中国土地利用／土地覆盖的多尺度空间分布特征分析，本文主要内容关键词为：尺度论文,中国论文,土地利用论文,特征论文,土地论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F301.24 文献标识码：A
1 引言
土地利用与土地覆盖变化（LUCC）是目前国内外学术界一个十分热门的话题。土地利用及其变化从根本上改变了人类生存的物质基础——生态系统中的各个组成，因而是一个与人类可持续发展息息相关的永恒主题。
有关土地利用与土地覆盖变化研究的视野目前正不断地由纯自然转向了自然与社会经济相结合，由全球变化不断地转向有针对性的区域变化。人们越来越认识到，土地利用及其变化是一个复杂的过程与系统。自然环境的变化如气候变化、生态群落的变化等能在很大程度上改变土地利用与土地覆盖的空间格局，但人类的需求及其活动对土地利用与土地覆盖的影响则是广泛而又深刻的。要综合分析这些因素对土地利用的影响，则必须将所研究的范畴具体落实到一定的区域。因为只有在一定的区域范围内，才有可能具体地探讨各种自然的与社会经济因素的变化及其对土地利用与土地覆盖的影响，而在区域的土地利用与土地覆盖变化研究的过程中，区域的规模尺度则是一个十分关健的问题。
土地利用在不同的规模尺度上具有不同的特征，包括不同的影响因素、不同的演变机理与过程[1]。本文将采用多尺度的统计方法， 分析土地利用与各因子之间的相互关系，并通过GIS 建模探讨我国土地利用的空间分布特征。
2 土地利用的空间规模相关性
土地利用过程之所以复杂，一方面在于土地利用系统之影响因子的多样性及其各因子之间相互作用关系的复杂性，另一方面则在于土地利用的空间规模相关性。
所谓规模相关性是指土地利用的特征、土地利用变化的过程以及各种影响土地利用变化的因素及其作用方式等均具有一种与空间规模尺度紧密相关联的特点，在不同的空间规模层次上具有不同的表现形式。而且象其它生命系统一样，土地利用及其变化在不同规模尺度之间的差异也并不一定表现出渐变的形式，相邻两种尺度之间往往存在着某种“门槛”效应。高一级规模尺度上的土地利用可能具有某些较低级规模层次上所没有的特殊过程与作用机理，某个空间规模级别上的土地利用活动或过程并不一定会在其它更高或更低规模层次上出现[2，3]。在不同规模层次上，我们往往会发现土地利用的不同类型与结构，土地利用与其自然生态、社会经济等因子之间不同的相互作用关系以及不同的土地利用演变过程[4]。例如，在大的规模尺度上， 某些因素可能与某种土地利用活动及其变化有着积极的促进或推动作用，表现为较大的正相关。而在小的规模尺度上，这些因素则往往有可能对该类土地利用活动及其变化有着消极的阻障作用，从而表现为一定的负相关关系。
最明显的例子是城市扩张对农业土地利用的影响。在大的区城范围内，我们说由于城市的发展能为周围的农村地区提供更大的潜力和农产品市场、更先进的技术力量、更雄厚的资金等优势，因而会带动其农业生产活动的进一步发展，从而提高农业土地利用的广度与深度。但如果相对于城市边缘地区这一小的规模尺度来说，城市的发展对农业土地利用的影响则正好相反。由于城市发展及其所带来的城市地域的扩大，会使城市边缘地区的农民产生一种所谓的城市化期望[5]， 即这里的农民会因为自己的土地很快被城市侵占，成为工业、道路或者住宅、商业等用地，而不重视对土地的投入，采取“竭泽而渔”的方式，加速土地的退化；再或者是采取“粗放式”的利用形式，任其土地荒芜。由此可见，城市发展对农业土地利用及其变化在两种规模尺度上表现有明显不同的两种效果。
事实上，景观生态学家们早就注意到了生态群落规模相关性的这一特点，并且一直将其作为该领域的研究主题之一[1，6]。土地利用景观的差异性是十分明显的，其结构、功能及其变化特征都在很大程度上与其所处的规模尺度密切相关，因此，研究土地利用必须与其空间规模联系起来。一般而言，大尺度规模往往有利于揭示土地利用及其变化与各因子之间相互作用关系的总体趋势；但大尺度由于存在着过多的综合，不利于对小范围内土地利用的特征、影响因素及过程进行准确地描述。
3 数据与研究方法
3.1 数据参数的选取
土地利用与土地覆盖不仅受气候、土壤、地貌等自然环境条件的影响，在一定的区域范围内人为因素的作用也显得十分的关健[7]。 我们在研究过程中所采用的参数主要包括土地利用类数据、人口与社会经济类数据以及土壤、地形、气候等自然环境类数据。参数选取主要是在综合判断各种自然的以及社会经济因素与土地利用空间分布之间的相关性特征的基础上进行的。有些因素从理论上讲与土地利用具有较大的相关性，但可能因某些原因而无法获取，此时则只能通过对要素之间自相关特征的分析，采用其它一些可行的因子进行替代。例如，我们采用了文盲率来近似地表示人们对信息与技术的了解与掌握程度；用对城市中心的距离来表示对产品、资金、技术市场的接近或占有程度等。
3.2 数据的网格化
为了将各种不同来源的数据有效地叠加，消除不同数据之间不同规模序列的影响，需进行数据的网格化处理。首先进行1×1km的网格化，然后根据中国东部人口稠密地区县级行政单位的平均规模，将1×1km的网格采用平均值法转换成32×32km的网格，以使每个网格代表的面积（即相当于1000km[2]）大致与上述平均规模相等， 并以此作为最基本的分析尺度。西部地区虽然县级行政单位的平均面积规模远较东部地区大，但由于大面积无人区如沙漠、戈壁或山地等的存在，网格化过程中我们特别将这些无人区进行剃除，并将所有有关的数据，即土地利用数据、人口与经济类数据等进行重新计算，将无人区的其它土地利用类型及相关的社会经济数据如人口、作物、产值等赋零值。
3.3 规模序列化
为了充分揭示不同规模层次上土地利用或土地覆盖与各因子之间的相互作用关系，在上述1*1的基本网格基础上， 通过平均值法建立一种人为的规模序列，即32*32，64*64，96*96， 128*128，160*160， 192*192等，共6个规模层次（图1）。所有规模由于都是从1*1km 的网格直接综合而来的，因此并不存在信息量的严重丢失问题。
图1 规模序列
Fig.1 Scale series
3.4 区域类型的划分
土地利用与各因子之间的相互关系除在不同的规模层次上存在差异以外，其作用机制与过程还会在不同的区域类型之间表现出较为明显的不同。为此，根据全国不同省区之间的自然地理条件、人口及社会经济特征等的差异，将全国划分为8个不同的区域类型（图2）。其中西北区东西跨度较大，包括了黄土高原区与内蒙古东部草原区等，这里之所以将其划为一个区，是因为这些地区的土地利用活动均在不同程度上受到干旱少雨的影响，表现了较为明显的干旱与半干旱的自然地理特征。
图2 中国分区图
Fig.2 Regional stratification of China
3.5 数理统计方法
通过统计分析，可以揭示并度量各地区土地利用／土地覆盖与各因子之间的相互作用关系。但是通过统计方法所确定的与土地利用／土地覆盖的空间分布密切相关的某些因素，并不一定就是土地利用／土地覆盖空间分布的直接原因，相关关系并不一定是因果关系。
本文所采用的方法主要有相关分析、多元回归等。其中，相关分析的目的是量化不同土地利用类型（因变量）与各种因子（自变量）之间的相互关系；多元（逐步）回归则是要对各种因子进行综合分析、构筑土地利用的多元回归模型。为了简化，我们只作线性回归分析。尽管这将在一定程度上降低回归模型的解释能力，因为某些因素与土地利用并不一定呈线性的作用关系，但同时有研究表明[8]， 小尺度上的非线性关系在大尺度上则会表现出较为明显的线性关系，这对我们进行全国性的土地利用研究是十分有益的。
4 模型结果分析
4.1 土地利用分布
我国主要土地利用类型的相关分析结果参见表1。 表中所列的是全国在32*32km的规模尺度上与各用地类型空间分布最为相关的10 个因子及其相关程度。
表1 不同土地利用类型与各主要因子之间的相关系数
Table 1 The Main determinants and their correlation
耕地
园地
牧草地
指标相关系数指标
相关系数指标相关系数
DM2
0.81 DM1 0.45 CM5 -0.52
DM5
0.79 DM2 0.44 CM3 -0.51
DM1
0.79 DM4 0.44 CM2 -0.51
DM4
0.77 CM6 0.42 GM1
0.47
SV6
0.60 DM5 0.42 SE1
0.44
SV8 -0.59 CM1 0.41 CM1 -0.40
GM1 -0.54 CM7 0.41 DM2 -0.39
SV12 0.50 CM3 0.40 DM5 -0.38
CM2
0.49 CM5 0.38 DM4 -0.38
SV3
0.49 CM8 0.37 DM1 -0.38
林地
未利用地
非农用地
指标相关系数指标
相关系数指标相关系数
CM8
0.67 CM4 -0.64 DM1
0.80
CM6
0.66 CM8 -0.58 DM2
0.80
CM7
0.66 CM6 -0.52 DM4
0.77
CM9 -0.56 CM9 0.42 DM5
0.75
GM8
0.53 GM10 0.39 DM3
0.58
GM12 -0.46 DM2 -0.36 SV6
0.58
SV6 -0.42 DM1 -0.36 SV8 -0.55
SV1
0.41 DM5 -0.36 SV3
0.50
CM5
0.40 DM7 -0.35 GM1 -0.49
CM1
0.39 DM4 -0.35 CM7
0.47
在P＜0.0001水平上显著。
表中可见，我国耕地的分布与人口，特别是农业生产的分布具有极为明显的相关性。这表明了我国耕地与农业生产及人口之间较强的空间关联。此外，土壤、气温、地形以及水分条件等与土地适宜性密切相关的因子与耕地的分布也具有较强的关联。园地的分布与耕地具有相同的影响因素。但是，气温特别是最低气温与平均气温大于10℃的月份数对园地的分布具有十分重要的意义。园艺作物大多需要有特殊的环境条件，如对无霜期的特殊要求等，因而很多园艺作物的分布受气温的影响较大。草地、林地及未利用土地的分布在很大程度上受自然环境条件的制约。由于大面积草地主要分布在内蒙古及海拔高的高原与山地，草地与低温及高海拔成明显的正相关。林地大多分布在南部特别是西南山区，而这些地区热量丰沛，降水充足，因此林地与降水、气温呈明显的正相关。由于未利用土地主要是沙漠、戈壁等，其分布与降水稀少、阳光充足等自然条件呈较大的正相关。我国非农建设用地分布的影响因素与耕地基本相同，只不过其次序稍有变动而已。其中，非农用地与总人口密度及农业人口密度的分布大体相同，这主要是因为我国非农用地主要集中在东部人口稠密地区，并以农村居民点、乡镇企业、农村道路等农村地区的非农建设用地占较大比重为基本特色。而且，除人口等因素外，非农业用地还与土地的适宜性因子密切相关。这一结果说明，我国非农用地分布及其扩展主要发生在土地质量较高与适宜性较好的地区，同时也预示着我国非农用地的进一步扩展将带来大量高质量农用土地的丧失。
由于各指标之间具有一定的相关性，有些指标在回归模型中并不具有明显的贡献率。从表2可见， 如果缺少其中某一类指标如人口类指标，则回归方程的解释能力就会受到很大的影响。即使变量个数明显增加，其解释能力也达不到应有的水平（γ[2]＝0.81）。
4.2 规模效应分析
规模尺度对回归模型的影响可以通过6 个不同规模层次上的相关与回归分析结果进行对比来得以论证。图3描述的是在6个不同规模层次上总人口、农业劳动力、非农业人口、土地适宜性、平均高程与最暖月气温等因素与耕地的相关系数分布情况。从图中可见，所有因子的相关系数随着规模的扩大均有所增加，但是各个因子的增加幅度并不相同。例如，最暖月气温与平均高程在各种规模之间基本上保持不变，而土地的适宜性以及城市人口密度与耕地的相关系数则随着规模的扩大而明显增大。
表2 两种不同的耕地分布回归方程系数表
（显著性水平P＜0.0001）
Table 2 Two different regression models for arable landdistribution
耕地回归方程系数
耕地回归方程
(所有变量)γ[2]=0.81 (不包括人口变量)γ[2]=0.71
变量stb 变量 stb
CM6
-0.42 CM2 1.84
CM70.41 CM3 -1.76
DM50.37 CM4 -1.25
DM10.23 CM6 -0.98
GM1
-0.19 CM7 0.67
GM90.16 GM1 -0.60
DM60.12 CM8 0.29
SV60.09 CM9 -0.21
SV2
-0.09 GM8 -0.18
SV11
0.08 SV2 -0.17
SV60.06 SV17 0.15
GM11
0.06 SV9 0.13
SV14-0.13
GM9 0.11
SV6 0.10
GM10-0.08
SV16 0.07
图3 耕地相关系数的规模分布
Fig.3 The scale distribution of correlations
4.3 区域类型的影响
模型运行结果显示，各地区之间土地利用的分布特征及其与各因子之间的相互关系具有十分明显的差异。图4 十分明显地反映了这一状况。图中分别显示的是耕地实际的分布情况（A）、 用全国回归模型所模拟的耕地分布（B）以及采用分区回归模型所模拟的耕地分布情况（C）。通过对比不难发现，分区回归模型的模拟结果比全国回归模型的结果好，其回归模型相关指数为0.92，较全国模型的0.81高。这主要是因为分区回归模型考虑到了不同类型区域中土地利用的特殊影响因子所致。
4.4 土地利用空间分布变化的模拟
由于受篇幅的限制，这里只介绍模型对耕地分布及其变化的模拟结果。图5—A是1991年我国耕地的实际分布状况，而图5—B则是通过模型对2010年的耕地分布所进行的预测。从总体而言，我国耕地的空间分布状况不会有大的变化，即集中分布于中、东部地势平坦、湿润等自然条件较为优越的地区。这是因为我国目前的耕地分布格局是在长期历史发展过程中所形成的，已经基本上与我国的自然地理条件相适应。在模型短短的预测期内土地利用不可能发生如此大的变化，以致于整个地改变土地利用的空间分布格局。
图4 两种回归模型（分区与未分区）的结果对比
Fig.4 Comparison between two models
但是通过图5—A与图5—B两者之间的对比（图5—C），我们则能较为清楚地判断未来20年内我国耕地空间分布特征的变化。
图5 耕地的分布及其变化示意图
Fig.5 Spatial distribution of arable land and its change
（1）至2010年， 我国耕地变化的主要特征是总体面积数量的减少。
（2）尽管从全国而言，耕地面积在预测期内将不断减少， 但并不是所有地区都会朝着这一方向发展。在预测期内仍然存在某些地区，其耕地面积是增加的。这一结果与某些只是简单地将全国耕地面积增加的总数简单地分配到一定地区的模型结果相比较，更能反映土地利用的变化及其空间分布的现实。
（3）我国耕地的未来变化将集中在中、东部地区， 特别是我国东北地区—黄土高原地区—西南地区这一由东北向西南延伸的条带，耕地减少的幅度较大。这里作为我国典型的农牧交错带与农林交错带，一方面由于生态环境脆弱，另一方面是这里已有的耕地也大多属于非宜农地，为不适当的开垦，因此从可持续发展的角度看这些地区将是我国未来退耕还林还牧的主要地区。广大的东部农区虽然由于城市化的发展会占用一定数量的耕地面积，但一方面由于基本农田保护区的普遍实施，在城市化过程中人们将注重于土地利用效率并节约用地，同时这些地区大多是我国种植业发展历史悠久、土地肥沃、生产力水平高的主要农产品生产基地，耕地减少的势头将有可能得到一定的抑制。
5 结语
本文所采用的模型方法从空间上反映了土地利用及其变化的基本特征，特别是较为系统地分析了各因子的量化特征及其在区域间的差异。尽管相关分析并不能替代机制分析，但是却对我们深入地探讨和理解土地利用及其变化的机制具有极大帮助。
虽然我们无法考虑所有与土地利用密切相关的因素，如政策、历史、宗教等，但从总体而言，文中的相关分析与回归模型仍然具有较高的解释水平，能较好地拟合我国实际的土地利用空间分布及其与各因子之间的相互关系。由于土地利用系统的复杂性，单一模型不可能全面地解释土地利用的空间分布及其变化。经验的及计量经济学模型虽然能对土地利用与其影响因子之间的关系进行定量分析，却在多尺度的空间分析中显得力不从心。本文从不同的规模尺度与不同的区域类型，探讨了土地利用分布及其与各因子之间的相互作用关系，应该说是有意义的。
收稿日期：1999—07—19；修订日期：1999—11—09