景观生态学中, 景观是由不同类型生态系统镶嵌组成、具有重复性格局和高度空间异质性的地理单元^[1-2], 是具有异质性和斑块性的空间单元^[3]。景观格局即形状不一、大小不同的景观要素在空间上的排列和组合, 表示景观组成单元的类型、数目及空间分布与配置, 是景观异质性的空间表现^[4]。景观格局及其时空动态变化研究是景观生态学研究的核心内容和热点问题之一^[5-8]。随着城市化进程的推进, 建设用地不断扩张, 耕地被大量占用。耕地作为最基本的土地资源, 在城市化进程中的日益缩减将会对区域生态系统协调带来一定影响^[9], 而建设用地的空间扩展又是城市化的显著特征^[10]。因此建设用地与耕地景观的时空演变成为景观格局研究的热点领域, 国内外学者已开展了大量单独研究建设用地与耕地景观时空演变及驱动机制等方面的学术工作^[11-15]。

景观格局具有等级性, 这主要取决于景观格局对尺度的依赖性, 景观格局的尺度效应是正确认识景观格局的前提^[16-17]。梯度分析法能够较好展示研究对象在空间上的分布规律, 进而更好地分析其在时间维上的演变。近来不少学者将景观生态学与梯度分析相结合, 但是多数景观梯度研究是基于样带^[16-21]来开展, 对于整个研究区的景观梯度研究较少。景观格局演变驱动机制分析也是当前研究的热点^[22], 在多种驱动因素定量分析方法中, Logistic回归模型分析具有变量解释性强等特点^[23], 能够更好的分析多自变量与单一因变量之间的关系^[24]。CLUE-S模型在模拟多种景观类型之间的竞争转移关系上具有显著优势^[25-26], 且可进行不同情景模拟预测^[27-28], 更好地实现对未来景观格局的空间表达。鉴于此, 本文借助格网化技术, 通过景观梯度、动态变化分析及Logistic回归模型法, 揭示了太湖流域2000—2015年间建设用地与耕地景观格局时空演变特征及驱动机制, 进一步基于CLUE-S模型对不同情景下未来景观格局模拟预测, 分析两种景观类型的时空演变差异, 从而为太湖流域土地管理决策、可持续利用与发展及城市规划建设提供一定的借鉴与参考。

1 研究区状况及研究数据源 1.1 研究区概况

太湖流域地处119°11′—121°53′E, 30°28′—32°15′N之间, 是长江三角洲地区的核心区域, 三面临江滨海一面环山, 北抵长江, 南与钱塘江、杭州湾毗邻, 东临东海, 西依天目山、茅山, 面积约3.69万km²。行政区划范围包括江苏省苏南地区, 浙江省的嘉兴、湖州二市及杭州市的一部分, 上海市的大部分(图 1)。太湖流域地处亚热带, 属于亚热带季风气候, 夏季高温多雨、冬季温和湿润。地势西高东低, 东部为平原, 西侧为山地丘陵, 呈碟状^[29-30]。自然植被以亚热带常绿阔叶林为主, 其间也分布有落叶阔叶林及竹林等, 主要分布于丘陵、山地。2000年流域总人口4313万人, 人口密度超过全国平均值的6倍, 人均耕地面积仅0.04hm², 只及全国平均水平的40%。太湖流域自然条件优越, 经济基础雄厚, 人口密集, 市场广阔, 基础设施和投资环境较好, 是我国城市化进程和社会发展最迅速的地区之一。

1.2 数据来源及处理

本文以2000、2010及2015年的土地利用数据集为数据源, 2000年和2010年数据来源于国家地球系统科学数据共享平台(http://www2.geodata.cn/)。以共享平台原有数据作为分类参照样本, 结合太湖流域实际情况、景观特征及研究目的, 借助地理空间数据云(http://www.gscloud.cn/)Landsat8 OLI遥感影像, 对遥感数据进行辐射定标、大气校正, 再对其进行基于CART决策树分类, 精度检验在83%以上, 最终解译出2015年太湖流域景观类型数据(图 2)。参考国土资源部2007年颁发的《第二次全国土地调查规程》(TD/T1014—2007)^[31]及太湖流域景观特征、研究目的, 根据共享平台原有数据的分类类别, 将研究区分为耕地、林地、草地、建设用地、水域、未利用土地6类一级类型, 以此对研究区建设用地与耕地的景观空间梯度分布特征及时空演变进行研究分析。

本着驱动因子选取具有科学性、代表性与可获取性的原则, 选取9个驱动因素构建Logistic驱动因子数据库。DEM数据来源于地理空间数据云的ASTER GDEM V2全球数字高程数据, 利用DEM数据提取得到坡度数据; GDP与人口数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/); 基于中国基本地理信息数据获得距县市距离、距铁路距离、距高速距离、距县道距离及距河流距离。本文对2000—2010年、2010—2015年两个时间段内的建设用地转入与耕地转出变化进行建模分析, 对发生变化与未变化景观分别赋值为1、0, 将驱动因子空间处理后栅格化, 提取具有空间一致性的多层栅格属性数据, 借助SPSS进行Logistic驱动机制分析。

2 研究方法 2.1 格网法

通过对研究区建立格网, 能够把研究区内的某一景观类型缩小到单个研究格网之上, 而不是将其均匀地分散到整个研究区上, 从而弥补了以流域平均值来表达整个流域景观分布的不足, 更加合理地分析流域景观时空演变特征^[32]。格网分析方法与方格网大小密切相关, 具有尺度效应^[33]。参考相关格网景观生态学研究^[34-35], 最佳景观样本面积是平均斑块面积的2—5倍, 确定6km×6km格网为基本评价单元。

2.2 景观梯度

景观梯度是指单位格网面积内某一景观类型的面积占有率, 能很好地反映景观变化特征及趋势^[36-38]。景观梯度值越大表明某种景观类型分布越密集, 景观梯度值的时空变化特征反映了某一景观的受干扰过程及退化趋势^[36], 其表达式为：

(1)

式中, DI为某景观类型梯度值, CA为单位格网内某景观面积, CA_i为单位格网内不同类型景观总面积。

本文将空间格网与不同时期建设用地、耕地景观数据进行空间叠加分析, 分别计算各格网两种景观类型所占面积百分比, 插值得到景观梯度。根据研究区实际情况参考相关研究^[36-38], 借助ArcGIS自然间断法, 确定景观梯度等级为8级。

2.3 Logistic回归模型

Logistic回归模型是对因变量是二分类变量, 自变量是连续变量或者混合变量而建立的模型^[39-40], 其回归模型如下：

(2)

(3)

式中, P为事件发生概率, x为影响概率分布的因素, α为常数项, β为回归系数。

关于回归模型的拟合优度, 用ROC^{[23, 41]}方法进行检验, ROC值越高, 说明所选驱动因子具有较好解释能力, 拟合效果较好。

2.4 CLUE-S模型

CLUE-S模型, 包括非空间模块和空间模块, 兼顾了景观格局驱动力因子中的自然和社会经济因素^[42], 非空间模块即在自然和社会经济驱动因子分析下, 来计算研究区内各模拟年份景观类型的需求变化; 空间模块以各驱动因子的栅格化图层为基础, 根据景观类型概率与规则, 对模拟年份的景观类型需求进行空间分配^[43]。本研究中CLUE-S模型的输入内容：(1)政策限制区域：不设置受限制区域, 整个研究区都可发生景观类型变化。(2)各景观类型转换规则和转换弹性系数：通过设置转移矩阵全部为1, 来定义各景观类型之间都可以实现转换。经多次模拟调试, 3种情景下的转换弹性参数如表 1所示。(3)景观类型需求文件设置：根据不同情境对Markov概率矩阵进行调整, 再利用线性内插法得到CLUE-S模型的需求文件。(4)区域位置特征与驱动因子的关系, 运用Logistic逐步回归分析法, 计算得到景观类型的空间格局与各驱动因子之间的量化关系。(5)模型检验：利用ROC方法^{[41, 43]}对回归效果进行检验, 得到各景观类型的ROC值均大于0.8, 表示所选驱动因子对各景观类型都具有良好的解释能力; 利用Kappa^[44]指数检验模拟景观类型图与实际景观类型图之间的一致性, 计算得到3种情景模拟的总体精度均达到了75%以上。

3 结果与分析 3.1 建设用地与耕地景观时空演变分析

2000—2015年间, 高景观梯度值区间的建设用地面积显著提高, 在50—100区间的建设用地面积比重由3.02%猛增到31.27%(图 3); 建设用地单位面积最大增量达到0.92km²(图 4)。研究时段内, 沪宁线沿途地区的城市周边及交通线两侧, 尤其是苏州市、无锡市、常州市周边地区以及东部上海市周边的浦东新区、宝山区、南汇区、闵行区与嘉定区等, 地处水网密集的平原和长江三角洲地区, 地势低平, 经济发展水平较好, 由于沿江发展战略和上海经济的辐射带动作用, 大面积耕地被开发为建设用地^[45]。耕地流向建设用地的面积达到7866.30km², 占耕地变化量的91.61%, 对建设用地增加的贡献率达到96.48%(图 5)。耕地景观受到强烈干扰, 面积大幅降低, 景观梯度值在50—100区间的耕地面积减少量达到13939.27km², 占流域面积比重由68.69%缩减到30.84%(图 3); 耕地单位面积最大缩减量达到0.95km²(图 4)。相反上海市等原有大城市中心的建设用地面积增量相对较小, 这与地区原有城市化水平密切相关。西部和西南部丘陵地区, 地势相对较高, 致使建设用地增加量与耕地减少量低于流域其他地区。

2000年建设用地景观主要集中在以上海市为中心的地带以及苏州市、无锡市、常州市与南部杭州市附近, 且占地面积较小(图 3), 景观梯度值在50—100区间的建设用地仅占流域面积的3.02%。除以上建设用地景观相对密集区以及西南部林地景观, 其他地区为耕地景观密集区(图 3), 景观梯度值在50—100区间的耕地面积达到25298.06km², 占整个流域总面积的68.69%。2010年建设用地景观有明显地空间扩展趋势, 原有建设用地集聚区域规模扩大, 尤其是上海市附近地区, 建设用地景观梯度显著提高; 同时昆山市、常熟市及江阴市地区的建设用地面积也进一步增加(图 3)。景观梯度值在50—100区间的建设用地达到流域总面积的12%。2000—2010年间, 建设用地单位面积最大变化量达到0.33—1km², 但是由于其市中心位置城市化水平已经达到相对较高水平, 导致市中心的增加量较小; 流域东南部也呈现出不同程度的建设用地扩展趋势; 而在中部太湖湖区以及西部与南部林区的面积增加较少(图 4)。10年间建设用地面积增加量为3990.78km², 其主要来源是耕地, 流域内17.92%的耕地转变为建设用地, 占耕地变化量的85.92%, 为建设用地变化量的97.58%(图 5)。耕地单位面积最大减少量达到0.30—1km²(图 4), 尤其是流域北部, 景观梯度降低更为明显。流域西南部则为耕地增加区, 单位面积的最大增量达到了0.62km², 这是由于21世纪以来, 人口数量激增, 对土地的需求量剧增, 导致部分林地被开垦为耕地。2015年高建设用地景观梯度区进一步向四周扩展, 同时流域内部也零星出现建设用地高度集聚区(图 3)。2010—2015年间, 沿着沪宁线的城市带交通系统日渐发达, 经济突飞猛进, 城市化水平提高, 导致城镇周边以及交通沿线等成为太湖流域景观变化的热点区域, 大面积耕地被占用开垦为建设用地, 尤其是流域西北部的城市周边地区, 耕地缩减最为显著, 单位面积减少量达到0.31—0.69km²(图 4), 流域内27.21%的耕地转变为建设用地, 占耕地变化量的94.51%(图 5)。建设用地单位面积增加量更是达到了0.34—0.87km²(图 4), 其主要来源仍是耕地, 占建设用地变化量的93.84%(图 5)。流域部分地区出现耕地面积扩展趋势, 其中水域转化为耕地的面积达243.70km², 占水域变化量的51.07%, 这与《全国土地利用总体规划纲要(2006—2020年)》^[45]的出台密切相关, 纲要明确指出, 苏浙沪区在规划期内要控制建设用地总量, 适度降低人均城镇工矿用地面积, 提高集约用地水平, 严格保护水田等优质耕地。

3.2 Logistic驱动机制分析

利用SPSS软件对太湖流域2000—2010年、2010—2015年两个时间段内的建设用地转入与耕地转出变化进行Logistic回归建模分析, 并对模型拟合优度进行ROC检验, 结果均达到0.8以上, 可见所确定的驱动因子能较好的解释景观变化。

由表 2中Wald统计量可知, 第一阶段建设用地转入重要的解释变量依次为总人口变化率、距铁路距离、GDP变化率、距县市距离; 第二阶段较为重要的解释变量为总人口变化率、距高速距离、距县市距离、距河流距离及高程和坡度。总人口变化率在整个研究时段内的回归系数为正值, 可见随着城市化进程的推进, 大量人口涌入城镇, 给城市带来巨大的承载压力, 导致基础设施等建设用地面积不断增加。两个阶段中距铁路、高速距离的回归系数为负值, 说明建设用地的扩展概率随着距铁路、高速公路等交通要道距离的增大而减小, 交通要道带来的便捷运输条件成为经济增长的重要带动因素, 区域经济增长导致建设用地面积扩增。两个时间段内距县市距离的回归系数由负值变为正值, 可见2000—2010年间受城市辐射带动作用的影响, 距离各县市中心的距离越近, 建设用地扩张概率越大; 而2010—2015年间各县市中心的周边区域早已开发为建设用地, 此时建设用地的增加趋势由第一阶段的以县市为中心的内向填充式扩展, 转变成以县市中心区为圆心的外扩式增加。自然因素中, 高程与坡度的回归系数为负值, 表明随着高程坡度的增加, 其他景观类型转为建设用地的概率将会减少。

由表 3可知, 两个阶段中距铁路、高速、县道距离的回归系数都为负值, 且都是较为重要的解释变量, 表明重要交通要道周边的居民点、乡镇等建设用地的增加导致耕地大量减少。第一阶段中GDP变化率为正值, 可见区域经济快速增长区的耕地面积被大量占用; 此阶段中DEM高程的回归系数为负值, 耕地转出的发生比率随高程增大而减少, 表明地势低平区的耕地更有可能转变为其他景观类型; 然而第二阶段中DEM高程的回归系数变为正值, 同时耕地转出与距河流距离也呈正相关, 这主要受《全国土地利用总体规划纲要(2006—2020年)》的影响, 纲要规定苏浙沪区在规划期内要控制建设用地总量, 提高集约用地水平, 严格保护水田等优质耕地^[45], 因此, 地势平坦、水网密集区的优质水田得到一定保护, 而海拔较高地区及距河流一定距离区域, 受工业化与城市化的影响, 耕地景观的缩减更为显著。第二阶段距县市距离的回归系数为正值, 表明前期建设用地以县市为中心的内向填充式扩展已占用了大部分耕地, 此阶段以县市中心区为圆心的外扩式增加, 使距离县市较远区域的耕地转出机率增大。

3.3 不同模拟情境下两种景观类型时空演变分析

对于3种不同情境下的模拟, 在参考了相关修改Markov转移概率矩阵的研究成果^[45-46]下进行。自然发展情景按照太湖流域2000—2010年的景观变化趋势发展, 假设2010—2030年间各景观类型变化不受较大程度政策干扰, 将2000—2010年景观类型面积转移矩阵作为Markov模型概率转移矩阵元素; 生态保护情景以保护生态环境为原则发展, 太湖流域作为生态环境建设示范区, 应加强对林地、草地和水体等生态用地的保护, 将耕地向建设用地转移概率减少25%, 减少的25%加到耕地转草地之上, 草地、林地、水体向建设用地转移概率均降低90%;耕地保护情景参考《全国土地利用总体规划纲要》发展, 严格控制建设用地占用耕地, 将耕地向建设用地转移概率减少50%, 耕地向水体转移概率降低25%。通过以上转移概率矩阵修改, 得到2030年不同模拟情境下的建设用地与耕地景观梯度空间分布图(图 6)。

3种不同模拟预测情景下, 建设用地与耕地景观时空演变存在着显著差异。自然发展情境下2030年景观梯度值在5—20区间的建设用地面积明显小于生态保护情景与耕地保护情景, 仅占研究区面积的18.62%;景观梯度值在50—100区间的建设用地面积达到了12713.85km², 占研究区的面积比重达到34.52%, 其他情景下高景观梯度值区间的建设用地面积相对较少。自然发展情景下耕地减少量最大, 达到3366.62km², 且在流域东南与西部地区流失较多; 建设用地增加量最大, 达到2942.06km², 其扩增主要在西部与西南部的句容市、金坛市、溧阳市、高淳县、安吉县与临安县等发展潜力较大的地区。

生态保护情景下2030年建设用地的增加幅度明显降低, 仅以0.62%的速度增加了1102.78km²; 耕地仍保持大幅度降低, 但是高景观梯度值区间的耕地面积略高于自然发展情景下的耕地面积, 两者差异不大。草地面积猛增; 林地变化趋势与其他两种情景相反, 呈增加趋势; 水域在此情景下的面积增幅最大。

耕地保护情景下, 建设用地仅以0.18%的速度增加了315.82km², 景观梯度值在50—100区间的面积比重仅有18.59%。耕地景观梯度值相对较高, 在50—100高景观梯度值区间的面积为16022.37km², 占整个流域的面积比重高达43.51%;耕地景观梯度值在0—5区间内的区域, 为耕地最小面积分布区, 仅占流域面积的1.83%。耕地仅以0.28%的速度减少了637.55km², 尤其是常州市、无锡市、苏州市与昆山市城镇周边与沪宁线沿线地区的耕地得到了有力保护。

通过不同情景模拟预测, 可见采取相应的耕地保护措施, 切实控制建设用地占用耕地, 能够有效减少耕地流失; 同时加强生态环境建设, 能够较好地保持生态用地数量, 更好地提供生态服务功能。未来太湖流域应提高集约用地水平, 严格保护优质耕地, 控制建设用地增量, 做好规划调整, 切实加强生态环境保护, 更好地协调经济发展与生态建设。

4 结论与讨论

以2000、2010、2015年3期土地利用数据为数据源, 借助格网化技术、景观梯度、Logistic回归模型及CLUE-S模型, 对太湖流域2000—2015年间及2030年不同模拟预测情景下的建设用地与耕地景观时空演变特征及驱动机制进行了分析, 得到以下结论及讨论：

(1) 2000—2015年间, 流域内建设用地景观面积增加与耕地景观面积缩减趋势明显。沪宁线沿途地区的城市周边及交通线两侧, 尤其是苏州市、无锡市、常州市以及上海市周边地区, 由于沿江发展战略和上海经济的辐射带动作用, 大面积耕地被开发为建设用地。建设用地单位面积最大增量达到0.92km², 高景观梯度值在50—100区间的建设用地面积比重由3.02%猛增到31.27%;而景观梯度值在50—100区间的耕地面积比重由68.69%缩减到30.84%, 耕地单位面积最大减少量达到0.95km²; 其中耕地流向建设用地的面积达到7866.30km², 占耕地变化量的91.61%, 对建设用地增加的贡献率达到96.48%。近15年来, 原有大城市中心以及西部和西南部丘陵地区, 动态变化幅度相对较小。

(2) 建设用地转入与耕地转出在不同阶段的驱动因素具有一定差异性, 其变化受自然环境与社会经济因素的交叉影响, 后者影响相对更为显著。两个阶段中总人口变化率及距铁路、高速等交通要道的距离都是建设用地转入的重要驱动因子; 但是与距县市距离的相关性, 随建设用地扩展模式的转变由负相关变为正相关。两个阶段中耕地转入受距铁路、高速距离等驱动因素的影响较大, 与DEM高程的回归系数由负值变为正值。

(3) 基于CLUE-S模型的3种预测情景下, 2030年建设用地与耕地景观时空演变存在着显著差异。自然发展情景下, 高景观梯度值区间的建设用地面积最大, 耕地转出量与建设用地转入量最大; 生态保护情景下, 建设用地增幅明显降低, 但耕地仍保持大幅缩减, 多转为生态用地, 导致草地面积猛增; 耕地保护情景下, 建设用地占用耕地的情况得到有效改善, 高景观梯度值区间的耕地面积达到整个流域的43.51%, 耕地仅以0.28%的速度减少了637.55km²。

(4) 从格网角度进行景观时空演变分析, 弥补了以流域平均值来表达整个流域景观分布的不足, 但是不同格网大小下分析结果的差异性有待进一步探讨。由于数据获取的限制性, 驱动因子指标体系的精度与全面性尚需提高与完善, 如何综合政策实施、价值观念及其他动态驱动因子构建驱动力动态变化模型是进一步研究的重点。参考太湖流域面积, CLUE-S模拟尺度设置为300m×300m, 通过ROC值检验, 模拟效果较好。模拟尺度的不同, 导致结果精度存在差异, 尺度越小数据量越大, 往往产生运算时间过长、数据报错的影响; 尺度过大则会使驱动因子影响降低, 导致精度下降, 如何选择适宜模拟尺度有待深入研究。