2000年以来长江经济带土地利用时空演化分析与模拟研究
吴 浩1，2*， 吴 霞1，2， 王 伟1，2， 林安琪1，2， 宋旦霞1，2， 高 聪1，2
(1.华中师范大学地理过程分析与模拟湖北省重点实验室， 武汉 430079；2.华中师范大学城市与环境科学学院， 武汉 430079)
摘 要: 开展土地利用空间格局分析与模拟是国土空间规划优化管控的重要依据，对促进区域生态文明建设和土地节约集约利用具有重要意义.以长江经济带为研究区域，基于2001年、2009年、2017年三期MODIS全球500 m土地利用数据，采用元胞自动机马尔科夫模型(cellular automata Markov，CA-Markov)和多准则评价方法(multi-criteria evaluation，MCE)，进行长江经济带的土地利用时空演化模拟.结果表明：1)2017年土地利用模拟结果与实际土地利用分类结果交叉验证，Kappa系数为0.894 2，表明利用CA-Markov模型和MCE方法进行土地利用时空演化模拟是可行的.2)2000年以来，长江经济带针叶林、阔叶林和混交林的面积明显增加，分别增加0.42万km2、2.67万km2和2.44万km2，而热带多树草原、热带稀树草原和草地分别减少4.76万km2、1.2万km2和0.91万km2，说明我国西部草场转化为林地较为显著.长江经济带土地利用类型发生变化的区域达到33.53%，其中农用地和热带稀树草原之间的相互转移最为活跃，表明长江流域防护林体系建设正在稳步推进，长江经济带实行的退耕还林还草政策，已经在农用地的整治和质量优化中初步见成效，对生态保护和恢复发挥了显著作用.3)模拟结果表明，目前到2025年，长江经济带热带稀树草原的面积将继续增长，达到3.84万km2，主要得益于退耕还林还草等生态恢复政策的持续推进.但热带多树草原面积减少最大，达到了2.68万km2，将在一定程度上影响林地的整体生态功能效应，应引起一定的重视.农用地减少的面积仅次于热带多树草原，为2.27万km2，预示着长江经济带全域范围需要继续加强监管耕地红线，并进一步提升城市土地节约集约利用的力度，实现区域可持续发展的目标.
关键词: 长江经济带； 土地利用； 时空演化模拟； CA-Markov模型
随着城镇化进程的推进，城市土地利用及其空间格局都发生了巨大的变化，土地利用和生态环境之间的矛盾日益突出.土地利用系统作为一个综合的复杂系统，其中的土地利用/覆被变化(land use and cover change，LUCC)受多种因素的影响，如自然、社会、文化、经济、政治和法律等[1].因此，根据社会发展现状和国土空间规划政策等要求，模拟未来几年的土地利用变化趋势，对可能产生的效应作早期预警，将为国土空间规划与管理和区域可持续发展提供重要的决策依据.2014年9月，国务院印发《关于依托黄金水道推动长江经济带发展的指导意见》，确定了长江经济带的战略定位和发展战略.作为城市土地利用开发与利用空间布局中的重要发展轴，长江经济带已成为我国经济发展最快、综合实力最强的区域之一.但随着城市经济社会的高速发展，长江经济带的土地资源开发与生态环境保护之间的矛盾也日益凸显，建设用地占用耕地、自然生态系统退化严重等现象频发，这在很大程度上制约了区域的可持续发展.
观察两组患者心绞痛发作次数、常规12导联心电图ST-T段的改变程度、血流变学指标的变化等情况；观察两组患者在治疗过程中出血等不良反应情况[3] 。
不同的学生在身体素质以及运动能力方面存在一些差异性。因此，教师可以根据学生之间的差异性，提高花样跳绳的创新程度。体育教师可以将年级作为划分跳绳活动的主要依据，选择合适的跳绳活动内容。在形式多样的花样跳绳活动中，能使学生对这项运动的参与兴趣有所提高，更能使学生得到与之身心相适应的体育锻炼，从而达到提高学生身体素质的教育目标。
近40年，许多学者结合GIS和计算机等技术设计了多种模型来研究土地利用变化时空演化模拟，涌现出了逻辑回归(logistic regression)[2]、系统动力学(system dynamics)[3]、人工神经网络(artificial neural network)[4]、元胞自动机(cellular automata)[5]、马尔科夫(Markov)[6]、CLUE-S(conversion of land use and its effects at small region extent)[7]、SLEUTH[8]、智能体(Agent)[9]等一大批模型.这些模型通过定量分析不同时期的土地利用变化规律，模拟出不同情景下的土地利用空间格局.其中由Markov和CA组合而成的CA-Markov模型，综合了CA模拟复杂系统的能力和Markov长时间序列预测的优势[10-12]，成为广泛应用的土地利用时空演化模拟模型.国外学者Tong[13]运用CA-Markov模型研究了水对小迈阿密河土地利用变化的影响.Hossein[14]利用多准则评价、马尔可夫和元胞自动机，印度孟买的土地利用变化进行了预测.杜萌等[15]运用CA-Markov模型对北京市海淀区1996年～2008年的土地利用进行了演化模拟研究.何丹等[16]基于CA-Markov模型定量分析了滇池流域的土地利用转化方向，并为规划管理提供支持.可见，目前CA-Markov模型的运用较为广泛，且在土地利用演化模拟研究中发挥了重要作用.
大荔县土地总面积1776.4km2，分为北部黄土台塬区、中部洛灌区、东部黄河滩区和南部沙苑区，除沙苑区外，其他各区均适宜核桃生长，我们充分利用此类土地大力发展核桃产业，促进农村产业结构调整，带动群众增收致富。
1) 计算土地利用转移矩阵
在走访调查的西藏多家经营唐卡销售业务的企业中，有借助于知名电子商务平台销售的微信网店、淘宝商家，也有自主开发销售网站的公司如拉萨岗地经贸有限公司，他们均反映唐卡线上销售中存在诸多版权问题。此外，在与唐卡艺术与文化协会、博物馆等单位的交流中，关于唐卡图像网上宣传展示，他们同样面临很多信息安全问题。共性问题主要归纳如下：
1 研究区域和数据来源
1.1 研究区概况
以2009年土地利用格局为起始状态，结合2001年～2009年的土地利用转移面积矩阵及适宜性图像集，CA循环次数取8，模拟2017年土地利用格局.在精度较高的前提上，以2017年土地利用分布为起始年，CA循环次数取8，模拟2025年的土地利用分布格局.
图1 研究区域
Fig.1 Research area
1.2 数据来源
本文采用美国LP DAAC(Land Process Distributed Active Archive Center)提供的MODIS全球500 m土地覆盖数据产品MCD12Q1为数据源，在土地利用变化研究中应用广泛.该数据是由美国国家航空航天局(NASA)发射的环境遥感卫星Terra(AM-1)和Aqua(PM-1)中分辨率成像光谱仪反演获得的产品，提供了包括国际地圈生物圈计划(IGBP)、美国马里兰大学地理系土地覆盖数据(UMD)在内的5种全球土地覆盖数据，其中国际IGBP计划将土地覆盖类型分为17类[18].在国际IGBP土地覆盖分类体系的基础上，结合长江经济带的土地利用现状，从遥感制图和分类精度的角度出发，将IGBP分类体系中的17类土地利用类型综合成10类土地利用类型，分别为针叶林、阔叶林、混交林、热带多树草原、热带稀树草原、草地、农用地、城市和建成区、水域和其他用地，如表1所示.
表1 长江经济带土地利用分类系统
Tab.1 Land use classification system in the Yangtze River Economic Belt
2 研究方法
2.1 研究技术路线
本文首先基于2001年、2009年、2017年三期500 m分辨率的MODIS数据，重分类得到长江经济带三期土地利用现状图；然后利用Markov模型计算得到土地利用转移矩阵，结合约束因子和影响因子在MCE模块制作适应性图集，以此作为元胞自动机的转化规则；其次，通过设置模拟起始年份、构造滤波器和设置元胞循环次数来进行模型参数的设置；最后，以2009年土地利用格局为起始时期数据，利用CA-Markov模型模拟2017年的土地利用格局，并与实际分类的2017年土地利用分布进行交叉验证，在模拟精度较高的前提下，模拟2025年的土地利用空间格局.研究技术路线如图2所示.
图2 研究技术路线
Fig.2 Technical route of research
2.2CA -Markov 土地利用演化模拟
元胞自动机(Cellular Automata，CA)中某一时刻的元胞状态依赖于前一时刻的该元胞自身及其邻域，其基本原理可以视为由一个元胞空间和定义于该空间的变换函数组成[19].
CA =(L d ,S ,N ,f ) ，
(1)
式中，L 是元胞方格网，每个格网即一个元胞，d 为空间维数；S 是元胞可能处于的状态集合；N 是元胞的邻域集合；f 是元胞转换规则.
Markov是一种基于栅格的空间概率模型，通过计算各个状态之间的转移概率，基于马尔可夫链模拟将来各个时刻的变化情况[20]，表达式为
S (t+1) =P ij ·S t ,
(2)
式中，S (t+1) 和S t 分别表示t +1和t 时刻的土地利用状态，P ij 是土地利用转移概率矩阵，即i 土地利用类型向j 土地利用类型的转移概率.本文采用CA-Markov模型进行长江经济带2000年以来的土地利用格局演化模拟研究，具体步骤如下：
为此，本文以长江经济带为研究区域，利用2000年以来三期MODIS土地利用数据，在分析长江经济带的土地利用时空变化规律的基础上，采用CA-Markov模型实现对长江经济带的土地利用变化模拟，并预测2025年的土地利用格局，为长江经济带的生态文明建设和可持续发展提供重要决策依据，服务于长江大保护国家战略.
② 与交通干路的距离：交通干路通过刺激和促进土地利用的开发来改变土地利用格局，在土地利用演化模拟过程中的作用不可忽视.长江经济带的主要公路包括以沪蓉、沪渝、沪昆、杭瑞高速公路为骨架的国家高速公路，是承担长江经济带沿线发展的主要交通方式.本文利用ArcGIS对长江经济带主要公路进行距离分析，随着距离的增大，适宜度逐渐降低.将适宜度归一化至0～255，如图3(c)所示.
2) 制作适宜性图集
结合约束因子和影响因子在MCE模块制作适应性图集，和土地利用转移矩阵共同构成CA的转换规则.
3) 构造CA滤波器
构造CA滤波器，即确定影响某个元胞状态转移的邻域集合.采用默认的5×5滤波器定义邻域，即冯诺依曼类型.
4) 确定起始年份和元胞循环次数
长江经济带是以长江为纽带，横跨我国东中西三大区域，国土面积约205万km2，占全国总面积的21%，人口和地区生产总值均超过全国的40%，是我国社会经济发展最快的区域之一[17].整个范围覆盖四川省、云南省、重庆市、贵州省、湖北省、湖南省、江西省、安徽省、浙江省、江苏省和上海市共11个省或直辖市，如图1所示.气候以亚热带季风气候为主，四季气候温和，雨量丰富，地势西高东低，包含高原、平原和盆地等多种地形.中国地图及长江经济带范围的划定来自自然资源网站发布的标准地图服务(http://bzdt.ch.mnr.gov.cn/).
2.3 基于多准则评价方法的适应性图集构建
土地利用变化模拟是一个极其复杂的过程，往往受经济、社会和政策等因素的影响，因此通过构建土地利用转换的适宜性图集，可以模拟不同约束条件下的土地利用格局.适宜性图集的评价准则分为约束因子和影响因子，约束条件是用布尔标准进行约束分析，影响因子应结合土地利用变化的驱动力进行选择.根据长江经济带地理条件及土地利用现状等因素，选择坡度作为转化的约束因子，选择与行政中心的距离、与交通干路的距离和与水系的距离作为转化的影响因子，并根据以上四种典型适宜性因子对土地利用变化的具体影响进行归一化处理.权线性合并方法(WLC)中的权重采用层次分析法(Analytical Hierarchy Process，AHP)确定，将各适宜性因子按权重在MCE模块里进行整合，得到各种土地利用类型的适宜性图集，作为元胞的转化规则进行土地利用变化模拟.
1) 约束因子
根据《水土保持法》规定，禁止在坡度为25°以上的陡坡地开垦耕作[21].利用ArcGIS对坡度进行重分类，小于25°的地区适宜性赋值为1，其他地区赋值为0，如图3(a)所示.
2) 影响因子
① 与行政中心的距离：城市地域空间结构理论认为，城市土地利用是以城市为中心组织的，土地利用格局表现为距离行政中心的远近不同而有所差异[22].本文利用ArcGIS对长江经济带11个省或市进行距离分析，随着距离的增大，适宜度逐渐降低.将适宜度归一化至0～255，如图3(b)所示.
稳定性：取同一批稻谷，在 0h、2h、4h、6h、8h 各测定一次，计算出叶黄素提取量的RSD为1.22%，表明样品溶液在8h内基本稳定。
利用Markov模型计算2001年～2009年及2009年～2017年的土地利用转移面积及概率矩阵，作为土地利用模拟的数据基础.
图3 四种典型适应性因子评价图
Fig.3 Four typical adaptation factor assessment charts
③ 与水系的距离：水系通过影响人类生活生产和植被分布改变土地利用空间格局，土地利用类型尤其是耕地的变化与主要水系密切相关.考虑到长江经济带依托长江的地理条件，主要水系包括长江干流和赣江、湘江和澜沧江等支流，本文利用ArcGIS对长江经济带主要水系进行距离分析，随着距离的增大，适宜度逐渐降低.将适宜度归一化至0～255，如图3(d)所示.
3 结果与分析
3.1 土地利用时空格局变化的结果及分析
选择阀杆密封面与阀体底面的距离作为目标参数，目标参数在随履带运动时在不同时间位置对应的数值如图6所示。
推荐理由:本书是普利策奖得主理查德·克鲁格的全新力作。讲述了一起具有里程碑意义的公众舆论权诉讼案，展现了美国殖民时期纽约社会政治全景画卷，被誉为“美国争取独立与自由之开篇史诗”。
3.1.1 土地利用空间格局的结果及分析 1) 长江经济带全域土地利用结构变化.基于2001年、2009年和2017年的土地利用格局分布图，利用ArcGIS对长江经济带的各土地利用类型进行统计分析，如表2所示.
表2 2000年以来长江经济带全域土地利用结构
Tab.2 Land use structure in the Yangtze River Economic Belt since 2000
由表2可见，2001年～2017年间，长江经济带的土地利用类型以热带多树草原和热带稀树草原的面积最大，两者约占总面积的49%.其次是农用地和草地，所占比例在9.61%～19.77%之间，水域、城市和建成区的面积较小，所占比例在1.71%～2.29%之间.在这期间，针叶林、阔叶林、混交林的面积均显著增加，分别增加0.42万km2、2.67万km2和2.44万km2，其中面积增量最大的是阔叶林；热带多树草原、热带稀树草原和草地均有减少，分别减少4.76万km2、1.2万km2和0.91万km2，面积减少最多的是热带稀树草原，可见长江经济带西部地区草场转换成林地，防护林体系建设工程已初步见成效.长江经济带的水域面积由2001年的3.59万km2增加到2017年的3.86万km2，增加了0.27万km2，主要原因是长江上游流域建设大批水利、水电工程，水资源开发强度大，导致湖泊、河流的水表面积增大.2001年～2017年，城市和建成区的面积呈增长趋势，由2001年的3.49万km2增加到2017年的4.68万km2，增加了1.19万km2，可见随着人口的集聚和城市经济社会的快速发展，城市边界范围急剧扩张.
质言之，基于“集合论模型”的科学理论观是一种数学原理与经验科学的结合。对于理论模型如何连接作用于理论和现象之间的问题，苏佩斯曾表述：“我试图表明的是，经验理论和相关数据之间关系的精确分析需要不同逻辑类型的模型的层次结构。”［5］252-261他认为在理论和现象之间存在一个层级系统，该系统由不同类型的模型相连接。他通过对应理论的可能实现，引入数据的可能实现，再根据数据的可能实现以常规方式定义实验模型，缔造了一个由现象—数据模型—理论模型—理论的层级系统进路，从而对理论的模型结构加以论证。
2) 长江经济带区域上中下游土地利用结构变化.基于2001年、2009年和2017年的土地利用格局分布图，统计长江上游、中游和下游地区各土地利用类型的面积占比，如表3所示.
2001年～2017年，长江经济带土地利用类型发生变化的总面积是68.46 km2，占区域总面积的33.53%，可见2000年以来长江经济带的土地利用类型发生了较为显著的变化.土地利用类型转移面积最大的是由农用地向热带稀树草原的转化，转移面积达到8.8万km2，占农用地转出面积的21.81%；其次是由热带稀树草原向农用地的转化，转移面积为7.37万km2，占热带稀树草原转出面积的16.56%.从这两项指标来看，农用地和热带稀树草原之间的相互转移非常活跃，究其原因是实行退耕还林还草的政策以来，用地的整治和质量优化中初步见成效.土地利用类型转出面积最小的是水域，面积为0.84万km2，其中主要转化为热带稀树草原和草地，分析其原因可能是长江流域滨水草地局部的生态系统遭到破坏，过渡地生长繁殖，导致水域转化成热带稀树草原和草地.城市和建成区的转入面积为1.9万km2，大于其转出面积0.7万km2，其中由农用地转入的面积最大，达到了1万km2，占建设用地总转入面积的52.79%，可见城市经济的发展加快了城市土地的开发，新增的城市建设用地主要来自于周边的农用地，因此需要进一步加强对农用地的保护力度.针叶林、阔叶林和混交林的转入面积都大于转出面积，补给来源比例最大的是热带多树草原向针叶林、阔叶林和混交林的转入类型，分别为1.05万km2、3.68万km2、5.59万km2，分别占针叶林、阔叶林和混交林的总转入面积的46.47%、48.17%和58.56%，可见2000年以来，我国长江流域的林地面积增加主要来自于热带多树草原，热带多树草原向针叶林等林地的转化，说明长江流域实施的天然林保护工程已经在长江经济带的生态保护和恢复中发挥了积极的作用.
表3 2000年以来长江上中下游土地利用结构
Tab.3 Land use structure in the middle and lower reaches of the Yangtze River since 2000
3.1.2 土地利用转移变化的结果及分析 利用Markov模型计算得到长江经济带2001年～2017年的土地利用转移面积矩阵，对各土地利用类型之间的转出和转入方向、比例进行定量分析，结果如表4所示.
表4 长江经济带2001年～2017年土地利用转移面积矩阵
Tab.4 Probability transfer matrix of land use in the Yangtze River Economic Belt from 2001 to 2017 万km2
注：行代表2001年各土地利用类型，列代表2017年各土地利用类型.
由表3可知，长江上游地区土地利用类型以热带多树草原、热带稀树草原和草地为主，三者约占总面积的65%，可见其自然资源极其丰富；长江中游地区分布面积最大为热带多树草原，约占中游总面积的35%；长江下游地区农用地面积分布最广，约占下游总面积的45%；城市和建成区在长江经济带内分布面积最广，约占总面积的7%，可见长江下游地区的农业化水平和城镇化水平均较高.2001年～2017年间，在包括四川省、云南省、贵州省和重庆市在内的长江上游地区，混交林和阔叶林的面积均增加，分别增长了2.2%和1.04%；热带多树草原和热带稀树草原的面积均减少，分别减少1.55%和1.29%，可见长江上游区域草场转化为林地较为显著.在包括湖北省、湖南省和江西省的长江中游地区，阔叶林增加面积最大，占总面积的2.22%，主要原因是长江中游地区实施的天然林保护工程已经发挥了积极作用.在包括安徽省、江苏省、浙江省和上海市长江下游地区，农用地减少面积最大，占下游总面积的3.49%；城市和建成区的面积增加最多，增加了2.28%，可见长江下游地区的城镇化进程加快，大量农用地转化为城市建设用地.
据了解，借助领先的技术和产品，目前，盖瑞特正在与几乎所有的主流汽车和发动机企业合作，包括大众、标致、日产、福特等国际厂商，也包括上汽通用五菱、吉利、长安、上汽、潍柴、玉柴和锡柴等中国品牌的厂商，为他们配套前装零部件和软件解决方案。在赛车和改装车社群中，长久以来，盖瑞特已经书写涡轮增压的传奇。此外，盖瑞特还为全球独立售后市场提供零部件，满足各类终端客户的需求。
3.2CA -Markov 模拟精度的验证
采用2009年长江经济带的土地利用格局为起始数据，以2001年～2009年土地利用转移矩阵结合MCE模块获得的适宜性图集，构造5×5元胞滤波器，通过CA-Markov模型对2017年土地利用格局进行演化模拟，结果如图5(a)所示.利用GIS的空间叠置分析功能，将2017年土地利用分布的模拟结果与2017年实际土地利用数据进行叠置操作，得到结果如图5(b)所示.从该图中可以看出，长江经济带整个区域的土地利用变化分布较为均匀，表明CA-Markov模拟精度整体上较高.为进一步从定量的角度检验模拟精度，本文采用Kappa系数进行一致性检验.依据Kappa系数计算方法，当Kappa>0.6时，表示一致性良好，模拟精度高.采用IDRISI软件的Crosstab模块，对2017年模拟结果与实际土地利用分类结果进行交叉验证，计算得到Kappa系数为0.894 2，表明本文采用CA-Markov模型进行土地利用时空演化模拟的精度较高.
图4 2000年以来长江经济带土地利用现状
Fig.4 Land use in the Yangtze River Economic Belt since 2000
图5 2017年长江经济带土地利用模拟结果及变化对比
Fig.5 Verification of accuracy of land use simulation in the Yangtze River Economic Belt in 2017
3.3 2025年土地利用空间格局模拟的结果及分析
开展土地利用空间格局的模拟是国土空间规划与管理的重要依据，可为生态文明建设和土地节约集约利用提供合理有效的参考依据.本文继续以长江经济带2017年土地利用数据为基期数据，利用CA-Markov模拟长江经济带2025年的土地利用空间格局，结果如图6所示.
由图6可以看出，预计到2025年，长江经济带的土地利用空间分布依然不均匀，热带多树草原和热带稀树草原集中分布在长江上游和中游区域，农用地则在长江下游区域分布最广.为进一步对长江经济带2025年土地利用结构及2017年～2015年土地利用变化进行定量分析，计算各个土地利用类型的面积和比例，如表5所示.
图6 2025年长江经济带土地利用模拟图
Fig.6 Land use simulation map of the Yangtze River Economic Belt in 2025
表5 长江经济带2017年～2025年土地利用动态变化
Tab.5 Dynamic changes of land use in the Yangtze River Economic Belt from 2017 to 2025
从表4中可以看出，2017年～2025年长江经济带的土地利用类型变化较为明显.预计到2025年，热带多树草原和热带稀树草原依然是面积最大的土地利用类型，分别占总面积的23.34%和23.7%；其次是农用地和混交林等林地，分别占总面积的18.67%和9.93%；水域和其他用地的面积最小，分别占总面积的1.73%和0.33%.到2025年，热带稀树草原的面积增长最多，增长面积为3.84万km2，增长率为1.89%，可见随着长江流域的退耕还草等生态恢复政策的继续推进，未来长江流域的草地面积将持续增加，草地生态系统将得到进一步的恢复.但是，热带多树草原面积减少最大，达到了2.68万km2，这将在一定程度上影响林地的整体生态功能效应，应该引起一定的重视.针叶林、阔叶林和混交林等林地的面积也将继续增长，其中阔叶林的面积增速最快，预计增长1.26万km2，说明长江经济带现有的天然林保护工程将继续发挥作用.水域的面积预计到2025年出现小幅度减少，为0.16%，表明在开发利用长江流域水资源的同时，需要持续评估水利工程对生态环境所造成的潜在威胁.农用地减少的面积仅次于热带多树草原大面积，为2.27万km2；而城市和建成区的面积将增加0.91万km2.这主要是由于城市经济社会的持续高速发展，未来一段时间城市和建成区将继续向外扩张，农用地减少的趋势依然存在；表明长江经济带全域范围需要继续加强监管耕地红线和提升城市土地节约集约化的力度，实现区域的可持续发展.
4 结论
本文采用CA-Markov模型，结合多标准评价方法模拟2017年长江经济带的土地利用分布并预测2025年土地利用格局，得出了较高精度的模拟结果，得出以下结论.
我身边的成功人士，总的来说，随身携带的东西都不多。包太满太重给人以拖沓的感觉；反之，则简单利索。旅行也是如此。出国一周旅行，成功人士的行李简洁得让你惊艳。我自己坐飞机的时候，一般随身行李就是一只登机箱，很少托运巨大的行李箱。为什么成功人士的行李如此之少呢？
1) 通过对2017年土地利用模拟结果和实际分类结果进行交叉验证，计算得到Kappa系数为0.894 2，说明利用CA-Markov模型进行土地利用时空演化模拟是可行的，且模拟的精度较高.
服务员端来两杯滚烫热茶，刘必芒吹了一口喝下，左小龙看得诧异，想莫非刘必芒的触觉也失去了。窗外锣鼓喧天，腰鼓队的大妈和学生们正在奏欢迎曲，一排人坐上了主席台。此时骄阳四射，空气温热，左小龙在他们斜上方的玻璃房里端着茶看他们，突然油然而生一种豪迈感，他觉得电影里，决定事情走向的真正幕后高手都是在他那个位置，端着一杯液体慢慢摇晃，隔着玻璃，看着下面的一堆人卖力表演，目光长远，镇定自若，举重若轻，胸有成竹，空调设定在二十二度。
2) 通过对2000年以来长江经济带的土地利用时空格局变化分析，结果表明：2000年以来，针叶林、阔叶林和混交林的面积显著增加，分别增加0.42万km2、2.67万km2和2.44万km2，而热带多树草原、热带稀树草原和草地分别减少4.76万km2、1.2万km2和0.91万km2，说明我国西部草场转化为林地较为显著.2000年以来土地利用类型发生变化的面积占总面积的33.53%，其中农用地向热带稀树草原之间的转移面积最大，达到8.8万km2；热带稀树草原向农用地的转移面积为7.37万km2，可见农用地和热带稀树草原之间的相互转移最为活跃.针叶林、阔叶林和混交林的转入面积都大于转出面积，热带多树草原向针叶林、阔叶林和混交林的转入面积最大，达到1.05万km2、3.68万km2、5.59万km2.它们表明，长江流域防护林体系建设正在稳步推进，长江经济带实行的退耕还林还草政策，已经在农用地的整治和质量优化中初步见成效，对生态保护和恢复发挥了显著作用.
3) 2025年长江经济带的土地利用演化模拟结果表明，长江经济带热带稀树草原的面积将继续增长，达到3.84万km2，主要得益于退耕还林还草等生态恢复政策的持续推进.但热带多树草原面积减少最大，达到了2.68万km2，将在一定程度上影响林地的整体生态功能效应，应该引起一定的重视.水域的面积预计到2025年出现小幅度减少，为0.16%，表明在开发利用长江流域水资源的同时，需要持续评估水利工程对生态环境所造成的潜在威胁.农用地减少的面积仅次于热带多树草原，为2.27万km2，预示着长江经济带全域范围需要继续加强监管耕地红线，并进一步提升城市土地节约集约利用的力度，实现区域的可持续发展的目标.
由于本文采用的遥感影像数据来自于MODIS产品，影像的分辨率较低；随着我国高分卫星遥感技术的发展，遥感影像的时空分辨率将得到进一步提高，未来可以采用更高的空间和时间分辨率的遥感影像进行研究，更加深入地开展长江经济带土地利用研究.同时由于长江经济带覆盖范围广，区域内各个城市的发展水平不一致，因此建议针对各个城市展开更精细化的土地利用变化模拟.
参考文献：
[1] 权瑞松. 基于情景模拟的上海土地利用变化预测及其水文效应[J]. 自然资源学报, 2018, 33 (9): 1552-1562．
QUAN R S. Prediction of land use change and its hydrological effect in Shanghai based on scenario simulation[J]. Journal of Natural Resources, 2018, 33 (9): 1552-1562. (Ch)．
[2] 梁 辰， 王 诺. 基于Logistic回归的沿海经济区建设用地演变驱动因素研究——以大连市新市区为例[J]. 地理科学, 2014, 34 (5): 556-562．
LIANG C, WANG N. Driving factor analysis of construction land changes in coastal economic zone based on logistic regression: a case study of Dalian New Urban[J]. Geographic Science, 2014, 34 (5): 556-562. (Ch)．
[3] 钱国英， 张长勤， 董 斌， 等. 基于遥感与系统动力学模型的土地利用/覆被变化研究[J]. 遥感信息, 2014, 29 (1): 44-50．
QIAN G Y, ZHANG C Q, DONG B, et al. Land use/Land cover change based on remote sensing and system dynamics model[J]. Remote Sensing Information, 2014, 29 (1): 44-50. (Ch)．
[4] ISLAM K, RAHMAN M F, JASHIMUDDIN M. Modeling land use change using Cellular Automata and Artificial Neural Network: The case of Chunati Wildlife Sanctuary, Bangladesh[J]. Ecological Indicators, 2018, 88 : 439-453．
[5] 黎 华， 王道飘， 刘博源， 等. 元胞自动机和粗集支持下的土地利用变化研究[J]. 华中师范大学学报(自然科学版), 2018, 52 (6): 910-915．
LI H, WANG D P, LIU B Y, et al. Research on land use change based on Cellular Automata and Rough Sets[J]. Journal of Central China Normal University (Natural Sciences), 2018, 52 (6): 910-915. (Ch)．
[6] WU H , LI Z , CLARKE K C , et al. Examining the sensitivity of spatial scale in cellular automata Markov chain simulation of land use change[J]. International Journal of Geographical Information Science, 2019, 33 (5): 1040-1061．
[7] 张 津， 朱文博， 吴舒尧， 等. 基于CLUE-S模型的京津冀城市群土地利用变化时空模拟[J]. 北京大学学报(自然科学版), 2018, 54 (1): 115-124．
ZHANG J, ZHU W B, WU S Y, et al. Simulation of temporal and special land use changes in Jing-Jin-Ji Urban Agglomeration using CLUE-S model[J]. Journal of Peking University (Natural Sciences), 2018, 54 (1): 115-124. (Ch)．
[8] DIETZEL C , CLARKE K C. Toward optimal calibration of the SLEUTH land use change Model[J]. Transactions in GIS, 2007, 11 (1): 29-45．
[9] 张鸿辉， 曾永年， 谭 荣， 等. 多智能体区域土地利用优化配置模型及其应用[J]. 地理学报, 2011, 66 (7): 972-984．
ZHANG H H, ZENG Y N, TAN R, et al. A model for regional land use optimization allocation based on multi-agent system and its application[J]. Acta Geographica Sinica, 2011, 66 (7): 972-984. (Ch)．
[10] 吴 浩, 陈晓玲, 赵红梅. 土地利用分形模拟的空间尺度效应研究[M]. 北京：科学出版社, 2013．
WU H, CHEN X L, ZHAO H M. Spatial Scale Effects of Fractal Simulation of Land Use[M]. Beijing: Science Press, 2013. (Ch)．
[11] 胡雪丽， 徐 凌， 张树深. 基于CA-Markov模型和多目标优化的大连市土地利用格局[J]. 应用生态学报, 2013, 24 (6): 1652-1660．
HU X L, XU L, ZHANG S S. Land use pattern of Dalian City, Liaoning Province of Northeast China based on CA-Markov model and multi-objective optimization[J]. Chinese Journal of Applied Ecology, 2013, 24 (6): 1652-1660. (Ch)．
[12] 赵冬玲， 杜 萌， 杨建宇， 等. 基于CA-Markov模型的土地利用演化模拟预测研究[J]. 农业机械学报, 2016, 47 (3): 278-285．
ZHAO D L, DU M, YANG J Y, et al. Simulation and forecast study of land use change based on CA-Markov model [J]. Transactions of the Chinese Society of Agricultural Machinery, 2016, 47 (3): 278-285. (Ch)．
[13] TONG S T Y， SUN Y， RANATUNGA T，et al. Predicting plausible impacts of sets of climate and land use change scenarios on water resources[J]. Applied Geography, 2012, 32 (2): 477-489．
[14] SHAFIZADEH MOGHADAM H， HELBICH M. Spatiotemporal urbanization processes in the megacity of Mumbai, India: A Markov chains-cellular automata urban growth model[J]. Applied Geography, 2013, 40 : 140-149．
[15] 杜 萌， 赵冬玲， 杨建宇， 等. 基于元胞自动机复合模型的土地利用演化模拟——以北京市海淀区为例[J]. 测绘学报, 2015, 44 (S1): 68-74．
DU M, ZHAO D L, YANG J Y, et al. Simulation of land use change in Haidian District of Beijing City based on CA compound model[J]. Acta Geoda Sinica, 2015, 44 (S1): 68-74. (Ch)．
[16] 何 丹， 周 璟， 高 伟， 等. 基于CA-Markov模型的滇池流域土地利用变化动态模拟研究[J]. 北京大学学报(自然科学版), 2014, 50 (6): 1095-1105．
HE D, ZHOU J, GAO W, et al. An integrated CA-Markov model for dynamic simulation of land use change in Lake Dianchi Watershed[J]. Journal of Peking University (Natural Sciences), 2014, 50 (6): 1095-1105. (Ch)．
[17] 高吉喜. 划定生态保护红线,推进长江经济带大保护[J]. 环境保护, 2016, 44 (15): 21-24．
GAO J X. Defining the red line of ecological protection and promoting the great protection of the Yangtze River Economic Belt[J]. Environmental Protection, 2016, 44 (15): 21-24. (Ch)．
[18] 左玉珊， 王 卫， 郝彦莉， 等. 基于MODIS影像的土地覆被分类研究——以京津冀地区为例[J]. 地理科学进展, 2014, 33 (11): 1556-1565．
ZUO Y S, WANG W, HAO Y L, et al. Land cover classification based on MODIS images: taking the Beijing-Tianjin-Hebei region as an example[J]. Progress in Geography, 2014, 33 (11): 1556-1565. (Ch)．
[19] 李爱民， 吕安民， 隋春玲. 集成GIS的元胞自动机在城市扩展模拟中的应用[J]. 测绘科学技术学报, 2009, 26 (3): 165-169．
LI A M, LU A M, SUI C L. Application of integrating GIS with cellular automata to dynamic models of urban growth[J]. Journal of Surveying and Mapping Science, 2009, 26 (3): 165-169. (Ch)．
[20] 陈爱玲， 都金康. 基于CA-Markov模型的秦淮河流域土地覆盖格局模拟预测[J]. 国土资源遥感, 2014, 26 (2): 184-189．
CHEN A L, DU J K. Simulation and forecast of land cover pattern in Qinhuai River Basin based on the CA-Markov model[J]. Remote Sensing for Land & Resources, 2014, 26 (2): 184-189. (Ch)．
[21] 龚文峰， 袁 力， 范文义. 基于CA-Markov的哈尔滨市土地利用变化及预测[J]. 农业工程学报, 2012, 28 (14): 216-222.
GONG W F, YUAN L, FAN W Y. Change and prediction of the land use in Harbin City based on CA-Markov model [J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28 (14): 216-222. (Ch)．
[22] 艾大宾， 王 力. 我国城市社会空间结构特征及其演变趋势[J]. 人文地理, 2001, 16 (2): 7-11．
AI D B, WANG L. Chinese cities: characteristics and evolution trends of social spatial structure[J]. Human Geography, 2001, 16 (2): 7-11. (Ch)．
Analysis and simulation of spatio -temporal evolution of land use in the Yangtze River Economic Belt since 2000
WU Hao1，2， WU Xia1，2， WANG Wei1，2， LIN Anqi1，2， SONG Danxia1，2， GAO Cong1，2
(1.Key Laboratory of Geographic Process Analysis and Simulation，Central China Normal University， Wuhan 430079， China;2.School of Urban and Environmental Sciences， Central China Normal University， Wuhan 430079， China)
Abstract : Analyzing and simulating the spatial pattern of land use is important basis for optimizing the management and control of land spatial planning， and is of great significance for promoting the construction of ecological civilization and the intensive use of land conservation. Based on MODIS Global 500 m land use data of 2001， 2009 and 2017， this paper uses Cellular Automata Markov (CA-Markov) model and Multi-Criteria Evaluation (MCE) method to simulate the spatial and temporal evolution of land use in the Yangtze River Economic Belt (YREB). The results show as follows. 1) The Kappa coefficient is as high as 0.894 2 by cross-validating the results of land use simulation and actual land use classification in 2017， which indicates that it is feasible to use CA-Markov model and MCE method to simulate the spatial and temporal evolution of land use. 2) Since 2000， the area of coniferous forest， broad-leaved forest and mixed forest in the YREB increased significantly by 4 200 km2， 26 700 km2 and 24 400 km2， respectively， while the area of tropical multi-savanna， savanna and grassland decreased by 47 600 km2， 12 000 km2 and 9 100 km2， suggesting that the grassland in western China has been seriously degraded. The change of land use types in the YREB is 33.53%， among which the transfer between agricultural land and tropical savanna was the most active， implying that the construction of shelter forest system in the Yangtze River Basin is steadily advancing. The policy of returning farmland to forestry and grassland in the Yangtze River Economic Zone has achieved preliminary results in the improvement and quality optimization of agricultural land， and has played a significant role in ecological protection and restoration. 3) The simulation results show that the area of tropical savanna in the YREB would continue to increase to 38 400 km2 in 2025， which is due to the promotion of ecological restoration policies such as returning farmland to forests and grasslands. However， the area of tropical multi-tree grassland has decreased the most， reaching 26 800 km2， which will affect the overall ecological function of forest land to a certain extent and should be paid attention to. The area of agricultural land decreased by 22 700 km2， second only to tropical multi-tree grassland， which indicates that continuously strengthening the supervision of the red line of cultivated land and enhancing the intensive use of urban land are required to achieve regional sustainable development in YREB．
Key words ： Yangtze River Economic Belt; land use; spatial-temporal evolution simulation; CA-Markov model
中图分类号: F301.24
文献标识码： A
开放科学(资源服务)标识码( OSID)：
收稿日期： 2019-07-28.
基金项目： 国家自然科学基金项目(41671406).
*作者简介： 吴浩(1977-)，男，博士(后)，教授，博士生导师，主要研究方向为地理大数据挖掘与空间信息决策、环境遥感动态监测与模拟、卫星导航定位与位置服务。E-mail：haowu1977@163.com.
DOI ：10.19603/j.cnki.1000-1190.2019.05.008
文章编号： 1000-1190(2019)05-0692-11
标签：长江经济带论文; 土地利用论文; 时空演化模拟论文; CA-Markov模型论文; 华中师范大学地理过程分析与模拟湖北省重点实验室论文; 华中师范大学城市与环境科学学院论文;