删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于Tietenberg模型的土地利用变化多情景模拟预测——以武汉市蔡甸区为例

本站小编 Free考研考试/2021-12-29

李斌, 刘越岩, 张斌, 黄锦丞, 郭晓宇
中国地质大学（武汉）公共管理学院,武汉430074

Multi-scenario land use change simulation in Caidian using CLUE-S based on Tietenberg Modeling

LIBin, LIUYueyan, ZHANGBin, HUANGJincheng, GUOXiaoyu
School of Public Management,China University of Geosciences （Wuhan）,Wuhan 430074,China
通讯作者:刘越岩,E-mail:yueyanliu@cug.edu.cn
收稿日期:2016-12-23
修回日期:2017-05-5
网络出版日期:2017-09-20
版权声明:2017《资源科学》编辑部《资源科学》编辑部
基金资助:

国家自然科学基金资助项目（41601480）

中央高校基本科研业务专项资金资助项目（G1323541720）

作者简介:
-->作者简介：李斌,男,湖北十堰人,硕士生,主要研究方向为土地调查评价与3S技术。E-mail:lb4396@163.com

展开

摘要
开展区域土地利用变化的多情景模拟对比研究,是厘清不同土地利用变化情景特点的重要基础,可为土地利用规划与政策制定提供多决策支持。本文在分析各地类转移情况的基础上,遵从自然增长、效益最大的原则,结合CLUE-S模型和Markov、Tietenberg模型对武汉市蔡甸区未来土地利用变化进行不同情景的模拟预测,并分析了各情景下土地利用变化的时空特征及土地收益。结果表明：①各情景下城镇村及工矿用地的来源结构差异明显。自然增长情景（情景Ⅰ）中城镇村及工矿用地增加的主要来源是耕地和水域用地,收益最大情景（情景Ⅱ）中城镇村及工矿用地增加的主要来源是耕地;②从景观结构和稳定性来看,两种情景下耕地和城镇村及工矿用地景观结构变化显著,耕地在两种情景下均呈现“稳定-不稳定-稳定”的变化规律,情景Ⅱ下城镇村及工矿用地景观稳定性更高,且新生成的城镇村及工矿用地斑块具有面积小、数量多的特点;③各情景下城镇用地扩张方式不尽相同,情景Ⅱ中城镇用地的扩张具有扩张速度更缓和、布局更均匀的特点,情景Ⅰ中城镇用地是围绕中心城区的摊大饼外延扩张方式;④从土地收益来看,在相同用地量下情景Ⅱ中土地获取的收益高于情景Ⅰ。

关键词：土地利用变化;情景模拟预测;Tietenberg模型;CLUE-S模型;景观格局;武汉市
Abstract
A comparative study of multi-scenario simulation about land use change is an important basis for clarifying the characteristics of different land-use change scenarios , and it can provide multi-decision support for land use planning and policy formulation. Based on the analysis of the transfer of various land types, this paper follows the principle of natural growth and maximum benefit, simulates the future land use change in different situation by combining the CLUE-S model with Markov model and Tietenberg model, then analyzes the spatial-temporal characteristics and land benefits of land use change in different situations. The results show as follows. Under different scenarios,the structure of urban and residential land and mining land sources is obviously different. In scenario Ⅰ,the increase of urban and residential land and mining land mainly comes from cultivated land and water area from 2010 to 2019. In scenario Ⅱ,the increase of urban and residential land and mining land is mainly from cultivated land. From the view of landscape structure and stability,the cultivated land, urban and residential land and mining lands changed significantly under the two scenarios. The cultivated land presented a change principle of "stability to instability and then to stability" under two scenarios. The landscape stability of urban and residential land and mining lands was higher. The newly generated urban and residential land and mining land's plots have the small area, large quantity characteristics. In different scenarios,the expansion of the urban and residential land and mining land is different. In Scenario Ⅰ,urban and residential and mining lands have been expanding rapidly which is mainly around the core urban area and the surrounding areas. In scenario Ⅱ,urban and residential and mining lands have the characteristics of more rapid expansion and more uniform layout. It encourages the rational urban land to expand in an orderly way. From the perspective of land benefits, the land acquisition income in scenario Ⅱ is higher than that in scenario Ⅰunder the same amount use of land.

Keywords：land use change;scenario simulation and prediction;Tietenberg model;CLUE- S model;landscape pattern;Wuhan City

-->0
PDF (0KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
李斌, 刘越岩, 张斌, 黄锦丞, 郭晓宇. 基于Tietenberg模型的土地利用变化多情景模拟预测——以武汉市蔡甸区为例[J]. , 2017, 39(9): 1739-1752 https://doi.org/10.18402/resci.2017.09.12
LI Bin, LIU Yueyan, ZHANG Bin, HUANG Jincheng, GUO Xiaoyu. Multi-scenario land use change simulation in Caidian using CLUE-S based on Tietenberg Modeling[J]. 资源科学, 2017, 39(9): 1739-1752 https://doi.org/10.18402/resci.2017.09.12

1 引言

土地利用变化研究是土地利用/覆盖变化（Land Use and Land Cover Change）研究的重点课题,而土地利用变化的多情景模拟能直观展示不同情景下土地时空变化趋势,可为制定科学、有效的土地利用管理策略提供支持和借鉴,是当前土地利用变化研究的热点^[1,2]。国内外有关****主要从自然发展^[3,4]、生态保护^[5,6]、城市规划^[7]、耕地保护^[8]、土地收益最大^[9]等情景模拟了土地利用变化,其中土地收益最大情景通过合理分配土地资源来实现土地的最大收益,提高土地利用效率,对土地资源的可持续利用具有重要意义。
经济学中不可再生资源的动态时间分配模型Tietenberg模型作为土地收益最大模拟情景中重要的资源分配模型而备受关注^[10]。Yeh等首次将Tietenberg模型引入土地利用变化中并与CA（Cellular Automata）模型进行联合^[11],将用地类型分为城市用地和非城市用地,以城市用地收益最大为目标,在时间序列上优化了城市用地资源配给,模拟了理想化的城市扩张格局。何春阳等基于Tietenberg模型构建了城市扩张模型（City Expanding Model in Metro-politan Area;CEM）^[12],依据北京地区城市发展趋势估算了未来17年的城市用地总量,模拟预测了北京地区最优城市发展格局。而刘小平等在估算广州市海珠区未来城市用地总量的基础上,结合多智能体模型和Tietenberg模型模拟了可持续发展情景下广州市海珠区的城市扩张变化^[9]。从研究方法上看,Tietenberg模型由于没有空间模块,无法对预测的地类数量变化信息实现空间可视化,因此要与土地利用变化模拟模型如CA模型、多智能体模型等进行耦合来实现土地收益最大情景的模拟。虽然CA模型和多智能体模型在模拟复杂空间系统时有较多优势^[13-15],但CA模型对土地利用变化的过程、成因缺乏解释^[16],多智能体模型对土地利用变化中行为人之间的相互作用处理较为简单^[17],均难以综合自然和社会因素预测分析未来土地利用变化。值得注意的是,CLUE-S模型是经典的经验统计模型可对土地利用与驱动因子的相互关系进行定量分析,能够很好地综合模拟不同情景下多种土地利用类型的时空变化^[18]。因此,集成CLUE-S模型与Tietenberg模型模拟研究土地利用变化具有一定的实用性、合理性。从研究内容上看,目前已有的土地收益最大情景模拟研究仍存在一些不足,由当前城市发展趋势估算得到的未来城市用地总量与土地利用总体规划中城市用地指标出入较大,研究结果对现阶段城市可持续发展的实际指导意义不强。同时,****们更重视城市用地获取最大收益的研究,但不同土地利用类型的贴现率和需求量差异较大,研究成果对多种用地类型如何获取最大收益的指导意义也不强。因此,需要加强以土地利用总体规划为指导的耕地、城市用地等多种用地类型同时获取最大收益的模拟研究,对于优化耕地、城市用地时空配置,进而制定土地利用政策以及探讨土地利用的可持续性无疑具有重要的理论和实践意义。
鉴于此,本文以武汉市蔡甸区为研究区,耦合CLUE-S模型与Markov模型、Tietenberg模型,对研究区2013年、2016年和2019年在自然增长情景（情景Ⅰ）和以土地利用总体规划为指导的收益最大情景（情景Ⅱ）的土地利用格局进行模拟预测,以期为厘清不同模型特点及区域土地利用可持续发展提供重要参考。

2 研究区概况与数据来源

2.1 研究区概况

蔡甸区位于武汉市西郊,地处汉江与长江汇流的三角地带（图1）。全区总面积109 316km²,下辖13个街乡镇,其中军山街并入武汉经济开发区。蔡甸区社会经济发展速度由东向西依次递减,存在明显的梯度效应。截至2010年,全区耕地面积45 296.75hm²,城镇村及工矿用地面积16 454.5hm²,水域用地面积32 402.26hm²,耕地、水域用地和城镇村及工矿用地占全区总面积的86.13%。2010年常住人口59.34万,固定资产投资总额229.22亿元,地方财政收入190.34亿元。近年来,随着蔡甸区经济迅猛发展,城市化水平不断提高,大量的耕地被建设用地侵占,土地利用变化日益剧烈。

显示原图|下载原图ZIP|生成PPT
图1蔡甸区区域概况
-->Figure 1The overview of Caidian in Wuhan
-->

2.2 数据来源与处理

由于本文所研究的土地利用变化时期与《武汉市蔡甸区土地利用总体规划（2010-2020）》^[19]的规划期有关,因此选择的模拟基期为2010年,用于模拟的各类基础数据须以2010年为基准。
本文所使用的数据包括：蔡甸区2007年、2010年和2013年三期土地利用现状图,来源于蔡甸区土地利用变更调查数据;空间分辨率为30m的DEM数据和坡度数据,来源于美国地质调查局（https：//www.usgs.gov/）^[20];1993-2016年蔡甸区社会经济数据,来源于《湖北年鉴》^[21]、《武汉年鉴》^[22]、《蔡甸年鉴》^[23]等。
依据依据《土地利用现状分类》（GB/T21010-2007）^[24],结合研究区土地利用现状及其特点,将用地类型分成8种类型,即：耕地、园地、林地、草地、交通用地、水域用地、城镇村及工矿用地和其他用地。
在GIS软件的支持下,从各期土地利用现状图上分别获取相应的城市中心、主要水系、主要道路、次级道路、农村居民点等信息,利用ArcGIS10.0的空间分析模块分别生成城市中心、主要水系、主要道路、次级道路、农村居民点的距离分析图层。

3 研究方法

3.1 土地利用变化模拟模型

3.1.1 Tietenberg模型
Tietenberg认为,对于已经确定总量的不可再生资源,在加入贴现率的情况下通过分配资源在不同时段内的使用量可获取最大的收益（图2）。

显示原图|下载原图ZIP|生成PPT
图2不可再生资源最大净收益
-->Figure 2Marginal benefit and cost for non-recyclable resource
-->

对于不可再生的土地资源,在n年内有效分配其总量须满足最大值条件（1）,将人口增长因素加入到模型中,利用人口增长量来分配未来土地资源使用量,可建立方程（2）和方程（3）。

\begin{matrix} \max_{q_{t}} \overset{n}{\sum_{t = 1}} (a q_{t} - b q_{t}^{2} / 2 - c q_{t}) / {(1 + r)}^{(t - 1)} + λ (Q - \overset{n}{\sum_{t = 1}} q_{t}) \end{matrix}

（1）

\begin{matrix} (a - b q_{t} / P_{t} - c) / {(1 + r)}^{(t - 1)} - λ = 0 \\ t = 1,2, 3,4, 5, ?, n \end{matrix}

（2）

\begin{matrix} Q - \overset{n}{\sum_{t = 1}} q_{t} = 0 \end{matrix}

（3）
式中

\begin{matrix} Q \end{matrix}

为土地资源的总量;a为边际收益曲线的截距,是边际效益曲线的最大理论值;b为边际收益曲线的斜率;c为边际成本;r为土地还原利率;t为时间;

\begin{matrix} q_{t} \end{matrix}

为t时期内土地的使用量;

\begin{matrix} P_{t} \end{matrix}

为t时期内增加的人口数;λ为极值公式中的常数。
Tietenberg认为边际效益最大理论值a是一个相对值,边际成本c是常数。在现实中随着资源的不断使用,边际成本会不断增加,但边际成本往往比边际效益最大理论值小,可选c=a/2。假设土地资源的需求呈线性,并且在各时期保持稳定,根据边际效益递减规律,可得t时期内土地资源的逆需求曲线：

\begin{matrix} P_{t} = a - b q_{t} \end{matrix}

（4）
t时期内使用土地资源

\begin{matrix} q_{t} \end{matrix}

的总收益为：

\begin{matrix} TB = \int (a - b q_{t}) d q_{t} = a q_{t} - b q_{t}^{2} / 2 \end{matrix}

（5）
t时期内使用土地资源

\begin{matrix} q_{t} \end{matrix}

的总成本为：

\begin{matrix} TC = c q_{t} \end{matrix}

（6）
那么,纯收益为总收益减去总成本：

\begin{matrix} TB = a q_{t} - b q_{t}^{2} / 2 - c q_{t} \end{matrix}

（7）
根据公式（7）可知,当人均土地使用量

\begin{matrix} q_{t} / P_{t} = \end{matrix} \begin{matrix} (a - c) / b \end{matrix}

时,净收益为最大值。根据已有研究,并结合研究区实际,本研究区内人均使用土地量的最优值为150m²,那么

\begin{matrix} b \end{matrix}

的最优值

\begin{matrix} b = (a - c) \end{matrix}

/150,假设

\begin{matrix} a = \end{matrix}

300,

\begin{matrix} c = \end{matrix}

150,可得b=1。
3.1.2 Markov模型
Markov模型是基于Markov链,通过分析事件目前状况预测其未来各个时刻变动状况的预测方法^[25]。在土地利用变化中,可将土地利用变化过程视为马尔科夫过程,将某一时刻的土地类别对应于Markov过程中的可能状态,土地利用类型之间的状态转移概率用于预测土地利用数量变化。
3.1.3 CLUE-S模型
CLUE-S模型是在定量分析土地利用变化与自然地理、社会经济及政策等驱动因子之间关系的基础上,通过探索土地利用变化的规律以实现对未来土地利用变化模拟预测的方法^[26]。该模型分为非空间土地需求模块和土地利用变化空间分配模块两部分,非空间土地需求模块是输入不同情景条件下的土地需求量,空间分配模块是依据土地利用转换规则将土地需求结果分配到研究区的空间位置上,空间可视化数量变化信息,从而实现对土地利用时空变化的模拟。
（1）空间分析。Logistic回归是土地利用变化研究中常用的一种方法^[27]。CLUE-S模型中,根据
土地利用现状数据和备选驱动因子数据,运用Logistic回归模型对每一栅格可能出现某一土地利用类型的概率进行诊断。可用下式表示：

\begin{matrix} \log (\frac{p_{i}}{1 - p_{i}}) = β_{0} + β_{1} X_{1, i} + β_{2} X_{2, i} + β_{3} X_{3, i} \\ + ? + β_{n} X_{n, i} \end{matrix}

（8）
式中

\begin{matrix} p_{i} \end{matrix}

为每个栅格可能出现某一土地利用类型

\begin{matrix} i \end{matrix}

的概率;

\begin{matrix} X_{n, i} \end{matrix}

为各备选驱动因子在该位置上的值;

\begin{matrix} β \end{matrix}

值为回归方程的解释变量系数。
Logistic回归结果采用PontiusR.G提出的ROC（Relative Operating Characteristic）方法进行评价^[28]。通常,当ROC值大于0.75时,认为所选取的驱动因子具有较好的解释能力。
（2）空间尺度。同一研究区内高的空间分辨率比低的空间分辨率必然包含更多的熵,体现更多的细节信息。考虑到CLUE-S模型的行列限制,选择用于模拟过程的栅格大小从30m×30m开始,并以10m为步长逐步降低空间分辨率,保证选择高的空间分辨率以反映更多的空间信息。结果显示,CLUE-S模型在蔡甸区可运行的最高分辨率为50m。因此,本研究模拟的空间尺度为50m。
（3）土地利用需求预测。非空间土地需求模块主要借助Markov模型和Tietenberg模型预测蔡甸区2013年、2016年、2019年在自然增长情景和土地收益最大情景中各地类土地利用需求量。
（4）限制区域。在CLUE-S模型中,限制区域对土地利用变化起到了一定的约束作用。结合研究区实际情况和数据获取难度等问题,本研究将坡度为25°以上的区域作为禁耕区。

3.2 景观格局对比分析

本文以景观结构和稳定性变化为切入点对不同情景下耕地、城镇村及工矿用地的演化规律进行对比分析,采用景观类型总面积（CA）、斑块数量（NP）、边缘密度（ED）、分离度（Division）、平均斑块分维数（MPFD）等指标定量分析各景观类型的景观结构变化特征,采用结构稳定性指数（SI）、基质比例稳定性指数（SM）^[29]等指标计算各景观类型的景观稳定性。
其中,斑块数量越多,说明斑块破碎化程度越严重;边缘密度反映了斑块形状的复杂程度,边缘密度值越小说明斑块形状越单一;分离度反映了类型分散程度大小,分离度越大,说明类型集聚程度降低,分散程度加大;平均斑块分维数用于测定斑块周边形状的复杂程度,数值越小说明斑块边界形状越单一。
结构稳定性指数（SI）表现镶嵌结构的复杂性,计算方法为：

\begin{matrix} SI = | 1.5 - D | \end{matrix}

（9）
式中D为分维数;SI值越高说明结构越稳定。
基质比例稳定性指数（SM）表现景观基质的稳定性,计算方法为：

\begin{matrix} SM = 1 - (50 % - m) \end{matrix}

（10）
式中m为基质的比例;SM值越高说明基质稳定性越高。

3.3 情景设计

本文以蔡甸区土地利用现状数据为基础,基于自然增长、收益最大的角度,结合Markov模型和Tietenberg模型构建了两种土地利用变化情景,并预测其2013年、2016年、2019年的土地数量变化。
（1）自然增长情景（情景Ⅰ）：根据蔡甸区2007-2010年的土地利用转移概率矩阵和2010年各土地利用类型所占的面积比,以3年为步长,利用Markov模型遵照当前土地利用和社会经济发展状态预测蔡甸区2013年、2016年、2019年土地利用类型的面积,不额外设定条件。
（2）收益最大情景（情景Ⅱ）：该情景强调通过合理分配不同时段的土地使用量来提高土地利用效率,从而实现土地资源的可持续利用。通过分析蔡甸区2007-2013年的土地利用结构转移矩阵可知,耕地、水域用地和城镇村及工矿用地是其主要的土地利用类型;土地利用变化方式主要是耕地转向城镇村及工矿用地,而水域用地变化较小。同时,参照《武汉市蔡甸区土地利用总体规划（2010-2020）》^[19],规划中明确限定规划期内耕地和城镇村及工矿用地的用地总量,并限制河流、湖泊等水域用地的用途转变。
综上,情景Ⅱ设定水域用地不变,并在既定耕地、城镇村及工矿用地的用地总量下,利用Tietenberg模型计算蔡甸区在2013年、2016年、2019年耕地和城镇村及工矿用地的最优分配面积,优先保证这两种用地类型能够获取最大收益,而其他土地利用类型的面积协调分配。采用1996-2015年蔡甸区人口统计资料^[22,23],依据Logistic模型,采用公式（11）、公式（12）,预测2010-2019年增加人口数量（表1）,进而分配2013年、2016年、2019年耕地和城镇村及工矿用地的使用量。

\begin{matrix} X (t) = X_{m} / (X_{0} + (X_{m} - X_{0})) \times e^{- zt} \end{matrix}

（11）

\begin{matrix} X (t) = 700266 / (1 + 0.3660 \times \exp (- 0.041 t)) \end{matrix}

（12）
式中

\begin{matrix} X (t) \end{matrix}

为

\begin{matrix} t \end{matrix}

时刻的人口数量;

\begin{matrix} X_{m} \end{matrix}

为人口增长率为0时的人口总量;

\begin{matrix} z \end{matrix}

为人口增量为0时的增长率;

\begin{matrix} X_{0} \end{matrix}

为预测开始时的人口总量;

\begin{matrix} t = \end{matrix}

0时刻代表1996年,

\begin{matrix} t = \end{matrix}

1,2,3,4,

\begin{matrix} ? \end{matrix}

\begin{matrix} n \end{matrix}

。
根据2010年蔡甸区土地利用现状二级分类面积汇总表可知,2010年蔡甸区耕地、城镇村及工矿用地的面积分别为45 296.75hm²、16 454.5hm²,而蔡甸区土地利用总体规划对2019年耕地、城镇村及工矿用地的面积分别控制到39 439hm²、21 501hm²,可得2010-2019年间耕地和城镇村及工矿用地的使用总量分别为5857.75hm²、5046.5hm²（表1）。依据黄贤金^[30]、毕宝德^[31]等相关研究及结合研究区实际情况确定了蔡甸区耕地、城镇村及工矿用地的土地还原利率分别为0.05、0.10,将增加的人口数量、耕地和城镇村及工矿用地的使用总量Q、a、b、c、r带入公式（2）-公式（3）中,得到各时段耕地和城镇村及工矿用地的最优分配数量（表1）。
Table 1
表1
表12010-2019年蔡甸区增加人口以及各时段耕地和城镇村及工矿最优分配数量
Table 1The population,cultivated land and urban and residential land and mining land amount in Caidian District from 2010 to 2019

年份	增加的人口数量/人	耕地/hm²	城镇村及工矿用地/hm²
年份	增加的人口数量/人	r=0.05	r=0.1
2010-2013	3 971	724.50	601.50
2013-2016	12 676	2 492.50	2 104.75
2016-2019	12 847	2 640.75	2 340.25
总计	29 494	5 857.75	5 046.50

新窗口打开

4 结果与分析

4.1 CLUE-S模型模拟精度的检验

本研究运用SPSS统计软件进行Logistic回归分析,主要依据CLUE-S模型的因子需求、国内外土地利用变化驱动力研究成果,并结合研究区实际情况从自然地理因素、社会经济因素二个角度选取10个回归因子（表2）,包括：高程、坡度、到城镇中心的距离、到主要水系的距离、到主要道路的距离、到次级道路的距离、到农村居民点的距离、各街乡镇地方财政收入、各街乡镇人口密度、各街乡镇固定资产投资总额。预测的基准年为2010年,因此各驱动因子的值更新至2010年。
ROC检验结果表3发现,各地类的ROC值均大于0.75,表明所选的驱动因子可以较好地解释研究区土地利用空间分布情况。
Table 2
表2
表2蔡甸区土地利用变化驱动因子
Table 2Driving factors of land use change in Caidian District

因素	因子	因子描述
自然地理因素	高程
	坡度
	到城镇中心的距离	区内中心城区及各建制镇
	到主要水系的距离	区内内陆河流及大型湖泊
	到主要道路的距离	区内国道、省道、高速公路
	到次级道路的距离	区内乡镇级公路
	到农村居民点的距离	各行政村主要居民点聚集的地方
社会经济因素	各街乡镇地方财政收入	以街乡镇为最小单元的地方财政收入
	各街乡镇人口密度	以街乡镇为最小单元的人口密度
	各街乡镇固定资产投资总额	以街乡镇为最小单元的固定资产投资总额

注：根据中国《中华人民共和国水土保持法》第三章第二十条规定,本文限定坡度25°以上的区域为禁耕区。

新窗口打开
Table 3
表3
表3各土地利用类型Logistic回归结果的ROC检验
Table 3ROC statistics of regression results of Logistic equation for different land use types

	耕地	园地	林地	草地	交通用地	水域用地	其他土地	城镇村及工矿用地
ROC	0.93	0.91	0.91	0.87	0.98	0.92	0.88	0.94

新窗口打开
将基于2010年模拟的2013年土地利用模拟图与同期土地利用现状图进行比较,Kappa系数为0.92,耕地、城镇村及工矿用地的Kappa系数分别为0.93、0.94,模型在研究区域内的栅格分配正确度较高,说明CLUE-S模型在蔡甸区的适用性较好。

4.2 蔡甸区未来情景模拟预测

基于2010年蔡甸区土地利用现状数据,结合Markov模型和Tietenberg模型预测的土地需求量,利用CLUE-S模型分别对情景Ⅰ、情景Ⅱ下蔡甸区2013年、2016年、2019年土地利用变化进行模拟,模拟预测结果见图3。

显示原图|下载原图ZIP|生成PPT
图32013-2019年不同情景下土地利用模拟
-->Figure 3Land use simulation maps of Caidian from 2013 to 2019 under different scenarios
-->

分析图3可以看出：
（1）自然增长情景Ⅰ。在情景Ⅰ条件下,到2019年蔡甸区的土地利用格局将延续现有变化趋势,耕地、水域用地、城镇村及工矿用地依然是蔡甸区未来的主要土地利用类型,这三种土地利用类型在2013年占85.92%,2016年占82.65%,2019年占81.61%;林地、交通用地、城镇村及工矿用地保持增加态势,其中城镇村及工矿用地增加最显著,增加了12.02%,耕地、水域用地、其他用地、园地等保持减少趋势,耕地、水域用地和其他用地减少较明显,分别减少了7.06%、3.11%、1.86%。这表明在情景Ⅰ条件下,未来耕地、水域用地主要流向城镇村及工矿用地,也是城镇村及工矿用地增加的主要来源。
（2）收益最大情景Ⅱ。在情景Ⅱ条件下,2010-2019年间耕地、水域用地、城镇村及工矿用地是蔡甸区未来的主要土地利用类型,在2013年占86.02%,2016年占85.66 %,2019年占85.39%;期间林地、交通用地、城镇村及工矿用地持续增加,耕地、其他用地、园地等逐渐减少,其中耕地向城镇村及工矿用地的转变最为明显,在减少的耕地中有81.1%转为城镇村及工矿用地。可见,在情景Ⅱ下,耕地转化为城镇村及工矿用地是蔡甸区未来主要的土地利用变化方式。

4.3 景观指数分析

从景观结构变化和景观稳定性两方面揭示两种情景下耕地和城镇村及工矿用地的变化规律,表4、表5（见1746页显示）,可知：
（1）景观结构特征。耕地景观结构变化特征。2010-2019年,在自然发展情景和土地收益最大情景下耕地的斑块面积等5个景观指数随时间变化呈现相同的变化特征,斑块面积、边缘密度、平均斑块分维数随时间变化呈现减少的变化特征,斑块数量、分离度随时间变化呈现增加的变化特征,说明耕地破碎化程度逐渐增加,斑块间分散度加大,斑块形状也趋向单一和规则。对比分析两种情景中耕地景观指数的具体变化情况,不难发现其景观指数变化趋势虽然一致,但因变化幅度的不同,二者的景观结构特征存在一定的差异。到2019年,情景Ⅰ下耕地面积减少了7718.5hm²,相比情景Ⅱ的耕地转移量增加了1860.75hm²,表明情景Ⅰ下耕地的斑块面积变化更显著;2010-2019年,情景Ⅱ下耕地的斑块数量、分离度指数均小于情景Ⅰ同期各指数值,边缘密度、平均斑块分维数大于情景Ⅰ同期各值,表明情景Ⅱ耕地受人类干扰程度小,具有破碎化程度更小,斑块集聚度更高,形状更复杂和不规则的特点。
Table 4
表4
表42010-2019年蔡甸区耕地、城镇村及工矿用地在情景Ⅰ下的景观指数
Table 4The landscape index of cultivated land and urban and residential land and mining land in Caidian from 2010 to 2019 under scenarioⅠ

	CA/hm²		NP/个		ED/（m/hm²）
年份	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地
2010	45 296.75	16 454.5	1 002	2 240	51.52	26.166 1
2013	43 474.75	18 606.25	1 166	2 168	49.76	26.282 9
2016	37 621.00	29 644.00	1 310	1 609	42.14	28.493 6
2019	37 578.25	29 647.75	1 338	1 604	42.08	28.518 5
	DIVISION		MPFD		SI
年份	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地
2010	0.953 8	0.998 5	1.516 2	1.380 1	0.016 2	0.119 9
2013	0.969 9	0.996 7	1.513 7	1.369 6	0.013 7	0.130 4
2016	0.985 2	0.985 2	1.450 2	1.406 8	0.049 8	0.093 2
2019	0.985 6	0.985 1	1.447 5	1.407 3	0.052 5	0.092 7

新窗口打开
Table 5
表5
表52010-2019年蔡甸区耕地、城镇村及工矿用地在情景Ⅱ下的景观指数
Table 5The landscape index of cultivated land and urban and residential land and mining land in Caidian from 2010 to 2019 under scenarioⅡ

	CA/hm²		NP/个		ED/（m/hm²）
年份	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地
2010	45 296.75	16 454.50	1 002	2 240	51.52	26.166 1
2013	44 572.25	17 056.00	1 027	2 232	50.83	26.363 9
2016	42 079.75	19 160.75	1 200	2 222	50.32	29.669 3
2019	39 439.00	21 501.00	1 263	2 205	49.82	33.275 5
	DIVISION		MPFD		SI
年份	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地
2010	0.953 8	0.998 5	1.516 2	1.3801	0.016 2	0.119 9
2013	0.954 4	0.998 0	1.515 1	1.3822	0.015 1	0.117 8
2016	0.968 5	0.997 5	1.501 0	1.3870	0.001 0	0.113 0
2019	0.970 4	0.997 4	1.473 3	1.4038	0.026 7	0.096 2

新窗口打开
城镇村及工矿用地景观结构变化特征。2010-2019年,两种模拟情景中城镇村及工矿用地的斑块面积、边缘密度、平均斑块分维数随时间变化呈现增加的变化特征,斑块数量、分离度指数随时间变化逐渐降低,说明城镇村及工矿用地扩张加剧,呈连片发展的趋势,斑块间分散度变小,斑块形状趋向复杂和不规则。对比两种情景中城镇村及工矿用地的各期景观指数值可知：到2019年,情景Ⅰ比情景Ⅱ城镇村及工矿用地斑块面积多增加了8146.75hm²,面积变化更显著;2010-2019年,情景Ⅱ城镇村及工矿用地斑块数量、边缘密度、分离度指数均大于情景Ⅰ同期各值数值,而平均斑块分维数小于情景Ⅰ同期各值,说明情景Ⅱ中新生成的城镇村及工矿用地斑块具有数量多、面积小等特点。
（2）景观稳定性。景观稳定性是相对的,是以复合稳定状态存在的,可从景观基质稳定性和结构稳定性两方面说明。两种模拟情景中,耕地始终是蔡甸区的基质景观,由公式（10）计算得2010-2019年蔡甸区景观基质稳定性值,如表6。
①景观基质稳定性。在两种情景中,蔡甸区景观基质稳定性值均呈现下降趋势,景观基质变化剧烈,但情景Ⅰ下研究区景观基质稳定性值下降更迅速,变化幅度更大,说明在情景Ⅱ下研究区景观基质稳定性更高,生态恢复能力更强。
②景观结构稳定性。耕地的结构稳定性变化在情景Ⅰ中呈现先降低再迅速上升的特点,在2013年指数值最低,为0.0137（表4）;在情景Ⅱ中则呈现先迅速降低再上升的特点,在2016年指数值最低,为0.001（表5）;说明耕地在两种情景中都发生了稳定到不稳定,再到稳定的交替变化,而且2019年终稳定状态均比2010年初始稳定状态更稳定。
Table 6
表6
表62010-2019年两种情景下蔡甸区景观基质稳定性指数
Table 6Calculation of landscape matrix stability of Caidian from 2010 to 2019

年份	2010	2013	2016	2019
情景Ⅰ	0.9148	0.8981	0.8445	0.8441
情景Ⅱ	0.9148	0.9081	0.8853	0.8612

新窗口打开
城镇村及工矿用地的景观结构稳定性变化在情景Ⅰ中呈先上升再迅速下降的特点,在2013年指数值最高,为0.1304（表4）,说明城镇村及工矿用地由迅速开发阶段转为稳定建设阶段,再转为迅速开发阶段,是一种不稳定到稳定,再到不稳定的交替变化;在情景Ⅱ中呈下降趋势,表明城镇村及工矿用地仍处于迅速开发阶段,只发生了稳定到不稳定的变化,短期内未出现稳定与不稳定的交替变化。除2013年,其他年份情景Ⅱ下城镇村及工矿用地景观结构稳定性值均大于情景Ⅰ,整体而言情景Ⅱ中城镇村及工矿用地景观结构稳定性更高。

4.4 土地利用类型的时空差异分析

为分析两种情景下耕地和城镇村及工矿用地在空间变化上的差异性,将同一时期的不同地类分别提取进行空间分析,得到蔡甸区2013-2019年耕地、城镇村及工矿用地的空间叠加图（图4）。
分析图3、图4可知,总体来看,两种情景下城镇村及工矿用地主要在原有用地的基础上向四周扩展,并促使周边分布的耕地向其转换,这种现象在情景Ⅰ中更明显。通过不同时段和不同区域的对比分析,2010-2013年,两种情景下耕地和城镇村及工矿用地的变化主要发生在张湾街、蔡甸街、武汉经济开发区等东部和南部,空间异质性并不明显;2013-2016年和2016-2019年,两种情景下耕地和城镇村及工矿用地的变化在空间上差异明显,情景Ⅰ中整个研究区耕地转移比例大,特别是张湾街、蔡甸街等北部、东部地区,同时城镇村及工矿用地扩张十分迅速,主要发生在蔡甸街、张湾街、武汉经济开发区、奓山街等北部、东部和东南部;情景Ⅱ中整个研究区耕地转移比例小,特别是北部、东部的耕地转移面积和速率相较情景Ⅰ大幅降低,城镇村及工矿用地扩张速度放缓,其扩张不局限于北部、东部这些经济发达的地区,也分布在消泗乡、侏儒山街、永安街、索河镇、洪北农业示范区等中西部、西部和西南部地区,究其原因,是因为中西部、西部和西南部具有人口密度不大、以传统农业为主、经济发展相对缓慢的特点,这些地区通过合理扩张城镇村及工矿用地来满足经济发展对土地的需求,而不是“牺牲”远中心城区城镇村及工矿用地的扩张来满足中心城区的肆意扩张。该情景构建了集约、高效、合理的土地利用发展格局,在充分保障耕地质量的同时也满足了人们对城镇建设用地的需求。
从城镇扩展空间格局上看,情景Ⅰ下未来城镇发展将主要围绕中心城区及其周边区域以膨胀、摊大饼的方式外延发展;情景Ⅱ下未来城镇扩张不仅围绕中心城区的边缘发展,远中心城区的城镇用地也进行着必要的扩张,该情景鼓励远中心城区有序合理的扩大商业、工业等产业规模,城镇发展布局较为均匀,可满足不同区域对城镇用地的需求。

显示原图|下载原图ZIP|生成PPT
图42013-2019年蔡甸区耕地和城镇村及工矿用地在不同情景下空间叠加
注：减少区域=（情景Ⅰ耕地（城镇村及工矿用地）-情景Ⅱ耕地（城镇村及工矿用地））<0; 增加区域=（情景Ⅰ耕地（城镇村及工矿用地）-情景Ⅱ耕地（城镇村及工矿用地））>0
-->Figure 4The Spatial dynamic analysis of cultivated land and urban and residential land and mining land in Caidian from 2013 to 2019 under different scenarios
-->

4.5 不同情景下土地收益评价

为了能够更好的定量评价不同情景下土地获取的收益,本文利用公式（1）来评价不同情景方案的合理性。由于情景Ⅰ无土地利用总体规划的约束管理,在2013-2016期间已将终期土地利用规划的耕地、城镇村及工矿用地指标耗尽,导致整个模拟预测期内转化的耕地和城镇村及工矿用地都超出了规划指标,因此需要依据土地利用总体规划限定情景Ⅰ的用地指标,比较相同用地量下情景Ⅰ和情景Ⅱ中土地获取的收益,计算结果见表7。
从表7可知,情景Ⅱ中耕地、城镇村及工矿用地获取的收益均大于情景Ⅰ,可见通过Tietenberg模型配置资源所带来的土地收益最佳,而按自然增长的趋势来配置土地资源不仅无法获取土地最大收益,还会浪费土地资源,甚至破坏生态环境。综合来看,情景Ⅱ不仅实现了土地资源在空间上的合理配置,也在时间上合理分配了土地资源的利用,发挥了土地的最大效益,符合可持续发展理论,为科学管理土地资源提供了有利参考。
Table 7
表7
表7区域土地各时段分配数量及收益
Table 7The land amount and marginal benefit from 2010 to 2019 （hm²）

	情景Ⅰ		情景Ⅱ
年份	耕地	城镇村及工矿用地	耕地	城镇村及工矿用地
2010-2013	1 822.00	2 151.75	724.50	601.50
2013-2016	4 035.90	2 894.75	2 492.50	2 104.75
2016-2019	-	-	2 640.75	2 340.25
收益	719 936.40	549 116.80	760 214.70	622 773.50

新窗口打开

5 结论

本文利用Markov模型和Tietenberg模型构建了自然增长情景Ⅰ和收益最大情景Ⅱ,并结合CLUE-S模型对研究区的土地利用变化进行了有效模拟,同时对区域内变化明显的耕地和城镇村及工矿用地进行了深入分析,得出结论如下：
（1）选取的驱动因子能够很好地解释土地利用空间分布情况驱动。CLUE-S模型在蔡甸区的适用性很好。
（2）在两种情景中,耕地、水域用地、城镇村及工矿用地仍是研究区未来的主要土地利用类型。但不同情景下,不同土地利用类型间的转移方式差异明显。情景Ⅰ下,耕地、水域用地是土地流转的主要来源,主要流向城镇村及工矿用地;情景Ⅱ下,耕地是土地流转的主要来源,主要流向城镇村及工矿用地。
（3）从景观结构变化上看,两种情景中耕地、城镇村及工矿用地的景观结构变化特征相同,但不同情景下同种地类的变化也存在一定的差异性。情景Ⅱ相较情景Ⅰ,耕地转移比例小,破碎化程度更小,斑块集聚度更高,形状也更复杂和不规则,而城镇村及工矿用地的肆意扩张得到严格控制,扩张速度相对缓和,且新生成的斑块具有数量多、面积小等特点。从景观稳定性看,情景Ⅱ下研究区景观基质稳定性更高;耕地在两种情景中都呈现由稳定到不稳定,再到稳定的变化规律;城镇村及工矿用地在情景Ⅰ中呈现不稳定到稳定,再到不稳定的变化规律,而在情景Ⅱ中只呈现稳定到不稳定的变化。整体来看,情景Ⅱ中景观稳定性高于情景Ⅰ。
（4）2010-2019年,蔡甸区耕地、城镇村及工矿用地的时空格局变化较大。从时间上看,两种情景中城镇村及工矿用地面积持续增加,耕地面积逐渐减少;从空间分布上看,两种情景中城镇村及工矿用地均主要在原有用地的基础上向四周扩展,并促使周边分布的耕地向其转换,但二者间也表现出显著的空间差异特征。情景Ⅰ中心城区及其周边的城镇用地增长迅速,以膨胀、摊大饼的方式外延发展;情景Ⅱ鼓励中部、西部等远中心城区有序合理的扩大商业、工业等产业规模,以满足不同区域对城镇用地的需求,城镇发展布局更为均匀。
（5）两种情景中不同土地利用方式获取的土地收益不同。情景Ⅱ利用Tietenberg模型在时间序列上优化配置了耕地、城镇村及工矿用地,这种分配方式带来的土地收益优于情景Ⅰ。
总的来看,利用Tietenberg模型开展以土地利用总体规划为指导的耕地、城市用地等多种用地类型同时获取最大收益的模拟研究能从时间和空间上最优配置和合理利用土地资源,发挥土地资源的最大效益,从而为土地利用的可持续发展提供理论依据与实践方法。
The authors have declared that no competing interests exist.

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	唐华俊,吴文斌,杨鹏,等. 土地利用/土地覆被变化(LUCC)模型研究进展 [J]. 地理学报,2009,64(4):456-468. [本文引用: 1] [Tang H J,Wu W B,Yang P,et al.Recent progresses of land use and land cover change(LUCC)models [J]. Acta Geographica Sinica,2009,64(4):456-468.] [本文引用: 1]
[2]	路云阁,蔡运龙,许月卿. 走向土地变化科学-土地利用/覆被变化研究的新进展 [J]. 中国土地科学,2006,20(1):55-61. [本文引用: 1] [Lu Y G,Cai Y L,Xu Y Q.Towards land change science [J]. China Land Science,2006,20(1):55-61.] [本文引用: 1]
[3]	曾永年,靳文凭,王慧敏,等. 青海高原东部土地利用变化模拟与景观生态风险评价 [J]. 农业工程学报,2014,30(4):185-194. [本文引用: 1] [Zeng Y N,Jin W P,Wang H M,et al.Simulation of land-use changes and landscape ecological assessment in eastern part of Qinghai Plateau [J]. Transactions of the Chinese Society of Agricultural Engineering,2014,30(4):185-194.] [本文引用: 1]
[4]	许小亮,李鑫,肖长江,等. 基于CLUE-S模型的不同情景下区域土地利用布局优化 [J]. 生态学报,2016,36(17):5401-5410. [本文引用: 1] [Xu X L,Li X,Xiao C J,et al.Land use layout optimization under different scenarios by using the CLUE-S model [J]. Acta Ecologica Sinica,2016,36(17):5401-5410.] [本文引用: 1]
[5]	闫丹,Schneider U A,Schmid E,等. 未来气候变化对鄱阳湖区土地利用变化的影响评估 [J]. 资源科学,2013,35(11):2255-2265. [本文引用: 1] [Yan D,Schneider U A,Schmid E,et al.Simulating the effects of climate change on land use change in the Poyang Lake District using agent-based modeling [J]. Resources Science,2013,35(11):2255-2265.] [本文引用: 1]
[6]	张丁轩,付梅臣,陶金,等. 基于Clue-S模型的矿业城市土地利用变化情景模拟 [J]. 农业工程学报,2013,29(12):246-256. [本文引用: 1] [Zhang D X,Fu M C,Tao J,et al.Scenario simulation of land use change in mining city based on CLUE-S model [J]. Trans-actions of the Chinese Society of Agricultural Engineering,2013,29(12):246-256.] [本文引用: 1]
[7]	刘辉. 城镇土地扩展与规划情景模拟研究[D] . 武汉:武汉大学,2009. [本文引用: 1] [Liu H.Research on Urban Land Expansion and Planning Scenarios Simulation[D]. Wuhan:Wuhan University,2009.] [本文引用: 1]
[8]	周锐,苏海龙,王新军,等. 基于Clue-S模型和Markov模型的城镇土地利用变化模拟预测-以江苏省常熟市辛庄镇为例 [J]. 资源科学,2011,33(12):2262-2270. [本文引用: 1] [Zhou R,Su H L,Wang X J,et al.Simulation of land use change in Xinzhuang town under different scenarios based on the CLUE-S model and Markov model [J]. Resources Science,2011,33(12):2262-2270.] [本文引用: 1]
[9]	刘小平,黎夏,艾彬,等. 基于多智能体的土地利用模拟与规划模型 [J]. 地理学报,2006,61(10):1101-1112. [本文引用: 2] [Liu X P,Li X,Ai B,et al.Multi-agent systems for simulating and planning land use development [J]. Acta Geographica Sinica,2006,61(10):1101-1112.] [本文引用: 2]
[10]	Tietenberg T H,Lynne L.Environmental & Natural Resource Economics [M]. New York:Harper Collins,1992. [本文引用: 1]
[11]	Yeh A G,Li X.Sustainable land development model for rapid growth areas using GIS [J]. International Journal of Geo-graphical Information Science,1998,12(2):169-189. [本文引用: 1]
[12]	何春阳,陈晋,史培军,等. 大都市区城市扩展模型-以北京城市扩展模拟为例 [J]. 地理学报,2003,58(2):294-304. [本文引用: 1] [He C Y,Chen J,Shi P J,et al.City expansion model of metropolitan area in China:a case study of Beijing [J]. Acta Geographica Sinica,2003,58(2):294-304.] [本文引用: 1]
[13]	杨建新,龚健,李江风. 基于LSSVM-CA模型的复杂土地利用变化模拟-以鄂州市为例 [J]. 资源科学,2016,36(6):1158-1167. [本文引用: 1] [Yang J X,Gong J,Li J F.Complex land use changes simulation in Ezhou City using cellular automata based on least squares support vector machine [J]. Resources Science,2016,38(8):1525-1537.] [本文引用: 1]
[14]	杨俊,裴颖,席建超,等. 基于BDI决策的MAS-CA模型黄海海滨城镇格局模拟研究-以大连金石滩为例 [J]. 地理科学,2016,36(3):410-416. [Yang J,Pei Y,Xi J C,et al.Urban pattern simulation of the Yellow Sea coast based on BDI decision MAS-CA model:a case study on Jinshitan,Dalian [J]. Scientia Geographica Sinica,2016,36(3):410-416.]
[15]	宋世雄,梁小英,梅亚军,等. 基于CNDI的农户耕地撂荒行为模型构建及模拟研究-以陕西省以陕西省米脂县冯阳坬村为例 [J]. 自然资源学报,2016,31(11):1926-1937. [本文引用: 1] [Song S X,Liang X Y,Mei Y J,et al.Modeling and simulating land abandonment behavior of farmer households based on the CBDI [J]. Journal of Natural Resources,2016,31(11):1926-1937.] [本文引用: 1]
[16]	张亦汉,黎夏,刘小平,等. 耦合遥感观测和元胞自动机的城市扩张模拟 [J]. 遥感学报,2013,17(4):872-886. [本文引用: 1] [Zhang Y H,Li X,Liu X P,et al.Urban expansion simulation by coupling remote sensing observations and cellular automata [J]. Journal of Remote Sensing,2013,17(4):872-886.] [本文引用: 1]
[17]	张云鹏,孙燕,陈振杰. 基于多智能体的土地利用变化模拟 [J]. 农业工程学报,2013,29(4):255-265. [本文引用: 1] [Zhang Y P,Sun Y,Chen Z J.Simulation of land use change using multi-agent model [J]. Transactions of the Chinese Society of Agricultural Engineering,2013,29(4):255-265.] [本文引用: 1]
[18]	邓华,邵景安,王金亮,等. 多因素耦合下三峡库区土地利用未来情景模拟 [J]. 地理学报,2016,71(11):1979-1997. [本文引用: 1] [Deng H,Shao J A,Wang J L,et al.Land use driving forces and its future scenario simulation in the Three Gorges Reservoir Area using CLUE-S model [J]. Acta Geographica Sinica,2016,71(11):1979-1997.] [本文引用: 1]
[19]	蔡甸区国土资源和规划局. 武汉市蔡甸区土地利用总体规划(2010-2020)[R]. 武汉市蔡甸区:武汉市蔡甸区土地利用总体规划(2010-2020), 2012. [本文引用: 2] [Caidian District Land Resources and Planning Bureau. Land Use Planning in Caidian District of Wuhan(2010-2020)[R]. Land Use Planning in Caidian District of Wuhan(2010-2020), 2012.] [本文引用: 2]
[20]	美国地质调查局.全球地形地貌数据[EB/OL].(2015-03-15)[2016-09-13]. URL [本文引用: 1] [United States of America Geological Survey. Global topographic data.[EB/OL]. (2015-03-15) [2016-09-13]. ]URL [本文引用: 1]
[21]	湖北省统计局. 湖北年鉴[M]. 北京:中国统计出版社,2011. [本文引用: 1] [Hubei Provincial Bureau of Statistics. Hubei Statistical Yearbook[M]. Beijing:China Statistics Press,2011.] [本文引用: 1]
[22]	武汉市统计局. 武汉年鉴[M]. 武汉:湖北出版社,2011. [本文引用: 2] [Wuhan City Bureau of Statistics. Wuhan Statistical Yearbook [M]. Wuhan:Hubei Bureau of Statistics,2011.] [本文引用: 2]
[23]	蔡甸区统计局. 蔡甸年鉴[M]. 武汉:湖北人民出版社,2011. [本文引用: 2] [Caidian District Bureau of Statistics. Caidian Statistical Yearbook [M]. Wuhan:Hubei People’s Press,2011.] [本文引用: 2]
[24]	中华人民共和国国土资源部. GB/T21010-2007,土地利用现状分类[S]. [本文引用: 1] [Ministry of Land and Resources of the People’s Republic of China. GB/T21010-2007,Current land use classifi-cation[S]. [本文引用: 1]
[25]	何丹,周璟,高伟,等. 基于CA-Markov模型的滇池流域土地利用变化动态模拟研究 [J]. 北京大学学报(自然科学版),2013,50(6):1095-1105. [本文引用: 1] [He D,Zhou J,Gao W,et al.An integrated CA-Markov model for dynamic simulation of land use change in Lake Dianchi Watershed [J]. Acta Scientiarum Naturalium Universitatis Pekinensis,2014,50(6):1095-1105.] [本文引用: 1]
[26]	吴健生,冯喆,黄力,等. 基于Clue-S模型框架的土地可持续利用情景预测-以阳泉市郊区为例 [J]. 资源科学,2011,33(9):1699-1707. [本文引用: 1] [Wu J S,F Z,Huang L,et al. CLUE-S based scenario prediction on sustainable land use:a case study of Suburban District,Yangquan City [J]. Resources Science,2011,33(9):1699-1707.] [本文引用: 1]
[27]	何丹,金凤君,周璟,等. 基于Logistic-CA-Markov的土地利用景观格局变化-以京津冀都市圈为例 [J]. 地理科学,2011,31(8):903-910. [本文引用: 1] [Wu J S,F Z,Huang L,et al. The changes of land use and landscape pattern based on Logistic-CA-Markov model-a case study of Beijing-Tianjin-Hebei metropolitan region [J]. Scientia Geographica Sinica,2011,31(8):903-910.] [本文引用: 1]
[28]	Pontius J,Laura C S.Land-cover change model validation by an ROC method for the Ipswich watershed,Massachusetts,USA [J]. Agriculture,Ecosystems and Environment,2001,85(1-3):239-248. [本文引用: 1]
[29]	林佳,宋戈. 基于景观稳定性动态变化的土地利用系统演化规律研究-以建三江垦区为例 [C]. 沈阳:2016年中国新时期土地资源科学与新常态创新发展战略研讨会暨中国自然资源学会土地资源研究专业委员会30周年纪念会,2016. [本文引用: 1] [Lin J,Song G.The Evolution Law of the Land Use System Based on Landscape Stability Dynamic:Jiansanjiang Reclamation Areas [C]. Shenyang:The 30th Anniversary Commemoration of Land Resource Science and New Normal Innovation and Develop-ment Seminar with China Natural Resources Institute Land Resource Research Professional Committee of New Era of China in 2016,2016.] [本文引用: 1]
[30]	黄贤金. 农用地估价技术路线及方法研究-以南京市耕地资源价值核算为例 [J]. 南京农业大学学报,1997,20(3):104-108. [本文引用: 1] [Huang X J.A study on technical procedure and methods for evaluating arable land [J]. Journal of Nanjing Agricultural,1997,20(3):104-108.] [本文引用: 1]
[31]	毕宝德. 土地经济学[M]. 北京:中国人民大学出版社,2005. [本文引用: 1] [Bi B D.Land Economics[M]. Beijing:China Renmin Univer-sity Press Co. LTD,2005.] [本文引用: 1]
[32]	龙花楼,李秀彬. 长江沿线样带土地利用格局及其影响因子分析 [J]. 地理学报,2001,56(4):417-425. [Long H L,Li X B.Land use pattern in transect of the Yangtse River and its influential factors [J]. Acta Ge.ographica Sinica,2001,56(4):417-425.]
[33]	Xia T,Wu W,Zhou Q,et al.Model-based analysis of spatio-temporal changes in land use in Northeast China [J]. Journal of Geographical Sciences,2016,26(2):171-187.
[34]	Zhang H,Zeng Y,Bian L,et al.Modelling urban expansion using a multi agent-based model in the city of Changsha [J]. Journal of Geographical Sciences,2010,20(4):540-556.
[35]	刘纪远,匡文慧,张增祥,等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局 [J]. 地理学报,2014,69(1):3-14. [Liu J Y,Kuang W H,Zhang Z X,et al.Spatiotemporal characteristics,patterns and causes of land use changes in China since the late 1980s [J]. Acta Geographica Sinica,2014,69(1):3-14.]
[36]	黄明,张学霞,张建军,等. 基于CLUE-S模型的罗玉沟流域多尺度土地利用变化模拟 [J]. 资源科学,2012,34(4):769-776. [Huang M,Zhang X X,Zhang J J,et al.A multi-scale simulation of land use change in Luoyugou Watershed based on CLUE-S model [J]. Resources Science,2012,34(4):769-776.]
[37]	位帅,陈志和,梁剑喜,等. 基于SD模型的中山市水资源系统特征及其演变规律分析 [J]. 资源科学,2016,36(6):1158-1167. [Wei S,Chen Z H,Liang J X,et al.Analysis of water resource system characteristics and variation law for Zhongshan City based on system dynamics [J]. Resources Science,2016,36(6):1158-1167.]

基于Tietenberg模型的土地利用变化多情景模拟预测——以武汉市蔡甸区为例

本站小编 Free考研考试/2021-12-29

Multi-scenario land use change simulation in Caidian using CLUE-S based on Tietenberg Modeling

1 引言