基于歷史情景的FLUS模型鄰域權重設置
——以閩三角城市群2030年土地利用模擬為例

王保盛,廖江福,祝 薇,邱全毅,王 琳,唐立娜,*

1 中國科學院城市環境研究所城市環境與健康重點實驗室,廈門 361021 2 中國科學院大學,北京 100049 3 集美大學計算機工程學院,廈門 361021

由于人們對土地利用變化的持續關注[1- 3],土地利用模擬模型的研究也隨之興起,模型多樣性得以豐富的同時各類模型參數更是層出不窮,因此,如何更為科學、客觀的設定模型參數正在成為影響土地利用模擬研究的重要因素之一。元胞自動機(Cellular Automata, CA)作為諸多模型中最主要、且應用廣泛的方法之一[4- 5],是很多模型研究的基礎。諸多以CA為基礎的模擬方法,譬如小尺度土地利用變化及效應模型(The Conversion of Land Use and its Effects at Small region extent CLUE-S)、地理模擬優化系統(Geographical Simulation and Optimization System, GeoSOS)、未來土地利用變化情景模擬模型(A Future Land Use Simulation Model FLUS)等,都是在整合驅動力因素、變化規則、變化強度等因子的基礎上結合元胞理論,通過相應的數學過程對各土地類型的變化量或總量進行合理分配,進而實現對設定情景的模擬[6- 10]。由于模型參數對模擬過程和結果的重要性[11-12],參數也越來越被關注,鄰域因子作為CA重要的參數之一,已在鄰域作用可控性[13]、擴展鄰域效應[14-15]、鄰域空間自組織性[16]、動態鄰域[17-18]、鄰域敏感性[19]等諸多角度開展了研究,但鄰域因子的權重系數目前仍缺乏客觀且簡單的確定方法,相比基于主觀判斷的方法,本研究從歷史情景入手,通過對歷史客觀變化的分析來設定FLUS模型鄰域權重(Weight of Neighborhood),合理規避主觀判斷帶來的偏差,以增強模擬的客觀性和科學性。

土地利用變化是自然、社會、經濟、政治等諸多影響因子復合作用的結果[20],是區域經濟活力的指示劑,反映著特定時空尺度下土地利用方式、開發強度、經濟投入、政策導向等諸多因素的作用強度及其合理性[21],對未來土地利用情景客觀、合理的模擬,不僅可以掌握其變化、發展規律,還可以檢驗當前社會、經濟政策對土地利用變化導向的合理性[22]。土地資源供需矛盾日益激化、土地利用變化引起的環境問題等已經開始強烈的影響國計民生和可持續發展,對未來土地利用變化規律的把握正變得越來越迫切和重要。2017年初國務院發布的《全國國土規劃綱要(2016—2030年)》以2030年為本輪規劃的終期時間節點；同年,廈門市、泉州市、漳州市相繼發布《土地利用總體規劃(2006—2020年)調整完善方案》,均明確提出要不斷優化土地開發利用的結構和布局,引導土地資源的合理、節約、集約利用；鑒于地方規劃統一于全國規劃、服從全國規劃整體協調的原則,綜合國家規劃的時間節點和區域規劃的具體要求,以閩三角城市群2030年土地利用情景的模擬為例也有其現實意義。

1 研究區概況及數據預處理

1.1 研究區概況

閩三角城市群位于我國福建省東南部沿海(圖1),以廈門、泉州、漳州三個設區市為核心。地處亞熱帶海洋季風氣候區,年平均氣溫17—21℃,平均降雨量1400—2000 mm,水熱資源充沛。總面積25381 km2,地形以低山丘陵為主,分布有玳瑁山、戴云山、博平嶺等山脈。區域內水系發達,有洛陽江、晉江、西溪、九龍江等河流,素有“八山一水一分田”之說,耕地資源總量先天不足。區域內土地類型主要以林地為主(圖1)。隨著建設用地面積增長迅猛。統計顯示,截至2015年底區域總人口1737萬,地區生產總值12371億元,是中國改革開放以來優先發展起來的區域之一。近年來國家一路一帶戰略大力推進,閩三角城市群作為海峽西岸經濟區的主要構成部分和21世紀海上絲綢之路的重要節點在國家區域協同發展戰略中的地位和作用逐步凸顯,城鄉開發建設得以大力推進。然而快速開發建設活動導致的土地利用結構失衡、集約化程度相對較低、土地資源供需矛盾尖銳以及利用方式粗放等問題都給區域可持續發展埋下巨大的安全隱患。

圖1 閩三角城市群地理區位及2015年土地利用概況Fig.1 The location of urban agglomeration and the overview of land-use in 2015 of Golden Triangle of Southern Fujian

1.2 數據來源及數據處理

本研究所用數據主要包括2000年、2015年廈門、泉州、漳州三市區域的建設用地分布、鎮及以上居民點分布、鐵路分布、公路分布、河流及灘涂水域分布、高程數據,以上數據主要來自全國地理信息資源目錄服務系統(http://www.webmap.cn)；最熱月(7月)、最冷月(1月)的降水分布數據[23],該數據來自WorldClim-Global Climate Data(http://worldclim.org)；人口空間分布數據[24],該數據來源于歐盟數據目錄聯合研究中心(http://data.jrc.ec.europa.eu)；GDP空間分布數據[25],該數據來自全球變化科學研究數據出版系統(http://www.geodoi.ac.cn)；土地利用數據(2000年、2005年、2008年、2010年、2015年),該數據均由對應年份的遙感影像解譯獲得；OSM(Open Street Map)數據,該數據來自GEOFABRIK(http://www.geofabrik.de/),在此數據基礎上通過ArcMap數據處理軟件將區域內自然保護區、風景名勝區、歷史遺址、宗教場所、水庫、大壩、主要城市公園等區域篩選出來,作為限制發展區域(Restricted Area)的基礎數據。經ArcMap處理將所有數據格式統一為tif格式,行列數為2401×2859,像元分辨率100 m,使之符合FLUS模型的格式要求。

為了增強同類型土地變化的顯示度,凸顯不同類型土地間的差異性,本研究在國家最新發布的《土地利用現狀分類》(GB/T 21010—2017)的基礎上對區域內土地類型進行了部分整合和重分類,具體對應關系如表1所示。同時鑒于海洋相對穩定,除近陸地區域的沿海灘涂外,本研究暫不考慮海洋用地類型的變化。

表1 土地利用類型重分類對照表

2 研究框架

模型參數作為模擬過程不可或缺的部分,對模擬結果有著決定性的作用,反之,模擬結果的精度及合理性則是對參數優劣最直接的反映。所以本研究分為模擬邏輯和模擬流程(圖2)兩個部分,模擬邏輯部分主要通過對歷史情景的分析設定相關參數,實現對未來土地利用情景的模擬。模擬流程部分通過對模擬結果精度的檢驗來驗證參數設置的客觀性和可行性。

圖2 土地利用變化模擬邏輯框架及流程Fig.2 The framework and process of land use change simulation圖中CA：元胞自動機,Cellular Automata；FLUS：未來土地利用變化情景模擬模型,A Future Land Use Simulation model

3 研究方法

3.1 模型選擇及介紹

FLUS模型是在系統動力學(System Dynamics, SD)模型和元胞自動機模型的基礎上整合人工神經網絡(Artificial Neural Networks, ANN)算法和輪盤賭(Roulette wheel selection)選擇機制建立的[9],可以很好的用于自然、社會、經濟等多種驅動力作用下的土地利用變化情景模擬。該模型主體分為兩大模塊,基于人工神經網絡的出現概率模擬(ANN-based Probability of Occurrence Estimation)模塊和自適應慣性競爭元胞自動機(Self-Adaptive Inertia and Competition mechanism Cellular Automata)模塊。ANN是一種受生物神經網絡啟發的機器學習模型,屬于非線性動力系統,能夠較好的實現非線性函數逼近,具有自學習、自組織、自適應的特點,可以有效融合不同數據類型,實現多變量、復雜信息并行處理[26-28]。因此它可以協同整合自然、社會、經濟等多類驅動因子(Driving Data),并結合土地利用現狀模擬在預設情景下各土地類型的適宜性分布概率,從而建立起不同用地類型同驅動因子之間的關聯。同時FLUS模型創新的在傳統CA模型的基礎上引進了基于輪盤賭選擇的自適應慣性競爭機制,用于處理多種用地類型在自然、社會、經濟協同作用下發生變化的不確定性和相對復雜性,從而實現較高精度的土地利用變化模擬[9]。

3.2 土地利用變化驅動因子確定

土地利用變化是各類型土地自身理化條件和自然、社會、經濟等內外因共同作用的結果[29-31]。其變化除了受到自身理化性質等自然因素的影響外,在城市化、工業化高度發展的今天,更多的則是受到社會、經濟等多元因子的復合作用和驅動[32]。綜合其他研究對于土地利用變化驅動因子的分析及探究[33-34],最終選取以下自然、社會、經濟方面的12項驅動因子(表2)。

表2 土地利用變化驅動因子數據說明

某一區域的可達性通常對該區域的土地利用變化有著很強的作用力,由于影響可達性的主要自然因子(如高程、坡度等)都已作為單獨的驅動因子輸入到系統,為避免重復計算,同時參考其他相關研究中的處理方法[28, 35],對社會、驅動因子(到建成區、鐵路交通節點、公路交通線、水體、城市中心、居民點的距離)在進行數據預處理時,均采用歐氏距離(Euclidean Distance),盡可能避免自然因子通過作用于社會、經濟驅動因子而間接影響模擬過程。

3.3 各土地類型適宜性概率分布模擬

土地利用變化是一個由多影響因子交互驅動的非線性復雜過程。FLUS模型用ANN基于驅動因子數據,來模擬不同土地類型出現的概率及空間分布。ANN是一種基于生物神經網絡模擬的機器學習模型,通常用于模擬和計算變量較多的非線性函數,它可以通過大量學習與召回迭代來不斷擬合輸入數據和訓練目標之間的復雜關系,從而保證生成更高適宜性的概率分布,建立起各土地類型出現的概率同驅動因子間的作用關系,ANN由輸入層、隱藏層和輸出層組成,其中每個神經元,都分別對應CA中的一個變量[9,36-37]。該模擬過程實質是建立起各驅動因子同初始土地類型在空間上的作用強度關系,其具體過程見公式(1)：

p(p,k,t)=∑jwj,k×sigmoid(netj(p,t))

(1)

式中:(p,k,t)表示柵格p在t時間出現k土地類型的的概率；wj,k是隱藏層和輸出層之間的自適應權重；sigmoid(netj(p,t))又稱S型函數,或S型生長曲線,是隱藏層同輸出層的關聯函數；netj(p,t)表示j輸入層上的柵格p在t時間向神經元j發送的信號,即t時間第j類土地中的柵格p發生變化的強度；wi,j同wj,k均為自適應權重,其區別在于wi,j表示輸入層和隱藏層之間的自適應權重關系；xi(p,t)是t時間變量i同輸入層神經元i中柵格p的關系函數。

3.4 FLUS模型參數設定

3.4.1 未來像元總量參數設定

未來像元總量表示預測期各土地利用類型所占像元的總量。該研究采用馬爾可夫鏈(Markov Chain)(公式(2))[38-40],基于2000年的土地利用數據,來預測2015年和2030年的各用地類型的像元總量：

St+1=Pij×St

(2)

式中:St和St+1分別表示t時刻和t+1時刻土地的狀態；Pij表示在t時刻用地類型P發生轉變的概率,計算方法如下：

3.4.2 鄰域權重參數設定

鄰域權重參數即該土地類型的擴張強度,也就是各用地類型在外界因子驅動下使自身得以擴張的能力,閾值范圍0到1,值越接近1則代表該類型的擴張能力越強。由于驅動因子同土地利用變化間關系的復雜性使得各用地類型的擴張強度較難直接計算,但各用地類型歷史過程中的擴張規律卻是對各自擴張能力的最好體現。通常來講用地類型擴張無非面積增大和斑塊數量增多兩個方面,所以本研究以2000年到2015年同時間尺度部分年份(2000年、2005年、2008年、2010年、2015年)的土地利用數據為基礎,以Fragstats(Fragmentation Statistics)軟件為工具,從斑塊數量(Number of Patches, NP)(公式(3))、總面積(Total Area, TA)(公式(4))、斑塊面積加權平均面積(Patch Area_ Area-Weighted Mean, AREA_AM)(公式(5))[41]3種景觀格局指數入手,依據景觀格局研究的一般規律,從景觀(Landscape)、斑塊類型(Class)及斑塊(Patch)3個尺度展開[42]本研究。針對不同目的和研究對象選擇適宜的尺度是景觀格局分析的關鍵[43],任何系統的描述都要依賴于特定特定時空范圍和組織水平的選擇[44-45],由于研究對象為各用地類型,屬于斑塊類型尺度,因此選取在景觀和斑塊類型兩個尺度就上述景觀指數反映的空間格局關系和變換關系展開研究,探索各用地類型的擴張強度。各景觀格局指數的計算方法如下：

NP=ni

(3)

(4)

(5)

式中:n表示斑塊數量；a表示斑塊面積；x表示權重值。

通過2000—2015年閩三角城市群NP及AREA_AM在景觀尺度的變化趨勢(圖3)來看,該時期景觀尺度的NP和AREA_AM的變化總體呈現顯著的負相關關系,具體表現為AREA_AM逐步縮小的同時NP逐漸增多,景觀破碎化程度進一步加強。從數量變化來看,AREA_AM從2000年的38.64萬hm2下降到2015年的36.63萬hm2,下降2.01萬hm2,區域內各類型斑塊趨向于向小型化發展。

圖3 2000年—2015年閩三角城市群NP及AREA_AM在景觀尺度的變化趨勢Fig.3 The trend of NP and AREA_AM on landscape scale of urban agglomeration of Golden Triangle of Southern Fujian from 2000 to 2015圖中NP:斑塊數量,Number of patches；AREA_AM：面積加權平均面積,Patch area_ area-weighted mean

景觀尺度的變化是斑塊類型尺度變化的綜合表達,將尺度下推到斑塊類型尺度,使景觀水平的變化規律展現在各土地類型的動態過程中,為便于直觀對比分析各景觀格局指數在斑塊類型尺度的變化規律,在統計了閩三角城市群2000年、2005年、2008年、2010年、2015年各用地類型NP和TA的基礎上對其予以無量綱化(公式(7))處理,并生成了2000—2015年閩三角城市群NP及TA在斑塊類型尺度的變化趨勢(圖4)。

(7)

式中:X*表示離差標準化值; max為數據最大值;min為數據最小值。

圖4 2000—2015年閩三角城市群NP及TA在斑塊類型尺度的變化趨勢Fig.4 The trend of NP and TA on class scale of urban agglomeration of Golden Triangle of Southern Fujian from 2000 to 2015TA：總面積,Total area

各用地類型NP和TA在斑塊類型的尺度表現為正、負相關兩大類：農田、林地、草地以及其他土地的NP和TA總體呈負相關關系；水域及灘涂、建設用地的NP和TA呈正相關關系。區分NP和TA來看,各用地類型的NP總體趨勢均呈現逐步增加的趨勢；各用地類型中農田、林地、草地及其他土地的TA總體表現為減小趨勢；水域及灘涂的TA在逐步增大。斑塊類型尺度各土地類型的NP均呈上升趨勢,并不能反映各類型土地間的競爭消漲關系,相比之下TA很好的呈現了各土地類型間的相對增減變換關系。從TA的變化趨勢來看,水域及灘涂、建設用地的TA表現為增加趨勢,而其他土地類型均在減小,也就是說建設用地、水域及灘涂的擴張能力較農田、林地、草地及其他土地的擴張能力要強。

斑塊類型尺度上TA的變化規律是對各用地類型擴張能力的定性表征,那么TA的變化量則可以用來定量表征各用地類型的擴張強度。在假定相同時間尺度下各類型土地的擴張能力保持相對穩定的前提下,本研究采用2000—2015年各土地類型的TA變化量來表征2015—2030年對應類型土地的擴張強度。結合Fragstats計算,2000—2015年各用地類型TA的變化量如表3。

表3 2000—2015年閩三角城市群各土地類型的TA變化量/km2

對比發現該時期建設用地TA增幅最大,達到1184.30 km2,其次是水域及灘涂,農田、林地、草地及其他土地。也就是說在該時期的自然、社會、經濟條件下建設用地有最強的擴張能力,而農田的擴張能力最弱,該擴張力強度的相對關系完全符合之前的分析和判斷。TA的變化量是對各土地類型外擴張能力的反映,完全符合FLUS模型鄰域權重的參數意義。基于以上分析并結合鄰域權重對數據結構的要求,對各土地類型的TA變化量進行無量綱(公式(7))處理,使其閾值在0—1之間,由此TA變化量的無量綱值在參數意義和數據結構方面均符合FLUS模型鄰域權重的要求。

3.4.3 成本矩陣(Cost Matrix)與限制發展區域的設定

成本矩陣是指各用地類型間的變化規則,用于表示是否容許各土地類型相互轉變。理論上講,各類型土地間的轉變應是不受限制的,但延續上述對各土地類型TA變化量的分析,在所有土地類型中,建設用地、水域及灘涂的TA表現為凈流入過程,其中88.89%的變化量流入建設用地,11.11%的變化量流入水域及灘涂。由此可以確定農田、林地、草地和其他土地同水域及灘涂和建設用地存在單向的轉變關系。結合土地利用變化的現實,目前的經濟及技術條件完全有能力將任何用地類型開發成為建設用地,然而要將建設用地轉變為其他土地類型其難度及成本均相對較高,且現實中較少有該類情況發生,基于此本研究暫定建設用地不向其他類型土地發生轉變。然而水域及灘涂、農田、林地、草地及其他土地間是否存在相互的轉變關系仍無法予以客觀斷定,所以在模型成本矩陣參數設置中僅限制建設用地向其他類型轉變,其余土地類型間的相互轉變不予限制。

部分土地由于用途的特殊性,其利用方式已基本固定,較難發生變化,為保障模擬過程最大程度反映真實情景,經整理,在本研究中將區域內的自然保護區、風景名勝區、歷史遺址和宗教場所(均包括范圍內的非建設用地部分)、水庫大壩等水源地、主要城市公園等區域設置為限制發展區域,使這些區域不參與土地利用變化的模擬運算。

3.5 2030年土地利用情景模擬

基于輪盤賭選擇的自適應慣性競爭元胞自動機是FLUS模型的關鍵模塊,它結合鄰域權重、轉換規則,基于各用地類型的適宜性概率分布(圖5)來實現對未來各土地類型像元總量空間分布的合理化配置,最終實現土地利用變化的模擬[9],該過程實質是一個通過循環迭代(公式(8))使輸出結果不斷逼近目標值的過程。本研究選擇在9×9摩爾鄰域[14, 46]下運行該迭代循環：

(8)

4 結果與分析

模擬結果是驅動因子、參數、模擬算法等所有因子共同影響的結果,所以,結果的客觀性和精度是對以上因子合理性的最好檢驗。

4.1 2030年各土地類型適宜性概率分布特征

基于ANN對2015年閩三角城市群土地利用數據和相對應驅動因子的整合便可以模擬出2030年閩三角城市群各土地類型的適宜性概率分布,為便于直觀分析、判斷各類土地的適宜性分布規律,在ArcMap數據處理平臺將多波段的分布圖按照對應的土地利用類型在單一波段下顯示(圖5)發現：適宜性概率分布能較好反映各土地類型的空間分布格局,高適宜性區域大多分布在該用地類型原有分布范圍的周邊區域,并隨著分布的減少其適宜性隨之下降；農田的適宜性區域自海岸線向內陸和高海拔區域逐步遞減；林地和草地的高適宜性分布區域在地域上具有較高的重合度,呈條帶狀自東北向西南分布在地形起伏較大的山地丘陵區域；水域及灘涂的高適宜性區域則主要分布在沿海、沿江、沿現有水體的周邊區域；建設用地的高適宜性區域主要分布在區域的東南沿海一側,以泉州、廈門、漳州三座城市的建成區為中心,基本形成沿海岸線的高適應性分布帶,呈現區域連片發展的可能性。

4.2 2030年各土地類型像元總量

本研究用馬爾可夫鏈確定FLUS模型未來像元總量參數時,在2000年、2015年土地利用數據的基礎上分別預測了2015年和2030年各土地類型的像元總量(表4),其中2015年的模擬值用于檢驗馬爾可夫鏈的預測精度,2030年模擬值作為模型的未來像元總量參數。通過與2015年實際土地利用數據對比發現,馬爾可夫鏈對2015年各土地類型像元總量的平均預測精度為99.53%,其中水域及灘涂用地的預測誤差最大(-2.49%),且面積呈增長趨勢，分析其原因發現,該增長主要由以下的因素造成：退耕還湖政策的實施、人工灘涂濕地建設、坑塘水庫開發等活動一定程度增加了水域及灘涂面積；由于2000年和2015年所執行的《土地利用現狀分類》標準的差別也導致了部分區域存在統計偏差,如廈門市大嶝島、小嶝島周邊、九龍江入海口的部分區域在2000年被統計為海洋區域而在2015年則被統計為水域及灘涂區域,以上因素由于數據不完整且相互間耦合,無法予以分離一定程度影響了馬爾可夫鏈的預測精度。但考慮到整體預測誤差相對較小,在合理范圍內,且各用地類型數據發展趨勢符合歷史變化規律,故不再對2030年的模擬結果做誤差修正處理。

4.3 鄰域權重參數

用歷史情景下各土地類型TA變化量的無量綱值賦值它們的鄰域權重參數(表5),是對各土地類型擴張規律的表達,有其客觀性的同時在數據結構和參數意義方面均完全符合鄰域權重的參數要求。

圖5 2030年各用地類型的適宜性概率分布Fig.5 The distribution of suitability probability of land use types in 2030

農田Cultivated land林地Woodland草地Grassland水域及灘涂Water area and tidal flat建設用地Construction land其他土地Other land2000年實際像元數 Actual pixel number in 200064370012886954084966102913245322712015年實際像元數 Actual pixel number in 201556042112517883954677584825088322372015年預測像元數 Predicted pixel number in 201556096312527723958077396125090222392030年預測像元數Predicted pixel number in 203049221712180023835259579434489822082015年預測數量同實際數量誤差/% The error between predicted and actual number in 2015/%0.10%0.08%0.09%-2.49%0.01%0.09%

表5 鄰域權重參數表

4.4 2030年閩三角城市群土地利用情景

圖6 基于FLUS模擬的2030年閩三角城市群土地利用情景Fig.6 The land use scenario of urban agglomeration of Golden Triangle of Southern Fujian in 2030 based on FLUS simulation

在上述適宜性概率分布及所有參數的基礎上,通過自適應慣性競爭元胞自動機的循環迭代過程,便可實現對2030年閩三角城市群土地利用情景(圖6)的模擬。2030年閩三角城市群各土地類型總體依然保持現有基本格局：林地、草地主要集中分布在區域遠離海岸線的一側；農田、建設用地、水域及灘涂主要分布在臨近海岸線地勢平緩的一側。建設用地作為其中變化量最大的土地類型,其分布明顯呈現出由東南沿海向區域西部和北部延伸、擴散的規律,在東南沿海區域基本形成形成以泉州、廈門、漳州城市建成為主體的連片發展區,建設用地協同發展進一步加強,區域一體化格局基本形成。結合未來像元總量對比各土地類型變化前后的分布格局發現,大部分土地利用變化發生在區域東南部海拔較低且地勢相對平緩的區域,且主要表現為農田、林地、草地向建設用地和水域及灘涂的轉變,建設用地的擴張極大的影響著區域土地利用格局。綜合建設用地同農田在擴張強度、TA變化量之間的差異以及二者在空間分布上的鑲嵌結構來看,農田是受建設用地擴張影響最嚴重的土地類型，符合目前社會、經濟背景對未來土地利用發展規律的影響[32, 47- 48],同時也符合國家和區域對各土地類型發展方向的基本判斷。

4.5 模擬精度檢驗及對比

FLUS模型曾被用于全國尺度的土地利用模擬,其結果的Kappa系數為0.67,總體模擬精度為0.75,模型置信度在合理區間[9]。為便于對本次模擬進行精度檢驗,本研究采用相同的方法和參數值,以2000年土地利用數據和對應的驅動因子為基礎模擬了2015年的土地利用情景,經與2015年實際土地利用狀況對比發現,模擬結果在1%隨機采樣時的Kappa系數為0.85,總體精度達到0.90；10%隨機采樣時的Kappa系數0.84,總體精度達到0.89；均勻采樣(2000個采樣點/類)時Kappa系數為0.80,總體精度達到0.83,同時本文還采用了相比Kappa系數能更好描述模擬準確性的FoM(Figure of merit)系數[49- 50],理論上講該參數值越大則證明模擬的效果越好,精度越高,但實踐驗證表明其結果大多在0.3以內[50],其中以0.1至0.2的結果最為常見[9,51]。對比2015年閩三角城市群土地利用模擬情景同實際狀況,其FoM系數為0.11,在合理的范圍之內。總體來看,各檢驗均在合理范圍,Kappa系數在不同采樣率下均能保證較高的精度,且模擬結果也符合目前社會、經濟發展的客觀變化規律,所以該參數設置方法能夠實現對未來土地利用變化情景的客觀模擬。

為進一步驗證該賦值方法對模擬精度的作用,本文在模擬2015年土地利用情景的基礎上,在不改變其他參數的前提下將鄰域權重參數統一設定為0.5對比了不同賦值條件下的模擬精度。結果顯示,1%隨機采樣時的Kappa系數為0.84,總體精度0.90；10%隨機采樣時的Kappa系數0.76,總體精度0.84；均勻采樣(2000個采樣點/類)時Kappa系數為0.73,總體精度0.78,FoM系數0.09。相比而言,基于TA變化量的鄰域權重賦值方法對模擬精度有一定程度的提升,可以較好實現更高精度的土地利用變化模擬。

5 討論

5.1 基于歷史情景或用其他方法賦值鄰域權重無優劣差異

從以上來看TA變化量和各土地類型的擴張強度所表達的現實意義高度一致,所以用TA變化量來表征各土地類型的擴張能力并設定鄰域權重參數,能有效規避主觀判斷賦值造成的誤差,具有較強的客觀性；從模擬結果的精度來看,具有較高的可信度,且操作簡單,易于理解。但不論是基于歷史情景,還是其他主觀判斷的賦值方法都只是確定模型參數的方法之一,均有各自的優缺點,無絕對的優劣差異,本研究只是嘗試一種區別于主觀判斷的參數設置方法。本研究用TA變化量的無量綱值賦值FLUS模型的鄰域權重雖然能使模擬結果的Kappa系數在不同的采樣率下均保持在0.80以上,但也只能說明該方法對本研究有較好的適宜性,是否具有普適性仍需更多的實踐論證。該方法一定程度上固化了各土地類型的變化方向和強度,忽視了影響因素在時空差異下的不確定性和動態性對土地擴張能力的影響,有悖于土地擴張的實際,也有其局限性。雖然德爾菲法或采用歷史經驗賦值的方法更多的受到研究人員經驗水平、個人意愿等主觀判斷的影響,但也正是因為這些方法較多受主觀能動性的作用,研究人員在對各土地類型擴張強度的權衡過程中必然綜合考慮各影響因素以及時空尺度差異帶來的影響[9,52- 53],進而實現對各土地類型擴張能力更為準確、合理的描述。

5.2 模型參數和驅動因子共同決定模擬結果

模型參數(鄰域權重、轉換規則、未來像元量)的合理性以及驅動因子的代表性是影響FLUS模型整體精度的兩個重要方面。本研究中討論的模型參數只是影響模擬精度的因素之一,并不能單獨對模擬精度起到決定作用。驅動因子作為影響土地擴張強度、導致土地利用變化的基礎,它的合理性及代表性對模型精度有著同等重要的意義。驅動因子一般從兩個方面影響著模擬的精度及合理性：模擬邏輯(圖2)方面,驅動因子直接影響著各土地類型的適宜性概率分布；土地擴張強度方面,驅動因子作用強度和種類的差異極大影響著土地的擴張能力。因此,模擬精度的提升既要保障模型參數合理化,還要確保驅動因子選擇的科學性。

5.3 未來研究中的模型參數和驅動因子

模型參數作為模擬運行必不可少的部分,對模擬過程意義深遠。新形勢下,政策紅利[54-55]、經濟結構及產業格局進一步完善、城市化加速發展等因素對土地利用變化的加速效應[31,56-57]日益顯現,導致土地利用的變化過程更為劇烈,變化途徑更趨于多樣化發展,這也對如何科學設置相關參數提出更多、更高的要求,譬如鄰域衰減[35]、不規則鄰域[58]、可控鄰域[59]、可變參數以及多情景模擬[60]等方面。

土地利用變化是一個非線性的復合波動過程,受自然、社會、經濟、政治、文化等多元因子的交互耦合和協同驅動[61-62],因此驅動因子的選擇要具有充分的代表性,既要反映其自然特征,又要體現時代發展賦予它的新特征,才能更好地實現優化模擬。從重要性程度來講,在目前的經濟及技術條件下,一些非自然的驅動因子對土地利用變化的作用更為明顯和強烈。例如：區域人口規模、流動人口的數量和質量[30]、產業結構[57]、國家土地政策[63-64]、居民開發意愿或文化傳承[65-66]、資本和信息的全球化流動[67-68]、主導經濟的類型及規模、區域經濟外向化程度等都更為強烈的影響著區域的土地利用變化。此外由于驅動因子的異質性特征,時空和土地類型的差異都會導致驅動因子不同的作用強度和方式[66, 69]。社會、經濟等因素的持續發展導致驅動因子越來越多元化,作用方式更加復雜多變,土地利用變化已形成復合的巨系統結構。綜上所述,未來研究中驅動因子的確定要綜合考慮其多元性、異質性、時空差異性和動態性,重視驅動因子同土地利用變化間的協同作用。

6 結論

本研究認為各土地類型TA指數的變化量可以用來表征各土地類型的擴張強度,它的無量綱值能夠用于FLUS模型鄰域權重參數的設置。該賦值法產生的模擬結果方面：閩三角城市群在延續歷史發展規律的前提下,到2030年區域各類用地將在現有空間格局的基礎上發生較大的變化,建設用地面積增加最為明顯,其次為水域及灘涂,其余類型土地面積均不同程度下降,建設用地擴張將嚴重影響農田用地；區域尺度,以廈門、泉州、漳州城市建成區為代表的建設用地區域連片式發展,閩三角城市群空間一體化格局基本形成。以上土地利用模擬結果符合目前社會、經濟背景對未來土地利用發展規律的影響,符合國家和區域對各土地類型發展方向的基本判斷,從設置過程和模擬結果兩個方面看,該賦值法均有其客觀性和科學性。