EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 7: 1611 - 1628

DOI: https://doi.org/10.12082/dqxxkx.2024.230571

Coupling Mixed Pixel Decomposition and Mixed-cell Simulation for Land Cover Change Deduction

  • CAO Wei , 1 ,
  • XIAO Yao 2 ,
  • LIANG Xun , 1, 3, * ,
  • GUAN Qingfeng 1, 3
Expand
  • 1. School of Geography and Information Engineering, China University of Geosciences, Wuhan 430078, China
  • 2. Beijing Global Safety Technology Company, Beijing 100094, China
  • 3. National Engineering Research Center for Geographic Information System, China University of Geosciences, Wuhan 430078, China
*LIANG Xun, E-mail:

Received date: 2023-09-22

  Revised date: 2024-04-14

  Online published: 2024-06-25

Supported by

International Research Center of Big Data for Sustainable Development Goals(CBAS2022GSP05)

National Natural Science Foundation of China(42271437)

National Natural Science Foundation of China(42171466)

Scientific Research Program of the Department of Natural Resources of Hubei Province(ZRZY2022KJ12)

Fold

Abstract

Cellular Automata (CA) provides an important tool for land use/land cover change simulation. However, previous CA models based on pure cells ignore the mixed land cover structure within cells, making it difficult to simulate the continuous evolution of mixed land systems during rapid urbanization. The Mixed-Cell Cellular Automata (MCCA) can address this issue, but its widespread application is hindered by the difficulty in obtaining fine-scale mixed structure data. To solve these problems, this study proposes a simulation analysis framework that couples the mixed pixel decomposition method with the MCCA model. This framework uses the mixed pixel decomposition algorithm to directly obtain the sub-pixel scale mixed structure data required by the MCCA model from Landsat images. The SHAP method is utilized to explore the driving forces of sub-pixel scale land cover change. To verify the proposed framework, we conducts an experiment in Wuhan city. Results show that: 1) The decomposition accuracy of the land cover data is above 0.8, and the mcFoM index of the simulation results is 0.38, indicating that this coupled model has high accuracy in characterizing the spatial pattern of mixed land structures and simulating future changes; 2) The proposed coupling model can effectively simulate the fine-scale dynamic changes of land cover proportions and discover relevant patterns of regional land use changes. For example, future land cover structure changes will mainly concentrate in built-up areas, and land mixture will experience a process of increasing first and then decreasing. Socio-economic factors such as proximity to companies, the municipal government, and high population and GDP are important driving factors for the expansion of impervious surfaces, and impervious surfaces in urban centers relatively far from high-speed railway stations grow more rapidly; 3) The future land cover change trends simulated by the proposed model are consistent with the future planning layout of Wuhan. The comparison between multiple scenarios demonstrates the MCCA model’s ability to accurately capture the subtle differences in land cover proportion between pixels. This method couples the mixed pixel decomposition method from the field of remote sensing with the mixed Cellular Automata (CA) model from the field of GIS, solving the problem of lacking fine-scale data sources for simulating mixed land cover structures. It simulates future changes in mixed land cover structures at the sub-pixel scale, which can enrich existing research on mixed land structures and provide a certain theoretical basis for urban development decisions. Additionally, it opens up new avenues for the application of CA models in other areas.

Key words： land use change; land cover; geographic simulation; mixed cell; cellular automata; mixed pixel decomposition

Cite this article

CAO Wei , XIAO Yao , LIANG Xun , GUAN Qingfeng . Coupling Mixed Pixel Decomposition and Mixed-cell Simulation for Land Cover Change Deduction[J]. Journal of Geo-information Science, 2024 , 26(7) : 1611 -1628 . DOI: 10.12082/dqxxkx.2024.230571

1 引言

土地利用/土地覆盖变化可以反映人类社会经济活动和生态过程的演变，包括经济发展、碳储量、生态服务价值、景观格局等，已经成为当前全球环境和区域可持续发展的重要内容之一[1-2]。近几十年来，快速的城市扩张和人口的持续增长加速了土地覆盖格局的动态变迁和发展，带来了一系列人与自然环境之间的问题，例如耕地短缺、森林砍伐过度、生态平衡破坏、环境污染等[3⇓-5]。因此，模拟土地覆盖变化对城市可持续发展具有重要意义。
由于城市具有开放性、动态性、自组织性等耗散结构特点，传统的数学模型已经无法很好地模拟城市的土地覆盖变化[6]。而元胞自动机（Cellular Automata， CA）模型具备自下而上的建模方式和强大的时空建模能力，可以精细地表现城市空间结构的变化[7]。因此，国内外已有大量学者使用CA模型模拟未来城市化进程中的土地覆盖变化，并将模型广泛运用在城市发展建模、城市增长边界等研究[8⇓⇓-11]。大部分CA模型基于规则像元进行构建，如基于Logistic回归的CA模型[12]、结合系统动力学的CA模型[13]、加入自适应惯性机制和轮盘赌策略的FLUS模型[14]、斑块生成土地利用变化模拟模型PLUS等[15]。以矢量为模拟单元的CA也逐渐兴起，例如， Zhai等[16]采用迭代二分策略分裂地块并提出了CNN-VCA框架。以往的CA模型通常基于纯质元胞建立，然而由于模拟的分辨率限制及快速城市化背景下土地覆盖变化的复杂性，元胞空间中往往存在大量的混合元胞（Mixed Cell， MC），不同混合元胞间因土地覆盖组成比例的不同会产生混合结构的差异[17]。纯质元胞假设每个元胞中仅存在单一或离散的土地类型，这使得纯质元胞CA模型难以模拟混合土地覆盖结构的细微和连续的变化[18-19]。有些学者已经意识到模拟城市混合土地结构动态变化的重要性： Li和Yeh[20]提出了一种能够描述城市在元胞内所占百分比的灰色CA模型； Liu和Phin[21]提出了一种模糊集CA模型来模拟城市土地各元胞隶属度的变化；Liu等[22]建立了梯度CA模型，利用不透水面面积数据检测元胞单元的城市化状态和时间演变趋势；但他们提出的方法仅仅只能模拟城市等单一用地类型的比例变化，无法描述每个像元中土地利用类型的混合比例。为了解决这个问题，Liang等[23]构建了混合元胞自动机（Mixed-Cell Cellular Automata, MCCA），将混合元胞构建在亚元胞尺度上，元胞状态由一组连续赋值的土地利用成分组成，每个成分能够代表混合土地单元内某种土地类型的覆盖比例。MCCA模型能够模拟多个土地利用成分的连续变化，克服了传统CA模型元胞状态离散的局限，是将CA模型模拟从元胞尺度推进到亚元胞尺度的新方法，对城市可持续发展研究以及评估元胞内部的环境和功能变化都具有重要的意义[24]，可为未来土地覆盖的发展趋势预测以及土地政策的制定与实施奠定基础[25]。MCCA模型提出后，已有学者开始运用MCCA模型探讨不同领域的研究问题，如Zhang等[26]利用MCCA模型模拟了生态系统服务价值对土地利用变化的响应，吕青宙等[27]利用MCCA模型对昆明市土地混合度进行预测，师青霞等[28]利用MCCA模型对浙北地区景观稳定性时空变化特征进行量化分析等。
然而，MCCA模型需要输入混合土地覆盖数据来完成建模，该数据相对于传统土地覆盖数据更不易获取。同时，城市扩张可能会导致生态用地破碎化和混合土地结构改变，这会降低传统像元分类方法的精度[29-30]。以往MCCA模型研究缺乏精细尺度的混合土地覆盖数据来源，大多研究只能利用较高分辨率的土地利用数据聚合生成粗分辨率的混合数据，使得混合元胞模拟往往只能在较低的分辨率下开展，这限制了MCCA的应用范围。为了解决这个难题，本研究引入混合像元分解方法来完善混合元胞模拟的框架。混合像元分解方法能够有效提取地表的组分信息，确定混合像元的基本地物及其占比，为MCCA模型提供稳定可靠的模拟数据源。该方法已被广泛用于土地覆盖提取、植被覆盖度估测、矿物识别等研究当中[31⇓⇓-34]。其中，许多研究使用混合像元分解方法识别土地覆盖比例，如Dwivedi等[35]结合人工神经网络和线性光谱混合模型，对作物面积进行估算；Yang等[36]整合像元解混和决策树方法进行土地覆盖分类； Deng等[37]利用深度学习技术开展混合像元分解研究，进而评估各模型的土地利用分类能力；也有学者仅针对特定的地物类型如城市植被丰度[38]、草原的植被覆盖[39]开展研究。但这些混合像元方法主要用于混合土地覆盖的静态分析，而没有在动态模拟和预测方面开展应用。目前没有学者将混合像元分解方法和混合土地覆盖变化模拟相结合开展研究。
本文耦合混合像元分解和MCCA模型，首先对Landsat影像进行丰度解混以获取混合土地覆盖数据，然后在亚元胞尺度上模拟未来多情景下混合土地覆盖结构的连续定量变化，并借助SHAP（SHapley Additive exPlanation, SHAP）方法分析城市发展的驱动力及趋势，以期为研究区国土空间规划提供科学依据，为实现城市的长远可持续发展目标提供决策支持。

2 研究方法

本研究提出一种耦合混合像元分解的混合元胞CA模型（图1），利用解混获得的土地覆盖结构数据和多种社会经济与自然数据，挖掘混合元胞内多维土地覆盖变量连续变化的机理，进而在亚元胞尺度上开展土地覆盖组分的竞争模拟和相互转化估算，实现不同情景下对未来精细尺度下混合土地覆盖结构的模拟。本研究使用总体精度和mcFoM（mixed-cell Figure of Merit, mcFoM）对耦合模型进行精度验证[23,40]。
图1 耦合混合像元分解和混合元胞模拟的土地覆盖变化推演模型

Fig. 1 The proposed land cover change deduction model that couples mixed pixel decomposition and mixed cell simulation

2.1 混合像元分解

本研究采用了混合像元分解方法，该方法基于Ridd等[41]提出的植被-不透水面-土壤（Vegetation-Impervious-Soil，V-I-S）模型，通过人机交互在特征空间的二维散点图上选择突出的部分作为相应地物的相对纯净的像元，将选取像元对应的平均波谱作为端元的波谱，从而提取土地覆盖组分的丰度。由于本研究采用解混数据作为输入，因此我们使用基于解混数据提供的分类方案，将研究区的土地覆盖类型分为不透水面、植被、裸地和水体这4类。其中，不透水面指防止水渗入土壤的人为表面，主要包括建筑物、道路、停车场和水泥铺设的地面等，而植被主要是由耕地、林地、草地这3类构成。
本研究选择线性光谱混合模型（Linear Spectral Mixed Model, LSMM）开展混合像元分解，该模型采用全限制性最小二乘法（Fully Constrained Least Squares, FCLS）对各土地覆盖类型进行丰度估计[42]。LSMM对含有n个端元的混合像元的计算公式如下：
M = ∑ k = 1 n f k R k + ε
式中：M向量为混合光谱；k表示混合像元所含有的端元数量，即土地覆盖类型的数量，k=1，2，…，n； fk表示第k类端元的丰度，即第k类土地覆盖类型的覆盖比例；Rk表示第k类端元的光谱反射率，即第k类土地覆盖类型的光谱反射率；ε为残差项。将端元的丰度总和等于1作为附加约束条件，且保持在0~1之间：
∑ k = 1 n f k = 1 , f k ∈ 0,1
解混精度使用总体精度进行评价。本研究创建100 m ×100 m的渔网，随机选取100个样本，对样本内各土地覆盖类型的比例平均值进行分区统计，并将样本内各土地覆盖类型分为4个类别 （0~25%、25%~50%、50%~75%、75%~100%）。根据谷歌影像、百度地图等数据，结合目视解译判断样本内各土地覆盖类型的比例，最终计算得到各土地覆盖类型的总体精度。

2.2 混合元胞模拟

2.2.1 结合亚元胞尺度土地竞争与定量转化机制的MCCA模型

MCCA模型的算法流程如图2所示。MCCA模型首先根据元胞内土地覆盖成分的历史变化信息来挖掘驱动因素对多维变量连续变化的影响，最终可以得到各类用地组分的发展概率，用来表征多种驱动因素影响每类用地变化的历史规律。
图2 混合元胞CA模型的反馈、竞争和定量转换机制[23]

Fig. 2 The feedback, competition and quantitative transition mechanisms of the mixed-cell CA model

土地覆盖成分总变化概率表达式为：
T P i , k t = P i , k   ·   Ω i , k t ·   D r i v k t
式中： T P i , k t是土地覆盖类型k在迭代时间t时在元胞i中的总发展概率；Pi, k为随机森林算法输出的元胞i中用地类型k的发展概率； Ω i , k t代表混合元胞i的邻域效应，即邻域内土地覆盖成分k所占比例；驱动系数 D r i v k t在模拟过程中作为连接和传递模拟过程中“自顶向下”和“自底向上”效应的参数，通过计算当前土地覆盖类型k的需求量和未来土地覆盖类型k的需求量之间的差距，驱动土地覆盖类型k逼近未来需求。 D r i v k t根据下式进行自适应调整：
D r i v k t =   D r i v k t - 1                                                 D k t - 1 ≤ D k t - 2   D r i v k t - 1 · D k t - 2 + 1 D k t - 1 + 1             D k t - 1 < 0 < D k t - 2       D r i v k t - 1 · D k t - 1 + 1 D k t - 2 + 1             0 < D k t - 1 < D k t - 2
式中： D k t - 1， D k t - 2分别表示在时间t-1，t-2处土地覆盖类型k的需求与现有土地覆盖数量之间的差额绝对值。
得到总发展概率后，MCCA模型使用轮盘赌法则对混合元胞内各类土地覆盖的相互竞争和定量转化进行模拟。如果土地覆盖成分k在轮盘竞争中获胜，则选择k作为改变的土地覆盖成分。混合元胞i的第k分量在第t次迭代时的变化量 I A i , k t可计算为：
I A i , k t =   T P ' i , k t · R a · ϵ k
式中： T P ' i , k t是迭代t时混合元胞i的土地覆盖分量k的归一化总变化概率； I A i , k t表示土地覆盖成分k的增加比例；Ra表示0~1之间的随机数； ϵ k是土地覆盖成分k每次迭代量变化的步长。
在未来土地需求的驱动下，MCCA模型将上述规则应用于所有元胞，判断元胞内的土地覆盖类型是否发展并估算其他类型的变化，确定土地覆盖成分的增加和减少及变化量，最终得到k层的模拟结果。模拟结果的每一层代表一个土地覆盖成分的模拟分布。

2.2.2 模型精度检验

基于MCCA模型的混合土地覆盖变化模拟构建在亚元胞尺度上，传统的基于纯净元胞的精度验证方法并不适用于评价MCCA模型的模拟结果。因此本研究针对数据特点，选用2种指标进行精度评价：
（1）亚像元混淆矩阵（Sub-pixel Confusion Matrix，SCM）能够直接计算MCCA模型的总体精度，可表示为：
O A = ∑ k = 1 N p k k
式中：OA为总精度； pkk为亚像元混淆矩阵的对角一致性； N是混合元胞内土地覆盖的类别数。
（2）mcFoM（mixed-cell Figure of Merit, mcFoM）是Liang等[23,40]在传统fom指数的基础上针对混合元胞提出的一种新指标，适用于验证MCCA模型的精度，其公式如下：
m c F o M = B A + B + C + D
式中： A表示低估了土地覆盖比例变化造成的误差； B表示模拟变化方向正确且和真实的土地覆盖比例变化一致的部分； C表示土地覆盖比例变化方向与实际方向不符造成的误差（例如实际增加但预测减少）； D表示高估了土地覆盖比例变化造成的误差。

2.3 SHAP解释方法

SHAP（SHapley Additive exPlanation，SHAP）是由Lundberg等提出的由博弈论启发的可加性解释模型，可以量化模型中特征变量的重要性[43-44]。假设有一个由p个特征组成的特征集合，并有一个预测模型f(x)，SHAP模型可以通过以下公式计算每个特征j的Shapley值。
S h a p l e y X j = ∑ S ⊆ x 1 , … , x j \ x j S ! p - S - 1 ! p !                                                       f S ⋃ x j - f S
式中：p是特征的总数，即驱动力的数量； x 1 , … , x j是训练集中所有特征的集合；S是集合中的子集，其数量为 S； f ( S ⋃ x j )表示在考虑了特征集合S并包括了特征xj时的模型预测值； f(S)表示在考虑了特征集合S（但不包括xj）时的模型预测值。特征的Shapley值是其对模型预测的边际贡献，表示该模型在所有具有不同特征组合的可能模型上取平均值。通过对特征值的排列组合进行迭代和计算，最终得到每个特征的Shapley值，可以解释每个特征对预测结果的影响程度。

2.4 土地混合度

本研究采用土地混合度来描述混合土地覆盖结构的演变过程，可以反映混合土地单元内部各土地类型占比的变化程度[45]。土地混合度计算公式可表示为：
H i = - ∑ k = 1 k p i , k l n p i , k l n k
式中：Hi表示土地混合度； pi,k表示第i个像元中第k类土地覆盖类型所占比例； k表示土地覆盖类型的数量。

3 研究区概况及数据来源

3.1 研究区概况

本文以武汉市作为研究区（图3）。武汉位于113°41′E—115°05′E，29°58′N—31°22′N之间，地处江汉平原东部、长江中游，中部多为平原，南北部分布有低山、丘陵地貌，长江从南至北流通，其他河流湖泊水系众多。武汉是中国中部地区中心城市，在近20年经济和人口快速增长，城镇化迅速推进。截止到2017年，武汉市城镇化率已经超过了80%，成为中国中部城镇化率最高的城市。快速城镇化进程导致不透水面急剧扩张并侵占大量其他土地覆盖类型，对土地资源的集约利用水平和城市可持续发展提出了新的挑战[46]。
图3 武汉市的地理位置和Landsat8影像

Fig. 3 The location and Landsat 8 imagery of Wuhan

3.2 数据来源

本研究采用的遥感影像数据来自地理空间数据云[47]（https://www.gscloud.cn/）。本文采用了Landsat5 TM卫星影像数据（2000年）、Landsat 8 OLI卫星影像数据（2013年、2020年）共3期，分辨率为30 m，并对数据进行大气校正、图像镶嵌等预处理。此外，本研究从社会、经济、自然3个方面选取了22个原始指标[48]，数据来源及分辨率如表1所示，尽量选择了能获取到的最新数据以最大程度地保证可用性和时间的一致性。在筛选驱动因子过程中，本研究通过计算方差膨胀因子（Variance Inflation Factor， VIF）来评估驱动因子之间的多重共线性程度[49]。在剔除共线性及自相关的因子后，我们最终选取15个因子作为城市发展的驱动因子构建MCCA模型（图4）。这些驱动因子的VIF值均低于10，表明这些因子的多重共线性程度较低，可以用于后续分析及模型构建。
表1 土地覆盖变化驱动因子信息

Tab. 1 Information of driving factors for land cover change

类别 数据 年份 原始分辨率 数据来源
气候环境 坡度 2016 30 m NASA SRTM v3.0
高程 2016 30 m NASA SRTM v3.0
年降水量 2010 30 arc-sec WorldClim v2.0 (http://www.worldclim.org/)
年平均温度 2013 30 arc-sec WorldClim v2.0 (http://www.worldclim.org/)
社会经济 GDP 2015 1 000 m 中国科学院资源环境科学与数据中心
(http://www.resdc.cn/Default.aspx)
人口 2015 1 000 m 中国科学院资源环境科学与数据中心
(http://www.resdc.cn/Default.aspx)
到医院的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到风景名胜距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到公司企业距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到学校的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到饭店的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
区位条件 到县城的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到省会的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到水体的距离 2020 30 m 地理空间数据云 (https://www.gscloud.cn/)
到各地级市的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
到高铁站的距离 2020 30 m 百度开放平台 (https://lbsyun.baidu.com/)
交通 到各级道路(高速公路、主干道、铁路、
一级道路、二级道路、三级道路)的距离		 2015 30 m OpenStreetMap (https://www.openstreetmap.org/)
图4 驱动因子空间数据集

Fig. 4 Spatial dataset of driving factors

3.3 多情景设置

考虑到生态保护区限制和近20年来人口快速增长对武汉市的土地覆盖变化具有一定影响，本研究分别设置自然发展、生态保护和人口快速增长3种情景。自然发展情景遵循其历史趋势，城市发展过程不受其他因素干扰。生态保护情景中，为确保生态系统的完整性和连续性，我们将武汉市的湿地公园或大型湖泊水库等设置为生态保护区，并限制不透水面向生态保护区发展，防止城市无序蔓延，同时将不透水面发展速率降低0.2%，植被发展速率提高0.2%，以减缓建成区的扩张速率。该情景能够在一定程度上协调城市发展与生态系统，有利于实现城市可持续发展。在人口快速增长情景中，考虑到随着未来常住人口的快速增长带来的建设用地需求增加，本研究根据《武汉市国土空间总体规划（2021—2035年）》文件对未来武汉市容纳 1 660万常住人口的要求，调整了不透水面和植被的发展速率。具体而言，将不透水面发展速率提高0.2%，同时将植被发展速率降低0.2%，作为人口快速发展情景下的土地覆盖变化趋势。各情景下各土地覆盖类型具体的需求如表2所示。
表2 不同情景中各土地覆盖类型的需求

Tab. 2 Demand for each land cover type in different scenarios (%)

情景 不透水面 植被 裸地 水体
自然发展 29.37 48.49 10.38 11.76
生态保护 26.74 49.44 12.06 11.76
人口快速增长 31.83 47.23 9.18 11.76

4 实验与结果分析

4.1 历史土地覆盖变化特征及驱动力分析

4.1.1 混合像元分解结果及精度评价

混合像元分解精度评价结果显示，2000、2013、2020年各土地覆盖类型的总体精度均高于0.80 （表3），说明解混结果可以作为模拟研究的输入。 3期土地覆盖空间分布格局如图5所示，像元值表现为每个土地覆盖类型在该像元中所占比例。
表3 混合像元分解的精度结果

Tab. 3 Accuracy results of mixed pixel decomposition

类别 2000年 2013年 2020年
不透水面 0.89 0.85 0.83
植被 0.85 0.91 0.89
裸地 0.80 0.80 0.81
水体 0.85 0.82 0.89
图5 2000、2013、2020年武汉市土地覆盖空间格局

Fig. 5 Spatial pattern of land use composition in Wuhan in 2000, 2013, and 2020

4.1.2 历史土地覆盖结构变化及驱动力分析

本研究采用混合像元分解方法获取2000、2013和2020年武汉市混合土地覆盖数据，以直观地展现土地覆盖结构的时空变化特点（图6）。在2000—2020年，不透水面面积大幅增加，这种大规模的扩张主要是在原有建成区的基础上进行的。在此期间，植被面积总体上呈现增长态势，但中心城区的植被和水体主要受到新增不透水面的侵占。这主要是因为在城市发展过程中，不透水面扩张需求日益增加，从而导致原本作为草地和公园用地的植被，以及一些零星的水体资源被占用。另外，裸地面积显著减少，可能是由于未来区域发展为了避免对耕地、林地、草地等用地的侵占而加强了对裸地的开发；另一方面，环境改善和生态保护等措施也会让耕地、林地、草地等覆盖更多的裸地。尽管水体的变化幅度较小，但武汉市的水土流失及填湖盖楼等现象仍在一定程度上导致了水体的减少和破碎化。
图6 2000—2013年、2013—2020年武汉市土地覆盖格局变化

Fig. 6 Changes in land use patterns in Wuhan from 2000 to 2013 and from 2013 to 2020

在此基础上，本研究使用SHAP方法深入挖掘多个驱动因素对2000—2020年土地覆盖成分转化的贡献程度（图7）。图中的每个点代表一个数据样本，点的颜色表示特征值的大小，红色代表高值，蓝色代表低值。即如果红色点主要落在正值区间，代表该特征数值越大，对土地覆盖变化的正向贡献越大；如果蓝色点主要落在正值区间，则表明该特征数值越小，对土地覆盖变化的正向贡献越大。对不透水面变化而言，公司企业的分布对其影响最大，并呈现明显的增长促进作用。市政府通常位于市中心，附近地区往往经济发达、城镇化程度高，有利于驱动附近区域的建设用地发展，并对周边植被产生侵占。值得注意的是， SHAP分析显示离高铁站相对较远的地方不透水面增加比更近的地方更加显著。这是由于高铁站周边的开发建设要落实最严格的耕地保护制度和节约用地制度，因此距离高铁站较远的地方的不透水面比例增长反而更加明显，这一现象也反映了城市空间政策和交通站点的建设会对不透水面的增长和分布产生复合的影响，使得局部地区有时会呈现关键交通站点反而抑制城镇在其周边发展的趋势。研究还发现，地势较缓的地区更容易发展成建成区，而地势较陡、降水量大的地方则倾向于发展为植被。此外，大型水体周边区域的环境往往更为稳定，较少受到外来干扰，这导致植被更倾向于在水体附近的地方增长。这揭示了土地覆盖变化过程是社会和经济需求与自然环境因素共同作用的结果。
图7 2000—2020年武汉市不透水面和植被变化驱动力的SHAP图

Fig. 7 SHAP plot of drivers of changes in urban land and vegetation in Wuhan from 2000 to 2020

4.2 混合土地覆盖变化模拟

4.2.1 精度验证

本研究在MCCA模型模拟过程中所设置的参数如表4所示。2020年土地覆盖变化模拟结果在空间分布上与真实结果具有较高相似度（图8）。通过精度验证，得到模拟模型的总体精度为0.71， mcFoM指数为0.38。这表明所构建的模型在模拟土地覆盖变化方面具有较高的准确性，能较好地模拟研究中所涉及的四类土地覆盖类型（不透水面、植被、裸地、水体）的变化。
表4 MCCA模型的参数和精度

Tab. 4 Parameters and simulation accuracy of the MCCA model

模型 参数 不透水面 植被 裸地 水体
随机森林回归 参数 回归树数量 50
采样率 0.1
CA模型 参数 邻域 3×3
步长 1 1 1 1
精度 总体精度 0.71
mcFoM 0.38 (PA=0.43， UA=0.53)
图8 2020年武汉市真实土地覆盖结构与MCCA模拟的土地覆盖结果对比

Fig. 8 Comparison between the actual and simulated land use results in 2020 in Wuhan

4.2.2 未来混合土地覆盖变化

本研究使用MCCA模型对2030年和2040年的土地覆盖格局进行模拟，结果如图9所示。模拟结果表明，市中心不透水面的密度有所上升，并呈现出向现有城区边缘扩散的趋势。同时，市中心地区不透水面的扩张速度相较于城区边缘更为缓慢。另外，不透水面的快速扩张是区域的植被覆盖比例降低的主要原因，农村居民点的缓慢增长也可能造成部分植被的流失。尽管植被面临被不透水面侵占的压力，但在人类活动干扰较少的区域，植被的覆盖比例也会有所增加。这些现象表明，MCCA模型可以有效捕捉并反映混合土地覆盖在精细尺度上的动态演变。
图9 2020—2040年武汉市局部地区土地覆盖变化

Fig. 9 Changes in mixed land use structure from 2020 to 2040 in local regions

4.2.3 多情景下未来土地覆盖格局预测

本文考虑了生态保护区限制和人口快速增长对武汉市土地覆盖变化的影响，构建了自然发展、生态保护和人口快速增长3种情景进行未来土地覆盖变化模拟，结果如图10所示。我们选取武汉中心城区边缘某个正在开发建设的住宅群地区，展示了不透水面在3种情景下的变化。不透水面的覆盖比例在3种情景中均有提高，尤其是在人口快速增长情景中体现出更加密集和紧凑的态势。这种精细化的差异可以通过MCCA模型的模拟得到体现。
图10 2020—2040年武汉市3种情景下混合土地覆盖变化

Fig. 10 Mixed land use changes in Wuhan in 2020—2040 under three scenarios

在自然发展情景下，城市中心的不透水面将变得更加密集和紧凑，并保持以长江与汉水交汇处为中心向外扩张的趋势。随着新增建成区的不断扩张，原有的植被遭受了严重侵占，导致植被的覆盖比例在未来大幅减少，仅留下小范围的植被斑块；相比之下，远离市中心的研究区北部和南部的植被将保持一个持续增长的趋势。另外，研究区裸地面积呈现减少态势，这主要是由于城市中心的裸地大量转化为不透水面所导致的；城市北部和南部的大部分裸地则逐步转化为植被。在城市中心及大型湖泊水库的边缘，水体呈现减少的趋势。
在生态保护情景下，植被减少的程度总体上有所缓解，同时生态保护区内不透水面的扩张也得到了有效的控制。中心城区的草地、北部的森林以及南部的湿地和耕地等自然生态区域受到的人为干扰相对较少，这有助于更好地保持植被斑块的完整性和生态系统的连通性。与其他情景相比，主城区沿江的不透水面以及靠近水体和生态保护区的植被显示出更明显的集聚状态。
在人口快速增长情景下，城市中心不透水面的扩张更为剧烈，其斑块更容易表现出聚集和紧凑的特征。同时，植被斑块的破碎度也更高。市中心的周边县区涌现了大量分散、小范围、高密度的建成区中心，同时小型居民点也表现出聚集现象。然而，南部地区的耕地、湿地等作为重要的生态用地遭受到不透水面的侵蚀，其程度较自然发展情景更严重。

4.2.4 未来土地混合度演变分析

武汉市2020—2040年的土地混合度变化如图11所示。较低的土地混合度意味着该像元内的土地覆盖结构相对单一，即其中某一类土地覆盖类型在该像元中的覆盖比例较高，而较高的土地混合度则反映出该像元内的土地覆盖多样性较高，土地混合功能趋于多样化。在2020—2030年，土地混合度增加的元胞数量明显多于混合度减少的元胞数量。这一现象主要是城市中心区域不透水面覆盖比例的持续增长，以及部分植被覆盖得以保留的共同作用所导致的结果。在2030—2040年，土地混合度减少的元胞数量较上一时期有所增加，尤其是在城市中心区域。这是由于不透水面的扩张会大量侵占植被，从而导致了混合度的相应降低。此外，该时期混合度变化的幅度有所减缓，这反映出土地覆盖结构正逐步向稳定状态过渡。
图11 武汉市2020—2030年、2030—2040年土地混合度变化

Fig. 11 The changes of land use mixture from 2020 to 2030 and from 2030 to 2040

此外，研究区南部的部分地区在2个时期内土地混合度的变化趋势总体保持一致，具体表现为持续下降的特点。总体而言，随着城市中心不透水面的持续扩张以及植被覆盖的时空变化，武汉市未来的土地覆盖变化将主要发生在建成区。该区域的土地混合度将呈现一个先上升后下降的总体趋势，初期随着各像元内不同土地覆盖类型的混杂，混合度将有所提升，但随后可能因城市规划和管理策略的调整而趋于稳定或略有下降。

5 讨论

本研究构建了一个包含“混合土地覆盖数据的制备—混合土地覆盖变化模拟与预测—混合土地覆盖变化机理分析”的完整方法框架，旨在实现精细尺度下的混合土地覆盖变化研究的全流程。将混合像元分解和混合元胞模拟相结合，以Landsat数据的解混结果为输入，在亚像元尺度下模拟未来混合土地覆盖结构变化。本文提出的方法可以作为连接混合像元分解和土地覆盖变化模拟两大领域的重要桥梁，可以为土地覆盖变化模拟提供精细尺度的上游数据来源，还可以为混合像元分解研究提供下游应用空间，进而为精细尺度下的混合土地覆盖研究提供了从静态分析到动态模拟的技术方法路径。
除此之外，本研究进一步证实了MCCA模型在模拟单个像元内土地覆盖结构变化方面具有显著优势，能够精确地反映像元尺度下不同土地覆盖类型之间的比例关系，这是已有纯质CA模型研究无法做到的。这些比例关系可以通过土地混合度进行量化描述，从而为土地覆盖的动态变化提供了一种更加精细的度量方式。
在方法验证方面，我们对提出的方法进行了不确定性分析。模型不确定性来源于MCCA模型在模拟过程的随机扰动因子，而参数不确定性主要来源于在挖掘发展潜力和模拟这两部分中输入的参数。对于模型不确定性分析，输入同样的参数并进行了5次重复实验， 5次实验得到的mcFoM数值极为接近（波动范围为0.373 8~0.374 0），差异主要体现在小数点后第三位，表明模型不确定性对最终结果的影响较弱。同时，我们在保持其他参数不变的前提下，分别设置不同的回归树数量（10、20、30、40、50、70、100）以进行参数不确定性分析，结果显示模型在不同的回归树数量下也保持了相对稳定的精度（波动范围为0.368 2~0.374 5）。这些结果说明本文提出的方法在实际应用中的模型和参数方面的不确定性对模拟结果的影响较小。另外，我们还分析了模型的敏感性，通过改变回归树数量以获得不同参数下的用地发展潜力，并基于此开展了多轮土地利用模拟。结果显示，MCCA模型的mcFoM值均较高（大于0.36），这说明模型具有较高的稳定性和模拟鲁棒性。
本研究的其中一个局限在于利用Landsat数据开展混合像元分解，该数据的分辨率为30 m，未达到高分辨率影像的范畴。然而，尽管当前遥感影像的分辨率越来越高，但模拟研究在不同分辨率下有不同的应用和意义，因此模拟研究的分辨率没有必要跟随当前的影像的极限分辨率一起提升。另外，多时相高分辨率遥感数据相对于Landsat数据更难以获取，且基于更高分辨率的数据开展模拟也对计算设备提出更高的要求。而混合元胞在体现高分辨率影像特点的同时，能够兼顾数据量和精准的比例，从而能更好地兼顾分析精度和计算量2个方面来对土地覆盖模拟进行研究。此外，本研究使用的模拟数据仅涵盖4种土地覆盖类型，这在土地分类方面仍不够精细。在后续研究中，我们将优化解混算法或应用更高分辨率的数据，并进一步细分其他地物类型，以提高实验数据的类别信息量。
在下一步研究中，我们将继续深入挖掘耦合解混和混合土地覆盖变化模拟的应用潜力，并与其他模型方法相结合进行进一步耦合，开展未来精细尺度的城市热岛和耗电量预测等方面的研究，深入分析土地覆盖变化对社会经济和生态环境等方面的影响。此外，后续研究还可以进一步构建混合元胞景观指数，以便在保留地物斑块的完整性和连通性的前提下开展景观评价，从而为城市景观规划提供更可靠的决策支持。

6 结论

本研究耦合混合像元分解方法与MCCA模型，提出了一种在亚像元尺度下模拟未来混合土地覆盖变化的方法，实现了从传统的基于纯质元胞的元胞自动机模拟向混合元胞CA模拟的转变。本研究首先利用解混方法获得了混合土地覆盖数据，并运用MCCA模型对2030年和2040年武汉市多情景下的土地覆盖结构变化进行模拟。此外，本研究还借助SHAP方法分析了历史土地覆盖变化的驱动力，得出以下主要结论：
（1） SHAP分析显示社会经济因素如企业和市政府对不透水面扩张影响显著，在离高铁站相对较远的地方，不透水面比例比近处增长更加明显；而植被更容易在离水体近的地方增长。
（2） 本研究通过耦合模型，构建了混合像元分解和多类混合土地覆盖模拟2个领域的桥梁，实现了在精细尺度下的混合土地覆盖变化模拟。解混结果显示， 3期数据的总体精度均高于0.80，而 MCCA模型的mcFoM指数为0.38。这表明耦合模型在混合土地结构的空间格局表征以及未来变化模拟 2个方面具有较高的准确性，可以用于区域实际未来模拟研究与应用中。此外，耦合模型能够度量和模拟精细尺度的土地覆盖动态变化及其比例关系的趋势。研究还发现武汉市未来土地覆盖结构变化集中在建成区，土地混合度将先增加后减少。
（3） 多情景间的对比也体现了耦合模型在捕捉像元间土地覆盖比例细微差异方面的能力。在自然发展情景下，武汉市不透水面的扩张趋势与未来规划布局相符；生态保护情景的结果显示，加强对自然生态区域的保护将有助于限制不透水面的扩张，并且能有效地保留植被斑块的联系和完整性；此外，在人口快速增长的情景下，城市中心区域的不透水面斑块更倾向于呈现聚集和紧凑的特征。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李少英, 刘小平, 黎夏, 等. 土地利用变化模拟模型及应用研究进展[J]. 遥感学报, 2017, 21(3):329-340.

[Li S Y, Liu X P, Li X, et al. Simulation model of land use dynamics and application: Progress and prospects[J]. National Remote Sensing Bulletin, 2017, 21(3):329-340.] DOI: 10.11834/jrs.20176159

[2]
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

[3]
Sang L L, Zhang C, Yang J Y, et al. Simulation of land use spatial pattern of towns and villages based on CA-Markov model[J]. Mathematical and Computer Modelling, 2011, 54(3/4):938-943. DOI:10.1016/j.mcm.2010.11.019

[4]
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:10.1080/1365 8816.2013.831097

[5]
Aburas M M, Ahamad M S S, Omar N Q. Spatio-temporal simulation and prediction of land-use change using conventional and machine learning models: A review[J]. Environmental Monitoring and Assessment, 2019, 191(4):205. DOI:10.1007/s10661-019-7330-6

PMID

[6]
Aburas M M, Ho Y M, Ramli M F, et al. The simulation and prediction of spatio-temporal urban growth trends using cellular automata models: A review[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 52:380-389. DOI:10.1016/j.jag.2016.07.007

[7]
黎夏, 叶嘉安, 刘小平. 地理模拟系统在城市规划中的应用[J]. 城市规划, 2006, 30(6):69-74.

[Li X, Yeh A G O, Liu X P. Geographical simulation systems for urban planning[J]. City Planning Review, 2006, 30(6):69-74.] DOI: 10.3321/j.issn:1002-1329.2006.06.015

[8]
王旭东, 姚尧, 任书良, 等. 耦合FLUS和Markov的快速发展城市土地利用空间格局模拟方法[J]. 地球信息科学学报, 2022, 24(1):100-113.

DOI

[ Wang X D, Yao Y, Ren S L, et al. 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.]

[9]
赵轩, 彭建东, 樊智宇, 等. “双评价” 视角下基于FLUS模型的武汉大都市区土地利用模拟和城镇开发边界划定研究[J]. 地球信息科学学报, 2020, 22(11):2212-2226.

DOI

[ Zhao X, Peng J D, Fan Z Y, et al. Land use simulation and urban growth boundaries delineation in Wuhan metropolitan area based on FLUS model and “Dual Environment Evaluation”[J]. Journal of Geo-information Science, 2020, 22(11):2212-2226.]

[10]
Aburas M M, Ho Y M, Ramli M F, et al. Improving the capability of an integrated CA-Markov model to simulate spatio-temporal urban growth trends using an Analytical Hierarchy Process and Frequency Ratio[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 59:65-78. DOI:10.1016/j.jag.2017.03.006

[11]
Firozjaei M K, Sedighi A, Argany M, et al. A geographical direction-based approach for capturing the local variation of urban expansion in the application of CA-Markov model[J]. Cities, 2019, 93:120-135. DOI:10.1016/j.cities.2019.05.001

[12]
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. DOI:10.1080/13658810210157769

[13]
Han J, Hayashi Y, Cao X, et al. Application of an integrated system dynamics and cellular automata model for urban growth assessment: A case study of Shanghai, China[J]. Landscape and Urban Planning, 2009, 91(3):133-141. DOI:10.1016/j.landurbplan.2008.12.002

[14]
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

[15]
Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85:101569. DOI:10.1016/j.compenvurbsys.2020.101569

[16]
Zhai Y Q, Yao Y, Guan Q F, et al. Simulating urban land use change by integrating a convolutional neural network with vector-based cellular automata[J]. International Journal of Geographical Information Science, 2020, 34(7):1475-1499. DOI:10.1080/13658816.2020.1711915

[17]
朱晓青. 混合功能人居:“产住共同体” 聚落的演进、机理与建构[M]. 北京: 中国建筑工业出版社, 2014.

[ Zhu X Q. Mixed functional human settlement:The evolution, mechanism and construction of “production-residence community” settlement[M]. Beijing: China Architecture & Building Press, 2014.]

[18]
Mansour S, Al-Belushi M, Al-Awadhi T. Monitoring land use and land cover changes in the mountainous cities of Oman using GIS and CA-Markov modelling techniques[J]. Land Use Policy, 2020, 91:104414. DOI:10.1016/j.landusepol.2019.104414

[19]
Gounaridis D, Chorianopoulos I, Symeonakis E, et al. A Random Forest-Cellular Automata modelling approach to explore future land use/cover change in Attica (Greece), under different socio-economic realities and scales[J]. Science of The Total Environment, 2019, 646:320-335. DOI: 10.1016/j.scitotenv.2018.07.302

[20]
Li X, Yeh A G O. 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:10.1080/1365 88100240886

[21]
Liu Y, Phinn S R. Modelling urban development with cellular automata incorporating fuzzy-set approaches[J]. Computers, Environment and Urban Systems, 2003, 27(6):637-658. DOI:10.1016/S0198-9715(02)00069-8

[22]
Liu X P, Hu G H, Ai B, et al. Simulating urban dynamics in China using a gradient cellular automata model based on S-shaped curve evolution characteristics[J]. International Journal of Geographical Information Science, 2018, 32(1):73-101. DOI:10.1080/13658816.2017.1376065

[23]
Liang X, Guan Q F, Clarke K C, et al. Mixed-cell cellular automata: A new approach for simulating the spatio-temporal dynamics of mixed land use structures[J]. Landscape and Urban Planning, 2021, 205:103960. DOI: 10.1016/j.landurbplan.2020.103960

[24]
Seto K C, Reenberg A, Boone C G, et al. Urban land teleconnections and sustainability[J]. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(20):7687-7692. DOI:10.1073/pnas.1117622109

PMID

[25]
郑红玉, 吴次芳, 沈孝强. 土地混合利用研究评述及框架体系构建[J]. 经济地理, 2018, 38(3):157-164.

[Zheng H Y, Wu C F, Shen X Q. Review on the research context of mixed land use and systematic framework construction[J]. Economic Geography, 2018, 38(3):157-164.] DOI: 10.15957/j.cnki.jjdl.2018.03.020

[26]
Zhang P, Liu L, Yang L W, et al. Exploring the response of ecosystem service value to land use changes under multiple scenarios coupling a mixed-cell cellular automata model and system dynamics model in Xi’an, China[J]. Ecological Indicators, 2023, 147:110009. DOI:10.1016/j.ecolind.2023.110009

[27]
吕青宙, 林伊琳, 赵俊三, 等. 昆明市土地混合度预测与土地混合利用演变相关性分析[J]. 兰州大学学报(自然科学版), 2022, 58(4):548-559.

[Lü Q Z, Lin Y L, Zhao J S, et al. The correlation between the prediction of land mixing degree and the evolution of land mixed use in Kunming[J]. Journal of Lanzhou University (Natural Sciences), 2022, 58(4):548-559.] DOI:10.13885/j.issn.0455-2059.2022.04.016

[28]
师青霞, 张亚平, 徐斌. 基于MCCA多情景模拟的浙北地区景观稳定性时空变化[J]. 生态学杂志, 2023, 42(2):445-453.

[Shi Q X, Zhang Y P, Xu B. Spatial-temporal variations of landscape stability in northern Zhejiang based on MCCA multi-scenario simulation[J]. Chinese Journal of Ecology, 2023, 42(2):445-453.] DOI:10.13292/j.1000-4890.202302.010

[29]
李卓, 韩文超, 胡起源, 等. 融合光谱混合分解与面向对象的土地利用/覆被分类[J]. 农业工程学报, 2021, 37(17):225-233.

[Li Z, Han W C, Hu Q Y, et al. Land use/cover classification based on combining spectral mixture analysis model and object-oriented method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(17):225-233.] DOI:10.11975/j.issn.1002-6819.2021.17.026

[30]
Foody G M, Cox D P. Sub-pixel land cover composition estimation using a linear mixture model and fuzzy membership functions[J]. International Journal of Remote Sensing, 1994, 15(3):619-631. DOI:10.1080/01431169408954100

[31]
朱爽, 张锦水, 李长青, 等. 土地覆盖遥感制图方法研究现状与展望[J]. 测绘通报, 2019(11):8-11.

DOI

[Zhu S, Zhang J S, Li C Q, et al. Review and prospect of land cover mapping by remote sensing[J]. Bulletin of Surveying and Mapping, 2019(11):8-11.] DOI:10.13474/j.cnki.11-2246.2019.0342

[32]
常梦迪, 王新军, 闫立男, 等. 天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化[J]. 农业资源与环境学报, 2022, 39(4):836-846.

[Chang M D, Wang X J, Yan L N, et al. Temporal and spatial pattern dynamic variations of vegetation cover and management factors in the middle of the northern slope of Tianshan Mountains[J]. Journal of Agricultural Resources and Environment, 2022, 39(4):836-846.] DOI:10.13254/j.jare.2021.0315

[33]
朱玲, 李明, 秦凯, 等. 矿物高光谱解混进展研究综述[J]. 遥感信息, 2020, 35(3):15-23.

[Zhu L, Li M, Qin K, et al. Review of research progress on mineral hyperspectral unmixing[J]. Remote Sensing Information, 2020, 35(3):15-23.] DOI:10.3969/j.issn.1000-3177.2020.03.002

[34]
Sam Navin M, Agilandeeswari L. Comprehensive review on land use/land cover change classification in remote sensing[J]. Journal of Spectral Imaging, 2020, 9(1):a8. DOI:10.1255/jsi.2020.a8

[35]
Dwivedi A. K, Singh A. K, Singh D, et al. Development of an adaptive linear mixture model for decomposition of mixed pixels to improve crop area estimation using artificial neural network[J]. IEEE Access, 2023, 11:5714-5723. DOI:10.1109/ACCESS.2023.3236665

[36]
Yang C, Wu G F, Ding K, et al. Improving land use/land cover classification by integrating pixel unmixing and decision tree methods[J]. Remote Sensing, 2017, 9(12):1222. DOI:10.3390/rs9121222

[37]
Deng Y B, Chen R R, Wu C S. Examining the deep belief network for subpixel unmixing with medium spatial resolution multispectral imagery in urban environments[J]. Remote Sensing, 2019, 11(13):1566. DOI:10.3390/RS11131566

[38]
Small C. Estimation of urban vegetation abundance by spectral mixture analysis[J]. International Journal of Remote Sensing, 2001, 22(7):1305-1334. DOI:10.1080/01431160151144369

[39]
He Y H, Yang J, Guo X L. Green vegetation cover dynamics in a heterogeneous grassland: Spectral unmixing of landsat time series from 1999 to 2014[J]. Remote Sensing, 2020, 12(22):3826. DOI:10.3390/rs12223826

[40]
Pontius R G, Boersma W, Castella J C, et al. Comparing the input, output, and validation maps for several models of land change[J]. The Annals of Regional Science, 2008, 42(1):11-37. DOI:10.1007/s00168-007-0138-2

[41]
Ridd M K. Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: Comparative anatomy for cities†[J]. International Journal of Remote Sensing, 1995, 16(12):2165-2185. DOI:10.1080/01431169508954549

[42]
Bioucas-Dias J M, Plaza A, Camps-Valls G, et al. Hyperspectral remote sensing data analysis and future challenges[J]. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(2):6-36. DOI:10.1109/MGRS.2013.2244672

[43]
Shapley L S. Stochastic Games[J]. Proceedings of the National Academy of Sciences of the United States of America, 1953, 39(10):1095-1100. DOI:10.1073/pnas.39.10.1953

PMID

[44]
Lundberg S, Lee S. A unified approach to interpreting model predictions[C]// Proceedings of the 31st Conference on Neural Information Processing Systems. Long Beach, USA: ACM digital library, 2017. DOI:10.48550/arXiv.1705.07874

[45]
李俊芳, 姚敏峰, 季峰, 等. 土地利用混合度对轨道交通车站客流的影响[J]. 同济大学学报(自然科学版), 2016, 44(9):1415-1423.

[Li J F, Yao M F, Ji F, et al. Quantitative study on how land use mix impact urban rail transit at station-level[J]. Journal of Tongji University (Natural Science), 2016, 44(9):1415-1423.] DOI:10.11908/j.issn.0253-374x.2016.09.016

[46]
Chen G Z, Li X, Liu X P, et al. Global projections of future urban land expansion under shared socioeconomic pathways[J]. Nature Communications, 2020, 11(1):537. DOI:10.1038/s41467-020-14386-x

PMID

[47]
俞钦平, 吴振华, 王亚蓓. 一种耦合进化算法与FLUS模型的土地利用变化模拟模型[J]. 地球信息科学学报, 2023, 25(3):510-528.

DOI

[Yu Q P, Wu Z H, Wang Y B. A land use change simulation model: Coupling of evolutionary algorithm and FLUS model[J]. Journal of Geoinformation Science, 2023, 25(3):510-528.] DOI:10.12082/dqxxkx.2023.220637

[48]
Lv J J, Wang Y F, Liang X, et al. Simulating urban expansion by incorporating an integrated gravitational field model into a demand-driven random forest-cellular automata model[J]. Cities, 2021, 109:103044. DOI:10.1016/j.cities.2020.103044

[49]
Liang X, Liu X P, Chen G L, et al. Coupling fuzzy clustering and cellular automata based on local maxima of development potential to model urban emergence and expansion in economic development zones[J]. International Journal of Geographical Information Science, 2020, 34(10):1930-1952. DOI:10.1080/13658816.2020.1741591

Options
Outlines

/

〈 〉