考虑生态系统服务价值基于混合双主体代理和元胞自动机建模的高密度人口流域土地利用/土地覆盖动态模拟方法研究

李雨桐; 蔡宴朋; 付强; 张晓东; 万航; 杨志峰

doi:10.1016/j.eng.2023.10.015

工程（英文） ›› 2024, Vol. 37 ›› Issue (6) : 198 -211. DOI: 10.1016/j.eng.2023.10.015

研究论文

考虑生态系统服务价值基于混合双主体代理和元胞自动机建模的高密度人口流域土地利用/土地覆盖动态模拟方法研究

李雨桐 ^a ,
蔡宴朋 ^a^,^* ,
付强 ^b ,
张晓东 ^c ,
万航 ^a ,
杨志峰 ^a

作者信息 +

Dynamics of Land Use/Land Cover Considering Ecosystem Services for a Dense-Population Watershed Based on a Hybrid Dual-Subject Agent and Cellular Automaton Modeling Approach

Yutong Li ^a ,
Yanpeng Cai ^a^,^* ,
Qiang Fu ^b ,
Xiaodong Zhang ^c ,
Hang Wan ^a ,
Zhifeng Yang ^a

Author information +

文章历史 +

PDF (5536K)

摘要

土地利用/土地覆盖表示人类社会系统和地理环境系统的相互作用和影响，引起自然和人类相关问题以及利益关联者之间的潜在冲突。该研究引入土地生态系统服务价值和农民经济状况属性，开发基于元胞自动机和多智能体耦合的仿真模型，有效处理社会经济和土地利用协同的问题，以研究人类与环境相互作用，并对华南湿润地区土地利用变化情况进行预测。引起土地利用/土地覆盖改变的驱动因子包括自然属性数据和社会经济数据。元胞自动机耦合多智能体模型主要包括初始化模块、迁移模块、资产模块、土地适宜性模块和土地利用变化决策模块。本研究应用空间逻辑回归模型以获得影响城市用地的社会经济因素转换概率。同时，引入了多准则评价和马尔可夫模型，以获得影响生态用地的自然属性因素转换概率。本研究提出了一种基于多智能体模型的元胞自动机-空间逻辑回归-多准则评价-马尔可夫的土地利用转换模型（ABCSMM），以探索多种政策对土地利用转换的影响。该模型考虑林地转换、城市扩张、生态系统服务价值和土地利用决策之间的联系，以便更精准地复刻观察到的土地利用模式。多政策情景下的土地利用模拟结果揭示了该模型在土地利用管理规范研究中的实用性。

Abstract

Land use/land cover represents the interactive and comprehensive influences between human activities and natural conditions, leading to potential conflicts among natural and human-related issues as well as among stakeholders. This study introduced economic standards for farmers. A hybrid approach (CA-ABM) of cellular automaton (CA) and an agent-based model (ABM) was developed to effectively deal with social and land-use synergic issues to examine human-environment interactions and projections of land-use conversions for a humid basin in south China. Natural attributes and socioeconomic data were used to analyze land use/land cover and its drivers of change. The major modules of the CA-ABM are initialization, migration, assets, land suitability, and land-use change decisions. Empirical estimates of the factors influencing the urban land-use conversion probability were captured using parameters based on a spatial logistic regression (SLR) model. Simultaneously, multicriteria evaluation (MCE) and Markov models were introduced to obtain empirical estimates of the factors affecting the probability of ecological land conversion. An agent-based CA-SLR-MCE-Markov (ABCSMM) land-use conversion model was proposed to explore the impacts of policies on land-use conversion. This model can reproduce observed land-use patterns and provide links for forest transition and urban expansion to land-use decisions and ecosystem services. The results demonstrated land-use simulations under multi-policy scenarios, revealing the usefulness of the model for normative research on land-use management.

关键词

土地利用/土地覆盖 / 人地系统 / 多智能体 / 元胞自动机

Key words

Land use/land cover / Human-environment interactions / Agent-based model / Cellular automaton

引用本文

引用格式 ▾

李雨桐,蔡宴朋,付强,张晓东,万航,杨志峰. 考虑生态系统服务价值基于混合双主体代理和元胞自动机建模的高密度人口流域土地利用/土地覆盖动态模拟方法研究[J]. 工程（英文）, 2024, 37(6): 198-211 DOI:10.1016/j.eng.2023.10.015

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

土地利用/土地覆盖（LULC）描述了人类对自然土地所进行的活动、安排和投入[1]。长期以来，许多研究者利用它来反映在地球上观测到的人为和自然特征[2‒4]。土地利用覆盖变化（LUCC）是一个连续的、动态的长期变化过程，可以复刻人类活动和自然环境的变化和趋势[5‒8]。然而，土地利用覆盖变化是一个错综复杂的过程，包括人类个体或土地地块之间的影响以及环境与人类之间的相互作用[9‒10]。因此，探究引起土地利用/土地覆盖变化的众多因素是一个复杂的问题[11‒15]。这一问题对包括决策者和农民在内的利益相关者的行为提出了挑战。这项研究为提高土地资源利用效率和可持续发展提供了重要帮助并促进了多尺度下土地利用的协调监管[16‒19]。因此，研究人类与自然环境双向交互作用对土地利用变化的影响是十分必要的。

土地利用模拟和预测是目前研究的主要方向。大多学者认为，利用时间序列数据对不同情景下的土地利用覆盖情况进行预测和模拟，对于未来的土地利用覆盖情况管理策略至关重要[1,20]。目前，已经有许多模型被开发用来预测和模拟土地利用空间转换情况。元胞自动机耦合马尔可夫模型（CA-Markov）是一种较为常见的模型，已被广泛用于复杂系统土地覆盖变化的时空动态模拟研究[21‒28]。元胞自动机耦合马尔可夫模型具有较强的空间分析能力[29]。同时，许多研究者已经使用元胞自动机耦合马尔可夫模型成功地进行了土地利用覆盖情况模拟[30]。例如，Permatasari等[9]和Naboureh等[31]利用元胞自动机耦合马尔可夫模型预测了中国和印度尼西亚的土地利用类型，并分别制定了土地利用政策。然而，元胞自动机耦合马尔可夫模型无法模拟人类决策和校正由于人类干扰而导致的土地利用变化。

多智能体模型（ABM）可以弥补元胞自动机耦合马尔可夫模型的不足。多智能体模型是一种通过相互作用和选择原则对主体或个体的行为进行编程的模拟方法[32‒34]。多智能体模型应用在土地利用方面可以用于预测土地利用覆盖、各种因素或组分之间的相互作用[35]，以及土地的固有自然属性（如海拔、坡度、土壤类型等）。Walsh等[36]构建的多智能体模型由人口转移模块、家庭资产模块、土地适宜性模块、农业作物生产模块和化肥应用模块组成。Giri等[32]将水文过程纳入多智能体模型，以解决蓝绿水的空间分布随土地利用变化的关键问题。Zhao等[37]基于多智能体的土地利用分配模型模拟了利益相关者的决策过程。An等[38]构建了多智能体模型用来模拟朝鲜饥荒时期的土地退化情况，并研究降低其风险的可行策略。Dziubanski等[39]结合半分布式水文模型和多智能体模型，评估了温度和降水变化对河流流量的影响，同时也考虑了这些变量对土地利用决策的影响。同时，多智能体模型框架也被广泛应用于空间清晰的土地利用决策方面，这些决策促进了区间的规模[40‒43]，并将土地利用政策与潜在的土地利用模式联系起来，以避免决策限制。然而，多智能体模型的缺点是无法进行空间评估。因此，本研究将结合元胞自动机耦合马尔可夫模型和多智能体模型，在时空尺度上揭示人类与自然环境在人类决策影响下对土地利用变化的双向交互作用。

考虑到当前研究对土地利用/土地覆盖变化预测的趋势，本文讨论了多政策情景下的土地利用/土地覆盖变化情况（图1）。本研究旨在开发一种基于元胞自动机模型和多智能体模型的土地利用转换模型，来研究不同政策情景下的土地利用/土地覆盖变化模式。基于多智能体模型的元胞自动机-空间逻辑回归-多准则评价-马尔可夫模型（ABCSMM）由两大主体组成，分别为环境层和双向决策层。其中，双向决策层分为政府代理和农民代理，根据每个时期的预期效用做出土地利用决策；环境层根据不同的驱动因素将土地分为城镇土地和生态用地，每个地块均为一个土地代理单元。并引入生态系统服务价值（ES）的时空变化来构建新的科学认识，研究结果将有助于研究人类与环境的相互作用。本研究主要创新点包括：①将具有空间自组织的元胞自动机模型与具有涌现性的多智能体模型相结合，探索人与环境之间的互馈关系；②分别计算城镇用地、生态用地和约束用地适宜性图集；③将土地利用转换与生态系统服务价值和农民财政状况等属性联系。综上，决策者和研究人员可以利用本研究的结果进行可持续的土地利用管理。

2 方法

ABCSMM模型的过程分为三个步骤（图2）：①驱动因素和约束条件的选择；②土地适宜性图集的制作；③基于当前土地利用数据对代理主体进行初始化设置。开发的模型主体分为两大类：一类是人类主体，根据其在每个时期的预期效用做出土地利用决策；另一类是地块网格单元主体，获得了一些影响人类主体预期效用的环境属性参数。这些属性参数包括土地利用转换的概率、土地利用类型对人类的吸引力以及人类主体最初预期的效用等。这些参数是基于程序产生或是根据农业调查估计。这些属性参数的详细信息将在以下章节中介绍。ABCSMM模型修改人类代理和地块代理的属性，然后根据更新后的属性对它们进行分类。应用ABCSMM模拟研究区1999—2030年每年的土地利用覆盖情况。

2.1 驱动力和约束

2.1.1 土地利用变化驱动因素

一般来说，土地利用的变化受到众多因素的影响，已有研究揭示了影响土地利用变化的因子[44‒46]。社会经济数据包括人口、国内生产总值（GDP）和距离数据。自然数据包含高程和坡度数据。同时，对所有因子数据进行归一化处理，以消除数据维度对后续模拟研究的影响。本研究的标准化过程采用了正、负两个方向的模糊集隶属函数。正模糊集隶属函数为：

a i j' = 1 a i j > m a x (a i j) a i j - m i n a i j m a x a i j - m i n (a i j) m i n (a i j) ≤ a i j ≤ m a x (a i j) 0 a i j < m i n (a i j)

(1)

负模糊集隶属函数为：

a i j' = 1 a i j > m a x (a i j) m a x a i j - a i j m a x a i j - m i n (a i j) m i n (a i j) ≤ a i j ≤ m a x (a i j) 0 a i j < m i n (a i j)

(2)

式中，

a i j

为数据类型i中数据j的值；

a i j'

为归一化后的值；

m a x (a i j)

为最大值；

m i n (a i j)

为最小值。这些因素在0~1的范围内标准化。

2.1.2 政策制定和情景开发

利用ABCSMM模型，根据不同的约束条件预测2030年土地利用类型，输出6种土地利用情景分别为平衡发展情景（S1）、草地保护情景（S2）、生态保护情景（S3）、林地保护情景（S4）、经济发展情景（S5）、耕地保护情景（S6）。平衡发展情景同时考虑城镇用地扩张和生态保护作为本文的基准情景。草地保护情景优先保护草地，林地保护情景和耕地保护情景优先保护林地和耕地。草地保护情景保持地区原有草地不变，其他土地类型按一定规律进行转换。林地保护情景和耕地保护情景的相似之处在于它们保持上一年的林地或耕地不变。生态保护情景优先保障有利于区域生态发展的耕地、林地和草地三种生态友好型土地类型的安全。即原生态土地保持不变，其他土地类型按一定规律进行改造。经济发展情景是城镇用地优先发展，即城镇用地保持不变，其他土地类型按照一定的规则进行改造。下一节将详细解释转换规则，形成环境适宜性和限制土地利用变化及可能性转移的适宜性图集。

2.2 土地利用适宜性图集

2.2.1 空间逻辑回归

空间逻辑回归模型（SLR）的主要目标是在空间范围内建立二元变量与多个参数之间的回归关系，即事件发生的概率[47]。本研究利用空间逻辑回归方法将具有任意时间隔和环境变量的遥感图像应用于地理空间信息系统，建立了城镇空间扩张预测模型。空间逻辑回归模型使用社会经济和环境数据作为输入，城镇和非城镇地区作为输出。采用受试者工作曲线（ROC）对模型进行评价，这是以实际值为纵坐标、模拟值为横坐标绘制的曲线，曲线越靠近左上方，结果越可信[48]。ROC指数可以通过比较描述事物发生概率的概率图像和显示此类位置的二进制图像，来评估模型预测结果的有效性[49]。ROC指数的取值范围为0~1，越接近1表示模拟结果越可信[50]。城镇用地转换概率和影响因素之间的函数关系如下：

P Y = 1 | x = e x p (∑ ∂ i X i) 1 + e x p (∑ ∂ i X i)

(3)

式中，

P Y = 1 | x

为二元或二分因变量的概率；x是自变量；Y = 1表示栅格中的一个单元格从非城镇用地转为城镇用地的概率；X_i 是自变量，包括常数项X ₀；

∂ i

是变量系数。在求取Logistic系数时，常对式（3）进行Logit变换，空间逻辑回归函数考虑一组参数中的线性概率，概率范围在0~1之间[32]，进而得到一个线性形式：

Y = l o g i t (p) = l n (P k 1 - P k) = ∂ 0 + ∂ 1 x 1 k + ∂ 2 x 2 k + ∂ 3 x 3 k + … + ∂ 12 x 12 k

(4)

式中，Y表示因变量为1的概率；p为因变量的概率；P_k 为非城镇用地转换为城镇用地因变量的预测概率；

∂ 0

为截距；

∂ 1

, …, $∂ 12$ 为变量系数； $x 1 k$ , …, $x 8 k$ 分别为到以下地点的最近距离：医院（X ₁）、公园（X ₂）、铁路（X ₃）、公路（X ₄）、学校（X ₅）、商店（X ₆）、车站（X ₇）、水路（X ₈）； $x 9 k$ ,…, $x 12 k$ 为高程、坡度、人口和GDP。参数符号表示解释变量对转换概率的正向影响或负向影响。负系数符号表示通过增加单元格与相邻外部性影响因素之间的距离来减少土地利用转换的可能性。在模型中到学校、车站、商店和医院的距离越近，表示居民居住的方便程度越高[51]。到公路、水路、铁路、车站等距离越近，表示道路可达性越高[52]。到公园和溪流的距离是衡量附近景观设施的相对标准。人口和GDP相对较密集的地方可以吸引更多的居民。因此，这些因素会对城镇用地转换概率产生积极影响[53]。

2.2.2 多准则评价

非城镇土地利用类型（农田、林地、灌木、草地和荒地）主要受自然因素（高程和坡度）的影响。这部分的主要目的是在最有潜在适宜性的基础上，运用多准则评价耦合模糊评价的方法，对研究区域非城镇用地的最优空间组合进行评价。多准则评价旨在从多个目标和标准的几种可能性中做选择[54]。在这种方法中，多个标准被聚合为每个决策方案的单个评估分数。多准则适宜性评价的公式如下[55]：

$S = f (x 1, x 2, …, x n)$ (5)

式中， $S$ 为土地适宜性措施； $x 1, x 2, …, x n$ 为影响土地适宜性的标准；加权线性组合补偿决策规则是一种基于地理信息系统的决策支持工具[56]。本研究采用布尔叠加、加权线性组合（WLC）和有序加权平均（OWA）进行基于地理信息系统的多准则分析。

2.2.3 元胞自动机耦合马尔可夫模型

元胞自动机耦合马尔可夫模型是一种时间序列模型，它集成了标准的马尔可夫模型和元胞自动机模型。在元胞自动机耦合马尔可夫模型中，马尔科夫链是利用转移概率矩阵来模拟土地利用覆盖变化概率的离散时间随机模型[14,57]。利用两个状态（t ₁和t ₂）之间的转换概率来确定各种土地利用覆盖状态之间的转换趋势[58‒59]。马尔可夫模型的数学表达式如式（6）所示：

$S t + 1 = P i j S (t)$ (6)

式中， $S t + 1$ 为t + 1时刻土地利用覆盖情况； $P i j$ 为转换矩阵，表达式如式（7）所示：

$P i j = p 11 … p 1 n … … … p n 1 … p n n$ (7)

式中， $p i j$ 为土地利用变化之间的转换概率， $0 ≤ p i j ≤ 1$ 且 $∑ j = 1 n p i j = 1$ ；i和j是土地使用类型，i, j = 1, 2, …, n。矩阵分别以行和列的形式描述过去和现在的土地利用类型。在此基础上元胞自动机模型的数学表示如式（8）所示：

$S (t, t + 1) = f (S (t), H$ )(8)

式中，H=h $×$ h。

元胞自动机耦合马尔可夫模型用于预测土地利用类型。本研究将元胞自动机耦合马尔可夫模型应用在每个90 m × 90 m大小的标准单元格上进行预测。元胞自动机模型能够改变和控制复杂的空间分布过程，具有模拟强大复杂系统时空变化的能力[60‒62]。马尔可夫链模型的缺点之一是不能提供土地利用覆盖的空间分布，但可以提供其规模的近似值[63‒64]。该模型涉及利用单元空间、网格大小、单元邻域和转换规则等用于生成复杂的模式，有效表征非线性空间随机土地利用变化过程[65‒67]。利用Kappa系数比较土地利用模拟值与实际值的一致性[59,68‒69]。

2.3 基于代理模型的双向交互分析

2.3.1 地块多智能体

土地单元代理被定义为90 m × 90 m的土地网格单元。土地地块代理具有以下几种属性，分别为土地使用类型、土地所有权、对人类代理的吸引力、邻域指数以及两种生态系统服务感知价值（ES），分别为粮食供应（作物和牲畜）和非粮食供应[70]。

元胞自动机模型的邻域是由邻域规则决定的，是元胞自动机模型中转换规则的基础。邻域是指以元胞自己为中心，按一定形状划定的元胞集合[71‒72]。本研究引入邻域指数表征邻域的作用。邻域指数的计算公式如下：

$σ i j Z = ∑ n × n c o n (s i j = L l a n d u s e) n × n - 1$ (9)

式中， L 为土地利用类型； $σ i j t$ 为土地利用类型 L 的邻域指数； $s i j$ 为矩阵；Z为在元胞自动机迭代过程中发生的指数变化； $n × n$ 为邻域大小； $c o n (·)$ 为条件函数。

本研究中将生态系统服务价值纳入土地利用变化模型，为环境与人类福利之间的权衡、独立或冲突提供了系统的全面评价[73‒74]。这对促进技术和政策制定实现可持续发展具有重要意义。本研究中采用了“千年生态系统评估”[75]中定义的生态系统概念，并假设农民受益于两种生态系统，分别为食物供应（ES_f）和所有其他生态系统服务（ES₀）。本研究采用生态系统服务价值评估体系，该体系反映了农民的ES_f和ES₀对四种不同土地利用类型的感知，详见表1 [70]。表中使用1~10量化ES_f和ES₀对不同土地利用类型的响应。由于每个地块对人类主体的吸引力和每个土地单位所有权这两个土地属性涉及人类代理，因此将在下一小节对其进行详细说明。

2.3.2 双层决策多智能体

根据农业普查，本研究假设流域的土地所有者主要由农民组成。ABCSMM模型考虑土地代理提供的单位土地的环境效益和其他属性，从而更新其预期效用。人类代理假定三种财务状况，地块对人类的吸引力如下：

$β = C 1 N + C 2 E S f + C 3 E S 0 + C 4 D d e n s i t y + C 5 D G D P + C 6 e - D 1 … + C n e - D n$ (10)

式中， $C 1, …, C 5$ 为系数；N为邻域指数； $E S f$ 为粮食供应； $E S 0$ 为非粮食供应； $D d e n s i t y$ 为人口密度； $D G D P$ 为GDP；D ₁, …, D_n 为到某一地点的距离。

指定年份的人类代理具有一些属性，如土地单元所有权和财务状况。本研究假设每个农民拥有一个面积约为90 m×90 m的方形农场。ABCSMM模型假设人类代理属性大小不随时间改变，这是当前版本存在的一个限制，这一限制应在未来的研究中加以解决。农民在某一年的财务状况可以分为三个独立的状态，分别为财务状况良好（α）、中等压力（β）和面临重大压力（1 - α - β）。

图3包括一个农民的财务状况、ES_f和ES₀的情况及农民所有可能的土地使用决策过程[70]。经济条件好的农民是否会扩大耕地面积取决于ES₀和ES_f。本研究假设，经济条件较好的农民是否会扩大耕地面积取决于ES_f和ES₀。当ES_f＞ES₀时，分别有P _FoAg、P _GrAg、P _BaAg、P _ShAg的概率从林地转换为耕地、草地转换为耕地、荒地转换为耕地和灌木转换为耕地。然而当ES_f＜ES₀时，则有P _AgGr和P _AgSh的概率使耕地变为草地或灌木。当ES_f = ES₀时，农民最有可能保持目前的耕作方式。当农民面临一定财政压力时，会限制目前的耕种方式。因此，耕地在这一年不会改变，林地、草地、灌木、水和荒地自然生长。当面临巨大的财政压力时，资金短缺会导致农民减少农业活动，导致一些耕地荒废。这些废弃的耕地可能会变成草地、灌木或荒地。其中，P _AgBa表示耕地转换为荒地的概率，P _AgGr和P _AgSh分别表示耕地向草地、灌木转换的概率。以上这些概率是ABCSMM模型中需要率定的参数。

环境层是指土地利用系统的空间环境，既可以直接影响土地利用方式，也可以通过作用于多智能体层，使得土地利用类型发生改变，是土地利用状态和智能体驱动力因素的综合表达。多智能体模型中土地利用转变的概率如图3所示。在没有人为干预的情况下影响土地的自然转化可以更好地符合人类代理的预期效用。例如，当土地利用类型为耕地，农民的经济状况良好且ES_f> ES₀，同时在3×3区域内的土块上，林地有P _FoAg的概率转化为农业用地，草地有P _GrAg的概率转换成农业用地，荒地有P _BaAg的概率转化为农业用地，灌木转化为耕地的概率为P _ShAg。

3 应用

3.1 基于代理模型的双向交互分析

本研究的研究区域为东江流域（DRB），如图4所示，东江是中国南方珠江的一条支流[76]。中上游的地形以山脉和丘陵为主，下游地区地形平缓，人口密度高，经济发展迅速，是广东省经济相对发达的地区。东江流域的植被覆盖度相对较高，植被类型众多且覆盖范围广[77]。林地和草地总面积占82.25%，其中林地类型以常绿阔叶林为主，占51.6%。从空间分布特征来看，林地比例较高的区县主要集中在流域中上游，下游地区的植被覆盖率较低[78]。2020年东江流域的国内生产总值约为16 569.96亿元，第一、第二和第三产业的国内生产总值分别约占3.46%、49.76%和46.66%。研究区上、中、下游不同产业的贡献率存在明显的空间差异。地形对上游地区影响较大，工业经济相对落后。第三产业在高水平发展中占主导地位。该地区的主要土地利用类型是林地，自20世纪80年代以来，随着城市化步伐的加快，城镇面积逐年扩大[79‒84]。因此，需要开发土地利用转换模型来评估人与环境相互作用的潜在影响。

3.2 土地利用情况

东江流域未来土地利用变化的模拟是基于数据库1990—2019年的历史土地利用数据，主要分为9种土地利用类型，分别为耕地、林地、灌木、草地、水域、积雪、荒地、城镇用地和湿地，分辨率为30 m×30 m [50]。东江流域土地利用类型可以分为7类，分别是耕地、林地、灌木、草地、水域、荒地和城镇用地是从上述数据库中重新采样提取出来的，如图5所示。在东江流域中未观测到冰/雪类型。

3.2.1 土地利用结构及其变化

土地利用变化受到多种因素的影响。本研究的距离数据包括到医院、公园、铁路、公路、学校、商店、车站、水路的距离，用以表征东江流域的社会属性，如图6所示。经济数据包括人口和GDP，用以表征东江流域的经济属性，如图7所示。自然数据包括高程和坡度，该数据均从已有数据中提取，如图8所示。

表2显示东江流域的多年土地利用变化（即1990年、2000年、2010年、2019年）。从1990年到2019年，草地从0.21%减少至0.07%，城镇用地从0.38%增加至2.51%，灌木面积从0.04%减少至0.02%，耕地面积从17.86%下降至15.71%，但2019年增加至16.24%，且东江流域林地面积最大。

单一土地动态度表示研究区内特定土地利用类型在一定时期内的变化，表达式如下：

$K i = U b i - U a i U a i × 1 t × 100 %$ (11)

式中， $K i$ 为研究期内土地类型i的动态程度； $U a i 、 U b i$ 为研究初期土地类型数量和研究末期土地类型数量；t为研究期；当T的研究时期步长为一年时， $K i$ 为土地利用类型的年变化率。

土地利用类型综合转化率有效整合了单元内各种土地利用类型的变化速度，同时考虑了土地总面积和结构因素。该值反映了研究区域土地利用变化的总体速率。土地利用类型综合转化率表达式如下：

$V = 1 t ∑ i = 1 m [(A i j + 1 - A i j A i j) 2 A i i S]$ (12)

式中， $A i j$ 为第j期第i类的土地面积； $A i j + 1$ 为（i+1）类土地在第j期的面积； $A i i$ 为第i期第i类的土地面积；S为研究区域的总面积；m为土地利用类型的数量；t为研究期。

分别计算了第一个时期（1990—2000年）、第二个时期（2000—2010年）和第三个时期（2010—2019年）的土地利用变化率，如表3所示。

由表可知，第一个时期综合土地利用转化率为0.15%，第二个时期综合转化率为0.09%，第三个时期的综合转化率为0.03%。由此可见，土地利用的总转化率呈下降的趋势。在第二个时期荒地的变化率最为显著，第一阶段为负变化，第二阶段为最大正变化。城镇用地的土地利用类型呈现出正增长但增长速度逐渐减慢的趋势。耕地在第一阶段缓慢减少，第二阶段减少速度增加，第三阶段耕地面积增加。

3.2.2 土地利用程度分析

利用土地利用程度指标反映人类要素和自然要素的整体作用。利用土地利用程度的分类标准，将研究区的土地利用划分为四个等级，并指定分级指标（L ₁ = 荒地，L ₂ = 林地、灌木、草地和水域，L ₃ = 耕地，L ₄ = 城镇用地）。为定量表达研究区域内土地利用的综合水平及变化趋势，提出土地利用程度指数和土地利用程度变化模型，其表达式如下：

$D j = 100 ∑ i = 1 n (A i C i)$ (13)

式中， $D j$ 为土地利用程度综合指数； $A i$ 为i级土地利用程度分类的分级指标； $C i$ 为i级土地利用程度占总面积的百分比；n为土地利用程度等级数。

$R i = L b - L a / L a$ (14)

式中， $R i$ 为土地利用程度变化指标； $L a$ 、 $L b$ 分别为a期和b期土地利用程度的综合指标。

1990—2019年的土地利用程度和变化指数见表4。

4 结果分析

4.1 验证和比较拟合优度

为了预测土地利用覆盖情况变化，东江流域土地利用模型参数如表5所示。

本文提出了一个基于地理空间系统和空间逻辑回归的城镇扩展模型，该模型考虑了多种社会因素和环境因素。由于具有多个输入变量的空间特征，地理空间系统和空间逻辑回归的集成对于模拟城镇用地变化至关重要。ROC指数被用来定义空间逻辑回归模型模拟的精确程度，如表6所示。本研究计算了城镇扩张概率并用来预测未来城镇类型。ROC的值为93%表明概率图是有效的。结果表明，空间逻辑回归在空间关系表现上具有优势，可以应用在城镇空间结构预测方面。

比较2019年东江流域实际的土地利用类型和模拟的土地利用类型，见图9。为了验证模型，将2019年实际的土地利用覆盖和模拟的土地利用覆盖进行一致性Kappa指数比较。由此得出，两张地图的覆盖情况表明土地利用类别的一致性是可以接受的，差异的比率小于10%。2019年水体类型模拟上表现出良好的相似性。总体的Kappa指数为98.93%，代表两个地图之间匹配程度较高。该验证过程基于每个土地利用覆盖的像素数量和像素位置评估了两个地图的相似程度。

表7中的数据根据2019年东江流域土地利用分类实际和模拟之间的差异计算得出。结果表明，这一差异导致林地和城镇用地分别被低估了约0.75%和0.04%。然而，该模型高估了0.77%耕地和0.02%水域等土地利用类型。综上，该模型可以应用在东江流域以模拟土地利用的变化。

4.2 土地利用类型适宜性评价

如图10所示，应用空间逻辑回归方程、多准则评估、马尔可夫和驱动因素空间网格数据制作适宜性图集。适宜性数值范围从0到1，接近1表示特定土地利用的适宜性较高，接近0表示土地利用的适宜性较低。结果表明，该地区林地的土地适宜性较高，最高值为1。城镇用地的适宜性在东江下游附近较高。水域适宜性高值主要集中在东江中下游，最大值为0.75。耕地主要分布在海拔0~250 m、坡度0°~8°的地区，地形对耕地面积的增加有至关重要的作用。全流域草地适宜性较低，最高适宜性为0.01。

4.3 政策场景模拟

表8列出了不同土地利用类型下的各土地利用面积和变化率（%）。其中，平衡发展情景（S1）中的土地利用情况表明：耕地的面积为19.25%，林地的面积为75.97%，水域的面积为2.18%，城镇用地的面积为2.53%，灌木的面积为0.01%，荒地的面积接近0.00%。在草地保护情景（S2）中，耕地的面积为19.22%，林地的面积为75.91%，水域的面积为2.18%，城镇用地的面积为2.62%，基本与平衡发展情景中的灌木和荒地所占面积相同。在生态保护情景（S3）中，耕地、林地、草地和城镇用地覆盖面积分别为7 318 874 hm²、28 870 800 hm²、23 838 hm²和954 406 hm²。在林地保护情景（S4）中，耕地、林地、草地和城镇用地覆盖面积分别为7 312 184 hm²、28 872 100 hm²、22 270 hm²和961 587 hm²。经济发展情景（S5）中，19.23%的区域被农田覆盖，75.90%的区域被林地覆盖，2.62%（996 786 hm²）的区域为城镇土地。在耕地保护情景（S6）中，7 309 094 hm²为耕地面积、28 845 500 hm²为林地面积、21 833 hm²为草地面积、991 841 hm²为城镇面积。另一方面，灌木和荒地类别在6种情况下基本是一致的，占集水区面积的0.01%，几乎接近0.00%。

2030年6种情景（S2~S1、S3~S1、S4~S1、S5~S1和S6~S1）的土地利用覆盖情况变化如图11所示。在S2~S1期间，耕地减少了6360.00 hm²，林地减少了1200.00 hm²，草地减少了1044.90 hm²，城镇用地减少了35 868.00 hm²。在S3~S1期间，城镇用地减少5588.00 hm²。耕地增加了10 800.00 hm²，林地增加了22 500.00 hm²，灌木增加了133.65 hm²，草地增加了1688.00 hm²，水域增加了400.00 hm²，荒地增加了36.45 hm²。在S4~S1期间，耕地、林地、灌木、草地、水域和城镇用地分别增加了4110.00 hm²、23 800.00 hm²、109.35 hm²、121.50 hm²、182.00 hm²和1593.00 hm²。荒地面积减少了60.75 hm²。同时，S6~S1荒地面积减少了48.60 hm²，耕地、灌木、水域和城镇用地面积分别增加了1020.00 hm²、72.90 hm²、207.00 hm²和31 847.00 hm²。但林地和草地分别增加了2800.00 hm²和315.80 hm²。在S5~S1期间，城镇用地大幅增加了36 792.00 hm²，灌木、水域和荒地分别增加了97.20 hm²、291.00 hm²和85.05 hm²。耕地、林地和草地分别减少了3270.00 hm²、3900.00 hm²和145.70 hm²。

5 讨论及总结

ABCSMM模型将具有空间自组织特征的元胞自动机模型和具有涌现特征的多智能体模型结合起来计算城镇用地和生态用地的适宜性。同时，引入生态系统服务价值和农民财务状况，以解决人与环境之间的相互作用问题。利用该模型对平衡发展情景（S1）、草地保护情景（S2）、生态保护情景（S3）、林地保护情景（S4）、经济发展情景（S5）和耕地保护情景（S6）这6种政策情景下的未来土地利用空间格局进行了模拟和预测。

主要结果如下：①利用ROC指数来反映空间逻辑回归模型模拟的精度，其值为93%，表明空间逻辑回归在空间关系表现上具有优势，可以应用于城镇用地空间结构预测。②利用一致性kappa指数对2019年实际土地利用覆盖与模拟土地利用覆盖进行比较，总体kappa指数为98.93%，差异小于10%，表明两幅地图的匹配程度较高。③该地区林地适宜性较高。在东江流域下游附近，城镇用地适宜性较高。水域的高适宜性主要集中在东江流域的中下游。草地适宜性较低，耕地主要分布在海拔0~250 m、坡度0°~8°的地区。④ 6种政策情景下灌木和荒地的面积基本一致，约占流域面积的0.01%。在任何情况下，到2030年林地面积均超过75%。⑤与平衡发展情景相比，其他情景下灌木面积均有所增加，城镇用地面积绝对变化量最大，荒地面积绝对变化量最小。由于过去的退耕还林政策，耕地呈下降趋势，而林地呈上升趋势。然而，近年来为了响应国家粮食安全的号召，出现了适度的退林还耕现象。

该模型在模拟东江流域的土地利用时空变化方面表现出优异的效率，表明该方法可应用在东江流域土地利用模拟方面。然而，本研究只考虑有限的社会经济和自然环境驱动因素，如气候变异性、自然灾害、土壤情况等均未涉及。同时，在元胞自动机模型模拟中，许多土地利用类型保持不变，这可能导致kappa值膨胀。在未来的研究中，应采用更准确的指标，如功值图（FoM）来评价基于元胞自动机模型的土地利用变化模拟的精度，并分析基于元胞自动机模型的土地利用转换模拟的精度。最后，作者选择的驱动因素之间具有一定的相关性，使用空间逻辑回归模型进行分析可能会导致模拟的不稳定性。在未来的研究中，应开发更精确的方法来表征多个驱动因素之间的关系。未来的土地利用变化模拟研究应充分利用大数据技术的优势，推动土地利用变化模拟研究方向更加精细化和多样化发展。结合生态环境领域的实际问题，需要探索土地利用变化与其生态环境效应之间的反馈机制。研究视角应从探索人类活动对土地利用变化的影响逐渐转向人类活动与土地利用变化的相互作用。最终促进人地关系的协调发展，增强对土地利用变化过程的理解与认识。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]
Gashaw T, Tulu T, Argaw M, Worqlul AW. Evaluation and prediction of land use/land cover changes in the Andassa watershed, Blue Nile Basin, Ethiopia. Environ Syst Res 2017;6(1):17. . 10.1186/s40068-017-0094-5

[2]
Kaul HA, Sopan I. Land use land cover classification and change detection using high resolution temporal satellite data. J Environ 2012;1(4):146‒52.

[3]
Wang H, Liu X, Zhao C, Chang Y, Liu Y, Zang F. Spatial-temporal pattern analysis of landscape ecological risk assessment based on land use/land cover change in Baishuijiang National nature reserve in Gansu Province, China. Ecol Indic 2021;124:107454. . 10.1016/j.ecolind.2021.107454

[4]
Yang J, Xu J, Zhou Y, Zhai D, Chen H, Li Q, et al. Paddy rice phenological mapping throughout 30-years satellite images in the Honghe Hani Rice Terraces. Remote Sens 2023;15(9):2398. . 10.3390/rs15092398

[5]
Zheng HW, Shen GQ, Wang H, Hong J. Simulating land use change in urban renewal areas: a case study in Hong Kong. Habitat Int 2015;46:23‒34. . 10.1016/j.habitatint.2014.10.008

[6]
Yirsaw E, Wu W, Shi X, Temesgen H, Bekele B. Land use/land cover change modeling and the prediction of subsequent changes in ecosystem service values in a Coastal Area of China, the Su-Xi-Chang Region. Sustainability 2017;9(7):1204. . 10.3390/su9071204

[7]
Batunacun, Nendel C, Hu Y, Lakes T. Land-use change and land degradation on the Mongolian Plateau from 1975 to 2015—a case study from Xilingol, China. Land Degrad Dev 2018;29(6):1595‒606. . 10.1002/ldr.2948

[8]
Minta M, Kibret K, Thorne P, Nigussie T, Nigatu L. Land use and land cover dynamics in Dendi-Jeldu hilly-mountainous areas in the central Ethiopian highlands. Geoderma 2018;314:27‒36. . 10.1016/j.geoderma.2017.10.035

[9]
Permatasari RJ, Damayanti A, Indra TL, Dimyati M. Prediction of land cover changes in Penajam Paser Utara Regency using cellular automata and Markov model. IOP Conf Ser Earth Environ Sci 2021;623(1):012005. . 10.1088/1755-1315/623/1/012005

[10]
Ren DF, Cao AH, Wang FY. Response and multi-scenario prediction of carbon storage and habitat quality to land use in Liaoning Province, China. Sustainability 2023;15(5):1‒23. . 10.3390/su15054500

[11]
Mohan K, Rai PK, Mishra VN. Prediction of land use changes based on land change modeler (LCM) using remote sensing: a case study of Muzaffarpur (Bihar), India. J Geogr Inst Jovan Cvijic SASA 2014;64(1):111‒27. . 10.2298/ijgi1401111m

[12]
Singh SK, Mustak S, Srivastava PK, Szabó S, Islam T. Predicting spatial and decadal LULC changes through cellular automata Markov Chain Models using earth observation datasets and geo-information. Environ Processes 2015;2(1):61‒78. . 10.1007/s40710-015-0062-x

[13]
Singh SK, Laari PB, Mustak S, Srivastava PK, Szabó S. Modelling of land use land cover change using earth observation data-sets of Tons River Basin, Madhya Pradesh, India. Geocarto Int 2018;33(11):1202‒22. . 10.1080/10106049.2017.1343390

[14]
Tavangar S, Moradi H, Bavani AM, Gholamalifard M. A futuristic survey of the effects of LU/LC change on stream flow by CA-Markov model: a case of the Nekarood watershed, Iran. Geocarto Int 2021;36(10):1100‒16. . 10.1080/10106049.2019.1633419

[15]
Ning C, Subedi R, Hao L. Land use/cover change, fragmentation, and driving factors in Nepal in the last 25 years. Sustainability 2023;15(8):6957. . 10.3390/su15086957

[16]
Kindu M, Schneider T, Teketay D, Knoke T. Land use/land cover change analysis using object-based classification approach in Munessa-Shashemene landscape of the Ethiopian highlands. Remote Sens 2013;5(5):2411‒35. . 10.3390/rs5052411

[17]
Dayamba SD, Djoudi H, Zida M, Sawadogo L, Verchot L. Biodiversity and carbon stocks in different land use types in the Sudanian Zone of Burkina Faso, West Africa. Agric Ecosyst Environ 2016;216:61‒72. . 10.1016/j.agee.2015.09.023

[18]
Alam A, Bhat MS, Maheen M. Using Landsat satellite data for assessing the land use and land cover change in Kashmir valley. GeoJournal 2020;85(6):1529‒43. . 10.1007/s10708-019-10037-x

[19]
Xu Y, Chen Y, Ren Y, Tang Z, Yang X, Zhang Y. Attribution of streamflow changes considering spatial contributions and driver interactions based on hydrological modeling. Water Resour Manage 2023;37(5):1859‒77. . 10.1007/s11269-023-03459-3

[20]
Witjes M, Parente L, van Diemen CJ, Hengl T, Landa M, Brodský L, et al. A spatiotemporal ensemble machine learning framework for generating land use/land cover time-series maps for Europe (2000‍‒‍2019) based on LUCAS, CORINE and GLAD Landsat. PeerJ 2022;10:e13573. . 10.7717/peerj.13573

[21]
Memarian H, Balasundram SK, Talib JB, Sung CTB, Sood AM, Abbaspour K. Validation of CA-Markov for simulation of land use and cover change in the Langat Basin, Malaysia. J Geogr Inf Syst 2012;4(6):542‒54. . 10.1080/02626667.2012.695073

[22]
Hyandye C, Martz LW. A Markovian and cellular automata land-use change predictive model of the Usangu Catchment. Int J Remote Sens 2017;38(1):64‒81. . 10.1080/01431161.2016.1259675

[23]
Lu Y, Wu P, Ma X, Li X. Detection and prediction of land use/land cover change using spatiotemporal data fusion and the Cellular Automata-Markov model. Environ Monit Assess 2019;191(2):68. . 10.1007/s10661-019-7200-2

[24]
Zhang Z, Hörmann G, Huang J, Fohrer N. A random forest-based CA-Markov model to examine the dynamics of land use/cover change aided with remote sensing and GIS. Remote Sens 2023;15(8):2128. . 10.3390/rs15082128

[25]
Liu L, Yu S, Zhang H, Wang Y, Liang C. Analysis of land use change drivers and simulation of different future scenarios: taking Shanxi Province of China as an example. Int J Environ Res Public Health 2023;20(2):1626. . 10.3390/ijerph20021626

[26]
Rahman MTU, Tabassum F, Rasheduzzaman M, Saba H, Sarkar L, Ferdous J, et al. Temporal dynamics of land use/land cover change and its prediction using CA-ANN model for southwestern coastal Bangladesh. Environ Monit Assess 2017;189(11):565. . 10.1007/s10661-017-6272-0

[27]
Munthali MG, Mustak S, Adeola A, Botai J, Singh SK, Davis N. Modelling land use and land cover dynamics of Dedza district of Malawi using hybrid Cellular Automata and Markov model. Remote Sens Appl Soc Environ 2020;17:100276. . 10.1016/j.rsase.2019.100276

[28]
Sibanda S, Ahmed F. Modelling historic and future land use/land cover changes and their impact on wetland area in Shashe sub-catchment, Zimbabwe. Model Earth Syst Environ 2021;7(1):57‒70. . 10.1007/s40808-020-00963-y

[29]
Mwabumba M, Yadav BK, Rwiza MJ, Larbi I, Twisa S. Analysis of land use and land-cover pattern to monitor dynamics of Ngorongoro world heritage site (Tanzania) using hybrid cellular automata-Markov model. Curr Res Environ Sustainability 2022;4:100126. . 10.1016/j.crsust.2022.100126

[30]
Matlhodi B, Kenabatho PK, Parida BP, Maphanyane JG. Analysis of the future land use land cover changes in the Gaborone dam catchment using CA-Markov model: implications on water resources. Remote Sens 2021;13(13):2427. . 10.3390/rs13132427

[31]
Naboureh A, Moghaddam MHR, Feizizadeh B, Blaschke T. An integrated objectbased image analysis and CA-Markov model approach for modeling land use/land cover trends in the Sarab plain. Arabian J Geosci 2017;10(12):259. . 10.1007/s12517-017-3012-2

[32]
Giri S, Arbab NN, Lathrop RG. Water security assessment of current and future scenarios through an integrated modeling framework in the Neshanic River Watershed. J Hydrol 2018;563:1025‒41. . 10.1016/j.jhydrol.2018.05.046

[33]
Gausen A, Luk W, Guo C. Using agent-based modelling to evaluate the impact of algorithmic curation on social media. J Data Inf Qual 2023;15(1):1‒24. . 10.1145/3546915

[34]
Sattler BJ, Friesen J, Tundis A, Pelz PF. Modeling and validation of residential water demand in agent-based models: a systematic literature review. Water 2023;15(3):579. . 10.3390/w15030579

[35]
Hunter E. A hybrid agent-based and equation based epidemiological model for the spread of infectious diseases [dissertation]. Dublin: Technological University Dublin; 2020. . 10.18564/jasss.4421

[36]
Walsh SJ, Malanson GP, Entwisle B, Rindfuss RR, Mucha PJ, Heumann BW, et al. Design of an agent-based model to examine population-environment interactions in Nang Rong District, Thailand. Appl Geogr 2013;39:183‒98. . 10.1016/j.apgeog.2012.12.010

[37]
Zhao X, Ma X, Tang W, Liu D. An adaptive agent-based optimization model for spatial planning: a case study of Anyue County, China. Sustain Cities Soc 2019;51:101733. . 10.1016/j.scs.2019.101733

[38]
An Y, Park A. Developing an agent-based model to mitigate famine risk in North Korea: insights from the ‘‘Artificial North Korean Collective Farm” model. Land 2023;12(4):735. . 10.3390/land12040735

[39]
Dziubanski D, Franz KJ. Projecting hydrologic change under land use and climate scenarios in an agricultural watershed using agent-based modeling. Front Water 2023;5:1020080. . 10.3389/frwa.2023.1020080

[40]
Crooks AT. The repast simulation/modelling system for geospatial simulation [dissertation]. London: University College London; 2007.

[41]
Johnston KM. Agent analyst: agent-based modeling in ArcGIS. Redlands: Esri Press; 2024. In press.

[42]
Mirzahossein H, Noferesti V, Jin X. Residential development simulation based on learning by agent-based model. TeMA J Land Use Mobility Environ 2022;15(2):193‒207.

[43]
Ravaioli G, Domingos T, Teixeira RFM. A framework for data-driven agentbased modelling of agricultural land use. Land 2023;12(4):756. . 10.3390/land12040756

[44]
Abolhasani S, Taleai M. Assessing the effect of temporal dynamics on urban growth simulation: towards an asynchronous cellular automata. Trans GIS 2020;24(2):332‒54. . 10.1111/tgis.12601

[45]
Hao J, Lin Q, Wu T, Chen J, Li W, Wu X, et al. Spatial-temporal and driving factors of land use/cover change in Mongolia from 1990 to 2021. Remote Sens 2023;15(7):1813. . 10.3390/rs15071813

[46]
Azemeraw W, Matebie M. Landslide susceptibility mapping using information value and logistic regression models in Goncha Siso Eneses area, northwestern Ethiopia. SN Appl Sci 2020;2:1‒19. . 10.1007/s42452-020-2563-0

[47]
Perez IM, Airola A, Boström PJ, Jambor I, Pahikkala T. Tournament leave-pairout cross-validation for receiver operating characteristic analysis. Stat Methods Med Res 2018;28(10,11):2975‒91. . 10.1177/0962280218795190

[48]
Pontius RG Jr. Statistical methods to partition effects of quantity and location during comparison of categorical maps at multiple resolutions. Photogramm Eng Remote Sens 2002;68(10):1041‒9.

[49]
Pijanowski BC, Tayyebi A, Delavar MR, Yazdanpanah MJ. Urban expansion simulation using geospatial information system and artificial neural networks. Int J Environ Res 2009;3(4):493‒502.

[50]
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth Syst Sci Data 2021;13(8):3907‒25. . 10.5194/essd-13-3907-2021

[51]
Llorca C, Kuehnel N, Moeckel R. Agent-based integrated land use/transport models: a study on scale factors and transport model simulation intervals. Procedia Comput Sci 2020;170:733‒8. . 10.1016/j.procs.2020.03.163

[52]
Coelho CGC, Ralha CG. MASE-EGTI: an agent-based simulator for environmental land change. Environ Modell Software 2022;147:105252. . 10.1016/j.envsoft.2021.105252

[53]
Irwin EG, Jeanty PW, Partridge MD. Amenity values versus land constraints: the spatial effects of natural landscape features on housing values. Land Econ 2014;90(1):61‒78. . 10.3368/le.90.1.61

[54]
Mensour ON, El Ghazzani B, Hlimi B, Ihlal A. A geographical information system-based multi-criteria method for the evaluation of solar farms locations: a case study in Souss-Massa area, southern Morocco. Energy 2019;182:900‒19. . 10.1016/j.energy.2019.06.063

[55]
Everest T, Sungur A, Özcan H. Determination of agricultural land suitability with a multiple-criteria decision-making method in Northwestern Turkey. Int J Environ Sci Technol 2021;18(5):1073‒88. . 10.1007/s13762-020-02869-9

[56]
Malczewski J. Integrating multicriteria analysis and geographic information systems: the ordered weighted averaging (OWA) approach. Int J Environ Technol Manage 2006;6(1,2):7‒19. . 10.1504/ijetm.2006.008251

[57]
Mishra M, Mishra KK, Subudhi AP, Phil M. Urban sprawl mapping and land use change analysis using remote sensing and GIS (case study of Bhubaneswar city, Orissa). In: Proceeding of Geospatial World Forum; 2018 Jan 15‍‒‍19; Hyderabad, India; 2018.

[58]
Wu L, Shi P, Gao H. State estimation and sliding-mode control of Markovian jump singular systems. IEEE Trans Autom Control 2010;55(5):1213‒9. . 10.1109/tac.2010.2042234

[59]
Mosammam HM, Nia JT, Khani H, Teymouri A, Kazemi M. Monitoring land use change and measuring urban sprawl based on its spatial forms: the case of Qom City. Egypt J Remote Sens Space Sci 2017;20(1):103‒16. . 10.1016/j.ejrs.2016.08.002

[60]
Yang X, Zheng XQ, Lv LN. A spatiotemporal model of land use change based on ant colony optimization, Markov chain, and cellular automata. Ecol Modell 2012;233:11‒9. . 10.1016/j.ecolmodel.2012.03.011

[61]
Maviza A, Ahmed F. Analysis of past and future multi-temporal land use and land cover changes in the semi-arid Upper-Mzingwane sub-catchment in the Matabeleland south province of Zimbabwe. Int J Remote Sens 2020;41(14):5206‒27. . 10.1080/01431161.2020.1731001

[62]
Lin J, Li X, Wen Y, He P. Modeling urban land-use changes using a landscape-driven patch-based cellular automaton (LP-CA). Cities 2023;132:103906. . 10.1016/j.cities.2022.103906

[63]
Guan D, Li H, Inohae T, Su W, Nagaie T, Hokao K. Modeling urban land use change by the integration of cellular automaton and Markov model. Ecol Modell 2011;222(20‒22):3761‒72.

[64]
Yang X, Zheng XQ, Chen R. A land use change model: integrating landscape pattern indexes and Markov-CA. Ecol Modell 2014;283:1‒7. . 10.1016/j.ecolmodel.2014.03.011

[65]
Keshtkar H, Voigt W. A spatiotemporal analysis of landscape change using an integrated Markov chain and cellular automata models. Model Earth Syst Environ 2016;2(1):10. . 10.1007/s40808-015-0068-4

[66]
Liang X, Liu X, Li D, Zhao H, Chen G. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model. Int J Geogr Inf Sci 2018;32(11):2294‒316. . 10.1080/13658816.2018.1502441

[67]
Liu Z, Verburg PH, Wu J, He C. Understanding land system change through scenario-based simulations: a case study from the drylands in northern China. Environ Manage 2017;59(3):440‒54. . 10.1007/s00267-016-0802-3

[68]
Omar NQ, Ahamad MSS, Hussin WMAW, Samat N, Ahmad SZB. Markov CA, multi regression, and multiple decision making for modeling historical changes in Kirkuk City, Iraq. J Indian Soc Remote Sens 2014; 42(1):165‒78. . 10.1007/s12524-013-0311-2

[69]
Beroho M, Briak H, Cherif EK, Boulahfa I, Ouallali A, Mrabet R, et al. Future scenarios of land use/land cover (LULC) based on a CA-Markov simulation model: case of a Mediterranean watershed in Morocco. Remote Sens 2023;15(4):1162. . 10.3390/rs15041162

[70]
Tsai Y, Zia A, Koliba C, Bucini G, Guilbert J, Beckage B. An interactive land use transition agent-based model (ILUTABM): endogenizing human-environment interactions in the western Missisquoi watershed. Land Use Policy 2015;49:161‒76. . 10.1016/j.landusepol.2015.07.008

[71]
Arbab NN. Application of a spatially explicit, agent-based land use conversion model to assess water quality outcomes under buffer policies [dissertation]. Morgantown: West Virginia University; 2014.

[72]
Arbab NN, Collins AR, Conley JF. Projections of watershed pollutant loads using a spatially explicit, agent-based land use conversion model: a case study of Berkeley County, West Virginia. Appl Spat Anal Policy 2018;11(1): 147‒81. . 10.1007/s12061-016-9197-z

[73]
Egoh B, Rouget M, Reyers B, Knight AT, Cowling RM, van Jaarsveld AS, et al. Integrating ecosystem services into conservation assessments: a review. Ecol Econ 2007;63(4):714‒21. . 10.1016/j.ecolecon.2007.04.007

[74]
Dullinger I, Essl F, Moser D, Erb K, Haberl H, Dullinger S. Biodiversity models need to represent land-use intensity more comprehensively. Global Ecol Biogeogr 2021;30(5):924‒32. . 10.1111/geb.13289

[75]
Manson SM. Agent-based modeling and genetic programming for modeling land change in the Southern Yucatán Peninsular Region of Mexico. Agric Ecosyst Environ 2005;111(1‒4):47‒62.

[76]
Wang T, Tu X, Singh VP, Chen X, Lin K, Lai R, et al. Socioeconomic drought analysis by standardized water supply and demand index under changing environment. J Cleaner Prod 2022;347:131248. . 10.1016/j.jclepro.2022.131248

[77]
Mo W, Zhao Y, Yang N, Xu Z, Zhao W, Li F. Effects of climate and land use/land cover changes on water yield services in the Dongjiang Lake Basin. ISPRS Int J Geo-inf 2021;10(7):466. . 10.3390/ijgi10070466

[78]
Zhu K, Qiu X, Luo Y, Dai M, Lu X, Zang C, et al. Spatial and temporal dynamics of water resources in typical ecosystems of the Dongjiang River Basin, China. J Hydrol 2022;614(Pt B):128617. . 10.1016/j.jhydrol.2022.128617

[79]
He Y, Chen X, Sheng Z, Lin K, Gui F. Water allocation under the constraint of total water-use quota: a case from Dongjiang River Basin, South China. Hydrol Sci J 2018;63(1):154‒67. . 10.1080/02626667.2017.1417596

[80]
Cai YP, Huang GH, Yang ZF, Tan Q. Identification of optimal strategies for Energy management systems planning under multiple uncertainties. Appl Energy 2009;86(4):480‒95. . 10.1016/j.apenergy.2008.09.025

[81]
Cai YP, Huang GH, Lu HW, Yang ZF, Tan Q. I-VFRP: an interval-valued fuzzy robust programming approach for municipal waste-management planning under uncertainty. Eng Optim 2009;41(5):399‒418. . 10.1080/03052150802488381

[82]
Zhou W, Zhang W, Cai Y. Laccase immobilization for water purification: a comprehensive review. Chem Eng J 2021;403:126272. . 10.1016/j.cej.2020.126272

[83]
Dong C, Tan Q, Huang GH, Cai YP. A dual-inexact fuzzy stochastic model for water resources management and non-point source pollution mitigation under multiple uncertainties. Hydrol Earth Syst Sci 2014;18(5):1793‒803. . 10.5194/hess-18-1793-2014

[84]
Xu Y, Cai Y, Sun T, Yin XA, Tan Q, Sun J, et al. Ecological preservation based multi-objective optimization of coastal seawall engineering structures. J Cleaner Prod 2021;296:126515. . 10.1016/j.jclepro.2021.126515

AI Summary ^{中
Eng} ×
说明：请注意，以下内容是人工智能生成的。本网站不对与使用此内容相关的任何后果承担责任。

AI Summary AI Mindmap

Share on WeChat

PDF (5407KB)

专题

4985

访问

0

被引

详细

导航

相关文章

Received	Accepted	Published
2022-12-25	2023-10-16
Issue Date
2024-06-01

在线期刊

作者中心

关于期刊

摘要