融合交通驱动因子的RF-CA-Markov土地利用演化模型

RF-CA-Markov land use evolution model with integrated transporation driving factors

摘要

为探究城市交通系统对土地利用格局的影响，选取道路网密度、可达性、道路距离、公共交通站点距离四种交通因素，融入RF-CA-Markov模型，模拟2010—2020年武汉市蔡甸区土地利用格局的演化进程，并结合土地利用转移矩阵与景观指数分析交通因素对模型精度的影响.结果表明：与未考虑交通因素的RF-CA-Markov模型相比，模拟结果Kappa系数与OA值明显提高，在土地演化模拟中考虑交通因素可显著提高模拟精度；与自然发展情景相比，交通因素介入情景中建设用地的转移地区主要集中于交通设施附近且便利程度大的区域，交通因素介入下景观的复杂程度更高，斑块分散更加均匀.

Abstract

In order to investigate the influence of urban transportation system on land use patterns， four traffic factors including road network density， accessibility， road distance and public transportation station distance were selected and incorporated into the RF-CA-Markov model to simulate the evolution of land use patterns in Caidian District of Wuhan City from 2010 to 2020. The effects of transportation factors on model accuracy were analyzed using land use transition matrices and landscape indices. The results indicated that compared with the RF-CA-Markov model without considering transportation factors， the simulation results of Kappa coefficient and OA value were significantly improved. The simulation accuracy can be significantly improved by considering traffic factors in land evolution simulation. Compared with the natural development scenario， the transfer area of construction land in the traffic factor intervention scenario was mainly concentrated in the area near the transportation facilities with high convenience， the complexity of the landscape is higher， and the dispersion of patches is more uniform under the intervention of traffic factors.

Graphical abstract

关键词

交通系统 / 土地利用 / 元胞自动机 / RF-CA-Markov模型 / 可达性

Key words

traffic system / land use / cellular automata / RF-CA-Markov model / accessibility

城市的发展对土地有极强的需求和依赖性^［1］，城市化的加快极大地促进了经济的快速发展，同时也带来了土地与城市之间的矛盾，如人口聚集、城市人口密度急速增大、交通拥堵、可用土地减少、能源消耗增大等问题^［2］.要解决上述问题，需要深入地认识城市土地利用的发展模式，寻找驱动因素，探寻土地利用变化的信息和结构，才能准确分析交通系统与土地利用之间的互馈关系^［3］.利用土地利用演化模型可以从时间与空间两方面分析土地利用的演化进程，对未来土地格局进行预测，协调土地与交通系统的关系，是从根源上解决城市交通问题的重要前提^［4］.

常用的土地动态演化模型有CA模型、Markov模型^［5］、CA-ANN模型、FLUS模型^［6］等，有学者基于此进行拓展改进，其中加入随机森林算法的RF-CA-Markov模型，能够有效挖掘土地利用转换规则，使模型精度更高.刘凯等提出RF-CA模型^［7］，提取影响城市扩展的元胞自动机转换规则，并选用LR-CA模型与RF-CA模型共同用于城市扩展的探索研究，证明RF-CA模型更有优势；刘小平等提出基于随机森林算法的多类元胞自动机（RF-CA）模型^［8］，利用随机森林算法探究各空间变量的重要性并建立土地利用转换规则，实现土地利用演化模拟，通过与LR-CA模型模拟结果比较，表明RF-CA模型模拟精度更高.这些模型从土地利用的历史数据中获取转化规则，没有充分认识到交通因素与土地利用之间的相互影响.

对于交通系统与土地利用关系的探究，李少英等^［9］结合遥感影像和POI数据，从时间和空间两个维度定量研究地铁对土地利用转变过程的复杂影响与空间差异规律；刘诗奇等^［10］分析了北京市典型站点周边土地利用的空间分布特征；陆晴等^［11］基于道路网络定性、定量分析景观格局对道路建设的反馈关系；胡昂等^［12］以日本东京为例，对站域土地的演化特征进行分析.目前许多学者从轨道交通站域或城市中心的容积率、开发强度、用地类型的变化与转移等方面^［13-14］分析了交通系统影响下的土地利用情况及结构变化.但少有研究能系统地构建影响土地利用的交通因素指标体系，因此缺乏对交通因素与土地演化影响机制的深入研究.

本文以武汉市蔡甸区为研究区域，建立以道路网密度、可达性、道路距离、公共交通站点距离为核心的交通因素计算体系，并将其作为驱动因子融入RF-CA-Markov模型，进行自然发展与交通介入两种情景下的土地演化模拟，从时间、土地利用转移、景观指数等角度获取研究区域土地利用变化信息，验证在RF-CA-Markov模型中加入交通因素的可行性，分析交通因素对土地演化模拟产生的影响，为后续土地规划工作提供理论支撑，推进城市化加快的同时建设生态环境，有利于城市的建设开发与可持续发展.

1 研究区域与数据处理

1.1 研究区域概况

选取武汉蔡甸区作为研究区域.武汉蔡甸区位于武汉西南，113°41′E~114°13′E，30°15′N~30°41′N之间，濒临长江，地处汉江与长江汇流的三角地带，占地面积约1100平方公里，国道横贯全境，高速公路在区内交会，构成东西贯通、南北相接的交通网络，截至2022年底，常住人口为62.29万，如图1所示.

1.2 数据来源与处理

研究所需数据包含土地利用数据、社会经济数据、交通数据、环境数据四大类，数据来源如表1所示.其中土地利用数据包含2010—2020年共三期土地利用数据，经重分类后分为耕地、林地、草地、水域、建设用地、未利用地6类，分类后的土地利用现状数据如图2所示.将社会经济数据以及环境数据处理为同一坐标系统WGS84坐标系下的栅格数据；交通数据来源于Open Street Map网站与高德地图开放平台.

2 研究方法

2.1 交通因素计算体系构建

在土地利用演化模拟中加入交通因素可以充分体现交通因素对土地利用演化过程的影响.对国内外研究文献进行了归纳总结，建立了土地演化中的交通因素计算体系并利用ArcGIS与python完成了各指标的计算算法.

已选驱动因子从自然与经济两方面展开，其中自然因子包括高程和坡度，经济因子包含GDP和人口密度，对于交通因子的选择以3~4个为宜，以保持多维度驱动因子的平衡.交通因子选取应具有全面性和可获得性，距道路距离作为交通驱动因子已被广泛用于土地利用模拟中；道路网密度作为衡量交通系统发展水平的基本指标，能够直接反映交通网络的稠密程度与格局特征，以栅格形式计算道路网密度避免了在长度与面积统计时产生偏差，使得计算结果更可靠^［15］；综合可达性作为城市规划中衡量交通系统与土地利用互动性的重要指标，通过量化栅格的便捷程度，提供全面的交通系统综合分析视角^［16］；公共交通是交通系统中不可或缺的组成部分，距公共交通站点的距离反映栅格使用公共交通的便利程度.因此，交通因素计算体系包含道路网密度、研究区域综合可达性、距各级道路的距离、距公共交通站点的距离，如表2所示.

现有研究多以500 m×500 m或300 m×300 m像元大小的栅格进行计算^［24］，为提高栅格计算的精度对栅格大小进行重新分割，计算前将研究区域土地利用数据分割为100 m × 100 m像元大小的栅格图像，后续影响因子计算都基于分割后的栅格图像.

利用ArcGIS平台结合2010年与2015年交通数据，对道路网密度、道路距离、站点距离进行了计算；可达性计算结合python、交通数据与社会经济数据展开.由于学校、就业与购物行为是日常生活主要活动，对交通系统需求影响较大，本文计算了学校可达性、购物可达性、就业可达性多种可达性.将栅格质心作为出发地，poi数据作为目的地，出发地与目的地一一匹配生成OD对，基于路网计算OD对之间的通行时间，结合可达性公式计算V_j和A_i值，A_i值越大，可达性越好；对可达性指数归一化，根据poi数据的权重加权计算得到综合可达性.

利用研究区域的基础数据，得到的2015年交通因素计算结果见图3-6.

2.2 构建多情景RF-CA-Markov土地演化模型

RF-CA-Markov模型耦合了随机森林算法和CA-Markov模型，被证明能较高精度地进行土地利用的演化模拟.本文在RF-CA-Markov模型中加入交通因素计算体系，构建多情景的RF-CA-Markov模型，用于交通因素介入情景下土地的演化模拟.模型计算在PLUS软件^［25］中完成，利用markov方法计算转移矩阵，最终得到土地利用转移量矩阵和土地利用转移概率矩阵，定量描述土地利用演化中元胞的转移状态，反映前一时刻到现在时刻的转移过程.交通因素介入情景的具体流程如图7所示.

模型的具体构建流程可以分为五个步骤：数据处理、驱动因子计算、RF模型、CA转换规则制定、模拟与验证.主要步骤如下.

（1）首先进行数据的初始处理，对获取的数据进行预处理和计算，包括对土地利用图的土地类型划分、统一数据坐标系、道路数据裁剪、poi数据裁剪聚集等.

（2）基于交通因素计算体系进行驱动因子计算，主要包含道路网密度、可达性、道路距离、公共交通站点距离、高程、坡度、人口、GDP等驱动因子，将所有驱动因子转换为栅格数据格，用于随机森林训练与转换规则制定.

（3）建立随机森林模型对历史土地数据进行训练，得到各类用地的转换概率与驱动因子的贡献值.将土地利用数据与环境因素（高程、坡度等）、交通因素（道路网密度、可达性等）在随机森林模型进行训练，由于随机森林训练的采样比例要求单位是研究区域有效像元数的千分之一，参考现有研究^［26］，将决策树总数设置为20，采样率为0.1，得到每种类型用地的转换概率以及每种驱动因子对土地演化的贡献值.

（4）预测年需求量的计算和CA规则制定，利用markov方法计算历史土地利用数据的土地利用概率转移矩阵，以此计算预测年的各类型土地利用总量；将随机森林预测的各类型土地转换概率作为土地转换概率，选择土地区域中是否有限制转换区域，定义土地类型的转换规则，即各种土地之间是否能进行转换；为保证土地转换的准确性，参考前人研究，提高土地转换要求^［27］，设定土地转换概率阈值为0.9，转移概率超过阈值即进行土地类型转换，元胞邻域权重设置为不同类型土地在历史土地演化中的扩展面积之比.随机森林训练后得到的土地类型转换概率图与markov方法计算的需求量与转移矩阵结合，利用轮盘赌方法判断元胞是否发生转换.

（5）结合土地利用总量、转换概率与转换规则，进行未来土地利用状态的预测，得到相同间隔时间内的土地利用情况.计算模拟结果的总体精度OA值和Kappa系数表征模拟的精度.

2.3 模型评价指标

为了评价模型的精度，采用OA指数与Kappa系数进行模型结果评价.OA指数与Kappa系数可以验证模拟结果与真实数据的一致性程度；OA指数将预测项目结果与历史真实土地项目相比较；Kappa系数将模拟土地图像结果与真实土地利用图像相比较.

2.3.1 OA指数

OA指数是指总体分类精度，即正确预测的项目数占所有将要预测项目的比值^［28］，正确预测的项目数越多，OA值越大，精度越高.OA值计算公式见公式（6）：

\mathrm{O}\mathrm{A}=\frac{{\sum }_{i=\mathrm{1}}^C{T}_i}{n},（6）

式中：C是类别总数，T_i表示每个类别中正确分类的样本数，n是样本的总数.

2.3.2 Kappa系数

Kappa系数是用于评价两个图像的空间相似度^［29］，Kappa系数越高，证明模拟的精度越高.Kappa系数计算公式见公式（7）、（8）：

\mathrm{K}\mathrm{a}\mathrm{p}\mathrm{p}\mathrm{a}=\frac{\mathrm{O}\mathrm{A}-P}{\mathrm{1}-P},（7）

P=\frac{{\sum }_{i=\mathrm{1}}^C{m}_i\times n_i}{n^{\mathrm{2}}},（8）

式中：式（7）中P值由式（8）计算，m_i指每一种类型的真实样本数，n_i是每一种类型的预测样本数.

3 模拟结果分析

3.1 土地利用演化模拟结果

利用2010年—2015年的数据开展土地利用演化过程的模拟，并将模拟结果与2020年真实数据进行对比.首先进行自然发展情景下的RF-CA-Markov模型土地演化模拟，将2010―2015年的土地利用扩张作为初始数据，与基础驱动因子一起在随机森林算法中进行训练，获取到不同土地利用类型的训练精度和每种驱动因子对该种土地利用类型转换的贡献值，同时得到每种土地利用类型的转换概率，根据制定的CA转换规则进行在自然条件下的土地利用演化模拟.

第二次模拟是交通因素介入情景下的RF-CA-Markov模型土地模拟，在驱动因子计算时利用交通因素计算体系计算交通因素，模拟中计算的交通因素包含道路网密度、综合可达性、距各级道路的距离、距所有公共交通站点的距离；利用首次模拟中已提取的土地扩张数据，与计算的驱动因子一同训练，其余步骤与首次模拟类似，分别得到不同情景下的土地模拟结果，如图8所示.

对比模型结果图像显示，交通因素介入情景下RF-CA-Markov模型土地利用模拟结果与2020年真实土地利用数据的土地分布特征基本一致，更为相似.

两次模拟的评价指标值见表3.在自然发展情景下的模拟Kappa系数为0.8078，OA值为0.8797，Kappa系数在0.8以上表示预测与原始的土地利用一致性良好，自然发展条件下的Kappa系数为0.8540，OA值为0.9069，Kappa系数与OA值相比自然情景下都显著上升.分析结果表明两次模拟结果都符合现实发展趋势，但交通因素介入情景下的模拟精度更高，一致性更强，增强交通系统的可变性对土地利用的影响，模拟结果的变化更加丰富，更符合现实情况下的土地利用变化.

3.2 交通因素影响分析

3.2.1 土地利用转移矩阵

为了定量分析交通因素对土地演化的影响，统计土地利用转移矩阵，分析不同情景下的土地空间转移特征，分析结果见表4.从三种情景的整体趋势来看，所有土地类型中耕地转出量最多，主要转变为建设用地；其他类型用地间的转换量较少；不同情景的转移矩阵相比，交通因素介入情景下RF-CA-Markov模型的转移矩阵与真实土地演化情景下的转移矩阵分布特征更相近.

从不同演化情景下看，交通因素介入情景下耕地转为建设用地的量更接近真实耕地-建设用地转换量，而自然发展情景下的耕地-建设用地转换量与真实转换量相比差距较大，结合模拟图像与交通因素计算结果图，分析交通因素介入情景下耕地-建设用地转换量更趋近于真实数据的原因是：研究区域中上部分的道路网密度较高，交通更为便利，且就业与购物poi在研究区域右边部分分布较多，可达性计算结果显示，poi点位处的可达性较高，但poi邻域处由于poi与人口的聚集造成可达性降低，对poi邻域处的建设用地转入量进行限制，建设用地不会无序增长，更符合真实演化特征；交通因素介入情景模拟结果中，研究区域中左下部分发生大面积建设面积转换，由于交通因素中可达性与公共交通站点距离增大了转换为建设用地的概率，与真实土地利用图中左下角发生的建设用地转换更为相似.

分析结果表明：在土地演化模拟中加入交通因子计算体系，对人口密集的区域建设用地的无序开发进行限制，并增高了可达性较高、公共站点距离较近的建设用地转换概率，更符合真实土地演化特征，提高了土地演化模拟精度.因此在未来土地演化模拟中考虑交通系统的影响是有必要的，不仅提高了模型模拟精度，且演化趋势更能体现城市可持续绿色发展的发展战略，能将未来预测土地利用图作为国土空间规划发展的参考，符合未来城市经济发展趋势，有利于社会经济发展与生态环境的协调稳定发展.

3.2.2 景观指数

为了更直观量化研究区域各类用地在不同模拟情景下的景观结构和生态格局，引入景观指数从多个角度对土地格局进行分析，研究从形状、聚集度与景观多样性三个维度选取6个指标进行分析，见表5.

蔡甸区在景观水平下的景观指数计算结果见表6.从景观形状来看，交通因素介入情景下更接近真实土地情景，LSI值与PAFRAC值较高，景观中斑块形状较为复杂，由于交通因素的介入，斑块发展受到人为干扰，交通因素计算值表现良好的斑块更吸引人们在该区域建立更为复杂的景观斑块，引起斑块的形状复杂度升高；从景观聚集度来看，与自然发展情景相比，交通因素介入情景下的DIVISION值更高，CONTAG值更低，与真实情景下更接近，景观斑块分散程度更高且分布复杂，交通因素介入引起建设斑块的增加，高道路网密度、高可达性、道路距离短等因素导致其他类型景观的断裂，造成斑块的聚集程度降低，更符合真实土地区域性开发的特点；从景观多样性分析，SHDI值与SHEI值显示自然发展情景与交通因素介入情景下景观的多样性与异质性较为一致，交通因素的介入没有显著削弱景观的生态与结构多样性，显示蔡甸区合理的交通规划与设计确保了景观的生态完整性与空间异质性共存.

4 结论

本文构建基于交通因素计算体系的RF-CA-Markov模型，模拟了不同情景下武汉蔡甸区的土地利用格局演化进程，并分析交通系统对土地演化的影响，主要结论如下：

（1）建立了包括道路网密度、可达性、道路距离、站点距离的交通因素体系与计算方法，系统全面地计算影响土地演化模拟的交通因素；并将交通因素计算体系融入RF-CA-Markov土地演化模型，对武汉蔡甸区土地演化进行交通因素介入情景模拟，与自然发展条件下的模拟结果相比，评价指标Kappa系数与OA值都有明显增高，表明加入了交通因素计算体系的模型精度更高，模拟更为精确.

（2）交通因素介入情景下蔡甸区的土地利用类型变化主要表现为耕地向建设用地转移，交通因素计算值表现良好的区域建设用地转移更为聚集，促进了有较大开发潜力的非建设用地的开发；交通因素介入能够对土地扩张趋势中建设用地增长速度较快的区域进行开发限制，改善了传统土地演化中无序开发引起拥堵与聚集的问题.

（3）相比自然发展情景，交通因素介入情景下景观分散度与破碎度升高，斑块形状更为复杂，且景观中各类型的斑块分散程度增大，连接性降低，土地发展更分散均匀，但景观多样性仍保持一致.交通因素的介入在一定程度上塑造了蔡甸区的景观格局，既带来了一定的复杂性与分散性，同时也维持了景观的生态完整性.

参考文献

[1] WADDELL P. UrbanSim： Modeling urban development for land use， transportation， and environmental planning［J］. Journal of the American Planning Association， 2002， 68（3）： 297-314.

[2] MOKARRAM M， POURGHASEMI H R， HU M， et al. Determining and forecasting drought susceptibility in southwestern Iran using multi-criteria decision-making （MCDM） coupled with CA-Markov model［J］. Science of the Total Environment， 2021， 781： 146703.

[3] 宋亚男. 基于用地竞争力评价的潜在土地利用冲突研究——以南京市为例［D］. 武汉： 武汉大学， 2017.

[4] 李星， 周京春， 金婷婷， 等. 滇中城市群土地利用/覆盖变化（LUCC）空间模拟研究［J］. 生态与农村环境学报， 2022， 38（10）： 1318-1329.

[5] 王森， 彭立. 权衡生态保护与经济发展的土地利用多情景模拟［J］. 生态学报， 2023， 43（23）： 9938-9951.

[6] CHEN L T， CAI H S， ZHANG T， et al. Land use multi-scenario simulation analysis of Rao River Basin based on Markov-FLUS model［J］. Acta Ecologica Sinica， 2022， 42（10）： 3947-3958.

[7] 陈凯， 刘凯， 柳林， 等. 基于随机森林的元胞自动机城市扩展模拟——以佛山市为例［J］. 地理科学进展， 2015， 34（8）： 937-946.

[8] 张大川， 刘小平， 姚尧， 等. 基于随机森林CA的东莞市多类土地利用变化模拟［J］. 地理与地理信息科学， 2016， 32（5）： 29-36， 127.

[9] 谭章智， 李少英， 黎夏， 等. 城市轨道交通对土地利用变化的时空效应［J］. 地理学报， 2017， 72（5）： 850-862.

[10] 刘诗奇， 郭静， 李若溪， 等. 北京轨道交通典型站点周边的土地利用特征分析［J］. 城市发展研究， 2014， 21（4）： 66-71.

[11] 陆晴， 刘根林， 闫冰， 等. 道路网络对景观格局及景观生态风险的影响——以瑞兴于地区为例［J］. 生态学杂志， 2022， 41（11）： 2236-2244.

[12] 胡昂， 刘杰， 李想， 等. 多中心城市轨道交通典型站域的土地利用特征演化研究——以日本东京为例［J］. 西安建筑科技大学学报（自然科学版）， 2021， 53（5）： 746-757.

[13] 何尹杰， 吴大放， 刘艳艳， 等. 城市轨道交通对土地利用变化的影响——以广州市3、7号线为例［J］. 经济地理， 2021， 41（6）： 171-179.

[14] 胡金晓， 朱明， 濮励杰， 等. 交通道路对区域土地利用变化的影响研究进展［J］. 长江流域资源与环境， 2018， 27（1）： 205-214.

[15] 游青华, 李艳红, 黄金亮, 等. 交通道路网中时间感知的空间关键词查询[J]. 中南民族大学学报(自然科学版), 2021, 40(2): 197-203.

[16] 任佳宇, 李艳红, 冯雨. 考虑可达性的Top-k空间关键词查询[J]. 中南民族大学学报(自然科学版), 2022, 41(6): 740-748.

[17] 赵威， 薛领. 区域开发策略对农业土地利用格局影响的动态模拟——以云南省为例［J］. 开发研究， 2022（5）： 58-71.

[18] 王子琳， 李志刚， 程晗蓓. 中国大城市公园绿地可达性的公平性研究——以武汉市中心城区为例［J］. 地理科学进展， 2022， 41（4）： 621-635.

[19] 黄应淮， 刘小平， 刘艳平， 等. 基于高德地图API的多种交通方式下城市公园时空可达性分析——以广州市海珠区为例［J］. 地理与地理信息科学， 2018， 34（6）： 50-57， 1.

[20] 董小刚， 乔庆华， 翟亮， 等. 基于改进引力模型的广场公园可达性研究［J］. 地球信息科学学报， 2019， 21（10）： 1518-1526.

[21] KAVHU B， ERIC MASHIMBYE Z， LUVUNO L. Characterising social-ecological drivers of landuse/cover change in a complex transboundary basin using singular or ensemble machine learning［J］. Remote Sensing Applications： Society and Environment， 2022， 27： 100773.

[22] 林素丽， 王枫. 基于PLUS模型并顾及交通规划的广州市土地利用情景模拟与分析［J］. 农业资源与环境学报， 2023（3）： 557-569.

[23] 王家丰， 王蓉， 冯永玖， 等. 顾及轨道交通影响的浙中城市群土地利用多情景模拟与分析［J］. 地球信息科学学报， 2020， 22（3）： 605-615.

[24] YU X R， XIAO J T， HUANG K， et al. Simulation of land use based on multiple models in the western Sichuan Plateau［J］. Remote Sens， 2023， 15： 3629.

[25] LIANG X， GUAN Q F， CLARKE K C， 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： 103960.

[26] 胡俊聪， 何华贵， 陈朝霞. 基于PLUS模型的土地利用多情景模拟与时空特征分析［J］. 测绘通报， 2023（10）： 28-33.

[27] 赵祖伦. 基于Markov-FLUS模型的城市增长边界划定研究——以重庆主城区为例［D］. 重庆： 重庆交通大学， 2019.

[28] ZHANG Y， CHANG X， LIU Y F， et al. Urban expansion simulation under constraint of multiple ecosystem services （MESs） based on cellular automata （CA）-Markov model： Scenario analysis and policy implications［J］. Land Use Policy， 2021， 108： 105667.

[29] FU F， DENG S M， WU D， et al. Research on the spatiotemporal evolution of land use landscape pattern in a county area based on CA-Markov model［J］. Sustainable Cities and Society， 2022， 80： 103760.

基金资助

国家社会科学基金资助项目(20CGL018)