0 引言

在1992年联合国环境与发展大会上，各国就加强环境与发展领域合作达成共识，自此可持续发展理念成为各学科、各领域研究重点，可持续土地资源利用的战略地位也随之加强。近二十年来，随着经济的发展，政策推动下的基础建设用地扩张对自然生态系统和耕地均造成了重要的影响，我国城乡建设不断加快，土地利用格局发生巨大变化，土地利用/覆盖变化(land use/cover change, LUCC)成为土地资源利用研究的热点课题^[1]。合理利用植被与土壤资源、保护生态环境和维持人类与自然的关系平衡，是土地资源利用的研究新趋势^[2]。在区域乃至全球LUCC监测中，众多学者将各类遥感影像作为数据源^[3-4]，研究各驱动因子作用下的LUCC关系。Anil等^[5]分析了土地利用变化与印度南部Harangiq盆地生态环境的联系，结果表明，不同用地类型互相转化和影响，农用地的增加挤占了咖啡种植地，建设用地增加也带来环境问题；王明常等^[6]分析了长白山地区景观格局的时空变化规律，说明人为活动因素是自然景观变化的主要驱动因子；Mu等^[7]分析了社会经济因素对美国农用地的影响。建立土地利用模拟和解释模型是阐明土地利用变化与社会、经济和自然驱动力之间因果关系的重要手段^[8]。王明常等^[9]结合地理元胞自动机模型，建立了景观格局信息模拟与预测模型。CLUE-S(the conversion of land use and its effects at small region extent)模型只考虑将元胞栅格划分为联合概率最大的土地类型，而忽视了其他土地类型的微小转化概率^[10]。地理模拟优化系统(geographical simulation and optimization system, GeoSOS)整合了地理元胞自动机、多智能体系统和生物智能，使模拟和优化同步进行，以解决GIS对过程分析功能的不足^[11]。在此基础上，Liu等^[12]提出的未来土地利用模拟(future land use simulation, FLUS)模型考虑到不同地物类型的相互作用，在传统的元胞自动机模型上引入一种自适应惯性竞争机制，以惯性系数表示不同地物类型特征，计算地物类型转化概率后，用轮盘赌的方式选择最终转换类型，具有较高的土地利用格局预测能力。

为研究特定时间与区域的土地利用变化规律，本文综合考虑各自然、社会和经济等因素对土地变化的影响，分析土地利用变化特点与建模预测土地利用情况；以长春市为例，分析1997、2007和2017年3期Landsat土地分类结果及变化趋势，结合数字高程模型(digital elevation model, DEM)，坡向，到河流、城市、交通线等距离，国内生产总值(gross domestic product, GDP)等驱动因子，基于GeoSOS-FLUS平台，以2017年长春土地利用分类图为基础，预测2027年长春市土地利用格局，以期为优化未来土地利用结构、合理利用土地资源及保护区域生态环境提供参考。

1 研究区与数据预处理

长春市地处吉林省中部，属于东北平原，地理位置位于124°18′E—127°05′E，43°05′N—45°15′N，海拔250~350 m，地势平坦，主要土地类型为耕地。其西北部与松原市毗邻，是盐碱地等其他土地主要分布区域，东南部和西南部多为低山丘陵，分别与吉林和四平相接，东北部与黑龙江省哈尔滨市接壤，共辖七区三市(县)。

遥感影像数据来源为1997年、2007年的Landsat 5-TM影像和2017年的Landsat 8-OLI影像，分辨率为30 m。遥感影像拍摄时间在9月。对数据进行如下预处理操作：几何校正、图像镶嵌与裁剪，得到1997、2007和2017年3期长春市遥感图像。

2 研究方法 2.1 单一土地利用类型动态度

单一土地利用类型动态度是研究区一定时间范围内某种土地利用类型的数量变化情况，其表达式为^[13]

式中：K为某时段内单一土地利用动态度；U₁为土地类型前期面积；U₂为土地类型后期面积；t为前后期间隔时间。t以年为单位时，K即为单一土地利用年变化率。动态度的绝对值越大，表明土地面积增加或减少的速率越快，动态度可用于监测土地面积变化的快慢情况。

2.2 FLUS模型

FLUS模型是一种基于元胞自动机的土地利用预测模型，运用了一种轮盘赌选择算法^[14]。首先，用人工神经网络算法结合驱动因子计算各元胞单元的土地利用类型适宜性概率，即研究区域内每种土地利用类型在每个像元上的出现概率。其次，模型中包含自适应惯性竞争机制，包括邻域影响因子、惯性系数和转换成本。适宜性概率、邻域影响因子、惯性系数和转换成本共同影响未来土地利用变化结果的联合概率。最后，用轮盘赌机制分配每个栅格单元的土地类型，使初始土地类型转化为联合概率较小的土地类型，模型更加合理，模拟精度更高。

人工神经网络是人脑生物神经网络的简化、抽象与模拟^[15]。神经网络是由多个非常简单的处理单元——神经元，彼此按某种方式相互连接而成的计算系统。它由输入层、隐藏层和输出层组成，各层通过神经元以网络的方式相连，其功能取决于网络的结构、连接强度以及各单元的处理方式^[16]。本研究以各驱动因子和初始年份土地利用类型为输入数据，各元胞单元的土地利用类型适宜性概率为输出数据。人工神经元的输入值为

式中：x_i为输入层第i个神经元；n为输入层神经元数。输入层所有神经元产生的信号由隐藏层第j个神经元接收，关系式为^[17]

式中：N_j(p, q)为隐藏层神经元j接收的输入层信号；x_i(p, q)为第i个神经元在迭代次数为q时元胞p的输入值；w_ij为训练中输入层和隐藏层之间设定的权重。输出层和隐藏层之间的关系可用Sigmoid函数表示：

式中, S为Sigmoid函数。则迭代次数为q时元胞p表现为土地利用类型k的适宜性概率为

式中，w_jk为隐藏层与输出层之间的权重。

邻域影响因子表达式为

式中：p^(q-1)为在q-1次迭代时的第p个元胞；N为计算窗口边长；con计算栅格数量；w_k为土地类型k的权重，一般由专家经验和多次试验所得。

惯性系数表达式如下：

式中：I_k^(q)为迭代次数q时土地类型k的惯性系数；D_k^(q-1)为到q-1次迭代时土地类型k预计像元数与实际像元数的差值。惯性系数代表先前土地类型，先使用马尔可夫模型计算出预计土地类型像元数，如果目标土地类型像元数与实际不符，则惯性系数动态调整，在下一次迭代时符合其变化趋势。

转换成本代表当前地物转为目标地物的难度，根据以往土地变化规律和专家经验在[0, 1]间设定其数值，数值越大表示转化难度越大。

联合概率综合考虑了适宜性概率、邻域影响因子、惯性系数和转换成本的影响，表达式为

式中：T_{p, k}^(q)为元胞p第q次迭代时从初始地物类型转化为土地类型k的联合概率；c_m→k为土地类型m转到土地类型k的转换成本。

3 结果与分析 3.1 3期遥感图像分类

监督分类是遥感图像分类方法之一，根据不同的地物特点选取感兴趣区，依据训练样本的亮度特征使用不同的训练函数进行分类。采用监督分类与人工解译方式，对预处理过的3期长春市影像进行分类，分类类型为建设用地、林地、草地、耕地、水域和其他土地，得到1997、2007和2017年3期遥感影像分类图(图 1)，总体精度分别为93.06%，90.70%和94.12%。统计土地利用面积及其变化情况(表 1)，并使用分类后比较法对3期分类结果图进行两两比较，得到不同时期土地利用类型面积数据及3组土地利用转移矩阵(表 2—表 4)。

3.2 土地利用类型面积增幅增速分析

由表 1可知，长春市地物类型主要为耕地，占比70%左右，其次为建设用地，占比10.51%~16.19%，最后为林地、草地、水域和其他土地，均占比10%以下。1997—2007年：建设用地、水域面积增加，其中建设用地增加1 066.44 km²，增幅较大，动态度为4.71%，增速较快，水域增加26.34 km²，增幅不明显，动态度为0.98%，基本保持不变；林地、草地、耕地和其他土地面积减少，减少面积由多到少依次为耕地、林地、草地、其他土地，动态度由小到大依次为其他土地-2.01%，林地-1.84%，耕地-0.51%，草地-0.50%。2007—2017年：建设用地、水域面积保持增加趋势，草地、耕地和其他土地面积保持减少趋势，林地面积变为增加趋势；变化速度方面，建设用地的增速大幅减少，动态度为0.47%，草地、耕地、水域和其他土地的变化速度不明显，动态度分别为-1.37%、-0.11%、1.49%和-1.90%。

3.3 土地利用类型空间转移分析

土地利用转移矩阵用于描述两期土地利用类型转移情况。以表 4为例，1997—2017年，在转出方面：建设用地、林地、草地主要转化去向为耕地，转出比例分别为35.09%、26.90%和29.59%；耕地转出面积为2 525.5 km²，占总面积的16.75%，主要转为建设用地，占比70.25%；其他土地主要转为建设用地和耕地，分别占45.72%和48.84%。在转入方面：建设用地面积增加的主要来源为耕地，占总转入面积的85.22%；林地、草地主要转入来源为耕地，分别占总转入量的90.38%、76.37%；水域面积增加，主要来源为建设用地和耕地。

3.4 预测模型驱动因子选取

土地利用变化是在自然因素和社会经济因素长期作用下的结果，变化历时较长、作用方式复杂^[18]。

3.4.1 地形因子

地形从本质上决定了土地利用类型。海拔高低、地势起伏程度、坡面朝向等地形因子均在一定程度上影响了气候条件、土壤及水资源分布，进而影响土地利用类型；故选择地形因子中的DEM、坡度、坡向作为土地利用变化驱动因子。根据坡度、坡向公式由长春市DEM数据生成坡度、坡向图(以2017年为例，见图 2)。

3.4.2 交通区位因子

交通因素对土地利用类型有很大影响，例如，建设用地距离城市越近，分布越密集，而远离城市的建设用地多在道路旁聚集与发展。河流、湖泊水库等是运输、民用、农用等水资源的重要来源，故选取到城市、湖泊、水库、河流、铁路、高速公路、国道、省道的距离为驱动因子。根据不同时期的土地利用现状图，分别计算每个像元距离湖泊、水库、河流、城市等交通因子的欧式距离，生成交通因子图(以2017年为例，见图 3)。

3.4.3 社会经济因子

随着经济快速发展，生产水平显著提高，人民生活水平也逐年提高，对居住、商服、休闲等各类设施提出更高要求^[19]。同时，人口数量不断增加，加快了城市建设用地开发，建设用地面积增加。城市不断扩张，将侵占周围耕地等地物类型面积，故选择GDP和人口数量作为社会驱动因子。将人口数量、GDP数据可视化获得社会因子(以2017年为例，见图 4)。

3.5 精度验证及预测

由2007年土地利用图(图 1b)及各驱动因子(图 2—图 4)仿真2017年土地利用格局(图 5)，作为预测2027年格局的验证。反复调整模拟参数，使2007年仿真结果图与2017年分类图(图 1c)尽可能一致。仿真精度验证指标为总体精度和Kappa系数。总体精度为模拟正确的像元与总像元的比值; Kappa系数公式如下^[20]：

式中：p₀为总体精度；p_c为每个栅格随机状态下模拟的正确率。本次试验分为6类，故p_c=1/6。

采用栅格计算器计算2017年预测影像和真实分类影像的像元差，统计结果为零的像元数，计算验证总体精度。结果较理想：总体精度为85.10%，大于85%，精度较高；Kappa系数为0.821 2，大于0.80，表明具有极好的一致性。

根据2017年各土地类型面积(表 1)和2007—2017年土地面积转移表(表 3)，计算出2027年各土地类型预测面积，并将各驱动因子加载到GeoSOS-FLUS平台，各自归一化后由FLUS模型预测2027年土地利用情景(图 6)。由图 6可以看出：在城镇周围，建设用地持续侵占耕地、林地、草地和其他土地的面积，但趋势减缓；林地面积增加，主要来源为周边的耕地；水域面积有少量增加，但图中表现不明显，可认为其在未来十年内保持稳定。

4 结论及展望

1) 对长春市1997、2007和2017年3期的遥感图像监督分类及目视解译后，总体精度分别为93.06%，90.70%和94.12%，从3期土地利用情况总结出如下规律：1997—2017年，建设用地面积增加，耕地、林地和其他土地面积减少，水域面积基本维持不变。可以看出城镇向四周扩张，侵占了原有的耕地和林地面积，并有部分耕地变为其他土地。林地部分面积转化为耕地和建设用地。同时，其他土地面积在不断减少，土地利用得更加充分。

2) 选取地形因子、交通区位因子和社会经济因子作为土地变化驱动因子，使用FLUS模型验证精度，总体精度达到85.10%，Kappa系数为0.821 2，结果符合土地利用变化趋势。

3) 基于2007—2017年土地利用情况构建的FLUS模型预测长春2027年土地利用情况，变化趋势与由2007年仿真2017年的结果一致，在城镇周围，建设用地持续侵占耕地、林地、草地和其他土地的面积，但趋势减缓；林地面积增加，主要来源为周边的耕地；水域面积在未来十年内保持稳定。

土地利用变化情况侧面反映了经济发展状况，也带来诸多问题。人口增加，城镇化建设加强，城市不断向四周扩张，原有的耕地、林地被迫转化为建设用地。同时，还带来耕地面积减少导致粮食短缺，林地面积减少导致环境恶化等问题。本文可为土地资源合理利用及区域生态环境保护提供参考依据，另外，对未来土地利用情景模拟时，应充分考虑驱动因子的种类与数量全面性，保证预测精度。模型参数的设置不同，模拟结果也不同，寻找最佳模拟尺度、提高模拟精度将是未来研究的关键。