全 文 ：基于 CLUE鄄S模型验证的海岸围垦区
景观驱动因子贡献率*
孙永光1,2 摇 李秀珍1**摇 郭文永1 摇 何彦龙1 摇 贾摇 悦1
( 1华东师范大学河口海岸科学国家重点实验室, 上海 200062; 2国家海洋环境监测中心, 辽宁大连 116023)
摘摇 要摇 基于 1990、2000、2009 年 TM影像、社会统计数据、野外调查数据,采用冗余分析和主
成分分析方法对长江口奉贤段围垦区海岸带景观动态变化驱动力因子的贡献度进行分析,并
利用 Kappa指数对 CLUE鄄S模型所选驱动力模拟效力进行验证.结果表明:海岸带围垦区景观
动态变化的人为驱动因子贡献度(57郾 1% )大于自然驱动因子贡献度(42郾 9% ) . CLUE鄄S 模型
模拟的正确率达 82% ,研究区主要景观类型(耕地、未利用地和养殖塘)的 Kappa 指数均大于
0郾 75,CLUE鄄S模型的模拟效果较理想,所选驱动力因子很好地模拟了规则景观突变的空间分
布特征.
关键词摇 景观动态摇 主成分分析摇 驱动力贡献率摇 CLUE鄄S模型模拟
文章编号摇 1001-9332(2011)09-2391-08摇 中图分类号摇 P9;Q149摇 文献标识码摇 A
Contribution rates of landscape driving factors in coastal reclamation zone based on CLUE鄄S
model validation. SUN Yong鄄guang1,2, LI Xiu鄄zhen1, GUO Wen鄄yong1, HE Yan鄄long1, JIA Yue1
( 1State Key Laboratory of Estuarine and Coastal Research, East China Normal University, Shanghai
200062, China; 2National Marine Environment Monitor Center, Dalian 116023, Liaoning, Chi鄄
na) . 鄄Chin. J. Appl. Ecol. ,2011,22(9): 2391-2398.
Abstract: Based on the TM images, social鄄economic data, and field investigation data in 1990,
2000, and 2009, and by adopting redundancy analysis (RDA) and principal component analysis
(PCA), this paper analyzed the contribution rates of landscape driving forces in coastal area of
Fengxian reclamation zone at Yangtze Estuary. Kappa index was used to validate the simulation ef鄄
fectiveness of CLUE鄄S model. In the study area, anthropogenic landscape driving factors had a
higher contribution rate than natural landscape driving factors (57郾 1% vs. 42郾 9% ). The predic鄄
tion accuracy rate of CLUE鄄S model was above 82% , the Kappa index of the main landscape types
(farm land, unutilized land, and breeding ponds) was greater than 0郾 75, the simulation results
were acceptable, and the landscape driving forces selected could better simulate the spatial distribu鄄
tion patterns of the abrupt transformation of the main landscape types.
Key words: landscape dynamics; principal component analysis (PCA); contribution rate of driv鄄
ing force; CLUE鄄S model simulation.
*教育部科学技术研究重点项目(108148)、城市与区域生态国家重
点实验室开放项目(SKLURE2010鄄2鄄2)、国家重点基础研究发展计划
项目 ( 2010CB951203 ) 和上海市科委重点项目 ( 08231200700,
08231200702)资助.
**通讯作者. E鄄mail: Landscape2001@ sina. com
2011鄄01鄄04 收稿,2011鄄06鄄16 接受.
摇 摇 土地利用变化的原因、过程、序列是目前景观生
态学研究的热点问题[1],对土地利用变化原因的探
讨更被广泛关注[2] .随着国际全球环境变化人类行
动计划(IHGP)和国际地圈生物圈计划(IGBP)的共
同执行[3],以及后续的全球土地计划(Global Land
Project,GLP) [4]的实施,极大地推动了土地利用发
展的系统研究[5] .目前土地利用动态变化驱动力研
究多集中在以下几方面:1)传统驱动力的定性分
析,主要是对土地利用动态变化不同时空尺度上驱
动因素的变化与土地利用动态变化过程的相关性研
究,探讨土地利用动态变化与驱动因素之间的相关
关系. 如 Gobin[6]等利用回归模型分析了农业土地
利用变化的驱动力;史培军等[7]通过回归分析得出
深圳市土地利用变化的人为驱动力. 2)土地利用驱
动力空间预测模型研究,如目前国际上通用的系统
应 用 生 态 学 报摇 2011 年 9 月摇 第 22 卷摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Sep. 2011,22(9): 2391-2398
动力学模型[8]、 CA 模型[9]、 GEOMOD 模型[8]、
Agent鄄based模型[8]、SLEUTH模型[8]、多尺度主体模
型和 CLUE鄄S模型[10]等,基于模型的驱动力分析以
其独特的优点得到了广泛应用,可将人鄄地复杂系统
进行耦合. 3)土地利用与生态学过程反馈关系的研
究.如国庆喜等[11]深入探讨了景观破碎化过程对东
北虎猎物种群动态的影响,发现控制由人为干扰所
致的景观破碎化是保护东北虎生境的重要手段.
海岸围垦区为自然因素和人为因素共同作用的
错综复杂的区域[12],其土地利用动态变化非常复
杂.目前关于海岸带土地利用动态变化驱动力的研
究较多, 并将 CA 模型[13]、 SLEUTH 模型[14] 和
CLUE鄄S模型[15]等应用于海岸带景观动态模拟,取
得了较好的效果,但涉及小尺度景观动态各驱动力
贡献度的研究较少.作为获得土地的重要途径,海岸
围垦可大大缓解人多地少的矛盾[16],特别是在上海
市人口和经济不断增长的情况下,围垦成为解决这
一矛盾的重要手段.随着围垦面积的增加,对海岸围
垦区土地利用时空动态内在动因的探讨尤显重要,
特别是在围垦区开发与管理政策制定方面更需相关
理论研究的支撑.目前不少研究涉及了海岸带地区
的景观动态驱动力分析,但对不同景观变化驱动力
因子贡献大小的定量识别仍是一个难点.
海岸带围垦区土地利用动态驱动力集合是一个
复杂系统,既存在自然因素和人为因素的系统要素
差异,也存在不同时间尺度、不同空间尺度驱动因素
的差异.为深入分析小尺度围垦区景观动态变化驱
动因素的主导因素,将自然因素和人为因素影响进
行权重剥离,可进一步为滨海围垦区的管理和开发
提供理论依据.为此,本文以长江口奉贤段围垦区为
研究对象,利用 1990、2000、2009 年 TM 影像作为数
据源,选择具有典型代表性的因素作为驱动因子,借
助冗余分析(RDA)、主成分分析(PCA)和 CLUE鄄S
模型,深入探讨了小尺度围垦区景观动态变化驱动
力的贡献度,并利用 CLUE鄄S 模型对驱动力模拟效
力进行验证.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
研究区位于上海市奉贤区的长江口与杭州湾海
岸带围垦区(30毅50忆53郾 26义—31毅02忆18郾 32义 N,121毅
38忆54郾 41义—121毅53忆59郾 23义 E),总面积 85郾 35 km2,
东西长约 20 km、南北宽约 4 km(图 1).该区属北亚
热带季风气候,四季分明,冬夏季长,春秋季短,冬季
较寒冷,夏季较炎热、湿润,多雷暴雨降水.年内光、
温、水同季,有利于农业生产的多熟制、多种作物栽
培. 1853 年至民国年间,研究区在淤涨滩涂上筑圩
开垦,建国以后又进行多次围垦[17],经过多年的开
发和管理,现已成为上海市重要的围垦开发与管理
示范区.
1郾 2摇 数据来源与预处理
1990、2000、2009 年 TM数据源于华东师范大学
河口海岸国家重点实验室地理信息中心,满足
CLUE鄄S模型在 10 年时间尺度上具有较好模拟效力
的要求. 1990、2000、2009 年 TM 数据在 ERDAS 9. 2
和 GIS 9郾 2 下进行投影、校正、分类和矢量化,根据
研究需要将围垦区土地利用类型划分为:开放水域
(C0)、林地(C1)、建筑用地(C2)、耕地(C3)、未利用
地(C4)和养殖塘(C5),并按CLUE鄄S模型要求将矢
图 1摇 研究区位置及 1990 年土地类型分布
Fig. 1摇 Location of the study area and the distribution of landscape types in 1990.
C0:开放水域 Open water; C1:林地 Forest land; C2:建筑用地 Built鄄up land; C3:耕地 Farm land; C4:未利用地 Unutilized land; C5:养殖塘 Breed鄄
ing ponds. 下同 The same below.
2932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
量化数据输出为 RRAST 格式[18] . 驱动因素的选择
坚持以与土地利用状态紧密联系以及尺度可获得性
为原则,对具有大尺度特征的气候因子未作为驱动
因素进入模型,由于研究区尺度内气候因子数据较
粗,不宜作为驱动因子被选入.本研究主要选择社会
经济驱动因子、土壤质地限制因子和海岸带特殊的
区位因子三方面数据. 社会属性数据(包括总人口
密度、农业人口密度、经济价值)来源于奉贤年
鉴[19] .生态服务价值借鉴董家华等[20]的部分研究
成果. 自然属性数据(包括土壤水分、土壤盐分、有
机质和速效 P 含量)来源于 2009 年实地调查与实
验室分析,并对实验区土壤属性数据利用回归分析
进行历史重建 (由陆至海依次围垦时间为 1900、
1960、1974、1979 和 2006 年[17],2009 获得研究区土
壤形成的绝对围垦时间依次为 109、49、35、30 和 3
年;建立围垦时间与土壤自然属性的回归方程,进而
获得 1990 年研究区土壤属性数据预测值). 区位性
因子(包括距海岸线距离、距居民点距离、距人工渠
距离、距主河道距离、距主干道距离、距镇中心距
离)由 GIS 缓冲区分析获得. 数据的计算和转化均
在 GIS 9. 2 软件中完成,最后输出 ASCCII 码文件,
作为驱动因子输入到 CLUE鄄S模型中.
1郾 3摇 CLUE鄄S模型简介
CLUE鄄S模型由荷兰瓦格宁根大学环境科学学
院的 Verburg 等[18]、Veldkamp 和 Fresco[21]最先研
制,其核心思想是将模型分为非空间模块和空间分
析模块[22],利用 Logistic 回归将景观动态变化与驱
动力因子紧密结合起来,通过制定转化规则、转移强
度(ELAS参数)和情景需求文件等实现景观动态变
图 2摇 CLUE鄄S模型处理过程
Fig. 2摇 Overview of the modeling procedure of CLUE鄄S model.
化过程模拟(图 2).
1郾 4摇 冗余分析
冗余分析(RDA)是剔除变量之间共线性非常
有效的手段与方法,能够反映各变量之间的相关关
系[23] .方差膨胀因子(VIF)是表明各因子间共线性
的关键性参数,一般认为 VIF<10 时,各因子间的共
线性不明显,反之则存在共线性[23] . 本文将影响海
岸围垦区景观的 14 个驱动因子在 CANOCO 4. 5 中
进行冗余分析.
2摇 结果与分析
2郾 1摇 海岸围垦区景观驱动力的冗余分析
14 个驱动因子的方差膨胀因子均<10(表 1),
各因子间的共线性关系并不明显,说明本文所选的
驱动力能较好地反映区域景观动态变化驱动力特
征.
摇 摇 研究区景观 RDA结果表明,前 4 个轴可解释景
观空间变异总信息量的 94郾 5% ,其中,第 1、2、3、4
轴可分别解释总变异的45郾 1% 、25郾 6% 、14郾 4%和
表 1摇 研究区土地利用变化驱动力因子的冗余分析
Table 1摇 Redundancy analysis (RDA) of the driving forces for the land use change in the study area
驱动因子
Driving factor
代码
Code
平均值依标准差
Mean依SD
方差膨胀因子
VIF
总人口密度 Total population density (popultaion·hm- 2) DF1 314郾 30依56郾 87 4郾 11
农业人口密度 Agricultural population density (popultaion·hm-2) DF2 104郾 12依77郾 03 3郾 05
距海岸线距离 Distance to coastline (km) DF3 2郾 92依1郾 38 5郾 59
距居民点距离 Distance to residential areas (km) DF4 0郾 86依0郾 46 1郾 69
距人工渠距离 Distance to artificial drainage (km) DF5 0郾 41依0郾 24 1郾 57
距主河道距离 Distance to river (km) DF6 3郾 56依1郾 75 4郾 30
距主干道距离 Distance to main road (km) DF7 0郾 66依0郾 50 2郾 59
距镇中心距离 Distance to town center (km) DF8 3郾 71依1郾 54 3郾 21
生态服务价值 Ecosystem services (yuan·hm-2) DF9 16046郾 17依10994郾 80 3郾 13
经济价值 Economic value (yuan·hm-2·a-1) DF10 1021郾 07依394郾 03 4郾 58
土壤水分 Soil moisture (% ) DF11 33郾 0依0郾 4 4郾 18
土壤盐分 Soil salt (滋S·m-1) DF12 0郾 42依0郾 10 2郾 26
土壤有机质 Soil organic matter (% ) DF13 4郾 39依1郾 12 4郾 26
土壤速效 P Available phosphorus (mg·kg-1) DF14 43郾 09依13郾 12 2郾 95
39329 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 孙永光等: 基于 CLUE鄄S模型验证的海岸围垦区景观驱动因子贡献率摇 摇 摇 摇 摇 摇 摇
9郾 4% ,说明解释变量能够较好地反映景观空间变异
信息. RDA排序结果显示:第 1 轴主要反映耕地和
未利用地的空间变异信息,第 2 轴主要反映养殖塘、
开放水域和建筑用地的变化信息,而林地的空间变
异规律并不明显.耕地的变异主要受土地经济价值、
生态服务价值、土壤有机质、水盐等特征的影响,林
地和养殖塘主要受土壤水分、土壤盐分、距主河道距
离和距居民点距离的影响(图 3);建筑用地与距镇
中心距离和距居民点距离呈显著正相关;开放水域
在围垦区具有固定的空间分布格局,呈现格网式分
布且分布于主干道和大坝边缘,其统计学上的规律
并不显著.尽管冗余分析可以说明所选驱动力因子
具有较好的非共线性关系、各用地类型与驱动因子
之间的相关关系,以及确定影响程度的大小,但并不
能确定自然因素和人为因素对景观空间格局影响的
贡献度.故本文采用主成分分析(PCA)排序法对驱
动因素的权重进行量化.
2郾 2摇 海岸围垦区景观驱动力的贡献分析
共采集 344 个样点,将样点数据输入 CANOCO
4郾 5 中进行主成分分析.结果显示,前 4 个主成分能
够反映总信息量的 87郾 9% ,其中,第 1、2、3、4 主成
分的贡献率分别为 44郾 1% 、 21郾 7% 、 16郾 2% 和
6郾 0% .由表 2 可以看出,主成分 1 主要包括影响耕
地、养殖塘和开放水域分布的驱动因子,耕地和养殖
塘变化与生态服务价值和经济价值具有较高的相关
性,同时也受土壤自然属性(土壤水分、盐分、有机
质和速效 P)的影响;主成分 2 主要包括未利用地和
开放水域的信息,其与距主河道距离呈正相关,与农
业人口密度呈负相关;主成分 3 主要包括建筑用地
的信息,与距居民点距离和距镇中心距离呈显著负
图 3摇 景观空间分布与主要影响因子的冗余分析结果
Fig. 3摇 RDA results of landscape spatial distribution and its ma鄄
jor factors.
DF1 ~ DF14:表 1 中各驱动因子的代码 Codes of driving factors in table
1. 下同 The same below.
相关;主成分 4 较多地反映了随机变化的驱动因素
信息,与距主干道距离和总人口密度呈显著正相关
(表 2).
摇 摇 因子得分能够较好说明各驱动因子与各主成分
之间的相关性,但不能确定各驱动因子在影响程度
总体水平上的贡献度. 本文根据各驱动因子在各主
成分中的得分及方差贡献计算获得 14 个驱动因子
的综合评价贡献度.
自然因素的综合水平贡献度从大到小依次为土
壤有机质(昨0郾 40昨)>距海岸线距离(昨0郾 39佐) >
土壤水分(昨-0郾 34昨)>土壤速效 P(昨0郾 29昨)>土
壤盐分(昨-0郾 16昨). 研究区景观动态变化综合水
平与水分、盐分等土地熟化限制性因子呈负相关,在
围垦区小尺度内,耕地和养殖塘的分布主要受土壤熟
化程度和距海岸线距离的影响,与实际情况相符.人
为因素的综合水平贡献度从大到小依次为生态服务
价值(昨-0郾 51昨)>经济价值(昨0郾 43昨)>距居民点
距离(昨-0郾 24昨)>总人口密度(昨0郾 20昨)>距主河
道距离(昨0郾 19昨)>农业人口密度(昨0郾 16昨)>距镇
中心距离(昨-0郾 15昨)>距人工渠距离(昨0郾 12昨)>
表 2摇 研究区土地利用驱动力因子的主成分分析
Table 2 摇 Principal component analysis (PCA) of driving
factors of the land use in the study area
驱动因子
Driving factor
主成分 Principal component
1 2 3 4
总人口密度
Total population density
0郾 31 -0郾 34 0郾 45 0郾 61
农业人口密度
Agricultural population density
0郾 70 -0郾 69 -0郾 05 -0郾 11
距海岸线距离
Distance to coastline
0郾 38 0郾 25 0郾 77 -0郾 13
距居民点距离
Distance to residential areas
-0郾 16 -0郾 14 -0郾 64 -0郾 06
距人工渠距离
Distance to artificial drainage
0郾 17 -0郾 02 0郾 05 0郾 40
距主河道距离
Distance to river
0郾 06 0郾 79 -0郾 02 -0郾 39
距主干道距离
Distance to main road
0郾 27 -0郾 12 -0郾 24 0郾 61
距镇中心距离
Distance to town center
0郾 13 -0郾 16 -0郾 81 -0郾 33
生态服务价值
Ecosystem services
-0郾 89 -0郾 38 0郾 20 -0郾 11
经济价值
Economic value
0郾 61 -0郾 08 0郾 73 0郾 05
土壤水分
Soil moisture
-0郾 64 0郾 09 -0郾 40 0郾 43
土壤盐分
Soil salt
-0郾 28 0郾 17 -0郾 38 0郾 07
土壤有机质
Soil organic matter
0郾 54 0郾 23 0郾 49 -0郾 36
土壤速效 P
Available phosphorus
0郾 54 0郾 04 0郾 23 -0郾 51
4932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
图 4摇 研究区景观空间分布主要影响因子的综合得分
Fig. 4摇 Total scores of the major factors to spatial distribution of
the landscape in the study area.
玉:自然因素 Natural driving factors; 域:人为因素 Artificial driving fac鄄
tors.
距主干道距离(昨0郾 10昨).将自然因素与人为因素
贡献度进行归一化处理后,自然因素贡献度占总水
平的 42郾 9% ,人为因素占 57郾 1% (图 4). 表明影响
围垦区小尺度内景观动态变化的人为因素解释力占
主导作用,自然因素次之.
2郾 3摇 海岸围垦区景观驱动因子的 CLUE鄄S模拟
选择 1990 年为预测基准年,2000、2009 年为预
测验证年.采用线性插值法,获得预测时段内的景观
需求.
根据 1990—2009 年土地利用结构转移矩阵制
定转化规则矩阵和 ELAS 参数设置(表 3). ELAS 参
数表示该用地类型的转移强度,其值在 0 ~1,越接近
1表示越难发生转化,越接近0表示越容易发生转
表 3摇 CLUE鄄S模型转换规则矩阵及 ELAS参数
Table 3 摇 CLUE鄄S model transformation rule matrix and
ELAS parameter
土地类型
Land type
C0 C1 C2 C3 C4 C5
C0 1 1 0 1 1 1
C1 1 1 1 1 1 1
C2 0 0 1 0 0 0
C3 1 1 0 1 1 0
C4 1 1 1 1 1 1
C5 1 1 1 1 1 1
ELAS参数
ELAS parameter
0郾 9 0郾 8 0郾 9 0郾 2 0郾 3 0郾 2
0)不允许转换 Not change; 1)可以转换 Change.
化[24] .
CLUE鄄S模型要求运用 Logistic 回归分析确定
土地利用空间分布概率[18] .本研究将土地利用数据
与 14 个驱动因素在 SPSS 17. 0 中进行 Logistic 回归
分析(表 4),琢 = 0. 05 水平下不显著的驱动因素在
输入模型过程中进行剔除. 各用地类型模拟精度的
检验可借助可信度检验(ROC)值进行检验[22] . ROC
是表征解释变量与状态变量之间可信度的重要指
标,其值在 0 ~ 1.一般认为,ROC 在 0 ~ 0郾 7 之间时,
模拟不具有可信度[22],0郾 7 ~ 0郾 9 之间具有较好的
可信度,0. 9 ~1 之间具有高的可信度.由表 4 可以看
出,对研究区开放水域和林地的模拟效力具有较低
的可信度,可能是由于该用地类型具有较强的格网
式分布,而对耕地、未利用地和养殖塘的模拟效力则
有较高的可信度,说明选择的驱动因素能够较好地
解释其空间分布特征,可进行空间预测模拟.
表 4摇 土地利用类型 Logistic回归方程中各自变量的系数
Table 4摇 Coefficients of independent variables in Logistic regression equation for the land use types
自变量
Independent variable
C0 C1 C2 C3 C4 C5
总人口密度 Total population density 0郾 005** 0郾 007** 0郾 01** 0 -0郾 009** -0郾 007**
农业人口密度 Agricultural population density -0郾 003** -0郾 004** 0 0郾 010** -0郾 007** -0郾 010**
距海岸线距离 Distance to the coastline -0郾 453** -0郾 646** -0郾 114** 0郾 427** 0郾 082** -0郾 636**
距居民点距离 Distance to residential areas 0郾 438** -0郾 427** -3郾 627** -0郾 659** 0郾 127** 0郾 772**
距人工渠距离 Distance to the artificial drainage 0郾 282** 2郾 152** 0郾 741** 0郾 039 -0郾 458** -1郾 529**
距主河道距离 Distance to the river 0郾 230 0郾 110** 0郾 006 0郾 104** -0郾 451** -0郾 285
距主干道距离 Distance to main road -0郾 039 -1郾 219** -0郾 992** -0郾 314** 1郾 219** 0郾 008**
距镇中心距离 Distance to the town 0郾 222** 0郾 122** 0郾 025 -0郾 376** -0郾 118** 0郾 255**
生态服务价值 Ecosystem service value 0郾 345** 0郾 124** 0郾 078** 0郾 543** 0郾 462** 0郾 578**
经济价值 Economic value 0郾 234* 0郾 212** 0郾 675** 0郾 643** 0郾 134* 0郾 001**
土壤水分 Soil moisture 8郾 775** -1郾 913 0郾 391 -1郾 386* -3郾 499** -9郾 468**
土壤盐分 Soil salt 2郾 357** -0郾 501 1郾 098** -1郾 824** -5郾 938** -2郾 812**
土壤有机质 Soil organic matter -0郾 167** 0郾 106 -0郾 094* 0郾 100** -0郾 92** -0郾 142**
土壤速效 P Available phosphorus -0郾 003 0郾 018** -0郾 004 0郾 034** 0郾 029** -0郾 020**
常数 Constant -10郾 798** -3郾 035** -2郾 471** 0郾 457 7郾 368** 9郾 002**
ROC 0郾 748 0郾 702 0郾 836 0郾 864 0郾 876 0郾 842
* P<0郾 05;** P<0郾 01郾
59329 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 孙永光等: 基于 CLUE鄄S模型验证的海岸围垦区景观驱动因子贡献率摇 摇 摇 摇 摇 摇 摇
摇 摇 标准 Kappa指数、位置 Kappa 指数和数量 Kap鄄
pa指数值均介于 0 ~ 1,一般认为,Kappa 指数>0郾 65
具有低可信度,>0郾 75 具有较好的可信度.为验证所
选驱动力是否有较好的解释力,本文应用 Kappa 分
析,对以 1990 年为预测基准年的 2000、2009 年模拟
结果(图 5)与实际情况进行对比. 2000 年研究区耕
地、未利用地和养殖塘的 Kappa 系列指数均> 0郾 75
(表 5),说明 CLUE鄄S 模型能较好地模拟围垦区主
要景观类型的变化;开放水域和建筑用地的模拟精
度较低,主要是由于围垦区开放水域具有格网式分
布特征,其空间分布具有人为政策规定性,同时其受
土壤水分和盐分的影响较小;林地分布受政策的影
响较大,故模拟效率也不是很理想.将现状图与模拟
图进行对比,模拟总体正确率可达 82% ,2009 年的
模拟准确率较 2000 年低,特别是对开放水域和未利
用地的模拟效力,主要原因在于:1) CLUE鄄S 模拟效
力的最佳时间尺度为 10 年[24];2)围垦区土地利用
变化受人为政策影响较大,而本研究未将政府政策
表 5摇 研究区各用地类型的 Kappa 指数
Table 5摇 Kappa index of the land use types in the study area
土地类型
Land type
2000
A B C
2009
A B C
C0 0郾 68 0郾 68 1郾 00 0郾 65 0郾 65 0郾 91
C1 0郾 73 0郾 74 0郾 97 0郾 92 0郾 92 0郾 98
C2 0郾 66 0郾 70 0郾 93 0郾 84 0郾 84 0郾 92
C3 0郾 85 0郾 85 1郾 00 0郾 71 0郾 71 0郾 91
C4 0郾 88 0郾 87 0郾 86 0郾 68 0郾 68 0郾 80
C5 0郾 83 0郾 81 0郾 89 0郾 66 0郾 67 0郾 87
A:标准 Kappa指数 Kappa鄄standard index; B:位置 Kappa指数 Kappa鄄
location index; C:数量 Kappa指数 Kappa鄄quantity index.
引入到模型.虽然 2000、2009 年的模拟精度并不是
非常理想,但能满足小尺度景观驱动力因素的要求.
CLUE鄄S模拟结果表明,本文所选的 14 个驱动
因子能够较好模拟现实景观动态变化,具有一定可
信度.模拟各用地类型的空间分布能很好地反映围
垦区独特的格网式景观分布格局(图 5),特别是对
景观边界突变的模拟.
图 5摇 研究区景观空间分布模拟结果与实际情况的比较
Fig. 5摇 Comparison of the actual and simulation results of landscape type distribution in the study area.
a)土地利用 Land use; b)模拟结果 Land use simulation.
3摇 讨摇 摇 论
土地利用驱动力研究的方法以模型方法居
多[8],如 CLUE鄄S模型、经验模型、元胞自动机模型、
基于 Agent 模型等,但均停留在驱动力因素的选择
上.也有学者将数学排序方法应用于驱动力研究,如
高啸峰等[25]利用主成分分析将 33 个驱动因素进行
降维排序,获得 4 个主要驱动因素. 本研究在应用
CLUE鄄S模型验证基础上,利用主成分分析方法将滨
海围垦区驱动力进行自然因素和人为因素贡献度分
6932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
析,认为人为因素的贡献大于自然因素,与王玉
等[12]的结果(在小尺度范围内,人为因素的影响程
度高于自然因素)相似.本研究中,人为因素贡献度
较大的因子是生态服务价值、经济价值和距居民点
距离;自然驱动力则以土壤有机质、水分、盐分含量
和距海岸线距离为主,说明围垦区土地开发程度受
到土壤熟化程度的限制,因此围垦初期以养殖塘为
主,中后期则以耕地为主. 这证实了孙永光等[26]围
垦区土地利用动态变化主要受围垦时间影响的结
论.
本文借助 CLUE鄄S模型验证景观尺度内围垦区
土地利用驱动力因素选择的合理性和可信度,并应
用主成分分析方法确定各驱动因子的贡献度,为探
讨驱动力量化研究提供了一种新的探索,为驱动力
选择提供了较理想的方法,也可为围垦区开发与管
理政策的制定提供理论指导. 虽然围垦区的主导影
响因素是人为因素,但影响围垦区土地利用空间分
布的限制性条件[土壤熟化度(包括土壤有机质、土
壤水分、土壤盐分含量)和距离海岸线距离]也不容
忽视.如在土壤熟化度较低的情况下,滨海围垦区只
适于养殖塘和开放水域等土地利用类型,当熟化度
提高后,更适于耕地的开发和利用.
本文明确了影响围垦区土地利用动态变化各因
子的贡献度,但仅是在一个时间和空间尺度水平上
的静态探讨,未对驱动力变化规律进行时间尺度和
空间尺度的外推.另外,本文未对主成分分析获得的
贡献可信度与其他计算方法进行对比验证,需要今
后深入探讨.
参考文献
[1]摇 Wu JG, Hobbs R. Key issues and research priorities in
landscape ecology: An idiosyncratic synthesis. Land鄄
scape Ecology, 2002, 17: 355-365
[2]摇 B俟rgi M, Hersperger AM, Schneeberger N. Driving
forces of landscape change: Current and new directions.
Landscape Ecology, 2004, 19: 857-868
[3] 摇 Lambin EF, Baulies X, Bockstael N, et al. Land鄄Use
and Land鄄Cover Change ( LUCC ): Implementation
Strategy. IGBP Report No. 48 / IHDP Report No. 10. In鄄
ternational Geosphere鄄Biosphere Programme, Interna鄄
tional Human Dimension on Global Environment Change
Programme, Stockholm, 1999
[4]摇 Global Land Project. Science Plan and Implementation
Strategy. IGBP Report No. 53 / IHDP Report No. 19.
International Geosphere鄄Biosphere Programme, Interna鄄
tional Human Dimension on Global Environment Change
Programme, Stockholm, 2005
[5]摇 Tang H鄄J (唐华俊), Wu W鄄B (吴文斌), Yang P (杨
鹏), et al. Recent progresses of land use and land cov鄄
er change ( LUCC) models. Acta Ggegraphica Sinica
(地理学报), 2009, 64(4): 456-468 (in Chinese)
[6] 摇 Gobin A, Compling P, Feyen J. Logistic modeling to
derive agricultural land use determinants: A case study
from south鄄eastern Nigeria. Agriculture, Ecosystems and
Environment, 2002, 89: 213-228
[7]摇 Shi P鄄J (史培军), Chen J (陈摇 晋), Pan Y鄄Z (潘耀
忠). Land use change mechanism in Shenzhen City.
Acta Ggegraphica Sinica (地理学报), 2000, 55(2):
151-160 (in Chinese)
[8]摇 Lin Q (蔺摇 卿), Luo G鄄P (罗格平), Chen X (陈摇
曦). Review of land use model. Progress in Geography
(地理科学进展), 2005, 24(5): 80-86 (in Chinese)
[9]摇 Li H (李摇 晖), Bai Y (白摇 杨), Li G鄄Y (李国彦),
et al. New approach to dynamic modelling to landscape
eco鄄pattern changes using grey analysis and cellular au鄄
tomata. Acta Ecologica Sinica (生态学报), 2009, 29
(11): 6227-6238 (in Chinese)
[10]摇 Verburg PH, Soepboer W, Veldkamp A, et al. Model鄄
ing the spatial dynamics of regional land use: The
CLUE鄄S model. Environmental Management, 2002, 30:
391-405
[11]摇 Guo Q鄄X (国庆喜), Wang H鄄R (王化儒), Gao M
(高摇 梅). Simulation on the effect of landscape frag鄄
mentation on population dynamics of the main prey of
Amur tiger. Acta Ecologica Sinica (生态学报), 2010,
30(1): 15-23 (in Chinese)
[12]摇 Wang Y (王 摇 玉), Jia X鄄B (贾晓波), Zhang W鄄G
(张文广), et al. Land use change and analysis on the
driving forces in the coastal zone of Jiangsu. Resources
and Environment in the Yangtze Basin (长江流域资源
与环境), 2010, 19(1): 7-13 (in Chinese)
[13]摇 Huang HM, Zhang LQ, Guan YJ, et al. A cellular au鄄
tomata model for population expansion of Spartina altenr鄄
niflora at Jiuduansha Shoals, Shanghai, China. Estuar鄄
ine Coastal and Shelf Science, 2008, 77: 47-55
[14]摇 Shi Y鄄F (施亚风), Li X鄄C (李小春). Land use dy鄄
namic evolution simulation of the north branch of Yan鄄
gtze River Estuary based on SLEUTH model. Modern
Surveying and Mapping (现代测绘), 2010, 33(3): 6
-8 (in Chinese)
[15]摇 Zhang X鄄R (张学儒), Wang W (王 摇 卫), Verburg
PH, et al. Scenarios simulation of land use pattern in
Tangshan Coastal Zone. Resources Science(资源科学),
2009, 31(8): 1392-1399 (in Chinese)
[16]摇 Li J鄄L (李加林), Yang X鄄P (杨晓平), Tong Y鄄Q
(童亿勤). Progress on environmental effects of tidal
79329 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 孙永光等: 基于 CLUE鄄S模型验证的海岸围垦区景观驱动因子贡献率摇 摇 摇 摇 摇 摇 摇
flat reclamation. Progress in Geography (地理科学进
展), 2007, 26(2): 44-51 (in Chinese)
[17]摇 Jin X (金摇 星). Water Conservation Annals of Fengx鄄
ian District. Shanghai: Shanghai Jiaotong University
Press, 2007 (in Chinese)
[18]摇 Verburg PH, Veldkamp A, de Koning GHJ, et al. A
spatial explicit allocation procedure for modelling the
pattern of land use change based upon actual land use.
Ecological Modelling, 1999, 116: 45-61
[19]摇 Fang T鄄M (房同盟), Mao C鄄Y (茅彩云), Zhang K鄄M
(张开明). Fengxian Statistical Yearbook. Shanghai:
Fengxian Statistics Bureau, 1998 (in Chinese)
[20]摇 Dong J鄄H (董家华), Shi Y鄄F (舒延飞), Xie H (谢
慧), et al. Calculative method for ecosystem services
values of urban constructive lands and its application.
Journal of Tongji University (Natural Science)(同济大
学学报·自然科学版), 2007, 35(5): 636-640 ( in
Chinese)
[21]摇 Veldkamp A, Fresco LO. CLUE鄄CR: An integrated
multi鄄scale model to simulate land use change scenarios
in Costa Rica. Ecological Modelling, 1996, 91: 231 -
248
[22]摇 Pontius RG, Schneider LC. Land use change model val鄄
idation by an ROC method for the Ipswich watershed,
Massachusetss, USA. Agriculture, Ecosystems and Envi鄄
ronment, 2001, 85: 239-248
[23]摇 Yin K (尹摇 锴), Cui S鄄H (崔胜辉), Zhang Q鄄J (赵
千钧), et al. Understory diversity prediction of urban
forest based on the redundancy analysis (RDA). Acta
Ecologica Sinica(生态学报), 2009, 29(11): 6085-
6094 (in Chinese)
[24]摇 Liu M (刘摇 淼), Hu Y鄄M (胡远满), Chang Y (常摇
禹), et al. Analysis of temporal predicting abilities for
the CLUE鄄S land use model. Acta Ecologica Sinica(生
态学报), 2009, 29(11): 6110-6118 (in Chinese)
[25]摇 Gao X鄄F (高啸峰), Wang S鄄D (王树德), Gong A鄄D
(宫阿都), et al. Land use and land cover change and
its driving forces analysis based on principle component
analysis: A case study of Jiaonan City in Shandong Prov鄄
ince. Geography and Geo鄄Information Science (地理与
地理信息科学), 2009, 25(1): 36-39 (in Chinese)
[26]摇 Sun Y鄄G (孙永光), Li X鄄Z (李秀珍), He Y鄄L (何
彦龙), et al. Temporal and spatial dynamics of land
use and land cover changes in different reclamation
zones of Yangtze Estuary. Chinese Journal of Applied
Ecology (应用生态学报), 2010, 21(2): 434-441(in
Chinese)
作者简介 摇 孙永光,男,1979 年生,讲师,博士. 主要从事湿
地生态系统研究,发表论文 5 篇. E鄄mail: sunyg924@ 163. com
责任编辑摇 杨摇 弘
8932 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷