土地利用/覆盖变化（LUCC）是全球环境变化与可持续发展的重要体现，已取得了很多成果[1-3]。土地利用变化模型可以更好地向人们解释驱动因子对土地利用变化的影响，尤其在土地利用情景模拟与预测中发挥了越来越重要的作用。土地利用模拟使用的模型主要有CA模型、FLUS模型、Markov模型和CLUE-S模型等，学者大多是用单一模型对土地利用变化进行模拟与预测[4-7]，其方法本身及其结果或多或少受到一定的局限，多模型的综合使用较少，其中：CLUE-S模型在模拟小尺度土地利用变化方面有着相对较高的模拟效果和及其重要的应用价值[8]，但该模型的土地利用变化数量需要利用其他的模型或者方法来进行计算，单独使用存在一定的不足；Markov模型是土地利用模拟预测相对较好的方法，近年来应用广泛[9-10]，但它缺少空间模块，不能对进行模拟的每个地类数量变化进行空间化，单独使用也是存在一定不足的，但是CLUE-S和Markov这两个模型的结合，可以弥补这两个模型各自的不足。本文利用CLUE-S与Markov模型相结合的方法对靖远县土地利用变化进行多情景模拟与预测，为靖远县国土空间规划编制提供参考。

1、材料与方法

1.1 研究区概况

靖远县位于黄河上游，甘肃省中东部，属黄土高原沟壑区，地势西高东低，由西北向东南倾斜，总面积为580 940 hm2，海拔在1 300～3 017 m之间，2010年和2020年，靖远县耕地面积分别为77 390 hm2和109 600hm2，其中有效灌溉面积分别为37 030 hm2和40 280hm2,GDP分别为40.4万元和70.21万元，人口分别为48.10万人和50.34万人。

1.2 数据来源与处理

1.2.1 数据来源

靖远县2010年和2020年的遥感影像和DEM来源于地理空间数据云，坡度和坡向来源于DEM数据的提取，GDP来源于中科院环境科学与数据中心数据平台，人口数据来源于Worldpop平台，居民点、铁路、省道、县道、河流、国道、高速和学校来源于靖远县第三次全国国土调查数据库。

1.2.2 数据处理

1.2.2.1土地利用数据。对两期遥感影像进行目视解译，检验精度为95%以上，根据土地利用划分标准及靖远县实际情况，将靖远县土地利用类型划分为草地、耕地、建设用地、林地、水域用地和未利用地6大类。

1.2.2.2 DEM。首先将下载好的影像进行拼接，再用行政区界限裁剪，可以得到该研究所需要的DEM数据。

1.2.2.3坡度和坡向，在GIS中用DEM进行提取。

1.2.2.4人口和GDP。对平台得到的数据进行重采样，并以DEM数据为基准数据进行投影和掩膜（使得坐标和行列数一致）。

1.2.2.5居民点、铁路、省道、县道、河流、国道、高速和学校。首先对各数据投影坐标，再分别对其欧氏距离分析，然后掩膜，最后得到距离居民点、铁路、省道、县道、河流、国道、高速和学校的距离。

1.3 研究方法

1.3.1 Markov模型

Markov模型作为一种特殊的随机运动过程，是预测土地利用数量变化的常用方法，因为在一定条件下，土地利用的动态演变具有Markov过程的性质[10]。

1.3.2 CLUE-S模型

本研究利用CLUE-S模型对靖远县土地利用变化进行模拟预测。该模型是由非空间模块和空间模块组成[11]。

1.3.2. 1 空间分析。

Logistic回归是土地利用变化研究中最常用的一种分析方法[12]。本研究应用SPSS统计软件进行二元Logistic回归分析，选取的13个驱动因子包括：DEM、GDP、坡度、坡向、人口、到高速距离、到国道距离、到河流距离、到居民点距离、到省道距离、到铁路距离、到县道距离和到学校距离。由于靖远县处在西北地区，所以选择了较多与自然有关的因子。模拟的基准年是2010年，预测的基准年是2020年，因此各驱动因子的值更新到2010年和2020年。Logistic回归结果的检验用ROC值[13]。通常情况下，当ROC值大于0.7时，证明所选取的驱动因子具有较好的解释能力。

1.3.2. 2 模拟的时空尺度设定。

(1）空间尺度。本研究空间尺度首先选择栅格大小分别为30 m、60 m、90 m、120 m、150 m、180 m的影像，在SPSS中分别做回归分析及ROC值的分析，找到ROC值的峰值，最后选择分辨率为210 m的栅格作为该研究尺度。（2）时间尺度。CLUE-S模型的时间尺度分析用Kappa系数来解决，以2010年的土地利用数据为基础数据来模拟2020年土地利用数据，将2020年原始数据与模拟数据进行比较，并算出Kappa系数，确定CLUE-S模型对该区域进行土地利用模拟预测是否可行。

1.3.2. 3 土地利用需求预测。

已知2010年和2020年2期土地利用类型面积，中间年份的土地利用需求数据主要利用线性插值方法和Markov模型得到。

1.3.2. 4 转换稳定性设定。

本研究在土地利用模拟与预测过程中使用的ELAS参数值，分别根据靖远县2010-2020年的土地利用变化特征设置，最终的ELAS参数设置如表1[11]。

表1靖远县土地利用模拟过程中各土地利用类型的ELAS值

1.3.2. 5 转化规则设定。

根据靖远县实际情况，设定所有土地利用类型之间均可以相互转化。

1.3.3 情景设计

本文基于靖远县发展的自然趋势、生态保护和粮食安全角度，结合Markov模型预测土地利用需求的结果，通过修改不同地类需求量，构建三种土地利用变化情景，并预测靖远县2020年至2030年的土地利用变化。

1.3.3.1自然发展情景。

该情景以靖远县2010年至2020年变化为参考依据，并假设在2020年至2030年之间各土地利用类型的数量变化不受到任何外部因素的影响，土地利用需求量用Markov模型进行预测。

1.3.3. 2 生态安全情景。

近年来，靖远县注重生态环境保护，生态安全情景的设置中，要加强草地和林地等生态用地的保护，参照前人对Markov过程转移概率修正的研究，一般减少比例要控制在5%～60%之间，再结合靖远县实际的土地利用现状。该情景中将耕地向建设用地转化的速率减少20%，其减少部分加到耕地向林地转化之上；草地、林地向建设用地转化的速率都降低60%，减少的部分分别加到草地和林地上。

1.3.3. 3 耕地保护情景。

该情景是以保护生产粮食所需要的耕地为主要目的，研究区随着城镇化的发展，耕地面积从2010年至2020年是明显呈现递减趋势的，相比2010年，2020年耕地面积减少了14.99%，若继续按照这种趋势发展，会导致农业发展的不平衡，为了保证研究区粮食产量持续稳定的情况，假定耕地向林地、水域和建设用地的转化比例分别降低了20%、20%和50%，同时将这些减少的部分都加到耕地之上。

通过对以上自然发展情景、生态安全情景和耕地保护情景的限制修改，并用Markov模型计算得到三种不同情景的土地利用需求量（表2），由于在模拟2010-2020年土地利用变化过程中，不断对模型参数进行了调整，2020年模拟图与2020实际土地利用数据一致性较高，因此，模型中其他参数的设置与之前模拟2020年土地利用时最后调试的模型参数相同。

2、结果与分析

2.1 CLUE-S模型模拟精度的检验

2.1.1 Logistic回归分析的ROC检验

ROC检验结果表明，每个地类的ROC值都大于0.70，表明所选择的驱动因子对每个地类的空间分布具有较好的解释能力，其中林地和未利用地的ROC值较高，分别为0.929和0.921，说明驱动因子对这两种地类的解释能力较强。草地的ROC值为0.703，草地精度较低的原因是在研究区草地分布比较分散，不确定性较强，驱动因子对其空间差异的解释不显著（表3）。

表2靖远县2030年不同情景下各土地利用面积（单位：hm2)

2.1.2 Kappa系数的确定

根据2010年土地利用类型数据及13个驱动因子模拟2020年土地利用类型，在模拟中，不设定任何限制因素，各地类间均能相互转化，得到模拟结果（图1）。在GIS中导入模拟结果并计算得到Kappa系数[14]为91.60%，模拟结果与实际值具有几乎完全一致性，说明选取的驱动因子能够比较好的解释土地利用空间变化驱动机制的作用，能使用该驱动因子对未来土地利用类型进行预测。

2.2 不同情境下靖远县未来土地利用变化的时空特征及动态变化

基于2020年靖远县土地利用数据，结合前面CLUE-S参数（表1），土地利用转移概率的设置，分别对靖远县2020年至2030年3中情景下土地利用变化进行预测，其中2030年的预测结果见图2，研究区各土地利用类型面积变化见表4。

表4 2020-2030年靖远县不同情景下的土地利用动态变化

表3各土地利用类型Logistic回归结果的ROC值

图1靖远县2020年土地利用类型模拟图

图2靖远县2030年不同情景下土地利用类型分布图

2.2.1 自然发展情景

自然发展情景下，由于此情景假设2020-2030年各土地利用变化不受政策等外界因素干扰，其土地利用变化与2010-2020年土地利用变化速率一致。从地类变化数量来看，2020-2030年草地和耕地的面积在减少，建设用地、林地、水域用地和未利用地在增加，并且面积变化最大的是建设用地和未利用地，建设用地以1.28%的速率增加了1 142.19 hm2，未利用地以1.83%的速率增加了2 200.59 hm2。草地以0.04%的速率减少了1 256.81 hm2，耕地以0.14%的速率减少了2 601.88 hm2，林地以0.02%的速率增加了22.05 hm2，水域用地以1.10%的速率增加了2 200.59 hm2。

从各土地利用类型的空间变化来看，靖远县各县区的建设用地、未利用地具有一定的扩展，但各个县区的扩展幅度是不一样的。建设用地和未利用地的增加主要是在现有的建设用地的边缘扩张和在城市内部的空间填充。建设用地的增加主要分布在东湾镇和乌兰镇，其次为糜滩乡；未利用地增加主要分布在石门乡，其次为双龙乡；水域用地的增加主要在糜滩乡，其次为三滩乡。

2.2.2 生态安全情景

生态保护情景下，林地、草地等生态用地得到了强有力的保护。从地类数量的变化来看，2020-2030年靖远县各土地利用变化发展趋势与自然发展情景相似。未来8年间面积变化最大的土地利用类型为建设用地和未利用地，建设用地以1.10%的速度减少了1 106.91hm2，未利用地以0.5%的速度减少了714.42 hm2。草地以0.02%的速率增加了745.31 hm2，耕地以0.06%的速率增加了1 062.83 hm2，林地以0.2%的速率增加了216.09 hm2，水域用地以0.41%的速率减少了202.86hm2。与自然发展情景相比，生态保护情景下草地和林地得到了很好的保护，限制了向其他土地利用类型的转化，林地和草地增加的面积更多，增加幅度变大，建设用地减少的速率变大。

从各土地利用类型的空间变化来看，林地和草地显著增加，林地增加的部分主要集中在永新乡，草地的增加主要集中在石门乡，建设用地的减少主要集中在东升乡和五合乡，未利用地减少主要集中在石门乡和双龙乡，转化成了草地和林地，水域用地减少主要集中在永新乡，耕地增加主要集中在兴隆乡、双龙乡和刘川乡。

2.2.3 耕地保护情景

耕地保护情景下，耕地得到了有效保护，从地类数量的变化来看，此情景下，2020-2030年，耕地以0.06%的速率增加了1 062.83 hm2，草地以0.04%的速率增加了1512.67 hm2，建设用地以1.72%的速率减少了1 345.05 hm2，林地以0.05%的速率减少了57.33 hm2，水域用地以0.73%的速率减少了313.11 hm2，未利用地以0.76%的速率减少了859.95 hm2。但在此情景下，靖远县的建设用地减少幅度较大，耕地增加幅度较自然情境模拟下提升了。

从各土地利用类型的空间变化来看，靖远县耕地增加主要集中在永新乡、北滩乡和东升乡，变化幅度较大的建设用地的减少主要集中在北滩乡、东升乡和五合乡，林地减少主要集中在石门乡，其他各土地利用类型的变化与生态安全情景基本一致。

2.2.4 三种不同情景模拟结果的对比分析

在自然发展情景下，各土地利用类型按照2010-2020年的概率不断转移变化，变化趋势与原有的各土地利用类型变化趋势一致，面积变化最明显的为建设用地和未利用地。在生态安全情景下，林地和草地得到了有效保护，林地和草地向其他地类的转化受到一定的限制。在耕地保护情景下，耕地得到了保护，并在一定幅度上增加，并且限制了耕地向其他地类的转化。与自然发展情景相比，草地和耕地的增加幅度提升，建设用地、林地、水域用地和未利用地减少的幅度提高。与生态安全情景相比，建设用地减少的幅度提升，其他土地利用类型的变化基本一致。

总体来说，根据不同目的模拟出不同情景下各土地利用类型的变化，可以产生不同程度的调节作用。靖远县在自然发展情境下建设用地的增加，占用的耕地、林地和草地的面积，应在未来引起高度重视。生态安全情景和耕地保护情景下水域用地的减少，应该使人们意识到在未来的发展中，要转变不合理的土地利用方式，提高土地的合理利用率，促进其土地利用的可持续发展。

3、结论与讨论

(1）本文以土地利用数据为基础，以靖远县为研究区域，根据前人研究及靖远县实际情况从自然与社会经济方面选择了13个驱动因子，并用2010年土地利用数据与驱动因子模拟了2020年土地利用类型，计算得到Kappa系数并从其结果可以看到，CLUE-S模型在小尺度区域具有较强的应用性和前景。本研究没有考虑政策因子对土地利用变化的影响，主要是因为政策因子的量化和空间化技术方法目前不成熟，但不可否认的是政策性因子对土地利用变化的作用是及其重要的，需要在后续的研究中逐步进行。

(2）基于Markov中土地利用转移概率的设置和CLUE-S参数（表1），实现该研究区土地利用变化的多情景预测，研究结果表明：建设用地、水域用地和未利用地在自然发展情景下的增加是较为显著的，在其他两种情景下受到限制后是减少的；草地和耕地只在自然发展情景下是减少的，在其他两种情景下是增加的；林地只有在耕地保护情景下是减少的，减少的不明显。

(3）三种情景下，自然发展情景没有任何的限制性因素，得到各类土地利用类型的变化；耕地保护情景和生态安全情景对土地利用变化的调控效果是比较好的，相对应的耕地、林地和草地都得到了保护。相较于自然发展情景，建设用地的扩张得到了控制。因此，对研究区未来的土地利用管理问题具有一定的借鉴意义，可为土地利用总体规划提供科学的决策参考。

(4)CLUE-S模型和Markov模型的结合应用避免了使用单一模型的弊端，可以充分发挥两个模型的优点，使得两个模型优势互补，提高未来土地利用变化的预测精度。

参考文献:

[1]刘永林,刘属灵,吴梅,等.西南典型“退耕还林”区土地利用/覆被变化对土壤中硒及重金属含量的影响[J].环境科学,2022,43(6):3262-3268.

[2]李平星,陈雯,邹露,等.基于一体化生态空间格局的土地利用/覆被变化及其生态环境效应[J].环境科学学报,2021,41(10):3905-3915.

[3]张玉珊,舒栋才,李瑞,等.赤水河流域生态水文过程对土地利用/覆被变化的响应[J].土壤通报,2022,53(1):56-65.

[4]余健,童秋英,朱波.改进CA-Markov模型的武汉市土地利用变化模拟[J].测绘科学,2020,45(6):165-171.

[5]任胤铭,小平,许晓聪,等.基于FLUS-In VEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响研究[J].生态学报:1-15[2023-02-13].

[6]王洁宁,王文超,海蒙蒙.基于PLUS模型的山东省土地利用变化模拟分析[J].国土与自然资源研究,2022(6):1-8.

[7]王蒙.基于FLUS模型的土地利用变化模拟与预测方法研究[J].测绘与空间地理信息,2022,45(1):161-166.

[8]卞子浩,马小雪,龚来存,等.不同非空间模拟方法下CLUE-S模型土地利用预测[J].地理科学,2017,37(2):252-258.

[9]谢凌凌,许进龙,臧俊梅,等.基于Markov-FLUS模型的广西土地利用变化模拟预测[J].水土保持研究,2022,29(2):249-254+264.

[10]余健,童秋英,朱波.改进CA-Markov模型的武汉市土地利用变化模拟[J].测绘科学,2020,45(6):165-171.

[11]周锐,苏海龙,王新军,等.基于CLUE-S模型和Markov模型的城镇土地利用变化模拟预测——以江苏省常熟市辛庄镇为例[J].资源科学,2011,33(12):2262-2270.

[12]袁磊,杨昆.土地利用变化驱动力多尺度因素的定量影响分析[J].中国土地科学,2016,30(12):63-70.

[13]邢容容,马安青,张小伟,等.基于Logistic-CA-Markov模型的青岛市土地利用变化动态模拟[J].水土保持研究,2014,21(6):111-114+2.

[14]陈理庭,蔡海生,张婷,等.基于Markov-FLUS模型的饶河流域土地利用多情景模拟分析[J].生态学报,2022,42(10):3947-3958.

基金资助:国家社科基金西部项目(10XJY031);甘肃省教育科学“十三五”规划课题(GS[2020]GHB4637);

文章来源:吉雄娟,程文仕.基于CLUE-S和Markov模型的土地利用变化模拟预测[J].国土与自然资源研究,2024,(06):17-21.