基于FLUS模型的云南昭通昭陽區土地利用變化及預測

周京春，耿新春

(1.云南師范大學 地理學部，云南 昆明 650500；2.巧家縣中寨鄉人民政府，云南 昭通 654603)

土地資源影響著全球生態、環境和氣候的變化.在今天城市化的發展進程中，土地資源供需不平衡、規劃不合理、土地政策不完善等導致土地不能被最優化、合理化和可持續利用，于是國內外學者[1,2]針對土地利用/土地覆蓋變化(Land use and land cover change， LUCC)開展了廣泛地研究和探索，內容主要包括 LUCC變化規律研究[3，4]、LUCC驅動力研究[5]和 LUCC模擬預測研究[6，7]，研究手段主要是利用多源、多時相、多尺度的遙感數據和模擬分析模型來制作土地利用圖譜，直觀地展現土地利用變化規律及其未來演變趨勢.

目前，常用的模型有灰色預測模型[8]、Logistic回歸模型[9]、元胞自動機模型(Cellular automata，CA)[10]、CLUE-S模型[11]等，這些模型大都不能同時兼顧數量和時空對于土地利用的影響.FLUS模型[12,13]是近年來新發展起來的一種模型，它在CA模型基礎上整合了人工神經網絡(Artificial neural networks，ANN)算法和輪盤賭選擇機制(Roulette wheel selection)，可通過一期土地利用數據，綜合多種自然與社會經濟因子來模擬未來土地利用變化，模擬結果與現實相似度和精度較高.

本文采用FLUS模型對云南省昭通市昭陽區的土地利用變化情況進行分析、模擬和預測，以掌握該區域土地利用發展變化的規律，以期為當地土地資源規劃和配置提出合理和有效的建議，促進土地的可持續和人地協調發展.

1 研究區概況

昭陽區為云南省昭通市轄區(圖1中云南省地圖依據云南省自然資源廳標準地圖[審圖號:云S(2021)47號]制作，底圖無修改，昭陽區地圖依據云南省自然資源廳標準地圖[審圖號：云S(2021)126號]制作，底圖無修改.以下圖2、圖3、圖5、圖6、圖7的底圖及審圖號與圖1相同)，地處北緯27.1°～27.6°，東經103.1°～103.9°，位于云南、四川和貴州的三省結合處，為高原地貌，高原大陸季風氣候.昭陽區地處國家“攀西-六盤水”經濟開發區的腹心地帶，近年來該區發展迅速，對土地的需求量日益增長.

圖1 昭陽區地理位置

2 數據選取與處理

本研究獲取的數據包括研究區的遙感影像數據、GIS數據及其相關文字說明數據，見表1.

遙感影像數據經過輻射定標、大氣校正、裁剪等一系列操作之后，依據《第三次全國國土調查技術規程》(TD/T 1055—2019)，采用人機交互解譯的方法生成了2011—2019年的土地利用分類圖譜，見圖2.

表1 數據信息

圖2 昭陽區2011—2019年土地利用分類圖譜

將GIS數據及其相關文字說明數據進行歸一化處理，結合本區域發展現狀和前人對于土地利用變化驅動因子的分析及研究[14,15]，處理生成了分辨率為 30 m×30 m，以及空間范圍、數學基礎、格式等完全統一的13幅土地利用變化驅動因子柵格圖(表2、圖3).

表2 土地利用變化驅動因子

圖3 部分昭陽區土地利用變化驅動因子柵格圖

3 研究方法和過程

3.1 昭陽區土地利用變化分析

根據上面所得的昭陽區2011，2015，2019年3期土地利用分類數據，采用土地利用動態度[16](見式1)和地類轉移矩陣[17](見式2)對研究區2011年至2019年間土地利用變化規律進行分析，結果見表3和表4.

(1)

式(1)中，M為某一時期的土地利用動態度；Ca和Cb分別為某地類初期和末期的面積；T表示時間間隔.

(2)

式(2)中，Sij表示由地類i轉變為地類j的面積；n表示地類總數.

表3 土地利用變化動態度

表4 昭陽區2011—2019年土地利用轉移矩陣 km2

從計算結果可以看出，過去9年間，在昭陽區城鎮化進程中，農業結構也隨之調整，昭陽區各類土地之間轉換比較劇烈.其中耕地減少、建設用地增加為昭陽區主城區土地利用變化的主要基調，主城區以外的草地大規模減少，被用作林地和耕地的補充，這與昭通市扶持和培育蘋果產業，著力打造“果園城市”和政府積極引導群眾發展花椒、葡萄、玫瑰等特色農業，以及在“退耕還林”政策影響下林地增加有關.

3.2 FLUS模型參數設置

研究采用FLUS模型開展，其流程如圖4所示.

圖4 FLUS模型模擬流程

FLUS模型由ANN適宜性計算模塊和自適應輪盤選擇機制模塊組成.ANN適宜性計算模塊由輸入層、隱藏層和輸出層組成，用于計算各土地類型的適宜性轉換概率，其表達式如式3：

(3)

式(3)中，P(m,n,h)為第n類土地在柵格m上h時刻的適宜性概率；wk,n和sigm oid()分別為隱藏層和輸出層的權值和激勵函數；netk(m,h)為第k個隱藏層柵格m在時間h上的信號.h時刻在柵格m上各用地類型的適宜性概率之和為1.

(4)

計算柵格在某個時刻轉化為某種土地類型的概率公式見式5：

(5)

(6)

在使用FLUS模型進行土地利用模擬分析時，必須反復實驗，設置好各個步驟所使用的參數.

3.2.1 基于ANN適宜性概率計算的參數設置

在ANN模塊計算中，將昭陽區2015年土地利用柵格數據作為輸入層，選取表2列出的13個驅動因子作為輸入層的神經元，隱藏層數量至少為輸入層數量的2/3，經計算設為10個.選用隨機采樣方法，在研究區內隨機抽取20%的總柵格單元計算土地利用的適宜性概率，輸出層為5種土地利用類型的適宜性概率(圖5).從輸出結果可知，昭陽區2015年土地利用訓練的誤差在允許誤差范圍之內，其均方根誤差為0.269 0.

(a)草地 (b)耕地 (c)建設用地

(d)林地 (e)水域

3.2.2 成本矩陣設置

在進行成本矩陣參數設置時，當允許某種地類向其他地類轉換時設為1，不允許轉換時設為0.本研究將各用地類型的成本矩陣都設置為1，表示各用地類型之間都可以相互轉化.

3.2.3 土地利用類型的鄰域權重參數設置

領域權重代表土地類型之間轉化的難易程度，會對模擬結果造成一定影響，本研究參考相關文獻[18,19]和昭陽區實際情況，將模擬結果與實際情況進行反復對比實驗，最終設置了領域權重參數，見表5.

表5 昭陽區土地利用類型的領域權重參數

3.3 昭陽區土地利用模擬與精度驗證

根據上述設置的參數，利用FLUS模型和2015年昭陽區的土地分類數據模擬2019年昭陽區的土地利用情況，并與2019年昭陽區實際的土地利用分類圖進行對比分析(見圖6)，采用數量精度和Kappa系數評定精度.

將2019年模擬結果與實際土地利用類型數據進行疊加計算，得出昭陽區2019年土地利用模擬圖的整體數量精度平均為80.05%，耕地、建設用地、林地、草地和水域的模擬精度分別為73.52%，71.79%，89.90%，83.48%和81.54%.同時，Kappa指數計算為 0.779 6，模擬精度較好.

從模擬結果可以看出，耕地和建設用地的模擬準確度相對較低，這主要是因為昭陽區特殊的地理位置，居民居住地比較分散，導致建設用地較為破碎而容易被誤判為其他的土地利用類型.另外，還存在林地被模擬為耕地的問題，這主要是因為昭陽區農業結構調整，導致耕地被大量轉化為果園，而本研究又將林地與園地等進行了合并，因此對模擬結果造成了一定偏差.

(a)2019年土地利用實際分類 (b)2019年土地利用模擬分類圖6 2019年土地利用實際圖與模擬圖對比

3.4 昭陽區土地類型模擬預測

通過2019年土地利用分類模擬數據與實際數據對比可知，模擬精度達到標準，可以運用FLUS模型進行昭陽區未來土地利用情況的模擬和預測.本研究運用FLUS模型中的馬爾科夫鏈對2023年土地像元數進行了模擬預測，結果如圖7、圖8所示.

圖7 昭陽區2023年土地利用狀況模擬圖

圖8 昭陽區2019年和2023年各用地類型面積占比

4 結論與討論

本文以昭陽區為研究區域，從LUCC數據的采集、歸一化處理到土地利用變化驅動因子的選取、FLUS模型參數的測試設置到最后的模擬驗證，完整地實現了昭陽區LUCC的預測變化流程，可以有效地為當地土地規劃和優化配置工作提供科學決策依據.

通過對模擬過程的實踐和思考，本文尚存在下列問題需進一步研究和探討：

1)FLUS模型的參數設置帶有一定主觀性.如鄰域權重參數的設置，主要是通過不斷實驗和調試確定的，還需深入研究和探索FLUS模型的參數設置，提高客觀性和科學性.

2)驅動因子選取不夠全面.由于影響各種類型土地變化的因素復雜多樣，但由于一些經濟因素、政策變化等數據難以全面收集獲取，導致對土地利用變化的模擬精度受到一定的影響.同時還需開展驅動因子之間的相關性研究，保證因子的選擇更具有針對性和客觀性.