使用一种新的“斑块生成土地利用模拟模型”（PLUS）来挖掘和理解可持续土地利用扩张的驱动因素
Understandingthedriversofsustainablelandexpansionusingapatch-generatingsimulation（PLUS）model:AcasestudyinWuhan,China
团队成员
梁迅，博士后，中国地质大学（武汉）地理与信息工程学院，主要从事地理时空过程模拟、城市计算等方面的研究。
关庆锋（通讯作者），博士，中国地质大学（武汉）地理与信息工程学院，教授，博士生导师。主要从事高性能空间计算、空间计算智能、时空大数据挖掘与模拟等方面的研究。
联系邮箱：guanqfcug.edu.cnKeithC.Clarke,博士，加州大学圣芭芭拉分校，教授，博士生导师。主要从事地图制图与地理模拟等方面的研究。
*，博士，华中农业大学资源与环境学院，副教授，研究方向为利用遥感监测、评估环境胁迫对植被的影响。
王冰玉，博士生，东京大学新领域创成大学院自然环境学专攻，研究方向为多智能体模拟、土地利用模拟及生态环境影响评估。
姚尧，博士，中国地质大学（武汉）地理与信息工程学院，副教授，硕士生导师。主要从事时空大数据挖掘、多源时空数据融合、城市计算等方面的研究。
成果介绍
自从Tobler首次将元胞自动机（CA）应用于地理模拟以来，CA已经被广泛地应用于自然和社会经济因素影响下的土地利用时空动态建模，并模拟它们在不同尺度上的相互作用。然而许多现有的CA模型在1）揭示土地利用变化的潜在驱动力方面；以及2）模拟多种土地利用的斑块演化方面表现较弱，特别是对于自然土地利用类型的斑块演化。
1、导致这种情况的第一点原因在于：CA模型最常用的两种转化规则挖掘策略：转化分析策略（TAS）和格局分析策略（PAS）都有其固有的劣势。例如，TAS必须提取在两期土地利用数据之间的所有土地利用的相互转化。这类CA模型包括logistic-CA、ANN-CA和基于优化的CA等。然而，当模拟多种土地利用类型的转化时，基于TAS的CA变得非常复杂。例如，如果一个区域有K种土地利用类型，那么总共有K2-K种相互转化（图1（a）），这意味着理论上转化类型的数量随着土地利用类型的增加而指数增加。分析所有转化类型会增加CA模型结构的计算复杂度，降低模型的灵活性和普适性。
为了解决这个问题，研究者们开发了另一种基于土地利用格局的分析策略（PAS）。基于PAS的CA模型只用一期土地利用数据计算每个单元中土地利用类型出现的概率。并通过土地利用类型之间的竞争来确定未来的元胞的状态，这就避免了在挖掘转化规则的过程中，转化类型组合会随着土地利用类型数量的增加而指数增加的情况（图1（b））。基于PAS设计的模型包括：CA_Markov模型，CLUE-s模型、Fore-SCE模型和FLUS模型等。然而，基于PAS的CA模型本身就缺乏揭示驱动因素如何引起土地利用变化的能力，因为模型不是基于历史“变化”分析而构建的。因此，基于PAS的CA模型无法获得特定时间间隔的土地利用变化规则。
图1（a）为转化分析策略（TAS）所产生的转化类型矩阵；（b）显示了基于格局分析策略（PAS）的模拟模型中的土地竞争
2、导致这种情况的第二点原因在于：现有模型模拟土地利用斑块演化的能力不足。模拟土地利用斑块的演化可用于预测区域生态环境变化，并提前评估、设计和规划生态管理行为。在过去几年中，研究者们开发了一系列CA模型或机制来模拟土地利用的斑块斑变化。如基于矢量的CA模型等。然而，基于矢量的CA不能用于模拟自然土地利用类型（如森林和草地）的动态变化。因为自然土地利用类型不像城市土地利用类型那样有规律，它们的地块可能非常破碎。因此，几乎所有基于矢量的CA模型都应用于城市土地利用类型（如住宅用地和工业用地）。而且，基于矢量的土地利用数据比基于栅格的土地利用数据更难获得，这也制约了矢量的CA进一步应用，尤其是在大尺度区域。
虽然以往的一些研究强调了使用基于栅格的CA模型模拟斑块动态变化的重要性，例如SLEUTH模型和Patch-Logistic-CA模型等。然而，这些模型仅能模拟城市的斑块变化，还不能用于对多种土地利用类型的斑块进行时空动态模拟。Sohl和Sayler等（）为了改进这个问题，提出了Fore-SCE模型。但是，Fore-SCE模型难以处理存在非常多小斑块的情况，且该模型不是时空动态的模型（该模型必须对不同土地利用类型、不同斑块的演化分开模拟），因而缺乏时空动态性，没有模拟多类别和多类型斑块同步演化的能力。
总的来说，已有CA模型在转化规则挖掘策略和景观动态变化模拟策略两个方面都存在一定的不足，因而导致这两方面在近几年的研究中没有获得足够的进展。无法在模拟过程中分析特定时间段内的土地利用变化的机理，也无法在精细尺度下模拟多种自然土地利用类型的斑块生长。这使得CA模型在实际规划、决策或*策制定中的应用受到较大的限制。
为了解决这些问题，本研究提出一种基于栅格的斑块生成土地利用模拟（PLUS）模型。该模型包括一个新的数据挖掘框架，用于识别土地利用变化的规则，它结合了TAS和PAS的优势并克服了其缺点。另外，我们还提出了一种基于多类斑块生成策略的CA模型，以提高模型对真实景观格局的模拟和仿真能力。本文结合多目标优化算法和PLUS模型，模拟并探讨了-年武汉市土地利用变化的潜在原因。进而利用该模型模拟了武汉市年至年的可持续土地利用情景，为武汉市的城市规划和可持续发展提供了新的工具和新的建议。
PLUS模型包括两个模块：（1）基于土地扩张分析策略的转化规则挖掘框架（LEAS）；和（2）基于多类型随机斑块种子机制的CA模型（CARS）。最后，我们利用多目标优化（MOP）来确定不同情景下的最优土地利用结构。本研究框架结构如图2所示。
图2PLUS模型框架结构示意图
本研究构建的PLUS模型一共分为三个部分：
（1）基于土地扩张分析策略的转化规则挖掘框架（LEAS）
本研究提出的LEAS需要两期的土地利用数据。首先将两期的土地利用数据进行叠加，提取两期数据之间变化的部份，即从第二期土地利用数据中提取状态发生变化的栅格。然后随机选取采样点，并根据其土地利用类型分别进行训练（图3）。例如，当我们对某一土地利用类型的扩张与驱动因素之间的关系进行挖掘时，我们将该类型扩张的样本的标签设置为"1"，其他样本的标签设置为"0"。接下来，使用随机森林算法，对每一类用地的数据进行训练，获得不同土地利用类型扩张规律的转化规则。
通过使用LEAS策略，我们可以获得各变化土地利用的生长斑块，而忽略其来源，这样就避免了对所有转化类型的分析，从而有效简化了土地利用变化的解析过程。从LEAS中得到的转化规则具有时间属性，因而具备描述特定时间间隔内土地利用变化特征的能力。
图3基于随机森林的LEAS框架示意图
（2）基于多类型随机斑块种子机制的CA模型（CARS）
为了模拟多种土地利用类型的斑块演化，本研究采用了基于阈值下降的多类型随机斑块种子机制（图4）。该机制通过使用蒙特卡洛方法，当某类土地利用的邻域效应等于0时，在各土地利用类型的发展概率面（LEAS的输出）上生成变化"种子"。
种子可以生成新的土地利用类型，并成长为由一组具有相同土地利用类型的单元格形成的新斑块。为了同时控制多个土地利用斑块的生成，我们还提出了生成斑块种子的阈值递减规则，以达到随着迭代过程逐步制约各种土地利用类型的斑块生长的目的。通过使用该递减阈值，总概率较高的元胞最有可能优先发生变化。采用多类型随机斑块种子和阈值递减规则的CA模型是时空动态的（具有时间一致性），它允许新的土地利用斑块在发展概率的约束下自发生长。
图4基于多类型随机斑块种子机制的CA模型（CARS）框架图
（3）用多目标优化方法生成可持续的土地利用情景
多目标优化（MOP）是一种开放灵活的方法，可以纳入各种生态和宏观经济*策。通过适当定义的目标优化函数和约束条件，可以考虑到规划者的期望（如土地利用多样性）和