土地利用變化智能體模型研究進展

賀增紅

摘 ?要 ?土地利用/覆被變化是在自然、社會和人類決策者的時空多尺度綜合作用下發(fā)生的，具有高度的復雜性。基于復雜系統(tǒng)理論并以土地使用決策者為核心的智能體模型對于描述人地關系中的“人本”思想和復雜交互具有重要的意義。文章在對基于智能體模型的內(nèi)涵以及應用領域進行分析的基礎上，指出目前智能體模型的發(fā)展主要面臨三個方面的問題：數(shù)據(jù)可獲得性、行為建模的制約以及模型校準和驗證。綜合目前研究的進展與面臨的問題，提出了基于智能體模型的發(fā)展趨勢：（1）大數(shù)據(jù)與數(shù)據(jù)價值挖掘;（2）多角度探索決策規(guī)則;（3）創(chuàng)新校準和驗證方法。

關鍵詞 ?智能體模型;模型問題;發(fā)展趨勢

中圖分類號：F301.24 ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A

Abstract： Land use/cover change occurs under the combined effects of natural， social and human decision makers in time and space， with a high degree of complexity. The agent model based on complex system theory and based on land use decision makers is of great significance for describing the "human-centered" thinking and complex interaction in human-land relationship. Based on the analysis of the content of the agent-based model and the application field， the paper points out that the development of the agent model mainly faces three challenges： data availability， behavioral modeling constraints， and model calibration and verification. Based on the current research progress and challenges， the development trend based on agent model is proposed： （1） big data and data value mining; （2） multi-angle exploration decision rules; （3） innovation calibration and verification methods.

Keywords： agent-based model; model challenges; model prospects

土地利用/覆被變化（Land use/Cover change， LUCC）系統(tǒng)是社會生態(tài)系統(tǒng)的重要組成部分，對全球氣候變化、生物多樣性以及可持續(xù)性發(fā)展等具有重要影響。因此，通過一定的方式獲得對LUCC的認知極為重要。模型模擬是常見的認知客觀世界的手段，模型的描述解釋能力可以提高人們對土地變化系統(tǒng)起因、過程和結(jié)果的理解，而模型的預測能力則能夠為更合理的土地利用提供建議。LUCC是在生物物理因素、社會經(jīng)濟因素與土地使用者的多時空尺度下綜合作用形成的，具有高度的復雜性。因此，模型模擬需要考慮多重驅(qū)動因素以及因素之間的關聯(lián)作用，以解釋土地系統(tǒng)的復雜性問題。傳統(tǒng)的LUCC模型多以經(jīng)濟學、統(tǒng)計學和地理學等學科的理論為基礎進行構(gòu)建，并在土地覆被類型變化的數(shù)量和空間位置的模擬預測上成效顯著。然而，這些模型對土地使用決策者的重視不足，對土地變化系統(tǒng)的多尺度與層次以及復雜反饋關系的分析也較為欠缺，導致對實際土地變化系統(tǒng)的模擬能力一般。因此需要更好的方法來深入理解土地變化系統(tǒng)。復雜系統(tǒng)理論作為復雜性科學的一部分，能夠?qū)ο到y(tǒng)的無序性、動態(tài)性以及多層次耦合性等特性進行描述，可以對土地系統(tǒng)的復雜性進行很好的描述[1]。而基于智能體的模型（Agent-Based Model， ABM）是描述復雜系統(tǒng)的重要手段，能夠為土地變化系統(tǒng)的微觀模擬和復雜性研究提供新的思路。文章從介紹ABM的基本內(nèi)涵及在LUCC研究的適用性出發(fā)，分析該模型在LUCC應用中面臨的問題，并以此為基礎，對模型發(fā)展前景進行展望，以期為基于智能體的模型在土地利用/覆被變化系統(tǒng)中的研究（ABM/LUCC）提供思路。

1 ?ABM的內(nèi)涵與應用

1.1 ABM的內(nèi)涵

ABM是在復雜系統(tǒng)理論的基礎上對微觀實體的行為機制進行研究，其模擬的對象是agent，可以稱為智能體、代理或者主體等，文中采用智能體進行表述。智能體可以是個人、家庭、政府等社會組織結(jié)構(gòu)中的任何層次，不同的層次代表著各自在土地使用中所擁有的決策能力。因此可以在多個尺度上研究系統(tǒng)，并且可以將各部分以不同比例規(guī)定整合成一個整體。ABM模型通過對智能體的異構(gòu)決策和行為進行模擬，從而解釋土地系統(tǒng)內(nèi)部微觀主體作用下導致的變化現(xiàn)象，一般由智能體、對象、環(huán)境和決策規(guī)則四部分構(gòu)成[2]。智能體所表示的行為主體通常具有自主性、異質(zhì)性、適應性和學習能力等特性[3]，從而對目標進行決策。目標對象則是智能體所作用的客觀事物，不同層次的智能體所能決策的對象的屬性不同。環(huán)境指智能體和對象所在的空間范圍，包括社會環(huán)境和物理環(huán)境兩部分，社會環(huán)境一般指社區(qū)等具有人文色彩的區(qū)域，物理環(huán)境表示地形等自然因素。決策規(guī)則用來解釋智能體作用于對象和環(huán)境時的方式、狀態(tài)和能力等屬性以及三者之間的復雜交互關系。

智能體模型在LUCC研究中具備以下優(yōu)勢。首先它能夠模擬實體的屬性和行為以及實體之間的相互作用，并通過自下而上的模擬方式將微觀決策與宏觀現(xiàn)象關聯(lián)起來，而這種對微觀行為主體的模擬是傳統(tǒng)經(jīng)驗統(tǒng)計模型所欠缺的[4]。其次，ABM/LUCC能夠?qū)⑸鐣^程和非經(jīng)濟因素如政策規(guī)劃、受教育程度等納入決策，考慮智能體所處的社會背景因素，從而實現(xiàn)更真實的模擬。最后，ABM具備連接社會和環(huán)境過程的能力，能夠?qū)⒉煌瑢哟沃悄荏w對環(huán)境的影響以及環(huán)境對智能體的反饋作用更好的表達出來，凸顯社會組織結(jié)構(gòu)的層次與LUCC空間變化尺度的交互。使用智能體作為模擬的基本單元，其弊端在于將智能體的行為與空間區(qū)域聯(lián)系起來存在困難，并且難以充分表現(xiàn)空間行為。雖然這個問題的一部分與數(shù)據(jù)可用性有關，但將基于柵格的經(jīng)驗模型中的空間分析與ABM中社會結(jié)構(gòu)的層次相結(jié)合可較好地表示空間和社會組織[5]。

1.2 ABM/LUCC應用研究

盡管ABM模型在土地變化科學的模擬中有著巨大的優(yōu)勢，但并不是所有的模擬過程都需要用到智能體模型，一般適用于需要突出人類主體作用或者可能出現(xiàn)突發(fā)現(xiàn)象的情況[6]。此時，個體的行為是非線性的，表現(xiàn)出路徑依賴、遲滯、非馬爾科夫行為或?qū)W習和適應等時間相關性，統(tǒng)計學方法難以全面刻畫這些行為，只能通過閾值設定、規(guī)則制定或者非線性耦合等進行解釋。

在應用領域方面，ABM/LUCC主要應用于城市LUCC模擬、農(nóng)業(yè)LUCC模擬和自然資源管理應用模擬[7]。城市LUCC中個體屬性的差異以及個體之間的交互反饋關系能夠?qū)Τ鞘行螒B(tài)變化與城市土地利用變化產(chǎn)生影響。如周淑麗等[8]采用城市土地利用現(xiàn)狀圖，構(gòu)建了矢量多智能體城市擴張動態(tài)模型，將模型應用于廣州市番禺區(qū)，模擬了其2003-2008年城市擴張情況，并取得85.83%的較好總體精度。大多數(shù)農(nóng)業(yè)LUCC模擬的智能體以農(nóng)戶為例，模擬農(nóng)戶決策對農(nóng)村土地利用變化、區(qū)位選擇或者生態(tài)環(huán)境變化的影響。如彭金金等[9]以武漢市黃陂區(qū)為例，構(gòu)建智能體模型對農(nóng)村居民點的分布進行空間優(yōu)化配置以提高分布狀況的整體適宜性，模擬結(jié)果優(yōu)于粒子群優(yōu)化和遺傳算法的模擬結(jié)果，驗證了智能體模型在空間優(yōu)化配置研究方面的適用性。在自然資源管理應用方面，ABM應用于各類型自然資源的管理。如Elsawah等[10]將基于智能體的模型與社會生態(tài)模型相結(jié)合，應用于南澳大利亞葡萄灌溉用水分析，最終表明決策者在多學科知識的支持下顯著提高了灌溉用水決策能力?？傮w而言，運用ABM模型在模擬非線性土地變化系統(tǒng)或者描述智能體的主體作用時，可以取得較好的模擬結(jié)果。

2 ?ABM發(fā)展面臨的問題

ABM是研究復雜土地變化系統(tǒng)的重要工具，可以對微觀土地變化現(xiàn)象及過程做出合理的描述和解釋。但分析目前的案例研究可以發(fā)現(xiàn)智能體模型在LUCC研究中主要在三個方面存在問題：數(shù)據(jù)可獲得性、行為建模以及模型校準和驗證。

2.1 數(shù)據(jù)可獲得性

數(shù)據(jù)是LUCC分析的基礎，ABM使用的數(shù)據(jù)主要有定性和定量兩種類型。定性數(shù)據(jù)包含使用文本/單詞表示的信息，一般通過訪談等方式獲取。定量數(shù)據(jù)包含可以數(shù)字化的信息。ABM/LUCC的數(shù)據(jù)問題主要表現(xiàn)再數(shù)據(jù)欠缺和數(shù)據(jù)尺度轉(zhuǎn)換。

（1）數(shù)據(jù)欠缺。微觀尺度上的LUCC模擬一般需要高清影像圖和更為詳實的社會經(jīng)濟統(tǒng)計數(shù)據(jù)，而高清影像圖較為難以獲取，且獲取成本高，這在進行農(nóng)村區(qū)域LUCC模擬時尤為明顯。此外，在通常情況下不可能為個人或者集體行為收集長時間序列數(shù)據(jù)，收集這些數(shù)據(jù)的頻率和時長等都是需要考慮的問題，而這些數(shù)據(jù)對于智能體屬性的描述很關鍵。最后，已有研究的調(diào)查數(shù)據(jù)通常將智能體視為孤立的個體[11]，忽視了智能體之間的相互影響。

（2）數(shù)據(jù)尺度轉(zhuǎn)換。指與一個分析單元相關的數(shù)據(jù)可以被拆散并重新聚合到另一個單元以實現(xiàn)多尺度LUCC模擬，例如社區(qū)的決策行為所需數(shù)據(jù)可應用于更高級別的城市規(guī)劃模擬。由于ABM數(shù)據(jù)基本上是個體級別的數(shù)據(jù)，數(shù)據(jù)較為龐雜，在進行更高級別的模擬時，如何從個體級別的數(shù)據(jù)中產(chǎn)生更高層次的行為描述數(shù)據(jù)是需要面對的問題。

2.2 行為建模的制約

智能體的行為建模是ABM集中研究的問題。智能體通過決策規(guī)則來對其行為和屬性進行模擬，規(guī)則的定義是基于決策社會結(jié)構(gòu)而非地理空間位置。在決策規(guī)則制定過程中，智能體異質(zhì)性與關聯(lián)性以及環(huán)境差異性都會成為其制約因素。

（1）智能體異質(zhì)性與關聯(lián)性。由于社會背景、地理環(huán)境以及自身認知水平等的差異，不同的智能體會有迥異的行為偏好和執(zhí)行力，從而產(chǎn)生決策的顯著差異。其次，智能體之間具有關聯(lián)性。智能體的決策行為會影響到周圍其他智能體的行為選擇，同時也會受到其他智能體的影響，形成智能體間的相互作用關系，這種相互作用的范圍可能受到空間距離的影響。當需要研究更高層次的集體決策時，還需要對多智能體的行為一致性進行描述，詳細規(guī)模流程的匯總并不能直接產(chǎn)生更高級別流程的合適表述，如何將各自分散的行為整合到一個框架內(nèi)以描述集體行為是需要深入研究的問題。此外，智能體通常具有自組織、自適應能力，可以根據(jù)環(huán)境變化和自身學習來對其決策能力以及與其他智能體的關系進行更新。

（2）環(huán)境差異性。智能體所處的物理環(huán)境也具有差異性，任何地點的環(huán)境都具有相關的狀態(tài)，如土壤質(zhì)量。模型中的環(huán)境實體也可能有自己的動態(tài)變化特征，描述它們?nèi)绾坞S時間變化而不依賴于智能體行為并且因智能體行為而變化，例如森林增長或環(huán)境變化的其他方面。

智能體的特性以及智能體與環(huán)境之間的交互構(gòu)成了復雜的交錯關系，導致土地變化系統(tǒng)中常見的非線性、路徑依賴和遲滯等現(xiàn)象，給決策規(guī)則的制定帶來了困難，需要考慮如何設計和參數(shù)化決策規(guī)則來模擬現(xiàn)實環(huán)境中的行為和交互。簡單的決策規(guī)則可以用“if-then”規(guī)則或一些簡單的數(shù)學方程來表示，但這對智能體的異質(zhì)性和關聯(lián)性解釋能力不足。因此，復雜的方法如線性規(guī)劃、MP-MAS、多元回歸、決策樹和貝葉斯網(wǎng)絡等被用來模擬決策規(guī)則，實現(xiàn)更接近行為主體的模擬。近期的研究中多引入其他學科的理論方法如心理學模型來完善agent行為描述。

2.3 模型校準和驗證

模型校準通常是對參數(shù)敏感性和結(jié)果的不確定性進行分析，以此確定模型中哪些參數(shù)對模型輸出的影響最小或者說哪些參數(shù)影響了輸出結(jié)果的多變性[12]?，F(xiàn)有ABM一般使用標準化回歸系數(shù)、元建模或者基于方差的分解來進行校準，盡管這些方法已經(jīng)取得了一定成功，但由于智能體模型交互的非線性、輸出分布的非正態(tài)性和可變相互依賴性等對模型的敏感性分析提出了新的問題，適應更復雜模擬研究的新的校準方法值得研究。模型的驗證將使決策者和模型結(jié)果的其他用戶了解模型結(jié)果的可靠性，并為模型改進提供思路?，F(xiàn)有的ABM驗證常被忽略，已有的驗證方法基本上是比較仿真結(jié)果與真實世界觀察結(jié)果或者專家預期進行比較，驗證方法較為簡單，采取更加科學有效的方法對模擬結(jié)果進行檢驗是ABM研究需要解決的難點之一。

3 ?ABM發(fā)展趨勢

3.1 大數(shù)據(jù)與數(shù)據(jù)價值挖掘

已有ABM/LUCC研究一般通過高分辨率遙感影像確定智能體的位置屬性，使用社會經(jīng)濟統(tǒng)計數(shù)據(jù)或樣本調(diào)查數(shù)據(jù)解釋社會屬性，其它輔助數(shù)據(jù)如地形圖等描述環(huán)境[13]。這些數(shù)據(jù)難以精細地描述智能體個體的屬性和行為，會導致模擬結(jié)果不確定性增加。伴隨著隨身設備、物聯(lián)網(wǎng)和云計算技術等的發(fā)展，多源異構(gòu)，動態(tài)增長且分布廣泛的時空大數(shù)據(jù)不斷產(chǎn)生。時空大數(shù)據(jù)可描述實體屬性在空間、時間和決策者維度作用下的變化，能夠?qū)gent個體的屬性與行為進行很好的解釋。將大數(shù)據(jù)應用于智能體行為規(guī)則的構(gòu)建中是提高ABM模擬精度和真實性有效手段。但在取得數(shù)據(jù)權限的前提下，仍需注意以下兩個問題：（1）從海量數(shù)據(jù)中提取嵌入數(shù)據(jù)的關鍵關系。需要考慮使用合適的方法來深入數(shù)據(jù)內(nèi)部，提取出有價值的數(shù)據(jù)用于agent屬性描述及規(guī)則構(gòu)建。（2）提高數(shù)據(jù)處理能力。大規(guī)模復雜智能體的仿真應用，仿真運行速度已成為其重要的制約因素。

3.2 多角度探索決策規(guī)則

ABM決策規(guī)則的構(gòu)建從簡單的啟發(fā)式到基于經(jīng)驗的模型再到社會心理學模型等的引入，規(guī)則制定愈加符合人類行為模式，模型模擬結(jié)果的真實性得到提升。然而，當前多數(shù)研究的決策規(guī)則仍是以統(tǒng)計學方法來制定，未能有效探索智能體決策背后的驅(qū)動因素以及因素之間的交錯關聯(lián)。Smajgl等[14]為ABM中人類決策的參數(shù)化提出了一個框架：基于建模背景，在模型構(gòu)建中的不同步驟進行經(jīng)驗方法組合。在之后的研究中，可以參考該框架，以多學科知識進行模塊化建模，從不同學科視角來分析agent行為背后的驅(qū)動因素，從而更好的構(gòu)建agent決策規(guī)則，有效控制輸出結(jié)果的多變性。

3.3 創(chuàng)新校準和驗證方法

ABM模型因決策規(guī)則構(gòu)建的復雜性以及微觀層面數(shù)據(jù)的缺乏，給模型的參數(shù)化和校準帶來了很大的困難?，F(xiàn)有校準方法在分析簡單的ABM時更為有效，校準復雜ABM甚至混合模型時的有效性值得考量，探索更合理的校準方法以分析參數(shù)的敏感性和結(jié)果的不確定性是必然趨勢，結(jié)合研究區(qū)自然與人文背景調(diào)參并進行多方法校準是當前可行的方向。目前ABM驗證驗證方法均是針對模擬結(jié)果的評估，缺乏對模擬過程合理性的驗證。發(fā)展面向模擬過程的評估方法是需要面對的難題，可能的方式是在確定ABM模擬復雜度的基礎上進行不同尺度與層次的多次驗證，此時可以參考ODD（Overview， Design concept， and Details）標準協(xié)議[15]，該協(xié)議可以幫助學者識別ABM的主要屬性和過程，從而確定模型構(gòu)建和分析中的復雜度。

4 ?結(jié)語

基于智能體的模型可以很好地模擬土地利用/覆被變化過程中微觀主體屬性和行為，彌補了傳統(tǒng)經(jīng)驗模型對土地決策者和多因素復雜交互關系的忽視。近年來，ABM已經(jīng)在LUCC模擬中取得了廣泛的應用，但其仍面臨數(shù)據(jù)可獲得性、智能體行為建模以及模型校準和驗證三個方面的問題，需要進一步對其進行完善。在現(xiàn)有文獻閱讀分析的基礎上，文章提出ABM可以通過將大數(shù)據(jù)引入模型分析基礎數(shù)據(jù)、多角度探索決策規(guī)則以及校驗方法的創(chuàng)新來實現(xiàn)更加科學的模擬。

參考文獻/References

[1] Magliocca N R， Rudel T K， Verburg P H， et al. Synthesis in land change science： methodological patterns， challenges， and guidelines.[J]. Regional Environmental Change， 2015， 15（2）：211-226.

[2] 陳海， 梁小英， 高海東，等. Multi-Agent System模型在土地利用/覆蓋變化中的研究進展[J]. 自然資源學報， 2008， 23（2）：345-352.

[3] Macal C M. Everything you need to know about agent-based modelling and simulation[J]. Journal of Simulation， 2016， 10（2）：144-156.

[4] Veldkamp A， Verburg P H. Modelling land use change and environmental impact[J]. Journal of Environmental Management， 2004， 72（1）：1-3.

[5] Wahyudi A， Liu Y. Spatial Dynamic Models for Inclusive Cities： a Brief Concept of Cellular Automata （CA） and Agent-Based Model （ABM）[J]. 2015， 26（1）：54-70.

[6] Bonabeau E. Agent-Based Modeling： Methods and Techniques for Simulating Human Systems[J]. Proc Natl AcadSci U S A， 2002， 99（10）：7280-7287.

[7] 吳文斌， 楊鵬， 柴崎亮介，等. 基于Agent的土地利用/土地覆蓋變化模型的研究進展[J]. 地理科學， 2007， 27（4）：573-578.

[8] 周淑麗， 陶海燕， 卓莉. 基于矢量的城市擴張多智能體模擬——以廣州市番禺區(qū)為例[J]. 地理科學進展， 2014， 33（2）：202-210.

[9] 彭金金， 孔雪松， 劉耀林，等. 基于智能體模型的農(nóng)村居民點空間優(yōu)化配置[J]. 地理與地理信息科學， 2016， 32（5）：52-58.

[10] Elsawah S， Guillaume J H， Filatova T， et al. A methodology for eliciting， representing， and analysing stakeholder knowledge for decision making on complex socio-ecological systems： from cognitive maps to agent-based models.[J]. Journal of Environmental Management， 2015， 151：500-516.

[11] Gilbert N. Agent-based social simulation： Dealing with complexity[J]. Complex Systems Network of Excellence， 2004， 7（1）：1-4.

[12] Lee J S， Filatova T， Ligmann-Zielinska A， et al. The Complexities of Agent-Based Modeling Output Analysis[J]. Journal of Artificial Societies & Social Simulation， 2015， 18（4）.

[13] Zhuo， Erfu， Quansheng， et al. Modelling the integrated effects of land use and climate change scenarios on forest ecosystem aboveground biomass， a case study in Taihe County of China[J]. Journal of Geographical Sciences（地理學報（英文版）， 2017， 27（2）：205-222.

[14] Smajgl A， Brown D G， Valbuena D， et al. Empirical characterisation of agent behaviours in socio-ecological systems[J]. Environmental Modelling & Software， 2011， 26（7）：837-844.

[15] Grimm V ， Berger U ， Bastiansen F ， et al. A standard protocol for describing individual-based and agent-based models[J]. Ecological Modelling， 2006， 198（1-2）：115-126.