共享社会经济路径下土地利用变化模拟

汤 琦, 余珮珩, 陈泽怡, 白少云, 陈奕云,5

(1.广州市城市规划勘测设计研究院, 广州 510060; 2.武汉大学 资源与环境科学学院, 武汉 430079; 3.香港理工大学 建筑及房地产学系, 香港 999077;4.云南省水利水电勘测设计研究院, 昆明 650021; 5.剑桥大学 发展研究中心, 英国 剑桥CB39DT)

城市化进程和化石燃料的快速消耗加剧了人类与自然的相互作用，人类活动成为推动自然环境演化的主要力量，并将持续对地球系统产生不容忽视的影响。“人类世”的提出为人与自然关系的调整提供了新视角，呼吁用更长远的眼光和更高度的灵活性制定跨社会、经济和环境的高效干预措施，促进“星球城市化”的可持续性[1]。

联合国政府间气候变化专门委员会第五次评估报告第二工作组专题会议综合考虑了人口增长、经济发展、技术进步、环境条件、公平原则、政府管理、全球化等发展特点，初步确定了一套由共享社会经济路径(Shared Socioeconomic Pathways，SSPs)与典型浓度路径(Representative Concentration Pathways，RCPs)共同构成的情景框架。共享社会经济发展路径(SSPs)描绘了未来经济社会系统5种不同的发展模式，广泛应用于人类社会发展与生态系统相互影响的研究中。而土地利用/覆被变化(Land-use and land-cover change，LUCC)能揭示生态环境、人类社会经济活动的变化及其相互作用的复杂关系。因此，将SSPs引入土地利用变化模拟能够充分考虑人类社会经济活动与自然环境之间的相互影响。

关于SSPs的应用研究集中于未来在不同发展战略与气候政策下，土地利用、能源及农业系统的可能演变及由此产生的温室气体排放[2]，涉及总体框架[3]、分场景[4-6]及指标和预测模型[7]研究等，包含定性描述和定量测度[8]。国内研究主要为共享社会经济路径发展的进展概述[9]，大尺度背景下的城市化[10-11]、人口[12-13]及经济[14]变化情况，以及预估全球温度控制在全球气候协议范围内的气候变化和社会经济变化[15-16]，其中如何通过基于SSPs的未来土地利用变化模拟来揭示人类活动对环境的影响是当前研究的热点问题[17]。

关于LUCC的研究集中于土地利用变化过程及驱动机制[18-19]。其中涉及的土地利用模拟侧重模型模拟与情景模拟：模型模拟使用的方法包括系统动力学[20]、CLUE[21]、Markov[22-23]、Logistic[24-25]、元胞自动机[26]及多智能体[27-28]模型，涉及模型的构建、对比与优化及不同时空尺度下不同试验区的验证。其中，多模型的结合能够克服单一模型的局限，成为当前研究的趋势[29]。情景模拟通过对未来社会经济或自然条件进行假设，计算不同情景模式下各类用地的分布概率，模拟出不同情景下的土地利用发展趋势和变化机理，为LUCC研究提供了新的思路[30]。在多数已有的未来土地利用模拟中，通常采用基于历史轨迹的单一情景或各自设定的多情景，这些情景通常简单、随意，不利于进行不同研究的对比[20]。此外，多数研究数据源分辨率较低(1 km)，不足以提供详细的空间信息，难以对局部区域进行精细化的描述[31]。

云贵高原“坝子”以其平缓的地形、肥沃的土壤、富足的水源和宜居的环境成为人类繁衍生息的聚居地。作为全球生态环境脆弱区，云贵高原湖滨生态系统对气候变化和人类活动的响应极为敏感[32-33]。随着全球气候变化和区域土地利用强度增加，云贵高原湖滨热地生态系统脆弱性加剧[34]，人地关系可持续性面临挑战。因此，开展不同社会经济发展情景下的未来土地利用模拟可以为人地关系调和与政策制定提供依据。研究选取湖泊分布最为密集的通海县、华宁县及江川区，通过未来土地利用模拟(Future Land Use Simulation，FLUS)模型对5种共享社会经济路径情景下的土地利用变化进行精细化模拟，以揭示研究区在气候变化和人类活动影响下土地利用变化生态效应，为土地利用规划与可持续发展提供参考。

1 基础SSPs情景框架

SSPs是一种社会经济假设情景下的全球模拟情景，综合SSPs研究成果，定义了由5种不同的发展模式导致的未来社会经济情景，分别是SSP1(Sustainability，可持续发展路径)、SSP2(Middle of the Road，中间发展路径)、SSP3(Regional Rivalry，区域竞争发展路径)、SSP4(Inequality，不均衡发展路径)和SSP5(Fossil-fueled Development，化石燃料为主的发展路径)[2]。

SSP1情景强调绿色可持续技术的广泛使用，同时人类普遍生活方式向资源低密集程度过渡。基于全球合作背景的较高经济增长率以及人口总量的减少，各国开始向可持续发展转变，从强调经济的高速增长到强调人类整体的未来福祉。在技术进步的背景下，高度重视预防环境退化，大幅度降低资源强度和化石能源依赖度。

SSP2情景描述“基线”世界，即社会、经济和技术趋势没有明显偏离历史模式。技术发展日新月异，技术进步持续发展；全球发展和收入增长不平衡，全球互联市场的运作不完美；大多数经济体在政治体系上是稳定的，全球人口增长温和并在21世纪下半叶趋于平稳；全球和各个国家均为实现可持续发展目标努力但进展缓慢，改善社会与环境脆弱性的挑战仍然存在[35]。

SSP3情景呈现了社会必须避免或准备应对的最坏发展方向[4]。各国更加关注国际和国内地区问题，政策倾向于国家和地区安全问题。显著的土地利用变化为森林大面积减少，农田和牧场大面积扩张。狭隘的地区主义政策导致区域经济发展相差巨大，总体经济发展缓慢。发展中国家人口增长率高，耕地、畜牧业用地增加，森林及其他自然用地减少，气候问题空前严峻。

SSP4情景涉及区域内、外部不平等，是高收入地区与低收入地区不平等发展的路线[36]。低收入地区人口快速增长，高收入地区人口减少。随着社会的发展，高收入地区愈加繁荣，而低收入地区在增加收入方面进展甚微，人均收入差距拉大[3]。区域间经济增长的差异导致区域对能源和粮食需求差异巨大，高、低收入地区土地利用方式也迥然不同。

SSP5情景是一种以大量化石燃料为代价助推的高速发展模式[37]。在健康、教育和基础设施方面有大量投资，科学技术和人力资本快速发展；全球化程度高，区域包容性强；全球人口在21世纪达到顶峰并逐步下降；社会成功地处理了空气污染等问题，并且相信人类拥有有效管理社会和生态系统的能力。

2 材料与方法

2.1 研究区域及数据来源

研究区域为云南省玉溪市杞麓湖周边环境保护和社会经济发展刻不容缓的3个县级单位(通海县、华宁县及江川区)。社会经济数据来源于统计局公布的年度统计公报与统计年鉴。现状人口与GDP每公里格网数据来源于中国科学院资源环境科学中心。30 m分辨率的土地利用覆盖数据来源于国家地球系统科学数据共享服务平台，经验证，其精度可达到82%以上，可用性强[38]。有关SSPs情景下未来人口、GDP以及各类土地利用类型需求量等数据来源于SSP数据库(https:∥tntcat.iiasa.ac.at/SspDb)，根据研究区未来的区域定位，节选符合研究区域SSPs情景下的人口和GDP变化情况，计算未来每10 a的人口增长率与GDP增长率，结合研究区2005年、2010年、2015年的人口与GDP数据，进行5种共享社会经济路径下情景的未来人口及GDP变化数量模拟。

2.2 未来土地利用模拟模型(FLUS模型)

FLUS模型是拥有复杂机理的土地利用模拟模型，由刘小平教授团队开发构建，是一种元胞自动机与系统动力学的耦合模型，融合了自上而下与自下而上两种模型的特点，并能够有效地对未来不同情景下的土地利用变化进行精确地模拟[39]。

2.2.1 土地用途需求预测 FLUS模型采用SD模型模拟人类经济与生态环境的作用。涉及的要素为人口、社会经济、气候和土地利用，各要素的相互作用和反馈机制可以根据研究需要及研究区实际情况予以修改。

2.2.2 土地利用适宜性概率获取 FLUS模型采用三层BP神经网络模型进行适宜性概率获取，根据选取的空间变量设置神经网络中各层的神经元个数，通过空间驱动因子与土地利用的历史分布进行随机采样，随后根据样本进行人工神经网络算法(ANN)训练得到元胞发展概率[40]。ANN是一种多层前馈神经网络，演算过程包括训练和预测阶段，即：

(1)

式中:sp(p,k,t)表示第k种用地类型在栅格p和时间t上的适宜性概率;ωj,k是隐藏层与输出层间的权值;sigmoid是隐藏层到输出层的激励函数;netj(p,t)表示在第j个隐藏层栅格p在时间t上所接收到的信号。对于BP-ANN输出的sp(p,k,t),各类用地的适宜性概率的和恒为1,即:

(2)

2.2.3 土地利用类型出现概率运算 为展现土地利用变化的科学性和随机性，FLUS模型引入邻域关系分析和自适应惯性竞争机制模式进行土地利用类型出现概率的运算，即：

(3)

(4)

2.3 土地利用动态变化模型

土地利用动态变化模型主要用于土地利用类型变化速度的测量。选取单一土地利用动态度、综合土地利用动态度及土地利用转移矩阵对土地利用类型动态变化进行研究。

2.3.1 单一土地利用动态度 单一土地利用动态度即单一土地利用面积的净变化，反映单一种类型的土地利用在研究期间面积的变化程度，即：

(5)

式中:NC为单一土地利用面积的净变化;Ua,Ub为研究起始年份a及研究终止年份b某种土地利用类型的面积;T为研究时段。

2.3.2 综合土地利用动态度 综合土地利用动态度反映土地利用类型间的转换速率及总体土地利用变化的剧烈程度，即：

(6)

式中:S表示T时间段的土地利用变化速率;dSi-j为研究开始到结束期间第i类土地利用类型转化为其他土地利用类型的面积总和;Si为研究开始时间第i类土地利用类型总面积。

2.4 土地利用程度指标

土地利用程度反映土地利用的广度和深度，其分级机制不仅反映土地利用中土地固有的自然属性，更突出人类社会与自然环境的综合作用。即：

(7)

式中:Ai为第i级土地利用的分级指数;Ci为第i级土地利用程度分级面积百分比;n为土地利用程度分级数。按照利用程度可分为四级:土地利用程度最低的荒地和草地为四级,林地及水域为三级,第二级是耕地及园地等人类开发利用痕迹明显的地类,最后一级为开发程度最强的城乡建设用地,交通用地等。

3 结果与分析

3.1 模拟精度验证与模型调整

结合当地情况，选取人口分布、GDP分布、距离铁路，公路的欧式距离、距离市中心，区中心的欧式距离、坡度及坡向作为土地利用变化模拟的驱动因子。就研究区土地利用类型而言，建设用地的扩张能力是最大的，能够以较低的成本和时间快速侵占其他土地利用类型。扩张能力最差的为林地，树木被砍伐之后土地的恢复能力较差，森林的形成需要大量的时间。研究区位于我国的南方湿润地区，降水较多，水域的扩张能力较其他区域更强。在这样的前提假设下，草地的扩张能力明显不如前几类土地能力强，草地主要分布在土壤较为贫瘠，气温较低，降水较少的地区，其自然扩张受限制严重。而耕地的扩张受人类活动和政策变化的影响较大，其自然扩张力较差。所以，参考现有研究成果，针对云南省土地利用类型进行领域因子参数调整[39]，耕地、林地、草地、水域及建设用地的邻域权重因子为0.20，0.01，0.30，0.40，1。

采用2015年数据模拟2017年的土地利用变化情况，Kappa系数为0.738，表明模拟结果与真值之间具有高度的一致性，精度较高，后续的模拟都将采用该基期数据及参数设置进行计算。

3.2 基于FLUS模型的土地利用模拟

依据5种共享社会经济路径下研究区未来人口及GDP变化数量，参考SSPs数据库中符合研究区SSPs情景下人口和GDP变化的林地、草地、耕地土地利用需求量，建设用地采用人口乘以人均建设用地面积的方式进行计算。所有的土地利用类型变化情况均以2015年土地利用真值作为预期基年，根据其需求量变化情况计算各情景模式下的土地利用类型栅格像元变化。

选取2020年、2050年、2080年、2100年为预测节点，结合FLUS模型进行多次迭代，直至满足预测节点的各情景模式下土地利用类型栅格数量，据此对不同SSPs情景下的土地利用变化进行预测。模拟精度为30 m，实现了小区域尺度上土地利用变化的精细化预测[41]。

3.3 土地利用动态变化分析

选取单一土地利用动态度、综合土地利用动态度(表1)对土地利用类型动态变化进行分析。结果表明SSP2情景的土地利用变化最稳定，除建设用地外其他土地利用面积净变化趋向0，退耕还林的趋势在逐步扩大，是云贵高原湖滨区为缓解气候挑战进行植树造林措施的体现。

表1 SSPs情景下单一土地利用动态度与综合土地利用动态度结果

SSP5情景土地利用变化最激烈，在2050年SSP5情景中各类型的土地利用发生了大量转换。最明显的转换发生在2020年，大量耕地转换为建设用地，符合SSP5情景下经济腾飞的假设。由于SSP5中面临的较少的适应挑战，林地总面积处于小幅上升趋势。随着经济快速增长，在SSP5情景下土地利用变化逐步减弱并达到稳定的状态，印证SSP5中的土地利用在2100年将回归为可持续的方式。SSP3与SSP5情景类似，2100年的土地利用综合动态度高于2050年土地利用综合动态度，印证了SSP3情景的盲目发展和混乱的土地管理假设。

由于将未来研究区划入了中等收入地区，影响了SSP4下的土地利用变化情况。耕地和牧场大量增加的土地利用变化趋势并不明显，出现了退耕还林等趋势。在SSP1情景中，土地利用变化趋势向最为可持续的方向发展。生态用地和建设用地处于有效管理中，土地利用变化和缓。SSP1在5种情景模式中耕地转换为林地的数量最多，表明可持续政策如退耕还林和有效的土地监管计划，对土地利用变化动态度有重要影响。

3.4 土地利用程度变化分析

土地利用程度指标通过土地利用的开发程度与集约程度，反映出土地利用处于何种阶段(发展期、调整期和衰退期)[42]。土地利用程度越高，人为影响越大，生态效应越低。在5种SSPs情景下(表2)，仅SSP1情景中的土地利用开发程度始终处于下降趋势，表明人为影响逐步减弱，生态效应逐步加强。而逐步上升的SSP3情景则表示人类活动正在加强对自然环境的干扰。其他3种情景模式变化方向均先增后减，体现了先增加人为影响到后回归自然效应的可持续化过程。

表2 SSPs情景下研究区的土地利用开发程度

3.5 土地利用空间变化分析

为研究土地利用变化的空间分布，对模拟预测和原始结果进行对比，获得研究期末2100年的模拟土地利用空间变化分布(图1)。

图1 SSPs情景下2100年土地利用变化空间分布示意图(局部)

5种SSPs情景下土地利用变化在种类、数量、复杂度和分布上有明显差异。SSP2情景变化最不明显，变化方向集中于耕地、林地等用地转变为建设用地，多集中在现有建设用地的边缘，数量和种类都较少，土地利用变化复杂度不高。SSP5情景变化与SSP2情景类似，该情景中社会已经回归一种理性、有序、可持续的土地利用方式，变化方向集中于林地和耕地的相互转换过程。

SSP1和SSP4情景代表“绿色型”；SSP3代表“红色型”土地利用变化方式。“绿色型”表现为其他用地被转化为生态用地，尤其是退耕还林和退耕还湖的趋势明显，是绿色可持续型土地利用。SSP1较SSP4的表现更明显，其生态用地的增速高于SSP4情景。“红色型”社会则采用一种人为用地野蛮扩张的土地利用变化方式，大量生态用地和生产用地被转化为建设用地，土地利用变化呈现混杂无序的局面。随着社会经济的进步和人口的增长，云贵高原湖滨区面临水资源大量消耗、农田面源污染突出及水生态环境脆弱性加剧等问题。为逐步修复湖泊水生态、改善水环境、提高水资源承载力，湖滨区未来应当极力避免“红色型”社会发展方向，选择“绿色型”社会发展方向，保障区域水生态安全。

3.6 景观格局变化分析

选取景观格局指数中11个评价指标：斑块数量(NP)、斑块密度(PD)、最大斑块指数(LPI)、面积—周长分维数(PAFRAC)、散布与并列指数(IJI)、聚集度指数(COHESION)、景观形状指数(LSI)、蔓延度指数(CONTAG)、分离度指数(SPLIT)、香农多样性指数(SHDI)及香农均匀度指数(SHEI)对土地利用模拟的景观水平和类型水平进行分析[39]。

景观水平上(表3)，对于数量、形态及变化趋势，除SSP3情景外，其他情景中的斑块数量均在增加，除SSP3外的情景模式中的景观破碎化情况趋于严重。各SSPs情景中的LSI变化不大且数值较高，斑块的形状处于较复杂的状态，SSPs情景模式均没有改变这种状态。对于聚集与分离特征，CONTAG在所有情景中均呈现先下降后上升趋势，SPLIT在SSP3，SSP4，SSP5情景中呈现相同趋势，2015—2050年经历了景观分散，优势斑块减弱过程。各情景下的SHDI与SHEI呈现先升后降趋势，表明景观格局经历了优势度“提高—下降”的情景，最终到研究期末时各情景下的斑块优势度表现趋同，优势度较为明显。

表3 SSPs情景下研究区景观水平上的景观格局指数

类型水平上(表4)，草地、耕地和林地的NP最多，破碎度最高，而水域和建设用地的集中性表现明显。对于林地，除SSP2与SSP3情景，其他情景中的林地斑块数量和密度均呈下降趋势，林地生态效应提高，土地利用变化趋向集中。草地的斑块数量仅在SSP3及SSP4中有下降趋势，表明在SSP3和SSP4中草地和建设用地经历着破碎化的过程。IJI由高到低依次为水域、建设用地、草地、耕地、林地。林地和耕地的分散度较其他几种类型更高；水域和建设用地受地形及人为活动等因素影响分布较集中。2100年的林地、耕地和水域的COHESION大于94%，林地的COHESION达99%，表明林地、耕地和水域斑块中的连通性最好。

表4 SSPs情景下的研究区各斑块类型水平上的景观格局指数

4 讨论与结论

研究表明，不同社会经济情景路线下的土地利用变化机理和表现具有不同特征：(1)关于土地利用动态变化，SSP2情景的土地利用变化稳定，SSP5情景的土地利用变化最激烈。(2)关于土地利用程度变化，SSP1情景中的土地利用开发程度呈下降趋势；SSP3情景中土地利用开发程度处于逐步上升状态；其他3种情景模式变化方向先增后减，体现了先增加人为影响到后回归自然效应的可持续化过程。(3)关于土地利用空间变化，SSP2情景变化方向集中于耕地、林地等用地转变为建设用地，土地利用变化复杂度不高；SSP5情景主要的变化方向集中于林地和耕地的相互转换过程；SSP1和SSP4情景主要表现为大量其他用地被转化为生态用地，尤其是退耕还林和退耕还湖的趋势明显，代表可持续的“绿色型”土地利用；SSP3情景表现为大量生态用地和生产用地被转化为建设用地，代表人为用地野蛮扩张的“红色型”土地利用。(4)关于景观格局变化，景观水平上，除SSP3情景外，其他情景中的斑块数量均在增加，除SSP3外的情景模式中的景观破碎化情况趋于严重；类型水平上，对于林地类型，除SSP2与SSP3情景，其他情景中的林地斑块数量和密度均呈下降趋势，草地的斑块数量仅在SSP3及SSP4中有下降趋势。

综合而言，SSP1情景下的土地利用变化最为稳定，土地开发程度始终处于下降趋势且大量其他用地被转化为生态用地，是高原湖滨地区最为理想的未来发展模式；SSP2情景下研究区保持现有发展情况，土地利用变化自然发展；SSP3情景下的土地利用开发程度和变化动态度较高，大量生态用地和生产用地被转化为建设用地，人类活动对自然环境的干扰随时间变化逐步加强，是未来高原湖滨地区发展需要避免的情景；由于将未来研究区定位为中等收入地区，SSP4情景下研究区发展不平衡情况严重，经济增长缓慢，生态进程也趋向缓慢；SSP5情景下研究区以大量能源消耗为代价，经济与科技高速发展，前期土地利用变化强度先增大，后期利用高新技术解决生态问题，土地利用变化强度逐步减弱并达到稳定的状态，最终回归可持续的方式。

为确保高原湖滨地区的可持续发展，首先，建立有序的政府管理，保证土地利用不出现盲目扩张和粗犷利用等极度破坏生态环境的行为；其次，稳固平和与公平化的地区关系建设；最后，应提高人民教育水平和群众素质，通过对人民教育水平的投入及可持续发展价值观的建设，进一步推进地区经济的发展和生态保护进程，做到全社会建立一致的绿色土地利用发展观念，有效促进区域可持续发展的政策落实，使社会向更为理想的社会发展情景发展。

共享社会经济路径是前沿的社会情景描述体系，可以支撑决策者的管理目标设定和短期决策评估，确定有效的可持续行动计划。研究所采用的SSPs数据库主要从国家层面设置情景参数，未能充分反映研究区的实际情况，预测结果可能产生一定的偏差，未来可借助更高精度的遥感影像和社会经济数据，不断完善模拟方法，进一步提高共享社会经济路径下的土地变化模拟精度。除SSPs框架的内容，可将SSPs与RCPs结合，探讨在同样社会经济情景下不同排放情景如何影响相关对象的变化。全球气候变化背景下，综合自然干扰和人类活动影响，进一步开展土地利用与森林景观、生物多样性及水文过程的模型耦合或是未来可持续发展的重要方向。