淮南市土地利用程度變化過程的時空演化特征

梁 明，聶 拼，陸胤昊，孫曉娟

淮南市土地利用程度變化過程的時空演化特征

梁 明1,2，聶 拼3，陸胤昊1,2，孫曉娟4

（1. 安徽大學資源與環(huán)境工程學院，合肥 230601；2. 安徽大學安徽省礦山生態(tài)修復工程實驗室，合肥 230601；3. 南京大學地理與海洋科學學院，南京 210023；4. 武漢大學資源與環(huán)境科學學院，武漢 430079）

土地利用變化研究中存在重格局輕過程、重模擬輕度量的現(xiàn)象，缺乏對序列快照間土地利用單元演化過程的時空模式的探查和度量研究。該文以土地利用變化的序列時空數(shù)據(jù)為研究對象，以時空柵格為建模手段，以土地利用程度累積變化度為時空過程的基本度量工具，對淮南市土地利用變化過程的時空模式進行分析。結果表明：2008—2017年間研究區(qū)的土地利用程度的劇烈變化在特定尺度下呈現(xiàn)顯著的時空聚集性特征；同時土地利用程度的平緩變化也呈現(xiàn)出較為顯著的時空聚集性特征；介于二者之間的較為劇烈的土地利用程度變化的時空聚集性不顯著，表明研究時段人類干擾活動具有明顯的時空異質性。進一步研究發(fā)現(xiàn)，3種土地利用程度在距離交通網(wǎng)絡較近的范圍內（300和600 m范圍內）均呈現(xiàn)聚集性，而在更遠的距離上（900 m范圍內）趨于隨機分布，表明交通網(wǎng)絡對土地利用變化具有較強烈的影響；在距離交通網(wǎng)絡的不同空間尺度上，土地利用程度的劇烈變化和平緩變化在較小的空間尺度上時空聚集性呈現(xiàn)顯著性，而較為劇烈的土地利用程度變化在多個尺度上的時空聚集性都不顯著，表明交通網(wǎng)絡對土地利用程度時空變化的影響存在尺度差異，且較為極端的土地利用變化過程更容易呈現(xiàn)時空聚集性。

土地利用；遙感；時空過程；時空聚集性；土地利用程度；最鄰近距離

0 引 言

土地利用與覆蓋變化（Land Use and Coverage Change，LUCC）是全球變化的重要研究內容[1-2]。研究土地利用變化過程的時空模式，對于發(fā)現(xiàn)土地利用行為的異常、探查土地演化過程的時空規(guī)律、科學制定土地利用政策都具有重要意義[3-4]。LUCC研究中土地利用在時間維的異質性與其在空間維的異質性相類似，都是物質、能量和信息的轉移與再分配過程的體現(xiàn)。這種時空上的再分配過程對全球變化起著至關重要的作用[5-6]。因此，LUCC研究不僅僅要重視空間維度土地利用結構的差異，時間維度上土地利用的變化過程也不容忽視[7-8]。當前的土地利用變化研究偏重于土地利用空間上的“形”（空間形態(tài)）[9-11]、“量”（類型與數(shù)量）[5]、“理”（演化的機理和驅動力）的研究[12]。例如，用土地利用變化轉移矩陣描述不同土地類型在不同時間切片上的結構數(shù)據(jù)的變化，用綜合土地利用動態(tài)度等表征土地利用變化的劇烈程度[13]。然而，轉移矩陣只能從宏觀上度量土地利用過程的總體數(shù)量上的變化；土地利用動態(tài)度能夠描述總體的變化速率，空間表達能力不足。二者都停留在對區(qū)域土地利用狀態(tài)的總體特征描述上，無法細致度量土地利用變化的時空過程特征。因此，迫切需要發(fā)展更精細的手段，從更細的時空粒度上度量土地利用變化[14]。CA模型雖然在更細粒度上兼顧了土地變化單元的局部特征，然而CA模型中的缺乏明確的物理意義，在時間維的量化上仍然存在缺陷[15-16]；而且，CA模型更多是作為預測和模擬的工具——總體上而言，它缺乏作為時空過程定量描述的能力，難以為時空過程的時空模式、演化規(guī)律和時空異常等的深度挖掘提供支撐[17-19]。導致以上問題，一方面是因為土地系統(tǒng)的結構變異性和演化復雜性等增加了LUCC時空過程探查和過程刻畫的難度[20]，另一方面也因為現(xiàn)有的LUCC研究的時空過程建模中對時間維的運用不足。

土地利用變化的時空模式表征了人地關系在不同時空范圍上的作用強度與作用模式[5]。LUCC時空過程探查和刻畫作為認知LUCC時空過程動態(tài)性和復雜性的主要手段[1]，通過發(fā)展合適的模型或者方法揭示土地利用“變化過程的格局”以及“格局的變化過程”[5]。有研究表明，定量表達多時空條件下的土地利用“空間格局”和“時序特征”，對土地利用變化過程進行量化和建模，有利于進一步深化土地利用變化內在規(guī)律的挖掘和多維表達[21-22]。土地利用變化時空過程的研究重點是對時空過程的建模和度量[23-24]。從時序過程的視角出發(fā)，能夠探查從單一時態(tài)下的土地利用狀態(tài)分析中難以發(fā)現(xiàn)的差異，從而揭示時空過程上潛在的模式[25-26]。因此，本研究通過構造時空格網(wǎng)提取土地利用變化的時空過程；基于土地利用程度累積變化度量指標，挖掘研究區(qū)土地利用變化過程的時空模式；同時結合多期土地利用變化和研究區(qū)的交通道路數(shù)據(jù)，分別從全局和局部的不同尺度對土地利用變化過程的時空模式進行量化研究。

1 研究區(qū)域與數(shù)據(jù)處理

1.1 研究區(qū)概況

研究區(qū)淮南市位于華東腹地，淮河中游，安徽中部偏北，116°21′5″～117°12′30″E，31°54′8″～33°00′26″N。轄區(qū)東西最長距離80.23 km，南北最長距離122.68 km，總面積5 533 km2。研究區(qū)為淮南市市轄區(qū)。研究區(qū)內淮河以南為丘陵，屬于江淮丘陵的一部分，北、中部為淮河沖積平原，地勢南高北低；西北部沿淮河、淠河洼池；東南部為崗地。土地利用情況上，從2008—2017年，耕地和水體總體變化幅度較小，草地、林地和未利用地呈現(xiàn)下降趨勢，城鄉(xiāng)工礦居民用地占比呈上升趨勢，其中草地主要向城鄉(xiāng)工礦居民用地以及耕地轉化，林地及未利用地主要向城鄉(xiāng)工礦居民用地以及草地轉化。

1.2 數(shù)據(jù)來源與數(shù)據(jù)處理

本文研究所用的多期序列土地利用數(shù)據(jù)是過去10年的遙感圖像中解譯得到的。研究區(qū)的序列遙感數(shù)據(jù)系在地理空間數(shù)據(jù)云（http://www.gscloud.cn/search）上下載2008年到2017年10期的Landsat遙感影像數(shù)據(jù)。2008—2012年選擇數(shù)據(jù)集為Landsat 4-5 TM，2013年選擇數(shù)據(jù)集為Landsat 7 ETM，2014—2017年選擇Landsat 8 OLI，選擇時間在5-10月份間的云量少的數(shù)據(jù)。因為淮南市區(qū)不能被一景影像完全覆蓋，需要下載行列號為[121,37]和[121,38]的兩幅影像用于后續(xù)處理。本研究所需的道路交通數(shù)據(jù)系通過OpenStreetMap官網(wǎng)（https://www.openstreetmap.org）下載的路網(wǎng)數(shù)據(jù)。

在數(shù)據(jù)處理上，首先對10期遙感影像均進行7，4，1波段的組合，選擇遙感影像上的道路交叉口等便于實地查找的點作為控制點對影像進行幾何校正，再通過無縫鑲嵌和裁剪提取完整的淮南市區(qū)的試驗數(shù)據(jù)。其次，開展監(jiān)督分類，其中選擇訓練樣本主要包括6大類：草地、耕地、林地、水體、城鄉(xiāng)工礦居民用地和未利用土地。選擇支持向量機分類器的方法進行監(jiān)督分類。再次，對監(jiān)督分類后的數(shù)據(jù)開展后處理操作，通過聚類處理去融合碎屑斑塊，手動局部修改分類錯誤的類別，盡可能確保解譯精度達到80%以上。最后將分類后處理完成的結果導出成矢量格式的文件，即可用于后續(xù)研究。

2 研究方法

2.1 時空采樣方法及時空過程提取

本研究利用覆蓋全區(qū)的規(guī)則格網(wǎng)對2008—2017年10期的序列土地利用數(shù)據(jù)分別采樣。在基于時空格網(wǎng)對序列土地利用數(shù)據(jù)開展土地利用演化單元采樣的過程中，重點解決以下關鍵問題：①格網(wǎng)尺度問題。對于該問題，經(jīng)過多次試驗，本研究最終采用300×300 m的格網(wǎng)進行采樣，研究區(qū)邊緣的不規(guī)則地塊，面積大于0.5個規(guī)則格網(wǎng)的單獨作為一個樣區(qū)，面積小于0.5個規(guī)則格網(wǎng)的并入相鄰的樣區(qū)；②土地利用程度等級賦值問題。土地利用程度等級劃分的標準有很多種，結合本文土地利用類型劃分結果，本文采用文獻[27]的方法，將土地利用程度分為4個等級。1級：未（難）利用地；2級：林草水用地（林地、草地、水域）；3級：農業(yè)用地（耕地、園地、人工草地）；4級：建設用地（居民點、工礦及交通用地）。③土地利用演化單元的土地利用程度賦值問題。每個格網(wǎng)內往往是4種程度等級的土地利用方式各自占據(jù)一定的面積份額，共同對該樣區(qū)內的土地利用程度做出自己的貢獻[28]。因此，可以采用一定的數(shù)學方法對格網(wǎng)內的土地利用程度指數(shù)進行數(shù)據(jù)綜合，抽象出一個數(shù)據(jù)來表征該格網(wǎng)的綜合土地利用程度。計算方法為：

式中I表示第個格網(wǎng)的土地利用程度綜合指數(shù)；A為第級土地利用程度分級指數(shù)；S為第級土地利用面積；為該格網(wǎng)內土地總面積；為土地利用程度分級數(shù)。

進行空間采樣后的數(shù)據(jù)已轉化為賦值土地利用程度的規(guī)則格網(wǎng)數(shù)據(jù)，為了提取出土地利用程度在10年間的時空演變過程，需要將三維的時空過程壓縮到二維平面上展示，同時將格網(wǎng)的屬性賦值給格網(wǎng)對應的中心點，以便于進行后續(xù)的點模式分析。采用“求鄰期之間變化累積和”的方法，將每一期數(shù)據(jù)的格網(wǎng)按照相對位置一一對應，對相鄰期各對應格網(wǎng)的土地利用程度屬性求差，獲得土地利用程度的變化值，再對所有的求差結果求和，即獲得10期數(shù)據(jù)的土地利用程度變化累積值，得出的每一個值都對應了一類時空過程，值不同說明代表的是不同的時空演變過程。

2.2 基于土地利用程度累積變化度的時空過程提取

土地利用程度累積變化度（cumulative value of land use intensity change，CVLUIC）即對研究時段內所有相鄰年份的兩期數(shù)據(jù)土地利用程度進行差值運算并取絕對值后再求和所得到的結果。CVLUIC的大小可反映樣區(qū)在研究時段內土地利用程度的變化劇烈程度。在研究中需要對CVLUIC進行分類，通過分析CVLUIC不同類型的樣本的分布特征，可以得出相應的規(guī)律。本文對CVLUIC的分類采用K-means聚類方法，通過聚類讓每一個簇內土地利用演化單元之間的CVLUIC差異最小。

2.3 NNI指數(shù)

最鄰近距離分析法（Nearest Neighbor Analysis）是基于空間距離的方法，將其離得最近點的平均距離與隨機分布模式下的預期最近鄰距離進行比較，用最近鄰指數(shù)（NNI）來判斷“點”的空間聚集性。而本文利用NNI指數(shù)分析不同類型的CVLUIC在整體上的時空分布特點以及在不同道路緩沖區(qū)范圍內的分布情況。

式中d是指第個格網(wǎng)與其最近鄰格網(wǎng)之間的距離，是CVLUIC分級后每一級的格網(wǎng)數(shù)，是研究區(qū)面積。當近鄰指數(shù)接近1時要素呈隨機分布；當近鄰指數(shù)小于1時要素呈集聚分布；近鄰指數(shù)大于1時均勻分布。為了更好地反映實測平均距離和預期平均距離偏離程度，用正態(tài)分布檢驗得出值及其置信水平。值為負且值越小時，要素分布越趨于集聚分布；正值且越大則要素顯著偏向均勻分布；位于二者之問則隨機分布。

2.4 Ripley’s k指數(shù)

多距離空間聚類分析Ripley’s k函數(shù)是空間點模式分析的常用方法之一。傳統(tǒng)的進行空間統(tǒng)計分析的方法（例如NNI指數(shù)）只能分析單一尺度的空間分布規(guī)律，而Ripley’s k函數(shù)卻可以描述不同空間尺度下，不同CVLUIC類型的分布特征，最大限度的利用了空間點的信息。Ripley’s k函數(shù)公式如下：

式中為點的數(shù)量；表示空間尺度；u表示點和點之間的距離；當u≤時，I(u)=1，當u>時，I(u)=0；為了更好地解釋實際空間格局，提出了函數(shù)代替函數(shù)，由此可得：

式中是距離；k,j時候權重，如果沒有邊校正，當和之間的距離小于時，則k,j=1，反之k,j=0。在()變換下，“預期值”等于“距離”。

如果特定距離的觀測值大于預期值，該CVLUIC類型在觀測尺度服從聚集分布；如果觀測值等于預期值，該CVLUIC類型在觀測尺度服從隨機分布；如果觀測值小于預期值，該CVLUIC類別在觀測尺度服從均勻模式。通過在研究區(qū)域中隨機分布點并計算該分布的值來構建置信區(qū)間。如果觀測值大于置信區(qū)間上限值，則該距離的空間聚類具有統(tǒng)計顯著性；反之，如果觀測值小于置信區(qū)間下限值，則該距離的空間離散具有統(tǒng)計顯著性。

3 結果與分析

3.1 土地利用遙感解譯結果

在監(jiān)督分類過程中，通過計算訓練樣本的可分離度對訓練進行精度評估，選取的評估標準為各類別間的樣本可分離度達到1.8以上的樣本符合條件，否則重新選擇樣本再次計算直至可分離度達到1.8以上。由于數(shù)據(jù)的可得性的限制，本文只能使用2013—2017年的研究區(qū)同期2 m分辨率的高分遙感影像數(shù)據(jù)進行可靠性分析，通過隨機采樣點，將高分影像的分類結果與同期的Landsat監(jiān)督分類結果對應點的土地利用類型進行比較，獲得轉換矩陣，最后計算出Kappa系數(shù)為79.3%。

3.2 基于CVLUIC的時空過程提取結果

表1描述了研究區(qū)的CVLUIC分布情況。按照K-means聚類方法，并結合研究區(qū)CVLUIC的分布特征，將CVLUIC值在4.02～13.25之間的為類型I（共2 275個時空演化樣本），表示土地利用程度變化劇烈；CVLUIC值在1.92～4.01之間的為類型II（共7 651個時空演化樣本），表示土地利用程度變化較為劇烈；CVLUIC值在0～1.91的為類型III，表示土地利用程度的變化平緩（共5 742個時空演化樣本）（結果如圖1所示）。

表1 2008—2017年淮南市土地利用程度累積變化度

圖1 2008—2017年淮南市CVLUIC的分類結果

Fig.1 Classification results of CVLUIC in Huainan city from 2008 to 2017

3.3 研究區(qū)土地利用程度的總體時空演化特征

為了考察研究區(qū)過去10a的土地利用程度總體時空演化特征，本文通過對樣本數(shù)據(jù)的Kringing插值方式制作表面模型，從而得到2008年至2017年淮南市每一年的土地利用程度的空間分布，以及2008—2017年淮南市CVLUIC的空間分布。結合淮南市的城鎮(zhèn)分布情況以及主要交通干道分布情況可以發(fā)現(xiàn)：整體而言，土地利用程度變化劇烈程度受城鎮(zhèn)分布以及主要交通分布的影響，在各行政中心以及鐵路、省道等主要道路附近土地利用程度變化累積值較高。觀察10年土地利用程度序列數(shù)據(jù)可見，對不同區(qū)域而言，中部地區(qū)土地利用程度等級較高，南部和北部地區(qū)土地利用程度等級均居中；北部地區(qū)土地利用程度有下降趨勢，南部地區(qū)較為穩(wěn)定，東部地區(qū)的變化較大。

結合研究基期淮南市市轄區(qū)2008年土地利用程度圖（圖2a）和2008—2017年淮南市CVLUIC圖（圖2b），得出表2所示分析：

表2 研究區(qū)10a土地利用變化過程與研究基期的特征分析

圖2 2008年淮南市土地利用程度和2008—2017年CVLUIC

3.4 淮南市土地利用程度的時空聚集性

從NNI指數(shù)和Ripley’s指標的統(tǒng)計結果（分別見表 3和圖3）可得，類型I呈聚集分布，且在整個研究區(qū)域范圍內呈現(xiàn)出統(tǒng)計顯著性；而類型II和類型III呈均勻分布，也具有統(tǒng)計顯著性。

表3 3類土地利用變化時空過程NNI總體特征

a. 類型Ib. 類型IIc. 類型III a. Type Ib. Type IIc. Type III

圖3 各類在總體上的Ripley’s指標

Fig.3 Various Ripley'sindicators in general

對于類型I、II、III，結合淮南市公路網(wǎng)，分別計算道路沿線不同緩沖區(qū)（300、600、900 m）下的NNI值。從表4所示的結果中，我們可以發(fā)現(xiàn)，在距離道路較近的范圍內（300和600 m緩沖區(qū)），類型I、類型II、類型III均呈聚集分布，但是隨著緩沖區(qū)范圍的增加，分布就會向著無緩沖區(qū)時的分布類型進行變化，而且變化的速度也各不相同，說明土地利用程度的變化過程受到距離道路遠近的顯著影響，但影響程度和范圍也有差異。

計算類型I、II、III在道路沿線不同緩沖區(qū)范圍內的Ripley’s指數(shù)（圖4為類型I、II、III在各級緩沖區(qū)下的Ripley’s指數(shù)結果），并結合NNI指標，得出以下結果：在99%的置信度水平下，類型I在整個距離范圍內呈現(xiàn)出聚集性具有統(tǒng)計顯著性，表明土地利用程度的劇烈變化具有顯著的時空聚集性，隨著緩沖區(qū)范圍增大，土地利用程度的劇烈變化的聚集程度逐漸下降（在距離相同的情況下，觀測值和預期值相距越遠聚集程度越高）；類型II在整個距離范圍內未呈現(xiàn)出離散統(tǒng)計顯著性；類型III在整個距離范圍內呈現(xiàn)出聚類統(tǒng)計顯著性，且伴隨著緩沖區(qū)范圍增大，聚類程度逐漸下降，且下降速度和類型I相比更快，表明土地利用程度的平緩變化受尺度的影響更為突出。

表4 道路沿線不同緩沖區(qū)范圍內各類型的NNI指標

圖4 類型I、II和III在各緩沖區(qū)下的Ripley’s K指數(shù)結果

4 討 論

土地利用變化過程是一個多因素驅動的能量、物質和信息轉移的復雜過程。本文從土地利用程度的時空變化入手開展土地利用變化的時空模式研究，以揭示不同時空尺度上的土地利用變化過程的潛在規(guī)律。眾所周知，地理事件或地理現(xiàn)象的空間統(tǒng)計模式存在尺度依賴。因此本文得出的結論只是在特定的采樣尺度下的特定結論，是該尺度下土地利用變化時空規(guī)律的表征。同時，土地利用變化的驅動因子和影響因素眾多。本文選取道路因子進行分析，重點討論了道路的不同鄰近性對土地利用程度變化的影響。這種隨著道路鄰近性的隨機/聚集模式是否還受到其他因素的影響還需要后續(xù)研究的進一步論證。

本文對時空過程的模式研究是基于對時空過程的規(guī)則格網(wǎng)采樣實現(xiàn)的。采樣的方式和格網(wǎng)單元的取值方法不同，或會對土地利用過程時空模式的結論產生影響。一方面隨著規(guī)則格網(wǎng)的采樣尺度不同，空間的聚集/隨機的結論會因為存在尺度依賴而產生差異；另一方面對格網(wǎng)內的土地利用類型的賦值，可能存在類似混合類型單元的情況。針對這類情況，常用的手段有中心法、重要性法、面積占優(yōu)法和百分比法等多種賦值方式。到底采用哪一種方式合適，取決于哪一種賦值方式對時空模式的結論影響最小。這種影響的規(guī)律性需要進一步的定量研究。

CVLUIC是本文概化土地利用變化時空過程的核心手段。如何對土地利用程度累積變化度進行分級，是影響時空模式挖掘的關鍵。無論是采用頻率圖的方式，亦或是采用聚類的方式，不同的分級結果都會對土地利用變化的時空模式的度量產生影響。同樣的，不同分級方法產生影響的大小和趨勢需要系統(tǒng)而全面的分析，才能為分級提供更加科學的依據(jù)。本文采用CVLUIC將土地利用變化的時序特征壓縮為了一個時點狀態(tài)。這種方式雖然便于研究土地利用過程的時空模式，卻忽視了土地利用過程在演化的時間序列上的差異。例如，這種方式無法度量土地利用程度在整個過程中是先高后低還是先低后高。

本文采用的是均勻的時空格網(wǎng)進行土地利用時空過程采樣。這種方式的優(yōu)點是易行高效；不足之處在于，這種均勻的格網(wǎng)無法差異化地表達土地利用單元的形狀、周長、鄰居的拓撲結構等特征[29-30]。然而，一塊土地利用圖斑從一個狀態(tài)向另一狀態(tài)的演化必然受到以上這些因素的影響和制約。眾所周知，一個狹長的耕地與一個規(guī)則的矩形耕地地塊向建設用地轉移的概率顯然是不同的。一個優(yōu)異的時空過程模型應當是簡潔性和精確性的統(tǒng)一，要能夠剔除與研究目標關系不緊密的因素的影響的同時，盡可能保持對影響時空演變的各種因素的差異性的表達和度量。

5 結 論

LUCC研究已經(jīng)從“格局導向”向著“過程導向”轉變。本文以序列快照間的土地利用變化過程為研究對象，以時空柵格為基本的建模手段、以土地利用程度累積變化度為時空過程的基本度量工具、利用時空統(tǒng)計的方法，定量探討淮南市土地利用變化的時空模式。結果表明，在全局的時空模式上，過去10a淮南市土地利用程度的劇烈變化和土地利用程度的平緩變化均呈現(xiàn)顯著的聚集性特征，而較為劇烈的土地利用程度變化則呈均勻分布模式，但并不顯著；在局部的時空模式上，呈現(xiàn)聚集分布模式的區(qū)域在距離道路一定范圍內體現(xiàn)出統(tǒng)計顯著性聚類，而呈現(xiàn)均勻分布的區(qū)域則沒有體現(xiàn)出統(tǒng)計顯著性；在距離道路較近的范圍內（300 m），10年間土地利用程度變化的無論是劇烈變化還是平緩變化區(qū)域均呈顯著的聚集分布；隨著分析范圍的擴大（從300到600 m）聚集程度逐漸下降；到距離道路900m范圍內，較為劇烈的土地利用程度變化的土地利用變化過程開始呈現(xiàn)不顯著的均勻分布。本文通過土地利用程度累積變化度將土地利用單元的時空演化過程映射為一期的時空快照，從而為土地利用變化的時空模式挖掘提供了可能。本研究的結果證明了該方法的可行性，也為土地利用變化的時空過程研究提供了一個新穎的思路。

[1]Maciel A M, Camara G, Vinhas L, et al. A spatiotemporal calculus for reasoning about land-use trajectories[J]. International Journal of Geographical Information Science, 2019, 33(1): 176－192.

[2]Maciel A M, Vinhas L, Camara G, et al. An interval-based approach for reasoning about land use change Trajectories[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 1958－1961.

[3]Ghurah M A, Kamarudin M, Wahab N A, et al. Temporal change detection of land use/land cover using GIS and remote sensing techniques in South Ghor Regions, Al-Karak, Jordan[J]. Journal of Fundamental and Applied Sciences, 2018, 10(1): 95－111.

[4]李少英，劉小平，黎夏，等. 土地利用變化模擬模型及應用研究進展[J]. 遙感學報，2017，21(3)：329－340. Li Shaoying，Liu Xiaoping, Li Xia, et al. Simulation model of land use dynamics and application: Progress and prospects[J]. Journal of Remote Sensing, 2017, 21(3): 329－340. (in Chinese with English abstract)

[5]Xing J, Sieber R E. A land use/land cover change geospatial cyberinfrastructure to integrate big data and temporal topology[J]. International Journal of Geographical Information Science, 2016, 30(3): 573－593.

[6]Zhang Y, Xu B. Spatiotemporal analysis of land use/cover changes in Nanchang area, China[J]. International Journal of Digital Earth, 2015, 8(4): 312－333.

[7]劉紀遠，匡文慧，張增祥，等. 20世紀80年代末以來中國土地利用變化的基本特征與空間格局[J]. 地理學報，2014，69(1)：3－14. Liu Jiyuan, Kuang Wenhui, Zhang Zengxiang, et al. Spatial patterns and driving forces of land use change in China in the early 21st century[J]. Acta Geographica Sinica, 2014, 69(1): 3－14. (in Chinese with English abstract)

[8]Zomlot Z, Verbeiren B, Huysmans M, et al. Trajectory analysis of land use and land cover maps to improve spatial–temporal patterns, and impact assessment on groundwater recharge[J]. Journal of Hydrology, 2017, 554－566.

[9]Velázquez J, Gutiérrez J, Hernando A, et al. Measuring mosaic diversity based on land use map in the region of Madrid, Spain[J]. Land Use Policy, 2018, 71: 329－334.

[10]趙晶，徐建華，梅安新，等. 上海市土地利用結構和形態(tài)演變的信息熵與分維分析[J]. 地理研究，2004，23(2)：137－146. Zhao Jing, Xu Jianhua, Mei Anxin, et al. A study on the information entropy and fractal dimension of land use structure and form in Shanghai[J]. Geographical Research, 2004, 23(2): 137－146. (in Chinese with English abstract)

[11]吳啟焰，陳輝，Wu B，等. 城市空間形態(tài)的最低成本—周期擴張規(guī)律：以昆明為例[J]. 地理研究，2012，31(3)：484－794. Wu Qiyan, Chen Hui, Wu B, et a1. The minimun cost-cysle expansion law of urban spatial morphology: A case study of Kunming in China[J]. Geographical Research, 2012, 31(3): 484－494. (in Chinese with English abstract)

[12]唐華俊，吳文斌，楊鵬，等. 土地利用/土地覆被變化(LUCC)模型研究進展[J]. 地理學報，2009，64(4)：456－468. Tang Huajun, Wu Wenbin, Yang Peng, et al. Recent progresses of land use and land cover change (LUCC) models[J]. Acta Geographic Sinica, 2009, 64(4): 456－468. (in Chinese with English abstract)

[13]張麗，楊國范，劉吉平. 1986—2012年撫順市土地利用動態(tài)變化及熱點分析[J]. 地理科學，2014，34(2)：185－191. Zhang Li, Yang Guofan, Liu Jiping. The dynamic changes and hotspot analysis of Fushun City from 1986 to 2012. Scientia Geographica Sinica, 2014, 34(2), 185－191. (in Chinese with English abstract)

[14]王勁峰，葛詠，李連發(fā)，等. 地理學時空數(shù)據(jù)分析方法[J]. 地理學報，2014，69(9)：1326－1345. Wang Jinfeng, Ge Yong, Li Lianfa, et a1. Spatiotemporal data analysis in geography[J]. Acta Geographica Sinica, 2014, 69(9): 1326－1345. (in Chinese with English abstract)

[15]Memarian H, Balasundram S K, Talib J B, et al. Validation of CA-Markov for simulation of land use and cover change in the Langat Basin, Malaysia[J]. Journal of Geographic Information System, 2012, 4(6): 542－554.

[16]Keshtkar H, Voigt W. A spatiotemporal analysis of landscape change using an integrated Markov chain and cellular automata models[J]. Modeling Earth Systems and Environment, 2016, 2(1): 10－21.

[17]梁明，孫毅中，羅榮，等. 基于綜合多尺度特征決策樹模型的土地利用變化分析[J]. 農業(yè)工程學報，2014，30(17)：259－267. Liang Ming, Sun Yizhong, Luo Rong, et al. Analysis on land use change based on decision-tree model with comprehensive multi-scale characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 259－267. (in Chinese with English abstract)

[18]Fu X, Wang X, Yang Y J. Deriving suitability factors for CA-Markov land use simulation model based on local historical data[J]. Journal of Environmental Management, 2017, 206: 10－19.

[19]He J, Li X, Yao Y, et al. Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques[J]. International Journal of Geographical Information Science, 2018, 32(10): 2076－2097.

[20]劉紀遠，鄧祥征. LUCC時空過程研究的方法進展[J]. 科學通報，2009，54(21)：3251－3258. Liu Jiyuan, Deng Zhengxiang. Progress of the research methodologies on the temporal and spatial process of LUCC[J]. Chinese Sci Bull, 2009, 54(21): 3251－3258. (in Chinese with English abstract)

[21]張國坤，鄧偉，張洪巖，等. 新開河流域土地利用格局變化圖譜分析[J]. 地理學報，2010，65(9)：1111－1120. Zhang Guokun, Deng Wei, Zhong Hongyan, et al. The TUPU analysis of land use pattern in Xinkai river basin[J]. Acta Geographica Sinica, 2010, 65(9): 1111－1120. (in Chinese with English abstract)

[22]方涯盼，張豐，杜震洪，等. 基于拓撲和空間相似性的地理事件檢測：以土地利用數(shù)據(jù)更新為例[J]. 浙江大學學報：理學版，2016，43(6)：701－708. Fang Yapan, Zhang Feng, Du Zhenhong, et a1. Geographical event detection based on topology and spatial similarity[J]. Journal of Zhejiang University: Science Edition, 2016, 43(6): 701－708. (in Chinese with English abstract)

[23]呂曉，史洋洋，黃賢金，等. 江蘇省土地利用變化的圖譜特征[J]. 應用生態(tài)學報，2016，27(4)：1077－1084. Lv Xiao, Shi Yangyang, Huang Xianjin, et a1. Geo-spectrum characteristics of land use change in Jiangsu Province[J]. Chinese Journal of Applied Ecology, 2016, 27(4): 1077－1084. (in Chinese with English abstract)

[24]李寅超，李建松. 基于過程對象的地表覆蓋變化時空過程表達模型[J]. 吉林大學學報：地球科學版，2017，47(3)：916－924. Li Yinchao, Li Jiansong. A spatio-temporal process expression model for land cover based on process object[J]. Journal of Jilin University: Earth Science Edition, 2017, 47(3): 916－924. (in Chinese with English abstract)

[25]齊建超，劉慧平，伊堯國. 應用自組織映射方法的北京市2005—2013年土地利用時空演變分析[J]. 生態(tài)學報，2017，37(19)：6346－6354. Qi Jianchao, Liu Huiping, Yi Yaoguo. Land use spatial-temporal evolution analysis using a self-organizing map in Beijing，2005－2013[J]. Acta Ecologica Sinica, 2017, 37(19): 6346－6354. (in Chinese with English abstract)

[26]買買提江·買提尼亞孜，阿里木江·卡斯木. 基于網(wǎng)格單元的烏魯木齊市土地覆被/利用時空變化[J]. 農業(yè)工程學報，2018，34(1)：210－216. Maimaitijiang Maitiniyazi, Alimujiang Kasimu. Spatial-temporal change of Urumqi urban land use and land cover based on grid cell approach[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 210－216. (in Chinese with English abstract)

[27]胡和兵，劉紅玉，郝敬鋒，等. 南京市九鄉(xiāng)河流域土地利用程度空間異質性分析[J]. 地球信息科學學報，2012，14(5)：627－634. Hu Hebing, Liu Hongyu, Hao Jingfeng. et a1. Spatial heterogeneity of land use degree in Jiuxiang river watershed, Nanjing city, China[J]. Journal of Geo-information Science, 2012, 14(5): 627－634. (in Chinese with English abstract)

[28]王國杰，廖善剛. 土地利用強度變化的空間異質性研究[J]. 應用生態(tài)學報，2006，17(4)：611－614. Wang Guojie, Liao Shangang. Spatial heterogeneity of land use intensity[J]. Chinese Journal of Applied Ecology, 2006, 17(4): 611－614. (in Chinese with English abstract)

[29]張東菊，左平，鄒欣慶. 基于加權Ripley's K-function的多尺度景觀格局分析：以江蘇鹽城濱海濕地為例[J]. 生態(tài)學報，2015，35(8)：2703－2711. Zhang Dongju, Zuo Ping, Zou Xinqing. Multi-scale anslysis of landscape characteristics in coastal wetlands in Yancheng, Jiangsu, based on the weighted Ripley’s K-function method[J]. Acta Ecologics Sinica, 2015, 35(8)：2703－2711. (in Chinese with English abstract)

[30]常春艷，趙庚星，王凌，等. 黃河口生態(tài)脆弱區(qū)土地利用時空變化及驅動因素分析[J]. 農業(yè)工程學報，2012，28(24)：226－234. Chang Chunyan, Zhao Gengxing, Wang Ling, et al. Land use spatiotemporal changes and its driving forces analysis in vulnerable ecological region of Yellow River Estuary[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): 226－234. (in Chinese with English abstract)

Spatiotemporal evolution characteristics of land use intensity change process of Huainan

Liang Ming1,2, Nie Pin3, Lu Yinhao1,2, Sun Xiaojuan4

(1.,,230601,; 2.,,230601,; 3.,,210023,; 4.,,430079,)

Land use and coverage change (LUCC) is an important research field of global change. Currently, land use and coverage change research focuses on the analysis of land use structures during the same period, and structure changes in the overall quantity of land use between time-series periods. While, the study of quantitative analysis of land use evolution process in different periods is deficient, which results difficulty to profoundly reveal the temporal and spatial patterns and evolution laws that may exist in the process of land change. Therefore, in this paper, we proposed a spatiotemporal pattern analysis of land use change based on the spatiotemporal process of land use. In this paper, the spatiotemporal variation sequence data of land use was the study object. Firstly, the spatiotemporal variation sequence of land use intensity in the study area was extracted by the spatiotemporal network. Secondly, as the basic measurement tool, the cumulative value of land use intensity change (CVLUIC) of different spatiotemporal variation sequences of land use was calculated. Thirdly, the CVLUIC is divided into three grades by K-means clustering. Finally, the spatiotemporal clustering analysis of different land use change grades was carried out. From the global perspective, the spatiotemporal pattern of land use change process was measured by the nearest neighbor distance analysis method. On the other hand, based on Ripley's k function, the multi-scale impact of traffic network on land use temporal and spatial change patterns was analyzed. The results showed that the dramatic land use intensity change (Type I) and the gradual land use intensity change (Type III) over the 10-year period from 2008 to 2017 in the study area showed significant clustering characteristics.While, the spatiotemporal clustering characteristics of the more severe land use intensity change (Type II) between Type I and Type III was not significant,The results showed that the human disturbance activities have obvious spatiotemporal heterogeneity during the study period. Additionally, the traffic network had a strong influence on land use and coverage change. The three types of land use intensity were clustered in the range close to the traffic network (in the range of 300 m and 600 m), and tend to be randomly distributed in the farther distance (within 900 m), which showed that the transportation network had a strong impact on land use change. At different spatial scales from the transportation network, the dramatic land use intensity change (Type I) and the gradual land use intensity change (Type III) showed significant significance on the small spatial scale, while the more severe land use intensity change (Type II) at multiple scales was not significant. This indicated that there were scale differences in the impact of transportation network on spatial and temporal changes of land use degree, and more extreme land use change processes (Type I and Type III) were more likely to show spatial and temporal aggregation. Through analyzing the land use change from the perspective of the spatiotemporal evolution process, our work will be useful supplement to the LUCC research.

land use; remote sensing; spatiotemporal process; spatiotemporal clustering; land use intensity; nearest neighbor distance

梁 明，聶 拼，陸胤昊，孫曉娟. 淮南市土地利用程度變化過程的時空演化特征[J]. 農業(yè)工程學報，2019，35(22)：99－106. doi：10.11975/j.issn.1002-6819.2019.22.011 http://www.tcsae.org

Liang Ming, Nie Pin, Lu Yinhao, Sun Xiaojuan. Spatiotemporal evolution characteristics of land use intensity change process of Huainan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 99－106. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.22.011 http://www.tcsae.org

2019-01-02

2019-08-15

國家自然科學基金（41602173，41771188）；安徽省自然科學基金（1908085QD164）；安徽省高等學校自然科學研究項目（KJ2019A0046）；安徽省國土廳科技項目（2016-K-12）

梁 明，講師，博士，主要從事時空數(shù)據(jù)挖掘和3D GIS研究。Email：lming@mail.ccnu.edu.cn

10.11975/j.issn.1002-6819.2019.22.011

P208

A

1002-6819(2019)-22-0099-08