EN中文

干旱区研究 >

2024 , Vol. 41 >Issue 7: 1140 - 1152

DOI: https://doi.org/10.13866/j.azr.2024.07.06

水土资源

甘南藏族自治州土地利用与生态风险时空演变及驱动因素

  • 高鹏程 , 1 ,
  • 岳艳妮 , 1 ,
  • 鄢继选 1 ,
  • 王世杰 2, 3, 4 ,
  • 别强 2, 3, 4
展开
  • 1.甘肃农业大学水利水电工程学院，甘肃 兰州 730070
  • 2.兰州交通大学测绘与地理信息学院，甘肃 兰州 730070
  • 3.地理国情监测技术应用国家地方联合工程研究中心，甘肃 兰州 730070
  • 4.甘肃省地理国情监测工程实验室，甘肃 兰州 730070
岳艳妮. E-mail:

高鹏程（1995-），男，硕士，助教，研究方向为土地利用覆被变化、预测及对环境的影响. E-mail:

收稿日期: 2024-03-25

  修回日期: 2024-05-09

  网络出版日期: 2025-08-14

基金资助

国家自然科学基金项目(41861061)

国家自然科学基金项目(42101096)

收起

Spatio-temporal evolution and driving factors of land use and ecological risk in Gannan Tibetan Autonomous Prefecture

  • GAO Pengcheng , 1 ,
  • YUE Yanni , 1 ,
  • YAN Jixuan 1 ,
  • WANG Shijie 2, 3, 4 ,
  • BIE Qiang 2, 3, 4
Expand
  • 1. College of Water Conservancy and Hydropower Engineering, Gansu Agricultural University, Lanzhou 730070, Gansu, China
  • 2. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, Gansu, China
  • 3. Nation-local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, Gansu, China
  • 4. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, Gansu, China

Received date: 2024-03-25

  Revised date: 2024-05-09

  Online published: 2025-08-14

Fold

摘要

本文以甘南藏族自治州为研究区域，基于1990—2020年每间隔10 a的土地利用数据，拟探明甘南藏族自治州土地覆盖时空演变规律，分析土地利用时空变化和驱动因素之间的驱动机理，利用IDRISI Selva软件，通过CA-Markov模型对甘南藏族自治州2030年土地利用情况进行模拟预测并探讨了土地利用变化导致的生态风险变化情况。结果表明：（1） 1990—2020年研究区土地利用结构发生了较大变化，草地和林地为优势土地利用类型，草地为主要转出土地利用类型。（2） 1990—2020年耕地和建设用地的土地利用动态度较高，土地利用变化贡献率较高的是耕地、林地及草地，林地变化强度最大。（3） 基于DEM、坡度、距道路距离、人口密度和经济密度因素对研究区土地利用变化驱动机理进行分析可见，人口和经济状况对土地利用结构影响较大。（4） 采用CA-Markov模型对研究区2020年和2030年土地利用结构进行模拟预测的Kappa指数为0.88，预测精度较高。（5） 研究区由土地利用变化导致生态风险较高的区域为夏河县和合作市北部、玛曲县东南部，其土地利用类型以未利用地、草地和林地为主。

关键词： 土地利用; CA-Markov模型; 时空演变; 生态风险; 甘南藏族自治州

本文引用格式

高鹏程 , 岳艳妮 , 鄢继选 , 王世杰 , 别强 . 甘南藏族自治州土地利用与生态风险时空演变及驱动因素[J]. 干旱区研究, 2024 , 41(7) : 1140 -1152 . DOI: 10.13866/j.azr.2024.07.06

Abstract

This paper studies the Gannan Tibetan Autonomous Prefecture. Based on the land use data at 10-year intervals between 1990 and 2020, it intends to explore the spatiotemporal evolution of land cover in the Gannan Tibetan Autonomous Prefecture, analyze the driving mechanism between spatiotemporal changes in land use and the driving factors, predict the land use in 2030 based on simulations, and discusses the changes in ecological risks due to land use changes by applying the IDRISI Selva software with the CA-Markov model. The results showed that (1) from 1990 to 2020, the land use structure of the study area changed considerably, with grassland and forest land becoming the primary land use types and grassland becoming the main diversion land use type. (2) from 1990 to 2020, the land use motivation of cropland and construction land was higher, and the maximal contribution to the land use change was made by cropland, woodland, and grassland, with the greatest intensity being woodland. (3) based on DEM, slope, distance from the road, population density, and economic density, the driving mechanism of land use change in the study area was analyzed; population and economic status have a marked impact on land use structure. (4) the Kappa index of the simulated-prediction of the land use structure of the study area in 2020 and 2030 using the CA-Markov model was 0.88, with a high prediction accuracy. (5) the regions in the study area with high ecological risks caused by land use changes were Xiahe County and the northern part of Hezuo City, and the southeastern part of Maqu County, where the land use types are dominated by unutilized land, grassland and forest land.

Key words： land use; CA-Markov model; space-time evolution; ecological risks; Gannan Tibetan Autonomous Prefecture

土地作为最基本的自然资源，是人类活动和发展的基础，与人类社会息息相关。随着社会经济和科学技术的快速发展，为满足日益增长需求，人类对土地进行改造并加以开发运营，导致土地利用格局发生了较大变化。人类对土地资源的大幅度改造极大地改变了地表覆盖状况，同时带来的天然草原退化、草场沙化、水土流失加剧等恶劣生态问题效应不仅会影响当地甚至会作用于全球[1]。在此背景下，研究分析预测土地利用变化及其驱动力机制对区域规划土地资源配置、优化土地利用结构、促进区域可持续发展、保持生态系统稳定性和完整性、维护生态平衡等具有重要意义。甘南藏族自治州地处我国农牧区交错地带，是我国主要的畜牧业中心之一，地形与地貌复杂多样，金、铜、煤等矿产资源开发程度大，水资源和生态资源丰富，其土地利用结构较为复杂，该地区的环境状态与黄河中下游地区居民的日常生活和生态安全有着直接联系。因此，深入研究该地的土地利用变化，不仅有助于土地资源合理配置，而且对改善生态环境具有重要作用，同时对区域资源开发、生态环境保护和草原畜牧业可持续发展至关重要[2]。
关于土地利用及其变化研究，学者们从不同视角探讨总结了土地利用这一概念。例如把土地利用定义为在特定时间、地点和空间内所有地表的表面覆盖状态、人类在土地上的活动和对土地进行使用的用途等[3-4]。在1992年召开的联合国环境发展大会上提出的“21世纪议题安排”中将土地利用作为一个主要研究方向纳入其中[5]。“全球环境变化人文计划”和“国际地圈生物圈计划”于1995年制定了《科学研究计划》，明确了土地利用变化机制研究、土地覆被变化机制研究和全球区域尺度模型建立这三个核心研究方向，引起了国内外众多学者的兴趣[6]。国内相关研究人员也从系统论角度、经济属性和人类需求等不同层面对土地利用这一现象进行了界定、分析和解释。早期学者根据翻阅历史资料或查找统计数据，并结合地形地貌图等分析了土地利用情况[7]。随着电子计算机技术和3S等技术的发展进步，我国学者经过摸索和探索，逐步将土地利用研究由量、质变化向更深层面的空间格局变化分析过渡[8]。
关于土地利用预测模拟研究，土地利用数量预测模型通常采用数学方法对面积和数量的变动趋势进行模拟和预测。常见的数量预测模型包括灰色预测模型（Gary Forecast Model，GFM）、Logistic回归模型和马尔科夫模型等。Logistic回归模型常被用于探讨多种驱动因素与土地利用变化之间的关联性，并预测特定地区在当前条件下某种土地利用类型的出现概率[9]。例如吴桂平[10]、乔治等[11]运用Logistic回归模型、Markov模型对土地利用变化驱动因子进行回归分析，并模拟和预测了土地利用的演变过程，结果与实际情况拟合度较好。空间预测模型多集中于对土地利用空间地理位置进行表达，以元胞自动机模型、小尺度土地利用变化及其空间效应（Conversion of Land Use and its Effects at Small Region Extent，CLUE-S）等空间预测模型为主[12-13]。自1980年起，随着对元胞自动机研究兴趣的不断增强，元胞自动机在科学中的研究和应用越来越受到关注[14-15]。
关于生态风险评价研究，研究初期以环境影响评估为主，到20世纪70年代初步形成了风险评价体系。21世纪初期，随着遥感技术与概率统计学研究的深入，生态风险评价的内容、范围和研究尺度都有了进一步发展，形成了较为完整的生态风险评价原则、内容、程序和技术要求，区域生态风险评价成为学者们热门的研究方向。例如谢花林[16]基于景观指数计算得到生态风险指数，并运用空间自相关和半方差分析法进行生态风险变化特征分析。陈心怡等[17]利用土地利用数据，基于GIS克里金插值方法构建了海口市生态风险指数模型。张学斌等[18]以石羊河流域为研究区域，基于土地利用数据构建了生态风险指数并采用ArcGIS空间分析功能对其时空特征进行分析。
本文以甘南藏族自治州为研究区域，基于1990—2020年土地利用现状数据，结合地理因子数据，通过土地利用转移矩阵、变化贡献率、变化强度及动态度等指标探明甘南藏族自治州土地覆盖时空演变规律并进行驱动因素分析。运用ArcGIS软件分析各年度不同地类的分布与变化，根据地类覆盖变化驱动因素，运用CA-Markov模型模拟预测甘南藏族自治州2020—2030年土地利用结构并进行精度验证，同时分析研究区2020—2030年土地利用变化情况。基于研究区土地利用数据，选取景观干扰度指数、脆弱度指数和损失度指数构建综合生态风险指数，得到研究区由土地利用变化引起的生态风险分布情况并进行分析。

1 研究区概况与方法

1.1 研究区概况

甘南藏族自治州位于甘肃省西南区域，与青藏高原东北侧毗邻，是青藏高原与黄土高原交汇的特殊地带，是甘肃、青海和四川三省的交汇点，地理位置介于100°46′~104°44′E，33°06′~36°10′N。甘南藏族自治州现辖合作市、玛曲县、临潭县、迭部县、卓尼县、舟曲县、夏河县、碌曲县8个县级行政区（图1）。区域内大部分地区海拔超过3000 m，地貌主要为高原和山地，地势呈西高东低分布。
图1 研究区概况

Fig. 1 Overview of the study area

1.2 数据源

1990—2010年土地利用现状数据由资源环境科学数据中心（http://www.resdc.cn）获取得到，影像分辨率为30 m，总体精度大于85%，分为25个二级类数据；2020年土地利用数据来源于全球地表覆盖数据（https://www.ngcc.cn），数据总体精度为85.72%，30 m的空间分辨率，划分成10个二级类。土地利用数据采用标准的兰伯特等角圆锥投影坐标系（Asia North Lambert Conformal Conic），其第一标准维度为25°，第二标准维度为47°，投影原点维度为0°。利用ArcGIS软件将当前土地使用情况重新划分为六大类，包括耕地、林地、草地、水体、建设用地以及未利用地；人口数据来源于LandScan人口数据集，国内生产总值（Gross Domestic Product，GDP）数据来源于省市统计公报及统计年鉴，道路数据来源于开放街道图（OpenStreetMap，OSM）；DEM数据为30 m空间分辨率的航天飞机雷达地形测绘使命（Shuttle Radar Topography Mission，SRTM）数据，坡度数据由高程数据计算得到。

1.3 研究方法

1.3.1 土地利用动态度

土地利用动态度用于定量描述特定时间范围内各类土地利用类型的变化情况。通过计算土地利用动态度，可以分析某一时间段内土地利用量的变化情况[19]，计算公式为：
K = V b - V a V a × 1 T × 100 %
式中：K为土地利用动态度变化；T为变化周期间隔（年）；Va、Vb为确定土地利用类型变化前期和后期的数量（km2）。

1.3.2 土地利用变化转移矩阵

转移矩阵用于表示土地利用类型在研究初期和末期的变化情况，可定量表示研究区内各类型土地利用的面积和方向变化[20-21]。计算公式为：
S i j = S 11 S 12 ⋯ S 1 n S 21 S 22 ⋯ S 2 n ⋮ ⋮ ⋮ ⋮ S n 1 S n 2 ⋯ S n n
式中：Sij为前期i类型变化成后期j类型的面积变化（km2），i, j=1, 2, …, n；n表示分类数目（类），研究中n取6。

1.3.3 CA-Markov模型

CA模型是一种更具时空性的系统模型，而Markov模型是一种基于马尔可夫链构建的空间统计模型，其预测效果只是数量的变化。CA-Markov模型由Markov模型与CA模型组合而来，其结合了马尔可夫模型在数量上的优势和CA模型在空间上的优势。CA-Markov模型能够利用多约束和限制因子，将连续的空间分布元素纳入马尔科夫链中，来对土地利用数据进行科学模拟预测，从而分析各土地利用类型数据间的时空演变问题[22]。

1.3.4 精度评价指标

（1） 空间精度检验 采用Kappa指数法对CA-Markov模型预测结果进行空间尺度精度验证[23-24]。Kappa指数可评价两期数据的一致性，当Kappa<0.4时，预测精度较差，一致性低；当0.4≤Kappa≤0.75时，精度一般；当Kappa>0.75时，精度较高，具有较高的一致性。其原理如下：
K a p p a = P 0 - P c P p - P c
P 0 = n 1 n ,   P c = 1 N
式中：Kappa为模型预测精度； P 0为预测结果栅格数占比（%）； P c为在N类地类的预测占比（%）； P p为理想状态下正确预测占比（取值为1）（%）； n为总栅格数（个）； n 1为参与预测的地类栅格数（个）； N为研究中分类的类别总数（类）。
（2） 数量精度检验 采用数值差比值法进行CA-Markov模型数量精度检验，计算公式为：
E = m i y - m i x m i x × 100 %
式中：E为第i类的误差值； m i y为第i类的预测面积（km2）； m i x为第i类的实际面积（km2）。E越小，误差越小，预测精度越高。

1.3.5 生态风险指数

在土地利用类型基础上选取景观干扰度指数、脆弱度指数和损失度指数构建综合生态风险指数对研究区生态风险大小及情况进行分析[16-17]。各指数原理如下：
（1） 景观干扰度指数 景观干扰度指数Ei用来反映不同景观生态系统受到外部干扰的程度，所受干扰越大，生态风险越大。其原理为：
E i = a C i + b N i + c D i
式中： C i为景观破碎度指数； N i为景观分离度指数； D i为景观优势度指数； a、 b、 c为 C i、 N i、 D i的权重，且a+b+c=1。
其中景观破碎度指数 C i为：
C i = n i A i
式中： n i为第i类景观类型的斑块数（个）； A i为第i类景观的面积（km2）。
景观分离度指数 N i为：
N i = A 2 A i n i A i
式中： A i为第i类景观的面积（km2）； A为景观类型总面积（km2）。
景观优势度指数 D i为：
D i = Q i + M i 4 + L i 2
式中： Q i为斑块样方数与总样方数比值； M i为斑块数与斑块总数比值； L i为斑块面积与样方总面积比值。
（2） 景观脆弱度指数 景观脆弱度表示不同景观面对外界干扰时其内部结构的易损性和敏感性，如果景观类型抵御外部的干扰能力越小，则脆弱度越大，生态风险越大。结合研究区实际情况，将研究区景观类型脆弱性分为6级，从高到低依次为：未利用地、水体、耕地、草地、林地、建设用地，依次赋值为6、5、4、3、2、1，进行归一化处理后得到各景观类型的脆弱度指数Fi依次为0.2857、0.2381、0.1905、0.1429、0.0952、0.0476。
（3） 景观损失度指数 景观损失度指数Ri反映不同景观类型所代表生态系统在受到自然和人为双重干扰时其自然属性损失的程度，其原理如下：
R i = E i + F i
式中： E i为景观干扰度指数； F i为景观脆弱度指数。
（4） 生态风险指数 景观生态风险指数 E R I i表示每个风险单元中心点的生态风险水平。其原理为：
E R I i = ∑ i = 1 n A k i A k R i
式中： E R I i为第i个风险单元的生态风险指数； R i为第i类景观的景观损失度指数； A k i为第k个风险单元第i类景观的面积（km2）； A k为风险单元面积（km2）；n为景观类型总数（类）。

2 结果与分析

2.1 土地利用时空变化分析

基于重分类得到甘南藏族自治州1990年、2000年、2010年、2020年土地利用现状图（图2）。对甘南藏族自治州土地利用动态变化程度进行分析，计算各土地利用类型面积及占比（表1）。运用土地利用动态度、贡献度和变化强度公式，分别计算不同时期的土地利用动态度、各土地类型对总体变化的贡献度以及土地利用的变化强度（表2）。计算得到研究区1990—2000年、2000—2010年、2010—2020年土地利用转移矩阵（图3）。
图2 1990年、2000年、2010年和2020年土地利用空间分布

Fig. 2 Spatial distribution of land use in 1990, 2000, 2010 and 2020

表1 甘南藏族自治州土地利用类型面积及占比

Tab. 1 Area and proportion of land use types in Gannan Tibetan Autonomous Prefecture

1990年 2000年 2010年 2020年
面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/%
耕地 1469.24 4.01 1693.11 4.62 1630.66 4.45 2420.87 6.60
林地 11330.05 30.90 11205.92 30.56 11233.88 30.64 13108.49 35.75
草地 20888.43 56.97 20790.19 56.71 20752.41 56.60 19436.44 53.01
水体 221.84 0.61 210.96 0.58 272.81 0.74 409.64 1.12
建设用地 97.69 0.27 106.62 0.29 143.25 0.39 168.70 0.46
未利用地 2655.95 7.24 2656.40 7.25 2630.19 7.17 1119.06 3.05
合计 36663.19 1.00 36663.19 1.00 36663.19 1.00 36663.19 1.00
表2 甘南藏族自治州土地利用变化动态度、贡献率与强度

Tab. 2 Dynamic attitude, contribution rate and intensity of land use change in Gannan Tibetan Autonomous Prefecture

1990—2000年 2000—2010年 2010—2020年
动态度/% 贡献率/% 强度/% 动态度/% 贡献率/% 强度/% 动态度/% 贡献率/% 强度/%
耕地 1.52 47.99 0.61 -0.37 24.69 -0.17 4.85 13.98 2.15
林地 -0.11 26.61 -0.34 0.02 11.06 0.08 1.67 33.15 5.11
草地 -0.05 21.06 0.26 -0.02 14.94 0.11 -0.63 23.27 -3.59
水体 -0.49 2.33 -0.03 2.93 24.46 0.16 5.02 2.42 0.38
建设用地 0.91 1.91 0.03 3.44 14.48 0.10 1.78 0.45 0.07
未利用地 0.00 0.10 0.01 -0.10 10.37 -0.08 -5.75 26.73 -4.12
图3 1990—2000年、2000—2010年和2010—2020年土地利用类型转移

Fig. 3 Land use type transfer from 1990 to 2000, 2000 to 2010 and 2010 to 2020

1990—2020年甘南藏族自治州水体、耕地、林地与建设用地增加，未利用地与草地呈现减少趋势（图1，表1）。1990—2010年甘南藏族自治州土地利用类型占比从大到小排列依次是：草地、林地、未利用地、耕地、水体、建设用地。其中，草地所占面积超过了该区域总面积的50%；2020年甘南藏族自治州土地利用占比依次为：建设用地、水体、未利用地、耕地、林地、草地，耕地面积增幅较大，建设用地逐年扩张，同时未利用地面积减少超过一半。
1990—2000年研究区耕地动态度居首，土地利用变化较大，其次是林地和草地，未利用地面积无明显波动（表2）。2000—2010年，建设用地面积动态度变化最大，耕地、林地、草地及未利用地面积波动较小。耕地和水体土地利用变化程度较高。2010—2020年未利用地减少速度较快，林地面积增加程度较大，草地面积缓慢减少，建设用地基本保持不变。从变化强度来看，1990—2000年、2000—2010年各土地类型面积变化趋于平稳，变化强度相差不大。2010—2020年林地变化强度最大，耕地、水体及建设用地均呈稳步增长趋势，同时草地、未利用地动态度减少幅度相近。
1990—2000年减少的草地面积主要转换成耕地，增加的草地面积大部分来自于林地，耕地变化为其他类型用地面积较少（图3）。减少的林地大部分转化成草地，未利用地的转出量和转入量相差不大，草地转换为其他土地利用类型的波动较大。2000—2010年草地转换为林地和未利用地较多，减少的耕地和未利用地多转换为草地。2010—2020年草地以转化为林地为主，新增建设用地主要由耕地转化而来，水体面积增加，其新增部分主要由草地转化而来。

2.2 土地利用变化驱动因素

城镇化进程中，受社会经济因素和自然条件影响，土地利用类别和面积都会发生显著变化。常见的自然因素和社会经济因素有坡度、高程、交通道路、人口数量变化以及政策实施等[19]。本文选取坡度、高程、交通、人口和GDP因素对甘南藏族自治州土地利用变化驱动情况进行分析。根据已有研究基础并根据研究区现状，研究将高程划分成5个梯度：<1000 m、1000~2000 m、2000~3000 m、3000~4000 m、>4000 m。将坡度划分为4个梯度：0°~5°、5°~15°、15°~25°及>25°，使用ArcGIS缓冲区工具，以道路为中心轴建立<200 m、200~800 m、800~1000 m及>1000 m 4个缓冲区，将人口密度划分成5个梯度：0~100人·km-2、100~500人·km-2、500~1500人·km-2、1500~3000人·km-2及>3000人·km-2，将GDP密度划分为5个梯度：1×104~27×104元·km-2、27×104~66×104元·km-2、66×104~122×104元·km-2、122×104~192×104元·km-2及192×104~572×104元·km-2（图4）。
图4 甘南藏族自治州DEM、坡度、距道路距离、人口密度和GDP密度驱动因素分级

Fig. 4 Classification of DEM, slope， distance from road, population density and GDP density in Gannan Tibetan Autonomous Prefecture

将分级后的高程、坡度、道路、人口和GDP驱动因素与各年份土地利用分类结果进行耦合分析，分析各驱动因素不同分级内各土地利用类型的分布及变化情况（图5）。99%的耕地分布在高程3000 m以下，1000~2000 m范围内林地分布较多，一半的草地分布在3000~4000 m范围内，水体在高海拔地带分布较少，建设用地多位于3000 m以下。海拔愈高，耕地、建设用地面积愈少，其变化较为明显。高海拔地区主要以草地和未利用地为主（图5a）。
图5 甘南藏族自治州各驱动因素不同等级各土地利用类型分布

Fig. 5 Land use types in different grades of driving factors in Gannan Tibetan Autonomous Prefecture

坡度在地形因素中占主导地位，坡度稳定性和土地利用程度限制性直接影响土地利用变化。甘南藏族自治州地处坡度平缓地带，坡度在25°以下面积占总面积的66.05％，对农业生产发展具有天然优势。耕地集中分布于坡度0°~25°，坡度25°以上耕地的面积占比较小；建设用地主要分布于坡度0°~15°，林地大多分布在坡度25°以上，草地主要分布在坡度5°~25°（图5b）。
交通道路规划与建设会对城市发展过程中土地利用结构变化产生重要影响。由道路各等级缓冲区内土地利用情况可见，交通对耕地和未利用地具有反影响作用，道路距离在0~200 m内耕地面积减少，呈空间排斥效应。交通对建设用地具有空间吸引力，大于200 m的缓冲区内具有空间排斥效应，空间吸引力作用于耕地，耕地面积呈不断增长趋势，而建设用地面积呈不断减少趋势。交通对林地和水体影响作用相同，道路距离在0~800 m内两者面积均有增加，存有空间吸引力。另外，交通对草地和未利用地具有共同作用，0~800 m缓冲区内两者面积减少，呈现出排斥空间效应，大于800 m缓冲区内，两者面积增加，具有空间吸引力（图5c）。
由人口密度和GDP密度与各地类分布情况分析可见，在人口密度低、GDP密度小的区域各地类分布较多，尤其以草地、耕地和未利用地最为明显。随着人口密度和GDP密度的增大，各地类分布不断减小，可见人口和经济发展状况的变化是导致甘南藏族自治州土地利用类型变化的重要驱动因素（图5d~图5e）。

2.3 土地利用结构预测

基于甘南藏族自治州2010年土地利用现状，通过Markov模型预测甘南藏族自治州2020年土地利用结构，并与2020年现状年土地利用进行对比（图6）。基于甘南藏族自治州2020年现状年土地利用数据，以2010—2020年的适宜性图集与转移概率矩阵为转换规则，模拟预测得到2030年甘南藏族自治州土地利用结构图（图7）。采用Kappa指数法评估Markov模型预测结果的准确性，计算得到Kappa指数值为0.88，模拟预测结果与实际情况吻合度高，满足精度要求。
图6 甘南藏族自治州2020年土地利用现状和预测

Fig. 6 Current situation and prediction of land use in 2020 in Gannan Tibetan Autonomous Prefecture

图7 甘南藏族自治州2020年土地利用现状和2030年土地利用预测

Fig. 7 Current situation of land use in 2020 and prediction of land use in 2030 in Gannan Tibetan Autonomous Prefecture

由2030年甘南藏族自治州土地利用预测结果面积及占比（表3）分析可见，与2020年土地利用现状相比，2030年研究区建设用地、耕地与水体的地类面积增加，未利用地、林地与草地的地类面积减少。建设用地增幅最大，耕地面积增长最多。预测结果表明，2020—2030年甘南藏族自治州城镇建设及工业发展将稳步推进，城镇化率将进一步提升，建设用地需求增大、未利用地面积将会进一步减少。2030年甘南藏族自治州土地利用预测结果与国家进一步保护耕地等政策相统一，符合甘南藏族自治州总体土地利用规划要求。
表3 2020年土地利用现状与2030年预测面积

Tab. 3 Current land use in 2020 and projected area in 2030

土地利用类型 2020年 2030年 变化
幅度/%
现状面积/km2 占比/% 预测面积/km2 占比/%
耕地 2420.29 6.60 2815.65 7.68 16.34
林地 13102.49 35.75 12807.25 34.95 -2.25
草地 19429.69 53.02 19352.89 52.81 -0.40
水体 407.33 1.11 472.90 1.29 16.10
建设用地 168.69 0.46 234.63 0.64 39.09
未利用地 1118.19 3.05 963.43 2.63 -13.84

2.4 生态风险评估

生态系统是一个复杂的整体，生态风险的大小取决于区域生态系统受外部干扰的强弱和内部抵抗力的大小，不同的土地利用类型在保护物种、维护生物多样性、完善整体结构与功能、促进景观结构自然演替等方面的作用不同[18]。本文从区域生态系统的景观结构出发，基于甘南藏族自治州1990—2020年土地利用现状数据、2030年土地利用预测数据，选取景观干扰度指数、脆弱度指数和损失度指数构建综合生态风险指数，利用Fragstats软件计算得到甘南藏族自治州生态风险值ERI，借助ArcGIS克里金插值和重分类工具将生态风险等级划分为低生态风险、较低生态风险、中等生态风险、较高生态风险和高生态风险5个等级，得到甘南藏族自治州1990—2030年生态风险分布情况（图8）。利用面积统计工具得到研究区不同年份各土地利用类型在不同风险等级上的分布情况（图9）。
图8 甘南藏族自治州1990—2030年生态风险分级

Fig. 8 Ecological risk classification of 1990 to 2030 in Gannan Tibetan Autonomous Prefecture

图9 甘南藏族自治州各生态风险不同等级内各土地利用类型分布

Fig. 9 Land use types in different grades of ecological risk in Gannan Tibetan Autonomous Prefecture

甘南藏族自治州由土地利用变化所导致的生态风险较高区域主要分布在夏河县和合作市北部、玛曲县东南部，西部整体高于东部，其土地利用类型主要为草地和未利用地，其主要原因为未利用地一定程度上会导致土地荒芜，进而破坏生态环境系统，致使存在较高的生态风险（图8）。研究区高生态风险区域的土地利用类型以未利用地和草地为主，较高生态风险区域的土地利用类型以草地为主，中等生态风险区域的土地利用类型主要以草地和林地为主（图9），相关部门可根据不同生态风险等级内的主要土地利用类型制定生态保护策略，进而维持当地生态系统健康稳定发展。

3 结论

本文选择甘南藏族自治州1990—2020年4期土地利用数据，通过土地利用动态度、贡献率、变化强度和土地利用转移矩阵等关键指标，对研究区土地利用的时空演变模式及其影响因素进行分析。同时，应用CA-Markov模型，预测甘南藏族自治州2020年和2030年土地利用结构，并结合研究区1990—2030年土地利用数据，对由土地利用变化导致的生态风险情况进行分析。主要结论如下：
（1） 1990—2020年间研究区建设用地、耕地、林地及水体分别增加71.01 km2、951.64 km2、1778.44 km2、187.80 km2；草地、未利用地减少1451.99 km2、1536.89 km2。
（2） 甘南藏族自治州耕地、林地、建设用地多分布在海拔500~2000 m，草地、水体和未利用地集中分布在海拔3000~4000 m，耕地主要分布在坡度0°~25°内，建设用地主要分布于坡度0°~15°间，林地主要分布在坡度25°以上区域。
（3） 采用Kappa指数法对CA-Markov模型预测得到的2020年和2030年研究区土地利用结构可靠性进行验证，得到Kappa指数为0.88。
（4） 生态风险较高和高的区域主要分布在甘南藏族自治州夏河县和合作市北部、玛曲县东南部，其土地利用类型以未利用地、草地和林地为主。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李钊, 安放舟, 张永福, 等. 喀什市生态系统服务价值对土地利用变化的响应及预测[J]. 水土保持通报, 2015, 35(5): 274-278.

[Li Zhao, An Fangzhou, Zhang Yongfu, et al. Prediction of ecosystem services value and its response to land use change in Kashi City[J]. Bulletin of Soil and Water Conservation, 2015, 35(5): 274-278.]

[2]
刘毅. 论中国人地关系演进的新时代特征——“中国人地关系研究”专辑序言[J]. 地理研究, 2018, 37(8): 1477-1484.

[Liu Yi. Preface to the special issue on Chinese man-land relationships in a new era[J]. Geographical Research, 2018, 37(8): 1477-1484.]

[3]
郭健斌, 张英, 张志伟, 等. 基于地理探测器的藏东南高山峡谷区土地利用变化及其驱动机制——以西藏林芝市为例[J]. 中国农业大学学报, 2023, 28(4): 210-226.

[Guo Jianbin, Zhang Ying, Zhang Zhiwei, et al. Land use change and its driving mechanism in the alpine gorge of southeast Tibet based on geodetector: A case study of Nyingchi City[J]. Journal of China Agricultural University, 2023, 28(4): 210-226.]

[4]
王鹏, 秦思彤, 胡慧蓉. 近30 a拉萨河流域土地利用变化和生境质量的时空演变特征[J]. 干旱区研究, 2023, 40(3): 492-503.

[Wang Peng, Qin Sitong, Hu Huirong. Spatial-temporal evolution characteristics of land use change and habitat quality in the Lhasa River Basin over the past three decades[J]. Arid Zone Research, 2023, 40(3): 492-503.]

[5]
张炳智, 张丽, 张继贤. 利用遥感技术进行全球测图项目中的中国土地利用覆盖和植被分类图的制作[J]. 测绘科学, 2002, 27(1): 42-46.

[Zhang Bingzhi, Zhang Li, Zhang Jixian. Produce landuse & landcover and vegetation data of global mapping by the remote sensing technology[J]. Science of Surveying and Mapping, 2002, 27(1): 42-46.]

[6]
王兵, 臧玲. 我国土地利用/土地覆被变化研究近期进展[J]. 地域研究与开发, 2006, 25(2): 86-91.

[Wang Bing, Zang Ling. Recent progress of studies on land use and land cover change in China[J]. Areal Research and Development, 2006, 25(2): 86-91.]

[7]
周广金, 吴连喜. 近30年巢湖流域土地利用变化及其驱动力研究[J]. 东华理工大学学报(自然科学版), 2009, 32(3): 265-270.

[Zhou Guangjin, Wu Lianxi. Land use change and its driver factor in Chaohu Lake Basin[J]. Journal of East China Institute of Technology, 2009, 32(3): 265-270.]

[8]
王海军, 孔祥冬, 张勃. 空间统计模型在土地利用与覆被变化模拟与预测中的应用——以Logistic-CA-Markov模型为例[J]. 科学技术与工程, 2016, 16(15): 139-143.

[Wang Haijun, Kong Xiangdong, Zhang Bo. Application of spatial statistical model in LUCC simulation and forecast: Taking the Logistic-CA-Markov Model as an example[J]. Science Technology and Engineering, 2016, 16(15): 139-143.]

[9]
许月卿, 田媛, 孙丕苓. 基于Logistic回归模型的张家口市土地利用变化驱动力及建设用地增加空间模拟研究[J]. 北京大学学报(自然科学版), 2015, 51(5): 955-964.

[Xu Yueqing, Tian Yuan, Sun Piling. Study on driving forces and spatial simulation of land use change in Zhangjiakou City based on Logistic Regression Model[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2015, 51(5): 955-964.]

[10]
吴桂平. 不同尺度转换方式对土地利用格局模拟的影响效应研究[J]. 水土保持研究, 2010, 17(5): 75-79.

[Wu Guiping. Exploring effect of different scaling methods on simulation of land use patterns[J]. Research of Soil and Water Conservation, 2010, 17(5): 75-79.]

[11]
乔治, 蒋玉颖, 贺曈, 等. 土地利用变化模拟研究进展[J]. 生态学报, 2022, 42(13): 5165-5176.

[Qiao Zhi, Jiang Yuying, He Tong, et al. Land use change simulation: Progress, challenges, and prospects[J]. Acta Ecologica Sinica, 2022, 42(13): 5165-5176.]

[12]
Zhao G W. Effects of spatial scale in Cellular Automata model for land use change[J]. Lecture Notes in Electrical Engineering, 2013, 156(1): 101-106.

[13]
朱磊, 夏鑫鑫, 杨爱民, 等. 玛纳斯河流域绿洲区耕地扩张的CA-Markov模型参数敏感性分析[J]. 干旱区研究, 2020, 37(5): 1327-1336.

[Zhu Lei, Xia Xinxin, Yang Aimin. et al. Expansion of cultivated land in the oasis area of the Manas River basin sensitivity analysis of CA-Markov model parameters[J]. Arid Zone Research, 2020, 37(5): 1327-1336.]

[14]
王功文, 陈建平, 丁火平. 基于CA模型的北京及邻区土地荒漠化动态演化评价[J]. 地学前缘, 2004, 11(2): 378.

[Wang Gongwen, Chen Jianping, Ding Huoping. Dynamic evolution assessment of land desertification in Beijing and its neighboring areas based on CA Model[J]. Earth Science Frontiers, 2004, 11(2): 378.]

[15]
王建兵, 安华银, 汪治桂, 等. 甘南高原秋季连阴雨的气候特征及主要环流形势[J]. 干旱气象, 2013, 31(1): 70-77.

[Wang Jianbing, An Huayin, Wang Zhigui, et al. The climatic characteristics of continuous autumn rain in Gannan Plateau during 1981-2010 and the main circulation[J]. Journal of Arid Meteorology, 2013, 31(1): 70-77.]

[16]
谢花林. 基于景观结构和空间统计学的区域生态风险分析[J]. 生态学报, 2008, 28(10): 5020-5026.

[Xie Hualin. Regional eco-risk analysis of based on landscape structure and spatial statistics[J]. Acta Ecologica Sinica, 2008, 28(10): 5020-5026.]

[17]
陈心怡, 谢跟踪, 张金萍. 海口市海岸带近30年土地利用变化的景观生态风险评价[J]. 生态学报, 2021, 41(3): 975-986.

[Chen Xinyi, Xie Genzong, Zhang Jinping. Landscape ecological risk assessment of land use changes in the coastal area of Haikou City in the past 30 years[J]. Acta Ecologica Sinica, 2021, 41(3): 975-986.]

[18]
张学斌, 石培基, 罗君, 等. 基于景观格局的干旱内陆河流域生态风险分析——以石羊河流域为例[J]. 自然资源学报, 2014, 29(3): 410-419.

[Zhang Xuebin, Shi Peiji, Luo Jun, et al. The ecological risk assessment of Arid Inland River at the landscape scale: A case study on Shiyang River Basin[J]. Journal of Natural Resources, 2014, 29(3): 410-419.]

[19]
赵雨琪, 魏天兴. 1990—2020年黄土高原典型县域植被覆盖变化及影响因素[J]. 干旱区研究, 2024, 41(1): 147-156.

[Zhao Yuqi, Wei Tianxing. Changes in vegetation cover and influencing factors in typical counties of the Loess Plateau from 1990 to 2020[J]. Arid Zone Research, 2024, 41(1): 147-156.]

[20]
孙智斌, 高敏华, 崔雪锋. 基于遥感与GIS的天山北坡经济带2000—2015年土地利用动态变化研究[J]. 北京师范大学学报(自然科学版), 2018, 54(3): 397-404.

[Sun Zhibin, Gao Minhua, Cui Xuefeng. Land use change in north slope economic zone of Tianshan Mountain based on remote sensing and GIS from 2000-2015[J]. Journal of Beijing Normal University (Natural Science), 2018, 54(3): 397-404.]

[21]
韩盼. 西部大开发以来甘南藏族自治州经济发展探析[J]. 赤峰学院学报(自然科学版), 2015, 31(3): 205-207.

[Han Pan. Analysis on the economic development of Gannan Tibetan Autonomous Prefecture since the development of western China[J]. Journal of Chifeng University (Natural Science Edition), 2015, 31(3): 205-207.]

[22]
Ma Q A, Liu W. Consistency evaluation of the current distribution of short-circuit tests in AT feeding systems for high-speed railways[J]. Journal of Modern Transportation, 2018, 26(3): 163-172.

[23]
陈宏芳, 高永, 党晓宏. 基于CA-Markov模型的库布齐沙漠土地利用变化预测研究[J]. 内蒙古林业科技, 2022, 48(2): 18-22.

[Chen Hongfang, Gao Yong, Dang Xiaohong. Prediction of land use change in Kubuqi Desert based on CA-Markov Model[J]. Journal of Inner Mongolia Forestry & Technology, 2022, 48(2): 18-22.]

[24]
吴晓旭, 邹学勇. 基于遥感与GIS的乌审旗土地利用变化研究[J]. 地理科学进展, 2009, 28(2): 199-206.

[Wu Xiaoxu, Zou Xueyong. Research on land use change of Uxin Qi[J]. Progress in Geography, 2009, 28(2): 199-206.]

Options
文章导航

/

〈 〉