基于多模型的縣域土地利用/土地覆蓋模擬

何蘇玲, 賀增紅, 潘繼亞, 王金亮

(1.云南師范大學地理學部,昆明 650500; 2.云南省高校資源與環(huán)境遙感重點實驗室,昆明 650500; 3.云南省地理空間信息工程技術(shù)研究中心,昆明 650500)

0 引言

土地利用/土地覆蓋(land use/land cover,LULC)變化是全球環(huán)境變化的重要一環(huán),也是地理學研究的熱點。土地利用過程模擬是土地變化研究的重要內(nèi)容之一,它是探討土地利用驅(qū)動機制、支持城市規(guī)劃和評估LULC變化對生態(tài)環(huán)境影響的重要工具[1]。截至目前,不同的機構(gòu)和學者研制了大量的LULC模擬模型,如元胞自動機-馬爾科夫模型[2](cellular automata-Markov,CA-Markov)、局部土地利用競爭-元胞自動機模型[3](local land use competition cellular automata,LLUC-CA)、土地變化模型[2](land change modeler,LCM)、土地利用轉(zhuǎn)換及其影響模型(conversion of land use and it effects,CLUE)/小尺度土地利用轉(zhuǎn)換及其影響模型[4-5](conversion of land use and it effects at small regional extent,CLUE-S)、未來土地利用模擬模型[6](future land use simulation,FLUS)、斑塊生成土地利用模擬模型[7](patch-generating land use simulation,PLUS)等。上述模型在模擬不同區(qū)域未來的LULC空間格局方面表現(xiàn)出眾,眾多學者基于這些模型取得了很好的效果[8-10]。例如Darvishi等[11]通過集成多層感知器神經(jīng)網(wǎng)絡(multi-layer perceptron neural network ,MLPNN)和Markov鏈模擬伊朗東北部2018年的LULC空間格局,其Kappa系數(shù)大于0.72。林伊琳等[12]通過FLUS模型模擬滇中城市群的國土空間分布格局,其總體精度為98.07%。崔旺來等[13]使用CA-Markov模型預測浙江大灣區(qū)2015年的土地利用狀況,其精度高達0.90。

盡管LULC模擬模型眾多,但不同的模型由于模擬的機理存在差異,其模擬精度不一。如林麗等[14]認為LCM模型在模擬勐臘縣LULC方面性能優(yōu)于CA-Markov,CLUE-S和FLUS模型; 楊濟達等[15]指出在西雙版納橡膠林監(jiān)測中,GEOMOD模型效果略高于CA-Markov; Yang等[3]表明在國家旅游度假區(qū)的LULC模擬中,LLUC-CA 模型的模擬精度高于CA-Markov; 陳柯欣等[16]認為,在相同的驅(qū)動力影響下,基于CA-Markov模型的黃河三角洲濕地模擬效果好于LCM模型; Wang等[17]認為用于北京市西城區(qū)LULC空間分布預測模型中,PLUS模型比FLUS模型更準確。綜上,不同的研究區(qū)適用的LULC模擬模型略有差異。因此,在進行某一特定區(qū)域的LULC模擬研究時,盡可能對比不同LULC模擬模型的精度,并從中篩選出模擬效果最好的模型,這對于后續(xù)的研究至關(guān)重要。

云南省祿勸彝族苗族自治縣是集革命老區(qū)、民族地區(qū)、高寒山區(qū)、生態(tài)涵養(yǎng)區(qū)和地質(zhì)災害隱患區(qū)為一體的綜合體,是云南省昆明市主要的水源地和生態(tài)涵養(yǎng)示范區(qū),享有“春之源”、“水之源”的美譽[18]。近幾十年來,云龍水庫的建設(shè)以及祿勸縣經(jīng)濟的快速發(fā)展,導致了祿勸縣LULC變化劇烈?；诠雀璧厍蛞?Google Earth Engine,GEE)云平臺提取祿勸縣1991年、1997年、2003年、2009年、2015年和2021年高精度的LULC信息,并分析其時空演變特征; 利用隨機森林模型探究LULC變化的驅(qū)動因素; 從模擬精度、面積一致性、空間位置一致性和景觀破碎度幾方面對比CA-Markov,LCM,FLUS和PLUS 4種模型模擬祿勸縣2021年LULC的效果,最后從上述4種模型中選擇模擬效果最好的模型預測祿勸縣2027年的LULC狀況,為祿勸縣國土空間規(guī)劃提供科學參考。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

云南省祿勸彝族苗族自治縣地處昆明市西北部(圖1),介于E102°14′～102°56′,N25°25′～26°22′之間,面積為4 234.78 km2?？h內(nèi)地形復雜,山河相間,形成了大量斷裂帶,滑坡、泥石流等自然災害頻發(fā)。地勢自東北向西南緩降,由于地勢高低懸殊,形成了明顯的立體氣候[19]。2020年祿勸縣常住人口達37.89萬人,其中少數(shù)民族人口達11.35萬人,GDP總值為144.00億元。

1.2 數(shù)據(jù)源及其處理

1.2.1 LULC數(shù)據(jù)

LULC數(shù)據(jù)源自GEE平臺上的Landsat TM和OLI影像,根據(jù)前人研究成果[20-21],其分類體系定義為以下6種類型: 耕地、林地、草地、水體、建設(shè)用地和裸地。首先利用GEE平臺的時間和空間過濾器選擇祿勸縣1991—2021年的6期遙感影像,其中1991年、1997年、2003年、2009年的LULC數(shù)據(jù)源于Landsat TM影像,2015和2021年的LULC數(shù)據(jù)源自Landsat OLI影像。通過該平臺集成的算法對每期原始影像進行合成、裁剪、去云等操作,得到年度最小云量的影像,并基于同期影像和數(shù)字高程模型(digital elevetion model,DEM)提取歸一化植被指數(shù)(normalized differonce vegetation index,NDVI)、歸一化建筑指數(shù)(normalized difference built-up index,NDBI)、歸一化水體指數(shù)(normalized difference water intex,NDWI)、坡度和高程這5個光譜特征和地形特征以輔助分類?；谌斯つ恳暯庾g,通過Landsat影像及Google Earth高清影像選取LULC分類樣本點,并按照7∶3的比例設(shè)置訓練樣本和驗證樣本數(shù)量。最后利用隨機森林算法提取祿勸縣1991—2021年的LULC數(shù)據(jù)集。1991—2021年祿勸縣LULC數(shù)據(jù)的總體精度分別為0.92,0.93,0.94,0.94,0.92和0.90; Kappa系數(shù)分別為0.87,0.88,0.91,0.91,0.87和0.84。

由于CNLUCC,CLCD和GlobalLand30這3種LULC產(chǎn)品的空間分辨率都是30 m且精度較高,將祿勸縣2021年LULC分類結(jié)果與統(tǒng)計年鑒及上述3種產(chǎn)品進行比較,這幾種LULC產(chǎn)品詳細介紹請參考徐新良等[22]、Jun等[23]和Chen等[24]的研究。從LULC的空間格局來看(圖2(a),2(b),2(c),2(d),2(e)),祿勸縣2021年LULC產(chǎn)品與CLCD和GlobalLand30這2種產(chǎn)品具有較強的空間一致性,而與CNLUCC的空間差異較大。通過Landsat OLI影像和Google Earth高清影像對祿勸縣縣城以及云龍水庫兩處典型地區(qū)進行細節(jié)對比可以看出,在4種LULC產(chǎn)品中,祿勸縣2021年的LULC分類結(jié)果更接近實際情況,它保持了地物的細節(jié)特征并精確提取出了裸地。從LULC的面積來看(圖2(f),2(g)),CNLUCC的耕地面積和CLCD的林地面積與統(tǒng)計年鑒結(jié)果最接近。祿勸縣2021年LULC產(chǎn)品的耕地面積略高于統(tǒng)計年鑒,而林地面積則略低于統(tǒng)計年鑒結(jié)果,草地和水域的面積與GlobalLand30最為接近,建設(shè)用地和裸地的面積與CNLUCC接近。特別說明: 由于在統(tǒng)計年鑒中只找到耕地和林地的實際面積,因此僅有以上2種地類的面積與統(tǒng)計年鑒結(jié)果進行比較。綜上,本研究提取得到的祿勸縣LULC產(chǎn)品其分類精度、空間一致性都優(yōu)于常見的3種LULC產(chǎn)品,且耕地和林地的面積與統(tǒng)計年鑒的差距不大,滿足研究要求。

圖2 不同LULC產(chǎn)品的對比

1.2.2 驅(qū)動因子數(shù)據(jù)

LULC變化受地形、氣候、人類活動等多種因素的影響,考慮到數(shù)據(jù)獲取難度、祿勸縣實際情況以及先前研究[25-26],從社會經(jīng)濟和自然驅(qū)動2方面選取了高程、坡度、年均溫度、年均降水、距主要道路的距離、距主要河流的距離和人口密度7個LULC變化驅(qū)動因子(圖3)。高程和坡度從30 m的ASTER GDEM數(shù)據(jù)中提取(http: //www.gscloud.cn/),年均溫度和降水(2019年)由國家氣象數(shù)據(jù)中心的日值實測數(shù)據(jù)通過克里金插值法生成(http: //data.cma.cn),道路和河流來自中國1∶100萬基礎(chǔ)地理數(shù)據(jù)(https: //www.webmap.cn/),通過歐式距離工具得到,人口密度源自2016年祿勸縣統(tǒng)計年鑒(https: //data.cnki.net/)。由于上述數(shù)據(jù)來源不同,在ArcGIS中將其統(tǒng)一重采樣至30 m分辨率,并設(shè)置投影為WGS_1984_UTM_Zone_47N。

(a) 高程 (b) 坡度 (c) 年降水量

(a) 1991年 (b) 1997年 (c) 2003年 (d) 2009年

(e) 2015年 (f) 2021年 (g) 1991—2021年不同LULC類型的面積

2 研究方法

2.1 基于隨機森林模型的驅(qū)動因素分析

隨機森林模型屬于自然非線性的建模方法, 適合于評估復雜的、存在大量未知特征數(shù)據(jù)集中的自變量對因變量的影響[27]。隨機森林對于變量的重要性評估是通過修改的袋外數(shù)據(jù)(out-of-band,OOB)子集和原有數(shù)據(jù)精度得到的平均差異來確定[28]。具體過程如下: ①根據(jù)每個采樣集建立一棵決策樹,②根據(jù)OOB子集來預測,并獲得OOB的殘差均方,③變量Xi在b個OOB集合中進行隨機置換,形成新的OOB集合,并用已建立的隨機森林對新的OOB進行測試,獲得新的OOB的殘差均方,生成矩陣A; ④最后利用矩陣A計算各變量的重要性評分Scorei[29],計算公式為:

,

(1)

,

(2)

式中:p為變量個數(shù);b為樣本個數(shù);MSEj為第j個樣本的殘差均方;Se為標準誤差;i的取值范圍為[1,p]。

2.2 CA-Markov模型

CA-Markov模型是最常用的LULC模擬模型之一[30-31]。它耦合了元胞自動機(cellular automata,CA)模型模擬復雜系統(tǒng)空間變化的能力和Markov模型長期預測的優(yōu)勢[32]。本文基于祿勸縣2009—2015年的LULC數(shù)據(jù),通過Markov鏈獲取其轉(zhuǎn)移概率矩陣,并根據(jù)高程、坡度等7個驅(qū)動因子,使用Logistic回歸獲得不同LULC類型的適宜性圖集,將濾波器大小和元胞迭代次數(shù)分別設(shè)置為5×5和10,最后根據(jù)CA模型模擬出祿勸縣2021年的LULC結(jié)果。

2.3 LCM模型

LCM模型是集多層感知器神經(jīng)網(wǎng)絡、Markov模型和軟硬預測模型為一體的LULC預測模型[14]。它通過像素模擬、使用適宜性地圖來指定每個像素轉(zhuǎn)移類型的優(yōu)先級,并預測LULC類型空間位置的變化情況[16]。LCM模型的核心是轉(zhuǎn)化潛力模型的構(gòu)建,即根據(jù)LULC變化驅(qū)動因子和多層感知器(multilayer perceptron,MLP)模型計算不同地類的轉(zhuǎn)移潛力。本文基于祿勸縣2009—2015年的LULC變化情況,根據(jù)高程、坡度等驅(qū)動因子和MLP模型計算不同地類的轉(zhuǎn)移潛力,根據(jù)Markov鏈計算其轉(zhuǎn)移概率矩陣,最后通過軟預測模型模擬出祿勸縣2021年LULC格局。

2.4 FLUS模型

FLUS模型是由劉小平教授團隊在CA模型中開發(fā)了一種自適應慣性和競爭機制,以處理不同LULC類型之間復雜的競爭和相互作用[6]。FLUS模型主要分2階段,一是基于某一時期的LULC數(shù)據(jù)及其驅(qū)動因子,采用人工神經(jīng)網(wǎng)絡算法(artificial neural network,ANN)訓練特定像元上不同LULC類型的發(fā)展適宜性概率; 二是利用輪賭盤選擇的自適應慣性競爭機制模擬LULC分布。由于競爭機制的運用,該模型能有效規(guī)避LULC轉(zhuǎn)換過程中的不確定性和復雜性,較好地避免誤差傳遞[33]。本文首先利用ANN算法獲取高程、年均降水等驅(qū)動因子下2015年不同地類變化的適宜性概率,然后基于CA模型以自適應慣性和競爭機制獲取祿勸縣2021年的LULC模擬結(jié)果。其中耕地、林地、草地、水體、建設(shè)用地和裸地的鄰域權(quán)重分別設(shè)置為: 1,0.1,0.1,0.5,0.2和0.4,不同地類之間的轉(zhuǎn)移規(guī)則設(shè)置如表1所示。表中,1表示地類之間可以相互轉(zhuǎn)換,0則表示不可轉(zhuǎn)換。

表1 不同地類之間的轉(zhuǎn)移規(guī)則

2.5 PLUS模型

PLUS模型是耦合了一種新的土地擴張分析策略(land expansion analysis strategy,LEAS)和基于多類型隨機斑塊種子的CA模型(cellular automata model based on multi-type random patch seeds,CARS),可以更好地模擬多類LULC斑塊級的變化[7]。LEAS從2期LULC數(shù)據(jù)中提取出各LULC類型擴張的區(qū)域,并采用隨機森林算法逐一挖掘各類LULC擴張的因素,以獲得各LULC類型的發(fā)展概率。LEAS簡化了LULC變化的分析,但保留了分析復雜LULC變化機理的能力,解釋性更好[34]。CARS結(jié)合隨機種子生成和閾值遞減的機制,在發(fā)展概率的約束下,動態(tài)模擬斑塊的自動生成[7]。本文首先利用2015年、2021年2期LULC提取其擴張數(shù)據(jù); 然后利用上述LULC變化驅(qū)動因子和LULC擴張數(shù)據(jù),計算出各類用地的適宜性概率; 最后基于CARS的CA模型獲取2021年祿勸縣LULC模擬結(jié)果,其中各地類的鄰域權(quán)重和轉(zhuǎn)換規(guī)則和FLUS模型設(shè)置一致。

2.6 精度驗證

采用混淆矩陣中的總體分類精度(overall accuracy,OA)、Kappa系數(shù)(K)、生產(chǎn)精度(production accuracy,PA)和用戶精度(user accuracy,UA)進行LULC提取和模擬結(jié)果的精度檢驗。具體計算公式為:

,

(3)

,

(4)

,

(5)

,

(6)

式中:n為分類類別數(shù);N為驗證樣本數(shù)量;Pi為每類中正確樣本的數(shù)量;Pi+為分類器將驗證樣本分為某一類別的總數(shù);P+i為某一類別驗證樣本總數(shù)。OA、Kappa系數(shù)、PA和UA越大,代表分類/模擬效果越好,其中Kappa系數(shù)大于0.8表示分類/模擬結(jié)果非常好; Kappa系數(shù)在0.6～0.8之間表示分類/模擬結(jié)果很好; Kappa系數(shù)在0.4～0.6之間表示分類/模擬結(jié)果較好; Kappa系數(shù)小于0.4則表示模擬結(jié)果很差[35]。

2.7 景觀格局評價

景觀破碎化直接影響區(qū)域生物多樣性、物質(zhì)循環(huán)與能量流動等過程,景觀指數(shù)是表征景觀破碎化最常用的方法[36]。參考前人的研究[37-39],本文從景觀要素的斑塊特征破碎化、景觀異質(zhì)性破碎化和空間相互關(guān)系破碎化3方面選取聚集度(aggregation index,AI)、平均斑塊面積(AREA-MN)、蔓延度(contagion indes,CONTAG)、邊緣密度(edge density,ED)、景觀形狀指數(shù)(landscape shape inedx,LSI)和斑塊密度(patch density,PD)6個景觀指數(shù)來比較不同的LULC模擬模型所成成的LULC景觀格局的破碎化程度。上述景觀指數(shù)的計算公式及其意義見表2。

表2 衡量景觀破碎化的典型景觀指數(shù)

3 結(jié)果與分析

3.1 研究區(qū)LULC時空演變特征

祿勸縣的LULC以耕地、林地和草地為主,耕地主要分布在南部,林地和草地在全縣均有分布(圖4)。耕地、林地和草地分別占地類總面積的25.76%,45.20%和28.33%。1991—2021年,祿勸縣耕地面積經(jīng)歷了緩慢增長、劇烈減少的過程。1991—2015年其以23.71 km2/a的速率緩慢增長; 2015—2021

年其以79.97 km2/a的速率劇烈減少。林地、建設(shè)用地和裸地面積不斷增加,三者面積分別增加了724.25 km2,27.72 km2和21.08 km2。草地面積經(jīng)歷了先減少后增加的變化過程,1991—2015年其年均減少40.58 km2; 2015—2021年其年均增加16.35 km2。水體面積呈現(xiàn)出波動增加的趨勢,其面積由7.49 km2增長至35.21 km2,年均增長約0.92 km2。

3.2 LULC變化的驅(qū)動因素分析

基于隨機森林模型評估各驅(qū)動因子對不同LULC類型變化的重要性。對祿勸縣LULC類型變化影響較大的因素主要是地形條件(高程和坡度)(表3)。耕地的空間變化主要與高程、坡度和年均降水相關(guān),因為隨著高程和坡度的降低,耕地轉(zhuǎn)為建設(shè)用地的概率會增加。林地和草地的發(fā)展受到高程、坡度、年均降水和年均溫度的影響,因為在海拔高、坡度大且水熱條件較好的區(qū)域,最適合植被生長,不適宜進行農(nóng)業(yè)耕種或者城市建設(shè),因此制約了其向其他LULC類型的轉(zhuǎn)變。水域的變化與高程和坡度呈現(xiàn)出較強的相關(guān)性,裸地主要與高程和年均降水密切相關(guān)。建設(shè)用地的發(fā)展除了受限于高程、坡度和年均溫度等自然因子外,還與人口密度密切相關(guān),這是因為人口增長是推動城市發(fā)展的重要原因之一。表3為每種驅(qū)動因子對LULC變化的重要性。

表3 不同驅(qū)動因子對LULC變化的重要性

3.3 4種LULC模擬模型評價

3.3.1 模擬精度

使用CA-Markov ,LCM,FLUS和PLUS這4種LULC模擬模型分別模擬祿勸縣2021年LULC狀況,并將其與實際LULC數(shù)據(jù)進行驗證,可以看到4種不同模型的LULC模擬效果差異巨大(表4)。就模擬的Kappa系數(shù)和總體精度來說,4種LULC模擬模型的精度排行為PLUS>FLUS>CA-Markov>LCM。對于不同地類模擬的生產(chǎn)精度而言, LCM模型模擬耕地的效果最好; FLUS模型模擬裸地的精度最高; PLUS模型在模擬林地、草地、水域和建設(shè)用地的精度是最高的。對于不同地類模擬的用戶精度而言,PLUS模型在模擬耕地、草地和水域的精度是最高的; CA-Markov和LCM模型分別模擬林地和建設(shè)用地的精度最高; PLUS和FLUS模型模擬裸地的精度相同。

表4 不同LULC模擬模型的模擬精度

3.3.2 面積一致性

4種不同的LULC模擬模型所模擬的2021年祿勸縣不同LULC類型的面積差異明顯(圖5)。與2021年祿勸縣不同LULC類型的實際面積相比,耕地在CA-Markov和LCM模型模擬中被嚴重高估,特別是在LCM模型中,其模擬面積約為實際面積的1.71倍; 而在FLUS和PLUS模型模擬中其面積只是略高于實際面積。林地在CA-Markov和LCM模型模擬中很大程度地被低估,兩者分別被低估了397.42 km2和693.71 km2; FLUS模型模擬的林地面積和其實際面積相同; PLUS模型模擬所得的林地面積與其實際面積相近。草地在CA-Markov和LCM模型模擬中被略微高估,而在FLUS和PLUS模型模擬中其面積與實際面積幾乎一致。水體在4種模型的模擬中都被低估,其低估面積分別為15.32 km2,15.25 km2,14.80 km2和12.01 km2。建設(shè)用地實際面積與FLUS模擬所得面積相同,其在CA-Markov和LCM模型被嚴重低估,而在PLUS模型中被略微高估。裸地在CA-Markov和LCM模型中被低估,其中CA-Markov模型低估的程度更大,而在FLUS和PLUS模型模擬中其與實際面積非常接近。

(a) 耕地 (b) 林地 (c) 草地

3.3.3 空間位置一致性

短語大部分出現(xiàn)于于標題和提綱，用于概括敘述綱目、要點。引導學生在閱讀課文時擬寫提綱，就是要讓他們把文本中說明的內(nèi)容，用簡單而對稱的詞語、短語編寫出來。對于要點不那么明顯的文章，學生準確把握內(nèi)容比較困難，在預習提示中就需引導擬寫提綱進行梳理。

4種不同的LULC模擬模型所模擬的2021年祿勸縣LULC空間分布格局差異明顯(圖6)。 CA-Markov模型模擬得到的祿勸縣LULC空間格局與其實際的分布格局有較大的不同,特別是在金沙江和普渡河上游地區(qū),大量的林地和草地被模擬成了耕地。LCM模型模擬的祿勸縣LULC空間分布格局整體與其實際情況存在很大差異。FLUS模型模擬的LULC空間分布格局與其實際情況比較相似,但其在湯郎鄉(xiāng)西部和烏東德鎮(zhèn)北部存在部分建設(shè)用地的過度模擬。PLUS模型所模擬的LULC空間分布格局與其實際情況最相似,但其轉(zhuǎn)龍鎮(zhèn)和九龍鎮(zhèn)西部的建設(shè)用地也存在過度模擬的現(xiàn)象。進一步對祿勸縣2處典型地物(云龍水庫和祿勸縣城建設(shè)用地)的細節(jié)特征對比可以發(fā)現(xiàn),PLUS模型模擬得到的LULC空間分布特征與其實際情況最為接近。

(a) 2021年LULC實際結(jié)果 (b) CA-Markov模型模擬結(jié)果 (c) LCM模型模擬結(jié)果

3.3.4 景觀破碎度

對比4種模型用于衡量景觀破碎度的各項景觀指數(shù)及其與2021年LULC實際景觀指數(shù)之間的差值(圖7)。就AI和CONTAG指數(shù)的大小而言,CA-Markov>LCM>PLUS>FLUS模型; 從AREA-MN指數(shù)來看,CA-Markov>LCM>FLUS>PLUS模型; 從ED和LSI指數(shù)分析,FLUS>PLUS>LCM>CA-Markov模型; 根據(jù)4個模型所得PD指數(shù)的大小排序,PLUS>FLUS>LCM>CA-Markov模型。 AI,CONTAG和AREA-MN指數(shù)是反映景觀破碎化程度的負向指標,ED、LSI和PD指數(shù)是反映景觀破碎化程度的正向指標。因此在4個模型中,CA-Markov模型模擬所得的LULC景觀破碎度最小,而FLUS模型模擬的LULC景觀破碎化程度最大。

(a) AI (b) AREA-MN (c) CONTAG

3.4 研究區(qū)2027年LULC模擬

通過上述實驗,從模擬精度、面積一致性、空間位置一致性和景觀破碎度4方面對CA-Markov,LCM,FLUS和PLUS這4種LULC模型的模擬效果進行了比較。其中,PLUS模型是祿勸縣LULC模擬效果最佳的模型,因此基于該模型模擬了祿勸縣2027年的LULC狀況。2027年祿勸縣的LULC空間格局依舊以林地、草地和耕地為主導,三者約占全縣總面積的98.27%(圖8)。2021—2027年,耕地、草地和水體的面積不斷減少,其減少速率分別為40.21 km2/a,4.51 km2/a和0.70 km2/a; 林地、建設(shè)用地和裸地迅速擴張,其擴張面積分別為265.52 km2,4.85 km2和2.08 km2。其中,約有252.49 km2的耕地和26.43 km2的草地向林地流轉(zhuǎn),使得林地面積快速增加。

(a) 2027年不同LULC類型的空間分布 (c) 2027年不同LULC類型的面積占比

4 討論與結(jié)論

4.1 討論

4.1.1 不同模型模擬精度差異的原因

CA-Markov,LCM,FLUS和PLUS模型模擬祿勸縣LULC的精度不一,其中PLUS模型的模擬精度最高,FLUS模型次之,LCM模型的模擬效果最差,這與Liu等[6]、Liang等[7]的研究結(jié)論一致。4種模型的精度差異與其CA模型轉(zhuǎn)換挖掘策略與參數(shù)校準有關(guān)。CA-Markov模型基于Logistic回歸來獲取CA模型的轉(zhuǎn)化規(guī)則和參數(shù),該方法雖然簡單,但線性模型難以反映土地利用變化涉及的非線性復雜特征[1]。LCM和FLUS模型分布采用多層感知神經(jīng)網(wǎng)絡(multi-layer perception ANN,MLP-ANN)和ANN算法來進行訓練,有效地解決了LULC預測的非線性和空間結(jié)構(gòu)分布的問題[14],但ANN屬黑箱結(jié)構(gòu),存在學習、局部最小值和收斂速度慢等問題[1]。PLUS模型采用了一種新的轉(zhuǎn)換策略——LEAS,這種轉(zhuǎn)換策略很好地結(jié)合了Logistic回歸和ANN算法的優(yōu)點并克服了其缺點[7]。

LULC的空間分布格局會對其模擬精度產(chǎn)生影響。祿勸縣耕地、林地、草地、水體、建設(shè)用地和裸地在4個模型中的平均生產(chǎn)精度分別為0.72,0.77,0.47,0.46,0.25和0.32(表4); 平均用戶精度分別為0.58,0.86,0.47,0.75,0.37和0.34。從景觀格局的角度分析(圖9),AI最高且PD較低,在空間上集中分布,且模擬過程不易被其他地類侵占,從而使得模擬的林地與真實的林地之間具有較高的空間一致性,因此模擬精度最高。而草地的PD最高,在模擬過程中容易被其他地類分割,導致模擬結(jié)果與真實圖像之間的位置一致性降低,因此模擬精度較低。

圖9 2021年祿勸縣不同LULC的景觀指數(shù)

4.2 結(jié)論

研究基于GEE平臺提取的多期LULC數(shù)據(jù),分析了1991—2021年祿勸縣LULC變化的時空特征,并對比了CA-Markov,LCM,FLUS和PLUS 4種模型在祿勸縣LULC模擬的精度,最終基于“最適宜”模型模擬了祿勸縣2027年的LULC狀況,為同地區(qū)LULC模擬模型的選擇提供了科學依據(jù),主要結(jié)論如下:

1)1991—2021年,祿勸縣LULC以耕地、林地和草地為主,分別占地類總面積的25.76%,45.20%和28.33%。耕地和水體面積波動增加89.26 km2和27.72 km2; 林地、建設(shè)用地和裸地面積持續(xù)增加724.25 km2,21.08 km2和13.67 km2; 草地面積波動減少,其年均減少29.20 km2。

2)祿勸縣LULC變化主要受到地形條件(高程和坡度)的影響。耕地、林地、草地和裸地的變化除了受地形影響外,還與年均降水、年均溫度等氣象因素相關(guān)。建設(shè)用地的發(fā)展不僅與地形和年均溫度等自然因子有關(guān),還與人口密度密切相關(guān)。

3)4種LULC模型的模擬精度排行為PLUS>FLUS>CA-Markov>LCM。與2021年祿勸縣不同LULC類型的實際面積相比,耕地和草地在CA-Markov和LCM模型模擬中分別被高估,而林地、建設(shè)用地和裸地在這2個模型中則被低估,水體在4種模型的模擬中都被低估。PLUS模型模擬得到的LULC空間分布特征與祿勸縣實際情況最為接近。在4個模型中,CA-Markov模型模擬所得的LULC景觀破碎度最小,而FLUS模型模擬的LULC景觀破碎化程度最大。

4)2027年祿勸縣的LULC空間格局依舊以林地、草地和耕地為主。2021—2027年,耕地、草地和水體的面積分別以40.21 km2/a,4.51 km2/a和0.70 km2/a的速率減少; 而林地、建設(shè)用地和裸地分別向外擴張265.52 km2,4.85 km2和2.08 km2。

受數(shù)據(jù)獲取的限制,本文LULC變化的驅(qū)動因子尚未選擇GDP數(shù)據(jù),且在未來模擬中沒有將生態(tài)紅線、政府調(diào)控政策等考慮其中。在未來的研究中,更多、更精細的驅(qū)動因子和宏觀調(diào)控政策將被用于LULC變化模擬中,以提高模擬的精度。