基于 PLUS 模型的溱湖國家濕地公園情景模擬與預測

汪 輝，劉 媛，時 艷，丁治凡，蔣洪超

（1.南京林業(yè)大學 風景園林學院，江蘇 南京 210037；2.蘇州城市學院，江蘇 蘇州 215100）

濕地是全球生態(tài)系統(tǒng)的重要組成部分，具有保護生物多樣性、預防旱澇災害、調節(jié)區(qū)域氣候等功能，被譽為“生命的搖籃”[1]。但人類活動造成的巨大干擾導致濕地退化，嚴重影響區(qū)域生態(tài)環(huán)境的質量安全[2-3]。濕地公園是濕地保護體系的重要組成部分，也是解決濕地生態(tài)保護和開發(fā)利用矛盾的有效途徑[4]。然而，目前濕地公園規(guī)劃方法存在前瞻性不足、保護與利用難以平衡等系統(tǒng)理論體系問題[5]。情景規(guī)劃是一種探索研究對象未來狀態(tài)的規(guī)劃工具，主要根據關鍵因素和相關驅動因子推演未來的發(fā)展情形，能夠顯著增強對象適應未來不可預見情況的能力[6-7]。將情景規(guī)劃理論和方法引入濕地公園規(guī)劃研究領域，具有一定必要性和可行性。

目前，情景規(guī)劃方法常用模型有元胞自動機(Cellular Automata, CA)[8-10]、小尺度土地利用變化及其空間效益模型(the Conversion of Land Use and its Effects at Small Region Extent，CLUE-S)[11-15]、未來土地利用模型(Future Land Use Simulation，F(xiàn)LUS)[16-18]、斑塊生成土地利用變化模擬(Patch-generating Land Use Simulation, PLUS)[19-20]等。其中PLUS 模型是一個集成土地擴張策略分析模塊(Land Expansion Analysis Strategy, LEAS)和基于多類隨機斑塊種子的元胞自動機模型的未來土地利用變化模型[21]。該模型可用于探索多種用地類型演變的驅動因素及其對演變的影響，能夠在更精細的分辨率下模擬草地、林地等自然類型斑塊的生成和演化，在時空范疇上分析多類土地利用斑塊變化的機制[22-23]。目前，該模型已被應用于國內外土地利用模擬研究中。

江蘇姜堰溱湖國家濕地公園在2005 年被批準為首批國家濕地公園(試點)，2007 年成為長江中下游濕地保護網絡成員單位，2011 年通過國家濕地公園正式驗收。作為中國第1 批國家濕地公園試點單位和江蘇省首家國家濕地公園，溱湖國家濕地公園具有重要的生態(tài)資源保護價值和經濟價值。近些年來，溱湖國家濕地公園的生態(tài)、經濟和社會效益良好，但由于《江蘇溱湖國家濕地公園總體規(guī)劃(2005—2020)》缺少針對濕地生態(tài)的規(guī)劃導則和相應管理辦法，導致濕地遭到一定破壞，產生生態(tài)結構簡單且自我維護功能未得到充分發(fā)揮等問題[24]。鑒于此，本研究采用PLUS 模型和高分辨率時空數據，研究溱湖國家濕地公園2015—2020 年用地空間分布變化的規(guī)律，以期為研究區(qū)的可持續(xù)發(fā)展規(guī)劃提供理論借鑒和科學支撐。

1 研究區(qū)概況及研究方法

1.1 研究區(qū)概況

溱湖國家濕地公園屬于江蘇省泰州市姜堰區(qū)，位于全國著名三大洼地之一的里下河地區(qū)(31°38′～31°42′N，119°16′～119°19′E)，規(guī)劃總面積為806.9 hm2，濕地面積為588.6 hm2。該濕地公園距泰州城市中心20 km，地理位置優(yōu)勢明顯。研究區(qū)域內動植物資源豐富，共有102 科357 種被子植物，4 科10 種裸子植物，包括3 種國家一級保護植物：水杉Metasequoiaglyptostroboides、銀杏Ginkgo biloba、水松Glyptostrobuspensilis；研究區(qū)域內共有138 種無脊椎動物，58 科155 種脊椎動物，包括國家一級保護動物麋鹿Elaphurusdavidianus、中華鱷Alligatorsinensis、丹頂鶴Grusjaponensis、白鸛Ciconiaciconia、黑鸛Ciconianigra等。區(qū)域內留有下河民俗文化、水鄉(xiāng)農耕文化和漁事文化等獨特的民俗風情文化，人文底蘊深厚。此外，研究區(qū)的濕地生態(tài)系統(tǒng)典型獨特，濕地景觀資源豐富多樣，在江蘇省乃至全國范圍內均具有重要地位[25]。

1.2 研究數據及處理

根據研究需要，本研究所采用的數據主要包括：遙感影像數據、驅動因子數據、行政區(qū)劃數據以及其他輔助數據(表1)。其中研究區(qū)2015 和2020 年遙感影像數據來源為：①購自美國地質勘探局官網的Landsat 8 影像，軌道號120，行編號037，所選衛(wèi)星影像均無云層，遙感影像數據拍攝時間分別為8 和10 月，影像多光譜分辨率為30.0 m，全色波段分辨率為15.0 m，作數據增強處理后，得到分辨率為15.0 m 的遙感影像圖；②2015 和2020 年研究區(qū)高清谷歌歷史衛(wèi)星地圖，分辨率為2.0 m，用于目視解譯過程中用地數據的提取與校對。驅動因子方面，研究區(qū)數字高程模型(DEM)數據來自于日本ALOS 衛(wèi)星，數據精度為12.5 m，數據覆蓋范圍為江蘇省全域，用于提取溱湖國家濕地公園的高程、坡度、坡向等數據；植被指數用ENVI 5.3 軟件提取于Landsat 影像，用于分析研究區(qū)植被分布和覆蓋情況。

表1 研究數據Table 1 Research data

根據中國土地資源分類系統(tǒng)，將研究區(qū)域劃分為喬木林地、灌木林地、草地、湖泊濕地、河流濕地、沼澤濕地、耕地、建設用地共8 類土地利用類型。借助ENVI 5.3 和ArcGIS 10.6 軟件，選用15.0 m×15.0 m 分辨率數據，對遙感影像進行輻射定標、圖像融合、幾何處理、影像裁剪等預處理，采用人工目視解譯法解譯遙感影像，并通過野外實地調查校核解譯結果，最終得到溱湖國家濕地公園2015 和2020 年用地空間分布數據(圖1)與驅動因子分布數據(圖2)。

圖1 研究區(qū)用地空間分布示意圖Figure 1 Spatial distribution maps of land use in the study area

圖2 驅動因子分布示意圖Figure 2 Maps of driver distribution

1.3 研究方法

本研究首先對溱湖國家濕地公園2015—2020 年的用地空間動態(tài)演化過程、驅動機理和發(fā)展趨勢進行系統(tǒng)分析，并通過模擬2020 年用地空間分布對模型和數據精度進行驗證；其次，在精度滿足要求的前提下進行溱湖國家濕地公園2030 年多情景的構建與模擬；最后，基于多情景對比分析結果進一步構建優(yōu)化情景。

1.3.1 情景設置 根據濕地公園建設目標、泰州市姜堰區(qū)對溱湖國家濕地公園的發(fā)展規(guī)劃和相關參考文獻，設定自然發(fā)展情景、生態(tài)保護情景和旅游開發(fā)情景對溱湖國家濕地公園2030 年的用地結構和空間分布情況進行模擬預測，具體情景設置及約束條件如下：①自然發(fā)展情景：設定此情景以探究現(xiàn)有政策、規(guī)劃及發(fā)展趨勢下，研究區(qū)未來的用地空間演變結果。此情景下的用地發(fā)展不受任何未來政策約束，用地結構和空間布局均按歷史慣性發(fā)生變化，2030 年用地需求以2015 和2020 年的用地空間分布數據為基礎，由Markov 模型計算得到，其他參數與2020 年用地空間分布模擬時所設參數相同，并且不加入限制性區(qū)域。②生態(tài)保護情景：該情景以保護濕地生態(tài)系統(tǒng)的穩(wěn)定性為重點，避免因建設用地擴張等原因導致濕地退化和野生動植物棲息地破壞。根據《姜堰區(qū)國土空間規(guī)劃近期實施方案》，溱湖國家濕地公園位于生態(tài)保護紅線內，湖體范圍為禁止建設區(qū)、生態(tài)環(huán)境安全控制區(qū)[26]。故此情景將濕地設置為用地轉化限制區(qū)域，不允許喬木林地、濕地等生態(tài)系統(tǒng)服務價值較高的用地類型向生態(tài)系統(tǒng)服務價值較低的建設用地和耕地轉化，允許各地類向生態(tài)價值更高的地類轉化；其次，考慮旅游發(fā)展和市民休閑游憩等需求，允許建設用地適當擴張，但限制其主要轉入源為耕地；最后，根據專家建議對湖泊濕地、沼澤濕地和建設用地的具體面積作出一定約束，適當降低建設用地的增長速率。③旅游開發(fā)情景：該情景在當前用地空間演化的基礎上結合地區(qū)旅游發(fā)展目標，重點模擬建設用地迅速擴張對用地空間演化產生的長期效應。根據《江蘇省濕地保護規(guī)劃(2015—2030 年)》和《泰州市姜堰區(qū)國民經濟和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠景目標綱要》對研究區(qū)的建設要求[27-28]，首先，按照一定比例增加耕地向建設用地的轉移概率，并減少建設用地向其他用地類型的轉移概率，提高建設用地在預測年份的需求量；其次，考慮旅游發(fā)展需求，適當增加建設用地的鄰域權重；最后，為避免建設用地過度擴張影響區(qū)域生態(tài)安全，設定湖泊濕地、河流濕地和沼澤濕地的未來用地需求不低于2020 年現(xiàn)狀的95%，林地占比下限為15%，建設用地上限為10%。

1.3.2 PLUS 模型 PLUS 模型是一種面向柵格數據的土地利用變化模擬模型。相比于傳統(tǒng)的CA 模型，PLUS 模型在挖掘土地利用變化的潛在驅動機制和模擬具體的開發(fā)和約束情景方面更具優(yōu)勢。PLUS 模型主要通過基于閾值下降的多類型隨機斑塊種子機制，實現(xiàn)對多種土地利用類型的斑塊演化，再基于輪盤賭的自適應慣性競爭機制獲取土地利用變化的綜合概率，最后結合隨機斑塊生成、過渡轉移矩陣和閾值遞減機制實現(xiàn)優(yōu)化，確定最終用地方式[29]。

1.3.3 模型精度驗證 為確保實驗誤差在允許范圍內，本研究以2015 年用地數據、驅動因子數據和用地擴張分析數據為原始數據，將研究區(qū)2020 年實際用地空間分布與2020 年PLUS 模擬結果進行疊加，計算各用地類型模擬正確的像元數與實際像元數的比值，以進行數量精度檢驗。另外，采用Kappa 系數進行土地利用類型的空間精度檢驗。Kappa 系數的值為0～1，數值越接近1 表示精度越高。

2 結果與分析

2.1 用地空間分布變化

2.1.1 用地結構分析 根據溱湖國家濕地公園2015—2020 年用地結構(表2)和用地空間分布(圖1)，從各地類面積和分布情況來看：湖泊濕地面積占比最大，而耕地和草地占比較少，兩者占比均不足5%?？臻g分布上，耕地主要分布于研究區(qū)的最北部和最南部，草地則主要零星分布在公園入口處和研究區(qū)西北部，喬木林地和灌木林地分布也較為分散，但多數分布在濕地周圍，兩者面積占比之和穩(wěn)定在20%左右。

表2 2015—2020 年研究區(qū)用地結構Table 2 Land use structure of the study area from 2015 to 2020

從溱湖國家濕地公園2015—2020 年用地面積的變化幅度來看(圖3)，各用地類型變化幅度變化均較小。其中有5 種地類比例減少，3 種地類比例增加。降幅最小的是湖泊濕地和沼澤濕地，僅為-0.05%和-0.28%；降幅最大的是草地，高達-33.25%；比例增大的是喬木林地、灌木林地和建設用地，灌木林地漲幅最大，達14.88%；由于公園建設開發(fā)等原因，建設用地增長幅度也較大，達8.77%。

圖3 2015—2020 年研究區(qū)各地類面積變化幅度Figure 3 Area changes of each land type in the study area from 2015 to 2020

2.1.2 用地轉化分析 土地利用轉移矩陣，即以二維矩陣的形式展示研究區(qū)一定時間段內不同用地類型的變化情況[30]。為了展現(xiàn)研究區(qū)2015—2020 年間各類用地類型相互轉化的數量和方向，由Arcgis 10.6 計算轉移矩陣(表3)可知：2015—2020 年間，耕地、河流濕地、湖泊濕地和沼澤濕地幾乎未發(fā)生轉化；喬木林地只有少量轉化為河流濕地和灌木林地；灌木林地轉出率最大，主要轉化為建設用地和草地，分別占灌木林地總面積的9.52%和8.72%；建設用地向所有地類均有所轉移，其中占比較高的是喬木林地和草地，分別為6.16%和6.10%?？傮w來說，2015—2020 年，研究區(qū)內除了灌木林地和建設用地轉出率較大，其余各地類轉出率均很小，各用地類型的面積占比較為穩(wěn)定。

表3 2015—2020 年研究區(qū)土地利用轉移矩陣Table 3 Land type transfer matrix of the study area from 2015 to 2020

2.2 精度驗證

利用PLUS 模型中的Validation 模塊，以5%的采樣率對數據進行采樣，發(fā)現(xiàn)研究區(qū)2020 年用地空間分布模擬的整體數量精度平均為90.07%，河流濕地和湖泊濕地分別達96.55%和97.17%，且Kappa 系數為95.15%，表明參數設定合理，模擬結果具有較強解釋能力，故可將PLUS 模型和現(xiàn)有數據用于溱湖國家濕地公園多情景模擬研究中。

2.3 研究區(qū)2030 年多情景模擬

2.3.1 多情景模擬結果 ①自然發(fā)展情景：未來10 a 溱湖國家濕地公園的空間結構相比2020 年并未發(fā)生重大變化，湖泊濕地仍是溱湖國家濕地公園的主導地類。具體來說：灌木林地變化最為明顯，其在2020 年的基礎上逐步呈現(xiàn)出集聚化、不規(guī)則塊狀的分布特征，漲幅為32.27%；沼澤濕地的主體空間分布未發(fā)生較大變化，但局部較2020 年更加破碎；建設用地變化呈擴張趨勢，該趨勢主要體現(xiàn)在研究區(qū)東中部和東南部，幅度為23.71%；湖泊濕地、河流濕地和耕地未發(fā)生較大變化，只有少量轉化為其他用地類型。綜上可知，不受任何約束的發(fā)展會使得湖泊濕地、喬木林地等生態(tài)價值高的地類被侵占，建設用地擴張趨勢明顯，無法保證研究區(qū)生態(tài)安全(圖4A)。②生態(tài)保護情景：在該情景中，研究區(qū)中部的湖泊濕地和東部的河流濕地出現(xiàn)擴張趨勢，兩者轉入來源主要是建設用地和耕地，其中建設用地減少了12.16%，耕地減少了25.95%，這2 種是未來10 a 間面積變化幅度較大的用地類型；相對于2020 年，草地也呈現(xiàn)下降趨勢，下降幅度為9.48%；沼澤濕地的擴張主要集中在研究區(qū)東北部和東中部，這使得研究區(qū)東部濕地分布更加密集；喬木林地主要在研究區(qū)西部增加；灌木林地主要在研究區(qū)南部入口處有所增加?？梢娫谠撉榫爸校ㄔO用地擴張趨勢得到有效控制，各類濕地、喬木林地、灌木林地等生態(tài)價值高的用地均得到了有力的保護(圖4B)。③旅游開發(fā)情景：此情景的整體空間分布變化比自然發(fā)展情景更明顯，即建設用地在研究區(qū)西南部和東中部擴張，擴張幅度為30.35%，在研究區(qū)邊緣處也有新建設用地出現(xiàn)，呈現(xiàn)向東南部擴張的趨勢；草地的減少主要出現(xiàn)在古壽圣寺景點處和公園入口處；耕地由于主要分布在研究區(qū)邊緣處，故更易被轉化為其他用地類型，研究區(qū)南部的大部分耕地被轉化為了建設用地，降幅為-19.58%；喬木林地、灌木林地、各類濕地的空間分布無太大變化，只有少量區(qū)域轉化為了建設用地，整體分布變化較小(圖4C)。

圖4 研究區(qū) 2030 年多情景模擬示意圖Figure 4 Multi-scenario simulations for 2030 in the study area

2.3.2 多情景比較分析 將3 種情景的模擬結果和用地結構進行對比分析(圖5)可知：①自然發(fā)展情景：用地結構和空間分布變化的趨勢與2015—2020年基本保持一致，但是由于缺少發(fā)展限制，建設用地出現(xiàn)一定程度擴張，區(qū)域內部分喬木林地、湖泊濕地、沼澤濕地、河流濕地等生態(tài)空間被侵占，河流濕地降幅達-12.78%。②旅游開發(fā)情景：建設用地的擴張程度和趨勢更加明顯，與2020 年現(xiàn)狀相比，增幅達30.35%，大量濕地、喬木林地等生態(tài)價值高的用地被侵占，對生態(tài)安全構成一定威脅。可見自然發(fā)展情景和旅游開發(fā)情景雖然保障了建設用地的數量，滿足濕地資源利用的需求，但由于建設用地的擴張強度過大，將導致公園東南部的濕地保育區(qū)容易受到人為干擾，不利于濕地的保護與恢復。③生態(tài)保護情景：各類濕地和林地面積全部實現(xiàn)了有效增長，尤其是濕地得到一定保護，同時建設用地向研究區(qū)東南部繼續(xù)擴張的趨勢和速率得到極大控制。但由于研究區(qū)東中部建設用地被轉化為喬木林地等其他用地類型，使得建設用地更加破碎化，難以滿足合理利用的要求。

圖5 不同情景下研究區(qū)各用地類型占比Figure 5 The proportion of land use types in the study area under different scenarios

綜上所述，3 種情景對用地變化有一定調控作用，但無論是自然發(fā)展情景、旅游開發(fā)情景還是生態(tài)保護情景都無法較好協(xié)調濕地公園的生態(tài)保護和合理利用目標，難以實現(xiàn)用地結構和空間布局的合理優(yōu)化。因此，需要根據3 種情景模擬結果和濕地公園的目標發(fā)展需求，對濕地公園的用地結構和空間分布進行綜合調控，以促進區(qū)域健康和可持續(xù)發(fā)展。

2.4 研究區(qū)優(yōu)化情景模擬

2.4.1 情景設定 根據研究區(qū)多情景模擬結果，結合泰州市姜堰區(qū)相關規(guī)劃政策和專家建議，對各用地類型的占比進行綜合調控(表4)。再根據相關生態(tài)保護規(guī)劃，將極易受外界影響的濕地以及喬木林地區(qū)域作為綜合限制區(qū)域，不允許其發(fā)生轉化。最后根據規(guī)劃目標，對鄰域指數、轉換矩陣等模型參數進行調整。

表4 優(yōu)化情景約束條件設定Table 4 Constraint setting for optimization scenarios

2.4.2 情景模擬 將優(yōu)化情景用地結構(圖6)與2020 年研究區(qū)用地結構進行比較(表5)可知：用地空間數量方面，優(yōu)化情景下湖泊濕地面積占比達到27.65%，沼澤濕地面積占比達到22.20%，河流濕地面積占比為19.19%，三者總面積占比高達69.05%，遠大于《國家濕地公園規(guī)劃導則》中要求的60.00%。此外，喬木林地、灌木林地占比分別為16.19%、5.57%?？梢娡ㄟ^保護高生態(tài)價值用地，限制敏感脆弱的生態(tài)區(qū)域轉化，可使湖泊濕地、河流濕地等生態(tài)用地呈現(xiàn)不同幅度的擴張；建設用地占比為5.90%，與生態(tài)保護情景相比面積有所上漲，保證了旅游開發(fā)所需的建設用地面積，可見各地類均得到較為合理的調控。用地空間分布方面，通過將易被建設用地所擠占的區(qū)域設置為限制區(qū)域，優(yōu)化情景保障了研究區(qū)東南部較脆弱濕地的生態(tài)安全。湖泊濕地未發(fā)生其他轉化，仍呈現(xiàn)聚集形態(tài)，滿足《姜堰區(qū)國土空間規(guī)劃》中對溱湖禁止建設的要求，且與自然發(fā)展和旅游開發(fā)情景相比，喬木林地和灌木林地破碎化程度也有所減少。

圖6 溱湖國家濕地公園優(yōu)化情景示意圖Figure 6 Optimization scenario of Qinhu National Wetland Park

表5 2030 年優(yōu)化情景與2020 年用地結構對比Table 5 Comparison of optimization scenarios in 2030 and land use structures in 2020

相比自然發(fā)展、生態(tài)保護和旅游開發(fā)情景，優(yōu)化情景既保證生態(tài)系統(tǒng)的安全穩(wěn)定，也留有一定建設用地用于旅游發(fā)展，在數量和空間布局上更接近濕地公園規(guī)劃目標，能夠使溱湖國家濕地公園的未來發(fā)展更具彈性和適應性。

3 結論與討論

本研究將情景規(guī)劃方法引入濕地公園規(guī)劃研究領域，對溱湖國家濕地公園未來的規(guī)劃建設進行了多目標導向下的情景模擬，包括自然發(fā)展情景、生態(tài)保護情景和旅游開發(fā)情景，并基于3 個情景的比較分析，構建了優(yōu)化情景。通過研究可知：①2015—2020 年，研究區(qū)整體用地空間分布較為穩(wěn)定，2 個時期用地結構差異較小。5 a 間溱湖國家濕地公園的灌木林地和建設用地的面積呈持續(xù)擴張的趨勢，并且兩者的轉化幅度也為最大。草地則呈大幅度減少趨勢，破碎化程度加劇，變化幅度為所有用地類型中最大。②自然發(fā)展情景和旅游開發(fā)情景均會使建設用地大幅度擴張，從而導致各類型濕地和林地等高生態(tài)價值用地被侵占，生態(tài)系統(tǒng)穩(wěn)定性降低。生態(tài)保護情景下，湖泊濕地、河流濕地、沼澤濕地、喬木林地和灌木林地均實現(xiàn)不同幅度的增加，保障了濕地公園生態(tài)功能的實現(xiàn)，但也使得研究區(qū)東部的大量建設用地將被轉化為其他用地類型，分布更加破碎化。③根據2015 和2020 年用地結構轉化情況以及多情景模擬結果可知：某土地利用類型的斑塊越小、越破碎化，其穩(wěn)定性越差，越容易轉化為其他用地類型，而斑塊越大則越穩(wěn)定。例如本研究區(qū)域內的耕地、草地就是變化幅度較大的地類，兩者幾乎一直處于高轉化模式，是其他用地類型的主要轉入來源。湖泊濕地由于面積占比最大，且聚集性特征最明顯，故在任何情景下的變化幅度均較小。④2020 年研究區(qū)用地空間分布模擬結果的Kappa 系數達95.15%，表明PLUS 模型對中小尺度景觀類型同樣具有較強的解釋性，準確度和精度較高，未來可以將其廣泛應用于森林公園、郊野公園等類似尺度的研究對象。

本研究目前尚存在一定的局限性。受數據獲取和模型運行的限制，本研究使用的遙感數據為15.0 m 精度，雖然利用2.0 m 精度的高清谷歌歷史衛(wèi)星地圖進行提取和校對，但仍存在一定誤差。在以后的研究中，可以嘗試使用更高精度的遙感數據。另外，本研究選取了高程、坡度、坡向、到道路的距離、到水體的距離和植被指數等驅動因子進行分析，但用地空間分布模擬是一個復雜的過程，不僅僅是由這些因素所導致，因此可能會導致無法完全解釋用地變化的原因。在今后的研究中，應導入更多的驅動因子，以針對不同濕地類型、濕地公園類型展開更為細致的研究。

4 致謝

感謝江蘇省城鄉(xiāng)規(guī)劃設計集團有限公司研究員級高級工程師劉小釗的指導與幫助。