基于CLUE-S模型的長(zhǎng)沙市望城區(qū)土地利用變化預(yù)測(cè)

蒙 菲，李小麗,2，陳笑揚(yáng)，王麗芳，張寶一,3

（1. 中南大學(xué) 有色金屬成礦預(yù)測(cè)與地質(zhì)環(huán)境監(jiān)測(cè)教育部重點(diǎn)實(shí)驗(yàn)室/地球科學(xué)與信息物理學(xué)院，湖南 長(zhǎng)沙 410083；2. 南寧市良慶區(qū)發(fā)展和改革局，廣西 南寧 530200；3. 中國(guó)地質(zhì)大學(xué) 地質(zhì)過(guò)程與礦產(chǎn)資源國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430074）

0 引 言

當(dāng)前，土地利用/覆蓋變化(LUCC，Land Use/Cover Change)研究領(lǐng)域中所關(guān)注的重點(diǎn)就是模擬區(qū)域內(nèi)特定時(shí)段的土地利用分布情況，采用各種手段對(duì)該區(qū)域LUCC有影響的各驅(qū)動(dòng)力因子（包括自然環(huán)境和社會(huì)經(jīng)濟(jì)等因素）做綜合分析，從而為該區(qū)域未來(lái)的土地利用空間格局演變做出模擬。

CLUE-S模型(Conversion of Land Use and its Effect at Small region extent)是一種模擬土地利用動(dòng)態(tài)變化的數(shù)學(xué)模型，其擁有較強(qiáng)的時(shí)空動(dòng)態(tài)預(yù)測(cè)的能力，便于探究未來(lái)多種情景下的土地利用空間格局的變化過(guò)程和規(guī)律[1]。CLUE-S模型適用于中小尺度的LUCC研究，該模型從時(shí)空角度模擬區(qū)域多種情景下的土地利用空間分布格局的變化，而且可信度和解釋能力相對(duì)來(lái)說(shuō)也比較好，可以為土地利用空間分布格局預(yù)測(cè)研究提供一種高效且可操作的辦法[2]，是一種相對(duì)較好的LUCC模型，并且能探究區(qū)域土地利用變化過(guò)程中的易變化區(qū)[3]。CLUE-S模型已被廣泛應(yīng)用于土地利用變化研究，陳佑啟和Verburg(2000)借助數(shù)學(xué)統(tǒng)計(jì)方法對(duì)各驅(qū)動(dòng)力因子做定量分析，預(yù)測(cè)不同情景下我國(guó)土地利用空間分布情況[4]；段增強(qiáng)等(2004)，通過(guò)對(duì)原模型進(jìn)行改進(jìn)，將鄰域關(guān)系考慮到CLUE-S模型中，形成了新的模型，并運(yùn)用該模型預(yù)測(cè)了北京市海淀區(qū)的多情景下的土地利用變化情況[5]；盛晟等(2008)將柵格單元大小設(shè)為300 m×300m，構(gòu)建了CLUE-S模型，預(yù)測(cè)了南京市1998～2006年的土地利用覆蓋情況，并證明了該模型可以應(yīng)用在城市擴(kuò)展和城市規(guī)劃等領(lǐng)域[6]；王健等(2010)選擇了21個(gè)驅(qū)動(dòng)因素，包括海拔高度、坡度、距離、鐵路距離等，以模擬基于CLUE-S模型的廣州動(dòng)態(tài)土地利用格局[7]。高志強(qiáng)和易維(2012)運(yùn)用CLUE-S及Dinamica EGO兩種模型模擬了我國(guó)20年的土地利用變化情形，預(yù)測(cè)得到的結(jié)果在某種程度上能給我國(guó)土地資源的管理、保護(hù)政策的制定提供借鑒[8]。Lee等(2016)使用CLUE模型參照教育部環(huán)境保護(hù)價(jià)值評(píng)估圖（ECVAM），以多種驅(qū)動(dòng)因素作為位置特征預(yù)測(cè)了韓國(guó)未來(lái)城市增長(zhǎng)引起的的土地利用變化[9]。Waiyasusri等(2016)借助CLUE-S模型估算了1988～2007年間HTSW地區(qū)土地利用變化的空間格局，并將其應(yīng)用于預(yù)測(cè)未來(lái)20年（至2027年）野生動(dòng)物保護(hù)區(qū)的未來(lái)土地利用規(guī)劃[10]。Jiang等(2017)將小區(qū)域范圍土地利用變化及其影響(CLUE-S)模型與環(huán)境服務(wù)權(quán)衡綜合評(píng)估模型(InVEST)聯(lián)系起來(lái)，評(píng)估了長(zhǎng)沙-株洲-湘潭城市群不同情景下城市擴(kuò)張對(duì)區(qū)域碳儲(chǔ)存的影響[11]。

本文以長(zhǎng)沙市望城區(qū)為例，研究其土地利用/覆被變化的動(dòng)態(tài)過(guò)程和時(shí)空格局特點(diǎn)，通過(guò)對(duì)驅(qū)動(dòng)因子進(jìn)行選取、計(jì)算和檢驗(yàn)，并基于CLUE-S模型對(duì)區(qū)域土地利用空間分布情況進(jìn)行預(yù)測(cè)，有利于促進(jìn)土地集約化利用和科學(xué)決策，從而實(shí)現(xiàn)區(qū)域土地資源承載能力和可持續(xù)發(fā)展。

1 研究區(qū)概況

望城區(qū)是長(zhǎng)沙市所管轄區(qū)域，位于湖南中東北部，湘江流域的下游，土地面積為954 km2，經(jīng)緯度范圍分別為：北緯27°58′28″～28°33′45″，東經(jīng)112°35′48″～113°02′30″，如圖1所示。望城區(qū)呈變形了的長(zhǎng)方形展布，海拔高度是南高北低。東面靠近長(zhǎng)沙縣，南邊鄰接長(zhǎng)沙市，西邊到達(dá)寧鄉(xiāng)縣，北面和湘陰市及汨羅市相連接。望城區(qū)位于中亞熱帶性濕潤(rùn)季風(fēng)氣候區(qū)，氣候溫和，熱量充足，年均溫度為17℃，年均降水量為1 370 mm，年均日照量為1 610 h，年無(wú)霜期為274 d。1月是一年中氣溫最低的月份，平均氣溫是4.4℃，7月的氣溫最高，且平均氣溫達(dá)30℃。全區(qū)水資源豐富，河流和湖泊眾多，河流均為湘江及其支流。望城區(qū)不僅是湖南省唯一全區(qū)域被歸入“長(zhǎng)株潭城市群”核心區(qū)、長(zhǎng)沙大河西先導(dǎo)區(qū)和環(huán)洞庭湖生態(tài)經(jīng)濟(jì)圈范疇區(qū)，屬于長(zhǎng)江產(chǎn)業(yè)開發(fā)區(qū)，而且也擁有湖南省“一點(diǎn)一線”的戰(zhàn)略地位，地理位置優(yōu)越。截至2012年末，望城區(qū)戶籍人口52.43萬(wàn)人，GDP為3 748 847萬(wàn)元，經(jīng)濟(jì)的發(fā)展促進(jìn)了交通的快速發(fā)展，區(qū)內(nèi)鐵路、公路運(yùn)輸都十分便利，如京廣鐵路、319國(guó)道等，另外，公交路線和地鐵也連通了望城區(qū)和長(zhǎng)沙市各區(qū)。

圖1 研究區(qū)地理位置圖Fig.1 Geographical location map of the study area

本研究的基礎(chǔ)數(shù)據(jù)主要有全國(guó)第二次土地利用調(diào)查中獲得的長(zhǎng)沙市望城區(qū)2009～2012土地利用現(xiàn)狀圖、2009年望城區(qū)基本農(nóng)田保護(hù)區(qū)、2009年望城區(qū)30m分辨率的ASTER GDEM數(shù)字高程模型等。參照第二次土地利用調(diào)查的分類標(biāo)準(zhǔn)，研究了各類土地利用類型的空間變化和數(shù)量變化，使用不同的LUCC指標(biāo)來(lái)研究其時(shí)空變化特點(diǎn)。

2 研究方法

2.1 CLUE-S模型

CLUE-S模型是瓦赫寧根大學(xué)的“土地利用變化和影響”小組構(gòu)建的，CLUE-S模型是在中小尺度的空間范圍數(shù)據(jù)的前提上創(chuàng)建的，該模型是基于高分辨率(一般大于1km×1 km)的空間圖形數(shù)據(jù)構(gòu)建的，較適用于中小區(qū)域的LUCC研究[12]。CLUE-S模型認(rèn)為某一區(qū)域的LUCC受到區(qū)域的土地利用需求數(shù)量的制約，同時(shí)區(qū)域的土地利用空間分布格局總是以土地需求、自然環(huán)境、社會(huì)經(jīng)濟(jì)保持動(dòng)態(tài)平衡為前提。CLUE-S模型應(yīng)用動(dòng)力學(xué)的理論知識(shí)量化了各土地利用類型之間的競(jìng)爭(zhēng)關(guān)系，其研究單元內(nèi)占主導(dǎo)作用的土地類型由其總概率決定，進(jìn)而完成對(duì)不同土地利用類型的預(yù)測(cè)[10,13]。CLUE-S模型需要設(shè)置的參數(shù)主要有：轉(zhuǎn)換矩陣、回歸參數(shù)、土地需求、初始地類、限制區(qū)域和解釋因子等。

2.2 轉(zhuǎn)換規(guī)則

土地利用轉(zhuǎn)化規(guī)則數(shù)值(ELSA)指在一定時(shí)段內(nèi)，區(qū)域內(nèi)一種土地利用類型轉(zhuǎn)化為另外的土地利用類型的難易大小，ELSA值的范圍為0～1。如果某種土地利用類型的ELSA值越接近于1，就說(shuō)明該土地利用類型轉(zhuǎn)變成其他土地利用的概率越小，反過(guò)來(lái)則概率越大。如果某種地類的ELSA值是1時(shí)，就表明該土地利用類型不易轉(zhuǎn)變?yōu)槠渌恋乩妙愋?，如基本農(nóng)田、居民點(diǎn)和城鎮(zhèn)，一般在預(yù)測(cè)時(shí)間范圍內(nèi)不考慮該類土地利用類型的轉(zhuǎn)出情況；如果某種地類ELSA是0時(shí)，表明該土地利用類型非常容易轉(zhuǎn)變?yōu)槠渌恋乩妙愋停缙渌恋?，在這種情況下，CLUE-S模型對(duì)其不作任何限制。

2.3 動(dòng)態(tài)模擬

在研究區(qū)2009年的土地利用空間分布格局、ELSA及各地類的概率適宜圖的前提下，依據(jù)總概率(TPROPi,u)大小對(duì)研究區(qū)土地?cái)?shù)量需求進(jìn)行多次迭代，對(duì)土地資源做空間分配，當(dāng)?shù)拿娣e和土地利用需求數(shù)量一致時(shí)分配結(jié)束，動(dòng)態(tài)模擬如圖2所示。采用柵格數(shù)據(jù)作為CLUE-S模型的數(shù)據(jù)源，每個(gè)柵格內(nèi)的土地類型由該柵格單元內(nèi)占主導(dǎo)作用的地類決定，這依賴于柵格單元為某地類的總概率來(lái)求得。

其中，Pi,u是地塊i是地類u的概率；ITERu為地類u的迭代變量；ELSAu是給定地類u的轉(zhuǎn)換規(guī)則數(shù)值。

圖2 土地利用變化分配的迭代過(guò)程示意圖Fig.2 Sketch map of the iterative allocation process of land use changing

進(jìn)行各地類分配的動(dòng)態(tài)模擬過(guò)程如下：

1）確定初始年份土地利用類型能發(fā)生和不能發(fā)生轉(zhuǎn)化的柵格單元，能發(fā)生地類轉(zhuǎn)化的柵格單元參與接下來(lái)的運(yùn)算；

2）利用公式（1）求出初始年份柵格單元i轉(zhuǎn)化為其他某種地類u的概率和；

3）給各土地利用類型的迭代變量值(ITERu)賦值，將每個(gè)單元對(duì)不同土地利用類型的分布總概率(TPROPi,u)降序排列對(duì)各柵格單元的土地利用類型轉(zhuǎn)化作初次分配；

4）對(duì)各土地利用類型的初次分配后的數(shù)量值和預(yù)測(cè)的數(shù)量值作對(duì)比分析，如果某土地利用類型的初次分配后的數(shù)量值比預(yù)測(cè)的數(shù)量值大的話，那么就減少ITERu，反之，就需要增大ITERu后再對(duì)土地利用做二次分配。

以此類推，迭代上述過(guò)程2）、3）、4）步驟，直到各土地利用類型的預(yù)測(cè)數(shù)量值和分配后的數(shù)量值一致時(shí)停止。

3 研究過(guò)程與結(jié)果

在長(zhǎng)沙市望城區(qū)2009～2012年期間土地利用/覆蓋現(xiàn)狀圖的基礎(chǔ)上，本文通過(guò)Markov鏈模型預(yù)測(cè)類型數(shù)量、利用CLUE-S模型預(yù)測(cè)空間分布；并在綜合影響該區(qū)土地利用變化的地形、距離驅(qū)動(dòng)因子的基礎(chǔ)上，利用CLUE-S模型預(yù)測(cè)了該區(qū)2012年和2020年的土地利用空間分布狀況；實(shí)驗(yàn)結(jié)果表明，2012年土地利用預(yù)測(cè)結(jié)果得到了較高的Kappa系數(shù)和ROC值，具體研究過(guò)程如圖3所示。

圖3 研究過(guò)程流程圖Fig.3 Flowchart of study process

3.1 土地利用轉(zhuǎn)移矩陣

每一種地類都可以看作是土地利用的有限狀態(tài)集合中的一項(xiàng)。狀態(tài)可以不變，狀態(tài)也可以由一種狀態(tài)轉(zhuǎn)化成另一種狀態(tài)。狀態(tài)發(fā)生了變化叫轉(zhuǎn)移，和其他的狀態(tài)發(fā)生轉(zhuǎn)變的概率稱之為轉(zhuǎn)移概率。狀態(tài)之間的轉(zhuǎn)移概率可以用矩陣表達(dá)，

式中，Pij是由狀態(tài)i轉(zhuǎn)為狀態(tài)j的轉(zhuǎn)移概率，滿足0≤Pij≤1，且=1(i,j=1,2,3,…,n)。

土地利用轉(zhuǎn)移矩陣的另一種形式是轉(zhuǎn)移數(shù)量矩陣，即矩陣中的項(xiàng)為狀態(tài)之間的轉(zhuǎn)移面積數(shù)量。長(zhǎng)沙市望城區(qū)2009～2012年期間的土地利用類型變化轉(zhuǎn)移數(shù)量矩陣見表1。

表1 研究區(qū)2009～2012年土地利用變化轉(zhuǎn)移矩陣（單位：hm2）Tab.1 Transfer matrix of land use changing from 2009 to 2012 in the study area (unit: hm2)

3.2 土地利用需求量預(yù)測(cè)

關(guān)于預(yù)測(cè)土地利用變化數(shù)量的數(shù)學(xué)方法有很多，常用的有馬爾科夫預(yù)測(cè)法、回歸模型、灰色預(yù)測(cè)、空間插值法、指數(shù)平滑法、模糊預(yù)測(cè)法等，不同的預(yù)測(cè)方法具有不同的適用性、優(yōu)越性以及局限性[14-18]。本文根據(jù)研究需要選擇馬爾科夫(Markov)模型對(duì)土地利用變化數(shù)量進(jìn)行預(yù)測(cè)。

Markov模型指數(shù)學(xué)中具有馬爾可夫特征的離散事件隨機(jī)過(guò)程。該模型中，在給定當(dāng)前知識(shí)和信息的前提下，先前的狀況對(duì)模擬未來(lái)的情況是沒(méi)有關(guān)系的。根據(jù)不同狀態(tài)下初始值及狀態(tài)間的轉(zhuǎn)移概率，來(lái)確定整體狀態(tài)的未來(lái)變化趨向。土地利用的動(dòng)態(tài)變化過(guò)程具有馬爾科夫鏈的特征，根據(jù)概率轉(zhuǎn)移矩陣，Markov模型可從土地利用的初期按照穩(wěn)定的轉(zhuǎn)移速率進(jìn)行變化模擬預(yù)測(cè)[19]，Markov模型在土地利用預(yù)測(cè)定量化的描述中具有良好的應(yīng)用效果[20-22]。

在Markov模型中每個(gè)時(shí)間步長(zhǎng)內(nèi)，各地類的數(shù)量變化表示為：

式中，S(t)表示初始時(shí)刻t的土地利用現(xiàn)狀的各地類的數(shù)量向量，S(t+1)表示t+1時(shí)刻的各地類的數(shù)量向量；Pij是從t時(shí)刻到t+1時(shí)刻的狀態(tài)轉(zhuǎn)移概率矩陣。

在研究區(qū)該時(shí)段內(nèi)無(wú)重大土地政策調(diào)整、基本農(nóng)田保護(hù)、土地利用類型變化相對(duì)穩(wěn)定的假定條件下，借助轉(zhuǎn)移概率矩陣及2012年的土地利用類型的數(shù)量值，預(yù)測(cè)了研究區(qū)2020年各地類的數(shù)量，見表2。

表2 研究區(qū)2009年、2012年和2020年各類土地利用數(shù)量(單位：hm2)Tab.2 Quantity of various types land use in 2009, 2012 and 2020 in the study area (unit: hm2)

3.3 驅(qū)動(dòng)因子回歸分析

土地利用空間分布格局展示了土地利用的空間分配情況，它和研究區(qū)的自然環(huán)境以及社會(huì)經(jīng)濟(jì)條件有著密不可分的聯(lián)系，可以通過(guò)二元Logistic回歸分析與自然環(huán)境、社會(huì)經(jīng)濟(jì)變量進(jìn)行組合，二元Logistic回歸分析通過(guò)對(duì)數(shù)據(jù)之間的關(guān)聯(lián)性進(jìn)行定量化來(lái)體現(xiàn)它們之間的關(guān)系。

把2009年地類空間分布表達(dá)為100 m×100 m單元大小的柵格數(shù)據(jù)，然后依據(jù)地類屬性值將地類分為耕地、園地、林地、草地、交通運(yùn)輸用地、水域及水利設(shè)施用地和其他土地、城鎮(zhèn)村及工礦用地八類。選取了高程X0、坡度X1、坡向X2、到河流的距離X3、到公路的距離X4、到村莊的距離X5、距鐵路距離X6、距城鎮(zhèn)的距離X7共8個(gè)驅(qū)動(dòng)因子。其中，距離因子是根據(jù)歐幾里德距離分析求得的，高程、坡度和坡向是依據(jù)DEM數(shù)據(jù)求得。

借助二元Logistic回歸分析能夠選出對(duì)各土地利用類型影響較大的因子，同樣去掉對(duì)其影響不明顯的因子，因此對(duì)應(yīng)于每一種土地利用類型，它的回歸方程的影響因子個(gè)數(shù)不一。得到的回歸模型能夠確定地類與驅(qū)動(dòng)因子之間的定量關(guān)系及作用大小。

借助ROC方法對(duì)二元邏輯回歸得到的結(jié)果做檢驗(yàn)分析，結(jié)果表明，林地、草地、交通運(yùn)輸用地、水域及水利設(shè)施用地和其他土地的ROC值都大于0.7，模型擬合效果較好，選取的自變量對(duì)因變量的解釋相對(duì)較強(qiáng)；而耕地、園地、城鎮(zhèn)村及工礦用地的ROC值在0.7左右，回歸模型的擬合效果滿足要求，選取因子的解釋性相對(duì)較弱。耕地、園地、城鎮(zhèn)村及工礦用地的ROC值較小的原因是其空間上分散布局造成的，但從整體上可以認(rèn)定選取的驅(qū)動(dòng)力因子能夠用來(lái)模擬研究區(qū)土地利用空間分布。

3.4 土地利用變化預(yù)測(cè)

選擇初始年份為2009年，被模擬預(yù)測(cè)的年份為2012年，得到的2012年土地利用分布預(yù)測(cè)圖，如圖4a所示，并與研究區(qū)2012年的土地利用現(xiàn)狀圖，如圖4b所示，進(jìn)行對(duì)比，并從數(shù)量和空間兩個(gè)方面來(lái)驗(yàn)證模型精度。

圖4 研究區(qū)2012年土地利用空間分布圖Fig.4 Spatial distribution map of land use in 2012 in the study area

一是在數(shù)量上，其中模擬正確的面積為78 079 hm2，占總面積的82.2%，總體而言，模擬結(jié)果與實(shí)際情況一致性較高，見表3。耕地的預(yù)測(cè)正確比最高，這主要與耕地自身面積基數(shù)大和對(duì)農(nóng)田保護(hù)政策有密切的關(guān)系。模擬和真實(shí)情況存在差異的原因主要是由模型在分配過(guò)程當(dāng)中的隨機(jī)性造成的，并且模型也沒(méi)有考慮土地利用變化過(guò)程當(dāng)中的人為因素和其他政策的影響。

表3 研究區(qū)2012年土地利用實(shí)際情況和預(yù)測(cè)結(jié)果對(duì)比分析（單位：hm2）Tab.3 Comparative analysis of land use between practical situation and prognostic result in 2012 in the study area (unit: hm2)

二是在空間上，運(yùn)用Kappa系數(shù)對(duì)CLUE-S預(yù)測(cè)結(jié)果做了準(zhǔn)確度檢驗(yàn)，把研究區(qū)2012年土地利用預(yù)測(cè)結(jié)果和實(shí)際情況作對(duì)比，從而評(píng)價(jià)出預(yù)測(cè)效果的好壞。Kappa系數(shù)的計(jì)算如下：

式中，Po為預(yù)測(cè)結(jié)果和真實(shí)情況一致的柵格數(shù)占比于研究區(qū)柵格總數(shù)，Pp為理想變化情況下的準(zhǔn)確預(yù)測(cè)的比值；Pc為在隨機(jī)狀況下的期望正確模擬比例。當(dāng)Kappa＞0.75，認(rèn)為模擬的效果較好；當(dāng)0.4≤Kappa≤0.75時(shí)，認(rèn)為模擬的效果一般；當(dāng)Kappa＜0.4時(shí)，認(rèn)為模擬的效果較差。模擬正確柵格78 079個(gè)，占總柵格數(shù)94 991的82.2%，所以Po=0.822。理想分類狀況下的正確模擬比例Pp值為l。由于望城區(qū)有8種土地利用類型，因此每個(gè)柵格隨機(jī)預(yù)測(cè)狀況下的準(zhǔn)確比例Pc為0.125。根據(jù)以上的結(jié)果，可以算出Kappa指數(shù)為0.796（＞0.75），模擬效果較好。

通過(guò)數(shù)量和空間兩個(gè)方面的驗(yàn)證可知，模型的模擬效果較好，能比較好地對(duì)研究區(qū)的土地利用變化進(jìn)行模擬和預(yù)測(cè)，結(jié)果具有較高的可信度。

由2012年的土地利用現(xiàn)狀，預(yù)測(cè)了研究區(qū)基本農(nóng)田保護(hù)情景下的2020年的土地利用分布，如圖5所示。

圖5 研究區(qū)2020年土地利用預(yù)測(cè)圖Fig.5 Predictive map of land use in 2020 in the study area

從望城區(qū)的2020年的土地利用預(yù)測(cè)圖總體來(lái)看，城鎮(zhèn)村及工礦用地的面積在不斷增加，耕地、林地、其他用地及水域面積不斷減少，表明人類的生產(chǎn)生活會(huì)導(dǎo)致土地利用結(jié)構(gòu)的變化，土地資源得到充分利用，從而促使經(jīng)濟(jì)發(fā)展，交通運(yùn)輸用地和城鎮(zhèn)村及工礦用地的增加表明了基礎(chǔ)設(shè)施水平的不斷提高。望城區(qū)的東北和西南部林地多、開發(fā)難度大，因此土地利用類型變化比較小。開發(fā)的主要區(qū)域主要集中在東南部，即城鎮(zhèn)村附近，這些地區(qū)地勢(shì)比較平坦，開發(fā)難度比較低，土地利用類型變化比較大，主要是耕地轉(zhuǎn)變?yōu)榻ㄔO(shè)用地。望城區(qū)土地利用變化模擬基本上反映了望城區(qū)城鎮(zhèn)化情況以及農(nóng)作物向經(jīng)濟(jì)作物逐步轉(zhuǎn)變的過(guò)程，模擬結(jié)果可以為望城區(qū)的規(guī)劃者和政策制定者提供借鑒和參考。

4 結(jié)束語(yǔ)

以長(zhǎng)沙市望城區(qū)為例，在2009～2012年期間的土地利用現(xiàn)狀圖的基礎(chǔ)上，將Markov模型與CLUE-S模型結(jié)合開展了2012年和2020年的土地利用變化預(yù)測(cè)，結(jié)果表明該模型適用于研究區(qū)的土地利用變化空間模擬，為土地利用預(yù)測(cè)提供了新的思路。

1）根據(jù)研究期間土地利用的轉(zhuǎn)移概率矩陣，使用Markov模型對(duì)土地利用數(shù)量需求進(jìn)行了預(yù)測(cè)；

2）考察了影響土地利用變化的驅(qū)動(dòng)因子（包括高程和距離因子），結(jié)合二元Logistic回歸模型量化了土地利用類型和各驅(qū)動(dòng)力因子之間的相互關(guān)系；

3）使用CLUE-S模型對(duì)2012年的土地利用空間分布情況進(jìn)行了預(yù)測(cè)，再把模擬得到的結(jié)果和實(shí)際情況作比較和分析，經(jīng)計(jì)算Kappa指數(shù)的值為0.795，證明CLUE-S模型在模擬研究區(qū)100 m×100 m的空間尺度下的土地利用分布效果較好；

4）對(duì)2020年的土地利用分布情況進(jìn)行了預(yù)測(cè)，剖析了2020年研究區(qū)土地利用空間分布特征，發(fā)現(xiàn)城鎮(zhèn)村及工礦用地趨于集中分布以及交通運(yùn)輸用地快速增加。

致 謝

國(guó)家地理信息系統(tǒng)工程技術(shù)研究中心與中南大學(xué)共建“MapGIS實(shí)驗(yàn)室”為本研究工作提供了MapGIS軟件，在此表示感謝！