EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 4: 469 - 477

DOI: https://doi.org/10.3724/SP.J.1047.2015.00469

Orginal Article

Dynamic Simulation of Urban Expansion and Their Effects on Net Primary Productivity: A Scenario Analysis of Guangdong Province in China

  • PEI Fengsong , 1, * ,
  • LI Xia 2 ,
  • LIU Xiaoping 1, 2 ,
  • XIA Gengrui 1
Expand
  • 1. School of Urban and Environmental Sciences, Jiangsu Normal University, Xuzhou 221116, China
  • 2. Guangdong Key Laboratory for Urbanization and Geo-simulation, School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China
*Corresponding author: PEI Fengsong, E-mail:

Received date: 2014-11-17

  Request revised date: 2014-12-29

  Online published: 2015-04-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Spatial interactions between multiple cities are important to the temporal and spatial evolution of urban expansion, and even significant to the carbon cycle. In this paper, an ELM-CA model was proposed by introducing extreme learning machine (ELM) into cellular automata (CA) to obtain the CA’s conversion rules. Taking Guangdong Province as an example, the effects of urban expansion on net primary productivity (NPP) were investigated by coupling Biome-BGC with the ELM-CA model. To represent the close interconnections between different cities, their spatial interactions were explicitly embedded in the ELM-CA model. Our results indicated that: the ELM-CA model could simulate the urban expansions in Guangdong Province at a high accuracy. In addition, the urban expansions exhibited crucial impacts on the NPP in Guangdong, which reduced the vegetation NPP evidently. According to the inertial trends of the urban expansion from 2000 to 2005, we found that the urban land development in 2020 may cause a reduction in NPP, which had taken up about 1.79% of the total provincial NPP of Guangdong. In summary, a reasonable guidance on the planning of future urban expansion is critical for the maintenance of carbon balance and climate change.

Key words： spatial interaction; extreme learning machine; cellular automata; net primary productivity

Cite this article

PEI Fengsong , LI Xia , LIU Xiaoping , XIA Gengrui . Dynamic Simulation of Urban Expansion and Their Effects on Net Primary Productivity: A Scenario Analysis of Guangdong Province in China[J]. Journal of Geo-information Science, 2015 , 17(4) : 469 -477 . DOI: 10.3724/SP.J.1047.2015.00469

1 引言

城市是对自然环境作用最剧烈和最深刻的区域,对生态系统碳循环乃至全球气候变化产生了重要影响。随着社会经济的快速发展,过去20年间我国城市化水平呈指数增长,城市建成区面积增量达到2.31倍[1],到2030年,我国城市化水平预计将达到60%[2]。作为一种重要的土地利用变化方式,城市用地扩张深刻地改变了地表景观。城市地区还是人为温室气体的主要排放源,大约97%的人类CO2排放来自城市地区[3],这对区域甚至全球气候产生了显著的影响。另一方面,城市植被吸收大气中的碳[4-5],这对陆地生态系统生物地球化学循环及植被净第一性生产力（NPP）产生重要影响,对生态系统服务功能也具有重要作用。作为生态系统碳循环的重要组成部分,植被NPP不仅直接反映了植物群落在自然环境条件下的生产能力,而且是表征生态系统碳源-汇功能的关键因素之一[6],在全球变化及陆地生态系统碳平衡中扮演着重要的作用。
国内外学者已经开展了城市扩张的植被NPP效应相关研究。例如,Buyantuyev和Wu[7]以美国凤凰都市区作为典型案例,通过比较自然和人类活动影响下NPP的地理分异,发现在自然条件优越地区城市土地开发表现出降低植被生产力趋势,而在气候条件约束地区（如干旱）则表现出相反的特点;Xu等[8]应用遥感资料和BEPS模型,估算了1991年和2002年江阴市城市土地利用变化条件下植被生产力的变化;Yu等[9]以深圳市为例,研究了快速城市化条件下植被生产力的变化;Wu等[10]以DMSP/OLS夜间灯光影像数据,评估了1999-2010年间长江三角洲城市扩张对植被NPP变化的相对贡献。当前研究主要集中于气候和城市条件下生态系统NPP的时空分布特征的诊断分析,而在未来城市用地动态扩张下的NPP效应研究方面则明显不足,这成为区域乃至全球碳循环研究的瓶颈[11]。
元胞自动机（Cellular Automata, CA）模型具有模拟复杂系统时空演化过程的能力[12]。自20世纪90年代以来,CA被广泛用于城市扩张模拟、辅助城市规划及农田保护区的生成等领域[13-15]。CA模型的一个核心问题是定义模型的转换规则和模型的结构。例如,Wu[16]提出应用逻辑回归方法提取CA模型的转换规则,并模拟了广州的城市用地转换过程;Li等[17]应用人工神经网络CA模型模拟了东莞市城市扩张过程;Liu等[15]提出应用蚁群算法来获取元胞自动机的转换规则;Arsanjania等[18]集成逻辑回归方法、马尔可夫模型和CA模型模拟了德黑兰的城市扩张过程。CA在模拟城市扩张方面取得了较好效果。然而,对于多个城市,城市间的相互作用过程对城市用地扩张的时空演变具有重要影响。He等[19]引入城市间相互作用-城市流模型,并应用于CA的城市模拟中,但其权重因子大小通常较难获取。
本文将城市空间相互作用因素引入到CA中,并利用极限学习机（ELM）来自动获取CA的转换规则,其无需人工确定各参数的权重大小。在此基础上,对未来城市用地扩张及其植被NPP效应进行研究,可为政府对城市用地发展的合理调控,以及解释陆地生态系统的碳源-汇机制提供决策支持作用。

2 研究区概况与数据处理

（1）广东省地处北纬20°09′~25°31′和东经109°45′~117°20′之间,陆地总面积17.98 × 10 4 km2,约占全国陆地面积的1.85%。广东省处于东亚季风区,从北向南穿越3个温度带：中亚热带、南亚热带和热带。对于植被类型,本地区主要分布有地带性的北热带季雨林、南亚热带季风常绿阔叶林、中亚热带典型常绿阔叶林和沿海的红树林,还有非纬度地带性的常绿-落叶阔叶混交林、常绿针-阔叶混交林、常绿针叶林、竹林、灌丛和草坡,以及水稻、甘蔗和茶园等人工栽培植被。1978年以来,广东省的社会经济发展取得了显著成就。地区生产总值从1978年的185.85亿元上升到2011年的53 210.28亿元。广东省人口分布呈现出明显的不均衡现象。2011年末,珠江三角洲常住人口为5 646.51万人,而北部山区为1621.70万人;珠江三角洲地区城镇人口占常住人口的83.01%,而北部山区仅占44.49%。由于区位和资源禀赋等条件不同,广东省社会经济也呈现出区域发展极不平衡现象。
（2）本文使用的数据源主要包括：气象数据、遥感数据、植被数据、土壤数据、土地利用数据、植被生物量,以及其他基础地理信息数据。气象数据来源于中国国家气象局气象中心,主要包括最高气温、最低气温、平均气温、降水量和太阳总辐射等。获取各类型气象数据后,首先进行数据的人工质量检查;其次,对于站点数据中的缺失记录部分,使用距离相近站点的相关数据来补充。土地利用数据主要包括2000、2005和2008年3期。其中,2000年的土地利用数据主要由Landsat TM/ETM+解译获得[20]。此外,还包括2005年和2008年的广东省土地利用数据,数据分辨率为30 m。植被数据主要来源于中国科学院中国植被图编辑委员会编写的“中国植被图集（1：1 000 000）”,数据从中国西部环境与生态科学数据中心（http://westdc.westgis.ac.cn/）获取。根据各年份土地利用数据,分别提取城市区域的范围,非城市部分从植被图数据中提取,以生成研究区的土地利用/覆被数据。土壤数据来自于联合国粮农组织（FAO）制作的世界土壤数据库（HWSD）。其中,中国部分的土壤数据来源于中国科学院南京土壤所的1：1 000 000土壤数据,数据主要包括中国土壤质地（砂质土、粉质土和粘质土）、土壤深度和土壤有机质等。在GIS的支持下进行投影转换和重采样处理,使其与其他数据具有相同的空间参考信息,以便于模型运算和空间分析。植被NPP验证数据主要由站点实测的生物量和NPP数据处理计算获得,包括森林清查资料、灌木及草地实测数据等。森林NPP验证数据来源于罗天祥处理计算的全国1266块森林样地数据[21]。森林、灌木和草地等各种验证数据中,大部分生物量/生产力数据记录的单位为干物质（DM）,通过应用一个转换因子将其变换为碳含量（gCm-2year-1）,即对于木质和草地生物量,转换因子分别取为0.5和0.45[22-23]。广东省社会经济发展、人口等统计数据来自广东省统计年鉴。另外,本文所使用的基础地理信息数据包括：广东省铁路、高速公路和省道等道路分布数据;广东省地级市、县行政中心分布数据;广东省河流、湖泊、地形等分布数据。在GIS的支持下,对原始土地利用数据进行地图投影和重采样处理,计算各空间化变量。

3 植被净第一性生产力动态模拟

3.1 动态模拟方法

（1）空间相互作用
引力模型被广泛用于分析和预测工业、商业、旅游业等空间相互作用形式,并且被不断拓展。传统的引力模型为：
T ij = K W i W j f ( c ij ) （1）
式（1）中,Tij为从i地到j地空间相互作用强度;Wi为从i地产生社会经济活动的需求水平或发生力,用城市人口数量来表示;Wj为j位置的社会经济活动的供应机会或吸引力,用城市GDP来表示;f(cij)为距离影响函数,本文用负指数函数表示;K为经验常数。对于源区（Oi）和汇区（Dj）双约束的情况有[24]：
T ij = A i B j O i D j f ( c ij ) （2）
式中,Ai、Bj为平衡因子。
（2）基于极限学习机的CA模型
极限学习机(ELM)是Huang等[25-26]提出的一种简单易用、有效的单隐层前馈神经网络（SLFN）,其在训练过程中无需调整输入层与隐含层间的连接权值及隐含层神经元的阈值,具有不需要反复训练、学习速度快的优点。假设给定n个训练样本（xi,ti）,其中：
x i = [ x 1 , x 2 , ... x n ] T , t i = [ t 1 , t 2 , ... t n ] T （7）
假设对于含 l 个隐含层神经元的网络,其激活函数为 g ( x ) ,输入层与隐含层间的连接权值为 w ,隐含层与输出层间连接权值为 β ,隐含层神经元的阈值为 b ,则该前馈神经网络的输出ti为：
定义隐含层输入矩阵为：
则
Hβ = T （10）
对于一个任意区间无限可微的激活函数 g ( x ) ,给定任意小误差 ε >0,总存在一个含有 K ( K ≤ L ) 个隐含层神经元的SLFN,在任意赋值 w i ∈ R 和 b ∈ R 情况下,有 Hβ - T ' < ε 。即,当激活函数 g ( x ) 无限可微时,SLFN的参数并不需要全部进行调整, w 和 b 在训练前可以随机选择,且在训练过程中保持不变,则 β 可以通过求解方程组的最小二乘解获得,如式（11）所示。
min β Hβ - T （11）
从而,
β ^ = H + T （12）
在GIS、遥感技术等支持下,获取空间距离变量、坡度及城市间相互作用强度等输入变量（ X ）,将城市土地利用等变量作为输出变量（T）。使用ELM算法来表示城市扩张用地转换规则的复杂性,本文构建了极限学习机的CA模型（ELM-CA）,其使用6个输入变量（表1）。
Tab. 1 Inputs of ELM-CA model

表1 ELM-CA的输入变量

变量类型 变量名称
城市空间变量 离行政中心距离
离公路距离
离高速公路距离
离铁路距离
城市间相互作用 城市相互作用强度
单元自然属性 地形坡度
通过随机产生输入层与隐含层间的连接权值w及隐含层神经元的阈值b,应用ELM来计算转换概率p(i,j)。结合邻域和随机性因素,t时刻城市单元(i,j)处城市土地利用转换概率 P ij t 可表示为：
P ij t = ( 1 + ( - lnγ ) α ) × p ( i , j ) × Ω ij t （13）
式（13）中,1+(-lnγ)α反映城市发展受到的随机性因素影响部分;γ为（0,1）之间的随机数;a为控制随机扰动程度的参数; Ω ij t 表示 t 时刻处理像元(i,j)周围3×3邻域内城市像元对中心元胞的影响。每次循环运算,ELM-CA计算出每一个元胞的城市发展概率,并将其与预定阈值相比较,以确定该元胞是否发生用地状态的改变。ELM-CA模型流程如图1所示。
Fig. 1 Details of ELM-CA model

图1 基于极限学习机的CA模型

（3）Biome-BGC模型
Biome-BGC模型是由美国蒙大拿大学陆地动态变化数字化模拟研究组开发设计,用于研究陆地生态系统物质和能量循环的一种生物地球化学模型,它由Forest-BGC模型发展而来[27-28]。Biome-BGC模型主要模拟植被蒸腾作用、土壤水分蒸散发、植被的光合及呼吸作用等过程。蒸散发子模型主要研究植物的蒸散及土壤的蒸发过程。其中,前者又包括植物的蒸发和蒸腾过程,可通过Penman-Monteith方程（PME）来表示。对于呼吸作用,其计算按细根、活茎和活粗根等组织进行。生长性呼吸主要根据以组织生长的总碳量按比例关系求算,而维持性呼吸则由温度和植物组织氮含量根据 Q 10 关系共同确定。
Biome-BGC模型将自然植被划分为7种类型：常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、灌丛植被、C3草地及C4草地。按照植被类型不同,模型提供了7组植被生理学参数。目前,国内外对于Biome-BGC模型生理学参数研究相对较少,本研究主要使用其他学者研究的建议取值,以及由模型校正得到。由于Biome-BGC模型不模拟农用地植被的生理生态过程,故本文假设其具有与草地类似的植被生理过程,即把农用地植被作为草地来模拟[29]。本文中Biome-BGC模型参数化过程如下：（1）使用模型缺省的植被生理参数展开模拟,在此过程中调整各个参数的大小以测试模型对相关参数的敏感性;（2）结合植物生理学原理,在合理范围不断调整对模型敏感的各参数,通过比较其输出的NPP值与参考NPP取值的关系,最终确定各个自然植被类型的植被生理学参数取值。
戴铭等[30]研究认为,中国东南部地区的森林林龄比较小,平均林龄为20-30年。根据Wang等[31]的研究,我国东南部地区的林龄多在1-40年之间。因而,我们设定广东省的森林年龄为30年,用以做植被的NPP模拟。本文使用30年（1980-2009年）的广东省气象站点观测数据,基于Biome-BGC模型,模拟了广东省常绿针叶林、常绿阔叶林等自然植被NPP的时空分布。
（4）城市扩张对植被NPP影响的计算方法
根据2000年和2005年2期土地利用数据,以及各种空间距离变量（如离铁路的距离、离高速公路的距离等）、地形坡度等数据,利用ELM-CA模型获取城市用地的转换规则,分别模拟了2020年不同情景下广东省的城市扩张格局：① 不考虑城市相互作用影响;② 加入城市相互作用影响。另外,植被NPP的估算通过Biome-BGC模型来完成。通过耦合Biome-BGC模型结果和ELM-CA的城市用地分布输出,获取未来城市扩张条件下植被NPP的时空分布。
本研究中当前的气候特征由1980-2009年的气象数据来表示。Biome-BGC模拟时,使用2000年大气CO2浓度作为模型驱动输入;同时,通过重复输入1980-2009年的气象数据,实现设定未来30年（2010-2039年）气候特征与当前气候条件（1980-2009年）相接近。利用Biome-BGC模型计算出气候不变条件下植被NPP的时空分布,探讨当前气候延续条件（即当前气候不变）下,广东省植被NPP的时空变化。城市扩张条件下的模拟结果是在前述植被NPP时空变化模拟基础上进行,城市地区的植被NPP主要应用“NPP比例因子”方法进行模拟[32]。

3.2 城市扩张对植被NPP的影响分析

3.2.1 城市扩张模拟
（1）城市相互作用强度
通过应用双约束空间相互作用模型,对广东省各城市空间相互作用强度进行测算,结果如图2所示。研究表明,广东省各城市空间相互作用强度空间分异明显,特别是珠江三角洲附近地区各城市连接紧密,相互作用强度较大。
Fig. 2 Intensity of spatial interactions in Guangdong Province

图2 广东省城市空间相互作用强度

（2）模拟精度评价
城市土地利用演化过程具有高度复杂性,受许多具有不确定因素的影响。将CA模型应用于城市扩张过程时,进行模型精度的检验是十分必要的。评价CA模拟精度的方法主要包括：点对点对比检验方法和整体格局对比检验方法。首先对基于人工神经网络的元胞自动机（ANN-CA）和ELM-CA进行比较（表2）,发现后者对城市用地的模拟精度高于前者。另外,使用国际上通用的混淆矩阵法和Kappa系数进行模型精度的检验（表3）结果表明,ELM-CA模型能较好模拟广东省城市用地的扩张过程。
Tab. 2 Comparisons on prediction accuracy of urban development between ANN-CA and ELM-CA models in 2005 for Guangdong Province

表2 广东省2005年城市扩张的CA模拟精度对比

精度（%） ANN-CA ELM-CA
城市用地 73 77
非城市用地 99 99
Tab. 3 Confusion matrix between the actual urban land and the simulated urban land using ELM-CA model

表3 广东省城市扩张ELM-CA模型模拟混淆矩阵

2005年 2008年
模拟城市用地（像元个数） 模拟非城市用地（像元个数） 正确百分比（%） 模拟城市用地（像元个数） 模拟非城市用地（像元个数） 正确百分比（%）
实际城市用地 13 656 4087 77 19112 6203 75
实际非城市用地 4110 688 748 99 2894 681 419 99
Kappa系数 0.76 0.77
2005年和2008年的城市土地利用分布模拟如图3、4所示,并对模拟结果分别进行了验证。根据计算,CA模型对2005年广东省城市用地的模拟正确率为77%,Kappa系数为0.76,模拟效果较好。另外,2008年广东省城市用地模拟正确率为75%,Kappa系数为0.77,其模拟精度是可以接受的。这表明ELM-CA模型能较好地模拟广东城市用地的动态变化。对于较小的城市斑块模拟（如广东省北部、东部及西南部区域）,考虑空间相互作用的模拟效果好于无空间相互作用的模拟方式,这也说明了CA模型中引入空间相互作用因素的必要性。
Fig. 3 Comparisons between the actual and the simulated urban land use distributions in 2005

图3 2005年模拟和真实土地利用分布对比

Fig. 4 Comparisons between the actual and the simulated urban land use distributions in 2008

图4 2008年模拟和真实土地利用分布对比

（3） 城市扩张模拟
根据2000-2005年广东省城市扩张趋势,利用ELM-CA模型模拟得到2020年广东省城市用地的时空分布特征（图5）。从模拟结果可以看出,广东省城市用地不断增加,新增城市用地主要集中在现有城市边缘、且资源禀赋相对较好的大城市周围地区（如图5中的A、B位置）,实现城市用地的合理规划,对经济社会的可持续发展具有重要意义。
Fig. 5 Simulation of urban land use distribution in 2020 for Guangdong Province

图5 模拟2020年广东省城市土地利用分布

3.2.2 城市扩张对植被NPP的影响
林地和耕地是广东省重要的土地利用类型。从广东省植被NPP像元值变化和区域总NPP方面对模拟结果进行了分析。郭志华等[34]利用多时相的AVHRR NDVI和地面气象数据,计算出广东省陆地年平均净第一性生产力约为753.2 ± 277.0 gCm-2year-1。罗艳等[33]基于MODIS NDVI数据和改进的CASA模型,估算出林地植被平均NPP为763.0 gCm-2year-1。研究中,广东省常绿阔叶林平均NPP为950 gCm-2year-1,常绿针叶林为575 gCm-2 year-1。另外,罗艳等[33]模拟的耕地植被NPP为575.41 gCm-2year-1,郭志华与李琼婵[34]实测的广东省谷物产量为559 gCm-2year-1,而本文模拟的广东省平均耕地植被NPP为551 gCm-2year-1,其模拟结果接近于郭志华和罗艳等人的研究结果。植被NPP总量上,广东省2000-2009年平均植被NPP量为94.77 TgC（图6）。本文的植被NPP模拟结果接近于Pei等[35-36]利用CASA模型的模拟广东省植被NPP总量（95.73 TgC）,而略低于罗艳等人的模拟结果,这可能与其使用较大的植被最大光能利用率有关。
Fig. 6 Spatio-temporal distribution of average NPP in Guangdong Province from 2000 to 2009

图6 2000-2009年间广东省平均植被NPP时空分布

根据本文的模拟,在气候条件和城市用地不变条件下,2010-2039年间广东省平均植被NPP为97.71 TgC（图7）。相对当前情况,植被NPP呈现出一些增加,这可能由该地区森林林龄比较小有关[30-31]。另外,城市扩张对植被NPP的时空动态变化产生重要影响。城市扩张情景下植被NPP的空间分布如图8所示。若考虑城市扩张的影响,广东省平均植被NPP为95.96 TgC。相比气候不变条件,由城市扩张导致植被NPP减少了1.75 TgC,约占广东省植被NPP总量的1.79%。这反映了城市扩张过程中大量的自然植被被转化为城市水泥、沥清等不透水面,导致植被NPP呈现为降低的特点。因而,引导合理的城市扩张,对于促进区域乃至全球碳平衡具有重要作用。
Fig. 7 Distribution of average NPP assuming a stable climate condition in Guangdong Province from 2010 to 2039

图7 气候不变条件下2010-2039年间广东省平均植被NPP分布

Fig. 8 Distribution of average NPP based on the urban expansion in Guangdong Province from 2010 to 2039

图8 城市扩张下2010-2039年间广东省平均植被NPP的空间分布

4 结语

城市相互作用强度制约着城市用地扩张时空演变过程,因而对陆地植被碳循环效应也具有重要影响。在进行城市相互作用下的城市扩张模拟时,本文提出应用ELM算法自动获取CA转换规则的ELM-CA模型,它无需人工确定不同类型输入变量的权重大小,获得了较高的模拟精度。另外,相对传统的单隐含层前馈神经网络,ELM无需反复训练,学习速度快。同时,应用BIOME-BGC模型对广东省未来时期（2010-2039年）植被NPP的时空分布进行模拟。研究表明：在气候和城市用地不变条件下,广东省未来植被NPP呈现增加趋势。然而,城市用地的扩张将导致其植被NPP不断降低。在当前气候条件不变情况下,到2020年,由城市扩张导致植被NPP年平均减少量达到1.75 TgC。针对ELM模型易产生稳定性不理想、未来气候变化具有高度不确定性等问题,下一步研究中需开展ELM算法的选择性集成学习优化,以及未来气候变化及城市扩张的植被NPP响应对比研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王雷,李丛丛,应清,等.中国1990-2010年城市扩张卫星遥感制图[J].科学通报,2012,57(18):1588-1599.

[2]
林伯强,刘希颖. 中国城市化阶段的碳排放、影响因素和减排策略[J]. 经济研究,2010(8):66-78.

[3]
Svirejeva-Hopkins A, Schellnhuber H J, Pomaz V L.Urbanised territories as a specific component of the global carbon cycle[J]. Ecological Modeling, 2004,173(2): 295-312.

[4]
温家石,葛滢,焦荔,等.城市土地利用是否会降低区域碳吸收能力?——台州市案例研究[J].植物生态学报,2010,34(6):651-660.

[5]
赵荣钦,黄贤金,彭补拙.南京城市系统碳循环与碳平衡分析[J].地理学报,2012,67(6):758-770.

[6]
Field C B, Behrenfeld M J, Randerson J T, et al.Primary production of the biosphere: Integrating terrestrial and oceanic components[J]. Science, 1998,281(5374):237.

[7]
Buyantuyev A, Wu J.Urbanization alters spatiotemporal patterns of ecosystem primary production: A case study of the Phoenix metropolitan region, USA[J]. Journal of Arid Environments, 2009,73(4-5):512-520.

[8]
Xu C, Liu M, An S, et al.Assessing the impact of urbanization on regional net primary productivity in Jiangyln County, China[J]. Journal of Environmental Management, 2007,85(3):597-606.

[9]
Yu D R, Shao H B, Shi P J, et al.How does the conversion of land cover to urban use affect net primary productivity? A case study in Shenzhen city, China[J]. Agricultural and Forest Meteorology, 2009,149(11):2054-2060.

[10]
Wu S H, Zhou S L, Chen D X, et al.Determining the contributions of urbanisation and climate change to NPP variations over the last decade in the Yangtze River Delta, China[J]. Science of the Total Environment, 2014,472:397-406.

[11]
Kaye J P, McCulley R L, Burke I C. Carbon fluxes, nitrogen cycling, and soil microbial communities in adjacent urban, native and agricultural ecosystems[J]. Global Change Biology, 2005,11(4):575-587.

[12]
周成虎,孙战利,谢一春.地理元胞自动机研究[M].北京:科学出版社,1999:6-21.

[13]
Li X, Yeh A G O. Zoning land for agricultural protection by the integration of remote sensing, GIS, and cellular automata[J]. Photogrammetric Engineering and Remote Sensing, 2001,67(4):471-478.

[14]
Li X, Liu X.An extended cellular automaton using case-based reasoning for simulating urban development in a large complex region[J]. International Journal of Geographical Information Science, 2006,20(10):1109-1136.

[15]
Liu X, Li X P, Shi X, et al.Simulating land-use dynamics under planning policies by integrating artificial immune systems with cellular automata[J]. International Journal of Geographical Information Science, 2010,24(5):783-802.

[16]
Wu F L.Calibration of stochastic cellular automata: the application to rural-urban land conversions[J]. International Journal of Geographical Information Science, 2002,16(8):795-818.

[17]
Li X, Yeh XA G O. Neural-network-based cellular automata for simulating multiple land use changes using GIS[J]. International Journal of Geographical Information Science, 2002,16(4):323-343.

[18]
Arsanjani J J, Helbich M, Kainz W, et al.Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion[J]. International Journal of Applied Earth Observation and Geoinformation, 2013,21:265-275.

[19]
He C Y, Zhao Y Y, Tian J, et al.Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata[J]. Landscape and Urban Planning, 2013,113:78-89.

[20]
Liu J Y, Liu M L, Tian H Q, et al.Spatial and temporal patterns of China's cropland during 1990-2000: An analysis based on Landsat TM data[J]. Remote Sensing of Environment, 2005,98(4):442-456.

[21]
罗天祥. 中国主要森林类型生物生产力格局及其数学模型[D].北京:中国科学院,1996.

[22]
Myneni R B, Dong J, Tucker C J, et al.A large carbon sink in the woody biomass of northern forests[J]. Proceedings of the National Academy of Sciences, 2001,98(26):14784.

[23]
Fang J Y, Guo Z D, Piao S L, et al.Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Science in China Series D: Earth Sciences, 2007,50(9):1341-1350.

[24]
Wilson A G.Entropy in urban and regional modelling[M]. London: Pion Press, 1970.

[25]
Huang G B, Zhu Q Y, Siew C K.Extreme learning machine: A new learning scheme of feedforward neural networks[C]. Neural Networks, 2004 IEEE International Joint Conference, 2004,2:985-990.

[26]
Huang G B, Zhu Q Y, Siew C K.Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006,70(1):489-501.

[27]
Running S W, Gower S T.FOREST-BGC, a general model of forest ecosystem processes for regional applications. II. Dynamic carbon allocation and nitrogen budgets[J]. Tree Physiology, 1991,9(1-2):147.

[28]
Running S W, Hunt E R.Generalization of a forest ecosystem process model for other Biomes, Biome-BGC, and an application for global-scale models[J].Scaling physiological processes: Leaf to globe. Waltham: Academic Press, 1993,141-158.

[29]
Wang Q X, Watanabe M, Zhu O Y.Simulation of water and carbon fluxes using Biome-BGC model over crops in China[J]. Agricultural and Forest Meteorology, 2005,131(3-4):209-224.

[30]
戴铭,周涛,杨玲玲,等.基于森林详查与遥感数据降尺度技术估算中国林龄的空间分布[J].地理研究,2011,30(1):172-184.

[31]
Wang S Q, Zhou L, Chen J M, et al.Relationships between net primary productivity and stand age for several forest types and their influence on China's carbon balance[J]. Journal of Environmental Management, 2011,92:1651-1662.

[32]
Pei F S, Li X, Liu X P, et al.Exploring the response of net primary productivity variations to urban expansion and climate change: A scenario analysis for Guangdong Province in China[J]. Journal of Environmental Management, 2015,150:92-102.

[33]
罗艳,王春林. 基于MODIS NDVI的广东省陆地生态系统净初级生产力估算[J]. 生态环境学报,2009(4):1467-1471.

[34]
郭志华,李琼婵.广东省植被潜在生产力的估算及其分布[J].热带亚热带植物学报,1997,5(1):45-52.

[35]
Pei F S, Li X, Liu X P, et al.Assessing the impacts of droughts on net primary productivity in China[J]. Journal of Environmental Management, 2013,114:362-371.

[36]
Pei F S, Li X, Liu X P, et al. Assessing the differences in net primary productivity between pre- and post-urban land development in China[J]. Agricultural and Forest Meteorology, 2013,171-172:174-186.

Options
Outlines

/

〈 〉