EN中文

Journal of Geo-information Science >

2014 , Vol. 16 >Issue 6: 925 - 932

DOI: https://doi.org/10.3724/SP.J.1047.2014.00925

Orginal Article

Landscape Spatial Distribution Modeling Based on CLUE-S Model in the Liaohe Watershed

  • WANG Xin , 1, 2, 3 ,
  • LIU Weiling , 1, 2, * ,
  • ZHANG Li 4 ,
  • ZHANG Linbo 1, 2 ,
  • ZHENG Jiaoqi 5
Expand
  • 1. Key Laboratory of Regional Eco-Process and Function Assessment and State Environment Protection, Chinese Academy of Environmental Sciences, Beijing 100012, China
  • 2. State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China
  • 3. College of Resources and Environment, Shanxi Agricultural University, Taigu 030800 China
  • 4. School of software, Shanxi Agricultural University, Taigu 030800, China
  • 5. School of Geodesy And Geomatics, Liaoning Technical University, Fuxin 123000, China
*Corresponding author: LIU Weiling, E-mail:

Received date: 2014-05-04

  Request revised date: 2014-07-03

  Online published: 2013-12-26

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

In this paper, we took the Liaohe watershed as the study area and applied the CLUE-S model for the purpose of landscape pattern simulation, based on the land use data in 2000 and 2010. Eight key driving factors were selected in this study, which include elevation, DEM, slope, distance, soil and others. Firstly, the land use data in 2000 was used to simulate the spatial pattern of land use in 2010 for the Liaohe watershed. Based on the adjusted model parameters, the land use patterns of 2020 were then simulated respectively for the natural increase scenario, economic development scenario, and ecological protection scenario. The results showed that the simulation accuracy for 2010 reached a considerably 90.7%, implying that the CLUE-S model is well fitted for modeling the land use pattern in the Liaohe watershed. In different scenarios, it shows explicitly an increase in urban land and a decrease in cultivated land. Under the economic development scenario, we concluded that: the cultivated land conversion range is the largest; the forest reduction is relatively small; and the construction land surrounding the developing zones of the Liaohe River basin had gradually expanded, which mainly aggregated in Shenyang, Fushun, Anshan and other industrial developed cities. Under the ecological protection scenario, we discovered that the forests and wetlands that located at the mouth of the Liaohe River had gradually increased. This is due to the conversion of farmland into forest in the east region. The conclusions made in this study will provide data reference and basic information for the ecological protection in the Liaohe watershed, the land use planning management, and policy-making in future.

Key words： Key Words: landscape pattern dynamic change; CLUE-S model; driving factor; scenarios simulation; Liaohe watershed

Cite this article

WANG Xin , LIU Weiling , ZHANG Li , ZHANG Linbo , ZHENG Jiaoqi . Landscape Spatial Distribution Modeling Based on CLUE-S Model in the Liaohe Watershed[J]. Journal of Geo-information Science, 2014 , 16(6) : 925 -932 . DOI: 10.3724/SP.J.1047.2014.00925

1 引言

土地利用/土地覆被变化(LUCC)是全球变化与可持续发展的重要研究内容[1]。受自然人文因素在不同时间空间尺度上相互作用[2],LUCC表现出复杂的非线性特征[3]。因此,土地利用时空变化的模拟成为LUCC研究的难点问题[4]。其土地利用变化研究主要体现在土地利用变化的影响现状驱动因子作用机制模型模拟与土地可持续利用的研究[5],其中,土地利用变化的预测模拟是实现LUCC研究根本目的的一个重要环节,是对未来的土地利用变化格局和影响进行评价的重要工具[6]。
CLUE模型由荷兰瓦格宁根大学(Wageningen UR)的Veldcamp等于1996年提出。Verburg等于2002年对CLUE模型进行了改进,提出CLUE-S模型,其可在较小尺度上模拟土地利用变化及其环境效应,在面对较小尺度的LUCC研究中获得比较成功的应用[7]。此后,CLUE-S模型成功应用到我国不同地区,特别是各流域,如湟水流域[3]、罗玉沟流域[8]、别拉洪河流域[9]等。
本文解译得到2000年和2010年两期土地利用图,并利用CLUE-S模型根据2000年景观格局模拟2010年景观格局,验证了其精度。以2010年景观格局构建250 m×250 m空间尺度,设置3种不同情景,模拟2020年辽河流域3种景观格局,为辽河流域未来景观格局规划提供科学依据。

2 研究区概况与数据预处理

(1)辽河位于中国东北地区南部,地理坐标为117°00′~125°30′E、40°30′~45°10′N,是我国重要的七大流域之一。辽河是东北地区最大的河流,南临黄海、渤海,北临松花江;辽河流域南北狭窄,东西宽,流域面积达2.73×104 km2,河流总长度415 km;气候类型属于温带大陆性季风气候,年均气温4~9℃,年均降水量364 mm,多集中在7-8月份。辽河流域中下游东部土壤类型主要为棕壤,林地集中分布于西部,西北区主要为风沙地,生态环境较为脆弱。辽河流域内有沈阳、抚顺、铁岭、盘锦等工农业发达、人口集中的大中型城市。
(2)研究中的人口、GDP数据来自2000年和2010年《辽宁省统计年鉴》,影像和DEM数据来自中国科学院对地观测与数字地球中心(2000年8月和2010年8月的Landsat TM遥感影像,坐标系统为Albers投影,WGS-84椭球体)。通过对研究区DEM数据进行分析,得到研究区的坡度图。同时,以市辖区、县域为单位计算出人口密度、GDP,并以此为属性字段转换为栅格图层,结合影像信息与1：400万国家基础地理信息库,数字化获取1:400万比例尺的道路、河流、城市、县级居民点矢量图;全国1:100万土壤数据图来源于全国第二次土壤普查,辽河流域自然保护区规划图作为限制图层,其来源于辽河保护区管理理局。利用ArcGIS空间分析模块中距离工具得出距道路、河流、城市居民点、县级居民点图层。首先,所有栅格图以1 km×1 km精度进入CLUE-S模拟,然后,以100 m为间隔逐步模拟,最后,确定适应CLUE-S模型的最小尺度为250 m×250 m分辨率。在ENVI 5.0下进行景观类型解译,经过非监督分类划分出土地利用二级分类,其分类精度为900 m2(30 m×30 m)。以研究区地形图作为参照,对图像进行几何精确校正,得到2000年和2010年两期的景观类型图。
上述识别分类根据2007年8月中华人民共和国国家质量监督检验检疫总局和中国国家标准化管理委员会联合发布的“土地利用现状分类”系统,将研究区分为森林、灌丛、草地、水域、耕地、城镇、未利用地7类土地利用类型。

3 景观格局空间分布模拟

3.1 CLUE-S模型原理与方法

CLUE-S模型适用于较小尺度的区域景观格局变化研究。景观格局变化受该地区的土地利用需求驱动,土地利用的分布格局总是处在土地需求、自然环境和社会经济状况的动态平衡之中[10],与其他土地利用模型比较,具有更高的可信度和更强的解释能力。
CLUE-S模型分为2个模块(图1),即非空间需求模块和空间分配过程模块(或称空间分析模块)。非空间需求模块计算研究区每年所有土地利用类型的需求面积变化;空间分配过程模块以非空间需求模块计算结果作为输入数据,在栅格为基础的系统上根据模型规划对每年各种土地利用类型的需求进行空间分配,实现对景观变化的空间模拟。非空间的土地利用变化需先运用其他方法进行计算或估计,然后作为参数输入模型中。
Fig. 1 Overview of the modeling procedure

图1 CLUE-S 模型流程示意图

在实际操作中,土地利用变化空间模拟的实现需要4个方面数据的支撑(图2),即空间政策和限制、土地利用需求预测、土地利用类型转移设置和各土地利用类型分布的空间适宜性分析。
Fig. 2 Data support system of the CLUE-S model

图2 CLUE-S模型的数据支撑体系

空间政策与土地权属会影响到土地利用变化的格局,空间政策与区域限制主要是指明哪些区域是因为特殊的政策或地权状况而在模拟期内不发生变化的区域,如自然保护区的森林、国家划定的基本农田保护区等。
土地利用类型转移设置会影响到模拟的时间动态变化,对于每一种地类,用地需要预测的关键是要科学计算出每一种土地利用类型在预测期内的需求量,可以是正的,或是负的。这一步工作是独立于CLUE-S模型之外,即在运行模型之前就要事先计算好。
在土地利用类型的空间分布适宜性分析中,需要计算出每一种地类在区域内每一个空间位置上出现的概率大小,然后比较同一位置上各种地类的出现概率,以确定哪种地类占优。出现概率的计算一般采用二元Logistic回归分析法计算,公式为：
Log P i 1 - P i = β 0 + β 1 X 1 , i + β 2 X 2 , i + ..... + β n X n , i (1)
式(1)中, P i 为地类(如耕地、林地、水域、建设用地等)i在某一位置上出现的概率;Xn,i为地类分布格局影响因子(包括比较稳定的因子,如海拔、地形、坡度;动态较大的因子,如人口密度,距离交通道路的距离等)n在该位置上的值;β系数为Logistic回归方程诊断出的关系系数,其中,β0为常量,β1~βn分别表示X1,i~Xn,i等各备选因子与景观类型i之间的相关度。β值越大,代表其相关程度越高;β值为正、负时,分别表示正、负相关。通过Logistic逐步回归分析可以筛选出对各类景观影响显著的驱动因子,剔除不显著因子,确定它们之间相关程度。Logistic回归分析还可得出事件发生比率,用Exp(β)来表示,Exp(β)表示当自变量值每增加一个单位时,景观类型发生比值的变化情况,Exp(β)>1,发生比增加; Exp(β)=1,发生比不变;Exp(β)<1,发生比减少。发生比是事件的发生频数与不发生频数之间的比, 即一个事件发生的可能性等于该事件发生的概率除以该事件不发生的概率。
(1)土地利用需求设置
对土地利用需求的计算中,常用到SD模型[10]、Markov模型[11]、Grey模型[12]、时间序列[13]或者线性内插方法[14-15]。前3种方法需要依赖完善的社会经济数据,而线性内插是一种简单、快捷的计算方法,常用于缺乏社会经济数据的区域。本研究采取线性内插预测各土地利用地类在预测期末可能的需求量,并作为参数输入到模型中。
(2)土地利用转换弹性参数
土地利用类型转移设置会影响到模拟的时间动态变化,对于每一种地类需要表明其转移弹性,即研究期内一种地类转移为其他地类的可能性,大小为0到1之间的值。当这个值越接近1,说明其转移的可能性就越小,反之越大,例如,建设用地转移为其他地类的可能性很小,可设为1,而耕地既可转化为草地,也可转化为建设用地,还可转化为园地,其值就比较小。根据辽河流域景观格局转移矩阵、土地转入率、转出率(表1、2)得出近10 a间的辽河流域耕地转出最大,为1.8%,其次是湿地,森林、草地、灌丛变化不大,建设用地转入最大达1.7%,绝大多数耕地转移为建设用地,少量湿地转为建设用地。而建设用地很难转为其他景观,故设为1。结合野外实际情况,设置土地利用转移弹性初始值,并输入模型运行,通过统计对比真实与模拟的正确栅格数和kappa值,反复运行多次,最终得到模拟2000-2010年的转换弹性参数：森林0.8、灌丛0.8、草地0.7、湿地0.4、耕地0.2、建设用地1。
Tab. 1 The transferring matrix of area with respect to different landscape types from 2000 to 2010

表1 2000-2010年景观转移矩阵(km2)

森林 灌丛 草地 湿地 耕地 城镇 未利用土地 2010年合计
森林 19423.7 1.3 0 2.9 28 9 0.4 19465.3
灌丛 0.1 2461.8 0 0.2 1.9 1.1 0.1 2465.2
草地 0.1 1.4 577.5 0 0 0.1 0 579.1
湿地 1.5 0.1 2.3 2199.1 31.1 91.1 3.3 2328.5
耕地 23.5 1.2 39.2 100.4 34851.1 1038.9 19.8 36074.1
城镇 0.2 0.1 1 6.8 0.7 5127.5 0.6 5136.9
未利用土地 0.1 0 3 1.5 0.9 2.4 105.6 113.5
2000年合计 19449.2 2465.9 623 2310.9 34913.7 6270.1 129.8 66162.6
Tab. 2 Single land use dynamic degree

表2 单一土地利用动态度

类型 单一土地利用转出率(%) 单一土地利用转入率(%)
2000-2005(年) 2005-2010(年) 2000-2005(年) 2005-2010(年)
林地 0.13 0.09 0.08 0.05
灌丛 0.08 0.06 0.08 0.09
草地 0.00 0.24 1.03 6.34
湿地 1.07 4.54 1.56 3.33
耕地 1.05 2.37 0.09 0.09
城镇 0.001 0.18 6.18 12.83
未利用土地 1.23 6.00 2.43 16.53
(3)土地利用转换规则
转化规则的设置是通过转移矩阵来确定各景观之间的转变,1表示可以转变,0表示不能转变。通常将不会发生变化的建设用地设为0,其他易变化的设为1。根据辽河流域土地利用类型,设置一个6×6的矩阵,建设用地是不断增加的用地类型,建筑用地转变为其他用地不太可能,在下文中的3种情境下建设用地虽有不同程度增加,但都没有减少的情况,故只对建设用地转换时设为0,其他景观类型均设为1。

3.2 景观格局分布模拟

CLUE-S模拟是在综合土地利用的空间分布概率、土地利用转换规则和土地利用需求预测的基础上,根据总概率TPROP大小,对土地利用需求进行空间分配的过程,其可通过多次迭代来实现,公式为：
TPRO P ij ＝ P ij ＋ ELA S j ＋ ITE R j (2)
式(2)中,TPROPij为栅格i上土地利用类型j的总概率;Pij是通过Logistic回归方程求得的土地利用类型j在栅格i中出现的概率;ITERj是土地利用类型j的迭代变量ELASj。在进行一定次数的迭代后,当土地利用的空间分配结果和需求预测的实际数量之间的差值达到一定的阈值时,模型收敛。
K = P 0 - P c 1 - P c (3)
式(3)中,P0=(P11+P22+P33……+PJJ),P0为两期对应景观相等数目占全部栅格的百分比; P c = R 1 × S 1 + R 2 × S 2 + ... + R j × S j ,J表示景观类型总数;Sj表示前一期景观类型j在本期中的比例;Rj表示后一期景观类型j类在后一期中的比例。
由于Kappa指数[16]并没有从位置、数量信息上进行对比验证[16],因此,Pontius等[17]进一步发展kappa系列指数,数量Kappa指数(能说明景观类型上在数量上的变化)、位置Kappa指数(能说明景观类型在空间位置上的变化),但两者不能综合反映景观类型变化程度。随机Kappa指数与标准Kappa指数综合位置、数量的变化,能量化两幅图像的综合信息变化,Kappa指数取值范围在0-1之间,具体公式如下：
数量Kappa指数Kquanlity=(P0-NQNL)/(PQML-NQNL)
位置Kappa指数Klocation=(P0-NQNL)/(MQPL-NQNL)
标准Kappa指数Kstandard=(P0-MQNL)/(1-MQNL)
随机Kappa指数Kno=(P0-NQNL)/(1-NQNL)
与真实景观格局图相比,模拟景观格局类型图数量的能力分为完全(PQ)、中等(MQ)和无(NQ);指定土地利用类型图空间位置的能力分为完全(PL)、中等(ML)和无(NL)。
PQ是完全保持了各土地利用类型的原始面积,NQ是无法保持各土地利用类型的原始面积,MQ的情况正好处于上述两种情况之间。同理,PL是完全准确地保持了各土地利用类型的空间位置,NL是无法保持各土地利用类型的空间位置,ML的情况正好位于上述两种情况之间。当各系列指数Kappa≥0.75时,两者一致性较好;0.4≤Kappa<0.75时,两者一致性一般;Kappa<0.4时,两者一致性差。

3.3 模拟结果与分析

(1)Logisitc逐步回归结果与分析
结合流域景观类型,以及辽河流域历史发展,分别选取海拔、坡度、到居民点距离、到河流距离、到道路距离、土壤类型、人口密度、人均GDP 8个驱动因子,转化为SPSS可识别的txt文本,在置信度为95%条件下,通过SPSS软件分别对个景观类型进行Logistic逐步回归。其中,当显著系数在0.05以下时,GDP没有进入森林景观的回归方程;坡度、土壤类型没有进入灌丛回归方程;人口密度没有进入草地回归方程;到居民点距离没有进入湿地回归方程;坡度没有进入建设用地回归方程。采用Pontius等人[18]提出的ROC方法进行回归效果检验,ROC值介于0.5-1之间：0.5表示回归方程解释力最差;当ROC值大于0.7时,说明回归方程对各景观能有较好解释能力,结果如表3所示。
Tab.3 Beta values and exponent Beta values for logistic regression in CLUE-S model

表3 CLUE-S模型各驱动因子回归系数

驱动因子 森林 灌丛 草地
Beta系数 Exp(β) Beta系数 Exp(β) Beta系数 Exp(β)
高程 0.00568401 1.005723 0.00445170 1.0044610 0.002295380 1.002298021
到城市居民点距离 -0.00000631 0.999993 -0.00002937 0.9999706 0.000021921 1.000021920
到县级居民点距离 -0.00000132 0.999012 -0.00000231 0.9995699 0.000012988 0.999999870
到河流距离 -0.00001110 0.999980 -0.00003374 0.9999662 0.000016914 1.000016914
到公路距离 0.00000546 1.000006 0.00000646 1.0000064 -0.000012250 0.999987740
坡度 0.17217200 1.186375 – – -0.086910760 0.916758897
土壤类型 0.00799600 1.009013 – – -0.086910760 0.916758890
人口密度 0.00008890 0.999857 0.000549611 1.00038258 – –
GDP – 1.000000 -0.000081020 0.99999991 -0.000000380 0.999999960
常量 -2.37488 0.093025 -3.307222400 0.036617741 -4.169922 0.015453450
ROC 0.847 0.797 0.705
驱动因子 湿地 耕地 建设用地
Beta系数 Exp(β) Beta系数 Exp(β) Beta系数 Exp(β)
高程 -0.0085759400 0.99146072 -0.005299000 0.99471490 -0.004737500 0.99527360
到城市居民点距离 – – 0.000001815 1.00001810 -0.000026000 0.99997396
到县级居民点距离 – – 0.000256893 1.00098730 -0.000010100 1.00000012
到河流距离 0.0000096300 1.00000963 0.000000305 0.99999690 0.000000686 1.00000600
到公路距离 -0.0000003119 0.99999688 0.000000123 1.00000123 -0.000011400 0.99998850
坡度 0.1115012000 1.11795518 -0.151551000 0.85937300 – –
土壤类型 0.1871957800 1.20586335 -0.028856000 0.97155618 0.013248540 1.01333669
人口密度 -0.0003068010 0.999693245 -0.000614790 0.99938539 0.000067530 1.00067550
GDP -0.0000088300 0.99999999 0.000002924 1.00000000 0.000008246 1.00000000
常量 -4.4368890000 0.01183269 1.357303000 3.88569960 -1.578751000 0.20623249
ROC 0.727 0.770 0.766

注：“–”表示未通过显著性检验

从表3可见,各驱动因子β系数、Exp(β)值与ROC值,选择与景观变化相关性较为显著的驱动因子,剔除没有通过显著性检验的因子。坡度因子在建设用地,灌丛2类景观中被剔除,森林、灌丛受高程影响较大,耕地与到县级居名点距离影响较大,而建设用地受人口密度影响最大。利用2000年模拟2010年时,ROC值均大于0.7,表明各个驱动因子对各景观有良好的解释能力。其中,各驱动因子对森林的解释效果最强,ROC值达0.847,其次是灌丛、耕地、建设用地、湿地。草地的ROC最低,也达到了0.7。
(2)模拟结果检验
CLUE-S模型使用2000年模拟2010年景观格局时,采用实际2010年景观格局进行精度验证,Kappa系列指数验证如表4所示。
Tab. 4 The results of Kappa coefficients

表4 kappa系列指数精度验证

Kstandard Klocation Kno Kquantity
0.907 0.934 0.909 0.971
由表4可知,数量kappa指数Kquantity为90%以上,表明模拟结果图与现实2010年土地利用图各土地利用类型面积一致性比较好,这是由于土地利用面积需求是作为参数输入的。Klocation指数为0.934,表明在不考虑数量变化下,模拟结果与真实结果一致性较好;Kquantity指数为0.971,表明在不考虑空间位置变化的条件下,模拟结果与真实结果一致性较好;Kstandard指数和Kno指数系列均大于90%,且正栅格数达92.4%具有较大的一致性,预测结果的误差可以忽略不计,这说明应用CLUE-S模型能较好地模拟辽河流域景观格局变化,可将其应用于辽河流域在不同情景下的景观格局变化模拟。
(3)设置不同情景模拟未来景观格局
本研究以实际2010年景观格局,模拟2020年辽河流域景观格局,分别设置3种不同情景：“自然发展”情景、“经济发展”情景、“生态保护”情景。
情景1：“自然发展”情景,辽河景观格局变化没有受到相应规划,政策的影响。以历年恒定的变化速率得到土地需求数列。
情景2：“经济发展”情景,根据“辽河干流城镇带发展规划(2010-2017年)”,建设辽宁中部城市群、沿海城镇带、沈大城镇轴得到末期土地需求。
情景3：“生态保护”情景,根据“辽河干流生态带发展规划(2010-2017年)”、“辽宁省十二五规划”、“辽河保护区土地综合治理和开发利用规划”。构建辽河保护区“一条生命线,一张湿地网,两处景观带”,增加湿地面积,森林覆盖达39%、耕地面积30%~50%之间,以保持较高的生物完整性和良好栖境,维持河流生态完整性,形成健康流域生态环境。
(4)不同情景的模拟结果
基于CLUE-S模型,分别对上述3种情景进行模拟。情景1(图3),辽河流域森林景观有所减小,耕地大面积减少,建设用地增加较快,南部水域一部分转化为建设用地,主要是由于辽河流域沿海经济带的建设。情景2(图4),耕地面积、湿地大幅度较少,沈阳、鞍山、抚顺等老工业城市建设用地迅速增长,东部森林也有明显减少,其他景观变化不明显。情景3(图5),建设用地扩张减缓,东部退耕还林后森林明显增加,灌、草面积比例逐渐提高。南部辽河入海口湿地面积增加。总之,3种情景下,建设用地逐步增加,退耕还林的政策实行,致使耕地面积不断减少。
Fig. 3 The simulation result of natural development in 2020

图3 情景1的2020年模拟结果

Fig. 4 The simulation result of economical development in 2020

图4 情景2的2020年模拟结果

Fig. 5 The simulation result of ecological development in 2020

图5 情景3的2020年模拟结果

4 结语

本文基于CLUE-S模型,利用两期土地利用数据设置3种不同情景,对辽河流域未来景观格局进行模拟预测,首先对2010进行模拟预测,用来检验模型是否能运用到辽河流域,由Kappa指数可知,CLUE-S模型在辽河流域有较好的模拟效果,进而根据辽河地区政策文件,设置不同情景土地需求,对2020年辽河流域景观格局预测,在“经济发展”情境下,城市化进程中占用了大量耕地,城市周边的耕地被侵占,以及南部沿海经济带的建设而导致湿地减少,不利于进一步辽河流域生态文明建设,“生态保护”情境下东部出现退耕还林,南部一些人工湿地的扩建使得生态环境有所好转,应结合这3种情景,适当调整城市带建设,增加人工湿地景观,同时退耕还林可向西部推进,改变辽河流域西部单一的耕地景观。本研究成果可为未来辽河流域生态带建设、辽河流域城镇带制定提供参考依据。
虽然CLUE-S模型预测景观格局有较强的空间表达性,但毕竟还是属于经验统计模型,与其他模型相比在社会经济条件下的土地宏观需求仍然有限。目前,除了文中所选择的驱动因子之外,气温、降水等也有一定影响,另外有研究表明,运用模型里的领域分析[19]可提高模拟精度,因此,在下一步研究中,尽可能选取全面有效驱动因子,设置好领域分析参数,模拟效果将更佳。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈佑启,杨鹏.国际上土地利用土地覆盖变化研究的新进展[J].经济地理,2001,21(1):95-100.

[2]
蔡运龙. 土地利用/土地覆被变化研究:寻求新的综合途径[J].地理研究,2001,20(6):645-652.

[3]
冯仕超,高小红,顾娟,等.基于CLUE-S模型的湟水流域土地利用空间分布模拟[J].生态学报,2013,33(3):985-997.

[4]
Neumann J V.Theory of self Reproducing Automata[M]. Ilinois: University of Ilinuis Press, 1966.

[5]
Veldkamp A, Verburg P H.Modelling land use change and environmental impact[J]. Journal of Environmental Management, 2004,12(1-2):1-3.

[6]
段增强,Verburg P H. 土地利用动态模拟模型的构建及其应用——以北京市海淀区为例[J]. 地理学报,2004(6):1037-1047.

[7]
彭建,蔡运龙.喀斯特生态脆弱区土地利用/覆被变化研究[M].北京:科学出版社,2008.

[8]
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,2012,33(4):769-776.

[9]
刘庆凤,刘吉平,宋开山,等.基于CLUE-S模型的别拉洪河流域土地利用变化模拟[J].东北林业大学学报,2010,38(1):64-67.

[10]
Liang Y J, Xu Z M, Zhong F L.Land use scenario analyses by based on system dynamic model and CLUE-S model at regional scale: A case study of Ganzhou district of Zhangye city[J]. Geographical Research, 2011,30(3):564-576.

[11]
Wang Y S, Yu X X, He K N, et al.Dynamic simulation of land use change in Jihe watershed based on CA-Markov model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011,27(12):330-336.

[12]
Wei Q.Simulation of Dynamic Change in Land Utilization to County Based on CLUE-S Model[D]. Urumqi: Xinjiang University, 2010.

[13]
刘伟玲. 辽宁沿海经济带景观格局动态预测及其生态安全研究[D].沈阳:中国科学院沈阳应用生态研究所, 2009.

[14]
盛晟,刘茂松,徐驰,等.CLUE-S模型在南京市土地利用变化研究中的应用[J].生态学杂志,2008,27(2):235-239.

[15]
彭建,蔡运龙,Verburg P H.喀斯特山区土地利用/覆被变化情景模拟[J].农业工程学报,2007,23(7):64-70.

[16]
Cohen J.A coefficient of agreement for nominal scales[J]. Educational and Psychological Measurement, 1960,2(1):37-46.

[17]
Pontius Jr R G. Quantification error versus location error in comparison of categorical maps[J]. Photogram metric Engineering and Remote Sensing, 2000,66(8):1011-1016.

[18]
Pontius Jr R G, Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA[J]. Agriculture, Ecosystems & Environment, 2001,85(1/3):239-248.

[19]
段增强,Verburg P H,张凤荣,等.土地利用动态模拟模型的构建及其应用:以北京市海淀区为例[J].地理学报,2004,59(6):1037-1047.

Options
Outlines

/

〈 〉