Worst case scenario-based methodology for simulating land-use change in coastal city in China: A case study of Lianyungang
YANGXiaoyan通讯作者:
收稿日期:2018-10-17
修回日期:2019-02-27
网络出版日期:2019-06-25
版权声明:2019《资源科学》编辑部《资源科学》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (13656KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
土地利用变化因其对区域乃至全球生态系统和环境的影响一直是科学研究的重点领域[1,2,3,4]。从区域尺度来看,预测和模拟土地利用变化对于土地利用环境影响评估及土地利用规划方案优化等具有重要作用[5,6]。因此,国内外众多****对土地利用变化模拟与预测开展了广泛深入的研究。研究内容涉及土地利用变化的驱动机理与约束机制、土地利用变化模拟模型等方面,还包括不同尺度、区域以及不同主导土地利用类型区的实证研究,并取得了较为理想的成果。在驱动机说理与约束机制方面,主要从自然和社会两大角度研究了不同驱动与限制因素对土地利用变化的引导与约束作用,从而为土地利用变化模拟预测提供了理论基础。在模拟方法方面既包括传统的基于统计和系统分析的模拟方法,也有基于空间与数学模型的模拟方法。随着计算机与GIS技术的发展,很多****尝试将多种方法与GIS技术相结合预测土地利用时空变化,如基于人工神经网络(Artificial Neural Nets, ANN)和元胞自动机(Cellular Automata,CA)[7,8]、基于CA-Markov模型[5,8]、基于系统动力学模型(System dynamics, SD)和CLUE-S[9]、基于多智能体和CA[10]的土地利用模拟模型等,均可有效地模拟土地利用的时空变化。在模拟情景设定方面,大量研究多基于政策目标设置[11,12]或自然生态等条件的限制[5,13,14]进行设定,设定情景时多根据某一目标确定一种或几种模式,如生态优先、经济发展优先等,缺乏理论支撑。土地利用不当不仅可能对生态环境产生一定不利影响,导致生态灾难和环境严重污染事件等,甚至可能造成严重人财损失[15]。情景设定时若不采用科学合理的方法,充分考虑土地利用的极端不利影响,可能导致模拟的结果对于区域相关政策的制定起不到有效的参考作用。
McCready[16]将最坏情景定义为规则或政策制定者在既定情景下合理产生的最严重的后果。最坏情景的设定需满足两个条件:首先,最严重后果的发生必须满足情景的客观存在性,即不能设定不具备可能性的情景;其次,这种最严重后果的发生具有合理性和可能性。对于土地利用而言:土地利用布局优化和调整具有客观存在性,不合理的土地利用方式导致严重的人财伤亡损失或生态风险具有合理性和可能性。因此,将最坏情景理论应用于土地利用管理领域[17,18],可有效地避免因土地利用不合理而可能出现的人财损失或生态风险。
沿海地区土地利用变化剧烈,生态环境对土地利用变化的响应明显,对人类的环境安全和生存质量产生严重影响。本文依据最坏情景理论,以基于ANN-Cellular Automata,CA的FLUS模型为支持,分别开展了最坏情景模式(Worst-case Scenario Based model, WSB)和非最坏情景模式下(Non-WSB, NWSB)的连云港土地利用变化模拟和预测,以便提出一种科学可行并具有实际意义的情景设定方法,从而使模拟的结果能为区域土地利用规划及管理提供具有实际意义的支持,并为其他地区开展此类工作提供参考。
2 研究方法与技术流程
2.1 基于土地利用生态因子耐受度的最坏情景区域测算
生态因子耐受度为区域某一生态因子对外部干扰的容忍程度,对土地利用活动而言,当某种土地利用方式因生态因子限制而出现严重的人财损失或者导致区域生态风险增加,从而有可能出现重大的生态环境灾难时,即认为该土地利用方式超出了生态因子的耐受程度。生态因子对该土地利用类型的耐受程度即为土地利用生态因子耐受度(Land-use Ecological Tolerance Index, LETI)[15]。可利用LETI开展最坏情景区域的测算。LETI计算的关键在于确定生态因子的耐受区间以及最优指标值/区间,某一评价单元的生态因子指标值距离最优指标值/区间越远,其耐受度越差。如超出了其对于某一土地利用类型的耐受区间时,即表明该区域不能容忍相应的土地利用类型,可能会产生严重的人财损失或生态风险。据此,LETI以该生态因子的指标值与该土地利用类型最优指标值/区间的距离dji表示。对于最优区间型生态因子i而言,某一土地利用类型j关于该生态因子的耐受度可采用下式测算:
式中:(a, b)为该生态因子关于土地利用类型j的耐受度范围,(a0, b0)为相应的最优区间,x为该生态因子具体指标值。对于最优值型(其最优值为x0)生态因子,耐受度计算公式为:
若某一生态因子值为次序或等级变量,如等级越大生态风险越大,则可用下式测算:
式中:m为该生态因子具体等级,n为生态因子等级数量。由上述公式可知,当LETIji值小于等于0时,即可认为该土地利用类型超出了生态因子i对其的耐受度范围。上述LETI测算公式主要基于物元可拓理论中的距离测算方法设计,该方法具有直观易理解的特点,并能测算出基于区间的距离[19,20],可以满足LETI关于区间距离测算的需要。
2.2 基于最坏情景理论的土地利用变化模拟技术流程
基于最坏情景理论的土地利用变化模拟主要包括基础数据处理、最坏情景区域确定、ANN测算适宜性概率、模型校准与检验、WSB和NWSB情景下的土地利用变化模拟预测等方面,具体实现过程见图1。显示原图|下载原图ZIP|生成PPT
图1基于最坏情景土地利用变化情景模拟流程
-->Figure 1Framework for the worst case scenario-based land-use change simulation
-->
3 实证应用
3.1 研究区概况与基础数据收集处理
连云港是江苏重要的沿海城市之一,土地总面积7500 km2。土地利用类型中既包括常见的城镇、村庄、耕地、林地、水域等类型,也包括具有沿海特色的滩涂与盐田类型。此外,连云港还进行了大量的围海造地活动,为城市发展拓展了大量的空间。本文收集获取了以下数据用于连云港市土地利用变化模拟:研究区2005及2010年度土地利用数据,数据来源于当地国土资源部门;地形地势数据(采用地理空间数据云(http://www.gscloud.cn)下载并经过修正后的30 m分辨率ASTER GDEM 第2版(GDEM2)数据[21,22]);自然保护与风景名胜区核心保护区域、水源地保护核心区域、洪水调蓄区域、清水通道维护区域、重要生态湿地区域等数据;崩塌、滑坡、地面沉降等地质灾害数据,数据来源于当地环境保护部门;人口与经济数据来源于连云港2001—2017年统计年鉴[23],土壤数据来源于中国科学院南京土壤所、交通用地及高速公路数据来源于当地交通与规划部门。
数据预处理工作包括以下步骤:首先,统一研究区内的数学基础,统一采用基于通用横轴墨卡托50N投影的WGS84坐标系统和EGM96高程基准;通过坐标变换与几何校正及配准实现相关数据的配准处理,对于栅格数据,采用图像对图像模式的配准处理,配准精度控制在0.5个像素以内,矢量数据则通过几何校正进行配准;采用数据格式转换和重采样方法分别对矢量和栅格数据进行处理,从而生成200 m分辨率的栅格数据(由于连云港市域面积达到7000多km2,该分辨率可以满足本课题研究的需要);最后,将有关数据导入地理空间数据库。数据预处理工作主要在ArcGIS平台上实现。
3.2 最坏情景区域确定
3.2.1 生态限制因子确定与土地利用类型划分地质灾害通常是土地利用的主要限制因素,连云港地质灾害类型主要包括崩塌、滑坡、地面塌陷、地面沉降和特殊类岩土(软土)灾害;高程、坡度等地形地势因素也会对土地利用具有很强的限制作用;此外,饮用水源地、泄洪通道等对于人类安全具有重要保障作用,大面积水域、林地及自然保护区等则为生物提供重要的栖息地。在上述区域安排不合理的土地利用类型一旦超出耐受程度极易出现严重的人财损失或生态风险。基于此,本文确定了研究区土地利用的生态限制因素主要包括:地形地势(以高程和坡度因子表征)、地质灾害(以崩塌滑坡、地面沉降及软土灾害指标表征)、生物多样性(由生态湿地与水体、自然保护区及森林因子指标表征)、人类安全(由饮用水源地、洪水调蓄及清水通道维护因子指标表征)。
土地利用类型主要以现行土地利用分类标准并适当考虑研究区特点和土地利用生态环境作用为基础划分为:耕地、园地、林地、城镇、村庄、海域、河湖库(包括河流湖泊水库等永久性水域)、其他水体、滩涂、盐田。
3.2.2 耐受区间和最佳指标值(区间)确定
依据相关成果、技术标准[24,25,26,27]等,确定不同生态因子对任一土地利用类型的耐受度区间以及最优指标值/区间(表1)。
Table 1
表 1
表 1研究区不同土地利用类型生态因子最优指标值/区间和耐受区间表
Table 1Indicators for land-use ecological tolerance index and their tolerance intervals and optimal value intervals for individual land use types
土地利用类型 | 生态因素 | 地形因素 | 地质灾害因素 | 生物多样性因素 | 水质与水文条件因素 | |||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|
因子指标 | 高程因子/m | 坡度 因子/° | 崩塌滑坡因子/级 | 地面沉降及软土灾害因子/级 | 生态湿地与水体因子/级 | 自然保护区及森林因子/级 | 饮用水源地因子/级 | 洪水调蓄及清水通道维护因子/级 | ||||
耕地 | 耐受区间 | 0~100 | 0~25 | 0~2 | 0~2 | 0~1 | 0~1 | 0~1 | 0~1 | |||
最优区间 | 0~50 | 1~3 | 0 | 0 | 0 | 0 | 0 | 0 | ||||
园地 | 耐受区间 | 0~625 | 0~35 | 0~3 | 0~3 | 0~1 | 0~2 | 0~2 | 0~2 | |||
最优区间 | 0~625 | 1~3 | 0 | 0 | 0 | 0 | 0 | 0 | ||||
林地 | 耐受区间 | 0~625 | 0~90 | 0~3 | 0~3 | 0~1 | 0~3 | 0~2 | 0~2 | |||
最优区间 | 0~625 | 1~3 | 0 | 0 | 0 | 0 | 0 | 0 | ||||
城镇 | 耐受区间 | 0~228 | 0~15 | 0~2 | 0~2 | 0~1 | 0~1 | 0~1 | 0~1 | |||
最优区间 | 0~26 | 1~3 | 0 | 0 | 0 | 0 | 0 | 0 | ||||
村庄 | 耐受区间 | 0~228 | 0~15 | 0~2 | 0~2 | 0~1 | 0~1 | 0~1 | 0~1 | |||
最优区间 | 0~26 | 1~3 | 0 | 0 | 0 | 0 | 0 | 0 |
新窗口打开
坡度过大易产生水土流失风险或者增加工程施工难度,但是地形过于平坦也会导致雨水自流灌排困难,需采用额外方式加以处理,从而增加工程施工成本。中国土地利用现状调查技术规程、退耕还林政策以及相关研究也确定了耕地坡度应小于25°,其中最适宜坡度小于3°。据此这里确定了耕地坡度因子的耐受度区间为0~25°;建设用地耐受度区间则依据城市用地竖向规划规范[24](CJJ 83-1999)和相关研究成果确定为1~15°;园地坡度耐受度区间通过咨询专家和当地技术人员确定为0~35°;林地对坡度并无特殊要求,这里确定坡度耐受度区间为0~90°;基于区域灌溉和排水的要求,并参照耕地坡度适宜性等级的相关规定,各土地利用类型的坡度最优区间统一确定为1~3°。
研究区高程指标因子根据研究区地势特点、洪涝灾害风险以及相关研究成果[28,29,30]综合确定:连云港高程最高为625 m,平均高程仅2.5 m,其中现状建设用地的高程最大值为228 m,四分位差为2~26 m之间,表明50%的建设用地布局于高程2~26 m之间。由于现状建设用地体现了基于现实的建设用地布局选择,考虑到连云港地区特殊低海拔地形和现状建设用地高程分布特征,这里最终确定建设用地高程因子耐受度区间和最优区间分别为0~228 m和0~26 m;基于上述原则,同样确定了耕地高程因子耐受度区间和最优区间。林地和园地对于高程通常无特殊要求,故耐受度区间为研究区高程值范围。
其他因子则根据研究区不同级别管制标准确定耐受度区间和最优指标。需要指出:由于海域、河湖库、其他水域、滩涂多具有不同程度的生态功能,因此其布局区域并不受生态限制因素的影响。此外,连云港虽然有大量盐田,但已基本废弃,生态因子对废弃盐田的限制作用也可以忽略。所以这里重点确定了耕地、园地、林地、城镇、村庄等土地利用类型的生态因子耐受区间和最优区间。
3.2.3 LETI耐受度测算
应用上文公式测算出每一生态因子对不同土地利用类型的LETI值。由于任意一种土地利用方式一旦超出生态因子耐受程度均有可能导致严重风险,因此对于具体区域而言,LETI值应由最有可能产生风险的土地利用类型LETI值确定,即LETI的最小值应为该区域最终LETI值。尔后获取LETI值小于等于0的区域,该区域即为最坏情景区域。
3.3 土地利用情景模拟与预测
土地利用模拟采用GeoSOS-FLUS模型平台实现,GeoSOS-FLUS基于ANN-CA模型构建,该模型提出了一种基于轮盘赌选择的自适应惯性竞争机制,将其与不同土地利用类型的转换成本及权值等共同确定CA模型的单元转换规则,从而实现土地利用变化模拟。模型具体原理见开发者文献及软件手册[31,32,33]。本文分别设定了WSB和NWSB模式并基于GeoSOS-FLUS平台模拟土地利用变化。WSB模式下要求最坏情景区域内禁止从事任何形式的开发建设,这里设定为不可转换区域。NWSB模式下则不考虑最坏情景区域对土地利用的风险约束,任何区域均可以自由转化。
以2010年度栅格数据为模拟用地转换的数量目标,根据2005年度土地利用数据模拟出2010年度土地利用格局后,结合真实土地利用数据校准并验证模型精度。经过多轮参数调整以及精度评价,最终获取连云港土地利用模拟模型相关参数和精度评价结果。其他参数主要包括迭代次数设置为1000;邻域大小采用默认值3;模型加速因子取值为0.3。成本矩阵设置中,根据对研究区域的经验,限制城镇用地及河湖库向其他类型的转变,其他类型之间则可相互转化;将城镇用地邻域因子设置为1,其他因子均设定为0.5。
随后以2010年土地利用数据作为土地利用变化预测的初始年份;适宜性概率数据和限制区域数据与模拟模块数据一致。以2020年土地利用数量预测结果作为用地转换的数量阈值。其他参数设置均与模拟过程中的参数保持一致,据此预测连云港2020年两种情景下的土地利用模式。
4 结果及分析
基于不同土地利用类型测算出的研究区LETI值,如图2所示。可以看出:除了地面沉降及软土灾害因子外,研究区内其他生态因子对土地利用的耐受度值均有部分区域≤0。表明该区域内不适宜布局耕地及城镇村庄等有较强人类活动的土地利用类型,否则易产生严重的风险。显示原图|下载原图ZIP|生成PPT
图2连云港不同生态因子LETI值分布图
-->Figure 2Land-use ecological tolerance index (LETI) values for individual ecological factors in Lianyungang City
-->
利用地图代数功能测算出的最坏情景区域共计489.67 km2(图3),主要包括连云港中部云台山大部分山体,该区域拥有云台山国家自然保护区,也是海拔较高、坡度较大且布局大量天然林地的区域,该区域内共计有高程、坡度、崩塌滑坡、自然保护区及森林等4种生态因子的LETI值小于0,充分表明该区域具有极度的生态敏感性。此外,北部部分山体、全市重要的河流湖泊水库等生态水体也属于最坏情景区域。其中北部部分山体主要为高程及坡度地形因子的LEFI值小于0,而河流湖泊水库范围内大多为饮用水源地、洪水调蓄及清水通道维护或生态湿地与水体等因子的LETI值小于0。最坏情景区域也可作为土地利用规划生态红线区域划定的依据。
显示原图|下载原图ZIP|生成PPT
图3连云港最坏情景区域图
-->Figure 3“Worst case” areas in Lianyungang City
-->
2010年度土地利用模拟结果及2010年度土地利用现状如图4所示。模拟精度评定以2010年土地利用数据为依据,通过采样的方式进行评价,采样比例为栅格类型土地利用数据的10%,运用FLUS精度评估模块进行评价,获取土地利用模拟结果的误差矩阵、各分类精度系数、总体精度系数、分类Kappa系数以及总体Kappa系数等(表2)。
显示原图|下载原图ZIP|生成PPT
图4连云港2010年土地利用现状及模拟结果
-->Figure 4Actual and simulated land use in Lianyungang City, 2010
-->
Table 2
表2
表2研究区土地利用模拟精度评价结果
Table 2Accuracy assessment of land use simulation results, 2010
各土地利用类型的样点数/个 | 参考 总数 | 分类器 精度/% | 用户精 度/% | ||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
城镇 | 村庄 | 耕地 | 海域 | 河湖库 | 林地 | 其他水体 | 滩涂 | 盐田 | 园地 | ||||
城镇 | 849 | 6 | 62 | 0 | 12 | 17 | 31 | 14 | 9 | 17 | 1016 | 82.59 | 83.56 |
村庄 | 5 | 1612 | 5 | 1 | 3 | 1 | 9 | 3 | 0 | 6 | 1645 | 97.93 | 97.99 |
耕地 | 68 | 17 | 11444 | 0 | 6 | 45 | 119 | 41 | 29 | 57 | 11826 | 96.70 | 96.77 |
海域 | 6 | 0 | 0 | 2752 | 2 | 1 | 0 | 17 | 0 | 0 | 2778 | 98.60 | 99.06 |
河湖库 | 1 | 1 | 17 | 0 | 862 | 0 | 10 | 7 | 0 | 1 | 899 | 95.46 | 95.88 |
林地 | 10 | 3 | 24 | 0 | 7 | 397 | 10 | 1 | 10 | 14 | 475 | 82.71 | 83.58 |
其他水体 | 5 | 1 | 118 | 0 | 1 | 1 | 489 | 22 | 38 | 10 | 685 | 70.97 | 71.39 |
滩涂 | 12 | 0 | 66 | 38 | 1 | 5 | 3 | 1122 | 9 | 1 | 1257 | 90.92 | 89.26 |
盐田 | 65 | 0 | 23 | 0 | 3 | 2 | 2 | 0 | 801 | 0 | 896 | 88.41 | 89.40 |
园地 | 7 | 6 | 75 | 0 | 6 | 11 | 16 | 7 | 10 | 293 | 431 | 73.43 | 67.98 |
参考总数 | 1028 | 1646 | 11834 | 2791 | 903 | 480 | 689 | 1234 | 906 | 399 | 21910 | ||
总体精度:94.12% | 总体Kappa系数:0.91 |
新窗口打开
从表2可以看出,研究区2010年土地利用模拟结果总体精度达到94.12%,总体Kappa系数达到0.91,说明整体来看应用本方法模拟的结果与2010年度实际土地利用现状吻合度较高。从土地利用变化较为剧烈且集约程度较高的土地利用类型来看,包括城镇、村庄、耕地等在内的土地利用类型用户精度和分类器精度均超过80%,表明基于ANN获取土地利用类型出现概率结果可以用于研究区土地情景模拟预测。
WSB和NWSB模式下2020年土地利用模拟结果和土地利用转移矩阵分别如图5和表3所示:
(1)城镇用地变化中,在两种情景模式下城镇用地均有较大程度的扩张。NWSB模式下有4220 hm2的其他土地利用类型转变为城镇用地,其中滩涂、盐田、园地及林地转换像元数目超过了400 hm2;在WSB模式下有3672 hm2的其他土地利用类型转变为城镇用地。从扩张空间格局来看,WSB模式由于有最坏情景区域的约束,城镇用地主要在连云港中心城区以及所属县区及重点中心镇区周边扩张,且避开最坏情景区域。特别是连云港中部云台山区域紧靠连云港市中心城区,由于最坏情景区域规则的制约,城镇用地扩张的趋势得到有效的约束并严格限制在最坏情景区域之外。但在NWSB模式下城镇用地扩张有一部分突破了最坏情景区域的限制,表明城镇用地的自发扩张可能会产生较为严重的风险。图6即为连云港东部连岛及云台山东北部区域WSB和NWSB模式下土地利用模拟结果与最坏情景区域叠加示意。可以看出东部连岛和云台山东北部边界区域(图6中黄色圆形区域内)在WSB模式下相比NWSB模式有更多的城镇用地转入。实际上,2010年上述两区域均有一定数量的城镇用地分布于最坏情景区域,该部分区域即为WSB模式下的最坏情景范围内城镇用地,并不是WSB模式下城镇扩张模拟的结果。图6中两种模式下最坏情景区域内城镇用地扩张差异则体现了最坏情景模式对土地利用变化的限制与约束作用。
显示原图|下载原图ZIP|生成PPT
图5连云港2020年WSB和NWSB模式下土地利用模拟结果
-->Figure 5Simulation results of land use in Lianyungang City using the worst case scenario-based (WSB) constraint and non-worst case scenario-based (NWSB) models, 2020
-->
显示原图|下载原图ZIP|生成PPT
图6WSB和NWSB模式下土地利用模拟结果与最坏情景区域叠加局部图
-->Figure 6Simulation results and “worst case” areas of land use in Lianyungang City using the worst case scenario-based (WSB) constraint and non-worst case scenario-based (NWSB) models in a sample area, 2020
-->
Table 3
表3
表3连云港2020年WSB和NWSB模式下土地利用模拟转移矩阵
Table 3Land transformation matrices for the simulation of land use in Lianyungang City using the worst case scenario-based (WSB) constraint and non-worst case scenario-based (NWSB) models, 2020 (hm2)
城镇 | 村庄 | 耕地 | 海域 | 河湖库 | 林地 | 水体 | 滩涂 | 盐田 | 园地 | 基期合计 | |
---|---|---|---|---|---|---|---|---|---|---|---|
城镇 | 47584 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 47584 |
村庄 | 300 | 64372 | 604 | 0 | 4 | 72 | 444 | 12 | 36 | 320 | 66164 |
耕地 | 328 | 1348 | 470048 | 0 | 68 | 400 | 200 | 0 | 0 | 72 | 472464 |
海域 | 76 | 0 | 0 | 114860 | 0 | 4 | 0 | 0 | 0 | 0 | 114940 |
河湖库 | 272 | 0 | 48 | 0 | 35484 | 68 | 32 | 20 | 12 | 188 | 36124 |
林地 | 712 | 0 | 260 | 0 | 0 | 17120 | 220 | 76 | 148 | 116 | 18652 |
其他水体 | 92 | 0 | 1532 | 0 | 152 | 60 | 23392 | 84 | 752 | 332 | 26396 |
滩涂 | 592 | 4 | 592 | 316 | 76 | 28 | 328 | 44664 | 0 | 116 | 46716 |
盐田 | 1352 | 0 | 0 | 0 | 32 | 304 | 288 | 0 | 29172 | 248 | 31396 |
园地 | 496 | 32 | 768 | 0 | 24 | 304 | 184 | 12 | 16 | 14104 | 15940 |
NWSB合计 | 51804 | 65756 | 473852 | 115176 | 35840 | 18360 | 25088 | 44868 | 30136 | 15496 | 876376 |
城镇 | 47584 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 47584 |
村庄 | 420 | 64436 | 568 | 0 | 0 | 24 | 392 | 4 | 36 | 284 | 66164 |
耕地 | 392 | 1288 | 470608 | 0 | 48 | 436 | 196 | 0 | 0 | 76 | 473044 |
海域 | 64 | 0 | 0 | 114868 | 0 | 4 | 4 | 0 | 0 | 0 | 114940 |
河湖库 | 64 | 0 | 8 | 0 | 36016 | 8 | 8 | 8 | 0 | 12 | 36124 |
林地 | 396 | 0 | 236 | 0 | 0 | 17536 | 176 | 36 | 176 | 96 | 18652 |
其他水体 | 120 | 0 | 1548 | 0 | 148 | 76 | 23516 | 88 | 560 | 340 | 26396 |
滩涂 | 548 | 4 | 512 | 368 | 72 | 20 | 284 | 44796 | 0 | 112 | 46716 |
盐田 | 1336 | 4 | 0 | 0 | 24 | 196 | 320 | 0 | 28732 | 204 | 30816 |
园地 | 332 | 40 | 880 | 0 | 36 | 60 | 192 | 20 | 8 | 14372 | 15940 |
WSB合计 | 51256 | 65772 | 474360 | 115236 | 36344 | 18360 | 25088 | 44952 | 29512 | 15496 | 876376 |
新窗口打开
对于两种模式下的城镇扩张,NWSB大于WSB模式下的城镇用地增长幅度(表3),NWSB模式下有更多的林地、河湖库、滩涂及园地转入城镇用地(图6)。而WSB模式下有更多的村庄、耕地和水体转入城镇用地。由于最坏情景区域包括了大部分的河湖库以及林地等具有生态维护功能的土地利用类型,因此在WSB模式下,这3类土地转入城镇用地的数量相对较小;
(2)村庄变化中,城镇用地及耕地为主要转出类型。其中,WSB模式下有420 hm2、而NWSB模式下有300 hm2的村庄转化为城镇用地。表明在城镇用地需求增长的背景下,基于最坏情景模式的土地利用变化模拟将会引导更多的村庄转换为城镇用地,因此更能适应中国建设用地节约集约利用管理的需要。相较于NWSB模式,WSB模式下维持不变的村庄面积更大,表明该模式下村庄变化格局相对较小。此外,两种模式下新增村庄用地的主要来源均为耕地,但WSB模式下耕地转入量相对较少,且有少量盐田转入村庄,表明该模式下可在一定程度上减少村庄建设对耕地的占用,从而提高了存量建设用地的使用效率。
(3)耕地变化中,两种模式下坑塘水面及沟渠等非生态水体转化为耕地的数量最大,此外村庄也是耕地转入的重要来源。其他耕地转入来源中,滩涂、林地及河湖库等重要的生态水体在两种情景模式下有明显的差异;NWSB模式下这3种土地利用类型转化为耕地数量明显高于WSB模式,体现了基于最坏情景模式模拟的作用。耕地转出中,城镇用地、村庄、林地以及其他水体为主要的转出类型;其中相比NWSB模式,WSB模式下有更多的耕地转入城镇用地。表明在WSB模式下由于最坏情景区域的约束和限制转化作用,城镇用地扩张不得不占用更多的耕地,从而对耕地保护工作提出了更高的要求。
5 结论
土地利用变化模拟预测可以为土地利用环境效应评价以及土地利用规划方案的编制提供基础数据以及相应的依据和参考。由于土地利用变化尤其城镇空间扩张具有一定的不确定性,不加约束地自发扩张易使城镇等建设用地突破生态红线的控制进行蔓延,不仅会对区域生态环境产生重要的影响,也会对人类的生命财产安全造成严重的威胁。本文构建了基于最坏情景理论的土地利用变化模拟方法并以连云港为例开展了实证研究。结果显示:研究区最坏情景区域主要包括中部云台山区域以及重要的河流湖泊水库等生态水体;WSB模式下城镇用地扩张避开了最坏情景区域,且对于耕地的占用相对较小;而NWSB模式下滩涂、林地和河湖库等土地利用类型转化为耕地数量明显高于WSB模式。这充分体现了基于最坏情景模式模拟的作用。
需要指出的是,本文对于高程因子耐受度区间以及最优区间的确定主要基于研究区各土地利用类型高程分布的统计学特征,而高程对于土地利用类型限制的作用机理尚缺乏深入研究。虽然如此,这种基于统计学的确定方法具有一定的参考价值和区域适用性。本方法特别适用于基于底线保护原则的特殊生态环境敏感区域土地利用变化模拟与预测,也可应用于其他区域相关工作,从而为区域土地规划和管理提供支持。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | [J]. , [J]. , |
[2] | [J]. , [J]. , |
[3] | [J]. , |
[4] | [J]. , |
[5] | [J]. , [J]. , |
[6] | [J]. , [J]. , |
[7] | [J]. , [J]. , |
[8] | [J]. , [J]. , |
[9] | [J]. , [J]. , |
[10] | [J]. , [J]. , |
[11] | [J]. , [J]. , |
[12] | [J]. , [J]. , |
[13] | [J]. , [J]. , |
[14] | [J]. , [J]. , |
[15] | [J]. , [J]. , |
[16] | [J]. , |
[17] | [J]. , |
[18] | [J]. , |
[19] | |
[20] | |
[21] | [J]. , [J]. , |
[22] | [J]. , |
[23] | |
[24] | |
[25] | [EB/OL]. ( [EB/OL]. ( |
[26] | [D]. , [D]. , |
[27] | [J]. , [J]. , |
[28] | [D]. , [D]. , |
[29] | [J]. , [J]. , |
[30] | [J]. , [J]. , |
[31] | [J]. , |
[32] | [EB/OL]. ( [EB/OL]. ( |
[33] | [J]. , |