基于RF-CA-Markov 模型的濱海城市景觀格局變化與預測研究
——以連云港市為例

孫靜雅，王 旭，陳昆侖

（中國地質大學（武漢），a.地理與信息工程學院；b.體育學院，武漢 430074）

濱海地區(qū)位于海洋與陸地交界區(qū)域，海陸相互作用以及人類經濟開發(fā)活動共同塑造了當地的生態(tài)環(huán)境以及景觀格局［1，2］。強烈的自然地質營力與人類活動疊加，使濱海地區(qū)的景觀格局在時間和空間2 個維度上表現出較強的異質性［3］。隨著沿海大開發(fā)戰(zhàn)略的實施，濱海地區(qū)經濟社會發(fā)展和當地生態(tài)環(huán)境保護之間的矛盾愈發(fā)凸顯。探索濱海地區(qū)景觀格局時空變化規(guī)律并制定其保護對策已成為景觀生態(tài)學領域的研究熱點［4-6］。對景觀格局進行模擬，有助于深入理解景觀格局的演變過程、作用機制和環(huán)境影響［7］。目前，應用于景觀格局動態(tài)研究的空間模 型 有LCM 模 型［8］、CLUE-S 模型［9，10］、CA-Markov模型等［11］，其中CA-Markov 模型能夠在景觀類型變化的數量和空間2 個方面均取得較好的預測效果［12］。RF-CA-Markov 模型對CA-Markov 模型進行了改進，引入了隨機森林算法（RF）來獲取景觀適宜性概率作為全局元胞轉換規(guī)則，相較于以往研究中采用的Logistic 回歸方法，隨機森林算法突破了傳統(tǒng)統(tǒng)計方法的局限性，能夠應用于多重因子影響的定量研究［13-15］，為深入剖析景觀分布格局的驅動機制提供了有力工具。

本研究以中國東部濱海城市連云港市為研究區(qū)，利用多期遙感影像和自然、社會經濟數據，對研究區(qū)景觀格局動態(tài)變化進行定量分析，并構建RFCA-Markov 模型，對研究區(qū)未來景觀格局進行模擬預測，旨在探討連云港市景觀格局時空變化特征和規(guī)律，以期為濱海地區(qū)土地資源可持續(xù)開發(fā)和景觀規(guī)劃提供參考。

1 研究區(qū)概況與數據處理

1.1 研究區(qū)概況

連云港市位于江蘇省東北部，是中國首批沿海開放城市之一，也是新亞歐大陸橋經濟走廊的首個節(jié)點城市。地處北緯33°59′至35°07′、東經118°24′至119°48′，魯中南丘陵與淮北平原的結合部，地勢由西北向東南傾斜（圖1）。連云港市屬于暖溫帶到亞熱帶過渡地帶，四季分明，冬季寒冷干燥，夏季高溫多雨；年均氣溫14.5 ℃，年平均降水量883.9 mm。連云港市資源類型豐富，土地利用類型以耕地為主，圍海養(yǎng)殖、鹽業(yè)開發(fā)等是該地區(qū)特有的土地利用模式。21 世紀以來，隨著國家對海洋資源開發(fā)的重視以及“一帶一路”等重要國家戰(zhàn)略的部署，連云港市國土開發(fā)強度不斷增加，城市化進程加快。截至2019 年末，全市戶籍人口534.41 萬人，其中城鎮(zhèn)人口286.89 萬人；2019 年連云港地區(qū)生產總值達3 139.29 億元，比上年增長7.4%。

圖1 研究區(qū)地理位置

1.2 數據來源與處理

本研究參考美國C-CAP 海岸帶土地覆被分類系統(tǒng)和中國2017 年發(fā)布的《土地利用現狀分類》（GB/T21010—2017），同時結合江蘇海岸帶的區(qū)域特征，將研究區(qū)的景觀分為耕地、林地、建設用地、河渠湖泊、人工塘、鹽田和未利用地7 種類型。連云港市景觀類型分布變化信息主要是通過3 期共6 景Landsat 影像解譯得到，影像來源美國地質勘探局USGS（https：//earthexplorer.usgs.gov/），包 括Land?sat5-TM、Landsat8-OLI。

研究區(qū)地處濱海，人口稠密，經濟發(fā)展較快，除了氣候、土壤等自然因素影響景觀類型的分布外，人文因素也與景觀分布格局密切關聯?；跀祿目色@取性、因子的可量化性等原則，選取社會經濟、氣候、地形地貌、水文、交通區(qū)位、植被和土壤7 類共16項作為驅動因子。其中，社會經濟因子、氣候因子和植被因子來源于資源環(huán)境數據云平臺（http：//www.resdc.cn），具體包括GDP、人口、植被覆蓋度（ND?VI）、多年平均降雨量和多年平均溫度；交通區(qū)位因子和水文因子主要通過計算研究區(qū)范圍內的每個像元到各要素的歐式距離得到，包括距城鎮(zhèn)行政中心距離、距鄉(xiāng)村行政中心距離、距道路距離、距鐵路距離、距海岸線距離和距河流距離；高程數據來源于地理空間數據云網站（http：//www.gscloud.cn/）SRTM 數據集，經過表面分析得到坡度數據；土壤因子來源于世界土壤數據庫（Harmonized World Soil Database V1.2，HWSD），包括過量鹽、養(yǎng)分有效性和根系氧利用率。根據模型的模擬預測要求，結合研究區(qū)實際情況，基于ArcGIS 10.2 軟件平臺，將各空間數據統(tǒng)一配準到WGS_1984_UTM_Zone_50 坐標系，以連云港市行政范圍為邊界，將各種矢量數據轉換為30 m×30 m的柵格數據。

2 研究方法

2.1 景觀格局分析

景觀格局指數是景觀生態(tài)學中定量化分析景觀格局的常用方法，能夠反映不同層次景觀的組成及格局信息［16］。本研究基于景觀生態(tài)學原理，采用景觀格局指數作為量化指標對研究區(qū)域各時期的景觀格局進行分析。從景觀破碎度、形狀、聚集狀態(tài)和均勻性4個方面考慮，在類型水平上選擇斑塊密度（PD）、景觀形狀指數（LSI）和散布與并列指數（IJI）3 個指標；在景觀水平上選擇斑塊密度（PD）、景觀形狀指數（LSI）、散布與并列指數（IJI）、蔓延度（CONTAG）、香農多樣性指數（SHDI）和香農均勻度（SHEI）6 個指標。景觀指數采用FRAGSTATS 4.2 軟件計算得到。

2.2 RF-CA-Markov 模型

CA-Markov 模型綜合了Markov 模型長期預測能力和CA 模型強大的空間模擬能力，既可以從數量上，又可以從時間上模擬景觀類型分布格局的動態(tài)變化［17］，本研究對CA-Markov 模型進行了改進，引入隨機森林算法分析驅動因子生成各景觀類型的空間分布適宜性概率圖。采用RF-CA-Markov 模型預測連云港市景觀格局狀況，主要包括以下3 個部分：①根據現有的景觀分布數據，利用Markov 模型獲取景觀類型轉移矩陣作為局部元胞狀態(tài)轉換規(guī)則；②通過考慮氣溫、降水、土壤、地形、交通、區(qū)位等多種驅動因素影響，利用隨機森林算法，計算各景觀類型的空間分布適宜性概率作為全局元胞狀態(tài)轉換規(guī)則；③對連云港市景觀格局進行模擬并對模擬結果進行精度評價。

2.2.1 Markov 模型 Markov 模型在景觀格局變化研究中，通過假定t+1 時的某景觀類型狀態(tài)只與t時的景觀類型狀態(tài)有關，來實現景觀格局變化的模擬［18］。具體過程如下：

式中，S（t）、S（t+1）為t、t+1 時的研究區(qū)景觀類型狀態(tài)矩陣；Pij表示由類型i轉化為類型j的轉移概率矩陣。本研究利用TerrSet 軟件中的Markov 模塊來預測各景觀類型相互轉化的變化量，獲得研究區(qū)景觀類型變化的轉移面積矩陣和轉移概率矩陣，參與模擬運算。

2.2.2 隨機森林模型 隨機森林模型是一種采用隨機方式建立的包含多個決策樹的集成模型，最早由Breiman 提出。隨機森林生成許多決策樹，通過在其發(fā)展過程中引入隨機性，使其具有不同的發(fā)展方向，利用輸入數據集中信息的不同組合，最終形成可靠的模型，并且避免了過度擬合和相關變量之間相互重疊覆蓋的問題［13，19］，通過對樹木集合的類別預測結果取眾數，對建模數據的起始條件容錯率較高，即使不平衡或存在缺失的數據集，也能夠維持一定的精確度。同時，隨機森林方法可以用來對影響因子的重要性進行排序。

在本研究中，從社會經濟、氣候、地形地貌、水文、交通區(qū)位、植被和土壤方面選取16 項指標作為驅動因子，用隨機森林分類樹分別擬合每種景觀類型與各驅動因子之間的依賴關系。實際操作中，對景觀類型分布分別進行“二值化”，即將該類景觀賦值為1，除該類景觀以外的點賦值為0。每種景觀類型分別構建各自的隨機森林決策樹。在研究區(qū)范圍內，生成15 000 個隨機采樣點，并將各驅動因子以及景觀分布信息提取到采樣點文件中，70%的數據集用于構造訓練數據集，30%用于模型驗證。最終生成2 000 棵決策樹，經過tungrid 函數的參數調優(yōu)，每棵決策樹隨機選取4 個解釋變量用于樹的分叉。隨機森林模型預測能力由ROC 曲線進行評估。ROC曲線所包裹的面積AUC范圍介于0.5~1.0，AUC越接近1.0，表明模型擬合能力越強［20］。最后，利用訓練好的隨機森林模型對測試數據集進行預測，每種景觀類型的預測結果即該類用地的分布概率，插值得到每種景觀類型的適宜性概率分布。

2.2.3 景觀格局模擬 根據CA 模型的基本組成要素，本研究定義元胞單元尺寸為30 m×30 m，元胞空間為連云港市行政區(qū)范圍。整體區(qū)域為4 242×4 145 規(guī)則格網，有效元胞單元數量8 186 820 個。元胞狀態(tài)集合=｛1，2，3，4，5，6，7｝，分別對應的景觀類型為耕地、人工塘、鹽田、河渠湖泊、林地、建設用地和未利用地。元胞單元的鄰域范圍為5×5 的擴展Moore 型鄰域。使用TerrSet 軟件中的Collection Edi?tor 模塊，將隨機森林模型生成的適宜性概率圖按照各景觀類型的順序進行排列，最終合成研究區(qū)景觀類型分布適宜性圖集，結合Markov 預測所得到的2010—2015 年研究區(qū)景觀類型變化轉移矩陣，作為CA 模型的狀態(tài)轉移規(guī)則函數。以2015 年景觀柵格圖為基期，設置模擬步長為5 年，獲得2020 年模擬影像。將模擬結果與2020 年實際景觀柵格圖進行比較分析。使用Kappa系數對研究結果進行精度檢驗，一般認為Kappa>0.8 時，模擬精度較高［21］。

3 結果與分析

3.1 景觀格局分析

3.1.1 景觀構成與變化分析 連云港市2010—2020 景觀類型分布和組成結構如圖2 和表1 所示，景觀類型轉移矩陣如表2 所示。從景觀類型的構成來看，耕地是本研究區(qū)最主要的景觀類型，占研究區(qū)總面積超過65%；其次為建設用地，占研究區(qū)總面積的17.23%~20.40%。從景觀類型變化動態(tài)過程來看，2010—2020 年連云港耕地的面積呈下降趨勢，10 年間耕地面積共減少了317.25 km2，占研究區(qū)總面積比例由72.19%降低到67.87%，主要轉出為人工塘和建設用地；鹽田面積在2010—2015 年劇烈減少，共減少了64.98%，大量鹽田轉為了人工塘，部分廢棄的鹽田未得到利用，轉為了未利用地。鹽田的轉變與江蘇地區(qū)鹽業(yè)生產轉型有關，20 世紀末以來礦鹽的發(fā)展勢頭強勁，逐步取代了海鹽的主體地位，生產基地由蘇北沿海轉移到淮安。隨著濱海地區(qū)城市的擴張和人口數量的增長，建設用地的需求量增加，城鎮(zhèn)化率不斷提高。分析時間段內，建設用地面積增加速度較快，占比由17.23%增加到20.40%，2010—2015 年的增長速度快于2015—2020 年，主要由耕地和鹽田轉入。同時，人工塘的面積增長幅度較大，由2.93%上升至6.16%，10 年間面積增加了1倍多；林地和河渠湖泊面積總體變化量不大。

表2 連云港市2010—2020 年景觀類型轉移矩陣 （單位：km2）

圖2 連云港市2010、2015、2020 年景觀類型

表1 連云港市景觀類型組成特征

3.1.2 景觀格局特征演變分析 本研究從類型水平尺度和景觀水平尺度對研究區(qū)景觀格局進行分析。表3 和表4 分別給出了2 種尺度相關指數的計算結果。連云港市各景觀類型的景觀指數變化趨勢各不相同。2010 年至2020 年間，連云港市斑塊密度（PD）整體上呈增大趨勢，斑塊密度從0.610 增加到0.702，破碎化程度不斷增加。河渠湖泊、人工塘和未利用地的斑塊密度指數持續(xù)增加；耕地、林地的斑塊密度指數在持續(xù)減少；建設用地的斑塊密度先增后減，在2015 年達到峰值；鹽田的斑塊密度基本上未發(fā)生變化。研究區(qū)總體景觀形狀指數（LSI）在10年中不斷上升，從44.764 上升到51.007。各景觀類型中，耕地、建設用地以及河渠湖泊的LSI較大，表明連云港市這幾種景觀類型破碎程度較大，形狀較復雜。散布與并列指數（IJI）反映了景觀的集中程度，其值越高表明同一類型斑塊相互臨近。連云港市景觀水平IJI指數在不斷增大，而在類型水平上，人工塘和林地的IJI指數在減小，說明連云港整體景觀分布趨于集中，而人工塘和林地的分布則趨于分散。在連通性方面，蔓延度指數（CONTAG）從72.665 降至70.605，反映了相同景觀的連通性在不斷減弱。多樣性指數（SHDI）和均勻度指數（SHEI）表征景觀由少數幾個主要景觀類型控制的程度，進一步表征景觀均衡程度。研究區(qū)多樣性指數和均勻度指數不斷增加，這是由于優(yōu)勢景觀類型耕地的面積不斷減少，景觀分布更加均衡?？傮w來看，連云港市在2010—2020 年，景觀格局的演變呈破碎化、多樣化傾向，相同景觀類型間的連通性降低，整體景觀格局趨于復雜。

表3 2010—2020 年連云港市景觀斑塊類型水平指數

表4 2010—2020 年連云港市景觀水平指數

3.2 隨機森林模型訓練結果

本研究選取16 個驅動因素，建立隨機森林模型擬合每種景觀類型與各驅動因子之間的依賴關系，模型的訓練結果如表5、圖3 所示。從精度評價結果來看，隨機森林模型對連云港市各景觀類型分布的解釋能力較強，7 類景觀的ROC值均超過0.800，其中耕地、林地和建設用地的ROC值在0.900 以上，表明隨機森林模型對耕地、林地和建設用地的擬合效果較好。訓練結果能夠用于研究區(qū)景觀格局的模擬預測。

表5 連云港市各景觀類型隨機森林模型訓練精度評價結果

由圖3 可知，不同景觀類型分布影響因子的重要性排序有明顯差別。自然因素方面，植被、水文、地形和氣候因子對研究區(qū)景觀分布影響最為顯著。植被覆蓋度與耕地、人工塘和建設用地分布關系緊密，這是由于人工塘和建設用地分布在植被較少的區(qū)域，耕地則相反。距海岸線距離以及坡度和高程對耕地的影響較大，這是由于連云港市耕地多分布于遠離海岸線的內陸平原區(qū)域，坡度較小。林地則主要分布在山區(qū)，因此海拔相對較高且具有一定的坡度。多年平均降雨量和多年平均氣溫對耕地、河渠湖泊和未利用地分布的重要性較大。土壤因素對研究區(qū)鹽田、未利用地分布有一定影響。

圖3 連云港市各景觀類型分布影響因素重要性

人文因素方面，社會經濟因子對連云港地區(qū)7類景觀類型的分布都有不同程度的影響，其中人口和GDP 對建設用地、人工塘和鹽田分布的重要性較高，對河渠湖泊、未利用地分布的重要性較低。交通區(qū)位因子中距城鎮(zhèn)中心距離對耕地、人工塘、建設用地分布影響較大，建設用地傾向以城鎮(zhèn)為中心向附近擴張，耕地、人工塘則通常分布在遠離城鎮(zhèn)中心的區(qū)域。距公路、鐵路距離對建設用地、林地、河渠湖泊和未利用地分布的重要性較高。

3.3 景觀格局變化預測

本研究以2015 年的景觀柵格數據為基礎，結合轉移矩陣和適宜性圖集，預測了2020 年的景觀格局，結合2020 年實際景觀柵格數據，對預測結果進行精度檢驗，精度檢驗結果見表6。RF-CA-Markov模型對耕地、河渠湖泊、林地和建設用地變化模擬的Kappa系數分別是0.941 3、0.942 8、0.981 9和0.931 2，模型對以上4 種景觀類型的模擬效果最優(yōu)。模型對人工塘、鹽田的模擬效果較差，可能是沿海區(qū)域鹽田和人工塘的變化受產業(yè)發(fā)展政策影響較大，本研究沒有設置這方面的政策因素導致。整體來看，RFCA-Markov 模型的Kappa系數大于0.900 0，模型精度較高，可以滿足研究需求。在此基礎上，用2020年景觀柵格數據對2025 年景觀格局進行模擬預測，結果如圖4 所示。

圖4 連云港市2020、2025 年景觀模擬預測結果

表6 連云港市景觀格局變化模擬精度檢驗結果

到2025 年，連云港市的建設用地和人工塘面積持續(xù)增加，耕地、鹽田和林地面積減少，河渠湖泊和未利用地面積變化較小。根據連云港市2020—2025 年景觀類型變化（圖5）可知，鹽田面積的減少幅度最大，減少了55.21%，其次是耕地和林地，分別減少了4.2%、1.42%；人工塘面積的增加幅度最大，增加了28.72%，其次為建設用地，增加了6.01%。

圖5 連云港市2020—2025 年景觀類型的變化

2020—2025 年連云港市城鎮(zhèn)化進程主要集中在已有城鎮(zhèn)建設用地的邊緣，建設用地擴張多分布于連云港市區(qū)和東?？h，灌云縣和灌南縣建設用地增長幅度較小。耕地主要轉出為人工塘和建設用地，林地主要轉出為建設用地，這表明限制建設用地對耕地、林地的侵占是目前地區(qū)發(fā)展需要關注的問題。未利用地面積增加主要分布在沿海，鹽田仍是未利用地面積增加的主要來源，應該加強對廢棄鹽田的治理，使其重新得到有效利用。

研究區(qū)2025 年景觀格局指數如表7 所示。整體上，連云港市景觀破碎化增加，斑塊密度上升至0.706，形狀指數由2020 年的51.007 增加到2025 年的51.216，表明研究區(qū)景觀形狀變得更加復雜。散布與并列指數增至40.111、蔓延度指數減少至69.856，反映研究區(qū)景觀集中程度增加，而相同景觀之間的連通性降低。香農多樣性指數和香農均勻度指數分別增加到1.018、0.521，景觀多樣性呈增加趨勢，分布變得更加均衡。

表7 2020—2025 年連云港景觀尺度水平指數

4 小結

本研究以連云港市為研究區(qū)域，運用景觀類型轉移變化、景觀格局指標、隨機森林建模、馬爾科夫預測、元胞自動機等方法，對研究區(qū)景觀格局變化情況、影響因子的驅動作用等進行分析，構建了適用于濱海城市的RF-CA-Markov 模型，對研究區(qū)未來景觀格局進行了預測，主要結論如下。

1）2010—2020 年連云港市景觀格局變化顯著。主要體現為耕地、鹽田的減少和建設用地、人工塘的增加。研究區(qū)域景觀的優(yōu)勢度下降，破碎化程度上升，景觀豐富度和異質性增強，整體形狀趨于復雜。

2）隨機森林模型訓練結果顯示，各景觀類型的空間模擬效果良好，ROC檢驗值均超過了0.800。根據重要性排序結果，連云港市景觀類型分布適宜性主要受到自然和人類活動因素的綜合影響。不同影響因子對于各景觀類型的作用方向與解釋能力各不相同，耕地更易分布在坡度較小、遠離城鎮(zhèn)中心和海岸線的內陸區(qū)域；林地則傾向于分布在坡度較大的區(qū)域；人工塘、鹽田多分布在植被較少、土壤含鹽量高且遠離城鎮(zhèn)中心的區(qū)域；而建設用地的分布受到人口、GDP、距鐵路距離等人類活動因素影響較大，傾向于分布在人口密集、靠近鐵路的區(qū)域。

3）基于Markov 預測方法生成的景觀類型轉移矩陣和隨機森林模型得到的適宜性圖集，較好地規(guī)定了CA 模型的預測方向，將2020 年的模擬結果與2020 年真實解譯結果進行對比，精度試驗的Kappa系數高于0.900 0，其中，模型對耕地、河渠湖泊、林地和建設用地4 種景觀類型變化的模擬效果最優(yōu)，Kappa系數達0.941 3、0.942 8、0.981 9 和0.931 2。

4）連云港未來景觀格局變化的特征為人工塘和建設用地面積將持續(xù)增加，鹽田繼續(xù)顯著減少。研究區(qū)景觀格局向破碎化、復雜化和多樣化方向發(fā)展。廢棄鹽田主要轉化為人工塘和未利用地，建設用地的侵占是耕地、林地面積減少的主要原因。