基于Dyna-CLUE的厦门市土地利用变化模拟

章欣欣，朱顺痣，朱晓铃

（厦门理工学院计算机与信息工程学院，福建厦门361024）

基于Dyna-CLUE的厦门市土地利用变化模拟

章欣欣，朱顺痣，朱晓铃

（厦门理工学院计算机与信息工程学院，福建厦门361024）

选取厦门市2001、2007年的遥感影像数据，监督分类提取土地利用现状图.利用城市兴趣点 （point of interest，POI）数据，提取了8种景观可达性因子以及数字高程模型 （digital elevation model，DEM）数据作为厦门市土地利用变化的驱动力因子；在此基础上并利用Getis空间自相关滤波模型改进传统逻辑回归模型，构建土地利用变化驱动力模型，表明模型整体精度达74.3%，受试者工作特征 （receiver operating characteristic，ROC）曲线下面积为0.884，以定量分析不同驱动力因子对厦门市土地利用空间变化的影响机制.利用Dyna-CLUE模型对厦门市2020年的土地利用变化的预测结果表明：厦门市未来新增建设用地主要集中于岛外辅城，整体土地供需矛盾突出，耕地保护压力日益增大，土地问题将是制约厦门未来城市社会经济发展的主要瓶颈.

土地利用；厦门市；时空变化；Getis空间自相关；兴趣点；Dyna-CLUE

土地利用变化模型作为分析土地利用的驱动力、变化过程及格局、支持土地利用规划和政策的有力工具，被普遍认为是一种有效的研究手段［1］.近年来，土地利用变化模型的研究进展迅速，成果较多集中在土地利用覆盖/变化 （land use cover/change，LUCC）领域.LUCC研究的核心内容是土地利用时空动态变化的模拟，及对其变化的内在驱动力机制进行分析和解释.对驱动力机制的解释，要求能同时考虑自然条件、人类活动、政治调控等因素对土地系统变化的综合作用与影响，并克服时空多尺度及其转换等一系列问题［2］.在模型方面，随着计算机仿真、遥感、地理信息系统 （geographic information system，GIS）等新技术的出现，LUCC的时空动态模型也由早期的描述性模型向机理性模型不断发展，提出了诸如数学统计［3］、系统动力学［4］、元胞自动机［4-6］、智能体［7］以及多智能体［8］等一系列模型.目前，LUCC研究虽取得一定的成果，形成一套相对完整的体系，但该体系在多源数据融合、模型功能集成、理论体系建设等方面还存在诸多不足.总之，要实现对土地利用未来变化发展趋势的预测和调控，还需要开展更多的案例研究进行分析和验证［9］.

厦门市作为国内最早的经济特区之一，是东南沿海耕地-城市转换区的代表城市，其城市土地利用在过去20年内发生了巨大的变化.近年来一些学者对厦门市的土地利用变化情况展开研究［10-11］，但这些研究大多采用统计指数模型进行静态模拟，缺少对区域土地利用系统时空特征变化的整体性认识.本研究通过获取厦门市2001、2007年遥感影像数据，采用遥感分类技术获得了厦门市土地利用现状图.并基于城市POI信息，结合GIS距离分析技术提取了包括政治、经济、教育、公共服务等8类数据，以及DEM作为土地利用变化驱动力因子.在此基础上，利用Getis的空间自相关方法改进Dyna-CLUE模型中的传统逻辑回归方法，构建土地利用变化驱动力模型，预测厦门市2020年的土地利用变化情况，重点分析新增建设用地的空间变化特征，为厦门市土地利用规划提供依据.

1 研究方法

1.1 逻辑回归模型

逻辑回归模型的自变量可以是数值或者分类数目，使其被广泛应用于解释土地利用变化和驱动力因子之间的关系［12］.模型根据因变量 （土地）类别的多少可以分为2种：二元逻辑回归模型和多元逻辑回归模型，其中，二元逻辑回归模型的计算公式为

式 （1）中：z表示与某土地利用类别相关的驱动力因子所产生的贡献综合评价指数；β0为常数项；β1，β2，β3，…，βk为待确定的回归系数，通过Newton-Raphson或者最大似然估计等方法进行求解；x1，x2，x3，…，xk表示驱动力因子的指数信息；f（z）为逻辑回归变换函数，由f（z）函数转换后的取值范围为0～1，用于表达土地利用类型转移的概率值.因此，利用逻辑回归模型的概率值及回归系数序列可评价土地利用变化发生的概率，以及和土地变化发生相关的诸多因子之间的驱动关系.

逻辑回归模型同其他多元回归方法一样，也对多元共线性敏感，样本设置的变化会导致系数估计结果有显著的不同.此外，传统逻辑回归的假设条件不能反映土地利用数据的空间自相关关系，而地理数据的自相关性影响无法保证模型变量的独立性，直接使用会导致模型的精度评价降低［13］.

1.2 Dyna-CLUE模型

Dyna-CLUE模型是基于CLUE-s的改进模型，更适合于区域尺度下的土地利用变化覆盖研究［14］.该模型兼顾土地利用系统中的社会经济和生物物理等驱动因素，在反映土地利用变化的过程和结果上具有很高的可信度，已被学者广泛采用［15］.Dyna-CLUE模型包括从上至下的全局需求分配模块以及从下至上的局部变化转移模块两部分.其中，土地利用分配模块同CLUS-s的非空间模块原理一致，该模块主要负责定量分析土地利用变化的一系列驱动力因素，确定土地利用需求［16］；CLUE-s的空间模块则基于个体像元的空间位置依照土地利用的变化趋势进行空间分配.此外，空间模块还允许对不同地区的差异情况进行控制，设定方式有土地利用变化转移矩阵 （是否转化）和变化难易程度 （区间取值为0～1）两种方式.分配流程以需求场景为参照，利用迭代系数进行迭代控制，使实际变化同需求拟合.迭代系数在一定程度上可反映不同土地利用类型之间彼此的竞争强度，局部变化转移模块则用于处理部分不受土地利用需求影响的特殊情况.相比CLUE-s模型，Dyna-CLUE模型加入了对局部适应性和邻域适应度的分析，能更真实反映城市土地利用变化复杂的空间特征.Dyna-CLUE的公式为

式中：Ptoti，u，lu为土地栅格单元i在时间t时土地利用类型lu的总概率；Ploci，t，lu为该土地单元自身的适应度，可通过逻辑回归模型 （公式 （1））得到；Pnbhi为该土地单元的邻域适应度，可通过经验统计模型或者专家知识得到，邻域之间的关系类似于元胞自动机模型对于元胞领域规则的设置方法；Elaslu为土地利用变化转换规则参数，包括变化转移矩阵以及难度系数，难度系数值越大则表示转换难度越高；Compt，lu为竞争优势系数，在实际建模中通过迭代计算得到.

表1 厦门市土地利用变化转移矩阵TabIe 1 Conversion matrix of LUCC in Xiamen

土地利用变化转移矩阵参数的设置基于专家知识，通过矩阵可确定不同类型之间是否转换以及转换的难度系数.根据往年土地利用变化统计分析，依据张永民等的研究方法［17］，确定厦门市土地利用变化的转移矩阵和难度系数 （见表1）.其中建设用地的用地级别最高，不易转变为其他类型，因此难度系数最大 （0.8）；建设用地总体是呈逐年增长的趋势，其增长的主要来源为非建设用地中的耕地部分，因此设定非建设用地自身的难度系数（0.4）小于建设用地系数，且两种土地利用类型的相互转换系数相比，非建设用地更易转换为建设用地 （0.6＞0.2）；水体类别总体保持稳定，但受厦门市机场建设的填海造地活动影响，出现少量转换现象，因此其难度系数分别设置为0.2、0.1、0.7；

1.3 Geti局部空间自相关模型

邻域适应度函数Pnbhi，t，lu的选取，要求能表达周边其他土地利用类型像元对其变化的影响关系，即土地利用变化的空间自相关性.选择Getis滤波模型［18］用于计算空间自相关性，其公式为：

其中i不等于j，即不考虑样本点本身.结合式 （3）、式 （4）可知，如果在选定的距离d不存在空间自相关，则滤波值等于观测值，如果观测变量邻域被高值所包围，则观测值同过滤值的差为正，反之，则为负值.二者的差值用于描述变量的空间自相关性.

影响自相关模型的第二个特征是邻域距离的确定.对于距离的判定方法有2种：一种是通过自相关统计值进行判断，空间自相关值随距离先增后减，距离可以选择在这个变化的拐点；另外一种方法则是变异函数 （半方差），也称为B-B点统计［19］，其公式为：

式中：γ（h）为半方差值；h为点对的距离；N（h）为距离h含有的点对数目.最后，利用Sigmoid函数把滤波值同真实值的差值转换至［0，1］概率区间.

土地利用变化驱动力的原型系统实现基于ArcGIS二次开发，遥感图像分类则采用ENVI软件.

2 实验

2.1 实验区概况

为确定厦门市历年土地利用变化大致趋势，预先收集2001—2013年厦门市统计年鉴中厦门市的土地利用变化情况，按照农业用地、建设用地、未利用用地3大类进行划分 （见图1）.从图1中建设用地面积的变化情况可知，厦门市土地利用变化2001—2013发展大致可分为3个不同阶段，即：2001—2005、2006—2010和2011—2013年.其中：2001—2005年建设用地呈缓慢增长，主要变化体现在未利用土地向农业用地的转换；2005—2010建设用地增长速率加快，是厦门市城市建设的高速发展时期；2010年后，建设用地增长速度有所放缓，这一时期厦门市土地资源储备不足，是城市发展放缓的主要因素.根据以上分析，选取2001、2007年两年土地利用变化现状图作为土地利用变化模型数据的输入数据.

图1 厦门市2001—2013年土地利用变化Fig.1 Change of Iand use in Xiamen between 2001 and 2013

2.2 数据来源及其处理

为验证Dyna-CLUE模型对土地利用时空动态变化模拟的实际效果，选取了厦门市作为研究区.厦门市土地利用现状图基于遥感图像分类得到，数据源方面选取了厦门市2001年、2007年的Landsat TM遥感影像 （图号119-43），以及2007年厦门市的ALOS高分遥感影像配合Landsat TM影像作为比较.数据处理流程包括：影像经过辐射校正后采用高斯克吕格坐标系进行坐标投影，并同1∶10 000地形图进行几何校正以及空间配准，校正误差小于0.5个像元，最后利用厦门市行政图层进行影像切边.预处理完毕后数据导入ENVI软件，利用人工判断提取ROI并采用SVM模型进行遥感图像分类.土地利用分类体系参考 《全国土地分类 （试行）》 （国土资发 ［2001］255号）以及全国土地资源分类系统，利用采样二级分类系统，第一级分为3大类，第二级分为6小类，包括：非建设用地 （包括耕地、林地）、建设用地 （城市建设用地、未利用用地）、水体 （水域水体、滩涂养殖）.其中3大类利用图根据6小类利用图重采样获得，分类结果如图2所示.

图2 厦门市2001年和2007年土地利用变化现状图Fig.2 Change of Iand use in Xiamen in 2001 and 2007

分类结果的精度评价主要是结合野外实地调查和目视解译方法进行，2001年和2007年的总体精度和Kappa系数分别为78.25%，0.753 1和87.62%，0.852 5，表明分类结果符合最低判别要求，详细处理过程可参考文献 ［20］.

为构建土地利用变化驱动力模型，还需获得一系列的驱动力因子.依据文献 ［21-22］中对土地利用变化转换规则的研究，分别收集了GDEM 30 m DEM数据，以及城市POI矢量数据，专题信息包括道路交通、医疗设施、政府机关、生活服务、教育文化、商业购物、餐饮等要素集，从中选取了8种因子，并通过ArcGIS空间分析模块的距离分析生成距离栅格图层.

3 实验结果

3.1 空间自相关分析

实验对每一类土地利用类型，根据选取的驱动力因素，利用逻辑回归进行统计分析，并对所得结果通过分类表进行检验.为消除样本点空间自相关性的影响，在采样过程中采用移动窗口方式采样，采样距离根据B-B点统计确定，如图3所示，在15个单位像元距离时，3种土地类别的B-B统计较为接近，因此选取的采样窗口大小为15×15（450 m）.随后依据此窗口对厦门市土地利用变化图层 （2001，2007年）和因子进行叠加采样，共获得3种土地变化样本点共9 382个.

图3 2001年厦门市土地利用类型B-B统计Fig.3 B-B statistic of LUCC of Xiamen in 2001

3.2 驱动力建模结果

采样完成后，根据样本点起始状态的土地利用类型分别构建逻辑回归方程，结果见表2.其中，Beta系数为各个因子对于土地利用变化的影响系数.由模型参数值可知，非建设用地向建设用地转换过程中，道路、生活服务、购物和教育中心的距离起到主导因素，其中道路的影响系数最高，具体表现为离因子距离越近，土地利用类型更易于转化为建设用地.而建设用地向非建设用地的转换过程，更倾向远离金融、教育、生活服务这3种对土地变化成本有明显抬升的驱动力因子.3种土地利用类型样本的模拟精度在分类阈值为0.5时分别为87.99%，77.00%，87.41%.

表2 不同土地利用类型的逻辑回归模型系数TabIe 2 Beta vaIues for Iogistic regression for different Iand uses of Xiamen

3.3 模型精度评估

逻辑回归模型对样本的选取非常敏感，城市一定时期内土地利用实际变化相对未变化的比例一般较低，选择不同的阈值会得到不同的结果，不便于模型之间进行一致性的比较.因此，对于建设用地、非建设用地精度的评估可以采用ROC曲线，根据ROC曲线下面积 （area under curve，AUC）来进行精度评价，其取值大小为 ［0，1］，值越大表示模型判断力越强.图4为模型的ROC曲线，AUC面积为0.884，表明该模型基本可满足土地利用变化模拟的要求.

根据ROC曲线可以选取适当的分割阈值以获得最优化结果，取阈值为0.27，可得到非建设用地的预测精度为71.0%，建设用地预测精度为86.9%，整体精度为74.3%.如模拟主要研究建设用地的转变情况，则可以适当降低阈值，从而提高建设用地的预测正确率 （灵敏度），但同时也会降低非建设用地的预测精度 （特异度）.

图4 建设用地和非建设用地的ROC曲线Fig.4 ROC for buiIding and no-buiIding Iand

进一步参考厦门市国土资源与房产管理局发布的 《厦门市2006—2020年土地利用总体规划》，确定厦门市2020年全市建设用地总规模494.27 km2，利用Dyna-CLUE模型预测厦门市2020年的新增建设用地的空间分布情况，结果见图5.

图5 2020年厦门市土地利用变化预测Fig.5 Prediction resuIts of LUCC of Xiamen in 2020

4 讨论

逻辑回归模型的优势在于可定量化地解释不同驱动力因子对土地利用变化的影响，根据表2结果可知，在8种城市可达性因子中，建设用地类型的转化受道路距离的影响最为显著，其值分别为-0.000 599和-0.003 146，负号表示距离道路越近，土地利用类型越易于转化为建设用地.除道路因素外，生活服务、购物和教育3种可达性因子对于建设用地的转化也有很强的负相关性，分别为-0.000 321、-0.000 285和-0.000 216，表明厦门市2001—2007年新增城市建设用地同人口活动的便利性紧密相关，也反映出厦门市城市规划注重功能区配套的空间分布特征.此外，非建设用地的转化则偏向远离金融、教育、生活服务中心等区域，主要原因可由土地转化的价格成本进行解释，但非建设用地也注重交通的便利性，因此与道路距离因子为负相关.

根据图5中2020年厦门市土地利用变化对比图可知，厦门市2020年新增建设用地的空间时序演化明显，城市发展由岛内向岛外延伸.新增用地空间分布更多集中在海沧、集美、同安、翔安四辅城，主要沿翔安大道、泉厦高速、沈海高速等道路沿线向外延伸.其中：同安、翔安区的建设用地转化相对比例较高；集美区作为文教旅游区，其建设用地新增区域更多集中在教育 （集美新城）、旅游（杏林湾、厦门北站）周边；海沧区的新增用地分布则更多表现出以政府机构、港口码头为中心对外扩展.而厦门岛内则受制于土地资源匮乏和空间管制等因素，变化除少量集中在环岛周边的滩涂转化，更多体现在现有建设用地的结构优化.整体而言，厦门市土地供需矛盾突出，耕地保护压力日益增大，土地储备问题已成为制约厦门城市社会经济发展的瓶颈.

5 结论

基于Dync-CLUE模型对厦门市2001—2007年土地利用变化进行模拟.在数据获取方面，利用城市POI数据以及DEM生成9种不同类型的土地利用变化驱动力因子；在驱动力建模方面，则利用逻辑回归模型用于定量解释不同因子对土地利用转化的影响机制，并且结合Getis空间自相关滤波模型和B-B点统计方法消除土地利用空间自相关性对逻辑回归模型的共线性影响，模型整体精度达到74.3%，ROC曲线下面积为0.884，表明模型能较准确地模拟区域土地利用时空变化过程.最后，利用模型进行土地利用变化建模和预测，通过分析厦门市2020年新增建设用地的空间分布特征，可为厦门市城市规划提供依据，具有一定的参考价值.

［1］邵景安，李阳兵，魏朝富，等.区域土地利用变化驱动力研究前景展望 ［J］.地球科学进展，2007，22（8）：798-809.

［2］LAMBIN E F，NUNES C，AUG J，et al.Land-use and land-cover change（LUCC）：implementation strategy［M］. Sweden：The Royal Swedish Academy of Sciences，1999.

［3］BRUNSDON C，FOTHERINGHAM S，CHARLTON M.Geographically weighted regression［J］.Journal of the Royal Statistical Society：Series D（The Statistician），2002，47（3）：431-443.

［4］何春阳，史培军，陈晋，等.基于系统动力学模型和元胞自动机模型的土地利用情景模型研究 ［J］.中国科学：D辑，2005，35（5）：464-473.

［5］WHITE R，ENGELEN G，ULJEE I.The use of constrained cellular automata for high-resolution modelling of urban landuse dynamics［J］.Environment and Planning B，1997，24：323-344.

［6］GUAN D，LI H，INOHAE T，et al.Modeling urban land use change by the integration of cellular automaton and Markov model［J］.Ecological Modelling，2011，222（20）：3 761-3 772.

［7］古琳，程承旗.基于GIS-Agent模型的武汉市土地利用变化模拟研究 ［J］.城市发展研究，2007（6）：47-51.

［8］陈海，梁小英，高海东，等.Multi-Agent System模型在土地利用/覆盖变化中的研究进展 ［J］.自然资源学报，2008，23（2）：345-352.

［9］LAMBIN E F，TURNER B L，GEIST H J，et al.The causes of land-use and land-cover change：moving beyond the myths［J］.Global Environmental Change-Human and Policy Dimensions，2001，11（4）：261-269.

［10］施益强，吴志强.近20年厦门市土地利用动态变化及预测 ［J］.水土保持通报，2014，34（5）：176-180；186.

［11］黄云凤，崔胜辉，石龙宇.半城市化地区土地利用变化及驱动力分析：以厦门市集美区为例 ［J］.环境科学与技术，2012，35（6）：199-205.

［12］LIN Y P，CHU H J，WU C F，et al.Predictive ability of logistic regression，auto-logistic regression and neural network models in empirical land-use change modeling：a case study［J］.International Journal of Geographical Information Science，2011，25（1）：65-87.

［13］聂婷，肖荣波，王国恩，等.基于 Logistic回归的 CA模型改进方法：以广州市为例 ［J］.地理研究，2010，29（10）：1 909-1 919.

［14］VERBURG P H，OVERMARS K P.Combining top-down and bottom-up dynamics in land use modeling：exploring the future of abandoned farmlands in Europe with the Dyna-CLUE model［J］.Landscape Ecology，2009，24（9）：1 167-1 181.

［15］吴桂平，曾永年，冯学智，等.CLUE-S模型的改进与土地利用变化动态模拟：以张家界市永定区为例 ［J］.地理研究，2010，29（3）：460-470.

［16］VERBURG P H，SOEPBOER W，VELDKAMP A，et al.Modeling the spatial dynamics of regional land use：the CLUE-S model［J］.Environmental Management，2002，30（3）：391-405.

［17］张永民，赵士洞.CLUE-S模型及其在奈曼旗土地利用时空动态变化模拟中的应用 ［J］.自然资源学报，2003，18（3）：310-318.

［18］GETIS A，ORD J K.The analysis of spatial association by use of distance statistics［J］.Geographical Analysis，1992，24（3）：189-206.

［19］刘庆，夏江宝，谢文军.半方差函数与Moran’s I在土壤微量元素空间分布研究中的应用：以寿光市为例 ［J］.武汉大学学报：信息科学版，2011，36（9）：1 129-1 133.

［20］朱晓铃.厦门市土地利用/覆被遥感动态监测 ［J］.厦门理工学院学报，2012，20（1）：66-70.

［21］刘小平，黎夏，彭晓鹃. “生态位”元胞自动机在土地可持续规划模型中的应用 ［J］.生态学报，2007，27（6）：2 391-2 402.

［22］黎夏，叶嘉安.基于神经网络的元胞自动机及模拟复杂土地利用系统 ［J］.地理研究，2005，24（1）：19-27.

The Change of Land Use in Xiamen Based on Dyna-CLUE

ZHANG Xin-xin，ZHU Shun-zhi，ZHU Xiao-ling
（School of Computer&Information Engineering，Xiamen University of Technology，Xiamen 361024，China）

This paper made a study of change in land use in Xiamen.Two maps of land use in Xiamen in 2001 and 2007 were acquired by satellites images classification.Driving factors for change in land use in Xiamen，derived from eight accessibility factors using POI（points of interest）and DMA data，were also selected by using distance analysis of GIS.The Getis filtering model was then adopted to analyze the spatial autocorrelation of land use change as well as to improve the capability of the traditional multivariate logistic regression.The overall accuracy rate is up to 74.3% and the ROC is 0.884，indicating that quantitative analysis is applicable to study the impacts of different driving factors on the spatial-temporal change in land use in Xiamen.Finally，the Dyna-CLUE model is applied to predict the future land use in Xiamen in 2020.The simulation results reveal that the increasing areas of construction are mainly located outside Xiamen Island. The gap between overall land supply and demand is strikingly wide，giving rise to increasingly severe pressure on farmland protection.Land use will become the main bottlenecks for economic and social development in Xiamen.

change in land use；Xiamen；spatial and temporal change；Getis spatial autocorrelation；POI；Dyna-CLUE model

TP79

A

1673-4432（2015）03-0068-07

（责任编辑 雨 松）

2015-01-28

2015-03-20

国家自然科学基金项目 （41401475，61373147）；厦门理工学院高层次人才项目 （YKJ13022R）

章欣欣 （1983-），男，讲师，博士，研究方向为GIS应用及遥感时空融合.E-mail：zhangxinxin@ xmut.edu.cn