基于CLUE-S模型的不同情景下區域土地利用布局優化

許小亮，李 鑫，肖長江，歐名豪,*

1 南京農業大學 土地管理學院，南京 210095 2 江蘇師范大學 測繪學院，徐州 221116 3 英屬哥倫比亞大學 地球與環境科學系，基勞納 V1V1V7

?

基于CLUE-S模型的不同情景下區域土地利用布局優化

許小亮1，李 鑫2,3，肖長江1，歐名豪1,*

1 南京農業大學 土地管理學院，南京 210095 2 江蘇師范大學 測繪學院，徐州 221116 3 英屬哥倫比亞大學 地球與環境科學系，基勞納 V1V1V7

土地利用規劃要求把土地資源最終配置在空間上，而現有文獻更多是對土地利用結構的優化，很少對全局土地利用布局優化，鑒于此，為減輕土地利用規劃的多目標沖突，同時為提高資源配置效率，釋放空間效應，對不同情景下的土地利用布局優化進行研究。用非線性優化模型中的理想點法求取了不同情景下最優土地利用結構，用Logistic回歸提取了不同用地的優化布局規則，以不同情景下的土地優化結構為數量約束，借助CLUE-S模型的全局配置能力對各情景下的用地布局作優化，并以揚州市為實例進行闡述。結果表明：(1)優先發展經濟情景下，2025年揚州土地利用經濟產值是10.4×107萬元，優先保護生態情景下，目標年生態服務價值是9.7×105萬元，保障公眾福利情景下，公眾福利大小是351271 hm2;(2)經濟增長目標對土地利用結構的情景變化最為敏感，而公眾福利目標的敏感性最小;(3)與基期年比，發展經濟與保育生態情景下的土地優化布局變化最大，前者主要是市區城鎮工礦用地向東部及西北擴張，后者則是在西南丘陵及南部長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化方法可為土地利用規劃及生態規劃提供有力技術支持。

CLUE-S模型；情景；土地利用布局優化；理想點法；優化布局規則

土地利用規劃的一個重要議題就是其多目標決策，由于有限的土地資源既要用于發展經濟、又要用于糧食生產及生態保護，因此如何處理土地利用規劃的多目標性一直是該領域的研究熱點[1]。土地利用優化是土地利用規劃的核心內容，目前國內把土地利用優化分為土地利用結構優化與土地利用布局優化兩部分[2]，對土地利用結構優化已進行了廣泛深入研究，運用常規的優化模型、啟發式算法、不確定數學模型等進行了多目標求解[3-5]，為土地利用規劃提供了一定借鑒，但土地規劃不僅僅是土地數量的分配，更重要的是把土地資源配置在空間上，釋放空間效應，同時為土地利用活動提供空間管制依據，因此對土地利用布局進行優化就顯得尤其重要。目前來看，由于土地利用的空間特性、多目標性及土地利用類型的多樣性，國內對土地利用布局優化研究還較少[6-8]；國外為了對土地利用規劃提供技術支持及建立交互式規劃的編制工具，已對土地利用的空間布局優化作了一定研究[9]，Stewart等與Cao等用遺傳算法對土地資源進行了空間優化配置，并且用理想點法處理了多目標決策問題[10-12]；Liu等用粒子群算法對土地資源進行了空間優化配置，但其用一般加權法處理了多目標決策[13-14]，Aert較早的運用模擬退火算法及線性優化模型對土地利用空間布局進行了優化[15-16]。可見，國內外對土地利用布局的優化研究主要是用啟發式算法求取綜合效益最大化時布局狀況，同時用一定方法處理了其中的多目標決策問題，但是這些方法的一個重要問題是模型運行時間相對較長，而與此同時CLUE-S模型表現出很好的空間配置能力，因此可以考慮用CLUE-S模型對土地資源作進行化配置以提高其效率。鑒于此，論文用CLUE-S模型對多目標背景下的土地利用布局優化進行研究，求取不同情景下的土地利用優化布局狀況。首先用非線性優化模型中的理想點法求取了優先發展經濟、優先保護環境、優先保障公眾福利3種情景下的土地利用優化結構；其次對土地利用現狀布局進行優化，以保證用地的分布規則是優化水平，之后用Logistic回歸方式提取了處在優化狀態時的各用地類型的分布規則；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化結構配置在空間上，形成土地利用優化布局，并以江蘇揚州市進行實例分析，以期為土地利用規劃及生態規劃編制提供切實技術支持。

1 研究方法

本文總體上可分為數量結構求取與空間優化配置兩部分，總體思路是：一是用理想點法求取優先發展經濟、優先保護生態、優先保障公眾福利3種情景下的土地利用優化結構，二是對現狀土地利用布局進行優化，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化結構作為數量約束，及提取的不同用地分布規則納入CLUE-S模型來對不同情景下土地資源進行空間優化配置，得到其優化布局，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 理想點法

多目標土地利用結構優化求解的方法主要有線性加權法與基于啟發式算法的線性模型，前者容易產生“極解”，即某一目標值很大，而另一目標值又極小，這與現實情況并不相符，后者雖然有很強的運算搜索能力，可是在多目標決策方面顯得不足，即不能對多情景下土地利用結構進行優化。土地利用具有諸多利益相關者，不同主體對土地利用有不同訴求，因此在對土地利用結構優化時，應構建一種交互式優化模型，可以使決策主體看到不同目標與其最優值的差異，并可以根據決策主體對不同目標的偏好，調整模型參數，于是，論文采用非線性優化模型中的理想法，其可求取任一規劃愿景下的優化結構[7,10]:

(1)

1.2 CLUE-S模型的優化配置應用

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團隊進行了改進，使之能適應區域層面的土地利用布局模擬，并消除了土地利用類型數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，已對歐洲大陸、中國、菲律賓等地區的土地布局變化進行了模擬，取得了良好效果[17-19]。國內也有大量文獻用CLUE-S模型對土地利用布局進行模擬[20-22]，有些還進行了多情景模擬[23-24]。而模擬是指根據以往土地利用布局變化規律推演未來土地利用布局狀況，其假設前提是未來土地利用格局會根據以往的空間變化規律進行變化，而多數情況下該假設前提并不成立，因此模擬結果只是顯示如果繼續以這樣的趨勢下去，目標年土地利用布局之狀況。編制土地利用規劃時，規劃師更想得到的是目標年區域最優土地利用布局，即能夠取得最大綜合收益時的土地利用布局，以此作為未來的規劃方案，可見布局優化比布局模擬對規劃的借鑒意義更大。因此下面在保證CLUE-S模型的配置規則是優化水平前提下，運用其全局配置能力對研究區土地資源進行優化配置。

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數量以作為空間配置的約束，該部分工作用上述理想點法完成，第二個模塊是空間配置模塊。CLUE-S模型的獨特優勢是可對全局土地利用類型進行空間配置，一般元胞自動機(CA)、多智能體(Multi-agent)模型只能對單一用地類型進行空間配置。CLUE-S模型的空間配置過程可描述為：從第一個柵格開始，查看該柵格對不同用地的總體適宜度，把柵格屬性改變為適宜度最高的用地類型；并同步計算各用地的實時面積，當某一用地面積達到其約束時，則該用地類型配置完畢，繼續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對于土地類型i的總體適宜度，ELAUi是土地類型i的轉移參數，根據柵格的現狀屬性確定，表示土地利用類型的轉換成本，比如現狀是建設用地，則轉換為農用地的成本較大，那么在進行農用地配置時ELAUi值設置較大。ITERi是土地利用類型i的競爭因子，迭代過程中自動設置，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對于土地利用類型i的“吸引”概率，是土地利用現狀圖對不同空間因子的Logistic回歸結果，即土地利用現狀的空間分布規則，CLUE-S模型就是根據該規則推演未來用地布局狀況，因此更多的是對未來布局的模擬。可見，Pu,i只表示現狀分布規則，若現狀分布是優化的，則Pu,i表示的規則就是優化的，進而CLUE-S模型空間配置結果就是優化的，同理，若現狀分布不合理，則未來模擬結果亦不合理。于是為得到未來土地利用優化布局，本文先對現狀布局進行優化調整，確保不同用地類型的分布規則是優化水平，再提取分布規則，并以此推演未來用地的優化布局。

1.2.2 土地布局優化調整

現狀土地利用布局是人們根據自然、經濟與社會條件，在對土地資源進行開發、保護與利用基礎上形成的空間格局結果，由于一定的歷史政策原因，加之土地利用過程中個體的有限理性，土地利用布局在空間上可能有不合理之處。本文結合研究區的實際情況及布局優化調整的可行性，對土地利用現狀布局做以下幾方面調整：①為了防止水土流失，治理生態環境，響應國家退耕還林政策，把坡度25°C之上的耕地變為林地；②為保持湖泊生態平衡，提高湖泊防洪能力，減少洪澇災害，把湖泊周圍500 m以內土地變為草地；③把地質塌陷區、生態保護區內的農村居民點變為林地或生態用地；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以上的居民點整理為林地；⑤把離城鎮及交通干線較遠的農村居民點與獨立工礦用地復墾為耕地[8]。具體操作可在Arcgis平臺下用選擇、疊加等功能來改變地類屬性，由此，可完成對土地利用現狀布局的優化調整，之后CLUE-S模型可在其中提取不同用地分布的規則。

2 實證研究

2.1 研究區概況與數據來源

揚州位于江蘇省中部，長江下游北岸，江淮平原南端，現轄范圍介于119°01′—119°54′E，31°56′—33°25′N之間。2012年末揚州市土地總面積65.91萬hm2，其中耕地33.03萬hm2，占土地總面積50.13%，建設用地13.11萬hm2，占土地總面積19.89%，水域及水利設施用地18.32萬hm2，占土地總面積27.8%。近年來揚州經濟增長迅速，在全省經濟增長放緩背景下，依然保持年均10%以上增長率，未來10年更是揚州市城鎮化與工業化發展的關鍵時期，有大量農村人口遷至城鎮居住，經濟總量將達到8000—9000億元，這必將帶來作為生產生活載體的建設用地的大量擴張，可揚州市由于水域眾多，耕地后備資源不足，因此經濟增長與耕地保護的矛盾愈加尖銳；同時一直來揚州市以生態建設為立足點，境內自然保護區、歷史名勝古跡、風景名勝古跡眾多，生態資本已成為其發展的核心競爭力，且打造出宜居的品牌優勢，可建設用地擴張必然會壓縮生態用地空間。綜上所述，未來揚州市土地利用面臨著既要發展經濟，又要保護耕地與生態環境的多重矛盾，土地利用規劃編制時如何處理各方面矛盾，以實現土地資源的多目標優化配置是一個很大挑戰。鑒于此，論文用理想點法與CLUE-S模型對保障經濟發展、保障公眾福利、保護生態環境3種情景下的土地利用進行優化，求取每種情景下的最優土地利用結構與布局，考察不同目標對土地利用變化的敏感性，并把各種可能多目標組合對應的土地利用結構與布局呈現給決策者。本文提出的理想點法與CLUE-S模型可對任意多目標組合下的土地利用布局進行優化，而這里只對3種極端情景下的土地資源進行了優化配置，為土地規劃決策提供充分參考借鑒，有利于決策者解決規劃的多目標沖突。

DEM經重采樣其精度變為150 m×150 m，利用DEM數據可生成坡度數據與起伏度數據；2005與2010兩期土地利用現狀矢量圖由揚州市國土資源局提供，比例尺為1∶30萬；社會經濟數據來自歷年《揚州統計年鑒》、《江蘇省年鑒》、《揚州市國土資源公報》。文中CLUE-S模型的柵格單元大小是150 m×150 m。2010年數據較全，社會經濟數據、矢量數據及土地數據能夠相互對應，因此本文基期年設為2010年，目標年是2025年，需要說明的是基期年對目標年的優化結果影響有限，更多的起到與優化結果對比的作用。

2.2 不同情景下土地利用結構優化

本文土地利用結構優化的3個目標是經濟利益、公眾福利與生態利益最大化。不同用地類型對應不同經濟產出，各用地類型數量乘以相應經濟產出系數后加和，便得到土地利用結構的經濟利益。公眾福利是一個相對概念，因個體不同其內容會有差異，論文認為城市綠地、耕地面積、居住用地面積越大，則代表公眾福利越高。生態利益大小以全球陸地系統生態服務價值為計算標準。從揚州市2025年人口數量、經濟數量、土地集約利用要求、糧食安全與生態需求、資源環境承載閾值等方面構造約束條件，關于經濟利益、生態利益及約束條件的有關參數具體見文獻[3]。先計算單目標優化時各目標的最大值與最小值，把其代入目標函數式1，L即是最小值，U則據不同情景來設置，當優先保障經濟發展時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的設置具體見表1。各項參數設置完畢后，式1是一個非線性優化模型，論文在軟件Lingo中求解不同情景下的土地利用優化結構(表2)。

表1 不同情景設置及對應目標值大小(萬元、hm2)

(1) 優先發展經濟情景 研究結果發現當土地利用情景為優先發展經濟時，可產生經濟利益10.4×107萬元，同時代表公眾福利的用地面積是330848 hm2，生態利益為8.4×105萬元，其土地利用結構中，城鎮工礦用地是40157.97 hm2，增長8.86%，交通水利用地增長了100%，林地數量是16478.03 hm2，與基期年比增長了近2倍，這是因為這些用地的經濟產出系數較高，在經濟利益最大化目標下，數量會趨向于其約束區間的上限，而其他農用地、農村居民點及灘涂沼澤則出現了較大幅度減小，這因為該些用地經濟產出系數小，因此需要把其整治而補充耕地或用于城鎮建設。

表2 不同情景下土地利用結構/hm2

(2) 保障公眾福利情景 當土地利用情景為保障公眾福利時，更多用地被安排為居住用地，城市用地及耕地，因此，經濟利益減小為9.1×107萬元，降低了12.5%，生態利益變為8.3×105萬元，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，經濟利益降低可看作對目標2的妥協，即以降低12.5%的經濟產出為代價換取了公眾福利6.17%的提高，但這并不能說明情景1土地利用結構好于情景2的土地利用結構，因為不同群體對經濟利益、公眾福利有自身價值判斷，不能因經濟利益降低幅度大于公眾福利提高幅度斷定情景1優于情景2。情景2的土地利用結構中，農村居民點用地只減少了46.75%，論文潛在假設是認為農村居民點減少過快，農民可能得不到妥善安置因此影響福利水平，風景旅游用地、垃圾掩埋用地等其他建設用地有一定幅度提高，而由于可開墾后備資源有限，耕地數量只維持在314391 hm2，并沒有大幅度提高，城鎮工礦用地只有小幅增加，考慮了集約利用要求及忽視經濟增長需求外，可滿足目標年城鎮人口居住需求。

(3) 保護生態環境情景下 該情景下生態利益提高至9.7×105萬元，比情景1提高了15.48%，經濟利益變為6.5×107萬元，降低了37.5%，這是不同優化目標相互協調之結果，情景3的土地利用結構中，生態利益產出能力較強的土地利用類型面積有較大提高，比如林地、園地、其它農用地，其中其它農用地面積變為54057.61 hm2，比基期提高了9.74%，這是因為其它農用地主要是一些坑塘、溝渠，在生態系統中具有重要作用，賦予其的生態服務價值系數較大，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行土地整治以補充耕地資源，而相對來說，賦予灘涂沼澤的生態利益系數小，因此會把部分灘涂沼澤轉化為其他用地。

表1中可以看出不同利益目標對于不同情景設置會有變化，論文把這種變化定義為敏感性，比如經濟利益變化區間是[6.5×107，10.4×107]，變化幅度是37.5%，敏感性較高；而公眾福利目標變化區間是[330848，351271]，變化幅度只有6.17%，敏感性較小，即在現有約束條件下對土地利用結構優化時，社會公眾福利目標總是處在一個較高水平；生態利益目標的變化區間是[8.3×105，9.7×105]，敏感性居中。同時可發現，表2中各情景土地優化結構的一個總體趨勢是耕地面積增加，農村居民點與灘涂面積減少，即不管未來是發展經濟還是生態保護情景，揚州市土地利用管理的一項重要任務是土地綜合整治以補充耕地面積。

2.3 基于優化布局的各用地分布規則提取

已求取了不同情景下最優土地利用結構，可土地利用規劃的最終成果不僅停留在各用地數量指標的分配上，還需要形成最終的用地布局，以作為未來土地利用活動空間管制的依據，且同一土地利用結構若其空間布局不同，則產生的效果與作用大不相同，由于土地資源的空間特性，必須對土地利用布局進行優化，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化布局規則，再以該些規則為指導，借助CLUE-S模型的空間配置能力把不同情景下的土地優化結構配置在空間上。

CLUE-S模型認為土地利用現狀布局是人類根據各種自然經濟因素經一定時期土地利用而形成的空間結果，那么現狀布局可認為是因變量，而相關空間因素則自變量。于是論文選擇高程、坡度、地形起伏度、與城市距離、與鎮中心距離、與水體距離、與縣級以上道路距離、與鄉級道路距離等8個因子作為自變量，并把因子空間化。用DEM文件產生坡度與起伏度，用歐式距離(Euclidean Distance)產生其他因子的空間化文件；提取不同用地類型的柵格圖，每一個柵格對某用地類型都有是—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，具體是隨機選擇一些柵格，且把該些柵格對應的因變量與自變量輸出至stat.txt文件，再導入計量軟件中，設置好因變量與自變量，選擇逐步回歸法進行Logistic回歸以求取不同用地分布相對于各驅動因子的回歸系數，即各用地類型的分布規則，具體見表3。表中可看出，耕地分布與城市距離呈正相關，即與城市距離越大，耕地分布的可能性越高；與高程、坡度呈負相關，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；與鄉級道路距離呈負相關，離鄉級道路越近，則耕地分布數量越多，這可能是因為受耕作半徑影響，鄉級道路周圍耕作便利的土地更宜于變為耕地。園地分布與城市距離呈負相關，且負相關程度是4.5×10-5，超過了耕地的1.16×10-5，與高程呈正相關，即海拔越高，空間單元為園地的可能性越大，與水體距離呈負相關，即離水域越近，則更宜于變成園地。林地分布規則中，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較遠地區。城鎮工礦用地分布的可能性與城市距離呈負相關，離城市越近，則其分布可能性越大，與坡度、高程呈負相關，坡度越大，高程越高，則不宜于城鎮工礦用地分布，與縣級以上道路距離呈顯著負相關，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則表現出很大合理性，論文認為這些規則已處于優化水平，于是以這些規則為標準推演的未來用地布局也是優化的。

表3 土地利用優化布局規則的Logistic表示

2.4 不同情景下土地利用布局優化

表3已得到6種用地的優化布局規則，還有其它農用地、其它建設用地、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，于是在配置時把其作為不參與空間配置部分，以現狀為基礎進行緩沖區分析，直到緩沖區面積等于其在不同情景下數量約束為止，把不參與空間配置部分寫入region.fil。把不同用地分布規則，即表3內容寫入alloc.reg文件，把每一情景下的土地利用優化結構寫入demand.in文件，每次只能對一種情景下的土地利用布局做優化。本文是以2010年為基礎對2025年進行空間優化配置，因此，最終空間配置結果在cov_all.15中。論文先是以2005年為基礎，模擬揚州2010土地利用布局，與2010現狀圖比，其Kappa指數是0.7568，大于0.75，可以接受，表明兩者有很大一致性，CLUE-S模型對揚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) 優先發展經濟情景 經濟優先發展情景下土地利用布局優化圖中城鎮工礦用地擴張明顯，市區城鎮用地主要向東部與西北部擴張，是因為東部受市區及江都市的雙重輻射影響，土地單元對城鎮用地的適宜性更高，因此更宜于城鎮擴張，且可把江都市與市區連為一體，優化城市空間格局，加快城市組團建設；向西北部擴張是因揚州市火車站及高速路口等在此交匯，交通區位優勢明顯，土地開發活躍，且邗江工業園坐落于此，其產業集聚效應亦帶動了周圍土地開發；儀征北部有大量城鎮用地分布，可能是以鎮為中心并結合主要交通干線形成的副縣級城市；寶應縣的城鎮用地出現了縮減，而高郵市則是小規模擴張；經優化后另外一個變化是林地、園地數量增加，且主要分布在西南丘陵區，該地區地勢較高不宜于耕作，從比較優勢來看配置成園地、林地綜合效益更高(圖2,圖3)。

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

圖3 發展經濟情景下土地利用優化布局Fig.3 Optimal land use layout under the Economic priority scenario

(2) 優先保障福利情景 該情景下的土地利用優化布局中一個明顯的變化是耕地資源分布增加，農村居民點、其他農用地分布相對減少，通過土地綜合整治增加了耕地面積；此外城市周圍或內部，風景旅游用地明顯增加，民眾休憩及康樂空間增加，因而社會福利增加；該情景下城鎮土地擴張不明顯，市區只是向西北部有小部分擴張(圖4)。

(3) 生態優先背景下 此情景下的土地利用優化布局中里下河中部的其他農用地增加明顯，林地、園地等生態用地增加明顯，主要分布在西南丘陵區、市區南部的長江岸邊、市區東部的廖家溝，對市區形成了生態防護網絡，可以吸納市區排出的污染氣體，同時起到水土保持作用，生態效果明顯；然而生態優先背景下，城鎮用地卻出現了減少，一些城鎮被縮減，同時市區西南部出現縮減，而在西北部卻小部分增加；零散的農村居民點被整治為耕地，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化布局Fig.4 Optimal land use layout under the well-being priority scenario

圖5 生態保護情景下土地利用優化布局Fig.5 Optimal land use layout under the Ecology priority scenario

土地規劃人員可根據揚州市未來發展戰略，選擇不同情景下的土地利用優化布局，當然上述3種情景只是3種極端情景，可表示為3個頂點的三角形，而未來土地利用決策必然是位于三角形內的某個點，其土地優化布局亦會介于圖3—圖5之間，同時也可用本文提出的方法，根據決策者對不同目標的偏好，產生任一情景下的土地利用優化布局，這為復雜條件下揚州市土地空間規劃編制提供了較好的參考借鑒。

3 結論

論文對不同情景下的土地利用布局進行優化，首先用非線性優化模型中的理想點法求取了不同情景下最優土地利用結構，再對現狀用地布局進行優化，之后用Logistic回歸提取了不同用地的優化布局規則，最后以不同情景下的土地利用優化結構為數量約束，以提取的優化布局規則為準則，借助CLUE-S模型的全局配置能力對各情景下的用地布局進行了優化，并以揚州市為實例進行了闡述。本文提出的基于理想點法與CLUE-S模型的土地利用布局優化法，可根據決策主體對不同目標的偏好設置不同情景，產生任一情景下的土地優化布局，因此可為土地利用規劃及生態規劃編制提供有力技術支持。本文的主要研究結論是：

(1)由于土地資源的空間特性 除了對土地利用結構優化外，還應對土地利用布局優化。相同的土地利用結構，由于空間布局不同，產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，應對空間布局進行優化，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法與CLUE-S模型的土地利用布局優化方法，可根據決策主體對不同目標的偏好設置不同情景，并對不同情景下土地利用布局作優化，因此可為規劃編制提供有力技術支持。

(3)3種情景下的土地利用優化布局只是復雜不確定環境下的3種特殊情況，未來土地利用優化布局很可能介于三者之間。區域土地利用戰略應是多目標的，即包括經濟發展、公眾福利，又包括生態保育，3種情景下的土地利用布局優化，可使決策者了解不同情景下的各目標水平及變化，從而有利于決策者了解多目標耦合中的妥協過程，有助于減輕多目標沖突。

[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. 土地利用規劃學 (第七版). 北京: 中國大地出版社, 2008: 276- 325.

[3] 李鑫, 歐名豪, 劉建生, 嚴思齊. 基于不確定性理論的區域土地利用結構優化. 農業工程學報, 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構優化研究. 武漢大學學報: 信息科學版, 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化配置. 農業工程學報, 2014, 30(1): 191- 199.

[7] 劉殿鋒, 劉耀林, 劉艷芳, 趙翔. 多目標微粒群算法用于土地利用空間優化配置. 武漢大學學報: 信息科學版, 2013, 38(6): 751- 755.

[8] 李鑫, 馬曉冬, 肖長江, 歐名豪. 基于CLUE-S模型的區域土地利用布局優化. 經濟地理, 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, 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. 生態學報, 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. 北京大學學報: 自然科學版, 2013, 49(3): 523- 529.

[24] 張丁軒, 付梅臣, 陶金, 胡利哲, 楊曉麗. 基于CLUE-S模型的礦業城市土地利用變化情景模擬. 農業工程學報, 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

國家自然科學基金項目(41401627)；江蘇省自然科學基金項目(BK20140236)；江蘇省高校哲學社會科學項目(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，肖長江，歐名豪.基于CLUE-S模型的不同情景下區域土地利用布局優化.生態學報,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.