基于CLUE_S模型的南京市土地利用变化模拟

基于CLUE-S模型的柳州市2025年土地变化情景模拟分析【摘要】通过基于CLUE-S模型的土地变化情景模拟分析，本文旨在探讨柳州市2025年土地利用的发展趋势。

首先介绍了CLUE-S模型的基本原理，然后分析了柳州市现有土地利用状况。

接着进行了2025年土地利用情景模拟，并分析了影响土地利用变化的因素。

最后展示了土地利用变化模拟结果，提出了关于柳州市未来土地利用发展趋势的预测，并给出了相应的建议和展望。

通过本研究的总结与反思，可以为柳州市土地利用规划与管理提供科学依据，推动城市可持续发展。

【关键词】关键词：CLUE-S模型、柳州市、土地变化、2025年、模拟分析、土地利用现状、发展趋势、因素分析、影响因素、建议、展望、总结、反思。

1. 引言1.1 研究背景柳州市作为广西壮族自治区的一个重要城市，近年来经济发展迅速，城市化进程加快，土地利用持续发生变化。

随着城市化进程的加快，土地利用变化对城市环境和资源利用产生了一定的影响。

对柳州市土地利用变化进行研究具有重要的理论和实践意义。

在城市化发展的背景下，土地资源的合理利用和保护已成为当前社会关注的焦点之一。

通过对柳州市土地利用变化进行研究，可以为未来城市规划与土地利用提供科学依据，促进城市可持续发展。

深入了解土地利用变化的影响因素，有助于引导城市土地利用结构优化，提高土地资源利用效率，保护生态环境。

本研究旨在基于CLUE-S模型对柳州市2025年土地变化情景进行模拟分析，探讨土地利用变化的影响因素，并对未来土地利用发展趋势进行预测。

通过此研究，可以为柳州市未来土地利用规划和资源管理提供科学依据，推动城市可持续发展。

1.2 研究目的研究目的是通过基于CLUE-S模型的柳州市2025年土地变化情景模拟分析，探讨未来土地利用变化的趋势和影响因素，为柳州市未来土地规划和管理提供科学依据。

通过对现有土地利用情况的分析，结合CLUE-S模型的预测能力，预测未来几年内柳州市土地利用的变化情况，探索土地利用变化的动态过程和发展趋势。

基于CLUE-S模型的煤矿城市土地利用变化模拟赵明松;徐少杰;邓良;刘斌寅;王世航;吴运金【期刊名称】《农业机械学报》【年(卷),期】2022(53)5【摘要】以淮南市为研究区,选择1985、1995、2005、2016年土地利用数据,在分析土地利用动态变化特征的基础上,利用CLUE-S模型模拟预测了未来土地利用格局。

结果表明:1985-2016年,研究区耕地面积减少11.62%;建设用地和水体面积百分比分别增加7.98个百分点和4.29个百分点。

2005-2016年是各地类变化最强烈的阶段,其综合土地利用动态度最大,为13.46%。

建设用地变化速率最快,其土地利用动态度为5.19%。

土地转移主要发生在耕地、水体和建设用地之间,以耕地向建设用地和水体的转换为主。

耕地转为建设用地的面积达207.61 km^(2),新增水体集中分布在潘谢矿区。

加入空间自相关性和土壤质量因子后,耕地和建设用地的Logistics回归效果显著改善,ROC分别增加0.201和0.133。

年均降水量是影响耕地变化的主要驱动因子,与耕地分布概率呈负相关;而建设用地变化主要驱动因子为GDP。

土地利用模拟的Kappa系数为0.74,CLUE-S模型在研究区域具有较好的模拟能力。

运用CLUE-S模型预测了研究区2028、2034、2040年土地利用空间分布,未来土地利用空间分布格局总体上没有明显变化,各用地类型面积变化相对稳定。

【总页数】11页(P158-168)【作者】赵明松;徐少杰;邓良;刘斌寅;王世航;吴运金【作者单位】安徽理工大学空间信息与测绘工程学院;安徽理工大学矿山采动灾害空天地协同监测与预警安徽省教育厅重点实验室;安徽省地质测绘技术院;生态环境部南京环境科学研究所;国家环境保护土壤环境管理与污染控制重点实验室【正文语种】中文【中图分类】F301.24【相关文献】1.基于CLUE-S模型的矿业城市土地利用变化情景模拟2.基于CLUE-S改进模型和Markov模型的区域土地利用变化多情景模拟3.基于CLUE-S模型和Markov模型的土地利用变化模拟预测\r——以德阳市为例4.基于CLUE-S模型的干旱区典型绿洲城市土地利用变化时空动态模拟研究——以新疆奎屯河流域为例5.基于CLUE-S模型的京津冀城市群土地利用变化时空模拟因版权原因，仅展示原文概要，查看原文内容请购买。

基于CLUE-S模型的土地利用空间格局情景模拟——以忻州市忻府区为例引言土地利用空间格局在城市发展中起着至关重要的作用。

合理的土地利用空间布局可以有效提高土地资源的利用效率，推动城市可持续发展。

当前我国土地利用存在一些问题，如规划与实际情况不符、土地利用方式单一等。

通过模拟土地利用空间格局并进行科学规划具有重要的意义。

CLUE-S模型（Conversion of Land Use and its Effects at Small regional extent）是一种基于规则与随机过程的土地利用变化模拟模型，能够模拟土地利用变化，并对不同情景下的土地利用格局进行预测分析。

本文以忻州市忻府区为研究对象，使用CLUE-S模型模拟土地利用空间格局情景，希望通过研究能够为城市土地规划和管理提供科学依据。

一、忻府区概况忻府区位于山西省东南部，是忻州市政治、文化、经济中心，也是全市交通、商贸、金融、信息等综合服务中心。

忻府区地处长治平原腹地，平原面积占全区总面积的60%，土地肥沃。

区内气候温和，降水充沛，适宜农作物种植。

二、CLUE-S模型原理CLUE-S模型是从LULC模型（Land Use and Land Cover Change）发展而来的一种土地利用变化模拟模型。

其主要原理是基于土地资源的利用效率，通过对土地利用变化的影响因素进行模拟和分析，达到合理规划土地利用空间的目的。

CLUE-S模型考虑了土地利用变化的多重影响因素，如政策驱动力、经济驱动力、社会驱动力、自然驱动力等，从而较为全面地模拟了土地利用变化的复杂性。

通过对不同情景下的土地利用变化进行模拟，可以为城市土地规划和管理提供科学依据。

三、忻府区土地利用现状1. 忻府区总体土地利用现状根据忻府区《土地利用总体规划》，忻府区总面积为4000平方公里。

耕地面积约为2000平方公里，占总面积的50%；林地面积约为800平方公里，占总面积的20%；城镇建设用地面积约为600平方公里，占总面积的15%；草地面积约为400平方公里，占总面积的10%；其他用地面积约为200平方公里，占总面积的5%。

Friedrich-Alexander-UniversitätErlangen-NürnbergInstitut für deutsche Sprach-undLiteraturwissenschaftAbteilung für ComputerlinguistikJochen LeidnerEvaluating Taggers for English:Some Evidence16November1997 CLUECLUE–TR–971101c1997by Jochen Leidner.All rights reserved.Contents1Prologue3 2CLA WS44 3TreeTagger14 4The AMALGAM Project23 5The XEROX XRCE-Tagger31 6EngCG40 7Epilogue581Prologue To ease the task of systematic manual evaluation of the quality offive state-of-the-art programs for automatic morphosyntactic tagging in terms of correct-ness,the programs were confronted with the introduction of Douglas Adams’Hitchhiker’s Guide to the Galaxy,a work of present-dayfictional literaturewritten in British English.Restricting the analysis to the introduction was neccessary for two reasons,namely,(a)to avoid legal problems with respect to copyright,and(b)to keepthe samples handy because after a automatic tagging human correction will beneccessary to obtain a measure of correctness.The results reported below reflect the tagging quality of the candidate systemsas of Sunday,16,1997.None of the developers were informed about this testberforehand,so tuning with respect to the chosen sample is more than unlikely.The text(647W-units)wasfirst tokenized using a simple pre-processor devel-oped by Marco Zierl[Zie97],and the resulting verticalizedfile was then inputin locally installed versions of the programs,sent as electronic mail to auto-matic tagging services,or simply pasted in the windows of publicly accessibleWeb interfaces.For easier reference,the output was enriched with line numbers prefixed by asingle letter identifying the tagger:C stands for CLAWS4T stands for TreeTaggerA stands for AMALGAMX stands for Xerox XRCE-TaggerE stands for EngCG2CLAWS4 Introduction.CLAWS4is a Hidden-Markov tagger developed by Roger G.Garside at the Unit for Computer Corpus Research on Language(UCREL),Lancaster University[GLS87].It has been used to annotate the British Na-tional Corpus(BNC),a balanced collection of100million English words[LGB94].The developer mentions an average accuracy of96–97%on freetext.Applied to the BNC,approximate3.3%ambiguities remain unresolved dueto employment of some underspecified tags.The error rate for the BNC isclaimed to be about1.5%.1Tagset.The C7tagset comprising160tags used here was developed for usewith the training sample of the BNC.It can be found on UCREL’s Web pages.For easier reference,it is reprinted below:YEX punctuation tag-exclamation markYQUO punctuation tag-quotesYBL punctuation tag-left bracketYBR punctuation tag-right bracketYCOM punctuation tag-commaYDSH punctuation tag-dashYSTP punctuation tag-full-stopYLIP punctuation tag-ellipsisYCOL punctuation tag-colonYSCOL punctuation tag-semicolonYQUE punctuation tag-question markAPPGE possessive pronoun,pre-nominal(e.g.my,your,our)AT article(e.g.the,no)AT1singular article(e.g.a,an,every)BCL before-clause marker(e.g.in order(that),in order(to))CC coordinating conjunction(e.g.and,or)CCB adversative coordinating conjunction(but)CS subordinating conjunction(e.g.if,because,unless,so,for)CSA as(as conjunction)CSN than(as conjunction)CST that(as conjunction)CSW whether(as conjunction)DA after-determiner or post-determiner capable of pronominal function (such,former)DA1singular after-determiner(e.g.little,much)DA2plural after-determiner(e.g.few,several,many)DAR comparative after-determiner(e.g.more,less,fewer)DAT superlative after-determiner(e.g.most,least,fewest)DB before determiner or pre-determiner capable of pronominal function (all,half)DB2plural before-determiner(both)DD determiner(capable of pronominal function)(e.g any,some)DD1singular determiner(e.g.this,that,another)DD2plural determiner(these,those)DDQ wh-determiner(which,what)DDQGE wh-determiner,genitive(whose)DDQV wh-ever determiner,(whichever,whatever)EX existential thereFO formulaFU unclassified wordFW foreign wordGE germanic genitive marker-(’or’s)IF for(as preposition)II general prepositionIO of(as preposition)IW with,without(as prepositions)JJ general adjectiveJJR general comparative adjective(e.g.older,better,stronger)JJT general superlative adjective(e.g.oldest,best,strongest)JK catenative adjective(able in be able to,willing in be willing to)MC cardinal number,neutral for number(two,three..)MC1singular cardinal number(one)MC2plural cardinal number(e.g.sixes,sevens)MCGE genitive cardinal number,neutral for number(two’s,100’s) MCMC hyphenated number(40-50,1770-1827)MD ordinal number(e.g.first,second,next,last)MF fraction,neutral for number(e.g.quarters,two-thirds)ND1singular noun of direction(e.g.north,southeast)NN common noun,neutral for number(e.g.sheep,cod,headquarters) NN1singular common noun(e.g.book,girl)NN2plural common noun(e.g.books,girls)NNA following noun of title(e.g.M.A.)NNB preceding noun of title(e.g.Mr.,Prof.)NNL1singular locative noun(e.g.Island,Street)NNL2plural locative noun(e.g.Islands,Streets)NNO numeral noun,neutral for number(e.g.dozen,hundred)NNO2numeral noun,plural(e.g.hundreds,thousands)NNT1temporal noun,singular(e.g.day,week,year)NNT2temporal noun,plural(e.g.days,weeks,years)NNU unit of measurement,neutral for number(e.g.in,cc)NNU1singular unit of measurement(e.g.inch,centimetre)NNU2plural unit of measurement(e.g.ins.,feet)NP proper noun,neutral for number(e.g.IBM,Andes)NP1singular proper noun(e.g.London,Jane,Frederick)NP2plural proper noun(e.g.Browns,Reagans,Koreas)NPD1singular weekday noun(e.g.Sunday)NPD2plural weekday noun(e.g.Sundays)NPM1singular month noun(e.g.October)NPM2plural month noun(e.g.Octobers)PN indefinite pronoun,neutral for number(none)PN1indefinite pronoun,singular(e.g.anyone,everything,nobody,one) PNQO objective wh-pronoun(whom)PNQS subjective wh-pronoun(who)PNQV wh-ever pronoun(whoever)PNX1reflexive indefinite pronoun(oneself)PPGE nominal possessive personal pronoun(e.g.mine,yours)PPH13rd person sing.neuter personal pronoun(it)PPHO13rd person sing.objective personal pronoun(him,her)PPHO23rd person plural objective personal pronoun(them)PPHS13rd person sing.subjective personal pronoun(he,she)PPHS23rd person plural subjective personal pronoun(they)PPIO11st person sing.objective personal pronoun(me)PPIO21st person plural objective personal pronoun(us)PPIS11st person sing.subjective personal pronoun(I)PPIS21st person plural subjective personal pronoun(we)PPX1singular reflexive personal pronoun(e.g.yourself,itself)PPX2plural reflexive personal pronoun(e.g.yourselves,themselves) PPY2nd person personal pronoun(you)RA adverb,after nominal head(e.g.else,galore)REX adverb introducing appositional constructions(namely,e.g.)RG degree adverb(very,so,too)RGQ wh-degree adverb(how)RGQV wh-ever degree adverb(however)RGR comparative degree adverb(more,less)RGT superlative degree adverb(most,least)RL locative adverb(e.g.alongside,forward)RP prep.adverb,particle(e.g about,in)RPK prep.adv.,catenative(about in be about to)RR general adverbRRQ wh-general adverb(where,when,why,how)RRQV wh-ever general adverb(wherever,whenever)RRR comparative general adverb(e.g.better,longer)RRT superlative general adverb(e.g.best,longest)RT quasi-nominal adverb of time(e.g.now,tomorrow)TO infinitive marker(to)UH interjection(e.g.oh,yes,um)VB0be,base form(finite i.e.imperative,subjunctive)VBDR wereVBDZ wasVBG beingVBI be,infinitive(To be or not...It will be..)VBM amVBN beenVBR areVBZ isVD0do,base form(finite)VDD didVDG doingVDI do,infinitive(I may do...To do...)VDN doneVDZ doesVH0have,base form(finite)VHD had(past tense)VHG havingVHI have,infinitiveVHN had(past participle)VHZ hasVM modal auxiliary(can,will,would,etc.)VMK modal catenative(ought,used)VV0base form of lexical verb(e.g.give,work)VVD past tense of lexical verb(e.g.gave,worked)VVG-ing participle of lexical verb(e.g.giving,working)VVGK-ing participle catenative(going in be going to)VVI infinitive(e.g.to give...It will work...)VVN past participle of lexical verb(e.g.given,worked)VVNK past participle catenative(e.g.bound in be bound to)VVZ-s form of lexical verb(e.g.gives,works)XX not,n’tZZ1singular letter of the alphabet(e.g.A,b)ZZ2plural letter of the alphabet(e.g.A’s,b’s)Sample.C10000001002--------------------------------------------C20000003010Far93[RR/99]JJ/1C30000004010out93[RP/100]II%/0C40000005010in93[II/100]RP@/0C50000006010the93ATC60000007010uncharted93JJC70000008010backwaters93NN2C80000009010of93IOC90000010010the93ATC100000011010unfashionable06JJC110000012010end93[NN1/100]VV0/0C120000013010of93IOC130000014010the93ATC140000015010western03JJC150000016010spiral93[JJ/58]NN1/42VV0@/0C160000017010arm93[NN1/100]VV0%/0C170000018010of93IOC180000019010the93ATC190000020010Galaxy93NN1C200000021010lies93[VVZ/99]NN2/1C210000022010a93AT1C220000023010small93[JJ/100]RR%/0NN1%/0C230000024010unregarded05JJC240000025010yellow93[JJ/93]NN1@/7VV0%/0C250000026010sun03[NN1/100]NPD1%/0VV0%/0C260000027001.03.C270000028001--------------------------------------------C280000028010Orbiting06[VVG/96]NP1@/3NN1@/1JJ@/0 C290000029010this93[DD1/100]RG%/0C300000030010at93IIC310000031010a93AT1C320000032010distance93[NN1/100]VV0%/0C330000033010of93IOC340000034010roughly03RRC350000035010ninety-two93MCC360000036010million93NNOC370000037010miles93NNU2C380000038010is93VBZC390000039010an93AT1C400000040010utterly93RRC410000041010insignificant03JJC420000042010little93[JJ/73]RR/22DA1/5C430000043010blue93[JJ/96]NN1@/3VV0%/0C440000044010green03[JJ/72]NN1/28C450000045010planet03NN1C460000046010whose03DDQGEC470000047010ape-descended33[JJ/76]NN1/24C480000048010life93NN1C490000049010forms03[NN2/98]VVZ/2C500000050010are93VBRC510000051010so93[RG/91]RR/9CS@/0C520000052010amazingly93RRC530000053010primitive93[JJ/93]NN1/7C540000054010that97[CST/100]DD1@/0C550000055010they93PPHS2C560000056010still93[RR/100]JJ@/0NN1%/0C570000057010think93[VV0/100]NN1%/0C580000058010digital93JJC590000059010watches03[NN2/100]VVZ/0C600000060010are93VBRC610000061010a93AT1C620000062010pretty93[RG/76]JJ/24NN1%/0C630000063010neat93JJC640000064010idea03NN1C650000065001.03.C660000066001--------------------------------------------C670000066010This93[DD1/100]RG%/0C680000067010planet03NN1C690000068010has93VHZC700000069001-03-C710000070010or93CCC720000071010rather93[RR@/100]RG/0C730000072010had93[VHD/72]VHN@/28C740000073001-03-C750000074010a93AT1C760000075010problem03NN1C770000076001,03,C780000077010which93DDQC790000078010was93VBDZC800000079010this93[DD1/100]RG%/0C810000080001:03:C820000081010most93[DAT/99]RRT@/1RGT/0C830000082010of93IOC840000083010the93ATC850000084010people93NNC860000085010on93[II/100]RP@/0C870000086010it93PPH1C880000087010were93VBDRC890000088010unhappy03JJC900000089010for93[IF/100]CS%/0C910000090010pretty93[RG/100]JJ/0NN1%/0C920000091010much93[DA1/100]RR/0C930000092010of93IOC940000093010the93ATC950000094010time93[NNT1/100]VV0%/0C960000095001.03.C970000001002--------------------------------------------C980000003010Many98DA2C990000004010solutions98NN2C1000000005010were93VBDRC1010000006010suggested93[VVN/100]JJ@/0VVD/0C1020000007010for93[IF/100]CS%/0C1030000008010this93[DD1/100]RG%/0C1040000009010problem03NN1C1050000010001,03,C1060000011010but93CCBC1070000012010most93[DAT/100]RRT@/0RGT/0C1080000013010of93IOC1090000014010these93DD2C1100000015010were93VBDRC1110000016010largely03RRC1120000017010concerned97JJC1130000018010with97IWC1140000019010the93ATC1150000020010movements93NN2C1160000021010of93IOC1170000022010small93[JJ/100]RR%/0NN1%/0C1180000023010green03[JJ/70]NN1/30C1190000024010pieces93[NN2/100]VVZ%/0C1200000025010of93IOC1210000026010paper93[NN1/100]VV0%/0C1220000027001,03,C1230000028010which93DDQC1240000029010is93VBZC1250000030010odd93JJC1260000031010because93CSC1270000032010on96IIC1280000033010the96ATC1290000034010whole96NN1C1300000035010it93PPH1C1310000036010was>93VBDZC1320000036011n’t<03XXC1330000037010the93ATC1340000038010small93[JJ/100]NN1%/0RR%/0C1350000039010green03[JJ/70]NN1/30C1360000040010pieces93[NN2/100]VVZ%/0C1370000041010of93IOC1380000042010paper93[NN1/100]VV0%/0C1390000043010that93[CST/99]DD1/1RG%/0C1400000044010were93VBDRC1410000045010unhappy03JJC1420000046001.03.C1430000047001--------------------------------------------C1440000047010And93CCC1450000048010so93[RR/69]CS@/27RG/4C1460000049010the93ATC1470000050010problem03NN1C1480000051010remained03[VVD/69]VVN/31C1490000052001;03;C1500000053010lots03PNC1510000054010of93IOC1520000055010the93ATC1530000056010people93NNC1540000057010were93VBDRC1550000058010mean03[JJ/98]NN1@/1VV0/0C1560000059001,03,C1570000060010and93CCC1580000061010most93[DAT/99]RRT@/1RGT/0C1590000062010of93IOC1600000063010them93PPHO2C1610000064010were93VBDRC1620000065010miserable03JJC1630000066001,03,C1640000067010even93[RR/98]VV0%/2NNT1%/0JJ%/0 C1650000068010the93ATC1660000069010ones03NN2C1670000070010with93IWC1680000071010digital93JJC1690000072010watches03[NN2/99]VVZ/1C1700000073001.03.C1710000074001--------------------------------------------C1720000074010Many93DA2C1730000075010were93VBDRC1740000076010increasingly03RRC1750000077010of93IOC1760000078010the93ATC1770000079010opinion03NN1C1780000080010that97[CST/100]DD1@/0C1790000081010they>93PPHS2C1800000081011’d<03[VHD/47]VM/53C1810000082010all93[RR@/70]DB/30C1820000083010made97VVNC1830000084010a93AT1C1840000085010big93[JJ/100]RR%/0C1850000086010mistake03[NN1/100]VV0@/0C1860000087010in93[II/99]RP@/1C1870000088010coming03[VVG/100]NN1@/0JJ@/0C1880000089010down93[RP/100]NN1%/0II@/0JJ%/0VV0%/0 C1890000090010from93IIC1900000091010the93ATC1910000092010trees03NN2C1920000093010in93[II/100]RP@/0C1930000094010the93ATC1940000095010first93MDC1950000096010place93[NN1/96]VV0/4C1960000097001.03.C1970000001002--------------------------------------------C1980000003010And93CCC1990000004010some93DDC2000000005010said93[VVD/99]JJ%/1VVN@/0C2010000006010that93[CST/83]DD1/13RG%/3C2020000007010even93[RR/90]VV0%/8NNT1%/2JJ%/0C2030000008010the93ATC2040000009010trees03NN2C2050000010010had93[VHD/100]VHN@/0C2060000011010been93VBNC2070000012010a93AT1C2080000013010bad03[JJ/100]NN1%/0RR%/0C2090000014010move03[NN1/99]VV0/1C2100000015001,03,C2110000016010and93CCC2120000017010that93[CST/60]DD1/40RG%/0C2130000018010no97[PN121/100]RR%/0C2140000019010one97[PN122/100]MC1%/0C2150000020010should93VMC2160000021010ever93RRC2170000022010have98VHIC2180000023010left97VVNC2190000024010the93ATC2200000025010oceans93NN2C2210000026001.03.C2220000001002--------------------------------------------C2230000003010And93CJCC2240000004010then93AV0C2250000005001,03,C2260000006010one98CRDC2270000007010Thursday93NP0C2280000008001,03,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,03,C2580000038010one98CRDC2590000039010girl93NN1C2600000040010sitting03VVGC2610000041010on93PRPC2620000042010her97DPSC2630000043010own97DT0C2640000044010in93PRPC2650000045010a93AT0C2660000046010small93AJ0C2670000047010cafe93NN1C2680000048010in93PRPC2690000049010Rickmansworth93NP0C2700000050010suddenly03AV0C2710000051010realized93VVNC2720000052010what93DTQC2730000053010it93PNPC2740000054010was93VBDC2750000055010that93CJTC2760000056010had93VHDC2780000058010going93VVGC2790000059010wrong96AV0C2800000060010all93DT0C2810000061010this93DT0C2820000062010time93NN1C2830000063001,03,C2840000064010and93CJCC2850000065010she93PNPC2860000066010finally03AV0C2870000067010knew03VVDC2880000068010how93AVQC2890000069010the93AT0C2900000070010world93NN1C2910000071010could93VM0C2920000072010be93VBIC2930000073010made93VVNC2940000074010a93AT0C2950000075010good93AJ0C2960000076010and93CJCC2970000077010happy93AJ0C2980000078010place93NN1C2990000079001.03.C3000000080001--------------------------------------------C3010000080010This93DT0C3020000081010time93NN1C3030000082010it93PNPC3040000083010was93VBDC3050000084010right98AJ0C3060000085001,03,C3070000086010it93PNPC3080000087010would93VM0C3090000088010work97VVIC3100000089001,03,C3110000090010and93CJCC3120000091010no97PNI21C3130000092010one97PNI22C3140000093010would93VM0C3150000094010have98VHIC3160000095010to97TO0C3170000096010get97VVIC3180000097010nailed98VVNC3190000098010to93PRPC3200000099010anything93PNIC3210000100001.03.C3220000001002--------------------------------------------C3230000003010Sadly93RRC3240000004001,03,C3250000005010however97RRC3260000006001,03,C3270000007010before98CSC3280000008010she93PPHS1C3290000009010could93VMC3300000010010get97VVIC3310000011010to93[II/100]TO/0C3320000012010a93AT1C3330000013010phone93[NN1/100]VV0@/0C3340000014010to97TOC3350000015010tell97VVIC3360000016010anyone03PN1C3370000017010about98IIC3380000018010it93PPH1C3390000019001,03,C3400000020010a93AT1C3410000021010terribly03RRC3420000022010stupid03JJC3430000023010catastrophe93NN1C3440000024010occurred93[VVD/95]VVN@/5C3450000025001,03,C3460000026010and93CCC3470000027010the93ATC3480000028010idea03NN1C3490000029010was93VBDZC3500000030010lost93[VVN/99]JJ@/1VVD/0 C3510000031010forever93RTC3520000032001.03.C3530000033001--------------------------------------------C3540000033010This93[DD1/100]RG%/0C3550000034010is93VBZC3560000035010not97XXC3570000036010her93[APPGE/100]PPHO1/0 C3580000037010story03NN1C3590000038001.03.C3600000039001--------------------------------------------C3610000039010But96CCBC3620000040010it93PPH1C3630000041010is93VBZC3640000042010the93ATC3650000043010story03NN1C3660000044010of93IOC3670000045010that93[DD1/98]RG%/2CST/0 C3680000046010terrible93JJC3690000047010stupid03JJC3700000048010catastrophe93NN1C3710000049010and93CCC3720000050010some93DDC3730000051010of93IOC3740000052010its93APPGEC3750000053010consequences03NN2C3760000054001.03.C3770000055001--------------------------------------------C3780000055010It93[PPH1/100]NN1%/0C3800000057010also93RRC3810000058010the93ATC3820000059010story03NN1C3830000060010of93IOC3840000061010a93AT1C3850000062010book93[NN1/100]VV0%/0C3860000063001,03,C3870000064010a93AT1C3880000065010book93[NN1/100]VV0%/0C3890000066010called93[VVN/57]VVD@/43JJ%/0C3900000067010The93ATC3910000068010Hitch06[NP1/87]NN1/12VV0/0C3920000069010Hiker>55[NP1/99]NN1@/1C3930000069011’s<98GEC3940000070010Guide93[NN1/97]VV0/3C3950000071010to93[II/100]TO/0C3960000072010the93ATC3970000073010Galaxy93NN1C3980000074001-03-C3990000075010not93XXC4000000076010an93AT1C4010000077010Earth93NN1C4020000078010book93[NN1/100]VV0%/0C4030000079001,03,C4040000080010never93RRC4050000081010published93[VVN/85]VVD/15JJ@/0C4060000082010on93[II/97]RP@/3C4070000083010Earth93NN1C4080000084001,03,C4090000085010and93CCC4100000086010until93[CS/93]II@/7C4110000087010the93ATC4120000088010terrible93JJC4130000089010catastrophe93NN1C4140000090010occurred93[VVD/95]VVN@/5C4150000091001,03,C4160000092010never93RRC4170000093010seen93VVNC4180000094010or93CCC4190000095010heard93[VVD/55]VVN/45C4200000096010of93IOC4210000097010by93[II/100]RP%/0C4220000098010any93[DD/100]RR%/0C4230000099010Earthman06[NN1/98]NP1/2C4240000100001.03.C4250000001002--------------------------------------------C4260000003010Nevertheless93RRC4270000004001,03,C4280000005010a93AT1C4290000006010wholly93RRC4300000007010remarkable03JJC4310000008010book93[NN1/100]VV0%/0C4320000009001.03.C4330000010001--------------------------------------------C4340000010010In97IIC4350000011010fact97NN1C4360000012010it93PPH1C4370000013010was93VBDZC4380000014010probably03RRC4390000015010the93ATC4400000016010most97RGTC4410000017010remarkable97JJC4420000018010book93[NN1/100]VV0%/0C4430000019010ever93RRC4440000020010to97TOC4450000021010come97VVIC4460000022010out97[II21/100]RP@/0C4470000023010of97[II22/100]IO@/0C4480000024010the93ATC4490000025010great93[JJ/100]RR%/0C4500000026010publishing03[NN1/98]VVG/2C4510000027010houses03[NN2/99]VVZ@/1C4520000028010of93IOC4530000029010Ursa96NP1C4540000030010Minor96NP1C4550000031001-03-C4560000032010of93IOC4570000033010which93DDQC4580000034010no93[AT/100]RR%/0NN1%/0UH/0 C4590000035010Earthman06[NN1/55]NP1/45C4600000036010had93[VHD/100]VHN@/0C4610000037010ever93RRC4620000038010heard97VVNC4630000039010either03[RR/88]DD1/12C4640000040001.03.C4650000001002--------------------------------------------C4660000003010Not93XXC4670000004010only93[RR/90]JJ/10CS%/0C4680000005010is93VBZC4690000006010it93PPH1C4700000007010a93AT1C4710000008010wholly93RRC4720000009010remarkable03JJC4730000010010book93[NN1/100]VV0%/0C4740000011001,03,C4750000012010it93PPH1C4760000013010is93VBZC4770000014010also93RRC4780000015010a93AT1C4790000016010highly03RRC4800000017010successful03JJC4810000018010one93[PN1/97]MC1/3C4820000019001-03-C4830000020010more93[RGR/85]DAR/13RRR/2C4840000021010popular93JJC4850000022010than93CSNC4860000023010the93ATC4870000024010Celestial06[JJ/93]NP1/7C4880000025010Home93[NN1/95]RL/5C4890000026010Care93[NN1/83]VV0/17C4900000027010Omnibus93NN1C4910000028001,03,C4920000029010better93[JJR/90]RRR/9VV0%/0NN1%/0 C4930000030010selling03[NN1/96]VVG/4C4940000031010than93CSNC4950000032010Fifty93MCC4960000033010More93[DAR/100]RRR/0RGR/0C4970000034010Things93NN2C4980000035010to97TOC4990000036010do97VDIC5000000037010in93[II/98]RP@/2C5010000038010Zero93[MC/61]NN1/39VV0@/0C5020000039010Gravity93NN1C5030000040001,03,C5040000041010and93CCC5050000042010more93[RGR/88]DAR/9RRR/3C5060000043010controversial03JJC5070000044010than93CSNC5080000045010Oolon06[NP1/97]NN1/3C5090000046010Colluphid>06[NP1/96]NN1/4JJ/0C5100000046011’s<98GEC5110000047010trilogy06NN1C5120000048010of93IOC5130000049010philosophical03JJC5140000050010blockbusters04NN2C5150000051010Where93[RRQ/55]CS/45C5160000052010God93[NP1/99]NN1@/1C5170000053010Went96VVDC5180000054010Wrong96RRC5190000055001,03,C5200000056010Some93DDC5210000057010More93[DAR/100]RRR/0RGR/0C5220000058010of93IOC5230000059010God>93[NP1/99]NN1@/1C5240000059011’s<98GEC5250000060010Greatest93JJTC5260000061010Mistakes93NN2C5270000062010and93CCC5280000063010Who93[PNQS/99]NP1%/1C5290000064010is93VBZC5300000065010this93[DD1/100]RG%/0C5310000066010God93[NN1@/85]NP1/15C5320000067010Person93NN1C5330000068010Anyway93RRC5340000069001?03?C5350000001002--------------------------------------------C5360000003010In93[II/100]RP@/0C5370000004010many93DA2C5380000005010of93IOC5390000006010the93ATC5400000007010more93[RGR/92]DAR/7RRR/1C5410000008010relaxed03[JJ/100]VVD/0VVN@/0C5420000009010civilizations93NN2C5430000010010on93[II/100]RP@/0C5440000011010the93ATC5450000012010Outer93JJC5460000013010Eastern93JJC5470000014010Rim93NN1C5480000015010of93IOC5490000016010the93ATC5500000017010Galaxy93NN1C5510000018001,03,C5520000019010the93ATC5530000020010Hitch06[NP1/87]NN1/12VV0/0C5540000021010Hiker>55[NP1/99]NN1@/1C5550000021011’s<98GEC5560000022010Guide93[NN1/100]VV0/0C5570000023010has93VHZC5580000024010already93RRC5590000025010supplanted97VVNC5600000026010the93ATC5610000027010great93[JJ/100]RR%/0C5620000028010Encyclopedia06[NP1/92]NN1@/8C5630000029010Galactica06[NP1/93]NN1@/7C5640000030010as96[II/80]CSA/20RG%/0C5650000031010the93ATC5660000032010standard03[JJ/82]NN1/18C5670000033010repository93NN1C5680000034010of93IOC5690000035010all93[DB/100]RR@/0C5700000036010knowledge03NN1C5710000037010and93CCC5720000038010wisdom03NN1C5730000039001,03,C5740000040010for93[CS%/53]IF/47C5750000041010though93[CS/95]RR@/5C5760000042010it93PPH1C5770000043010has93VHZC5780000044010many98DA2C5790000045010omissions98NN2C5800000046010and93CCC5810000047010contains03VVZC5820000048010much93[RR/73]DA1/27C5830000049010that93[DD1/65]CST/35RG%/0C5840000050010is93VBZC5850000051010apocryphal93JJC5860000052001,03,C5870000053010or93CCC5880000054010at96RR21C5890000055010least96RR22C5900000056010wildly93RRC5910000057010inaccurate93JJC5920000058001,03,C5930000059010it93PPH1C5940000060010scores93[VVZ@/100]NN2/0C5950000061010over93[II/58]RP/42NN1%/0JJ%/0 C5960000062010the93ATC5970000063010older03JJRC5980000064001,03,C5990000065010more93[DAR/64]RGR/30RRR/6C6000000066010pedestrian93[NN1/68]JJ%/32C6010000067010work93[NN1/85]VV0/15C6020000068010in93[II/99]RP@/1C6030000069010two93MCC6040000070010important93JJC6050000071010respects93[NN2/99]VVZ/1C6060000072001.03.C6070000073001--------------------------------------------C6080000073010First96MDC6090000074001,03,C6100000075010it93PPH1C6110000076010is93VBZC6120000077010slightly93RRC6130000078010cheaper97JJRC6140000079001;03;C6150000080010and93CCC6160000081010secondly93RRC6170000082010it93PPH1C6180000083010has93VHZC6190000084010the93ATC6200000085010words03[NN2/100]VVZ%/0C6210000086010Do>93VD0C6220000086011n’t<03XXC6230000087010Panic93[NN1/95]VV0@/5C6240000088010inscribed93[VVN/90]VVD@/7JJ/4C6250000089010in93[II/96]RP@/4C6260000090010large93JJC6270000091010friendly03[JJ/93]NN1@/7C6280000092010letters03NN2C6290000093010on93[II/99]RP@/1C6300000094010its93APPGEC6310000095010cover93[NN1/100]VV0/0C6320000096001.03.C6330000001002--------------------------------------------C6340000003010But96CCBC6350000004010the93ATC6360000005010story03NN1C6370000006010of93IOC6380000007010this93[DD1/98]RG%/2C6390000008010terrible93JJC6400000009001,03,C6410000010010stupid03JJC6420000011010Thursday93NPD1C6430000012001,03,C6440000013010the93ATC6450000014010story03NN1C6460000015010of93IOC6470000016010its93APPGEC6480000017010extraordinary93JJC6490000018010consequences03NN2C6500000019001,03,C6510000020010and93CCC6520000021010the93ATC6530000022010story03NN1C6540000023010of93IOC6550000024010how93[RRQ/100]RGQ@/0C6560000025010these93DD2C6570000026010consequences03NN2C6580000027010are93VBRC6590000028010inextricably93RRC6600000029010intertwined93[VVN/94]JJ/4VVD@/1C6610000030010with93IWC6620000031010this93[DD1/98]RG%/2C6630000032010remarkable03JJC6640000033010book93[NN1/100]VV0%/0C6650000034010begins93VVZC6660000035010very93[RG/100]JJ@/0C6670000036010simply03RRC6680000037001.03.C6690000038001--------------------------------------------C6700000038010It93[PPH1/100]NN1%/0C6710000039010begins93VVZC6720000040010with93IWC6730000041010a93AT1C6740000042010house93[NN1/100]VV0@/0C6750000043001.03.。

基于CLUE-S模型的城市森林公园土地利用情景规划方法研究时宇;李明阳;杨玉锋;余超【期刊名称】《西北林学院学报》【年(卷),期】2014(029)005【摘要】由于地理位置特殊,景观尺度上的城市森林公园规划实质上是一个多目标的空间优化决策问题.以南京市紫金山森林公园为研究对象,在2005年地类分布格局的基础上,利用CLUE-S模型,预测2011年地类的空间分布,并构建2017年Markov型、结构优化型、城市扩张型3种土地利用情景方案,并对方案进行综合评价.结果表明:1)自然因子,尤其是海拔高度对地类分布起着主要影响;2)基于CLUE-S模型模拟的2011年研究区地类分布格局,与其实际地类分布格局的精度检验指数Kappa值为0.87,模拟效果理想;3)对3种预测情景的综合评价表明,结构优化型是研究区最为理想的发展模式,基于Markov模型所建立的情景规划方案的空间格局很不理想,城市扩张型综合评价性能居中.【总页数】6页(P163-168)【作者】时宇;李明阳;杨玉锋;余超【作者单位】南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037【正文语种】中文【中图分类】S759.91【相关文献】1.基于CLUE-S模型的矿业城市土地利用变化情景模拟 [J], 张丁轩;付梅臣;陶金;胡利哲;杨晓丽2.基于CLUE-S改进模型和Markov模型的区域土地利用变化多情景模拟 [J], 刘玉湖;张明;陈大凯3.基于CLUE-S模型的武汉市武昌区土地利用情景模拟研究 [J], 黄国平;索飞4.基于CLUE-S模型的土地利用空间格局情景模拟——以忻州市忻府区为例 [J], 朱小林; 郭青霞5.基于CLUE-S模型的矿业城市土地利用格局情景模拟 [J], 张博;雷国平;周浩;王蕊;董博文;张旭因版权原因，仅展示原文概要，查看原文内容请购买。

第28卷第4期2005年12月 辽宁师范大学学报(自然科学版)Journal of Liaoning Normal University(Natural Science Edition)Vol.28　No.4Dec.　2005 文章编号:100021735(2005)0420484204土地覆盖变化预测模型研究进展陈　莹1,　王国杰2(1.南京大学城市与资源学系,江苏南京　210093;2.中国科学院南京地理与湖泊研究所,江苏南京　210008)摘　要:根据模型对土地利用/覆盖变化机理的认知程度以及空间模拟能力,把常用预测模型分为3类:经验模型、机理模型和机理-时空模型,并按类别对国内外常用土地利用/覆盖变化预测模型做了评述,根据现有各类模型存在的缺陷和土地利用/覆盖变化预测对模型提出的需求,探讨了预测模型的发展方向,为今后我国L UCC的预测研究提供借鉴.关键词:L UCC;预测模型;经验模型;机理模型;发展方向中图分类号:P208 文献标识码:A土地利用/覆盖变化是全球变化的一个重要组成部分,模拟其发展变化趋势对于我们描绘未来全球变化情景并选择合理的适应策略具有重要意义.同时,土地利用/覆盖变化系统是一个多维动态复杂系统,鉴于其高维特征、区域特征与尺度特征,人们对其运行机制尚不明了.模型是对客观世界的抽象与概括,与客观世界相比,模型更易于确定和处理实际问题.目前,数学模型方法在土地利用/覆盖变化研究领域已经得到广泛应用,成为土地利用/覆盖变化客观规律不可或缺的认知手段和理论思维的有效形式.1　经验模型1.1　灰色数列预测模型灰色预测的理论与方法核心是灰色动态模型.灰色动态模型是以灰色生成函数概念为基础、以微分拟合为核心的建模方法.应用灰色生成函数对原始数据序列作一次累加,生成一条单调递增曲线,弱化其波动性,增强其规律性,易于函数拟合[1,2].运用灰色数列预测法进行L UCC预测,主要是采用GM(1,1)模型.模型的输入变量是某一土地利用类型的原始数据序列,输出变量是该土地利用类型的时序预测值.土地利用类型的原始数据序列,则其往往为一不平稳的随机数列.灰色系统理论进行数列预测时首先对其作一次累加生成处理,生成新数列x1(t)M t=1.生成数列的变化趋势可用微分方程d x(1) d t +ax(1)=u进行描述.建立该微分方程所对应的时间相应函数,即GM(1,1)模型x(1)(t+1)=[x(0)(1)-ua]e-at+ua对累加生成数列进行预测,求得生成数列的预测值x(1)(t),用还原函数x(0)(t)=x(1)(t)-x(1)(t-1)求出原始数列的还原值,即为我们所求的该种地类预测值.灰色数列预测方法简单,易于实现,而且对数据质量要求不高.缺点主要是只适用于短期预测,对于中长期预测有较大偏差.1.2　灰色系统综合预测模型土地利用系统内各种土地利用类型是相互关联、相互制约的,对系统整体的发展态势,可以进行灰色系统综合预测.灰色系统综合预测,是在分析与研究系统变量间相互关系的基础上,通过建立灰色动态模型群进行求解预测[3,4].一般而言,灰色系统综合预测主要按照以下程序进行:(1)以土地利用结构为系统变量,对变量间的关联作用做定性分析,深入了解系统的结构特征;(2)依据变量间的关联关系,分别建立GM(1,1)或GM(1,N)模型,组成GM模型群;(3)根据GM 模型群,列出系统状态方程矩阵并求解,获取系统各变量的时间响应函数;(4)对各时间响应函数的解作累减还原,即得所需预测值.收稿日期:2005209221基金项目:中国科学院知识创新重要方向性项目(KZCX32SW2331)作者简介:陈莹(19822),女,福建南平人,南京大学硕士研究生;王国杰(19762),男,山东潍坊人,中国科学院博士研究生.第4期陈　莹等:　土地覆盖变化预测模型研究进展485　1.3　马尔柯夫随机过程马尔柯夫过程是一种特殊的随机过程.这个随机系统的最大特点是在t +1时刻的状态只与t 时刻的状态有关而与以前的状态无关,这一特性用于土地利用变化的预测是合适的[5～7].成功地应用马氏模型的关键在于转移概率矩阵的确定.转移概率矩阵的每一项元素须满足2个条件:1)0≤P ij ≤1;2)∑nj Pij =1.根据马尔柯夫过程性质和条件概率的定义,运用马尔柯夫过程的基本方程P n ij =∑n-1k =0P ik P (n-1)kj =∑n-1k =0P (n-1)ik P kj ,求各年的土地利用类型转移概率矩阵P (n ),以及各种土地利用类型所占的比例,则可以模拟土地利用结构的动态演化情况.根据马氏过程稳定状态定义,稳定状态转移概率之值就是各土地利用类型达到相对稳定状态时所占的面积比例.马尔可夫转移概率模型一般把各地类之间的转移概率当作恒定值来处理.实际上,人类影响和当地政策往往打乱了土地利用变化原来自然演替规律,使之呈现复杂化和非线性化特点,各种土地利用类型之间的转入与转出概率会因时而变、因势而变.这种情况下,必须改变马尔可夫过程对初始转移概率矩阵依赖过强的状况,根据社会经济发展、自然环境的变迁及其他人为干扰因素的变化随时或者按照某种以时间为变量的函数调整各项转移概率[8],再通过马氏过程进行模拟,这样预测的结果会准确.2　机理模型2.1　多元回归模型回归分析是研究因变量与自变量之间变动比例关系的一种方法,最终结果是建立某种经验性回归方程.土地利用变化受自然、社会、经济、文化等多因子驱动,因而一般建立多元回归模型.回归预测的基础是回归方程自变量即土地利用变化影响因素的预测.可用于土地利用预测的多元回归模型包括多元线性回归模型和多元非线性回归模型[4]:2.1.1　多元线性回归模型　设Y 为某种土地利用类型的时序数据,X 为土地利用变化驱动因子时序数据,β为待估参数,n 为时间维数:Y =(y 1+y 2+L +y p )X =P 11　P 12　L P 1nP 21　P 22　L P 2nM M MP p 1　P n 2　L P pnβ=(β1+β2+L +βp则回归方程可以表述为:Y =βX +ε式中,ε为待估常数.把土地利用影响因子预测值带入回归方程,即可求得相应年份的土地利用数量.2.1.2　多元非线性回归模型　多元非线性模型比较复杂,目前尚未见到采用该种模型预测的案例.多元非线性模型一个比较可行的设想是采用柯布-道格拉斯方程(C.W.Cobd -P.H.Douglas Equation )拟合.该方程由美国数学家C.W.Cobd 和经济学家P.H.Douglas 提出[9],形如:y =ax b 11x b 2x L X bm m式中,y 表示某一类型的土地利用面积,x 1,x 2,…,x m 为土地利用影响因子,b 1,b 2,…,b m 为待估参数,a 为待估常数.拟合该模型的参数,一般是对方程两边取对数,转化为线性方程再拟合出各个参数的估计值.但是,由此得到的回归方程仅是原始数据变换后的最佳方程,而不是直接原始数据的最佳拟合方程,所得各个参数并非最优估计.为提高拟合精度,应该考虑采用非线性方法(如最小二乘法)直接求解.2.2　系统动力学预测模型系统动态学模型通过区域土地利用系统结构分析,选取适当因素建立它们之间的反馈关系,在此基础上建立一系列微分方程构建系统动态学方程,进而模拟和预测系统在不同参数和不同策略因素输入时的系统动态变化行为和趋势,实现区域土地系统的动态仿真,为决策者提供决策支持[10].利用系统动力学进行土地利用变化预测,一般要经过以下程序:(1)运用系统动力学理论与方法,对区域土地利用系统进行结构分析,把系统S 划分成p 个相互关联的子系统:S =S i ∈S |1-p ,式中,S 代表整个系统,S i (i =1,2,L ,p )代表子系统;(2)分析系统各要素功能(包括子系统及各参数),定性分析系统内部的反馈关系,建立系统动力学流图;(3)建立规范的数学模型,对各个子系统及母系统的结构与功能进行准确描述.反馈回路是系统动力学模型的基本结构.反馈回路由状态变量、速率变量和辅助变量等3种基本变量进行描述,并通过状态方程、速率方程与辅助方程对系统功能进行刻画;(4)以系统动力学的理论为指导,进行参数输入,模拟　辽宁师范大学学报(自然科学版)第28卷486预测;(5)对模型进行历史检验和参数灵敏性检验.系统动力学模型具有描述直观、参数物理意义明确等特点,所以它最适用于研究复杂系统的结构、功能与行为之间动态的辩证统一关系.研究者可以根据土地利用策略对系统动力学的输入变量进行控制、调整,实现政策模拟,所以在土地利用规划中得到广泛应用.2.3　人工神经网络预测模型人工神经网络(ANN)是20世纪80年代中期迅速兴起的一门非线性科学,它力图模拟人脑的一些基本特性,如自适应性、自组织性、容错性等,已在模式识别、数据处理及自动化控制等领域得到初步应用,取得较好效果[11,12].在模式分类和识别中,使用最多的人工神经网络模型是基于误差反向传播算法的B-P神经网络模型.该模型由具有多个输入节点的输入层,多个隐节点的隐层和多个或1个输出节点的输出层组成.BP网络包括输入层、输出层、一个或多个隐含层,每层含有多个神经元.各层之间以权值相连,每个神经元的初值定义为阈值.B-P网络是完成n维空间向量对m维空间的近似映照,这种映照通过神经元之间的连接权和阈值来实现的.我们对p个实际的映照对进行训练学习,其目的就是得到神经元的连接权W值和阈值θ.BP神经网络学习过程分为两个阶段,即信息的向前传播过程和误差的反向学习过程.输入信号首先以一定的初始权重向前传播到隐含层节点,经激励函数作用后,再把隐含节点的输出信号传播到输出节点,最后给出输出结果.误差的反向学习过程则是指,如果输出层的输出值与样本的期望值有误差,则该误差沿原来的连接通路反向传播,通过修改各层神经元的权值和阈值,使得误差变小,经反复优化,当误差值小于允许误差值时,网络的训练过程即可结束.BP神经网络模型把一组样本的输入与输出问题变为一个非线性优化问题,在输入变量与输出变量之间建立了一个高度非线性映射.神经网络通过在土地利用结构影响因子与土地利用结构之间建立非线性映射关系,实现土地利用结构的预测.3　机理—时空模型3.1　CA模型土地利用变化研究不仅要考虑其时间演变特征,也应该考虑其空间流动特征.而目前采用的大多数土地利用预测模型仅考虑时间特征,对其空间演变特征则无能为力.作为复杂系统研究重要方法的地理元胞自动机模型,不同于分形等研究复杂系统的模型方法,它在地理学中应用的核心并不是描述和解释各种地理现象的复杂特征,而是模拟和预测复杂的地理过程.它不仅具有时间特征,且具有空间模拟能力[13,14].CA模型没有一个既定的数学方程,只是一个建模原则,因此具有很好的开放性和灵活性.元胞自动机的最基本的组成单元就是元胞(Cell)、元胞空间(lattice)、邻居(neighbor)及规则(rule).元胞自动机可以视为由1个元胞空间和定义于该空间的变换函数所组成.标准的元胞自动机1个四元组,其可表示为:A=(d,S,N,f),这里A代表1个元胞自动机系统;d是一正整数,表示元胞自动机的维数;S是元胞的有限的、离散的状态集合;N表示1个所有邻域内元胞的组合(包括中心元胞),即包含n个不同元胞状态的1个空间矢量,记为:,n为元胞的邻居个数,f表示将映射到上的1个局部转换函数.所有细胞是相离的,构成1个细胞空间;在某一时刻1个细胞只能为一种状态,且该状态取自1个有限集.邻域是元胞周围按一定形状划定的细胞集合,它们影响细胞下一个时刻的状态;细胞规则定义了细胞状态转换的规则.CA模型是一个基于微观个体相互作用的时空动态模拟模型,将地理实体的空间和时间特性统一在模型中,通过划分研究对象的细胞空间和研究初始状态及状态转换规则,CA模型就可以自行迭代运算,模拟系统演化过程.将CA与GIS集成,是CA与GIS发展的一个重要趋势.CA模型和GIS的集成,一方面增强了GIS的时空动态建模功能,将CA作为动态空间模拟的一种框架纳入GIS分析中;另一方面,GIS提供的强大空间数据处理能力可以为CA模型准备数据和定义有效的细胞转换规则以及对模拟结果进行可视化,方便CA模型的校验和决策支持[15].基于GIS的CA模型,目前主要应用于城市空间生长的研究.在土地利用/覆盖变化系统预测方面,阎金凤[16]、陈龙泉[6]等作出了可贵的尝试.3.2　C L UE-S模型CL U E2S模型基于土地覆盖变化空间动力机制模拟近期土地覆盖变化的时空特征,同时也考虑了不同土地利用类型之间的竞争关系.CL U E2S模型由空间与非空间两个模块组成,总体执行3个过程[17,18]:(1)非空间模块在辨识土地利用变化驱动因子的基础上对各种土地利用类型未来消长状况进行逐年预测,为空间模块提供输入变量;(2)空间模块基于栅格系统构建,其主要功能是在经验分析和空间变异分析的基础上探索土地利用空间格局与土地利用动力因素和限制因子之间的关系,运用逻辑斯蒂逐步回归模型对各种土地利用类型在每个栅格单元内的概率适宜性作出评价;(3)然后在综合分析研究初期土地利用空间格局与适应性概率的基础上对土地利用变化数量模拟值进行空间分配.实践证明,CL U E-S模型能够有效地模拟土地覆盖变化的时空动态格局,在土地生产潜力评估和土地利用规划方面具有良好的应用前景,也是当前最有推广价值的模型.　第4期陈　莹等:　土地覆盖变化预测模型研究进展487 4　L UCC预测模型研究未来发展方向L UCC预测摸型研究未来的发展方向主要包括:(1)增强空间模拟能力与多尺度融合特征;(2)深入揭示土地利用/覆盖变化动力机制;(3)增强与外部模型的兼容性;(4)加强现有L UCC预测模型的融合;(5)注重模型可操作性.L UCC 模型研究涉及自然和人文等多方面的问题,需要跨学科的综合研究.目前已有自然科学、社会科学多方面的学者参与到L UCC模型研究中来,使之出现了多学科融合的发展趋势.随着研究的深化,多学科发展的趋势将更为明显.不同学科的研究者基于不同的专业视角采取不同的研究方法、不同的数据和建模标准,建立不同模拟模型,这虽然有利于L UCC模型的多角度研究,却给模型的应用设置了过高的专业门槛,不利于模型的推广使用与进行模型对接.所以,建模过程中应注意降低其专业门槛与技术难度.参考文献:[1]　贾宏俊,万荣荣.灰色系统在耕地预测中的应用—以芜湖市为例[J].地域研究与开发,2002,21(4):55259.[2]　王秀兰,包玉海.土地利用动态变化研究方法探讨[J].地理科学进展,1999,18(1):81287.[3]　晏路明.区域粮食总产量预测的灰色动态模型群[J].热带地理,2000,20(1):53257.[4]　邓聚龙.灰色预测与决策[M].武汉:华中理工大学出版社,1986.1252134.[5]　王铮,吴健平,邓悦,等.城市土地利用演变信息的数据挖掘—以上海市为例[J].地理研究,2002,21(6):6752681.[6]　陈龙泉,郑海金.基于Markov-CA的土地利用/土地覆盖变化动态模型研究[J].测绘信息与工程,2004,29(1):36238.[7]　韦素琼,陈健飞.福建省土地利用动态变化及趋势预测[J].福建师范大学学报(自然科学版),2003,19(4):85291.[8]　曾辉,高凌云,夏洁.基于修正的转移概率方法进行城市景观动态研究—以南昌市区为例[J].生态学报,2003,23(1):220122209.[9]　刘德学,樊治平.国外资源对经济增长贡献的测算模型与应用[J].东北大学学报(自然科学版),2000,21(2):2142217.[10]　赵庚星,王人潮,尚建业.黄河三角洲垦利县土地利用的系统动力学仿真模拟研究[J].浙江农业大学学报,1998,24(2):1412147.[11]　黎夏,叶嘉安.基于神经网络的单元自动机CA及真实和优化的城市模拟[J].地理学报,2002,57(2):1592166.[12]　李双成,郑度.人工神经网络模型在地学研究中的应用进展[J].地球科学进展,2003,18(1):68276.[13]　孙战利.空间复杂性与地理元胞自动机模拟研究[J].地球信息科学,1999,1(2):32237.[14]　崔伟宏,张显锋.土地资源的动态监测和动态模拟研究[J].地球信息科学,2002,2(1):79285.[15]　张山山.基于CA的时空过程模拟建模方法[J].武汉大学学报(信息科学版),2004,29(2):1752178.[16]　阎金凤,陈曦.基于GIS的干旱区L UCC分桥和模拟方法探讨[J].干旱区地理,2003,26(2):1852191.[17]　张永民,赵士洞,V ERBU R G P H.CL U E2S模型及其在奈曼旗土地利用时空动态变化模拟中的应用[J].自然资源学报,2003,18(3):3102318.[18]　V ERBU R G P H,SO EPBO ERrW,V ELD A,et al.Modeling t he spatial dynamics of regional landuse:t he CL U E-S Model[J].En2vironment Management,2002,30(2):3912405.Progress of the R esearch in L UCC Forcasting ModelsC H EN Y i ng1,　WAN G Guo2j ie2(1.Urban and Resource Science Depart ment,Nanjing University,Nanjiang210093,China;2.Nanjing Instit ute of Geography and Limnology,CAS,Nanjing210008,China)Abstract:The paper divides t he L UCC forcasting models into t hree categories:empirical,dynamic and dynamic2spatial models.Empirical models mainly include grey dynamic models and markov chain mod2 el,which work basing on historical data.Dynamic models include linear regression model,non2linear regression model,system dynamic model and artificial neural network model,and so on,which are deduced f rom L UCC dynamics.Typical dynamic2spatial models in use are Geo2CA model and CL U E2S model.Such models can not o nly reveal t he dynamic characteristics of L UCC,but perform spatial simulation,as is t he develop ment tendency of L UCC forecasting models.Five suggestio ns are p ut for2 ward for L UCC model develop ment in f ut ure.Key words:L UCC;forecasting model;empirical model;dynamic model;develop ment tendency。