基于Multi-Agent System的土地利用/覆被變化模型研究進展

汪 晗， 廖英伶， 聶 鑫，2， 徐唐奇

(1.廣西大學公共管理學院，廣西南寧 530004； 2.廣西大學中國-東盟研究院，廣西南寧 530004；3.長安大學地球科學與資源學院，陜西西安 710054)

作為全球環境變化研究的核心項目之一，土地利用/覆被變化(land-use and land-cover change，簡稱LUCC)及其對生態環境影響的研究對于了解區域生態環境乃至全球環境變化、指導土地利用與生態協調發展具有非常重大的意義，是全球變化和可持續發展關注的重要議題[1-3]。自2005年全球土地計劃(GLP)啟動伊始，就強調了對陸地系統中人類-自然耦合系統的綜合分析與集成模擬研究[4-5]，并受到越來越多學者的關注。土地利用/覆被變化模擬的難點在于了解LUCC的諸多驅動因子、變化過程及環境效應，揭示自然與人為活動之間的動態反饋機制。多智能體模型(multi-agent system model，簡稱MAS)能較好地反映人類社會與自然系統的動態反饋關系，已經逐漸應用到土地利用/覆被變化研究領域中[2，6-10]。目前已有學者總結了多智能體模型的基本概念及應用領域，概述其在土地利用變化領域的主要研究問題，但很少有人對多智能體系統在實際運作中存在的問題進行歸納，對模型實施與驗證方面的研究也比較薄弱。基于此，筆者嘗試回答以下幾個問題：多智能體模型為何能在眾多土地利用變化模擬方法中脫穎而出？到目前為止，研究人員對它進行了怎么樣的應用？這個研究領域中還有哪些其他挑戰和懸而未決的問題？通過提供這些問題的答案，筆者希望更多的研究人員能了解MAS-LUCC模型的效用以及潛在優勢和研究挑戰。因此，本文首先簡單回顧LUCC模型的研究進展，分析多智能體模型的優勢，并對其在土地利用變化模擬方面的發展趨勢進行展望，著重討論與模型應用和檢驗有關的一些問題，整理多智能體模型在現實應用中的技術難點，以期為土地利用變化模擬研究提供參考。

1 土地利用/覆被變化模擬

土地利用/覆被變化模擬是土地利用變化研究的重要分支，旨在支持有見地的土地資源管理，盡可能避免由于LUCC引起的不可逆轉的環境損害。土地利用/覆被變化是由人類活動引起的最深刻的變化之一，建模分析已成為幫助人類認識未來和探索土地利用動態變化對人類和自然長遠影響的一種比較好的方法[11-12]。LUCC模型能在空間、時間層面上捕捉人類與土地利用系統的相互作用及可能產生的影響，探索未來的土地利用變化。同時需要考慮大量因素，包括人口、氣候、生態系統、科技進步、社會政治態度、社會結構[13-17]。

目前，土地利用/覆被變化模擬研究常用方法為基于數學方程的模型、基于經驗的統計模型(如CLUE模型、CLUE-S模型)、細胞模型[簡稱CM，包括元胞自動機模型(cellular automaton)和馬爾科夫模型(Markov)]、系統動力學模型、基于進化理論的模型、混合模型、多智能體模型[18-26]。表1詳細地描述了國際上應用較多、具有代表性的土地利用/覆被變化模擬模型，這些模型模擬了LUCC的因果機制和循環反饋；在理解土地利用系統動態和驅動力、評估LUCC的綜合影響、揭示土地擁有者如何影響土地利用發展方向等方面發揮了重要作用[27]。

然而，這些模型也存在一定局限性：基于數學方程的模型必須獲得數值及解析方程組，這限制了土地利用變化模擬對復雜性的要求；系統動力學模型將時間分解成離散的步驟，在LUCC模型中依賴于顯式枚舉和功能介紹來表示人類和生態之間的相互作用，但難以與空間關系相適應，無法描述區域空間結構演化過程，同時在處理動力模擬模型的尺度上也有困難，無法模擬聚集尺度行為；Markov模型主要是針對土地轉移速率和概率進行模擬，適用于模擬預測數量的變化，但缺乏對空間屬性的表達，通常需要結合其他模型共同發揮作用。元胞自動機模型(cellular automata，簡稱CA)和多智能體模型(MAS)是基于復雜系統理論模擬研究的典型代表，在土地利用變化模擬研究中有明顯優勢。CA模型模擬LUCC中生物物理方面的問題，側重“人地關系”中的“地”，忽略對“人”的模擬，更適合對景觀格局的模擬，而難以模擬土地利用中人類選擇和決策行為，不能分析社會體制及宏觀政策下土地利用決策行為及其結果的影響作用。

相比其他模型在LUCC模擬中表現出的不足，多智能體建模方法則適用于基于個體和環境之間的相互作用，研究人類和土地利用的共同變化過程，因而在當前土地利用模擬界倍受青睞[28-30]。多智能體模型由智能體(Agent)、環境與智能體的行為規則構成。其中，智能體是具有自治能力的異質性個體，有自己的行為準則和知識庫，可以根據彼此間及其與環境間的相互作用作出決定，改變行為，整個系統的行為取決于凝集各類型智能體的個人行為。多智能體模型由一個環境中交互的多個智能體組成，能將大而復雜的系統簡化成相互通信協作、易于管理控制的系統。一方面，在土地利用/覆被變化研究中，多智能體模型能夠在微觀層面上表示個體行動者的偏好、互動和人類決策過程，通過這些微觀尺度反饋出宏觀現象，自下而上地表示土地利用分配，在不同層次上以空間明確的方式考慮人類決策對環境的影響，表現出其對個人決策實體的建模能力。另一個方面，多智能體模型可以在基于個人異質性行為的社會生態時空變化背景下解釋未來情景。土地利用變化是一個復雜的過程，在復雜適應系統理論基礎上，將多智能體建模方法應用到LUCC中[31-34]，特別是在模擬人類決策和環境反饋間的相互作用中[35-36]，能夠捕獲土地利用的空間作用和人類決策的復雜性，生動地描述人類-環境系統，將現實世界的概念和結構映射到模型中，克服傳統方法的局限性，更好地對復雜土地利用變化過程進行模擬[29，35，37]。

表1 國際上具有代表性的土地利用/覆被變化模型

2 多智能體模型在LUCC研究中的應用

多智能體系統源于人工智能，能夠模擬復雜的行為，在多元學科領域中都得到廣泛的應用[29，35，38-44]。21世紀初，就有學者開始了多智能體模型在土地利用/覆被變化方面的研究，做了大量工作來推動該領域的發展，對已有的關于在空間和環境方面運用MAS方法的文章進行了全面的總結，并對各學科領域知識進行了具體分析[35，45-46]。隨后，整合了土地利用科學中涉及的MAS知識并總結了MAS在自然地理和人文地理方面的應用，同時強調了環境的空間直觀性和異質性以及基于復雜性理論的人類行為和環境之間的相互作用，為之后土地利用變化研究提供了多學科視角[30，47-48]?，F在越來越多的學者采用多智能體模型對土地利用/覆被變化的驅動因素及機制、相關政策影響及典型地區的土地利用變化等方面進行深入探討和研究，相關研究成果也越來越多[49-54]。

2.1 對城市土地利用/覆被變化的模擬

城市化是土地利用/覆被變化最典型的形式，將多智能體模型應用于城市系統模擬，如城市土地利用變化、城市規劃等，探索城市增長的驅動機制，預測未來變化對實現可持續發展具有重要意義。研究者利用多智能體模型較出色地實現了對城市LUCC驅動力的模擬，完成了模擬城市土地利用變化的關鍵一步。Parker等基于Repast平臺研究城市土地收益與農業土地生產力的對立關系及其外部效應，并模擬其對城鄉交錯帶的土地利用格局動態變化的影響[46]。Zellner等研究景觀質量、居住點距服務中心的距離等因素對居民居住偏好的影響，并基于Swarm開發平臺模擬這一系列動態關系對土地利用格局的作用[55]。Filatova等采用基于智能體建模方法模擬土地市場、價格、稅收以及生態服務價值等因素對沿海城市土地利用格局及其生態效應的影響[35]。

另外，通過基于智能體建模的方法對城市未來土地利用變化結果進行模擬預測，可以為政府提供關于土地利用、土地管理政策制定和決策過程的相關信息，甚至能夠以此識別未來發展和土地利用/覆被變化的潛在熱點地區。劉小平等提出應用于居民居住區位決策行為和地價動態變化的ABMRL模型，探索與模擬居民在居住選擇時的復雜空間決策行為以及由居民間、居民與地理環境的相互作用而引起的城市居住空間分異的演化過程[56]。Zhang等建立了1套時空土地資源分配規則及1個基于多智能體系統動態城市擴展模型，模擬居民、農民、政府等不同主體間的相互作用，該模型已用于模擬中國長沙市城市擴張過程，可幫助政府和城市規劃者提供土地使用決策支持[40]。Murray-Rust等使用智能體建模結合基于排放情景特別報告(special report on emissions scenarios，簡稱SRES)的情景分析法評估斯洛文尼亞科佩爾市LUCC的未來影響，模擬了土地利用和土地覆被變化對當地居民用地和生活質量損失的潛在影響[57]。Zhang等針對多智能體系統模擬復雜空間系統的能力，結合宏觀和微觀決策行為，建立了基于多智能體系統的時空動態城市增長仿真模型，解釋了城市化的動力機制，為城市管理決策支持提供了一個有效的空間探索工具[58]。

2.2 對農業區域土地利用/覆被變化的模擬

對農業區土地利用/覆被變化的早期研究主要是基于多智能體模型對LUCC驅動力進行分析，并對未來土地利用變化結果進行模擬預測。Manson等模擬了人口增長、土地利用趨勢以及技術使用、政策約束綜合作用下的土地利用變化情景(如毀林開荒、發展農業等)[59]。Valbuena等對荷蘭東部農村地區阿徹霍克的農戶土地利用行為內外部影響因素進行研究，基于智能體建模方法模擬未來不同場景下農戶決策對土地利用格局的影響[60]。Schreinemachers等研究農業技術、市場動態、環境變化以及政策干預對農戶土地利用行為的影響[29]。

隨著多智能體模型理論研究的完善，人文社會經濟因素在土地利用變化研究中也漸漸受到重視，對農業區域LUCC模擬開始基于農戶追求利益最大化的假設，著重對農戶決策行為進行模擬。Le等定義和詳述了一種名為土地利用動態模擬器的多智能體系統，用于表示農村森林邊緣的人類景觀系統，并在越南中部山地分水嶺首次實施該模型，詳細說明越南熱帶森林邊緣人類-環境系統的MAS-LUCC模型，綜合評估政策對景觀和社區動態的影響[28]。Polhill等模擬農戶在追求最大收益條件下伴隨土地利用的動態變化，其中，地塊最大收益可以看成是自然、社會經濟、政策、決策者偏好等多個圖層屬性的疊加[61]。Happe等利用AgriPol模型研究丹麥農業結構變化的驅動因素，模擬農戶在追求利益最大化過程中相對應的土地利用方式的動態變化，并評估其生態影響[62]。Polhill等擬合響應農業環境政策的農戶決策，探討激勵機制可以在保護物質方面獲得最佳成本效益所需的強度，以通過耦合模型為保護生物多樣性提出有針對性的政策建議[63]。

綜上所述，無論是全球變化或者在大區域層次[28，57，60，64](如瑞士阿爾卑斯山西南的菲斯普市、荷蘭東部阿徹霍克地區、斯洛文尼亞科佩爾市等)，還是小尺度空間[65-72](如中國陜西省米脂縣孟岔村、中國鄱陽湖區、中國貴州省貓跳河流域等)，學者們在當下開展的研究都積極地推動MAS模型在土地利用變化研究中的應用進程。從抽象的模型設計，到程式化的假設，再到詳細的仿真模型，以及適當的情景模擬方案和政策分析，多智能體模型在土地利用變化研究中的重要作用日益凸顯，已有一些研究結論被應用[47，73]。

3 土地利用/覆被變化研究中多智能體模型的技術難點與突破

3.1 計算機建模及模型算法的局限

計算機建模技術和分析工具的快速發展，以及全球環境的挑戰，指出了使用模擬計算來研究人類系統的新方向。研究人員已經開始在人文地理領域使用這些工具制定方法，尋求包括數字和符號數據在內的計算解決方案。建模技術在土地利用/覆被變化研究的應用中迅速發展，但同時計算機建模自帶的局限性使得MAS-LUCC模型不得不面臨一些挑戰。

首先，對復雜的土地利用變化進行模擬，不可避免地要考慮時間和空間的復雜性。研究表明，模擬不同驅動因素對土地利用影響的框架設計需要充分考慮空間的復雜性以及評估時間的復雜度，需在一個跨學科背景下結合不同專業模型，這種框架必須考慮生物物理的影響，以及市場、政策等人文因素的影響。這雖然有一定挑戰性，但仍可行，Briner等以瑞士阿爾卑斯山西南的菲斯普市為研究區，提出1個評估山區土地利用變化模型框架，強調環境變化和經濟決策間的相互作用對土地利用的影響，該模塊化建模框架就較好地解決了空間和時間復雜性的問題[64]。

其次，影響土地利用變化驅動的因素多元化，包含自然環境因素和人類決策，復雜多樣，考慮到計算機模擬的可行性，模型一般都將因素簡化，然后通過參數化方式進行模擬，因此需要進行模型驗證考量結果的準確性。

最后，人們對土地利用/覆被變化進行模擬研究尋求的是在社會、經濟、生態等全局目標的指引下對多目標、多因素、多約束下的土地資源進行優化管理。多智能體模型的復雜算法(如遺傳算法、微粒群算法、蟻群算法、神經網絡、人工免疫系統等)具有內在并行性和高度的智能性，能夠制定靈活的模型框架，處理計算復雜型與數據密集型問題，展示空間布局過程。但這些數值優化算法，并非針對地理空間，其數值編碼方式未能充分反映土地利用單元之間的拓撲性、空間相關性與區域性等地理空間特征，無法提供空間分析與計算的數據基礎，影響模型的效率和精度，因此，智能模型的算法需朝地理空間化的方向改進。

3.2 土地利用動態環境和人類復雜決策難以模擬

相較于其他LUCC模型，多智能體模型更適用于模擬人類行為和生物物理景觀之間的互連，但在模擬土地利用變化中人類與環境的關系上仍存在許多挑戰。第一，要建立適用于耦合系統的模型應充分考慮動態生物物理環境，然而迄今為止大多數MAS-LUCC模型都假定地球環境保持不變，以靜態方式處理生物物理環境[74-76]。已有研究對人類和生物物理系統的共同演化和相互作用少有涉及，僅有少數研究試圖通過MAS-LUCC模型探討人的決策與生物物理過程的聯系，如Matthews等在尼泊爾棕櫚模型中對土壤養分動態進行研究[77]。第二，異質性對多智能體系統至關重要，是智能體間不同行為的觸發器。雖然現實世界智能體群體通常由具有特定模式的土地利用行為的不同社會群體組成，但許多已有MAS-LUCC模型僅通過評估和應用1個決策模型來模擬整個群體，未能充分捕捉這種群體間的異質性。另外，從環境方面來看，許多MAS-LUCC模型似乎忽略了如地形、土壤屬性等決定生物物理異質性程度和土地利用決策的景觀變量，因此，如何恰當地表示真實的人類社區和環境異質成為土地利用動態變化模擬研究的關鍵。第三，在MAS-LUCC模型中憑經驗難以制定相關的、全面的決策機制。一些土地利用決策模型采用了目標驅動方法來表示優化(或理性)的智能體行為，盡管可以捕捉土地利用決策中的經濟權衡，但優化行為的多數假設對發展中國家不適用，因此采用單獨的優化方法效率往往很低。同時，要嚴格驗證一系列不同規模人口規則集也是一個巨大的挑戰。目前來說，尚無一個能全面考慮各因素的模擬決策技術和理論，因此相關研究人員正在探索一種綜合方法來模擬現實世界人口的土地利用決策。

3.3 模型精度研究有待加強

在多智能體模型逐漸受到國內外青睞的同時，研究人員開始關注模擬結果的可信程度。基于智能體建模的本質是在理想情況下尋求微尺度下智能體行為和環境之間的交互信息。模型往往使用決策模型或空間結構構造智能體模型，而且通常包含隨機元素，這使一些特性存在較高的敏感性。與其他領域模型一樣，需要對構建的智能體模型的精密度和準確度進行評估，驗證在復制現實世界趨勢和模式方面是否成功。多智能體模型可以通過改進智能體參數化和決策方法，改善由人類因素對空間異質性造成的影響[78-80]；從生態角度也可以創建1個有效字段數據用于詳細表示物種的空間行為和物種多樣性[63，81]，因此進行敏感性分析和模型驗證變得尤為重要[29，31，34，82-83]，特別是應用于現實管理策略制定時。

當前MAS模型的驗證得到了一定重視，相關研究成果也有不少。通常用專家審驗或啟發式技術、精確算法、專門構建實例等技術與智能體建模進行比較來檢驗模型。Valbuena等采訪了來自研究區域不同地方和區域組織的5位專家，通過專家審定方法對模擬結果的合理性進行驗證[60]。在采用基于智能體建模研究土地配置對丹麥云雀數量的影響時，Parry等利用計算機代碼輸出的貝葉斯分析執行參數敏感性分析，以明確具有不確定性的輸入參數[81]。Balbi等測試各行為參數的最大現實變化，根據最敏感的4個參數高、低值的所有可能組合對不同氣候變化的8個旅游景點相關游客行為參數進行了敏感性分析，并通過社會試驗驗證了預測結果[41]。Marohn等以該模型重現了不同人群的土地利用程度以驗證模型，與其他關鍵參數進行類比驗證模型初始化下能在多大程度上再現當前系統狀態，但這并不能代表模型的有效性[79]。Sun等基于貝葉斯信念網絡(Bayesian belief network，簡稱BBN)對農戶行為性能進行測試，用80%的調查樣本(509戶農戶和 1 973 塊地塊)進行網絡學習，并利用剩余的20%進行模型驗證，同時對這些結果的穩定性進行測試，通過重復4次隨機選擇的80%和20%，以及通過改變測試數據集測試結果的可靠性[80]。最后，研究者們還對模型進行質量評估，審查BBN結果的相關性和可靠性。結果顯示模型具有較高的預測能力，準確率可達85%。

驗證多智能體模型模擬結果的精度是一個繁瑣而又艱巨的任務[84]，通過模擬人的決策，多智能體模型處理人類決策和這些決策所作用的社會經濟和生物物理系統的復雜性和不確定性[35，47]，這種復雜性和不確定性使驗證個人決策和相互作用變得更加艱難。準確而嚴謹的模擬結果有利于將多智能體模型模擬結果應用于現實管理策略的制定中，以更好地提高土地利用效益，謀求人類福祉，而模擬準確與否需要通過驗證的方式來判斷，因而，對模型驗證方面進行更深入的研究對于提高模型精度顯得尤為重要。

4 研究展望

本文首先設計了一系列的問題，集中對MAS-LUCC建模進行探索，表明多智能體模型是研究土地利用/覆被變化過程有效的分析工具，討論了模型驗證的關鍵性，并指出這些模型在實證應用中面臨的挑戰，以進一步把握研究的動態，理清研究思路。土地變化是一個極其復雜的問題，本文僅僅是一些初步的總結，在未來LUCC時空格局演化與情景模擬的研究中，整合多種工具和學科，開創新的思路和方法用于人類和環境相互作用的動態空間建模，在以下方向仍需加以深入探討：

4.1 擴展多智能體模型的應用

土地利用變化研究涉及人類行為、其他事物、景觀格局等多個角度，目前的研究多是將它們分開考量，分別進行建模分析，模型之間相對獨立，不能很好地擬合它們之間的耦合關系。而沒有一種方法能獨立主宰這個新興領域。相反，在許多情況下，廣泛的技術模型開發和實證評估被用來有效解決單一的研究問題。此外，這種多樣性將促進建模工作的開展，為進一步的研究奠定了基礎?；谥悄荏w建模是自底而上研究中一個十分有效的工具，但其在建模的過程中不可能面面俱到，在具體實施過程中也有一定局限性，因此未來的研究應當對其不斷完善與擴展。

首先，影響決策主體進行土地利用決策的因素還有很多，不僅僅是土地擁有者的決策與行為等，應從對決策主體的基礎研究入手，對其影響土地利用的方式進行更加全面深入的理解。同時不同模型各有優勢與不足，適用范圍也不相同，通常單個模型無法完成多目標、多因素、多約束下的土地利用/覆被變化研究，因此，加強基于智能體建模方法與其他技術的綜合運用，探索不同模型的整合方式，拓展其應用范圍，是MAS-LUCC研究的重要方向。其次，應不斷嘗試加入其他影響土地利用變化的智能體與驅動因子，如植被和氣候等，以更全面準確地將現實世界擬合到模型中。最后，深入對尺度之間轉換問題的研究從個體決策上升到群體決策，從單一地塊到整體地塊，這都需要考慮尺度轉換的問題。目前，既有對宏觀尺度的研究，也有基于微觀尺度的分析，但對尺度轉換問題的探討較少，缺乏對大小尺度連通性的關注，因此宏觀、微觀之間的尺度轉換問題還存在很大的研究空間。要加深對土地利用變化的認識，就要進一步明確尺度之間的關系，探索它們之間的轉換規則，實現對土地利用變化深入、全面的理解。

4.2 優化多智能體模型的算法

MAS-LUCC建模是一種自上而下的模型，它在模擬土地利用空間復雜系統的時空動態方面具有非常突出的優勢，但是缺乏全局的尋優計算方式，模擬結果無法滿足區域社會、經濟、生態目標的要求；相反，另一類采用自上而下建模方法的模型能夠考慮區域全局目標，得到一系列的最優解。這類模型主要包括線性規劃、遺傳算法、微粒群計算、蟻群算法等智能優化算法，它們具有開放性大、效率高、問題優化求解能力強的特點，但由于缺乏微觀土地利用變化決策過程，難以反映微觀空間演變規律，無法得到合理的配置方案[85]，因此可以考慮將這2種模型相結合，優勢互補。

4.3 重視模型參數的標準化及模型驗證

土地利用的決策是多方面的，同時也涉及到不同公共事業類型的評估。針對決策主體決策行為的模擬研究通常是在基于線性規劃方法尋求最大化效益的假設下進行的，然后在這種經濟合理性條件下對決策過程進行簡化。不同研究表明，利潤最大化的方法是一個合理的假設[86]，因此模型的結果不會因為某種簡化而失去有效性。但仍需注意的是，優化模型的結果必須規范性地解釋而不是描述性地陳述，評估模型的方法是否適用于不同的方案并對這些結果進行驗證由此排除模型參數缺陷的可能性，驗證模型的可信度仍是一項重要的工作。目前對MAS模型驗證方面的研究取得較大的進展，但也意味著其面臨更復雜的挑戰。驗證多智能體模型精度的一個關鍵性問題在于缺乏合適的比較基準，未來應創建一個復合空間單元，將不同土地覆蓋模型結合在單一的管理單元中[87]，生成與模擬景觀屬性相匹配的經驗分布，開發優化算法細分大型地塊[88]，優化智能體決策模型中參數化設計。只有合理地適應決策規則和智能體屬性演變，才能為推出可供地理參考的環境和社會經濟數據打開新的機遇，充分利用好MAS方法的潛力。