北京市低碳土地利用情景改进FLUS模型的模拟

基于改进FLUS模型的北京市低碳土地利用情景模拟

李立, 胡睿柯, 李素红

河北工业大学经济管理学院,天津 300401

摘要:

合理的土地利用计划对避免高碳排放有着重要意义,进行低碳经济视角下的土地利用优化模拟有利于绿色发展和土地资源科学配置。以北京市为例,将兴趣点(point of interest,POI)数据纳入FLUS模型的BP-ANN算法模块中对其进行改进,利用2010年和2020年2期土地利用数据对改进模型的模拟精度进行对比验证。在此基础上,耦合Markov法及理想点法,对研究区2030年自然演变情景及低碳经济情景下的土地数量结构和空间布局进行模拟分析。研究结果表明: ①引入POI数据的FLUS模型在模拟2020年土地利用时,Kappa系数提高4.85%、总体精度提高3.42%,改进模型有利于提高模拟精度; ②经模拟验证,在自然演变情景中,碳排放量增加7.70%,建设用地面积增长7.68%,耕地、草地面积持续减退; ③在低碳经济情景中,与自然演变情景相比,碳排放量减少198.49万t,建设用地持续扩张的趋势得到遏制,浅山区草地被占用的现象得到缓解,北部林地面积增长明显。研究说明了土地利用模型的模拟精度随城市发展元素的变化而变化,纳入POI数据可以为土地规划提供更好的决策支持,低碳经济导向的土地结构调整及空间布局优化,可以为区域土地合理利用和规划布局提供参考。

0 引言

土地利用/覆被变化直接受到城市扩张的影响,产业发展、经济建设和能源消耗等都与土地利用紧密相关[1]。城市化进程中伴随着地表土地覆被的巨大变化,建设用地不断扩张,导致生态用地成为最大的损失者,耕地、林地和草地面积减退,在地类转换的过程中,产生了大量的碳排放。世界资源组织研究表明,自1850年到21世纪初,土地利用变化产生的碳排放占人为总碳排放的1/3[2]。中国是世界上二氧化碳排放最多的国家,我国政府提出,力争于2030年前实现碳达峰,2060年前实现碳中和[3]。在这种情况下,通过建模合理调整各种土地类型的面积比例,优化国土空间分布格局,从土地利用的角度寻找低碳和经济相平衡的途径,是保障区域土地合理规划和生态安全的重要问题。

有限的土地资源不仅要用于发展经济,还要进行生产活动及生态保护,土地规划是当前关注的焦点,土地利用规划研究主要从数量结构优化和空间布局优化2方面展开。学者们在土地利用数量结构优化方面展开了广泛研究,由最初的单目标线性规划发展为多目标规划[4],为了更好地适应城市土地利用变化的非线性和动态性特点,还产生了多种启发式算法模型,例如系统动力学模型[5]和理想点法[6]等非线性规划方法,以及NSGA-II算法[7]和多目标粒子群算法[8]等。

当前关于土地低碳管理的研究大多集中于对未来最小碳排放模式下土地利用数量结构的预测和优化[9],土地的经济效益没有得到充分考虑; 而且侧重于土地类型的数量比例调整,对于空间布局的相关研究有待加强。同一土地利用结构,在不同的空间布局下,可能会产生不同的效果。随着GIS技术的发展,逐渐开发了多种地理模拟模型,元胞自动机模型(cellular automata,CA)[10]、CLUE-S模型[11]、FLUS模型[12]和多智能体模型(agent-based modeling,ABM)[13]等都在土地模拟研究中得到了广泛的应用。其中,FLUS模型引入多层前馈神经网络算法(BP-ANN)计算地类适宜性概率,将各驱动因子统一起来,消除了以往研究通过线性回归方法获取地类转换规则的局限性[14],采用创新的自适应惯性机制以及基于轮盘赌的土地分配机制[15],考虑了多种土地类型转化过程的相互影响,更好地模拟了地类间的竞争,有利于模拟实际情况下用地变化的偶然发生与交替增长。研究表明,FLUS模型对于土地利用模拟的精度要高于CLUE-S模型及传统CA-Markov模型[16]。

在以往利用FLUS模型进行城市未来发展模拟的研究中,大多聚焦于自然地理等静态驱动因子。近年来,有学者尝试对FLUS模型进行优化,张经度等[17]以珠江三角洲地区为例,通过引入空间自相关驱动因子进行了土地演变模拟; 程雨薇[18]利用创新产业因子,对杭州市未来的用地增长进行预测。上述研究虽然在模型优化方面提出了一些新思路,但居民日常活动与土地扩张之间的关系仍没有得到充分考虑,没有纳入兼顾城市动态热点的驱动因子。事实上,购物、饮食住宿和公共服务设施等会影响交通出行和消费活动,人类活动和城市扩张之间有着紧密的联系[19]。地理大数据为此提供了新的解决方法,兴趣点(point of interest,POI)数据可以表征实际地理实体,样本量大、范围广,能够较准确地识别城市功能区分布格局,在城市研究中有着良好的应用前景。综上所述,本文使用POI数据刻画地理实体与居民活动,并将其作为一种驱动因子来改进FLUS模型。考虑到“十四五”是碳达峰的关键期,以及北京市建设生态文明、推动绿色低碳循环发展的要求,耦合理想点法和改进的FLUS模型,寻求有利于低碳经济发展的土地利用结构和空间布局,并设置自然演变情景作为对照组,以期为研究区低碳城市规划体系构建和土地管理规划提供参考。

1 研究区概况及数据源

北京市作为国家第二批低碳试点城市之一,研究区高强度的城市扩张和经济发展,引起土地覆被类型的巨大变化,建设用地迅速扩张,生态环境“超载”的现象仍然存在,是全国碳减排的重点区域和潜力地区。因此,强化城市空间规划和用途管理,协调经济发展和生态保护,对区域未来的土地利用情况进行模拟分析具有重要意义。

本文数据分为统计数据、规划数据、土地利用数据及驱动因子数据4部分(表1)。其中,土地利用数据和驱动因子数据通过投影变换和重采样等方法统一格式为150 m×150 m栅格。驱动因子数据归一化处理后如图1所示。

表1   数据说明

图1   研究区土地利用变化驱动因子

2 研究方法

2.1 不同发展情景设置

以北京市2020年土地利用情况为初始年份数据,以2030年为目标,设置低碳经济情景和自然演变情景2种情景假设。其中,低碳经济情景集成理想点法和改进的FLUS模型进行模拟研究。自然演变情景则参考过往土地演变情况,在保持土地总面积不变的基础上,遵循土地利用的历史发展规律对未来土地利用变化进行模拟,同时将其作为对照组与低碳经济情景进行对比分析。

2.2 不同情景下土地利用数量结构求解

土地需求结构在不同情景下存在差异,并且后续的土地利用演变模拟也需要输入各个土地类型的预测数量。故首先利用MATLAB软件编写程序来求解2种情景下的土地利用数量结构。

在自然演变情景中,土地覆被变化将在未来保持已有趋势,土地需求数量根据2010—2020年的规律变化。Markov方法已被广泛应用于预测该情景下的未来土地类型数量[20],本文将沿用此模型预测研究区2030年土地利用数量结构。

2.3 FLUS模型及其改进机制

GeoSOS—FLUS模型是模拟与预测城市发展空间格局的有效方法[21]。该模型主要包括3部分: ①输入未来目标年份各类用地的数量需求,作为模拟的目标; ②结合初始年份土地利用数据及驱动因子数据,利用BP-ANN算法,求取各个地类的适宜性概率; ③采用基于自适应惯性机制的CA模型,进行未来土地利用空间布局模拟。

2.3.1 基于BP-ANN算法的适宜性概率计算

FLUS模型引入BP-ANN算法计算适宜性概率,主要分为输入层、隐藏层和输出层3部分。以初始年份土地利用数据及驱动因子数据作为输入层; 根据经验[15],本文的隐藏层数量为12; 最后将生成的各栅格土地类型适宜性概率文件作为输出层。

2.3.2 基于自适应惯性机制的CA模拟

未来土地类型的转化概率还与邻域影响、惯性系数、转换成本设置及土地类型间的竞争有关。

1)邻域影响包含邻域范围和邻域权重2方面。

2)惯性系数是由当前分配的土地数量与目标数量之间的差异决定的,在模型训练中进行自适应调整,使得各用地类型的数量更接近预期目标。

3)转换成本代表将目前的土地类型转换为其他土地利用类型的难度,按照不同发展情景的要求进行转换等级设置,转换原则为优先安排低等级向高等级用地转换[22]。

4)结合以上步骤,可以确定各栅格占用土地类型的综合概率。

最后,根据计算出的综合概率,FLUS模型通过轮盘赌机制,采用CA迭代的方式将土地利用类型分配到每个像元上。模型精度验证一般参考Kappa系数以及总体精度(overall accuracy, OA)这2个指标。通常认为,若Kappa系数大于0.75,则该模拟结果较精准[23]。

2.3.3 基于POI数据分析城市热点

合理的驱动因子在一定程度上影响着模拟的效果。POI数据作为一种社会感知数据,以一种抽象的方式表达了土地系统中的各种地理实体。利用ArcGIS软件中的核密度分析方法,基于POI数据提取城市中心热点区域和兴趣点设施,将其纳入驱动因子体系参与BP-ANN算法训练模块,从而对FLUS模型进行改进。

2.4 不同情景下土地利用空间模拟转换规则设置

利用FLUS模型进行未来土地演变情景模拟时需要对邻域权重(式(5))进行设置。邻域权重越大,表示该地类扩张能力越强,越难被转移为其他地类。自然演变情景下,根据过往土地利用变化特点,水域不易进行开发建设、建设用地扩张能力最强,故这2种土地类型发生地类转移的难度较大,邻域权重值也相对较大。而耕地、林地、草地和其他用地往往成为被侵占对象,易发生转移,其邻域权重较小。在低碳经济情景中,应当注重碳源用地管治和碳汇空间保护,林地和草地等是主要的碳汇来源,而建设用地和耕地等一般被视为碳源,故增大林地和草地等生态用地的邻域权重提高其转移难度,可以缓解其被过度侵占的趋势。结合已有文献[22],不同情景下的邻域权重如表2所示。另一方面,成本矩阵通过改变不同情景下的用地等级,来表示从当前用地类型转换为需求类型的困难度。基于2010—2020年土地转移矩阵,通过多次对比实验调整参数,设置自然演变情景下建设用地的优先级最高,适当增加耕地和草地等转移为建设用地的概率,满足建设用地需求。而低碳经济情景下生态用地优先级上升,严格控制林地、草地和水域等生态用地转移为建设用地的成本,适当提高退耕还林还草的转移概率。

表2   不同情景下土地邻域权重参数

3 结果与分析

3.1 改进模型精度验证

为证实纳入POI数据的改进FLUS模型在北京市土地利用研究中的适用性,利用研究区2010年数据对其2020年土地利用情况进行模拟。以2020年真实地类数量作为土地需求量,并根据研究区历史土地利用演变规律输入各项参数,设置原模型包括自然因子、交通可达性因子、社会/经济因子共3类驱动因子; 在其他参数不变的情况下,在原模型基础上再纳入10项POI数据作为改进的FLUS模型模拟2020年土地利用情况。然后将上述2种模拟结果分别与2020年实际现状进行对比,分析模型精度变化,结果如表3和图2所示。结合表3及图2可知,改进模型的模拟结果与实际情况更为接近。其中,林地的模拟精度最高。水域次之,改进模型的模拟误差缩小了0.17百分点,主要体现在东北部水域方向上,改进模型的模拟结果更符合实际情况。其他用地由于和驱动因子的联系较弱且占地面积小,模拟误差最大。耕地、草地和建设用地的数量误差相对适中,其空间布局模拟结果与2020年实际情况的主要差异均位于中西部的门头沟区和房山区,由图2(b)可知,建设用地已经扩张到了浅山区,浅山区位于山区与平原的过渡地带,林地与山体较多,原本并不适合大规模开发,但当地通过人为干预,整合采矿用地,提升近山侧的耕地和草地利用效率,增加了建设用地规模。

表3   研究区2020年土地利用模拟结果对比

图2   改进模型与原模型对比

就整体空间布局模拟结果而言,改进FLUS模型模拟结果的Kappa系数和OA分别为0.796 2和87.50%,原模型为0.759 4和84.61%,分别比原模型提高了4.85%和3.42%,而且Kappa系数均大于0.75,满足精度要求。改进的FLUS模型通过纳入POI数据,兼顾了居民的经济及日常活动对建设用地扩张的影响,在驱动因子设置上更加全面,更能体现城市分布格局和发展规律,其模拟结果的空间布局与实际情况更相似。

3.2 2030年土地利用变化情景模拟

3.2.1 不同情景下的土地利用结构分析

以2020年土地利用数据作为基期数据,以2030年为目标年份,设置2种发展情景,利用2.2节中数量结构求解方法,得到2种情景下的土地利用模拟结果如表4所示。

表4   不同情景下的土地利用结构

耕地、草地和水域等经济效益较低的用地类型在2种情景下都呈现下降趋势,这是由于历史土地利用变化特点总是优先发展经济,而城市发展所需的建设用地主要通过占用生态用地实现,导致未来城市生态空间持续缩减。此下降程度在自然演变情景中表现得更加明显,3种地类面积分别较2020年减少6.21%,2.70%和5.68%; 在低碳经济情景中下降程度减弱,分别较2020年减少5.84%,2.15%和4.96%。林地在2种情景下都有一定的增长,受到近年来退耕还林政策的影响,北京市的林地面积自2016年至今保持了连续多年的增长状态,故自然演变情景下,保持了这一增长趋势,但低碳情景下林地的增长幅度更大,较自然演变情景增长了1.26%。建设用地在自然演变情景中大幅度扩张,较2020年增长7.68%; 预测碳排放量较2020年增加7.70%,发展经济的同时造成了一定量的生态损失。在低碳经济情景下,建设用地扩张得到遏制,预计比2020年同期增长4.32%。与自然演变情景相比,该情景下的碳排放量减少3.15%,有利于从城市空间规划层面推动降碳减排。该情景下经济效益较自然演变情景略有降低,但与2020年实际相比,经济效益仍上涨了4.24%,保持正向增长趋势。低碳经济导向的优化方案促进碳减排的同时满足了社会经济建设的需求,而且各用地类型的面积变化适中,因此该土地利用优化方案具备一定的合理性。

3.2.2 不同情景下的土地利用空间布局分析

鉴于纳入POI数据对FLUS模型的改进作用以及该模型在北京市的适用性已得到了有效验证,故使用该改进的FLUS模型对北京市2030年土地利用情况进行模拟分析。通过对比2种情景下的土地利用布局优化结果(图3),在发展趋势上,二者大致相同,都表现为沿已有区域向外扩张。但是在空间布局及地类转移方面各有不同的表现。耕地在2种情景下均有所减少,自然演变情景下耕地流失更多,集中表现在房山区东部及大兴区、通州区的东南部地区,大部分转移为建设用地; 而低碳经济情景下东南部侵占耕地的趋势得到遏制,与自然演变情景相比,耕地面积增加了0.40%,东南部耕地资源得以保护。林地在2种情景下都有一定的增长,低碳经济情景下的增长幅度更大,较自然演变情景增长了1.26%,以北部怀柔区和延庆区为例,林地增加更加密集和广泛,表现出成片增长的趋势,更有利于推动林业碳汇发展。水域在2种情景下的差异并不明显,与2020年实际相比都呈现下降趋势,主要是由于水域与建设用地在地理位置上联系紧密,建设用地不断扩张导致水面收缩,低碳经济情景中,水域还在西南部密云区有小幅度发展。草地在自然演变情景下减少了2.70%,以主城区为主,绿色斑块减少,转为建设用地; 在低碳情景下减少了2.15%,流失的草地更多地转化为碳汇能力更强的林地,主要体现在北部怀柔区和密云区一带。从建设用地的空间分布来看,都表现为沿现有布局向东南部扩张的趋势。其中,自然演变情景扩张更为明显,以东南部的大兴区和通州区为例,通过侵占耕地,建设用地面积得到迅速增加。相比之下,低碳经济情景下建设用地减少了3.13%,主要是在现有主城区的基础上发展。此外,自然演变情景下,在门头沟区、房山区和昌平区的浅山区地带,建设用地通过侵占林地和草地进一步扩张,而低碳经济情景下的浅山区建设用地的扩张趋势更小,红色斑块更少,符合《北京市浅山区保护规划》的相关规定。

4 结论与讨论

FLUS模型在进行土地利用模拟时通过驱动因子体系来确定未来土地流转的空间位置,以往研究较少考虑到城市热点和人类活动对城市发展的影响,本研究纳入POI数据等作为驱动因子对FLUS模型进行了改进。结果表明,模拟精度得到切实提高,POI数据是进行城市发展规划的有效工具,在进行土地模拟时具备较好的适用性和应用前景,可为城市空间发展与管控提供支撑。北京市以占全国0.17%的国土面积,创造了超过3.6%的GDP,对北京市2030年低碳经济情景下的土地利用优化方案进行求解,与自然演变情景相比,低碳经济情景下的碳排放量减少198.49万t,耕地减退速度放缓,避免耕地、浅山区草地和林地向建设用地的大量转化,林地面积持续增加,有利于增强固碳减碳能力,可为研究区制定科学合理的土地规划提供参考。

在城市土地资源供应趋紧和环境污染日趋严重的双重压力下,从土地利用的角度寻找降低碳排量的方法,同时使土地利用的综合效益达到最优,是保障生态环境的重要问题。在今后的研究中,可以通过以下几个方面进一步完善: ①进一步落实降碳减排,使得分析结果更加精确客观,未来考虑加入生态保护情景,对城市土地时空演变特征进行交叉验证; ②本次研究主要考察了低碳发展和经济建设之间的权衡,但低碳土地利用结构优化还需要兼顾多方面利益,后期研究将考虑在运算中加入生态效益和社会福利等指标,以便更好地构建低碳城市规划体系; ③为了使驱动因子更加全面,提升模拟精度,未来应该进一步引入地质和人文等相关数据,更准确地为城市发展提供建议。

（原文有删减）

【作者简介】李立(1968-),女,教授,博士,研究方向为土地利用与交通规划。Email: 3270627117@qq.com。

【通讯作者】胡睿柯(1998-),女,硕士研究生,研究方向为土地利用规划。Email: huruike0902@163.com。

【】河北省社会科学基金项目“河北省康养服务高质量发展的测度与驱动因素研究”(HB20YJ055)

【】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.

转自：“测绘学术资讯”微信公众号

如有侵权，请联系本站删除！