吴 浩，梅志雄 ，李诗韵

(华南师范大学地理科学学院，广州510631)

1995年，国际全球环境变化人类行为计划(IHGP)和国际地圈生物圈计划(IGBP)的共同执行计划LUCC (Land Use and Land Cover Change)的实施［1］推动了土地变化科学(Land Change Science，LCS)的诞生和快速发展［2－3］，同时也促使了国内外学者对LUCC 的重点关注.

有关LUCC 研究中，合理选择模型是土地利用变化模拟和预测的关键. CLUE-S 模型［4］在其早期的CLUE 模型基础上经过改进建立，基于高分辨率(一般大于1 km×1 km)空间图形数据构建，适用于中小尺度区域土地利用变化研究［5］. 该模型从多个尺度对多个地区的土地利用变化进行了模拟［6－13］.随着研究的深入，学者们不断改进该模型(主要集中于驱动因子和土地需求方面)［14］. 由于土地需求模块独立于CLUE-S 模型，可用数学或经济模型计算，此改进方法已被广泛应用，如利用Markov 模型计算土地需求［15］，利用系统动力学(SD)模型提供各类土地利用类型的土地总需求量［16］，运用灰色系统模型计算逐年各土地利用类型的土地需求量［17］.而对于探究土地利用类型与其驱动因子之间关系的改进模型尚少，目前仅见2 篇研究报道:考虑到地理要素之间的相关性，在驱动因子中引入了自相关因子［12］;用人工神经网络替代Logistic 回归探究驱动因子与土地利用类型之间的关系［18］.

《广州市土地利用“十二五”规划》指出，近年来，广州市增城区面临土地利用变化剧烈、资源环境约束日益加剧、耕地保护形势严峻和建设用地供需矛盾较突出等问题.鉴于此，本文利用Logistic 回归、人工神经网络及Autologistic 回归等3 种模型来探究广州市增城区土地利用类型变化与其影响因子之间的关系，通过对比选取最佳拟合优度模型，然后结合CLUE-S 模型进行土地利用变化模拟. 研究结果将为增城区合理调控各类用地、提高土地利用水平、统筹土地利用与经济社会发展等提供决策依据.

1 研究区与数据

1.1 研究区概况

增城区位于广州市东部，南与东莞市隔江相望，东临惠州市，北接从化区，地处珠三角东岸经济带黄金走廊，是广州—东莞—深圳—香港城市群和产业带的重要节点.该区土地总面积为1 616.47 km2，地势南低北高，水资源丰富.近年来，该区耕地、园地林地面积等不断减少，建设用地持续增加，具备大城市边缘的中小城市快速扩展的特点;同时，根据2012年广州市公布的《城市功能布局规划》，明确建设“1个都会区、2个新城区和3个副中心”的空间布局，该区将作为未来珠三角东岸地区交通枢纽和广州东部生态宜居宜业新城.因此，模拟和分析该区土地利用变化具有重要意义.

1.2 数据来源及处理

所用数据主要包括增城区2005年和2009年的土地利用变更调查数据、DEM 数据和人口数据.土地利用变更调查数据来源于广州市国土资源局，从国际科学服务数据平台免费下载得到该区30 m 分辨率的DEM 数据，人口数据来源于该区2005—2009年统计年鉴.拟用2005年的增城区土地利用数据作为模型输入的基础数据，用2009年土地利用数据进行验证.

依据国土资源部发布的《县(市)级土地利用数据库标准(2008年试行)》，应用ArcGIS10.0 软件对研究区2005年的土地利用变更调查数据进行信息提取，提取出耕地、园地林地、居民点及工矿用地、交通用地、水域及水利设施用地、其他土地等6 种地类作为本文的主要土地利用类型. 选取影响土地利用变化的驱动因子为可达性因子、地形因子和社会因子三大类因子共10个子因子.首先利用2005年增城区土地利用变更调查数据分别提取出道路、河流、城镇和农村居民点作为单独的图层，然后进行缓冲区分析分别得到道路、河流、城镇、农村居民点的距离等作为可达性因子;依据DEM 数据对研究区的地形特征进行分析，计算出坡度、坡向、高程以及地形曲率等地形因子信息;由增城区2005—2009年统计数据计算出对应镇和街道的人口密度以及农村居民点密度等社会因子.然后利用ArcGIS 软件将上述数据分别栅格化为200 m×200 m 空间分辨率的ASCII码格式，为下一步运用改进模型模拟做准备.

2 研究方法

2.1 Logistic 回归模型

Logistic 回归模型由二分类变量的栅格图形数据表示:1 表示某土地利用类型出现、0 表示该土地利用类型不出现，自变量是影响土地利用变化的驱动因子，因变量是土地利用类型，一般表达式为［4］:

其中:Pi表示每个栅格可能出现某一土地利用类型i 的概率，X1，i，X2，i，…，Xn，i分别为影响i 土地利用类型的各驱动因子，β0为常数项，β1，β2，…，βn分别为各驱动因子的回归系数.

2.2 人工神经网络模型

人工神经网络(ANN)适用于处理非线性或无法用数学关系明确解释的复杂关系，被广泛应用于探究土地利用类型及其驱动因子之间的关系［19］.节点是构成神经网络的最基本单元，各节点之间连接强度由神经网络的加权系数决定，加权系数通过对样本的逐步训练过程进行调整.而BP 神经网络(即误差反向传播神经网络)是应用最广泛的一种神经网络，一般包括输入层、隐含层和输出层，层与层之间多采用全连接方式，同一层之间不存在相互连接(图1).

图1 BP 神经网络结构图Figure 1 The structure of BP neural network

BP 神经网络表达式为:

其中:xj(j=1，…，M)表示输入层第j个节点的输入数据，yi表示隐含层第i个节点的输出，N 为隐含层的层数，Ok表示输出层第k个节点的输出，Wij为隐含层第i个节点与输入层第j个节点之间的权值，Wki为输出层第k个节点与隐含层第i个节点之间的权值，θi、ak分别为隐含层第i个节点和输出层第k个节点的阈值，Ø(x)、φ(x)分别为隐含层和输出层的激活函数.本文选择的输入层为10个影响土地类型的驱动因子，输出层为每个栅格为某一土地利用类型的概率，激活函数分别选用正切S 型函数tansig和对数函数logsig.

2.3 Autologistic 回归模型

Autologistic 模型是在传统的Logistic 回归模型基础上引入了空间自相关因子解决地理数据之间空间自相关的影响［12］:

其中:β'为空间自相关因子的回归系数;Autocovi为空间自相关因子:

其中:yj为空间单元j 出现某一地类的状态，出现赋值为1，未出现赋值为0;Wij为空间单元i 和j 之间的空间权重，采用基于距离规则的距离函数权重法来定义，根据距离远近对变量值影响程度的大小来测度空间对象之间的接近性较符合距离衰减规律，可表达为:

其中:Dij为空间单元i 和j 的距离，当此距离小于阈值距离d(本文根据数据信息和划分的格网大小取d=4 km)时，Wij取Dij的倒数，否则取0.

3 土地利用空间模拟结果分析

3.1 拟合优度对比

本文在200 m×200 m 空间尺度上将地类分为耕地、园地林地、居民点及工矿用地、交通用地、水域及水利设施用地、其他土地等6 种类型，将各土地利用类型与选取的10个驱动因子进行回归分析.表1和表2 分别是2005年增城区各土地利用类型的Logistic 和Autologistic 回归结果，其中，Beta 值反映回归方程中驱动因子的关系系数，Exp(β)是以e 为底的Beta 系数的自然幂指数，即事件发生频率与不发生频数的比(发生比，Odds Ratio)，用来衡量解释变量对被解释变量的影响.Exp(β)表示驱动因子每增加一个单位，土地利用类型发生比的变化:Exp(β)＜1 表示发生比减少，Exp(β)=1 表示发生比不变，Exp(β)＞1 表示发生比增加.

对于此回归结果，通常用ROC(Relative Operating Characteristic)曲线来检验. Pontius 和Schneider［20］研究表明ROC 曲线可用于检验土地利用变化模型，用ROC 曲线对每种土地利用类型回归方程的拟合优度进行检验，通过计算曲线下的面积大小来判断回归方程得出的地类概率分布格局与真实的地类分布之间的一致性程度，该值一般介于0.5 ～1.0之间，值越大表明二者的一致性越好，回归方程解释地类的空间分布效果越好，土地利用分配越精确.本文也用ROC 曲线来判断logistic 回归、人工神经网络(ANN)和Autologistic 模型的拟合优度.

如图2 所示，Logistic 回归模型的耕地、园地林地、交通用地、居民点及工矿用地、水域及水利设施用地、其他土地等6 种地类的ROC 值分别为0.801、0.853、0.741、0.886、0.813、0.752，ANN 模型的6种地类的ROC 值分别为0.846、0.883、0.730、0.922、0.842、0.783，Autologistic 回归模型的6 种地类的ROC 值分别为0.855、0.878、0.759、0.929、0.886、0.829. 综合对比来看，Autologistic 回归模型拟合结果最优，Logistic 模型拟合结果最差.所以，最佳拟合优度模型为Autologistic 回归模型.

表1 各土地利用类型的Logistic 回归结果Table 1 The logistic regression results for different land use classes

表2 各土地利用类型的Autologistic 回归结果Table 2 The autologistic regression results for different land use classes

图2 基于3 种模式的ROC 值Figure 2 Relative operating characteristics (ROCs)for the three models

3.2 基于CLUE-S 的土地利用空间格局模拟与精度验证

根据上面拟合优度对比结果，以2005年土地利用类型为基期，在最佳拟合优度Autologistic 回归模型的基础上，结合CLUE-S 模型模拟2009年的土地利用格局变化，并以2009年实际土地利用变更调查数据对模拟结果验证Kappa 指数.

3.2.1 CLUE-S 模型参数设置 (1)土地利用需求.土地需求是独立于CLUE-S 中模型之外的一个孤立模块，可通过数学模型、经济模型或其他假定条件计算或估算，常用的有马尔科夫模型、灰度模型和线性插值等.本文通过2005年和2009年的土地利用需求数据，通过线性内插依次获取2006—2008年的土地利用需求量作为土地需求输入数据.

(2)空间特征. 空间特征反映各种土地利用类型在空间上的分布情况，即各种土地利用类型的空间分布适宜性概率，其主要受各种驱动因子的影响.上面对比分析表明Autologistic 回归模型是反映土地利用类型空间分布与驱动因子之间关系的最佳拟合优度模型，因此本文选取该模型进行空间特征分析.

(3)土地利用类型转移矩阵及转移弹性系数.土地利用类型转移矩阵反映的是各种土地利用类型之间是否能够实现相互转变，1 表示2 种土地利用类型之间可以发生转变，0 表示不能够发生转变.弹性系数ELAS 反映该地类转化为其他地类的难易程度，用0 ～1 之间数值表示，接近1 表示该地类较难转移为其他地类，接近0 表示容易转移.本文假设每2 种土地利用类型之间可以相互转变，因此转移矩阵全部设置为1，通过研究区土地利用历史变化情况分析并进行模拟调试，得到耕地、园地林地、居民点及工矿用地、交通用地、水域及其他土地的转移弹性系数分别为0.8、0.8、0.9、0.9、0.8、0.8.

(4)空间政策和限制区域:由于土地利用空间格局同时受到空间政策和限制区域的影响. 在CLUE-S 模型中，可以针对受政策影响和限制区域进行设定，使某一地类在该区域内土地类型不发生变化.由于本文中研究区没有特殊空间政策和区域限制，因此不做设定.

3.2.2 Kappa 检验 通过对以上输入文件参数设定，运行CLUE-S 模型，经过多次迭代最终实现土地利用需求的空间分配，模拟出2009年土地利用类型图，并用增城区2009年实际土地利用类型图对模拟图进行Kappa 验证.由于Kappa 指数能够定量反映土地利用模拟效果，因此本文用Kappa 指数作为模型精度验证［21］:

其中:P0为正确模拟的比例，PC为随机情况下期望的正确模拟比例，PP为理想情况下正确的模拟比例.

对比2009年的实际土地利用类型图与模拟图可知，正确的模拟栅格数为35 778个，占整个栅格数(40 361个)的88.65%.本文土地利用分为6 类，则PC=1/6.根据式(7)，可知Kappa 指数达到0.863 7，模拟精度较高，表明在具有最佳拟合优度的Autologistic 模型下，结合CLUE-S 模型可以很好地模拟增城区的土地利用变化.

3.3 土地利用变化情景模拟

鉴于以上Autologistic 模型与CLUE-S 模型结合能较好地模拟2009年增城区土地利用格局，因此，将其应用到增城区不同情景模式下土地利用变化模拟具有一定的可行性.下面分别制定2 种情景模式:自然增长模式和地方政府土地利用优化战略模式(即耕地保护和生态建设相结合模式，以下简称“优化战略模式”)，模拟增城区2025年的土地利用空间格局(表3).

表3 2 种情景模式下的增城区2025年土地利用需求Table 3 The land use demand in two scenarios of Zengcheng district in 2025 hm2

自然增长模式:假设2009—2025年各土地利用变化仍然按照2005—2009年的变化趋势. 园地林地、水域及水利设施用地和其他土地仍旧保持小幅度的减少，耕地减少较快，交通用地和居民点及工矿用地面积持续增加. 该模式下，园地林地分布连片，主要集中在北部和中部的地形较高的区域，变化较小.水域及水利设施用地和其他土地变动较小.居民点及工矿用地主要集中在中东部和西南部，由于受中部和南部耕地的大量转入以及中部林地和东南部其他土地的小幅度转入，导致其地面积增加(图3A).

优化战略模式:坚持严格保护耕地和基本农田、坚持以生态保护为先导，强化生态建设，坚持统筹城乡土地利用，因地制宜、协调发展，坚持土地集约利用为原则，并结合增城区土地利用总体规划的方向:保护北部、强化中部、提升南部.该模式下，北部的林地和耕地得到有效保护，与自然增长模式相比，中部和南部耕地和林地的转变也较小，使得耕地和生态同时得到保护(图3B).

图3 2 种情境下2025年的土地利用模拟图Figure 3 The simulated maps of land use in 2025 under two scenarios

基于CLUE-S 模型的2 种情景模式下的增城区2025年的土地利用情况模拟结果显示了增城区未来大约15年的土地空间格局演变的大致趋势，对土地资源管理和优化配置、提高土地利用水平、促进土地节约集约利用等提供了一定的决策参考.

4 结论

本文以广州市增城区为例，通过Logistic 回归、人工神经网络(ANN)和Autologistic 回归等3 种模型探究土地利用类型与其驱动因子之间的关系，比较选取最佳模拟优度模型，并结合CLUE-S 模型进行分析和验证，Kappa 指数高达0.863 7. 在此方法下对增城区2025年的土地利用变化进行2 种情景模式下的模拟预测，主要结论如下:

(1)通过增城区2005年土地利用数据实验，结果表明嵌入空间自相关因子的Autologistic 回归模型的拟合优度最优，ANN 模型次之，Logistic 回归模型最差.

(2)选用最佳拟合优度模型Autologistic 回归与CLUE-S 模型结合，模拟增城区2009年土地利用格局，经与2009年实际土地利用数据比较验证表明，此方法对于大城市边缘的中小城市区域模拟效果好，精度高.

(3)利用改进的CLUE-S 模型模拟了自然增长和优化战略情景模式下的增城区2025年的土地利用空间格局，揭示了增城区在不同情景模式下的未来土地利用变化趋势，为增城区土地管理及规划提供了重要参考依据.

本文侧重于探究土地利用类型与驱动因子之间关系模型的比较，因此，没有进行多个空间尺度上的模拟.另外，受数据难以量化影响，一些影响土地利用变化的因素(如政策)未进入本文模型.这些有待后续进一步研究.

［1］Nunes C，Augé J I. Land－use and land－cover change(LUCC)implementation strategy［C］. Amsterdam:Congrex Holland BV，1999.

［2］Rindfuss R R，Walsh S J，Turner II B L，et al. Developing a science of land change:Challenges and methodological issues［J］. Proceedings of the National Academy of Science，2004，101(39):13976－13981.

［3］Turner II B L，Lambin E F，Reenberg A. The emergence of land change science for global environmental change and sustainability［J］. Proceedings of the National Academy of Science，2007，104(524):20666－20671.

［4］Verburg P H，Soepboer W，Veldkamp A，et al. Modeling the spatial dynamics of regional land use:The CLUES model［J］. Environmental Management，2002，30(3):391－405.

［5］张永民，赵士洞，Verburg P H. CLUE-S 模型及其在奈曼旗土地利用时空动态变化模拟中的应用［J］. 自然资源学报，2003，18(3):310－318.Zhang Y M，Zhao S D，Verburg P H. CLUE-S and its application for simulating temporal and spatial change of land use in Naiman Banner［J］. Journal of Natural Resources，2003，18(3):310－318.

［6］Overmars K P，Verburg P H，Veldkamp A. Comparison of a deductive and an inductive approach to specify land suitability in a spatially explicit land use model［J］. Land Use Policy，2007，24(3):584－599.

［7］Castella J C，Verburg P H. Combination of process-oriented and pattern-oriented models of land-use change in a mountain area of Vietnam［J］. Ecological Modeling，2007，202(3/4):410－420.

［8］Trisurat Y，Alkemade R，Verburg P H. Projecting landuse change and its consequences for biodiversity in northern Thailand［J］. Environmental Management，2010，45(3):626－639.

［9］盛晟，刘茂松，徐驰，等. CLUE-S 模型在南京市土地利用变化研究中的应用［J］. 生态学杂志，2008，27(2):235－239.Sheng C，Liu M S，Xu C，et al. Application of CLUE-S model in simulating land use changes in Nanjing metropolitan region［J］. Chinese Joumal of Ecology，2008，27(2):235－239.

［10］李宁. 土地利用总体规划指标时空分配研究:以济南市为例［D］. 济南:山东师范大学，2006.Li L.A study of the time－space distribution of land use general planning index:A case of Jinan city，Shandong province［D］.Jinan:Shandong Normal University，2006.

［11］朱现龙. 扬州市市辖区土地利用/覆被变化模拟研究［D］. 长沙:中南大学，2009.Zhu X L. Research of land use and cover simulation in Yangzhou metropolitan area［D］.Changsha:Central South University，2009.

［12］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例［J］.地理研究，2010，29(3):460－470.Wu G P，Zeng Y N，Feng X Z，et al. Dynamic simulation of land use change based on the improved CLUE-S Model:A case study of Yongding county，Zhangjiajie［J］. Geographical Research，2010，29(3):460－470.

［13］李宽. 县级土地利用总体规划指标空间优化配置研究:以重庆市秀山县规划为例［D］. 长沙:中南大学，2009.Li K.Analysis of optimization about regional structure in general land use planning index of county land:For Xiushan county of Chongqing［D］. Changsha:Central South University，2009.

［14］吴健生，冯喆，高阳，等. CLUE-S 模型应用进展与改进研究［J］. 地理科学进展，2011，31(1):3－10.Wu J S，Feng Z，Gao Y，et al. Recent progresses on the application and improvement of the CLUE-S model［J］.Progress in Geography，2011，31(1):3－10.

［15］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.Lu R C，Huang X J，Zuo T H，et al. Land use scenarios simulation based on CLUE-s and markov composite model:A case study of Taihu Lake Rim in Jiangsu Province［J］. Scientia Geographica Sinica，2009，29(4):577－581.

［16］梁友嘉，徐中民，钟方雷. 基于SD 和CLUE-S 模型的张掖市甘州区土地利用情景分析［J］. 地理研究，2011，30(3):564－576.Liang Y J，Xu Z M，Zhong F L. Land use scenario analyses by based on system dynamic model and CLUE-S model at regional scale:A case study of Ganzhou district of Zhangye city［J］. Geographical Research，2011，30(3):564－576.

［17］陈功勋. 基于CLUE-S 模型和GIS 的土地利用变化模拟研究——以苏州市吴中区为例［D］. 南京:南京大学，2012.Chen G X.Simulation of land use change based on CLUE－S model and GIS:The case of Wuzhong country，Suzhou city［D］.Nanjing:Nanjing University，2012.

［18］Lin Y P，Chu H J，Wu C F，et al. Predictive ability of logistic regression，auto-logistic regression and neural network models in empirical land-use change modeling-a case study［J］. International Journal of Geographical Information Science，2011，25(1):65－87.

［19］黎夏，叶嘉安. 基于神经网络的单元自动机CA 及真实和优化的城市模拟［J］. 地理学报，2002，57(2):159－166.Li X，Yeh A G O. Neural-network-based cellular automata for realistic and odealized urban simulation［J］. Acta Geographica Sinica，2002，57(2):159－166.

［20］Pontius R G，Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed，Massachusetts，USA［J］. Agriculture，Ecosystems and Environment，2001，85(1/2/3):239－248.

［21］Orekan V O. Implementation of the local land-use and land-cover change model CLUE-S for Central Benin by using socio-economic and remote sensing data［M］.Aachen:Shaker Verlag，2008.