梁 明，聂 拼，陆胤昊，孙晓娟

淮南市土地利用程度变化过程的时空演化特征

梁 明1,2，聂 拼3，陆胤昊1,2，孙晓娟4

（1. 安徽大学资源与环境工程学院，合肥 230601；2. 安徽大学安徽省矿山生态修复工程实验室，合肥 230601；3. 南京大学地理与海洋科学学院，南京 210023；4. 武汉大学资源与环境科学学院，武汉 430079）

土地利用变化研究中存在重格局轻过程、重模拟轻度量的现象，缺乏对序列快照间土地利用单元演化过程的时空模式的探查和度量研究。该文以土地利用变化的序列时空数据为研究对象，以时空栅格为建模手段，以土地利用程度累积变化度为时空过程的基本度量工具，对淮南市土地利用变化过程的时空模式进行分析。结果表明：2008—2017年间研究区的土地利用程度的剧烈变化在特定尺度下呈现显著的时空聚集性特征；同时土地利用程度的平缓变化也呈现出较为显著的时空聚集性特征；介于二者之间的较为剧烈的土地利用程度变化的时空聚集性不显著，表明研究时段人类干扰活动具有明显的时空异质性。进一步研究发现，3种土地利用程度在距离交通网络较近的范围内（300和600 m范围内）均呈现聚集性，而在更远的距离上（900 m范围内）趋于随机分布，表明交通网络对土地利用变化具有较强烈的影响；在距离交通网络的不同空间尺度上，土地利用程度的剧烈变化和平缓变化在较小的空间尺度上时空聚集性呈现显著性，而较为剧烈的土地利用程度变化在多个尺度上的时空聚集性都不显著，表明交通网络对土地利用程度时空变化的影响存在尺度差异，且较为极端的土地利用变化过程更容易呈现时空聚集性。

土地利用；遥感；时空过程；时空聚集性；土地利用程度；最邻近距离

0 引 言

土地利用与覆盖变化（Land Use and Coverage Change，LUCC）是全球变化的重要研究内容[1-2]。研究土地利用变化过程的时空模式，对于发现土地利用行为的异常、探查土地演化过程的时空规律、科学制定土地利用政策都具有重要意义[3-4]。LUCC研究中土地利用在时间维的异质性与其在空间维的异质性相类似，都是物质、能量和信息的转移与再分配过程的体现。这种时空上的再分配过程对全球变化起着至关重要的作用[5-6]。因此，LUCC研究不仅仅要重视空间维度土地利用结构的差异，时间维度上土地利用的变化过程也不容忽视[7-8]。当前的土地利用变化研究偏重于土地利用空间上的“形”（空间形态）[9-11]、“量”（类型与数量）[5]、“理”（演化的机理和驱动力）的研究[12]。例如，用土地利用变化转移矩阵描述不同土地类型在不同时间切片上的结构数据的变化，用综合土地利用动态度等表征土地利用变化的剧烈程度[13]。然而，转移矩阵只能从宏观上度量土地利用过程的总体数量上的变化；土地利用动态度能够描述总体的变化速率，空间表达能力不足。二者都停留在对区域土地利用状态的总体特征描述上，无法细致度量土地利用变化的时空过程特征。因此，迫切需要发展更精细的手段，从更细的时空粒度上度量土地利用变化[14]。CA模型虽然在更细粒度上兼顾了土地变化单元的局部特征，然而CA模型中的缺乏明确的物理意义，在时间维的量化上仍然存在缺陷[15-16]；而且，CA模型更多是作为预测和模拟的工具——总体上而言，它缺乏作为时空过程定量描述的能力，难以为时空过程的时空模式、演化规律和时空异常等的深度挖掘提供支撑[17-19]。导致以上问题，一方面是因为土地系统的结构变异性和演化复杂性等增加了LUCC时空过程探查和过程刻画的难度[20]，另一方面也因为现有的LUCC研究的时空过程建模中对时间维的运用不足。

土地利用变化的时空模式表征了人地关系在不同时空范围上的作用强度与作用模式[5]。LUCC时空过程探查和刻画作为认知LUCC时空过程动态性和复杂性的主要手段[1]，通过发展合适的模型或者方法揭示土地利用“变化过程的格局”以及“格局的变化过程”[5]。有研究表明，定量表达多时空条件下的土地利用“空间格局”和“时序特征”，对土地利用变化过程进行量化和建模，有利于进一步深化土地利用变化内在规律的挖掘和多维表达[21-22]。土地利用变化时空过程的研究重点是对时空过程的建模和度量[23-24]。从时序过程的视角出发，能够探查从单一时态下的土地利用状态分析中难以发现的差异，从而揭示时空过程上潜在的模式[25-26]。因此，本研究通过构造时空格网提取土地利用变化的时空过程；基于土地利用程度累积变化度量指标，挖掘研究区土地利用变化过程的时空模式；同时结合多期土地利用变化和研究区的交通道路数据，分别从全局和局部的不同尺度对土地利用变化过程的时空模式进行量化研究。

1 研究区域与数据处理

1.1 研究区概况

研究区淮南市位于华东腹地，淮河中游，安徽中部偏北，116°21′5″～117°12′30″E，31°54′8″～33°00′26″N。辖区东西最长距离80.23 km，南北最长距离122.68 km，总面积5 533 km2。研究区为淮南市市辖区。研究区内淮河以南为丘陵，属于江淮丘陵的一部分，北、中部为淮河冲积平原，地势南高北低；西北部沿淮河、淠河洼池；东南部为岗地。土地利用情况上，从2008—2017年，耕地和水体总体变化幅度较小，草地、林地和未利用地呈现下降趋势，城乡工矿居民用地占比呈上升趋势，其中草地主要向城乡工矿居民用地以及耕地转化，林地及未利用地主要向城乡工矿居民用地以及草地转化。

1.2 数据来源与数据处理

本文研究所用的多期序列土地利用数据是过去10年的遥感图像中解译得到的。研究区的序列遥感数据系在地理空间数据云（http://www.gscloud.cn/search）上下载2008年到2017年10期的Landsat遥感影像数据。2008—2012年选择数据集为Landsat 4-5 TM，2013年选择数据集为Landsat 7 ETM，2014—2017年选择Landsat 8 OLI，选择时间在5-10月份间的云量少的数据。因为淮南市区不能被一景影像完全覆盖，需要下载行列号为[121,37]和[121,38]的两幅影像用于后续处理。本研究所需的道路交通数据系通过OpenStreetMap官网（https://www.openstreetmap.org）下载的路网数据。

在数据处理上，首先对10期遥感影像均进行7，4，1波段的组合，选择遥感影像上的道路交叉口等便于实地查找的点作为控制点对影像进行几何校正，再通过无缝镶嵌和裁剪提取完整的淮南市区的试验数据。其次，开展监督分类，其中选择训练样本主要包括6大类：草地、耕地、林地、水体、城乡工矿居民用地和未利用土地。选择支持向量机分类器的方法进行监督分类。再次，对监督分类后的数据开展后处理操作，通过聚类处理去融合碎屑斑块，手动局部修改分类错误的类别，尽可能确保解译精度达到80%以上。最后将分类后处理完成的结果导出成矢量格式的文件，即可用于后续研究。

2 研究方法

2.1 时空采样方法及时空过程提取

本研究利用覆盖全区的规则格网对2008—2017年10期的序列土地利用数据分别采样。在基于时空格网对序列土地利用数据开展土地利用演化单元采样的过程中，重点解决以下关键问题：①格网尺度问题。对于该问题，经过多次试验，本研究最终采用300×300 m的格网进行采样，研究区边缘的不规则地块，面积大于0.5个规则格网的单独作为一个样区，面积小于0.5个规则格网的并入相邻的样区；②土地利用程度等级赋值问题。土地利用程度等级划分的标准有很多种，结合本文土地利用类型划分结果，本文采用文献[27]的方法，将土地利用程度分为4个等级。1级：未（难）利用地；2级：林草水用地（林地、草地、水域）；3级：农业用地（耕地、园地、人工草地）；4级：建设用地（居民点、工矿及交通用地）。③土地利用演化单元的土地利用程度赋值问题。每个格网内往往是4种程度等级的土地利用方式各自占据一定的面积份额，共同对该样区内的土地利用程度做出自己的贡献[28]。因此，可以采用一定的数学方法对格网内的土地利用程度指数进行数据综合，抽象出一个数据来表征该格网的综合土地利用程度。计算方法为：

式中I表示第个格网的土地利用程度综合指数；A为第级土地利用程度分级指数；S为第级土地利用面积；为该格网内土地总面积；为土地利用程度分级数。

进行空间采样后的数据已转化为赋值土地利用程度的规则格网数据，为了提取出土地利用程度在10年间的时空演变过程，需要将三维的时空过程压缩到二维平面上展示，同时将格网的属性赋值给格网对应的中心点，以便于进行后续的点模式分析。采用“求邻期之间变化累积和”的方法，将每一期数据的格网按照相对位置一一对应，对相邻期各对应格网的土地利用程度属性求差，获得土地利用程度的变化值，再对所有的求差结果求和，即获得10期数据的土地利用程度变化累积值，得出的每一个值都对应了一类时空过程，值不同说明代表的是不同的时空演变过程。

2.2 基于土地利用程度累积变化度的时空过程提取

土地利用程度累积变化度（cumulative value of land use intensity change，CVLUIC）即对研究时段内所有相邻年份的两期数据土地利用程度进行差值运算并取绝对值后再求和所得到的结果。CVLUIC的大小可反映样区在研究时段内土地利用程度的变化剧烈程度。在研究中需要对CVLUIC进行分类，通过分析CVLUIC不同类型的样本的分布特征，可以得出相应的规律。本文对CVLUIC的分类采用K-means聚类方法，通过聚类让每一个簇内土地利用演化单元之间的CVLUIC差异最小。

2.3 NNI指数

最邻近距离分析法（Nearest Neighbor Analysis）是基于空间距离的方法，将其离得最近点的平均距离与随机分布模式下的预期最近邻距离进行比较，用最近邻指数（NNI）来判断“点”的空间聚集性。而本文利用NNI指数分析不同类型的CVLUIC在整体上的时空分布特点以及在不同道路缓冲区范围内的分布情况。

式中d是指第个格网与其最近邻格网之间的距离，是CVLUIC分级后每一级的格网数，是研究区面积。当近邻指数接近1时要素呈随机分布；当近邻指数小于1时要素呈集聚分布；近邻指数大于1时均匀分布。为了更好地反映实测平均距离和预期平均距离偏离程度，用正态分布检验得出值及其置信水平。值为负且值越小时，要素分布越趋于集聚分布；正值且越大则要素显著偏向均匀分布；位于二者之问则随机分布。

2.4 Ripley’s k指数

多距离空间聚类分析Ripley’s k函数是空间点模式分析的常用方法之一。传统的进行空间统计分析的方法（例如NNI指数）只能分析单一尺度的空间分布规律，而Ripley’s k函数却可以描述不同空间尺度下，不同CVLUIC类型的分布特征，最大限度的利用了空间点的信息。Ripley’s k函数公式如下：

式中为点的数量；表示空间尺度；u表示点和点之间的距离；当u≤时，I(u)=1，当u>时，I(u)=0；为了更好地解释实际空间格局，提出了函数代替函数，由此可得：

式中是距离；k,j时候权重，如果没有边校正，当和之间的距离小于时，则k,j=1，反之k,j=0。在()变换下，“预期值”等于“距离”。

如果特定距离的观测值大于预期值，该CVLUIC类型在观测尺度服从聚集分布；如果观测值等于预期值，该CVLUIC类型在观测尺度服从随机分布；如果观测值小于预期值，该CVLUIC类别在观测尺度服从均匀模式。通过在研究区域中随机分布点并计算该分布的值来构建置信区间。如果观测值大于置信区间上限值，则该距离的空间聚类具有统计显著性；反之，如果观测值小于置信区间下限值，则该距离的空间离散具有统计显著性。

3 结果与分析

3.1 土地利用遥感解译结果

在监督分类过程中，通过计算训练样本的可分离度对训练进行精度评估，选取的评估标准为各类别间的样本可分离度达到1.8以上的样本符合条件，否则重新选择样本再次计算直至可分离度达到1.8以上。由于数据的可得性的限制，本文只能使用2013—2017年的研究区同期2 m分辨率的高分遥感影像数据进行可靠性分析，通过随机采样点，将高分影像的分类结果与同期的Landsat监督分类结果对应点的土地利用类型进行比较，获得转换矩阵，最后计算出Kappa系数为79.3%。

3.2 基于CVLUIC的时空过程提取结果

表1描述了研究区的CVLUIC分布情况。按照K-means聚类方法，并结合研究区CVLUIC的分布特征，将CVLUIC值在4.02～13.25之间的为类型I（共2 275个时空演化样本），表示土地利用程度变化剧烈；CVLUIC值在1.92～4.01之间的为类型II（共7 651个时空演化样本），表示土地利用程度变化较为剧烈；CVLUIC值在0～1.91的为类型III，表示土地利用程度的变化平缓（共5 742个时空演化样本）（结果如图1所示）。

表1 2008—2017年淮南市土地利用程度累积变化度

图1 2008—2017年淮南市CVLUIC的分类结果

Fig.1 Classification results of CVLUIC in Huainan city from 2008 to 2017

3.3 研究区土地利用程度的总体时空演化特征

为了考察研究区过去10a的土地利用程度总体时空演化特征，本文通过对样本数据的Kringing插值方式制作表面模型，从而得到2008年至2017年淮南市每一年的土地利用程度的空间分布，以及2008—2017年淮南市CVLUIC的空间分布。结合淮南市的城镇分布情况以及主要交通干道分布情况可以发现：整体而言，土地利用程度变化剧烈程度受城镇分布以及主要交通分布的影响，在各行政中心以及铁路、省道等主要道路附近土地利用程度变化累积值较高。观察10年土地利用程度序列数据可见，对不同区域而言，中部地区土地利用程度等级较高，南部和北部地区土地利用程度等级均居中；北部地区土地利用程度有下降趋势，南部地区较为稳定，东部地区的变化较大。

结合研究基期淮南市市辖区2008年土地利用程度图（图2a）和2008—2017年淮南市CVLUIC图（图2b），得出表2所示分析：

表2 研究区10a土地利用变化过程与研究基期的特征分析

图2 2008年淮南市土地利用程度和2008—2017年CVLUIC

3.4 淮南市土地利用程度的时空聚集性

从NNI指数和Ripley’s指标的统计结果（分别见表 3和图3）可得，类型I呈聚集分布，且在整个研究区域范围内呈现出统计显著性；而类型II和类型III呈均匀分布，也具有统计显著性。

表3 3类土地利用变化时空过程NNI总体特征

a. 类型Ib. 类型IIc. 类型III a. Type Ib. Type IIc. Type III

图3 各类在总体上的Ripley’s指标

Fig.3 Various Ripley'sindicators in general

对于类型I、II、III，结合淮南市公路网，分别计算道路沿线不同缓冲区（300、600、900 m）下的NNI值。从表4所示的结果中，我们可以发现，在距离道路较近的范围内（300和600 m缓冲区），类型I、类型II、类型III均呈聚集分布，但是随着缓冲区范围的增加，分布就会向着无缓冲区时的分布类型进行变化，而且变化的速度也各不相同，说明土地利用程度的变化过程受到距离道路远近的显著影响，但影响程度和范围也有差异。

计算类型I、II、III在道路沿线不同缓冲区范围内的Ripley’s指数（图4为类型I、II、III在各级缓冲区下的Ripley’s指数结果），并结合NNI指标，得出以下结果：在99%的置信度水平下，类型I在整个距离范围内呈现出聚集性具有统计显著性，表明土地利用程度的剧烈变化具有显著的时空聚集性，随着缓冲区范围增大，土地利用程度的剧烈变化的聚集程度逐渐下降（在距离相同的情况下，观测值和预期值相距越远聚集程度越高）；类型II在整个距离范围内未呈现出离散统计显著性；类型III在整个距离范围内呈现出聚类统计显著性，且伴随着缓冲区范围增大，聚类程度逐渐下降，且下降速度和类型I相比更快，表明土地利用程度的平缓变化受尺度的影响更为突出。

表4 道路沿线不同缓冲区范围内各类型的NNI指标

图4 类型I、II和III在各缓冲区下的Ripley’s K指数结果

4 讨 论

土地利用变化过程是一个多因素驱动的能量、物质和信息转移的复杂过程。本文从土地利用程度的时空变化入手开展土地利用变化的时空模式研究，以揭示不同时空尺度上的土地利用变化过程的潜在规律。众所周知，地理事件或地理现象的空间统计模式存在尺度依赖。因此本文得出的结论只是在特定的采样尺度下的特定结论，是该尺度下土地利用变化时空规律的表征。同时，土地利用变化的驱动因子和影响因素众多。本文选取道路因子进行分析，重点讨论了道路的不同邻近性对土地利用程度变化的影响。这种随着道路邻近性的随机/聚集模式是否还受到其他因素的影响还需要后续研究的进一步论证。

本文对时空过程的模式研究是基于对时空过程的规则格网采样实现的。采样的方式和格网单元的取值方法不同，或会对土地利用过程时空模式的结论产生影响。一方面随着规则格网的采样尺度不同，空间的聚集/随机的结论会因为存在尺度依赖而产生差异；另一方面对格网内的土地利用类型的赋值，可能存在类似混合类型单元的情况。针对这类情况，常用的手段有中心法、重要性法、面积占优法和百分比法等多种赋值方式。到底采用哪一种方式合适，取决于哪一种赋值方式对时空模式的结论影响最小。这种影响的规律性需要进一步的定量研究。

CVLUIC是本文概化土地利用变化时空过程的核心手段。如何对土地利用程度累积变化度进行分级，是影响时空模式挖掘的关键。无论是采用频率图的方式，亦或是采用聚类的方式，不同的分级结果都会对土地利用变化的时空模式的度量产生影响。同样的，不同分级方法产生影响的大小和趋势需要系统而全面的分析，才能为分级提供更加科学的依据。本文采用CVLUIC将土地利用变化的时序特征压缩为了一个时点状态。这种方式虽然便于研究土地利用过程的时空模式，却忽视了土地利用过程在演化的时间序列上的差异。例如，这种方式无法度量土地利用程度在整个过程中是先高后低还是先低后高。

本文采用的是均匀的时空格网进行土地利用时空过程采样。这种方式的优点是易行高效；不足之处在于，这种均匀的格网无法差异化地表达土地利用单元的形状、周长、邻居的拓扑结构等特征[29-30]。然而，一块土地利用图斑从一个状态向另一状态的演化必然受到以上这些因素的影响和制约。众所周知，一个狭长的耕地与一个规则的矩形耕地地块向建设用地转移的概率显然是不同的。一个优异的时空过程模型应当是简洁性和精确性的统一，要能够剔除与研究目标关系不紧密的因素的影响的同时，尽可能保持对影响时空演变的各种因素的差异性的表达和度量。

5 结 论

LUCC研究已经从“格局导向”向着“过程导向”转变。本文以序列快照间的土地利用变化过程为研究对象，以时空栅格为基本的建模手段、以土地利用程度累积变化度为时空过程的基本度量工具、利用时空统计的方法，定量探讨淮南市土地利用变化的时空模式。结果表明，在全局的时空模式上，过去10a淮南市土地利用程度的剧烈变化和土地利用程度的平缓变化均呈现显著的聚集性特征，而较为剧烈的土地利用程度变化则呈均匀分布模式，但并不显著；在局部的时空模式上，呈现聚集分布模式的区域在距离道路一定范围内体现出统计显著性聚类，而呈现均匀分布的区域则没有体现出统计显著性；在距离道路较近的范围内（300 m），10年间土地利用程度变化的无论是剧烈变化还是平缓变化区域均呈显著的聚集分布；随着分析范围的扩大（从300到600 m）聚集程度逐渐下降；到距离道路900m范围内，较为剧烈的土地利用程度变化的土地利用变化过程开始呈现不显著的均匀分布。本文通过土地利用程度累积变化度将土地利用单元的时空演化过程映射为一期的时空快照，从而为土地利用变化的时空模式挖掘提供了可能。本研究的结果证明了该方法的可行性，也为土地利用变化的时空过程研究提供了一个新颖的思路。

[1]Maciel A M, Camara G, Vinhas L, et al. A spatiotemporal calculus for reasoning about land-use trajectories[J]. International Journal of Geographical Information Science, 2019, 33(1): 176－192.

[2]Maciel A M, Vinhas L, Camara G, et al. An interval-based approach for reasoning about land use change Trajectories[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 1958－1961.

[3]Ghurah M A, Kamarudin M, Wahab N A, et al. Temporal change detection of land use/land cover using GIS and remote sensing techniques in South Ghor Regions, Al-Karak, Jordan[J]. Journal of Fundamental and Applied Sciences, 2018, 10(1): 95－111.

[4]李少英，刘小平，黎夏，等. 土地利用变化模拟模型及应用研究进展[J]. 遥感学报，2017，21(3)：329－340. Li Shaoying，Liu Xiaoping, Li Xia, et al. Simulation model of land use dynamics and application: Progress and prospects[J]. Journal of Remote Sensing, 2017, 21(3): 329－340. (in Chinese with English abstract)

[5]Xing J, Sieber R E. A land use/land cover change geospatial cyberinfrastructure to integrate big data and temporal topology[J]. International Journal of Geographical Information Science, 2016, 30(3): 573－593.

[6]Zhang Y, Xu B. Spatiotemporal analysis of land use/cover changes in Nanchang area, China[J]. International Journal of Digital Earth, 2015, 8(4): 312－333.

[7]刘纪远，匡文慧，张增祥，等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报，2014，69(1)：3－14. Liu Jiyuan, Kuang Wenhui, Zhang Zengxiang, et al. Spatial patterns and driving forces of land use change in China in the early 21st century[J]. Acta Geographica Sinica, 2014, 69(1): 3－14. (in Chinese with English abstract)

[8]Zomlot Z, Verbeiren B, Huysmans M, et al. Trajectory analysis of land use and land cover maps to improve spatial–temporal patterns, and impact assessment on groundwater recharge[J]. Journal of Hydrology, 2017, 554－566.

[9]Velázquez J, Gutiérrez J, Hernando A, et al. Measuring mosaic diversity based on land use map in the region of Madrid, Spain[J]. Land Use Policy, 2018, 71: 329－334.

[10]赵晶，徐建华，梅安新，等. 上海市土地利用结构和形态演变的信息熵与分维分析[J]. 地理研究，2004，23(2)：137－146. Zhao Jing, Xu Jianhua, Mei Anxin, et al. A study on the information entropy and fractal dimension of land use structure and form in Shanghai[J]. Geographical Research, 2004, 23(2): 137－146. (in Chinese with English abstract)

[11]吴启焰，陈辉，Wu B，等. 城市空间形态的最低成本—周期扩张规律：以昆明为例[J]. 地理研究，2012，31(3)：484－794. Wu Qiyan, Chen Hui, Wu B, et a1. The minimun cost-cysle expansion law of urban spatial morphology: A case study of Kunming in China[J]. Geographical Research, 2012, 31(3): 484－494. (in Chinese with English abstract)

[12]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. Tang Huajun, Wu Wenbin, Yang Peng, et al. Recent progresses of land use and land cover change (LUCC) models[J]. Acta Geographic Sinica, 2009, 64(4): 456－468. (in Chinese with English abstract)

[13]张丽，杨国范，刘吉平. 1986—2012年抚顺市土地利用动态变化及热点分析[J]. 地理科学，2014，34(2)：185－191. Zhang Li, Yang Guofan, Liu Jiping. The dynamic changes and hotspot analysis of Fushun City from 1986 to 2012. Scientia Geographica Sinica, 2014, 34(2), 185－191. (in Chinese with English abstract)

[14]王劲峰，葛咏，李连发，等. 地理学时空数据分析方法[J]. 地理学报，2014，69(9)：1326－1345. Wang Jinfeng, Ge Yong, Li Lianfa, et a1. Spatiotemporal data analysis in geography[J]. Acta Geographica Sinica, 2014, 69(9): 1326－1345. (in Chinese with English abstract)

[15]Memarian H, Balasundram S K, Talib J B, et al. Validation of CA-Markov for simulation of land use and cover change in the Langat Basin, Malaysia[J]. Journal of Geographic Information System, 2012, 4(6): 542－554.

[16]Keshtkar H, Voigt W. A spatiotemporal analysis of landscape change using an integrated Markov chain and cellular automata models[J]. Modeling Earth Systems and Environment, 2016, 2(1): 10－21.

[17]梁明，孙毅中，罗荣，等. 基于综合多尺度特征决策树模型的土地利用变化分析[J]. 农业工程学报，2014，30(17)：259－267. Liang Ming, Sun Yizhong, Luo Rong, et al. Analysis on land use change based on decision-tree model with comprehensive multi-scale characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 259－267. (in Chinese with English abstract)

[18]Fu X, Wang X, Yang Y J. Deriving suitability factors for CA-Markov land use simulation model based on local historical data[J]. Journal of Environmental Management, 2017, 206: 10－19.

[19]He J, Li X, Yao Y, et al. Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques[J]. International Journal of Geographical Information Science, 2018, 32(10): 2076－2097.

[20]刘纪远，邓祥征. LUCC时空过程研究的方法进展[J]. 科学通报，2009，54(21)：3251－3258. Liu Jiyuan, Deng Zhengxiang. Progress of the research methodologies on the temporal and spatial process of LUCC[J]. Chinese Sci Bull, 2009, 54(21): 3251－3258. (in Chinese with English abstract)

[21]张国坤，邓伟，张洪岩，等. 新开河流域土地利用格局变化图谱分析[J]. 地理学报，2010，65(9)：1111－1120. Zhang Guokun, Deng Wei, Zhong Hongyan, et al. The TUPU analysis of land use pattern in Xinkai river basin[J]. Acta Geographica Sinica, 2010, 65(9): 1111－1120. (in Chinese with English abstract)

[22]方涯盼，张丰，杜震洪，等. 基于拓扑和空间相似性的地理事件检测：以土地利用数据更新为例[J]. 浙江大学学报：理学版，2016，43(6)：701－708. Fang Yapan, Zhang Feng, Du Zhenhong, et a1. Geographical event detection based on topology and spatial similarity[J]. Journal of Zhejiang University: Science Edition, 2016, 43(6): 701－708. (in Chinese with English abstract)

[23]吕晓，史洋洋，黄贤金，等. 江苏省土地利用变化的图谱特征[J]. 应用生态学报，2016，27(4)：1077－1084. Lv Xiao, Shi Yangyang, Huang Xianjin, et a1. Geo-spectrum characteristics of land use change in Jiangsu Province[J]. Chinese Journal of Applied Ecology, 2016, 27(4): 1077－1084. (in Chinese with English abstract)

[24]李寅超，李建松. 基于过程对象的地表覆盖变化时空过程表达模型[J]. 吉林大学学报：地球科学版，2017，47(3)：916－924. Li Yinchao, Li Jiansong. A spatio-temporal process expression model for land cover based on process object[J]. Journal of Jilin University: Earth Science Edition, 2017, 47(3): 916－924. (in Chinese with English abstract)

[25]齐建超，刘慧平，伊尧国. 应用自组织映射方法的北京市2005—2013年土地利用时空演变分析[J]. 生态学报，2017，37(19)：6346－6354. Qi Jianchao, Liu Huiping, Yi Yaoguo. Land use spatial-temporal evolution analysis using a self-organizing map in Beijing，2005－2013[J]. Acta Ecologica Sinica, 2017, 37(19): 6346－6354. (in Chinese with English abstract)

[26]买买提江·买提尼亚孜，阿里木江·卡斯木. 基于网格单元的乌鲁木齐市土地覆被/利用时空变化[J]. 农业工程学报，2018，34(1)：210－216. Maimaitijiang Maitiniyazi, Alimujiang Kasimu. Spatial-temporal change of Urumqi urban land use and land cover based on grid cell approach[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 210－216. (in Chinese with English abstract)

[27]胡和兵，刘红玉，郝敬锋，等. 南京市九乡河流域土地利用程度空间异质性分析[J]. 地球信息科学学报，2012，14(5)：627－634. Hu Hebing, Liu Hongyu, Hao Jingfeng. et a1. Spatial heterogeneity of land use degree in Jiuxiang river watershed, Nanjing city, China[J]. Journal of Geo-information Science, 2012, 14(5): 627－634. (in Chinese with English abstract)

[28]王国杰，廖善刚. 土地利用强度变化的空间异质性研究[J]. 应用生态学报，2006，17(4)：611－614. Wang Guojie, Liao Shangang. Spatial heterogeneity of land use intensity[J]. Chinese Journal of Applied Ecology, 2006, 17(4): 611－614. (in Chinese with English abstract)

[29]张东菊，左平，邹欣庆. 基于加权Ripley's K-function的多尺度景观格局分析：以江苏盐城滨海湿地为例[J]. 生态学报，2015，35(8)：2703－2711. Zhang Dongju, Zuo Ping, Zou Xinqing. Multi-scale anslysis of landscape characteristics in coastal wetlands in Yancheng, Jiangsu, based on the weighted Ripley’s K-function method[J]. Acta Ecologics Sinica, 2015, 35(8)：2703－2711. (in Chinese with English abstract)

[30]常春艳，赵庚星，王凌，等. 黄河口生态脆弱区土地利用时空变化及驱动因素分析[J]. 农业工程学报，2012，28(24)：226－234. Chang Chunyan, Zhao Gengxing, Wang Ling, et al. Land use spatiotemporal changes and its driving forces analysis in vulnerable ecological region of Yellow River Estuary[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): 226－234. (in Chinese with English abstract)

Spatiotemporal evolution characteristics of land use intensity change process of Huainan

Liang Ming1,2, Nie Pin3, Lu Yinhao1,2, Sun Xiaojuan4

(1.,,230601,; 2.,,230601,; 3.,,210023,; 4.,,430079,)

Land use and coverage change (LUCC) is an important research field of global change. Currently, land use and coverage change research focuses on the analysis of land use structures during the same period, and structure changes in the overall quantity of land use between time-series periods. While, the study of quantitative analysis of land use evolution process in different periods is deficient, which results difficulty to profoundly reveal the temporal and spatial patterns and evolution laws that may exist in the process of land change. Therefore, in this paper, we proposed a spatiotemporal pattern analysis of land use change based on the spatiotemporal process of land use. In this paper, the spatiotemporal variation sequence data of land use was the study object. Firstly, the spatiotemporal variation sequence of land use intensity in the study area was extracted by the spatiotemporal network. Secondly, as the basic measurement tool, the cumulative value of land use intensity change (CVLUIC) of different spatiotemporal variation sequences of land use was calculated. Thirdly, the CVLUIC is divided into three grades by K-means clustering. Finally, the spatiotemporal clustering analysis of different land use change grades was carried out. From the global perspective, the spatiotemporal pattern of land use change process was measured by the nearest neighbor distance analysis method. On the other hand, based on Ripley's k function, the multi-scale impact of traffic network on land use temporal and spatial change patterns was analyzed. The results showed that the dramatic land use intensity change (Type I) and the gradual land use intensity change (Type III) over the 10-year period from 2008 to 2017 in the study area showed significant clustering characteristics.While, the spatiotemporal clustering characteristics of the more severe land use intensity change (Type II) between Type I and Type III was not significant,The results showed that the human disturbance activities have obvious spatiotemporal heterogeneity during the study period. Additionally, the traffic network had a strong influence on land use and coverage change. The three types of land use intensity were clustered in the range close to the traffic network (in the range of 300 m and 600 m), and tend to be randomly distributed in the farther distance (within 900 m), which showed that the transportation network had a strong impact on land use change. At different spatial scales from the transportation network, the dramatic land use intensity change (Type I) and the gradual land use intensity change (Type III) showed significant significance on the small spatial scale, while the more severe land use intensity change (Type II) at multiple scales was not significant. This indicated that there were scale differences in the impact of transportation network on spatial and temporal changes of land use degree, and more extreme land use change processes (Type I and Type III) were more likely to show spatial and temporal aggregation. Through analyzing the land use change from the perspective of the spatiotemporal evolution process, our work will be useful supplement to the LUCC research.

land use; remote sensing; spatiotemporal process; spatiotemporal clustering; land use intensity; nearest neighbor distance

梁 明，聂 拼，陆胤昊，孙晓娟. 淮南市土地利用程度变化过程的时空演化特征[J]. 农业工程学报，2019，35(22)：99－106. doi：10.11975/j.issn.1002-6819.2019.22.011 http://www.tcsae.org

Liang Ming, Nie Pin, Lu Yinhao, Sun Xiaojuan. Spatiotemporal evolution characteristics of land use intensity change process of Huainan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 99－106. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.22.011 http://www.tcsae.org

2019-01-02

2019-08-15

国家自然科学基金（41602173，41771188）；安徽省自然科学基金（1908085QD164）；安徽省高等学校自然科学研究项目（KJ2019A0046）；安徽省国土厅科技项目（2016-K-12）

梁 明，讲师，博士，主要从事时空数据挖掘和3D GIS研究。Email：lming@mail.ccnu.edu.cn

10.11975/j.issn.1002-6819.2019.22.011

P208

A

1002-6819(2019)-22-0099-08