基于改進(jìn)CLUE-S模型的土地利用變化動態(tài)模擬與分析——以廣州市增城區(qū)為例

吳 浩，梅志雄 ，李詩韻

(華南師范大學(xué)地理科學(xué)學(xué)院，廣州510631)

1995年，國際全球環(huán)境變化人類行為計劃(IHGP)和國際地圈生物圈計劃(IGBP)的共同執(zhí)行計劃LUCC (Land Use and Land Cover Change)的實(shí)施［1］推動了土地變化科學(xué)(Land Change Science，LCS)的誕生和快速發(fā)展［2－3］，同時也促使了國內(nèi)外學(xué)者對LUCC 的重點(diǎn)關(guān)注.

有關(guān)LUCC 研究中，合理選擇模型是土地利用變化模擬和預(yù)測的關(guān)鍵. CLUE-S 模型［4］在其早期的CLUE 模型基礎(chǔ)上經(jīng)過改進(jìn)建立，基于高分辨率(一般大于1 km×1 km)空間圖形數(shù)據(jù)構(gòu)建，適用于中小尺度區(qū)域土地利用變化研究［5］. 該模型從多個尺度對多個地區(qū)的土地利用變化進(jìn)行了模擬［6－13］.隨著研究的深入，學(xué)者們不斷改進(jìn)該模型(主要集中于驅(qū)動因子和土地需求方面)［14］. 由于土地需求模塊獨(dú)立于CLUE-S 模型，可用數(shù)學(xué)或經(jīng)濟(jì)模型計算，此改進(jìn)方法已被廣泛應(yīng)用，如利用Markov 模型計算土地需求［15］，利用系統(tǒng)動力學(xué)(SD)模型提供各類土地利用類型的土地總需求量［16］，運(yùn)用灰色系統(tǒng)模型計算逐年各土地利用類型的土地需求量［17］.而對于探究土地利用類型與其驅(qū)動因子之間關(guān)系的改進(jìn)模型尚少，目前僅見2 篇研究報道:考慮到地理要素之間的相關(guān)性，在驅(qū)動因子中引入了自相關(guān)因子［12］;用人工神經(jīng)網(wǎng)絡(luò)替代Logistic 回歸探究驅(qū)動因子與土地利用類型之間的關(guān)系［18］.

《廣州市土地利用“十二五”規(guī)劃》指出，近年來，廣州市增城區(qū)面臨土地利用變化劇烈、資源環(huán)境約束日益加劇、耕地保護(hù)形勢嚴(yán)峻和建設(shè)用地供需矛盾較突出等問題.鑒于此，本文利用Logistic 回歸、人工神經(jīng)網(wǎng)絡(luò)及Autologistic 回歸等3 種模型來探究廣州市增城區(qū)土地利用類型變化與其影響因子之間的關(guān)系，通過對比選取最佳擬合優(yōu)度模型，然后結(jié)合CLUE-S 模型進(jìn)行土地利用變化模擬. 研究結(jié)果將為增城區(qū)合理調(diào)控各類用地、提高土地利用水平、統(tǒng)籌土地利用與經(jīng)濟(jì)社會發(fā)展等提供決策依據(jù).

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

增城區(qū)位于廣州市東部，南與東莞市隔江相望，東臨惠州市，北接從化區(qū)，地處珠三角東岸經(jīng)濟(jì)帶黃金走廊，是廣州—東莞—深圳—香港城市群和產(chǎn)業(yè)帶的重要節(jié)點(diǎn).該區(qū)土地總面積為1 616.47 km2，地勢南低北高，水資源豐富.近年來，該區(qū)耕地、園地林地面積等不斷減少，建設(shè)用地持續(xù)增加，具備大城市邊緣的中小城市快速擴(kuò)展的特點(diǎn);同時，根據(jù)2012年廣州市公布的《城市功能布局規(guī)劃》，明確建設(shè)“1個都會區(qū)、2個新城區(qū)和3個副中心”的空間布局，該區(qū)將作為未來珠三角東岸地區(qū)交通樞紐和廣州東部生態(tài)宜居宜業(yè)新城.因此，模擬和分析該區(qū)土地利用變化具有重要意義.

1.2 數(shù)據(jù)來源及處理

所用數(shù)據(jù)主要包括增城區(qū)2005年和2009年的土地利用變更調(diào)查數(shù)據(jù)、DEM 數(shù)據(jù)和人口數(shù)據(jù).土地利用變更調(diào)查數(shù)據(jù)來源于廣州市國土資源局，從國際科學(xué)服務(wù)數(shù)據(jù)平臺免費(fèi)下載得到該區(qū)30 m 分辨率的DEM 數(shù)據(jù)，人口數(shù)據(jù)來源于該區(qū)2005—2009年統(tǒng)計年鑒.擬用2005年的增城區(qū)土地利用數(shù)據(jù)作為模型輸入的基礎(chǔ)數(shù)據(jù)，用2009年土地利用數(shù)據(jù)進(jìn)行驗(yàn)證.

依據(jù)國土資源部發(fā)布的《縣(市)級土地利用數(shù)據(jù)庫標(biāo)準(zhǔn)(2008年試行)》，應(yīng)用ArcGIS10.0 軟件對研究區(qū)2005年的土地利用變更調(diào)查數(shù)據(jù)進(jìn)行信息提取，提取出耕地、園地林地、居民點(diǎn)及工礦用地、交通用地、水域及水利設(shè)施用地、其他土地等6 種地類作為本文的主要土地利用類型. 選取影響土地利用變化的驅(qū)動因子為可達(dá)性因子、地形因子和社會因子三大類因子共10個子因子.首先利用2005年增城區(qū)土地利用變更調(diào)查數(shù)據(jù)分別提取出道路、河流、城鎮(zhèn)和農(nóng)村居民點(diǎn)作為單獨(dú)的圖層，然后進(jìn)行緩沖區(qū)分析分別得到道路、河流、城鎮(zhèn)、農(nóng)村居民點(diǎn)的距離等作為可達(dá)性因子;依據(jù)DEM 數(shù)據(jù)對研究區(qū)的地形特征進(jìn)行分析，計算出坡度、坡向、高程以及地形曲率等地形因子信息;由增城區(qū)2005—2009年統(tǒng)計數(shù)據(jù)計算出對應(yīng)鎮(zhèn)和街道的人口密度以及農(nóng)村居民點(diǎn)密度等社會因子.然后利用ArcGIS 軟件將上述數(shù)據(jù)分別柵格化為200 m×200 m 空間分辨率的ASCII碼格式，為下一步運(yùn)用改進(jìn)模型模擬做準(zhǔn)備.

2 研究方法

2.1 Logistic 回歸模型

Logistic 回歸模型由二分類變量的柵格圖形數(shù)據(jù)表示:1 表示某土地利用類型出現(xiàn)、0 表示該土地利用類型不出現(xiàn)，自變量是影響土地利用變化的驅(qū)動因子，因變量是土地利用類型，一般表達(dá)式為［4］:

其中:Pi表示每個柵格可能出現(xiàn)某一土地利用類型i 的概率，X1，i，X2，i，…，Xn，i分別為影響i 土地利用類型的各驅(qū)動因子，β0為常數(shù)項，β1，β2，…，βn分別為各驅(qū)動因子的回歸系數(shù).

2.2 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)(ANN)適用于處理非線性或無法用數(shù)學(xué)關(guān)系明確解釋的復(fù)雜關(guān)系，被廣泛應(yīng)用于探究土地利用類型及其驅(qū)動因子之間的關(guān)系［19］.節(jié)點(diǎn)是構(gòu)成神經(jīng)網(wǎng)絡(luò)的最基本單元，各節(jié)點(diǎn)之間連接強(qiáng)度由神經(jīng)網(wǎng)絡(luò)的加權(quán)系數(shù)決定，加權(quán)系數(shù)通過對樣本的逐步訓(xùn)練過程進(jìn)行調(diào)整.而BP 神經(jīng)網(wǎng)絡(luò)(即誤差反向傳播神經(jīng)網(wǎng)絡(luò))是應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)，一般包括輸入層、隱含層和輸出層，層與層之間多采用全連接方式，同一層之間不存在相互連接(圖1).

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure 1 The structure of BP neural network

BP 神經(jīng)網(wǎng)絡(luò)表達(dá)式為:

其中:xj(j=1，…，M)表示輸入層第j個節(jié)點(diǎn)的輸入數(shù)據(jù)，yi表示隱含層第i個節(jié)點(diǎn)的輸出，N 為隱含層的層數(shù)，Ok表示輸出層第k個節(jié)點(diǎn)的輸出，Wij為隱含層第i個節(jié)點(diǎn)與輸入層第j個節(jié)點(diǎn)之間的權(quán)值，Wki為輸出層第k個節(jié)點(diǎn)與隱含層第i個節(jié)點(diǎn)之間的權(quán)值，θi、ak分別為隱含層第i個節(jié)點(diǎn)和輸出層第k個節(jié)點(diǎn)的閾值，?(x)、φ(x)分別為隱含層和輸出層的激活函數(shù).本文選擇的輸入層為10個影響土地類型的驅(qū)動因子，輸出層為每個柵格為某一土地利用類型的概率，激活函數(shù)分別選用正切S 型函數(shù)tansig和對數(shù)函數(shù)logsig.

2.3 Autologistic 回歸模型

Autologistic 模型是在傳統(tǒng)的Logistic 回歸模型基礎(chǔ)上引入了空間自相關(guān)因子解決地理數(shù)據(jù)之間空間自相關(guān)的影響［12］:

其中:β'為空間自相關(guān)因子的回歸系數(shù);Autocovi為空間自相關(guān)因子:

其中:yj為空間單元j 出現(xiàn)某一地類的狀態(tài)，出現(xiàn)賦值為1，未出現(xiàn)賦值為0;Wij為空間單元i 和j 之間的空間權(quán)重，采用基于距離規(guī)則的距離函數(shù)權(quán)重法來定義，根據(jù)距離遠(yuǎn)近對變量值影響程度的大小來測度空間對象之間的接近性較符合距離衰減規(guī)律，可表達(dá)為:

其中:Dij為空間單元i 和j 的距離，當(dāng)此距離小于閾值距離d(本文根據(jù)數(shù)據(jù)信息和劃分的格網(wǎng)大小取d=4 km)時，Wij取Dij的倒數(shù)，否則取0.

3 土地利用空間模擬結(jié)果分析

3.1 擬合優(yōu)度對比

本文在200 m×200 m 空間尺度上將地類分為耕地、園地林地、居民點(diǎn)及工礦用地、交通用地、水域及水利設(shè)施用地、其他土地等6 種類型，將各土地利用類型與選取的10個驅(qū)動因子進(jìn)行回歸分析.表1和表2 分別是2005年增城區(qū)各土地利用類型的Logistic 和Autologistic 回歸結(jié)果，其中，Beta 值反映回歸方程中驅(qū)動因子的關(guān)系系數(shù)，Exp(β)是以e 為底的Beta 系數(shù)的自然冪指數(shù)，即事件發(fā)生頻率與不發(fā)生頻數(shù)的比(發(fā)生比，Odds Ratio)，用來衡量解釋變量對被解釋變量的影響.Exp(β)表示驅(qū)動因子每增加一個單位，土地利用類型發(fā)生比的變化:Exp(β)＜1 表示發(fā)生比減少，Exp(β)=1 表示發(fā)生比不變，Exp(β)＞1 表示發(fā)生比增加.

對于此回歸結(jié)果，通常用ROC(Relative Operating Characteristic)曲線來檢驗(yàn). Pontius 和Schneider［20］研究表明ROC 曲線可用于檢驗(yàn)土地利用變化模型，用ROC 曲線對每種土地利用類型回歸方程的擬合優(yōu)度進(jìn)行檢驗(yàn)，通過計算曲線下的面積大小來判斷回歸方程得出的地類概率分布格局與真實(shí)的地類分布之間的一致性程度，該值一般介于0.5 ～1.0之間，值越大表明二者的一致性越好，回歸方程解釋地類的空間分布效果越好，土地利用分配越精確.本文也用ROC 曲線來判斷l(xiāng)ogistic 回歸、人工神經(jīng)網(wǎng)絡(luò)(ANN)和Autologistic 模型的擬合優(yōu)度.

如圖2 所示，Logistic 回歸模型的耕地、園地林地、交通用地、居民點(diǎn)及工礦用地、水域及水利設(shè)施用地、其他土地等6 種地類的ROC 值分別為0.801、0.853、0.741、0.886、0.813、0.752，ANN 模型的6種地類的ROC 值分別為0.846、0.883、0.730、0.922、0.842、0.783，Autologistic 回歸模型的6 種地類的ROC 值分別為0.855、0.878、0.759、0.929、0.886、0.829. 綜合對比來看，Autologistic 回歸模型擬合結(jié)果最優(yōu)，Logistic 模型擬合結(jié)果最差.所以，最佳擬合優(yōu)度模型為Autologistic 回歸模型.

表1 各土地利用類型的Logistic 回歸結(jié)果Table 1 The logistic regression results for different land use classes

表2 各土地利用類型的Autologistic 回歸結(jié)果Table 2 The autologistic regression results for different land use classes

圖2 基于3 種模式的ROC 值Figure 2 Relative operating characteristics (ROCs)for the three models

3.2 基于CLUE-S 的土地利用空間格局模擬與精度驗(yàn)證

根據(jù)上面擬合優(yōu)度對比結(jié)果，以2005年土地利用類型為基期，在最佳擬合優(yōu)度Autologistic 回歸模型的基礎(chǔ)上，結(jié)合CLUE-S 模型模擬2009年的土地利用格局變化，并以2009年實(shí)際土地利用變更調(diào)查數(shù)據(jù)對模擬結(jié)果驗(yàn)證Kappa 指數(shù).

3.2.1 CLUE-S 模型參數(shù)設(shè)置 (1)土地利用需求.土地需求是獨(dú)立于CLUE-S 中模型之外的一個孤立模塊，可通過數(shù)學(xué)模型、經(jīng)濟(jì)模型或其他假定條件計算或估算，常用的有馬爾科夫模型、灰度模型和線性插值等.本文通過2005年和2009年的土地利用需求數(shù)據(jù)，通過線性內(nèi)插依次獲取2006—2008年的土地利用需求量作為土地需求輸入數(shù)據(jù).

(2)空間特征. 空間特征反映各種土地利用類型在空間上的分布情況，即各種土地利用類型的空間分布適宜性概率，其主要受各種驅(qū)動因子的影響.上面對比分析表明Autologistic 回歸模型是反映土地利用類型空間分布與驅(qū)動因子之間關(guān)系的最佳擬合優(yōu)度模型，因此本文選取該模型進(jìn)行空間特征分析.

(3)土地利用類型轉(zhuǎn)移矩陣及轉(zhuǎn)移彈性系數(shù).土地利用類型轉(zhuǎn)移矩陣反映的是各種土地利用類型之間是否能夠?qū)崿F(xiàn)相互轉(zhuǎn)變，1 表示2 種土地利用類型之間可以發(fā)生轉(zhuǎn)變，0 表示不能夠發(fā)生轉(zhuǎn)變.彈性系數(shù)ELAS 反映該地類轉(zhuǎn)化為其他地類的難易程度，用0 ～1 之間數(shù)值表示，接近1 表示該地類較難轉(zhuǎn)移為其他地類，接近0 表示容易轉(zhuǎn)移.本文假設(shè)每2 種土地利用類型之間可以相互轉(zhuǎn)變，因此轉(zhuǎn)移矩陣全部設(shè)置為1，通過研究區(qū)土地利用歷史變化情況分析并進(jìn)行模擬調(diào)試，得到耕地、園地林地、居民點(diǎn)及工礦用地、交通用地、水域及其他土地的轉(zhuǎn)移彈性系數(shù)分別為0.8、0.8、0.9、0.9、0.8、0.8.

(4)空間政策和限制區(qū)域:由于土地利用空間格局同時受到空間政策和限制區(qū)域的影響. 在CLUE-S 模型中，可以針對受政策影響和限制區(qū)域進(jìn)行設(shè)定，使某一地類在該區(qū)域內(nèi)土地類型不發(fā)生變化.由于本文中研究區(qū)沒有特殊空間政策和區(qū)域限制，因此不做設(shè)定.

3.2.2 Kappa 檢驗(yàn) 通過對以上輸入文件參數(shù)設(shè)定，運(yùn)行CLUE-S 模型，經(jīng)過多次迭代最終實(shí)現(xiàn)土地利用需求的空間分配，模擬出2009年土地利用類型圖，并用增城區(qū)2009年實(shí)際土地利用類型圖對模擬圖進(jìn)行Kappa 驗(yàn)證.由于Kappa 指數(shù)能夠定量反映土地利用模擬效果，因此本文用Kappa 指數(shù)作為模型精度驗(yàn)證［21］:

其中:P0為正確模擬的比例，PC為隨機(jī)情況下期望的正確模擬比例，PP為理想情況下正確的模擬比例.

對比2009年的實(shí)際土地利用類型圖與模擬圖可知，正確的模擬柵格數(shù)為35 778個，占整個柵格數(shù)(40 361個)的88.65%.本文土地利用分為6 類，則PC=1/6.根據(jù)式(7)，可知Kappa 指數(shù)達(dá)到0.863 7，模擬精度較高，表明在具有最佳擬合優(yōu)度的Autologistic 模型下，結(jié)合CLUE-S 模型可以很好地模擬增城區(qū)的土地利用變化.

3.3 土地利用變化情景模擬

鑒于以上Autologistic 模型與CLUE-S 模型結(jié)合能較好地模擬2009年增城區(qū)土地利用格局，因此，將其應(yīng)用到增城區(qū)不同情景模式下土地利用變化模擬具有一定的可行性.下面分別制定2 種情景模式:自然增長模式和地方政府土地利用優(yōu)化戰(zhàn)略模式(即耕地保護(hù)和生態(tài)建設(shè)相結(jié)合模式，以下簡稱“優(yōu)化戰(zhàn)略模式”)，模擬增城區(qū)2025年的土地利用空間格局(表3).

表3 2 種情景模式下的增城區(qū)2025年土地利用需求Table 3 The land use demand in two scenarios of Zengcheng district in 2025 hm2

自然增長模式:假設(shè)2009—2025年各土地利用變化仍然按照2005—2009年的變化趨勢. 園地林地、水域及水利設(shè)施用地和其他土地仍舊保持小幅度的減少，耕地減少較快，交通用地和居民點(diǎn)及工礦用地面積持續(xù)增加. 該模式下，園地林地分布連片，主要集中在北部和中部的地形較高的區(qū)域，變化較小.水域及水利設(shè)施用地和其他土地變動較小.居民點(diǎn)及工礦用地主要集中在中東部和西南部，由于受中部和南部耕地的大量轉(zhuǎn)入以及中部林地和東南部其他土地的小幅度轉(zhuǎn)入，導(dǎo)致其地面積增加(圖3A).

優(yōu)化戰(zhàn)略模式:堅持嚴(yán)格保護(hù)耕地和基本農(nóng)田、堅持以生態(tài)保護(hù)為先導(dǎo)，強(qiáng)化生態(tài)建設(shè)，堅持統(tǒng)籌城鄉(xiāng)土地利用，因地制宜、協(xié)調(diào)發(fā)展，堅持土地集約利用為原則，并結(jié)合增城區(qū)土地利用總體規(guī)劃的方向:保護(hù)北部、強(qiáng)化中部、提升南部.該模式下，北部的林地和耕地得到有效保護(hù)，與自然增長模式相比，中部和南部耕地和林地的轉(zhuǎn)變也較小，使得耕地和生態(tài)同時得到保護(hù)(圖3B).

圖3 2 種情境下2025年的土地利用模擬圖Figure 3 The simulated maps of land use in 2025 under two scenarios

基于CLUE-S 模型的2 種情景模式下的增城區(qū)2025年的土地利用情況模擬結(jié)果顯示了增城區(qū)未來大約15年的土地空間格局演變的大致趨勢，對土地資源管理和優(yōu)化配置、提高土地利用水平、促進(jìn)土地節(jié)約集約利用等提供了一定的決策參考.

4 結(jié)論

本文以廣州市增城區(qū)為例，通過Logistic 回歸、人工神經(jīng)網(wǎng)絡(luò)(ANN)和Autologistic 回歸等3 種模型探究土地利用類型與其驅(qū)動因子之間的關(guān)系，比較選取最佳模擬優(yōu)度模型，并結(jié)合CLUE-S 模型進(jìn)行分析和驗(yàn)證，Kappa 指數(shù)高達(dá)0.863 7. 在此方法下對增城區(qū)2025年的土地利用變化進(jìn)行2 種情景模式下的模擬預(yù)測，主要結(jié)論如下:

(1)通過增城區(qū)2005年土地利用數(shù)據(jù)實(shí)驗(yàn)，結(jié)果表明嵌入空間自相關(guān)因子的Autologistic 回歸模型的擬合優(yōu)度最優(yōu)，ANN 模型次之，Logistic 回歸模型最差.

(2)選用最佳擬合優(yōu)度模型Autologistic 回歸與CLUE-S 模型結(jié)合，模擬增城區(qū)2009年土地利用格局，經(jīng)與2009年實(shí)際土地利用數(shù)據(jù)比較驗(yàn)證表明，此方法對于大城市邊緣的中小城市區(qū)域模擬效果好，精度高.

(3)利用改進(jìn)的CLUE-S 模型模擬了自然增長和優(yōu)化戰(zhàn)略情景模式下的增城區(qū)2025年的土地利用空間格局，揭示了增城區(qū)在不同情景模式下的未來土地利用變化趨勢，為增城區(qū)土地管理及規(guī)劃提供了重要參考依據(jù).

本文側(cè)重于探究土地利用類型與驅(qū)動因子之間關(guān)系模型的比較，因此，沒有進(jìn)行多個空間尺度上的模擬.另外，受數(shù)據(jù)難以量化影響，一些影響土地利用變化的因素(如政策)未進(jìn)入本文模型.這些有待后續(xù)進(jìn)一步研究.

［1］Nunes C，Augé J I. Land－use and land－cover change(LUCC)implementation strategy［C］. Amsterdam:Congrex Holland BV，1999.

［2］Rindfuss R R，Walsh S J，Turner II B L，et al. Developing a science of land change:Challenges and methodological issues［J］. Proceedings of the National Academy of Science，2004，101(39):13976－13981.

［3］Turner II B L，Lambin E F，Reenberg A. The emergence of land change science for global environmental change and sustainability［J］. Proceedings of the National Academy of Science，2007，104(524):20666－20671.

［4］Verburg P H，Soepboer W，Veldkamp A，et al. Modeling the spatial dynamics of regional land use:The CLUES model［J］. Environmental Management，2002，30(3):391－405.

［5］張永民，趙士洞，Verburg P H. CLUE-S 模型及其在奈曼旗土地利用時空動態(tài)變化模擬中的應(yīng)用［J］. 自然資源學(xué)報，2003，18(3):310－318.Zhang Y M，Zhao S D，Verburg P H. CLUE-S and its application for simulating temporal and spatial change of land use in Naiman Banner［J］. Journal of Natural Resources，2003，18(3):310－318.

［6］Overmars K P，Verburg P H，Veldkamp A. Comparison of a deductive and an inductive approach to specify land suitability in a spatially explicit land use model［J］. Land Use Policy，2007，24(3):584－599.

［7］Castella J C，Verburg P H. Combination of process-oriented and pattern-oriented models of land-use change in a mountain area of Vietnam［J］. Ecological Modeling，2007，202(3/4):410－420.

［8］Trisurat Y，Alkemade R，Verburg P H. Projecting landuse change and its consequences for biodiversity in northern Thailand［J］. Environmental Management，2010，45(3):626－639.

［9］盛晟，劉茂松，徐馳，等. CLUE-S 模型在南京市土地利用變化研究中的應(yīng)用［J］. 生態(tài)學(xué)雜志，2008，27(2):235－239.Sheng C，Liu M S，Xu C，et al. Application of CLUE-S model in simulating land use changes in Nanjing metropolitan region［J］. Chinese Joumal of Ecology，2008，27(2):235－239.

［10］李寧. 土地利用總體規(guī)劃指標(biāo)時空分配研究:以濟(jì)南市為例［D］. 濟(jì)南:山東師范大學(xué)，2006.Li L.A study of the time－space distribution of land use general planning index:A case of Jinan city，Shandong province［D］.Jinan:Shandong Normal University，2006.

［11］朱現(xiàn)龍. 揚(yáng)州市市轄區(qū)土地利用/覆被變化模擬研究［D］. 長沙:中南大學(xué)，2009.Zhu X L. Research of land use and cover simulation in Yangzhou metropolitan area［D］.Changsha:Central South University，2009.

［12］吳桂平，曾永年，馮學(xué)智，等. CLUE-S 模型的改進(jìn)與土地利用變化動態(tài)模擬:以張家界市永定區(qū)為例［J］.地理研究，2010，29(3):460－470.Wu G P，Zeng Y N，F(xiàn)eng X Z，et al. Dynamic simulation of land use change based on the improved CLUE-S Model:A case study of Yongding county，Zhangjiajie［J］. Geographical Research，2010，29(3):460－470.

［13］李寬. 縣級土地利用總體規(guī)劃指標(biāo)空間優(yōu)化配置研究:以重慶市秀山縣規(guī)劃為例［D］. 長沙:中南大學(xué)，2009.Li K.Analysis of optimization about regional structure in general land use planning index of county land:For Xiushan county of Chongqing［D］. Changsha:Central South University，2009.

［14］吳健生，馮喆，高陽，等. CLUE-S 模型應(yīng)用進(jìn)展與改進(jìn)研究［J］. 地理科學(xué)進(jìn)展，2011，31(1):3－10.Wu J S，F(xiàn)eng Z，Gao Y，et al. Recent progresses on the application and improvement of the CLUE-S model［J］.Progress in Geography，2011，31(1):3－10.

［15］陸汝成，黃賢金，左天惠，等. 基于CLUE-S 和Markov復(fù)合模型的土地利用情景模擬研究:以江蘇省環(huán)太湖地區(qū)為例［J］. 地理科學(xué)，2009，29(4):577－581.Lu R C，Huang X J，Zuo T H，et al. Land use scenarios simulation based on CLUE-s and markov composite model:A case study of Taihu Lake Rim in Jiangsu Province［J］. Scientia Geographica Sinica，2009，29(4):577－581.

［16］梁友嘉，徐中民，鐘方雷. 基于SD 和CLUE-S 模型的張掖市甘州區(qū)土地利用情景分析［J］. 地理研究，2011，30(3):564－576.Liang Y J，Xu Z M，Zhong F L. Land use scenario analyses by based on system dynamic model and CLUE-S model at regional scale:A case study of Ganzhou district of Zhangye city［J］. Geographical Research，2011，30(3):564－576.

［17］陳功勛. 基于CLUE-S 模型和GIS 的土地利用變化模擬研究——以蘇州市吳中區(qū)為例［D］. 南京:南京大學(xué)，2012.Chen G X.Simulation of land use change based on CLUE－S model and GIS:The case of Wuzhong country，Suzhou city［D］.Nanjing:Nanjing University，2012.

［18］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.

［19］黎夏，葉嘉安. 基于神經(jīng)網(wǎng)絡(luò)的單元自動機(jī)CA 及真實(shí)和優(yōu)化的城市模擬［J］. 地理學(xué)報，2002，57(2):159－166.Li X，Yeh A G O. Neural-network-based cellular automata for realistic and odealized urban simulation［J］. Acta Geographica Sinica，2002，57(2):159－166.

［20］Pontius R G，Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed，Massachusetts，USA［J］. Agriculture，Ecosystems and Environment，2001，85(1/2/3):239－248.

［21］Orekan V O. Implementation of the local land-use and land-cover change model CLUE-S for Central Benin by using socio-economic and remote sensing data［M］.Aachen:Shaker Verlag，2008.