EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 12: 2393 - 2409

DOI: https://doi.org/10.12082/dqxxkx.2020.190618

Multi-scenario Simulation of Land Use Change Along China-Pakistan Economic Corridor through Coupling FLUS Model with SD Model

  • ZHANG Xiaorong , 1, 2 ,
  • LI Ainong , 1, * ,
  • NAN Xi 1, 3 ,
  • LEI Guangbin 1 ,
  • WANG Changbo 1, 2
Expand
  • 1. Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. College of Earth Science, Chengdu University of Technology, Chengdu 610059, China
* LI Ainong, E-mail:

Received date: 2019-10-20

  Request revised date: 2020-01-11

  Online published: 2021-02-25

Supported by

Strategic Priority Research Program of the Chinese Academy of Sciences(XDA19030303)

National Natural Science Foundation of China(41631180)

National Natural Science Foundation of China(41801370)

National Natural Science Foundation of China(41701433)

135 Strategic Program of the Institute of Mountain Hazards and Environment, Chinese Academy of Sciences(SDS-135-1708)

Copyright

Copyright reserved © 2020
Fold

Abstract

Planning and construction of China-Pakistan Economic Corridor (CPEC) is inseparable from the scientific cognition of the spatial patterns and changing processes of land resources and eco-environment in this area. Land Use and Land Cover Change (LUCC) simulation can provide reliable prediction data for regional land resources management, eco-environment sustainability, and eco-environment risk assessment. In this paper, based on the coupled System Dynamics Model (SD) and future Land Use Simulation Model (FLUS), combined with the China-Pakistan Economic Corridor construction and regional eco-environment policies, various scenarios were set up to simulate the land use change of the China-Pakistan Economic Corridor, taking full advantages of the two models in macro land demand simulation and micro land allocation. Firstly, the SD-FLUS model was constructed and validated using the historical data of CPEC in 2009-2015. Then the land use changes from 2016 to 2030 under three different scenarios, namely Baseline Development (BD)scenario, Investment Priority Oriented (IPO) scenario, and Harmonious Development (HD) scenario, were simulated. Results show that: (1) The relative error of demand simulation was less than 9%, and the overall accuracy and Kappa coefficient of the simulation were over 90% against the actual land use data in 2015, which indicates the SD-FLUS coupling model effectively reflected the land use change pattern of the China-Pakistan Economic Corridor. The model could be used for further simulation of land use changes in CPEC under different scenarios; (2) There are significant differences in simulated land use under different scenarios until 2030. Construction land expanded under all three scenarios but at different speeds. The expansion speed of HD scenario was in the middle. Under this scenario, the construction land in Kashgar and Pakistan increased by 235.17 km2 and 4942.80 km2, respectively. The expansion speed under the IPO scenario was the fastest, with the construction land in Kashgar increased by 265.23 km2 and construction land in Pakistan increased by 5918.91 km2. Under the BD scenario, the construction land in Kashgar and Pakistan increased by 163.71 km2 and 2861.84 km2, respectively. Under the HD scenario, increment of Pakistan's cultivated land area was less than half of that under BD scenario. Kashgar's cultivated land area increased the most in IPO scenario (about 882.54 km2), which was about three quarters of that in the HD scenario. The forest land was effectively restored only under the HD scenario. Generally, the HD scenario taking both social-economic development and eco-environment protection into account is the most ideal scenario among the three scenarios. Our simulation results can provide useful data support for the construction of China-Pakistan Economic Corridor and the assessment of eco-environment in the future.

Key words： Land use/cover change; China-Pakistan Economic Corridor; FLUS model; SD model; model coupling; multi-scenario; simulation; eco-environment

Cite this article

ZHANG Xiaorong , LI Ainong , NAN Xi , LEI Guangbin , WANG Changbo . Multi-scenario Simulation of Land Use Change Along China-Pakistan Economic Corridor through Coupling FLUS Model with SD Model[J]. Journal of Geo-information Science, 2020 , 22(12) : 2393 -2409 . DOI: 10.12082/dqxxkx.2020.190618

1 引言

2013年中巴经济走廊（China-Pakistan Economic Corridor, CPEC）作为“一带一路”倡议的一部分被提出,其最初投资项目的总价值约为460亿美元,到2017年CPEC计划建设项目的总价值已超过620亿美元,是一条包括公路、铁路、油气和光缆通道在内的贸易走廊[1,2]。CPEC作为“一带一路”倡议的旗舰项目,将对中巴两国及周边的经济社会发展产生重大的影响,为“一带一路”建设实施发挥示范作用和推动作用[3]。CPEC的规划和建设离不开对廊道沿线土地资源、生态环境空间格局及变化过程的科学认识。
土地利用/覆盖变化（Land Use/Cover Change, LUCC）是资源、环境、生态研究与科学管理的基础,为土地资源规划和生态环境监测提供了重要的本底数据。不同时空尺度下的土地利用变化模拟研究,对于揭示人类活动对区域生态环境变化的影响有着重要作用,可为其管理决策提供支撑[4,5]。自CPEC被提出以来,国内外学者对其建设及前景进行了大量研究和分析。这些研究主要从政治、经济、安全等角度去考虑中巴经济走廊建设中的风险,而从土地资源角度对中巴经济走廊建设的研究目前还比较缺乏[1]。因此,通过中巴经济走廊的土地利用变化模拟,可为其土地资源管理、生态环境可持续性研究和潜在风险评估等提供重要信息。
近年来,国内外学者围绕LUCC模拟开展了广泛的研究,发展了大量的模型。目前,常用的区域土地利用变化模拟模型主要包括侧重于量化土地需求的数量模拟模型、侧重于微观土地空间分配的空间模拟模型以及耦合模拟模型[6]。数量模拟模型侧重于分析各地物类型面积的变化以及变化的速率等特征,缺乏对其变化的空间分布的考虑,代表性模型有系统动力学（System Dynamics, SD）模型[7,8]、马尔科夫（Markov）模型[9]等。空间模拟模型侧重于模拟土地利用的空间分布和格局特征,并分析研究自然、人类等驱动因子对LUCC影响的空间差异性[10],常见的模型有元胞自动机（Cellular Automata, CA）系列模型[11,12]、多智能体（Agent-based）模型[13,14]、CLUE（Conversion of Land Use and its Effects）系列模型[15,16,17]等。耦合模拟模型通过耦合多个模型的方式来综合多种方法的优势,突破单一模型固有的局限性[16,18]。因此,兼顾土地利用需求量化和空间分配模拟的耦合模拟模型已经成为当前的主流选择。
SD模型是一种以反馈控制理论为基础,以计算机仿真技术为手段,主要用于研究复杂系统的结构、功能与动态行为之间的关系的因果机理模型[19]。众多研究表明,SD模型能较好地反映LUCC过程的区域性、非线性、动态性、系统性等特征,能很好地实现多情景土地利用需求模拟,已经被广泛用于不同区域尺度的LUCC模拟与多情景研究中,是进行土地利用系统情景模拟的良好工具[20,21]。CA模型是一种“自下而上”的空间模拟模型,在构建空间复杂系统方面具有较大的优势[17],可以有效地反映土地利用系统的复杂结构,在土地利用变化模拟中被广泛使用。刘小平等[10]基于CA模型提出了FLUS（Future Land-Use Simulation）模型,该模型通过加强需求模拟和空间分配模拟之间的相互反馈达到“紧耦合”的效果,另外它还在CA模型中加入了基于轮盘赌选择的自适应惯性竞争机制,这些方式都有效地提高了土地利用变化模拟的精度[22]。
基于此,在2009—2015年土地利用遥感监测数据的基础上,本文以2009—2015年为模拟历史期构建并验证了研究区SD模型,以2010年为基础建立FLUS模型开展了2015年的土地利用空间分布模拟,并通过2015年土地利用现状数据进行验证。然后通过该耦合模型探索了2016—2030年中巴经济走廊的土地利用变化动态,实现对该区域惯性发展、投资优先以及和谐发展3种不同情景模式下的土地利用空间模拟。最后对不同情境下的土地利用差异及其可能的驱动因素进行了分析,并为未来中巴经济走廊建设过程中的土地利用规划提供了建议。

2 研究区概况与数据源

2.1 研究区概况

中巴经济走廊起点位于中国喀什,终点处在巴基斯坦瓜达尔港,全长达3000 km,贯穿巴基斯坦全境[2]。本研究选择巴基斯坦全境（包含巴控克什米尔地区）和中国新疆喀什地区作为研究区（图1）。它位于亚欧大陆中部,地理位置介于61.00°E—79.52°E、23.50°N—40.16°N,总面积约为104.40万km2,其中喀什地区约16.20万km2,巴基斯坦约88.20万km2。研究区东北部喀什地区在中国境内,东部与印度接壤,西北与塔吉克斯坦、阿富汗交界,西部与伊朗相邻,南部靠近阿拉伯海,其地理位置显示中巴经济走廊是重要的海陆通道且对周边地区具有辐射效应[23]。研究区内地形复杂多样,包含塔里木盆地、北部山区、俾路支高原、印度河平原等大的地貌单元;气温与降水时空差异显著,年均气温介于 -7~28 ℃之间,年降水量最低不到100 mm、最高1300 mm。复杂的自然地理状况使得区域内部的土地利用在不同地区有不同表现特征。巴基斯坦北部地区和西北边境省属于高海拔山区,主要分布有森林和冰雪;处于干旱与半干旱环境中的俾路支省则包含了较大面积的草地和戈壁覆盖;而地处印度平原区域的旁遮普省和信德省除了大面积的耕地以外,还有大片的荒漠分布。
图1 研究区位置、高程和2015年土地利用分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1666号的标准地图制作,底图无修改。

Fig. 1 The location, elevation, and spatial distribution of land use types in 2015 of CPEC

在CPEC的支持下,官方将提供超过110亿美元完成巴基斯坦的交通网络现代化建设,建立跨越巴基斯坦全境的庞大的公路和铁路网络,把瓜达尔和卡拉奇的海港与巴基斯坦北部以及中国西部和中亚的北部等地区连接起来;解决过去由于其破旧的交通网络造成的低效率通行。CPEC还将建造价值超过330亿美元的能源基础设施,以帮助缓解巴基斯坦高达4500 MW的长期能源短缺。另外,通过经济特区、产业园区等的建设将创造大量的就业岗位。交通网络的升级、电力供给的改善以及经济特区的建立等将会极大的促进该区域的社会经济发展。另一方面,CPEC的建设将有效改善新疆与国内其他区域和南亚地区的连接性,从而增加该地区的发展潜力,以吸引公共和私人投资,促进喀什地区的发展。中巴经济走廊的社会经济发展可能会增加建设用地和耕地等生产生活相关用地的需求,加剧区域土地利用冲突。所以,未来在CPEC的建设背景下,中巴经济走廊将会成为土地利用变化热点区域。

2.2 数据源及数据预处理

本研究涉及大量的基础数据并需要对其进行复杂的预处理工作。所需数据主要包括土地利用数据、社会经济数据、基础地理信息数据、自然环境数据（地形、土壤以及气候数据）等,数据来源、属性及用途等如表1所示。
表1 本文所使用的主要数据清单

Tab.1 List of data used in this study

类别 数据名称 时间 数据属性/
空间分辨率		 数据来源 数据用途
土地利用 土地利用数据 2009—2015 栅格/300 m Climate Change Initiative-Land Cover (CCI-LC)[24] SD、FLUS模型的输入数据和验证数据
社会经济 人口密度 2010 栅格/100 m WorldPop[25] FLUS模型输入数据
GDP 2010 栅格/1 km Global Risk Data Platform[26] 同上
人口统计数据 2009—2015 统计数据 喀什地区统计年鉴、巴基斯坦统计年鉴、联合国开发计划署[27] SD模型的构建
GDP统计数据 2009—2015 统计数据 同上 同上
基础地理
信息		 居民点 2012 矢量 南亚资源环境数据库（课题组提供） FLUS模型输入数据
路网 矢量 同上 同上
河流 矢量 同上 同上
地形 DEM 2007 栅格/30m 美国国家航空航天局[28] FLUS模型输入数据
坡度 由DEM计算获得 同上
坡向 同上 同上
土壤 土壤PH 2013 栅格/250m World Soil Information[29] FLUS模型输入数据
含沙量 同上
土壤深度 同上
有机碳含量 同上
气候 年均温 1985—2015 矢量 美国国家气象数据中心[30] FLUS模型输入数据
年降雨 1985—2015 矢量 同上 同上
根据需要土地利用（CCI-LC）数据被重新分类为耕地、草地、林地、水体、建设用地、未利用地（涵盖冰雪、裸土、沙漠、戈壁等）6种土地利用类型。通过计算每个像元到邻近居民点、路网、河流的最小欧式距离作为邻近变量的度量,包括到最近的居民点、公路、铁路及河流的距离。自然环境数据中还需要根据DEM数据提取坡度、坡向数据,气候数据还需要通过插值获取栅格数据。最终,所有数据在处理过程中均以土地利用数据为基准,统一为同一坐标系统下300 m分辨率的栅格数据,并保证数据行列数完全一致。

3 研究方法

本文采用模型模拟的方式对中巴经济走廊不同情景下的土地利用变化进行模拟和预测。整个研究框架主要包含二大部分：① 利用SD模型根据人口、社会经济以及自然条件等建立区域宏观土地利用需求情景模拟模型,预测不同情景下中巴经济走廊区域用地需求面积。② 基于FLUS模型的空间部分完成土地利用分配,首先,考虑人类活动和自然环境相关的多种驱动因子（人口、经济、交通、地形等）获取各种用地类型的适宜性概率;然后结合土地适宜性概率、元胞间的相互影响、转换代价和土地利用需求等设置,通过迭代运算获取满足要求的最适宜的土地利用空间分布。具体流程如图2所示。
图2 SD-FLUS耦合模型流程

Fig. 2 The flow chart of SD-FLUS model

3.1 中巴经济走廊发展情景

本研究设置了3种发展情景来探究中巴经济走廊区域未来土地利用变化可能存在的不同情况。
（1）惯性发展情景
惯性发展情景（Baseline Development, BD）主要是基于临近时间段内（2009—2015）的历史数据（如经济和人口增长的趋势）设置的参考情景。该情景假设在没有新的经济或环境政策变动的情况下（如中巴经济走廊建设项目）,区域未来土地利用需求将延续过去的趋势。此情景下设置人口增长较慢、低GDP增长率、技术进步缓慢以及保持当前气候变化趋势的低排放情景。
（2）投资优先情景
投资优先情景（Investment Priority Oriented, IPO）主要是考虑到中巴经济走廊项目的实施对区域社会经济发展的影响,注重社会经济的发展。该情景考虑基础设施的提升、能源短缺问题的改善以及投资环境的变化等可能带来的区域经济和人口增长变化,也考虑到农业项目的合作等带来的区域生产力的提高。因此该情景下的人口增长、经济增长以及技术进步都将高于惯性发展的情景,气候变化情景采用变化相对较大的高排放情景。
（3）和谐发展情景
和谐发展情景（Harmonious Development, HD）是在当前环境下结合中巴经济走廊建设的大背景以及政府对于区域未来的生态环境保护和恢复的愿景进行设定。与投资优先情景类似,此情景下中巴经济走廊的建设对区域的社会经济发展产生了积极的影响,另外由于政府对于生态环境保护的重视和投入也会对区域的人口、经济增长以及气候变化情景等产生影响。所以,我们首先为此情景设置中等的人口和经济增长速率、高速的技术进步以及相对平稳的中等排放情景,然后结合当地政府在生态环境保护方面的规划（巴基斯坦主要考虑其森林恢复计划、喀什地区主要参照《喀什地区国民经济与社会发展第十三个五年计划》[31]中对森林覆盖率的规定）根据历史土地利用转移情况对相应类型的土地利用需求做出调整获得最终该情景模式下的区域土地利用需求数据。该情景下根据巴基斯坦森林恢复计划设置巴基斯坦森林面积比例到2030年增加至7%[32];喀什地区根据喀什十三五规划文件的规划做出一定的调整,假设该地区森林覆盖率到2030年达到6%。
“中巴经济走廊”旨在通过建设现代交通网络、众多能源项目和经济特区迅速实现巴基斯坦基础设施现代化并加强其经济发展。据巴基斯坦政府估计过去由于其破旧的交通网络造成的低效率通行导致其年度GDP损失约3.55%[33,34]。世界银行认为过去由于能源短缺导致巴基斯坦年度国内生产总值减少2%~2.5%[33,35]。巴基斯坦官员预测,CPEC将在2015—2030年创造超过230万个就业岗位[36],为该国的年度经济增长增加2%~2.5%。综上所述,CPEC建设在经济上对巴基斯坦至关重要,未来由于基础设施、能源供应的改善以及就业岗位的增加,可以预见巴基斯坦经济发展将会取得快速增长[37,38,39]。另一方面,巴基斯坦属于农业大国,但是其小麦、大米和豆类等多种作物的单产偏低,缺水、缺乏高产种子、缺乏研究和开发是巴基斯坦作物产量低的根本原因[40]。《中巴经济走廊长期计划（2017—2030）》[41]指出,未来中巴经济走廊将实施农业基础设施升级、农业信息化、推进现代农业节水园区建设、农业设备建设储备配送、加强滴灌技术、农业机械化及化肥生产等一系列农业相关项目。通过以上项目的推进,巴基斯坦的农业技术无论从效率还是单位面积产量上都会取得大幅的上升。对于国内区域而言,国家将中巴经济走廊项目纳入国家重点发展计划,作为未来几年发展的重点部分之一,体现了其核心重要性。CPEC项目还将补充我国的西部大开发计划,改善区域的连通性,促进包括喀什地区在内的西部地区的社会经济发展[39]。
本文气候变化采用政府间气候变化专门委员会排放情景特别报告（IPCC-SERS）的情景（第四次报告）。使用该情景而非更新版本的典型浓度路径（RCPs）情景,主要是由于IPCC-SERS的数据比较全（巴基斯坦气象局目前公开的第五次报告的数据只有RCP4.5和RCP8.5）[42],加上使用的IPCC-SERS的3种情景和RCPs的相应情景比较接近。基于IPCC排放情景特别报告的描述[43]（表2）,本文分别将IPCC-SERSB1、IPCC-SERSA2和IPCC-SERSA1B情景用于BD、IPO以及HD 3种情景。
表2 IPCC-SERS相关情景描述

Tab.2 Scenarios description of IPCC-SERS

排放情景 情景描述
IPCC-SERS A2 高排放情景,人类活动加剧,温室气体的排放加快,气温和降水均快速增加
IPCC-SERS A1B 中等排放情景,气温和降水在3种情景中呈现中等增加趋势
IPCC-SERS B1 低排放情景,气温和降水等维持当前的变化趋势
根据以上内容,结合研究区历史数据资料,通过合理的假设未来中巴经济走廊区域的经济发展、人口增长、技术创新等状况,参照前人研究估算的区域IPCC-SERSA2、A1B和B1情景下的温度、降雨变化情况[42,44-45]以及研究区未来可能的土地利用相关政策规定,设置了BD、IPO及HD 3种情景模式下的GDP增长率、人口增长率、技术创新以及不同的温度、降雨变化状况,各情景的具体参数见表3。
表3 2016—2030年CPEC不同发展情景参数设置

Tab.3 The parameter setting of different developing scenarios for CPEC from 2016 to 2030

情景 变量 喀什地区 巴基斯坦
惯性发展 人口增长率 r(x)=r(1-x/xmax)[46] r(x)=r(1-x/xmax)
GDP增长率 12%线性下降至6% 保持5%
年降雨变化/（mm/a） 0.100 -0.089
年均温变化/（℃/a） 0.020 0.024
技术创新/% 0.30 1.50
投资优先 人口增长率 1.5% 保持1.9%
GDP增长率 12% 5%线性增长到10%
年降雨变化/（mm/a） 0.750 0.173
年均温变化/（℃/a） 0.040 0.051
技术创新/% 0.50 2.00
和谐发展 人口增长率 1.5%线性下降到1.0% 1.9%线性下降到1.7%
GDP增长率 12%线性下降到10% 5%线性增长到9%
年降雨变化/（mm/a） 0.125 0.126
年均温变化/（℃/a） 0.030 0.041
技术创新/% 0.50 2.00

注：r(x)=r(1-x/xmax),其中r(x)是人口为x时的人口增长率,r为固有人口增长,x为当前人口数,xmax为区域可容纳的最大人口数量为xmax。当人口达xmax时,人口不在增长,通过求解微分方程可得当年人口及其增长率[46]。

3.2 中巴经济走廊土地利用需求SD模型构建

本研究利用SD模型根据人口、社会、经济及气候等多种因素预测不同发展情景下研究区未来的土地利用总量需求。在分析各子系统和各要素之间的相互作用关系的基础上,本文利用Vensim软件（http://vensim.com/）构建了区域土地需求系统动力学模型（图3）,主要包括经济子系统、人口子系统、气候子系统、生产力子系统和土地利用子系统5大部分,不同因素之间的反馈及相互作用经验公式根据研究区历史统计数据拟合获取。
图3 中巴经济走廊土地利用变化SD模型（以巴基斯坦为例）

Fig. 3 SD model of LUCC for CPEC（case in Pakistan）

由于本文的研究区横跨中国和巴基斯坦2个国家,考虑到2个国家所处的社会发展阶段、施行的社会经济政策以及二者目前的综合国力都存在着较大的差别,所以本文分别针对巴基斯坦（包括巴控克什米尔地区）和喀什地区构建了SD模型（比较而言中国多考虑了“退耕还林”的影响,二者结构差异较小,文中以巴基斯坦图为例）并分别进行了情景设置。根据研究区的特征、研究区可获取的数据资料情况设定SD模型模拟的时间范围为2009—2030年,由于研究区数据资料（土地利用数据、统计年鉴）的限制,本研究将2009—2015年做为模拟历史期,此阶段主要运用所收集数据进行模型的校正和检证（其中2015年用作独立验证）,以2016—2030年做为模型预测期,模拟以上3种情景下的土地利用情况,模型模拟步长设置为1年。

3.3 FLUS模型空间分配部分

FLUS模型对传统元胞自动机模型进行了改进,引入人工神经网络（Artificial Neural Network, ANN）模型来获取元胞转换为各种用地类型的可能性,同时结合惯性系数与轮盘竞争机制以表达模拟过程中各类型用地之间的互动与竞争机制,这些设计使FLUS模型相对于普通CA模型更能够反应土地利用变化的真实情况且更适用于模拟复杂和长期的土地利用变化[10,47-49]。
FLUS模型进行模拟时,首先通过人工神经网络确定各种土地利用类型与社会经济、自然环境要素等各种驱动因子之间的复杂对应关系,最终通过输出层获取栅格单元转换为各种土地利用类型的潜在可能性。FLUS模型采用三层前馈神经网络模型,并根据研究选取的空间变量设置ANN中各层的神经元个数,然后通过选取的空间驱动因子与土地利用数据的历史分布的随机采样样本进行ANN训练,通过ANN的计算得到元胞的发展概率[50,51]。ANN模型中栅格单元p在训练时间t时土地利用类型k的发生概率表示为：
p ( p , k , t ) = ∑ j w j , k × 1 1 + e - ne t j ( p , t )
式中：p(p, k, t)为第k种用地类型在栅格p,时间t上的适宜性概率;wj,k是隐藏层和输出层之间的自适应权重;netj(p, t)在隐含层中,神经元j在时间t从栅格单元p上的所有输入神经元接收的信号。
然后,通过得到的栅格发生概率与栅格的邻域效应及惯性系数计算总体概率。其中,邻域效应反映了土地利用栅格周围像元与中心像元的相互影响,表示邻域范围内各用地单元的相互作用,本文选取3像元×3像元的Moore邻域模型计算邻域效应,栅格p在t时刻土地利用类型k的邻域效应因子 Ω p , k t 的计算模型表达如下[10,16]：
Ω p , k t = ∑ N × N con ( c p t - 1 = k ) N × N - 1 × w k
式中： ∑ N × N con ( c p t - 1 = k ) 代表最近一次迭代t-1时刻,在N×N（本文N=3）窗口内的第k种土地利用类型占据的栅格（p）的总数; w k 代表不同土地利用类型中的可变权重。
自适应惯性竞争机制的核心是自适应惯性系数。根据宏观土地利用需求与分配得到的土地用量之间的差异,在迭代中自动调整每种土地利用类型的自适应惯性系数,从而使各类用地的数量向宏观需求靠近[10]。自适应惯性系数的定义式如下：
Interti a k t = Interti a k t - 1 D k t - 1 ≤ D k t - 2 Interti a k t - 1 × D k t - 2 D k t - 1 D k t - 1 < D k t - 2 < 0 Interti a k t - 1 × D k t - 1 D k t - 2 0 < D k t - 2 < D k t - 1
式中： Interti a k t 表示在迭代时间t,土地利用类型k的惯性系数; D k t - 1 表示t-1时刻宏观需求与土地利用类型k的实际数量之间的差值。惯性系数是针对占据栅格单元的当前土地利用类型而定义的,如果当前的土地利用类型不是土地利用类型k,则设置土地利用类型k的惯性系数为1,并且该栅格单元的土地利用类型k的组合概率不会改变。
综合考虑栅格的适宜性概率、自适应惯性系数、邻域效应以及转换成本4个因素,获取栅格p在时刻t土地利用类型为k的总体转换概率 T P p , k t 如下[10]：
T P p , k t = P p , k × Ω p , k t × Inerti a k t × ( 1 - s c c → k )
式中：Pp,k、 Ω p , k t 和 Inerti a k t 分别为适宜性概率、邻域效应、自适应惯性系数; s c c → k 为土地利用类型c到土地利用类型k的转换成本。
在估算每次迭代的总体概率之后,FLUS模型采用轮盘选择机制来确定哪种土地利用类型将占据像元。通过轮盘选择机制,具有较高总体概率的土地利用类型更可能被分配为占用土地利用类型,并且具有相对较低组合概率的土地利用类型仍然有机会被分配。该机制的随机特征使该模型能够在一定程度上反映实际LUCC动态的不确定性,并将其适用性扩展到跨越式增长的土地利用模拟。

3.4 验证策略

通过对比SD模型模拟获得的各类别土地利用面积与实际土地利用各类别面积进行总量模拟的精度验证。对于模拟获得的空间分配结果,主要通过总体精度和Kappa系数进行检验。Kappa系数常用于评估2幅数据之间的一致性。尽管Kappa系数存在一些缺陷,但其仍被广泛应用于评估模型模拟的准确性[52]。
为了定量评价模型的模拟效果,使用测试集中的样本,构建模拟获得的2015年土地利用数据与实际2015年土地利用产品之间的逐格混淆矩阵,计算各土地利用类型的总体精度和Kappa系数。总体精度等于被正确模拟的像元数除以研究区的总像元数。

4 结果及分析

4.1 总量模拟精度验证

以2009年统计数据为起始数据,设置SD模型中各变量的值,模拟可得到2009—2015年的各种土地利用类型的需求面积。其中2015年作为独立检验的时间,将模拟结果同2015年的现有数据进行对比,发现2个区域的所有类别的土地利用需求的相对误差都处于5.00%之内,还有几个类别的相对误差处在1.00%以下（图4）。另外通过2009—2014年的结果进行模拟验证,各年份各类别的模拟值与实际值之间差异较小,相对误差均小于9.00%,其中耕地、建设用地和林地等未来主要关注类型的模拟值与实际值的差异如图5所示。结果表明,本研究所构建的中巴经济走廊（巴基斯坦、喀什地区）耦合模型总量模拟精度较高,模型能够较好地反映研究区土地利用的需求变化,模拟结果能够作为下一步区域土地利用变化空间模拟模型的需求输入。
图4 2015年总量预测结果与实际面积对比

Fig. 4 Comparison between simulation areas of SD and actual areas of 2015

图5 2009—2014年历史总量模拟结果与实际面积对比

Fig. 5 Comparison between simulation areas of SD and actual areas from 2009 to 2014

4.2 空间分配精度评价

基于上面获取的适宜性概率结果和参数设置,FLUS模型基于研究区2010年土地利用数据模拟获得了巴基斯坦/喀什地区的2015年土地利用空间分布结果。通过对模拟获得的研究区2015年土地利用数据与2015年中巴经济走廊实际的土地利用现状数据进行分析,并通过整体和局部观察,结合总体精度和Kappa系数对模拟数据与实际数据之间的一致性进行检验,分别从定性和定量的角度评价模型模拟的位置精度。
研究区2015年的土地利用空间分布模拟和2015年的实际土地利用格局如图5所示,通过3个区域的局部放大来显示模拟结果与实际数据之间的更多细节。使用2015年真实土地利用情况进行采样,用于FLUS模型预测的2015年结果验证,通过构建模拟土地利用数据与实际土地利用产品之间的逐格混淆矩阵,计算各土地利用类型的总体精度和Kappa系数。
从图6可看出,在中巴经济走廊全区尺度上,模型模拟分布与实际分布吻合度较高。3个选定区域的放大图也显示了6种土地利用类型在空间上拥有较高的一致性。计算得到喀什地区的Kappa系数为0.92,总体精度为93.43%;巴基斯坦的Kappa系数为0.93,总体精度为94.71%。结果表明,FLUS模型的模拟精度较高,能够有效地呈现研究区真实的土地利用动态情况,适用于区域未来土地利用变化模拟工作。
图6 2015年土地利用模拟结果同实际情况对比

Fig. 6 The comparison between the simulation results of land use in 2015 and the classified land use in 2015

4.3 不同情景下预测结果

根据设置的3种不同发展情景,将参数分别带入到构建好的巴基斯坦/喀什地区用地SD模型,结合历史土地利用转移概率,可以得到其土地利用需求预测结果。2016—2030年研究区各种土地利用类型需求面积的预测结果如图7所示。
图7 2016—2030年各土地利用类型需求情景模拟

Fig. 7 Projection of land use demands under different scenarios from 2016 to 2030

（1）巴基斯坦区域
由于城镇化进程以及人口和GDP的不断增长,巴基斯坦的建设用地在3种情景下均呈现出较快的增加趋势,到2030年,投资优先情景增长了5918.54 km2,和谐发展情景增长了4942.80 km2,而惯性发展情景的增长量还不到投资优先情景的一半。耕地面积也处于不断增长中,到2030年,惯性发展情景增长了10 548.10 km2,投资优先情景增长了7885.90 km2,而和谐发展情景下的增量仅为4768.60 km2,这可能是由于投资优先情景和和谐发展情景由于较快的技术进步带来了粮食生产力的快速提升。在惯性发展情景和投资优先情景下,到2030年草地变化幅度较小;而在和谐发展情景下,草地减少了26 328.40 km2,可能是由于森林的恢复侵占草地区域。在惯性发展情景和投资优先情景下,到2030年林地变化幅度不大;而在和谐发展情景下,2030年其森林面积将增加到61 064.55 km2,超过2015年的2倍。在气候变化和社会经济发展的双重作用下,水域面积反而有所增长。受其他土地利用类型发展的影响,未利用地面积均存在一定程度的下降。
（2）喀什地区
由于城镇化进程以及人口和GDP的不断增长,喀什地区的建设用地在3种情景下均呈现出较快的增加趋势,到2030年,惯性发展情景增加了163.71 km2,和谐发展情景增加了235.17 km2,而投资优先情景增加高达263.52 km2。耕地面积也处于不断增长中,与巴基斯坦地区有所不同到2030年,投资优先情景下喀什地区的耕地增长了882.54 km2,和 谐发展情景下增长了604.44 km2,而惯性发展情景下增长最少（427.41 km2）。在惯性发展情景,草地存在小幅增长;在投资优先情景,由于其他用地类型增长的影响,到2030年草地面积缩小了221.58 km2;而在和谐发展情景下,由于森林的恢复可能侵占草地区域导致最终草地面积减少了3318.48 km2。在惯性发展情景和投资优先情景下,林地表现出增长的趋势;在和谐发展情景下,森林 面积有较大幅度的增长,到2030年增量多达5562.36 km2。在气候变化和社会经济发展的综合影响下,水域面积反而有所增长。受其他土地利用类型发展的影响,未利用地面积均存在一定程度的下降。
将3种不同发展情景下的土地利用需求预测结果分别代入FLUS模型,以2015年土地利用实际数据和驱动因子数据作为初始数据,模拟中巴经济走廊区域未来的土地利用空间分布情况,对3种情景下最终模拟年份（2030年）的模拟结果进行比较。由于中巴经济走廊范围较大,选取下图中具有代表性的4个区域进行结果展示（图8）。
图8 2015年土地利用现状及2030年3种情景模拟结果

Fig. 8 Land use in 2015 and simulation results of three different scenarios in 2030

区域1显示的是叶尔羌河流域的麦盖提县到泽普县附近的区域,用于展示喀什地区不同情境下各种土地分布差异。与2015年的实际土地利用模式相比,IPO情景中主要是建设用地的大幅增长,以及可能由于人口和经济增长带来的耕地对周围草地的部分侵占。BD情景中最主要的是建设用地的扩张对周围土地的侵占,但是建设用地的扩张幅度相比IPO情景要小得多。HD情景则主要表现为在原有林地周边的草地、耕地甚至未利用地向林地的大幅转变,以及比IPO情景要慢的建设用地扩张。
区域2显示的是古勒姆流域附近的一处以耕地为主、夹杂着一些草地和少许森林斑块的区域,主要用于展示不同情景下流域中耕地、草地和林地之间的相互变化。与2015年的实际土地利用模式相比,BD情景中最重要的土地利用变化是耕地对草地的侵蚀。IPO情景中的土地利用变化则显得相对较小,主要也是草地向耕地的转变,但是变化相比BD情景而言要缓慢。在HD情景中,由于政府对森林恢复的相关政策的实施,导致了相当一部分的草地和耕地转为林地。
区域3显示的是拉合尔及其周边区域,其主要特征是土地开发和自然影响下典型的城市扩张,展示巴基斯坦城市在不同情景下的变化。在以经济发展为导向的IPO情景中,在未来的十多年里,主要表现为大城市周围的建设用地急剧扩张,耕地相应减少。在延续历史趋势的BD情景中也有类似的表现,变化的速度相对较慢。在这2种情况下,建设用地的迅速扩张可能是社会经济发展以及人口增长对基础设施建设的需求。相比之下,HD情景由于政府对生态环保的重视,追求高质量的发展,该情景下城市扩张相比IPO情景显得较慢,但是由于中巴经济走廊建设等因素对社会经济的带动,其城市扩张依然比BD情景更显著。
区域4位于旁遮普省和俾路支省的交界处,也是俾路支高原和印度河平原的过渡地带,主要以草地和林地为主,展示了林草交错带在不同情景下的变化差异。与2015年的土地利用格局相比,BD情景和IPO情景下该区域的森林和草原的变化都不大,主要是少量的相互转化。而在HD发展情景中,最显著的变化是森林的快速扩张对草地的侵占。

5 讨论

一般而言,土地利用系统是个复杂的系统,土地利用动态过程是个复杂的过程,任何土地利用变化模拟模型都无法完全描述土地利用变化的模式[53]。本研究通过耦合SD和FLUS模型模拟了2016—2030年中巴经济走廊区域多种情景下的土地利用变化,取得了一定的效果,但模拟过程中也存在不足,土地利用变化的预测结果仍存在不确定性。
（1）除了模拟模型和输入数据的影响之外,土地利用变化模拟的精度高低还受研究区大小、复杂程度以及模拟验证时间跨度等因素的影响,不同研究中的精度指标存在一定的差别,比如刘小平等[10]利用FLUS模型基于2000年数据模拟全中国2010年的土地利用情况,其Kappa系数为0.67,总体精度为75.00%;而孟成等[54]利用CA模型基于2002年模拟武汉市2012年土地利用变化,其Kappa系数为0.91,总体精度为91.20%。本文基于2010年数据对巴基斯坦和喀什地区2015年的土地利用变化进行了模拟,Kappa系数为0.92（喀什地区）、0.93（巴基斯坦）,模拟总体精度为93.43%（喀什地区）、94.71%（巴基斯坦）。整体而言,Kappa系数大于0.60说明模拟结果与实际数据之间具有较高的一致性[54],本文针对中巴经济走廊建立的SD和FLUS耦合模型精度较高,能够有效模拟该区域的土地利用动态。
（2）巴基斯坦和喀什地区建设用地规模在3种情景下表现相似,即投资优先情景增长最快,和谐发展情景次之,主要是因为“中巴经济走廊”交通网络、能源设施和经济特区等各种项目的实施将极大的促进其发展[33,38],而主要关注社会经济发展的投资优先情景的人口和GDP的增长最快。对耕地而言,喀什地区在投资优先情景增长最快,惯性情景增长最慢（图7（a）—图7（f））,而巴基斯坦却表现为惯性情景增长最快,和谐发展情景增长最慢（图7（g）—图7（l））,这种差异主要是由于巴基斯坦原本农业生产力相对落后[40],而中巴经济走廊的建设通过农业合作带动相关领域的技术进步,会使投资优先情景和和谐发展情景下的粮食生产力得到快速提升[39],另一方面,和谐发展情景下由于兼顾社会经济发展和生态恢复保护在人口和经济增长方面均低于投资优先情景,故该情景下耕地面积增长少于投资优先情景。在惯性发展情景和投资优先情景下巴基斯坦和喀什的草地变化幅度均较小,而和谐发展情景下减少幅度较大,这主要是由于森林的恢复会占用较多的草地。在惯性发展情景和投资优先情景下,两者的林地面积变化幅度均不大,而和谐发展情景下林地面积有较大幅度的增长,主要是因为政府关于森林恢复和保护的相关政策规划的实施,陈冬冬和邓祥征等[55]针对巴基斯坦的土地利用变化研究中也有类似的考虑。水体面积在3种情景下均存在小幅的增加,可能是需水量增加促进了水库等蓄水设施的建设,水库在干旱区有着防洪、发电、灌溉等重要作用,其增加与未来研究区的需求也是一致 的[56],另外走廊合作项目中也包含了多项水库建设。未来3种情景下未利用地面积均存在一定程度的下降,说明在发展的过程中用地需求进一步扩大,需要未利用地得到进一步的开发和利用。
（3）喀什地区在惯性发展和投资优先情景下的国土空间开发压力相对较小,主要是城市的扩张 和对原有耕地周边未利用地的适度开垦和利用 （图8（f）,图8（g））,但在和谐发展情景下由于生态保护的政策需求,加大了对未利用地的开发需求,还需要努力促进原林地周边宜林地的开发（图8（h））。巴基斯坦在3种情景下均对国土空间的开发有着较高的需求,除了城市区域的较快扩张,惯性发展情景由于耕地需求较大,还有耕草交错区草地向耕地的转化（图8（j））,需要加大对周边未利用地的开发力度,和谐发展情景还需要促进林草交错区宜林草地恢复为林地（图8（t））,同时促进未利用地的开发。
（4）众多研究指出中巴经济走廊建设以及相关领域合作的加深将会推动该区域的社会经济快速发展[37,38],随着区域内人口增长、社会经济发展,粮食、住房等各种需求也将不断增加,空间冲突将会加 剧[57]。从图7也可看出,投资优先情景及和谐发展情景下,建设用地、耕地和林地等各类土地利用需求之间的冲突也将更加明显。中巴经济走廊建设通过加大技术投入、落实农业等关键合作领域项目等措施,有助于提升土地资源使用效益,可以帮助缓解研究区发展过程中的土地利用冲突,例如,通过农业基础设施升级和化肥生产等项目的合作可以有效提高农业生产力,缓解耕地需求压力;通过现代农业节水园区建设和加强滴灌技术等项目来提高水资源的利用,促进未利用地开发。另外,未来发展过程中如果一味强调经济增长,而缺乏对生态问题的考虑,会挤压生态空间,降低资源环境的品质[58]。因此,在走廊建设过程中需要加强生态环境保护和恢复相关政策的制定和落实,使得林地等生态相关用地得到恢复,促进生态环境逐步向好,推动区域的可持续发展。
（5）本研究注了未来的土地利用变化,但未考虑这些变化对自然环境（如气温、降水）、人口和社会经济（如GDP）因素的影响,但是它们相互之间是耦合的,变化的土地利用类型反过来也会对气候、人口和社会经济等因素产生影响。然而由于LUCC导致这些因子在数量以及空间位置上的变化机制尚不明确,目前无法实现气候、人口及社会经济因子等驱动因子在模型中的同步更新。未来研究应进一步考虑土地利用变化与驱动因子的相互影响。

6 结论

通过耦合SD模型和FLUS模型模拟了中巴经济走廊2016—2030年的土地利用变化。模拟结果表明不同情景之间土地利用的差异广泛存在。在3 种情景下建设用地均扩张,和谐发展情景扩张速度居中,该情景下喀什建设用地增加了235.17 km2,巴基斯坦增加了4942.80 km2,而扩张最快的投资优先情景下,喀什建设用地增加了265.23 km2（惯性发展情景仅增加163.71 km2）,巴基斯坦建设用地增加了5918.91 km2（惯性发展情景仅增加2861.84 km2）。巴基斯坦和谐情景下的耕地增量最少（4768.60 km2）,不到增长最多的惯性发展情景的一半,喀什耕地在和谐发展情景增加了604.44 km2,增量居中,不到投资优先情景的3/4。水体面积在3种情景下均有小幅增长,且投资优先情景增长最多,惯性发展情景增长最少。只有和谐发展情景下的林地得到了显著的恢复,另2种情景下草地和林地变化较小。3种情景中,和谐发展情景既控制了建设用地和耕地的增长速率,又有效的增加了森林面积。
CPEC的实施和深入将把研究区的发展带入快车道,区域社会经济将获得快速增长。快速的发展下土地利用冲突将会加剧,而CPEC通过中国的技术输出和双方在农业、技术等关键领域的项目合作,能够提高作物单产、提高水资源利用效率等,促进未利用地的开发,缓解土地利用冲突。另外,在未来发展中不可一味的追求经济发展,还应该通过控制人口增长、制定落实生态恢复计划等相关政策,保障土地资源的合理利用。综上,在未来中巴经济走廊区域的发展过程中,和谐发展情景是3种情景中最理想的情景。该情景兼顾社会经济发展和生态环境恢复,可为区域未来的可持续土地资源管理提供参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
丁思洋, 朱文泉, 江源, 等. 基于RS与GIS的中巴经济走廊生态现状评价[J]. 北京师范大学学报(自然科学版), 2017,53(3):358-365.

[ Ding S Y, Zhu W Q, Jiang Y, et al. Ecological status in the China-Pakistan economic corridor: assessments by RS and GIS[J]. Journal of Beijing Normal University (Natural Science), 2017,53(3):358-365. ]

[2]
王会芝, 惠之凡, 徐鹤. “中巴经济走廊”建设生态环境风险分析与应对策略[J]. 河海大学学报(哲学社会科学版), 2017,19(1):65-68.

[ Wang H Z, Hui Z F, Xu H. Risk analysis and countermeasures of ecological environment in the construction of "China Pakistan Economic Corridor"[J]. Journal of Hohai University (Philosophy and Social Sciences), 2017,19(1):65-68. ]

[3]
刘卫东, Michael Dunford, 高菠阳. “一带一路”倡议的理论建构——从新自由主义全球化到包容性全球化[J]. 地理科学进展, 2017,36(11):1321-1331.

[ Liu W D, Michael D, Gao B Y. Discursive construction of the Belt and Road Initiative: From neoliberal to inclusive globalization[J]. Progress in Geography, 2017,36(11):1321-1331. ]

[4]
Foley J A, Defries R, Asner G P, et al. Global consequences of land use[J]. Science, 2005,309(5734):570-574.

DOI PMID

[5]
雷光斌. 山地土地覆被遥感自动制图与监测方法研究[D]. 北京:中国科学院大学, 2016.

[ Lei G B. Study on land cover mapping and change detection in mountainous areaby remote sensing[D]. Beijing: University of Chinese Academy of Sciences, 2016. ]

[6]
刘甲红, 徐露洁, 潘骁骏, 等. 土地利用/土地覆盖变化情景模拟研究进展[J]. 杭州师范大学学报(自然科学版), 2017,16(5):551-560.

[ Liu J H, Xu L J, Pan X J, et al. Research progress on land-use and land-cover change scenario simulation[J]. Journal of Hangzhou Normal University(Natural Sciences Edition), 2017,16(5):551-560. ]

[7]
Portela R, Rademacher I. A dynamic model of patterns of deforestation and their effect on the ability of the Brazilian Amazonia to provide ecosystem services[J]. Ecological Modelling, 2001,143(1-2):115-146.

[8]
田贺, 梁迅, 黎夏, 等. 基于SD模型的中国2010―2050年土地利用变化情景模拟[J]. 热带地理, 2017,37(4):547-561.

[ Tian H, Liang X, Li X, et al. Simulating multiple land use scenarios in china during 2010-2050 based on system dynamic model[J]. Tropical Geography, 2017,37(4):547-561. ]

[9]
Wu Q, Li H Q, Wang R S, et al. Monitoring and predicting land use change in Beijing using remote sensing and GIS[J]. Landscape & Urban Planning, 2006,78(4):322-333.

[10]
Liu X, Liang X, Li X, et al. A Future Land Use Simulation Model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017,168:94-116.

[11]
何春阳, 史培军, 陈晋, 等. 基于系统动力学模型和元胞自动机模型的土地利用情景模型研究[J]. 中国科学(D辑):地球科学), 2005,35(5):464-473.

[ He C Y, Shi P J, Chen J, et al. Land use scenario simulation based on system dynamics and cellular automaton model[J]. Science in China Series D-Earth Sciences (in Chinese), 2005,35(5):464-473. ]

[12]
黎夏, 刘小平. 基于案例推理的元胞自动机及大区域城市演变模拟[J]. 地理学报, 2007,62(10):1097-1109.

[ Li X, Liu X P. Case-based cellular automaton for simulating urban development in a large complex region[J]. Acta Geographica Sinica, 2007,62(10):1097-1109. ]

[13]
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.

[ 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. ]

[14]
余强毅, 吴文斌, 唐华俊, 等. 复杂系统理论与Agent模型在土地变化科学中的研究进展[J]. 地理学报, 2011,66(11):1518-1530.

[ Yu Q Y, Wu W B, Tang H J, et al. Complex system theory and agent-based modeling: Progresses in land change science[J]. Acta Geographica Sinica, 2011,66(11):1518-1530. ]

[15]
Luo G, Yin C, Chen X, et al. Combining system dynamic model and CLUE-S model to improve land use scenario analyses at regional scale: A case study of Sangong watershed in Xinjiang, China[J]. Ecological Complexity, 2010,7(2):198-207.

[16]
Verburg P H, Overmars K P. Combining top-down and bottom-up dynamics in land use modeling: Exploring the future of abandoned farmlands in Europe with the Dyna-CLUE model[J]. Landscape Ecology, 2009,24(9):1167-1181.

[17]
严冬, 李爱农, 南希, 等. 基于Dyna-CLUE改进模型和SD模型耦合的山区城镇用地情景模拟研究——以岷江上游地区为例[J]. 地球信息科学学报, 2016,18(4):514-525.

[ Yan D, Li A N, Nan X, et al. The study of urban land scenario simulation in mountain area based on modified Dyna-CLUE model and SDM: A case study of the upper reaches of Minjiang River[J]. Journal of Geo-information Science, 2016,18(4):514-525. ]

[18]
戴尔阜, 马良. 土地变化模型方法综述[J]. 地理科学进展, 2018,37(1):152-162.

[ Dai E F, Ma L. Review on land change modeling approaches[J]. Progress in Geography, 2018,37(1):152-162. ]

[19]
王其藩. 系统动力学理论与方法的新进展[J]. 系统管理学报, 1995(2):6-12.

[ Wang Q F. Recent development of theory and method of system dynamics[J]. Systems Engineering-Theory Methodology Application, 1995(2):6-12. ]

[20]
Forrester J W. System dynamics, system thinking and soft OR[J]. System Dynamics Review, 1994,10(2):245-256.

[21]
梁友嘉, 徐中民, 钟方雷. 基于SD和CLUE-S模型的张掖市甘州区土地利用情景分析[J]. 地理研究, 2011,30(3):564-576.

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

[22]
张亚飞, 廖和平, 李义龙. 基于反规划与FLUS模型的城市增长边界划定研究——以重庆市渝北区为例[J]. 长江流域资源与环境, 2019,28(4):757-767.

[ Zhang Y F, Liao H P, Li Y L. Delimitation of urban growth boundary based on anti-planning and FLUSmodel: A case study of Yubei district, Chongqing, China[J]. Resources and Environment in the Yangtze Basin, 2019,28(4):757-767. ]

[23]
彭洁. 中巴经济走廊生态脆弱性遥感综合评估[D]. 北京:中国科学院大学, 2017.

[ Peng J. The comprehensive evaluation of ecological vulnerability in China-Pakistan Economic Corridor[D]. Beijing: University of Chinese Academy of Sciences, 2017. ]

[24]
WorldPop. High resolution population distribution maps[DB/OL]. https://www.worldpop.org/.

[25]
ESA. Climate change initiative-land cover[DB/OL]. http://maps.elie.ucl.ac.be/CCI/viewer/download.php.

[26]
Global Risk Data Platform. Gross domestic product[DB/OL]. http://preview.grid.unep.ch.

[27]
UNDP. Climate change initiative-land cover[DB/OL]. https://population.un.org/wup/.

[28]
Tachikawa T, Hato M, Kaku M, et al. The characteristics of ASTER GDEM version 2[C]. IEEE international geoscience and remote sensing symposium. IEEE, 2011: 3657-3660.

[29]
Hengl T, de Jesus J M, Heuvelink G B, et al. SoilGrids250 m: global gridded soil information based on machine learning[J]. PLoS One, 2017,12(2):e0169748.

DOI PMID

[30]
NCDC. Climate data online[DB/OL]. https://www.ncdc.noaa.gov/.

[31]
喀什地区发展和改革委员会. 喀什地区国民经济与社会发展第十三个五年计划纲要[M]. 2018.

[ Development and Reform Commission of Kashgar. Outline of the 13th Five-Year Plan for national economic and social development of Kashgar[M]. 2018. ]

[32]
Pakistan G. Pakistan millennium development goals report 2013-summary[M]. Islamabad: United Nations Publications, 2014.

[33]
Esteban M. The China-Pakistan Corridor: A transit, economic or development corridor[J]. Strategic Studies, 2016,36(2):63-74.

[34]
Kanwal S, Pitafi A H, Pitifi A, et al. China-Pakistan Economic Corridor (CPEC) development projects and entrepreneurial potential of locals[J]. Journal of Public Affairs, 2019,e1954:1-12.

[35]
Kousar S, Rehman A, Zafar M, et al. China-Pakistan Economic Corridor: A gateway to sustainable economic development[J]. International Journal of Social Economics, 2018,45(6):909-924.

[36]
Ali L, Mi J, SHAH M, et al. The potential socio-economic impact of China Pakistan economic corridor[J]. Asian Development Policy Review, 2017,5(4):191-198.

[37]
Malik A R. The China-Pakistan Economic Corridor (CPEC): A game changer for Pakistan's economy. In: Deepak B. (eds) China's global rebalancing and the New Silk Road[M]. Berlin: Springer. 2018: 69-83.

[38]
Makhdoom A S, Shah A B, Sami K. Pakistan on the roadway to socio-economic development: Acomprehensive study of China Pakistan Economic Corridor (CPEC)[J]. The Government-Annual Research Journal of Political Science, 2018,6(6):37-46.

[39]
Afzal S, Naseem A. China Pakistan Economic Corridor (CPEC): challenges and prospects[J]. Pakistan Administrative Review, 2018,2(1):209-222.

[40]
FAO. FAO statistical yearbook 2012: World food and agriculture[M]. Rome: FAO Inter-Departmental Working Group, 2013.

[41]
Government of Pakistan. Long term plan for China-Pakistan economic corridor (2017-2030). https://www.pc.gov.pk/uploads/cpec/LTP.pdf.

[42]
Chaudhry Q U Z. Climate change profile of Pakistan[M]. Manila: Asian Development Bank, 2017.

[43]
Metz B, Davidson O R, Bosch P R, et al. Climate change 2007: Mitigation. contribution of working group III to the fourth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2007.

[44]
Li L H, Bai L, Yao Y N, et al. Patterns of climate change in Xinjiang projected by IPCC SRES[J]. Journal of Resources and Ecology, 2013,4(1):27-35.

[45]
许崇海, 徐影, 罗勇. 新疆地区21世纪气候变化分析[J]. 沙漠与绿洲气象, 2008,2(3):1-7.

[ Xu C H, Xu Y, Luo Y. Climate change of the 21st century in Xinjiang with SRES scenarios[J]. Desert and Oasis Meteorology, 2008,2(3):1-7. ]

[46]
王学保, 蔡果兰. Logistic模型的参数估计及人口预测[J]. 食品科学技术学报, 2009,27(6):75-78.

[ Wang X B, Cai G L. Parameter evaluation of logistic model and population prediction[J]. Journal of Food Science and Technology, 2009,27(6):75-78. ]

[47]
吴欣昕, 刘小平, 梁迅, 等. FLUS-UGB多情景模拟的珠江三角洲城市增长边界划定[J]. 地球信息科学学报, 2018,20(4):532-542.

[ Wu X X, Liu X P, Liang X, et al. Multi-scenarios simulation of urban growth boundaries in Pearl River Delta based on FLUS-UGB[J]. Journal of Geo-information Science, 2018,20(4):532-542. ]

[48]
Liang X, Liu X, Li D, et al. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model[J]. International Journal of Geographical Information Science, 2018,32(11):2294-2316.

[49]
周浩, 雷国平, 杨雪昕, 等. RCPs气候情景下三江平原典型流域耕地动态模拟[J]. 农业机械学报, 2017,48(10):121-133.

[ Zhou H, Lei G P, Yang X X, et al. Simulation of cultivated land under RCPs scenarios in typical basin of Sanjiang Plain[J]. Transactions of The Chinese Society of Agricultural Machinery, 2017,48(10):121-133. ]

[50]
朱寿红, 舒帮荣, 马晓冬, 等. 基于“反规划”理念及FLUS模型的城镇用地增长边界划定研究——以徐州市贾汪区为例[J]. 地理与地理信息科学, 2017,33(5):80-86.

[ Zhu S H, Shu B R, Ma X D, et al. The delimitation of urban growth boundary based on the idea of "anti-planning" and FLUS model: A case study of Jiawang district, Xuzhou city[J]. Geography and Geo-information Science, 2017,33(5):80-86. ]

[51]
Li X, Yeh A G. Neural-network-based cellular automata for simulating multiple land use changes using GIS[J]. International Journal of Geographical Information Systems, 2002,16(4):323-343.

[52]
Samie A, Deng X, Jia S, et al. Scenario-based simulation on dynamics of land-use-land-cover change in Punjab province, Pakistan[J]. Sustainability, 2017,9(8):1285-1301.

[53]
Verburg P H, Eickhout B, Meijl H V. A multi-scale, multi-model approach for analyzing the future dynamics of European land use[J]. Annals of Regional Science, 2008,42(1):57-77.

[54]
孟成, 卢新海, 彭明军, 等. 基于Markov-C 5.0的CA城市用地布局模拟预测方法[J]. 中国土地科学, 2015(6):82-88.

[ Meng C, Lu H X, Peng M J, et al. A land layout simulation model based on CA and Markov-C 5.0 classification[J]. China Land Science, 2015(6):82-88. ]

[55]
Chen D, Deng X, Jin G, et al. Land-use-change induced dynamics of carbon stocks of the terrestrial ecosystem in Pakistan[J]. Physics & Chemistry of the Earth, 2017,101:13-20.

[56]
Ali T, Xie W. Why Pakistan needs more reservoirs, and fast[J]. Nature, 2018,560(7719):431.

DOI PMID

[57]
祝卓. 空间冲突的演变特征及影响效应——以长株潭城市群为例[J]. 地理科学进展, 2012,31(6):717-723.

[ Zhu Z. The evolution characteristics and influence effect of spatial conflict: A case study of Changsha-Zhuzhou-Xiangtan urban agglomeration[J]. Progress in Geography, 2012,31(6):717-723. ]

[58]
赵丹阳. 松花江流域城镇空间扩展的生态环境效应[D]. 北京:中国科学院大学, 2017.

[ Zhao D Y. Eco-environment effect of urban expansion in Songhua River Basin[D]. Beijing: University of Chinese Academy of Sciences, 2017. ]

Options
Outlines

/

〈 〉