周京春，耿新春

(1.云南师范大学 地理学部，云南 昆明 650500；2.巧家县中寨乡人民政府，云南 昭通 654603)

土地资源影响着全球生态、环境和气候的变化.在今天城市化的发展进程中，土地资源供需不平衡、规划不合理、土地政策不完善等导致土地不能被最优化、合理化和可持续利用，于是国内外学者[1,2]针对土地利用/土地覆盖变化(Land use and land cover change， LUCC)开展了广泛地研究和探索，内容主要包括 LUCC变化规律研究[3，4]、LUCC驱动力研究[5]和 LUCC模拟预测研究[6，7]，研究手段主要是利用多源、多时相、多尺度的遥感数据和模拟分析模型来制作土地利用图谱，直观地展现土地利用变化规律及其未来演变趋势.

目前，常用的模型有灰色预测模型[8]、Logistic回归模型[9]、元胞自动机模型(Cellular automata，CA)[10]、CLUE-S模型[11]等，这些模型大都不能同时兼顾数量和时空对于土地利用的影响.FLUS模型[12,13]是近年来新发展起来的一种模型，它在CA模型基础上整合了人工神经网络(Artificial neural networks，ANN)算法和轮盘赌选择机制(Roulette wheel selection)，可通过一期土地利用数据，综合多种自然与社会经济因子来模拟未来土地利用变化，模拟结果与现实相似度和精度较高.

本文采用FLUS模型对云南省昭通市昭阳区的土地利用变化情况进行分析、模拟和预测，以掌握该区域土地利用发展变化的规律，以期为当地土地资源规划和配置提出合理和有效的建议，促进土地的可持续和人地协调发展.

1 研究区概况

昭阳区为云南省昭通市辖区(图1中云南省地图依据云南省自然资源厅标准地图[审图号:云S(2021)47号]制作，底图无修改，昭阳区地图依据云南省自然资源厅标准地图[审图号：云S(2021)126号]制作，底图无修改.以下图2、图3、图5、图6、图7的底图及审图号与图1相同)，地处北纬27.1°～27.6°，东经103.1°～103.9°，位于云南、四川和贵州的三省结合处，为高原地貌，高原大陆季风气候.昭阳区地处国家“攀西-六盘水”经济开发区的腹心地带，近年来该区发展迅速，对土地的需求量日益增长.

图1 昭阳区地理位置

2 数据选取与处理

本研究获取的数据包括研究区的遥感影像数据、GIS数据及其相关文字说明数据，见表1.

遥感影像数据经过辐射定标、大气校正、裁剪等一系列操作之后，依据《第三次全国国土调查技术规程》(TD/T 1055—2019)，采用人机交互解译的方法生成了2011—2019年的土地利用分类图谱，见图2.

表1 数据信息

图2 昭阳区2011—2019年土地利用分类图谱

将GIS数据及其相关文字说明数据进行归一化处理，结合本区域发展现状和前人对于土地利用变化驱动因子的分析及研究[14,15]，处理生成了分辨率为 30 m×30 m，以及空间范围、数学基础、格式等完全统一的13幅土地利用变化驱动因子栅格图(表2、图3).

表2 土地利用变化驱动因子

图3 部分昭阳区土地利用变化驱动因子栅格图

3 研究方法和过程

3.1 昭阳区土地利用变化分析

根据上面所得的昭阳区2011，2015，2019年3期土地利用分类数据，采用土地利用动态度[16](见式1)和地类转移矩阵[17](见式2)对研究区2011年至2019年间土地利用变化规律进行分析，结果见表3和表4.

(1)

式(1)中，M为某一时期的土地利用动态度；Ca和Cb分别为某地类初期和末期的面积；T表示时间间隔.

(2)

式(2)中，Sij表示由地类i转变为地类j的面积；n表示地类总数.

表3 土地利用变化动态度

表4 昭阳区2011—2019年土地利用转移矩阵 km2

从计算结果可以看出，过去9年间，在昭阳区城镇化进程中，农业结构也随之调整，昭阳区各类土地之间转换比较剧烈.其中耕地减少、建设用地增加为昭阳区主城区土地利用变化的主要基调，主城区以外的草地大规模减少，被用作林地和耕地的补充，这与昭通市扶持和培育苹果产业，着力打造“果园城市”和政府积极引导群众发展花椒、葡萄、玫瑰等特色农业，以及在“退耕还林”政策影响下林地增加有关.

3.2 FLUS模型参数设置

研究采用FLUS模型开展，其流程如图4所示.

图4 FLUS模型模拟流程

FLUS模型由ANN适宜性计算模块和自适应轮盘选择机制模块组成.ANN适宜性计算模块由输入层、隐藏层和输出层组成，用于计算各土地类型的适宜性转换概率，其表达式如式3：

(3)

式(3)中，P(m,n,h)为第n类土地在栅格m上h时刻的适宜性概率；wk,n和sigm oid()分别为隐藏层和输出层的权值和激励函数；netk(m,h)为第k个隐藏层栅格m在时间h上的信号.h时刻在栅格m上各用地类型的适宜性概率之和为1.

(4)

计算栅格在某个时刻转化为某种土地类型的概率公式见式5：

(5)

(6)

在使用FLUS模型进行土地利用模拟分析时，必须反复实验，设置好各个步骤所使用的参数.

3.2.1 基于ANN适宜性概率计算的参数设置

在ANN模块计算中，将昭阳区2015年土地利用栅格数据作为输入层，选取表2列出的13个驱动因子作为输入层的神经元，隐藏层数量至少为输入层数量的2/3，经计算设为10个.选用随机采样方法，在研究区内随机抽取20%的总栅格单元计算土地利用的适宜性概率，输出层为5种土地利用类型的适宜性概率(图5).从输出结果可知，昭阳区2015年土地利用训练的误差在允许误差范围之内，其均方根误差为0.269 0.

(a)草地 (b)耕地 (c)建设用地

(d)林地 (e)水域

3.2.2 成本矩阵设置

在进行成本矩阵参数设置时，当允许某种地类向其他地类转换时设为1，不允许转换时设为0.本研究将各用地类型的成本矩阵都设置为1，表示各用地类型之间都可以相互转化.

3.2.3 土地利用类型的邻域权重参数设置

领域权重代表土地类型之间转化的难易程度，会对模拟结果造成一定影响，本研究参考相关文献[18,19]和昭阳区实际情况，将模拟结果与实际情况进行反复对比实验，最终设置了领域权重参数，见表5.

表5 昭阳区土地利用类型的领域权重参数

3.3 昭阳区土地利用模拟与精度验证

根据上述设置的参数，利用FLUS模型和2015年昭阳区的土地分类数据模拟2019年昭阳区的土地利用情况，并与2019年昭阳区实际的土地利用分类图进行对比分析(见图6)，采用数量精度和Kappa系数评定精度.

将2019年模拟结果与实际土地利用类型数据进行叠加计算，得出昭阳区2019年土地利用模拟图的整体数量精度平均为80.05%，耕地、建设用地、林地、草地和水域的模拟精度分别为73.52%，71.79%，89.90%，83.48%和81.54%.同时，Kappa指数计算为 0.779 6，模拟精度较好.

从模拟结果可以看出，耕地和建设用地的模拟准确度相对较低，这主要是因为昭阳区特殊的地理位置，居民居住地比较分散，导致建设用地较为破碎而容易被误判为其他的土地利用类型.另外，还存在林地被模拟为耕地的问题，这主要是因为昭阳区农业结构调整，导致耕地被大量转化为果园，而本研究又将林地与园地等进行了合并，因此对模拟结果造成了一定偏差.

(a)2019年土地利用实际分类 (b)2019年土地利用模拟分类图6 2019年土地利用实际图与模拟图对比

3.4 昭阳区土地类型模拟预测

通过2019年土地利用分类模拟数据与实际数据对比可知，模拟精度达到标准，可以运用FLUS模型进行昭阳区未来土地利用情况的模拟和预测.本研究运用FLUS模型中的马尔科夫链对2023年土地像元数进行了模拟预测，结果如图7、图8所示.

图7 昭阳区2023年土地利用状况模拟图

图8 昭阳区2019年和2023年各用地类型面积占比

4 结论与讨论

本文以昭阳区为研究区域，从LUCC数据的采集、归一化处理到土地利用变化驱动因子的选取、FLUS模型参数的测试设置到最后的模拟验证，完整地实现了昭阳区LUCC的预测变化流程，可以有效地为当地土地规划和优化配置工作提供科学决策依据.

通过对模拟过程的实践和思考，本文尚存在下列问题需进一步研究和探讨：

1)FLUS模型的参数设置带有一定主观性.如邻域权重参数的设置，主要是通过不断实验和调试确定的，还需深入研究和探索FLUS模型的参数设置，提高客观性和科学性.

2)驱动因子选取不够全面.由于影响各种类型土地变化的因素复杂多样，但由于一些经济因素、政策变化等数据难以全面收集获取，导致对土地利用变化的模拟精度受到一定的影响.同时还需开展驱动因子之间的相关性研究，保证因子的选择更具有针对性和客观性.