以下文章来源于区域经济 ，作者李光辉 研读
考虑城市发展可持续性的土地利用优化和模拟新方法-中国博尔塔拉的案例研究
文献来源：Ziyao Wang, Yu Gao, Xiangrong Wang, Qing Lin, Liang Li,A new approach to land use optimization and simulation considering urban development sustainability: A case study of Bortala, China,Sustainable Cities and Society,Volume 87,2022,104135,ISSN 2210-6707,https://doi.org/10.1016/j.scs.2022.104135.
一、引言
拥有充足的自然资源和健康的生态系统是维持社会经济发展的基础。随着人口的快速增长和经济发展，人类消耗的自然资源超过了生态系统的承受能力。这种不平衡会导致许多严重的生态问题，例如全球变暖、城市热岛效应、空气质量恶化和生物多样性下降。可持续发展作为一种理想的发展模式，已成为世界各国普遍接受的发展战略。中国作为世界上最大的发展中国家，在过去40年中经历了快速的经济发展，城市化进程也在加速。一方面增加了资源消耗和碳排放，给资源和环境带来了巨大压力；另一方面，它也促进了资源利用效率的提高和绿色技术的发展，对遏制环境的恶化起到一定的作用。时间序列分析和生态足迹（EF）预测不仅可以动态评估当地EF趋势的历史演变，还可以为未来的城市化进程和可持续城市发展提供前瞻性指导.
二、研究区
博尔塔拉位于新疆维吾尔自治区西北边缘，地处欧亚大陆腹地，西北干旱区，西、北、南三面环山属北温带大陆性干旱气候，总面积24896 km2 ，被誉为“西北第一门户”。
近年来，随着城市化的快速发展，水土资源的过度集约开发破坏了自然生态平衡，严重干扰了绿洲生态系统的可持续发展，加剧了土地沙化和盐渍化，植被生态退化，生态环境普遍恶化。因此，通过生态足迹评估和预测，合理配置有限的土地资源，对该地区未来规划政策的制定和可持续发展目标的实现大有裨益。
Fig. 1. Location of the study area and LULC in 2020.
三、数据来源
生态足迹模型使用的统计数据来自《新疆统计年鉴》和《博尔塔拉统计年鉴》。本研究选择的生态足迹评价指标如表1所示。
LULC数据来源于中国资源与环境科学数据中心，空间分辨率为30m。驱动因子数据包含多种类型的数据：DEM高程数据来自地理空间数据云平台，空间分辨率为30m；从中国基础地理数据库中提取矢量数据（居民点、铁路、河流和水体）；其他数据，如社会经济数据（GDP和人口密度）和自然环境数据（温度、降水、干旱、土壤类型和侵蚀强度），来自中国资源与环境科学数据中心，空间分辨率为1km。
四、研究方法
1、生态足迹模型
生态足迹模型将人类对自然资源的需求和生态系统的供应能力转化为相应的生物生产土地面积（包括耕地、林地、草地、水域、建设用地和化石能源用地）。在计算生态承载力（EC）时，世界环境与发展委员会（WCED）提议必须留出12%的土地用于生物多样性保护。
生态赤字（ED）是EF和EC之间的差异。如果EC>EF，则意味着研究区域具有生态盈余，即生态承载能力可以维持人口和经济发展的需求，并且该地区的城市发展是可持续的。如果EC ，则研究区存在生态缺陷，生态承载能力无法满足其人口和经济发展的需要。在这种情况下，生态环境的安全受到威胁，可持续性很差。< span> ，则研究区存在生态缺陷，生态承载能力无法满足其人口和经济发展的需要。在这种情况下，生态环境的安全受到威胁，可持续性很差。<>
EF、EC 和 ED 的计算公式如下：
其中EF是总生态足迹；N 是研究区域的总人口；ef是人均生态足迹；j表示 LULC 类型；rj是 LULC 类型 j 的平衡因子； i 表示消耗项目类型；Ci是人均消费量消费项目类型我；Yi是项目类型 i 的全球平均产量；EC是总生态承载能力；ec是人均生态承载能力；yj是LULC型的生产要素j；一个j是 LULC 型 j 的人均面积；ED是总的生态赤字；ed是人均生态赤字。
2、模型调整
传统的生态足迹模型在计算化石能源土地的EF和EC方面存在缺陷。化石能源土地是虚拟土地，因此，它们没有反映在当前的土地规划中由于化石能源消耗以碳排放为主，本研究根据相关的碳足迹研究调整了模型。调整后的化石能源用地EF和EC计算公式为：
其中CE和CS分别为总碳排放量和总碳封存量；Qe我是终端消耗的能源类型我；硒我是能量类型的标准换向因数我；德我是能源类型的碳排放系数我；一个f是林地面积；一个g是草地面积；CEF和CEC分别是化石能源土地的EF和EC；Pf和Pg是林地和草地的全球碳固存比率，分别为0.1728和0.8272（Watson等人，2000年）；棉 结f和棉 结g分别是林地和草地的固碳能力（Xie，2008）；rf和yf是林地的均衡因子和产量因子；和rg和yg是草地的均衡因子和产量因子。
3、反向传播神经网络
BPNN是一种广泛使用的神经网络，最初由Rumelhart和McClelland于1986年开发。它是一个使用误差反向传播算法的多层前馈网络。它由三部分组成：输入层，隐藏层和输出层。本研究采用包含3个隐藏层的2000层BPNN构建EF时间序列预测模型。我们使用 2020 年至 2030 年研究区域的 EF 测量结果来预测 2018 年的 EF 值。在BPNN模型中，正确确定输入层和隐藏层中的神经元数量至关重要。因此，我们使用重复实验和比较的数据来确定用于EF预测的输入层和隐藏层中神经元的最佳数量为6和3，即在这种情况下应使用6-1-3 BPNN结构进行EF预测。
4、多目标遗传算法
本研究设计了两种不同的未来发展情景，即自然发展（ND）情景和LULC优化（LO）情景。ND情景利用土地利用类型的历史转移规则，基于马尔可夫模型预测2030年的LULC结构。LO 方案使用每个 LULC 类型的面积作为自变量 x (x1-6分别为耕地、林地、草地、水域、建设用地和未利用地）。利用MOGA模型构建生态可持续性和经济发展方面的目标函数，以优化2030年研究区域的LULC结构。
(1)生态可持续性目标
minF1是生态赤字最小化的目标；EF2030是BPNN算法预测的2030年博尔塔拉EF值；EC2030是 2030 年的 EC 值。
(2) 经济发展目标
maxF2是经济效益最大化的目标；xi是 LULC 类型 i 的区域；和Ei是LULC类型i的经济效率系数，即土地利用类型i每单位面积产生的经济效率。
(3) 约束
为确保未来多种情景下的LULC变化符合自然发展规律和政府规划预期，我们利用不同LULC类型的发展趋势，结合ND情景下LULC区域的预测值和博尔塔拉地区空间总体规划（2020-2035）构建了MOGA模型的约束条件。
(4) 遗传算法
遗传算法以生物学的自然选择和遗传机制为参考，具有高并行性、随机性和自适应性的特点。由于多目标优化问题通常需要总体最优而不是单一最优，并且多个目标可能相互竞争，需要创建一组称为帕累托集的解决方案。本研究利用MATLAB软件中的多目标遗传算法（MOGA）工具箱对LULC结构的多目标优化模型进行了求解。
5、PLUS模型
PLUS模型模拟过程主要包括两个阶段：土地扩张分析和土地利用模拟。本文中，选择了15个驱动因子作为预测变量。在此基础上，采用PLUS模型提取博尔塔拉2010—2020年LULC变化，计算各LULC类型的发展概率。然后将2010年的LULC输入到PLUS模型中，模拟2020年的LULC分布格局，并与2020年的实际数据进行比较，验证模型的准确性。在确定模拟提供了所需的精度后，基于2030年土地利用数据的PLUS模型对2020年不同情景下的LULC结构进行了模拟。
五、研究结论
1、EF 和 EC 动态演化
图3显示了研究区总生态足迹和人均生态足迹（EF和EF）、生态承载力（EC和EC）和生态赤字（ED和ED）的变化。EF、EC和ED总量以及EF、EC和ED的趋势分别相似。在2000-2005年期间，研究区的EC大于EF，并且存在具有高度可持续性的生态盈余。2005年至2010年间，研究区EF开始超过EC，研究区存在生态缺陷。2010年后，人类对自然资源的需求远远超过生态系统的承载能力，生态赤字相应增加。这表明研究区域最近的发展非常不可持续。
Fig. 3. Total and per capita changes in EF, EC, and ED.
与EF和EC相比，人均EF和EC（即EF和EC）可以避免人口变化对数据的影响，更好地反映不同时期每种LULC类型生态足迹和生态承载力的差异和比例。图4显示了研究区域每种LULC类型的ef和ec的演变。从2000年到2015年，EF逐渐增加，并在2005-2015年期间稳定在2020公顷/上限左右。其中，耕地占EF的最大比例，其次是化石能源土地。但2015年后耕地EF开始下降，而化石能源用地EF呈现持续上升趋势。在2000年至2020年期间，EC呈缓慢下降趋势。化石能源用地占EC的比例最高，但呈逐年下降趋势，说明研究区吸收CO的能力2正在逐渐减少。耕地、林地和草地在欧共体中所占的份额也相对较大。耕地ec增加，林地ec减少，草地ec相对稳定。
Fig. 4. (A) Change of per capita EF and (B) change of per capita EC.
2、基于 BPNN 的 EF 预测结果
在这项研究中，BPNN使用2000年至2020年研究区域的人均EF值进行训练（表1），并将模拟输出与实际值进行比较，以评估模型模拟的准确性（图5）。BPNN的模拟值和真实值明显遵循相同的轨迹，R2为 0.993，RMSE 为 0.089，MAP 为 0.017。结果表明，该模型具有较高的仿真精度，能够准确模拟EF值的动态变化。
Fig. 5. Actual and simulated per capita ef in 2000–2020.
使用灰色投影模型模拟研究区域的未来人口变化。据此，使用上述BPNN模型预测了2021-2030年研究区域的总生态足迹和人均生态足迹（表3）。该模型预测EF将在未来10年内缓慢增加，而EF只会在很小的范围内波动。到2030年，研究区域的EF将约为5.24公顷/上限，EF将为2.7584万公顷。
3、土地利用结构优化
使用MOGA模型获得多个非劣质解，决策者根据自己的优先级和实际情况从众多非劣质解中选择最终的优化方案。图6显示了本研究中50种非劣质溶液的分布。通过对这些优化方案的对比分析，选取林地面积最大、未利用地最小、建设用地面积大、与马尔可夫模型预测值基本一致的方案作为最终优化方案。通过这种方式，我们不仅确保了该方案具有很高的生态可持续性，而且LO情景的经济效益与ND情景大致相同。
Fig. 6. Pareto front distribution based on the two-objective function.
通过比较LO和ND情景的LULC结构（表4），我们看到与2020年的数据相比，两种情景的耕地和水域面积都有所增加，但在ND情景中增加的面积更大。林地和草地在LO情景下均呈增加趋势，而在ND情景下均逐渐减少。两种情景下的建设用地面积增加，增长率相似。在两种情景中，未使用的土地面积都减少了，但在LO情景中，未使用的土地面积减少了更多。
通过比较不同情景下的生态赤字和经济效益（表5），可以发现LO情景下的生态赤字分别比ND情景和157年减少了200，187公顷和200，2020公顷。这表明LO情景在一定程度上提高了研究区域的可持续性。然而，ND情景的经济效益略高于LO情景，两者都大大高于2020年。这表明LO情景下的LULC结构在基本满足研究区经济发展需求的同时，也能有效提高生态承载能力，实现可持续发展目标。
六、LULC 分布模式模拟
PLUS模型的仿真精度为94.91%，kappa系数为0.92。模型仿真精度高，能够较好地模拟研究区LULC的动态变化。图7显示了2030年ND和LO情景下LULC的分布格局，两种情景下建设用地分布相似，但其他LULC类型的分布差异较大。首先，尽管两种情景都表明，在谷平原，耕地倾向于扩大为未利用的土地，但在LO情景下，一部分耕地被转化为草地。这意味着在LO情景中，总耕地面积增加较小，但草地面积显着增加。其次，在LO情景下，博尔塔拉北部和东南部山区的部分草地被转化为森林，导致林地面积大幅增加，而ND情景下的林地面积继续退化。最后，在ND和LO情景下，研究区东部艾比湖区的水域面积均增加，但ND情景下的增幅远大于LO情景。
Fig. 7. Simulated LULC distribution pattern results.
七、讨论与不足
生态足迹研究往往以省、市、县等行政区域为分析单位。因此，生态盈余/赤字只能在宏观层面进行评估，相应的发展建议仅限于同样广泛的规模。由于这些建议没有提供精细尺度的空间属性，因此很难将其整合到实际规划中。因此，创建一个生态足迹模型，可以帮助决策者在更详细的规模上进行可持续发展规划，是生态足迹研究的重中之重。本研究采用PLUS模型分别模拟了ND和LO情景下的LULC分布模式。为了研究区域的未来可持续发展，应避免反映ND情景的LULC分布模式，而应引导至LO情景的分布模式。为了便于采取有针对性的行动，可以将两种情景下的LULC分布模式与2020年进行比较，并且可以将ND情景下EC值下降的区域确定为无法进一步开发的风险区域，并且可以确定LO情景下EC值增加的区域具有更高的可持续发展潜力（图8）。
Fig. 8. Identified at-risk and high-potential areas for sustainable development.
八、结论
本研究提出了一个结合生态足迹建模、BPNN、MOGA和PLUS模型的框架，通过评估城市发展可持续性的动态历史变化，准确预测EF的未来变化，优化ULC结构，模拟多情景下的LULC分布格局。但也存在不足之处。首先，利用先前对新疆地区的计算，设定了本研究生态足迹模型中的均衡因子和产量因子。尽管这些数据已被广泛用于相关研究，当应用于博尔塔拉时可能会有一些误差。此外，本研究采用MOGA模型获得了50个优化的LULC结构解，但最优解的选择过程并未涉及政府和利益相关者。最后，尽管社会效益（包括居民生活质量、社会公平、社会保障等）也是城市可持续发展过程中需要考虑的方面之一，但本文并未将其设定为优化目标。这主要是因为社会效益的提升很难通过优化路易达来实现，更多的是依靠政府相关政策的推动和落实。本文提出的框架能够较好地从生态和经济两方面增强LULC的可持续性，为当地的可持续发展提供空间保障。在未来的研究中，可以进一步探索社会保障措施的发展，以增强城市的整体可持续性。
研读人：河南大学2022级土地资源管理专业硕士研究生 李光辉
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
