李晓蕾，魏建新,2*，徐丽萍，位宏，薛凯

(1 石河子大学理学院，石河子，832003；2 新疆激光雷达应用工程技术研究中心，乌鲁木齐 830002； 3 南京师范大学地理科学学院，南京，210023；4 虚拟地理环境教育部重点实验室，南京，210023)

作为陆地表层中人类活动对地球环境变化影响最直观的表现形式，土地利用/覆被变化(LUCC)研究已成为全球环境变化研究的热点领域之一[1]。土地利用变化是一个复杂的非线性过程，它受人文、社会经济和自然环境等多种因素的共同制约[2]。土地利用也是人地关系的最直接体现，对全球范围内的气候变化、碳循环、微量气体排放等生态系统过程以及地球物理和化学循环过程等都有着十分重要的影响[3]。当前，国内外学者关于土地利用变化的研究主要集中在LUCC驱动机制和演变过程[4]、土地利用变化的生态风险及优化[5]、LUCC的可持续性和生态效益评估以及LUCC模型与未来变化模拟等方面[6-7]。其中未来土地利用变化模拟是LUCC研究的一个重要方向，可为土地利用合理规划提供理论依据。国内外众多学者基于不同的模型对全球范围内的土地利用方式进行了模拟预测，其中比较成熟的模型包括系统动力学模型、Markov模型[8]、CA模型[9]、智能体模型(ABM)[10]、CLUE模型[11]以及在其基础上改进的CLUE-S模型[12]等等。而CLUE-S模型作为经验统计模型的代表，能综合考虑人文因素、社会经济及自然环境等驱动因子对土地利用变化的影响，是一种比较理想的土地利用/覆被变化模型[13]。

博斯腾湖地处西北干旱内陆区，地理位置及气候等因素决定了其生态环境极为脆弱。作为我国最大的内陆淡水湖，博斯腾湖是新疆南疆地区的焉耆盆地、库尔勒市和尉犁县等地工农业生产及人民生活的直接水源供给者[14]。流域主要由博斯腾湖大湖区、小湖群以及湖滨湿地三部分组成，是新疆绿洲发展的核心示范区之一，对塔里木河下游的生态建设也发挥着重要作用。但是，近年来随着水土资源的高强度开发，博斯腾湖流域土地利用方式发生了剧烈变化、流域内也出现了诸如湖泊萎缩、湖水咸化、土壤盐碱化加剧以及生态系统退化等一系列生态环境问题。这些问题若不能得到很好的解决，必然会影响博斯腾湖流域的经济社会发展及生态文明建设。因此，探究博斯腾湖流域内土地利用变化的未来发展趋势对该区域的土地利用合理规划及可持续发展均具有重要意义。基于此，本研究通过设定自然增长情景、生态保护情景和经济发展情景3种不同人类活动强度下的情景模式，利用CLUE-S模型，对博斯腾湖流域未来土地利用变化的空间分布进行预测模拟，分析不同情景模式下的土地利用变化差异性，以期为博斯腾湖流域土地资源管理及合理配置提供参考依据。

1 研究区概况与数据来源

1.1 研究区概况

博斯腾湖流域位于新疆巴音郭愣蒙古自治州境内，行政区划包括和硕县、和静县、焉耆县、博湖县以及库尔勒市的部分区域(图1)。地理位置82°52′～88°23′E，40°44′～43°48′N，流域总面积约4.54×104km2，是新疆重要的绿洲农耕区之一。博斯腾湖的入湖河流包括开都河、黄水沟、清水河等10余条，其中开都河是最主要的河流，其入湖径流量占总径流量的87%左右。流域内河流补给主要依靠高山冰雪融水及降雨。流域地形复杂，海拔介于865～4817 m之间，地势西北高，东南低，地貌类型自东向西依次为荒漠、荒漠草原、草原、高山草甸、高山植被、高山永久积雪[15]。博斯腾湖流域深处内陆，属于干旱大陆性荒漠气候，流域内降水量稀少、蒸发量大、日照时间长，多年平均降水量68.1 mm[16]，且80%以上集中在夏季，平均蒸发量2368 mm，平均气温8.6 ℃。近年来，随着节水灌溉设施的推广及经济开发活动强度的增加，流域耕地面积迅速扩张，博斯腾湖水域及附近绿洲面积发生了明显变化，土地利用变化剧烈。

1.2 数据来源与处理

本研究使用的数据主要包括土地利用、气象、DEM、统计年鉴等。其中土地利用数据来源于国家地球系统科学数据共享服务平台(http://www.geodata.cn/)，包括1990、2000、2010、2015年4期土地利用数据；参考《土地利用现状分类》(GB/T21010-2017)标准，将土地利用类型划分为水域、林地、草地、城镇用地、耕地和未利用地共六大类。DEM数据来自于美国马里兰大学全球土地覆被数据库，空间分辨率为30 m；降水和气温数据来自中国气象数据网(http://data.cma.cn/)，人口及经济统计数据来自同时期的《新疆统计年鉴》。

2 研究方法

2.1 CLUE-S模型

CLUE-S模型由荷兰瓦赫宁根大学的Verburg等人在CLUE模型基础上改进的小尺度土地利用空间分配模拟模型，通过定量分析社会经济、自然环境及政策因素等驱动因子对土地利用变化的影响，来模拟土地利用空间分布的可能性，具有可信度高和变化解释能力强等特点。

2.2 模型设置

2.2.1 空间分析

CLUE-S模型通过Logistic回归方法来定量分析不同驱动因素对土地利用变化的影响，从而计算每一栅格单元上某种用地类型可能出现的概率。Logistic回归模型的公式如下[17]:

(1)

式中，Pi是该栅格单元上土地利用类型i出现的概率；Xn,i为土地利用类型i的各驱动因子；β0为常数；β1、β2、βn为驱动因素Xk(k=1、2、3....n)的Logistic回归系数,置信度要大于95%才能进入回归方程。

2.2.2 驱动因子的选择

土地利用结构的变化是自然因素、人为因素及社会经济因素等共同作用的结果，在模拟土地利用未来空间分布时应充分考虑政策、科技发展、人口增长以及市场变化等因素的敏感性，同时也要防止驱动因子间的共线性重合问题。因此本文选取了高程、坡度、坡向、到城镇距离、到河流距离、到交通干道距离、年降水量、年均温度、植被覆盖度、人均GDP、人口密度等11个指标作为土地利用变化的驱动因素。

2.2.3 土地利用类型转化规则设置

转换规则是指在一定的情景模式下，各土地利用类型之间相互转换的可能性矩阵。1表示可以转变，0表示不能转变。通常将对区域生态环境有重要影响的用地类型设为0。本文依据博斯腾湖流域历史土地利用转移变化特点及干旱内陆区土地利用实际情况，主要对城镇用地做了转换限制，即城镇用地不能转换为其他地类。

2.2.4 土地利用转换弹性参数设置

土地利用转换弹性(Elasticity,ELAS)参数是指某种用地类型转化为其他地类的难易程度，ELAS参数值介于0与1之间，0表示极易转换，1表示不会转换，越接近1，表明该土地利用类稳定性越高，对应的土地利用类型发生转变的概率就越小[18]。其设置主要依据研究者的经验知识或者根据土地利用转移情况和模型调试相结合的方法进行。经过多次模型调试，本研究最终确定各土地利用类型的ELAS值如表1所示。

2.2.5 精度评价

CLUE-S模型精度验证包括两部分,一是应用ROC(Relative Operating Characteristic)值对Logistic回归结果中驱动因素的解释能力进行检验。通常ROC值在0.75以上，说明所选驱动因子对各用地类型变化的解释能力较好，可以利用CLUE-S模型继续进行各用地类型的空间分配[19]。另一部分是利用Kappa系数检验CLUE-S模型的模拟结果与实际土地利用情况间的一致性。Kappa系数通过同一时期的土地利用现状数据和模拟数据对比获得。具体计算公式如下[20]：

K=(P0-Pe)/(Pp-Pe)

(2)

式中，P0是正确模拟栅格的比例；Pe是随机情况下期望的正确模拟栅格的比例，其值等于所模拟土地利用类型数的倒数；Pp则是理想分类情况下正确模拟栅格的比例，其值为1。通常认为Kappa≥0.75，2期土地利用类型数据一致性较高，模拟精度达到要求。

2.3 预测情景设定

情景1：自然增长情景。该情景下，土地利用不受社会经济等因素的影响，土地利用需求按照1990—2015年间土地利用变化趋势发展，各用地类型之间的转移速率不变，以此预测博斯腾湖流域2030年各用地类型的面积。

情景2：生态保护情景。该情景下，重点要保护林地、水域等生态用地的保有量。林地和水域等生态用地在改善区域生态环境质量中扮演着极为重要的角色。因此，该情景土地分配原则是优先保护水域和林地，减缓水域和林地向其他地类的转化速率，在自然增长情景的基础上适当调整各土地利用类型需求量。

情景3：经济发展情景。该种情景下，优先保障城建用地、耕地等为流域经济增长贡献比重较大的用地类型的供应，现有城建用地及耕地周边的土地将被大量占用。在未来发展中库尔勒市建成区、焉耆、和静、和硕县城中心地带的城建用地将会向边缘集中扩张，为了供应城市粮食需求，耕地面积也将继续扩张，以此计算2030年研究区各用地类型面积需求量。

3 结果分析

3.1 土地利用转移情况分析

1990—2015年，草地一直是博斯腾湖流域的主导用地类型，其面积比例占整个研究区的55%以上(图2)。在变化趋势上，草地在经历一个“先增后减”的变化历程后，面积所占比例有所增加；城镇用地和耕地面积所占比例相对较小，但其表现出强劲的持续增长态势，研究期内，二者面积的增幅分别达到105.01%和70.55%；未利用地面积经历一个“先减后增”的变化过程后也有小幅增加。水域和林地的面积呈减小趋势，尤其以水域面积减少幅度最大，其面积减少量达到了3.4万hm2，占其总面积的65.46%。造成这种变化的原因是：随着研究区机械化水平的提高及交通运输条件的改善，低海拔区域的林地被垦殖，导致林地面积大幅度下降；人口增加及人类的生产建设活动使得城镇用地和耕地的面积不断增加，由此导致的农业、工业及生活用水量骤增，研究区水域面积也随之大幅度减少。但是随着后备耕地资源开垦难度越来越大，加之退耕还林与生态保护政策的实施，耕地面积虽然仍持续增加，但增速明显放缓[21]。

图2 博斯腾湖流域各用地类型面积变化情况Fig.2 Changes in land use area of the Boston Lake Basin

3.2 土地利用需求预测分析

基于上文中所设定的不同情景模式，结合不同情景下的土地利用转化弹性系数(表1)及转化规则，以博斯腾湖流域2015年土地利用数据为模拟基准年份，分别计算了不同情景方案下2030年研究区各土地利用类型的需求面积(表2)，在这3种情景模式下，其他年份的各用地类型面积通过线性内插方法计算得到。

表2 2030年博斯腾湖流域各用地类型需求量Tab.2 Demand for land use types in the Boston Lake Basin in 2030 hm2

在自然增长情景中，耕地、草地、城镇用地以及未利用地面积均有不同程度的增加，其中耕地面积增幅最大，为19.76%，但增加量上草地最为突出，其面积增加量达到了247061 hm2，城建用地面积增加了2651 hm2，未利用地面积增幅最小(3.7%)，水域和林地面积骤减；在生态保护情景中，耕地和草地的增幅下降，两者面积分别增加了41219 hm2和134776 hm2，林地和水域面积减少速率得以放缓，其面积减少幅度分别为26.37%和14.43%，城镇用地面积增加了3741 hm2，未利用地面积则有所下降，减少幅度为4.45%；在经济发展情景下，耕地和城建用地增幅最为明显，耕地面积增加了58.64%，城建用地面积增加了36.99%，草地面积也有所增加，与之相对应的是林地和水域面积的大幅减少，二者面积分别减少了72.08%和31.45%，未利用地面积减少量为24061 hm2，但是因其面积基数大，减少幅度不显著。

3.3 Logistic回归结果分析

Logistic回归结果显示，本研究所选取的11个驱动因子对博斯腾湖流域土地利用变化具有较高的解释能力，其中影响耕地分布的主要因子是到城镇距离、年降水量和平均气温等自然因素，林地和水域则主要与人口密度、到河流距离等因子相关，城建用地主要与年降水量、人口密度及到城镇距离等因子的相关性最大，而对于未利用地，其最主要的影响因子为年均气温和人口密度等，该回归分析结果与实际情形也较为符合。

从ROC检验结果可以看出，各地类的ROC值均大于0.75，说明本研究中所选的驱动因子可以较好地解释各地类的空间分布变化。其中，草地和耕地空间分布的解释效果最好，这两种类型的ROC值分别为0.897和0.882；水域的ROC值仅为0.765，驱动因子对其空间变化解释能力稍弱，主要原因是其空间分布较为分散，具有较强的动态特征。Logistic回归分析的结果将作为参数文件输入进CLUE-S模型中。

表3 2015年不同土地利用类型的Logistic回归系数Tab.3 The logistic regression coefficient of different land use types in 2015

3.4 模型模拟结果检验

以2010年土地利用现状图为基准，模拟博斯腾湖流域2015年的土地利用空间分布情况，并利用2015年实际现状土地利用图对模拟结果进行检验。结果表明，模型的总体模拟正确率为91.05%，Kappa系数为0.895，模拟偏差较大的区域主要集中在城建用地附近，主要是因为城建用地规划比较复杂，除了受自然因素影响外，政策因素也很大程度上影响了城建用地的空间布局，但是政策因素难以进行定量化分析，导致了城建用地布局模拟的偏差。总体来看，CLUE-S模型对博斯腾湖流域土地利用格局模拟效果较好，可以进一步模拟研究区2030年土地利用空间分布情况。

3.5 未来土地利用变化情景模拟结果及分析

在自然增长情景下，未利用地面积明显减少(图3)，水域面积也有大幅缩减，博斯腾湖主湖区面积也有所下降，耕地和草地面积继续增加。新增草地面积主要由未利用地和林地转化而来。库尔勒市、和静县等城市建成区向周围扩张导致城镇用地面积的增加，其空间分布也趋于集中，由零散分布向连片式发展。

在生态保护情景下，城建用地和耕地面积有所增加，但增幅不明显。林地、草地等生态用地面积有较大提升，尤其以林地面积增幅最为明显，新增林地主要集中分布在流域东南部。水域面积相比另两种情景减少幅度较小，未利用地面积也有一定比例的减少。

在经济发展情景下，城镇用地增幅最为明显，城镇用地的扩张主要是沿交通干线及河流分布，这里交通便利且水资源丰富，更利于城市的发展及正常运转，该情景下的耕地面积也明显大于另外2种模拟情景，主要是因为在优先发展经济情景下势必要增加耕地面积，以确保粮食的充足供给；林地、草地等生态用地面积减少显著，但草地仍是最主要用地类型，林地面积占比较小，且空间分布比较零散。

图3 不同情景下2030年博斯腾湖流域土地利用格局模拟结果Fig.3 Simulation results of land use pattern in the Boston Lake Basin in 2030 under different scenarios

4 结论

(1)利用博斯腾湖流域2010年土地利用现状数据模拟2015年研究区的土地利用分布情况，并用2015年土地利用现状图进行检验，模拟正确率为91.05%，Kappa系数为0.895，模拟效果良好，说明运用CLUE-S模型模拟博斯腾湖流域的土地利用空间分布是有效可行的。

(2)Logistic回归分析结果显示，本研究所选取的坡度、植被覆盖度、年均气温等驱动因子对研究区土地利用变化的解释能力较好，各用地类型的ROC值均大于0.75。说明这些因素是影响博斯腾湖流域土地利用空间分布变化的重要因子。

(3)不同情景模式下2030年博斯腾湖流域土地利用模拟结果表明，自然增长情景下，耕地面积增幅最大，达到了19.76%，草地面积增加量最多，增加量为247061 hm2，城镇用地和未利用地面积也有一定程度的增加，但增加幅度不大；相应地林地和水域面积骤减，减少幅度分别为65.34%和28.15%；生态保护情景下，林地和水域等生态用地的面积减少速率开始放缓，城镇用地和耕地等面积继续增加，但增幅已不明显，未利用地面积开始减少，减少幅度为4.45%，说明未利用地向其他用地类型的转化速率加快；经济发展情景下，为了拉动区域经济的快速发展，耕地和城建用地扩张最为明显，但是以牺牲生态用地面积为代价，林地和水域面积减少最多，未利用地也有一定程度的减少。

(4)驱动因子选取是否科学合理在很大程度上决定了CLUE-S模型的模拟精度，人类活动、经济导向以及政府政策等难以定量化因素的存在使得模拟结果存在偏差。同时区域土地利用规划是多目标、复杂不确定的，未来的土地利用布局很可能介于3种情景之间，本研究设定并模拟了不同情境下的未来土地利用空间布局，能够协助决策者调整土地利用结构及土地资源的合理配置，有利于减少区域规划中的多目标冲突，为未来博斯腾湖流域生态文明建设以及城镇化发展等提供理论参考。

致谢：感谢国家科技基础条件平台-国家地球系统科学数据共享服务平台(http://www.geodata.cn)提供数据支撑。