温利华， 刘红耀， 张广录

(1.邯郸学院 地理与旅游系， 河北 邯郸 056005； 2.刑台市农业科学研究院， 河北 刑台 054005；3.中国科学院 遗传与发育生物学研究所农业资源研究中心， 石家庄050021)



河北省太行山区土地利用变化及预测研究
——以涉县为例

温利华1， 刘红耀2， 张广录

(1.邯郸学院 地理与旅游系， 河北 邯郸 056005； 2.刑台市农业科学研究院， 河北 刑台 054005；3.中国科学院 遗传与发育生物学研究所农业资源研究中心， 石家庄050021)

以河北省太行山区退耕还林的典型县—涉县为研究对象，基于2000年、2008年遥感影像数据和其他辅助资料，分析了涉县土地资源的时空变化过程及各土地利用类型之间的转化关系，并基于CA-Markov模型预测2016年涉县的土地利用格局.结果表明：2000年～2008年，耕地、林地、草地始终是太行山区土地覆盖的主导类型，随着退耕还林工程的逐步实施，研究区内林地增加21.08 km2、草地增加39.26 km2，耕地减少79.22 km2，工业用地、住宅用地面积增长迅速；CA-Markov模型预测结果显示：预计2016 年，林地、草地将实现稳定增长，耕地面积将继续减少，但减少速度减缓，农村住宅用地将继续保持高速增长的态势.

土地利用； CA-Markov 模型； 涉县； 太行山区； 河北省

“国际地圈-生物圈计划”(IGBP)和“全球环境变化人类因素计划”(IHDP)两大国际组织于1995 年联合提出了“土地利用/土地覆盖变化(land use/cover change, LUCC)研究计划”，具有自然和人文双重属性的土地利用变化研究已经成为全球变化研究的热点[1].土地利用/覆盖变化作为全球变化的重要组成部分，可引起许多自然现象和生态过程的变化，如土壤养分、气候、生物多样性和水环境的变化等，并进一步对社会经济发展产生深层次影响[2-4].因此，分析土地利用的变化特征并对其未来发展态势进行情景预测具有重要现实意义.目前已经被广泛应用和发展的土地利用动态变化模型主要有Logistic 回归模型、Markov 模型、土地利用变化及效应模型(CLUE)、人工智能化模型和最优化模型等[5-8].侯西勇等基于Logistic-CA-Markov 模型对山东沿海地区土地利用和景观格局变化进行了深入研究[9]，陆汝成等基于CLUE-S 和 Markov复合模型对环太湖地区的土地利用进行了情景模拟研究[10].目前存在的情景分析模型需要输入大量的自然、社会、经济数据进行驱动力分析，数据的获取性、连续性和准确性难以保证，实现精准预测的难度较大.CA-Markov(cellular automaton-markov)模型，既综合了CA模型模拟复杂系统空间变化的能力又兼具Markov 模型长期预测的优势，自然、社会、经济等因子的选择也比较灵活，可以很好地从时间和空间上模拟土地利用的变化情况.本文以河北省太行山区退耕还林的典型县─涉县为研究对象，分析了2000 年、2008 年涉县 2 a的土地利用变化特征，在此基础上，基于CA-Markov 模型预测涉县2016 年的土地利用变化趋势，以期为该地区的生态保护与资源优化配置决策提供科学依据.

1区域概况

涉县位于河北省邯郸市西部山区，处于太行山东麓，晋冀豫3省交界处.涉县县境位于36°17′～36°55′N，113°26′～114°之间，东西横距37.5 km，南北最大纵距64.5 km，总面积约1 500 km2.涉县以东为东郊山、古垴、老爷山为界，毗邻武安市、磁县；西以黄花山、黄栌垴为界，与山西黎城、平顺县相连；南与河南省安阳市、林州市隔漳河、浊漳河相望；北面有左权岭界牌山.涉县气候为温带大陆性季风气候，四季变化明显，年平均气温在12.5℃，降水量为500 mm，光热资源丰富.境内多为山地，最高海拔1 563 m，最低海拔为203 m，相对高度1 260 m.土壤主要为褐土类、草甸土类、水稻土类.自改革开放以来，涉县依托丰富的矿产资源优势，突出太行山区核桃、花椒、柿子等特色经济发展，旅游业、服务业等第三产业和非公有制经济发展迅速，实现了全县经济超常规发展， 截止2010年，全县国内生产总值完成213亿元，在河北省各县中位列第13位.

2数据来源和研究方法

2.1数据来源

本研究的数据由遥感卫星图像、涉县的高程、交通、人口资料4部分组成，其中遥感数据是美国陆地资源卫星Landsat-5的TM数据，时相分别为2000年6月25日、2008年7月10日，空间分辨率为30m，将空间数据统一到WGS84投影坐标系，涉县人口资料均来源于《邯郸市统计年鉴》.数据处理平台主要包括ERDAS、ARCGIS和Idrisi.

由于遥感数据已经过预处理，在Arc map中利用涉县的行政区划图作为边界条件，在ERDAS预处理模块中进行图像裁剪，得到2000年和2008年2期研究区影像数据，采用监督分类和目视修正相结合的方法，参照我国现行的土地分类标准，确立该区的土地利用分类系统分为：耕地、林地、草地、果园、工业用地、住宅用地、交通用地和水域共八类，参考同期的地面资料及经实地验证对比解译精度可以达到80%，能够满足研究要求.利用Idrisi中GIS分析模块中的Change/Time series对2期土地利用图进行转移矩阵的处理与计算，并利用CA-Markov模型对涉县2016年的土地覆盖格局进行模拟预测.

2.2研究方法

2.2.1 Markov模型 基于马尔科夫链的马尔科夫模型是时间和状态都离散的随机运动过程，模型中未来时刻各状态的变化趋势由该系统中不同状态的起始概率和状态之间的转移概率来确定，从而实现对未来趋势的预测[11].Markov模型可表示为：

St+1=P·St,，

(1)

式中St+1，St分别为t+1和t时刻的土地利用状态；P为状态转移概率矩阵.

(2)

式中，n为土地利用类型；Pij表示由i类土地利用类型转变为j类土地利用类型的概率.

由公式(1)、(2)可见，马尔科夫模型可以定量计算未来各土地利用类型的面积比例，这一特性也已经成功应用于土地利用格局的动态变化研究中，但马尔科夫模型没有空间概念，在模拟时不能兼顾各土地类型状态的空间位置和分配，不能达到精准预测未来土地利用变化趋势的目的.

2.2.2 CA模型 元胞自动机(cellular automata, CA)是具有空间计算能力的动力学模型，其特点是时间、空间、状态都离散，系统的动态演化是元胞通过其与邻域的相互作用完成的，每个元胞遵循相同的转换规则，状态改变的规则在时间和空间上表现为局部特征[12].CA 模型可表示为：

(3)

式中，S为元胞的状态集合，N为元胞的邻域，t、t+1表示初始时刻和未来时刻；f为局部空间元胞状态的转化规则.

2.2.3 CA-Markov模型耦合的预测过程 Markov模型和CA模型均为时间、状态都离散的动力学模型，马尔柯夫模型经常被用来预测复杂事物的发展趋势，可以很好预测事物的长期发展，但Markov模型只有数量的概念却没有空间概念；CA模型中的元胞变量则与空间位置紧密相连，可以模拟复杂空间系统的时空演变.若 Markov模型和CA模型可以有效耦合，就可以实现既保证时间系列的长度又保证空间预测的精度，达到准确预测未来土地利用格局的目的.

本文采用 Idrisi 中的 CA-Markov 模块来预测2008年之后8a的空间土地利用变化情况，模型的工作原理是以2008年的土地利用图为初始状态，以2000年和2008年土地利用图的转移矩阵数据和适宜性图集为依据，对2016年涉县土地利用格局进行预测.

参数设置过程如下：

1)元胞：元胞大小即为栅格图像大小，单元大小划分为 100 m×100 m.

2)状态：元胞状态就是其所指向的土地利用类型.

3)元胞空间：在地理空间实体模拟过程中，元胞自动机的二维元胞空间与空间栅格数据对接，整个土地利用格局空间就是元胞空间，具有空间位置的属性.

4)邻居：在 CA-Markov 模块中的邻居是按照相邻元胞距离元胞的远近程度赋予空间意义的权重，本文使用 Idrisi 中默认的 5×5 滤波器来定义元胞邻域.

5)规则：Idrisi 中依据多目标决策模块(MCE，multi-criteria evaluation)确定的适宜性图像集(.rgf)来确定.本文以DEM、道路、人口为约束条件，将3个因子二值标准化为布尔图像并分别赋予权重合成适宜性图像集.

3结果与分析

3.1土地利用变化分析

2000年～2008年，研究区内土地利用类型主要以林地、草地和耕地为主，符合我国北方山区土地利用结构的特点，2000年，林地、草地和耕地面积分别为：868.75 km2、244.19 km2和289.91 km2，至2008年林地、草地和为耕地面积分别为：889.83 km2、283.45 km2和210.69 km2，其中耕地面积减小79.22 km2，林地、草地面积增加21.08 km2和39.26 km2，可见太行山区退耕还林还草政策的实施初见成效.但是随着山区经济及城镇化进程的快速发展，研究区内工业用地面积由2000年的9.98 km2增加至24.07 km2，年均增长率高达17.65%；另外这一阶段住宅用地、果园和交通用地均有少量增加，水域面积略有减少.

表1 2000年、2008年涉县土地利用类型对比Tab.1 Comparison of land use patterns of Shexian County between 2000 and 2008 km2

2000年～2008年，耕地转出总面积为95.10 km2，主要转向林地和草地，面积分别为25.70 km2和草地47.71 km2，占全部转出耕地面积的27.02%和50.16%，其次是工业用地和住宅用地，占全部转出耕地的22%；相对耕地转入，这一阶段其他土地类型向耕地转入15.88 km2，耕地面积净减少79.22 km2.另一方面，林地面积实现净增加21.46 km2, 林地转出量较少，仅为8.88 km2，而转入量为30.34 km2，退耕还林面积达到25.70 km2.草地同样实现净增加39.26 km2，转出量为10.96 km2，而同时期转入50.22 km2，其中退耕还草面积达到47.71 km2.可见，自2002年涉县实施退耕还林还草工程以来，已取得一定成效.

另外，2000年～2008年，工业用地和住宅用地分别转出3.98 km2、0.56 km2，该时期转入面积却达到8.92 km2、14.65 km2，且主要由耕地、林地和草地转入，住宅用地、工业用地分别增加了4.94 km2和14.09 km2.果园和耕地之间转入转出关系明显，新增加核桃、花椒等经济作物主要由耕地转移而来.可见北方山区城镇化、特色农业的快速发展对进一步深化退耕还林还草政策有一定影响.

表2 研究区2000年、2008年土地利用转移矩阵Tab.2 Land use type transition matrix in the study area between 2000 and 2008 km2

3.2CA-Markov模型预测结果分析

基于CA-Markov模型对涉县2016年的土地利用类型进行预测，模拟结果见图1、表3，检验精度的Kappa 系数为0.853 0，模拟效果较好.

图1 涉县2016年土地利用预测图Fig.1 Predication of land use structure of Shexian County in 2016表3 2008年、2016年涉县土地利用类型对比Tab.3 Comparison of land use patterns of Shexian County between 2008 and 2016

km2

表3显示，按照2000年～2008年土地利用变化趋势，预计到2016年涉县土地利用情况将进一步趋向合理，耕地面积减少至174.24 km2，减少35.54 km2，年均变化率由上一阶段的3.42%降低到2.16%，减少速度有所减缓；林地和草地面积分别增加至899.13 km2和300.08 km2，分别增加9.30 km2和16.63 km2，林地和草地面积将出现平稳增长的趋势；工业用地有小幅增长，由24.07 km2增加至25.01 km2；另外预计到2016年住宅用地面积增加至56.38 km2，年均增长率由2000年～2008年的1.56%增加到3.33%，增长幅度较快；交通用地与2000年～2008年这一阶段变化幅度相似，变化不大；水域面积减少3.05 km2，年均变化率由0.40%增加到2.02%，这主要是由于上世纪90年代以来河北省通过0℃的积温变化呈增加趋势，西部太行山区平均每十年增加值更高达93.0℃[13]，气候变暖导致地表水域面积将进一步减少.

4结论

涉县作为河北太行山区退耕还林的典型县，2000年耕地、林地、草地分别占区内总面积的19.40%、58.13%和16.34%， 至2008年分别占区内总面积的14.10%、59.54%和18.97%；基于CA-Markov模型预测，预计2016年，耕地、林地、草地分别占区内总面积的11.66%、60.16%和20.08%，可见，耕地、林地、草地始终是太行山区土地覆盖的主导类型，随着退耕还林、生态修复工程的逐步实施，该区域的植被覆盖度有一定提高，土地利用结构将进一步趋向合理.

随着涉县新农村建设和工业化的快速发展，2000年～2008年住宅用地、工业用地面积增长迅速，其中新增住宅用地6.70 km2、工业用地10.41 km2均由耕地转入，太行山区的耕地占补平衡很难达到.随着农村“空心村”现象的进一步显现，预计2016年住宅用地增加11.87 km2，应该进一步完善北方山区耕地资源保护的相关措施，促进耕地资源合理非农化.

基于CA-Markov模型对涉县土地利用格局进行定量预测，精度可以高达80%以上，可见应用该模型来预测北方山区土地利用变化的趋势是可行的.然而土地利用变化是个非常复杂的过程，受到地理条件、经济发展、人口增长、气候变化、政策和规划等多种不确定因素的影响，本研究仅是建立在地形条件、 交通、人口数据的基础上预测未来涉县土地利用格局变化，未考虑经济发展、气候变化、政策和规划等客观因素，使得基于CA-Markov模型预测的精度有一定的局限性.另外CA-Markov模型并没有开发独立的系统软件，使得应用于GIS软件中的模型在土地利用模拟中有一定的局限性和缺点，为了保证模型的运行速度，往往元胞的划分较大、分类体系比较粗糙、数据格式转换也比较频繁，这些因素都会不同程度的影响预测精度.

[1] 李秀彬.全球环境变化研究的核心领域：土地利用/覆被变化的国际研究动向[J].地理学报，1996,51(6):553-558.

[2] 张 杨，刘艳芳，顾渐萍，等. 武汉市土地利用覆被变化与生态环境效应研究[J].地理科学，2011,31(10)：1280-1285.

[3] 吴文斌，杨 鹏，唐华俊，等. 土地利用对土壤性质影响的区域差异研究[J].中国农业科学，2007,40(8)：1697-1702.

[4] 吴宏安，蒋建军，张海龙，等. 西安地区城镇扩展及其生态环境效应研究[J]. 自然资源学报，2006，21(2)：311-318.

[5] 唐华俊，吴文斌，杨 鹏，等. 土地利用/土地覆被变化(LUCC)模型研究进展[J]. 地理学报，2009，64(4)：456-468.

[6] 张鸿辉，曾永年，谭荣一，等．多智能体区域土地利用优化配置模型及其应用[J].地理学报，2011,66(7)：972-984.

[7] 陈佑启，Verburg P. 基于 GIS 的中国土地利用变化及其影响模型[J]. 生态科学，2000，19(3)：17.

[8] 吴桂平，曾永年，冯学智，等. CLUE-S 模型的改进与土地利用变化动态模拟：以张家界市永定区为[J]. 地理研究，2010，29(3)：460-470.

[9] 吴 莉，侯西勇，徐新良，等．山东沿海地区土地利用和景观格局变化[J]. 农业工程学报，2013,29(5)：207-216.

[10] 陆汝成，黄贤金，左天惠，等．基于CLUE-S和Markov复合模型的土地利用情景模拟研究——以江苏省环太湖地区为例[J].地理科学，2009，29(4)：577-581.

[11] 吴 琼，王如松，李宏卿，等．土地利用/景观生态学研究中的马尔可夫链统计性质分析[J].应用生态学报，2006，29(3)：577-581.

[12] 周成虎，孙战利，谢一春. 地理元胞自动机研究[M]. 北京：科学出版社，2001.

[13] 李元华，刘学锋，刘 莉，等. 河北省近50年0e界限温度积温变化特征分析[J].干旱区资源与环境，2006,20(4)：12-15

Study on the change and predication of the land use in Hebei Province——a case of She County

WEN Lihua1， LIU Hongyao2, ZHANG Guanglu3

(1.Geography and tourism department, Handan College, Handan， Hebei 056005；2.Xingtai Institute of Agricultural Science, Xingtai，Hebei 054005;3.Center for Agricultural Resources Research, Institute of Genetics and Developmental Biology,Chinese Academy of Sciences, Shijiazhuang 050021)

Taking She County, a county typical in reforestation of marginal arable land in Taihang mountain area of Hebei Province, as research object, this paper analyzed the temporal and spatial change process of its land resources and the conversion relationship between different types of land use by using the remote sensing image data and other auxiliary data in 2000 and 2008, and predicted its land use pattern in 2016 by using the CA-Markov model. The results showed that: 1) from 2000 to 2008, cultivated land, forestland and grassland have always dominated the land cover of Taihang mountain area; 2) with the implementation of the project of reforestation of marginal arable land, forestland and grassland have increased by 21.08 km2and 39.26 km2respectively and the industrial land and residential land have increased rapidly., while the cultivated land have reduced by 79.22 km2; 3) to 2016, forestland and grassland will increase steadily and the rural housing land will maintain rapid growth, while cultivated land will continue to decrease, but with a slow-down rate.

land use; CA-Markov model; She County; Taihang mountain area; Hebei Province

2013-09-23.

中国科学院知识创新工程重大项目(KZCX1-YW-08-03)；邯郸市社科联重点项目“邯郸市社会经济发展与土地利用关系研究”.

1000-1190(2014)02-0296-05

U412.1+4

A

*通讯联系人. E-mail: recordzhang@126.com.