基于Logistic回歸模型的南昌市土地利用演變驅動力分析

顧順業(yè)

中國傳媒大學，北京 100024

0 引言

土地利用/土地覆蓋變化（Land-Use and Land-Cover Change，LUCC）是全球環(huán)境變化和可持續(xù)發(fā)展領域的熱門和前沿研究主題，是多個國際項目交叉研究的核心內(nèi)容之一。LUCC 的變化是一個復雜的過程，受到許多因素的影響，包括人類活動、自然變化、宏觀經(jīng)濟、環(huán)境政策等。

國內(nèi)學者如李宇飛等［1］利用CA-Markov 模型研究了阿克蘇地區(qū)土地利用變化并進行了預測；周晨晴等［2］使用GIS-Logistic 耦合模型確定了2009—2014 年甘肅省廣河縣土地利用變化及其驅動因素；卞正富等［3］通過對遙感影像和景觀格局指數(shù)分析的方式，研究了1979—2001 年江蘇省徐州市煤礦區(qū)土地格局變化；王夏琰等［4］探究了甘肅省土地利用結構變化及其驅動力；于興修等［5］研究發(fā)現(xiàn)，城市發(fā)展和人口變遷等因素是土地利用變化的直接驅動因素，而地形地貌、土壤性質(zhì)和氣候等因素是土地利用變化的顯著驅動因素，且這些因素相互關聯(lián)。

筆者基于前人研究成果，通過分析典型地區(qū)江西省南昌市的LUCC 情況及其驅動機制，探討社會、經(jīng)濟、生態(tài)之間的相互作用規(guī)律，為優(yōu)化土地利用方式、推進城市可持續(xù)發(fā)展提供參考。

1 數(shù)據(jù)來源和研究方法

1.1 研究區(qū)域概況

1.2 數(shù)據(jù)來源與處理

南昌市土地利用現(xiàn)狀圖、遙感監(jiān)測數(shù)據(jù)、數(shù)字高程模型（Digital Elevation Model，DEM）來源于中國科學院地理科學與資源研究所的資源環(huán)境科學與數(shù)據(jù)中心，社會經(jīng)濟發(fā)展相關數(shù)據(jù)來源于《南昌統(tǒng)計年鑒2020》。此外，筆者根據(jù)第二次全國土地調(diào)查土地分類系統(tǒng)，將研究區(qū)域的土地分為6 個主要類別，即耕地、林地、草地、水域、建設用地及未利用地。

1.3 研究方法

1.3.1 土地利用/覆被轉移矩陣

土地利用/覆被轉移矩陣能夠很好地反映LUCC的結構特征及土地利用/覆蓋類型之間的過渡方向，其可以通過定量的方式展示研究期內(nèi)（初期到末期）各種土地利用類型的面積是如何變化的。

1.3.2 二元Logistic模型

該建模技術依靠樣本數(shù)據(jù)為相關變量創(chuàng)建回歸系數(shù)，并通過這些系數(shù)討論模型中因變量和自變量之間的關系。如果一個事件發(fā)生的概率是p（0≤p≤1），則1-p就是事件不會發(fā)生的概率，這個概率就可以用Logistic函數(shù)計算，公式為

式（1）中：p是某一土地利用類型的出現(xiàn)概率，p值越大則表示出現(xiàn)該土地利用類型的可能性越大；xn表示第n個驅動因素；β是二元Logistic 回歸方程中的偏回歸系數(shù)；exp( )β表示土地利用類型出現(xiàn)的頻率與不出現(xiàn)的頻率之比，用于反映相關影響因素對某一土地利用類型出現(xiàn)概率的貢獻大小。

2.2 韭蛆危害嚴重，防治困難 韭蛆是為害韭菜的主要地下害蟲之一[5]，隨著韭菜面積的增加，韭蛆的防治日益緊迫。由于韭蛆蟲體小、繁殖力強，世代重疊，防治難度大，生產(chǎn)中防治該蟲害往往使用高毒、高殘留殺蟲劑或過量使用農(nóng)藥。一些農(nóng)戶為了防治韭蛆，在韭菜上施用辛硫磷、甲基異硫磷、甚至甲拌磷(3911)等國家明令禁止在蔬菜上施用的劇毒、高殘留農(nóng)藥，造成韭菜農(nóng)藥殘留過量，質(zhì)量安全存有隱患。

Logistic 函數(shù)是一個協(xié)變的非線性函數(shù)。如果對公式進行Logit變換，就可以得到一個線性公式。

式（2）中：p為土地利用/覆被類型出現(xiàn)在空間單元出現(xiàn)的概率；βn是第n個驅動因素的邏輯回歸系數(shù)；β0為常數(shù)項。

另外，p（1 -p）稱為1 組事件的發(fā)生比（Odds），通過除法得到兩組發(fā)生比的發(fā)生比率［Odds Ratio，OR，即exp( )β］，OR在測量關聯(lián)時可用來解釋Logistic回歸模型中自變量對事件概率的作用。因此，其常用于對Logistic 回歸模型回歸系數(shù)的解釋，以及表示一個單位變化引起另一個單位變化的量的大小。

1.3.3 ROC曲線和AUC面積

受試者工作特征曲線（Receiver Operating Characteristic，ROC曲線）的主要分析工具是一個畫在二維平面上的曲線——ROC 曲線，平面的橫坐標是False Positive Rate（假陽性率），縱坐標是True Positive Rate（真陽性率）。對某個分類器而言，可以根據(jù)其在測試樣本上的表現(xiàn)得到一個TPR 和FPR 點對。這樣，此分類器就可以映射成ROC 平面上的一個點。調(diào)整這個分類器分類時候使用的閾值，就可以得到一個經(jīng)過（0，0）、（1，1）的曲線，這就是此分類器的ROC曲線。ROC曲線下與坐標軸圍成的面積（Area Under Roc Curve，AUC）可用來標志分類器的好壞。通常，AUC的值介于0.5～1.0，AUC值較大則代表分類器性能較好；一般認為，AUC在0.5以上可以接受，0.7以上優(yōu)秀。

2 南昌市土地利用轉移分析

利用ArcGIS 軟件的空間分析功能，對南昌市2010—2020 年土地利用現(xiàn)狀圖進行疊加分析，導出屬性表；利用Excel軟件的數(shù)據(jù)透視表功能對上述屬性表進行整理匯總，得到如表1 所示的2010—2020 年南昌市土地利用轉移矩陣。由表1 可以得出南昌市每種土地利用類型的占比，如表2所示。

表1 2010—2020年南昌市土地利用轉移矩陣hm2

表2 各土地利用類型的占比%

由表1、表2 可知，南昌市土地以耕地居多，近10年占比都在50%以上，對應了南昌市作為江西省農(nóng)業(yè)主產(chǎn)區(qū)的特點。2010—2020 年，南昌市土地利用類型轉變比較頻繁，共有39 043.98 hm2的土地利用類型發(fā)生了轉變，占總土地面積的5.4%。其中，3 895.47 hm2的耕地轉化成林地，2 242.98 hm2的耕地轉化為水域，15 357.51 hm2的耕地轉化為建設用地，不難看出退耕還林政策的實施成效及建設用地面積的大量增加；有4 060.71 hm2的林地轉化成耕地，3 128.76 hm2的林地轉化成建設用地；草地的變化相比其他地類不算太大，轉化面積均未超過200.00 hm2，最大值來自草地轉化為水域的188.97 hm2；水域轉化為耕地2 173.41 hm2，轉化為建設用地1 195.65 hm2；建設用地有1 815.30 hm2轉化為耕地，還有310.68 hm2轉化為水域；未利用地有1 870.20 hm2轉化為水域。整體來看，南昌市土地利用類型整體呈現(xiàn)出向建設用地轉移的趨勢，且其主要來源是耕地。

3 土地利用類型分布的驅動機制分析

3.1 驅動因素的選擇

由于不同土地利用類型及其變化的復雜性和非線性分布，以及影響因素會受到不同研究區(qū)域和不同時間段的影響，因此影響因素的選擇應基于完整性、數(shù)據(jù)可用性和可量化的原則。筆者綜合考慮以往學者選取的各類驅動因素，最終選取了氣候環(huán)境因素（年降水、年均溫）、社會經(jīng)濟因素（夜間燈光、人口密度、生產(chǎn)總值）、地形影響因素（高程、坡度、坡向）3 大類共8 個驅動因素。

3.1.1 年降水、年均溫

不同的土地利用類型會反映不同的氣溫和降水量規(guī)律。對于南昌市這種四季氣溫變化明顯和降水量較大的城市，更能看出每一種土地利用類型對應的驅動因素。

3.1.2 夜間燈光、人口密度、生產(chǎn)總值

夜間燈光、人口密度、生產(chǎn)總值三者息息相關。由于我國城市化進程加快，人口快速流入城市，城市的生產(chǎn)總值會有所增加，夜間燈光也會發(fā)生變化，用地類型則會向建設用地靠攏。

3.1.3 高程、坡度、坡向

坡度越平緩的地區(qū)，越可能發(fā)生土地類型的變化。這是因為平坦的土地基礎較好，容易產(chǎn)生變化。而坡向會和光照、氣溫、天氣產(chǎn)生關聯(lián)，從而使用地類型發(fā)生變化。因為江西省多山，所以此研究考慮了高程的影響。

3.2 數(shù)據(jù)選擇

在ArcGIS應用程序中，使用“創(chuàng)建隨機點”工具隨機選擇了南昌市的10 000 個點，使用“空間分析”模塊中的“對點提取數(shù)值”工具對10 000個點中的每個點分配8 個影響因素的數(shù)值，之后導出屬性表并將數(shù)據(jù)導入SPSS應用程序進行數(shù)據(jù)處理和分析。

3.3 二元Logistic回歸

將10 000個點導入SPSS軟件之后，對每種土地類型進行二元Logistic 回歸運算，匯總各土地利用類型的運算結果，去除顯著大于0.05的要素，結果見表3。

表3 各因素對土地利用類型的回歸系數(shù)

發(fā)生比率OR或exp( )β可以比較直觀地反映LUCC 和8 個驅動因素之間的具體關系以及各自的影響程度。例如，如果回歸系數(shù)β＞0，那么當自變量增加一個單位，發(fā)生比率會增加exp( )β倍，反之亦然。計算結果見表4。

表4 各因素的exp(β) 值

由表4 可知，影響耕地分布的主要正相關因素有坡向和年均溫，發(fā)生比分別為1.003、1.441，表明耕地一般年均溫會高一些，利于作物生長，同時耕地分布在坡向大的區(qū)域；而坡度、夜間燈光與耕地的分布呈負相關，發(fā)生比為0.968、0.962，說明南昌市的耕地多分布在燈光較弱的地區(qū)（離城區(qū)較遠），且在分布在坡度比較緩和的區(qū)域（土地平緩利于耕作）。

對于林地來說，比較有代表性的驅動因素是坡度，說明一般林地分布在比較陡峭、坡度較高的區(qū)域，如森林公園和林場，甚至農(nóng)業(yè)大學內(nèi)部的林地多依山分布這一點可以印證；而與林地分布呈負相關的主要是人口密度和夜間燈光，因為南昌市大部分林地都距市區(qū)很遠，人口分布少，燈光也會弱很多。

草地的分布與坡度有比較明顯的正相關，說明草地多分布在坡度較大的地區(qū)，其他如高程、坡向和年降水都有比較接近的正相關exp( )β值；其負相關因素和林地相似，主要與夜間燈光和人口密度有關。雖然其解釋與林地類似，但是還可以看出一個問題：南昌市主要夜間燈光集中在城區(qū)，但是草地分布和夜間燈光呈負相關，這側面說明南昌市主城區(qū)綠化還較為缺乏，可以在未來進行增加。

水域的分布主要與坡度和年降水量有明顯的正相關性；因為南昌市的地理環(huán)境及江西省的地理環(huán)境特征，南昌市的水域一般分布在坡度高一點的地區(qū)，降水量也相對較多。水域的分布主要與夜間燈光、高程呈負相關，說明南昌市水域一般分布在海拔較低的地區(qū)，且其周圍的燈光也比較少，因為無論是濕地公園還是湖泊都離城區(qū)較遠。

影響建設用地分布的最主要驅動因素是坡度、年降水，且呈負相關，即建設用地多分布在坡度較低的地區(qū)，并且建設用地多在城區(qū)（由于熱島效應等原因，導致當?shù)亟邓^少）；建設用地的分布與年均溫、夜間燈光、人口密度呈正相關（這符合實際情況），因為夜間燈光亮度高的區(qū)域集中了大量人口，氣溫也會較高，同時是城市經(jīng)濟發(fā)展較好的地區(qū)。

未利用地主要為一些荒地，受高程、夜間燈光和人口密度的影響最大，且都呈負相關。這說明這些未利用地一般分布在海拔較高的地區(qū)，人跡罕至，燈光分布少。

筆者運用ROC 法檢驗回歸模型的擬合優(yōu)度。一般如果ROC 曲線下的面積AUC＞0.5，可以說明模型擬合較好，大于0.7 可以看作優(yōu)秀。經(jīng)過SPSS 運算，耕地、林地、草地、水域、建設用地和未利用地的AUC值分別為0.718、0.786、0.782、0.782、0.900 和0.939，均大于0.7，表明選取的8 個驅動因素比較合理，而且回歸模型的預測和實際情況有統(tǒng)一性，模型擬合效果也很好，詳見圖1（部分圖略）。

圖1 代表性土地利用類型的AUC圖

4 結論

筆者分析了2010—2020 年南昌市LUCC 變化的特點和驅動因素，得出以下結論。

第一，南昌市土地利用類型以耕地、林地、水域為主（超過全域面積的80%），建設用地主要分布在南昌市中部，未利用地主要分布在東北部。南昌市土地利用類型經(jīng)歷了一定的變化，但是總體的比例基本維持不變，保持了動態(tài)平衡，不過整體可以看作耕地向建設用地轉移了一定規(guī)模（2%）的土地。

第二，顯著影響南昌市耕地分布的因素有坡度、坡向、年降水、年均溫、夜間燈光、人口密度，其中比較關鍵的影響因素是坡度、年均溫、夜間燈光；顯著影響林地分布的因素有高程、坡度、坡向、年降水、年均溫、人口密度；影響草地分布的因素主要有高程、坡度、坡向、年降水、夜間燈光、人口密度；顯著影響水域分布的因素有高程、坡度、坡向、年降水、夜間燈光、人口密度；顯著影響建設用地分布的因素有高程、坡度、坡向、年降水、年均溫、夜間燈光、人口密度；顯著影響未利用地分布的因素有高程、坡向、年降水、夜間燈光、人口密度。