Welcome to visit Journal of Shaanxi Normal University(Natural Science Edition)!

Journal of Shaanxi Normal University(Natural Science Edition) >

2024 , Vol. 52 >Issue 4: 109 - 119

DOI: https://doi.org/10.15983/j.cnki.jsnu.2024108

Multi-objective collaborative optimization allocation of land use in ecologically fragile agricultural areas by coupling NSGA-Ⅲ and FLUS models

  • LI Shaoshuai 1 ,
  • LIU Xiaohuang 2 ,
  • ZHANG Chao 3 ,
  • JIN Jing , 4, * ,
  • CAO Wenjing 5 ,
  • LU Jing 6 ,
  • ZHANG Yan 1
Expand
  • 1 Land Consolidation and Rehabilitation Center, Ministry of Natural Resources, Beijing 100035, China
  • 2 Command Center of Natural Resource Comprehensive Survey,Beijing 100055, China
  • 3 College of Land Science and Technology,China Agricultural University, Beijing 100094, China
  • 4 China Center for Modernization Research, CAS, Beijing 100190, China
  • 5 Shenzhen Real Estate and Urban Construction Development Research Center, Shenzhen 518028,Guangdong, China
  • 6 Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100190, China

Received date: 2023-06-26

  Online published: 2024-08-20

Fold

Abstract

Developing flexible land use optimization allocation plans based on mathematical models and scenario simulations is crucial for promoting the coordinated development of ecological, agricultural, and economic lands in ecologically fragile agricultural areas. Taking the Ulan Buh irrigation district in the Hetao irrigation area as an example, this study utilizes morphological spatial pattern analysis (MSPA) and patch importance index to identify and extract ecological source areas. Subsequently, the NSGA-Ⅲ(non-dominated sorting genetic algorithm Ⅲ) and FLUS model are coupled to formulate elastic land use optimization allocation plans for ecologically fragile agricultural areas based on four scenario simulations. Results indicate that NSGA-Ⅲ can efficiently generate a Pareto solution set with multiple objectives, outperforming the 2020 land use benefits. However, scenarios prioritizing ecological security, food production, and economic development show marginal improvements in other objective benefits. Conversely, scenarios emphasizing balanced benefits development under minimal land use change conditions exhibit higher and more balanced comprehensive benefits. When devising land use optimization allocation plans, identifying land use coordination and conflict zones based on scenario-specific optimal allocations aids in formulating flexible plans to accommodate potential changes in economic policies and environments. Overall, this study provides insights for optimizing land use plans in ecologically sensitive and fragile agricultural areas.

Key words： land use; NSGA-Ⅲ; FLUS model; multi-objective collaboration; ecologically fragile agricultural areas

Cite this article

LI Shaoshuai , LIU Xiaohuang , ZHANG Chao , JIN Jing , CAO Wenjing , LU Jing , ZHANG Yan . Multi-objective collaborative optimization allocation of land use in ecologically fragile agricultural areas by coupling NSGA-Ⅲ and FLUS models[J]. Journal of Shaanxi Normal University(Natural Science Edition), 2024 , 52(4) : 109 -119 . DOI: 10.15983/j.cnki.jsnu.2024108

乌兰布和灌域位于河套灌区最西部,隶属河套灌区,是全国以“七区二十三带”为主体的农业战略格局组成部分,是重要的农产品主产区。同时,灌域地处乌兰布和沙漠东北部,是全国生态安全战略格局“两屏三带”中北方防沙带的组成部分,灌域覆盖部分荒漠,生态环境脆弱。1998年以来,灌域实施了大规模的节水改造工程,大量沙地、荒地被开发利用,在粮食安全、生态安全、经济发展等多元目标驱动下,灌域土地利用冲突加剧,土地利用结构波动明显,主要表现在耕、草、林、沙、湿等地类相互转变,农业用地和生态用地冲突趋显,建设用地与农业用地和生态用地之间冲突频现[1⇓-3]。该区域是生态脆弱农区的典型代表,系统诊断该区域土地利用冲突,研究未来不确定性环境和不同情景下的土地利用优化配置,对促进西部生态农区土地利用多目标协同、保障区域可持续发展具有决策支持作用。
土地利用优化配置通常通过设置相关目标和约束条件的方式来调整土地利用结构和布局,以此谋求目标效益的最大化。不同目标下的情景分析和模型模拟是开展土地利用优化配置的重要方法,主要采用数学预测模型和空间格局预测模型耦合的方式。其中,关于多目标的数学预测模型主要包括系统动力学模型、多目标线性规划法和遗传算法等。系统动力学模型依据系统动力学方法模拟系统的结构、功能与行为之间的动态关系,其模拟的土地利用变化与多种驱动力之间的循环反馈关系建立在对土地利用系统内部机制十分了解的基础之上,模型构建较为复杂[4-5]。多目标线性规划法的基本思想是将多目标转化为单目标,此法容易产生支配解的解集,与现实情况并不相符[6⇓-8]。遗传算法具有多点多方向搜索的特征,在一次搜索中可以得到多个Pareto最优解,被认为是最适合多目标优化的方法[9⇓⇓-12]。空间格局预测模型主要将元胞机(CA)[13-14]和CLUE-S模型[6,8-9]应用在土地利用结构布局效益协同优化方面。近年来,FLUS 模型在CA的基础上引入了自适应惯性系数和轮盘竞争机制,模拟精度高于传统CA和CLUE-S模型[15⇓-17]。可见,耦合遗传算法和FLUS 模型相对其他数学模型可以更好解决土地利用多目标协同优化配置问题。然而,仅依赖数学模型形成的土地利用优化配置方案,对未来社会经济和政策变化的应对缺乏弹性,其形成的土地利用优化方案明确了每块图斑的用途,在提升空间管理精细性的同时导致用途转变的灵活性有所欠缺。此外,现有研究在土地利用优化配置时大多从转换规则和面积等角度对区域发展进行数量约束,较少从布局上对区域进行空间约束。
基于上述考虑,本文拟采用MSPA和斑块重要性指数识别和提取生态源地,以生态源地作为空间约束,耦合NSGA-Ⅲ和FLUS模型,立足于河套灌区乌兰布和灌域面临的政策环境形势变化,分别从巩固北方防沙带生态安全优先、粮食安全优先、经济发展优先,以及最小土地变化条件下的均衡效益等4种情景开展土地利用多目标协同优化配置研究,形成具有弹性的土地利用优化配置建议,为生态脆弱农区持续发展提供参考。

1 研究区概况与数据来源

1.1 研究区概况

乌兰布和灌域大部分在巴彦淖尔市的磴口县域内,灌域东南至黄河与鄂尔多斯市隔河相望,西南与阿拉善盟毗邻,东北部与解放闸灌域接壤,西北靠阴山山脉。灌域内主要地带性土壤有灰漠土和棕钙土,气候干旱少雨,蒸发强烈,年降雨量130~215 mm,年蒸发量2 100~2 400 mm。灌域包括平原区和沙漠区,平原区土地肥沃,宜于灌溉;沙漠区面积广阔,其间分布众多湿地(图1)。
图1 研究区位置图

注:网络版为彩图。

Fig.1 Location of the study area

1.2 数据来源及预处理

本文使用的数据包括土地利用数据、基础地理数据、社会经济数据和相关规划数据。2000年、2005年、2010年、2015年和2020年乌兰布和灌域土地覆盖分类数据来源于中国科学院空天信息创新研究院的30 m遥感解译数据(http://data.casearth.cn/),研究区解译后的地类包括林地、草地、湿地、水体、耕地、建设用地和沙地。为便于计算土地利用的经济和生态效益,根据《湿地资源调查技术规程》,本文将研究区的水体(主要为湖泊湿地)和湿地(主要为沼泽湿地)合并归类为湿地。研究区水系、公路、铁路等基础地理数据来源于国家基础地理信息中心全国地理信息资源目录服务系统。高程数据来源于地理空间数据云(https://www.gscloud.cn/),并据此提取了坡度和坡向。经济、社会人口等数据来源于巴彦淖尔年鉴(2011—2020年)。相关行政区域的土地利用规划调整方案文本从相关地级市自然资源局网站下载。

2 研究方法

2.1 技术路线

首先,设置土地利用结构优化目标函数和约束条件。按照经济效益、粮食生产效益、生态效益等设置研究区多目标发展优化函数。通过MSPA和斑块重要性指数方法提取研究区生态源地,结合相关土地利用规划明确研究区各地类面积约束条件。其次,形成土地利用结构优化配置的Pareto解集。采用NSGA-Ⅲ求得研究区土地利用结构的Pareto解集,根据生态安全优先、粮食生产优先、经济发展优先和最小土地变化下的均衡效益等不同情景匹配对应的Pareto解。最后,形成不同情景下的土地利用优化布局。根据不同情景下的Pareto解,以生态源地为空间约束条件,通过运行FLUS模型求得各情景下的土地利用优化布局。

2.2 模型和算法

2.2.1 基于MSPA方法和斑块重要性指数评价的生态源地识别

生态源地是物种扩散、生态服务功能流动与传递的源点,是维护区域生态安全和可持续发展必须加以保护的区域。在任何发展情景下,生态源地都应作为必要的空间约束条件予以保留。
MSPA[18]是基于腐蚀、膨胀、开运算、闭运算等对二值图像进行度量、识别与分割的图像处理方法,该方法将二值图像的前景区域划分为7 类:核心区、孤岛、穿孔、边缘、环、桥和支线,分类互不重叠。一般来说,核心区是大型斑块。本文以林地、草地和湿地作为生态用地(前景区),通过MSPA重点提取核心区生态用地斑块;在此基础上采取斑块重要性指数评价研究区核心区生态用地斑块之间的连接水平,据此提取生态源地[19-20]。斑块重要性指数计算方法为
Cp= ∑ i = 1 n ∑ j = 1 n a i × a j × P i j * A 2,
d= C p - C r C p×100%。
式中:Cp为可能连通性指数; n为区域内斑块总数; ai和aj分别为斑块i和j的面积; P i j *为生物在斑块i和j直接扩散的最大可能性; A为景观总面积; d为斑块重要性指数; Cr为将该斑块剔除后景观整体的连通性。

2.2.2 NSGA-Ⅲ

NSGA-Ⅲ在NSGA-Ⅱ基础上改进得出,两者均基于基本遗传算法引入Pareto机制和非支配解的概念形成区别简单遗传算法的选择机制,该机制充分利用个体间的支配和非支配关系对种群进行分层,非支配层越高的个体被选择的概率越大。不同于NSGA-Ⅱ的拥挤距离算法[21],NSGA-Ⅲ采取创建参考点的方式替代搜索方向,从而获得广泛分布在Pareto最优前沿上的最佳解集,较好地解决了NSGA-Ⅱ因目标增加带来的计算复杂度过高、邻近元素寻找困难的问题[22-23]。本文用NSGA-Ⅲ求解研究区土地利用结构的Pareto解集。
在创建参考点方面,当目标数不超过5时,按照式(3)确定参考点数量;当目标数超过5时,按照式(4)的方法确定参考点数量[24]。
NrefCount= M + H - 1 H,
NrefCount= M + H i n - 1 H i n+ M + H o u t - 1 H o u t。
式中:NrefCount是参考点数量;M是目标数;H是单个目标轴上的划分数量;Hin和Hout分别代表内层和外层参考点超平面目标轴上的划分数量。

2.2.3 FLUS模型

本文以NSGA-Ⅲ计算的各情景土地利用结构数量作为 FLUS 的输入,通过FLUS求解不同发展情景下的土地利用布局[25]。
首先,通过人工神经网络模型确定土地利用与自然、社会、经济和政策因素之间复杂的对应关系,从而确定各用地类型在研究范围内的适宜性概率。算法为

sp(p,k,t)= ∑ jωj,k×sigmoid(netj(p,t))=

∑ jωj,k× 1 + e - n e t j ( p , t ) - 1。
式中:sp(p,k,t)为第k 种用地类型在栅格p和时间t上的适宜性概率;wj,k是隐藏层与输出层间的权重值;sigmoid是隐藏层到输出层的激活函数;netj(p,t)表示在时间t上第j个隐藏层栅格p所接收到的信号。
其次,综合每个栅格的适宜性概率、元胞的邻域影响和自适应惯性系数确定每个栅格的总概率,采取轮盘竞争机制来确定各地类之间是否会发生转换,在该机制下具有较小转化概率的栅格仍有机会进行用地的转化。
I n e r t i a k t= I n e r t i a k t - 1 , | D k t - 2 | ≤ | D k t - 1 | ; I n e r t i a k t - 1 × D t - 2 D k t - 1 , 0 > D k t - 2 > D k t - 1 ; I n e r t i a k t - 1 × D k t - 1 D k t - 2 , D k t - 1 > D k t - 2 > 0 。
式中: I n e r t i a k t 为第k类用地在t时刻的自适应惯性系数; D k t - 1 、 D k t - 2分别为第k 类用地在t-1、t-2时刻的土地需求数量与其所分配面积之差。

2.3 多目标函数构建与发展情景设定

2.3.1 多目标函数构建

结合研究区在主体功能区规划中的定位,以及磴口县城及其所属乡镇居民点大部分位于研究区内的现实,本文将经济效益目标、生态效益目标和粮食生产效益目标作为研究区土地利用优化配置追求的多元目标,各目标函数设置如下。
1)经济效益目标
maxF1= ∑ i = 1 nBixi。
式中:F1为经济效益(万元);xi为土地利用类型i的面积(hm2);Bi为经济效益系数,即土地利用类型i所产出的单位面积GDP。
鉴于研究区大部分区域在磴口县域内,且城镇均在磴口县域,因此以年鉴中磴口县2011—2020年各地类产值数据和土地利用现状数据计算得出逐年的经济效益系数,再利用GM(1,1)灰色预测模型预测2035年的经济效益系数(表1)。耕地、林地、草地、湿地、建设用地的经济效益系数分别对应年鉴中种植业、林业、畜牧业、渔业和工业的产值数据与其土地利用面积的商值。
表1 土地利用类型对应的经济效益系数和生态系统服务价值系数

Tab.1 Economic benefit coefficient and ecosystem service value coefficient corresponding to land use types

指标 林地 草地 湿地 耕地 建设用地 沙地
经济效益系数 0.917 5 1.164 1 4.144 8 1.766 3 100.447 6 0
生态系统服务价值系数 4.205 0 1.548 5 13.412 8 1.478 0 0.089 8
2)生态效益目标
maxF2= ∑ i = 1 nCixi。
式中:F2为生态效益(万元);xi为土地利用类型i的面积(hm2);Ci为各类型土地生态系统服务价值系数。
本文根据研究区主要粮食作物平均单产和价格,依据谢高地等[26]的生态系统服务价值当量因子测算生态系统服务价值系数(表1)。
3)粮食生产效益目标
maxF3=Cfxf。
式中:F3为粮食生产效益(万元);xf为耕地面积(hm2);Cf为耕地生态系统服务价值系数。

2.3.2 约束条件分析

1)空间约束
鉴于生态源地对保障区域可持续发展的支撑作用,本文设定的所有发展情景均将其作为空间约束条件。生态源地范围内的生态用地不能转化为其他地类,按照本文2.2.1的方法提取生态源地。
2)面积约束
为使土地利用多目标优化配置符合发展规律和政策约束条件,在区域国土空间规划尚未出台的情况下,本文以土地利用规划调整方案文本为依据,结合研究区过去20年土地利用变化情况、人口演变趋势和相关数学模型构建各地类约束条件(表2)。
表2 土地利用面积约束

Tab.2 Area constraints on land use

约束类型 约束条件/hm2 说明
总面积恒定 ∑ i = 1 6xi=212 497 各类土地面积总和恒定为研究区面积。
林地 5 692.98≥x1≥3 795.32 根据研究区2000—2020年遥感解译的林地变化幅度确定最大值,按照研究区林地占磴口县域林地的比例及磴口县土地利用总体规划确定林地保有量。
草地 77 932.81≥x2≥43 582.39 参照林地方法计算草地阈值。
湿地 19 548.45≥x3≥9 092.97 根据研究区2000—2020年遥感解译的湿地变化幅度确定最大值,最小值要求不低于生态源地范围内的湿地面积。
耕地保有量 90 460.9≥x4≥43 286 根据涉及的县域土地利用规划调整方案文本测算研究区耕地保有量,方法为Af= ∑ i = 1 n a i C i×Ai。
其中:Af是研究区耕地保有量;n是研究区涉及的县域数量;ai是研究区与第i县共有的耕地面积;Ci是第i县的耕地数量;Ai是第i县的耕地保有量。
根据《巴彦淖尔市“十四五”水安全保障规划》,按照2025年农田灌溉水有效利用系数较2020年的提升率确定耕地面积的上限值。
建设用地 8 043.4≥x5≥3 268.8 磴口县2010—2020年年均人口净减少500人,按该县人均396.89 m2建设用地标准、年均减少500人的建设用地规模推算2035年磴口县建设用地最小值;磴口县建设用地最大值取土地利用规划确定的建设用地控制数。研究区的建设用地上限值按照其占磴口县建设用地面积的比值同比例缩减。
沙地 x6≥55 311 受水资源约束,沙地不能无限制开发利用。本文以近20年来遥感解译的沙地面积最小值(2010年)作为现有技术和水资源约束条件下沙地开发利用的极限值。

2.3.3 发展情景设置

根据国家对研究区的功能定位,结合区域内外可能的形势变化,本文对研究区设定4种发展情景。
1)巩固北方防沙带下的生态安全优先发展情景。研究区作为北方防沙带的组成部分,有进一步增加生态源地和生态廊道以改善生态格局的潜在需求。该情景的目标是在保障耕地保有量和经济效益不降低的前提下,尽可能增加研究区生态用地,改善生态格局,提升区域的生态效益,即从遗传算法形成的Pareto非支配解集中选取生态效益最高的土地利用结构。
2)保障国家粮食安全下的粮食生产优先发展情景。我国口粮基本实现自给,但每年仍有一部分玉米等粮食或饲料需要进口,一旦国际形势紧张导致进口困难,会对粮食安全造成一定影响,在这样的情景下需要落实藏粮于地战略,将潜在的耕地随时用于粮食生产。该情景的目标是在研究区生态效益和经济效益不降低的前提下,尽可能增加耕地面积,即从遗传算法形成的Pareto非支配解集中选取粮食生产效益最高的土地利用结构。
3)经济优先发展情景。当国家对于生态安全和粮食安全没有更高要求时,地方政府出于发展需要,必会将改善民生、促进经济发展作为第一目标。该情景的目标是在保障研究区可持续发展和粮食生产不降低的基础上,实现经济效益最大化,即从遗传算法形成的Pareto非支配解集中选取经济效益最高的土地利用结构。
4)最小土地变化条件下的均衡效益发展情景。该情景的目标是选取土地利用结构变化幅度最小条件下达到生态、粮食生产和经济效益的均衡发展,即从遗传算法形成的Pareto非支配解集中选取与2020年土地利用现状最接近的土地利用结构。

4 结果与分析

4.1 生态源地提取结果

本文使用Guidos 2.8软件,基于MSPA方法提取内部和外部核心区景观图斑共计2 619块,总面积49 672.66 hm2。在此基础上使用Conefor软件对斑块重要性指数进行评价,将核心区斑块面积100 hm2以上、斑块重要性排名前30的斑块作为生态源地,共计27个图斑,总面积32 929.32 hm2,占MSPA提取的核心区图斑面积的66.29%,生态源地分布见图2。
图2 乌兰布和灌域生态源地分布图

注:网络版为彩图。

Fig.2 Distribution of ecological source areas in Ulan Buh irrigation district

4.2 土地利用结构优化方案的Pareto解集

本文使用Python 3.8调用DEAP计算框架中的NSGA-Ⅲ,经调参、编写代码实现研究区2035年多目标土地利用结构优化配置方案,经计算、比较得出29个Pareto非支配解点(图3)。从图3可看出,所有Pareto非支配解在各个维度的效益值均优于2020年土地利用效益值。
图3 多目标函数的Pareto非支配解集分布

Fig.3 Distribution of Pareto non-dominant solution set for multiobjective functions

4.3 不同情景土地利用配置分析

在形成的Pareto解集中,分别选取生态效益最高、粮食生产效益最高和经济效益最高的非支配解作为生态优先发展情景、粮食生产优先发展情景和经济优先发展情景的目标值;计算2020年土地利用现状与Pareto非支配解集土地利用面积之间的欧式距离,选取欧式距离最短,即土地利用变化幅度最小的Pareto非支配解作为最小土地变化条件下的均衡效益发展情景的目标值。各发展情景的土地利用结构见表3。
表3 不同发展情景下的土地利用面积和变化量 单位:hm2

Tab.3 The land use area and change area under different development scenarios

地类 2020年
面积		 2035年
生态安全优先
发展情景		 粮食生产优先
发展情景		 经济优先
发展情景		 最小土地变化条件下的
均衡效益发展情景
面积 变化量 面积 变化量 面积 变化量 面积 变化量
林地 4 163.67 4 052.52 -111.15 3 823.38 -340.29 3 888 -275.67 3 965.49 -198.18
草地 43 782.48 43 631.10 -151.38 43 624.44 -158.04 43 614.99 -167.49 43 605.9 -176.58
湿地 17 454.15 19 240.20 1 786.05 17 659.62 205.47 17 820.54 366.39 18 100.26 646.11
耕地 86 568.12 86 829.84 261.72 88 410.33 1 842.21 86 607.99 39.87 86 982.48 414.36
建设用地 3 467.25 3 393.36 -73.89 3 667.23 199.98 5 223.96 1 756.71 4 462.02 994.77
沙地 57 062.07 55 350.72 -1 711.35 55 312.74 -1 749.33 55 342.26 -1 719.81 55 381.59 -1 680.48
使用GeoSOS-FLUS软件,通过人工神经网络模型形成研究区土地利用适宜性概率图,以生态源地图层作为掩膜,限制源地内的土地利用变化,结合适宜性概率图,通过CA和轮盘竞争机制分别形成各发展情景下的土地利用优化布局(图4)。
图4 不同发展情景下的2035年土地利用优化布局

注:网络版为彩图。

Fig.4 Land use layout in 2035 under different development scenarios

从表4可看出,4种情景的土地利用效益均优于2020年的土地利用现状。
表4 不同发展情景的效益值 单位:万元

Tab.4 Benefits of different development scenarios

情景 经济效益 生态效益 粮食生产效益
2020年土地利用现状 628 313.684 452 486.414 127 947.814
生态安全优先发展情景 628 478.346 475 973.558 128 334.504
粮食生产优先发展情景 652 010.373 456 132.261 130 670.468
经济优先发展情景 805 911.961 455 886.535 128 006.609
最小土地变化条件下的均衡效益发展情景 731 258.277 460 507.161 128 560.105
1)生态安全优先发展情景。该情景下,生态效益提升最大,达5.19%;经济和粮食效益有较小幅度提升,分别提升了0.03%和0.30%。在土地利用结构变化方面,湿地、耕地增幅居于前列,分别增加10.23%和0.30%;主要减少的地类是沙地。在空间布局上表现为湿地向耕地和草地扩张,耕地向沙地和建设用地扩张。
2)粮食生产优先发展情景。该情景下,粮食生产效益提升最大,达2.13%;经济和生态效益分别提升了3.77%和0.81%。在土地利用结构变化方面,耕地、湿地和建设用地增幅居于前列,主要减少的地类是沙地和林草地。在空间布局上表现为建设用地向耕地扩张,耕地向林地、草地和沙地扩张。
3)经济优先发展情景。该情景下,经济效益提升最大,达28.27%;粮食生产和生态效益分别提升了0.05%和0.75%。在土地利用结构变化方面,建设用地和湿地增幅居于前列,分别增加50.66%和2.10%;主要减少的地类是沙地、林地和草地。在空间布局上表现与粮食生产优先发展情景近似。
4)最小土地变化条件下的均衡效益发展情景。该情景的土地利用变化幅度最小,生态效益提升1.77%,优于粮食生产和经济优先发展情景;粮食生产效益提升4.79%,优于生态和经济优先发展情景;经济效益提升16.38%,优于粮食安全和生态优先发展情景。其空间布局主要表现为湿地向耕地和草地扩张,耕地向沙地扩张,建设用地向沙地和耕地扩张。总体上看,其效益更加均衡,且土地利用转置成本较低。

4.4 不同发展情景下的土地利用协同冲突分析

为形成土地利用优化配置方案,本文对比了不同发展情景下的土地利用布局差异,按照差异程度划分出3种类型(图5):一是土地利用变化完全协同区,指4种发展情景均较2020年土地利用现状发生变化,且变化后的土地利用类型完全一致的区域;二是土地利用变化部分协同区,指较2020年土地利用现状发生变化,且有3种发展情景的土地利用变化类型一致的区域;三是土地利用冲突区,较2020年土地利用现状发生变化,且至少有2种发展情景的土地利用变化类型相冲突的区域。
图5 土地利用变化协同冲突区分布

注:网络版为彩图。

Fig.5 Distribution of land use change consistent zone and conflict zone

1)土地利用变化完全协同区。该区域总面积223.29 hm2,主要分布在灌域的中部,变化后的土地利用类型以湿地和耕地为主,面积分别为193.05 hm2和24.57 hm2。
2)土地利用变化部分协同区。该区域总面积590.67 hm2,主要分布在灌域的中部和北部,变化后的土地利用类型以湿地、耕地和建设用地为主,面积分别为356.31 hm2、102.06 hm2和93.78 hm2。
3)土地利用变化冲突区。该区域总面积3 669.03 hm2,空间布局较为分散。其中:涉及耕地的土地利用冲突图斑面积最大,为2 781.99 hm2,占冲突区总面积的75.82%,主要表现为耕地与沙地、草地之间的冲突;其次是涉及湿地的土地利用冲突,为375.57 hm2,占冲突区总面积的10.23%,主要表现为湿地与草地和沙地之间的冲突。这说明粮食安全与生态安全之间的权衡发展是研究区需要考虑的主要问题,冲突的原因与研究区自然地理状况和主导功能的定位有关。

5 结论与建议

5.1 结论

基于NSGA-Ⅲ可以快速形成研究区多目标下的Pareto解集,且解集内的各目标效益均优于2020年土地利用效益值。
生态安全优先发展、粮食生产优先发展和经济优先发展情景存在其他两项目标效益提升不明显的情况。相对来说,最小土地利用变化条件下的均衡效益发展情景可在土地利用变化幅度最小的情况下,达到更高、更均衡的综合效益。
制订土地利用优化配置方案时,宜在参考依托数学模型形成的各情景土地利用优化配置布局的基础上,形成具有一定弹性的方案,以适应区域可能发生的内外部经济政策环境变化。

5.2 建议

1)一般情况下,宜按照最小土地利用变化条件下的均衡效益发展情景对研究区土地利用进行安排;当发生国际粮食贸易脱钩断链等粮食危机情形时,按照粮食生产优先发展情景开发利用土地;当人口逐步减少,对粮食和建设用地需求减少,双碳目标加快执行时,按照生态优先发展情景利用土地;当研究区产业大量集聚,乡村进一步兴旺时,按照经济优先发展情景利用土地。
2)不论按照何种情景对土地进行开发利用,在土地利用布局优化安排上,优先开发利用完全协同区和部分协同区,最后开发利用冲突区。这样研究区能以最小的土地利用变化代价应对内外部经济政策环境的不确定性,从而使得规划方案具备弹性。
本文存在以下不足:在构建生态效益目标时直接引用前人的生态系统服务价值系数,后续需根据研究区实际情况对生态服务因子当量进行修正;因数据限制,用30 m分辨率遥感解译数据进行分析,其精度和分类标准与现行规划标准有差距,后续宜采用更加精准的土地利用分类数据对结果进行修正;自灌域实施大规模节水改造工程以来,单位面积灌溉用水量的降低促进了区域大规模沙地的开发,但水资源始终是该区域综合发展最重要的刚性约束,在后续研究中宜在水资源平衡分析的基础上,精准确定各类土地开发利用阈值。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
步怀亮, 史海滨, 闫建文, 等. 变化环境下沈乌灌域土地利用/覆盖时空变化分析[J]. 灌溉排水学报, 2017, 36(10):107-113.

BU H L, SHI H B, YAN J W, et al. Spatio-temporal variation of land use under changing environments in Shenwu irrigation district[J]. Journal of Irrigation and Drainage, 2017, 36(10):107-113.

[2]
田鑫, 李瑞平, 王思楠, 等. 基于VSWI和TVDI差异的河套灌区沈乌灌域耕地灌溉面积遥感监测[J]. 灌溉排水学报, 2020, 39(8):129-135.

TIAN X, LI R P, WANG S N, et al. Using remote sensing to estimate irrigation area in Shenwu region in Hetao irrigation district[J]. Journal of Irrigation and Drainage, 2020, 39(8):129-135.

[3]
李少帅, 郧文聚, 靳京, 等. 内蒙古河套灌区沈乌灌域生态系统健康评价和时空变化分析[J]. 地域研究与开发, 2018, 37(6):128-133.

LI S S, YUN W J, JIN J, et al. Ecosystem health assessment and temporal-spatial variation analysis of Shenwu irrigation area in Hetao irrigation district,Inner Mongolia[J]. Areal Research and Development, 2018, 37(6):128-133.

[4]
易阿岚, 孙清, 王钧. 基于SD模型的上海市湿地生态系统服务变化过程与情景研究[J]. 生态学报, 2020, 40(16):5513-5524.

YI A L, SUN Q, WANG J. The process of changes and scenarios of Shanghai wetland ecosystem service based on SD model[J]. Acta Ecologica Sinica, 2020, 40(16) : 5513-5524.

[5]
于昊辰, 曾思燕, 王庆宾, 等. 多情景模拟下新时代中国耕地保护底线预测[J]. 资源科学, 2021, 43(6):1222-1233.

DOI

YU H C, ZENG S Y, WANG Q B, et al. Forecast on China’s cultivated land protection baseline in the new era by multi-scenario simulations[J]. Resources Science, 2021, 43(6):1222-1233.

[6]
马冰滢, 黄姣, 李双成. 基于生态-经济权衡的京津冀城市群土地利用优化配置[J]. 地理科学进展, 2019, 38(1):26-37.

DOI

MA B Y, HUANG J, LI S C. Optimal allocation of land use types in the Beijing-Tianjin-Hebei urban agglomeration based on ecological and economic benefits trade-offs[J]. Progress in Geography, 2019, 38(1):26-37.

DOI

[7]
杨露, 颉耀文, 宗乐丽, 等. 基于多目标遗传算法和FLUS模型的西北农牧交错带土地利用优化配置[J]. 地球信息科学学报, 2020, 22(3):568-579.

DOI

YANG L, XIE Y W, ZONG L L, et al. Land use optimization configuration based on multi-objective genetic algorithm and FLUS model of agro-pastoral ecotone in northwest China[J]. Journal of Geo-Information Science, 2020, 22(3):568-579.

[8]
许小亮, 李鑫, 肖长江, 等. 基于CLUE-S模型的不同情景下区域土地利用布局优化[J]. 生态学报, 2016, 36(17):5401-5410.

XU X L, LI X, XIAO C J, et al. Land use layout optimization under different scenarios by using the CLUE-S model[J]. Acta Ecologica Sinica, 2016, 36(17):5401-5410.

[9]
刘菁华, 李伟峰, 周伟奇, 等. 权衡城市扩张、耕地保护与生态效益的京津冀城市群土地利用优化配置情景分析[J]. 生态学报, 2018, 38(12):4341-4350.

LIU J H, LI W F, ZHOU W Q, et al. Scenario simulation balancing multiple objectives for optimal land use allocation of the Beijing-Tianjin-Hebei megaregion[J]. Acta Ecologica Sinica, 2018, 38(12):4341-4350.

[10]
张孟真, 金晓斌, 韩博, 等. 基于改进CoMOLA模型的镇域土地利用优化[J]. 农业工程学报, 2020, 36(12):257-267.

ZHANG M Z, JIN X B, HAN B, et al. Optimization of township land use using improved CoMOLA model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(12):257-267.

[11]
王昊煜, 高培超, 谢一茹, 等. 基于改进型NSGA-Ⅱ算法的西宁市土地利用多目标优化[J]. 地理与地理信息科学, 2020, 36(6):84-89.

WANG H Y, GAO P C, XIE Y R, et al. Multi-objective optimization of land use in Xining city based on improved NSGA-Ⅱ[J]. Geography and Geo-Information Science, 2020, 36(6):84-89.

[12]
王世忠, 刘卫东, 曹振宇. 基于NSGA-Ⅱ的土地利用数量结构优化研究:以舟山市定海区为例[J]. 地理科学, 2010, 30(2):290-294.

WANG S Z, LIU W D, CAO Z Y. Land use quantitative structure optimization based on NSGA-Ⅱ—a case study of Dinghai district in Zhoushan city[J]. Scientia Geographica Sinica, 2010, 30(2):290-294.

DOI

[13]
杨俊, 解鹏, 席建超, 等. 基于元胞自动机模型的土地利用变化模拟:以大连经济技术开发区为例[J]. 地理学报, 2015, 70(3):461-475.

DOI

YANG J, XIE P, XI J C, et al. LUCC simulation based on the cellular automata simulation:a case study of Dalian Economic and Technological Development Zone[J]. Acta Geographica Sinica, 2015, 70(3):461-475.

DOI

[14]
吴掠桅, 刘耿. 基于人工蜂群CA模型的南京市土地利用变化模拟与预测[J]. 测绘通报, 2022(2):95-99.

DOI

WU L W, LIU G. Simulation and prediction of land-use change in Nanjing based on artificial bee colony cellular automata model[J]. Bulletin of Surveying and Mapping, 2022(2):95-99.

DOI

[15]
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(5):825-836.

DOI

SUN D Z, LIANG Y J. Multi-scenario simulation of land use dynamic in the Loess Plateau using an improved Markov-CA model[J]. Journal of Geo-Information Science, 2021, 23(5):825-836.

[16]
LI X, CHEN G Z, LIU X P, et al. A new global land-use and land-cover change product at a 1-km resolution for 2010 to 2100 based on human-environment interactions[J]. Annals of the American Association of Geographers,2017, 107(5):1040-1059.

[17]
刘小平, 黎夏, 艾彬, 等. 基于多智能体的土地利用模拟与规划模型[J]. 地理学报, 2006, 61(10):1101-1112.

LIU X P, LI X, AI B, et al. Multi-agent systems for simulating and planning land use development[J]. Acta Geographica Sinica, 2006, 61(10):1101-1112.

DOI

[18]
SOILLE P, VOGT P. Morphological segmentation of binary patterns[J]. Pattern Recognition Letters, 2009, 30(4):456-459.

[19]
陈德超, 施祝凯, 王祖静, 等. 苏州环太湖地区生态网络构建与空间冲突识别[J]. 生态与农村环境学报, 2020, 36(6):778-787.

CHEN D C, SHI Z K, WANG Z J, et al. Ecological network construction and spatial conflict identification around Taihu Lake area in Suzhou city[J]. Journal of Ecology and Rural Environment, 2020, 36(6):778-787.

[20]
SAURA S, PASCUAL-HORTAL L. A new habitat availability index to integrate connectivity in landscape conservation planning:comparison with existing indices and application to a case study[J]. Landscape and Urban Planning, 2007, 83(2/3):91-103.

[21]
DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm:NSGA-Ⅱ[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2):182-197.

[22]
DEB K, JAIN H. An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach,part Ⅰ:solving problems with box constraints[J]. IEEE Transactions on Evolutionary Computation, 2014, 18(4):577-601.

[23]
蒋宁, 范伟, 谢小东, 等. NSGA-Ⅱ和NSGA-Ⅲ应用于换热网络多目标优化的对比[J]. 化工进展, 2020, 39(7):2534-2547.

DOI

JIANG N, FAN W, XIE X D, et al. Comparative study of NSGA-Ⅱ and NSGA-Ⅲ on multi-objective optimization of heat exchanger network[J]. Chemical Industry and Engineering Progress, 2020, 39(7):2534-2547.

DOI

[24]
DAS I, DENNIS J E. Normal-boundary intersection:a new method for generating the Pareto surface in nonlinear multicriteria optimization problems[J]. SIAM Journal on Optimization, 1998, 8(3):631-657.

[25]
LIU X P, 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.

[26]
谢高地, 肖玉, 甄霖, 等. 我国粮食生产的生态服务价值研究[J]. 中国生态农业学报, 2005, 13(3):10-13.

XIE G D, XIAO Y, ZHEN L, et al. Study on ecosystem services value of food production in China[J]. Chinese Journal of Eco-Agriculture, 2005, 13(3):10-13.

Options
Outlines

/

〈 〉

Copyright © Journal of Shaanxi Normal University(Natural Science Edition)
Address: No.1000 Taoyuan Avenue, Yu Bei District, Chongqing　Post Code:401120
Tel: 029-81530883，81530879，81530885　　E-mail: lkxuebao@snnu.edu.cn
Powered by Beijing Magtech Co. Ltd.