北京市昌平区位于北京市西北太行山与燕山山脉的交汇处, 介于东经115° 50'17″— 116° 29'49″、 北纬40° 2'18″— 40° 23'13″之间, 设有8个街道、 4个地区、 10个镇(如图1)。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区域Fig.1 Study area

昌平区生态环境质量良好, 以山区为主, 有蟒山、 大杨山2个国家级森林公园和长达百里的山前暖带, 林木覆盖率约60%, 空气质量优良率达到 82%。

本工作所用到的数据(表1)为土地利用数据和驱动力因子数据两个部分(如图3)。 表1中包括了2010年, 2015年, 2020年3期的资源三号卫星多光谱MS300数据。

表1

Table 1

表1(Table 1)

表1 数据来源 Table 1 Data sources 数据类型 数据内容 数据来源及处理 土地利用数据 2010、2015、2020三期土地利用遥感数据 资源环境科学与数据中心DJI PHANTOM4蛇形航线 驱动力数据 地形 地貌 DEM数据 坡度数据 坡向数据 资源环境科学与数据中心 交通 条件 距国道省道距离 距高速公路距离 距一级道路距离 距水域距离 距铁路距离 Open street map

表1 数据来源 Table 1 Data sources

图2为DJI PHANTOM4 系列无人机采用蛇形航线法对于昌平区部分区域, 尤其公园、 水域等利用多光谱技术无法获得完整的数据进行航拍补测, 这种无人机与多光谱技术联合获取数据的方法有效弥补了部分区域由于天气、 自然条件差、 数据分辨率低等因素导致的拼接困难引起的信息缺失问题。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 无人机蛇形航线法采集公园信息Fig.2 The park information collected by the (UAV) using the snake-shaped flight path method

驱动力数据主要为地形地貌和交通条件两个方面, 从地形地貌中选取了DEM、 坡度、 坡向数据; 从交通条件中选取了至国道省道距离, 至高速公路距离, 至一级道路距离, 至水域距离, 至铁路距离, 共8个驱动力因子。 将上述的所有数据统一到WGS1984坐标系中, 空间分辨率30 m进行重采样, 对驱动力数据作归一化处理。

为对所涉及的驱动力因子进行影响力大小排序, 采用Python对图3的驱动力因子数据进行多重共线性检验, 制作热力图, 如图4所示。 多重共线性VIF< 5, 通常认为多重共线性较弱; 5≤ VIF< 10, 可能存在一定程度的多重共线性; VIF≥ 10, 表明多重共线性较强。 结果表明, 所有数据的多重共线性均小于5, 多重共线性较弱。 因此, 文中筛选的8个影响因子可以作为土地利用驱动力因子数据进一步进行研究分析。

图3

Fig.3

Figure Option ViewDownloadNew Window

图3 驱动力因子 (a): 高程; (b): 坡度; (c): 坡向; (d): 距高速公路距离; (e): 距国道省道距离; (f): 距水域距离; (g): 距铁路距离; (h): 距一级道路距离; (i): 2010土地利用分类; (j): 2015土地利用分类; (k): 2020土地利用分类Fig.3 Driving force factor (a): Elevation; (b): Slope; (c): Aspect; (d): Distance from the expressway; (e): Distance from national and provincial highways; (f): Distance from the water body; (g): Distance from the railway; (h): Distance from the main road; (i): 2010 land use classification; (j): 2015 land use classification; (k): 2020 land use classification

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 多重共线性检验热力图Fig.4 multicollinearity test heatmap

土地利用动态度: 土地利用动态度是研究土地利用变化的一种模式, 反映土地利用的变化程度及变化趋势, 其公式如式(1)所示, 对研究区2010年— 2020年土地利用进行研究, 结果如表2所示。

k=Ub-UaUa×1t×100%(1)

式(1)中, K为单一土地利用动态度; U_a为初始年的土地利用类型的面积数量; U_b为最后一年的土地利用类型的面积数量; t为第一年到研究时间范围内最后一年的相隔年数。

表2

Table 2

表2(Table 2)

表2 土地利用变化动态度 Table 2 Dynamic degree of land use change 年份 耕地 林地 草地 水域 建设用地 2010— 2015 -2.79% -0.16% -3.31% 0.72% 1.95% 2015— 2020 2.40% 1.61% 61.19% 28.50% -4.76% 2010— 2020 -0.36% 0.72% 23.88% 15.12% -1.64%

表2 土地利用变化动态度 Table 2 Dynamic degree of land use change

上述公式表明, K值其实是一种初始土地利用年份与最终土地利用年份的比值, 越接近于“ 零” 说明变化度越小。 通过对2010年— 2015年, 2015年— 2020年, 2010年— 2020年三个时间段土地利用变化动态度的计算分析, 得到如下结果; 2010年— 2015年时间段中, 水域的变化程度最小, 草地的变化程度最大; 2015年— 2020年时间段中, 林地的变化程度最小, 草地的变化程度最大; 2010年— 2020年时间段中, 耕地的变化程度最小, 草地的变化程度最大。 由此可见, 草地在这近10年的土地利用变化中变化程度很大, 这可能与政府“ 绿色空间” 政策有关。

土地利用转移矩阵: 土地利用转移矩阵可以表明不同时期土地利用类型之间的转化情况, 还可以揭示土地利用类型间的转移速率。 其公式为式(2): 对研究区2010年— 2020年土地利用进行研究, 结果如表3所示。

S=Sij=S11…S1n︙⋱︙Sn1…Snm(2)

式(2)S_ij中为i类土地转换成j类土地的面积, n为土地利用类型的数量。

表3

Table 3

表3(Table 3)

表3 昌平区2010年— 2020年土地利用转移矩阵(km2) Table 3 Land use transfer matrix of Changping district from 2010 to 2020 (km2) 年份 土地类型 2020年 耕地 林地 草地 水域 建设用地 总计 2010年 耕地 155.3 42.92 6.29 4.45 41.93 8.63 林地 5.8 633.56 1.14 0.40 7.06 250.89 草地 0.08 0.40 6.38 0.03 1.73 426.17 水域 0.21 0.64 0.48 5.97 0.61 647.97 建设用地 80.12 17.95 14.99 8.62 304.50 7.91 总计 241.52 695.46 29.28 19.48 355.83 1 341.57

表3 昌平区2010年— 2020年土地利用转移矩阵(km2) Table 3 Land use transfer matrix of Changping district from 2010 to 2020 (km2)

数据结果(表3)表明, 从2010年— 2020年间, 昌平区有155.3 km²仍为耕地, 向建设用地转化面积最大, 达到了41.93 km², 向水域转化最少, 转化了4.45 km²; 有633.56 km²仍为林地, 向建设用地转化面积最大, 达到了7.06 km², 向水域转化面积最小, 转化了0.4 km²; 有6.38 km²仍为草地, 向建设用地转化面积最大, 达到了1.73 km², 向水域转化面积最小, 转化了0.03 km²; 有5.97 km²仍为水域, 向林地转化面积最大, 达到了0.64 km², 向耕地转化面积最小, 转化了0.21 km²; 有304.5仍为建设用地, 向耕地转化面积最大, 达到了80.12 km², 向水域转化面积最小, 转化了8.62 km²。

总体来说, 2010年— 2020年这一时间的水域, 林地变化不大, 转化的面积相对较小。 建设用地与耕地、 草地变化相对较大, 主要是向耕地与林地进行了转化。

FLUS模型是众多预测模型中的一种, 相比较于传统的CA模型, 其误差相对较小。 FLUS主要采用了人工神经网络算法(ANN), 从土地利用数据、 人为活动、 多种驱动力样本中获取到一定时间内的各类用地适宜性概率。 另外, FLUS模型在CA模拟中提出了自适应惯性竞争机制, 该机制与传统CA模型相比较来说, 消除了人为活动中的不确定性, 从而提高了数据的精度。

2.3.1 基于ANN神经网络的适宜性概率计算

基本模型图(如图5)所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 ANN神经网络模型Fig.5 ANN neural network model

(1)输入层

输入层主要是由一期的土地利用及驱动力因子数据构成, 这些数据与图中的神经元相对应, 公式为

X=[x1, x2, …, xn]T(3)

式(3)中, x₁, x₂, …, x_n表示输入了n个因子, T表示转置矩阵。

(2)隐藏层

隐藏层的主要作用是接收输入层的神经元, 结合了土地利用和驱动力因子数据。 其公式为

netj(p, t)=∑iWi, j×xi(p, t)(4)

式(4)中, W_{i, j}为信号, x_i(p, t) 为t时间内第i个神经元在像元p上接到的信号。

(3)输出层

隐藏层收到信息后, 会以一种激励函数的方式传到输出层。 输出结果会和之前输入层的土地利用类型相对应, 从而得到适宜性概率。 其公式为

sp(s, k, t)=∑jWj, k×Sgimoid[netj(p, t)](5)

Sgimoid[netj(p, t)]=1e-netj(p, t)(6)

式中, W_{j, k}为两层间的权重, Sgimoid[net_j(p, t)]为激励函数, sp(s, k, t)表示t时间内, 土地利用k在空间像元p上转化的适应性概率。

2.3.2 自适应惯性竞争机制

该机制主要用于模拟各类土地的竞争问题, 其核心的表达式为

intertiakt=intertiakt-1|Dkt-2|≪|Dkt-1|intertiakt-1×Dkt-2Dkt-10Dkt-2Dkt-1intertiakt-1×Dkt-1Dkt-2Dkt-1Dkt-20(7)

式(7)中: Dkt-2, Dkt-1为在t-2与t-1时刻k种土地的需求量与栅格量的差值。 在计算出了不同的转移概率后, 采用CA模型进行迭代, 确定了各个土地利用类型的栅格数量。 栅格p在t时刻的用地类型概率TPro bp, kt可表示为

TProbp, kt=sp(s, k, t)×Ωp, kt×intertiakt×(1-SCc→k)(8)

式(8)中, SC_{c→ k}为土地类型c转为k土地类型的成本, 1-SC_{c→ k}表示发生转化过程的程度, Ωp, kt为邻域作用。

2.3.3 FLUS模型实验

2.3.3.1 基于ANN神经网络的适宜性概率计算设置

在ANN神经网络训练的模块中导入2015年北京市昌平区的土地利用数据。 并且设置土地利用类型, 加载本次模拟所用到的8个驱动力因子的数据。 其中采样设定如下: 参考相关文献阅读及指导手册, 确定采样参数为20, 即采样点她占研究区域有效总像元数的20‰ ; 由于昌平区的土地利用的类型较少, 所以采用随机采样的方式; 根据专家的经验, 将神经网络隐藏层数量设置为12。 运行模型, 得到昌平区各类用地适宜性概率图(如图6)。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 昌平区2015年土地利用适宜性转化概率 (a): 耕地; (b): 林地; (c): 草地; (d): 水域; (e): 建设用地Fig.6 Probability of land use suitability transformation in Changping district in 2015 (a): Plowland; (b): Forest; (c): Meadow; (d): Water area; (e): Construction land

经过神经网络模拟训练, 均方根误差(RMSE)为0.197 6, 小于0.5, 符合训练的精度要求。

2.3.3.2 成本转移矩阵的设置

土地利用成本转移矩阵主要是设置不同地物的转移规则。 “ 1” 代表某种土地利用类型可以向其他用地类型转化, “ 0” 则代表不可以。 参阅指导手册及文献, 其自然情景下土地利用成本转移矩阵如表4所示。

表4

Table 4

表4(Table 4)

表4 成本转移矩阵 Table 4 Cost transfer matrix 土地利用类型 耕地 林地 草地 水域 建设用地 耕地 1 1 1 1 1 林地 1 1 1 1 1 草地 1 1 1 1 1 水域 1 1 0 1 1 建设用地 0 0 0 0 1

表4 成本转移矩阵 Table 4 Cost transfer matrix

2.3.3.3 土地利用类型邻域权重参数

土地利用类型邻域参数及权重参数主要反映了不同地类的扩展强度, 取值范围为“ 0-1” , 越趋近“ 1” 则说明该地类扩张能力越强, 反之则越弱。 通过对模型的调试选择合适的参数, 表5为调试的土地利用类型邻域参数及权重参数。

表5

Table 5

表5(Table 5)

表5 土地利用类型邻域因子 Table 5 Neighborhood factors of land use types 耕地 林地 草地 水域 建设用地 权重 0.2 0.3 0.3 0.4 1

表5 土地利用类型邻域因子 Table 5 Neighborhood factors of land use types

2.3.3.4 土地利用模拟结果与精度检验

利用上述得到的结果对2015年昌平区进行模拟, 得到了2020年模拟土地利用效果图, 与2020年实际土地利用对比(图6), 利用Kappa系数进行精度验证。

Kappa系数的取值通常位于“ 0-1” 之间。 越趋近于“ 1” 则说明模拟精度越高, 反之越低。 通常来说0.75是高精度的阈值。 0.4则是数据模拟较差的阈值。 利用软件中的Kappa系数进行精度检验, 采样率设置为10%, 结果显示Kappa系数为0.864 8, 大于0.75, 总体精度OA为0.904 1。 模拟的精准度比较高, 可以解释出土地利用的变化具备一定规律。

结果表明, 模拟的数据对比真实的数据存在着略微的差异, 建设用地与草地面积略微减少, 耕地面积略微增多, 这些可能与参数上的设置有关, 不同的发展情景模拟的情况不同。 具虽然只存在些许差异, 具体变化还要与当年该区域的政策相关联, 进行综合分析。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 2020年模拟与实际土地利用对比 (a): 2020模拟土地利用; (b): 2020实际土地利用Fig.7 Comparison of simulated and actual land use in 2020 (a): Simulation; (b): Actual use

2.3.3.5 昌平区2035年土地利用模拟

确保精度的同时进行了马尔可夫链的预测, 进而得到了昌平区2035年的土地利用情况(如图8所示)。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 自然情景下昌平区2035年土地利用模拟图Fig.8 Land use simulation map of Changping district in 2035 under natural scenarios

图8中显示, 草地, 耕地面积相较于2020年有明显减少, 林地的变化不大, 水域的发展平稳, 面积持续增加, 建设用地面积大幅增加。 这与2010年— 2020年土地利用的发展趋势相悖。

2.3.3.6 不同情景模拟

由于昌平区的土地利用变化情况过于复杂, 各种用地类型变化程度比较不稳定, 上述自然发展情景对比实际发展有很大差距。 基于昌平区的发展特点以及相关政策导向, 设置了绿色低碳, 耕地保护, 生态保护三种不同情景进行模拟, 与上述自然发展的方案进行对比, 合理优化空间布局。 表6为不同情景下的成本矩阵设置。

表6

Table 6

表6(Table 6)

表6 不同情景下的成本矩阵设置 Table 6 Cost matrix settings in different scenarios 情景设置 绿色低碳情景 耕地保护情景 生态保护情景 耕地 林地 草地 水域 建设用地 耕地 林地 草地 水域 建设用地 耕地 林地 草地 水域 建设用地 耕地 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 林地 0 1 0 0 0 1 1 1 1 1 0 1 0 0 0 草地 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 水域 0 1 0 1 0 1 1 1 1 1 0 0 0 1 0 建设用地 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1

表6 不同情景下的成本矩阵设置 Table 6 Cost matrix settings in different scenarios

邻域权重是基于自然发展情景下进行设置的, 绿色低碳, 耕地保护, 生态保护这3种情景在不同的土地利用类型的权重上有所增加或减少一定的数值, 如表7所示。

表7

Table 7

表7(Table 7)

表7 不同情景的领域权重设置 Table 7 Domain weight settings for different scenarios 耕地 林地 草地 水域 建设用地 绿色低碳情景 0.2 0.8 0.5 0.7 1 耕地保护情景 0.8 0.3 0.3 0.4 0.8 生态保护情景 0.2 0.7 0.4 0.7 0.8

表7 不同情景的领域权重设置 Table 7 Domain weight settings for different scenarios

通过以上领域权重对昌平区进行模拟, 得到以下结果(如图9所示)。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 不同情景下2035年昌平区土地利用变化图 (a): 耕地保护情景; (b): 绿色低碳情景; (c): 生态保护情景; (d): 自然发展情景Fig.9 Land use change map of Changping district in 2035 under different scenarios (a): Farmland protection; (b): Green and low-carbon; (c): Ecological protection; (d): Natural development

进一步计算出不同情景下2035年昌平区土地利用变化情况, 通过表格进行展示, 如表8所示。

表8

Table 8

表8(Table 8)

表8 不同情景下2035年昌平区土地利用变化情况 Table 8 Land use changes in Changping district in 2035 under different scenarios 土地利用类型 自然发展情景 生态保护情景 2020面积 /km2 2035面积 /km2 2020— 2035 面积变化 /km2 2020— 2035 土地利用变化度 /% 2020面积 /km2 2035面积 /km2 2020— 2035 面积变化 /km2 2020— 2035 土地利用变化度 /% 耕地 241.59 209.84 -31.75 -0.88 241.59 209.43 -32.16 -0.89 林地 696 671.07 -24.93 -0.24 696 700.81 4.81 0.05 草地 29.27 7.72 -21.55 -4.91 29.27 7.84 -21.43 -4.88 水域 19.52 22.73 3.21 1.10 19.52 21.77 2.25 0.77 建设用地 356.03 431.1 75.07 1.41 356.03 402.61 46.58 0.87 土地利用类型 耕地保护情景 绿色低碳情景 2020面积 /km2 2035面积 /km2 2020— 2035 面积变化 /km2 2020— 2035 土地利用变化度 /% 2020面积 /km2 2035面积 /km2 2020— 2035 面积变化 /km2 2020— 2035 土地利用变化度 /% 耕地 241.59 243.17 1.58 0.04 241.59 210.38 -31.21 -0.86 林地 696 670.23 -25.77 -0.25 696 700.26 4.26 0.04 草地 29.27 7.97 -21.3 -4.85 29.27 24.62 -4.65 -1.06 水域 19.52 20.62 1.1 0.38 19.52 23.77 4.25 1.45 建设用地 356.03 400.61 44.58 0.83 356.03 383.57 27.54 0.52

表8 不同情景下2035年昌平区土地利用变化情况 Table 8 Land use changes in Changping district in 2035 under different scenarios

结合上述图表来看, 自然发展情景下, 草地动态变化度最大, 草地被其他土地利用严重侵蚀。 林地动态变化度最小, 发展平稳。 生态保护情景下, 草地的动态变化度最大, 其他土地利用变化程度都较为平稳, 林地的变化程度最低。 耕地保护情景下, 草地的动态变化度最大, 其他用地类型变化平稳。 绿色低碳情景下, 水域变化程度最大, 林地的变化程度最小。

为了探究草地的空间变化, 制作了四种情景下的土地利用转移空间分布图(如图10), 其中耕地保护情景, 生态保护情景, 自然发展情景的草地变化明显, 主要向建设用地进行转移, 分布于阳坊镇西部以及北部, 沙河地区东南方向。 绿色低碳情景下的草地变化程度小, 体现在沙河地区的细微草地向水域转化。

总的来说, 2020年— 2035年绿色低碳情景下的昌平区土地利用变化趋势与2010年— 2020年土地利用变化情况接近, 这也与昌平区国土规划政策中积极推进城乡建设用地的“ 减量发展” 相符合。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 不同情景下的土地利用转移空间分布图 (a): 耕地保护情景; (b): 绿色低碳情景; (c): 生态保护情景; (d): 自然发展情景Fig.10 Spatial distribution of land use transfer under different scenarios (a): Farmland protection; (b): Green and low-carbon; (c): Ecological protection; (d): Natural development