土地利用/土地覆盖变化情景模拟研究进展

刘甲红，徐露洁，潘骁骏，胡潭高，张登荣，吴祎越，王 筱

(1. 杭州师范大学遥感与地球科学研究院, 浙江 杭州 311121；2.浙江省城市湿地与区域变化研究重点实验室, 浙江 杭州 311121；3. 浙江省第二测绘院, 浙江 杭州310012)

土地利用/土地覆盖变化情景模拟研究进展

刘甲红1, 2，徐露洁1，2，潘骁骏3，胡潭高1, 2，张登荣1, 2，吴祎越1, 2，王 筱1, 2

(1. 杭州师范大学遥感与地球科学研究院, 浙江 杭州 311121；2.浙江省城市湿地与区域变化研究重点实验室, 浙江 杭州 311121；3. 浙江省第二测绘院, 浙江 杭州310012)

土地利用/土地覆盖变化(Land-Use and Land-Cover Change，简称LUCC)是全球变化的重要组成部分，LUCC模拟模型是研究土地利用演变的重要方法.开展土地利用时空演变和预测模拟的研究，对合理规划土地利用，促进土地资源可持续发展具有重要意义.文中以LUCC为研究对象，综合近年来LUCC动态监测方面的相关研究，对各模型的应用及优缺点进行了详细论述，同时对LUCC的研究现状进行了总结，并对其发展趋势进行了展望.研究发现：1)LUCC预测模型由数量预测向空间预测、由单一模型向耦合模型发展；2)各模型有其优势及适用范围；3)多模型、多技术的综合应用是LUCC发展的必然趋势；4)LUCC模型缺乏对时间多尺度和长时间序列的研究；5)各系统之间的反馈关系以及“人类-环境”关系是LUCC的研究重点.

LUCC；系统动力学；元胞自动机；耦合模型

0 引言

土地是人类赖以生存的基础，是全球环境变化的重要组成部分[1].LUCC与人类的生产生活息息相关，对自然环境和人类生存发展有着深远的影响[2-3].近几十年来，中国大部分城市经历了翻天覆地的变化，城市不断发展和扩张.伴随着城市化过程的加快，土地利用和土地覆盖发生了巨大变化，许多自然土地，尤其是森林和湿地等向农业用地和人类居住地转变，LUCC无论在深度、广度以及速度上都发生了前所未有的深层次变化.因此，研究LUCC机理、预测土地利用演变趋势，有利于合理开发利用土地资源和实现土地利用的可持续发展[4].而合理、准确的模拟预测出土地利用变化的趋势是研究的核心.LUCC的变化过程极其复杂，需要对复杂的系统进行简化，构建抽象模型有助于理解土地利用/覆盖的变化过程、同时可对未来变化趋势进行模拟预测，因此构建模拟预测模型已成为研究土地利用变化的必要手段[5].

目前LUCC的动态监测已经成为国内外研究的热点，建立LUCC研究模型是环境管理和土地利用总体规划的一个重要课题，有助于土地利用总体规划和优化土地利用模式，对保护和改善生态环境具有重要的指导意义，国内外大量学者在如何建模和预测区域土地利用方面开展了大量的研究.本文在总结国内外LUCC模拟预测模型的基础上，按发展历程将其总结归纳为以下三类：第一类是单纯的数量变化预测，即LUCC数量预测模型，解释“how”的问题；第二类是在空间格局上的变化预测，即LUCC空间预测模型，可解释“where”的问题[3]；而单一模型无法满足LUCC变化过程的复杂特性，越来越多的学者将多个模型结合起来进行研究，将其归为第三类模型，即耦合模型.本文从各模型机理、实际应用及应用中存在的不足等角度，对常见的LUCC预测模型(数量预测模型、空间预测模型和耦合模型)进行详细的论述，并对LUCC未来发展方向进行了展望.

1 LUCC数量预测模型

早期的LUCC模型着重于定性描述土地利用的系统变化，分析地物类型数量和面积的变化以及变化的速率等，这类模型通常为数学模型，通过固定的数学公式利用计算机计算得出结果.如Logistic回归模型、灰色预测模型(Gary Forecast Model)、马尔科夫(Markov)模型等；还有使用较广的动力学模型，其中代表性的有自下而上的基于微分方程的系统动力学模型(SD: System Dynamics)和神经网络模型(ANN: Artificial Neural Network).

Logistic回归模型主要采用极大似然法估计原理，通过事件发生和不发生的概率比(Pi/(1-Pi)称为事件的发生比)，对其进行对数变换得到Logistic回归分析的线性模型.方程表达式如下：

(1)

其中，Pi表示栅格单元上出现土地利用类型i的概率；Xi表示各个驱动因素；β表示各驱动因子的回归系数，表示变量Xi对Pi的影响大小.

在LUCC模拟中，可得在不同自变量的情况下，需要土地利用类型出现在某个位置的概率有多大.Logistic回归则常用于描述各变量与地物类型间的相关性，并得到显著相关性的驱动因子[6].曾凌云[7]、戴声佩[8]等诸多学者都利用Logistic回归模型对研究区进行模拟与分析，并取得了较好的模拟结果.

Markov模型的基本原理即通过前后状态之间的变化得到转移概率矩阵，模拟事件发生的变化及预测其发展变化趋势.

S(t+1)=Pij*S(t)

(2)

图1 系统动力学决策反馈环Fig.1 The system dynamics decision feedback loop

马尔科夫转移概率矩阵可以清晰地表达土地利用流向与转化方向，并以数字的形式定量地表示各土地利用类型之间的转化情况，在获得土地利用各类型转移数量的同时也反映了其变动程度[9].郭笃发[10]、杜际增[11]等诸多学者都利用Markov过程建立土地利用转移概率矩阵对土地利用演化情况进行模拟预测.马尔科夫模型通常与灰色预测模型结合使用，如焦继宗[12]利用Gray-Markov预测民勤绿洲未来土地利用类型面积的变化，模拟精度达到85.72%.

系统动力学(System Dynamics，简称SD)模型是建立在控制论、系统论和信息论基础上研究反馈系统结构、功能和动态行为的一类模型，常用于解决非线性系统问题.其特点是通过流量函数(Flow)、状态变量(Stock)、流线(Connector)和辅助变量(Convertor)等基本要素构成模型决策反馈环(图1)[13].土地利用系统与经济、社会和生态系统等相互影响，各系统要素之间相互作用、相互制约，形成一定的反馈机制，因其具有系统动力学决策反馈环所具有的动力学特征，不少学者将系统动力学用于土地利用的模拟研究[14].李志[15]、钱国英[16]等对其开展了深入有成效的研究.

然而，在实际模拟土地利用演化过程中，以上所述模型仍存在着不足.首先，作为LUCC数量预测模型，上述各模型存在着一个共同的特征，即模拟结果只是在数量和面积上的变化，无法分析空间上的格局变化.如SD模型缺乏对空间因素的处理能力和各要素在空间上的反馈；Markov数量转移方面具备优势，却无法得知地物类型在空间上的变化程度.其次，受到研究者主观性的影响.如Logistic回归模型和SD模型在建模时，模型结构和参数的设定、影响因子的选取都是人为主观确定.第三，受不规律性的影响.如Markov模型是通过分析过去土地利用的变化得到转移概率矩阵，并用来模拟预测土地利用的未来变化趋势，而实际情况中，土地利用的变化受到自然和人为因素的影响，自然因素的变化幅度较小，影响较小；但人为因素是不规律的，会受到政策调控等的影响，如土地利用政策、经济发展政策等等，相对来说起主要作用，且具有不可预测和不可控制性，因此前后时间段的土地利用变化驱动力不同，不同地物类型间的转移概率也会有变化，最终会影响预测的精度.

2 LUCC空间预测模型

LUCC数量预测模型虽然能体现LUCC的大体变化趋势，却不能反映具体地位置变化信息，因而无法预知其空间格局的分布变化.LUCC空间预测模型相比于单纯的数量预测具有空间模拟的优势，解决了“where”的问题.大量学者开始转向对LUCC空间分布格局的研究，结合近年来飞速发展的遥感和GIS技术，开展了对LUCC在多时空尺度上的变化，各系统间的相互作用，以及近年来备受关注的“人类-环境”的关系等一系列研究.常见LUCC空间预测模型主要有：CLUE-S、GEOMOD、SLEUTH、CA、MAS等.

2.1 CLUE-S模型

CLUE-S(Conversion of Land Use and its Effects at Small Region Extent, 简称CLUE-S)模型是模拟较小尺度的区域土地利用变化及其环境效应的空间多尺度模型[17].该模型一般假设某地区的土地利用变化受土地利用需求驱动，并且该地区的土地利用分布格局总是与土地需求及自然社会经济状况处于动态平衡状态，在此基础上，结合影响土地利用变化的自然和人文驱动因子，以确定栅格单元上的土地利用类型.CLUE-S模型由空间模块和非空间模块两部分组成(图2).非空间模块相对于空间模块独立运算完成，主要计算土地利用需求引起的土地利用类型及面积，可以根据研究区社会经济情况，利用情景分析或趋势外推等方法确定.空间模块用来模拟各种地物类型空间分配格局，是CLUE-S模块的核心，主要负责未来土地利用需求在空间上的分配，它是以栅格化空间数据为基础，计算得到各个地物类型的转移概率、转移弹性等，应用算法计算土地利用数据在空间上的权重分配，以模拟土地利用的空间变化特征(图3).

图2 CLUE-S模型结构示意图Fig.2 The structure schematic view of CLUE-S modeling

图3 CLUE-S模型空间分配结构图Fig.3 The Space allocation structure of CLUE-S modeling

CLUE-S模型综合了自然与人文驱动因子，且能揭示土地利用变化的主要驱动因子；综合了空间分析与非空间分析的特点，同时能实现空间多尺度及不同情景变化的研究，受到了国内外学者的广泛关注.Batty M等运用CLUE-S模型成功模拟了奈曼旗和科尔沁沙地的土地利用时空动态变化[18]；Overmars等利用归纳法和演绎法构建了菲律宾吕宋岛东北部的卡格扬河流域的土地利用类型概率分布适宜图，并运用CLUE-S模型对该区域的土地利用分布格局进行模拟预测[19].CASTELLA J C和KAM S P, VERBURG P H等结合多主体模型与CLUE-S模型，模拟了越南山区土地利用格局的变化[20-21].Verburg等结合全球经济模型和综合评估模型计算了欧洲农业生产率和土地利用需求的变化，并利用CLUE-S模型对欧洲未来的土地利用空间格局进行动态模拟分析[22].Britz等在1km×1km分辨率下，利用CLUE-S模型与CAPRI-Spat模型相结合预测2025年欧洲农业景观格局的变化[23].周成虎[24]、冯仕超[25]、吴浩[26]等诸多国内学者对其开展了深入研究.

然而，由于CLUE模型在局部土地利用格局的演化分配上主要以统计和经验模型为基础，难以充分反映土地利用微观格局演化的复杂性特征.CLUE-S模型虽然在空间尺度上实现了多尺度的研究，但缺乏对时间多尺度的研究，且模拟时间较短，一般为20年.在模拟过程中，地物类型受到限制，只能模拟13种地物类型，所以在模拟土地利用的空间演变格局中仍存在着局限性.

2.2 元胞自动机

元胞自动机(Cellular Automata, CA)模型是一种时间、空间和状态都离散的动力学模型，模型主要由元胞、元胞空间、时间、领域和转换规则5个部分组成.通过许多相同的元胞(即网格)以均匀的方式排列，每个元胞只有几种可能的状态，并且只和周围的几个元胞有相互作用.某一元胞t+1时刻的状态由该元胞t时刻的状态与该时刻领域元胞的状态的函数决定，即：

St+1=f(St，Nt)

(3)

其中，St+1为某元胞下一时刻的状态，St为该元胞在上一时刻的状态，Nt为该元胞上一时刻领域的状态，f为元胞与领域间的转换规则函数.

CA的特点是通过定义局部元胞邻近关系以及转换规则，从而表示和模拟整个系统中复杂现象的时空动态变化(图4).而如何定义转换规则是CA模型的核心.使用较广的有层次分析法、Logistic回归法、神经网络训练法、决策树等方法.

图4 元胞自动机的组成(据周成虎)Fig.4 The Composition of Cellular Automata(From Zhou Q H)

图5 多智能体模型构成Fig.5 The constitute Multi-agent System models

LUCC模型除了深入研究土地利用变化驱动因子，还需注重对土地利用影响的反馈机制研究.而较为广泛的反馈机制是t时刻的土地利用依赖于t-1时刻的土地利用，CA模型正能反映出这种土地利用变化过程的反馈.近几十年来，CA模型受到广泛的重视，被越来越多地应用于城市扩张和土地利用演化的模拟研究，并取得诸多研究成果，都表明了CA模型可以比较有效地反映土地利用微观格局演化的复杂性特征.White R和Engelen G多次将CA模型应用于城市土地利用变化的模拟研究，如运用CA模型模拟预测美国Cincinnati市的城市发展，研究全球气候变化对Caribbean岛的土地利用结构变化的影响等，并取得良好的模拟效果[27-28].Keith C. Clarke和Leonard J. Gaydos将研究重点放在元胞间的相互作用上，把CA模型扩展到更大区域的土地利用研究上[29].近年来国内对元胞自动机的研究发展迅速.Wu等利用限制性元胞自动机模拟了广州市土地利用变化[30].罗平等以深圳为例，构建了基于地理特征概念的CA模型(Geo Feature-CA)，模拟研究区土地利用动态变化过程，并将模拟结果与实际数据进行对比，证明模拟结果的可行性[31].黎夏[32]、胡茂桂[33]、王磊[34]等构建了ANN-CA模型分别模拟了研究区土地利用的变化.

CA模型在模拟复杂系统的土地利用转化关系时仍存在不足：CA模型是通过定义局部元胞邻域的相互作用而达到整个系统的模拟，而复杂系统中各因素的行为除了局部小环境的作用，还受到系统整体环境的影响；元胞自动机的元胞空间是理想状态下的均质空间，而真实的地理环境是非均匀空间，导致模拟的结果与真实地理状况存在差异；元胞的状态变化取决于自身及周围元胞的状态集合，而元胞领域间的转换规则的确定仍是一个难题.

2.3 多智能体系统

多智能体系统(Multi-Agent System, 简称MAS)是由多个相互作用的Agent计算单元组成的系统.每个Agent都具备一定的功能，但仅靠单个Agent往往无法描述和解决现实中的复杂问题.因此，需要通过多个Agent之间的相互协作，才能达到共同的整体目标，从而解决复杂的问题(图5).Agents代表在虚拟环境中具有自主能力、可以进行有关决策的实体，这些实体可以是人类、机构或环境等.如居民Agent、房地产Agent、政府Agent、环境Agent等.因此，多智能体系统在结合考虑“人类-环境”的相互关系中相比其它模型有着无可比拟的优势.

地理空间系统动态发展是空间微观个体相互作用的结果，MAS的核心思想就是由微观个体的相互作用产生宏观全局的变化[35].Parker D C等通过与传统方法比较，用大量理论与实例论证了MAS用于LUCC预测研究的优势，并说明MAS模型适用于模拟由多决策主体组成的复杂空间交互系统[36].刘小平等利用所构建的MAS模型模拟广州市海珠区1995-2004年土地利用空间格局的变化，并与实际情况对比检验，总精度达到78.6%[37].张鸿辉等基于MAS理论构建了城市土地扩张模型，应用所构建模型模拟与分析对长沙市区的土地扩张状况，将模拟结果与遥感解译结果对比检验，精度均达到68%[38].张云鹏等基于MAS理论构建土地利用情景模拟模型，应用所构建模型模拟2006-2020年常州市新北区的土地利用变化状况，结果证明空间全局拟合度较好，MAS模型可应用于区域土地利用变化的模拟[39].周淑丽等以广州市番禺区为研究区，构建多智能体城市扩张模型，运用所构建模型模拟研究区2003-2008年的城市扩张动态过程，并与实际土地利用情况对比检验，总体模拟精度为85.83%[40].

MAS模型在土地利用动态变化模拟中仍存在着以下不足：MAS模型的关键是如何定义复杂系统中的多智能体及其行为，而社会经济系统极其复杂，很难有一个统一的模式；模型模拟过程中，Agent的决策行为和规则相当复杂，如何对Agent进行抽象化，如何说明各类Agent对外部信息做出感应并及时反馈仍是难点.

3 LUCC耦合模型

单一的模型难以满足实际土地利用的复杂变化，多模型的综合应用是LUCC模型发展的必然趋势.在实际LUCC情况下，空间和非空间模型相互作用、相互联系(图6).空间模型主要分析土地利用的空间格局和生态环境的空间关系；而非空间模型则多侧重研究引起土地利用变化的直接因子和潜在因素[41].越来越多的学者将数量预测和空间预测模型结合进行模拟预测土地利用的动态变化.

图6 LUCC的数量特征和空间特征的关系Fig.6 Relationship between the quantity and the spatial location of LUCC

CLUE-S模型主要是基于对未来土地需求量与空间驱动因子之间的联系，对地物类型间的竞争关系进行空间上的模拟.而Markov模型常用于预测土地利用需求量，可为CLUE-S模型提供未来土地需求量的数据.周锐[42]、朱春娇[43]等学者将二者结合对研究区进行了模拟预测，模拟结果精度较高.CA模型具有复杂空间动态模拟的能力，Markov转移概率矩阵具有在数量上定量化预测的优势.Sumeeta Srinivasan将Markov链与CA模型结合，构建CA-Markov模型，模拟印度Delhi地区的快速城市化过程[44].赵建军[45]、赵冠伟[46]、肖明[47]等国内诸多学者也利用CA-Markov模型来预测未来土地利用分布格局.何丹[48]、孙哲[49]等构建Logistic-CA-Markov耦合模型对研究区未来土地利用结构进行模拟预测.何春阳等综合自上而下的SD模型和自下而上的CA模型，发展了土地利用情景变化动力学LUSD(Land Use Scenario Dynamics model)模型，并利用该模型模拟了中国北方13省未来20年土地利用变化.同时利用大都市区土地利用情景变化动力学LUSD-M(Land Use Scenario Dynamics model in Metropolitan area)模型，模拟北京大都市2004-2020年土地利用情景变化格局[50].李月臣等以中国北方13省为例，在LUSD的基础上，引入ANN，简化了CA模型模拟过程中参量权重确定问题，提高了参量权重值确定的精度和模拟结果的可靠性，将SD、ANN、CA三者结合构建模拟模型，对研究区域多种地物类型的变化进行模拟，模拟精度达到74%[51].

人类和所处环境相互作用，形成一个开放的、综合的复合系统.如何处理“人类-环境”之间的关系，对于预测土地利用变化至关重要.MAS模型可通过微观Agent间的相互作用，对复杂系统做出反应和决策行为，体现了“人”的主动性；CA模型则主要考虑自然环境要素，体现的“地”的作用.Ligtenberg等结合MAS和CA模型，并引入政府的主导因素，构建土地利用规划模型，实现了微观决策行为主体的多样化和决策主体间的决策交互行为[52].Sudhira将CA与MAS相结合，构建了城市扩张模型，以印度Mangalore市为例进行仿真模拟，并验证了模型的可靠性[53].Vancher等结合CA与MAS构建城市增长的动态模拟模型，其中，模型的时间状态和不同Agent之间的决策交互行为分别利用泊松分布随机函数表征和用模糊决策理论表示，利用所构建模型成功地模拟了瑞士南部城市Lugano的城市动态演化[54].黎夏等提出地理拟优化系统GeoSOS，该系统由元胞自动机(CA)、多智能体(MAS)、生物智能(SI)三部分组成[55].其核心内容是基于微观个体的相互作用，达到整体系统的模拟和优化的目的.并以东莞市的谢岗镇作为研究区模拟2001、2004、2007、2010和2013年的土地利用分布状况，并与非耦合模型比较，耦合模型产生的效用值分别高出4.3%(点状优化)和4.1%(线状优化)，表明GeoSOS能够优化结果.

4 结论与展望

4.1 结论

文章重点总结了近年来用于模拟土地利用演变的多种LUCC预测模型，并比较不同模型的优缺点.由于土地利用系统的复杂性，难以建立一个普适性模型.不同的模型有其优势以及适用的范围，对不同的研究区进行预测时需根据特定要求选取合适的模型或选择多个模型综合应用.在LUCC数量预测模型中，Logistic回归模型能够通过对驱动因子与土地利用类型之间的相关性分析得出显著性驱动因子，并定量化驱动因子与土地利用类型之间的关系.系统动力学所具有的反馈机制正是LUCC系统的一个重要特征，不同地物类型的变化所引起的反馈，驱动因子导致的土地利用变化反馈于驱动因子的变化，不同时空尺度的研究所造成的影响等反馈作用，都是在实际模拟土地利用演变趋势中需要考虑的问题.Markov转移概率矩阵能在一定条件下提供稳定的土地利用转移速率，但在人类过度干扰和政策性变化等不可控因素下，基于前期的土地利用转移速率并不能用来预测未来土地利用的变化.LUCC空间预测模型较LUCC数量预测模型更有优势，因此使用范围更广.CLUE-S模型，具有在多种不同空间尺度下进行模拟的能力，并可根据不同的可能性对其发展趋势设置不同的情景进行预测.CA预测模型的研究重点仍是如何定义CA的模型结构、转换规则和模拟真实情景时涉及的空间变量和参数.对于MAS，该模型的关键是如何定义复杂系统中的Agent和Agent的决策行为，以及如何定义多个Agent间的相互关系.模型中Agent类型过多，系统过于复杂，实用性不强；Agent类型过少，又无法准确地表达.外部环境条件影响居民Agent的决策行为，同时，居民Agent的决策又反过来影响地理环境要素.所以，如何确定和定义影响土地变化的决策Agent，如何反映Agent的决策行为，仍是研究的重点与难点.

4.2 展望

由于人类活动和城市扩张的加剧，土地利用/土地覆盖受到了显著破坏，本文以土地利用/土地覆盖为研究对象，综合论述了多种LUCC预测模型在土地利用/土地覆盖的动态模拟和对未来格局预测中的应用，对分析土地利用主要面临的威胁、土地利用资源的潜在风险，和合理规划利用土地资源、保护资源的可持续发展提供科学依据，这项研究对土地结构的预测、保护以及合理利用具有重要的实际意义.

本文通过对LUCC预测模型的总结论述发现，LUCC模型从数量预测模型到空间预测模型，从单一模型到耦合模型不断发展；多模型、多技术的综合应用是LUCC发展的必然趋势.在实际应用中，LUCC模型应用范围不断扩大，模拟精度不断提高，为政府的决策提供了重要的信息.但是，LUCC模型仍面临着诸多挑战和难点，虽然CLUE-S模型实现了空间多尺度的研究，但仍缺乏对时间多尺度和长时间序列的研究；不同时空尺度的对驱动因子的影响与其反馈机制将是LUCC的研究重点之一；LUCC的实质问题是“人类-环境”的关系问题，如何系统准确地利用模型描述人类活动和决策，如何在模型中抽象和简化人类与环境的相互影响与反馈作用仍是LUCC的难点与挑战之一.从全球尺度上来说，目前国际上还未能建立一个具有代表性的LUCC全球模型，如何建立统一指标体系，如何实现技术合作与数据共享，以创建全球性的LUCC分析模型是未来LUCC研究所面临的挑战.

[1] LIU J ，KUANG W, ZHANG Z, et al. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s[J]. Journal of Geographical Sciences, 2014, 24(2): 195-210.

[2] SU C, FU B, LU Y, et al. Land Use Change and Anthropogenic Driving Forces: A Case Study in Yanhe River Basin[J]. Chinese Geographical Science, 2011 ，21(5)： 587-599.

[3] 唐华俊, 吴文斌, 杨鹏, 等. 土地利用/土地覆被变化(LUCC)模型研究进展[J]. 地理学报, 2009, 64(4): 456-468.

[4] 韩会然, 杨成凤, 宋金平. 北京市土地利用空间格局演化模拟及预测[J]. 地理科学进展, 2015, 34(8): 976-986.

[5] 崔敬涛. 基于Logistic-CA-Markov模型的临沂市土地利用变化模拟预测研究[D]. 南京: 南京大学, 2014.

[6] 李洪, 宫兆宁, 赵文吉, 等. 基于Logistic回归模型的北京市水库湿地演变驱动力分析[J].地理学报, 2012, 67(3): 357-367.

[7] 曾凌云, 王钧, 王红亚. 基于GIS和Logistic回归模型的北京山区耕地变化分析与模拟[J]. 北京大学学报(自然科学版), 2009, 45(1): 165-170.

[8] 戴声佩, 张勃. 基于CLUE-S模型的黑河中游土地利用情景模拟研究——以张掖市甘州区为例[J]. 自然资源学报, 2013, 28(2):336-347.

[9] 王铮, 吴健平, 邓悦, 等. 城市土地利用演变信息的数据挖掘——以上海市为例[J]. 地理研究, 2002, 21(6): 675-681.

[10] 郭笃发. 利用马尔科夫过程预测黄河三角洲新生湿地土地利用/覆被格局的变化[J]. 土壤, 2006, 38(1): 42-47.

[11] 杜际增, 王根绪, 李元寿. 基于马尔科夫链模型的长江源区土地覆盖格局变化特征[J]. 生态学杂志, 2015, 34(1): 195-203.

[12] 焦继宗. 民勤绿洲土地利用/覆盖时空演变及模拟研究[D]. 兰州: 兰州大学, 2012.

[13] SHEN L Y, WU Y Z, CHAN E H W, et al. Application of system dynamics for assessment of sustainable performance of construction projects [J]. .Journal of Zhejiang University (Science, A) 2005, 6(4): 339-349.

[14] 何春阳, 史培军, 李景刚, 等. 中国北方未来土地利用变化情景模拟[J]. 地理学报, 2004, 59(4): 599-607.

[15] 李志, 周生路, 陆长林, 等. 基于系统动力学城市边缘区土地利用变化模拟与预测——以南京市江宁区为例[J]. 土壤, 2010, 42(2): 314-318.

[16] 钱国英，张长勤，董斌，等. 基于遥感与系统动力学模型的土地利用/覆被变化研究[J]. 遥感信息, 2014, 29(1): 44-50.

[17] 吴健生, 冯喆, 高阳，等. CLUE-S模型应用进展与改进研究[J]. 地理科学进展, 2012, 31(1): 3-10.

[18] BATTY M, XIE Y. Possible urban automata[J]. Environment and Planning B: PLANNING AND DESIGN, 1997, 24(2): 175-192.

[19] OVERMARS K P, VERBURG P H. Comparison of a deductive and an inductive approach to specify land suitability in a spatially explicit land use model [J]. Land Use Policy, 2007, 24(3): 584-599.

[20] CASTELLA J C, KAM S P, QUANG D D, et al. Combining top-down and bottom-up modelling approaches of land use/cover change to support public policies: Application to sustainable management of natural resources in northern Vietnam [J]. Land Use Policy, 2007, 24(3): 531-545.

[21] CASTELLA J C, VERBURG P H. Combination of process-oriented and pattern-oriented models of land-use change in a mountain area of Vietnam [J]. Ecological Modeling, 2007, 202(3/4): 410-420.

[22] VERBURG, P H. EICKHOUT, B. VAN MEIJL, H. A multi-scale, multi -model approach for analyzing the future dynamics of European land use [J]. Annals of Regional Science, 2008, 42(1): 57-77.

[23] BRITZ W, VERBURG P H, LEIP A. Modelling of land cover and agricultural change in Europe: Combining the CLUE and CAPRI-Spat approaches[J]. Agriculture, Ecosystems and Environment, 2011, 142(1/2): 40-50.

[24] 周成虎, 欧阳, 马廷, 等. 地理系统模拟的CA模型理论探讨[J]. 地理科学进展, 2009, 28(6): 833-838.

[25] 冯仕超. 基于CLUE-S模型的湟水流域土地利用/土地覆盖变化模拟研究[D]. 西宁: 青海师范大学, 2012.

[26] 吴浩, 梅志雄, 李诗韵. 基于改进CLUE-S模型的土地利用变化动态模拟与研究——以广州市增城区为例[J]. 华南师范大学学报(自然科学版), 2015, 47(6): 98-104.

[27] WHITE R, ENGELEN G, ULJEE I. The use of constrained cellular automata for high-resolution modeling of urban land use dynamics[J]. Environment and Planning B, 1997, 24(3): 323-343.

[28] WHITE R, ENGELEN G. Cellular automata and fractal urban form: a cellular modelling approach to the evolution of urban land-use patterns[J]. Environment and Planning A, 1993, 25(8): 1175-1199.

[29] ALL-AHMADI K, HEPPENSTALLL A, HOGG J, ET AL. A fuzzy cellular automata urban growth model(fcaugm)for the city of riyadh,saudi arabia.part2:scenario testing[J]. Applied Spatial Analysis and Policy, 2009, 2(2): 85-105.

[30] WU F L. Calibration of stochastic cellular automata: the application to rural-urban land conversions [J]. International Journal of Geographical Sciences, 2002, 16(8): 795-818.

[31] 罗平, 杜清运, 雷元新,等. 地理特征元胞自动机及城市土地利用演化研究[J]. 武汉大学学报(信息科学版), 2004, 29(6):504-507.

[32] 黎夏, 叶嘉安. 基于神经网络的元胞自动机及模拟复杂土地利用系统[J]. 地理研究, 2005, 24(1): 19-27.

[33] 胡茂桂, 傅晓阳, 张树清, 等. 基于元胞自动机的莫莫格湿地土地覆被预测模拟[J]. 资源科学, 2007, 29(2): 142-148.

[34] 王磊, 王羊, 蔡运龙. 土地利用变化的ANN-CA模拟研究——以西南喀斯特地区猫跳河流域为例[J].北京大学学报(自然科学版), 2012, 48(1): 116-122.

[35] 黎夏, 刘小平, 李少英. 智能式GIS与空间优化[M]. 北京: 科学出版社，2010:111-112.

[36] PARKER D C, MANSON S M, JANSSEN M A, et al. Multi-agent systems for the simulation of land-use and land-cover change: a review [J]. Annals of the Association of American Geographers, 2003, 93(2): 314-337.

[37] 刘小平, 黎夏, 叶嘉安. 基于多智能体系统的空间决策行为及土地利用格局演变的模拟[J]. 中国科学, 2006, 36(11): 1027-1036.

[38] 张鸿辉, 曾永年, 金晓斌, 等. 多智能体城市土地扩张模型及其应用[J]. 地理学报, 2008, 63(8): 869-881.

[39] 张云鹏, 孙 燕, 陈振杰. 基于多智能体的土地利用变化模拟[J]. 农业工程学报, 2013, 29(4): 255-265.

[40] 周淑丽, 陶海燕, 卓莉. 基于矢量的城市扩张多智能体模拟——以广州市番禺区为例[J]. 地理科学进展, 2014, 33(2): 202-210.

[41] VERBURG P H, SCHOT P P, DIJST M J, et al. Land use change modelling: Current practice and research priorities[J]. GeoJournal, 2004, 61(4): 309-324.

[42] 周锐, 苏海龙, 王新军, 等. 基于CLUE-S模型和Markov模型的城镇土地利用变化模拟预测——以江苏省常熟市辛庄镇为例[J]. 资源科学, 2011, 33(12): 2262-2270.

[43] 朱春娇. 基于Markov和CLUE-S模型的浦东新区土地利用变化趋势分析[D]. 上海: 华东师范大学，2015.

[44] SRINIVASAN S. Linking land use and transportation in a rapidly urbanizing context: a study in delhi, India [J]. Transportation, 2005, 32(1): 87-104.

[45] 赵建军, 张洪岩, 乔志和, 等. 基于CA-Markov模型的向海湿地土地覆被变化动态模拟研究[J]. 自然资源学报, 2009, 24(12): 2178-2186.

[46] 赵冠伟, 陈颖彪, 陈健飞, 等. CA-Markov模型空间尺度敏感性研究[J]. 地理科学, 2011, 31(8): 897-902.

[47] 肖明, 吴季秋, 陈秋波, 等. 基于CA-Markov模型的昌化江流域土地利用动态变化[J]. 农业工程学报, 2012, 28(10): 231-238.

[48] 何丹, 金凤君, 周璟. 基于Logistic-CA-Markov的土地利用景观格局变化——以京津冀都市圈为例[J]. 地理科学, 2011, 31(8): 903-910.

[49] 孙哲, 夏敏, 张敬梓. 基于Logistic-CA-Markov模型的快速城市化地区土地利用结构变化研究[J]. 水土保持研究, 2013, 20(6): 213-217.

[50] 何春阳, 史培军, 陈晋, 等. 基于系统动力学模型和元胞自动机模型的土地利用情景模型研究[J]. 中国科学, 2005, 35(5): 464-473.

[51] 李月臣, 何春阳. 中国北方土地利用/覆盖变化的情景模拟与预测[J]. 科技通报, 2008, 53(6): 713-723.

[52] LIGTENBERG A, BREGT A K, VAN LAMMEREN R. Multi-actor-based land use modelling:spatial planning using agents[J]. Landscape and Urban Planning, 2001, 56(1): 21-33.

[53] SUDHIRA H S. Integration of Agent-based and Cellular Automata Models for Simulating Urban Sprawl [J/OL]. International Institute for Geo, 2004[2016-10-10].https://www.researchgate.net/publication/268042359_Integration_of_Agent-based_and_Cellular_Automata_Models_for_Simulating_Urban_Sprawl.

[54] VANCHER A, GIORDANO P, ANDREY D, et al. Urban growth processing joining cellular automata and multiagent systems [J]. Environment and Planning B: Planning and Design, 2008, 35(4/5): 723-739/863-880.

[55] 黎夏, 刘小平, 何晋强,等. 基于耦合的地理模拟优化系统[J]. 地理学报, 2009, 64(4): 457-468.

ResearchProgressonLand-useandLand-coverChangeScenarioSimulation

LIU Jiahong1,2, XU Lujie1,2， PAN Xiaojun3, HU Tangao1,2,ZHANG Dengrong1,2, WU Yiyue1,2, WANG Xiao1,2

(1.Institute of Remote Sensing and Earth Sciences, Hangzhou Normal University, Hangzhou311121, China;2.Zhejiang Provincial Key Laboratory of Urban Wetlands and Regional Change, Hangzhou 311121, China;3.Second Institute of Surveying and Mapping of Zhejiang Province, Hangzhou 310012, China)

Land-use and Land-cover Change (LUCC) is the major part of global changes, and LUCC prediction modelare are the main methods for land change study. In order to planning land use reasonable and promote the ecological sustainable development, it is much be of great importance for the research of temporal-spatial evolution and prediction simulation of the earth resource. Taking LUCC as the object,and combining with a large amount of previous researches, this study discusses the applications as well as the advantages and disadvantages of each model, summarizes the recent research progress for LUCC,and prospects of the development trend. The results show that LUCC prediction models have make an evolution from quantity prediction models to spatial prediction models, and from single model to coupling models. And each model is advantage in the special aspect. The inexorable development trend of LUCC is the integrated application of multi-model and multi-technology. Multi-scale temporal analysis in LUCC models needs for a better research. Furthermore, the feedbacks among each system and the relations of human-environment also are the key pointsof LUCC study.

LUCC; system dynamics; cellular automata; coupling model

2016-11-01

国家自然科学基金项目(41201458；21377166)；杭州市科技发展计划项目(20150533B03).

胡潭高(1983—)，男，副教授，博士，主要从事土地利用演变模拟研究.E-mail:hutangao@163.com

10.3969/j.issn.1674-232X.2017.05.018

TP79

A

1674-232X(2017)05-0551-10