巴南区在2005—2015年土地利用数据，分析其土地利用变化特征。在此基础上，以坡度、高程、距主要道路距离、距城镇建设用地距离以及距水域距离作为驱动因子，利用IDRISI中的Markov模型和MCE模块获取土地利用转移矩阵以及土地利用适宜性图集，结合CA-Markov模型模拟预测巴南区2025年和2035年土地利用格局。主要结论如下：
（1）耕地和林地是主要土地利用类型。研究期内，巴南区土地利用类型中都是耕地和林地占比最大，其中2005—2015年耕地和林地面积之和占总面积的90%以上，2025年和2035年预测结果显示耕地和林地面积呈减少趋势，但仍是主要土地利用类型，两者占总面积之和接近70%。从土地利用转移面积矩阵可以看出，研究期内建设用地面积持续增多，且主要来源于耕地和林地的转换，耕地和林地转为建设用地的面积之和占总转入面积的95%以上。这主要是因为巴南区经济快速发展，城镇建设用地不断占用城市周边的耕地和林地以实现扩张。鉴于此，政府部门应采取措施协调城市发展和生态保护之间的关系，制定合理土地利用规划，保护耕地、林地和草地以及主要水资源，抑制城镇建设用地的规模。
（2）CA-Markov模型模拟效果良好。对比分析巴南区2015年土地利用模拟结果和2015年土地利用现状图，计算Kappa系数为0.9145，说明CA-Markov模型模拟效果良好，可以预测巴南区2025年和2035土地利用变化情况。
（3）耕地、林地和建设用地相互转换频繁。由巴南区2005—2015土地利用变化情况可知，耕地、林地和建设用地演变剧烈，相互之间转换频繁。耕地和林地转出地类主要是建设用地，是建设用地实现扩张的主要来源。此外，2025年和2035年土地利用模拟预测结果也表明耕地、林地和建设用地面积呈持续变化趋势。在空间上，预测结果显示建设用地变化最为明显，呈现出以鱼洞和花溪镇为中心，向四周辐射的趋势，整体沿着花溪鎮-南泉镇-界石镇-南彭镇方向发展。总体而言，预测结果与区域土地利用规划相符合，说明CA-Markov模型同时具有数量上和空间上的模拟预测优势，对于巴南区城市建设以及经济社会可持续发展方面具有实际意义。
本研究虽然在一定程度上克服了传统土地利用变化线性模拟方法的弊端，但仍存在一定的不足。在考虑土地利用变化的影响因素时，应结合研究区域实际情况，综合考虑自然、经济、社会和政策各方面对于地利用变化的影响，还应考虑基本农田保护区、建设用地管制区以及名胜古迹等因素，从而对转换规则进行限制和约束，以提高模型模拟的精度。此外，本研究在对巴南区未来土地利用变化进行模拟预测的过程中，将元胞大小统一设置为100m×100m，未考虑元胞大小对模拟精度的影响。未来的研究应根据研究区实际情况，设置不同的元胞大小进行试验，选择最适宜的元胞尺寸，从而提高模拟精度。
参考文献
[1]后立胜，蔡运龙.土地利用/覆被变化研究的实质分析与进展评述[J].地理科学进展，2004（6）：96-104.
[2]王兵，臧玲.我国土地利用/土地覆被变化研究近期进展[J].地域研究与开发，2006（2）：86-91. [3]郑燕凤.基于GIS的CA-MARKOV模型的土地利用变化研究[D].泰安：山东农业大学，2009.
[4]张龙飞.基于MAS-LCM耦合模型的孟连县土地利用时空变化模拟预测研究[D].昆明：云南大学，2016.
[5]刘国，陈海莉，李慧燕.土地利用/土地覆被变化研宄综述[J].青海师范大学学报（哲学社会科学版），2014，36（4）：5-10.
[6]王甜，闫金凤，乔海燕.马来西亚吉隆坡市土地利用变化特征分析与预测[J].水土保持通报，2020，40（5）：268-275，341.
[7]李晓，郑庆荣，胡砚秋，等.滹沱河上游地区土地利用变化对生态系统服务价值的影响[J].安徽农学通报，2021，27（2）：108-112，143.
[8]武丹，李欢，艾宁，黄涛，等.基于CA-Markov的土地利用时空变化与生境质量预测——以宁夏中部干旱区为例[J].中国生态农业学报（中英文），2020，28（12）：1969-1978.
[9]Al-shalabi M， Billa L. Modelling urban growth evolution and land-use changes using GIS based cellular automata and SLEUTH models： the case of Sana′a metropolitan city， Yemen[J].Environ Earth，2013，70（1）：425-437.
[10]王友生，余新晓，贺康宁，等.基于 CA-Markov模型的藉河流域土地利用变化动态模拟[J].农业工程学报，2011，27（12）：330-336.
[11]霍明明，张轶莹，陈伟强.基于CA-Markov的土地利用变化及预测研究——以巩义市鲁庄镇为例[J].中国农学通报，2015，31（12）：279-284.
[12]唐鹏.基于CA-MARKOV模型的LUCC机制与模拟研究[D].重庆交通大学，2016.
[13]李靖，廖和平，蔡进，等.山地城市边缘土地利用格局与变化的地形梯度分布特征分析——以重庆市巴南区为例[J].长江流域资源与环境，2015，27（2）：296-305.
[14]王秀兰，包玉海.土地利用动态变化研究方法探讨[J].地理科学进展，1999（1）：83-89.
[15]童小容，杨庆媛，毕国华.重庆市2000～2015年土地利用变化时空特征分析[J].长江流域资源与环境，2015，27（11）：2481-2495.
[16]张晓娟，周启刚，王兆林，等.基于MCE-CA-Markov的三峡库区土地利用演变模拟及预测[J].农业工程学报，2017，33（19）：268-277.
[17]齐笑，陈诚，何梦男，张劲.深圳市土地利用景观格局演变分析与情景模拟[J].地理空间信息，2015，16（12）：88-91，11.
[18]童小容，楊庆媛，毕国华.重庆市2000～2015年土地利用变化时空特征分析[J].长江流域资源与环境，2015，27（11）：2481-2495.
[19]田多松，傅碧天，吕永鹏，等.基于SD和CLUE-S模型的区域土地利用变化对土壤有机碳储量影响研究[J].长江流域资源与环境，2016，25（4）：613-620.
[20]林晓丹.基于GIS和Logistic-CA-Markov模型的土地利用/覆被变化与模拟研究[D].福州：福建农林大学，2017.
[21]吕乐婷，张杰，彭秋志，等.东江流域景观格局演变分析及变化预测[J].生态学报，2019，39（18）：6850-6859.
（责编：张宏民）