以下文章来源于区域经济 ，作者段园凯 研读
本文是针对于《用于改善土地模拟的机制模型与元胞自动机（CA）的元胞级耦合（Cell-level coupling of a mechanistic model to cellular automata for improving land simulation）》的论文解析。该文章于2023年1月在《GIScience & Remote Sensing 》出版。作者为Guangzhao Chen, Haoming Zhuang & Xiaoping Liu.
1 研究背景
土地利用/土地覆盖变化模拟模型已成为全球气候和环境变化研究的重要工具。元胞自动机（cellular automata,CA）已经成为模拟土地利用/土地覆盖变化（land use/cover change,LUCC）最方便和有用的工具之一，它可以通过简单的迭代规则模拟复杂的LULC动态。各种自然环境和社会经济因素是LUCC的重要驱动力,因此，以往许多CA研究都关注量化LUCC和驱动力之间的关系，导致许多机器学习算法都被用于CA当中挖掘土地转换规则。然而，与机器学习结合的CA在本质上依然是一个统计模型，所挖掘出来的土地转换规则体现的是驱动力和LUCC之间的数学和统计关系，而非对它们之间的物理机制的概括。
动态全球植被模型（Dynamic Global Vegetation Models, DGVMs）是一类整合了生物地理和生物化学模型的机理模型。它们可以通过模拟每个植被功能类型（Plant Functional Type , PFT）的气候约束来模拟动态植被变化过程。其中，Lund Potsdam Jena（LPJ）模型是最常用的DVGMs之一。LPJ模型可以根据PFT的生理约束模拟不同气候变化情景下的未来植被分布。然而，它的空间分辨率相对较粗，并且在模拟土地利用时难以充分考虑人类活动的影响,这一点被CA模型很好地解决了。
许多学者尝试在进行未来土地变化模拟时，将机理模型与CA模型结合起来，整合两者的优点。然而，在这些尝试中，机理模型只提供了对未来土地需求量的预测，并只在数量上控制LUCC模拟。这种松散的耦合方法并不能反映未来气候变化可能导致的LUCC驱动机制的变化。因此，机理模型和CA模型需要以更紧密的方式结合起来，并以高空间分辨率进行LUCC模拟，同时反映LUCC机制在未来气候条件变化下的可能变化。针对目前研究存在的不足，本研究提出了一个新的耦合模型，在栅格层级上实现DGVMs和CA模型的紧密空间耦合，以充分发挥机理模型和统计模型各自在土地变化模拟中的优势。
文章作者提出了一种在细胞水平上实现DGVM模型和CA模型空间紧密耦合的模型，以充分发挥机理模型和统计模型各自的优势。选择LPJ模型作为DGVM模型，选择Future Land Use Simulation (FLUS)模型作为CA模型构建耦合模型(LPJ-FLUS)。以共享社会经济路径(Shared Socioeconomic Pathway,SSP)-代表性浓度路径(Representative Concentration Pathway,RCP)情景为例。
2 研究方法
本研究提出的LPJ-FLUS模型将用于模拟中国在两种SSP-RCP情景下2015-2100年的LUCC，空间分辨率为1km，包含五种LULC类型：林地、草地、农田、城市用地和荒地（另外，水体将保持不变）。LPJ模型用于提供自然植被（即林地、草地和荒地）的适宜性概率，而采用随机森林（Random Forest, RF）算法评估适宜性概率的FLUS模型（RF-FLUS模型）用于模拟未来LUCC。为了评价该模型的性能，其模拟结果与传统CA模型的结果进行了比较。图1为本研究的流程图。
图1 本研究流程图
2.1 LPJ模型
通过模拟不同PFT的植物结构、动态和竞争来模拟光合作用、蒸散和呼吸。该模型由土壤质地、二氧化碳浓度、月温度、月降水量和太阳辐射数据驱动。此外，它还可以通过输入模拟的气候数据提供的数据输入模型。
如表1所示，LPJ模型中的PFT类型与本文使用的土地类型相关。
表1 LPJ模型中的的PFT及其对应的LULC类型
2.2 FLUS模型
本研究采用了CA的改进版，即FLUS模型，只需要一个时期的土地数据来评估不同土地类型的适宜性概率。不同的机器学习算法已经被用来为FLUS模型挖掘土地类型的适宜性概率。例如，ANNs已经成功地用于土地模拟，具有可靠的准确性，包括与FLUS模型的结合。此外，随机森林算法（Random Forest,RF）是评估FLUS模型中土地适宜性概率的另一种选择。它可以处理大量的非线性元素，并且很难过度拟合，这就解决了上述缺陷。最近，RF算法被广泛用于CA模型中模拟LUCC。因此，RF算法可以与FLUS模型相结合、称为RF-FLUS。本研究使用RF-FLUS作为集成模型。
在RF-FLUS模型的每次迭代中，栅格i转化为土地类型k的总体发展概率P由适宜性概率S、邻域作用Ω和发展限制因素C共同决定（如下公式所示）。其中，适宜性概率由随机森林算法根据历史驱动因子估算。
2.3 LPJ-FLUS 模型
LPJ-FLUS模型对植被土地类型的适宜性概率进行了改进。改进后的综合适宜性概率由随机森林估算的适宜性概率和LPJ模型评估的适宜性概率共同决定，且两者的权重可根据实际情况进行优化。在本研究中，两者权重取为相等的0.5。
其中，I为综合适宜性概率，S为随机森林估算的适宜性概率，FPC为LPJ模型评估的适宜性概率，f/g/b分别代表林地、草地和荒地。通过这样的改进，可以使得RF-FLUS模型直接利用LPJ模型的空间预测结果指导和调整土地变化模拟，实现两个模型在栅格级别的紧密耦合
2.4 数据来源
表2 空间驱动因素列表
2.5 不同情景下的土地需求预测
利用所提出的LPJ - FLUS模型模拟了2015-2100年中国土地覆盖变化的两种情景。使用了两种不同的SSP-RCP场景：SSP1-RCP2.6和SSP5-RCP8.5。SSP1- RCP2.6代表低排放浓度路径，对应社会经济可持续发展。SSP5-RCP8.5代表高排放浓度路径，对应化石燃料发展情景。
3 结果与分析
3.1 历史模拟验证
为了验证所提出的LPJ - FLUS模型，进行了两个不同时期的历史模拟。此外，为了证明所提出模型的有效性，将其与另外两个先进的CA模型进行了比较:RF-FLUS和ANN-FLUS。基于中国的LULC数据，两种历史模拟均以2001年为起始年份，分别模拟至2010年和2015年。图2和3显示了使用lpj - flus、rf - flus和ann - flus获得的2010年和2015年的实际和模拟LULC模式。
图2 利用LPJ-FLUS、RF-FLUS和ANN-FLUS模拟2010（左）与2015（右）年
土地利用/土地覆盖格局
结果显示（表3），LPJ-FLUS模型的模拟精度优于另外两个对照模型，在两个模拟年份都表现出最高的FoM。与另外两个模型相比，LPJ-FLUS的FoM值在2010年分别高出5.14%和5.71%，在2015年分别高出2.35%和2.45%，这说明LPJ-FLUS通过与LPJ模型的栅格级耦合，可以有效提高土地变化模拟的精度。
表3 不同模型模拟结果的精度(FoM)
与另外两个模型的结果相比（表4），LPJ-FLUS模型的结果中草地的FoM值高出4.92%-8.14%，林地的FoM值高出2.51%-6.02%，荒地的FoM值高出0.13％-5.54％。这表明，LPJ-FLUS模型明显提高了对植被土地类型的模拟精度，证明了该耦合模型的有效性，达到了预期效果。
表4 不同模型的土地利用类型模拟结果的精度(FoM)
3.2 未来土地需求
在两种情景下，各土地类型的面积虽然在2015年以相同的初始值开始，但呈现出不同的发展趋势。在SSP1- RCP2.6中，为控制全球变暖，开展了植树造林工作，森林面积大幅增加。此外，由于农业生产效率的提高和饮食结构的变化，耕地和草地明显减少。随着人口的增加，城市用地在2050年之前将会增加，但在2050年之后，由于人口的减少，将会急剧减少。在SSP5-RCP8.5中，由于技术进步和人力资本发展，林地面积略有增加，农田和草地面积略有减少。由于人力资本高度发达，SSP5-RCP8.5情景下的城市用地面积相对大于SSP1- RCP2.6情景下的城市用地面积，但两种情景下的城市用地面积在本世纪50年代后急剧减少。
图3 两种情景下2015年至2100年五种土地类型的预计土地需求
3.3 适宜性概率的空间改进
图4比较了由LPJ模型、RF模型评估的和LPJ-FLUS模型综合后的林地、草地和荒地的适宜性概率。LPJ模型评估的是不同情景下2100年的适宜性概率，在评估时考虑了不同的未来气候条件对土地变化机制的影响。由RF模型评估的适宜性概率是在历史和当前条件的基础上，通过机器学习挖掘数学规律而估算出来的，没有考虑未来气候的可能性。最后两列是本研究提出的LPJ-FLUS模型生成的综合适宜性概率，它们同时考虑了历史和当前的模式，以及未来不同气候条件对土地变化机制的影响。总的来说，RF估计的适宜性概率比LPJ估计的适宜性概率更准确地反映了当前的土地覆盖格局，因为它拥有更精细的空间分辨率。而综合的适宜性概率结合了RF和LPJ模型的优势，在与当前LULC格局拥有更好匹配的同时反映了未来不同气候情景下的条件。
图4 由LPJ模型、RF模型评估的和LPJ-FLUS模型综合的SSP1-RCP2.6和SSP5-RCP8.5情景下2100年林地、草地和荒地适宜性概率。
3.4 自然植被未来模拟的空间表现
LPJ-FLUS模型的模拟结果也更好地反映了气候对自然植被空间分布的影响。图5以中国东北地区的林地变化模拟结果为例进行了展示。在情景设置中，SSP1-RCP2.6情景下林地的增加比SSP5-RCP8.5情景下的更多，两个模型的模拟结果都体现了这一情景设置。
但是，由于在不同情景下使用了不同的林地适宜性概率，LPJ-FLUS在该地区西部（即图5中虚线圈出的区域）模拟的林地增长量比RF-FLUS的更大。由于降水和温度的变化使这个地区在未来更适合于林地的发展，LPJ-FLUS通过明确考虑气候变化来反映这一变化，而RF-FLUS由于只基于历史土地变化规律，所以无法模拟这一现象。因此，LPJ-FLUS的模拟结果比RF-FLUS的模拟结果更符合相应的情景叙述。
图6说明了两种模型在中国西部草地集中区模拟结果的差异。西藏大部分地区和新疆北部是中国草原最集中的两个地区。SSP1-RCP2.6模型模拟的草地面积降幅明显大于SSP5- RCP8.5模型。草地面积的减少符合SSP1-RCP2.6低肉饲粮结构。然而，LPJ模型在引导草地空间变化方面的有效性也很明显。
LPJ模型表明藏北(图6中虚线圈出的区域)的草地适宜性优于RF模型，尤其是SSP5-RCP8.5。因此，在草地面积迅速减少的SSP1-RCP2.6中，LPJ -FLUS模拟的藏北草地面积减少相对于RF - FLUS更少。在SSP5-RCP8.5中，LPJ模型藏北草地适宜性概率显著增加，与2015年的分布不重叠，但受未来气候变化的影响。因此，在SSP5-RCP8.5中，LPJ -FLUS和RF - FLUS分别模拟了藏北草地的增加和减少。
图5 LPJ-FLUS和RF-FLUS模型在不同情景下模拟东北地区2015~2100年林地变化的差异（第一行：2015~2100年林地变化情况；第二行：2100年林地适宜性概率。）
图6 2015 - 2100年不同情景下LPJ-FLUS与RF-FLUS在中国西部草地变化模拟中的差异（第一行为2015年至2100年草地的变化；第二行为2100年草地适宜性概率）
4 讨论与总结
本研究提出了LPJ-FLUS，将CA模型与DGVM相结合。该方法整合了LPJ模拟的自然植被网格FPC，包括生物地理模型和生物化学模型，能够真实地模拟土地利用变化。LPJ-FLUS还整合了LPJ模型提供的不同未来气候情景下自然植被分布的空间信息用于驱动土地模拟，这是对传统CA模型的重要改进。与传统的CA模型相比，该模型能更合理地模拟自然植被的分布。以往的研究往往通过提供土地需求将机制模型与CA模型松散耦合。本文利用机制模型提供的空间结果生成综合适宜性概率，直接指导FLUS模型在单元水平上的空间LULC模拟。通过这种方式，在CA和机制模型之间实现了更紧密的耦合。
不可避免地，这项研究有一定的局限性。首先，一些驱动力具有相对较低的空间分辨率，范围在5 ′到30 ′。例如，本文使用的土壤质量数据集的空间分辨率仅为5 ′ 。由于土壤质量的空间异质性相对较小，已有研究表明5 ′分辨率可以捕捉到土壤质量的实际空间分布，受气候模式空间分辨率的限制，LPJ模式模拟的FPC网格分辨率仅为30′。但该分辨率足以捕捉全球气候和环境变化下的适宜性概率变化。随着气候模式的发展，LPJ模式的空间分辨率可以进一步提高，以提高LUCC模拟性能。
其次，在本研究中，LPJ模型和RF模型提供的自然植被适宜性概率通过简单设置相同的权重进行耦合。然而，最佳权重在不同地区有所不同。在未来，权重的优化和灵敏度可以进行探讨。
第三，本文提出的单元级耦合机制仅基于LPJ模型。因此，未来应探索其他机制模型提供的其他形式的空间投影数据如何与CA模型实现空间耦合，甚至在模型结构上实现更紧密的耦合。此外，当有精细的空间驱动因子数据、LPJ数据和足够的计算资源时，可用于高分辨率和小规模的模拟。
研读人：河南大学2022级土地资源管理专业硕士研究生 段园凯
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
