利用马尔科夫过程预测郑州市土地利用的动态演变
- 格式:pdf
- 大小:373.52 KB
- 文档页数:6
Markov(马尔柯夫)预测法:预测土地利用结构详细过程(1992年的土地利用结构来预测2002年的土地利用结构)1.计算的转移概率矩阵土地结构转移矩阵(P)2.初始状态矩阵是有1992年各个土地利用类型占总土地面积比重计算得到。
1992年初始状态矩阵( B )3.出十步转移后的矩阵P10方法如下:运用excel中的mmult命令进行矩阵的相乘4将矩阵输入到excel中再选择一个与计算后矩阵数相同的空白区域,选中的情况下在公式榄里输入=MMULT():然后在点击提示中的array1.array2,分别点击选择以上两个矩阵区域,(不要按enter)按F2,再按ctrl+shift+enter,此时相乘矩阵结果P2就会出现。
依次求出P104.求2002年状态矩阵=1992年状态矩阵B×P10,矩阵相乘同样应用MMULT公式求得。
5.用土地的总面积分别乘上面的状态数就可以计算出2002年的各土地利用类型的面积=====================================土地利用转移矩阵生成的几种方法:据你的数据类型选用不同的数据生成方法若你的数据是Raster格式:则有如下方法1 Erdas Imagine----Interpreter---Gis Analysis---Matrix,输入两个时相的Raster数据即可做这一步之前记得先对两时相的数据进行重编码(nterpreter---Gis Analysis---Recode)一般运行如果出现错误肯定是重编码没做好,请继续查证。
2 先在Erdas中利用Modeler 计算如下公式NC(I,J)=NC(I)*10+NC(J),(J>I)其中:NC(I,J)表示i,j 两年份的土地利用变化图;NC(i)表示i年份遥感分类影像;NC (j)表示j年份的遥感分类影像。
在此计算的基础上,将以上变化影像图转化为BIL格式,再利用ARC/INFO GRID模块将影像转为GRID格式,然后利用GRID模块中的属性表(vat)查看命令对影像灰度值进行统计,最后得出土地利用转化举证。
城市土地利用变化模型及其驱动因素探究引言城市土地利用变化是城市化进程中的重要问题,它直接影响到城市规划、土地资源的可持续利用以及社会经济发展。
了解城市土地利用变化模型及其驱动因素,对于合理规划城市发展、保护土地资源具有重要价值。
本文将探究城市土地利用变化模型及其驱动因素,以期提供理论与实务指导。
一、城市土地利用变化模型城市土地利用变化模型是对城市土地利用变化的规律进行建模描述的方法,旨在揭示土地利用变化的动态过程,以帮助预测未来的土地利用情况。
目前常见的城市土地利用变化模型有马尔可夫链模型、细胞自动机模型和基于地统计学的模型等。
1. 马尔可夫链模型马尔可夫链模型是一种基于概率的统计模型,通过分析土地利用状态之间的转移概率,预测未来的土地利用状况。
该模型假设土地利用状态之间的转移概率只与当前状态有关,与历史状态无关。
马尔可夫链模型简单、易于计算,但不考虑历史的影响因素,模拟结果有一定的不确定性。
2. 细胞自动机模型细胞自动机模型是一种基于空间交互的模型,将城市土地划分为若干个细胞,并根据细胞之间的交互规则模拟土地利用变化过程。
该模型考虑了空间布局的影响,可以较好地模拟城市土地利用的空间分布特征。
然而,细胞自动机模型的参数设置较为复杂,对数据的要求较高。
3. 基于地统计学的模型基于地统计学的模型是一种通过对土地利用变化进行区域统计分析,揭示其空间分布格局与变化趋势的方法。
该模型通过构建土地利用变化的空间模式,探讨土地利用变化与驱动因素之间的关系,并预测未来的土地利用情况。
这种模型同时考虑了驱动因素的作用,可以为城市规划和土地资源管理提供科学依据。
二、城市土地利用变化的驱动因素城市土地利用变化是多种驱动因素的综合结果,从经济、社会、环境等多个角度分析驱动因素,对于把握城市土地利用变化的规律及制定相应的政策具有重要意义。
以下是常见的城市土地利用变化的驱动因素。
1. 经济因素经济因素是城市土地利用变化的主要驱动力之一。
空间马尔可夫链测算-概述说明以及解释1.引言1.1 概述在空间马尔可夫链的研究中,该模型主要用于描述和分析具有空间特征的随机过程。
与传统的马尔可夫链不同的是,空间马尔可夫链不仅考虑了状态的转移概率,还考虑了状态间的空间依赖关系。
通过将马尔可夫链的状态扩展为空间上的节点,我们可以更好地模拟和分析各种现实世界中的随机过程。
本文将详细介绍空间马尔可夫链的概念和测算方法。
在第二章中,我们将首先给出空间马尔可夫链的定义和基本概念,包括状态空间、状态转移概率和初始概率分布等。
然后,我们将介绍一些经典的空间马尔可夫链模型,如格点模型和连续空间模型,并对它们的特点进行讨论。
在第三章中,我们将重点介绍空间马尔可夫链的测算方法。
这些方法包括参数估计、马尔可夫链融合和模拟仿真等。
我们将详细介绍每种方法的原理和步骤,并给出相应的数学公式和算法。
此外,我们还将讨论测算结果的解释和应用,以及可能存在的限制和改进空间。
总之,本文旨在为读者提供一个全面的关于空间马尔可夫链测算的指南。
通过对该模型的深入理解和应用,我们可以更好地分析和预测各种具有空间特征的随机过程,为实际问题的解决提供科学依据和决策支持。
在未来的研究中,我们也将继续探索空间马尔可夫链的新理论和方法,以适应不断变化的科学和工程需求。
文章结构部分的内容应该是对整篇文章的结构和各个部分的内容进行介绍和说明。
以下是对文章结构部分的内容的一个可能的编写:1.2 文章结构本文共分为引言、正文和结论三个部分。
每个部分的主要内容如下:引言部分:引言部分包括了概述、文章结构和目的三个小节。
概述部分会对空间马尔可夫链测算的主题进行简要介绍,指出该主题的重要性和研究意义。
文章结构部分则会明确说明整篇文章的结构安排和各个部分的主要内容。
目的部分则会明确表达本文的研究目的和所要解决的问题。
正文部分:正文部分分为空间马尔可夫链的概念和空间马尔可夫链的测算方法两个小节。
空间马尔可夫链的概念部分会系统介绍空间马尔可夫链的基本概念、特点和相关理论背景,为后续的测算方法提供理论基础。
基于马尔可夫模型的苏州市区土地利用变化预测江西农业2008,20(11):134—136ActaAgriculturaeJiangxi基于马尔可夫模型的苏州市区土地利用变化预测肖翔,黄海涛,吴海均,濮励杰,朱明,涂小松(南京大学地理与海洋科学学院,江苏南京210093)摘要:利用苏州市区1991年TM遥感影像和2001年ETM遥感影像,进行监督分类,分析了1991年到2001年苏州市区土地利用变化特征,计算出1991年到2001年的转移矩阵,并利用马尔可夫模型进行了2011年的土地利用变化预测.结果表明,1991—2001年,苏州市区城镇建设用地扩张较快,农村建设用地大幅增加,且有集中趋势,退耕还湖工程效果显着.预测到2011年,水域在太湖保护政策下面积将比2001年有少量增加,城镇建设用地面积将继续扩张,但耕地面积由于耕地保护政策的落实将只减少3.8%,同时由于城市化进程,农村居民点面积将减少2.7%.关键词:土地利用;遥感影像;马尔可夫模型;太湖保护;耕地保护中图分类号:F301.24文献标识码:A文章编号:1001—8581(2008)ll一0134—03土地利用状况不仅与经济发展状况息息相关,而且也与生态环境状况紧密联系,近年来对于土地利用的模拟预i见4成了全球热点问题.自上世纪9O年代后期,我国开始土地利用动态监测研究,现今已有许多研究成果,马尔可夫模型也被多次运用于土地利用的预测...苏州作为我国经济发展较快的城市,同时面临着太湖的生态环境保护问题以及耕地保护与建设用地需求的矛盾,对于苏州地区的土地利用状况进行监测与预测具有重要的理论和实践意义.1研究区概况苏州位于长江三角洲中部,在北纬3O.47~32.2,东经119.55至121.20之间,东邻上海,南连浙江省嘉兴,湖州两市,西傍太湖,与无锡相接,北枕长江.近年来依靠其优越的地理位置优势,苏州经济发展迅速,产业结构也发生了重大变化,2004年苏州市经济的非农化率已达99%,经济高速增长推动苏州市城市化的加速发展, 整个苏州地区户籍人口城市化率已由1999年的35.8% 提高到2005年的63.5%,年均增长约4.6%.因此,苏州是长三角地区城镇化速度最快,土地利用变化最剧烈的地区之一.本研究不包括苏州市所辖的5个县级市,但是包括了所辖太湖面积,其中陆域面积1650km(不计辖区内太湖面积),水域面积为3609km,市区建成区面积为86.5km.将太湖面积归入本研究范围是为了研究退耕还湖等政策效果,及土地利用变化与太湖环境保护的相关性.2研究方法2.1土地利用分类系统根据国家土地资源遥感宏观调查采用的土地利用分类系统,结合苏州区实际情况,把土地的用途,经营特点,利用方式和覆盖特征等因素作为土地利用的分类依据,将研究区土地分为6大类,分别是水域,林地,耕地,城镇建设用地,农村居民点用地和未利用地.其中水域包括湖泊,河流,水库以及太湖沿岸的围湖养虾水面;林地包括公园绿地,林地等;耕地包括水田, 旱地,菜地,果园等农业用地;城镇建设用地包括城市范围内的建设用地;农村居民点用地包括农村的建筑用地; 未利用地是指植被覆盖程度低,也没有建筑物的土地. 2.2空间数据处理研究使用的遥感影像数据源为苏州地区1991年LandsatTM影像和2001年LandsatETM影像,辅助数据包括研究区1:100000地形图及统计数据等.图像预处理过程在ErdasIlnagine9.1软件中完成,采用4,3,2波段对应红,绿,蓝作假彩色合成,直方图均衡增强,几何精校正采用多项式法,RMS误差小于一个像元.采用最近邻法进行重采样,所采像元大小为28.5mx28.5m.判读采取结合GoosleEarth使用人工目视解译结合计算机自动识别的方法,随着现今信息的发展,GoogleEarth在苏州地区的识别精度可以达到10m之内,判读时GoogleEarth的图像时间为2003年的苏州遥感影像,我们选择在过去10年中基本没有变化的典型地区的地面参照物为监督分类的训练区,然后结合ErdasI.magine得到遥感图像的分类结果,在AreViewGIS中生成Shapefile数据,在ArcGIS中转换为Coverage格式,建立拓扑关系,进行投影变换.将两期土地覆盖进行iden.tity叠置分析,得到土地利用变化数据,从中提取相关数据建立转移矩阵.研究中采用GPS,对综合解译结果采样后到实地进行野外验证.经对苏州市火车站,市中心,工业园区及太湖沿岸抽样检查总体正确率为90%以上.2.3预测方法土地利用变化预测采用马尔可夫转移矩阵预测法,马尔可夫过程是指系统由一种状态转移至收稿日期:2008—08—21基金项目:国家基础科学与人才培养基金项目(J0630535);南京大学科研创新训练计划项目.作者简介:肖翔(1987一),男,青海西宁人,南京大学本科生.通讯作者:濮励杰.11期肖翔等:基于马尔可夫模型的苏州市区土地利用变化预测135另一种状态的过程.该过程的特点为无后效性和稳定性.无后效性是指在事件的发展过程中,系统的第n次结果状态只与第n一1次有关,与以前所处的状态无关;稳定性是指在较长时间后,马尔可夫过程逐渐趋于稳定状态,而与初始状态无关….因此,根据马尔可夫转移矩阵的特性,可以在土地利用变化中运用.首先,土地现在的利用方式只与它上一次的利用方式有关,由上一次变化转移过来;其次,土地利用方式确定后在一定时期内是相对稳定的.选择马尔可夫预测模型探讨苏州市区土地利用的动态变化是因为在一定条件下,土地利用动态变化具有马尔可夫过程的性质;土地利用类型之间的相互转化过程包含着较多尚难以采用函数关系准确描述的事件.运用马尔可夫过程,首先应确定土地利用类型之间相互转化的初始转移概率矩阵P,并建立研究区土地利用变化转移概率矩阵.初始转移概率矩阵P的数学表达式为:P=P=P儿Pl2P2.P22PlP式中,n为土地利用类型数目,P为i类土地利用类型转化为J类土地利用类型的概率,P满足2个条件:0 ≤≤l;EP=1(i,j=Z,2,3,…,厅).根据马尔可夫模型和条件概率可以得出,系统在k+1时刻的状态向量P(k+1)可以由其在时刻k的状态向量e(k)和转移概率来确定:P(k+1)=P(k)p[2].3结果与分析3.1土地利用类型情况及转移变化的分析根据遥感影像分类结果,得到1991年及2001年苏州市区土地利用状况,进一步获得1991~2001年各类土地利用类型转移部分面积.图1苏州市1991年与2001年土地利用变化对比表1苏州市1991年与2001年各类用地面积转移矩阵hm2 根据土地利用遥感调查图(图1)及面积转移矩阵(表1),研究区土地总面积约为340716.46hm2,其中,2001年耕地65787.95hm,占市区陆域(除太湖)总面积的39.87%;各类建设用地面积(城镇建设用地与农村居民点用地之和)合计42074.47hm,占市区陆域(除太湖)总面积的25.50%;城镇用地主要分布于城市中心区域和郊区各乡镇及街道,农村居民点分布比较零散,但总体上在主干交通沿线和城镇近郊区分布较为密集.1991年和2001年遥感数据的叠加分析表明,苏州市区土地利用变化的主要特征是城乡建设用地扩张及其对耕地资源的占用及水域面积由于退耕还湖政策的实施而增多.1991~2001年是苏州市区经济跨越式发展的时间,与此同时土地利用变化也较为剧烈,发生类型转换的土地斑块面积累计约达59226.75hm,年均转换面积为5922.675hm2.其中主导转换类型包括:耕地转化为水域的面积占累计转换面积的23.8%,耕地转化为农村建设用地的占累计转换的19.6%,农村居民点用地转化为耕地的占13.6%,农村居民点用地转化为水域的占3.2%,耕地转化为城镇建设用地的占2.8%.从图1看,城镇建设用地扩张不大,而周边农村居民点用地增加很多,这是因为从遥感影像光谱上并不能真正区分城镇用地与农村用地,所以根据由南京地理所解译的1989年苏州地区遥感影像中对城镇用地与农村用地处理方式,及相关论文",我们利用苏州市的行政区划来划分城镇建设用地与农村居民点用地.城镇的扩张一般都是通过在城乡结合部对耕地和农村居民点用地的征用实现的,因此我们认为从实际角度出发也是可行的.同时经过实地调查,城市周边的农村居民点仍然属于集体土地,并不能算作城市扩张部分.在研究期间,城镇建设用地面积扩张1066.40hfn2,年均约106.640hm2, 扩展空间主要分布于苏州区城乡接合部和沿主要交通干线的城镇周边地区,苏州市以每年1.2%的速率扩张,也nn.n一136江西农业20卷是符合实际情况的.通过以上的数据分析可以看出,耕地与农村居民点用地转化为水域占了很大比重,这主要是由于退耕还林还湖及太湖治理使得许多耕地和小厂房,住宅等转变为水域.另外,城镇建设用地虽然转变所占比例不太大,但是面积很大,与1991年比扩张率达到13.2%,而且在2001年行政区划调整时,将吴江等县市并入苏州市,改变了原有市区的空间扩展潜力格局,因此无论是从理论还是实践的角度都不难推测,在巨大的人口增长,经济扩张,资金,人力,技术等要素聚集的诸多动力驱动下,苏州市区城镇用地扩张将仍会继续.在以上图表中可以看出农村居民点用地变化显着,面积增加2013.16hm,同时原来分布于远离城镇的地区的建设用地也转变为其他类型土地,而且在城乡结合部和交通沿线集中分布,这是经济发展与城市化进程的共同结果.同时,对于太湖的保护政策也收到了很好的效果,水域面积增加9472.38lun,其中大部分是退耕还湖的耕地和农村居民点用地转化来的.3.2土地利用变化预测分析以苏州市区2001年的土地利用类型数量作为初始向量,以1991-2003年土地利用的概率矩阵作为初始概率转移矩阵,以10年为步长,预测出2011年各土地利用类型的面积.表22001年与2011年各类用地面积对比从表2可以看出,根据预测,到2011年研究区耕地面积将持续减少,城镇建设用地面积增加,农村居民点用地面积由于城市化进程的加快而有所减少,但是林地与水域会有所增加,这使得苏州区生态用地增加,有助于生态环境的改善.但是我们认为1991年到2001年水域面积的增长主要是由于退耕还湖等政策的实施产生的效果,而在2001 年到2010年中主要实行的是耕地保护政策,所以不应该将大量耕地面积转化为水域面积,同时由于太湖治理,也不会将太湖水域转变为耕地.因此耕地转移为水域的驱动政策失效,而转为阻止耕地转移的政策,所以我们假定在这10年中没有耕地转化为水域,同时也没有水域转化为耕地,因此我们只需将耕地通过马尔可夫模型计算所转化为水域的面积仍算作耕地,水域转化为耕地的面积仍算作水域就完成了修正.具体作法是,首先根据转移矩阵,耕地转化为水域的面积在所有耕地面积中所占比例为0.16,水域转化为耕地面积所占水域面积比例为0.02,因此2011年中耕地转化为水域的面积为2001年耕地面积的0.16,水域转化为耕地的面积就为2001年水域面积的0.02,所以2011年耕地面积中应该加上耕地转化为水域的面积(即2001年耕地面积的0.16),减去水域转化为耕地的面积(即2001年水域面积的0.02),得到2011年耕地面积为63290.24hm,水域面积为减去耕地转化为水域的面积(即2001年耕地面积的0.16),加上水域转化为耕地的面积(~132oo1年水域面积的0.02),得到20l1年水域面积为211178.88hm.表3修正后20n年苏州市各类用地面积用地类型面积(hm2)水域林地耕地城镇建设用地农村居民点用地Y'-N用地2ll178.8823893.7663290.249761.8832O18.66562.49通过修正后的数据(表3)可以看出,耕地虽然减少,但是递减速率为249.77hm/年,年减少率(年减少量与2001年耕地面积的比)为0.38%,根据1996年末到2000 年末江苏省地类统计面积中苏州市区(除去五县及太湖面积)耕地面积统计数据得到年减少率为0.4o%,所以我们认为作这样修正是科学的,它既考虑了太湖保护政策对水域面积的影响,也考虑了耕地保护政策对耕地面积的影响.4结语通过对1991年到2001年苏州市区土地利用类型的变化的分析,说明苏州市区城镇建设用地扩张较快,农村居民点用地向城市及交通沿线集中面积也在增加,同时通过退耕还湖等对于太湖的保护政策,太湖水域面积增加很大,从土地利用的角度看,对于太湖的保护工作也是有很大进展的.从马尔可夫模型预测结果可以看出,在2011年城镇建设用地将继续保持扩张态势,同时由于城市化进程,农村居民点用地将相应减少,但是随着耕地保护的加强,耕地面积减少速率将下降,而对于太湖治理方法的改变也使得太湖水域面积近期不会有太大变化.同时根据太湖保护政策和耕地保护政策对通过马尔可夫模型预测出的各类用地面积结果进行了修正,使结果更加符合实际.参考文献:[1]徐建华.现代地理学中的数学方法[M].北京:高等教育出版社,1996.44-48.[2]胡召玲.基于马尔可夫模型对徐州市土地利用动态变化的研究[J].安徽农业科学,2007,35(8):2344~2345.(下转第139页)11期张敏:浅谈城市土地储备融资风险分析及对策139国工业用地出让最低价标准》供应土地,避免低价供地; (3)严格按照《国务院关于促进节约集约用地的通知》,全面落实科学发展观节约,集约供地.3.3银行机构尽量做到按具体项目,选择优质地块发放贷款贷款期限与项目运作周期相一致.在用具体地块抵押贷款时,必须充分了解具体地块的有关情况,由于大部分收购地块从收购到供出要经过一段时间,其中不确定因素较多.因此,要通过了解城市规划等有关信息,尽可能确定抵押地块的未来价值,尽可能选择升值潜力大或预期收益高的地块作抵押.经办行要加强对拟支持项目(收购地块)的调查评估,宜选择已纳入城市规划,有意向的商业性开发用地作为支持对象.通过对地块所处位置,面积大小,商业价值等因素的分析,认真测算土地合理收购价,整理储备成本等,从而确定合理的贷款额度.贷款期限力求与所选地块收购,整理,储备,出让运作周期一致.这样做,既支持了土地储备中心的正常经营活动,又保证了银行信贷资金的安全运转.3.4土地储备资金收支管理严格执行《土地储备资金财务管理暂行办法》[财综(2007)l7号]的规定土地储备机构向银行等金融机构申请的贷款应为担保贷款,其中抵押贷款必须具有合法的土地使用证;申请贷款的土地储备机构必须满足商业银行及其他金融机构的贷款要求.土地储备机构举借的贷款规模,应当与年度土地储备计划,土地储备资金项目预算相衔接,并报经同级财政部门批准,不得超计划,超规模贷款.土地储备机构申请贷款时,应持财政部门的贷款规模批准文件及同级人民政府批准的项目实施方案等书面材料向当地商业银行及其他金融机构申请担保贷款.商业银行及其他金融机构应严格按照商业原则在批准的规模内发放土地储备贷款.土地储备贷款应实行专款专用,封闭管理,不得挪用.政府储备土地设定抵押权,其价值按照市场评估价值扣除应当上缴政府的土地出让收益确定,抵押程序参照划拨土地使用权抵押程序执行.3.5建立风险共担,利益共享的社会化资金循环机制认清土地储备运作周期长,资金需求大,受宏观经济环境影响显着的特点,改变单由银行筹措资金的做法,多渠道筹措资金.通过设立土地基金,委托金融部门发行土地储备债券或股票,推行土地权益书等做法吸收社会资金参与土地储备.4小结土地收购储备是经营城市的必然选择.土地储备制度是城市土地制度改革的一个创新,在发展过程中也的确存在一些融资方面的风险,而土地储备又需要资金的支持.运营,储备与金融之间,通过建立良性的土地收储经营机制,并逐步建立与完善城市土地储备融资体系,城市土地储备融资风险完全可以避免.参考文献:[1]张毅.申海建.我国城市土地储备投资风险分析及对策浅探[J].国土资源科技管理,20O6,23(2):32—36.[2]王凌松,宋义春,佟月强.土地收购储备制度存在的问题及对策[J].当代经济研究,20O2,(7):33-35.[3]于水.当前我国城市土地储备的缺陷及其改进措施[J].学术论坛,20O2,(5):62~65.[4]颜国强,姜广辉,杨洋.对我国城市土地储备制度的经济学思考[J].国土资源导刊,2005,2(6):20—22.(上接第136页)[3]张友水.基于TM影像的绍兴地区土地利用变化监测[J].资源科学,2006,(6):120~126.[4]吴琼.土地利甩/景观生态学研究中的马尔可夫链统计性质分析[J].应用生态,2006,17(3):434—43.[5]刘纪远,布和敖斯尔.中国土地利用变化现在过程的时空特征的研究一基于卫星遥感数据[J].第四纪研究,2OOO,20(3): 229—239.[6]王秀兰,包玉海.土地利用动态变化研究方法探讨[J].地理科学进展,1999,18(1):81—87.[7]摆万奇,赵士洞,摆万奇,等.土地利用变化驱动力系统分析[J].资源科学,2001,23(3):39-41.[8]顾朝林.北京土地利用/覆盖变化机制研究[J].自然资源学报,1999,14(4):307—312.[9]BellFj,Hinojo~RC.Markovanalysisoflandusechange:Con- tinuoustimeandstationaryp~ocesses[J].Socio—EconPlanSci, 1977,ll(1):13—1.[10]BourneLS.Physicala由ustmentprocessesandlanduseSUC. cession:Areviewandcenla'alcityexample[J].EconC,eogr,1972,47(1):1—15.[11]陈美球.TM图像在城镇用地扩张监测中的应用一以江西省南昌市为例[J].地域研究与开发,2001,(1):54—57.[12]孟飞.ETM影像中城镇覆盖与背景信息的提取[J].华东师范大学(自然科学版),2005,(4):59~65.[13]王光彦.基于遥感图像的城镇用地信息提取方法研究[J]. 水土保持通报,20O7,(3):121~123.。
基于计算机软件技术CA-Markov模型的土地利用变化模拟与预测基于计算机软件技术CA-Markov模型的土地利用变化模拟与预测土地利用是人类社会经济发展和城市化进程中重要的问题之一。
随着人口的增加和经济的发展,土地利用的变化不可避免地会影响到生态环境的保护、农田资源的合理利用以及城市规划的实施。
因此,研究土地利用变化模拟与预测具有重要的理论和实践价值。
CA-Markov模型(Cellular Automata–Markov)是一种常用的土地利用变化模拟与预测的方法。
它将细胞自动机和马尔可夫模型相结合,通过模拟土地利用变化的空间格局和规律,预测未来的土地利用状态。
CA-Markov模型能够将土地利用变化过程分解为元胞级别的决策过程,并且能够考虑空间相关性和时间序列特征,具有较高的准确性和预测能力。
首先,建立CA-Markov模型需要准备的数据包括起始时期的土地利用状态、转移概率矩阵、转移规则和转移权重等。
起始时期的土地利用状态可以通过遥感影像数据获取,包括不同类型土地的空间分布和面积信息。
转移概率矩阵反映了不同类型土地在不同时期之间的转换概率,可以通过历史土地利用数据和统计分析得到。
转移规则描述了土地利用类型之间的相互作用和影响关系,可以通过专家知识和地理信息系统支持下的多因素分析得到。
转移权重则是指各类型土地转换的可能性大小,基于马尔可夫链的理论,可以通过最大似然估计方法进行计算。
其次,基于CA-Markov模型进行土地利用变化模拟与预测需要进行模型参数的设定与调整。
模型参数包括模拟时期的时间步长、模拟区域的空间分辨率、模型的迭代次数等。
时间步长确定了模拟结果的时间尺度,空间分辨率影响了模拟结果的空间尺度,迭代次数则决定了模型模拟的精度。
模型参数的设定和调整需要根据不同的研究目的和实际情况进行灵活选择,以获得较为准确的模拟与预测结果。
最后,基于CA-Markov模型进行土地利用变化模拟与预测的结果可视化呈现和分析评价。
第35卷第2期2024年3月㊀㊀水科学进展ADVANCES IN WATER SCIENCE Vol.35,No.2Mar.2024DOI:10.14042/ki.32.1309.2024.02.013黄河水源涵养区土地利用变化的区域分异特征及未来格局梁㊀康1,公㊀丽1,2,宋小青2,张永勇1,刘昌明1(1.中国科学院地理科学与资源研究所中国科学院陆地水循环及地表过程重点实验室,北京㊀100101;2.中国地质大学(武汉)地理与信息工程学院,湖北武汉㊀430074)摘要:解析黄河水源涵养区历史和未来的土地利用/覆盖变化(LUCC)对于保护黄河流域水土资源和维系生态系统服务功能等具有重要意义㊂在研究区及其三大子区(Ⅰ黄河上游水源区㊁Ⅱ渭河南山区㊁Ⅲ伊洛河区),基于1990 2020年的土地覆盖产品数据,采用转移矩阵㊁地理探测器㊁CA-Markov 模型等方法,分析LUCC 特征㊁探测驱动因素和预测未来期(2025年)空间格局㊂结果表明:自2000s 以来,研究区及分区地类呈现退耕还林还草和建设用地快速增长的2条主线变化趋势,其中,全区LUCC 主要受到粮食产量㊁高程和人口密度驱动,Ⅰ区㊁Ⅱ区和Ⅲ区LUCC 的主导驱动因素分别是高程㊁人口密度和粮食产量㊂未来生态保护情景相对于自然发展情景,耕地和建设用地扩张将受到约束,能更好地保障生态用地面积以支撑水源涵养等生态服务功能㊂关键词:水源涵养;土地利用/覆盖变化;地理探测器;CA-Markov 模型;黄河流域中图分类号:S152.7㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2024)02-0325-13收稿日期:2023-09-07;网络出版日期:2024-02-05网络出版地址:https:// /urlid /32.1309.P.20240204.1421.003基金项目:国家重点研发计划资助项目(2021YFC3201102);国家自然科学基金资助项目(41971035)作者简介:梁康(1986 ),男,重庆人,副研究员,博士,主要从事流域水文过程演变机理与水资源安全研究㊂E-mail:liangk@ 土地利用/覆盖变化(LUCC)是全球环境变化的重要原因和结果[1-2],影响粮食安全㊁生态安全和社会稳定[3]㊂黄河流域是中华文明的诞生地,是中国重要的生态屏障[4]㊂1999年开始实施的 退耕还林还草 生态工程,引起了黄河流域土地利用格局的重大变化,改善了生态环境[5-6],减少了水土流失和山洪灾害的发生[7]㊂然而,随着城镇化快速发展,黄河流域土地利用/覆盖正在发生新的变化㊂城镇化和工业化快速发展使得大量农田被建设用地占据,导致农田面积减少[8],可能影响黄河流域粮食安全㊂与此同时,全球变暖和人类活动等因素使得黄河流域的土地利用呈现多样化和复杂化的变化态势,可能会对黄河流域重要生态服务功能区的生态环境产生重大影响[9]㊂因此,深入研究黄河流域土地利用变化的发展模式㊁了解历史和预测未来的LUCC,对区域土地利用规划㊁粮食安全和生态服务功能的保障具有重要意义㊂自1995年 LUCC 科学研究计划 实施以来[2,10],国内外学者们对土地利用/覆盖的时空演变规律㊁驱动因素分析和模拟预测等方面做了大量研究[1,11-13]㊂其中,对历史土地利用变化驱动因素的定量解析和未来变化的预测是当前研究的重点和难点[14]㊂土地利用驱动因素分析从定性探究[15]转为采用数理统计方法,例如主成分分析法㊁相关分析法㊁logistic 回归模型㊁层次分析法㊁地理加权回归和地理探测器等[16-22]㊂其中,地理探测器被广泛应用于定量探析地理要素空间异质性驱动力,具有适用性强㊁理论基础可靠㊁操作简便等优点[14]㊂土地利用变化的模拟预测主要采用模型方法,经历了从数量到空间格局模拟㊁从单一模型到耦合模型模拟,呈现出多模型㊁多技术和智能化的发展态势[11,23],涌现出元胞自动机-马尔可夫(CA-Markov)模型㊁小尺度土地利用变化及效应(CLUE-S)模型和未来土地利用情景模拟(FLUS)模型等[24-26]多种技术方法㊂其中,CA-Markov 模型综合了CA 模型和Markov 模型的优点[27-28],可以对土地利用类型空间分布和数量演变326㊀水科学进展第35卷㊀进行预测,得到了国内外学者的广泛认可[4]㊂但其在建立CA 模型运行规则时,大多数研究基于logistic 回归方程来校正,可以解决各种因素的非线性和复杂性[29],但在空间分异性探测上略显不足,而将地理探测器的空间分异性探测优势与CA-Markov 模型相结合,有望提升土地利用模拟预测的准确性和可靠性㊂综合多种方法优势以实现土地利用变化驱动要素定量解析和未来变化的模拟预测,是当前及未来土地利用研究领域的发展趋势[30]㊂黄河水源涵养区是黄河流域非常重要的生态功能区,包括黄河源区㊁秦岭㊁祁连山㊁六盘山和若尔盖( 生态五区 [31])重点生态安全屏障,因此,研究该区LUCC 是科学支撑新时代黄河流域生态保护和高质量发展国家战略的基础㊂以往研究对该区的界定主要集中于黄河源区和上游水源涵养区[32-33],主要针对三江源㊁祁连山和若尔盖重点生态功能区,而容易忽略六盘山和秦岭北麓所在的渭河南部山区支流流域及秦岭余脉所至的伊洛河流域㊂以往该区LUCC 研究更多的是单独对黄河源区[32]㊁渭河流域[34]㊁伊洛河流域[35-36]的分散研究,缺乏将渭河南部山区支流流域和伊洛河流域统一纳入黄河水源涵养区范围内开展系统完整的综合研究㊂本文以黄河水源涵养区作为研究区,并依据黄河流域重点生态功能区的分布情况和水利部划分的水资源三级分区,将其划分为三大子区和10个水资源三级分区,重点对比分析全区㊁三大子区及10个水资源分区的LUCC 特征,定量探析LUCC 的空间分异原因,并结合空间分异原因预估未来的LUCC 情势,期望能为黄河水源涵养区下垫面变化综合分析㊁黄河流域的水源涵养能力综合评估㊁水资源和生态安全系统保护等提供参考㊂1㊀研究区与数据来源1.1㊀研究区概况图1㊀黄河水源涵养区地理位置及DEMFig.1Location and DEM of the water conservation zone of the Yellow River 本文界定的黄河水源涵养区位于32ʎN 39ʎN㊁96ʎE 114ʎE 之间,具体包括自西向东地理位置相互连接的三大区域,即Ⅰ黄河上游水源区(兰州以上流域)㊁Ⅱ渭河南山区(渭河华县以上流域,不含泾河,以下简称为 渭河南山区 )和Ⅲ伊洛河区㊂根据空间分异探析的研究需求,参考水利部划分的全国水资源区划(http:ʊ /),进一步将三大区域划分为10个水资源分区(图1和表1)㊂黄河水源涵养区跨青海㊁四川㊁甘肃㊁宁夏㊁陕西和河南6省,东西长约1550km,南北宽约710km,面积约28.7万km 2,㊀第2期梁㊀康,等:黄河水源涵养区土地利用变化的区域分异特征及未来格局327㊀占黄河流域总面积的38%,贡献了黄河流域约84%的河川年均径流量[31]㊂研究区西北高,东南低,高程范围为92~6174m㊂降水量和多年平均气温都呈由东南向西北递减的特征,雨季集中在6 9月㊂表1㊀黄河水源涵养区水资源分区概况Table1Overview of water resources subzones in the water conservation zone of the Yellow River 水源涵养区水资源分区编号水资源分区名称分区面积/km2Ⅰ黄河上游水源区Ⅰ-1河源 玛曲83502.88Ⅰ-2玛曲 龙羊峡44151.31Ⅰ-3龙羊峡 兰州26326.81Ⅰ-4大夏河 洮河32860.07Ⅰ-5湟水16330.53Ⅰ-6大通河享堂以上14471.81Ⅱ渭河南山区Ⅱ-1渭河宝鸡峡以上30733.28Ⅱ-2宝鸡峡 咸阳15750.75Ⅱ-3咸阳 华县4610.99Ⅲ伊洛河区Ⅲ伊洛河流域18139.451.2㊀数据来源与处理本文主要包括两大类数据:土地利用数据与影响土地利用变化的驱动因子数据㊂本文选用的土地利用数据(1990 2020年,共31期)来自武汉大学黄昕教授团队制作的中国30m年度土地覆盖产品,该数据基于5463个目视解译样本,总体精度达80%[37]㊂根据研究需要和参照国家标准‘土地利用现状分类:GB/ T21010 2007“,对黄河水源涵养区土地利用遥感监测数据重新划分为草地㊁耕地㊁林地㊁未利用土地㊁水域和建设用地共6类㊂基于研究区的实际情况以及驱动因子可获取性㊁可量化性等原则,本文选取涉及地形地貌(高程㊁坡度)和水热条件(降水㊁气温)两方面的4个自然地理因子,以及人口密度㊁GDP㊁粮食产量㊁城镇化率4个社会经济因子㊂其中,高程数据采用美国国家航空航天局(NASA)发布的全球30m分辨率DEM数据;坡度数据基于DEM数据得到;将从中国科学院资源环境科学与数据中心(https:ʊ/)获取的逐月气温和降水数据处理为年均数据(2000年㊁2005年㊁2010年㊁2015年㊁2020年共5期);人口密度数据集(2000年㊁2005年㊁2010年㊁2015年㊁2020年)来自World Pop(https:ʊ/project/catego-ries?id=18);GDP数据(2000年㊁2005年㊁2010年㊁2015年㊁2019年)来自Chen等[38]修正的实际国内生产总值数据;县级粮食产量和城镇化率数据(2000年㊁2005年㊁2010年㊁2015年和2020年)来自中国经济社会大数据研究平台(https:ʊ/)㊂上述所有数据的空间分辨率均处理为1km㊂2㊀研究方法2.1㊀土地利用动态变化研究方法土地利用转移矩阵是分析LUCC的一种有效工具,能够揭示特定时期区域各土地利用类型间的相互转化,包括数量的结构特征和转移方向[39]㊂本文采用Mann-Kendall趋势检验法检测1990 2020年LUCC趋势显著性㊂该方法是一种非参数检验方法,其优势在于对异常值不敏感,计算原理简单易懂,且无需检测序列符合某种概率分布[40]㊂本文给定显328㊀水科学进展第35卷㊀著性水平α=0.05,通过统计量Z值(|Z|>1.96)进行显著性检验,当Z>1.96时,上升趋势显著,当Z< -1.96时,下降趋势显著㊂2.2㊀土地利用空间分异驱动力分析方法空间分异性探测是地理探测器的核心特点之一,是揭示内在驱动力的一种新兴统计学手段[41]㊂因子探测通过研究因变量LUCC的空间异质性,定量探测各驱动因子对LUCC的解释力(q),q越大,则该因子对土地利用变化的影响越大㊂公式如下:q=1-ðL h=1N hσ2hNσ2(1)式中:q的取值范围为0~1;L为影响因子类型数;N h为类型量h的样本数,h=1,2, ,L;N为全区的样本数;σ2h为类型量h的离散方差;σ2为研究区土地利用的方差㊂2.3㊀土地利用变化预测模型2.3.1㊀模型构建CA-Markov模型是由CA模型和Markov模型耦合而成,以适宜性图集和转移矩阵为规则,模拟未来土地利用类型变化㊂适宜性图集是CA的关键核心部分,主要用于模拟土地利用复杂的空间变化[27],转移矩阵作为Markov过程的初始转移概率,用于模拟土地利用未来的数量变化㊂本文在模型构建时,分模型识别期(基期为2010年,模拟2015年土地利用)㊁验证期(基期为2015年,模拟2020年土地利用)和应用期(基期为2020年,模拟2025年土地利用)3期进行㊂以模型识别期为例,构建黄河水源涵养区LUCC预测模型的4个主要步骤为:(1)生成土地利用适宜性图集㊂研究区2010年土地利用类型数据作为因变量,选取2010年的自然地理因子和社会经济因子作为自变量,将地理探测器计算出的驱动力作为权重,利用布尔交叉法生成6种土地利用类型的适宜性图像,进而打包成2010年土地利用适宜性图集㊂(2)计算参考期土地利用转移矩阵㊂采用Markov链计算2005 2010年识别期的土地利用面积转移矩阵㊂(3)模拟预测土地利用结果㊂利用CA-Markov模型,通过设置5ˑ5滤波器㊁循环次数为5等参数,基于2005 2010年土地利用面积转移矩阵和2010年土地利用适宜性图集,模拟得到2015年研究区土地利用类型分布图㊂(4)检验模拟预测结果精度㊂对模拟预测的2015年土地利用数据进行数量和空间模拟精度验证,利用Kappa指数评价空间模拟精度,利用相对误差评价数量模拟精度,如精度测试通过,则应用此耦合模型模拟未来土地利用㊂2.3.2㊀模拟情景设置模拟情景设置主要是根据流域发展的不同需求而设定,本文设定自然发展情景和生态保护情景2种土地利用未来发展情景,并参照上述LUCC预测模型构建步骤,预测研究区2025年土地利用空间分布格局㊂(1)自然发展情景㊂不考虑任何人类活动和自然条件等限制性因素的影响,黄河水源涵养区未来土地利用的演变是由该区2015 2020年土地利用变化的发展规律决定,即采用2015 2020年的转移概率和转移面积作为未来土地利用类型的转换规则㊂(2)生态保护情景㊂为保障研究区生态用地面积和减缓耕地面积的损失,在2015 2020年面积转移矩阵的基础上,将林地㊁草地和水域转换为其他土地利用类型的面积设置为0,将耕地转化为除耕地以外的其他土地利用类型的面积比例减少30%㊂㊀第2期梁㊀康,等:黄河水源涵养区土地利用变化的区域分异特征及未来格局329㊀3㊀结果与分析3.1㊀土地利用演变特征3.1.1㊀土地利用结构及变化特征黄河水源涵养区整体的土地利用时空分布特征见图2(α为斜率)和图3㊂研究区1990 2020年3个主要地类的多年平均面积占比排序依次为草地㊁耕地㊁林地,这3类面积之和占总面积的96.92%,其次为未利用土地㊁水域和建设用地㊂近30余年来,研究区各地类面积的线性趋势表现不同,其中,林地㊁建设用地和未利用土地均呈现显著增加趋势(p<0.05),耕地和草地呈现显著减小趋势,水域为不显著减少趋势㊂值得注意的是,草地㊁耕地和水域的变化趋势都在2002年前后发生转变,草地和水域趋势均由下降变为上升,耕地则相反,此外,未利用土地面积的上升趋势在2009年之后增强㊂黄河水源涵养区1990 2020年不同时期土地利用类型的总体空间分布格局相似(图3),表现为草地广泛分布在整个研究区,且更集中分布于西部区域,耕地和建设用地主要分布在中东部的低海拔地区,林地主要分布在西部北侧㊁中部南侧和东部西侧,水域靠近黄河干支流,未利用土地集中在西部高海拔区域㊂图2㊀黄河水源涵养区1990 2020年各土地利用类型面积变化Fig.2Area change of each land use type in the water conservation zone of the Yellow River from1990to2020对于黄河水源涵养区分区尺度下的LUCC特征,在三大子区之间和各子区内部不同水资源分区之间,其土地利用类型结构和面积变化趋势等均存在明显差异(表2和图3)㊂首先,对于Ⅰ区及内部6个水资源分区而言,草地是多年平均面积占比最大的地类,同时Ⅰ区表现出草地面积缩减及建设用地迅速扩张,特别是在Ⅰ-4区和Ⅰ-6区,建设用地增长尤为显著㊂然后,对于Ⅱ区而言,耕地㊁草地㊁林地和建设用地具有地带规律分布特征,即草地和耕地面积自西向东减少,而林地和建设用地自西向东增加㊂Ⅱ区整体上呈现出耕地急剧减少趋势,尤其是在Ⅱ-2区和Ⅱ-3区;建设用地在Ⅱ-1区㊁Ⅱ-2区和Ⅱ-3区都呈现出显著增长,显示出较为强烈的工业或城市发展导致的土地转变㊂最后,对于Ⅲ区而言,耕地和林地是主要地类,该区土地利用变化趋势与Ⅱ区相似㊂330㊀水科学进展第35卷㊀图3㊀黄河水源涵养区1990 2020年不同时期土地利用空间分布Fig.3Spatial distribution of land use in the water conservation zone of the Yellow River in different periods from 1990to 2020表2㊀黄河水源涵养区各水资源分区土地利用类型面积比例及变化趋势Table 2Proportion and trend of land use type area of each water resources subzone in the waterconservation zone of the Yellow River 分区草地耕地林地未利用土地水域建设用地面积占比/%Z 面积占比/%Z 面积占比/%Z 面积占比/%Z 面积占比/%Z 面积占比/%Z Ⅰ区86.09-4.11∗ 5.16-1.77 5.85 6.46∗ 1.47 4.66∗ 1.37-0.070.06 6.49∗Ⅰ-1区96.00-1.52∗0.02-4.22 1.207.01∗0.60 5.00∗ 2.50-2.07∗∗00Ⅰ-2区90.67-2.00∗∗0.62-4.15∗ 3.76-3.38∗ 3.85 4.52∗ 1.10 4.96∗00Ⅰ-3区82.290.569.31-3.03∗ 6.50 3.30∗ 1.17-0.170.59 6.820.15 4.71Ⅰ-4区69.09-4.49∗14.25 1.8716.26 5.23∗0.070.510.32 4.590.02 6.39∗Ⅰ-5区72.700.1419.73-1.367.07 5.44∗0.29 3.79∗0.09 2.98∗0.13 6.19∗Ⅰ-6区76.37-3.57∗ 4.69-4.86∗13.96 2.16∗ 4.02 4.62∗0.92 2.50∗0.03 1.14Ⅱ区22.93 2.48∗49.96-5.71∗∗24.197.89∗000.17 2.30∗ 2.747.85∗Ⅱ-1区34.30 2.58∗51.76-3.67∗13.467.75∗000.06 2.43∗0.417.70Ⅱ-2区 6.63-1.8448.16-6.83∗40.387.82∗000.36 2.28∗ 4.477.82∗Ⅱ-3区 1.64-7.2945.70-7.89∗39.907.46000012.767.89Ⅲ区 6.38-6.08∗46.59-7.14∗41.44 6.70∗000.43 4.83 5.167.89注:∗为置信水平小于0.01;∗∗为置信水平小于0.05㊂3.1.2㊀土地利用转移特征从黄河水源涵养区多期土地利用转移矩阵结果可知(图4),不同时期的土地利用流转方向㊁转移规模大小存在差异,并且因退耕还林还草政策的实施,研究区在2000年前后呈现出不同的变化特征㊂具体而言,2000年前的土地利用类型转移活跃(尤其是1990 1995年),耕-林草转移表现为耕增-林草减,耕-建转移则表现为耕减-建增㊂2000年后退耕还林还草效果明显,表现为其他地类转向草地和林地,耕-林-草转移表现㊀第2期梁㊀康,等:黄河水源涵养区土地利用变化的区域分异特征及未来格局331㊀为耕减-林草增,但耕-建转移依旧表现为耕减-建增,但不可忽视的是,近20a,草地向未利用土地转变逐渐增强,说明草地存在一定的退化趋势㊂此外,以耕地流入主导的建设用地快速增加的特征及发展趋势较明显㊂进一步以2000年为界,通过1990 2000年和2000 2020年2期土地利用转移矩阵对比,在分区尺度下分析研究区土地利用转移特征㊂在2000年以后,土地利用转移在三大分区普遍出现耕-草互转方向改变,即从耕增-草减转变为耕减-草增㊂在Ⅰ区,该转变发生在Ⅰ-2区㊁Ⅰ-3区㊁Ⅰ-5区和Ⅰ-6区㊂此外,草地流向未利用土地的面积均在2000年后增强,尤其在Ⅰ-1区和Ⅰ-2区,分别增加了294km2和162km2㊂在Ⅱ区,该转变主要发生在Ⅱ-1区和Ⅱ-2区,而Ⅱ-3区则从耕减-草增转变为耕增-草减㊂在Ⅲ区,还呈现出耕地转为建设用地规模增强的特征㊂综上,在分区尺度下,三大子区和绝大多数水资源分区的土地转移方向跟全区尺度转移方向基本一致,但仍存在个别水资源分区(如Ⅱ-3区)与主导转移方向不一致㊂此外,退耕还草效果不够稳固有退化风险的区域主要在Ⅰ-1区㊁Ⅰ-2区㊂图4㊀黄河水源涵养区不同时期土地利用转移比例弦图Fig.4Land use transfer ratio chord diagram in different periods in the water conservation zone of the Yellow River3.2㊀土地利用与覆盖变化的驱动力利用地理探测器的因子探测方法得到了全区土地利用类型与8个驱动因子之间的关系,如图5(a)所示㊂自然地理因子和社会经济因子共同驱动研究区LUCC,且社会经济因子的多年平均解释力(0.799)大于自然地理因子的解释力(0.521)㊂研究区全区主要受到粮食产量㊁高程和人口密度的影响,多年平均解释力分别为0.290㊁0.238和0.234,其中,高程和人口密度的解释力均呈逐年下降趋势,坡度和气温的解释力也呈下降趋势,其余驱动因子的变化无明显规律㊂对8个驱动因子进行分区探测的结果如图5和表3所示,各分区在主导驱动因子㊁各因子解释力大小和因子变化趋势等方面存在较强的空间异质性㊂具体而言,Ⅰ区主要受自然地理因子的影响(图5(b)),尤其是高程和气温,多年平均解释力分别为0.313㊁0.278㊂在Ⅰ区的6个水资源分区中(表3),虽然自然地理因子普遍占主导地位,但主导驱动因子分区而异,Ⅰ-1区㊁Ⅰ-2区㊁Ⅰ-3区㊁Ⅰ-4区㊁Ⅰ-5区和Ⅰ-6区分别受降水㊁GDP㊁粮食产量㊁气温㊁高程和气温的主导驱动;而Ⅱ区和Ⅲ区的LUCC更多地受到社会经济因子332㊀水科学进展第35卷㊀图5㊀黄河水源涵养区全区及三大子区LUCC驱动因子探测结果Fig.5Detection results of LUCC drivers in three major subzones of the water conservation zone of the Yellow River表3㊀黄河水源涵养区各水资源分区LUCC驱动因子多年平均q值Table3Multi-year average q-values of LUCC drivers for each water resources subzone in the waterconservation zone of the Yellow River分区高程坡度气温降水人口密度GDP城镇化率粮食产量Ⅰ-10.0980.0690.0720.1050.0180.037-0.079Ⅰ-20.1100.0030.1080.0220.1210.1230.0250.030Ⅰ-30.0750.0200.0570.0490.0730.0620.0740.093Ⅰ-40.0720.0100.0740.0540.0580.0510.0550.067Ⅰ-50.1060.0070.0920.0610.0740.0570.0500.052Ⅰ-60.2860.0220.3040.1660.2200.1890.1960.163Ⅱ-10.0110.0050.0040.0170.0140.0110.0110.020Ⅱ-20.0380.0340.0120.0220.0440.0420.0140.029Ⅱ-30.0180.0140.0010.0130.1170.125-0.099Ⅲ0.0180.0350.0110.0080.0380.0190.0490.061注: - 为未通过显著性检验㊂㊀第2期梁㊀康,等:黄河水源涵养区土地利用变化的区域分异特征及未来格局333㊀的驱动,在Ⅱ区的3个水资源分区中(表3),社会经济因子同样占有较高影响,尤其是粮食产量㊂总体而言,自然地理因子在Ⅰ区对LUCC影响较大,而在Ⅱ区和Ⅲ区,社会经济因子更为显著;同时,社会经济因子影响力在Ⅱ区和Ⅲ区不同年份之间波动剧烈,而在Ⅰ区则呈逐年下降趋势㊂3.3㊀黄河水源涵养区土地利用/覆盖变化未来模拟与预测3.3.1㊀模型模拟精度验证利用地理探测器的各驱动因子对LUCC的解释力,结合CA-Markov模型对研究区LUCC进行模拟和预测㊂利用模拟和实际的土地利用数据计算Kappa指数(K),当K>0.75时,通常被认为具有较高的可靠性[42]㊂模型识别期和验证期K分别为0.88和0.93,表明基于地理探测器和CA-Markov模型耦合模拟的空间分布结果是合理的,但无论是识别期还是验证期,模拟的土地利用类型相对于实际的土地利用类型分布更加集中(图6)㊂进一步将各土地类型的模拟面积与2015年㊁2020年的实际面积进行比较(图6(e)),2期土地利用模拟面积精度均大于83%,未利用土地是模拟精度最高的土地利用类型,其次是草地和建设用地㊂图6㊀黄河水源涵养区识别期和验证期土地利用类型空间分布及相对误差Fig.6Spatial distribution of land use types and relative error in the identification period and verification period of the water conservation zone of the Yellow River3.3.2㊀未来2025年土地利用情景模拟以2020年为预测基准期,对研究区2025年自然发展情景和生态保护情景的土地利用进行预测㊂在2种情景下,各地类未来空间分布格局相较于基准期总体变化较小,且未来土地利用类型仍然以草地㊁耕地和林地为主,但不同地类的面积增减变化方向和数量存在较大差异(图7)㊂具体而言,在自然发展情景下,草地和未利用土地面积减少,主要集中分布在Ⅰ区,其中Ⅰ-4区的草地面积减少比例最大(13.4%);耕地㊁林地和建设用地面积增加,其中耕地增加主要在Ⅱ区,尤其是Ⅱ-1区(19.7%)㊂在生态保护情景下,研究区的林地㊁草地和水域面积增长,尤其是Ⅰ-5区的草地面积增加比例最大(6.1%);耕地面积在所有分区上均减少,Ⅰ-5区减少面积比例最大(6.0%)㊂总体而言,在生态保护情景下,黄河水源涵养区的耕地和建设用地的发展将受到限制,生态用地面积将得到保障,生态环境将持续改善㊂黄河水源涵养区未来地类转移特征如图8所示㊂研究区在2种情景下均以林-草-耕地间的转变为主,自然发展情景倾向于耕地的扩增,生态保护情景则偏向于增加草地面积㊂草地向未利用土地的转变在自然发展情景下呈现草地退化趋势,在生态保护情景下以草地面积增加为主㊂具体到分区尺度,Ⅰ区在自然发展情景下,地类转移较活跃,草地普遍转向耕地,例如,在Ⅰ-3区和Ⅰ-4区,草地流失面积分别为268km2和334㊀水科学进展第35卷㊀图7㊀黄河水源涵养区2025年2种不同情景下的土地利用空间分布及面积Fig.7Spatial distribution of land use types and areas under two different scenarios in2025in the waterconservation zone of the Yellow River491km2;在生态保护情景下,Ⅰ区的耕地和未利用土地转为草地,特别是在Ⅰ-5区㊂在Ⅱ区土地利用变化中,自然发展情景导致耕地和建设用地增加,林草地减少;而在生态保护情景下则呈现耕地减少㊁林草地增加的趋势,其中Ⅱ-2区一直保持耕地减少和林草地增加的状态㊂对于Ⅲ区,仍是自然情景下耕地增加显著,在生态保护情景下,耕地减少㊁林草地增加㊂图8㊀黄河水源涵养区2025年2种发展情景的土地利用转移比例弦图Fig.8Land use transfer ratio chord diagram for two development scenarios in the water conservation zone of the Yellow River in2025 4㊀结㊀㊀论本文以黄河流域生态保护和高质量发展国家战略为导向,将秦岭和六盘山所在的渭河南部山区流域和伊洛河流域共同纳入黄河水源涵养区,以 演变规律-驱动机制-未来预测 为主线对黄河水源涵养区及分区LUCC进行定量分析,得出以下结论:(1)近30余年,黄河水源涵养区及分区的土地利用结构总体上未发生根本改变,草地㊁耕地㊁林地是最主要的3种地类,草地广泛分布在Ⅰ区(黄河上游水源区),耕地主要分布在Ⅱ区(渭河南山区)和Ⅲ区(伊洛河区),林地主要分布在Ⅰ区北部㊁Ⅱ区南部和Ⅲ区西部㊂全区从2000s后呈现退耕还林还草和建设用地快速增长的2条主线变化趋势,但在Ⅰ区存在草地退化趋势㊂(2)自然地理因子和社会经济因子共同驱动黄河水源涵养区LUCC,全区LUCC主要受到粮食产量㊁高程和人口密度驱动,Ⅰ区㊁Ⅱ区和Ⅲ区LUCC的主导驱动因素分别是高程㊁人口密度和粮食产量㊂Ⅰ区自然地理因子的解释力呈波动增强趋势,社会经济因子的解释力呈减弱态势,应高度重视未来气候变化可能造成的影响,而在Ⅱ区和Ⅲ区的2类驱动力总体上均呈增强趋势,需要更加注重气候变化和人类活动协同驱动下。
基于Markov模型的区域经济发展预测研究随着社会经济的不断发展和科技的进步,预测未来的趋势和发展已经成为了我们生活中不可缺少的一部分。
而对于各地区的经济发展来说,预测也是一个关键的问题,它可以帮助人们预测未来的区域经济发展趋势,作出更加明智的决策,促进经济的发展和繁荣。
而基于Markov模型的区域经济发展预测研究则成为了一种重要的手段和方法。
一、Markov模型的定义和原理首先,我们来了解一下Markov模型的相关定义和原理。
Markov模型又称马尔可夫模型,是指在一定的状态下,状态转移的概率只与当前的状态有关,与之前的状态无关。
它是一种基于概率的预测模型,常用于模拟随机现象的不确定性。
Markov模型的核心在于它的状态转移概率矩阵,这个矩阵描述的是状态间转移的概率。
其核心原理为:1. 根据一组初始状态(比如当前的经济发展水平)作为模拟起点。
2. 根据状态间转移矩阵计算出下一状态的概率分布。
3. 以此类推,一直计算出某个周期后的状态分布。
二、基于Markov模型的经济预测方法那么,如何将Markov模型应用于经济预测呢?主要方法就是:1. 划分状态:划分各个经济阶段的状态,比如划分为萎缩期、经济调整期、复苏期、高速增长期等状态。
2. 估算状态概率:统计不同状态下历史数据的比例,并进行概率估算。
3. 计算Markov转移矩阵:将状态转移概率矩阵转换为Markov转移概率矩阵。
4. 预测未来经济增长:通过Markov转移矩阵计算未来经济增长的概率分布。
基于以上方法,我们可以对某一特定地区的未来经济发展作出一定的预测,进而对其未来发展模式进行优化。
三、Markov模型的应用实例下面来看一个具体的应用实例:对某地未来3年的经济增长进行预测。
1. 划分状态:将其划分为萎缩期、调整期、复苏期、高速增长期和稳定期等5个状态。
2. 统计历史数据的比例并进行概率估算,得到初始状态分布矩阵如下:[0.1, 0.3, 0.4, 0.15, 0.05]3. 根据历史数据建立状态转移矩阵,如下所示:萎缩期调整期复苏期高速增长期稳定期萎缩期 0.2 0.7 0.1 0 0调整期 0.2 0.4 0.3 0.1 0复苏期 0.1 0.2 0.4 0.2 0.1高速增长期 0 0.1 0.3 0.5 0.1稳定期 0 0 0.1 0.4 0.54. 根据Markov转移概率矩阵计算未来3年的经济增长概率分布:[0.049, 0.167, 0.2611, 0.321, 0.2029]上述分布表明,该地区未来3年的经济增长有70%的概率在复苏期和高速增长期之间波动,也就是说,该地区的经济发展在未来3年中有很大的可能会保持良好的势头。
几种土地利用变化模型的介绍1马尔可夫链模型马尔可夫理论是一种用于随机过程系统的预测和优化控制问题的理论,它研究的对象 是事物的状态及状态的转移,通过对各种不同状态初始占有率及状态之间转移概率的研究,来确定系统发展的趋势,从而达到对未来系统状态的预测的目的[1]。
马尔可夫链是一种随机时间序列,它在将来取什么值只与它现在的取值有关,而与它过去取什么值无关。
这种性质称为无后效性。
马尔可夫链模型的建立过程:①确定系统状态:研究某一地区的土地利用/覆被变化,首先确定当地的土地利用类型,植被类型,确定其土地利用状态。
②建立状态概率向量:设马尔可夫链在 tK 时取状态E 1、E 2、…、En 的概率分别为P 1、P 2 …Pn 而0≤Pi≤1,则向量[P 1、P 2 …Pn ]称为t K 时的状态概率向量。
③建立系统转移概率矩阵:一步转移概率: 设系统可能出现N 个状态E 1、E 2 … En ,则系统由T K 时刻从Ei 转移到T k+1时刻Ej 状态的概率就称为从i 到j 的转移概率。
状态转移概率矩阵:在一定条件下,系统只能在可能出现的状态E 1、E 2 … En 中转移,系统在所有状态之间转移的可能性用矩阵P 表示,称P 为状态转移概率矩阵。
P =[P 11⋯P 1n ⋮⋱⋮P n1⋯P nn]为了运用马尔可夫模型对事件发展过程中的状态出现的概率进行预测,还需要再介绍一个状态概率πj (k ):表示事件在初始(k=0)状态为已知的条件下,经过k 次状态转移后,在第k 个时刻处于状态E j 的概率。
∑πj (k )=1n j=1从初始状态开始,经过k 次状态转移后到达状态E j 这一状态转移过程,可以看作是首先经过(k-1)次状态转移后到达状态E i (i =1,2⋯,n ),然后再由E i 经过一次状态转移到达状态E j 。
则有: πj (k )=∑πi (k −1)Pij n i=1 (j=1,2,…,n) 如果某一事件在第0时刻的初始状态已知,则可以求得它经过k 次状态转移后,在第k 时刻处于各种可能的状态的概率,完成对这一事件未来发展的预测。
党的二十大报告指出,要“加快构建新发展格局,着力推动高质量发展”。
高质量发展是全面建设社会主义现代化国家的首要任务,也是中国式现代化的本质要求。
当前,我国发展进入新阶段,为农业农村转型发展提供了新机遇[1]。
河南省郑州市作为中原城市群的核心城市,农业基础较好、地理位置优越,在农业现代化建设中具有重要地位。
近年来,郑州市的城镇化进程取得长足进展,经济实力持续增强,GDP 突破12000亿元,综合实力显著提升,新时期对郑州市都市现代农业发展提出了新的要求,如何立足新发展阶段、结合资源禀赋发展都市现代农业,将成为郑州市现阶段重点关注的议题。
基于郑州市目前的发展状况,对郑州市都市现代农业发展前景进行深入思考,提出对应的优化策略,能够丰富研究范式,拓展都市现代农业相关理论研究。
同时,都市现代农业的发展能够促进城乡一体化发展,推进三产融合,为农民提供广泛就业机会,提高农民经济收入水平,加快实现农业农村现代化,对城市繁荣、乡村振兴均有重要意义[2-3]。
1发展现状1.1发展概况郑州市地处中原腹地,是河南省省会,是国家明确支持建设的国家中心城市、高质量发展区域核心增长极,现辖6区5市1县及4个开发区。
全市总面积7567km 2,常住人口1274.2万人,城镇化率79.1%。
2022年,全市GDP 为12934.7亿元,总量位居全省第一。
随着社会经济的快速发展,尤其是高新技术在农业中的广泛应用,以生产现代化、功能多样化为特征的都市农业在郑州市迅速发展。
郑州市政府根据相关理论,综合考虑都市农业发展条件与要求,规划了以主城区为中心、呈放射圈分布、分为3个圈层的现代农业空间布局。
1)第一圈层:城市型都市农业。
是指中原区、高新区、金水区、惠济区等六大区,总面积约为1460km 2,包含4万hm 2耕地,是郑州市都市现代农业的核心功能区,典型的都市农业项目有花园口农家乐示范基地、惠济花卉示范园区。
2)第二圈层:近郊型都市农业。
土地利用马尔可夫模型土地利用是一个重要的环境问题,在过去几十年中受到了越来越多的关注。
土地利用马尔可夫模型是一种简单但有效的模型,用于预测未来的土地利用情况。
本文将介绍这种模型的原理和应用,并讨论它在土地利用管理中的优缺点。
土地利用马尔可夫模型基于马尔可夫链理论,它假设每一个时刻的状态只依赖于前一时刻的状态,并根据这个假设来预测未来的状态。
在土地利用中,这个模型将每个土地类型视为一个状态,并假设未来的状态只取决于当前的状态。
因此,代码只需保留当前的状态,而不需要考虑其历史状态,从而大大简化了模型的计算。
土地利用马尔可夫模型的核心是状态转移矩阵。
该矩阵描述了从一个状态到另一个状态的概率,也称转移概率矩阵,其中第i行第j列的元素表示从状态i到状态j的概率。
一旦确定状态转移矩阵,就可以通过一系列计算来预测未来的状态分布。
该模型的应用非常广泛。
例如,它可以用于预测城市土地利用的变化,以帮助城市规划者制定合理的开发计划。
此外,土地利用马尔可夫模型也可以应用于环境保护方面,例如预测自然保护区内的土地利用情况。
在这些应用中,模型可以为政策制定者提供有关未来土地利用的重要信息。
然而,土地利用马尔可夫模型也存在一些限制。
首先,该模型基于过去的状态,因此对于未来的不确定性存在一定程度的忽略。
其次,该模型假设转移概率在时间上是不变的,但实际上各种因素可能会影响土地利用模式的变化,从而导致转移概率发生变化。
另外,模型也不能捕捉到复杂的土地利用模式,这也是模型预测不准确的另一个原因。
总体而言,土地利用马尔可夫模型可以作为一种重要的工具来研究土地利用变化的趋势。
尽管该模型存在一些缺陷,但是随着时间的推移和数据的积累,模型可以不断优化,并为土地利用管理提供更为准确的预测结果。