【论文+软件】Understanding the drivers of sustainable land expansion using a patch-generating simulation （PLUS） model: A case study in Wuhan, China
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
参考文献：
Liang X., Guan Q.*, Clarke KC, Liu S., Wang B., Yao Y., 2021，Understanding the drivers of sustainable land expansion using a patch-generating simulation （PLUS） model: A case study in Wuhan, China, Computers, Environment and Urban Systems, 85, 101569, DOI:10.1016/j.compenvurbsys.2020.101569 （SSCI, IF: 4.655, 地大T1, JCR Q1）
PLUS模型软件下载链接（测试数据，中英文用户手册）：
https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model
论文50天免费下载链接：
https://authors.elsevier.com/c/1c8sGjFQgoR~j
论文首页：
团队成员
梁迅，博士后，154.com皇冠，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，154.com皇冠，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：guanqf@cug.edu.cn
Keith C. 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。
刘诗诗，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，154.com皇冠，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（2013）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、决策或政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2000-2013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2013年至2035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2. PLUS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政策。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）和关注的变量（如粮食需求等）。本研究参考Wang等（2018）提出的目标优化函数、约束条件和参数预设了三个优化目标。（1）经济效益最大化；（2）生态服务价值最大化；（3）生态容量最大化。在我们的研究中，假设最优的可持续土地利用结构同时最大化这三个目标，并据此设计了一个可持续发展（SD）情景。此外，我们还定义了使土地利用的经济效益最大化的经济发展情景（ED）和使土地利用的生态效益最大化的生态保护情景（EP），以更好地比较SD情景下的土地利用模式。MOP的优化目标列于表1中。这些目标函数的约束条件如表2所示。
表1. 多目标优化的目标函数
表2. 多目标优化的约束条件
我们采用FOM指标对模拟结果进行验证,并与其他三种模型进行比较：退化的PLUS模型（I）（采用PAS）、退化的PLUS模型（II）（不采用多类型随机斑块种子机制）和FLUS模型（基于人工神经网络的CA模型）。FLUS模型已被普遍用于不同区域不同尺度（区域、大陆和全球）的模拟，可以获得比CLUE-S、ANN-CA和Logistic-CA等其他传统模型更高的模拟精度（Liu等，2017）。
图5对比了2013年真实的土地利用格局与四种模型的模拟土地利用格局。我们发现，PLUS模型的模拟结果（图5（d））与真实格局（图5（b））最为相似，并获得了最高的模拟精度（FOM=0.2642）。c2-3，d2-3，e2-3和f2-3面板显示了四个模拟模型模拟的不正确的斑块的分布。由PLUS模型模拟的不正确斑块较小，且均匀地分布在研究区域内。其他模型相比PLUS则有许多明显而大的不正确斑块。PLUS模型的模拟精度（图6（d））与退化的PLUS模型（I）（图6（e））的对比表明，LEAS在提高模拟精度方面具有很大的优势（FOM从0.1310提高到0.2642）。PLUS模型的模拟精度高于退化的PLUS模型（II）（图6（f）），说明本研究提出的多类型随机斑块种子机制有助于提高模拟结果的精度（FOM从0.2514增加到0.2642）。最后，PLUS模型与FLUS模型的FOM值对比（0.2642与0.1895）表明，PLUS模型模拟历史土地利用变化的精度优于传统模型。
我们还验证了PLUS模型与其他模型相比是否能更好地捕捉景观模式的变化。我们通过对2013年一系列模拟和真实的景观指标进行比较对景观相似度进行了量化。我们共选取15个景观指标：（1）斑块数量（NP）；（2）最大斑块指数（LPI）；（3-8）周长面积比指标，包括平均值（PARA_MN）、加权平均值（PARA_AM）、中值（PARA_MD）、极值（PARA_RA）、标准差（PARA_SD）、变异系数（PARA_CV）。（9-14）为欧氏最近邻距离指标，包括均值（ENN_MN）、加权平均值（ENN_AM）、中值（ENN_MD）、极值（ENN_RA）、标准差（ENN_SD）、变异系数（ENN_CV）；（15）同类相邻比例（PLADJ）。我们使用的景观指标如表3所示。
我们发现，在PLUS模型模拟结果在15个指标中的7个（NP、LPI、PRAR_MD、ENN_AM、ENN_RA、ENN_SD、ENN_CV）与2013年的真实格局的指标最为接近，高于其他3个模型的最接近指标数（FLUS有5个指标，退化PLUS（I）有3个指标，退化PLUS（II）有2个指标）。对于其他6个景观指标（PRAR_MN、PRAR_AM、PRAR_SD、PRAR_CV、ENN_MD），PLUS模型的模拟结果在各模型中排名第二。这些结果表明，我们所提出的PLUS模型的模拟结果的景观格局与真实的土地利用格局在总体上最为相似。
表3. PLUS模型模拟的景观指数与其他模型的景观指数进行对比
图5. PLUS模型模拟结果与其他模型的对比
然后，我们采用本研究提出的LEAS对土地利用变化的驱动因素的分析比以往的研究更加严谨，意义也更加明确。 例如，之前一个基于TAS的CA模型训练了18个随机森林模型，虽然得到了相应的转化概率；但该研究还是忽略了其他可能的转化，且模型结构仍然十分复杂（Gounaridis等，2019）。且该模型的模拟过程无法直接获得多个驱动因素对特定土地利用类型变化的贡献。与TAS不同的是，PLUS模型使用的LEAS合并了"目标"土地利用类型的所有 "来源"土地利用类型。因此，变量重要性的测度意义更加明确，可以理解为多个驱动因素在推动其他土地利用类型向指定目标土地利用类型转化过程中的贡献。图6显示的是变量重要性，它显示了各变量对三种土地利用类型增长的贡献。
图6. 各变量对三种土地利用类型增长的贡献的重要性，最重要的因素与相应的土地利用的扩张叠加图
通过LEAS，我们发现，行政中心（政府）临近性对草地的生长影响最大。为了理解这个问题，我们将草地生长情况与靠近行政中心的情况进行叠加，发现新增草地主要分布在远离政府的地区。政府周围的地区一般是人类活动最频繁的地区。这一结果表明，草地最容易生长在不受人类活动强烈影响的地区。与草地相比，落叶林受干线公路临近性的影响最大。在2003-2013年期间，虽然在干线公路密度相对较高的大都市地区几乎没有新的落叶林斑块，但新的落叶林仍然最有可能生长在郊区干线公路附近的区域。这表明，落叶林的生长可能受到了人类的管理。政策制定者倾向于在穿过郊区的干线公路上种植新的落叶林。此外，我们还发现，城市增长受三级公路的影响最大。城市新增长点的分布也与三级公路的格局有很高的一致性。
随后，根据优化目标和约束条件，我们利用Lingo 12.0软件对多目标优化问题进行求解。表4为不同情景下2035年土地利用需求预测值。此外，我们通过马尔科夫链得出基准情景（BS），该情景代表了武汉市土地利用变化的历史趋势。我们发现，在ED和SD情景下，耕地的减少量是相同的，但SD情景下水体、常绿林和落叶林的面积更大。这种情况表明，城市扩张如果尽量避免对林地和水域的侵占，可以更好地促进区域更可持续发展。在这些情景中，EP情景的林地、草地、水域面积和耕地最多，而城市用地最少。值得注意的是，BS情景将失去最多的耕地和草地，这表明在当前土地利用变化的趋势下，应更加注意保护耕地和草地。
表4. 各情景下的土地利用需求
在未来土地利用需求的驱动下，我们应用PLUS模型模拟四种不同情景下的土地利用变化。2035年模拟结果的变化如图7所示。与2013年实际土地利用情况相比，BS和ED情景下土地利用变化的主要特点是城市快速扩张，耕地减少，但ED情景下新增城市斑块更加紧凑。EP情景下的土地扩张图的特点是出现了许多大面积的落叶林和草地斑块。在可持续发展情景下，城市的增长和落叶林的扩张介于ED和EP情景下的格局之间。
图7. PLUS模型在不同情景下生成的2013-2035年土地扩张图
在武汉汤逊湖周围的一个子区域（图8），BS情景下的城市增长将侵占很大一部分耕地，但最大的落叶林斑块仍然能得到很好的保护。落叶林廊道将变得更明显、更连续，这与ED情景下的情况不同。虽然ED情景下的城市发展更为紧凑，但却保留了更多的耕地，可以以侵占更多的落叶林为代价，创造更多的经济效益。在经济发展情景下，落叶林地斑块将大大缩小，落叶林走廊几乎消失。与ED情景相比，EP情景下未来林地的数量最多，其落叶林斑块是保存的最完好的。在EP情景下，落叶林走廊的增长最为明显。在可持续发展情景（SD）下，城市的发展将受到控制以减少对落叶林的影响。落叶林的分布格局几乎与2013年相同。预计在最大的落叶林地块的中心将出现一片新的常绿林地块。
图8. 不同情景下2035年模拟土地利用模式的局部细节和2013年至2035年的土地扩张图
通过使用MOP，政策制定者可以获得不同政策和情景下的优化土地利用模式。例如，在ED情景下，我们可以计算出有利于经济发展的最佳土地利用结构。该情景下的总经济效益预计将达到2.764×1012元人民币。同样，在EP方案下，我们也得到了一个既能平衡生态服务价值又能平衡生态容量的土地利用结构，其数值分别为6.3657×1010 元和2.6115×1010，但预测经济效益将下降到2.088×1012 元。这两个方案被Wang等人采用 （2018）。然而，以往的研究没有设定一个情景来寻找经济效益和生态效益的平衡点。本研究设计的SD方案旨在同时实现上述三个目标的最大化。在可持续发展目标下，三个目标的效益值分别为2.4205×1012元（经济效益）、5.9165×1010元（生态服务价值）和2.4956×1010（生态容量）。可见我们的方法得到了有助于提高区域可持续发展的土地利用结构，这对于协助决策者确定未来的管理目标和合理的土地政策也具有重要意义。
HPSCIL实验室已经发布了PLUS模型的软件，包括完整用户手册和测试数据，供全球研究者免费下载。支持算法并行和模拟过程可视化。下载链接为：https://github.com/HPSCIL/Patch-generating_Land_Use_Simulation_Model 或 http://www.urbancomp.net/2020/07/25/plus/
梁迅博士负责PLUS模型的算法和软件的开发，欢迎使用并与我们交流，软件使用问题请联系： liangxun@cug.edu.cn
PLUS模型的并行技术由HPSCIL实验室提供，如需合作研究，请联系关庆锋教授（guanqf@cug.edu.cn）
图9 PLUS模型软件界面。
Sohl, T. L., & Claggett, P. R. (2013). Clarity versus complexity: Land-use modeling as a practical tool for decision-makers. Journal of Environmental Management, 129, 235-243. doi: 10.1016/j.jenvman.2013.07.027
Wang, Y., Li, X., Zhang, Q., Li, J., & Zhou, X. (2018). Projections of future land use changes: Multiple scenarios-based impacts analysis on ecosystem services for Wuhan city, China. Ecological Indicators, 94, 430-445. doi: 10.1016/j.ecolind.2018.06.047
Gounaridis, D., Chorianopoulos, I., Symeonakis, E., & Koukoulas, S. (2019). A Random Forest-Cellular Automata modelling approach to explore future land use/cover change in Attica (Greece), under different socio-economic realities and scales. Science of The Total Environment, 646, 320-335. doi: 10.1016/j.scitotenv.2018.07.302
