半干旱地區礦區土地利用時空演變與預測

劉 暢， 張 紅， 張霄羽， 楊國婷， 劉 勇,3

（1.山西大學黃土高原研究所，山西太原030006； 2.山西大學環境與資源學院，山西太原030006；3.山西省黃河實驗室，山西太原030006）

日益加快的城市化導致土地覆蓋和土地利用變化（Land Use and Land Cover Change，LUCC）波動明顯［1］，土地覆蓋和土地利用的變化會造成當地生態環境的破壞，進而使整個區域的生態系統逐漸不平衡［2］。目前，對于土地利用變化的研究逐步從現象描述走向機制解析，從定性分析走向定量模擬，土地利用變化模型可以分析土地利用變化的成因、探索土地利用格局演變以及預測未來土地利用的需求和分布［3］。因此，對土地利用變化動力學機制以及提高土地利用變化預測能力的研究成為目前研究的焦點。土地利用變化模型主要包括基于經驗統計原理的模型如多元回歸模型、地理加權回歸、CLUE-S 模型等［4-5］，基于元胞自動機（Cellular Automata，CA）原理的模型如SLEUTH 模型、GEOMOD 模型等［6］，基于機器學習原理的模型如神經網絡模型、遺傳算法模型等［7］，基于多智能體的模型如多智能體系統（Multi-Agent System，MAS）模型［8］等。經驗統計和機器學習模型可以很好的結合遙感數據，根據歷史土地利用變化，建立土地變化與時空要素之間的關系，但由于假設驅動力不變，所以不合適長時間段的預測，并且會出現擬合過度問題［9］?；贑A 原理的模型采用離散的空間單元進行模擬［10］，可以更好的處理空間性信息，適用于復雜地理空間格局的模擬和預測［11］。

以往CA 研究多是以邏輯回歸為轉換規則進行，邏輯回歸的優勢在于運算方便可以輸出權重便于理解，但精度不夠高［12］；之后,楊青生等［13］學者提出以人工智能和機器算法為轉換規則，精度提高了但無法輸出權重。隨著研究者和決策者對土地利用分類、未來格局模擬預測、適宜性概率獲取的精度產生了更高的追求，隨機森林模型結合自身可以平衡誤差、復雜度適中、分析驅動因子權重等優點被廣泛應用于土地利用研究之中。例如，張大川等［14］借助隨機森林模型的優勢與CA模型結合模擬東莞市土地利用變化，分析不同土地利用類型分布的各因子影響重要程度。馬惠娟等［15］在青海省湟水流域復雜地形區采用隨機森林分類方法對土地利用類型進行了分類研究。陳凱［16］等利用隨機森林方法的優勢結合元胞自動機模型通過對影響城市空間分析的重要性判別來研究復雜非線性的城市擴展。

土地利用變化是一個受到自然條件以及社會經濟因素綜合影響的地理變化過程，由于礦區的區位、地形地貌、開采方式和規模、社會經濟水平等不同，影響礦區土地利用變化的因素也存在很大差異［17］。大同礦區位于半干旱區，受自然本底條件的限制，區內本身土地承載力小，煤炭資源開發固有的時間持續性、空間擴展性和強干擾性不僅會占用和破壞大量土地，還會使其脆弱的生態環境更加嚴重。如段語鳳等［18］發現礦區井工開采改變了干旱荒漠區植物的群落結構和植被蓋度。史曉瓊等［19］研究高強度采煤造成的地下水位下降、地面沉降等生態環境問題。鄒雅婧等［20］研究發現黃土高原渭北礦區開采使土壤侵蝕更加嚴重。

本研究基于1985—2015 年每10 a 時間序列的遙感影像，結合礦區具體的環境特征和開采歷史，對大同礦區近30 a的時空格局、演變特征及驅動力進行分析，對未來2025 年土地利用格局進行預測。為揭示受自然條件和人為影響的作用下礦區土地變化的規律，引入隨機森林的方法提高模型精度更加準確預測未來土地格局演變，對于理解土地利用格局的復雜動態演變機制有一定理論意義，同時對于探索礦區土地資源管理和優化、實施生態調控策略具有重要實際意義。

1 數據來源與方法

1.1 研究區概況

大同礦區位于山西省大同市的西南方，地理位置為39°43′～40°10′N，112°31′～113°14′E，地形為向斜構造的平緩丘陵，海拔高度為1031～1964 m。礦區內有十里河以及“V”字形溝谷發育。大同礦區位于干旱半干旱區脆弱地帶，礦區內晝夜溫差大，降水集中在夏季，全年氣候干燥，年均蒸發量遠大于年均降雨量，水域面積小。礦區主要含煤層為侏羅系和石炭-二疊系，侏羅紀煤層除西南邊角已全部開發利用。石炭-二疊系采空區主要分布在東部和南部。大同礦區煤質有害元素含量低，焦油產率較高，發熱量較高，是中國重要的優質動力煤生產基地，開采方式以井工開采為主。研究區地理位置如圖1所示。

圖1 研究區示意圖Fig.1 Diagram of the study area

1.2 數據來源與處理

數據類型包括土地利用數據以及影響因子數據，影響因子數據包括自然因子、社會因子以及距離因子（表1）。土地利用數據是由30 m 分辯率的Landsat系列遙感影像數據解譯獲取，并按照國家標準重分類為六類。高程數據由中國科學院資源環境科學數據中心（http://www.resdc.cn）獲取，并從中提取出坡向和坡度。氣溫和降水數據由中國氣象數據網（http://data.cma.cn）氣溫和降水站點數據進行空間插值獲得。煤礦生產能力由實地調查獲得。人口數據在Ye 等［21］研究基礎上將精度提升到30 m。距離因子通過采用ArcGIS 10.5 中歐氏距離算法計算得出，POI數據采用網絡爬蟲技術獲得。

表1 數據來源Tab.1 Data source

1.3 研究方法

1.3.1 FLUS 模型 FLUS 模型耦合了系統動力學模型和元胞自動機模型，并在元胞自動機模型原有基礎上引入人工神經網絡（Artificial Neural Network，ANN）構建轉換規則，具有耦合人類活動與自然效應的各類土地類型之間相互競爭和轉化的模擬優勢［22］。FLUS模型包括如下兩個部分：

第一部分是通過ANN 模塊訓練樣本數據并構建本區域的土地利用類型空間發生概率。人工神經網絡的優勢在于能夠通過多次迭代學習和擬合輸入數據與訓練目標之間的復雜關系［23］。在ANN的輸入層中，神經元與輸入變量相對應；輸出層中的神經元代表特定地類在網格單元內的發生概率，在特定單元格內該值越高表示目標地類的發生概率越高［24］。根據公式可得出，在k時刻第i種地類在柵格d上發生的概率：

第二部分是基于輪盤賭選擇機制的自適應慣性競爭機制融合CA 的空間運算功能，調整宏觀土地需求與當前現有土地之間的數量并達到目標值，解決了以往模型在處理復雜地類間的相互影響［25］。公式為：

綜上可以將綜合適宜性概率計算公式表示為：

1.3.2 RF-FLUS模型 隨機森林模型是一個在數據挖掘能力、轉換規則準確性及其穩定性方面具有自身優勢的利用多個決策樹生成的集成智能算法。只需要對給定樣本進行訓練，克服神經網絡過度擬合的問題［26］。采用RF代替ANN在FLUS模型內的轉換規則，構造24棵決策樹，變量數為4，每個樣本抽取2/3 的數據作為袋內數據用來訓練模型，剩余1/3 的數據用作袋外數據來估算誤差并驗證決策樹的精度，袋外數據越小精度越高。樣本和變量的選擇可以降低各決策樹之間相關性，為之后更準確的對大同礦區土地利用變化進行模擬和預測提供基礎。

1.3.3 平均基尼系數下降法 選用平均基尼系數下降法來計算并分析影響大同礦區土地利用格局不同因素的影響程度。平均基尼系數下降法是對每顆決策樹按照基尼的不純度（Gini Impurity）對特征進行排序，特征的重要性直接反映了該特征參與模型計算過程中的重要性。每個特征的重要性為0～1之間的浮點數，數值越大表明該特征對于整個模型越重要。通過遍歷全部樹節點，計算選入的每個特征變量的基尼系數下降總和表示該變量對最終格局的影響程度［27］。

1.3.4 模型精度驗證 模型精度驗證采用混淆矩陣Kappa系數檢驗［28］定量分析驗證模型精度?；煜仃噷蔷€百分比越高，代表精度越高。

2 結果與分析

2.1 土地利用格局時空變化特征

由1985—2015 年大同礦區土地利用格局空間變化和面積變化圖可知（圖2，圖3），1985—1995 年礦區處于成長階段，耕地面積增加了40.75 km2；草地廣泛分布于研究區內，變化率為-2.87%；林地主要分布在中部以及東部邊緣，面積增加3.37 km2，林草地數量僅次于耕地面積；水域主要分布在研究區西北部的十里河，呈帶狀分布水量較多，面積增加了3.53 km2；建設用地和其他類型多分布在北部地勢平坦處，面積增加了0.27%。

圖2 1985—2015年大同礦區土地利用空間分布Fig.2 Spatial distribution of land use in Datong coal mining area from 1985 to 2015

圖3 大同礦區不同時期土地類型面積變化Fig.3 Changes of land type area in Datong coal mining area in each year

1995—2005年礦區走向成熟階段，生產過程逐漸機械化，開采規模進一步擴大。耕地主要零散分布于礦區邊緣，該時期耕地面積減少約20%；隨著退耕還林還草政策的推行，草地成為礦區所占比例最大的土地利用類型，占總面積的60%；水域面積急劇下降，由1.04%減少至0.1%；建設用地減少0.67%，其他類型增加0.35%。

2005—2015年礦區處于轉型期，政府政策扶持生產全面改造，礦井生產逐漸規?；?，同時礦區城市工業化程度不斷加快，因此該期土地利用特點主要表現為建設用地面積大幅增加，由3.09%增加到7.09%。耕地、林地、草地以及水域地類由于人類活動的影響面積都有所下降，其他類型面積略微上升，增加0.29%。

2.2 不同歷史時期土地利用轉移分析

由1985—2015 年大同礦區的土地利用轉移可知（表2），1985—1995 年由于采礦活動和人類生活的影響，土地利用轉移主要為水域大面積轉變為林地、草地和耕地，建設用地有6.72%轉向林地；1995—2005 年礦區開始大規模開采，毀林采礦、修筑公路實現晉煤外運，大量占用耕地和林地，土地利用的變化主要表現為各土地利用類型向草地的轉移，耕地向草地轉移高達72.58%，林地向草地發生轉移55.93%，水域、建設用地和其他用地向草地轉移均為30%以上。水域面積向耕地轉移較多，達33.39%；2005—2015年土地利用類型轉移主要表現為水域轉為其他類型，轉移94.35%，少量耕地和水域轉為草地。其余土地利用類型幾乎沒有發生轉移。30 a間大同礦區土地利用的變化趨勢是各土地利用類型向草地轉移，其中，林地向草地轉移最多，其次是耕地。

表2 1985—2015年大同礦區土地利用轉移概率矩陣Tab.2 Land use transfer probability matrix in Datong coal mining area from 1985 to 2015 /%

2.3 土地利用變化的影響因素分析

根據土地利用變量的重要性，進一步分析大同煤礦區土地利用變化的影響因子（圖4），林草地的分布主要受到氣候、距水系和設施點距離影響；耕地分布受到礦區DEM、氣候、距水系、設施點以及居民點的距離等因素影響。這主要由于干旱區氣候干燥，耕地需要便利的灌溉條件，而且農民為方便耕種將耕地分布在距離居民點較近的地方；水域最重要的影響因子是降水因子，降水條件直接決定水域分布范圍；建設用地很大程度上受到生產能力和距設施點距離的影響，礦區煤炭生產能力越高，各種廠房、排土道路、煤礦職工辦公住宿區均相應增加。餐館、學校、醫院、休閑娛樂場所等設施點的距離也直接決定建設用地分布。其他類型分布受到距水系距離的影響，水系周圍的用地極易被改變為其他類型。

圖4 2015年大同礦區土地利用類型影響因子的重要性Fig.4 The importance of different types of influencing factors in Datong coal mining area in 2015

2.4 土地利用格局模擬及未來預測

分別采用FLUS 和RF-FLUS 模型，對大同礦區土地利用變化進行建模，采用Kappa 系數對比精度結果。首先對2015 年大同煤礦區土地利用格局進行擬合，結果表明，FLUS 模型和RF-FLUS 模型模擬得到的2015年礦區土地利用格局與2015年影像解譯得到的實際土地利用格局相比（圖5a～圖5c），擬合程度均較高。將模擬結果與實際土地利用做混淆矩陣精度驗證（表3）。FLUS 模型Kappa 系數為0.92，OA 系數為0.95；RF-FLUS 模型Kappa 系數為0.93，OA 系數為0.96，就模擬精度而言，RF-FLUS 模型擬合效果更好，更加符合實際土地利用格局。

表3 RF-FLUS模型與FLUS模型混淆矩陣Tab.3 Confusion matrix of RF-FLUS model and FLUS model /%

圖5 2015年大同礦區土地利用格局與模型模擬結果Fig.5 Land use pattern and model simulation results in Datong coal mining area in 2015

以2015年為基準年，采用RF-FLUS模型模擬礦區2025 年的土地利用空間分布結果可知（圖6）。2025 年大同煤礦區林地、草地和耕地均呈下降態勢，林地、草地和耕地面積分別下降了3.01 km2、14.97 km2和12.7 km2，水域面積基本保持不變，建設用地與其他類型面積穩態上升，建設用地由2015年的130.75 km2增 加 到2025 年 的157 km2，增 加 了26.26 km2，其他類型面積預計增加44.12 km2。

圖6 大同礦區2015年和2025年土地利用分布格局Fig.6 Distribution pattern of land use in Datong coal mining area in 2015 and 2025

3 結論

本文通過研究大同礦區不同階段土地利用格局的時空變化，進一步探討不同土地利用模型的模擬精度優勢以及影響土地利用格局變化的主要驅動因素，并進行了預測分析，得到如下結論：

（1）大同礦區侏羅系煤層已基本全部開發利用，石炭-二疊系煤層開采范圍主要在北部和南部，受采礦影響，1985—2015年大同礦區土地利用格局發生劇烈轉變，主要表現為草地、建設用地以及其他類型增加，林地和耕地先增加后減少，以減少為主，水域面積基本被侵占。礦區土地利用變化是以資源開采為原動力的動態時空演變過程，采掘資源的同時造成對土地的破壞，從而改變了土地利用結構。

（2）礦區內不同土地利用類型的驅動因素不同。林地、草地主要受氣候影響以及距水系和設施點的距離影響；耕地分布受到高程、氣候及距水系、設施點、居民點的距離等多因素綜合影響；水域最重要的驅動因素是降水。建設用地受到生產能力和距設施點的距離的影響。其他類型主要受距水系距離的影響。礦產資源開發是土地利用變化的主要驅動力，此外氣候地形等自然因素也影響著土地利用變化。

（3）RF-FLUS 模型的應用，可以更加準確的預測未來土地利用格局。相比于FLUS模型中ANN模塊出現過度擬合的現象，RF-FLUS 模型能發揮隨機森林算法精度高的優勢，提高預測未來土地利用格局變化的能力，對預測小尺度區域的土地利用格局具有重要借鑒意義。