EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 1: 100 - 113

DOI: https://doi.org/10.12082/dqxxkx.2022.210359

A Coupled FLUS and Markov Approach to Simulate the Spatial Pattern of Land Use in Rapidly Developing Cities

  • WANG Xudong , 1 ,
  • YAO Yao , 1, 2, * ,
  • REN Shuliang 1 ,
  • SHI Xuguo 1
Expand
  • 1. School of Geography and Information Engineering, China University of Geosciences, Wuhan 430078, China
  • 2. Alibaba Group, Hangzhou 311121, China
* YAO Yao, E-mail:

Received date: 2021-06-28

  Revised date: 2021-09-22

  Online published: 2022-03-25

Supported by

National Natural Science Foundation of China(41801306)

National Key Research and Development Program of China(2019YFB2102903)

Copyright

Copyright reserved © 2022
Fold

Abstract

Modeling urban land use change is important for future regional planning and sustainable development. Previous FLUS-based studies are mostly based on larger grid scales. How to simulate the complex land use change processes in rapidly developing cities and explore the driving mechanisms of land use change still need further exploration. This paper constructs an urban land use pattern simulation framework coupled with FLUS and Markov and innovatively introduces house price to characterize socio-economic attributes. We take Shenzhen as the study area to simulate future urban land use spatial patterns under different development scenarios based on small grid scale (30 m) land use classification data and multi-source spatial variables such as basic geography data, road and river networks, and point-of-interest data. Finally, we analyze the land use change drivers using random forest models. The results show that the coupled FLUS and Markov method proposed in this paper has higher accuracy (FoM = 0.22) and simulate the land use change processes more accurately in rapidly developing cities, compared to traditional CA models (RFA-CA and Logistic-CA). The mapping results of multi-scenario land use patterns verify the importance of ecological control lines in the process of urban development, further illustrating the reference value of the proposed simulation framework for future urban planning layout. Hospital infrastructure, entertainment venues, and bus stop, road network density have a greater impact on urban development than natural factors (e.g., elevation, slope), while the distance to coastline limits land use change processes to some extent within Shenzhen. The model constructed in this study and the fine mapping results can provide a reference basis and theoretical foundation for related research on urban regional planning and spatial pattern simulation.

Key words： multi-source data; rapidly developing cities; land use patterns; Markov model; FLUS model; scenario settings; simulation of land use spatial patterns; land use change driving mechanisms

Cite this article

WANG Xudong , YAO Yao , REN Shuliang , SHI Xuguo . A Coupled FLUS and Markov Approach to Simulate the Spatial Pattern of Land Use in Rapidly Developing Cities[J]. Journal of Geo-information Science, 2022 , 24(1) : 100 -113 . DOI: 10.12082/dqxxkx.2022.210359

1 引言

土地利用和土地覆盖变化（Land Use and Land Cover Change, LUCC）是人类活动作用于地球系统所产生的最重要的变化之一[1],人类活动促进了社会经济的高速发展[2],所取得的成果离不开土地的支持。然而,土地不可能无限扩张,社会发展过程中人地矛盾日益突出,给生态安全带来一定的威胁,比如出现粮食紧张[3]、污染严重[4]等问题。由此可见,结合城市发展特点挖掘土地利用演变规律,预测未来土地利用空间格局,对于了解和把握城市土地利用变化过程具有重要意义。
已有研究表明,元胞自动机（Cellular Automata, CA）模型能够有效地模拟复杂地理过程,特别是城市扩张过程中的空间模拟研究[5]。早期的CA研究[6,7]通过定义几个简单的局部规则模拟复杂结构[8],随着研究的深入,许多学者开始考虑将影响城市发展的各种因素,如土地发展适宜性[9]、交通可达性[10]和社会经济因素[11]纳入模拟中,以获得更贴近实际的城市CA模型。计算机技术的发展进一步将机器学习引入CA研究,提出基于神经网络[12]、随机森林算法[13]（Random Forests Algorithm, RFA）、遗传算法[14]（Genetic Algorithm, GA）和支持向量机[15]（Support Vector Machine, SVM）等方法挖掘城市内部发展规则。这些研究虽然对CA模型的参数进行了优化,但仍难以获得高精度模拟结果[16]。
Liu等[17]在传统CA的基础上提出了未来土地利用（Future Land Use Simulation, FLUS）模型,该模型被证明对比CLUE-S（Conversion of Land Use and its Effects at Small Regional Extent）和ANN-CA（Artificial Neural Networks-Cellular Automata）具有更高的模拟精度[17],已广泛应用于土地利用格局模拟研究中。如朱寿红等[18]在30 m小尺度网格分辨率下使用FLUS模型,引入基本农田和生态红线等保护要求,模拟徐州市贾汪区未来多情景土地利用格局; Liang等[19]在珠江三角洲地区,基于100 m中等栅格尺度分辨率使用FLUS进行土地利用变化模拟研究城市增长边界（Urban Growth Boundaries, UGBs）的划定问题;张亚飞等[20]基于反规划与FLUS在150 m中尺度分辨率上模拟重庆市渝北区土地利用空间布局;Chen等[21]基于150m分辨率分类数据,使用FLUS对北海道不同情景下的土地利用格局进行预测研究耕地和森林的保护问题。
但已有基于FLUS的研究栅格尺度较大,且较少在经济快速发展地区开展实验,如何模拟复杂的城市土地利用空间变化格局,并挖掘影响其发展的驱动因素值得更进一步的探讨。此外,FLUS虽能从元胞尺度上对系统状态的变化进行分析,但忽略了城市发展对各地类的数量需求[17]。对比系统动力学模型（System Dynamics, SD）,Markov模型能更简洁有效地预测未来土地利用需求[22],已被广泛应用于城市土地利用数量预测研究中[23,24]。
本文基于多类别土地利用分类数据,结合影响地类转化的多源空间变量,耦合FLUS和Markov构建一个有效的数据模拟框架,并引入传统CA模型作为对照验证该方法的可行性。最后以此进行研究区内不同发展情景下小尺度的未来土地利用格局预测,同时使用随机森林对土地利用变化驱动因子进行定量分析。

2 研究方法

本文耦合FLUS和Markov模拟预测不同发展情景下的未来土地利用格局。拟合研究区的土地利用适宜性概率得到未来土地利用制图结果,给出各影响因子的重要程度并进行分析。相关技术路线如图1所示。
图1 耦合FLUS和Markov的土地利用空间格局模拟方法架构

Fig. 1 The architecture of land use spatial pattern simulation approach coupled with FLUS and Markov

2.1 基于FLUS的未来土地利用格局模拟

基于CA的空间仿真FLUS模型已广泛应用于城市土地利用变化研究,在中国珠江三角洲地区[17]和全球尺度[25]上均得到成功测试,与其他模型相比精度更高[19]。为了验证耦合模型的准确度和实用性,本文构建了随机森林CA模型[26]（Random Forest CA, RFA-CA）和逻辑回归CA模型[27]（Logistic Regression CA, Logistic-CA）进行对比试验,所使用的GeoCA软件可由（http://www.urbancomp.net/2020/10/18/geoca_v_2_4/）下载得到。
FLUS模型驱动分2步实现:① 使用人工神经网络（Artificial Neural Network, ANN）训练和估计特定像元上不同地类的发展适宜性;② 引入自适应惯性和竞争机制模拟地类间复杂的相互作用关系。本文FLUS模型技术流如图2所示。
图2 FLUS模型流程示意图

Fig. 2 FLUS model flow diagram

ANN多用于估算多类独立变量输入条件下的非线性函数,可通过大量的学习、召回迭代拟合输入数据与训练目标间的复杂关系[12],在土地利用变化研究中优于Logistic回归等方法[28]。ANN输入层中每个神经元对应一个独立的自然、交通、社会经济和土地利用变量,输出层则对应不同地类,使用数据集训练完成后,可估计特定像元上每一类土地利用的发展适宜性。
第②步中,FLUS引入自适应惯性和竞争机制,以增强其模拟土地利用变化随机性的能力。定义每种土地利用均对应一个自适应惯性系数,代表对先前地类的继承,可根据宏观需求与现有土地存量间的差异,对当前像元上土地利用的继承性进行自动调整。惯性系数的数学表达式为:
Inerti a k t = Inerti a k t - 1 | D k t - 1 | ≤ | D k t - 2 | Inerti a k t - 1 × D k t - 2 D k t - 1 D k t - 1 < D k t - 2 < 0 Inerti a k t - 1 × D k t - 1 D k t - 2 0 < D k t - 2 < D k t - 1
式中: Inerti a k t代表土地利用k在第t次迭代时的惯性系数; D k t - 1代表迭代第(t-1)次时地类k的宏观需求与现有分配总数的差值。
通过上述2步,每个像元上所有土地利用的组合概率均可由式（2）进行估算:
T P p , k t = P p , k × Ω p , k t × 1 - s c c → k × Inerti a k t
式中: T P p , k t代表第t次迭代时像元p上原有土地利用转换为目标地类k的组合概率; P p , k代表土地利用k在像元p上的适宜性概率,由ANN计算得到; Ω p , k t代表第t次迭代时像元p上土地利用k的邻域效应; s c c → k代表原有土地利用c转换为目标地类k的转换成本。
最后,引入轮盘选择机制,刻画真实情况下土地利用变化的不确定性,同时也对模拟城市发展中可能出现的土地跨越式增长具有重要意义[29]。轮盘选择过程中,最高组合概率的主导土地利用更有可能发生转换,但其余组合概率相对较低的地类仍存在机会被分配给当前像元。

2.2 基于Markov的未来土地利用数量预测

Markov是一类随机过程中的统计模型,模型中状态转移概率指随机过程发生变化时,事件从初始时刻的某一状态转变为下一时刻其他状态的可能性大小。假定在随机过程中会出现n种可能的状态,分别记为 E 1 、 E 2 、 ⋯ 、 E n,事件由当前状态 E i转移到下一状态 E j的概率记为 P ij。随机过程中各种状态发生相互转化的概率所组成的矩阵就是转移概率矩阵,记为:
P = P 11 P 12 ⋯ P 1 n P 21 P 22 ⋯ P 2 n ⋮ ⋮ ⋱ ⋮ P n 1 P n 2 ⋯ P nn
式中:n为土地利用类型数。转移概率矩阵里的元素通过发生转化的土地利用面积占初始面积的比例求得。最后,基于土地利用系统的不同状态和转移概率矩阵利用Markov进行数量预测,其表达式分别为:
S ( t ) = E 1 , E 2 , ⋯ , E n
S t + 1 = S t · P
式中 : P是状态转移概率矩阵; S ( t )、 S ( t + 1 )分别是t、t+1时刻的系统状态,即不同地类的数量统计值所构成的行向量。

2.3 情景设置

本文以深圳市为例,设定自然发展和可持续发展2种情景预测未来土地利用格局,分析生态保护政策对土地利用变化的影响,为解决城市快速发展过程中出现的人地矛盾和自然资源保护问题提供参考。
情景Ⅰ为没有任何约束和限制性条件的自然发展模式;情景Ⅱ考虑到生态环境保护,在模型迭代过程中引入深圳市政府发布的基本生态控制线范围图（http://www.sz.gov.cn/zwgk/zfxxgk/zfwj/szfl/content/post_6572284.html）,在情景Ⅰ的基础上,创建城市可持续发展模式下的土地利用变化预测模型。具体来说,生态控制线数据为二值栅格影像,只允许0、1存在,数值0表示该区域内不允许发生土地利用转换,1表示允许发生转换,生态控制线范围如图3所示。
图3 深圳市生态控制线

注:底图为深圳市遥感影像。

Fig. 3 Shenzhen ecological control line

2.4 模型精度评价

本文选择两类指标评估所提出模型制图结果的准确性:①采用传统的像素级别精度验证方法,构建混淆矩阵计算Kappa系数和总体精度,验证耦合模型的拟合结果;②引入优质因子（Figure of Merit, FoM）进行评价。FoM是用于衡量真实与模拟的转变格局间一致性的指标,在评价土地利用变化的准确性方面优于Kappa系数[30]。计算公式如下:
FoM = B ( A + B + C + D )
式中:A表示真实情景发生了土地利用转变而模拟结果却保持不变造成的误差;B表示真实发生了转变并且模拟也发生了相应正确转变的土地;C表示真实发生了转变同时模拟结果也发生转变,但其发生转变的类型与真实情况不符造成的误差;D表示真实没有发生土地利用转变而模拟却发生了转变的误差。

2.5 土地利用变化驱动因素分析

变量重要性是应用统计学中的一个重要课题。随机森林模型能够处理大量变量,并提供对变量重要性的评估[31,32]。具体过程如下:每个采样集建立一棵回归决策树,用袋外数据（OOB）测试集来预测,得到OOB残差均方;变量 x i在b个OOB样本中随机置换形成一个新的OOB集合,用已经建立的随机森林对新的OOB集进行测试,得到随机置换后的OOB残差均方 MS E ij,生成矩阵 A为:
A = MS E 11 ⋯ MS E 1 b ⋮ ⋱ ⋮ MS E p 1 ⋯ MS E pb
式中:p为影响因素的变量个数,即本文选取的土地利用变化驱动因子数量;b为样本个数。
变量 x i的重要性评分（影响因子特征权重值） Scor e i可表示为:
Scor e i = ∑ j = 1 n MS E j - MS E ij b S E
式中: 1 ≤ i ≤ p; MS E j为第j个样本的残差均方; S E为标准误差。

3 研究区概况与数据来源

3.1 研究区概况

深圳是中国南部海滨城市,2019年全市面积1997.47 km2,常住人口1343.88万人[33],2020年实现地区生产总值27 670.24亿元（http://www.sz.gov.cn/cn/xxgk/zfxxgj/tjsj/tjgb/）,是全国性经济中心和国际化城市。深圳市下辖南山区、福田区、罗湖区、盐田区、宝安区、光明新区、龙华区、龙岗区、坪山区和大鹏新区,行政区划如图4所示。
图4 深圳市行政区划

注:底图为深圳市遥感影像。

Fig. 4 Shenzhen administrative district map

南山区、福田区、罗湖区和盐田区是深圳最早的经济特区,也是人口最多最发达的地区,合计占全市GDP总量的50.96%。作为华南地区最发达的移民城市,深圳的土地利用格局极为复杂,各类土地利用仍在快速发展变化[34],其中农用地面积持续减少,建设用地持续增加现象显著[35]。随着城市扩张的不断深入,目前剩余可建设用地已较少,并对深圳的社会经济发展产生了刚性约束[36]。

3.2 研究数据

为了分析土地利用模式与驱动因素间的关系,本文在研究中引入深圳市2010、2015、2020年土地利用格局和相应的自然、交通、社会经济等方面的数据。耦合FLUS和Markov并考虑不同的城市规划政策,以更好地反映土地分布变化过程。
土地利用分类数据下载自Landsat5 TM和Landsat8 OLI影像,预处理后使用支持向量机监督分类方法得到,并基于Google Earth高分辨率影像进行精度验证,如图5。本文解译原则参照中科院资源环境科学数据中心（http://www.resdc.cn）土地利用遥感监测数据分类标准,该系统从土地利用遥感监测实用操作性出发,紧密结合全国县级土地利用分类现状,在适用性方面具有重要的现实意义[35]。同时根据实验需要和选取的像元样本分离度的限制,将研究区解译为城市用地、植被、水体和裸地4类,其中城市用地主要包含城乡居民点及其以外的工矿、交通等地类,植被主要由耕地、林地、草地三大类组成。在网格分辨率上综合考虑Zhang等[30]和He等[37]在珠江三角洲的研究,使用30 m×30 m大小,避免因网格太大导致的过于粗糙问题。
图5 深圳市三期土地利用分类结果

Fig. 5 Land use classification for three periods in Shenzhen

在选择多源空间影响特征集时,参考了He等[30]以及Yao等[38]在城市变化研究中使用到的辅助数据,包括基础地理数据、OSM、POI和房价数据共14个空间变量作为影响因子,如表1所示。
表1 影响因子细节概括

Tab. 1 Summary of impact factor details

类别 空间变量 分辨率/m 含义
自然因素 高程/m 30 地形高程条件
坡度/° 地形坡度条件
到河流距离/m 像元几何中心到最近河流的欧氏距离
到海岸线距离/m 像元几何中心到最近海岸线的欧氏距离
交通因素 到主要道路距离/m 像元几何中心到最近主要道路的欧氏距离
到铁路距离/m 像元几何中心到最近铁路的欧氏距离
路网密度/(km/km2) 每个像元周边的道路分布密度
到地铁站距离/m 30 像元几何中心到最近地铁站的欧氏距离
公交站分布密度/(个/km2) 每个像元周边的公交站分布密度
社会经济因素 到医疗设施距离/m 像元几何中心到最近医疗设施的欧氏距离
到区县中心距离/m 像元几何中心到最近区县中心的欧氏距离
到学校距离/m 像元几何中心到最近学校的欧氏距离
到娱乐场所距离/m 像元几何中心到最近娱乐场所的欧氏距离
房屋价格分布/元 30 每个像元所在位置的房价精细制图
本文多源空间数据集通过对原始数据进行核密度估计、最短路径和反距离权重插值计算得到,图6展示了所有空间变量归一化后的结果。其次,本文创新性地引入房屋价格分布[39]表征社会经济属性,在我国城市住宅市场中,房价与平均收入水平正相关,居民劳动收入越高,城市房价就会越高[40]。
图6 多源空间数据集

Fig. 6 Multi-source spatial data sets

4 结果及分析

4.1 土地利用变化驱动因素分析

定性分析未来土地利用格局,通过制图直观地掌握城市中各地类的变化过程,但还需要进一步对土地利用变化的驱动因素定量研究。本文使用随机森林模型计算得到各变量重要性评估如表2所示,值越大表明该变量对特定地类发生转化的影响越大。由表2中14类影响因子的总占比可知,对土地利用变化影响较大的是自然因素（高程、坡度和到海岸线距离）、交通因素（路网密度）以及社会经济因素（到医疗设施、娱乐场所距离）,这3类因素共6种驱动因子共占到影响土地利用发生变化总权重的58.6%。
表2 Characteristic weight values of each impact factor at the time of land use change

Tab. 2 Resilience evolution comprehensive level assessment of the Harbin-Dalian urban belt

注:表中绿-黄-红色阶表征不同影响因子特征权重值由小至大的排序情况。

城市用地的发展主要与社会经济因素,包括到医疗设施（0.183）、娱乐场所（0.121）、学校（0.078）的距离以及交通因素,包括公交站分布密度（0.103）、路网密度（0.091）存在较强的相关性。这是因为如学校、医院等的生活基础设施和公交、道路可达性等的城市基础交通直接与居住人群密切相关,也会对城市用地的发展产生非常重要的影响。
植被主要和高程（0.192）、坡度（0.151）相关;水体同样是与高程（0.245）、坡度（0.278）密切联系。植被大多分布于深圳市东南部山地丘陵和中西部平原地带,以林地、草地为主,多为原始地貌类型,与自然因素的联系最为紧密。水体和植被类似,但本次实验研究区内的水体包含部分近海水域,故到海岸线的距离会在众多影响因子中得到相对较高的变量权重值（0.101）。裸地的空间分布没有明显的特点,各驱动因子的权重得分相差不大。
综上所述,根据选取的空间变量及土地利用分类数据挖掘的各类土地利用发展规则具有较好的合理性,并能够为未来进行土地利用发展预测提供有力的依据。

4.2 模型参数设置和精度分析

本文基于FLUS和Markov模型,以土地利用空间变化为因变量,自然、交通、社会经济等14类影响因子为协变量,拟合研究区未来土地利用格局。此外,引入2种传统CA模型（RFA-CA和Logistic-CA）进行实验,并对模拟结果的精度进行分析以验证本文所提出耦合模型的有效性。
对研究区进行网格化,得到3265×1710个像元,并归一化处理所有影响因子。基于深圳市2010年、2015年土地利用分类数据使用Markov计算,得到2020年城市用地数量需求937.759 km2、植被938.511 km2、水体297.076 km2、裸地20.687 km2。FLUS中设定以4‰的比例随机采样训练ANN,并根据经验将隐藏层数量设为5。模拟过程在5 ×5窗口大小下计算,所有地类初始惯性系数值均设为1,并根据式(1)在迭代过程中自适应调整。
基于2010年真实土地利用数据和2020年Markov数量需求进行模拟,最终得到2020年真实分类数据与上文3种模型拟合结果的对比情况如图7。由图可知,模拟结果与真实情况在整体发展趋势上可保持较高的一致性,但部分城市细节仍存在误差,如光明新区和龙岗区内植被向水体发生转化。对比分析2010、2015和2020年分类数据,得出城镇规划等政策的实施对模型拟合结果影响较大,如何将发展过程中的宏观调控因素与驱动模型更好地结合是本文下一阶段的研究方向。
图7 2020年深圳市真实土地利用格局与3种模型拟合结果对比

Fig. 7 Comparison of the actual land use pattern of Shenzhen in 2020 with the fitting results of three models

表3展示了3种模型的拟合精度对比,可以看出FLUS在模拟研究区2020年土地利用空间格局时得到的结果最优,其总体精度、Kappa系数和FoM都是最高的。前人研究表明,采用CA模型进行大范围城市内部复杂的土地利用变化模拟时,FoM均普遍偏低[30,37-38]。本文FLUS模拟结果FoM值为0.22,相较于RFA-CA和Logistic-CA精度均提升了11.11%,且显著大于0.15,证明FLUS模拟结果与实际情况的差异小,模型预测精度高。模拟结果表明,本研究所提出的耦合FLUS和Markov拟合未来土地利用格,对比传统CA模型能更有效地追踪多类土地利用的空间变化轨迹,以完成对未来年份土地利用情景的预测。
表3 不同模型拟合结果精度对比

Tab. 3 Comparison of simulated results accuracy via different models

RFA-CA Logistic-CA FLUS
总体精度 0.842 0.843 0.850
Kappa系数 0.744 0.746 0.757
FoM 0.198 0.198 0.220

4.3 不同发展情景下未来土地利用格局预测

耦合FLUS和Markov能有效模拟城市发展和土地利用变化情况,本文设定2种发展情景预测深圳市未来土地利用格局。首先使用Markov基于研究区2010年和2020年土地利用分类数据计算得到2030年和2040年各类土地利用数量需求,如表4所示。
表4 2030、2040年深圳市各类土地利用数量需求

Tab. 4 Demand for various types of land use in Shenzhen in 2030 and 2040 (km2)

城市用地 植被 水体 裸地
2030年 1074.441 787.715 293.127 38.749
2040年 1151.236 712.587 291.338 38.872
拟合过程中设定ANN基于2020年分类数据计算适宜性概率,以缩短实验的时间间隔从而保证模型精度。根据前文制定的FLUS转换规则和Markov数量需求构建模型,结合生态控制线,得到自然发展和可持续发展情景下的深圳市2030年和2040年土地利用预测格局如图8所示。
图8 自然发展和可持续发展情景下深圳市2030、2040年土地利用预测格局

Fig. 8 Predicted land use patterns in Shenzhen for 2030 and 2040 under natural development and sustainable development scenarios

为了进一步对比分析,如图9,本文选取了几个细尺度区域（包括深圳市中心福田区、南山区和宝安区）进行深入讨论。
图9 不同城市发展情景下的未来土地利用预测结果细节图像

Fig. 9 Detailed images of future land use prediction results under different urban development scenarios

可以看出,在没有控制约束的情景下,未来城市发展过程中会有大量的生态保护区域被城市用地侵占,比如图9中A区的铁岗水库生态保护区,水库周边植被已部分发生转化,水体也出现了发展为城市用地的趋势。另外,在各类土地利用自然发展情景下,城市用地会进一步向其周边的植被区域扩张,这一现象在图9中C区的南山区等经济发达的中心城区更为显著。但在加入生态控制线对土地利用发展区域进行限制后,图9中A区的水体和植被均得到了有效保护,城市用地的发展也由向外部扩张,逐渐转变为区域内部各种土地利用相互转换,比如生态控制线以外的植被转变为城市用地,如图9中的B区所示。
综上,如果按照情景Ⅰ任由各类土地利用自然发展,人地矛盾将愈演愈烈,给生态环境带来严峻的挑战,而加入生态控制线能很好地避免上述情况的发生。这说明相关政策如能落到实处,就能有效保护水体,植被等的自然资源,从而实现城市可持续发展。

5 结论与讨论

以往基于FLUS的研究栅格尺度较大,且较少模拟快速发展背景下的城市未来土地利用格局,并挖掘影响其发展的驱动因素。对此,本文基于30 m空间分辨率小栅格尺度的土地利用数据和多源空间变量,以深圳市为研究区,引入房屋价格分布表征社会经济属性,构建了耦合FLUS和Markov的城市土地利用格局拟合框架,使用随机森林评价影响因子变量重要性,并设定自然发展情景和可持续发展情景进行未来土地利用格局制图研究。本文主要结论如下:
（1）提出的耦合FLUS和Markov方法有效地融合了自然、交通和社会经济特征,挖掘出各类土地利用的转换规则,对比传统CA模型（RFA-CA和Logistic-CA）取得了更高的拟合精度（FoM=0.22）,在小栅格尺度下能更准确地模拟出快速发展中城市的复杂土地利用变化过程。
（2）不同发展情景下未来土地利用制图结果表明生态环境保护政策落实到位,才能有效保护水体,植被等自然资源,使各类土地利用保持良性的发展态势,实现城市土地可持续发展,进一步说明本文拟合框架可为未来城市规划布局提供参考。
（3）通过影响因子的重要性分析发现,目标地块距医疗设施、娱乐场所等生活基础设施和公交站分布密度、路网密度等影响人们出行的指标比自然因素（高程、坡度）对城市建设发展的影响更大,到海岸线距离也会一定程度上限制深圳市内部土地利用发展。
本文受限于可获取的数据,在进行土地利用分类时类别较少,如何得到更加精确细致的分类结果并进行模拟研究,是我们今后需要注意的重点。在未来的研究中将会充分考虑城乡规划、宏观调控等政策的实施对土地利用变化的影响,将其与驱动模型更好地结合以得到更严谨的研究结果。同时,我们还将继续尝试多种模型,如基于栅格的斑块生成土地利用模拟（PLUS）模型等,使土地利用格局拟合结果更加贴近实际,更好地模拟城市土地利用变化发展过程。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
De Palma A, Sanchez-Ortiz K, Martin P A, et al. Chapter four - challenges with inferring how land-use affects terrestrial biodiversity: study design, time, space and synthesis[A]. In: Bohan D A, Dumbrell A J, Woodward G, et al. Advances in Ecological Research[M]. Salt Lake City: Academic Press, 2018, 58:163-199. DOI: 10.1016/bs.aecr.2017.12.004

DOI

[2]
Galbraith S M, Hall T E, Tavárez H S, et al. Local ecological knowledge reveals effects of policy-driven land use and cover change on beekeepers in Costa Rica[J]. Land Use Policy, 2017, 69:112-122. DOI: 10.1016/j.landusepol.2017.08.032

DOI

[3]
Jayne T S, Chamberlin J, Headey D D. Land pressures, the evolution of farming systems, and development strategies in Africa: a synjournal[J]. Food Policy, 2014, 48:1-17. DOI: 10.1016/j.foodpol.2014.05.014

DOI

[4]
Brodie J, Wolanski E, Lewis S, et al. An assessment of residence times of land-sourced contaminants in the Great Barrier Reef lagoon and the implications for management and reef recovery[J]. Marine Pollution Bulletin, 2012, 65(4-9):267-279. DOI: 10.1016/j.marpolbul.2011.12.011

DOI PMID

[5]
Liu X P, Ma L, Li X, et al. Simulating urban growth by integrating landscape expansion index (LEI) and cellular automata[J]. International Journal of Geographical Information Science, 2014, 28(1):148-163. DOI: 10.1080/13658816.2013.831097

DOI

[6]
White R, Engelen G. High-resolution integrated modelling of the spatial dynamics of urban and regional systems[J]. Computers, Environment and Urban Systems, 2000, 24(5):383-400. DOI: 10.1016/S0198-9715(00)00012-0

DOI

[7]
Clarke K C, Hoppen S, Gaydos L. A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay Area[J]. Environment and Planning B: Planning and Design, 1997, 24(2):247-261. DOI: 10.1068/b240247

DOI

[8]
Li X, Yeh A G. Modelling sustainable urban development by the integration of constrained cellular automata and GIS[J]. International Journal of Geographical Information Science, 2000, 14(2):131-152. DOI: 10.1080/136588100240886

DOI

[9]
Mitsova D, Shuster W, Wang X H. A cellular automata model of land cover change to integrate urban growth with open space conservation[J]. Landscape and Urban Planning, 2011, 99(2):141-153. DOI: 10.1016/j.landurbplan.2010.10.001

DOI

[10]
Lau K H, Kam B H. A cellular automata model for urban land-use simulation[J]. Environment and Planning B: Planning and Design, 2005, 32(2):247-263. DOI: 10.1068/b31110

DOI

[11]
Wu D Q, Liu J, Wang S J, et al. Simulating urban expansion by coupling a stochastic cellular automata model and socioeconomic indicators[J]. Stochastic Environmental Research and Risk Assessment, 2010, 24(2):235-245. DOI: 10.1007/s00477-009-0313-3

DOI

[12]
Li X, Yeh A G. 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. DOI: 10.1080/13658810210137004

DOI

[13]
Kamusoko C, Gamba J. Simulating urban growth using a Random Forest-cellular Automata (RF-CA) model[J]. ISPRS International Journal of Geo-Information, 2015, 4(2):447-470. DOI: 10.3390/ijgi4020447

DOI

[14]
Li X, Lin J Y, Chen Y M, et al. Calibrating cellular automata based on landscape metrics by using genetic algorithms[J]. International Journal of Geographical Information Science, 2013, 27(3):594-613. DOI: 10.1080/13658816.2012.698391

DOI

[15]
Feng Y J, Liu Y, Batty M. Modeling urban growth with GIS based cellular automata and least squares SVM rules: A case study in Qingpu: Songjiang area of Shanghai, China[J]. Stochastic Environmental Research and Risk Assessment, 2016, 30(5):1387-1400. DOI: 10.1007/s00477-015-1128-z

DOI

[16]
Lin J Y, Li X. Simulating urban growth in a metropolitan area based on weighted urban flows by using web search engine[J]. International Journal of Geographical Information Science, 2015, 29(10):1721-1736. DOI: 10.1080/13658816.2015.1034721

DOI

[17]
Liu X P, 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. DOI: 10.1016/j.landurbplan.2017.09.019

DOI

[18]
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. ] DOI: 10.3969/j.issn.1672-0504.2017.05.013

DOI

[19]
Liang X, Liu X P, Li X, et al. Delineating multi-scenario urban growth boundaries with a CA-based FLUS model and morphological method[J]. Landscape and Urban Planning, 2018, 177:47-63. DOI: 10.1016/j.landurbplan.2018.04.016

DOI

[20]
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):21-31.

[ Zhang Y F, Liao H P, Li Y L. Delimitaion of urban growth boundary based on anti-planning and FLUS model: A case study of Yubei district, Chongqing, China[J]. Resources and Environment in the Yangtze Basin, 2019, 28(4):21-31. ] DOI: 10.11870/cjlyzyyhj201904003

DOI

[21]
Chen Z Z, Huang M, Zhu D Y, et al. Integrating remote sensing and a Markov-FLUS model to simulate future land use changes in Hokkaido, Japan[J]. Remote Sensing, 2021, 13(13):2621. DOI: 10.3390/rs13132621

DOI

[22]
Feng D R, Bao W K, Fu M C, et al. Current and future land use characters of a national central city in Eco-Fragile Region: A case study in Xi'an city based on FLUS model[J]. Land, 2021, 10(3):286. DOI: 10.3390/land10030286

DOI

[23]
Huang Y C, Nian P H, Zhang W X. The prediction of interregional land use differences in Beijing: A Markov model[J]. Environmental Earth Sciences, 2015, 73(8):4077-4090. DOI: 10.1007/s12665-014-3693-8

DOI

[24]
Yang X, Zheng X Q, Chen R. A land use change model: integrating landscape pattern indexes and Markov-CA[J]. Ecological Modelling, 2014, 283:1-7. DOI: 10.1016/j.ecolmodel.2014.03.011

DOI

[25]
Li X, Chen G Z, Liu X P, et al. A new global land-use and land-cover change product at a 1-km resolution for 2010 to 2100 based on human-environment interactions[J]. Annals of the American Association of Geographers, 2017, 107(5):1040-1059. DOI: 10.1080/24694452.2017.1303357

DOI

[26]
Chen D S, Zhang Y T, Yao Y, et al. Exploring the spatial differentiation of urbanization on two sides of the Hu Huanyong Line: based on nighttime light data and cellular automata[J]. Applied Geography, 2019, 112:102081. DOI: 10.1016/j.apgeog.2019.102081

DOI

[27]
Jokar Arsanjani 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. DOI: 10.1016/j.jag.2011.12.014

DOI

[28]
Lin Y P, Chu H J, Wu C F, et al. Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling: A case study[J]. International Journal of Geographical Information Science, 2011, 25(1):65-87. DOI: 10.1080/13658811003752332

DOI

[29]
Chen Y M, Li X, Liu X P, et al. Capturing the varying effects of driving forces over time for the simulation of urban growth by using survival analysis and cellular automata[J]. Landscape and Urban Planning, 2016, 152:59-71. DOI: 10.1016/j.landurbplan.2016.03.011

DOI

[30]
He J L, Li X, Yao Y, et al. Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques[J]. International Journal of Geographical Information Science, 2018, 32(10):2076-2097. DOI: 10.1080/13658816.2018.1480783

DOI

[31]
李秋萍, 刘逸诗, 巩诗瑶, 等. 基于居民出行活动特征的个体经济水平推断方法[J]. 武汉大学学报·信息科学版, 2019, 44(10):1575-1580.

[ Li Q P, Liu Y S, Gong S Y, et al. Individual income level inference method based on travel behavior of urban residents[J]. Geomatics and Information Science of Wuhan University, 2019, 44(10):1575-1580. ] DOI: 10.13203/j.whugis20170426

DOI

[32]
Grömping U. Variable importance assessment in regression: linear regression versus random forest[J]. The American Statistician, 2009, 63(4):308-319. DOI: 10.1198/tast.2009.08199

DOI

[33]
深圳市统计局, 国家统计局深圳调查队. 深圳统计年鉴[M]. 北京: 中国统计出版社, 2020.

[ Shenzhen Bureau of Statistics, Shenzhen Survey Team of National Bureau of Statistics. Shenzhen Statistical Yearbook[M]. Beijing: China Statistics Press, 2020. ]

[34]
Yao Y, Li X, Liu X P, et al. Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model[J]. International Journal of Geographical Information Science, 2017, 31(4):825-848. DOI: 10.1080/13658816.2016.1244608

DOI

[35]
何媛婷, 王石英, 袁再健, 等. 珠江三角洲土地利用变化及其对城市化发展的响应[J]. 生态环境学报, 2020, 29(2):303-310.

[ He Y T, Wang S Y, Yuan Z J, et al. Land use change and its response to urbanization in the Pearl River Delta[J]. Ecology and Environmental Sciences, 2020, 29(2):303-310. ] DOI: 10.16258/j.cnki.1674-5906.2020.02.011

DOI

[36]
王二红, 冯长春, 张爱华. 深圳市建设用地扩展分析[J]. 城市发展研究, 2015, 22(5):38-44.

[ Wang E H, Feng C C, Zhang A H. Study on Shenzhen construction land expansion[J]. Urban Development Studies, 2015, 22(5):38-44. ] DOI: CNKI:SUN:CSFY.0.2015-05-008

DOI

[37]
Zhang D C, Liu X P, Wu X Y, et al. Multiple intra-urban land use simulations and driving factors analysis: A case study in Huicheng, China[J]. GIScience & Remote Sensing, 2019, 56(2):282-308. DOI: 10.1080/15481603.2018.1507074

DOI

[38]
Yao Y, Liu X P, Li X, et al. Simulating urban land-use changes at a large scale by integrating dynamic land parcel subdivision and vector-based cellular automata[J]. International Journal of Geographical Information Science, 2017, 31(12):2452-2479. DOI: 10.1080/13658816.2017.13 60494

DOI

[39]
Yao Y, Zhang J B, Hong Y, et al. Mapping fine-scale urban housing prices by fusing remotely sensed imagery and social media data[J]. Transactions in GIS, 2018, 22(2):561-581. DOI: 10.1111/tgis.12330

DOI

[40]
姚尧, 任书良, 王君毅, 等. 卷积神经网络和随机森林的城市房价微观尺度制图方法[J]. 地球信息科学学报, 2019, 21(2):168-177.

DOI

[ Yao Y, Ren S L, Wang J Y, et al. Mapping the fine-scale housing price distribution by integrating a convolutional neural network and random forest[J]. Journal of Geo-information Science, 2019, 21(2):168-177. ] DOI: 10.12082/dqxxkx.2019.180508

DOI

Options
Outlines

/

〈 〉