EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 2: 140 - 147

DOI: https://doi.org/10.6046/zrzyyg.2023360

技术应用

耦合Markov与FLUS模型的珠三角城市群土地利用多情景模拟预测

  • 柴新宇 , 1 ,
  • 吴献文 , 1 ,
  • 陈晓辉 2 ,
  • 王玉 3 ,
  • 赵星涛 3
展开
  • 1.广东工贸职业技术学院,广州 510510
  • 2.吉林建筑科技学院,长春 130014
  • 3.北京帝信科技有限公司,北京 100021
吴献文(1969-),男,硕士,高级工程师,主要研究方向: 摄影测量与遥感、工程测量综合应用教学与研究。Email: 。

柴新宇(1984-),男,硕士研究生,主要研究方向: GIS、摄影测量与遥感。Email: 。

Copy editor: 陈昊旻

收稿日期: 2023-11-24

  修回日期: 2024-04-03

  网络出版日期: 2026-06-03

基金资助

广东省教育厅重点科研平台“智慧城市时空大数据与云计算产教融合创新中心”(2020CJPT023)

广东省教育厅重点科研平台“智慧城市时空大数据与云计算产教融合创新中心”(2023GCZX010)

广东省普通高校重点领域项目(2024ZDZX3112)

收起

Multi-scenario simulation and prediction of land use in the Pearl River Delta urban agglomeration using the coupled Markov-FLUS model

  • CHAI Xinyu , 1 ,
  • WU Xianwen , 1 ,
  • CHEN Xiaohui 2 ,
  • WANG Yu 3 ,
  • ZHAO Xingtao 3
Expand
  • 1. Guangdong Polytechnic of Industry and Commerce, Guangzhou 510510, China
  • 2. Jilin Institute of Architecture and Technology, Changchun 130114, China
  • 3. Beijing KingGIS Technology Co., Ltd, Beijing100021, China

Received date: 2023-11-24

  Revised date: 2024-04-03

  Online published: 2026-06-03

Fold

摘要

土地利用需求在不同发展目标定位下有所不同,科学合理调控土地利用变化是实现珠三角城市群土地资源高效利用、生态-发展-经济协调发展的重要基石。该文基于1990年、2000年、2010年和2020年4期珠三角城市群土地利用数据,利用Markov-FLUS(Markov-future land use simulation)模型,基于自然发展情景、生态保护情景和发展优先情景3种情景,预测了2035年珠三角城市群土地利用的数量和空间变化,并比较了3种情景下土地利用变化的差异。在此基础上,对2035年土地利用进行模拟分析,以满足流域不同发展目标导向下的国土空间优化配置。研究结果表明: ①珠三角城市群建设用地利用变化显著,1990—2020年,城市用地、基础设施用地和其他建设用地面积增加了4 945.25 km2,增长了2.8倍。②在3种不同土地利用情景的模拟和预测下,城市土地面积在2035年之前将保持增长趋势,但在发展优先情景下其扩张速度将受到限制。在2种不同土地利用场景的模拟和预测下,到2035年,林地、草地和水域等生态用地面积将保持增长趋势。③1990—2020年,耕地面积减少了3 759.5 km2。在3种不同土地利用情景的模拟预测下,耕地面积将持续减少,但2020—2035年,减少趋势将放缓。在发展情景中,建设用地面积持续增加,耕地面积减少趋势得到一定遏制,草原和林地面积的减少更加严重。实验结果可为珠三角地区今后城市发展、规划、保护提出建议和对策。

关键词： Markov模型; FLUS模型; 土地利用变化; 模拟预测

本文引用格式

柴新宇 , 吴献文 , 陈晓辉 , 王玉 , 赵星涛 . 耦合Markov与FLUS模型的珠三角城市群土地利用多情景模拟预测[J]. 自然资源遥感, 2025 , 37(2) : 140 -147 . DOI: 10.6046/zrzyyg.2023360

Abstract

Land use demands vary under different development objectives. Scientifically and rationally regulating changes in land use are crucial to efficient land resource utilization and achieving ecological, developmental, and economic coordination in the Pearl River Delta urban agglomeration. Based on the land use data of the urban agglomeration of 1990, 2000, 2010, and 2020 and using the FLUS-Markov model, this study predicted the quantity and spatial changes in land use in the Pearl River Delta urban agglomeration by 2035 under three scenarios: natural development, ecological protection, and development priority. Furthermore, this study determined the differences in land use change under the three scenarios. Additionally, a simulation analysis of the land use in 2035 was conducted to facilitate the optimized land and space allocation under varying developmental objectives. The results indicate significant changes in the use of construction land in the Pearl River Delta urban agglomeration. From 1990 to 2020, the area of construction land, including urban land and infrastructure land increased by 4 945.25 km2, representing an increase of 2.8 times. The simulations and predictions under three land use scenarios reveal that the urban land area will trend upward by the end of 2034, with its expansion speed being restricted under the ecological protection scenario, while the ecological land, such as forest land, grassland, and water area, will maintain an increasing trend until 2035. From 1990 to 2020, the arable land area decreased by 3 759.5 km2. Under the three land use scenarios, the trend of arable land reduction will continuously decrease until 2035, with the decreasing trends slowing down from 2020 to 2035. Especially, under the development scenario, the area of construction land will continue to increase, the decreasing trend of the arable land area will be somewhat curbed, while the area of grassland and forest land will undergo a more serious decrease. Although dominant factors affecting arable land protection in the Pearl River Delta urban agglomeration vary across different development stages, the main factor is infrastructure construction such as rail transit roads.

Key words： Markov model; FLUS model; land use change; simulated prediction

0 引言

在珠三角城市群“十四五”规划中,土地利用模拟预测是一个重要的环节。土地利用变化情景模拟预测是一种基于数学模型的方法,用于预测未来土地利用情况,以帮助政策制定者制定合理的土地规划政策。该方法结合了细胞自动机模型、分层逻辑模型和地理信息系统,使用网络模型和标度律来模拟人类行为和土地利用变化的过程[1]。
未来土地利用模拟(future land use simulation,FLUS)模型首先结合神经网络算法,得到各类土地类型的适宜性概率,其次通过数据抽样,结合适应性概率以及成本转移矩阵等转换规则来模拟研究区域设定年限的土地利用变化[2-3]。由于FLUS模型需要先输入未来土地利用的地类规模,故本文选用FLUS模型同时结合Markov的数量预测优势,对珠三角城市群的土地利用变化进行模拟预测。Markov-FLUS模型在模拟时精度能够更高,产生的误差也较小[4]。另外,由于Markov-FLUS模型的适用性较好,可以很好地处理区域地理因素和其他因素之间的关联性,从而使模拟结果较为精确[5]。因此,众多也应用此模型开展相应研究。邱应美[6]基于GIS技术分析土地利用演变规律,利用该模型模拟聚落土地利用变化,最后提出聚落空间格局优化措施; 杜际增等[7]在进行长江源区土地利用变化的研究时,采用该模型精确的预测了土地利用的演变过程; 王佐霖等[8]学者利用此模型在进行深圳龙岗区未来土地利用时空演变的研究时,进行影响因素分析,研究显示结果与现实符合较好; 陈青[9]利用福清市土地利用基础数据,进行未来土地利用动态变化的模拟时同样采用了此模型。以上研究者对土地利用/地表覆盖类型进行了多方面研究,但是对珠三角区域土地利用变化系统性、长时序的研究相对较少,对于驱动因子的选择不够全面,对土地地表覆盖类型整体分布和变化情况探索较少。
针对现有研究在珠三角城市群土地利用变化模拟方面的研究空白,本文研究区以珠三角城市群1990—2020年共4期遥感影像为基础源数据,根据经验进行综合筛选不同模型与土地利用变化的驱动因素,权衡预测周期与模拟精度之间的关系,研究时设置了自然发展情景、发展优先情景和生态保护情景3种土地利用情景作为约束条件,选取当前精度最高、适应性最强的Markov-FLUS模型对珠三角城市群进未来土地利用(2035年)行多场景模拟,以期对珠三角城市群区域今后的城市空间建设发展、国土城乡规划、生态环境保护、碳储量分析等提出合理、有效的建议和对策。

1 研究区概况及数据源

1.1 研究区概况

珠三角城市群,包括“广佛肇”(广州、佛山、肇庆)、“深莞惠”(深圳、东莞、惠州)和“珠三角”(珠海、中山、江门)3个新城区,率先实现一体化。珠江三角洲城市群对华南、华中和西南地区发展具有辐射带动作用,是人口最集中的3个地区之一,也是中国创新能力最强、综合实力最强的地区,被誉为“南海明珠”[9]。

1.2 数据源与预处理

1.2.1 土地利用分类数据

珠三角城市群(图1)土地利用分类的数据源: 1990年、2000年和2010年各期分析数据主要应用了LandsatTM/ETM影像数据,2020年土地利用数据更新主要使用Landsat8系列数据,所有数据采用tif格式椭球参数统一采用Albers投影,利用ENVI5.3进行影像预处理和校正。考虑本研究的重点在于探究土地利用类型时空演变和情景模拟预测,参考《城市用地分类与规划建设用地标准》(GB 50137—2011),影像预处理后,结合人机交互式目视判读的方式,进行面向对象计算机解译。本研究土地利用类型分类最终选用一级土地利用分类,分别为耕地、草地、林地、水域、建设用地和未利用土地共6类。
图1 珠三角城市群范围

Fig.1 Scope of the Pearl River Delta urban agglomeration

1.2.2 驱动因子数据

本文研究中获得的指标包括土地利用变化相关的自然环境类指标因子、社会经济指标因子、可达性指标因子和政策限制因素因子。从自然因子方面选取了高程、坡度、坡向、归一化植被指数(normalized difference vegetation index,NDVI)、年平均降水和年平均气温6个驱动因子; 从社会经济因子方面选取了国内生产总值(gross domestic product,GDP)、人口密度和净初级生产力数据3个驱动因子; 从可达性因子选取了距河流距离、距铁路距离和距城市道路距离3个驱动因子; 政策限制性因子根据相关政策选取基本农田保护区和生态保护红线2种影响因子,共14个驱动因子。在数据转换时,基本农田保护区和生态保护区域数值设置为0,表示不允许土地类型发生转化。如表1所示为珠三角城市群土地利用模拟所涉及的主要数据。
表1 珠三角城市群土地利用模拟主要数据

Tab.1 Main data of land use simulation in the Pearl River Delta urban agglomeration

数据类型 数据名称 年份 分辨率/m 数据来源 用途
基本数据 不同年份土
地利用分类数据		 1990年 30 Landsat TM/ETM 土地利用分类源数据
2000年 30 Landsat TM/ETM
2010年 30 Landsat TM/ETM
2020年 30 Landsat8
自然环境因子 高程 2020年 30 地理空间数据云
(http://www.gscloud.cn/)		 用于计算适宜性概率
代表自然地形影响
坡度 2020年 30
坡向 2020年 30
NDVI 1990—2020年 30
中国气象数据网
(http://www.data.cma..cn)
年平均降水 1990—2020年 30
年平均气温 1990—2020年 30
社会经济因子 GDP 2020年 1 000 资源环境科学与数据中心
(http://www.resdc.cn/)		 用于计算适宜性概率
代表社会经济影响
人口密度 2000—2020年 1 000
净初级生产力(net primary production,NPP)数据 2020年 30
可达性因子 距河流距离 2020年 30 根据土地利用分
类数据源提取		 用于计算适宜性概率
代表可达性因子影响
距铁路距离 2020年 30
距城市道路距离 2020年 30
政策限制因子 基本农田保护区 2019年 - 各市县自然资源局 约束用地变化限制数据
生态保护红线 2020年 -

2 研究方法

2.1 Markov-FLUS模型

FLUS模型具有突出的空间模拟能力,但对后续土地开发效果的估算极为一般,因此该模型不能单独用于预测分析。Markov模型是一种基于转移概率矩阵的统计模型,它可以在没有连续历史数据的情况下预测未来的土地利用情况[10-11]。FLUS模型在预测之前需要设置未来土地类型的数量,与Markov模型形成了良好的互补关系。Markov-FLUS模型是将人为效应和自然效应耦合为多种类型土地利用情景仿真的综合模型,在传统元胞自动机的基础上做了很大改进,用于促进多种土地利用变化分析,可以设置多种情景,对未来土地利用变化进行预测和分析。其预测土地利用公式为[12-13]:
S ( t + 1 ) = P i j S t ,
式中: S ( t + 1 )为t+1时刻的土地利用状态; P i j为土地利用类型转移概率矩阵; S t为土地利用初始t时刻下的状态。将Markov模型在数量上预测的优势与FLUS模型相结合,以各类型土地利用预测规模作为FLUS模型的变化参数从而获取土地利用在空间上的动态变化。

2.2 神经网络模型

神经网络算法[14](artificial neural networks,ANN)主要研究适宜性概率问题,能从一期土地数据与包含自然效应和人为活动的多种驱动力因子中获取各种不同用地类型。ANN包含了3个隐含层,分别是输入层、隐含层和输出层,用于训练和评估每个栅格转化的概率,其计算公式为:
s p ( p , i , t ) = ∑ j w j , i × 1 1 + e - n e t j ( p , t ) ,
∑ i s p ( p , i , t ) = 1 ,
式中: i为用地类型; j为隐藏层; p为栅格; t为时间; sp(p,i,t)为适宜性概率; w j , i为权重; - n e t j ( p , t )为接收到的信号。通过神经网络模型计算的各用地类型转换的适宜性概率的和应为1。

2.3 自适应惯性机制的元胞自动机模型

自适应惯性竞争模型[15-16](self adaptive inertia and competition mechanism celluar automata)具有随机性的特点,选择轮盘赌选择的机制,以土地利用栅格数据为初始输入数据,通过Markov模型预设各用地类型变化数量,根据经验确定不同用地类型间的转换矩阵,在适宜性概率和用地类型领域权重以及各参数的作用下,得出预设年份的土地利用数据。计算公式为:
T P p , t t = s p ( p , i , t ) × I n e r t i a k t ( 1 - s c c → i ) × ∑ N × N c o n ( c p t - 1 = i ) N × ( N - 1 ) × w i ,
式中: T P p , t t为第t次迭代时转换为用地类型p的总概率; s p ( p , i , t )为适宜性概率; I n e r t i a k t为土地利用类型k在时间t的惯性系数; s c c → i为空间类型转换成本; ∑ N × N c o n ( c p t - 1 = i )为用地类型i在迭代结束后所产生的栅格数量; N为CA中的Moore邻域,经过实验经验本文中取N=5; w为各用地类型的邻域可变权重。

3 实验设计与结果分析

3.1 土地利用类型面积变化

1990—2020年珠三角城市群不同年份土地利用类型如图2所示。1990—2020年,原本的草地、林地、耕地逐渐被开发利用,土地利用类型主要转化为建设用地,致使未利用土地、耕地和其他用地在空间上呈土现出零散化现象分布特征。本文以2010年珠三角城市群的土地利用分类数据作为基准数据,2020年珠三角城市群土地利用数据作为精度检验数据,来模拟珠三角城市群2035年不同情景下土地利用格局分布情况。
图2 珠三角城市群不同年份土地利用类型

Fig.2 Land use types of the Pearl River Delta urban agglomeration in different years

珠三角城市群1990—2020年不同年份土地利用类型用地面积变化情况: 耕地和建设用地变化最明显,建设用地增加4 945.25 km2,土地面积变化最大占比增加9.2%,其次是耕地面积主要转化为建筑用地,减少3 759.5 km2,变化占比6.97%,林地面积减少1 299 km2,占比2.41%,草地面积变化最小,减少56 km2。

3.2 珠三角城市群土地利用模拟实验

土地利用变化预测本研究采用Markov-FLUS模型预设数量优势[17-18],对珠三角城市群区域土地利用变化进行模拟研究区未来土地利用结构变化与空间分布特征。本文利用珠三角城市群基础数据2000年、2010年和2020年3期的土地利用数据,运用耦合模型中Markov模型预测各地类未来规模并作为FLUS模型中土地利用变化规模需求参数,是3种情景模拟的基础[19-20]。在研究的模型中,对土地利用数据和驱动因素数据进行重新采样,转换为300 m×300 m网格应用数据,采用随机采样的模式对分析数据进行归一化。选择双线性插值方法,经过多次实验,最终将隐藏层设置为12。在此基础上,将14个驱动因素输入到反向传播人工神经网络(back propagation ANN,BP-ANN)模型中,使用ANN计算研究区内每种土地类型的开发概率,从而获得每种土地的适宜性概率。对于域因子参数,本文参考现有研究成果和多次实验经验,选择5×5 Moore邻域模型进行计算,得到的模型计算精度更高。珠三角城市群2020年土地利用现状及模拟结果见图3。
图3 珠三角城市群2020年土地利用现状及模拟结果

Fig.3 Land use situation and imitate results of the Pearl River Delta urban agglomeration in 2020

其中转换矩阵表示各用地类型间相互转化的限制规则,同时也反映了多种情景的设置[21]。具体情景转换矩阵设置如表2所示,矩阵中的值表示各种用地之间能否相互转化,其中0表示区域不允许土地利用类型发生转化,1表示可以转化。
表2 情景转换矩阵设置

Tab.2 Setting of context transformation matrix

2020—
2035年		 自然发展情景 生态保护情景 发展优先情景
a b c d e f a b c d e f a b c d e f
a/耕地 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 0 1 0
b/林地 1 1 1 1 1 1 1 1 1 1 0 0 1 1 0 0 1 0
c/草地 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
d/水域 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 0
e/建设用地 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 1 0
f/未利用土地 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
本文共设置了3种发展情景: 自然发展情景、生态保护情景和发展优先情景。自然发展情景延续了2000—2020年珠三角城市群中用地类型的发展规则,模拟结果如图4所示。2020—2035年,珠三角城市群土地利用在自然发展情景和限制数据的影响下,耕地面积减少速度较2010—2020年的明显有所减缓,建筑用地增加速度也有所减缓。耕地、草地、建设用地是主要转换地类,林地、耕地、草地均有所减少,其中草地减少量最大,减少了281.25 km2,建设用地增加年均增加60.6 km2; 珠三角城市群城乡建设用地在自然发展情景下变化最大,计算各类型土地面积得到的结果为: 2020—2025年、2025—2035年年均变化分别是47.55 km2和45.00 km2。自然发展情景下土地利用变化情况根据专家经验模型得到林地、耕地、城乡建设用地为主要转换地类,与发展优先情景主要转换地类相对比较一致,而变化上略微简单缓和。建设用地分布主要集中在中部、东南部,以及南部经济发达区域,林地、草地等生态空间主要分布在研究区西北部、东部、东北部以及西南部的边缘区域。
图4 2035年珠三角城市群3种情景模拟结果

Fig. 4 Simulation results of 3 scenarios in the Pearl River Delta urban agglomeration in 2035

生态保护情景模拟(结果如图4(b)所示)考虑到草地和林地的未来发展情况,即生态空间的发展,设置除建设用地外,其他各用地类型都可以向生态用地转化[22-23]; 生态空间区域主要是位于研究区的西南部、西部、东部的山区区域,这些地区的生态适宜性较高,通过可视化模拟结果后,发现研究区域包括生态区、森林公园和大型郊区公园; 在生态空间优先场景中,影响因子中的政策因素和保护区起到了限制土地变化的作用,使得区域发展时有效提高生态土地保护,严格遵守生态红线,最大限度地发挥生态效益,并在模型中设定社会经济效益和生态效益的权重为0.3和0.9。在该模型中,通过结合每个城市的城乡规划文件,使用ArcGIS 10.8将文件中的珠三角绿道网总体规划绿图矢量化,并将生成的绿图设置为限制区域来实现的。2020—2035年,生产空间减少246.5 km2,生态空间增加64 km2; 在这3种情景中,耕地等空间用地类型减少幅度最大,比例最小,表明农业用地类型已成为该情景下土地流转的主要类型,少量耕地被转化为生态空间,而大部分空间被转化为建筑面积。
发展优先情景主要以城乡发展为主,设置其他用地均可转换为建设用地,模拟结果如图4(c)所示。在发展优先的场景中,对城乡建设用地和耕地进行保护已经成为主要目标。在这种背景下,通过增加将耕地和工矿建设用地转换为其他土地类型的成本,并限制这2种类型转换为其他类型的土地来实现的。在设置转换矩阵和权重时,为了适应发展要求,适当增加其他土地利用类型向建设用地转移的概率,设置权重时建设用地扩展性最强为1,其他类型根据实际情况分别设置为0~1之间的权重。根据模拟结果进行统计分析,结论如下: 2035年耕地、林地、草地等生态用地相比2020年减少727.564 km2。2035年,耕地面积增加465.564 km2,工矿建设用地面积增加721.564 km2。综上,空间变化发展在优先情景下会导致生态空间使用面积缩小,破坏区域生态环境,对社会经济可持续发展、环境保护理念和国家相关政策要求不利。

3.3 模型精度评定

模型模拟中使用了2000年、2010年和2020年3个时期的珠江三角洲城市群土地利用数据,使用耦合模型中的Markov模型用于预测各种类别的未来规模,并作为FLUS模型中土地利用变化规模的需求参数。将模拟数据结果与2020年实际土地利用类型各地类面积变化情况进行比较,计算出总体精度和Kappa系数。与2020年土地利用面积的实际数量相比,结果显示模型对2020年各地区土地利用网格数量的平均预测准确率为97.85%,证实准确率高。将2010年土地利用数据加载到FLUS模型,将14个驱动影响因子全部输入模型,模拟2020年土地利用,并与2020年实际土地使用状况进行比较验证。精度评定时,将2010年真实数据、2020年真实数据和2020年模拟数据添加到FoM(figure of merit)值计算模块中,并计算Kappa系数和FoM指数的准确性,FOM指数为0.045 1,Kappa系数为0.859 1(值越接近1,精度越高),总体精度为91.95%,可见Markov-FLUS模型具有较高的模拟精度。

4 结论与讨论

本文基于Markov-FLUS模型,通过建立3种不同的发展情景,分别模拟分析2035年珠三角城市群的土地利用类型。针对研究区的土地利用类型,本着科学性、合理性的原则选取包括自然因素、社会经济因素、可达性因素和限制性因素4大类影响因素包含在内的14个驱动影响因子,对2020年土地空间分布格局进行模拟,与2020年的实际土地利用类型相比,总体准确率精度达到95.7%,Kappa系数达到0.859 1,表明该模型适合模拟研究区未来土地的空间分布。从面积变化来看,珠三角城市群林地、草地和水域等生态空间土地面积在生态保护情景下增长最大,而在其他2种情景变化中减少,在发展优先情景下减少最大。在发展优先情景下,为适应经济飞速发展,城乡建设用地增幅最大。从不同土地利用类型面积的空间分布格局来看,研究区中的山区由于地理环境影响,生态适应性较高,生态空间面积的变化较小,但在平原和地形缓和的丘陵,由于地理环境适于开发和经济发展,导致此区域生态生产空间变化较大,相比较生态空间稳定区域的发展更快。
广东省远景目标纲要指出,要建设产业集中园区,加快产业集群融合升级。目前的研究领域正处于工业化和城市化的深化阶段。本文综合考虑了14个驱动因素,通过影响因子的合理性、科学性选择尽可能提高模型的准确性。要更全面、系统地分析珠三角城市群不同土地利用类型的空间变化,需要结合更多的驱动影响因子,同时提高限制条件标准,考虑大气资源、水资源、旅游资源、矿产资源等资源承载力,提高对未来土地利用情况模拟的准确性,这方面需要今后进一步深入研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[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]. Journal of Remote Sensing, 2017, 21(3):329-340.

[2]
Chen L, Su W, Li M, et al. A population randomization-based multi-objective genetic algorithm for gesture adaptation in human-robot interaction[J]. Science China Information Sciences, 2020, 64(1):112208.

[3]
方赞山, 钟才荣, 王凤霞, 等. 耦合InVEST与FLUS模型的海南岛生态系统碳储量时空演变与预测[J]. 水土保持通报, 2023, 43(5):320-329,342.

Fang Z S, Zhong C R, Wang F X, et al. Spatial-temporal evolution and prediction of ecosystem carbon storage on Hainan Island by coupling InVEST and FLUS models[J]. Bulletin of Soil and Water Conservation, 2023, 43(5):320-329,342.

[4]
赵莉, 杨俊, 李闯, 等. 地理元胞自动机模型研究进展[J]. 地理科学, 2016, 36(8):1190-1196.

DOI

Zhao L, Yang J, Li C, et al. Progress on geographic cellular automata model[J]. Scientia Geographica Sinica, 2016, 36(8):1190-1196.

[5]
王芳莉. 基于FLUS模型的陇南市土地利用变化与模拟[D]. 兰州: 西北师范大学, 2020.

Wang F L. Change and simulation of land use in Longnan City based on FLUS model[D]. Lanzhou: Northwest Normal University, 2020.

[6]
邱应美. 基于Markov和FLUS模型的全福庄聚落演变与土地利用空间优化研究[D]. 昆明: 云南师范大学, 2020.

Qiu Y M. Study on settlements evolution and spatial optimization of land use in the Quanfuzhuang by means of Markov and FLUS models[D]. Kunming: Yunnan Normal University, 2020.

[7]
杜际增, 王根绪, 李元寿. 基于马尔科夫链模型的长江源区土地覆盖格局变化特征[J]. 生态学杂志, 2015, 34(1):195-203.

Du J Z, Wang G X, Li Y S. Changes of land cover pattern in the source region of Yangtze River based on Markov process[J]. Chinese Journal of Ecology, 2015, 34(1):195-203.

[8]
王佐霖, 黄钰辉, 杨龙, 等. 深圳森林生态系统类型自然保护区近20年土地利用与景观格局变化[J]. 林业与环境科学, 2019, 35(2):1-6.

Wang Z L, Huang Y H, Yang L, et al. Dynamics of land use and landscape pattern of forest ecosystem nature reserve in Shenzhen in recent 20 years[J]. Forestry and Environmental Science, 2019, 35(2):1-6.

[9]
任胤铭, 刘小平, 许晓聪, 等. 基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响[J]. 生态学报, 2023, 43(11):4473-4487.

Ren Y M, Liu X P, Xu X C, et al. Multi-scenario simulation of land use change and its impact on ecosystem services in Beijing-Tianjin-Hebei Region based on the FLUS-InVEST Model[J]. Acta Ecologica Sinica, 2023, 43(11):4473-4487.

[10]
王旭, 马伯文, 李丹, 等. 基于FLUS模型的湖北省生态空间多情景模拟预测[J]. 自然资源学报, 2020, 35(1):230-242.

DOI

Wang X, Ma B W, Li D, et al. Multi-scenario simulation and prediction of ecological space in Hubei Province based on FLUS model[J]. Journal of Natural Resources, 2020, 35(1):230-242.

DOI

[11]
Wang X, Ma B W, Li D, et al. Multi-scenario simulation and prediction of ecological space in Hubei Province based on FLUS model[J]. Journal of Natural Resources, 2020, 35(1):230.

DOI

[12]
Oliver M A, Webster R. A tutorial guide to geostatistics:Computing and modelling variograms and Kriging[J]. Catena, 2014, 113:56-69.

[13]
胡最, 王慧. 多因素约束的城市空间扩张元胞自动机构建及其应用研究[J]. 地球信息科学学报, 2020, 22(3):616-627.

DOI

Hu Z, Wang H. MCES-CA based urban expansion simulation of Hengyang city[J]. Journal of Geo-Information Science, 2020, 22(3):616-627.

[14]
陈理庭, 蔡海生, 张婷, 等. 基于Markov-FLUS模型的饶河流域土地利用多情景模拟分析[J]. 生态学报, 2022, 42(10):3947-3958.

Chen L T, Cai H S, Zhang T, et al. Land use multi-scenario simulation analysis of Rao River Basin based on Markov-FLUS model[J]. Acta Ecologica Sinica, 2022, 42(10):3947-3958.

[15]
李立, 胡睿柯, 李素红. 基于改进FLUS模型的北京市低碳土地利用情景模拟[J]. 自然资源遥感, 2023, 35(1):81-89.doi: 10.6046/zrzyyg.2022065.

Li L, Hu R K, Li S H. Simulations of the low-carbon land use scenarios of Beijing based on the improved FLUS model[J]. Remote Sensing for Natural Resources, 2023, 35(1):81-89.doi: 10.6046/zrzyyg.2022065.

[16]
王佳楠, 张志. 基于Markov-PLUS模型的柴北缘土地利用变化及模拟分析[J]. 西北林学院学报, 2022, 37(3):139-148,179.

Wang J N, Zhang Z. Land use change and simulation analysis in the northern margin of the Qaidam Basin based on Markov-PLUS model[J]. Journal of Northwest Forestry University, 2022, 37(3):139-148,179.

[17]
谢凌凌, 许进龙, 臧俊梅, 等. 基于Markov-FLUS模型的广西土地利用变化模拟预测[J]. 水土保持研究, 2022, 29(2):249-254,264.

Xie L L, Xu J L, Zang J M, et al. Simulation and prediction of land use change in Guangxi based on Markov-FLUS model[J]. Research of Soil and Water Conservation, 2022, 29(2):249-254,264.

[18]
Deal B, Farello C, Lancaster M, et al. A dynamic model of the spatial spread of an infectious disease:The case of fox rabies in Illinois[J]. Environmental Modeling and Assessment, 2000, 5(1):47-62.

[19]
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.

[20]
Ji Z, Wei H, Xue D, et al. Trade-off and projecting effects of land use change on ecosystem services under different policies scenarios:A case study in central China[J]. International Journal of Environmental Research and Public Health, 2021, 18(7):3552.

[21]
戴文远, 江方奇, 黄万里, 等. 基于“三生空间” 的土地利用功能转型及生态服务价值研究——以福州新区为例[J]. 自然资源学报, 2018, 33(12):2098-2109.

DOI

Dai W Y, Jiang F Q, Huang W L, et al. Study on transition of land use function and ecosystem service value based on the conception of production,living and ecological space:A case study of the Fuzhou new area[J]. Journal of Natural Resources, 2018, 33(12):2098-2109.

[22]
苏迎庆, 刘庚, 赵景波, 等. 基于FLUS模型的汾河流域生态空间多情景模拟预测[J]. 干旱区研究, 2021, 38(4):1152-1161.

DOI

Su Y Q, Liu G, Zhao J B, et al. Multi-scenario simulation prediction of ecological space in the Fenhe River Basin using the FLUS model[J]. Arid Zone Research, 2021, 38(4):1152-1161.

DOI

[23]
姜展鹏, 包安明, 李艳红. 基于GeoSOS-FLUS模型的乌鲁木齐主城区扩张情景模拟分析[J]. 遥感技术与应用, 2023, 38(2):332-340.

DOI

Jiang Z P, Bao A M, Li Y H. Scenario simulation analysis of Urumqi urban sprawl based on GeoSOS-FLUS model[J]. Remote Sensing Technology and Application, 2023, 38(2):332-340.

Options
文章导航

/

〈 〉