基于多模型的縣域土地利用/土地覆蓋模擬

何蘇玲, 賀增紅, 潘繼亞, 王金亮

(1.云南師范大學地理學部,昆明 650500; 2.云南省高校資源與環境遙感重點實驗室,昆明 650500; 3.云南省地理空間信息工程技術研究中心,昆明 650500)

0 引言

土地利用/土地覆蓋(land use/land cover,LULC)變化是全球環境變化的重要一環,也是地理學研究的熱點。土地利用過程模擬是土地變化研究的重要內容之一,它是探討土地利用驅動機制、支持城市規劃和評估LULC變化對生態環境影響的重要工具[1]。截至目前,不同的機構和學者研制了大量的LULC模擬模型,如元胞自動機-馬爾科夫模型[2](cellular automata-Markov,CA-Markov)、局部土地利用競爭-元胞自動機模型[3](local land use competition cellular automata,LLUC-CA)、土地變化模型[2](land change modeler,LCM)、土地利用轉換及其影響模型(conversion of land use and it effects,CLUE)/小尺度土地利用轉換及其影響模型[4-5](conversion of land use and it effects at small regional extent,CLUE-S)、未來土地利用模擬模型[6](future land use simulation,FLUS)、斑塊生成土地利用模擬模型[7](patch-generating land use simulation,PLUS)等。上述模型在模擬不同區域未來的LULC空間格局方面表現出眾,眾多學者基于這些模型取得了很好的效果[8-10]。例如Darvishi等[11]通過集成多層感知器神經網絡(multi-layer perceptron neural network ,MLPNN)和Markov鏈模擬伊朗東北部2018年的LULC空間格局,其Kappa系數大于0.72。林伊琳等[12]通過FLUS模型模擬滇中城市群的國土空間分布格局,其總體精度為98.07%。崔旺來等[13]使用CA-Markov模型預測浙江大灣區2015年的土地利用狀況,其精度高達0.90。

盡管LULC模擬模型眾多,但不同的模型由于模擬的機理存在差異,其模擬精度不一。如林麗等[14]認為LCM模型在模擬勐臘縣LULC方面性能優于CA-Markov,CLUE-S和FLUS模型; 楊濟達等[15]指出在西雙版納橡膠林監測中,GEOMOD模型效果略高于CA-Markov; Yang等[3]表明在國家旅游度假區的LULC模擬中,LLUC-CA 模型的模擬精度高于CA-Markov; 陳柯欣等[16]認為,在相同的驅動力影響下,基于CA-Markov模型的黃河三角洲濕地模擬效果好于LCM模型; Wang等[17]認為用于北京市西城區LULC空間分布預測模型中,PLUS模型比FLUS模型更準確。綜上,不同的研究區適用的LULC模擬模型略有差異。因此,在進行某一特定區域的LULC模擬研究時,盡可能對比不同LULC模擬模型的精度,并從中篩選出模擬效果最好的模型,這對于后續的研究至關重要。

云南省祿勸彝族苗族自治縣是集革命老區、民族地區、高寒山區、生態涵養區和地質災害隱患區為一體的綜合體,是云南省昆明市主要的水源地和生態涵養示范區,享有“春之源”、“水之源”的美譽[18]。近幾十年來,云龍水庫的建設以及祿勸縣經濟的快速發展,導致了祿勸縣LULC變化劇烈?；诠雀璧厍蛞?Google Earth Engine,GEE)云平臺提取祿勸縣1991年、1997年、2003年、2009年、2015年和2021年高精度的LULC信息,并分析其時空演變特征; 利用隨機森林模型探究LULC變化的驅動因素; 從模擬精度、面積一致性、空間位置一致性和景觀破碎度幾方面對比CA-Markov,LCM,FLUS和PLUS 4種模型模擬祿勸縣2021年LULC的效果,最后從上述4種模型中選擇模擬效果最好的模型預測祿勸縣2027年的LULC狀況,為祿勸縣國土空間規劃提供科學參考。

1 研究區概況與數據源

1.1 研究區概況

云南省祿勸彝族苗族自治縣地處昆明市西北部(圖1),介于E102°14′～102°56′,N25°25′～26°22′之間,面積為4 234.78 km2?？h內地形復雜,山河相間,形成了大量斷裂帶,滑坡、泥石流等自然災害頻發。地勢自東北向西南緩降,由于地勢高低懸殊,形成了明顯的立體氣候[19]。2020年祿勸縣常住人口達37.89萬人,其中少數民族人口達11.35萬人,GDP總值為144.00億元。

1.2 數據源及其處理

1.2.1 LULC數據

LULC數據源自GEE平臺上的Landsat TM和OLI影像,根據前人研究成果[20-21],其分類體系定義為以下6種類型: 耕地、林地、草地、水體、建設用地和裸地。首先利用GEE平臺的時間和空間過濾器選擇祿勸縣1991—2021年的6期遙感影像,其中1991年、1997年、2003年、2009年的LULC數據源于Landsat TM影像,2015和2021年的LULC數據源自Landsat OLI影像。通過該平臺集成的算法對每期原始影像進行合成、裁剪、去云等操作,得到年度最小云量的影像,并基于同期影像和數字高程模型(digital elevetion model,DEM)提取歸一化植被指數(normalized differonce vegetation index,NDVI)、歸一化建筑指數(normalized difference built-up index,NDBI)、歸一化水體指數(normalized difference water intex,NDWI)、坡度和高程這5個光譜特征和地形特征以輔助分類?；谌斯つ恳暯庾g,通過Landsat影像及Google Earth高清影像選取LULC分類樣本點,并按照7∶3的比例設置訓練樣本和驗證樣本數量。最后利用隨機森林算法提取祿勸縣1991—2021年的LULC數據集。1991—2021年祿勸縣LULC數據的總體精度分別為0.92,0.93,0.94,0.94,0.92和0.90; Kappa系數分別為0.87,0.88,0.91,0.91,0.87和0.84。

由于CNLUCC,CLCD和GlobalLand30這3種LULC產品的空間分辨率都是30 m且精度較高,將祿勸縣2021年LULC分類結果與統計年鑒及上述3種產品進行比較,這幾種LULC產品詳細介紹請參考徐新良等[22]、Jun等[23]和Chen等[24]的研究。從LULC的空間格局來看(圖2(a),2(b),2(c),2(d),2(e)),祿勸縣2021年LULC產品與CLCD和GlobalLand30這2種產品具有較強的空間一致性,而與CNLUCC的空間差異較大。通過Landsat OLI影像和Google Earth高清影像對祿勸縣縣城以及云龍水庫兩處典型地區進行細節對比可以看出,在4種LULC產品中,祿勸縣2021年的LULC分類結果更接近實際情況,它保持了地物的細節特征并精確提取出了裸地。從LULC的面積來看(圖2(f),2(g)),CNLUCC的耕地面積和CLCD的林地面積與統計年鑒結果最接近。祿勸縣2021年LULC產品的耕地面積略高于統計年鑒,而林地面積則略低于統計年鑒結果,草地和水域的面積與GlobalLand30最為接近,建設用地和裸地的面積與CNLUCC接近。特別說明: 由于在統計年鑒中只找到耕地和林地的實際面積,因此僅有以上2種地類的面積與統計年鑒結果進行比較。綜上,本研究提取得到的祿勸縣LULC產品其分類精度、空間一致性都優于常見的3種LULC產品,且耕地和林地的面積與統計年鑒的差距不大,滿足研究要求。

圖2 不同LULC產品的對比

1.2.2 驅動因子數據

LULC變化受地形、氣候、人類活動等多種因素的影響,考慮到數據獲取難度、祿勸縣實際情況以及先前研究[25-26],從社會經濟和自然驅動2方面選取了高程、坡度、年均溫度、年均降水、距主要道路的距離、距主要河流的距離和人口密度7個LULC變化驅動因子(圖3)。高程和坡度從30 m的ASTER GDEM數據中提取(http: //www.gscloud.cn/),年均溫度和降水(2019年)由國家氣象數據中心的日值實測數據通過克里金插值法生成(http: //data.cma.cn),道路和河流來自中國1∶100萬基礎地理數據(https: //www.webmap.cn/),通過歐式距離工具得到,人口密度源自2016年祿勸縣統計年鑒(https: //data.cnki.net/)。由于上述數據來源不同,在ArcGIS中將其統一重采樣至30 m分辨率,并設置投影為WGS_1984_UTM_Zone_47N。

(a) 高程 (b) 坡度 (c) 年降水量

(a) 1991年 (b) 1997年 (c) 2003年 (d) 2009年

(e) 2015年 (f) 2021年 (g) 1991—2021年不同LULC類型的面積

2 研究方法

2.1 基于隨機森林模型的驅動因素分析

隨機森林模型屬于自然非線性的建模方法, 適合于評估復雜的、存在大量未知特征數據集中的自變量對因變量的影響[27]。隨機森林對于變量的重要性評估是通過修改的袋外數據(out-of-band,OOB)子集和原有數據精度得到的平均差異來確定[28]。具體過程如下: ①根據每個采樣集建立一棵決策樹,②根據OOB子集來預測,并獲得OOB的殘差均方,③變量Xi在b個OOB集合中進行隨機置換,形成新的OOB集合,并用已建立的隨機森林對新的OOB進行測試,獲得新的OOB的殘差均方,生成矩陣A; ④最后利用矩陣A計算各變量的重要性評分Scorei[29],計算公式為:

,

(1)

,

(2)

式中:p為變量個數;b為樣本個數;MSEj為第j個樣本的殘差均方;Se為標準誤差;i的取值范圍為[1,p]。

2.2 CA-Markov模型

CA-Markov模型是最常用的LULC模擬模型之一[30-31]。它耦合了元胞自動機(cellular automata,CA)模型模擬復雜系統空間變化的能力和Markov模型長期預測的優勢[32]。本文基于祿勸縣2009—2015年的LULC數據,通過Markov鏈獲取其轉移概率矩陣,并根據高程、坡度等7個驅動因子,使用Logistic回歸獲得不同LULC類型的適宜性圖集,將濾波器大小和元胞迭代次數分別設置為5×5和10,最后根據CA模型模擬出祿勸縣2021年的LULC結果。

2.3 LCM模型

LCM模型是集多層感知器神經網絡、Markov模型和軟硬預測模型為一體的LULC預測模型[14]。它通過像素模擬、使用適宜性地圖來指定每個像素轉移類型的優先級,并預測LULC類型空間位置的變化情況[16]。LCM模型的核心是轉化潛力模型的構建,即根據LULC變化驅動因子和多層感知器(multilayer perceptron,MLP)模型計算不同地類的轉移潛力。本文基于祿勸縣2009—2015年的LULC變化情況,根據高程、坡度等驅動因子和MLP模型計算不同地類的轉移潛力,根據Markov鏈計算其轉移概率矩陣,最后通過軟預測模型模擬出祿勸縣2021年LULC格局。

2.4 FLUS模型

FLUS模型是由劉小平教授團隊在CA模型中開發了一種自適應慣性和競爭機制,以處理不同LULC類型之間復雜的競爭和相互作用[6]。FLUS模型主要分2階段,一是基于某一時期的LULC數據及其驅動因子,采用人工神經網絡算法(artificial neural network,ANN)訓練特定像元上不同LULC類型的發展適宜性概率; 二是利用輪賭盤選擇的自適應慣性競爭機制模擬LULC分布。由于競爭機制的運用,該模型能有效規避LULC轉換過程中的不確定性和復雜性,較好地避免誤差傳遞[33]。本文首先利用ANN算法獲取高程、年均降水等驅動因子下2015年不同地類變化的適宜性概率,然后基于CA模型以自適應慣性和競爭機制獲取祿勸縣2021年的LULC模擬結果。其中耕地、林地、草地、水體、建設用地和裸地的鄰域權重分別設置為: 1,0.1,0.1,0.5,0.2和0.4,不同地類之間的轉移規則設置如表1所示。表中,1表示地類之間可以相互轉換,0則表示不可轉換。

表1 不同地類之間的轉移規則

2.5 PLUS模型

PLUS模型是耦合了一種新的土地擴張分析策略(land expansion analysis strategy,LEAS)和基于多類型隨機斑塊種子的CA模型(cellular automata model based on multi-type random patch seeds,CARS),可以更好地模擬多類LULC斑塊級的變化[7]。LEAS從2期LULC數據中提取出各LULC類型擴張的區域,并采用隨機森林算法逐一挖掘各類LULC擴張的因素,以獲得各LULC類型的發展概率。LEAS簡化了LULC變化的分析,但保留了分析復雜LULC變化機理的能力,解釋性更好[34]。CARS結合隨機種子生成和閾值遞減的機制,在發展概率的約束下,動態模擬斑塊的自動生成[7]。本文首先利用2015年、2021年2期LULC提取其擴張數據; 然后利用上述LULC變化驅動因子和LULC擴張數據,計算出各類用地的適宜性概率; 最后基于CARS的CA模型獲取2021年祿勸縣LULC模擬結果,其中各地類的鄰域權重和轉換規則和FLUS模型設置一致。

2.6 精度驗證

采用混淆矩陣中的總體分類精度(overall accuracy,OA)、Kappa系數(K)、生產精度(production accuracy,PA)和用戶精度(user accuracy,UA)進行LULC提取和模擬結果的精度檢驗。具體計算公式為:

,

(3)

,

(4)

,

(5)

,

(6)

式中:n為分類類別數;N為驗證樣本數量;Pi為每類中正確樣本的數量;Pi+為分類器將驗證樣本分為某一類別的總數;P+i為某一類別驗證樣本總數。OA、Kappa系數、PA和UA越大,代表分類/模擬效果越好,其中Kappa系數大于0.8表示分類/模擬結果非常好; Kappa系數在0.6～0.8之間表示分類/模擬結果很好; Kappa系數在0.4～0.6之間表示分類/模擬結果較好; Kappa系數小于0.4則表示模擬結果很差[35]。

2.7 景觀格局評價

景觀破碎化直接影響區域生物多樣性、物質循環與能量流動等過程,景觀指數是表征景觀破碎化最常用的方法[36]。參考前人的研究[37-39],本文從景觀要素的斑塊特征破碎化、景觀異質性破碎化和空間相互關系破碎化3方面選取聚集度(aggregation index,AI)、平均斑塊面積(AREA-MN)、蔓延度(contagion indes,CONTAG)、邊緣密度(edge density,ED)、景觀形狀指數(landscape shape inedx,LSI)和斑塊密度(patch density,PD)6個景觀指數來比較不同的LULC模擬模型所成成的LULC景觀格局的破碎化程度。上述景觀指數的計算公式及其意義見表2。

表2 衡量景觀破碎化的典型景觀指數

3 結果與分析

3.1 研究區LULC時空演變特征

祿勸縣的LULC以耕地、林地和草地為主,耕地主要分布在南部,林地和草地在全縣均有分布(圖4)。耕地、林地和草地分別占地類總面積的25.76%,45.20%和28.33%。1991—2021年,祿勸縣耕地面積經歷了緩慢增長、劇烈減少的過程。1991—2015年其以23.71 km2/a的速率緩慢增長; 2015—2021

年其以79.97 km2/a的速率劇烈減少。林地、建設用地和裸地面積不斷增加,三者面積分別增加了724.25 km2,27.72 km2和21.08 km2。草地面積經歷了先減少后增加的變化過程,1991—2015年其年均減少40.58 km2; 2015—2021年其年均增加16.35 km2。水體面積呈現出波動增加的趨勢,其面積由7.49 km2增長至35.21 km2,年均增長約0.92 km2。

3.2 LULC變化的驅動因素分析

基于隨機森林模型評估各驅動因子對不同LULC類型變化的重要性。對祿勸縣LULC類型變化影響較大的因素主要是地形條件(高程和坡度)(表3)。耕地的空間變化主要與高程、坡度和年均降水相關,因為隨著高程和坡度的降低,耕地轉為建設用地的概率會增加。林地和草地的發展受到高程、坡度、年均降水和年均溫度的影響,因為在海拔高、坡度大且水熱條件較好的區域,最適合植被生長,不適宜進行農業耕種或者城市建設,因此制約了其向其他LULC類型的轉變。水域的變化與高程和坡度呈現出較強的相關性,裸地主要與高程和年均降水密切相關。建設用地的發展除了受限于高程、坡度和年均溫度等自然因子外,還與人口密度密切相關,這是因為人口增長是推動城市發展的重要原因之一。表3為每種驅動因子對LULC變化的重要性。

表3 不同驅動因子對LULC變化的重要性

3.3 4種LULC模擬模型評價

3.3.1 模擬精度

使用CA-Markov ,LCM,FLUS和PLUS這4種LULC模擬模型分別模擬祿勸縣2021年LULC狀況,并將其與實際LULC數據進行驗證,可以看到4種不同模型的LULC模擬效果差異巨大(表4)。就模擬的Kappa系數和總體精度來說,4種LULC模擬模型的精度排行為PLUS>FLUS>CA-Markov>LCM。對于不同地類模擬的生產精度而言, LCM模型模擬耕地的效果最好; FLUS模型模擬裸地的精度最高; PLUS模型在模擬林地、草地、水域和建設用地的精度是最高的。對于不同地類模擬的用戶精度而言,PLUS模型在模擬耕地、草地和水域的精度是最高的; CA-Markov和LCM模型分別模擬林地和建設用地的精度最高; PLUS和FLUS模型模擬裸地的精度相同。

表4 不同LULC模擬模型的模擬精度

3.3.2 面積一致性

4種不同的LULC模擬模型所模擬的2021年祿勸縣不同LULC類型的面積差異明顯(圖5)。與2021年祿勸縣不同LULC類型的實際面積相比,耕地在CA-Markov和LCM模型模擬中被嚴重高估,特別是在LCM模型中,其模擬面積約為實際面積的1.71倍; 而在FLUS和PLUS模型模擬中其面積只是略高于實際面積。林地在CA-Markov和LCM模型模擬中很大程度地被低估,兩者分別被低估了397.42 km2和693.71 km2; FLUS模型模擬的林地面積和其實際面積相同; PLUS模型模擬所得的林地面積與其實際面積相近。草地在CA-Markov和LCM模型模擬中被略微高估,而在FLUS和PLUS模型模擬中其面積與實際面積幾乎一致。水體在4種模型的模擬中都被低估,其低估面積分別為15.32 km2,15.25 km2,14.80 km2和12.01 km2。建設用地實際面積與FLUS模擬所得面積相同,其在CA-Markov和LCM模型被嚴重低估,而在PLUS模型中被略微高估。裸地在CA-Markov和LCM模型中被低估,其中CA-Markov模型低估的程度更大,而在FLUS和PLUS模型模擬中其與實際面積非常接近。

(a) 耕地 (b) 林地 (c) 草地

3.3.3 空間位置一致性

短語大部分出現于于標題和提綱，用于概括敘述綱目、要點。引導學生在閱讀課文時擬寫提綱，就是要讓他們把文本中說明的內容，用簡單而對稱的詞語、短語編寫出來。對于要點不那么明顯的文章，學生準確把握內容比較困難，在預習提示中就需引導擬寫提綱進行梳理。

4種不同的LULC模擬模型所模擬的2021年祿勸縣LULC空間分布格局差異明顯(圖6)。 CA-Markov模型模擬得到的祿勸縣LULC空間格局與其實際的分布格局有較大的不同,特別是在金沙江和普渡河上游地區,大量的林地和草地被模擬成了耕地。LCM模型模擬的祿勸縣LULC空間分布格局整體與其實際情況存在很大差異。FLUS模型模擬的LULC空間分布格局與其實際情況比較相似,但其在湯郎鄉西部和烏東德鎮北部存在部分建設用地的過度模擬。PLUS模型所模擬的LULC空間分布格局與其實際情況最相似,但其轉龍鎮和九龍鎮西部的建設用地也存在過度模擬的現象。進一步對祿勸縣2處典型地物(云龍水庫和祿勸縣城建設用地)的細節特征對比可以發現,PLUS模型模擬得到的LULC空間分布特征與其實際情況最為接近。

(a) 2021年LULC實際結果 (b) CA-Markov模型模擬結果 (c) LCM模型模擬結果

3.3.4 景觀破碎度

對比4種模型用于衡量景觀破碎度的各項景觀指數及其與2021年LULC實際景觀指數之間的差值(圖7)。就AI和CONTAG指數的大小而言,CA-Markov>LCM>PLUS>FLUS模型; 從AREA-MN指數來看,CA-Markov>LCM>FLUS>PLUS模型; 從ED和LSI指數分析,FLUS>PLUS>LCM>CA-Markov模型; 根據4個模型所得PD指數的大小排序,PLUS>FLUS>LCM>CA-Markov模型。 AI,CONTAG和AREA-MN指數是反映景觀破碎化程度的負向指標,ED、LSI和PD指數是反映景觀破碎化程度的正向指標。因此在4個模型中,CA-Markov模型模擬所得的LULC景觀破碎度最小,而FLUS模型模擬的LULC景觀破碎化程度最大。

(a) AI (b) AREA-MN (c) CONTAG

3.4 研究區2027年LULC模擬

通過上述實驗,從模擬精度、面積一致性、空間位置一致性和景觀破碎度4方面對CA-Markov,LCM,FLUS和PLUS這4種LULC模型的模擬效果進行了比較。其中,PLUS模型是祿勸縣LULC模擬效果最佳的模型,因此基于該模型模擬了祿勸縣2027年的LULC狀況。2027年祿勸縣的LULC空間格局依舊以林地、草地和耕地為主導,三者約占全縣總面積的98.27%(圖8)。2021—2027年,耕地、草地和水體的面積不斷減少,其減少速率分別為40.21 km2/a,4.51 km2/a和0.70 km2/a; 林地、建設用地和裸地迅速擴張,其擴張面積分別為265.52 km2,4.85 km2和2.08 km2。其中,約有252.49 km2的耕地和26.43 km2的草地向林地流轉,使得林地面積快速增加。

(a) 2027年不同LULC類型的空間分布 (c) 2027年不同LULC類型的面積占比

4 討論與結論

4.1 討論

4.1.1 不同模型模擬精度差異的原因

CA-Markov,LCM,FLUS和PLUS模型模擬祿勸縣LULC的精度不一,其中PLUS模型的模擬精度最高,FLUS模型次之,LCM模型的模擬效果最差,這與Liu等[6]、Liang等[7]的研究結論一致。4種模型的精度差異與其CA模型轉換挖掘策略與參數校準有關。CA-Markov模型基于Logistic回歸來獲取CA模型的轉化規則和參數,該方法雖然簡單,但線性模型難以反映土地利用變化涉及的非線性復雜特征[1]。LCM和FLUS模型分布采用多層感知神經網絡(multi-layer perception ANN,MLP-ANN)和ANN算法來進行訓練,有效地解決了LULC預測的非線性和空間結構分布的問題[14],但ANN屬黑箱結構,存在學習、局部最小值和收斂速度慢等問題[1]。PLUS模型采用了一種新的轉換策略——LEAS,這種轉換策略很好地結合了Logistic回歸和ANN算法的優點并克服了其缺點[7]。

LULC的空間分布格局會對其模擬精度產生影響。祿勸縣耕地、林地、草地、水體、建設用地和裸地在4個模型中的平均生產精度分別為0.72,0.77,0.47,0.46,0.25和0.32(表4); 平均用戶精度分別為0.58,0.86,0.47,0.75,0.37和0.34。從景觀格局的角度分析(圖9),AI最高且PD較低,在空間上集中分布,且模擬過程不易被其他地類侵占,從而使得模擬的林地與真實的林地之間具有較高的空間一致性,因此模擬精度最高。而草地的PD最高,在模擬過程中容易被其他地類分割,導致模擬結果與真實圖像之間的位置一致性降低,因此模擬精度較低。

圖9 2021年祿勸縣不同LULC的景觀指數

4.2 結論

研究基于GEE平臺提取的多期LULC數據,分析了1991—2021年祿勸縣LULC變化的時空特征,并對比了CA-Markov,LCM,FLUS和PLUS 4種模型在祿勸縣LULC模擬的精度,最終基于“最適宜”模型模擬了祿勸縣2027年的LULC狀況,為同地區LULC模擬模型的選擇提供了科學依據,主要結論如下:

1)1991—2021年,祿勸縣LULC以耕地、林地和草地為主,分別占地類總面積的25.76%,45.20%和28.33%。耕地和水體面積波動增加89.26 km2和27.72 km2; 林地、建設用地和裸地面積持續增加724.25 km2,21.08 km2和13.67 km2; 草地面積波動減少,其年均減少29.20 km2。

2)祿勸縣LULC變化主要受到地形條件(高程和坡度)的影響。耕地、林地、草地和裸地的變化除了受地形影響外,還與年均降水、年均溫度等氣象因素相關。建設用地的發展不僅與地形和年均溫度等自然因子有關,還與人口密度密切相關。

3)4種LULC模型的模擬精度排行為PLUS>FLUS>CA-Markov>LCM。與2021年祿勸縣不同LULC類型的實際面積相比,耕地和草地在CA-Markov和LCM模型模擬中分別被高估,而林地、建設用地和裸地在這2個模型中則被低估,水體在4種模型的模擬中都被低估。PLUS模型模擬得到的LULC空間分布特征與祿勸縣實際情況最為接近。在4個模型中,CA-Markov模型模擬所得的LULC景觀破碎度最小,而FLUS模型模擬的LULC景觀破碎化程度最大。

4)2027年祿勸縣的LULC空間格局依舊以林地、草地和耕地為主。2021—2027年,耕地、草地和水體的面積分別以40.21 km2/a,4.51 km2/a和0.70 km2/a的速率減少; 而林地、建設用地和裸地分別向外擴張265.52 km2,4.85 km2和2.08 km2。

受數據獲取的限制,本文LULC變化的驅動因子尚未選擇GDP數據,且在未來模擬中沒有將生態紅線、政府調控政策等考慮其中。在未來的研究中,更多、更精細的驅動因子和宏觀調控政策將被用于LULC變化模擬中,以提高模擬的精度。