基于多模型的黑河中游甘臨高地區(qū)土地利用情景模擬

蔣小芳 段翰晨 廖 杰 宋 翔 薛 嫻

(1.中國科學(xué)院西北生態(tài)環(huán)境資源研究院沙漠與沙漠化重點(diǎn)實(shí)驗(yàn)室， 蘭州 730000； 2.中國科學(xué)院西北生態(tài)環(huán)境資源研究院干旱區(qū)鹽漬化研究站， 蘭州 730000)

0 引言

土地利用變化關(guān)系到生態(tài)系統(tǒng)的穩(wěn)定和持續(xù)發(fā)展，是土地利用/覆被變化(Land use and cover change，LUCC)研究的熱點(diǎn)問題[1]。土地利用模型為這一研究提供了強(qiáng)有力的技術(shù)支撐。CA模型出現(xiàn)于20世紀(jì)40年代，TOBLER[2]于1979年首次將CA模型應(yīng)用于地理建模。CA模型涉及人類系統(tǒng)與城市土地系統(tǒng)之間的相互作用，具有同質(zhì)性、空間離散性和時(shí)空局部性等特點(diǎn)，空間模擬能力優(yōu)越[3-5]。然而傳統(tǒng)CA模型中每個(gè)像元內(nèi)的土地利用類型單一，而實(shí)際的土地利用類型分布情況復(fù)雜。MCCA模型利用的混合元胞包括了不同土地利用類型，符合現(xiàn)實(shí)中復(fù)雜的土地利用結(jié)構(gòu)，在元胞空間、元胞狀態(tài)和轉(zhuǎn)化規(guī)則的元胞鄰域方面均與傳統(tǒng)的CA模型存在差異，實(shí)現(xiàn)了從定性、靜態(tài)模擬到定量、動態(tài)模擬的跨越[6]。

然而單一模型難以兼具數(shù)量模擬和空間格局預(yù)測的功能[7]。隨著研究的深入，綜合數(shù)量模型與空間模型的耦合模型出現(xiàn)[8-14]。目前已有的數(shù)量模擬模型主要有馬爾可夫鏈(Markov chain，MC)、灰色預(yù)測模型(Grey model，GM)和MOP模型等[5,15-20]。MOP模型可用于計(jì)算土地系統(tǒng)中多維目標(biāo)函數(shù)，具有強(qiáng)大的計(jì)算功能，是一種自上而下的方法，但在空間優(yōu)化方面存在缺陷[21]。CA和MCCA模型均為自下而上的空間格局模擬方法，能夠生成優(yōu)化的土地利用結(jié)構(gòu)[22]。因此有必要同時(shí)采用自頂向下和自底向上的耦合模型來優(yōu)化土地利用數(shù)量-空間格局[23]。

部分學(xué)者采用包括小尺度土地利用變化及其空間效益模型(Conversion of land use and its effects at small regional extent，CLUE-S)在內(nèi)的純凈元胞研究模型對黑河中游甘州區(qū)或張掖市等區(qū)域的土地利用結(jié)構(gòu)進(jìn)行模擬[24-25]，但是缺乏對混合元胞的探究。鑒于此，本文以黑河中游甘臨高地區(qū)為例，確定MCCA模型在研究區(qū)的適用性后，分別將MOP和普通線性回歸這兩個(gè)數(shù)量預(yù)測模型與MCCA空間模擬模型耦合，模擬得到2035年可持續(xù)發(fā)展(Sustainable development，SUD)情景和基本發(fā)展(Basic development，BAD)情景下土地利用空間結(jié)構(gòu)，采用效益定量評價(jià)方法對比分析，優(yōu)選最佳的土地配置方案。

1 研究區(qū)和研究方法

1.1 研究區(qū)域概況

黑河流域地處中國西北干旱氣候區(qū)。本文研究范圍為黑河流域中游的張掖市甘州區(qū)、臨澤縣和高臺縣(甘臨高地區(qū)，圖1)。該區(qū)域年均氣溫約為8.2℃，年均降水量在80～150 mm之間，生態(tài)環(huán)境較為脆弱。土壤類型以水稻土、風(fēng)沙土、草甸土、石質(zhì)土和棕鈣土為主。土地利用類型較多，主要包括耕地、草地、建設(shè)用地和荒漠等。黑河流域中游經(jīng)濟(jì)發(fā)展速度較快，人口較為稠密，人地矛盾突出。研究該區(qū)土地利用變化對于西北地區(qū)的經(jīng)濟(jì)發(fā)展和生態(tài)環(huán)境保護(hù)具有重要意義。

圖1 研究區(qū)簡圖Fig.1 Chart of study area

1.2 土地利用研究模型

1.2.1MCCA模型

(1)MCCA模型原理

MCCA模型主要包括3部分[6](圖2)。第1部分是混合元胞內(nèi)多維土地利用變量連續(xù)變化的機(jī)理挖掘。MCCA模型基于起始年份和目標(biāo)年份兩期土地利用數(shù)據(jù)得出不同地類的連續(xù)變化，采用隨機(jī)森林回歸(Random forest regression，RFR)算法挖掘不同地類與驅(qū)動力因素之間的映射關(guān)系。RFR有利于克服不同空間變量的多重共線性問題。RFR首先訓(xùn)練各地類的變化量(即增加量)與驅(qū)動因素之間的關(guān)系，因變量為每個(gè)地類的變化量，自變量為各驅(qū)動因素；然后預(yù)測得到各地類中每個(gè)元胞的變化潛力。與以前的模型不同，RFR并未同時(shí)擬合多個(gè)地類，而是分別訓(xùn)練每種地類的變化潛力；而某一地類的增加表示其他地類的減少，因此模型只關(guān)注增加的地類，減少表示不增加，避免重復(fù)計(jì)算。

圖2 技術(shù)流程圖Fig.2 Flow chart of this research

第2部分是耦合亞元胞尺度土地競爭與定量轉(zhuǎn)化機(jī)制的CA模型。傳統(tǒng)的CA模型基于純凈元胞進(jìn)行模擬，每個(gè)元胞代表一個(gè)地類，這脫離了實(shí)際情況，現(xiàn)實(shí)中每個(gè)元胞內(nèi)部含有多個(gè)地類；而MCCA模型基于混合元胞內(nèi)部每種地類的占比進(jìn)行模擬，即亞元胞。該模型通過驅(qū)動系數(shù)調(diào)節(jié)不同地類的變化方向，首先需要計(jì)算土地利用成分的總變化概率，計(jì)算公式為

(1)

式中t——迭代次數(shù)i——混合元胞

k——地類組分O——總變化率

P——變化潛力Ω——領(lǐng)域效應(yīng)

D——需求反饋

第3部分是MCCA模型模擬結(jié)果評價(jià)體系，主要包括亞像元混淆矩陣(Sub-pixel confusion matrix，SCM)、平均相對熵(Relative entropy，RE)和混合元胞質(zhì)量系數(shù)(Mixed-cell figure of merit，mcFoM)，分別表征模擬結(jié)果的整體精度、土地利用結(jié)構(gòu)相似度和混合元胞的變化精度。SCM越低說明模擬結(jié)果的整體精度越高，RE越接近0說明模擬過程中信息丟失越少，mcFoM越接近1說明模擬結(jié)果越準(zhǔn)確。除此之外還有總體分類精度(Overall accuracy，OA)、生產(chǎn)者精度(Producer’s accuracy，PA)和用戶精度(User’s accuracy，UA)，均是越接近1模擬精度越高。

MCCA模型采樣率設(shè)置為10%，回歸樹數(shù)目為100，領(lǐng)域?yàn)?；轉(zhuǎn)換矩陣中0表示兩種土地利用類型之間無法轉(zhuǎn)換，1表示可以轉(zhuǎn)換，本研究在模擬過程中未設(shè)置限制轉(zhuǎn)換區(qū)域；步長表示土地利用類型的轉(zhuǎn)化率，經(jīng)多次測試發(fā)現(xiàn)步長均為1時(shí)各項(xiàng)精度預(yù)測指標(biāo)值最大。

(2)MCCA模型數(shù)據(jù)源及預(yù)處理

2000年和2015年的土地利用數(shù)據(jù)來源于中國科學(xué)院地理科學(xué)與資源研究所的資源環(huán)境科學(xué)與數(shù)據(jù)中心(http:∥www.resdc.cn)，為純像元數(shù)據(jù)。該數(shù)據(jù)的每個(gè)像元表征一種地類，空間分辨率為30 m(表1)。通過ArcGIS 10.2軟件的分區(qū)統(tǒng)計(jì)制表工具將這一數(shù)據(jù)聚合成空間分辨率為250 m的混合像元數(shù)據(jù)，并計(jì)算得到每個(gè)像元內(nèi)部耕地、林地、草地、水域、建設(shè)用地和未利用地的覆蓋比例數(shù)據(jù)。

表1 MCCA模型數(shù)據(jù)源信息Tab.1 Research data information of MCCA model

其他表征土地利用變化的驅(qū)動力數(shù)據(jù)主要有自然環(huán)境數(shù)據(jù)(高程、坡度、坡向、河流矢量數(shù)據(jù)、2015年的年均氣溫及年均降水量數(shù)據(jù))和社會經(jīng)濟(jì)驅(qū)動力數(shù)據(jù)(道路矢量數(shù)據(jù)、居民點(diǎn)矢量數(shù)據(jù)、2015年的人口和國內(nèi)生產(chǎn)總值(Gross domestic product，GDP))，與土地利用數(shù)據(jù)的來源相同。ArcGIS 10.2軟件中的歐氏距離計(jì)算工具可處理得到每個(gè)像元與道路、河流、居民點(diǎn)的距離柵格數(shù)據(jù)，該數(shù)據(jù)的空間分辨率為30 m。MCCA模型提供類似于ArcGIS軟件重采樣的坐標(biāo)對齊機(jī)制，不要求驅(qū)動力柵格數(shù)據(jù)具有統(tǒng)一的像元分辨率(見MCCA模型操作手冊，下載網(wǎng)址：https: ∥github.com/HPSCIL/Mixed_Cell_Cellullar_Automata)?？紤]到大部分驅(qū)動力數(shù)據(jù)的空間分辨率為30 m，為提高M(jìn)CCA模型運(yùn)行效率，通過ArcGIS 10.2軟件中的重采樣工具將驅(qū)動力數(shù)據(jù)的空間分辨率統(tǒng)一為30 m。

1.2.2普通線性回歸模型

MCCA模型主要用于土地利用空間結(jié)構(gòu)可視化模擬，該模型開發(fā)者研發(fā)的MCCA軟件同時(shí)具有普通線性回歸功能(圖2中簡稱為MCCA的線性預(yù)測模塊)，該功能基于一次函數(shù)進(jìn)行預(yù)測[6]。除MCCA模型空間模擬需要的2000年和2015年的土地利用數(shù)據(jù)外，本文引入2005年和2010年各土地利用類型的面積數(shù)據(jù)對未來各地類面積進(jìn)行線性回歸預(yù)測，其來源和處理方法與2000年和2015年土地利用數(shù)據(jù)一致。

1.2.3MOP模型

MOP模型包括目標(biāo)函數(shù)和約束條件兩部分，其研究結(jié)果對于認(rèn)識未來的土地利用結(jié)構(gòu)和當(dāng)前土地規(guī)劃具有參考價(jià)值[26]。研究區(qū)面積為1 073 078 hm2，本研究利用MOP算法，基于Lingo 12.0軟件，對2035年各地類面積進(jìn)行了優(yōu)化。

(1) 目標(biāo)函數(shù)

土地利用結(jié)構(gòu)的優(yōu)化應(yīng)該遵循動態(tài)性、統(tǒng)籌兼顧和生態(tài)優(yōu)先原則。土地系統(tǒng)內(nèi)部的各個(gè)要素處在動態(tài)變化過程中。土地利用結(jié)構(gòu)優(yōu)化時(shí)應(yīng)基于系統(tǒng)論觀點(diǎn)，兼顧整體和局部、協(xié)調(diào)人地矛盾，保證人與自然和諧發(fā)展。

生態(tài)效益目標(biāo)函數(shù)的確定能提高研究區(qū)的生態(tài)價(jià)值，增強(qiáng)生態(tài)服務(wù)功能，維持生態(tài)系統(tǒng)的穩(wěn)定性。當(dāng)前生態(tài)效益主要采用價(jià)值量估算，并用貨幣值量化。本研究采用謝高地等[27]的中國生態(tài)系統(tǒng)服務(wù)價(jià)值當(dāng)量因子表來估算生態(tài)效益，采用黑河中游張掖地區(qū)的糧食單位面積產(chǎn)量與全國糧食單位面積產(chǎn)量的比值作為修訂系數(shù)。參考《中國統(tǒng)計(jì)年鑒》和《張掖年鑒》[28-29]，2015年全國糧食單位面積的產(chǎn)量為5 482.900 kg/hm2，全國糧食平均價(jià)格為2.370元/kg，張掖市同年的糧食單產(chǎn)為7 198.260 kg/hm2，計(jì)算得到修訂系數(shù)為1.313。單位面積耕地生態(tài)系統(tǒng)服務(wù)價(jià)值當(dāng)量因子的經(jīng)濟(jì)價(jià)值為本年度全國糧食單產(chǎn)價(jià)值的1/7，其計(jì)算結(jié)果為1 856元/hm2。校正后耕地、林地、草地、水域和未利用地的生態(tài)效益分別為16 840、53 250、17 650、112 040、1 020元/hm2，建設(shè)用地的生態(tài)效益較低，本研究按零值計(jì)算。

黑河中游甘臨高地區(qū)土地利用結(jié)構(gòu)優(yōu)化是為獲得最大經(jīng)濟(jì)效益，經(jīng)濟(jì)效益目標(biāo)的實(shí)現(xiàn)有利于提升工農(nóng)業(yè)發(fā)展水平。本文采用每種地類單位面積的國內(nèi)生產(chǎn)總值作為經(jīng)濟(jì)效益目標(biāo)函數(shù)的系數(shù)。參考2015年相關(guān)統(tǒng)計(jì)年鑒的經(jīng)濟(jì)指標(biāo)數(shù)據(jù)[28-31]，耕地、林地、草地、水域和建設(shè)用地的經(jīng)濟(jì)效益核算結(jié)果分別為30 400、400、1 700、200、379 000元/hm2。

社會效益主要包括糧食安全保障和農(nóng)民生存保障，參考前人的研究，耕地、林地、草地、水域、建設(shè)用地和未利用地的社會價(jià)值分別設(shè)置為23 360、2 520、2 340、5 160、99 040、10元/hm2[32]。

(2) 約束條件

約束條件包括3部分：土地總量約束、社會經(jīng)濟(jì)約束和生態(tài)環(huán)境約束。研究區(qū)各種土地利用類型的約束條件主要參考2015年實(shí)際土地類型面積比例、各土地面積變化趨勢以及普通線性回歸模型得到的2035年土地類型面積比例。社會經(jīng)濟(jì)約束包括經(jīng)濟(jì)總量約束、土地開發(fā)強(qiáng)度約束和土地利用率約束。生態(tài)環(huán)境約束包括生態(tài)承載力和生態(tài)綠當(dāng)量兩方面。

科研數(shù)據(jù)管理過程具有明顯的周期性和階段性特征，基于科研活動不同階段的數(shù)據(jù)形態(tài)和數(shù)據(jù)處理活動，形成關(guān)于科研數(shù)據(jù)管理的相關(guān)生命周期理論。重點(diǎn)介紹了ICPSR社會科學(xué)數(shù)據(jù)存檔生命周期管理模型。

生態(tài)承載力是產(chǎn)量因子、均衡因子與各土地利用類型面積的乘積，用來衡量生態(tài)系統(tǒng)服務(wù)能力的上限[33-34]。參考相關(guān)研究，耕地、林地、草地、水域和建設(shè)用地的均衡因子分別為2.210、1.340、0.490、0.360和2.210[35]，產(chǎn)量因子分別為1.310、0.910、0.390、0.980和1.660[36-37]，研究區(qū)的生態(tài)承載力應(yīng)高于2015年(表2)。

生態(tài)綠當(dāng)量主要用于衡量某一區(qū)域生態(tài)環(huán)境的優(yōu)劣。因地制宜確定本研究區(qū)的耕地、林地、草地均為擁有綠當(dāng)量的土地。生態(tài)綠當(dāng)量計(jì)算公式為

(2)

式中F——生態(tài)服務(wù)功能價(jià)值系數(shù)

i等于1為耕地，i等于2為林地，i等于3為草地。

2 結(jié)果與分析

2.1 MCCA模型適用性評價(jià)

2.1.1模型精度評價(jià)

采用OA、Kappa系數(shù)、mcFoM、RE、PA和UA等參數(shù)評估MCCA模型的預(yù)測精度。OA、Kappa系數(shù)和mcFoM的計(jì)算結(jié)果分別為0.934、0.886和0.261。所有地類的PA和UA均高于0.700，且除林地和建設(shè)用地外其他土地利用類型的PA和UA均高于0.800。RE越低，模擬過程中損失的信息量越少，說明模型模擬結(jié)果與實(shí)際結(jié)果更相符。模擬結(jié)果和實(shí)際土地利用數(shù)據(jù)之間的RE均值為0.508，表明模擬過程中信息損失較少，二者之間的相似度高。各項(xiàng)評估指標(biāo)值均較理想，這說明模型可用于預(yù)測黑河中游甘臨高地區(qū)未來的土地利用變化情況。

采用MCCA模型分別計(jì)算耕地、林地、草地、水域、建設(shè)用地和未利用地的2015年模擬結(jié)果和實(shí)際土地利用分布數(shù)據(jù)較2000年的變化情況，變化程度為-1～1，值為正表示土地利用類型的面積在擴(kuò)張，值為負(fù)則表示減少。可以發(fā)現(xiàn)所有土地利用類型的變化區(qū)域基本吻合，變化地類的位置擬合效果較好，變化的斑塊數(shù)量差異不明顯。各土地利用成分的模擬結(jié)果與真實(shí)情況的變化規(guī)律基本一致，僅有少數(shù)像元在變化程度上存在差異(圖3，圖中左圖為實(shí)際的土地利用成分的變化程度，右圖為模擬的土地利用成分的變化程度)。

圖3 2000—2015年實(shí)際和模擬的土地利用成分變化程度Fig.3 Actual and simulated land use changes during 2000—2015

為更深入探究基于混合元胞的MCCA模型的優(yōu)越性，使用PLUS模型對空間分辨率250 m的純像元土地利用結(jié)構(gòu)數(shù)據(jù)進(jìn)行模擬，模擬結(jié)果的FoM、Kappa系數(shù)、OA分別為0.117、0.853、0.916，而MCCA模型的OA、Kappa系數(shù)和mcFoM的計(jì)算結(jié)果分別為0.934、0.886和0.261。據(jù)此可以確認(rèn)MCCA模型的模擬結(jié)果與地表實(shí)際狀況吻合度更高，能夠很好地模擬復(fù)雜土地利用結(jié)構(gòu)。

2.1.3MCCA模型在研究區(qū)的最適模擬尺度

不同模型對于柵格尺度的要求存在差異。LIANG等[6]采用4種空間分辨率(250、500、750、1 250 m)的混合像元驗(yàn)證MCCA模型的模擬精度，發(fā)現(xiàn)250 m的模擬精度最高。鑒于此本文將混合像元空間分辨率縮小至250～500 m之間進(jìn)一步確定最佳的混合像元大小，結(jié)果表明在250、300、350、400、450、500 m的混合像元中，依然是250 m混合像元模擬精度最高。不同柵格尺度的模擬準(zhǔn)確度評價(jià)指標(biāo)值見圖4，6種柵格尺度模擬結(jié)果的OA均高于0.920，RE均值均低于0.550，Kappa系數(shù)均高于0.870，mcFoM均高于0.210。隨著混合像元的增大，RE均值波動上升，說明柵格尺度越大模擬過程中丟失的柵格信息越多；OA、Kappa系數(shù)和mcFoM則波動降低，說明MCCA模型的擬合準(zhǔn)確度隨著柵格尺度的增大而趨于降低。

圖4 不同柵格尺度的模擬精度Fig.4 Simulation accuracy of different raster scales

2.2 2035年不同情景預(yù)測結(jié)果

預(yù)知未來的土地利用情況對維持生態(tài)系統(tǒng)的穩(wěn)定性有重要意義，本文基于普通線性回歸模型的BAD情景中2015—2035年期間耕地、水域和建設(shè)用地逐年遞增(圖5)。說明隨著城市化進(jìn)程的加快，二三產(chǎn)業(yè)的投資明顯增多，建設(shè)用地面積迅速擴(kuò)張。尤其是人口老齡化導(dǎo)致二孩政策開放，人口數(shù)量的增加對糧食的需求量加大，耕地面積也在逐年上升。BAD情景中草地、林地和未利用地類型逐年遞減，表明生態(tài)環(huán)境在逐漸惡化。

圖5 研究區(qū)2000—2015年實(shí)際的和2015—2035年預(yù)測的土地利用類型覆蓋度Fig.5 Actual (2000—2015) and predicted (2015—2035) land use proportions in study area

BAD和SUD情景的耕地、水域和建設(shè)用地均較2015年有所增長，而草地則低于2015年。SUD情景中2035年的林地面積占比明顯高于BAD情景，草地略高于BAD情景，而耕地、建設(shè)用地和未利用地則略低于BAD情景。SUD情景占用的未利用土地較少，說明SUD情景的經(jīng)濟(jì)發(fā)展?fàn)顩r有利于保護(hù)脆弱的生態(tài)環(huán)境(表3)。

表3 不同情景下的2035年土地利用面積占比預(yù)測結(jié)果Tab.3 Land use percentage under different scenarios in 2035

MCCA模型對2035年地類結(jié)構(gòu)進(jìn)行空間可視化的結(jié)果顯示(圖6，水域變化程度較小，故未列出)，BAD情景中研究區(qū)的耕地不斷向外擴(kuò)張，侵占林地和草地；SUD情景的耕地和草地變化趨勢與BAD情景一致，但是占用林地的現(xiàn)象較少。IPCC報(bào)告指出2016—2035年全球氣溫和降水會逐年增加[38]，研究區(qū)的水域范圍的增加驗(yàn)證了這一結(jié)論。隨著城市化進(jìn)程的加快，兩種情景中城鎮(zhèn)用地和農(nóng)村用地均在原有基礎(chǔ)向外擴(kuò)張，甘州區(qū)的市區(qū)范圍擴(kuò)展尤為明顯；高臺縣和臨澤縣的城市發(fā)展依托于交通網(wǎng)絡(luò)，未來在城市周邊的交通集散地將形成較大的衛(wèi)星城。兩種情景中的建設(shè)用地和耕地在未來20年將向未利用地延伸，現(xiàn)有的沙漠和耕地交界處在未來有極大可能轉(zhuǎn)變?yōu)檗r(nóng)耕區(qū)，這可能是經(jīng)濟(jì)技術(shù)發(fā)展以及政策引導(dǎo)的結(jié)果。但是并不是所有的建設(shè)用地均會向外擴(kuò)展，MCCA模型的模擬結(jié)果可能與現(xiàn)實(shí)情況存在少數(shù)不一致之處，比如臨澤北部的工礦用地未來可能會萎縮，而模擬的結(jié)果卻顯示該區(qū)域?qū)U(kuò)張，這可能是因?yàn)镸CCA模型模擬過程中受到驅(qū)動因素時(shí)間滯后性的影響。

圖6 2015年實(shí)際土地利用結(jié)構(gòu)、2035年模擬土地結(jié)構(gòu)和2015—2035年土地利用成分變化程度Fig.6 Actual land use structure in 2015, simulated land use structure in 2035, and change of land use percentage during 2015—2035

2.3 2015年與2035年的土地資源價(jià)值核算

通過量化2035年BAD情景下的生態(tài)效益、經(jīng)濟(jì)效益、社會效益(表4)可以發(fā)現(xiàn)，2035年綜合效益達(dá)3 504 943萬元，而2015年僅為2 930 312萬元。BAD情景下耕地、水域和建設(shè)用地的3種效益均增加，且耕地及建設(shè)用地的效益增速較水域快。西部大開發(fā)戰(zhàn)略的實(shí)施帶動經(jīng)濟(jì)發(fā)展，企業(yè)投資增加，建設(shè)用地隨之?dāng)U張。國家人口政策的實(shí)施帶動了未來總?cè)藬?shù)的上漲，糧食需求量大增，農(nóng)用地面積增加。BAD情景雖然經(jīng)濟(jì)效益快速增加，但是生態(tài)效益增速較慢，社會效益增速居中。BAD情景下林地生態(tài)效益、經(jīng)濟(jì)效益和社會效益均明顯降低。

表4 研究區(qū)不同情景效益對比Tab.4 Benefit comparison of different scenario in study area 萬元

2015年研究區(qū)建設(shè)用地的經(jīng)濟(jì)效益、社會效益分別為854 144、223 213萬元，而2035年SUD情景下則分別增至1 077 746、281 647萬元。黑河中游甘臨高地區(qū)的經(jīng)濟(jì)總量持續(xù)增長，建設(shè)用地的范圍大幅擴(kuò)張。2035年耕地面積得到了優(yōu)化，耕地的各項(xiàng)效益高于2015年。但是耕地并未盲目擴(kuò)張，占用林地的現(xiàn)象較少，增加的耕地主要是未利用地和草地演變而來，這有利于保障資源的可持續(xù)利用。2035年SUD情景下草地和未利用地的效益略低于2015年，而林地與2015年持平。這說明政府在發(fā)展經(jīng)濟(jì)的同時(shí)注重保護(hù)環(huán)境。

2035年SUD情景和BAD情景中林地的生態(tài)效益分別為36 057、22 752萬元，SUD情景的生態(tài)效益較BAD情景增速更快。SUD情景較BAD情景更好地協(xié)調(diào)了生態(tài)、經(jīng)濟(jì)和社會三者之間的關(guān)系。SUD情景建設(shè)用地和耕地各效益的增速低于BAD情景，而林地的三大效益高于BAD情景，工農(nóng)業(yè)用地的適度增加有助于維持社會穩(wěn)定、保障糧食安全和保護(hù)生態(tài)環(huán)境。尤其是西北干旱區(qū)生態(tài)脆弱，環(huán)境問題突出，保護(hù)環(huán)境勢在必行。

3 討論

3.1 基于混合元胞的MCCA模型模擬精度和時(shí)間跨度分析

MCCA模型能夠自下而上生成優(yōu)化的土地利用空間格局，改進(jìn)了傳統(tǒng)的純像元CA模型，混合元胞的轉(zhuǎn)化規(guī)則是定量的，其鄰域和元胞空間的狀態(tài)具有混合、連續(xù)和多維的特點(diǎn)，與傳統(tǒng)元胞土地利用成分離散、一維和定性相反，是從定性的靜態(tài)模擬到定量的動態(tài)模擬的跨越[6]。因此，MCCA模型較基于純凈元胞的PLUS模型的模擬準(zhǔn)確度更高，本文的研究結(jié)果證實(shí)了這一點(diǎn)。而LIANG等[6]將MCCA模型與基于純凈像元的未來土地利用(Future land use simulation model，F(xiàn)LUS)模型進(jìn)行對比分析同樣得出基于混合元胞的MCCA模型模擬準(zhǔn)確度更高。

受到現(xiàn)實(shí)情況的制約，MCCA模型未統(tǒng)一兩期現(xiàn)有數(shù)據(jù)的時(shí)間跨度與現(xiàn)有數(shù)據(jù)-預(yù)測年份數(shù)據(jù)的時(shí)間跨度，PLUS、FLUS和CLUE-S等空間模擬模型也存在類似問題。這類模型通常是基于土地利用柵格數(shù)據(jù)以及驅(qū)動力柵格數(shù)據(jù)采用回歸算法(如隨機(jī)森林回歸、人工神經(jīng)網(wǎng)絡(luò)和邏輯斯蒂回歸等算法)挖掘不同地類與驅(qū)動力因素之間的關(guān)系[6,39-40]；然后基于現(xiàn)有的土地利用數(shù)據(jù)中各地類的面積，采用數(shù)量預(yù)測模型(如馬爾科夫鏈、灰色預(yù)測模型、多目標(biāo)線性優(yōu)化模型和系統(tǒng)動力學(xué)模型等)預(yù)測未來指定年份的地類面積，因此時(shí)間跨度的不統(tǒng)一在地類面積數(shù)值預(yù)測方面存在合理性[41]；最后基于基期土地利用柵格數(shù)據(jù)、地類變化可能性和未來指定年份的地類面積進(jìn)行預(yù)測，獲得未來的土地利用柵格數(shù)據(jù)。當(dāng)研究中可獲得柵格數(shù)據(jù)之間時(shí)間跨度過短時(shí)，考慮到社會發(fā)展的慣性及預(yù)測年份數(shù)據(jù)的參考作用，本研究未統(tǒng)一時(shí)間跨度。

3.2 不同情境效益分析和MOP模型優(yōu)勢

多目標(biāo)空間優(yōu)化問題較為復(fù)雜，需要同時(shí)兼顧多方面因素[42]。MOP模型采用自上而下的方式解決復(fù)雜土地系統(tǒng)問題，具備強(qiáng)大的數(shù)據(jù)處理能力，能夠在綜合考慮生態(tài)效益、經(jīng)濟(jì)效益和社會效益的基礎(chǔ)上，從多個(gè)方面優(yōu)化土地利用結(jié)構(gòu)[43]。而普通線性回歸模型僅從各地類面積的數(shù)量變化方面進(jìn)行分析，難以實(shí)現(xiàn)土地優(yōu)化配置的目的。將基于普通線性回歸的BAD情景與基于MOP算法的SUD情景進(jìn)行對比，計(jì)算不同情景下各土地利用類型的生態(tài)效益、經(jīng)濟(jì)效益和社會效益，發(fā)現(xiàn)2035年土地優(yōu)化配置的SUD情景綜合效益遠(yuǎn)高于2015年，雖然其經(jīng)濟(jì)效益和社會效益略低于BAD情景，但生態(tài)效益明顯高于2015年，這有利于緩解當(dāng)?shù)卮嗳醯纳鷳B(tài)環(huán)境。而將MOP和MCCA進(jìn)行耦合模擬2035年研究區(qū)的土地利用空間結(jié)構(gòu)，能夠充分利用數(shù)量模擬模型和空間模擬模型的優(yōu)勢，實(shí)現(xiàn)未來土地利用結(jié)構(gòu)的可視化，為相關(guān)部門進(jìn)行土地規(guī)劃和生態(tài)修復(fù)提供參考。

4 結(jié)論

(1)采用Kappa系數(shù)、OA、PA、UA、RE和mcFoM等指標(biāo)進(jìn)行精度驗(yàn)證，各項(xiàng)指標(biāo)的計(jì)算結(jié)果均說明MCCA模型的模擬準(zhǔn)確度高，且MCCA模型的模擬精度明顯優(yōu)于基于純凈元胞的PLUS模型，這驗(yàn)證了MCCA模型在黑河中游甘臨高地區(qū)具有高度適用性。為進(jìn)一步確定最佳像元尺度，選擇分辨率250、300、350、400、450、500 m的混合元胞數(shù)據(jù)進(jìn)行模擬，結(jié)果表明分辨率為250 m時(shí)模型模擬精度最高，Kappa系數(shù)、mcFoM和平均RE分別為0.886、0.261和0.508，因此采用250 m的混合像元數(shù)據(jù)預(yù)測2035年的土地利用結(jié)構(gòu)。

(2)在基于普通線性回歸模型的BAD情景中，2000—2035年期間的耕地、水域和建設(shè)用地范圍逐年增加，林地、草地和未利用地則相反，存在工農(nóng)業(yè)用地占用林草地的現(xiàn)象。SUD情景的建設(shè)用地、草地和未利用地的變化趨勢與BAD情景基本一致。但SUD情景耕地的增加速率較BAD情景偏低，其2035年林地的范圍大于BAD情景，該情景中工農(nóng)業(yè)用地占用林草地的情況較少。SUD情景的經(jīng)濟(jì)效益和社會效益略低于BAD情景，而生態(tài)效益明顯高于BAD情景。這說明基于多目標(biāo)線性規(guī)劃(MOP)模型與MCCA模型的SUD情景能夠?qū)崿F(xiàn)土地優(yōu)化配置，在發(fā)展工農(nóng)業(yè)的同時(shí)保護(hù)生態(tài)環(huán)境。