本研究用馬可夫鍊細胞自動機理論（Cellular Automata Markov Model），探討土地利用變遷的情況。選用新竹鳳山溪流域為研究區域，將土地利用種類分成六種(農業、森林、都市、水利、遊憩、其他)進行討論，並分析土地利用變遷影響因子與限制因子，再以不同限制條件設定土地利用變遷情境，模擬出未來土地利用變遷的情況，並以現有水體與水利用地的限制作為基礎假設。模擬結果顯示，以第二種情境現有水體與水利用地加上平均坡度大於30%的限制設定，所得的模擬預測結果最符合2007年土地利用現況，這也說明鳳山溪流域周遭的開發，是受到建築技術規則第26條平均坡度大於30%不得開發建築的限制影響較大，而以私有地的使用變遷，對鳳山溪流域周遭的開發並沒有造成太大的影響。本研究於CA-Markov 模型中以2007 年土地利用圖做為模擬起始年期，並輸入與第二種情境相同的模型影響因子設定，以進行模型預測。
預測結果表示，綜觀鳳山溪流域從1995年至2031年，在這36年間都市用地的面積變化率最大，增加75.89%；其次是森林用地，增加68.86%。而農業用地將減少70.79平方公里，占鳳山溪流域的28%。在位於研究區域東側較為內陸的關西都市計畫區，更能看到土地利用的明顯變化。2019年有大量的農業用地與森林用地轉為都市用地；而遊憩用地在2019年時，多分布在河道沿岸，至2031年遊憩用地的面積有減少的趨勢，其分布位置也有所改變。都市用地在2031年有持續向外過張的趨勢，往西側擴張的範圍較大。

In this study, the Markov chain cell automata theory (CA-Markov) was used to investigate land use changes from 1995 to 2031 in Fongshan river basin in Hsinchu, Taiwan. The land use was divided into six types (agriculture, forest, urban, water, recreation, and others) and future land use changes were analyzed based on impact factors and constrain factors with different scenarios. The projection of future land use results indicated the largest change rate of urban land (75.89%) in 36 years from 1995 to 2031, followed by forest land with increase of 68.86%. It was also projected that; agricultural land will be reduced up to 28% (70.79 km2).
During the land use change simulation, noticeable changes were observed in Guanxi metropolitan urban planning area, located in the east side of study region. Year 2019, indicate a clear change of agricultural and forest land into urban land with recreation places along the river. The expansion of urban land is more toward west side and will continued up to 2031.

中文文獻
1. 王鎮宇，「土地利用變遷與氣候變遷對2030年鳳山溪流域水文系統之影響」，碩士論文，國立中央大學土木工程研究所 (2017)。
2. 吳幸娟，「應用土地利用變遷模式與水文模式分析氣候變遷下水文通量之變化」，碩士論文，國立中央大學土木工程研究所 (2014)。
3. 吳艷艷，「Markov-CA模型支持下的武漢市土地利用變化模擬與預測」，碩士論文，武漢理工大學資源與環境工程學院 (2009)。
4. 林書任，「大眾運輸導向發展策略對城市區域土地使用型態之影響-以新台南市為例」，碩士論文，國立成功大學都市計劃研究所(2011)。
5. 林裕彬、朱宏杰、吳振發，2011，土地利用變遷模式回顧比較，國土資訊系統通訊，第77期，46-53頁。
6. 張永葵，「應用GIS與細胞自動機(CA)模擬都市空間之擴張-以宜蘭平原為例」，碩士論文，中國文化大學地學研究所地理組 (2006)。
7. 陳柏宏，「以防災為導向之都市聰明萎縮管理-以嘉義地區土地使用調適為例」，碩士論文，國立成功大學都市計畫研究所 (2017)。
8. 陳詠仁，「土地利用洪災減緩策略對上游集水區土地利用型態之影響-以曾文水庫集水區為例」，碩士論文，國立成功大學都市計畫研究所 (2013)。
9. 黃任薇，「GIS網格解析度之研究」，碩士論文，國立成功大學都市計劃研究所（2007）。
10. 劉淳鈺，「土地利用時空格局模擬-以中部科學工業園區台中基地之特定區計畫為例」，碩士論文，逢甲大學土地管理所 (2012)。
11. 蕭宇昂，「結合景觀指數與CA-Markov模型評估城鎮生態品質-以南投縣埔里鎮為例」，碩士論文，東海大學景觀學系碩士班 (2012)。
12. 賴啟宇，「以馬可夫細胞自動機模擬都市變遷對環境的衝擊-以台中市為例」，碩士論文，東海大學環境科學與工程學系 (2015)。
13. 顧嘉安，「以馬可夫細胞自動機模型模擬極端洪水對都市土地利用型態之影響-以台北市為例」，碩士論文，國立成功大學都市計畫研究所 (2010)。
14. 經濟部水利署第二河川局，「鳳山溪水系河川情勢調查」，(2014)。
15. 經濟部水利署網站，http://www.wra.gov.tw/ct.asp?xItem=93744&CtNode=9999，(2017)
16. 劉雪萍(譯)(2014)。IDRISI遙感圖像外處理與地理信息系統教程。北京(J.Ronald Eastman，2012)
外文文獻
1. Aguilera, F., Valenzuela, L. M., & Botequilha-Leitão, A. (2011). Landscape metrics in the analysis of urban land use patterns: A case study in a Spanish metropolitan area. Landscape and Urban Planning, 99(3-4), 226-238.
2. Balzter, H., Braun, P. W., & Köhler, W. (1998). Cellular automata models for vegetation dynamics. Ecological modelling, 107(2-3), 113-125.
3. Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and psychological measurement, 20(1), 37-46.
4. Eastman, J.R. IDRISI Terrset Manual; Clark Labs-Clark University: Worcester, MA, USA, 2016.
5. Foody, G. M. (1992). On the compensation for chance agreement in image classification accuracy assessment, Photogram. Eng. Remote Sens., 58, 1459-1460.
6. Fu, X., Wang, X., & Yang, Y. J. (2018). Deriving suitability factors for CA-Markov land use simulation model based on local historical data. Journal of environmental management, 206, 10-19.
7. Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. biometrics, 159-174.
8. Li, H and Reynolds J. F. (1997) Modeling effects of spatial pattern, drought, and grazing on rates of rangeland degradation: a combined Markov and cellular automata approach. In: Quattrochi DA, Goodchild MF (eds) Scales in remote sensing and GIS. Lewis Publishers, Boca Raton, pp 211–230.
9. Li, X., Wang, M., Liu, X., Chen, Z., Wei, X., & Che, W. (2018). Mcr-modified ca–markov model for the simulation of urban expansion. Sustainability, 10(9), 3116.
10. Lu, Q., Chang, N. B., Joyce, J., Chen, A. S., Savic, D. A., Djordjevic, S., & Fu, G. (2018). Exploring the potential climate change impact on urban growth in London by a cellular automata-based Markov chain model. Computers, Environment and Urban Systems, 68, 121-132.
11. Manseurad, R. A. (1992). Comparing global vegetation maps with the kappa statistics. Ecol model, 62, 275-279.
12. Palmate, S. S., Professor, A. P. A., & Professor, S. K. M. (2017). Modelling spatiotemporal land dynamics for a trans-boundary river basin using integrated Cellular Automata and Markov Chain approach. Applied geography, 82, 11-23.
13. Pontius Jr, R. G. (2000). Comparison of Categorical Maps. Photogrammetric Engineering & Remote Sensing, 66(8), 1011-1016.
14. Sang, L., Zhang, C., Yang, J., Zhu, D., & Yun, W. (2011). Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3-4), 938-943.
15. Wood, L. J., & Dragicevic, S. (2007). GIS-based multicriteria evaluation and fuzzy sets to identify priority sites for marine protection. Biodiversity and Conservation, 16(9), 2539-2558.