Page 22 - 2025年第56卷第11期

n
∑ (SL i × CI i )
HAILS = i = 1 × 100% （10）
S total
式中：HAILS 为水利工程建设影响区内的人类活动强度指数，为无量纲值；S 为水利工程影响区的总
total
土地面积；SL 为第 i 种土地利用类型的面积；CI 为第 i 种土地利用类型转化为“建设用地当量”的转
i
i
换系数（建设用地为 1，农田为 0.8 ~ 0.9，林地为 0.2 ~ 0.4，草地为 0.1 ~ 0.3，水域为 0.05 ~ 0.2，裸地
为 0 ~ 0.1）。
2.4.6 ESV 空间格局模拟与验证 为精确模拟水利工程建设影响下廊坊市网格尺度上的 ESV 动态，将
元胞自动机（CA）嵌入 PLUS 模型的 CARS 模块，实现分区土地利用变化驱动下的 ESV 动态模拟。CA 模
型以其离散的时空计算特性，能够有效刻画不同土地利用类型在时间和空间上的演变过程，进而反映
其对 ESV 的影响 ［12］ 。CA 模型的一般表达式为：
G t + 1 = f (G t ，Q t ，R t ) （11）
式中：G 为元胞在 t+1 时刻的状态，表示其土地利用类型；G 为元胞在 t 时刻的状态，表示其土地利
t+1 t
用类型；Q 为元胞在 t 时刻的邻域状态，即周围元胞的土地利用类型，邻域通常包括 Moore 邻域（8 个方
t
向）或 Von Neumann 邻域（4 个方向）；R 为在 t 时刻元胞状态变化的转移规则，由模型根据驱动因子（如
t
自然条件、社会经济因素和政策、水利工程建设等）和地块发展概率确定。
为精确量化水利工程建设对区域 ESV 空间格局的潜在影响，本文采用 PLUS 模型和 CA-Markov 模
型对土地利用需求进行预测。PLUS 模型能够高效整合自然地理与社会经济驱动因子，实现高精度的
多类型土地利用格局演变模拟。模型的模拟精度采用 K 系数进行验证，以评估模拟土地利用格局与
appa
实际利用格局间的一致性，间接反映 ESV 模拟结果的可靠性。K 系数计算公式为：
appa
K appa = (P O - P C )/ (P P - P C ) （12）
式中：P 为总体分类精度；P 为实际模拟精度；P 为理想模拟精度（100%）。
C
O
P
一般情况下，当 K ≥0.75 时，实际值与模拟值的吻合度较高；当 0.4<K <0.75 时，符合一般规
appa appa
律；当 K ≤0.4 时，一致性较低 ［13］ 。
appa
2.4.7 相关性分析 本文计算水利工程生态服务价值与各类土地利用面积及社会经济统计数据之间的
相关系数，并据此分析影响水利工程生态服务价值变化的主要因素。本文选取总人口、GDP、人均
GDP、第一、第二、第三产业总产值等 14 项社会经济指标，以探讨其与 ESV 之间的相关性。在计算过
程中，若相关系数小于等于 0.3，则判定两者相关性较弱；若大于 0.3，则认为存在较强的相关性，可
进一步开展要素间的关联性及其程度分析。计算公式如下：
- - - -
2
ρ = [∑ (u - u ) ( v - v ) ] / ∑ (u - u ) ⋅ ∑ ( v - v ) 2 （13）
- -
式中：u，v 为参与分析的两个变量；u、v 为参与分析的两个变量的平均值。

3 研究结果与讨论

3.1 土地利用结构变化 在采用监督分类与人工神经网络方法进行图像处理的基础上，开展土地利用
类型的数据分析与实地验证，以确保每幅地图的整体分类精度达到 80% 以上。本文对廊坊市的农田、
森林、草地、水域、建设用地及裸地 6 种土地利用类型的分类图像进行精度评估，结果显示，2000 年、
2010 年和 2020 年 3 个典型年的土地利用类型总体分类精度分别为 80.4%、83.0% 和 85.1%，对应的 K
appa
系数分别为 0.79、0.82 和 0.83。分析表明，各项性能统计指标均处于 Olofsson 等 ［14］ 所推荐的合理范围
内，因此该数据可用于不同土地利用类型的 ESV 的计算。
3.1.1 数据合理性 本文采用最大似然（ML）算法对预处理后的遥感数据进行检查，将像素按最大似
然概率归类，并结合土地利用动态指数分析土地利用变化。图像预处理后，依据目标地物在光谱、
形状及纹理特征的差异，选取代表性训练样本，利用 ML 算法将研究区土地利用类型划分为植被分

— 1413 —