基于Markov-CLUES耦合模型的杭州灣濕地多情景模擬研究

劉甲紅，胡潭高*，潘驍駿，張登榮，張路，李瑤

1. 杭州師范大學(xué)遙感與地球科學(xué)研究院/浙江省城市濕地與區(qū)域變化研究重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311121；2. 浙江省第二測繪院，浙江 杭州 310012

杭州灣濕地是中國濱海濕地的南北過渡帶（吳統(tǒng)貴等，2011），也是中國重要濕地及重點(diǎn)濕地監(jiān)測對象。近年來，政府大力推動杭州灣的發(fā)展及杭州灣新區(qū)的建立，大量人口涌入，社會經(jīng)濟(jì)發(fā)展迅速，城市化進(jìn)程日益加快。劇烈的人類活動與高強(qiáng)度的建設(shè)開發(fā)，導(dǎo)致淤泥質(zhì)海灘的圍墾過度，濱海濕地喪失退化，動植物生境受到破壞，濕地功能退化，生態(tài)自然演替過程受到影響（Sun，2016；蔣科毅等，2013）。對杭州灣濕地未來發(fā)展趨勢的模擬預(yù)測，可為資源合理開發(fā)、政府政策規(guī)劃等提供科學(xué)依據(jù)。

遙感與GIS技術(shù)在濕地動態(tài)變化監(jiān)測以及演變趨勢研究中得到廣泛應(yīng)用（Jin et al.，2017；Luo et al.，2016；Chen et al.，2014）。其中，Landsat系列遙感影像作為監(jiān)測長期變化的理想數(shù)據(jù)，在長時(shí)序動態(tài)變化研究中廣泛使用（Vogelmann et al.，2006；Chander et al.，2009；Coulter et al.，2016；Son et al.，2017）。Lu et al.（2017）利用 Landsat時(shí)間序列數(shù)據(jù)評估城市植被覆蓋度。Halabisky et al.（2016）利用Landsat時(shí)間系列衛(wèi)星影像重建半干旱濕地地表水并監(jiān)測其長時(shí)間上的濕地水文變化。Han et al.（2015）基于Landsat衛(wèi)星觀測潘陽湖冬季近40年的濕地變化。

土地利用變化及效應(yīng)模型（Conversion of Land Use and its Effects at Small Region Extent，CLUES）因其具有自然驅(qū)動因子與人文驅(qū)動因子的綜合、多時(shí)空尺度以及多情景模擬的特點(diǎn)，能將模擬結(jié)果精確直觀地反映到空間位置，可以有效地探索未來濕地時(shí)空演變規(guī)律，因此受到了國內(nèi)外學(xué)者的廣泛關(guān)注并對其進(jìn)行了大量研究。P.H. Verburg團(tuán)隊(duì)對其進(jìn)行了大量的研究，在空間尺度方面，用于對國家級大尺度的研究和錫布延島等小區(qū)域尺度的研究；在應(yīng)用方面，用于對糧食產(chǎn)量及農(nóng)業(yè)密度強(qiáng)度的預(yù)測，用于由于邊緣效應(yīng)導(dǎo)致的土地類型的不穩(wěn)定性的預(yù)測，用于預(yù)測生態(tài)系統(tǒng)的服務(wù)和需求；在模擬精度方面，與Capri-Spat、CRAFTY和多智能體等模型多個(gè)模型結(jié)合以提高模擬精度（Verburg et al.，2004；Verburg et al.，2008；Verburg et al.，2009；Britz et al.，2011）。Markov在數(shù)量預(yù)測方面具有優(yōu)勢，可為CLUES模型所需要的未來濕地需求量提供基礎(chǔ)數(shù)據(jù)。而CLUES模型中的空間模塊彌補(bǔ)了Markov模型缺乏空間模擬能力的不足。Markov-CLUES模型綜合了Markov模型定量化預(yù)測的優(yōu)勢和CLUES模型模擬復(fù)雜空間動態(tài)變化的能力，不僅提高土地利用變化的預(yù)測精度，又較好地模擬土地利用格局的空間變化，提高了模擬的科學(xué)性。因此，本文將Markov數(shù)量預(yù)測模型與CLUES空間預(yù)測模型相結(jié)合，模擬多情景下杭州灣濱海濕地未來空間格局分布及濕地演變趨勢。

基于Landsat遙感影像數(shù)據(jù)及GIS技術(shù)手段，構(gòu)建Markov-CLUES耦合模型，通過對未來10年杭州灣濱海濕地多情景模擬研究，預(yù)測其未來發(fā)展趨勢，并提出濕地未來發(fā)展的保護(hù)對策與建議，為資源合理開發(fā)、防止?jié)竦毓δ芡嘶峁┛茖W(xué)依據(jù)，對濕地的管理、保護(hù)和可持續(xù)發(fā)展具有重要意義。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

杭州灣濕地位于中國浙江省東北部——錢塘江匯入東海的入海喇叭口區(qū)域，是中國典型性濱海濕地。本文選取杭州灣南岸弧形區(qū)域濕地作為研究區(qū)域，地理坐標(biāo)中心經(jīng)緯度分別為 121.55°E、30.31°N。研究區(qū)由海域、海岸帶區(qū)域、內(nèi)陸區(qū)域3部分組成，總面積為377487.36 hm2（圖1）。

1.2 數(shù)據(jù)

1.2.1 遙感影像數(shù)據(jù)

（1）Landsat系列數(shù)據(jù)

遙感衛(wèi)星可提供空間連續(xù)且高度反映地球表面現(xiàn)象的數(shù)據(jù)，特別是衛(wèi)星影像，可以在較大空間尺度上獲得濕地信息，因此遙感與GIS技術(shù)在監(jiān)測濕地動態(tài)變化以及演變趨勢中得到廣泛應(yīng)用。其中，Landsat數(shù)據(jù)作為監(jiān)測長期變化的理想數(shù)據(jù)，在長時(shí)序動態(tài)變化研究中廣泛使用。

圖1 研究區(qū)概況Fig. 1 The overview of the study areaSea, Beach, River, Lake, Canal, Farm pond, Fish pond, Cropland, Non-wetland分別對應(yīng)于淺海水域、淤泥質(zhì)海灘、永久性河流、永久性淡水湖、運(yùn)河、農(nóng)用池塘、海水養(yǎng)殖場、稻田、非濕地（下同）

實(shí)驗(yàn)收集了從1986—2016年的Landsat TM系列遙感影像，通過對影像的初步對比分析，及根據(jù)杭州灣實(shí)際情況，確定間隔5年的時(shí)間尺度研究；在影像選取時(shí)，充分考慮了植被的生長狀況，選取夏季植被覆蓋度較高并盡量選取同一植被生長期的遙感影像，同時(shí)考慮到 Landsat數(shù)據(jù)存在云量覆蓋以及數(shù)據(jù)缺失問題（Kontgis et al.，2015；Hilker et al.，2009），選取研究區(qū)域天氣晴朗時(shí)期無云高質(zhì)量影像，若該時(shí)期數(shù)據(jù)缺失則選用前后時(shí)期的高質(zhì)量影像。綜合上述問題，本文選取了以下 3景Landsat TM影像，各參數(shù)如表1所示。

表1 遙感影像時(shí)相及參數(shù)Table 1 General information of each remote sensing data

（2）數(shù)據(jù)預(yù)處理

在數(shù)據(jù)使用之前，首先對遙感影像的云量及清晰度進(jìn)行數(shù)據(jù)質(zhì)量的檢查，確定影像是否可用；對影像進(jìn)行標(biāo)準(zhǔn)化處理，采用幾何校正法對3期影像進(jìn)行配準(zhǔn)；根據(jù)研究區(qū)大小對影像進(jìn)行裁剪處理。最終數(shù)據(jù)如圖2所示。

1.2.2 野外調(diào)查數(shù)據(jù)

在對遙感影像解譯前，對杭州灣進(jìn)行野外實(shí)地考察，了解各種濕地類型的特征及分布規(guī)律，根據(jù)遙感影像的成像原理，對各種地物類型建立了杭州灣濕地遙感解譯標(biāo)志系統(tǒng)，如圖1所示。

在獲取2016年實(shí)驗(yàn)分類結(jié)果后需對各個(gè)景觀類型進(jìn)行野外實(shí)地驗(yàn)證。本文采用分層采樣方法，確保每一種濕地類型采集量，同時(shí)根據(jù)實(shí)驗(yàn)研究中存在問題的疑問點(diǎn)以及各景觀類型的分布特征，確保樣本的有效性及代表性。根據(jù)所需驗(yàn)證點(diǎn)對實(shí)地調(diào)查路線進(jìn)行部署以及對相應(yīng)驗(yàn)證點(diǎn)開展了針對性的驗(yàn)證。本次野外驗(yàn)證線路由北向南、由西向東對132個(gè)所部署點(diǎn)進(jìn)行逐一驗(yàn)證（采樣點(diǎn)如圖1所示）。

圖2 2006—2016年3期實(shí)驗(yàn)數(shù)據(jù)Fig. 2 Three period data in the study from 2006 to 2016

2 研究方法

2.1 濕地分類體系

濕地分類既要與國家、國際濕地分類系統(tǒng)有本質(zhì)區(qū)別與聯(lián)系，又要針對研究區(qū)域特征，充分體現(xiàn)特定地理?xiàng)l件下濕地類型的獨(dú)特性與空間異質(zhì)性分布（劉紅玉等，2009）。本文根據(jù)中國《濕地分類》國家標(biāo)準(zhǔn)（李玉鳳，2014），并結(jié)合研究區(qū)域?qū)嶋H情況，將杭州灣濕地分類三級。第一級按照濕地成因，將研究區(qū)濕地生態(tài)系統(tǒng)劃分為自然濕地和人工濕地兩大類；第二級按照地貌特征，分為近海與海岸濕地、永久性河流、永久性淡水湖和人工濕地；第三級根據(jù)濕地水文特征和植被類型以及主要用途分為：淺海水域、淤泥質(zhì)海灘、永久性河流、永久性淡水湖、運(yùn)河、農(nóng)用池塘、海水養(yǎng)殖場、稻田等8個(gè)濕地類型。將建筑、道路等非濕地類型均歸為非濕地。本次濕地信息提取以人工目視解譯為主（牛振國等，2009）。通過目視解譯及人機(jī)交互方法對2006年、2011年、2016年3期遙感影像進(jìn)行濕地信息提取，得到3期濕地空間分布圖。

2.2 Markov-CLUES 耦合模型構(gòu)建

2.2.1 Markov 原理概述

Markov過程最初由俄國數(shù)學(xué)家Markov提出。它不僅適用于時(shí)間序列同時(shí)適用于空間序列（焦繼宗，2012）。Markov模型原理是利用 Markov過程在t0時(shí)刻所處的狀態(tài)為已知的條件下，過程在時(shí)刻t＞t0所處狀態(tài)的條件分布與過程在時(shí)刻 t0之前所處的狀態(tài)無關(guān)的特性，來對事物的動態(tài)演變進(jìn)行研究。土地利用的動態(tài)演變具有Markov過程的性質(zhì)，從土地利用的初始階段按照穩(wěn)定的轉(zhuǎn)移速率進(jìn)行演變模擬預(yù)測，Markov模型在土地利用預(yù)測定量化的描述中有好的效果。其基本方法就是利用狀態(tài)之間的轉(zhuǎn)移概率矩陣，預(yù)測事件發(fā)生的狀態(tài)及其發(fā)展變化趨勢。

式中，S(t)表示初始時(shí)刻t的土地利用狀態(tài)概率向量，S(t+1)表示t+1時(shí)刻的狀態(tài)概率；Pij為Sij轉(zhuǎn)移矩陣百分比的狀態(tài)轉(zhuǎn)移概率矩陣且滿足：0≤Pij≤1，

馬爾科夫轉(zhuǎn)移概率矩陣對于土地利用流向與轉(zhuǎn)化方向具有很好的刻化功能，從定量方面而言，馬爾科夫矩陣以數(shù)字的形式展示出各土地利用類型之間的相互轉(zhuǎn)化情況，同時(shí)又揭示了在研究期間中不同土地類型之間的流向問題，為土地利用類型間轉(zhuǎn)移數(shù)量與變動程度的衡量提供了依據(jù)。

2.2.2 CLUES 原理概述

土地利用變化及效應(yīng)模型（The Conversion of Land Use and its Effect，CLUE）是通過對影響土地利用變化的自然和人文驅(qū)動力的定量化來確定土地利用的類型，是一個(gè)空間多尺度、定量描述土地利用變化空間分布的模型，常用來模擬較短時(shí)間內(nèi)的土地利用變化（何春陽等，2004）。CLUE模型主要應(yīng)用于國家和大陸尺度的土地利用研究。因其模擬空間尺度較大，分辨率較低，故不能直接運(yùn)用于較小尺度區(qū)域范圍內(nèi)的土地利用變化模擬。而CLUE-S模型（Conversion of Land Use and its Effects at Small Region Extent）是在CLUE模型基礎(chǔ)上，為在較小尺度上模擬土地利用變化及其環(huán)境效應(yīng)而進(jìn)行的改進(jìn)（吳健生等，2012）。CLUE-S模型一般假設(shè)，某地區(qū)的土地利用變化受土地利用需求驅(qū)動，并且該地區(qū)的土地利用分布格局總是與土地需求及自然社會經(jīng)濟(jì)狀況處于動態(tài)平衡狀態(tài)，在此基礎(chǔ)上，結(jié)合影響土地利用變化的自然和人文驅(qū)動因子，以確定柵格單元上的土地利用類型。

2.2.3 模型構(gòu)建

Markov為時(shí)間離散、狀態(tài)離散的動力學(xué)模型，在土地利用的數(shù)量預(yù)測方面具有優(yōu)勢，可為CLUES模型所需要的未來濕地需求量提供基礎(chǔ)數(shù)據(jù)。而CLUES模型中的空間模塊彌補(bǔ)了Markov模型缺乏空間模擬能力的不足。Markov模型是由過去的土地利用類型以及轉(zhuǎn)移概率矩陣來模擬分析未來的變化趨勢，要求驅(qū)動力是相同的，CLUES模型中充分考慮了人為因素，如土地政策等政府調(diào)控政策，同時(shí)通過對CLUES模型中對未來不同模擬情景的設(shè)置，對不同的土地利用類型之間的概率轉(zhuǎn)移進(jìn)行調(diào)整，Markov轉(zhuǎn)移矩陣也會發(fā)生相應(yīng)的調(diào)整，彌補(bǔ)了Markov模型中固定轉(zhuǎn)移矩陣的不足。Markov模型常被應(yīng)用于土地利用未來需求量的預(yù)測，Markov-CLUES模型綜合了 Markov模型定量化預(yù)測的優(yōu)勢和 CLUES模型模擬復(fù)雜空間動態(tài)變化的能力，能夠考慮政策調(diào)控的因素，綜合自然與人文驅(qū)動因子綜合、多時(shí)空尺度以及多情景模擬的特點(diǎn)，不僅提高土地利用變化的預(yù)測精度，又較好地模擬土地利用格局的空間變化，提高了模擬的科學(xué)性。本研究將Markov模型嵌入CLUES模型的regional demand模塊中，利用Markov模型計(jì)算濕地類型未來需求量，以提高濕地需求量的預(yù)測精度。

本文首先以 2011年為模擬年份初始圖，根據(jù)2006—2011年的轉(zhuǎn)變趨勢作為未來的轉(zhuǎn)變趨勢，模擬 2016年的濕地空間分布柵格圖。并通過與實(shí)際分類結(jié)果進(jìn)行比較，對模擬結(jié)果進(jìn)行精度評價(jià)，驗(yàn)證模型可行性。

2.3 杭州灣濕地未來發(fā)展趨勢多情景設(shè)置

情景設(shè)置目的在于分析杭州灣濱海濕地在不同條件的影響下，濕地未來空間格局多種演變趨勢。針對研究區(qū)域現(xiàn)狀及歷史發(fā)展趨勢，綜合考慮政府政策規(guī)劃及未來經(jīng)濟(jì)社會發(fā)展戰(zhàn)略，設(shè)置自然增長、經(jīng)濟(jì)建設(shè)、糧食安全及灘涂資源保護(hù)這4種未來模擬情景。各濕地類型轉(zhuǎn)移概率矩陣及參數(shù)設(shè)置參照前人研究及上述歷史演變分析（陸汝成等，2009）所調(diào)整。通過不同情景的設(shè)置對 Markov轉(zhuǎn)移概率矩陣進(jìn)行相應(yīng)調(diào)整；根據(jù)修正后的 2011—2016年Markov轉(zhuǎn)移概率矩陣預(yù)測得到2021年的濕地需求量，根據(jù)修正后的2006—2016年Markov轉(zhuǎn)移概率矩陣預(yù)測得到 2026年的濕地需求量；根據(jù)2006年、2011年、2016年、2021年、2026年已知的5年數(shù)據(jù)，利用多項(xiàng)式內(nèi)插得到2016—2026年的濕地面積需求量。

（1）自然增長情景。在沒有突發(fā)性自然災(zāi)害和外來因素的強(qiáng)烈干擾下，未來10年的驅(qū)動因素不變，各濕地類型轉(zhuǎn)變與濕地發(fā)展趨勢與 2006—2016年保持一致，以歷史發(fā)展趨勢作為未來模擬發(fā)展趨勢，對未來濕地類型進(jìn)行模擬。（2）經(jīng)濟(jì)建設(shè)情景。為了達(dá)到杭州灣“一城四區(qū)”發(fā)展目標(biāo)，加速推動城市化進(jìn)程，打造國際化城市空間格局，保持經(jīng)濟(jì)高速增長，勢必要增大建設(shè)及道路等非濕地的使用面積，在此情景下，非濕地的轉(zhuǎn)換彈性系數(shù)調(diào)高，其它類型彈性系數(shù)不變；對Markov轉(zhuǎn)移矩陣進(jìn)行調(diào)整，設(shè)定各濕地類型向非濕地的轉(zhuǎn)變速率增加10%，其它濕地類型相互轉(zhuǎn)變速率不變。（3）糧食安全情景。稻田不僅是農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，土地的精華，更是人類生存的根基，而隨著慈溪市人口的增長，對糧食需求相應(yīng)增加。此情旨在保護(hù)糧食資源，避免因過度開發(fā)而占用稻田，滿足人類對糧食需求的增長，同時(shí)也是對國家基本農(nóng)田保護(hù)政策的具體落實(shí)。結(jié)合本研究的研究區(qū)域具體情況可知，除淺海水域外，稻田是主要的濕地類型，在此情景下，設(shè)定糧食安全情景，對稻田區(qū)域進(jìn)行保護(hù)，稻田面積保持不變；限制文件中，設(shè)置稻田類型為限制類型；轉(zhuǎn)換矩陣中，稻田的轉(zhuǎn)出設(shè)為0，Markov轉(zhuǎn)移矩陣中稻田轉(zhuǎn)入及轉(zhuǎn)出速率調(diào)整為0。（4）灘涂資源保護(hù)情景。本研究中，淤泥質(zhì)海灘作為濱海濕地的重要資源，不但作為農(nóng)業(yè)用地的后備資源，更是鳥類的棲息地；合理開發(fā)可達(dá)到資源的可持續(xù)利用，而過度開發(fā)將導(dǎo)致生境喪失，此情景旨在保護(hù)資源的合理利用，淤泥質(zhì)海灘的轉(zhuǎn)換彈性系數(shù)調(diào)高，同時(shí)為了抑制海水養(yǎng)殖場的轉(zhuǎn)入速率，將海水養(yǎng)殖場的轉(zhuǎn)換彈性系數(shù)調(diào)高；并對Markov轉(zhuǎn)移矩陣進(jìn)行調(diào)整，將淤泥質(zhì)海灘向海水養(yǎng)殖場的轉(zhuǎn)變速率下降50%。

3 結(jié)果與討論

3.1 結(jié)果

3.1.1杭州灣濕地分類結(jié)果

2006年、2011年、2016年3景遙感影像信息提取結(jié)果如圖3所示，濕地分類統(tǒng)計(jì)結(jié)果如表2所示。從圖3和表2中可看出，2006—2016年杭州灣濕地格局及濕地面積發(fā)生了極大變化。其中，海岸帶區(qū)域向海域方向擴(kuò)張；淤泥質(zhì)海灘呈下降趨勢，主要向海水養(yǎng)殖場及稻田轉(zhuǎn)變；除淺海水域外，稻田是最主要的濕地類型，由圖3中可以看出，稻田面積減少，主要像非濕地轉(zhuǎn)變；非濕地面積變化較大，且總體呈增加狀態(tài)，尤其在2006—2011年間，面積增加明顯。

3.1.2 杭州灣濕地模擬結(jié)果

對比2026年各情景模擬空間分布圖（圖4）及各模擬情景下的模擬結(jié)果柱形圖（圖 5）發(fā)現(xiàn)，呈現(xiàn)出以下特點(diǎn)：

淺海水域在4個(gè)情景中均保持基本不變狀態(tài)；淤泥質(zhì)海灘在灘涂資源保護(hù)情境下，面積幾乎不變，在其它3個(gè)情景下均呈下降趨勢，其中，在經(jīng)濟(jì)建設(shè)情景中下降速率最快；永久性河流在各情景下均呈下降趨勢，主要向人工濕地中的運(yùn)河轉(zhuǎn)變；永久性淡水湖面積均下降；運(yùn)河均呈上升趨勢；農(nóng)用池塘、海水養(yǎng)殖場及稻田在各情景下變化較大。非濕地從內(nèi)陸濕地及人工濕地均有流入，且?guī)缀醪幌蚱渌愋娃D(zhuǎn)變，因而在各情景下均呈上升趨勢；在經(jīng)濟(jì)建設(shè)的情景下，非濕地增加速度最快；由上述分析可知，非濕地的增加面積主要來源于稻田的轉(zhuǎn)入，因而在稻田保護(hù)的情景下，非濕地的增加明顯受到抑制。

表2 杭州灣濕地3景影像分類結(jié)果面積統(tǒng)計(jì)Table 2 Total areas of the wetland types in Hangzhou Bay hm2

圖3 遙感影像信息提取結(jié)果Fig. 3 Wetland mapping in 2006, 2011 and 2016 of Hangzhou bay

3.2 精度評價(jià)

3.2.1 分類結(jié)果精度評價(jià)

（1）與高分辨率影像對比

將2006年與2011年的分類結(jié)果與同一時(shí)期的谷歌高分辨率影像對比，對濕地分類結(jié)果進(jìn)行抽樣調(diào)查以檢驗(yàn)其分類精度。通過谷歌歷史影像查詢，下載2006年8月1日及2011年12月31日兩期影像，將谷歌高分辨率影像作為真實(shí)影像，在影像上隨機(jī)撒點(diǎn)作為真實(shí)點(diǎn)，并將分類結(jié)果與其進(jìn)行比較。以制圖精度、用戶精度、以及總體精度和Kappa系數(shù)等作為精度評價(jià)指標(biāo)，利用ENVI中混淆矩陣的精度評價(jià)方法，檢驗(yàn)各個(gè)景觀類型的精度。結(jié)果如表3所示，總體精度及Kappa系數(shù)均達(dá)到85%以上。

表3 2006—2011年杭州灣濕地信息提取精度評價(jià)Table 3 Accuracy assessment of wetland mapping for 2006 and 2011

圖4 2026年各情景模擬空間分布圖Fig. 4 Wetland mapping of various scenario in 2026General changes scenario, economic development scenario, agriculture protection scenario and mudflat resources protection scenario分別表示自然增長情景、經(jīng)濟(jì)建設(shè)情景、糧食安全情景和灘涂資源保護(hù)情景。下同

（2）實(shí)地野外驗(yàn)證

為了進(jìn)一步驗(yàn)證杭州灣濕地信息提取精度，在獲得2016年實(shí)驗(yàn)分類結(jié)果后對各個(gè)景觀類型進(jìn)行野外實(shí)地驗(yàn)證。根據(jù)實(shí)驗(yàn)研究中存在問題的疑問點(diǎn)以及各景觀類型的分布特征，對實(shí)地調(diào)查路線進(jìn)行部署以及對不同地物類型的點(diǎn)開展了針對性的驗(yàn)證。本次野外驗(yàn)證線路由北向南、由西向東對 132個(gè)部署點(diǎn)進(jìn)行逐一驗(yàn)證。野外實(shí)地驗(yàn)證點(diǎn)如圖1所示，混淆矩陣結(jié)果如表4所示。結(jié)果表示，實(shí)驗(yàn)分類結(jié)果精度均達(dá)到 80%以上。并在實(shí)地驗(yàn)證結(jié)束后，對原分類結(jié)果進(jìn)行了改善以提高其分類精度。

3.2.2 模擬結(jié)果精度驗(yàn)證

首先以 2011年的濕地空間分布格局圖為模擬年份初始圖，運(yùn)用Markov-CLUES耦合模型模擬了2016年的濕地空間分布格局模擬圖，并以2016年的實(shí)際濕地分布現(xiàn)狀圖進(jìn)行驗(yàn)證，結(jié)果顯示模擬總體精度為 86%；Kappa系數(shù)為 0.81。因而，將Markov-CLUES耦合模型運(yùn)用于杭州灣濱海濕地未來空間格局的模擬，精度較高，模擬結(jié)果可信。

3.3討論

3.3.1 杭州灣濕地現(xiàn)狀分析

圖5 2026年各情景模擬結(jié)果柱形圖Fig. 5 Wetland histogram of various scenario in 2026

表4 2016年杭州灣濕地信息提取精度評價(jià)Table 4 Accuracy assessment of wetland mapping for 2016

由于圍海造田及杭州灣新區(qū)建設(shè)等政策實(shí)施，海岸帶不斷朝海域方向擴(kuò)張。淤泥質(zhì)海灘受到來自內(nèi)陸方向的圍墾，同時(shí)不斷向海域方向淤積，當(dāng)圍墾速率與淤積速度平衡時(shí)，則淤泥質(zhì)海灘保持動態(tài)平衡，當(dāng)圍墾速率高于淤泥淤積速度，淤泥質(zhì)海灘受到過渡圍墾，將導(dǎo)致濕地功能喪失及退化。由于城市建設(shè)及人口增長加大了對建筑及道路等非濕地的需求，導(dǎo)致居民聚集點(diǎn)由中心向外圍不斷擴(kuò)張，占用周邊濕地類型，其中最明顯的結(jié)果是建筑與稻田的交界處，由于邊緣效應(yīng)導(dǎo)致的稻田類型的不穩(wěn)定性，稻田類型極易轉(zhuǎn)變?yōu)榻ㄖ确菨竦仡愋?。非濕地從各濕地類型均有轉(zhuǎn)入，且?guī)缀醪幌蚱渌鼭竦仡愋娃D(zhuǎn)變，因此，面積呈上升趨勢。

3.3.2 多情景模擬結(jié)果對比分析

在自然增長的情景下，未來濕地演變趨勢與歷史演變趨勢相近。與 2016年濕地現(xiàn)狀相比，2026年濕地演變趨勢如下：淤泥質(zhì)海灘呈輕微下降趨勢，淤泥質(zhì)海灘面積減少部分主要轉(zhuǎn)變?yōu)榈咎锖头菨竦?；永久性河流及永久性淡水湖減少；運(yùn)河增加，增加面積主要來源于永久性河流的轉(zhuǎn)入；農(nóng)用池塘和稻田面積增加，農(nóng)用池塘的增加主要來源于淤泥質(zhì)海灘的轉(zhuǎn)入，稻田面積增加主要來源于淤泥質(zhì)海灘及海水養(yǎng)殖場的轉(zhuǎn)入；海水養(yǎng)殖場面積下降，主要轉(zhuǎn)變?yōu)榈咎锛胺菨竦亍?/p>

在經(jīng)濟(jì)增長的情景下，加速了自然濕地與人工濕地向非濕地的轉(zhuǎn)變速率及轉(zhuǎn)變范圍。與自然增長情景相比，淤泥質(zhì)海灘圍墾速率加快，面積下降速率增加 3.46%；稻田向非濕地的轉(zhuǎn)變速率增加5.31%，稻田面積下降，而非濕地呈急劇上升趨勢。

在糧食安全情景下，稻田面積得到很好的保護(hù)，基本不向非濕地轉(zhuǎn)變，同時(shí)，接收淤泥質(zhì)海灘的轉(zhuǎn)入，面積呈輕微上升趨勢，與 2016年相比增加了 3470.76 hm2，因此，稻田資源在數(shù)量上和空間分布上都得到了良好的保護(hù)。在稻田不向其它濕地類型轉(zhuǎn)變的情況下，稻田面積達(dá)到飽和，淤泥質(zhì)海灘向稻田的轉(zhuǎn)變速率受到抑制，轉(zhuǎn)變速率降低了1.55%，與情景一相比，淤泥質(zhì)海灘下降速率降低。在稻田被保護(hù)的情況下，減少了稻田向非濕地的轉(zhuǎn)變，非濕地轉(zhuǎn)入的主要來源減少，因此，在此情景下非濕地面積及空間分布與2016年基本一致。

在灘涂資源保護(hù)情景下，淤泥質(zhì)海灘面積與2016年相比幾乎不變，處于穩(wěn)定狀態(tài)，資源得到了有效保護(hù)；在此情景下，海水養(yǎng)殖場與稻田來源于淤泥質(zhì)海灘的轉(zhuǎn)入大幅度減少，同時(shí)仍以一定速率向非濕地轉(zhuǎn)變，因而海水養(yǎng)殖場與稻田的整體面積呈急劇下降趨勢。

4 結(jié)論與展望

4.1 結(jié)論

本文以杭州灣濱海濕地為研究區(qū)域，對杭州灣濱海濕地2006年、2011年、2016年3年的Landsat影像進(jìn)行濕地信息提取，通過Markov模型對研究區(qū)未來年份的各濕地類型需求面積進(jìn)行定量預(yù)測，構(gòu)建Markov-CLUES耦合模型，對杭州灣濕地未來10年的空間格局演變進(jìn)行多情景模擬。本文主要研究結(jié)論如下：

（1）本文通過對杭州灣濕地現(xiàn)狀研究發(fā)現(xiàn)，由于圍海造田及杭州灣新區(qū)建設(shè)等政策實(shí)施，海岸帶不斷朝海域方向擴(kuò)張。淤泥質(zhì)海灘受到來自內(nèi)陸方向的圍墾，處于極不穩(wěn)定狀態(tài)。由于城市建設(shè)及人口增長加大了對建筑及道路等非濕地的需求，導(dǎo)致居民聚集點(diǎn)由中心向外圍不斷擴(kuò)張，占用周邊濕地類型，稻田類型極易轉(zhuǎn)變?yōu)榻ㄖ确菨竦仡愋汀７菨竦孛娣e呈不斷上升趨勢。

（2）通過對比各情景模擬得到的2026年濕地空間分布圖及對其分析發(fā)現(xiàn)，濕地未來演變趨勢如下。淤泥質(zhì)海灘在經(jīng)濟(jì)增長情境下圍墾速率加快，與自然情景相比，面積下降速率增加3.46%；在灘涂資源保護(hù)情境下，面積幾乎不變，得到了有效保護(hù)。永久性河流與永久性淡水湖在各情景下均呈下降趨勢；運(yùn)河均呈上升趨勢；農(nóng)用池塘及海水養(yǎng)殖場在各情景下變化較大。稻田是除淺海水域外的主要濕地類型，在經(jīng)濟(jì)建設(shè)情景下，稻田向非濕地的轉(zhuǎn)變速率增加5.31%，稻田面積下降；在糧食安全情景下，面積呈輕微上升趨勢，與2016年相比增加了3470.76 hm2，在數(shù)量上和空間分布上都得到了良好的保護(hù)。非濕地在稻田保護(hù)的情景下，由于來源的減少，面積增長受到抑制；在其它3個(gè)情景下均呈上升趨勢；在經(jīng)濟(jì)建設(shè)的情景下，非濕地增加速度最快。

4.2 展望

本文研究過程中，利用了三期Landsat影像作為基礎(chǔ)數(shù)據(jù)獲取了近 10年來濕地空間格局分布和歷史演變趨勢，分辨率為30 m，在后續(xù)的研究中，可采用高分辨率影像對濕地信息進(jìn)行提取，有助于提高遙感影像解譯精度，減少因分類誤差對驅(qū)動機(jī)制分析造成的影響；可適當(dāng)增加影像數(shù)量及延長研究的時(shí)間，有助于對濕地演變歷史演變趨勢更準(zhǔn)確的分析，有助于驅(qū)動因子與濕地演變的相關(guān)性分析，同時(shí)可延長對未來的預(yù)測時(shí)間對提高對濕地未來空間分布的精度。

本研究中，主要采用目視解譯方法對濕地進(jìn)行分類，但耗費(fèi)大量人力及時(shí)間，在后續(xù)的研究中，希望能尋找及嘗試采用計(jì)算機(jī)自動分類的方法獲取濕地分類結(jié)果。在對驅(qū)動因子的研究中，驅(qū)動因子需通過空間可視化的形式表現(xiàn)，才能加入模型的運(yùn)行，而社會經(jīng)濟(jì)發(fā)展及人為干擾的強(qiáng)弱等因子較難定量化及進(jìn)行空間可視化分析，因此在驅(qū)動因子選取時(shí)受到限制。在后續(xù)的研究中，如何確定這些因子與濕地類型之間的相關(guān)性及如何進(jìn)行定量化分析需進(jìn)一步研究。在預(yù)測過程中，雖然考慮了自然和社會影響因素，具體在情景設(shè)置中體現(xiàn)，但主要以人為設(shè)置為主，主觀性較強(qiáng)。在后續(xù)的研究中，也會嘗試通過引入其它模型以便在模型預(yù)測時(shí)將自然和社會因素作為重要模塊加以考慮，如引入系統(tǒng)動力學(xué)模型等。