面向土地变化模拟的CLUMondo模型：回顾与展望

谢一茹，高培超 ，叶思菁，沈 石，张潇丹

1. 北京师范大学 环境演变与自然灾害教育部重点实验室，北京 100875；

2. 北京师范大学 地表过程与资源生态国家重点实验室，北京 100875；

3. 北京师范大学 地理科学学部 地理数据与应用分析中心，北京 100875

0 引 言

人类的开发和利用是造成地球表面尤其是陆地表面改变的主要原因[1-2]。人类对地表改造的目的是为了获取更多的土地资源以满足人类在发展过程中的多样需求[3]。然而，土地资源是有限的，为了满足需求而不合理地改造地表会直接影响生态环境、生物多样性等诸多方面，这样的改造带来的环境风险和资源短缺问题已经使人类为了自身生存和发展而不得不去思考和关注[4]。因此，为了使土地在满足人类需求的同时能够被充分、合理地利用，土地在未来的改造需要政策规划和引导，土地变化模拟成为人类对未来土地规划的重要手段和依据[5]。土地变化模拟通过对未来土地变化轨迹和发展模式的预测，得到未来不同发展情景下最适宜的土地利用空间格局[6]。它既能通过特定情景的预测结果对可持续发展和生态环境保护提供参考和决策支持，也能够在多个情景的预测结果对比中揭示土地变化在不同自然社会经济环境中的响应[7]。

土地变化模型是用于模拟土地空间格局变化的重要工具，一直以来都是土地变化研究的核心内容[8-10]。早在1989年，Baker[11]便指出学术界已研发出整体性景观模型、分布式景观模型、空间景观模型等不同的土地变化模型。2000年前后，人类决策过程开始纳入模型、人地系统耦合机制被广泛探讨，元胞自动机模型、模拟城市扩张模型等空间网格模型应运而生[12]。戴尔阜等[12]根据人们对人地系统认识需求的增加将土地变化模型根据模型方法分为机器学习和统计模型、元胞模型、经济学方法模型、多主体模型和混合方法模型共5个类别。其中，机器学习和统计模型作为基于数据的经验方法[13]，其优势在于不依赖于复杂的土地变化机理过程，依靠充足的格局相关数据即可进行土地变化模拟。在统计模型中，以逻辑回归建立土地与生物物理经验关系的CLUE（Conversion of Land Use and its Effects）系列模型自公开以来受到国内外学者广泛使用，本文将聚焦于CLUE系列的最新进展的最新版本——CLUMondo模型。

CLUMondo模型是van Asselen和Verburg 2013年提出的应用于大尺度区域的土地变化模型[14]。该模型是一个能够同时满足多种外生需求驱动土地变化的动态、空间显式模型，是以土地系统为研究单元，根据需求和区域自然、社会、经济空间特征模拟土地系统变化的前瞻性模型[3,14-15]。自提出以来在全球、国家及省市等不同空间尺度均得到应用。相比于其他土地变化模型，CLUMondo的优势在于：能够在土地利用/覆盖数据的基础上使用表征土地利用强度（或类型占比）的土地系统进行土地变化的模拟；在CLUMondo允许满足的多样需求中，不仅可以是对土地面积的直接需求，而且可以是土地所承载的间接需求；CLUMondo能够反映供给（即土地系统类型）与需求之间多对多的对应关系，不同土地系统类型的变化依靠这些需求驱动。由于CLUMondo模型的优势显著，自模型面世以来，针对该模型的研究不断增加，在多个领域开展多样应用。但面对日益纷杂的CLUMondo模型研究，目前缺乏关于该模型研究的综述。因此，本文旨在对已有CLUMondo研究进行总结与分析，并尝试为模型的未来发展指明方向。

1 CLUMondo核心原理与文献计量

1.1 核心原理

在介绍CLUMondo模型的原理之前有必要介绍土地系统的概念。土地系统在CLUMondo中是指一种土地分类数据，既可以是简单的土地利用/覆盖数据，亦可以是基于土地利用/覆盖数据进一步处理得到的、反映与土地相关的特征的分类数据。

CLUMondo本质是一个需求驱动的经验统计模型，模型将用户输入的土地系统空间分布数据在一定内部机制下不断迭代、配置、更新，最终输出满足需求的土地系统空间分布预测数据。在模拟过程中驱动土地发生转变的是不平衡的“供”与“需”，具体解释为当前土地系统所提供的供给量与设定需求的不平衡。当供需差距超过一定阈值，需求将驱动土地发生变化，直到所配置的土地系统供给与需求的差距小于设定阈值，模型停止迭代。模型逻辑架构如图1所示。

图1 CLUMondo的逻辑架构（改自文献[16]）Fig.1 The logical framework of CLUMondo（modified from reference [16]

在模型迭代过程中，土地转变为何种类型由每个地块的土地系统转换潜力决定。土地系统转换潜力具体解释为一个地块发生土地系统类型的转变时每种类型出现的概率，模型将会为每个地块配置概率最高的土地系统类型。土地系统转换潜力受4个因素影响。

1）土地系统适宜性。通过逻辑回归建立土地系统现状与区域自然、社会、经济特征之间的关系，并在未来土地发生转变时根据逻辑回归方程提供每种类型出现概率的参考。

2）竞争优势。由于每种土地系统类型对需求的供给能力不同，模型会根据每种土地系统类型的供给能力分配不同的竞争优势，供给能力越强的土地系统类型其竞争优势越大，越能分配更多的面积。

3）土地系统特征。包括土地转换特征和邻域特征，土地转换特征具体解释为根据现实情况限制某些土地系统类型之间的转换以及转换的难易程度，如水域类型不能转换为建设用地，林地比建设用地更容易转换为耕地。邻域特征具体指由于土地数据的空间自相关性，一个地块周围土地的类型将会影响该地块类型的判断，如周围全部是耕地的地块也成为耕地的概率将大于成为其他类型。

4）禁止转换区域。指由于国家政策或发展要求，一些区域不允许土地发生变化，模型将禁止对区域范围内的土地进行再分配。

1.2 文献计量分析

文献检索时间为2013年1月至2021年1月，检索数据库为Google Scholar，文献检索方式为强制匹配CLUMondo关键词。共计检索中英文文献101篇，排除提及CLUMondo但并未使用的文章，统计自CLUMondo提出以来使用该模型的文献发表数量及趋势（图2）。从统计结果可以看出，CLUMondo研究在近4年（2017―2020年）的文献数量增多，且在2020年显著增加，文献发表数量呈现上升趋势，未来研究有较大的探索空间，CLUMondo模型在土地变化模型中正逐渐流行。

图2 使用CLUMondo的文献发表数量统计结果Fig.2 The statistical result of the published quantity of CLUMondo literature

2 CLUMondo应用现状

2.1 土地系统的制备方法

前文中指出共有两种土地系统，分别是土地利用/覆盖数据和再分类产品。前者通常直接获取和使用，后者需要一定的制备方法。对于基于土地利用/覆盖数据进一步制备的土地系统，其制备的本质是对土地利用/覆盖数据按照一定标准进行分类细化。分类标准取决于研究需要，反映了与土地相关的特征[3,17]。基于净初级生产力划分耕地类型[18]、基于牲畜密度划分土地利用强度[3,15,19]、基于土地覆盖占比划分土地类型[17,20-23]等，这些特征也可以混合使用、多标准地分类。其中，基于土地利用/覆盖占比划分土地类型是最广泛使用的分类标准，是许多研究中制备土地系统的第一层标准。土地利用/覆盖占比数据可直接获取或自行制备。对于直接获取，当前已有较多土地占比数据公开发布[24]并可免费获取与使用；对于自行制备，原始土地利用/覆盖数据要求具备较高空间分辨率（30 m），通过对高分辨率栅格数据升尺度至相对低分辨率（1 km）的栅格数据，便可在相对低分辨率的栅格中计算出占比结果[17]。

2.2 模拟变化的宏观需求

本文归纳已有研究中涉及的需求，主要集中于粮食、牲畜、人口和生态环境4个方面。鉴于CLUMondo模型能够同时满足多需求的特征，研究通过多情景设置的方法同时考虑多个需求。这4方面需求的研究分别占已有研究的76%、64%、48%和44%。经统计，已有研究中约32%同时探究了粮食、牲畜和人口需求[14-15]，约32%同时探究了粮食、人口和生态环境需求，约20%同时探究了粮食、牲畜和生态环境需求。

需求在模型中具体表现为不同指标的设置。在粮食需求中，约17篇89%的研究根据粮食产量指标探究土地变化的轨迹和发展方向，约4篇21%的研究直接根据耕地面积指标，约两篇10%的研究同时使用粮食产量与耕地面积指标预测未来土地发展方向。在牲畜需求中，11篇92%的研究将牲畜头数或牲畜密度作为指标，有两篇间接通过牧草地面积探究未来土地变化对牲畜产生的影响。人口需求由人口数量和建设用地面积指标反映，16篇94%的研究根据建设用地面积探究城市扩张情况，以达到承载人口的需求，有1篇研究直接以人口数量判断未来土地系统发展格局。在生态环境需求中，已有研究反映在碳存储、生态系统服务以及自然用地（林地、保护区）面积中，以林地面积作为指标的研究约占所有需求研究的64%，有7篇。其他针对性需求根据不同研究未来发展的侧重设置了不同指标，如生物多样性保护指标、文化需求指标、气候变化指标等。

2.3 多对多供需关系的量化方法

已知CLUMondo研究中使用的多对多供需关系的量化方法总结为两步。第一步将需求空间化。CLUMondo中可使用的多样需求包括与土地利用无直接关联的，如生物多样性保护、人口密度，这些需求并非均以空间数据的形式表达，需要通过数据空间化的方法实现在空间上的表达。第二步将土地系统与需求叠置，计算第i种土地系统类型的单位需求供量ωi。以一个简单的示例（图3）作为演示，计算土地系统类型1的单位需求供量ω1的方法为：对整个研究区域内土地系统类型1所对应的需求量d求和，得到土地系统类型1供应的总需求量D1，后用总需求量D1除以土地系统类型1的总面积S1即得到土地系统类型1的单位需求量。计算公式如下：

图3 土地系统单位需求供量的计算演示Fig.3 Calculation schematic diagram of unit demand supply of land system

式中，ωi为第i种土地系统类型供应的单位需求量；Di为第i种土地系统类型供应的总需求量；di为与第i种土地系统类型对应的每个像素的需求量；Si为第i种土地系统类型的总面积。

2.4 模型耦合研究

目前已有的与CLUMondo耦合的模型包括InVEST（Integrated Valuation of Ecosystem Services and Tradeoffs）模型[25]和 BBN（Bayesian Belief Network）模型[26]。这些耦合模型依靠从CLUMondo模型中输出的土地空间分布数据作为输入数据，计算生态系统服务价值，探究土地变化对生态系统服务价值的影响，进而评估和判断政策或发展目标对生态系统服务价值的影响。Nie等[25]使用CLUMondo模型得到不同主体功能区规划政策下2030年的土地空间分布，并与InVEST模型耦合，同时借助其他数据得到2030年碳存储状况及2015―2030年碳存储的变化情况。Zhu等[26]采用CLUMondo模型模拟出2025年土地利用图，使用BBN模型基于CLUMondo的模拟结果以及相关数据预测2025年生态系统服务价值的空间概率分布。这两个模型与CLUMondo模型耦合的方法相似，先利用CLUMondo模型得到未来土地系统空间分布图，后将空间分布图作为InVEST模型和BBN神经网络算法的输入数据之一，最终计算出生态系统服务相关结果。

3 相关改进

当前，未有针对CLUMondo模型的改进研究，但是对其前身、使用非常广泛的CLUE-s（Conversion of Land Use and its Effects at Small region extent）模型确有改进研究，也同样适用于CLUMondo模型，却未在CLUMondo模型中应用。CLUE-s模型的改进主要包括：Logistic回归改进和土地需求的设置[27-28]两类。对于Logistic回归改进，由于Logistic回归模块内部的运算可与CLUE-s和CLUMondo模型分离，因此可通过改进Logistic回归、并将回归结果引入模型的方式改进模型。Jiang等[29]、Mei等[30]将空间自相关因子、丰度因子引入Logistic回归以考虑土地数据的空间效应，改进结果的精度评价，显示出改进回归后的模拟结果比原本结果的精度更高。对于土地需求设置，刘欣等[31]使用嵌入CLUE-s的灰色预测模型和目标优化模型计算需求，改进后的模型模拟精度Kappa系数达到0.88，说明改进能够对研究区起到良好的模拟效果。梁友嘉等[32]改进未来土地需求计算，使用系统动力学模型预测2000―2035年不同情景下土地利用类型的需求量，并通过CLUE-s模型实现基于需求的土地变化模拟，改进后模型的整体精度较高。

4 结 论

本文聚焦土地变化模型中能够满足多对多供需关系动态、空间显式模型CLUMondo，详细总结归纳了该模型的核心原理、文献计量分析、应用现状及改进。首先，介绍模型的核心原理，在迭代过程中，由土地系统转换潜力决定土地转换类型，土地系统转换潜力有4个影响因素；其次，根据文献计量分析发现文献发表数量呈现上升趋势，模型正逐渐流行；然后，对已有研究中土地系统制备方法、宏观需求、多对多供需关系量化方法，以及与CLUMondo耦合的模型进行归纳和详细解释；最后，针对模型的相关改进提出见解。

本文在总结归纳上述4方面内容后，认为CLUMondo是土地变化模型中独具优势、将日益成为主流的模型，可能成为未来土地变化的核心模型。在继续应用CLUMondo解决更多领域多样问题的同时，为了使模型向着更加贴合实际的方向模拟土地变化，对决策和规划的制定提供更加有力的支持，建议对模型内部运行机制和外部嵌入模块进行改进。以下是对CLUMondo研究在模型自身和模型耦合两方面的展望。

1）CLUMondo模型自身研究，仍未有针对模型中的Logistic回归方法的改进研究。如果将autologistic回 归[33]、multinomial logistic回 归[34]、NE-logistic回归[30]等应用于CLUMondo，这些已经应用于CLUE-s模型的改进将同样适用于CLUMondo模型。

2）CLUMondo模型耦合研究，尚未有与主流目标优化模型等的耦合。借助CLUMondo模型需求类型丰富、不限于土地面积的直接需求特点，可将这些模型作为CLUMondo模拟土地变化的需求输入模型，使得CLUMondo预测更加科学合理。