练习数据请去微信公众号 生态遥感前沿获取。
第一期、第二期、第三期，第四期都有提到整个过程：土地需求预测—在用地扩张分析策略中获取土地发展概率—将各种参数设定在基于多类随机斑块种子的CA模型中运行。可以说我们目前已经把PLUS模型过程讲完了，之后就是根据实际情况进行调整。本期内容的主要是分享一下模型中的一些细节。（如何评价精度我就不细说啦！）本期主要介绍一下常见的多情景设置类型。
PLUS模型教程四：基于多类随机斑块种子的CA模型（CARS）
空间约束的多情景设置
空间约束的多情景设置是指在不同情景中，未来各地类土地数量都是一致的，只是在空间位置上有所不同。那未来土地数量通过历史趋势预测、Markov-chain预测，其他的调整参数主要是改变空间转移矩阵（地类间是否能发生转化），或者是使用限制图层进行限制。例如：
欧阳晓,贺清云,朱翔.多情景下模拟城市群土地利用变化对生态系统服务价值的影响——以长株潭城市群为例[J].经济地理,2020,40(01):93-102.（模型为FLUS）
在该文中，三种情景分别是：
情景一：基准情景。基准情景是城市群基于1995—2015年土地利用变化规律，按照目前的城市化发展模式，不设定各类型用地之间相互转换的限制条件以及未涉及政府和市场干预的变化情景，是城市群土地利用变化模拟考虑其他约束条件的基础。
情景二：耕地保护情景。基本农田的质量和数量关系国家的粮食安全，因而土地利用变化模拟需要在基准情景下加入耕地保护的理念。对城市群的耕地进行保护，严格控制基本农田转为其他类型用地，以防止城市化进程中基本农田被其他用地侵占，从而控制基本农田的总量，为城市群在保护基本农田的前提下进行未来城市群区域规划提供参考。
情景三：生态保护情景。类似于耕地保护情景，在基准情景中加入生态保护的因素。
那是如何实现的呢？相关参数设置：实际上就是在Transtion Matrix模块中进行修改：
小结：
利用转移成本矩阵进行约束是有利有弊的：
首先，这种设置最方便也最主观！（方便就是优势！！）仅用空间约束的多情景设置是指在不同情境中，未来各地类土地数量都是一致的，只是在空间位置上有所不同，这样出现特别是计算生态环境某些指标（例如生态系统服务价值），其总值是不变的，只是空间分布上有所不同。假如不同情境中确实出现了地类有所不同，那主要是由于配置的某一类用地斑块数量总是达不到设置的需求地块数而导致的。
其次，在大区域尺度下使用这种约束往往会造成结果的不准确。比如一个很大的区域（包括了城镇快速发展地区和农业保护地区），万一城镇快速发展地区周边土地都是耕地，完全限制耕地会使得城镇快速发展地区很难发展。此外，完全限制住耕地是很困难的，为了兼顾建设占用和耕地保护双重任务，我国设立了耕地占一补一，即“耕地占补平衡”制度，如果只限制基本农田，不设置其他农田，其实也是可以的。
最后，不是说这样的设置不好，只是不适用于大区域地区，因为你得区别不同地区的情况，用一个限制情况同时衡量城镇快速发展地区和农业保护地区是很难的，如果能在不同区域进行不同的限制，我觉得会更科学。
数量约束的多情景设置
数量约束的多情景设置是指在不同情境中，未来各地类土地数量都是不同的。实现这样的方法有很多，例如Markov-chain法进行调整，多目标规划法和系统动力学等等。
1. Markov-chain法（常规调整版）
其中，利用Markov设置土地数量是最最最常见的，例如：
李琛,高彬嫔,吴映梅,郑可君,武燕.基于PLUS模型的山区城镇景观生态风险动态模拟[J].浙江农林大学学报,2022,39(01):84-94.
在该文中，三种情景分别是：
那这样的设置是如何实现的？这一部分是在数量模块进行调整，利用Excel实现，事实上不在PLUS模型上计算出来，只是PLUS模型可以把握不同情景数量的土地空间化。这种设置是基于土地利用转移概率进行设置的，是在转移概率的基础上提高某一类用地的转移概率，同时再降低其他用地的转移概率，保证所有土地总概率为1的情况下完成的，利用Excel可以完成。
在这里，我要先说Markov方法的局限性（因为后面讲了一下怎么实现）：事实上，土地利用变化特征也有较为明显的马尔科夫特征。但并不意味着马尔科夫模型就是完美的，模型事实上并未考虑社会经济发展对土地利用的情况，也没有考虑不同生产部门对土地的需求，且若是不同时段内发展土地变化速度有较大差异，预测的结果也有很大的差异。说人话就是，你为什么增加20%？这20%太主观了！！有幸参加了中国地理学会山地分会2021年学术年会，我汇报的就是（基于PLUS模型的山区城镇景观生态风险动态模拟），四川师范大学的彭立老师给我们提的建议是基于Markov-chain方法设定多种情景是很主观的，相比而言，系统动力学和线性规划方法可能会更客观一些。但是，以上两种方法均需要收集不少时间序列社会经济数据进行分析，而Markov-chain方法可以用较少的数据也进行预测。
实现过程：
我们用这样的思路，同时设置一下我们的昆明市：
情景一：自然发展情景（就是Markov模型不变的情况下默认为自然发展情景）
情景二：城镇发展情景（耕地、林地、草地、灌木地向人造地表概率增加20%，人造地表向除耕地外的其他景观类型转移概率降低30%）
这里只设置两种情景，其他情景和这个思路大差不差。
情景一：自然发展情景
（1）Markov-chain模型是将某一刻的土地类型对应于马尔科夫过程中可能的状态，它只于其前一时刻的土地利用类型有关，而土地利用类型之间相互转移的面积数量或比例即状态转移概率。
什么意思呢？
例如：昆明市2010-2020年土地利用面积转移矩阵为：
那么土地利用类型之间相互转移的面积数量或比例即状态转移概率：即2010某类用地转移到2020年某类地类的面积，占2010年某类用地总面积的百分比（横着除）：
得出转移概率：
实际上，在PLUS模型将结果保存在Parameterfile文件夹中的MakovChain.csv中也有，和我们算出来是一样的：
那为什么要算一下这个东西呢，说明2010年的土地面积乘以2010-2020的转移概率等于2020年的土地面积！（这个很重要）
那我们如何预测呢？我们假设2020-2030的土地转移概率和2010-2020的转移概率相同时，是自然发展情景，那么！我们只用2020的土地面积乘以2020-2030的土地转移概率（默认和2010-2020的转移概率一致），就可以算出未来土地利用面积！
实际上，你算出来就和模型算出来的一致！
当你算出这一步的时候，调整概率对于你来说，就快成功了！
这个2030年的数量，就是自然发展情景的数量。
情景二：城镇发展情景（耕地、林地、草地、灌木地向人造地表概率增加20%，人造地表向除耕地外的其他景观类型转移概率降低30%）
重点的来啦！
我们注意一下，首先：概率增加20%不是直接加上0.2，这样是不合理的（反思一下还是觉得不合理），就是说明概率增加20%是乘1.2！！！
注意，所有概率增加减少的关系都是乘！！！！！（因为我觉得加上去肯定都不河狸！）
当你乘了之后，你就会发现，啊这总概率就不等于1了！！
那如何将概率调整为1呢？我讲一个非常简单的方法，我们目前有7种土地，概率按顺序分别为P1~P7。
以耕地为例进行调整，假设耕地转移到其他土地的概率同时变化X，耕地向人造地表概率增加20%时，概率为1！则可以设方程为：
（横着看，一定要分请时间前后）P1-1是指耕地转为耕地的概率，P1-2是耕地转为林地的概率，以后同理！我们求出X就可以了！！
求出X后，直接乘以P概率就行！！
所有土地均同理！！
就这样就求出来了！
然后，用2020 的土地利用面积（栅格数量），乘以2020-2030年的城镇发展情景下的概率：
之所以有个调整一下，主要是栅格数量一定是整数，且区域栅格总数不会变！
对比一下两种情景的土地：
城镇发展情景下，人造地表的数量显著增加（这不废话嘛），但是可以看出，土地数量发生了明显的变化，也符合城镇发展情景要求。
然后，依据不同的未来土地数量，输入到Land Demands土地需求，就是不同的情景！
（那个什么生态情景，自己算一下吧，反正思路差不多，我就偷懒了）
2. Markov-chain法（权重设置版）
这个就比Markov-chain法（常规调整版）要方便一些，不过也是主观设置！
文献：
孙定钊,梁友嘉.基于改进Markov-CA模型的黄土高原土地利用多情景模拟[J].地球信息科学学报,2021,23(05):825-836.
3. 多目标规划法
设定多种约束函数，最后求出。利用lingo或MATLAB均可以实现：
比如文献：
Li C, Wu Y, Gao B, et al. Multi-scenario simulation of ecosystem service value for optimization of land use in the Sichuan-Yunnan ecological barrier, China[J]. Ecological Indicators, 2021, 132: 108328.
文献中：
生态优先情景、生态与经济协调发展情景均是利用多目标规划计算。利用lingo或MATLAB均可以实现，我就推荐几篇论文起抛砖引玉的作用：
Liang X, Guan Q, 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[J]. Computers, Environment and Urban Systems, 2021, 85: 101569.
Li C, Wu Y, Gao B, et al. Multi-scenario simulation of ecosystem service value for optimization of land use in the Sichuan-Yunnan ecological barrier, China[J]. Ecological Indicators, 2021, 132: 108328.
曹帅,金晓斌,杨绪红,孙瑞,刘晶,韩博,徐伟义,周寅康.耦合MOP与GeoSOS-FLUS模型的县级土地利用结构与布局复合优化[J].自然资源学报,2019,34(06):1171-1185.
2.4. 系统动力方法
系统动力学可以直接修改相关参数，例如人口增长率，GDP增长率等参数来推断用地需求，进而不同情景的人口增长率，GDP增长率是不同的，因此设定不同情景。
Liu X, 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[J]. Landscape and Urban Planning, 2017, 168: 94-116.
曹祺文,顾朝林,管卫华.基于土地利用的中国城镇化SD模型与模拟[J].自然资源学报,2021,36(04):1062-1084.
小结：以上的这些方法，都是数量约束的多情景设置。小结一下：数量约束的多情景设置在不同情景下用地需求不同，也更加河狸一些。例如一般而言，城镇发展情景的生态效益较低，但经济效益较高，生态情景下的生态效益较高，但经济效益较低。然而是还是有利有弊，比如Markov方法很主观、多目标优化法事实上忽略了同种用地的异质性，系统动力学法依旧属于趋势预测的范畴，优化作用不够明确。
数量预测的过程可以通过马尔科夫链（Markov chain）方法、系统动力学（system dynamics）方法、线性规划（Linear programming）方法等等等等，总之非常多，不同方法有不同方法的优势和劣势，但是这些方法有的可以称为土地利用预测，有的可以称为土地利用优化，预测和优化的区别在哪儿呢？预测一般是基于过去趋势和格局外推获取未来的土地数量，优化一般是，在一定约束条件下，把土地资源配置给效益较高的用地部门，以提高土地利用的总体效益，需要有确定优化目标和优化模型。好的，区别一张表进行解释：
（文献来源：李鑫,李宁,欧名豪.土地利用结构与布局优化研究述评[J].干旱区资源与环境,2016,30(11):103-110.）
数量和空间均约束
在情景设置中，不仅数量上给设置设置，我空间上也设置设置。就是结合一下，比如数量上进行了多情景设置，空间上调一下转移成本矩阵，领域权重什么的！（但是还是主观），主要是在大区域模拟中，不同的子区域情况不同，大区域模拟是不是分成小区域先模拟后合并要更科学一些？
整几篇参考文献大家参考参考吧：
喇蕗梦,勾蒙蒙,李乐,王娜,胡建文,刘常富,肖文发.三峡库区生态系统服务权衡时空动态与情景模拟：以秭归县为例[J].生态与农村环境学报,2021,37(11):1368-1377.
Wang Y, Li X, Zhang Q, et al. Projections of future land use changes: Multiple scenarios-based impacts analysis on ecosystem services for Wuhan city, China[J]. Ecological Indicators, 2018, 94: 430-445.
因为本身多情景设置主观性较大，设置的越多主观性越大，再加之如果大区域模拟过程中，子区域的差异其实很难体现，总之选择适合自己研究的是最好的！
我计划的5期PLUS模型教程就全部讲完啦！由于自己水平有限，难免出错，也请各位专家、同学批评指正。希望自己写的教程能给大家一些帮助！也希望大家多多运用PLUS模型写出更多优秀的文章！
练习数据获取
把公众号设为星标后，后台回复模型数据即可。
2514
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
