基于1990—2019年Landsat影像的干旱區(qū)綠洲土地利用變化與模擬

宋奇， 馮春暉， 馬自強(qiáng)， 王楠， 紀(jì)文君， 彭杰

(1.塔里木大學(xué)農(nóng)學(xué)學(xué)院，阿拉爾 843300； 2.北京大學(xué)地球與空間科學(xué)學(xué)院遙感與地理信息系統(tǒng)研究所，北京 100871； 3.浙江大學(xué)環(huán)境與資源學(xué)院，杭州 310058； 4.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083)

0 引言

土地利用變化是影響生態(tài)環(huán)境的重要因素之一，已成為全球變化和可持續(xù)發(fā)展研究的重要內(nèi)容[1-2]。土地利用變化改變了區(qū)域的物質(zhì)循環(huán)、自然景觀和各種生態(tài)過程，進(jìn)而導(dǎo)致全球生態(tài)系統(tǒng)發(fā)生變化[3-5]，使得土地利用變化與模擬成為研究區(qū)域和全球生態(tài)系統(tǒng)變化的主要趨勢和潮流[6-8]。為降低區(qū)域土地利用變化對(duì)自然和社會(huì)環(huán)境的影響，有必要對(duì)連續(xù)長時(shí)序的區(qū)域土地利用變化進(jìn)行分析并對(duì)未來土地利用變化情況進(jìn)行模擬，以期為土地利用變化的調(diào)控和管理提供參考。

國內(nèi)外研究者對(duì)土地利用變化的研究主要集中在土地利用時(shí)空變化特征[9]、土地利用變化機(jī)制或驅(qū)動(dòng)力[10]、土地利用變化的環(huán)境影響[11]等方面，少有涉及連續(xù)長時(shí)間序列的土地內(nèi)部結(jié)構(gòu)詳細(xì)轉(zhuǎn)移過程與模擬。從研究區(qū)域上看，多數(shù)研究集中在東部沿海經(jīng)濟(jì)發(fā)達(dá)的城市區(qū)域[12-13]，而著眼于西北干旱區(qū)經(jīng)濟(jì)較為落后的典型人工綠洲區(qū)域的研究甚少。同時(shí)，城市區(qū)域的土地利用變化研究所使用的數(shù)據(jù)源多為典型時(shí)間斷面的單時(shí)相遙感影像和單一的社會(huì)統(tǒng)計(jì)數(shù)據(jù)[14]，不僅未能有效捕捉連續(xù)性信息和解譯更精細(xì)土地利用分類結(jié)果，特別是造成一些關(guān)鍵突變點(diǎn)或拐點(diǎn)信息的遺漏，而且也不能全面反映研究區(qū)地形地貌、路網(wǎng)和氣象情況。因此，基于連續(xù)長時(shí)間序列的多時(shí)相遙感影像和多數(shù)據(jù)源(地形地貌、路網(wǎng)、氣象和社會(huì)統(tǒng)計(jì)數(shù)據(jù)等)對(duì)人工綠洲區(qū)域的土地利用內(nèi)部結(jié)構(gòu)轉(zhuǎn)變過程及定量模擬機(jī)制研究仍需進(jìn)一步加強(qiáng)。

阿拉爾墾區(qū)位于我國西北干旱地區(qū)，屬于典型的人工綠洲區(qū)域，墾區(qū)內(nèi)荒漠區(qū)域的自然土壤表層常覆有一層鹽結(jié)皮以防止水分流失，保護(hù)土壤內(nèi)部結(jié)構(gòu)，過度的土地開發(fā)利用破壞了表層鹽結(jié)皮，加速了水分流失，影響了土壤水分和大氣循環(huán)系統(tǒng)。同時(shí)，阿拉爾墾區(qū)緊鄰塔克拉瑪干沙漠，自然環(huán)境惡劣，常出現(xiàn)大風(fēng)、揚(yáng)塵和沙暴等極端天氣，自然狀態(tài)下的鹽結(jié)皮能抵抗10級(jí)風(fēng)的侵蝕，而表層鹽結(jié)皮破壞后3級(jí)風(fēng)就能引起揚(yáng)塵，嚴(yán)重影響空氣質(zhì)量[15]。此外，植被也是研究區(qū)的天然生態(tài)屏障[16]，但自然植被對(duì)生態(tài)系統(tǒng)的維護(hù)能力大于人工植被，而阿拉爾墾區(qū)內(nèi)的植被以人工植被(農(nóng)作物和經(jīng)濟(jì)林)為主，自然植被(林草地)為輔，且農(nóng)作物多為1 a生植物，極易受到破壞。因此，有必要對(duì)墾區(qū)進(jìn)行土地利用變化和模擬研究，為未來土地利用規(guī)劃提供科學(xué)依據(jù)。

本研究以西北干旱區(qū)典型人工綠洲阿拉爾墾區(qū)為例，收集1990—2019年所有可用Landsat遙感影像、地形地貌、路網(wǎng)、氣象和社會(huì)統(tǒng)計(jì)數(shù)據(jù)，將逐年各月份影像進(jìn)行多時(shí)相合成，使用支持向量機(jī)(support vector machine,SVM)分類方法，輔以2019年高分二號(hào)遙感影像及野外勘察對(duì)多時(shí)相合成后影像進(jìn)行解譯分類，獲得逐年土地利用分類圖，從面積變化、類型轉(zhuǎn)化、空間動(dòng)態(tài)變化3方面進(jìn)行土地利用變化分析，選用CA(cellular automaton)-Markov模型對(duì)阿拉爾墾區(qū)2010年土地利用情況進(jìn)行模擬并與真實(shí)情況比較，驗(yàn)證模擬模型的可靠性后，模擬2050年和2080年的土地利用情景，探究長時(shí)序土地利用類型面積的突變情況和驅(qū)動(dòng)因素，進(jìn)一步說明了CA-Markov模擬模型的優(yōu)勢，為典型人工綠洲區(qū)域的生態(tài)環(huán)境綜合管理和宏觀的土地資源與社會(huì)經(jīng)濟(jì)統(tǒng)籌管理提供理論依據(jù)。

1 研究區(qū)概況

阿拉爾墾區(qū)位于新疆維吾爾自治區(qū)阿克蘇地區(qū)，地處塔克拉瑪干沙漠和天山山脈的交匯過渡地帶，地理坐標(biāo)為E80°30′～81°58′，N40°22′～40°57′(圖1)，總面積4 105.92 km2。阿拉爾墾區(qū)地勢相對(duì)平坦，氣象多變，常有沙暴、揚(yáng)塵和霜凍等災(zāi)害，全年降水少蒸發(fā)大； 生態(tài)系統(tǒng)屬于荒漠—綠洲型，土壤表層常常附有一層鹽結(jié)皮，以防土壤水分蒸發(fā)； 墾區(qū)種植結(jié)構(gòu)單一，大面積種植棉花。

圖1 研究區(qū)地理位置

2 材料與方法

2.1 遙感數(shù)據(jù)源及其預(yù)處理

從美國USGS網(wǎng)站中(https: //earthexplorer.usgs.gov/)獲取1990—2019年間阿拉爾墾區(qū)(軌道號(hào)為146/32，空間分辨率為30 m)的所有Landsat遙感影像，并從中篩選出云覆蓋度低于40 %的可用影像，共259景，各影像云覆蓋度情況和每年影像數(shù)情況如圖2所示。

(a) 云覆蓋率 (b) 每年影像數(shù)

從圖2可看出各影像云覆蓋度情況多低于10 %，由于Landsat系列傳感器不斷更新，因此本文1990—1998年選用Landsat5，1999—2012年選用Landsat7，2013—2019年選用Landsat8影像，避免了多傳感器合成所帶來的誤差，且每年影像數(shù)至少有3景。

為了進(jìn)一步提高土地利用分類精確度，將所有影像逐一進(jìn)行預(yù)處理，其中包括輻射定標(biāo)、大氣校正、配準(zhǔn)、裁剪等操作，并提取各景影像的歸一化植被指數(shù)(normalized difference vegetation index,NDVI)，計(jì)算公式為：

NDVI=(NIR-R)/(NIR+R)，

(1)

式中：NIR為Landsat近紅外波段反射率;R為紅光波段反射率。

將每年各月份影像進(jìn)行NDVI最大值合成，得到逐年植被覆蓋最全面的情景，從數(shù)據(jù)源方面提高分類精度，相關(guān)影像的合成流程如圖3所示，對(duì)影像合成前后的局部放大對(duì)比中可以看出，NDVI最大值合成后的影像植被覆蓋度更高，利于解譯分類。

圖3 多時(shí)相遙感影像合成

2.2 土地利用分類方法

參考《新疆生產(chǎn)建設(shè)兵團(tuán)統(tǒng)計(jì)年鑒》(1990—2019年)中第一師各土地利用面積統(tǒng)計(jì)情況和已有的新疆土地利用分類體系[17-18]，結(jié)合阿拉爾墾區(qū)土地利用類型特點(diǎn)，將研究區(qū)土地利用類型分為6類。各土地利用類型的地表特征、影像特征和實(shí)地照片情況如表1所示。

表1 阿拉爾墾區(qū)分類體系及解譯標(biāo)志

(續(xù)表)

以2019年為例，根據(jù)阿拉爾墾區(qū)分類體系及解譯標(biāo)志情況建立各土地利用類型的分類樣本(圖4)，圖上括號(hào)內(nèi)為各類樣本所占的像素個(gè)數(shù)，共計(jì)1 024 951個(gè)分類像元數(shù)。根據(jù)各分類樣本，輔以收集的相關(guān)統(tǒng)計(jì)數(shù)據(jù)、高分影像和實(shí)地調(diào)查，采用監(jiān)督分類中的SVM分類方法進(jìn)行土地利用分類。選用全連接條件隨機(jī)場(fully connected conditional random field, FC-CRF)[19]這種分類后處理方法對(duì)分類后影像進(jìn)行分類后處理。

圖4 每類樣本點(diǎn)個(gè)數(shù)和分布

由于本文采用了多源遙感影像(Landsat8,Landsat7和Landsat5)進(jìn)行分類，此處以2019年的影像代表Landsat8，2010年的影像代表Landsat7，1990年的影像代表Landsat5，進(jìn)一步分析不同數(shù)據(jù)源的分類結(jié)果(圖5)和分類精度(表2)。從中可以看出不同數(shù)據(jù)源的總體分類精度和Kappa系數(shù)均大于80 %和0.8，并且各用地類型的制圖精度和用戶精度均大于75 %。整體而言，此分類方法得到的分類后結(jié)果優(yōu)異，可用于后續(xù)相關(guān)研究分析。

(a) Landsat8(2019年)(b) Landsat7(2010年)(c) Landsat5(1990年)

圖5 不同數(shù)據(jù)源的分類結(jié)果

表2 不同數(shù)據(jù)源的精度評(píng)價(jià)

2.3 土地利用變化分析方法

從各土地利用類型的面積變化、類型轉(zhuǎn)化和空間動(dòng)態(tài)變化3方面對(duì)阿拉爾墾區(qū)土地利用變化展開分析?；贏rcGIS軟件的空間分析功能，對(duì)各時(shí)間段起始年份和終止年份的分類后影像進(jìn)行分析，并制作各土地利用類型變化的轉(zhuǎn)移矩陣和空間動(dòng)態(tài)分布圖。

2.4 土地利用模擬數(shù)據(jù)的收集與處理

為提高土地利用模擬精度，參考相關(guān)文獻(xiàn)[20-22]并結(jié)合阿拉爾墾區(qū)的土地利用現(xiàn)狀，選取高程、坡度、坡向、距高速、鐵路、公路和水系距離、氣溫、降水、人口、國內(nèi)生產(chǎn)總值(gross domestic product,GDP)、全社會(huì)固定資產(chǎn)投資、第一產(chǎn)業(yè)、農(nóng)業(yè)生產(chǎn)總值和棉花價(jià)格共15種影響因素進(jìn)行土地利用模擬。

高程數(shù)據(jù)從中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)鏡像網(wǎng)站中獲取，在ArcGIS軟件中對(duì)高程數(shù)據(jù)進(jìn)行重采樣得到坡度和坡向信息，利用Near工具得到每個(gè)柵格到高速、鐵路、公路和水系的距離； 氣溫和降水?dāng)?shù)據(jù)從中國氣象科學(xué)數(shù)據(jù)共享網(wǎng)中獲取，并進(jìn)行反距離權(quán)重(inverse distance weight,IDW)空間插值得到氣溫和降水的空間分布情況； 人口、GDP、全社會(huì)固定資產(chǎn)投資、第一產(chǎn)業(yè)、農(nóng)業(yè)生產(chǎn)總值和棉花價(jià)格從《新疆生產(chǎn)建設(shè)兵團(tuán)統(tǒng)計(jì)年鑒》(1990—2019年)中獲取，并利用多因子權(quán)重分配法將以阿拉爾墾區(qū)為基本統(tǒng)計(jì)單元的統(tǒng)計(jì)數(shù)據(jù)分布到柵格單元上。

2.5 基于CA-Markov模型的土地利用模擬

馬爾科夫(Markov)模型側(cè)重于對(duì)土地利用變化數(shù)量的預(yù)測，缺乏對(duì)各土地利用類型的空間性表達(dá)，而CA模型能表達(dá)空間系統(tǒng)的時(shí)空動(dòng)態(tài)演化過程。將Markov模型和CA模型結(jié)合(CA-Markov模型)[23]進(jìn)行土地利用類型空間動(dòng)態(tài)變化的模擬和預(yù)測，其既能夠?qū)ν恋乩玫臄?shù)量變化進(jìn)行表達(dá)，也能對(duì)空間動(dòng)態(tài)變化進(jìn)行演示。

利用IDRISI軟件中的CA-Markov功能，首先利用1990—1999年10期土地利用數(shù)據(jù)和收集的15種影響因素?cái)?shù)據(jù)，模擬阿拉爾墾區(qū)2010年的土地利用變化情況并與2010年真實(shí)土地利用情況進(jìn)行比較。對(duì)模擬圖像進(jìn)行精度檢驗(yàn)，以驗(yàn)證CA-Markov模型模擬的可靠性，使用1990—2019年30期土地利用數(shù)據(jù)和相關(guān)影響因素?cái)?shù)據(jù)模擬出2050年和2080年的土地利用變化情況。

3 結(jié)果與分析

3.1 阿拉爾墾區(qū)土地利用變化分析

3.1.1 面積變化分析

對(duì)阿拉爾墾區(qū)1990—2019年間的最大值合成影像進(jìn)行土地利用分類并統(tǒng)計(jì)各土地利用類型面積，得到墾區(qū)各年份土地利用變化情況及其面積變化情況(圖6和圖7)。分類后結(jié)果的分辨率為30 m×30 m，從圖7(a)中可看出阿拉爾墾區(qū)耕地、園地、水體和建設(shè)用地面積呈增加趨勢，經(jīng)統(tǒng)計(jì)分別增加了1 147.19 km2，674.19 km2，107.58 km2和36.54 km2，林草地和未利用地面積呈減少趨勢，經(jīng)統(tǒng)計(jì)分別減少了33.67 km2和1 931.83 km2，各土地利用類型在1990—1995年間年均變化率最大(圖7(b))，說明此期間墾區(qū)內(nèi)土地利用變化最為劇烈。

(a) 各土地利用類型面積(b) 各土地利用類型的年均變化率

3.1.2 類型轉(zhuǎn)化分析

1990—2019年阿拉爾墾區(qū)各土地利用類型的轉(zhuǎn)化情況如表3所示。阿拉爾墾區(qū)耕地面積增加1 516.19 km2，減少368.99 km2，凈變化量為1 147.2 km2，耕地面積的凈增加主要是由未利用地轉(zhuǎn)化而來； 林草地面積減少了39.63 km2，主要被轉(zhuǎn)化成耕地； 園地由未利用地轉(zhuǎn)化了1 160.44 km2； 水體面積增加主要由未利用地轉(zhuǎn)化； 建設(shè)用地面積的增加主要是由耕地轉(zhuǎn)化而來； 未利用地減少了1 934.48 km2，主要被開墾為園地和耕地。

表3 1990—2019年阿拉爾墾區(qū)各土地利用類型的變化轉(zhuǎn)換矩陣

不同時(shí)間段各土地利用類型變化特征不同(圖8)，1990—2000年，除未利用地外，各土地利用類型面積凈變化量均增加； 2000—2010年，林草地、園地和未利用地面積凈變化量均減少，分別為-14.37 km2，-272.63 km2和-536.23 km2； 2010—2019年，林草地、水體和未利用地面積凈變化量為減少； 1990—2019年，耕地、園地和未利用地凈變化量最明顯，分別為1 147.19 km2，674.19 km2和-1 931.84 km2。

(a) 1990—2000年(b) 2000—2010年

(c) 2010—2019年(d) 1990—2019年

圖8 阿拉爾墾區(qū)在不同時(shí)間段的土地利用變化特征

3.1.3 空間動(dòng)態(tài)變化分析

阿拉爾墾區(qū)不同時(shí)間段土地利用空間動(dòng)態(tài)變化情況如圖9所示。1990—2000年，未利用地發(fā)生了大面積開墾，主要分布在阿拉爾墾區(qū)中部； 2000—2010年，耕地、林草地和園地3種之間的相互轉(zhuǎn)化主要分布在塔里木河沿岸區(qū)域； 2010—2019年，未利用地的開墾面積相對(duì)較少，主要分布在墾區(qū)東北和東南部； 1990—2019年，塔里木河沿岸區(qū)域主要發(fā)生的是耕地、林草地和園地之間的轉(zhuǎn)化，沿岸區(qū)域之外的地方主要發(fā)生的是未利用地的開墾。

(a) 1990—2000年(b) 2000—2010年

(c) 2010—2019年(d) 1990—2019年

3.2 阿拉爾墾區(qū)2010年土地利用模擬和精度檢驗(yàn)

將阿拉爾墾區(qū)2010年實(shí)際情況和模擬后結(jié)果進(jìn)行對(duì)比(圖10)，可以看出大部分區(qū)域一致，只有一些地區(qū)存在細(xì)微差異，如中心區(qū)域的建設(shè)用地、東北和東南部的林草地。

(a) 2010年實(shí)際情況(b) 2010年模擬情況

圖10 2010年阿拉爾墾區(qū)土地利用的實(shí)際及模擬情況對(duì)比

通過建立混淆矩陣，進(jìn)一步對(duì)2010年模擬后結(jié)果進(jìn)行精度評(píng)價(jià)(表4)。表中對(duì)角線位置加黑為各類別正確分類的像素個(gè)數(shù)。通過表4可以看出，模擬精度的偏差主要是受到2005年城市規(guī)劃政策新建工業(yè)園區(qū)的影響，建設(shè)用地面積增加，導(dǎo)致園地和建設(shè)用地精度較低。但整體看來，阿拉爾墾區(qū)的總體分類精度為89.82 %，Kappa系數(shù)為0.85，表明CA-Markov模型能夠較好地模擬阿拉爾墾區(qū)土地利用變化情況，可對(duì)2050年和2080年研究區(qū)展開情景模擬。

表4 阿拉爾墾區(qū)2010年土地利用模擬的精度評(píng)價(jià)

3.3 阿拉爾墾區(qū)2050年和2080年的土地利用模擬

對(duì)比研究區(qū)2050年和2080年的土地利用模擬情況(圖11)和各土地利用類型的面積變化情況(表5)，到2080年墾區(qū)未利用地僅占2.95%，耕地和園地大幅增加，共占?jí)▍^(qū)的75.41%，且空間分布較為均勻，到2080年建設(shè)用地面積迅速擴(kuò)張到207.76 km2。這是由于阿拉爾墾區(qū)還受到總?cè)丝?、農(nóng)業(yè)生產(chǎn)總值、棉花價(jià)格、GDP、全社會(huì)固定資產(chǎn)投資、第一產(chǎn)業(yè)、年均氣溫和年均降水量等驅(qū)動(dòng)因子的影響，導(dǎo)致模擬結(jié)果出現(xiàn)很大偏差。建議提前制定合理土地利用政策及生態(tài)修復(fù)措施，以提高各土地利用類型的資源利用率，促進(jìn)土地資源均衡利用，開展生態(tài)環(huán)境治理，實(shí)現(xiàn)區(qū)域生態(tài)環(huán)境可持續(xù)發(fā)展。

(a) 2050年(b) 2080年

圖11 阿拉爾墾區(qū)2050年和2080年的土地利用模擬情況

表5 阿拉爾墾區(qū)2050年和2080年各土地利用類型的面積變化情況

4 討論

4.1 阿拉爾墾區(qū)土地利用類型面積變化的突變情況

探討連續(xù)長時(shí)間序列土地利用類型面積變化的突變情況有利于區(qū)域土地信息監(jiān)測、環(huán)境保護(hù)及制定可持續(xù)的土地利用政策[24]。采用累積距平法[25]分析連續(xù)長時(shí)間序列中的面積突變情況，從圖12中可以看出耕地、園地、建設(shè)用地和未利用地在2005年出現(xiàn)明顯轉(zhuǎn)折，多數(shù)研究的突變情況則是由自然洪災(zāi)[26]和極端天氣[27]影響所致，而本研究區(qū)的突變情況主要是由人為的政策干擾所致，這是由于阿拉爾墾區(qū)的政策導(dǎo)向所致，2004年推出西部大開發(fā)政策，新疆棉花產(chǎn)業(yè)擴(kuò)大，農(nóng)產(chǎn)品價(jià)格上漲，從2005年開始不斷開荒擴(kuò)地，耕地、園地和建設(shè)用地面積急劇增加，未利用地面積急劇減少。

(a) 耕地 (b) 園地

(c) 建設(shè)用地(d) 未利用地

4.2 土地利用變化的驅(qū)動(dòng)因素

對(duì)土地利用變化的驅(qū)動(dòng)因素進(jìn)行深入研究，有利于土地信息監(jiān)測、合理利用并為土地資源可持續(xù)發(fā)展提供科學(xué)依據(jù)[28]。本研究是以西北典型的農(nóng)墾區(qū)域?yàn)閷?duì)象展開的土地利用變化分析，而多數(shù)研究則是以東部沿海經(jīng)濟(jì)較為發(fā)達(dá)的城市區(qū)域[29]為對(duì)象展開的土地利用變化分析，驅(qū)動(dòng)土地利用變化的因素多為工業(yè)化[30]和城市化[31]帶來的經(jīng)濟(jì)發(fā)展。本文利用高程、坡度等15種影響因素?cái)?shù)據(jù)和土地利用數(shù)據(jù)，運(yùn)用CA-Markov模型進(jìn)行土地利用模擬，能夠顯示出各影響因素的驅(qū)動(dòng)力大小，最終發(fā)現(xiàn)本文總?cè)丝?、農(nóng)業(yè)生產(chǎn)總值和棉花價(jià)格為主要驅(qū)動(dòng)因素。這是由于隨著人口增加，機(jī)械化作業(yè)水平提高，農(nóng)業(yè)生產(chǎn)總值增加，棉花價(jià)格上漲，大量的土地資源被開發(fā)，導(dǎo)致研究區(qū)土地利用發(fā)生劇烈變化。

4.3 不同土地利用模擬模型的比較

本文以CA-Markov模型和多智能體ABM(agent-based model)模型[32]這2種最常用的土地利用模擬方法進(jìn)行比較討論，分析本文所用模型的優(yōu)勢。CA-Markov模型不僅能夠通過簡單的轉(zhuǎn)化規(guī)則模擬出復(fù)雜的土地利用類型變化模型，為更高級(jí)的土地利用演化提供良好的過程分析環(huán)境，而且能與GIS和RS數(shù)據(jù)嵌合，提高GIS分析復(fù)雜自然現(xiàn)象和長時(shí)序動(dòng)態(tài)建模的能力。ABM模型能夠通過微觀智能體及其與地理空間環(huán)境相互作用的方式進(jìn)行模擬，從而反映土地利用變化過程中復(fù)雜的人地關(guān)系，主要呈現(xiàn)研究區(qū)的人為因素影響[33]，缺乏對(duì)自然環(huán)境的考量。因此，CA-Markov模型是通過局部簡單轉(zhuǎn)換規(guī)則改變元胞狀態(tài)，從宏觀模擬土地利用變化結(jié)果，而ABM模型是通過智能體Agent交互作用，從微觀模擬土地利用變化結(jié)果。這2種模型各具優(yōu)勢，但李少英等[34]分析近30 a相關(guān)土地利用與模擬的研究提出，CA-Markov模型結(jié)合了CA和Markov模型的優(yōu)勢，能夠更精確地模擬土地利用變化情況。

5 結(jié)論

本文將每年各月份影像進(jìn)行多時(shí)相合成后，運(yùn)用支持向量機(jī)分類方法獲得逐年土地利用分類圖，從面積變化、類型轉(zhuǎn)化、空間動(dòng)態(tài)變化3方面展開土地利用變化分析，采用CA-Markov模型模擬2050年和2080年土地利用變化情況，探究土地利用類型面積變化的突變情況、驅(qū)動(dòng)因素和不同模擬模型的優(yōu)勢，得出以下結(jié)論：

1)1990—2019年，阿拉爾墾區(qū)耕地、園地、水體和建設(shè)用地的面積呈增加趨勢，林草地和未利用地的面積呈減少趨勢； 耕地和園地面積的增加主要是由塔里木河沿岸區(qū)域之外的未利用地轉(zhuǎn)換而來。

2)CA-Markov模型的總體分類精度可達(dá)89.82%，Kappa系數(shù)可達(dá)0.85，能夠較好地模擬阿拉爾墾區(qū)土地利用變化情況； 模擬結(jié)果顯示，至2080年墾區(qū)東北和東南部的未利用地將被逐漸開墾，耕地、園地和建設(shè)用地的面積將大幅增加。

3)土地利用類型面積在2005年發(fā)生轉(zhuǎn)折性變化，耕地、園地和建設(shè)用地的面積急劇增加，未利用地面積急劇減少，這是由于阿拉爾墾區(qū)的政策導(dǎo)向所致； 墾區(qū)土地利用變化的主要驅(qū)動(dòng)因素為總?cè)丝?、農(nóng)業(yè)生產(chǎn)總值和棉花價(jià)格。