EN中文

Arid Zone Research >

2025 , Vol. 42 >Issue 4: 668 - 681

DOI: https://doi.org/10.13866/j.azr.2025.04.09

Ecology and Environment

Driving factors analysis and multi-scenario simulation of land use change based on GeoDetector-Mixed-cell Cellular Automata: A case of the Gansu section in the Yellow River Basin

  • ZHANG Yan , 1, 2 ,
  • YANG Weixin 1, 2 ,
  • LYU Tao 1, 2
Expand
  • 1. School of Land Engineering, Chang’an University, Xi’an 710054, Shaanxi, China
  • 2. Shaanxi Provincial Key Laboratory of Land Improvement, Xi’an 710054, Shaanxi, China

Received date: 2024-09-04

  Revised date: 2025-02-26

  Online published: 2025-08-14

Fold

Abstract

Land resources are the most fundamental production factors for human survival and development. Investigating the driving factors of land use change and simulating future land use scenarios are of great significance for regional sustainable development. Taking the Gansu section in the Yellow River Basin as the research area, this paper, based on multi-source data, employs methods such as the land use transfer matrix, GeoDetector, and the Mixed-cell Cellular Automata (MCCA) model to reveal the evolution characteristics of land use and conduct multi-scenario simulations for 2035. The results are as follows: (1) From 2000-2020, the land use/cover in the research area mainly comprised cultivated land, forest land, and grassland. The extent of forest and grassland cover was relatively high, and the area of cultivated land decreased significantly. Moreover, the conversion between cultivated land and grassland was the most obvious. (2) The dominant factors influencing land use change of the Gansu section in the Yellow River Basin include elevation, temperature, precipitation, distance from rural settlements, and population density. The q-values of the interaction effects of all driving factors have increased. (3) The MCCA model exhibits high simulation accuracy, with an overall accuracy of 0.903. In 2035, the simulation results vary among scenarios. Under the natural evolution scenario, cultivated land and unused land contract, while other land types expand. Under the cultivated land protection scenario, the current stock of cultivated land is maintained, but the area of grassland decreases significantly. In the ecological priority scenario, the areas of forest land and grassland increase significantly. The economic development scenario is manifested in a more aggressive development paradigm, under which construction land experiences a remarkable expansion. The research results provide references for land management and high-quality development of the Gansu section in the Yellow River Basin.

Key words： land use; multi-scenario simulation; GeoDetector; Mixed-cell Cellular Automata model; the Gansu section in the Yellow River Basin

Cite this article

ZHANG Yan , YANG Weixin , LYU Tao . Driving factors analysis and multi-scenario simulation of land use change based on GeoDetector-Mixed-cell Cellular Automata: A case of the Gansu section in the Yellow River Basin[J]. Arid Zone Research, 2025 , 42(4) : 668 -681 . DOI: 10.13866/j.azr.2025.04.09

土地资源作为人类生存与发展的基石，承载着人类活动的重要使命[1]。土地利用/覆被变化（Land Use and Land Cover Change，LUCC）是一个由自然因素、社会经济因素及人类活动共同作用的复杂过程[2]。随着工业化步伐的加快和社会经济的快速发展，LUCC逐渐频繁，人口-资源-环境的问题日益突出，LUCC成为全球变化研究的核心领域和热点之一。LUCC通过改变地表反照率、温室气体的源和汇及地球表层系统内景观的结构配置[3]，对区域或全球气候变化、生态系统功能和服务产生重要影响，也是区域经济发展的关键因素。因此，研究土地利用/覆被时空演变，对优化区域土地利用结构、提升区域生态系统服务价值、实现区域经济可持续发展和土地管理科学化具有重要意义。
自“土地利用与土地覆被变化”研究计划提出以来，LUCC的主要研究方向有土地利用动态变化特征[4]、LUCC与驱动力的相关关系[5]、土地利用/覆被模拟[6]等。目前，国内外学者已开展大量LUCC驱动力分析的研究，利用主成分分析法[7]、Logistic回归模型[8]、土地扩张分析策略（LEAS）[9]、地理探测器（GeoDetector）[10]等方法探究LUCC的驱动机制。其中地理探测器可探测数值型数据，也可探测定性数据，并对多自变量共线性免疫，故被广泛应用于多个领域[11]。土地利用/覆被模拟是研究未来土地利用变化的重要手段，其通过构建土地利用变化模型，分析土地利用变化过程，挖掘土地利用变化与驱动因素之间的关系，进而预测未来土地利用变化趋势。随着众多学者对土地利用变化模拟领域的研究，其研究区域逐渐多样化，涵盖省市级行政区划[12]、城市群[13]、流域[14-15]、北方农牧交错区[16]、西南喀斯特地区[17]等；模拟情景多角度聚焦，以自然发展、规划约束、可持续发展等多维度[18]预测未来土地利用变化，为区域发展提供不同参考；模拟模型趋向多元化，现已形成多种成熟的模拟模型及组合模型，如元胞自动机-马尔可夫链（CA-Markov）[19]、CLUE-S[20]、FLUS[21]、GeoSOS[22]和PLUS模型[23]等，这些模型能够利用GIS处理后的遥感数据识别土地利用情况，在一定程度上能够有效模拟土地利用的空间变化，但也存在一些局限性，例如在模拟过程中均为纯净元胞，即假设系统内的每个元胞都是单一的土地利用类型，其状态是纯粹和离散的，而实际元胞通常包含不同覆盖比例的各种土地利用类型，难以实现元胞内部土地利用类型的相互转变[24]。混合元胞自动机（Mixed-cell Cellular Automata，MCCA）模型[25]相较于传统的纯净元胞模型，其突出优势在于它考虑了每个单元内有多种土地利用类型的存在，并通过每个单元内土地利用成分之间的竞争来估计土地利用类型的比例变化，其模拟尺度在亚元胞尺度上，能够模拟混合土地利用单元更高精度的变化，蒋小芳等[26]基于多模型模拟了黑河中游甘临高地区土地利用变化，也证明了在同一像元尺度MCCA模型模拟精度优于纯净元胞的斑块生成土地利用变化模拟模型。
2019年党中央提出黄河流域生态保护和高质量发展重大战略，黄河流域甘肃段作为我国西部的生态安全屏障，承担着黄河上游生态修复、水土保持和污染防治的重任，是黄河上游重要的水源涵养区和补给区，也是全省人类活动和经济发展的重要区域[27]。由于研究区内自然资源条件的约束，依然面临着经济发展与生态保护的矛盾，优化土地利用结构，可实现经济与生态的协调发展。因此，本文基于2000—2020年土地利用/覆被数据，采用土地利用转移矩阵等方法分析黄河流域甘肃段土地利用变化特征，利用地理探测器探测土地利用变化驱动因素，并选择MCCA模型预测2035年不同情景下土地利用的数量和空间分布，以期能够为黄河流域甘肃段土地管理与可持续发展提供参考。

1 研究区概况与数据处理

1.1 研究区概况

黄河流域甘肃段（33°~37.5°N，100°~108.5°E）地处黄河上游（图1），自西向东横跨甘南高原区、陇中黄土高原丘陵沟壑区和陇东黄土塬区三大地貌单元。其中陇东黄土塬区受沟谷侵蚀影响、水土流失严重；陇中黄土高原丘陵沟壑区地形起伏较大、植被条件差；甘南高原区地势高耸，气候寒冷湿润，生物资源丰富，整体属于黄河上游生态脆弱区。区域内水系较多，气候类型为温带大陆性气候，降水呈南多北少，气温呈东高西低，整体差异明显。该区域不仅是黄河上游重要的水源涵养和补给区，还是甘肃省政治、经济和文化中心，并在国家“两屏三带”生态安全战略格局中占据重要地位[28]。
图1 黄河流域甘肃段区位图

Fig. 1 Location map of the Gansu section in the Yellow River Basin

1.2 数据来源与处理

本文采用的数据主要有：（1） 土地利用/覆被数据来源于中国科学院资源环境科学与数据中心（http://www.resdc.cn/），空间分辨率为30 m，本研究按照中国科学院土地利用分类体系将其重分类为耕地（a）、林地（b）、草地（c）、水域（d）、建设用地（e）、未利用地（f）6类。（2）驱动因素数据包括自然因素和社会经济因素，分别为：高程（X1）、坡度（X2），来源于地理空间数据云（http://www.gscloud.cn/）、坡度由高程数据提取得到；年均温（X3）来源于中国气象数据网（www.nmic.cn）；年均降水（X4）、土壤侵蚀强度（X5）、GDP（X6）、夜间灯光数据，来源于中国科学院资源环境科学与数据中心，夜间灯光数据用于表示人类活动强度（X7）[29]；人口密度（X8）来源于WorldPop（https://www.worldpop.org/）；距城镇建设用地距离（X9）、距农村居民点距离（X10）、距路网距离（X11），来源于OpenStreetMap（https://www.openstreetmap.org/）；距河流湖泊距离（X12）来源于全国地理信息资源目录服务系统（https://www.webmap.cn/）。距离因素依据获取的矢量数据，计算其欧氏距离，驱动因素数据空间分辨率均为1 km。

2 研究方法

2.1 土地利用变化分析

2.1.1 土地利用程度综合指数

土地利用程度综合指数（L）反映了土地利用方式的差异、功能变化及其他干扰的程度[30]。本文参考王思远等[31]提出的土地利用类型分级指数（表1），计算公式如下：
L=100× ∑ i = 1 n A i × C i
式中：L为土地利用程度指数； A i为第i种地类的分级指数； C i为第i种地类的面积占比。
表1 黄河流域甘肃段土地利用程度分级

Tab. 1 Land use intensity classification of the Gansu section in the Yellow River Basin

土地利用类型 未利用地 林地、草地、水域 耕地 建设用地
分级指数 1 2 3 4

2.1.2 土地利用转移矩阵

土地利用转移矩阵[32]是一种分析区域土地利用类型在一定时间段内相互转换情况的方法，可对黄河流域甘肃段2000—2020年各地类之间转移情况进行直观描述，计算公式如下：
S m n = S 11 S 12 S 21 S 22 … S 1 i … S 2 i ⋮ ⋮ S i 1 S i 2 ⋮ ⋮ … S i i
式中： S为土地面积(km2)； m 、 n分别为研究期初与期末土地利用类型；i为土地利用类型数量。

2.2 地理探测器

地理探测器[33]是一种分析地理现象空间分异特征及其驱动因素的统计方法。本研究选取因子探测器和交互探测器进行土地利用变化驱动因素分析。
因子探测器用来量化驱动因素X对因变量土地利用变化Y的解释力，表达式为：
q=1- ∑ h = 1 L N h σ h 2 N σ 2
式中：q为单因素对土地利用变化的解释力，取值范围为[0,1]；h=1，…，L为变量Y或因素X的分层； N h和N分别为层h和全区的单元数； σ h 2和 σ 2分别是层h和全区的Y值的方差。
交互探测器用于分析不同驱动因素之间的交互作用对研究区土地利用变化的影响。
利用地理探测器分析驱动因素时，对驱动因素的连续变量做适当离散化处理[10,33]。借助GIS平台，采用自然断点法将自然因素分为9类、社会经济因素分为8类，其中土壤侵蚀强度为类型变量分为6类。本文以3 km×3 km格网为基础，将离散化后的各驱动因素数据统计至格网作为自变量X，以土地利用程度指数为因变量Y，将其输入到地理探测器中进行分析。

2.3 MCCA模型

MCCA模型可用于混合土地利用结构时空演变的动态模拟，其结构主要包括混合元胞内土地利用成分变化与驱动因素之间定量关系的挖掘、亚元胞尺度下的土地利用变化模拟的CA模型[34]及一套评估混合元胞CA性能的评估方法。
首先，以起始年份和目标年份两期土地利用结构数据为基础，结合随机森林回归（Random Forest Regression，RFR）算法挖掘不同地类与驱动因素之间的关系，进而预测各地类的变化潜力，得到发展潜力图集[35]。
其次，MCCA模型基于混合元胞内部每种地类的占比（亚元胞）[26]、发展潜力与限制转换区域，构建轮盘赌方法使每个地类在混合元胞内相互竞争，以此确定各土地利用类型的覆盖比例并输出各土地利用类型的空间分布，计算公式为：
O i , k t= P i , k Ω i , k t D k t
式中： O i , k t为第t次迭代时第k种土地利用类型覆盖比例在元胞单元i处的总变化率；P为变化潜力；Ω为混合元胞的领域效应；D为需求反馈，是自适应惯性系数；t为迭代次数；i为混合元胞；k为地类组分。
最后是MCCA模型的模拟精度验证，利用Kappa系数、总体分类精度（Overall Accuracy，OA）和混合元胞质量系数（mixed-cell Figure of Merit，mcFoM）来验证模拟结果的精度[25]。Kappa系数、OA和mcFoM越接近于1时，说明模型模拟结果精度越高。

2.4 情景构建

情景构建的目的是分析和预测不同发展路径的情况和选择，参考相关研究[18,28,36]，根据研究区2000—2020年土地利用变化特征，结合《甘肃省黄河流域生态保护和高质量发展规划》《甘肃省国土空间规划（2021—2035年）》《甘肃省新型城镇化规划（2021—2035年）》等，构建自然演变[37]、耕地保护、生态优先、经济发展4种情景（表2）。同时，多情景模拟未来土地利用变化时，根据构建的情景，设置了不同土地利用类型之间的转换矩阵（表3）。
表2 情景构建

Tab. 2 Situation construction

情景类型 设置依据 描述
自然演变情景 遵循历史惯性 以黄河流域甘肃段2005—2020年土地利用数据为基础利用MCCA模型线性回归模块得到预期土地利用结构占比，不考虑政策等其他约束作用
耕地保护情景 国家粮食安全战略、耕地保护政策 严守耕地红线，控制耕地数量，响应国家粮食安全战略，保证区域粮食安全。该情景降低耕地向外转换强度，并减缓建设用地的增长速率
生态优先情景 国土空间生态修复、黄河流域生态保护 该情景重点考虑生态环境，强化生态用地保护和多元化利用，将林地、水域预期面积提高5%，且禁止林地、草地、水域转变为建设用地
经济发展情景 城镇化发展动力强劲，建设用地需求增大 强调以经济发展和城市建设为核心，保持高速增长的态势，将建设用地预期面积提高至2020年的1.3倍，并减缓耕地、水域的缩减速率
表3 模拟情景的转移矩阵

Tab. 3 Transition matrix for simulated scenarios

2020—
2035年		 自然演变 耕地保护 生态优先 经济发展
a b c d e f a b c d e f a b c d e f a b c d e f
a 1 1 1 0 1 0 1 0 0 0 0 0 1 1 1 0 1 0 1 1 1 0 1 0
b 1 1 1 0 0 0 1 1 1 0 1 0 0 1 0 0 0 0 1 1 1 0 1 0
c 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 0 0 1 1 1 1 1 1
d 1 0 1 1 1 0 1 0 1 1 1 0 0 0 0 1 0 0 1 0 1 1 1 0
e 1 0 0 0 1 0 1 0 0 0 1 0 1 0 1 1 1 0 0 0 0 0 1 0
f 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

注：a表示耕地，b表示林地，c表示草地，d表示水域，e表示建设用地，f表示未利用地；0表示两种土地利用类型之间无法转换，1表示可以转换。

3 结果与分析

3.1 土地利用时空演变

黄河流域甘肃段的土地利用类型（图2）以草地、耕地和林地为主，区域内林草覆盖度高。其中草地面积占比最大，分布在研究区全域，支持了区域畜牧业的发展；耕地主要分布在海拔较低、地势较平，气候相较于其他区域更适合农业发展的陇中黄土高原区及陇东黄土塬区；林地主要集中在甘南高原区、陇东黄土塬区东部及研究区西北部。2000—2020年，耕地、林地、草地面积由43634.09 km2、17058.85 km2、75105.04 km2变化为40377.18 km2、17864.79 km2、76359.54 km2，耕地缩减幅度较大，林地、草地面积持续增加，表明这一时期“退耕还林还草”等政策实施的有效性。建设用地面积由2201.39 km2变化为3308.93 km2，增速较快，原因是社会经济的快速发展和城市化进程的加速，建设用地面积快速增长是不可避免的。水域面积持续增加，未利用地呈先增后减的趋势，体现出该区域在政策推动下，积极开展生态保护和修复工作。
图2 2000—2020年黄河流域甘肃段土地利用类型时空分布

Fig. 2 Spatial and temporal distribution of land use types of the Gansu section in the Yellow River Basin from 2000 to 2020

黄河流域甘肃段2000—2020年土地利用各类型之间的转移（图3）主要表现为：耕地与草地之间相互转移数量最多，主要分布在研究区南部的定西、天水市及东部的庆阳、平凉市；林地的增量主要来自草地和耕地的转变，主要补充区域为甘南藏族自治州、定西南部及庆阳等地；城镇周边耕地和草地的转入使得建设用地面积大幅增长，空间上主要以城市建成区为中心向外扩张，兰州市、白银市、兰州新区等地最为显著。研究时段内，生态治理和保护政策的实施使得黄河干流及支流部分区域河道加宽，同时，由于甘肃省水产养殖的大力发展，水库坑塘面积扩张，致使水域面积增加。由此可见，经济发展和生态治理、保护是流域土地利用类型转变的重要原因。
图3 2000—2020年土地利用转移桑基图及转移图谱

注：a-a为无转入转出，a-b为耕地转为林地，以此类推。

Fig. 3 Sankey diagram of land use transfer and transfer map from 2000 to 2020

3.2 土地利用变化驱动因素分析

根据2.2计算得到不同时段各因素对黄河流域甘肃段土地利用变化的解释力q（图4），由图4可见，3期探测的P值均小于0.01，说明选取的驱动因素通过了显著性检验[38]。其中，2000年q值排名前6的是年均温、高程、距农村居民点距离、人口密度、距路网距离和距城镇建设用地距离；2010年q值排名前6的是年均温、高程、距农村居民点距离、年均降水、人口密度和GDP；2020年q值排名前6的驱动因素与2010年一致。总体来看，不同时段探测结果虽有差异，但主导因素基本一致。在自然因素方面，研究区地形复杂，地势起伏大，高程通过影响水热条件和土壤形成过程对土地利用变化产生较大影响，而气温和降水是植被生长的关键因素，通过影响植被覆盖和农业生产进而影响土地利用类型的变化；同时，人类活动直接改变土地利用类型，故人口密度和交通条件对土地利用变化的影响也不容忽视。总之，地形、气候、交通条件和人口密度等自然因素和社会经济因素影响植被分布状况、人类活动范围和强度，决定了黄河流域甘肃段土地利用变化的方向。
图4 2000—2020年驱动因素探测结果

Fig. 4 Driver detection results from 2000 to 2020

交互探测结果（图5）显示，2000—2020年土地利用变化驱动因素的交互作用解释力都比较充分，且因素之间的交互作用结果都表现为双因子增强或非线性增强，说明研究区土地利用变化是由多因素协同影响的结果。2000年年均温与距农村居民点距离的交互作用最强，q值达0.55，高程与距农村居民点距离、人口密度和年均温与人口密度等的交互作用次之；2010年依旧是年均温与距农村居民点距离的交互作用最强，q值达0.52，其次是高程与人口密度、年均温与人口密度和高程与距农村居民点距离的交互作用；2020年驱动因素交互作用最强的是高程与人口密度，q值为0.50，年均温与人口密度的交互作用次之。2000—2020年GDP和人口密度与其他驱动因素交互后的解释力显著提升，同时年均降水和距城镇建设用地距离与其他驱动因素间的交互作用增强，说明人类活动与自然因素叠加效应会放大对研究区土地利用变化的驱动作用，这表明黄河流域甘肃段的土地利用变化是由自然因素和社会经济因素之间以及各自内部的复杂交互作用共同决定。
图5 驱动因素交互探测结果

注：*表示非线性增强，其他均为双因子增强交互作用。

Fig. 5 Interaction detection results of driving factors

3.3 2035年土地利用多情景模拟

3.3.1 模拟精度验证

本文通过选取不同栅格尺度验证模拟精度，得到450 m混合像元模拟精度最高，故模拟土地利用变化过程采用450 m混合像元大小。精度验证时，以2005年土地利用数据为基础模拟2020年的土地利用情况，利用OA、Kappa系数和mcFoM评估MCCA模型的模拟精度，得到OA、Kappa系数和mcFoM的值分别为0.903、0.841和0.202，说明模拟结果较好。MCCA模型分别计算2005—2020年6种地类的真实变化与模拟变化，变化程度为-1~1，并进行空间表达（图6），值为正表示地类在扩张，反之则收缩，为0表示无变化。由图6可以看出，实际变化与模拟变化区域基本吻合，拟合效果较好，可使用该模型进行黄河流域甘肃段2035年土地利用变化模拟。
图6 实际（a1~f1）和模拟（a2~f2）的土地利用成分变化程度

Fig. 6 Actual (a1-f1) and simulated (a2-f2) degree of change in land use composition

3.3.2 2035年土地利用多情景模拟

根据4种情景的相关设定，利用MCCA模型对2035年土地利用自然演变、耕地保护、生态优先、经济发展情景的土地利用结构进行模拟（表4），并将模拟结果进行空间表达，其中土地利用类型的覆盖比例为0~1。与2020年土地利用情况对比（图7），自然演变情景保持了以往的发展趋势，耕地面积减少1667.09 km2，缩减幅度较大，未利用地面积小幅下降，草地、建设用地面积增加较快，占比上升0.64%和0.59%，林地、水域面积均有小幅增长。土地利用类型主要体现为耕地、草地转换为建设用地，耕地草地、林地草地间相互转换，空间变化主要以城市建成区、居民点为中心向四周分散。
表4 2020年与2035年多情景土地利用面积动态变化

Tab. 4 Dynamic changes of land use area under multiple scenarios in 2020 and 2035

土地利用类型 2020年 2035年
利用现状 自然演变 耕地保护 生态优先 经济发展
面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/%
耕地 40377.18 28.43 38710.09 27.26 40416.20 28.46 39016.95 27.47 39329.49 27.69
林地 17864.79 12.58 17898.04 12.60 17924.73 12.62 18323.39 12.91 18136.55 12.77
草地 76359.54 53.77 77274.01 54.41 75821.99 53.39 77316.72 54.44 76276.51 53.71
水域 969.04 0.68 995.78 0.70 947.74 0.67 1009.80 0.71 1005.10 0.71
建设用地 3308.93 2.33 4153.44 2.92 3951.87 2.77 3852.74 2.71 4285.56 3.02
未利用地 3132.55 2.21 2980.67 2.10 2949.52 2.08 2492.42 1.76 2978.83 2.10
图7 2020年土地利用现状（a1~f1）与2035年自然演变情景（a2~f2）土地利用结构

Fig. 7 Land use structure diagram of 2020 (a1-f1) and 2035 natural evolution scenario (a2-f2)

耕地保护情景（图8）以保护耕地为首要目标，2035年模拟耕地面积较2020年增加39.02 km2，草地面积减少幅度较大，减少537.55 km2，实施宜耕后备资源开发、土地整治工程增加耕地面积，注重第一产业发展，保障粮食安全。研究区内耕地实施占补平衡策略，主要表现在研究区北部、东部城市周边部分耕地流出，并在邻近区域进行耕地补充，以兰州新区、白银市和庆阳市最为突出。林地、建设用地面积呈增长趋势，水域、未利用地面积有所减少，总体分布与2020年基本一致。
图8 2035年耕地保护情景土地利用结构

Fig. 8 Land use structure of cultivated land protection scenario in 2035

生态优先情景（图9）林地、草地面积增加明显，占比分别上升0.33%和0.67%，建设用地相较其他情景增长最缓慢，耕地呈缩减趋势，未利用地面积下降明显，减少640.13 km2。该情景进一步落实“退耕还林”“退耕还草”，防沙治沙、荒漠化治理等生态保护措施，意味着更加注重区域生态环境；严格控制城市空间向外拓展速度，注重向内提升，着重增加区域生态用地面积，保证黄河流域上游生态安全。空间表现为甘南藏族自治州与临夏回族自治州交界处山区、迭山山脉林地面积扩张，并向四周辐射，武威市林地呈现出向南扩张的趋势，定西市南部、庆阳市东部林地均扩张明显。由于研究区为黄河上游水土流失较严重区域，注重水土保持，通过生态保护措施的实施，研究区北部水体面积及研究区水库水面的面积扩张，草地扩张分散于全域。
图9 2035年生态优先情景土地利用结构

Fig. 9 Land use structure map of ecological priority scenarios in 2035

经济发展情景（图10）表现为更积极的开发模式，建设用地显著扩张，耕地、草地收缩，建设用地面积增加976.63 km2，耕地、草地占比下降0.74%和0.06%，少量未利用地开发为建设用地，林地、水域均有小幅增长。建设用地扩张主要以研究区北部兰州市、白银市为中心呈放射状推进带动作用、研究区东南部以天水-庆阳为中心呈东西横向带状推进城市扩张，甘南高原扩张程度小，主要以城市建成区为中心向四周拓展，发展占用周边耕地和草地。该情景注重城市化快速推进与经济快速增长，可促进区域二、三产业发展、更好地解决当地就业问题。整体上各情景土地利用变化的主要区域分布在兰州、天水、庆阳等黄土高原经济较发达地区，甘南高原变化相对较小，主要为自然条件变化引起的土地利用变化。
图10 2035年经济发展情景土地利用结构

Fig. 10 Land use structure map of economic development scenarios in 2035

4 讨论及建议

本文采用地理探测器对土地利用变化驱动因素进行分析，结果显示各驱动因素均通过显著检验（P<0.01），研究区土地利用变化驱动因素中气候、地形等自然因素和人口密度、距农村居民点距离等社会经济因素为主导因素，与黄钰清等[39]对1995—2018年黄河流域土地利用变化驱动因素的因子探测结果和张佰发等[40]利用多元线性回归模型对黄河流域（上游）土地利用面积变化驱动因素分析的结果基本一致。通过对所选驱动因素进行因子探测分析，也进一步验证了所选因素用于模拟未来土地利用格局的可行性。
黄河流域甘肃段是黄河上游重要的水源涵养区和补给区，也是甘肃省重要的农业生产和经济发展区。2000—2020年区域内各土地利用类型之间转变较为明显，在实现可持续发展和保护区域生态方面面临诸多挑战，针对当前困境本文根据研究区特征和发展方向提出了4种模拟情景，根据各情景模拟结果，土地利用变化最集中的区域分布在兰州、天水、庆阳等黄土高原经济较发达地区，最不易受到影响的是甘南高原，变化相对较小，主要为自然条件变化引起的土地利用变化。其中自然演变情景和以往20 a发展趋势一致，但是该情景也意味着耕地面积的大幅缩减和建设用地的急速扩张，表明缺乏政策干预会导致土地利用的不均衡变化，危及粮食和生态安全。耕地保护情景以保护耕地为首要目标，2035年耕地面积增加，然而草地面积大幅减少，可能对草地生态系统的稳定性和区域生态功能带来负面影响。因此，实施耕地保护政策时应平衡粮食安全与生态保护之间的关系，例如优先选择生态敏感性较低的区域来实现耕地占补平衡。经济发展情景表现为更积极的开发模式，对建设用地无序扩张的限制小，导致大量侵占周边具有生态作用的生态用地和农业用地。生态优先情景在水源涵养、水土流失控制、生态功能提升等方面的综合优势，契合研究区水源涵养与生态保护的关键需求，模拟结果显示林地和草地面积将显著增加，会有效增强区域的水源涵养能力以及碳汇功能，同时避免不合理的城市扩张对耕地和生态用地的侵占，确保区域发展与生态保护的平衡。未来发展可通过精准识别水土流失严重区、生态功能重要区和退化区，划定优先保护区域，实行差异化的生态管理政策。引入生态补偿机制、推动经济与生态的融合发展等策略，进一步增强该情景的适应性与可行性，为黄河流域上游构建可持续的生态与经济发展模式提供实践依据。
基于不同的发展情景可为区域土地利用管理提供多角度的参考[41]，但在情景模拟实践中，由于研究区实际情况的不同和预测者经验的差异，不同情景的设定往往呈现出多样性，如不同地类之间相互转移的难度，使得情景预测带有一定的主观倾向，反映在特定情景的模拟结果上会出现差异。因此，结合土地利用模拟模型研究不同情景的客观设定与模拟成为下一阶段研究的重要方向。

5 结论

本文分析了黄河流域甘肃段2000—2020年土地利用时空演变特征，以此为基础，使用地理探测器探测土地利用变化的驱动因素并结合MCCA模型对2035年土地利用变化情况进行多情景模拟，得到以下主要结论：
（1） 黄河流域甘肃段2000年、2010年和2020年的土地利用格局基本一致，主要以甘南高原和黄土高原两大地貌单元为界呈现不同的地表景观，耕地、林地和草地面积达95%，区域林草覆盖度高，土地利用变化主要以耕地草地、林地草地之间相互转换为主。
（2） 黄河流域甘肃段土地利用变化过程中，年均温、高程、距农村居民点距离、降水、人口密度和GDP为主导因素，各驱动因素叠加后的交互作用解释力均有所增强，说明研究区土地利用变化是多种驱动因素综合影响的结果。
（3） MCCA模型在黄河流域甘肃段土地利用模拟过程中，OA、Kappa系数和mcFoM的值分别为0.903、0.841和0.202，表明该模型能够较好地模拟未来土地利用格局。2035年自然演变情景保持历史发展趋势；耕地保护情景耕地呈小幅扩张趋势，草地面积收缩较快，守护区域粮食根基；生态保护情景林地、草地面积占比显著提升，未利用地面积下降明显，注重生态治理与保护，保证黄河流域上游生态安全；经济发展情景建设用地大幅扩张，耕地、草地收缩明显，注重区域二、三产业发展及经济快速增长。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
崔国屹, 张艳, 晁阳, 等. 秦岭地区近40年土地利用变化及其生态环境效应[J]. 水土保持研究, 2023, 30(1): 319-326.

[Cui Guoyi, Zhang Yan, Chao Yang, et al. Land use change and eco-environmental effects in Qinling Mountains in recent 40 years[J]. Research of Soil and Water Conservation, 2023, 30(1): 319-326.]

[2]
Zheng F, Hu Y. Assessing temporal-spatial land use simulation effects with CLUE-Sand Markov-CA models in Beijing[J]. Environmental Science and Pollution Research, 2018, 25(32): 32231-32245.

[3]
白娥, 薛冰. 土地利用与土地覆盖变化对生态系统的影响[J]. 植物生态学报, 2020, 44(5): 543-552.

[Bai E, Xue Bing. A review of influences of land use and land cover change on ecosystems[J]. Chinese Journal of Plant Ecology, 2020, 44(5): 543-552.]

[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]
高宇婷, 于洋, 孙凌霄, 等. 塔里木盆地南缘绿洲土地覆盖变化及驱动力[J]. 干旱区研究, 2021, 38(4): 1172-1183.

[Gao Yuting, Yu Yang, Sun Lingxiao, et al. Land coverage change and driving forces of an oasis in the southern margin of Tarim Basin[J]. Arid Zone Research, 2021, 38(4): 1172-1183.]

[6]
郝晓敬, 张红, 徐小明, 等. 晋北地区土地利用覆被格局的演变与模拟[J]. 生态学报, 2020, 40(1): 257-265.

[Hao Xiaojing, Zhang Hong, Xu Xiaoming, et al. Evolution and simulation of land use/land cover pattern in northern Shanxi Province[J]. Acta Ecologica Sinica, 2020, 40(1): 257-265.]

[7]
张浚茂, 臧传富. 东南诸河流域1990—2015年土地利用时空变化特征及驱动机制[J]. 生态学报, 2019, 39(24): 9339-9350.

[Zhang Junmao, Zang Chuanfu. Spatial and temporal variability characteristics and driving mechanisms of land use in the Southeastern River Basin from 1990 to 2015[J]. Acta Ecologica Sinica, 2019, 39(24): 9339-9350.]

[8]
邓元杰, 侯孟阳, 张晓, 等. 基于Logistic回归模型的陕西秦巴山区林地变化驱动力分析[J]. 南京林业大学学报(自然科学版), 2022, 46(1): 106-114.

[Deng Yuanjie, Hou Mengyang, Zhang Xiao, et al. Drivers of forestland change in the Qinba Mountain region of Shaanxi based on the Logistic regression model[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2022, 46(1): 106-114.]

[9]
张启扬, 刘仁志, 栾朝旭. 基于PLUS模型的典型农牧交错带土地利用驱动力分析与多情景模拟[J]. 水土保持研究, 2025, 32(1): 368-378.

[Zhang Qiyang, Liu Renzhi, Luan Chaoxu. Analysis of driving force and multi-scenario simulation of land use in a typical agro-pastoral ecotone based on the PLUS model[J]. Research of Soil and Water Conservation, 2025, 32(1): 368-378.]

[10]
杨丽萍, 张静, 贡恩军, 等. GEE联合多源数据的西安市土地利用时空格局及驱动力分析[J]. 农业工程学报, 2022, 38(2): 279-288.

[Yang Liping, Zhang Jing, Gong Enjun, et al. Analysis of spatio-temporal land-use patterns and the driving forces in Xi’an City using GEE and multi-source data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(2): 279-288.]

[11]
刘彦随, 李进涛. 中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报, 2017, 72(1): 161-173.

[Liu Yansui, Li Jintao. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China[J]. Acta Geographica Sinica, 2017, 72(1): 161-173.]

[12]
王萍, 林乐乐, 彭杨靖, 等. 基于CLUE-S模型的浙江省土地利用结构变化趋势分析[J]. 生态科学, 2024, 43(3): 196-206.

[Wang Ping, Lin Lele, Peng Yangjing, et al. The trend analysis of land-use structure change in Zhejiang Province based on CLUE-S Model[J]. Ecological Science, 2024, 43(3): 196-206.]

[13]
祁育汀, 张平, 刘雷, 等. 关中平原城市群土地利用结构多情景优化和生态系统服务价值预测[J]. 应用生态学报, 2023, 34(9): 2507-2517.

[Qi Yuting, Zhang Ping, Liu Lei, et al. Multi-scenario optimization of land use structure and prediction of ecosystem service value in Guanzhong Plain urban agglomeration[J]. Chinese Journal of Applied Ecology, 2023, 34(9): 2507-2517.]

[14]
黎云云, 畅建霞, 王义民, 等. 基于CA-Markov模型的黄河流域土地利用模拟预测研究[J]. 西北农林科技大学学报(自然科学版), 2020, 48(12): 107-116.

[Li Yunyun, Chang Jianxia, Wang Yimin, et al. Land use simulation and prediction in the Yellow River Basin based on CA-Markov model[J]. Journal of Northwest A & F University (Natural Science Edition), 2020, 48(12): 107-116.]

[15]
兰健, 渠立权. 未来10年珠江流域土地利用多情景模拟及碳储量评估[J]. 水土保持学报, 2024, 38(3):266-275.

[Lan Jian, Qu Liquan. Multi-scenario simulation of land use and carbon storage assessment in the Pearl River Basin in the next decade[J]. Journal of Soil and Water Conservation, 2024, 38(3): 266-275.]

[16]
张寒冰, 高阳, 崔艳智. 基于风沙防治的典型农牧交错区土地利用多情景模拟[J]. 环境科学研究, 2019, 32(6): 1081-1089.

[Zhang Hanbing, Gao Yang, Cui Yanzhi. Multi-scenarios simulation of land use for reducing wind erosion in typical agro-pastoral ecotone[J]. Research of Environmental Sciences, 2019, 32(6): 1081-1089.]

[17]
王丹, 兰安军, 范泽孟, 等. 典型喀斯特区域土地利用变化对生态系统服务价值的响应情景模拟[J]. 水土保持研究, 2024, 31(4): 308-315, 325.

[Wang Dan, Lan Anjun, Fan Zemeng, et al. Scenario modeling of response of land use change to ecosystem service values in a typical Karst Region[J]. Research of Soil and Water Conservation, 2024, 31(4): 308-315, 325.]

[18]
唐相龙, 蔡乐山, 张博文. 生态过渡带土地利用及生态系统服务价值多情景模拟:以甘肃省为例[J/OL]. 生态与农村环境学报, 1-15. https://doi.org/10.19741/j.issn.1673-4831.2024.0439.

[Tang Xianglong, Cai Leshan, Zhang Bowen. Multi-scenario simulation of land use and ecosystem service value in Ecological Transition Zone: A case study of Gansu Province[J/OL]. Journal of Ecology and Rural Environment, 1-15. https://doi.org/10.19741/j.issn.1673-4831.2024.0439.]

[19]
Vandansambuu B, Davaa T, Gantumur B, et al. Spatiotemporal monitoring and prediction of land use/land cover changes using CA-Markov Chain model: A case study in Orkhon Province, Mongolia[C]// Conference on remote sensing technologies and applications in urban environments, 2020.

[20]
王端睿, 毛德华, 王宗明, 等. 东北地区土地覆被格局变化模拟:基于CLUE-S和Markov-CA模型的对比分析[J]. 地理科学, 2024, 44(2): 329-339.

[Wang Duanrui, Mao Dehua, Wang Zongming, et al. Simulation of land cover pattern change in Northeast China: A comparative analysis based on CLUE-S and Markov-CA models[J]. Scientia Geographica Sinica, 2024, 44(2): 329-339.]

[21]
王旭东, 姚尧, 任书良, 等. 耦合FLUS和Markov的快速发展城市土地利用空间格局模拟方法[J]. 地球信息科学学报, 2022, 24(1): 100-113.

[Wang Xudong, Yao Yao, Ren Shuliang, et al. A coupled FLUS and Markov approach to simulate the spatial pattern of land use in rapidly developing cities[J]. Journal of Geo-information Science, 2022, 24(1): 100-113.]

[22]
陶伟, 刘译泽, 孙清, 等. 基于GeoSOS模型的金华市土地利用变化动态模拟[J]. 浙江师范大学学报(自然科学版), 2024, 47(3): 249-256.

[Tao Wei, Liu Yize, Sun Qing, et al. Dynamic simulation of land use and cover change in Jinhua based on GeoSOS[J]. Journal of Zhejiang Normal University, 2024, 47(3): 249-256.]

[23]
张艳, 李骏南, 潘博华. 基于PLUS模型的黄河流域生态系统服务评价及多情景预测——以陕西段为例[J]. 干旱区地理, 2024, 47(11): 1935-1946.

[Zhang Yan, Li Junnan, Pan Bohua. Evaluation and multi-scenario prediction of ecosystem services in the Yellow River Basin based on PLUS model: A case of Shaanxi section[J]. Arid Land Geography, 2024, 47(11): 1935-1946.]

[24]
Qin X, Fu B. Assessing and predicting changes of the ecosystem service values based on land use/land cover changes with a random Forest-Cellular Automata model in Qingdao Metropolitan Region, China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 6484-6494.

[25]
Liang Xun, Guan Qingfeng, Clarke, et al. Mixed-cell Cellular Automata: A new approach for simulating the spatio-temporal dynamics of mixed land use structures[J]. Landscape and Urban Planning, 2021, 205(1): 103960.

[26]
蒋小芳, 段翰晨, 廖杰, 等. 基于多模型的黑河中游甘临高地区土地利用情景模拟[J]. 农业机械学报, 2022, 53(9): 178-188.

[Jiang Xiaofang, Duan Hanchen, Liao Jie, et al. Multi-model-based simulation of different land use scenarios in Gan-Lin-Gao Area in Middle Reaches of Heihe River[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(9): 178-188.]

[27]
田云, 刘俊艳, 白爽, 等. 近20年黄河流域甘肃段植被覆盖度变化与驱动因素分析[J]. 农业机械学报, 2024, 55(7): 365-372, 404.

[Tian Yun, Liu Junyan, Bai Shuang, et al. Fractional vegetation cover change and driving factors in Gansu section of Yellow River Basin[J]. Transactions of the Chinese Society for Agricultural Machinery, 2024, 55(7): 365-372, 404.]

[28]
戴文渊, 玛久草, 陈亦晨, 等. 黄河流域甘肃段水生态安全驱动力分析及动态演变[J]. 干旱区研究, 2024, 41(10): 1662-1671.

[Dai Wenyuan, Ma Jiucao, Chen Yichen, et al. Analysis of driving forces and dynamic evolution of water ecological security in the Gansu section of the Yellow River Basin[J]. Arid Zone Research, 2024, 41(10): 1662-1671.]

[29]
陆莹, 张敏, 王彦阁. 内蒙古黄河流域生态保护恢复优先区识别[J]. 干旱区研究, 2024, 41(11): 1946-1955.

[Lu Ying, Zhang Min, Wang Yange. Identification of priority areas for the ecological protection and restoration of the Yellow River Basin in Inner Mongolia[J]. Arid Zone Research, 2024, 41(11): 1946-1955.]

[30]
程玉恒, 乔伟峰, 何天祺, 等. 南京市高淳区村域尺度土地利用功能变化及生态系统服务价值响应研究[J]. 地理科学, 2024, 44(2): 340-350.

[Cheng Yuheng, Qiao Weifeng, He Tianqi, et al. Response of ecosystem services value to land use function change at the village scale in Gaochun District, Nanjing[J]. Scientia Geographica Sinica, 2024, 44(2): 340-350.]

[31]
王思远, 刘纪远, 张增祥, 等. 中国土地利用时空特征分析[J]. 地理学报, 2001, 56(6): 631-639.

[Wang Siyuan, Liu Jiyuan, Zhang Zengxiang, et al. Analysis on spatial-temporal features of land use in China[J]. Acta Geographica Sinica, 2001, 56(6): 631-639.]

[32]
苏泽琛, 邵战林. 干旱区土地利用变化对耕地空间的影响及预测——以昌吉市为例[J]. 干旱区研究, 2024, 41(11): 1936-1945.

[Su Zechen, Shao Zhanlin. Influence and prediction of land use change on the space of arable land in arid zones: Taking Changji City as an example[J]. Arid Zone Research, 2024, 41(11): 1936-1945.]

[33]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(2): 116-134.

[Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.]

[34]
李楚瑜, 徐伟铭, 王开家, 等. 基于MCCA的多情景土地利用演变及其ESV变化研究——以龙岩市为例[J]. 贵州大学学报(自然科学版), 2023, 40(5): 114-124.

[Li Chuyu, Xu Weiming, Wang Kaijia, et al. Multi-scenario land use evolution and ESV change based on MCCA: A case study of Longyan City[J]. Journal of Guizhou University (Natural Sciences), 2023, 40(5): 114-124.]

[35]
胡丰, 陈瑶, 张长春, 等. 基于MCCA土地利用情景模拟的太行山区生态系统服务价值时空演变及预测[J]. 环境科学, 2024, 45(10): 5912-5923.

[Hu Feng, Chen Yao, Zhang Changchun, et al. Spatiotemporal evolution and prediction of ecosystem service value in Taihang Mountains based on MCCA land use scenario simulation[J]. Environmental Science, 2024, 45(10): 5912-5923.]

[36]
许月卿, 罗鼎, 郭洪峰, 等. 基于CLUE-S模型的土地利用空间布局多情景模拟研究——以甘肃省榆中县为例[J]. 北京大学学报(自然科学版), 2013, 49(3): 523-529.

[Xu Yueqing, Luo Ding, Guo Hongfeng, et al. Multi-simulation of spatial distribution of land use based on CLUE-S model: A case study of Yuzhong County, Gansu Province[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2013, 49(3): 523-529.]

[37]
张恩月, 郑君焱, 苏迎庆, 等. 基于情景模拟的流域低碳土地利用格局优化研究——以汾河流域为例[J]. 干旱区研究, 2023, 40(2): 203-212.

[Zhang Enyue, Zheng Junyan, Su Yingqing, et al. Optimization of low-carbon land use pattern based on scenario simulation: A case study of Fenhe River Basin[J]. Arid Zone Research, 2023, 40(2): 203-212.]

[38]
张舟, 刘晶晶, 张权, 等. 基于PLUS-InVEST-Geodector模型的苏州市碳储量时空变化及驱动力分析[J/OL]. 环境科学, 1-17. https://doi.org/10.13227/j.hjkx.202405077.

[Zhang Zhou, Liu Jingjing, Zhang Quan, et al. Analysis of spatial-temporal variation and driving forces of carbon storage in Suzhou City based on the PLUS-InVEST-Geodector model[J/OL]. Environmental Science, 1-17. https://doi.org/10.13227/j.hjkx.202405077.]

[39]
黄钰清, 李骁尧, 于强, 等. 1995—2018年黄河流域土地利用变化及驱动力分析[J]. 西北林学院学报, 2022, 37(6): 113-121.

[Huang Yuqing, Li Xiaoyao, Yu Qiang, et al. An analysis of land use change and driving forces in the Yellow River Basin from 1995 to 2018[J]. Journal of Northwest Forestry University, 2022, 37(6): 113-121.]

[40]
张佰发, 苗长虹. 黄河流域土地利用时空格局演变及驱动力[J]. 资源科学, 2020, 42(3): 460-473.

[Zhang Baifa, Miao Changhong. Spatiotemporal changes and driving forces of land use in the Yellow River Basin[J]. Resources Science, 2020, 42(3): 460-473.]

[41]
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136.

[Hu Feng, Zhang Yan, Guo Yu, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136.]

Options
Outlines

/

〈 〉