基于CLUE-S模型的不同情景下區(qū)域土地利用布局優(yōu)化

許小亮，李 鑫，肖長(zhǎng)江，歐名豪,*

1 南京農(nóng)業(yè)大學(xué) 土地管理學(xué)院，南京 210095 2 江蘇師范大學(xué) 測(cè)繪學(xué)院，徐州 221116 3 英屬哥倫比亞大學(xué) 地球與環(huán)境科學(xué)系，基勞納 V1V1V7

?

基于CLUE-S模型的不同情景下區(qū)域土地利用布局優(yōu)化

許小亮1，李 鑫2,3，肖長(zhǎng)江1，歐名豪1,*

1 南京農(nóng)業(yè)大學(xué) 土地管理學(xué)院，南京 210095 2 江蘇師范大學(xué) 測(cè)繪學(xué)院，徐州 221116 3 英屬哥倫比亞大學(xué) 地球與環(huán)境科學(xué)系，基勞納 V1V1V7

土地利用規(guī)劃要求把土地資源最終配置在空間上，而現(xiàn)有文獻(xiàn)更多是對(duì)土地利用結(jié)構(gòu)的優(yōu)化，很少對(duì)全局土地利用布局優(yōu)化，鑒于此，為減輕土地利用規(guī)劃的多目標(biāo)沖突，同時(shí)為提高資源配置效率，釋放空間效應(yīng)，對(duì)不同情景下的土地利用布局優(yōu)化進(jìn)行研究。用非線性優(yōu)化模型中的理想點(diǎn)法求取了不同情景下最優(yōu)土地利用結(jié)構(gòu)，用Logistic回歸提取了不同用地的優(yōu)化布局規(guī)則，以不同情景下的土地優(yōu)化結(jié)構(gòu)為數(shù)量約束，借助CLUE-S模型的全局配置能力對(duì)各情景下的用地布局作優(yōu)化，并以揚(yáng)州市為實(shí)例進(jìn)行闡述。結(jié)果表明：(1)優(yōu)先發(fā)展經(jīng)濟(jì)情景下，2025年揚(yáng)州土地利用經(jīng)濟(jì)產(chǎn)值是10.4×107萬元，優(yōu)先保護(hù)生態(tài)情景下，目標(biāo)年生態(tài)服務(wù)價(jià)值是9.7×105萬元，保障公眾福利情景下，公眾福利大小是351271 hm2;(2)經(jīng)濟(jì)增長(zhǎng)目標(biāo)對(duì)土地利用結(jié)構(gòu)的情景變化最為敏感，而公眾福利目標(biāo)的敏感性最小;(3)與基期年比，發(fā)展經(jīng)濟(jì)與保育生態(tài)情景下的土地優(yōu)化布局變化最大，前者主要是市區(qū)城鎮(zhèn)工礦用地向東部及西北擴(kuò)張，后者則是在西南丘陵及南部長(zhǎng)江岸邊配置了大量園地、林地。提出的不同情景下土地利用布局的優(yōu)化方法可為土地利用規(guī)劃及生態(tài)規(guī)劃提供有力技術(shù)支持。

CLUE-S模型；情景；土地利用布局優(yōu)化；理想點(diǎn)法；優(yōu)化布局規(guī)則

土地利用規(guī)劃的一個(gè)重要議題就是其多目標(biāo)決策，由于有限的土地資源既要用于發(fā)展經(jīng)濟(jì)、又要用于糧食生產(chǎn)及生態(tài)保護(hù)，因此如何處理土地利用規(guī)劃的多目標(biāo)性一直是該領(lǐng)域的研究熱點(diǎn)[1]。土地利用優(yōu)化是土地利用規(guī)劃的核心內(nèi)容，目前國(guó)內(nèi)把土地利用優(yōu)化分為土地利用結(jié)構(gòu)優(yōu)化與土地利用布局優(yōu)化兩部分[2]，對(duì)土地利用結(jié)構(gòu)優(yōu)化已進(jìn)行了廣泛深入研究，運(yùn)用常規(guī)的優(yōu)化模型、啟發(fā)式算法、不確定數(shù)學(xué)模型等進(jìn)行了多目標(biāo)求解[3-5]，為土地利用規(guī)劃提供了一定借鑒，但土地規(guī)劃不僅僅是土地?cái)?shù)量的分配，更重要的是把土地資源配置在空間上，釋放空間效應(yīng)，同時(shí)為土地利用活動(dòng)提供空間管制依據(jù)，因此對(duì)土地利用布局進(jìn)行優(yōu)化就顯得尤其重要。目前來看，由于土地利用的空間特性、多目標(biāo)性及土地利用類型的多樣性，國(guó)內(nèi)對(duì)土地利用布局優(yōu)化研究還較少[6-8]；國(guó)外為了對(duì)土地利用規(guī)劃提供技術(shù)支持及建立交互式規(guī)劃的編制工具，已對(duì)土地利用的空間布局優(yōu)化作了一定研究[9]，Stewart等與Cao等用遺傳算法對(duì)土地資源進(jìn)行了空間優(yōu)化配置，并且用理想點(diǎn)法處理了多目標(biāo)決策問題[10-12]；Liu等用粒子群算法對(duì)土地資源進(jìn)行了空間優(yōu)化配置，但其用一般加權(quán)法處理了多目標(biāo)決策[13-14]，Aert較早的運(yùn)用模擬退火算法及線性優(yōu)化模型對(duì)土地利用空間布局進(jìn)行了優(yōu)化[15-16]。可見，國(guó)內(nèi)外對(duì)土地利用布局的優(yōu)化研究主要是用啟發(fā)式算法求取綜合效益最大化時(shí)布局狀況，同時(shí)用一定方法處理了其中的多目標(biāo)決策問題，但是這些方法的一個(gè)重要問題是模型運(yùn)行時(shí)間相對(duì)較長(zhǎng)，而與此同時(shí)CLUE-S模型表現(xiàn)出很好的空間配置能力，因此可以考慮用CLUE-S模型對(duì)土地資源作進(jìn)行化配置以提高其效率。鑒于此，論文用CLUE-S模型對(duì)多目標(biāo)背景下的土地利用布局優(yōu)化進(jìn)行研究，求取不同情景下的土地利用優(yōu)化布局狀況。首先用非線性優(yōu)化模型中的理想點(diǎn)法求取了優(yōu)先發(fā)展經(jīng)濟(jì)、優(yōu)先保護(hù)環(huán)境、優(yōu)先保障公眾福利3種情景下的土地利用優(yōu)化結(jié)構(gòu)；其次對(duì)土地利用現(xiàn)狀布局進(jìn)行優(yōu)化，以保證用地的分布規(guī)則是優(yōu)化水平，之后用Logistic回歸方式提取了處在優(yōu)化狀態(tài)時(shí)的各用地類型的分布規(guī)則；再次利用CLUE-S模型的全局配置能力把上述3種情景下的土地利用優(yōu)化結(jié)構(gòu)配置在空間上，形成土地利用優(yōu)化布局，并以江蘇揚(yáng)州市進(jìn)行實(shí)例分析，以期為土地利用規(guī)劃及生態(tài)規(guī)劃編制提供切實(shí)技術(shù)支持。

1 研究方法

本文總體上可分為數(shù)量結(jié)構(gòu)求取與空間優(yōu)化配置兩部分，總體思路是：一是用理想點(diǎn)法求取優(yōu)先發(fā)展經(jīng)濟(jì)、優(yōu)先保護(hù)生態(tài)、優(yōu)先保障公眾福利3種情景下的土地利用優(yōu)化結(jié)構(gòu)，二是對(duì)現(xiàn)狀土地利用布局進(jìn)行優(yōu)化，并從其中提取不同用地的分布；三是選擇可能影響不同用地空間分布的因子，并把其空間化；四是把不同情景下的土地利用優(yōu)化結(jié)構(gòu)作為數(shù)量約束，及提取的不同用地分布規(guī)則納入CLUE-S模型來對(duì)不同情景下土地資源進(jìn)行空間優(yōu)化配置，得到其優(yōu)化布局，具體流程見圖1。

圖1 論文方法流程圖Fig.1 Flow chart of methods applied in this study

1.1 理想點(diǎn)法

多目標(biāo)土地利用結(jié)構(gòu)優(yōu)化求解的方法主要有線性加權(quán)法與基于啟發(fā)式算法的線性模型，前者容易產(chǎn)生“極解”，即某一目標(biāo)值很大，而另一目標(biāo)值又極小，這與現(xiàn)實(shí)情況并不相符，后者雖然有很強(qiáng)的運(yùn)算搜索能力，可是在多目標(biāo)決策方面顯得不足，即不能對(duì)多情景下土地利用結(jié)構(gòu)進(jìn)行優(yōu)化。土地利用具有諸多利益相關(guān)者，不同主體對(duì)土地利用有不同訴求，因此在對(duì)土地利用結(jié)構(gòu)優(yōu)化時(shí)，應(yīng)構(gòu)建一種交互式優(yōu)化模型，可以使決策主體看到不同目標(biāo)與其最優(yōu)值的差異，并可以根據(jù)決策主體對(duì)不同目標(biāo)的偏好，調(diào)整模型參數(shù)，于是，論文采用非線性優(yōu)化模型中的理想法，其可求取任一規(guī)劃愿景下的優(yōu)化結(jié)構(gòu)[7,10]:

(1)

1.2 CLUE-S模型的優(yōu)化配置應(yīng)用

CLUE-S模型是全局土地利用變化的模擬模型，其前身是CLUE模型，之后Peter Verburg團(tuán)隊(duì)進(jìn)行了改進(jìn)，使之能適應(yīng)區(qū)域?qū)用娴耐恋乩貌季帜M，并消除了土地利用類型數(shù)量及其他各方面的限制，最終形成了2009版的Dyna-CLUE模型。自1996年CLUE模型問世以來，已對(duì)歐洲大陸、中國(guó)、菲律賓等地區(qū)的土地布局變化進(jìn)行了模擬，取得了良好效果[17-19]。國(guó)內(nèi)也有大量文獻(xiàn)用CLUE-S模型對(duì)土地利用布局進(jìn)行模擬[20-22]，有些還進(jìn)行了多情景模擬[23-24]。而模擬是指根據(jù)以往土地利用布局變化規(guī)律推演未來土地利用布局狀況，其假設(shè)前提是未來土地利用格局會(huì)根據(jù)以往的空間變化規(guī)律進(jìn)行變化，而多數(shù)情況下該假設(shè)前提并不成立，因此模擬結(jié)果只是顯示如果繼續(xù)以這樣的趨勢(shì)下去，目標(biāo)年土地利用布局之狀況。編制土地利用規(guī)劃時(shí)，規(guī)劃師更想得到的是目標(biāo)年區(qū)域最優(yōu)土地利用布局，即能夠取得最大綜合收益時(shí)的土地利用布局，以此作為未來的規(guī)劃方案，可見布局優(yōu)化比布局模擬對(duì)規(guī)劃的借鑒意義更大。因此下面在保證CLUE-S模型的配置規(guī)則是優(yōu)化水平前提下，運(yùn)用其全局配置能力對(duì)研究區(qū)土地資源進(jìn)行優(yōu)化配置。

1.2.1 CLUE-S模型

CLUE-S模型可分為兩塊，一是非空間的土地需求模塊，即求取不同類型用地?cái)?shù)量以作為空間配置的約束，該部分工作用上述理想點(diǎn)法完成，第二個(gè)模塊是空間配置模塊。CLUE-S模型的獨(dú)特優(yōu)勢(shì)是可對(duì)全局土地利用類型進(jìn)行空間配置，一般元胞自動(dòng)機(jī)(CA)、多智能體(Multi-agent)模型只能對(duì)單一用地類型進(jìn)行空間配置。CLUE-S模型的空間配置過程可描述為：從第一個(gè)柵格開始，查看該柵格對(duì)不同用地的總體適宜度，把柵格屬性改變?yōu)檫m宜度最高的用地類型；并同步計(jì)算各用地的實(shí)時(shí)面積，當(dāng)某一用地面積達(dá)到其約束時(shí)，則該用地類型配置完畢，繼續(xù)第二種類型用地的配置，直到配置完畢為止。CLUE-S模型空間配置關(guān)鍵是總體適宜度的量化，其由三部分組成：

TPROPu,i=Pu,i+ELAUi+ITERi

(2)

式中,TPROPu,i是柵格u對(duì)于土地類型i的總體適宜度，ELAUi是土地類型i的轉(zhuǎn)移參數(shù)，根據(jù)柵格的現(xiàn)狀屬性確定，表示土地利用類型的轉(zhuǎn)換成本，比如現(xiàn)狀是建設(shè)用地，則轉(zhuǎn)換為農(nóng)用地的成本較大，那么在進(jìn)行農(nóng)用地配置時(shí)ELAUi值設(shè)置較大。ITERi是土地利用類型i的競(jìng)爭(zhēng)因子，迭代過程中自動(dòng)設(shè)置，且不斷改變其大小，目的是為了加快配置速度。Pu,i是柵格u對(duì)于土地利用類型i的“吸引”概率，是土地利用現(xiàn)狀圖對(duì)不同空間因子的Logistic回歸結(jié)果，即土地利用現(xiàn)狀的空間分布規(guī)則，CLUE-S模型就是根據(jù)該規(guī)則推演未來用地布局狀況，因此更多的是對(duì)未來布局的模擬。可見，Pu,i只表示現(xiàn)狀分布規(guī)則，若現(xiàn)狀分布是優(yōu)化的，則Pu,i表示的規(guī)則就是優(yōu)化的，進(jìn)而CLUE-S模型空間配置結(jié)果就是優(yōu)化的，同理，若現(xiàn)狀分布不合理，則未來模擬結(jié)果亦不合理。于是為得到未來土地利用優(yōu)化布局，本文先對(duì)現(xiàn)狀布局進(jìn)行優(yōu)化調(diào)整，確保不同用地類型的分布規(guī)則是優(yōu)化水平，再提取分布規(guī)則，并以此推演未來用地的優(yōu)化布局。

1.2.2 土地布局優(yōu)化調(diào)整

現(xiàn)狀土地利用布局是人們根據(jù)自然、經(jīng)濟(jì)與社會(huì)條件，在對(duì)土地資源進(jìn)行開發(fā)、保護(hù)與利用基礎(chǔ)上形成的空間格局結(jié)果，由于一定的歷史政策原因，加之土地利用過程中個(gè)體的有限理性，土地利用布局在空間上可能有不合理之處。本文結(jié)合研究區(qū)的實(shí)際情況及布局優(yōu)化調(diào)整的可行性，對(duì)土地利用現(xiàn)狀布局做以下幾方面調(diào)整：①為了防止水土流失，治理生態(tài)環(huán)境，響應(yīng)國(guó)家退耕還林政策，把坡度25°C之上的耕地變?yōu)榱值兀虎跒楸３趾瓷鷳B(tài)平衡，提高湖泊防洪能力，減少洪澇災(zāi)害，把湖泊周圍500 m以內(nèi)土地變?yōu)椴莸兀虎郯训刭|(zhì)塌陷區(qū)、生態(tài)保護(hù)區(qū)內(nèi)的農(nóng)村居民點(diǎn)變?yōu)榱值鼗蛏鷳B(tài)用地；④為防止水土流失，提高土地集約利用水平，把地形起伏度在70 m以上的居民點(diǎn)整理為林地；⑤把離城鎮(zhèn)及交通干線較遠(yuǎn)的農(nóng)村居民點(diǎn)與獨(dú)立工礦用地復(fù)墾為耕地[8]。具體操作可在Arcgis平臺(tái)下用選擇、疊加等功能來改變地類屬性，由此，可完成對(duì)土地利用現(xiàn)狀布局的優(yōu)化調(diào)整，之后CLUE-S模型可在其中提取不同用地分布的規(guī)則。

2 實(shí)證研究

2.1 研究區(qū)概況與數(shù)據(jù)來源

揚(yáng)州位于江蘇省中部，長(zhǎng)江下游北岸，江淮平原南端，現(xiàn)轄范圍介于119°01′—119°54′E，31°56′—33°25′N之間。2012年末揚(yáng)州市土地總面積65.91萬hm2，其中耕地33.03萬hm2，占土地總面積50.13%，建設(shè)用地13.11萬hm2，占土地總面積19.89%，水域及水利設(shè)施用地18.32萬hm2，占土地總面積27.8%。近年來揚(yáng)州經(jīng)濟(jì)增長(zhǎng)迅速，在全省經(jīng)濟(jì)增長(zhǎng)放緩背景下，依然保持年均10%以上增長(zhǎng)率，未來10年更是揚(yáng)州市城鎮(zhèn)化與工業(yè)化發(fā)展的關(guān)鍵時(shí)期，有大量農(nóng)村人口遷至城鎮(zhèn)居住，經(jīng)濟(jì)總量將達(dá)到8000—9000億元，這必將帶來作為生產(chǎn)生活載體的建設(shè)用地的大量擴(kuò)張，可揚(yáng)州市由于水域眾多，耕地后備資源不足，因此經(jīng)濟(jì)增長(zhǎng)與耕地保護(hù)的矛盾愈加尖銳；同時(shí)一直來揚(yáng)州市以生態(tài)建設(shè)為立足點(diǎn)，境內(nèi)自然保護(hù)區(qū)、歷史名勝古跡、風(fēng)景名勝古跡眾多，生態(tài)資本已成為其發(fā)展的核心競(jìng)爭(zhēng)力，且打造出宜居的品牌優(yōu)勢(shì)，可建設(shè)用地?cái)U(kuò)張必然會(huì)壓縮生態(tài)用地空間。綜上所述，未來揚(yáng)州市土地利用面臨著既要發(fā)展經(jīng)濟(jì)，又要保護(hù)耕地與生態(tài)環(huán)境的多重矛盾，土地利用規(guī)劃編制時(shí)如何處理各方面矛盾，以實(shí)現(xiàn)土地資源的多目標(biāo)優(yōu)化配置是一個(gè)很大挑戰(zhàn)。鑒于此，論文用理想點(diǎn)法與CLUE-S模型對(duì)保障經(jīng)濟(jì)發(fā)展、保障公眾福利、保護(hù)生態(tài)環(huán)境3種情景下的土地利用進(jìn)行優(yōu)化，求取每種情景下的最優(yōu)土地利用結(jié)構(gòu)與布局，考察不同目標(biāo)對(duì)土地利用變化的敏感性，并把各種可能多目標(biāo)組合對(duì)應(yīng)的土地利用結(jié)構(gòu)與布局呈現(xiàn)給決策者。本文提出的理想點(diǎn)法與CLUE-S模型可對(duì)任意多目標(biāo)組合下的土地利用布局進(jìn)行優(yōu)化，而這里只對(duì)3種極端情景下的土地資源進(jìn)行了優(yōu)化配置，為土地規(guī)劃決策提供充分參考借鑒，有利于決策者解決規(guī)劃的多目標(biāo)沖突。

DEM經(jīng)重采樣其精度變?yōu)?50 m×150 m，利用DEM數(shù)據(jù)可生成坡度數(shù)據(jù)與起伏度數(shù)據(jù)；2005與2010兩期土地利用現(xiàn)狀矢量圖由揚(yáng)州市國(guó)土資源局提供，比例尺為1∶30萬；社會(huì)經(jīng)濟(jì)數(shù)據(jù)來自歷年《揚(yáng)州統(tǒng)計(jì)年鑒》、《江蘇省年鑒》、《揚(yáng)州市國(guó)土資源公報(bào)》。文中CLUE-S模型的柵格單元大小是150 m×150 m。2010年數(shù)據(jù)較全，社會(huì)經(jīng)濟(jì)數(shù)據(jù)、矢量數(shù)據(jù)及土地?cái)?shù)據(jù)能夠相互對(duì)應(yīng)，因此本文基期年設(shè)為2010年，目標(biāo)年是2025年，需要說明的是基期年對(duì)目標(biāo)年的優(yōu)化結(jié)果影響有限，更多的起到與優(yōu)化結(jié)果對(duì)比的作用。

2.2 不同情景下土地利用結(jié)構(gòu)優(yōu)化

本文土地利用結(jié)構(gòu)優(yōu)化的3個(gè)目標(biāo)是經(jīng)濟(jì)利益、公眾福利與生態(tài)利益最大化。不同用地類型對(duì)應(yīng)不同經(jīng)濟(jì)產(chǎn)出，各用地類型數(shù)量乘以相應(yīng)經(jīng)濟(jì)產(chǎn)出系數(shù)后加和，便得到土地利用結(jié)構(gòu)的經(jīng)濟(jì)利益。公眾福利是一個(gè)相對(duì)概念，因個(gè)體不同其內(nèi)容會(huì)有差異，論文認(rèn)為城市綠地、耕地面積、居住用地面積越大，則代表公眾福利越高。生態(tài)利益大小以全球陸地系統(tǒng)生態(tài)服務(wù)價(jià)值為計(jì)算標(biāo)準(zhǔn)。從揚(yáng)州市2025年人口數(shù)量、經(jīng)濟(jì)數(shù)量、土地集約利用要求、糧食安全與生態(tài)需求、資源環(huán)境承載閾值等方面構(gòu)造約束條件，關(guān)于經(jīng)濟(jì)利益、生態(tài)利益及約束條件的有關(guān)參數(shù)具體見文獻(xiàn)[3]。先計(jì)算單目標(biāo)優(yōu)化時(shí)各目標(biāo)的最大值與最小值，把其代入目標(biāo)函數(shù)式1，L即是最小值，U則據(jù)不同情景來設(shè)置，當(dāng)優(yōu)先保障經(jīng)濟(jì)發(fā)展時(shí)Ue為其最大值的90%，其余為各自最大值的20%，情景2、情景3下Us、Ug的設(shè)置具體見表1。各項(xiàng)參數(shù)設(shè)置完畢后，式1是一個(gè)非線性優(yōu)化模型，論文在軟件Lingo中求解不同情景下的土地利用優(yōu)化結(jié)構(gòu)(表2)。

表1 不同情景設(shè)置及對(duì)應(yīng)目標(biāo)值大小(萬元、hm2)

(1) 優(yōu)先發(fā)展經(jīng)濟(jì)情景 研究結(jié)果發(fā)現(xiàn)當(dāng)土地利用情景為優(yōu)先發(fā)展經(jīng)濟(jì)時(shí)，可產(chǎn)生經(jīng)濟(jì)利益10.4×107萬元，同時(shí)代表公眾福利的用地面積是330848 hm2，生態(tài)利益為8.4×105萬元，其土地利用結(jié)構(gòu)中，城鎮(zhèn)工礦用地是40157.97 hm2，增長(zhǎng)8.86%，交通水利用地增長(zhǎng)了100%，林地?cái)?shù)量是16478.03 hm2，與基期年比增長(zhǎng)了近2倍，這是因?yàn)檫@些用地的經(jīng)濟(jì)產(chǎn)出系數(shù)較高，在經(jīng)濟(jì)利益最大化目標(biāo)下，數(shù)量會(huì)趨向于其約束區(qū)間的上限，而其他農(nóng)用地、農(nóng)村居民點(diǎn)及灘涂沼澤則出現(xiàn)了較大幅度減小，這因?yàn)樵撔┯玫亟?jīng)濟(jì)產(chǎn)出系數(shù)小，因此需要把其整治而補(bǔ)充耕地或用于城鎮(zhèn)建設(shè)。

表2 不同情景下土地利用結(jié)構(gòu)/hm2

(2) 保障公眾福利情景 當(dāng)土地利用情景為保障公眾福利時(shí)，更多用地被安排為居住用地，城市用地及耕地，因此，經(jīng)濟(jì)利益減小為9.1×107萬元，降低了12.5%，生態(tài)利益變?yōu)?.3×105萬元，代表公眾福利的用地面積提高至351271 hm2，比情景1提高了6.17%，此時(shí)，經(jīng)濟(jì)利益降低可看作對(duì)目標(biāo)2的妥協(xié)，即以降低12.5%的經(jīng)濟(jì)產(chǎn)出為代價(jià)換取了公眾福利6.17%的提高，但這并不能說明情景1土地利用結(jié)構(gòu)好于情景2的土地利用結(jié)構(gòu)，因?yàn)椴煌后w對(duì)經(jīng)濟(jì)利益、公眾福利有自身價(jià)值判斷，不能因經(jīng)濟(jì)利益降低幅度大于公眾福利提高幅度斷定情景1優(yōu)于情景2。情景2的土地利用結(jié)構(gòu)中，農(nóng)村居民點(diǎn)用地只減少了46.75%，論文潛在假設(shè)是認(rèn)為農(nóng)村居民點(diǎn)減少過快，農(nóng)民可能得不到妥善安置因此影響福利水平，風(fēng)景旅游用地、垃圾掩埋用地等其他建設(shè)用地有一定幅度提高，而由于可開墾后備資源有限，耕地?cái)?shù)量只維持在314391 hm2，并沒有大幅度提高，城鎮(zhèn)工礦用地只有小幅增加，考慮了集約利用要求及忽視經(jīng)濟(jì)增長(zhǎng)需求外，可滿足目標(biāo)年城鎮(zhèn)人口居住需求。

(3) 保護(hù)生態(tài)環(huán)境情景下 該情景下生態(tài)利益提高至9.7×105萬元，比情景1提高了15.48%，經(jīng)濟(jì)利益變?yōu)?.5×107萬元，降低了37.5%，這是不同優(yōu)化目標(biāo)相互協(xié)調(diào)之結(jié)果，情景3的土地利用結(jié)構(gòu)中，生態(tài)利益產(chǎn)出能力較強(qiáng)的土地利用類型面積有較大提高，比如林地、園地、其它農(nóng)用地，其中其它農(nóng)用地面積變?yōu)?4057.61 hm2，比基期提高了9.74%，這是因?yàn)槠渌r(nóng)用地主要是一些坑塘、溝渠，在生態(tài)系統(tǒng)中具有重要作用，賦予其的生態(tài)服務(wù)價(jià)值系數(shù)較大，水域面積亦有一定提高，可灘涂沼澤面積反而有下降，是因在土地利用過程中必須進(jìn)行土地整治以補(bǔ)充耕地資源，而相對(duì)來說，賦予灘涂沼澤的生態(tài)利益系數(shù)小，因此會(huì)把部分灘涂沼澤轉(zhuǎn)化為其他用地。

表1中可以看出不同利益目標(biāo)對(duì)于不同情景設(shè)置會(huì)有變化，論文把這種變化定義為敏感性，比如經(jīng)濟(jì)利益變化區(qū)間是[6.5×107，10.4×107]，變化幅度是37.5%，敏感性較高；而公眾福利目標(biāo)變化區(qū)間是[330848，351271]，變化幅度只有6.17%，敏感性較小，即在現(xiàn)有約束條件下對(duì)土地利用結(jié)構(gòu)優(yōu)化時(shí)，社會(huì)公眾福利目標(biāo)總是處在一個(gè)較高水平；生態(tài)利益目標(biāo)的變化區(qū)間是[8.3×105，9.7×105]，敏感性居中。同時(shí)可發(fā)現(xiàn)，表2中各情景土地優(yōu)化結(jié)構(gòu)的一個(gè)總體趨勢(shì)是耕地面積增加，農(nóng)村居民點(diǎn)與灘涂面積減少，即不管未來是發(fā)展經(jīng)濟(jì)還是生態(tài)保護(hù)情景，揚(yáng)州市土地利用管理的一項(xiàng)重要任務(wù)是土地綜合整治以補(bǔ)充耕地面積。

2.3 基于優(yōu)化布局的各用地分布規(guī)則提取

已求取了不同情景下最優(yōu)土地利用結(jié)構(gòu)，可土地利用規(guī)劃的最終成果不僅停留在各用地?cái)?shù)量指標(biāo)的分配上，還需要形成最終的用地布局，以作為未來土地利用活動(dòng)空間管制的依據(jù)，且同一土地利用結(jié)構(gòu)若其空間布局不同，則產(chǎn)生的效果與作用大不相同，由于土地資源的空間特性，必須對(duì)土地利用布局進(jìn)行優(yōu)化，才能取得最大綜合利益。下面首先用Logistic回歸方式提取不同用地類型的優(yōu)化布局規(guī)則，再以該些規(guī)則為指導(dǎo)，借助CLUE-S模型的空間配置能力把不同情景下的土地優(yōu)化結(jié)構(gòu)配置在空間上。

CLUE-S模型認(rèn)為土地利用現(xiàn)狀布局是人類根據(jù)各種自然經(jīng)濟(jì)因素經(jīng)一定時(shí)期土地利用而形成的空間結(jié)果，那么現(xiàn)狀布局可認(rèn)為是因變量，而相關(guān)空間因素則自變量。于是論文選擇高程、坡度、地形起伏度、與城市距離、與鎮(zhèn)中心距離、與水體距離、與縣級(jí)以上道路距離、與鄉(xiāng)級(jí)道路距離等8個(gè)因子作為自變量，并把因子空間化。用DEM文件產(chǎn)生坡度與起伏度，用歐式距離(Euclidean Distance)產(chǎn)生其他因子的空間化文件；提取不同用地類型的柵格圖，每一個(gè)柵格對(duì)某用地類型都有是—1與否—0兩種可能，這正是Logistic回歸的因變量。把上述空間化文件放至dyna_clue文件夾，再用File Converter工具做變換，具體是隨機(jī)選擇一些柵格，且把該些柵格對(duì)應(yīng)的因變量與自變量輸出至stat.txt文件，再導(dǎo)入計(jì)量軟件中，設(shè)置好因變量與自變量，選擇逐步回歸法進(jìn)行Logistic回歸以求取不同用地分布相對(duì)于各驅(qū)動(dòng)因子的回歸系數(shù)，即各用地類型的分布規(guī)則，具體見表3。表中可看出，耕地分布與城市距離呈正相關(guān)，即與城市距離越大，耕地分布的可能性越高；與高程、坡度呈負(fù)相關(guān)，即某柵格坡度越大、高程越高，則該柵格的土地利用類型為耕地的可能性越小；與鄉(xiāng)級(jí)道路距離呈負(fù)相關(guān)，離鄉(xiāng)級(jí)道路越近，則耕地分布數(shù)量越多，這可能是因?yàn)槭芨靼霃接绊懀l(xiāng)級(jí)道路周圍耕作便利的土地更宜于變?yōu)楦亍@地分布與城市距離呈負(fù)相關(guān)，且負(fù)相關(guān)程度是4.5×10-5，超過了耕地的1.16×10-5，與高程呈正相關(guān)，即海拔越高，空間單元為園地的可能性越大，與水體距離呈負(fù)相關(guān)，即離水域越近，則更宜于變成園地。林地分布規(guī)則中，與水體距離越小，則越有利于林地分布，且林地更多分布在離城鎮(zhèn)較遠(yuǎn)地區(qū)。城鎮(zhèn)工礦用地分布的可能性與城市距離呈負(fù)相關(guān)，離城市越近，則其分布可能性越大，與坡度、高程呈負(fù)相關(guān)，坡度越大，高程越高，則不宜于城鎮(zhèn)工礦用地分布，與縣級(jí)以上道路距離呈顯著負(fù)相關(guān)，表明其更多分布在主要交通干線周圍。上述不同用地分布規(guī)則表現(xiàn)出很大合理性，論文認(rèn)為這些規(guī)則已處于優(yōu)化水平，于是以這些規(guī)則為標(biāo)準(zhǔn)推演的未來用地布局也是優(yōu)化的。

表3 土地利用優(yōu)化布局規(guī)則的Logistic表示

2.4 不同情景下土地利用布局優(yōu)化

表3已得到6種用地的優(yōu)化布局規(guī)則，還有其它農(nóng)用地、其它建設(shè)用地、交通水利用地、水域，未利用地等6類用地，該些用地很難找到一些影響因素與其分布相關(guān)，于是在配置時(shí)把其作為不參與空間配置部分，以現(xiàn)狀為基礎(chǔ)進(jìn)行緩沖區(qū)分析，直到緩沖區(qū)面積等于其在不同情景下數(shù)量約束為止，把不參與空間配置部分寫入region.fil。把不同用地分布規(guī)則，即表3內(nèi)容寫入alloc.reg文件，把每一情景下的土地利用優(yōu)化結(jié)構(gòu)寫入demand.in文件，每次只能對(duì)一種情景下的土地利用布局做優(yōu)化。本文是以2010年為基礎(chǔ)對(duì)2025年進(jìn)行空間優(yōu)化配置，因此，最終空間配置結(jié)果在cov_all.15中。論文先是以2005年為基礎(chǔ)，模擬揚(yáng)州2010土地利用布局，與2010現(xiàn)狀圖比，其Kappa指數(shù)是0.7568，大于0.75，可以接受，表明兩者有很大一致性，CLUE-S模型對(duì)揚(yáng)州土地利用布局模擬有很高精度，可用于未來土地資源空間配置。

(1) 優(yōu)先發(fā)展經(jīng)濟(jì)情景 經(jīng)濟(jì)優(yōu)先發(fā)展情景下土地利用布局優(yōu)化圖中城鎮(zhèn)工礦用地?cái)U(kuò)張明顯，市區(qū)城鎮(zhèn)用地主要向東部與西北部擴(kuò)張，是因?yàn)闁|部受市區(qū)及江都市的雙重輻射影響，土地單元對(duì)城鎮(zhèn)用地的適宜性更高，因此更宜于城鎮(zhèn)擴(kuò)張，且可把江都市與市區(qū)連為一體，優(yōu)化城市空間格局，加快城市組團(tuán)建設(shè)；向西北部擴(kuò)張是因揚(yáng)州市火車站及高速路口等在此交匯，交通區(qū)位優(yōu)勢(shì)明顯，土地開發(fā)活躍，且邗江工業(yè)園坐落于此，其產(chǎn)業(yè)集聚效應(yīng)亦帶動(dòng)了周圍土地開發(fā)；儀征北部有大量城鎮(zhèn)用地分布，可能是以鎮(zhèn)為中心并結(jié)合主要交通干線形成的副縣級(jí)城市；寶應(yīng)縣的城鎮(zhèn)用地出現(xiàn)了縮減，而高郵市則是小規(guī)模擴(kuò)張；經(jīng)優(yōu)化后另外一個(gè)變化是林地、園地?cái)?shù)量增加，且主要分布在西南丘陵區(qū)，該地區(qū)地勢(shì)較高不宜于耕作，從比較優(yōu)勢(shì)來看配置成園地、林地綜合效益更高(圖2,圖3)。

圖2 基期年土地利用現(xiàn)狀圖Fig.2 Current spatial land use layout

圖3 發(fā)展經(jīng)濟(jì)情景下土地利用優(yōu)化布局Fig.3 Optimal land use layout under the Economic priority scenario

(2) 優(yōu)先保障福利情景 該情景下的土地利用優(yōu)化布局中一個(gè)明顯的變化是耕地資源分布增加，農(nóng)村居民點(diǎn)、其他農(nóng)用地分布相對(duì)減少，通過土地綜合整治增加了耕地面積；此外城市周圍或內(nèi)部，風(fēng)景旅游用地明顯增加，民眾休憩及康樂空間增加，因而社會(huì)福利增加；該情景下城鎮(zhèn)土地?cái)U(kuò)張不明顯，市區(qū)只是向西北部有小部分?jǐn)U張(圖4)。

(3) 生態(tài)優(yōu)先背景下 此情景下的土地利用優(yōu)化布局中里下河中部的其他農(nóng)用地增加明顯，林地、園地等生態(tài)用地增加明顯，主要分布在西南丘陵區(qū)、市區(qū)南部的長(zhǎng)江岸邊、市區(qū)東部的廖家溝，對(duì)市區(qū)形成了生態(tài)防護(hù)網(wǎng)絡(luò)，可以吸納市區(qū)排出的污染氣體，同時(shí)起到水土保持作用，生態(tài)效果明顯；然而生態(tài)優(yōu)先背景下，城鎮(zhèn)用地卻出現(xiàn)了減少，一些城鎮(zhèn)被縮減，同時(shí)市區(qū)西南部出現(xiàn)縮減，而在西北部卻小部分增加；零散的農(nóng)村居民點(diǎn)被整治為耕地，并且新增村莊用地不明顯(圖5)。

圖4 公眾福利情景下土地利用優(yōu)化布局Fig.4 Optimal land use layout under the well-being priority scenario

圖5 生態(tài)保護(hù)情景下土地利用優(yōu)化布局Fig.5 Optimal land use layout under the Ecology priority scenario

土地規(guī)劃人員可根據(jù)揚(yáng)州市未來發(fā)展戰(zhàn)略，選擇不同情景下的土地利用優(yōu)化布局，當(dāng)然上述3種情景只是3種極端情景，可表示為3個(gè)頂點(diǎn)的三角形，而未來土地利用決策必然是位于三角形內(nèi)的某個(gè)點(diǎn)，其土地優(yōu)化布局亦會(huì)介于圖3—圖5之間，同時(shí)也可用本文提出的方法，根據(jù)決策者對(duì)不同目標(biāo)的偏好，產(chǎn)生任一情景下的土地利用優(yōu)化布局，這為復(fù)雜條件下?lián)P州市土地空間規(guī)劃編制提供了較好的參考借鑒。

3 結(jié)論

論文對(duì)不同情景下的土地利用布局進(jìn)行優(yōu)化，首先用非線性優(yōu)化模型中的理想點(diǎn)法求取了不同情景下最優(yōu)土地利用結(jié)構(gòu)，再對(duì)現(xiàn)狀用地布局進(jìn)行優(yōu)化，之后用Logistic回歸提取了不同用地的優(yōu)化布局規(guī)則，最后以不同情景下的土地利用優(yōu)化結(jié)構(gòu)為數(shù)量約束，以提取的優(yōu)化布局規(guī)則為準(zhǔn)則，借助CLUE-S模型的全局配置能力對(duì)各情景下的用地布局進(jìn)行了優(yōu)化，并以揚(yáng)州市為實(shí)例進(jìn)行了闡述。本文提出的基于理想點(diǎn)法與CLUE-S模型的土地利用布局優(yōu)化法，可根據(jù)決策主體對(duì)不同目標(biāo)的偏好設(shè)置不同情景，產(chǎn)生任一情景下的土地優(yōu)化布局，因此可為土地利用規(guī)劃及生態(tài)規(guī)劃編制提供有力技術(shù)支持。本文的主要研究結(jié)論是：

(1)由于土地資源的空間特性 除了對(duì)土地利用結(jié)構(gòu)優(yōu)化外，還應(yīng)對(duì)土地利用布局優(yōu)化。相同的土地利用結(jié)構(gòu)，由于空間布局不同，產(chǎn)生的綜合效益可能迥異，因此為了提高土地利用綜合利益，釋放空間效應(yīng)，應(yīng)對(duì)空間布局進(jìn)行優(yōu)化，把土地資源配置到適宜度更高的單元。

(2)本文提出的基于理想點(diǎn)法與CLUE-S模型的土地利用布局優(yōu)化方法，可根據(jù)決策主體對(duì)不同目標(biāo)的偏好設(shè)置不同情景，并對(duì)不同情景下土地利用布局作優(yōu)化，因此可為規(guī)劃編制提供有力技術(shù)支持。

(3)3種情景下的土地利用優(yōu)化布局只是復(fù)雜不確定環(huán)境下的3種特殊情況，未來土地利用優(yōu)化布局很可能介于三者之間。區(qū)域土地利用戰(zhàn)略應(yīng)是多目標(biāo)的，即包括經(jīng)濟(jì)發(fā)展、公眾福利，又包括生態(tài)保育，3種情景下的土地利用布局優(yōu)化，可使決策者了解不同情景下的各目標(biāo)水平及變化，從而有利于決策者了解多目標(biāo)耦合中的妥協(xié)過程，有助于減輕多目標(biāo)沖突。

[1] Xiao N C, Bennett D A, Armstrong M P. Interactive evolutionary approaches to multiobjective spatial decision making: A synthetic review. Computers, Environment and Urban Systems, 2007, 31(3): 232- 252.

[2] 王萬茂. 土地利用規(guī)劃學(xué) (第七版). 北京: 中國(guó)大地出版社, 2008: 276- 325.

[3] 李鑫, 歐名豪, 劉建生, 嚴(yán)思齊. 基于不確定性理論的區(qū)域土地利用結(jié)構(gòu)優(yōu)化. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(4): 176- 184.

[4] 劉艷芳, 李興林, 龔紅波. 基于遺傳算法的土地利用結(jié)構(gòu)優(yōu)化研究. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2005, 30(4): 288- 292.

[5] Campbell J C, Radke J, Gless J T, Wirtshafter R M. An application of linear programming and geographic information systems: cropland allocation in Antigua. Environment & Planning, 1992, 24(4): 535- 549.

[6] 袁滿, 劉耀林. 基于多智能體遺傳算法的土地利用優(yōu)化配置. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(1): 191- 199.

[7] 劉殿鋒, 劉耀林, 劉艷芳, 趙翔. 多目標(biāo)微粒群算法用于土地利用空間優(yōu)化配置. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2013, 38(6): 751- 755.

[8] 李鑫, 馬曉冬, 肖長(zhǎng)江, 歐名豪. 基于CLUE-S模型的區(qū)域土地利用布局優(yōu)化. 經(jīng)濟(jì)地理, 2015, (1): 162- 167, 172- 172.

[9] Janssen R, van Herwijnen M, Stewart T J, Aerts J. Multiobjective decision support for land-use planning. Environment and Planning B-Planning & Design, 2008, 35(4): 740- 756.

[10] Stewart T J, Janssen R, van Herwijnen M. A genetic algorithm approach to multiobjective land use planning. Computers & Operations Research, 2004, 31(14): 2293- 2313.

[11] Stewart T J, Janssen R. A multiobjective GIS-based land use planning algorithm. Computers, Environment and Urban Systems, 2014, 46: 25- 34.

[12] Cao K, Huang B, Wang S W, Lin H. Sustainable land use optimization using Boundary-based Fast Genetic Algorithm. Computers, Environment and Urban Systems, 2012, 36(3): 257- 269.

[13] Liu Y L, Liu D F, Liu Y F, He J H, Jiao L M, Chen Y Y, Hong X F. Rural land use spatial allocation in the semiarid loess hilly area in China: Using a Particle Swarm Optimization model equipped with multi-objective optimization techniques. Science China Earth Sciences, 2012, 55(7): 1166- 1177.

[14] Liu X P, Ou J P, Li X, Ai B. Combining system dynamics and hybrid particle swarm optimization for land use allocation. Ecological Modelling, 2013, 257: 11- 24.

[15] Aerts J C J H, Eisinger E, Heuvelink G B M, Stewart T J. Using linear integer programming for multi-site land-use allocation. Geographical Analysis, 2003, 35(2): 148- 169.

[16] Aerts J, Van Herwijnen M, Janssen R, Stewart T. Evaluating spatial design techniques for solving land-use allocation problems. Journal of Environmental Planning and Management, 2005, 48(1): 121- 142.

[17] Verburg P H, Overmars K P. Combining top-down and bottom-up dynamics in land use modeling: exploring the future of abandoned farmlands in Europe with the Dyna-CLUE model. Landscape Ecology, 2009, 24(9): 1167- 1181.

[18] Verburg P H, Overmars K P, Huigen M G A, de Groot W T, Veldkamp A. Analysis of the effects of land use change on protected areas in the Philippines. Applied Geography, 2006, 26(2): 153- 173.

[19] Lesschen J P, Kok K, Verburg P H, Cammeraat L H. Identification of vulnerable areas for gully erosion under different scenarios of land abandonment in Southeast Spain. Catena, 2007, 71(1): 110- 121.

[20] 黃明, 張學(xué)霞, 張建軍, 趙紫陽, 茹豪. 基于CLUE-S模型的羅玉溝流域多尺度土地利用變化模擬. 資源科學(xué), 2012, 34(4): 769- 776.

[21] 梁友嘉, 徐中民, 鐘方雷. 基于SD和CLUE-S模型的張掖市甘州區(qū)土地利用情景分析. 地理研究, 2011, 30(3): 564- 576.

[22] 馮仕超, 高小紅, 顧娟, 亢健, 郭麗峰, 吳國(guó)良, 鄒嬋. 基于CLUE-S模型的湟水流域土地利用空間分布模擬. 生態(tài)學(xué)報(bào), 2013, 33(3): 985- 997.

[23] 許月卿, 羅鼎, 郭洪峰, 周東. 基于CLUE-S模型的土地利用空間布局多情景模擬研究——以甘肅省榆中縣為例. 北京大學(xué)學(xué)報(bào): 自然科學(xué)版, 2013, 49(3): 523- 529.

[24] 張丁軒, 付梅臣, 陶金, 胡利哲, 楊曉麗. 基于CLUE-S模型的礦業(yè)城市土地利用變化情景模擬. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(12): 246- 256.

Land use layout optimization under different scenarios by using the CLUE-S model

XU Xiaoliang1, LI XIN2, 3, XIAO Changjiang1, OU Minghao1,*

1 College of Land Management, Nanjing Agricultural University, Nanjing 210095, China 2SchoolofGeodesyandGeomatics,JiangsuNormalUniversity,Xuzhou221116,China3DepartmentofEarthandEnvironmentalSciences,UBCOkanaganCampus,KelownaV1V1V7,Canada

Land use planning involves categorizing spatial units on the basis of land use type to yield optimum productivity. While the planning is known to have two approaches—land use proportion optimization and land use layout optimization,—studies have mostly focused on the former quantitative approach, rarely attending to the latter. The existing literature applies some time-consuming heuristic methods to optimize land use layout, and therefore, this study attempts to solve this using the CLUE-S model with a reference point approach. While this model has been widely used to simulate future land use layout, there exist great differences between optimization and simulation, as optimization aims to achieve better benefits from land use layout, while simulation is used to deduce a layout with rules involving historical changes. In order to realize the multiple objectives of land use and to optimize land use layout for spatial welfare, thus increasing land resource allocation efficiency, this study focuses on the regional land use layout optimization under different scenarios. First, a reference point programming approach is formulated to optimize land use structures in the different scenarios. Then, optimal distribution rules for different land use types are extracted from current land use map through logistic regression. Finally, using optimal land use structure as the quantity constraint, the CLUE-S model embedded with optimized layout rules is applied to optimize overall land use layout in the different scenarios. The results of this study show the following: the economic value of land use is 1040 billion RMB under the economic priority scenario, the ecological value is 9.7 billion RMB under the ecology priority scenario, and the area of land that represents human well-being is 351271 hectares under the scenario of public well-being priority. The goal of economic growth is the most sensitive to scenario variation of land use structure, while the public well-being goal is the most insensitive to scenario variation. Compared with the existing layout, there are drastic differences in the land use optimal layout under the economic priority scenario, where urban land expands towards east and northwest as well as in the ecology priority scenario, where the amount of garden and forest land was allocated to the hilly area in the southwest and the Yangtze River side in the south of downtown of Yangzhou city. The method of optimizing land use layout under different scenarios as proposed in this study could supply effective technical assistance for land use plan and ecological plan.

CLUE-S model; land use scenario; land use layout optimization; reference point method; optimal land layout rules

國(guó)家自然科學(xué)基金項(xiàng)目(41401627)；江蘇省自然科學(xué)基金項(xiàng)目(BK20140236)；江蘇省高校哲學(xué)社會(huì)科學(xué)項(xiàng)目(2014SJB373)

2015- 03- 03;

日期:2015- 12- 16

10.5846/stxb201503030409

*通訊作者Corresponding author.E-mail: mhou@njau.edu.cn

許小亮，李鑫，肖長(zhǎng)江，歐名豪.基于CLUE-S模型的不同情景下區(qū)域土地利用布局優(yōu)化.生態(tài)學(xué)報(bào),2016,36(17):5401- 5410.

Xu X L, Li X, Xiao C J, Ou M H.Land use layout optimization under different scenarios by using the CLUE-S model.Acta Ecologica Sinica,2016,36(17):5401- 5410.