土地利用變化模擬研究進展

喬 治,蔣玉穎,賀 曈,盧應爽,徐新良,楊 俊

1 天津大學環境科學與工程學院, 天津 300072

2 中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室, 北京 100101

3 東北大學江河建筑學院, 沈陽 110169

土地利用變化是改變生態環境質量的重要因素,也是人類活動對自然環境施加影響的顯著表現形式。快速的城市擴張以及持續的經濟和人口增長,迫使土地利用方式發生了巨大變化。土地利用格局不斷演變,進而對區域乃至全球生態環境造成影響,如耕地流失、城市熱島效應、空氣污染、森林面積和生物多樣性減少[1—4]。因此,研究土地利用變化是生態環境保護和可持續發展的必然要求。國際地圈與生物圈計劃和全球環境變化人文計劃共同提出的“土地利用與土地覆被變化”計劃和《土地利用與土地覆被變化研究實施戰略》為研究土地利用變化提供了方向。該計劃和實施戰略特別指出要進一步探究土地利用變化機制,分析影響土地利用變化的自然及人文驅動因素；其次,要提高模擬和預測土地利用變化的能力,構建區域和全球土地利用變化綜合預測模型[1]。本文總結眾多學者的研究成果,綜述近年來國內外土地利用變化模擬的研究趨勢,從多模型耦合角度歸納了當前常用土地利用變化模型及產品,對各種影響因子的驅動作用進行歸納分析,提出當前研究中所面臨的挑戰,并進一步對未來土地利用模擬工作進行展望。

1 研究趨勢

本研究以Web of Science“核心合集”數據庫以及中國知網 “CSSCI”和“CCSD”數據庫為文獻來源,對近年來所開展的土地利用變化預測模擬主題研究進行統計。分別設置檢索規則為“TS=(("land use change" OR "land cover change" OR LUCC) AND (model* OR predict* OR simulat*)”以及“(SU=土地利用變化 OR SU=土地利用演變 OR SU=土地利用/覆被變化 OR SU=LUCC OR SU=土地利用時空變化) AND (SU=模擬 OR SU=預測)”,截止時間為2020年。以“利用模型方法對土地利用變化進行模擬和預測”為依據,在檢索出的結果中進一步篩選出1172篇英文文章以及404篇中文文章。圖1表示1998—2020年中英文文章發表數量動態。從全球范圍看,2000年之前是土地利用變化模擬研究的初始階段,該階段關于模型模擬和預測的研究相對較少；進入21世紀,隨著地理信息技術的發展和多源遙感數據的使用,土地利用變化模擬研究呈現明顯的上升趨勢；2013年之后,遙感云平臺和機器算法等技術的快速發展在極大程度上促進了土地利用變化模型研究。針對國內研究,2005—2010年是我國土地利用變化模擬研究發展最為迅速的時期,盡管2010年后中文文章數量有所波動,但該時期我國學者所發表英文文章數量顯著增加。圖2是1998—2020年不同國家和我國不同機構所發表文章狀況。按第一作者所在國家或單位進行統計,選取發表文章數量最多的20個進行展示。在全球范圍內,中國是發表土地利用變化模擬主題文章最多的國家,發表相關英文文章386篇,占比達到32.94%；其次是美國(296篇,占比25.26%)。中國科學院地理科學與資源研究所(21篇)、南京大學(18篇)和北京師范大學(17篇)在該領域處于領跑地位。

圖1 1998—2020年中/英文文章發表數量時序圖Fig.1 Number of English/Chinese articles published in 1998—2020

圖2 1998—2020年不同國家/研究機構發表文章狀況Fig.2 Number of articles published by different countries/institutions from 1998 to 2020

2 土地利用變化模型及成果

2.1 土地利用變化模擬的研究范式

土地利用變化模擬已發展出四種研究范式,包括實證主義范式、科學人文主義范式、結構功能主義范式以及復雜性范式,各范式之間并非簡單地替代或否定,而是從主體論、認識論和方法論的角度不斷進行修正[5]。當前土地利用變化模擬研究主要以實證主義范式為主,并向復雜性范式過渡,即以土地利用變化模型為研究工具,結合復雜性科學的理論方法,探究土地利用變化內部的特征以及驅動因素的作用[5—6]。通過對比分析眾多土地利用變化研究,梳理出當前研究的基本范式(圖3)。

首先根據研究目標以及研究地區的實際情況,選擇合適的土地利用變化模型。通過遙感技術解譯長時間序列土地利用數據；利用地理信息系統對自然因子和社會經濟因子空間化,對于無法量化的政策、技術等因子可以作為土地利用類型轉換的限制條件。在此基礎上,探討土地利用時空變化的驅動機制并建立多種驅動因子對于土地利用變化的驅動規則。通過單步長模擬,將模擬結果與真實土地利用數據對比,利用Kappa 系數或總精度判定該驅動規則是否達到精度要求。如滿足精度要求,則可設置不同發展情景(如基準發展情景、快速發展情景、生態保護發展情景、耕地保護發展情景等),預測未來多情景下土地利用的非空間需求和空間分配。

圖3 土地利用變化預測模擬范式圖Fig.3 Flow chart of land use change prediction and simulation

2.2 常見土地利用變化模型

現階段土地利用變化模型主要包括馬爾科夫模型(Markov)、系統動力學模型(System dynamics,SD)、元胞自動機(Cellular Automata, CA)、SLEUTH模型(Slope-Land use-Exclusion-Urban extent-Transportation-Hill shade model)、CLUE-S模型(Conversion of Land Use and its Effects at Small region extent model)、多主體模型(Agent-Based Model,ABM)、FLUS模型(Future Land Use Simulation)和GeoSOS(Geographical Simulation and Optimization System)等。各模型在土地利用變化模擬過程中有其明顯的優勢和限制(表1)。目前,幾乎沒有單一的模型能夠捕捉土地利用變化的所有復雜特征。因此,多模型耦合或綜合其他方法改進模型成為土地利用變化模型發展的主要趨勢[7]。

2.2.1CA模型及其拓展

CA模型是一種基于柵格鄰域關系的時間、空間、狀態都離散的動態模擬模型,主要包括元胞、元胞狀態、元胞空間、鄰域和轉換規則等5個基本元素。確定轉換規則是CA模型的核心,通常“自下而上”的轉換規則要體現出復雜系統局部的個體行為產生全局、有秩序模式。利用不同的模型或方法挖掘CA模型的轉換規則,能夠提高模型的預測模擬能力和科學性。通過Markov過程得到的土地利用類型轉移概率矩陣可以作為CA全局轉換規則,進一步利用層次分析法、加權線性合并、頻率比等提取限制因子并計算其權重,結合約束條件生成適宜性圖集[9—11],有效提高CA模型模擬精度。與Logistic-CA相比,許多學者還發現利用地理加權回歸(Geographically Weighted Regression,GWR)計算非城市用地向城市用地轉換的概率,能夠使CA模型轉換規則具備空間非平穩性驅動機制,且整體精度更高,適用于快速城市化地區土地利用變化和城市擴展模擬[12—15]。ABM模型與CA模型結合,以元胞鄰域為主體的空間環境,主體的決策和行為對元胞狀態產生影響, ABM層和CA層分別計算得到轉移概率,并在GIS(Geographic Information System)環境下得到綜合結果,從而體現出人類活動對土地利用變化的多主體影響過程[16—18]。除上述方法,利用機器學習方法確定CA模型轉換規則和相關參數有利于避免人為設置轉換規則而產生的不確定性。隨機森林算法對于異常值和噪聲具有很好的容忍度且不易出現過擬合現象,因此可以用來提高CA模型模擬性能[19—20]。人工神經網絡(Artificial Neural Network,ANN)是挖掘CA模型轉換規則時應用最廣泛的機器學習方法之一,包括BP(Back Propagation)神經網絡[21—22]和多層感知器(Multi-Layer Perceptron, MLP)[23—24]等。劉小平等[25]在CA模型中引入自適應慣性系數和輪盤賭競爭機制,結合ANN提出了FLUS模型并通過實例證明FLUS模型在土地利用變化預測研究中精度較高。Chen等[26]用Markov-FLUS模型預測了北海道三種不同發展情景下的土地利用變化。張經度等[27]在FLUS模型中引入空間自相關因子,探究土地利用數據中可能存在的空間自相關效應。黎夏等[28]耦合CA、多智能體系統、生物智能等研發了地理模擬與優化系統(GeoSOS)用于模擬、預測和優化復雜地理格局和過程。

表1 常用土地利用變化模型

2.2.2CLUE-S模型及其拓展

CLUE-S模型是荷蘭瓦赫寧根大學Peter H. Verburg團隊在其開發的CLUE模型基礎上改進的適用于小尺度土地利用變化模擬的經驗統計模型。CLUE-S模型的理論框架包括非空間需求模塊和空間分配模塊。非空間需求模塊計算不同類型用地需求總量,這一部分需要借助獨立的數學模型完成。采用Logistic回歸分析土地利用類型和驅動因子之間的關系,并生成各用地類型的空間分布概率適宜圖；通過調整轉換彈性系數來設置各用地類型的穩定程度(調整轉換彈性系數值越大,則該用地類型越穩定)；空間分配模塊根據空間分布概率適宜圖、用地類型的調整轉換彈性系數和迭代變量,經過多次迭代,把用地需求總量全部分配到研究區域的空間位置上[29]。 Markov模型[30]、SD模型[31]以及隨機森林算法[32]等可用于計算CLUE-S模型非空間模塊用地需求總量。Verburg等[33]在CLUE-S模型的基礎上改進得到Dyna-CLUE模型,在總概率中引入鄰域適宜性,將“自上而下”的用地需求空間分配和“自下而上”的總適宜性和轉換設置相結合,適用于大尺度過程與局部動力學相互作用的其他區域和過程。嚴冬等[34]利用SD模型計算Dyna-CLUE模型中非空間模塊的土地利用需求,考慮土地利用類型與驅動因子的非線性關系,通過級聯前饋神經網絡模型計算空間適宜性,預測了2030年岷江上游地區不同發展情景下的土地利用變化；Yang等[35]則選擇Markov模型計算土地利用需求,輸入Dyna-CLUE模型,預測了京津冀城市群在自然發展、農田保護和生態安全等三種發展情景下的2030年土地利用狀況。Asselen和Verburg[36]開發的CLUMondo模型是CLUE系列的最新版本,CLUMondo模型以土地系統作為基本建模單元,以糧食生產、住房等需求驅動土地利用變化,且允許一種需求對應多個不同的土地系統,基于驅動力分析動態模擬土地利用系統競爭,且該模型多用于不同發展情景下的土地利用變化預測研究中[37—40]。

2.3 土地利用變化模型開發產品

通過設置不同社會經濟發展情景,不同學者和團隊研發了未來土地利用變化預測數據集(表2)。這些數據集大多都基于政府間氣候變化專門委員會推出的與溫室氣體排放相關的全球社會經濟發展情景,包括共享社會經濟路徑(Shared Socioeconomic Pathways, SSPs)和代表性濃度路徑(Representative Concentration Pathways, RCPs)。SSPs包括SSP1 (Sustainability,可持續路徑)、SSP2 (Middle of the Road,中間路徑)、SSP3 (Regional Rivalry,區域競爭路徑)、SSP4 (Inequality,不均衡路徑)和SSP5 (Fossil-fueled Development,化石燃料為主發展路徑) 等5種典型路徑；RCPs中RCP 2.6、RCP 4.5、RCP 6.0和RCP 8.5最為常用。模擬得到的這些數據集可直接獲取并應用于其他研究中,為土地利用預測模擬提供數據支撐。

表2 部分土地利用變化預測數據集

3 驅動力分析

土地利用變化是一種空間現象,具有高度的空間異質性,在類型、結構、功能以及機制上還具有高度的復雜性。驅動力分析有利于深入探索土地利用變化的原因、內部機制以及基本過程,預測未來土地利用變化的發展趨勢,為制定相關政策、優化土地利用格局提供支持,同時也是LUCC(Land Use and Land Cover Change)研究中的核心內容之一[47]。驅動力研究首先要在多種因子中識別出對土地利用變化起主導作用的驅動因子,常用Logistic 回歸、層次分析法、主成分分析法等方法；在識別主導驅動因子的基礎上,進一步探究驅動力作用并模擬驅動過程。當前研究中影響土地利用變化的驅動力主要包括自然因素、社會經濟因素以及政策、觀念因素,并可以進一步細化出不同的驅動因子,如表3中所示。自然因素在長時間序列上對土地利用變化的影響效果明顯；但在短時間內,自然因素相對穩定,社會經濟、政策、觀念等人文因素相對活躍,因此后者成為引發土地利用變化的主要因素[48]。

表3 常用土地利用變化驅動因子

地理現象的時空動態變化過程往往比其最終形成的空間格局更為重要。例如,溫度、降水等氣候因子的變化直接影響植被的生長條件以及種植適宜性,進而決定了該地區能否發展為耕地,如全球變暖導致我國稻田種植區北移,因此東北地區黑龍江和吉林省出現由沼澤地甚至是草地轉向農田的現象[49]；年平均降水量的增加促進了張家口市農牧交錯帶耕地向園林地轉換[50]。海拔、坡度、坡向等地形因子一方面與溫度、光照等條件有一定關系,決定了植被的分布和生長狀況,從而影響耕地數量；另一方面,地形的平坦度限制了機械運作能力,特別是農業耕作和機械化建設,地形起伏大還會導致耕地破碎化嚴重,因此耕地和建設用地的開發受到限制。如青藏高原地區的建設用地和耕地的擴張集中在河湟谷地和“一江兩河”相對低海拔地區[51]。此外,土壤是作物生產的載體,土壤肥力、土壤pH、土壤含氮量等性質變化,影響土地利用決策者判斷該地塊是否能夠用作耕地。由此可見,自然因素驅動力往往通過影響土地種植潛力及可開發性來限制耕地和建設用地的面積,間接地推動或抑制二者與其他地類之間的轉換。

社會經濟發展極大程度上改變了土地利用變化方式。經濟發展和人口增長往往是城市增長邊界以及人文社會極為活躍的“熱點地區”最重要的驅動因子。經濟快速發展,產業結構調整,在追求經濟利益最大化的同時,城鎮建設用地面積不斷擴大,其與耕地等農用地之間的沖突更為明顯。人口增長導致糧食的需求量增加,對耕地的面積和產量提出更高要求；但人口增長無疑也需要更多的居民住宅用地。這種矛盾推動各領域在技術層面不斷地發展和革新,如高層建筑以及立體交通等建筑技術的發展,既能夠滿足發展需求,又能夠在一定程度上控制建設用地的擴張；高密度種植的發展、灌溉方式的改進、新型肥料的研發等,在提高農作物的產量的同時有效減緩了其他用地類型(林地、水域等)向耕地轉換。區位條件對土地利用變化的驅動作用在一定程度上取決于城市土地租金。例如,工業企業由市區遷至靠近各級交通線路的城市邊緣,而第三產業逐漸進駐市中心,這種產業間對區位條件的響應促進了城市內商貿用地的增加。另一方面,區位條件對土地利用變化的驅動作用還表現在土地利用主體對于便利性的追求。例如,在學校、地鐵站、醫院、公園等公共場所附近,住宅用地相對聚集；耕地分布更集中于農業灌溉水源、主要河流、主要道路等開展農業活動更為便利的地區。

國家或各級政府頒布的相關政策通常對土地利用變化起到強制性作用。比如,退耕還林還草政策的實施,加速了生態脆弱區耕地向林地、草地的轉換；《基本農田保護條例》的頒布和《土地管理法》的修訂嚴格限制了耕地向其他地類轉化。隨著人們受教育程度的增加以及傳媒方式的改變,生態環境保護觀念以及土地資源保護理念逐漸普及,農業工作者愿意選擇保護土地資源的耕作方式和技術手段,促進耕地保護。因此,社會經濟和政策觀念等人文因素對土地利用變化的驅動作用主要來源于土地利用主體對土地資源經濟利益最大化的追求。

4 研究挑戰

4.1 土地利用變化尺度問題

時空尺度問題仍然是土地利用變化研究的難點之一,包括驅動力尺度問題以及不同時空尺度下土地利用變化特征。土地利用變化驅動力作用以及影響效果是動態的,同一驅動因子在不同時間或空間上會有不同表現。并且,在不同的時空尺度上,驅動因子的細化程度不一樣。小尺度的研究區所選取的驅動因子要比大尺度驅動因子的精細化程度更高[52—53]。同樣,土地利用格局在不同時空尺度上也表現出不同變化規律。尺度過大,容易忽略局部重要的細節變化；尺度過小,難以掌握全局變化規律。當前研究中,在空間尺度上的選擇取決于研究者的目的或偏好；時間尺度的選擇往往取決于數據的可選擇性或是經驗判斷。因此,如何選擇最佳時空尺度并分析其內在規律及驅動作用,厘清土地變化的格局和過程,暫未形成系統的理論依據。另外,由于土地利用變化具有高度的時空異質性,單一尺度的研究不能充分反映不同時空尺度土地利用變化的特點,不同尺度上獲得的結論并不能簡單上推或下推,需要通過局地、區域、全球等尺度分析和尺度效應研究掌握土地利用變化的內在規律和尺度依賴性,最終實現尺度綜合。但如何進行尺度綜合,如何找到不同尺度間的“聯結點”仍然存在一定難度。

4.2 數據誤差問題

土地利用變化模擬研究中常使用的數據包括兩大類：土地利用歷史數據和驅動因子數據。其中土地利用歷史數據主要來源于遙感技術產品和野外調查數據,這些數據本身存在的誤差和不確定性在一定程度上降低了預測結果的準確性。此外,驅動因子數據需要與土地利用數據在時空分辨率上相統一,這一過程可能會導致數據失真,從而影響模擬精度。人文驅動因子的定量化與空間化依然需要進一步探究。目前,國內外對社會經濟因子的空間化主要集中在人口數據空間化和GDP(Gross Domestic Product)數據空間化兩方面,如應用廣泛的全球柵格人口分布數據WorldPop、LandScan等。政策實施、價值觀念、技術發展程度等因素對土地利用變化也有顯著的影響,且對于不同地方或區域的影響程度不同,但目前研究中這些因素仍然難以定量表示,在空間上的可視化表現為“地方”均一性,無法考慮像元空間差異。

4.3 系統理論體系問題

當前土地利用變化模擬研究主要圍繞在模型模擬、驅動力分析以及未來土地利用時空格局等方面,其最終目的在于通過模擬探索土地利用朝著有利于人類社會發展方向進行的途徑,并為土地利用決策主體提供理論支撐。了解土地利用變化的環境效應,促進社會經濟可持續發展是土地利用變化模擬研究的重要命題。但由于研究中存在不同空間尺度,各種研究范圍和空間尺度存在較大差異,且數據和模型的選擇均取決于數據來源和研究者偏好,最終輸出結果的精度又受到數據是否規范以及模型適配性的影響,亟需構建較為嚴謹的土地利用變化模擬研究理論和技術體系,應對土地利用變化產生的負面環境影響,最終形成科學的研究范式。

5 研究前景

5.1 強化土地利用高時空分辨率探測

未來土地利用變化模擬將朝向精細化、多元化的方向發展,勢必對數據量、數據源、數據精度以及計算能力提出更高要求。當前處于信息技術發展的新階段,在應用3S技術的基礎上,發揮大數據、人工智能等新技術在數據獲取和數據挖掘上的優勢,建立大容量、多尺度、高精度的時空地理數據庫。在此基礎上,進一步強化定量方法體系,在土地利用變化模擬中引入機理模型,以處理更復雜的地理數據。此外,精細化探測還包括土地系統細微變化的研究。如同一地類上植被、建筑類型等的更替導致土地利用強度和方式的改變。基于地下空間、立體交通以及高層建筑等的應用,土地利用變化預測研究可逐漸發展到三維立體空間。

5.2 細化系統要素時空協同關系研究

土地利用變化不僅是區域社會經濟要素主導下的主動選擇過程,同時也是全球變化、國家政策變化等宏觀因素作用下的適應過程。其中,土地利用變化的環境效應是全球變化研究和可持續發展關注的重點,已有環境效應研究主要側重于大氣環境、水環境、土壤環境、生物多樣性以及生態系統服務等方面的模擬評估,發展出多種相關模型,如InVEST(Integrated Valuation of Ecosystem Services and Tradeoffs)模型、SWAT(Soil and Water Assessment Tool)等,這些模型將土地利用變化作為變量之一,分析其他環境要素或指標對土地利用變化的響應；同時,這些環境效應又會反作用于驅動力系統,從而限制土地利用變化強度和方向,表明土地利用變化與生態環境效應之間存在互饋作用。另外,各環境要素之間存在著復雜的非線性關系,不同環境要素之間相互影響,土地利用格局顯現出空間自相關和空間互相關。因此,在各種環境要素綜合作用背景下,挖掘土地利用變化與環境效應之間的互饋機制,探討自組織系統的鄰域時空協同關系,可為土地系統與生態環境保護提供理論支撐。

5.3 深化人地系統相互驅動認知

科學地認識和協調人地關系是實現可持續發展的必要條件,而土地利用是人地關系的核心問題,土地利用變化也是研究人地關系的重要途徑。近年來,不斷有研究考慮了人類活動對土地利用變化產生的影響,并以驅動因子的形式體現在土地利用變化模擬過程中。然而,土地利用變化的方向和強度也對人類的活動和認知產生了一定的影響,但是這一點很少出現在模擬研究工作中。未來土地利用變化模擬有望從人地相互驅動視角進行,通過挖掘土地利用變化與人類活動之間的相互影響,促進建立科學的土地利用觀念,調整和約束人類行為。

6 總結

當前土地利用變化模型向多模型耦合方向發展,在一定程度上能夠回答土地利用/覆被在何時、何地、為何以及發生怎樣的變化并導致何種特別的生態環境效應,并且研發出多套土地利用預測數據集。驅動力分析已經由自然因素分析轉向自然因素與人文因素相結合。但是,時空尺度、數據誤差、數據整合的不確定性以及難以形成系統的理論體系等問題,使得土地利用變化模擬研究仍然需要不斷發展新的技術手段和大量的研究案例。未來土地利用變化模擬研究需要利用多元數據和多尺度數據融合、數據挖掘、空間制圖等技術,朝向精細化、多元化方向發展。同時更深層次地考慮土地利用變化的生態環境效應,實現生態目標和經濟效益相結合的目標；要將研究視角逐漸擴大至土地利用變化對人類活動的反饋作用,促進人地關系協調發展。最終,期望將土地利用變化研究成果應用于實際工作中,如以實際社會經濟發展狀況為基礎,明確土地利用空間格局以及土地利用類型的轉化方向,推進統籌協調、建設用地集約化、優化土地資源配置等工作開展,從而貫徹落實國土空間規劃要求；或在當前政策導向下,以保證生態安全、糧食安全為前提,模擬預測未來土地利用變化,為及時調整國家發展戰略以及修訂或補充相關政策提供理論依據,實現生態保護和經濟發展協同共進的生態文明建設和可持續發展目標。