EN中文

地理研究 >

2024 , Vol. 43 >Issue 4: 843 - 860

DOI: https://doi.org/10.11821/dlyj020221191

研究论文

中国建设用地扩张未来情景模拟及其对景观格局演化的影响

  • 支俊俊 , 1, 2 ,
  • 韩陈勖 1 ,
  • 王雪婷 1 ,
  • 张立康 1 ,
  • 褚超群 1
展开
  • 1.安徽师范大学地理与旅游学院，芜湖 241002
  • 2.资源环境与地理信息工程安徽省工程技术研究中心，芜湖 241002

支俊俊（1987-），男，安徽怀远人，博士，副教授，博士生导师，主要研究方向为遥感与GIS应用、土地利用模拟。E-mail:

收稿日期: 2022-10-31

  录用日期: 2023-04-23

  网络出版日期: 2024-04-12

基金资助

国家自然科学基金项目(42271060)

安徽省自然科学基金项目(2208085MD91)

教育部人文社会科学研究基金项目(21YJCZH243)

安徽省自然资源科技项目(2023-K-5)

安徽省自然资源科技项目(2021-K-5)

收起

Future construction land expansion under multiple simulation development scenarios and its impacts on landscape pattern evolution in China

  • ZHI Junjun , 1, 2 ,
  • HAN Chenxu 1 ,
  • WANG Xueting 1 ,
  • ZHANG Likang 1 ,
  • CHU Chaoqun 1
Expand
  • 1. School of Geography and Tourism, Anhui Normal University, Wuhu 241002, China
  • 2. Engineering Technology Research Center of Resources Environment and Geographic Information System of Anhui Province, Wuhu 241002, China

Received date: 2022-10-31

  Accepted date: 2023-04-23

  Online published: 2024-04-12

Fold

摘要

对中国建设用地的未来扩张趋势及时空格局进行模拟预测，可为科学编制国土空间规划和合理调控城乡发展提供科学依据。本研究对未来30年中国建设用地扩张进行多情景模拟预测，并分析不同区域建设用地扩张的时空演化特征及其对景观格局演化的影响。研究结果表明：① 基于斑块生成土地利用模拟模型（Patch-generating Land Use Simulation，PLUS）可以获得较高的模拟精度，各分区Kappa系数均高于0.92，总体精度均高于95%，FoM值均高于0.40，表明PLUS模型适用于全国尺度和大区域尺度的土地利用模拟。② 影响中国建设用地扩张最主要的因素为人口、坡度和年均降水量，存在区域性差异。③ 自然发展、耕地保护、生态保护和可持续发展四种情景下模拟预测的未来土地利用的结构和特征具有明显差异，在可持续发展情景下建设用地扩张主要占用非重点保护的耕地和生态用地以及未利用地，可满足经济发展对于建设用地指标的刚性需求，有助于实现可持续高质量发展。④ 建设用地扩张对景观格局产生显著影响，在可持续发展情景下，与2020年相比，2030年、2040年和2050年建设用地预计增长分别为-0.72%、-0.51%和1.19%，中部和东部地区的优势景观面积占比持续下降，景观多样性不断上升；西部地区的景观聚集度显著下降，破碎度持续上升。本研究通过建设用地扩张的情景模拟及其对景观格局的影响分析，尝试为制定区域差别化政策提供参考，对实现经济发展、耕地保护和生态保护三者之间的均衡协调可持续发展具有重要意义。

关键词： 建设用地扩张; 土地利用变化; 情景模拟; 影响因素; 景观格局; 中国

本文引用格式

支俊俊 , 韩陈勖 , 王雪婷 , 张立康 , 褚超群 . 中国建设用地扩张未来情景模拟及其对景观格局演化的影响[J]. 地理研究, 2024 , 43(4) : 843 -860 . DOI: 10.11821/dlyj020221191

Abstract

The simulation of future construction land expansion and the analysis of its impacts on landscape pattern evolution in China help to provide scientific basis for the formulation of territorial space planning and the regulation of urban & rural development. This study aims to simulate the expansion of construction land in China in the next three decades under multiple development scenarios and to analyze the spatiotemporal evolution characteristics of construction land expansion in different regions and its impacts on landscape pattern evolution. The results show that: (1) The simulation results of the Patch-generating Land Use Simulation (PLUS) model have higher accuracy compared with GeoSOS-FLUS model, indicating that the PLUS model has certain applicability to national and large-scale regional land use simulations; (2) The main influencing factors of China's construction land expansion are determined as population, slope, and annual precipitation, but difference exists among different regions; (3) The structure and characteristics of future land use predicted under the four scenarios of natural development, cultivated land protection, ecological protection, and sustainable development are obviously different. The increase of construction land under the sustainable development scenario is mainly derived from normal cultivated land, ecological land, and unused land. Such a scenario could meet the rigid demand of economic development and helps to realize a sustainable development; (4) The rapid expansion of construction land has significant impacts on landscape patterns. The expansion areas of construction land are predicted to increase by -0.72% for 2030, -0.51% for 2040, and 1.19% for 2050 compared with 2020. The proportion of dominant landscape area in central and eastern regions of China decreases continuously and the landscape diversity increases continuously, while the degree of landscape aggregation decreases significantly and the degree of fragmentation increases continuously in the western region. Through the simulations of construction land expansion under multiple development scenarios and the analysis of their impacts on landscape pattern evolution in China, this study attempts to provide a reference for the formulation of regional differentiated policies on a national scale, which is of great significance for the efficient use of land resources and for achieving the balanced, coordinated, and sustainable development among economic development, cultivated land protection, and ecological protection.

Key words： construction land expansion; land use change; scenario simulation; influencing factors; landscape patterns; China

1 引言

土地利用格局的变化是各种自然、社会经济等影响因素共同作用的结果[1]。对未来的土地利用状况进行科学模拟预测，不仅有助于掌握其变化规律和发展趋势，也能够验证目前的社会、经济等政策是否能够对未来土地资源的合理利用起到良好的导向作用[2]。在快速城市化背景下，对建设用地扩张的模拟预测即是对建设用地变化与未来发展的定量描述和表达，可为土地规划、生态保护、土地政策评估及城市边界划定等提供科学决策依据[3]。
近年来，国内外学者在土地利用变化模拟与预测方面开展了大量研究，所使用的模型主要可以归纳为基于统计面积的定量模型（系统动力学等），基于要素空间分布信息的空间模拟模型，如元胞自动机、CLUE-S（Conversion of Land Use and its Effects at Small Region Extent，小尺度土地利用变化及效应模型）、GeoSOS（Geographical Simulation and Optimization Systems，地理模拟与优化系统）、FLUS（Future Land Use Simulation，未来土地利用变化情景模拟）等，以及定量与空间耦合模型[4⇓⇓⇓⇓-9]。例如，顾朝林等利用系统动力学模型在不同情景下模拟了2013—2050年中国的城镇化过程并对其饱和状态进行了科学预测[4]。Niu等运用CLUE-S模型分析了昆明市土地利用变化的影响因素，并对未来的演变进行了预测，为城市群合理发展等提供了参考[5]。Liu等在GeoSOS模型的基础上进一步根据FLUS模型原理开发了GeoSOS-FLUS耦合模型，解决了大尺度、高分辨率土地利用模拟等难题[6]。
然而，现有模拟模型通常缺乏灵活的斑块生成策略来精细模拟多种自然土地利用类型的斑块增长，并且在转换规则挖掘策略和景观动态变化模拟策略等方面存在不足。在此背景下，Liang等提出了基于斑块生成的土地利用模拟（Patch-generating Land Use Simulation，PLUS）模型[10]。该模型将元胞自动机与斑块生成模拟策略相结合，可显著提高模型对真实景观格局的精细模拟能力和模拟预测的精度，并可揭示土地利用变化与其影响因素之间的复杂非线性交互作用关系[10]。目前，PLUS模型已被应用于多个城市/城市群或流域的土地利用模拟与预测研究中，结果表明该模型具有较强的斑块精细模拟能力和较高的模拟预测精度[11,12]。
从景观格局的角度认识与应对城市化问题是当前生态学和地理学领域的研究热点之一[13]。探索建设用地扩张对景观格局的影响有助于揭示与理解人类活动对生态系统的功能、格局和动态变化的影响机制[14]。然而，现有研究多聚焦于单个城市或生态区尺度，尚未揭示不同区域和不同类型城市之间的差异化特征，无法为区域或全国尺度的宏观决策提供支撑[15⇓-17]。当前全国尺度的相关研究仅有个别案例报道，且是以10 km格网为基本单元，空间分辨率有待提升，此外，在全国尺度上不同情景下的未来模拟研究未见报道[14]。因此，有必要开展全国尺度关于未来不同情景下建设用地扩张对景观格局演化影响的模拟研究，以加强对相关差异化特征、演变过程，以及影响机理的理解，并服务于全国宏观政策制定[14]。
本研究基于全国尺度土地利用数据，通过比较同样具有在大尺度上开展高分辨率土地利用模拟能力的PLUS模型和GeoSOS-FLUS模型在精细模拟和预测精度等方面的模型性能，选取性能更加优异的模型开展不同情景下2020—2050年期间中国土地利用空间格局的模拟与预测研究，进而揭示未来中国建设用地扩张空间格局的基本特征和演变趋势及其对景观格局的影响，为城市化进程下区域差别化土地利用政策的制定提供依据。

2 数据来源与处理

2010年、2015年和2020年的三期中国土地利用栅格数据来自Google Earth Engine遥感云平台，由中国科学院地理科学与资源研究所基于Landsat影像采用人机交互解译方式制作（表1）。该数据采用二级分类系统，一级分为耕地、林地、灌木、草地、水域、冰雪覆盖、荒地、不透水面、湿地等9个类型，二级分类在一级的基础上分为水田、旱地、灌木林地、其他林地等25个子类。三期数据的总体精度均高于90%，分类准确度较高，能够满足研究需要[18]。受限于单机的处理能力和部分高分辨辅助数据的不可获取性，本研究在30 m分辨率土地利用数据的基础上经重采样处理得到1 km分辨率土地利用类型图，并重分类为耕地、林地、草地、水域、未利用地、建设用地6个类型，用于土地利用模拟与预测。
表1 指标说明及数据来源

Tab. 1 Indicator description and data source

一级指标 二级指标 数据说明 数据来源
土地利用 土地利用数据 2010年、2015年、2020年三期，30 m分辨率 Google Earth Engine遥感云平台（https://code.earthengine.google.com）
气候与环境
因子		 距水域距离 到河流、湖泊、水库等水体的距离 提取自2020年土地利用数据（https://code.earthengine.google.com）
DEM 栅格数据，1 km分辨率 中国科学院资源环境科学与数据中心数据平台（http://www.resdc.cn）
坡度 基于DEM提取
土壤类型 栅格数据，1 km分辨率
年均气温 2010—2020年逐年年平均气温，1 km分辨率
年均降水量 2010—2020年逐年年平均降水量，1 km分辨率
社会经济
因子		 人口 2010年、2015年、2019年人口空间分布图，1 km分辨率
GDP 2010年、2015年、2019年GDP空间分布图，1 km分辨率
距铁路距离 到铁路轨道的距离 OpenStreetMap矢量数据（https://www.openstreetmap.org）
距高速公路距离 到高速公路的距离
距一级道路距离 距2021年中国路网数据中一级道路的距离
距二级道路距离 距2021年中国路网数据中二级道路的距离
限制因素 自然保护区数据 2021年矢量数据
结合以往研究成果[19,20]，并综合考虑数据的代表性和可获取性，共选取了6个气候与环境指标和6个社会经济指标作为影响因素（表1）。各发展情景限制因子经ArcGIS栅格计算器和重分类工具处理汇总得到二值图，空间约束区域赋值为0，非空间约束区域赋值为1，仅非约束数据参与模型迭代过程。
考虑到气候与环境因子中的年均气温和年均降水量以及社会经济因子中的人口和GDP等影响因素在未来模拟过程中会存在潜在变化并直接影响模拟结果，因此本文结合此类影响因素的历年数据，计算各影响因素的空间自相关系数，建立自相关函数，对各影响因素图层构建拟合函数进行趋势外推，得到2030年、2040年、2050年对应的模拟预测数据，分别输入到PLUS模型各年份的模拟中参与运算。

3 研究方法

3.1 研究区分区

在进行中国建设用地的扩张模拟时，需要考虑区域差异对研究区进行划分，本研究共分东部、东北、中部和西部四大区域[21]。东部地区包括北京、天津、上海、河北、山东、江苏、浙江、福建、台湾、广东、香港、澳门、海南，东北地区包括黑龙江、吉林、辽宁，中部地区包括山西、河南、湖北、安徽、湖南、江西，西部地区包括内蒙古、新疆、宁夏、陕西、甘肃、青海、重庆、四川、西藏、广西、贵州、云南[21]。

3.2 基于GeoSOS-FLUS模型的土地利用模拟

GeoSOS-FLUS模型是由Liu等在GeoSOS的基础上根据FLUS模型的原理开发而成[6]。该模型通过引入基于轮盘赌与自适应惯性竞争机制，能够有效处理人类活动和自然共同作用下的土地利用转化过程，从而获得更真实的空间细节信息。该模型主要包含两个计算模块，即基于神经网络的适宜性概率计算模块和基于自适应惯性机制的元胞自动机模拟模块[10]。首先，通过神经网络算法，对初始年份的土地利用数据和影响因素数据训练产生各土地利用类型的适宜性概率，再结合限制条件、邻域因子、转移成本矩阵等，实现对未来土地利用类型的多种情景模拟。

3.3 基于PLUS模型的土地利用模拟

3.3.1 PLUS模型

PLUS模型在FLUS模型的基础上经改进形成，相对于已有的地理元胞自动机模型可以更好地挖掘土地利用状况变化的诱因，实现对土地利用斑块级别的精细模拟，加上模型耦合的多目标优化算法，使模拟结果更好贴合相关土地规划政策和助力区域可持续发展[10]。PLUS模型主要包括两个模块，即用地扩张分析策略（Land expansion analysis strategy，LEAS）模块和基于多类型随机斑块种子的元胞自动机模型（Cellular automaton model based on multitype random patch seeds，CARS）模块。LEAS模块中耦合的随机森林算法可以对土地利用扩张背后的驱动力因素进行逐一挖掘，分析不同土地利用类型变化和各驱动因素的关系，基于随机森林算法随机选取样本数据集进行训练，得到各土地利用类型的发展潜力，并采用随机置换法计算各驱动因素的贡献程度[10,22]。CARS模块的主要作用则为在各地类发展潜力图的约束下，基于多类型随机斑块种子的元胞自动机模型，运行并生成所需的时空动态模拟斑块[23]。

3.3.2 参数设定

未来像元总量参数是用于预测的各用地类型在未来所占的像元总量[9]，由PLUS模型提供的基于马尔科夫链的未来土地利用需求预测模块计算得到。成本矩阵用于决定各用地类型之间是否能够进行相互转变。在本研究成本矩阵的设定中，允许其他土地利用类型转换为建设用地。其他地类间的转换关系难以进行客观确定，需不断调整成本矩阵参数得到模拟结果与2020年实际土地利用状况进行对比验证，选择拟合精度最高的一组参数对模型具体参数进行设定。邻域权重参数决定各土地利用类型在影响因素作用下的扩张强度，本研究中各土地利用类型的邻域权重由基于土地扩张图计算得到的各地类扩张面积占总扩张面积的比率来确定。

3.3.3 模型模拟过程

图1展示了PLUS模型的模拟过程。首先，利用土地利用扩张提取模块提取两期土地利用间各地类扩张图，在LEAS模块输入得到的扩张图和影响因素数据，得到各地类对应的发展潜力图，同时模型参数文件中自动生成各地类变化的影响因素贡献度，可据此得到中国建设用地扩张贡献度较高的主要影响因素，即建设用地变化的主要影响因素；之后在CARS模块输入发展潜力图及空间政策约束数据，结合各分区土地利用类型间的转换情况，对未来像元总量、成本矩阵和邻域权重等参数进行设定，经反复调试，最终运行得到各分区多种情景下未来土地利用空间分布格局的模拟结果。
图1 PLUS模型模拟过程

Fig. 1 Schematic diagram of the simulation process of the PLUS model

3.4 情景设置

本研究设置自然发展、生态保护、耕地保护、可持续发展共四种情景。

3.4.1 自然发展情景

仅基于两期土地利用数据获取的土地利用转换特点，结合模型耦合的马尔可夫链需求预测模块，对未来土地利用进行预测，不设置限制区。在成本矩阵的设置上，仅限制建设用地向其他地类转换，其余地类之间可以相互转换。

3.4.2 生态保护情景

在自然发展情景的基础上，增加生态限制区域，设置如下：水域限制区域为面积大于10 km2的水域和一级河流分布区域；地形限制区域为高程大于950 m（西部地区设定为大于3800 m）和坡度大于25°的区域；自然保护区限制区域选取2021年国家级与省级自然保护区分布区域的矢量面数据。在自然发展情景参数设置的基础上，限制林地和水域向其他地类转换。

3.4.3 耕地保护情景

此情景以保护国家耕地资源为主要目标，参考《自然资源部关于在全国开展“三区三线”划定工作的函》（自然资函〔2022〕47号）对于永久基本农田划定的有关规定，设置耕地限制区。本研究以2020年土地利用数据的现状耕地范围为基础提取耕地限制区，在现状耕地的基础上扣除难以或不宜长期稳定利用的耕地，包括坡度大于等于25°的耕地（东北地区设置为坡度大于等于15°），非集中连片分布的耕地，以及位于自然保护地核心保护区内和饮用水水源一级保护区内的耕地等情形，并设置耕地限制区面积占现状耕地总面积的约80%。该情景下，在限制耕地向其他地类转换的同时，允许其他地类向耕地转换。

3.4.4 可持续发展情景

在此情景下，需要同时兼顾生态保护、耕地保护和经济发展。本研究将生态保护和耕地保护两种情景所使用的限制区进行叠加，整合两者的限制区域作为新的限制因子。同时，在生态保护和耕地保护情景的成本矩阵中限制地类转换的基础上，其他参数设定结合各分区实际情况做出适当调整。

3.5 模拟精度的评估指标选择

现有研究多采用总体精度（Overall Accuracy，OA）、Kappa系数、生产者精度（Producer's Accuracy，PA）和用户精度（User's Accuracy，UA）对土地利用变化模拟结果进行精度评价[24,25]。但是，许多研究认为混淆矩阵具有局限性，OA和Kappa系数仅提供了从总体视角评价模拟的精度，对于土地利用变化量占研究区总面积比例偏小的大尺度区域模拟难以准确评估模拟的精度[4]。本研究增加了品质因数（Figure of Merit，FoM）指标，用于衡量真实（观测）的变化格局与模拟（预测）结果之间的一致性，仅由模拟中发生了变化的元胞的数量决定，能有效解决因土地利用类型数量和分布不均衡造成的对面积占比较小类型进行精度评价不客观的问题，实践结果表明其结果大多在0.3以内[26]。
F o M = b a + b + c + d
P A = b a + b + c
U A = b b + c + d
式中：a是实际为变化而预测为不变的误差区域；b是实际与预测均为变化的正确区域；c是实际变化与预测变化不一致的误差区域；d是实际为不变而预测为变化的误差区域。
本研究选取2010年和2015年两期的全国各分区土地利用数据，结合四种情景设置，运用PLUS模型和GeoSOS-FLUS模型分别模拟2020年各分区土地利用情况，将模拟结果与实际土地利用状况对比，计算相关评估指标值对模拟结果的精度进行验证。

3.6 景观格局预测与分析

整合在Fragstats软件内的景观指数是刻画、评估、监测和管理景观格局时空变化最为常用的工具[27,28]。景观指数按照尺度可以划分为斑块尺度、类型尺度和景观尺度3个尺度级别[14]。本研究中，在类型尺度选取聚集度指数（Aggregation Index，AI）和景观面积比例指数（Percentage of Landscape，PLAND）分别反映地类的破碎度和优势度；在景观尺度选择斑块密度指数（Patch Density，PD）、AI反映景观空间的破碎度，选取最大斑块指数（Largest Patch Index，LPI）和香农多样性指数（Shannon's Diversity Index，SHDI）分别反映景观空间的优势度和多样性（表2）。各分区景观格局指数由Fragstats 4.2软件计算得出。
表2 景观指数说明

Tab. 2 Description of landscape indexes used in the study

景观指数 取值范围 生态学意义
斑块密度指数（PD） PD>0 单位面积斑块数量，比值越大，景观破碎化程度愈高
景观面积比例指数（PLAND） 0<PLAND≤100 景观中某一斑块类型的面积占比
最大斑块指数（LPI） 0<LPI≤100 景观或某一类型中最大斑块的面积占比
聚集度指数（AI） 0<AI≤100 反映景观破碎度，取值大表明整个景观倾向于由较少的大斑块组成，取值小表明景观类型分散分布，由许多小斑块组成
香农多样性指数（SHDI） SHDI≥0 反映景观水平的复杂程度，值越大则斑块丰富度越大或不同斑块面积分布越均匀

4 结果分析

4.1 精度评价

精度评价结果表明（表3、表4），PLUS模型四种情景模拟结果的OA值均高于95%，FoM值均高于0.40，生产者精度均高于90%，Kappa系数均高于0.93，用户精度均高于89%。与GeoSOS-FLUS模型模拟的结果进行对比，PLUS模型的OA值和FoM系数分别高出0.15%~1.02%和0.90%~1.91%，表明PLUS模型可以获得略优的总体精度和更高的FoM值，对面积占比较小的土地利用类型（如建设用地）具有更加精细、准确的模拟能力，因此在土地利用变化模拟的性能上优于GeoSOS-FLUS模型。同时，PLUS模型和GeoSOS-FLUS模型在可持续发展情景下的模拟精度整体上均高于其他三种情景模拟结果，表明可持续发展情景下模拟的结果与真实土地利用格局更加吻合。在基于PLUS模型模拟的可持续发展情景下，各分区Kappa系数均高于0.92，OA均高于94%，FoM值均高于0.35；中部、东部和东北地区建设用地的生产者精度和用户精度较高，均高于91%，各分区建设用地的用户精度高达99%，表明PLUS模型模拟精度能够达到较高水平。
表3 2020年PLUS模型和GeoSOS-FLUS模型的各情景土地利用模拟精度评价

Tab. 3 Accuracy assessment of land use simulations using PLUS and GeoSOS-FLUS models under different development scenarios in 2020

情景 PLUS模型 GeoSOS-FLUS模型
整体模拟精度 建设用地模拟精度
（%）		 整体模拟精度 建设用地模拟精度
（%）
Kappa OA(%) FoM 生产者
精度		 用户
精度		 Kappa OA(%) FoM 生产者
精度		 用户
精度
自然发展 0.9373 95.22 0.4131 91.15 89.05 0.9335 94.93 0.3940 84.01 96.38
生态保护 0.9349 95.05 0.4043 91.41 92.19 0.9330 94.89 0.3940 83.88 96.12
耕地保护 0.9370 95.20 0.4115 91.18 95.29 0.9351 95.05 0.4049 91.08 92.99
可持续发展 0.9424 95.61 0.4302 90.46 99.35 0.9382 94.59 0.4152 83.73 96.33
表4 2020年可持续情景下PLUS模型模拟各分区土地利用的精度评价

Tab. 4 Accuracy assessment of land use simulation for each region using PLUS model under the sustainable development scenario in 2020

区域 整体模拟精度 建设用地模拟精度
Kappa OA（%） FoM 生产者精度（%） 用户精度（%）
东北地区 0.9415 96.62 0.4776 92.74 99.15
东部地区 0.9349 95.79 0.4912 91.97 99.54
中部地区 0.9300 95.66 0.4740 91.17 99.50
西部地区 0.9247 94.69 0.3699 79.52 99.04
全国 0.9421 95.59 0.4294 90.90 99.48
根据得到的2020年中国土地利用模拟结果和实际数据整体及局部进行比较（图2），PLUS模型模拟结果可较好地反映出研究区的土地利用变化，其土地利用空间分布与实际分布状况具有较高相似性，除局部小区域与现状有差异外，各土地利用类型的空间结构也与2020年中国实际土地利用基本吻合。该结果表明PLUS模型在模拟土地利用变化上具有较高的可信度，能够适用于全国尺度和区域尺度的多情景土地利用变化模拟。
图2 2020年中国实际土地利用类型与模拟结果的对比

注: 基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 2 Comparison between the actual and simulated land use data in China in 2020

4.2 建设用地扩张影响因素的贡献度

根据PLUS模型计算的各地类变化影响因素的贡献率，得到对东北地区建设用地扩张贡献度最高的影响因素为年均降水量，贡献率为27.51%，其次为距水域距离，贡献率为17.26%，表明水资源的利用对东北地区建设活动具有显著影响。降水量对于农作物的生长至关重要，同时新增的城市建设活动和工业生产活动同样对水资源需求巨大。因此，作为全国重要的农业和工业基地，东北地区水资源的保障、农业和工业的生产效益很大程度上受到降水量的影响，并进一步影响建设用地的需求。人口是东部和西部地区建设用地扩张贡献度最高的影响因素，贡献率分别为22.83%和18.88%。中部地区建设用地扩张贡献度最高的影响因素为坡度，贡献率为26.10%。
将各分区的影响因素贡献率求和并重新计算比例（图3），得到影响中国建设用地扩张最主要的影响因素为人口、坡度和年均降水量，贡献率分别为15.76%、13.81%和11.30%。城镇人口的增加被认为是城镇建设用地扩张的主要驱动力[29,30]。人口增加使企业用地数量与日俱增，进而带来占用耕地、环境恶化等问题，促使工业企业的外迁，城市建设用地向城市外围区域扩张，引起各种地类特别是建设用地的空间格局变化。坡度也是影响建设用地扩张的重要因素，坡度越大用地开发成本越高，对建设用地扩张的限制越大。施开放等的研究表明，大城市群主要集中出现在坡度相对较低的平原地区，同时建设用地的扩张优先利用地形较为平坦的土地资源，并且随着城市化发展，建设用地扩张呈现由地形相对平坦的地区向坡度较高地区方向逐步发展的趋势[31]。因此，地形坡度的合理利用对建设用地的分布及扩张产生了重要影响。年均降水量主要通过影响工业发展、城市供水、农业水资源利用等方面，影响地区经济发展，进而影响建设用地的扩张。
图3 各影响因素对建设用地扩张的贡献率

Fig. 3 Contribution of each driving factor to construction land expansion

4.3 土地利用模拟结果与分析

4.3.1 土地利用模拟结果

基于PLUS模型在四种情景下的模拟结果如图4所示。不同情景下各用地类型的数量和空间分布区域总体上呈现显著差异，各地类的变化中以建设用地的扩张最为显著，总体面积不断增大并逐渐呈现出线状或面状集中分布趋势。
图4 不同情景下2030年、2040年、2050年中国土地利用模拟结果

注: 基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 4 Results of land use simulations in China under multiple development scenarios in 2030, 2040, and 2050

在自然发展情景下，2050年建设用地面积为358028.59 km2，相较于2020年的建设用地面积（222790.55km2），增加了60.70%。2020—2050年耕地、草地、未利用地和水域的面积持续减少，其中耕地、草地和未利用地面积较2020年分别减少2.31%、3.26%和0.38%。该情景下，建设用地无限制扩张造成耕地、林地等生产和生态用地大量减少，使区域粮食安全和生态环境等面临一系列风险挑战。
在生态保护情景下，2050年建设用地面积为273711.50 km2，比2020年增加22.86%。2020—2050年林地面积增加2.32%，相比于自然发展情景，生态保护情景下耕地成为建设用地扩张的最重要来源，2050年耕地面积较2020年减少4.28%。草地和水域面积的减少规模得到有效缓解，该情景下，为大力保护生态资源，建设用地占用生态用地的情况得到严格限制，退耕还林和退耕还湖等措施使生态用地得到有效补给。
在耕地保护情景下，2050年建设用地面积为227905.33 km2，比2020年增加2.30%。2020—2050年耕地面积增加6.97%，水域、草地、林地均持续减少，其中水域面积减少规模最大，2050年水域面积较2020年减少14.20%。耕地保护情景有效保护了耕地资源，林地、草地和坑塘水域等的开发利用使耕地得到有效补充。该情景也在一定程度上限制了建设用地的扩张，建设用地扩张的刚性需求指标主要来源于林地、草地、水域和未利用地。
在可持续发展情景下，2050年建设用地面积为225443.69 km2，比2020年增加1.19%。在该情景下，2020—2050年全国草地、水域、未利用地的面积持续减少，但相比于自然发展情景和耕地保护情景的减少规模显著降低，表明可持续发展情景下生态用地保护明显改善。其中，2050年草地和未利用地分别减少1.94%和1.41%，而耕地和林地面积则小幅度增加。可见，可持续发展情景在保证建设用地稳步扩张的同时，可有效保护国家耕地及生态资源。

4.3.2 中国建设用地扩张的时空变化预测

基于PLUS模型得到四种情景下2020—2050年中国建设用地扩张趋势（图5、图6），对各种政策约束下的建设用地未来演变进行分析。
图5 2020—2050年期间自然发展、生态保护情景下建设用地扩张区域分布

注: 基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 5 Distribution of construction land expansion areas under the natural development scenario and the ecological protection scenario during the period 2020-2050

图6 2020—2050年期间耕地保护、可持续发展情景下建设用地扩张区域分布

注: 基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 6 Distribution of construction land expansion areas under the cultivated land protection scenario and the sustainable development scenario during the period 2020-2050

在自然发展情景下，2020—2050年中国建设用地总体上呈现出快速增长趋势。西部和中部地区建设用地扩张面积百分比较其他分区更大，2050年比2020年分别增加99.85%和70.65%，东部、东北地区则分别增加55.26%和25.68%，表明自然发展情景下中国建设用地的未来扩张较为快速且扩张速率存在明显的区域差异。从建设用地扩张的空间格局来看，扩张区域主要分布于中部、西部和东部地区。中部地区建设用地的扩张保持局部集中连片与总体分散的用地模式；西部地区建设用地扩张区域保持之前的条带状分布或面状分布；东部地区建设用地的扩张呈现出围绕北京和沿海岸线扩张趋势；东北地区建设用地扩张区域较为分散，但主要集中于东北三省省会一带。
在生态保护发展情景下，2020—2050年中国建设用地总体上呈现增长趋势。东北和中部地区建设用地的扩张面积百分比较其他分区更大，2050年比2020年分别增加49.84%和32.32%，东部地区增加16.25%，而西部地区在生态保护的强力干预下，减少0.28%。全国耕地减少显著，东部地区耕地减少占比最高。在该情景下中国建设用地的未来扩张得到有效缓解，但占用耕地现象严重且扩张速率仍存在明显的区域间差异。从建设用地扩张的空间格局来看，其扩张区域主要分布于中部和东部地区。中部地区建设用地扩张区域的分布呈现集中连片与总体分散的特点；东北地区建设用地的扩张区域主要分布在沈阳地区；东部地区建设用地扩张区域主要分布在山东、江苏、浙江一带；西部地区在该情景下开发力度较弱。
耕地保护情景下，2020—2050年中国建设用地呈现缓慢增长趋势。东北和西部地区建设用地的扩张面积百分比较其他分区更大，2050年相较2020年分别增加19.40%和3.29%。该情景在有效保护耕地资源的同时大量占用生态用地用于建设用地扩张。从建设用地扩张的空间格局来看，扩张区域主要分布在东北地区。中部、西部地区建设用地的扩张区域在各省份均有零散分布；东部地区在该情景下扩张不明显。
可持续发展情景下，2020—2050年中国建设用地总体上呈现平稳增长趋势。西部地区建设用地的扩张面积百分比最大，2050年比2020年增加7.91%，东北、中部地区的建设用地则分别增加约0.16%和0.67%，东部地区建设用地减少0.25%。该结果表明中国建设用地的未来扩张相对平稳，且扩张速率的区域间差异与其他三种情景相比相对较小。西部地区建设用地发展迅速，而东部地区、东北地区和中部地区建设用地扩张速率下降。从建设用地扩张的空间格局来看，扩张区域主要分布于西部地区。东北地区建设用地的扩张呈零星散状；西部地区扩张区域保持条带状分布，集中的分布区域较为稳定；中部地区建设用地的扩张区域主要集中分布在山西、河南、湖北等地；东部地区建设用地趋于饱和态，变化不明显。

4.4 建设用地扩张对景观格局演化的影响预测

基于PLUS模型在可持续发展情景下的模拟结果，对Fragstats软件计算输出的景观格局指数进行汇总（表5、表6）。
表5 2020—2050年中国整体景观格局指数变化统计

Tab. 5 Change statistics of China's overall landscape pattern index from 2020 to 2050

斑块密度指数
PD（个/km2）		 最大斑块指数
LPI（%）		 聚集度指数
AI（%）		 香农多样性指数
SHDI
2020年 0.0393 22.9198 79.7541 1.5146
2030年 0.0386 22.8222 79.6830 1.5124
2040年 0.0389 22.6955 79.4780 1.5138
2050年 0.0392 22.5959 79.2520 1.5156
表6 中国各土地利用类型聚集度指数(AI)和景观面积比例指数(PLAND)的变化统计

Tab. 6 Change statistics of aggregation index (AI) and percentage of landscape (PLAND) for land use types in China from 2020 to 2050

指数 用地类型 2020年 2030年 2040年 2050年
聚集度指数AI 耕地 68.0731 68.1892 68.0630 68.0582
林地 81.0828 80.9779 80.6412 80.3968
草地 83.8658 83.7596 83.7769 83.5741
水域 57.3059 58.5320 58.6022 59.0742
未利用地 89.9695 89.7499 89.5292 89.1720
建设用地 33.0871 33.3461 33.8185 34.8502
景观面积比例指数
PLAND		 耕地 19.2524 19.4229 19.6785 19.8062
林地 24.9670 24.8781 24.8632 24.8909
草地 29.9387 29.9293 29.7499 29.6372
水域 1.5601 1.4290 1.4155 1.3952
未利用地 21.7429 21.7581 21.6607 21.5624
建设用地 2.5388 2.5826 2.635 2.7152
从破碎度指数来看，可持续发展情景下，2020—2050年中国景观空间斑块密度指数（PD）先下降再上升，即单位面积内斑块数量先减少再增多，同时斑块聚集度指数（AI）整体呈小幅度下降趋势。耕地、林地、草地AI值维持在稳定区间，水域和建设用地的AI值均逐渐上升，表明在可持续的情景下，能够保证建设用地的集中连片发展，且其他地类的景观破碎度下降，土地集约化程度持续提高，从而利于土地资源的集中高效利用。
从优势度指数来看，2020—2050年中国景观空间最大斑块指数（LPI）逐渐下降，其中，耕地占整个景观面积的比例最大，具有显著优势度。2020—2050年中国耕地的景观面积比例指数（PLAND）保持在19%~20%，其他地类PLAND值保持在较为稳定区间，各用地类型的面积大小排序均未发生明显变化。在各地类指数变化方面，草地、水域、未利用地的PLAND值均逐渐下降，而建设用地的PLAND值则小幅上升，表明可持续发展情景有效改善了建设用地扩张大量占用耕地和林地的情况。
从多样性指数来看，2030—2050年中国景观空间的香农多样性指数（SHDI）呈现小幅上升趋势，中部地区的SHDI值在各分区中上升最快，东部地区次之。该指数上升说明斑块类型增加或各斑块类型在景观中呈现均衡化趋势分布，景观内的土地利用类型越来越丰富[14]，可持续发展情景下建设用地扩张使得原本单一和大面积的地表覆盖变得不规则和破碎且类型多样化，原本没有或较少有建设用地分布的区域出现了建设用地扩张的现象，建设用地所占的比例上升并造成各类景观比例的差距缩小，使SHDI值呈现出了小幅上升趋势。

5 讨论

5.1 未来情景模拟的不确定性分析

未来情景模拟结果的不确定性主要来源于模型构建过程和数据基础两大方面。其中，模型构建过程主要涉及模型选用、参数设定，以及情景方案设置等方面。本研究使用了被较多采用且具有在大尺度上开展高分辨率土地利用模拟能力的GeoSOS-FLUS模型和最新提出的PLUS模型，结果显示PLUS模型可以获得略优的总体精度和更高的FoM值，表明PLUS模型对于面积占比较小的土地利用类型（如建设用地）具有更加精细、准确的模拟能力。Liang等开发的PLUS模型给出了关键参数的默认值，本研究结果表明，在构建PLUS模型时可对参数的默认值进行调整优化以进一步提升模型的性能。情景方案的设置也会影响模型的性能，其关键在于如何给出更加符合未来实际的限制因素。本研究结果表明，同时考虑耕地保护、生态保护，以及建设用地扩张的增量限制，在所有情景方案中更加符合实际，同时也能获得最佳的模拟精度。
构建PLUS模型所使用的基础数据同样影响未来情景模拟结果的精度，主要体现在以下三方面：① 土地利用数据与影响因素数据的分辨率直接影响模拟精度和模型运行时间。基础数据分辨率的设置需要综合考虑研究区的大小，基础数据的可获取性及其分辨率之间的一致性，硬件基础以及研究者对模型运行周期的期望。② 影响因素选取的代表性和数量影响模拟精度，其影响程度主要依赖于各影响因素对土地利用变化的重要性。③ 用于模拟预测的土地利用数据的年份影响模拟精度，一般而言，用于模拟预测的土地利用数据的年份与目标年份越接近，模拟精度越高。

5.2 景观格局演化分析

本文以PLUS模型在可持续发展情景下的土地利用模拟预测结果为依据，从破碎度、优势度和多样性等景观生态学角度出发，探究2020—2050年期间中国建设用地未来演变对景观格局演化的影响。研究结果表明：① 单位面积内斑块数量维持稳定，反映出景观格局破碎化程度得到有效改善，生态系统的稳定性得到保持。② 建设用地的景观面积比例保持增长，耕地和林地面积小幅增加，且其他地类面积占比的变化均在较小区间水平，表明在保证经济发展的前提下，耕地保护和生态用地保护均得到明显改善，景观格局保持了原生态的功能性和完整性，从而保障了资源的可持续利用和生态系统的可持续性，奠定了可持续发展的基础。③ 各分区的景观多样性指数均不断增加，反映了生态呈现多样性发展的趋势，景观类型不断均衡化。综上所述，在兼顾耕地保护、生态保护与经济发展三者之间权衡的可持续发展情景下，未来发展保障了城市化的用地需求，同时保护了耕地资源和生态系统，促进景观格局的多样性发展。可见，坚持可持续发展理念对于科学有序推进中国现代化进程具有重要现实意义。

5.3 本研究的优越性与局限性

相较于过去的研究，本研究的优越性主要体现在以下四方面：① 本研究将研究对象的空间尺度从单个城市或生态区（如流域等）提升至全国尺度[14⇓⇓-17,21]，研究结果揭示了中国不同区域之间建设用地扩张随着时空演变产生差异化的特征，可直接服务于国家和区域宏观政策的制定。② 本研究在当前通常采用的自然发展、生态保护、经济发展三大未来模拟情景的基础上[9,32⇓-34]，增加了耕地保护、生态保护与经济发展三者权衡的可持续发展情景，并证实了可持续发展情景的优势与可行性，结果更加科学，也更具实用性。③ 本研究采用了更加精细的土地利用类型等基础数据（1 km分辨率）和新近提出的土地利用变化模拟模型（PLUS模型），实现了在斑块尺度上精细模拟自然土地利用类型的变化，提高了模型对真实景观格局的精细模拟能力和模拟预测的精度，结果更加精确、可信。④ 本研究采用的PLUS模型基于随机森林算法不仅可以量化影响因素的相对重要性，并且可以揭示土地利用变化与其影响因素之间的非线性交互作用关系[10]，提高了结果的可解释性与实用性。
本研究尽管具有以上优势，但同时也存在着不足，主要体现在以下四方面：① 本研究采用1 km分辨率的基础数据，可考虑进一步提高数据的精度，但在全国尺度研究中使用高分辨率的基础数据要求计算机具备非常高的性能，未来可考虑在云计算平台上运行基于30 m分辨率基础数据的全国尺度土地利用模拟预测。② 由于无法获取全国尺度永久基本农田数据和生态保护红线数据，本研究中的限制数据是对永久基本农田数据和生态保护红线数据的近似估计，未来需要提升其准确性并且充分考虑地域差异，优化限制转换区域和影响因素选取，考虑增加距城市中心距离等影响因素。③ 在人口负增长和全球化与区域一体化背景下，城市/区域收缩成为一种新趋势，然而在本研究中未深入考虑建设用地收缩情景，未来研究需要在模拟情景的设置中增加城市/区域收缩情景，并在可持续发展情景中对城市/区域收缩予以充分考虑。④ 本研究以省域为基本单元将全国划分4个区域，未来可考虑从大型流域、功能区、区域一体化等角度对全国进行分区模拟，以更加直接地满足分区管理的实际需求。⑤ 由于PLUS模型仅利用两期土地利用数据模拟未来变化，未能充分利用过去几十年长时间序列土地利用的变化趋势信息和不同区域之间发展阶段存在的差异化信息，可能导致模拟结果存在一定的偏差，未来研究需要进一步优化模拟方法。

6 结论与展望

本研究运用PLUS模型对2020—2050年期间中国建设用地扩张进行多情景模拟预测，量化了建设用地扩张的关键影响因素，并分析不同区域建设用地扩张的时空演化特征及其对景观格局演化的影响。结论如下：① PLUS模型比GeoSOS-FLUS模型可以获得略优的总体精度和更高的FoM值，表明PLUS模型对于面积占比较小的土地利用类型（如建设用地）具有更加精细、准确的模拟能力，并且可以量化影响因素的相对重要性，对全国或大区域尺度上开展土地利用模拟具有较强的适用性。② 中国建设用地扩张最重要的影响因素为人口、坡度和年均降水量，且不同地区之间呈现差异化特征。东部地区建设用地显著扩张，人口增长是该地区最重要的影响因素，未来需要强化对人口资源的优化配置；中部地区建设用地的扩张受到坡度的影响较大，可通过科技手段降低开发成本；东北地区建设用地的扩张受到水资源的限制较大，需采取切实措施保障水资源的供给平衡。③ 可持续发展情景下建设用地扩张主要占用非重点保护的耕地，非重点保护的林地、水体和草地等生态用地，以及未利用地，可满足经济发展的刚性需求，并能实现经济发展、耕地保护和生态保护三者之间的均衡协调可持续的高质量发展。④ 在可持续发展情景下，与2020年相比，2030年、2040年、2050年建设用地预计增长-0.72%、-0.51%、1.19%。建设用地扩张对景观格局产生显著影响，中部和东部地区的优势景观面积占比持续下降，景观多样性不断上升；西部地区的景观聚集度显著下降，破碎度持续上升。未来需要强化建设用地空间结构模式的科学规划，积极推进向内填充式的发展方式，提升建设用地集约利用强度，注重非重点保护的耕地和生态用地及未利用地的开发利用，以满足经济发展对建设用地指标的刚性需求，并加强人口和水等关键资源要素在空间上的优化配置。
由于受到数据可获取性、单机计算能力、政策变动等方面的影响，未来建设用地扩张可能存在较大变化，模拟预测结果会与现实状况存在一定偏差。在今后的研究中应注重提升耕地保护和生态保护等限制数据的准确性，应在未来情景设置中考虑城市/区域收缩情景，可考虑在云计算平台上利用更高分辨率的基础数据（如30 m分辨率的土地利用等开源数据）开展全国尺度土地利用变化模拟预测，并可考虑从大型流域、功能区、区域一体化等角度对全国进行分区模拟，以更加直接地满足分区管理的实际需求。
说明：为更加准确地模拟与分析中国建设用地扩张及其对景观格局演变的影响，本论文被录用后，研究团队花费较长时间改进、优化模拟方法，将影响因素在未来时期的潜在变化纳入到土地利用模拟过程中，并相应修改了模拟结果。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文研究综述、情景模拟、讨论分析、结论梳理，以及文字表述等方面的修改意见，使本文的结构更加科学，逻辑更加清晰，表达更加准确，获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Xu F, Chi G Q. Spatiotemporal variations of land use intensity and its driving forces in China, 2000-2010. Regional Environmental Change, 2019, 19(8): 2583-2596. DOI: 10.1007/s10113-019-01574-9.

[2]
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. 遥感学报, 2017, 21(3): 329-340.

[Li Shaoying, Liu Xiaoping, Li Xia, et al. Simulation model of land use dynamics and application: Progress and prospects. Journal of Remote Sensing, 2017, 21(3): 329-340.] DOI: 10.11834/jrs.20176159.

[3]
赵林峰, 刘小平, 刘鹏华, 等. 基于地理分区与FLUS模型的城市扩张模拟与预警. 地球信息科学学报, 2020, 22(3): 517-530.

DOI

[Zhao Linfeng, Liu Xiaoping, Liu Penghua, et al. Urban expansion simulation and early warning based on Geographic Partitioning and FLUS model. Journal of Geo-Information Science, 2020, 22 (3): 517-530.] DOI: 10.12082/dqxxkx.2020.190477.

[4]
顾朝林, 管卫华, 刘合林. 中国城镇化2050: SD模型与过程模拟. 中国科学: 地球学, 2017, 47(7): 818-832.

[Gu Chaolin, Guan Weihua, Liu Helin. Chinese urbanization 2050: SD modeling and process simulation. Science China Earth Sciences, 2017, 47 (7): 818-832.] DOI: 10.1360/N072016-00277.

[5]
Niu L D, Pan M. Research on dynamic simulation of land use change based on geographical weighted CLUE-S model. International Journal of Environmental Technology and Management, 2021, 24(1-2): 49-61. DOI: 10.1504/IJETM.2021.115728.

[6]
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. Landscape Urban Planning, 2017, 168: 94-116. DOI: 10.1016/j.landurbplan.2017.09.019.

[7]
曹帅, 金晓斌, 杨绪红, 等. 耦合MOP与GeoSOS-FLUS模型的县级土地利用结构与布局复合优化. 自然资源学报, 2019, 34(6): 1171-1185.

DOI

[Cao Shuai, Jin Xiaobin, Yang Xuhong, et al. Coupled MOP and GeoSOS-FLUS models research on optimization of land use structure and layout in Jintan district. Journal of Natural Resources, 2019, 34(6): 1171-1185.] DOI: 10.31497/zrzyxb.20190604.

[8]
Yang J X, Tang W W, Gong J, et al. Simulating urban expansion using cellular automata model with spatiotemporally explicit representation of urban demand. Landscape and Urban Planning, 2023, 231. DOI: 10.1016/J.LANDURBPLAN.2022.104640.

[9]
王保盛, 廖江福, 祝薇, 等. 基于历史情景的 FLUS 模型邻域权重设置: 以闽三角城市2030年土地利用模拟为例. 生态学报, 2019, 39(12): 4284-4298.

[Wang Baosheng, Liao Jiangfu, Zhu Wei, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: A case study of land use simulation of urban agglomeration of the golden triangle of southern Fujian in 2030. Acta Ecologica Sinica, 2019, 39(12): 4284-4298.] DOI: 10.5846/stxb201808021649.

[10]
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. Computers Environment and Urban Systems, 2021, 85: 101569. DOI: 10.1016/j.compenvurbsys.2020.101569.

[11]
Guo R, Wu T, Wu X C, et al. Simulation of urban land expansion under ecological constraints in Harbin-Changchun urban agglomeration, China. Chinese Geographical Science, 2022, 32(3): 438-455. DOI: 10.1007/s11769-022-1277-1.

[12]
Tang H, Halike A, Yao K, et al. Ecosystem service valuation and multi-scenario simulation in the Ebinur Lake Basin using a coupled GMOP-PLUS model. Scientific Reports, 2024, 14(1): 5071. DOI: 10.1038/s41598-024-55763-6.

[13]
Shrestha M K, York A M, Boone C G, et al. Land fragmentation due to rapid urbanization in the Phoenix Metropolitan Area: Analyzing the spatiotemporal patterns and drivers. Applied Geography, 2011, 32(2): 522-531. DOI: 10.1016/j.apgeog.2011.04.004.

[14]
李广东, 戚伟. 中国建设用地扩张对景观格局演化的影响. 地理学报, 2019, 74(12): 2572-2591.

DOI

[Li Guangdong, Qi Wei. Impact of construction land expansion on landscape pattern evolution in China. Acta Geographica Sinica. 2019, 74(12): 2572-2591.] DOI: 10.11821/dlxb201912011.

[15]
Li H L, Peng J, Liu Y X, et al. Urbanization impact on landscape patterns in Beijing city, China: A spatial heterogeneity perspective. Ecological Indicators, 2017, 82: 50-60. DOI: 10.1016/j.ecolind.2017.06.032.

[16]
Hu J Y, Zhang J X, Li Y Q. Exploring the spatial and temporal driving mechanisms of landscape patterns on habitat quality in a city undergoing rapid urbanization based on GTWR and MGWR: The case of Nanjing, China. Ecological Indicators, 2022, 143: 109333. DOI: 10.1016/j.ecolind.2022.109333.

[17]
Zhu Z J, Liu B J, Wang H L, et al. Analysis of the spatiotemporal changes in watershed landscape pattern and its influencing factors in rapidly urbanizing areas using satellite data. Remote Sensing, 2021, 13(6): 1168. DOI: 10.3390/rs13061168.

[18]
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth System Science Data, 2021, 13(8): 3907-3925. DOI: 10.5194/ESSD-13-3907-2021.

[19]
Zhang Y, Liu Y F, Wang Y H, et al. Urban expansion simulation towards low-carbon development: A case study of Wuhan, China. Sustainable Cities and Society, 2020, 63: 102455. DOI: 10.1016/j.scs.2020.102455.

[20]
Xu T, Gao J, Coco G. Simulation of urban expansion via integrating artificial neural network with Markov chain-cellular automata. International Journal of Geographical Information Science, 2019, 33(10): 1960-1983. DOI: 10.1080/13658816.2019.1600701.

[21]
刘沁萍, 朱闯, 田洪阵, 等. 2001—2017年中国建设用地时空分异特征. 长江流域资源与环境, 2020, 29(10): 2113-2123.

[Liu Qinping, Zhu Chuang, Tian Hongzhen, et al. Temporal and spatial change in construction land in China from 2001 to 2017. Resources and Environment in the Yangtze Basin, 2020, 29(10): 2113-2123.] DOI: 10.11870/cjlyzyyhj202010001.

[22]
Rad M R P, Toomanian N, Khormali F, et al. Updating soil survey maps using random forest and conditioned Latin hypercube sampling in the loess derived soils of northern Iran. Geoderma, 2014, 232-234: 97-106. DOI: 10.1016/j.geoderma.2014.04.036.

[23]
Wang M M, Jiang Z Z, Li T B, et al. Analysis on absolute conflict and relative conflict of land use in Xining metropolitan area under different scenarios in 2030 by PLUS and PFCI. Cities, 2023, 104314. DOI: 10.1016/j.cities.2023.104314.

[24]
叶高斌, 苏伟忠, 孙小祥. 基于Dyna-CLUE模型的太湖流域建设用地空间扩张模拟. 长江流域资源与环境, 2018, 27(4): 725-734.

[Ye Gaobin, Su Weizhong, Sun Xiaoxiang. Simulation of the construction land expansion based on the Dyna-CLUE model in Taihu Basin. Resources and Environment in the Yangtze Basin, 2018, 27(4): 725-734.] DOI: 10.11870/cjlyzyyhj201804004.

[25]
Li L, H X J, Yang H. Optimizing land use patterns to improve the contribution of land use planning to carbon neutrality target. Land Use Policy, 2023, 135. DOI: 10.1016/J.LANDUSEPOL.2023.106959.

[26]
Chen Y, Li X, Liu X, et al. Modeling urban land-use dynamics in a fast developing city using the modified logistic cellular automaton with a patch-based simulation strategy. International Journal of Geographical Information Science, 2014, 28(2): 234-255. DOI: 10.1080/13658816.2013.831868.

[27]
Zhang L, Hou G L, Li F P. Dynamics of landscape pattern and connectivity of wetlands in western Jilin province, China. Environment, Development and Sustainability, 2020, 22(3): 2517-2528. DOI: 10.1007/s10668-018-00306-z.

[28]
梁保平, 雷艳, 覃业努, 等. 快速城市化背景下广西典型城市景观空间格局动态比较研究. 生态学报, 2018, 38(12): 4526-4536.

[Liang Baoping, Lei Yan, Qin Yenu, et al. Comparison of changing landscape patterns in the rapidly urbanizing cities of Guangxi. Acta Ecologica Sinica, 2018, 38(12): 4526-4536.] DOI: 10.5846/stxb201801280226.

[29]
Li Z Y, Luan W X, Zhang Z C, et al. Relationship between urban construction land expansion and population/economic growth in Liaoning province, China. Land Use Policy, 2020, 99: 105022. DOI: 10.1016/j.landusepol.2020.105022.

[30]
Wang J F, Zhang S Y, Deng W, et al. Metropolitan expansion and migrant population: Correlation patterns and influencing factors in Chengdu, China. Land, 2024, 13(1). DOI: 10.3390/LAND13010101.

[31]
Shi K F, Yu B L, Ma J J, et al. Impacts of slope climbing of urban expansion on global sustainable development. The Innovation, 2023, 4(6): 100529-100529. DOI: 10.1016/J.XINN.2023.100529.

[32]
邓华, 邵景安, 王金亮, 等. 多因素耦合下三峡库区土地利用未来情景模拟. 地理学报, 2016, 71(11): 1979-1997.

DOI

[Deng Hua, Shao Jingan, Wang Jinliang, et al. Land use driving forces and its future scenario simulation in the Three Gorges Reservoir Area using CLUE-S model. Acta Geographica Sinica, 2016, 71(11): 1979-1997.] DOI: 10.11821/dlxb201611009.

[33]
魏乐, 周亮, 孙东琪, 等. 黄河流域城市群扩张的时空格局演化及情景模拟: 以呼包鄂榆城市群为例. 地理研究, 2022, 41(6): 1610-1622.

DOI

[Wei Le, Zhou Liang, Sun Dongqi, et al. The evolution of spatio-temporal pattern and scenario simulation of urban agglomeration expansion in the Yellow River Basin: A case study in the Hohhot-Baotou-Ordos-Yulin Urban Agglomeration. Geographical Research, 2022, 41(6): 1610-1622.] DOI: 10.11821/dlyj020210566.

[34]
Wang Z, Zeng J, Chen W X. Impact of urban expansion on carbon storage under multi-scenario simulations in Wuhan, China. Environmental Science and Pollution Research, 2022, 29(30): 45507-45526. DOI: 10.1007/s11356-022-19146-6.

Options
文章导航

/

〈 〉