土地利用模式特征分析水平

在土地利用研究领域，科学的纪律和传统导致了两种截然不同的方法出现。社会科学领域的研究人员有着悠久的研究个人行为的传统微观层面(Bilsborrow and Okoth Ogondo, 1992;冰生，1996)等人利用微观经济学和社会心理学的定量模型。地理学家和生态学家植根于自然科学而不是社会科学，他们关注的是土地覆盖和土地利用大规模的，连接遥感和地理信息系统的空间显式方法，并使用社会组织的宏观属性，以确定与气候变化相关的社会因素大规模的模式。由于明确的空间土地利用研究与社会科学之间的联系很差，土地利用建模者很难利用丰富的社会科学理论和方法。这是由于社会科学内部不断存在的困难，难以将社会组织的微观和宏观层面相互联系起来(Coleman, 1990;Fox等人，2002;盖根等人，1998;华生,1978)。

微观角度

模型基于微观层面视角是基于对个体行为的模拟和这种行为的放大，以便将其与土地利用模式的变化联系起来。这里将讨论两种最重要的方法:多主体模拟和微观经济模型。

多主体模型模拟个体主体对土地利用变化的决策，明确解决个体之间的相互作用。对代理之间交互的明确关注使得这类模型能够模拟系统的紧急属性。紧急属性是宏观尺度的属性，不能通过孤立地观察微观单元来预测。如果微单元之间存在重要的相互作用，并对微行为进行反馈，那么这些属性就会“出现”。如果智能体的决策规则被设置得足够像人类的决策，那么它们就可以模拟人工智能体的行为meso-level社会组织，即非同质行为者群体的行为(Parker et al.， 2003)。多主体模型可以阐明系统级别的属性在多大程度上仅仅是由局部进化力量产生的，以及这些局部过程在多大程度上受到它们对生态系统或生物圈的持久性和持续功能的影响和塑造(Levin et al.， 1998)。直到最近，数学和计算能力限制了这类模型的操作。最近，研究团队开发了适用的模拟系统，通常用于与土地利用变化模型完全不同的目的(Cubert和Fishwick，

1998;迪亚斯,1995;鲁茨,1997)。最著名的生态和土地利用模拟系统是由圣菲研究所开发的SWARM环境(Hiebler et al.， 1994)。

多主体模型应基于不同环境下社会经济行为的详细信息(Conte等人，1997;Tesfatsion, 2001)。这些信息可以从社会学家广泛的实地研究中获得。可以通过敏感性分析来检验影响土地利用变化的不同过程的相关重要性，并将其与更高级别的聚集联系起来。在总体水平上的模拟行为可以促进将个人行为与集体行为联系起来的新理论的发展。中观层面的研究通常表明个体如何相互作用形成群体并组织集体行动，以及这种集体决策如何随着群体规模、集体社会资本等而变化。

目前大多数多智能体模型只能模拟相对简化的景观，因为需要考虑的相互作用的智能体和因素的数量仍然太多，无法全面建模(Kanaroglou and Scott, 2001)。最近，大量的多主体建模者开始关注土地利用变化过程，并对这些系统的微观动态提供见解(Barreteau和Bousquet, 2000;伯杰,2001;Bousquet et al.， 1998;Bura等人，1996年;Huigen, 2004;曼森,2000;Polhill等人，2001;Rouchier等人，2001;桑德斯等人，1997; Vanclay, 1998).

Kaimowitz和Angelsen(1998)和Irwin和Geoghegan(2001)回顾了基于微观经济理论的各种各样的土地利用模型。大多数经济土地利用变化模型都是从个体土地所有者的观点出发的，这些土地所有者在做出土地使用决策时，目标是实现预期收益或效用最大化。反过来，这些模型使用经济理论来指导模型的发展，包括函数形式和解释变量的选择(Ruben et al.， 1998)。关于行为的假设来自微观层面。这将这些模型限制在能够识别所有个体的应用程序上。扩大这些模型会产生困难，因为它们主要是为在微观层面上工作而设计的。Jansen和Stoorvogel(1998)以及Hijmans和Van Ittersum(1996)已经表明，当这种类型的模型在更高的聚合水平上使用时，会出现规模问题。

宏观的角度

使用宏观层面视角的研究通常基于宏观经济理论或应用系统方法。使用宏观视角的经济模型的一个典型例子是为中国开发的IIASA LUC模型(Fischer和Sun, 2001)。该模型的空间分辨率较低(中国有8个地区)，由于考虑了多个经济部门，因此对数据的要求很高。其目的是对推动土地利用和土地覆盖变化的各种社会经济和生物物理力量之间的空间和时空相互作用进行综合评估。该模型基于应用一般均衡模型的最新进展。应用一般均衡模型使用投入产出会计表作为经济的初始表示，并应用动态福利优化模型。用数学术语来说，资源使用和转换的福利最优水平是经济和资源的初始状态、消费者偏好和生产关系的参数化以及(外生的)特定动态和约束(如人口增长和气候变化)的函数。raybet雷竞技最新

其他土地利用变化模型建立在土地利用空间结构分析的基础上;因此，它们不受个人或经济部门行为的约束。在这些模型中，CLUE模型(Verburg和Veldkamp, 2004;Verburg et al.， 1999);GEOMOD2 (Pontius et al.， 2001;Pontius和Malanson, 2005);LOV (White和Engelen, 2000)和LTM (Pijanowski等人，2002)。

Cross-scale动力学

上述微观和宏观研究视角的讨论涉及到尺度问题。尺度是科学家用来测量和研究对象和过程的空间、时间、定量或分析维度(Gibson et al.， 2000)。所有的尺度都有范围和分辨率。程度是指测量中使用的尺寸的大小(例如，地图上覆盖的区域范围)，而分辨率是指测量中使用的精度(例如，晶粒尺寸)。对于每一个对土地利用和土地覆盖变化很重要的过程，都可以确定一个尺度范围，在这个范围内，对土地利用格局产生重大影响(Dovers, 1995年;Meentemeyer, 1989)。这些过程可能与外生变量有关，即土地利用变化的所谓“驱动力”。通常，驱动力和相关土地利用变化过程作用的空间尺度范围与组织水平相对应。级别是指在等级组织系统中的组织级别，其特点是其在等级系统中的等级顺序。组织层面的例子包括有机体或个体，生态系统、景观以及国家或全球政治机构。这些过程之间的许多交互作用和反馈发生在不同的组织级别。层次理论认为，一定规模的过程受到直接高于或低于参考水平的环境条件的约束，因此产生了一个约束“包膜”，过程或现象必须保持在其中(O' neill et al.， 1989)。

大多数土地利用模型完全基于一个尺度或水平。通常，这种选择是基于任意的、主观的原因或科学传统(即微观或宏观层面的视角)，而没有明确的报道(Gibson等人，2000;华生,1978)。依赖于地理数据的模型通常使用规则网格来表示所有数据和过程。分析的分辨率由测量技术或数据质量决定，而不是由规定的过程决定。其他方法选择了特定的分析水平，例如家庭水平。对于特定的数据集，最优的分析水平可能存在于可预测性最高的地方(Goodwin和Fahrig, 1998;Veldkamp和Fresco, 1997)。不幸的是，这些水平并不一致，因此，最好不要使用先验的观察水平，而是从数据的仔细分析中提取观察水平(Gardner, 1998;O'Neill and King, 1998)。

建立社会文化力量模型的任务是困难的，因为人类既是个体决策者(大多数计量经济学模型都假设如此)，也是社会系统的成员。有时这些角色的目标相互冲突。在生物物理过程中也发现了类似的尺度依赖性。通常不能直接确定单个过程的聚合结果。Rastetter等人(1992)和King等人(1989)指出，对生态系统关系的精细尺度非线性函数形式进行简单的空间平均，或者对计算此类函数形式的空间聚合版本所需的数据进行简单的空间平均，可能导致大量的聚合错误。这就是众所周知的“平均谬误”。

除了这些空间尺度的基本问题外，另一个尺度问题与观察的尺度有关，因此，更与实践有关。由于我们观察土地利用的能力有限，范围和分辨率大多是联系在一起的。由于我们的观测方法、数据分析能力和成本，大空间范围的研究总是有相对粗糙的分辨率。这意味着，在小型区域案例研究中可以观察到的特征，在较大区域的研究中通常无法观察到。另一方面，由于局部研究的范围较小，往往缺乏从较粗尺度数据中获得的关于案例研究区域背景的信息。观察的尺度通常与所研究的过程所处的尺度/水平不一致，导致过程的不适当确定(Bloschl和Sivapalan, 1995;舒尔茨,2000)。

关于尺度问题的讨论可以概括为对土地利用变化分析很重要的三个方面:

•土地使用是不同尺度上多个过程的结果。在每个尺度上，不同的过程对土地利用具有主要影响。

•详细规模流程的聚合并不能直接导致更高级别流程的正确表示。非线性、突发事件和集体行为导致了这种规模依赖性。

•我们的观测受到测量范围和分辨率的限制，导致每个观测只能提供整个多尺度土地利用系统的部分描述。

尽管人们普遍认识到明确处理土地利用模型中比例问题的重要性，但大多数现有模型只能在单一比例上进行分析。许多基于微观经济假设的模型倾向于汇总个人行为，而忽视了集体价值和行动的涌现属性(Riebsame和Parton, 1994)。实现多尺度的方法可以通过在模型结构或驱动变量的量化中实现多尺度过程来区分。后一种方法承认不同的驱动力在不同的尺度上是重要的，并明确考虑了土地利用与其驱动力之间数量关系的尺度依赖性。对土地利用与驱动力之间多尺度关系的量化有两种不同的方法。第一种是基于以多种分辨率人为划分的数据;其中，在每个单独的分辨率上，土地利用和驱动力之间的关系是统计确定的(de Koning等人，1998;Veldkamp and Fresco, 1997;Verburg和Chen, 2000;沃尔什等人，2001; Walsh et al., 1999). The second approach uses multi-level statistics (Goldstein, 1995). The first applications of multi-level statistics were used in the analysis of social science data of educational performances in schools (Aitkin et al., 1981). More recently it was found that this technique could also be useful for the analysis of land use, taking different driving forces at different levels of analysis into account. Hoshino (2001) analysed the land use structure in Japan by taking different factors at each level into account using data for municipalities (level-1 units) nested within prefectures (level-2 units). A similar approach was followed by Polsky and Easterling (2001) for the analysis of the land use structure in the Great Plains of the USA. Also in this study administrative units at different hierarchical levels were used.

许多土地利用变化模型是分层结构的，因此考虑了多个层次。在其最简单的形式中，通过调整概率曲面的截止值，确定研究区域作为一个整体的变化总量，并分配给各个网格单元(Pijanowski等，2002)。土地利用变化的需求驱动性质可以作为这一方法的理由。人口和经济发展在总体上改变了对不同土地利用类型的需求，而变化的实际分配则由区域和地方条件决定。该结构也在CLUE建模框架中实现(Verburg et al.， 1999)。然而，该框架使用了三个尺度:用于计算需求的国家尺度和两个空间显式尺度，以考虑不同尺度的驱动力。除了自顶向下的分配，还实现了一个自底向上的算法，将局部变化反馈到区域级别。

驱动力

一个将生态和社会领域联系起来的统一假设，以及追求综合建模的一个重要原因，是人类对物理环境和社会文化背景的线索做出反应，并通过行为来增加他们的经济和社会文化福祉。因此，土地利用变化通常被建模为社会经济和生物物理变量选择的函数，这些变量充当土地利用变化的所谓“驱动力”(Turner II等人，1993年)。驱动力通常被细分为三类(Turner II等，1995):社会经济驱动因素、生物物理驱动因素和近因(土地管理变量)。尽管生物物理因素大多不会直接“驱动”土地利用变化，但它们可以引起土地覆盖变化(例如通过气候变化)，并影响土地利用分配决策(例如土壤质量)。raybet雷竞技最新在不同的分析尺度上，不同的驱动力对土地利用系统具有主导影响。在地方一级，这可能是地方政策或存在小的生态价值区域，而在区域一级，到市场、港口或机场的距离可能是土地使用模式的主要决定因素。

驱动力通常被认为是土地使用系统的外生因素，以促进建模。然而，在某些情况下，这种假设妨碍了对土地使用系统的适当描述，例如，如果道路位置和土地使用决定是共同确定的。人口压力通常被认为是森林砍伐的重要驱动因素(Pahari和Marai, 1999)，然而，Pfaff(1999)指出，人口可能是森林转换的内生因素，这是由于政府鼓励目标地区发展的未观察到的政策，或者人口可能与政府政策共线。如果是前者，那么将人口作为土地利用变化的外生“驱动力”将产生有偏见的估计，并导致误导性的政策结论。如果是后者，那么估计将是无偏的，但效率低下，导致对变量在解释森林砍伐方面的重要性的潜在错误解释。Chomitz和Gray(1996)、Mertens和Lambin(2000)以及Irwin和Geoghegan(2001)给出了土地利用研究中驱动力的内质性的其他例子。

的时间范围内的分析是重要的，以决定哪些驱动力应该是内生的模型。在土地利用变化的经济学模型中，供求价格及其相关函数是土地利用变化的驱动力。然而，在短期内，价格可以被认为是土地利用变化的外生因素，尽管它们在较长的时间跨度内是内生的。

驱动力的选择在很大程度上取决于在土地使用系统建模时所做的简化和理论和行为假设。在大多数经济学方法中，效用优化是假定的行为，导致了投标-租金模型。因此，大多数土地利用变化的经济学模型都与冯·图宁和李嘉图的地租理论有关。任何一块土地，考虑到其属性和位置，都被假定分配给租金最高的用途(例如，Chomitz和Gray, 1996年，Jones和O'Neill, 1992年)。最简单的形式是单中心模型，即家庭通勤的中心城市或商业区的位置，是决定地块租金的主要因素。景观的所有其他特征都被忽略了。个体家庭通过权衡通往市中心的便利程度和土地租金来优化他们的位置，离市中心越近，土地租金就越高。由此产生的土地利用平衡模式被描述为围绕城市中心的住宅开发的同心圆，随着与城市中心距离的增加，住宅密度下降。在这种情况下，“到城市中心的距离”是最重要的驱动变量。单中心模型的局限性部分是由于它对空间的处理，它被假设为“没有特征的平原”，并被简化为距离城市中心的简单测量。 Others explain spatial variability in land rent by differences in land quality that arise from a heterogeneous landscape, but abstract from any notion of relative location leading to spatial structure. Many models that try to explain land values, for example, hedonic models combine the two approaches by including variables that measure the distance to urban centre(s) as well as specific location features of the land parcel (Bockstael, 1996).

一般来说，城市和城郊土地分配模型要比农村土地分配模型发达得多(Riebsame等，1994)。最近的城市模型不再仅仅基于使用均衡理论或空间分类部门间投入产出方法的经济模型。而不是效用函数，他们使用离散选择模型通过logit模型(Alberti和Waddell, 2000;兰迪斯,1995)。这也使得参与者的行为假设具有更大的灵活性。传统经济理论利用理性“经济人”(Homo economicus)来研究人类行为。理性行为者这一强大的概念并不总是有效的，对人类选择这一概念的各种修改已经被提出(Janssen和Jager, 2000;拉宾,1998)。理性行为者概念的这种修改的例子包括人们难以评估自己的偏好、自我控制问题和其他现象，这些现象是由于人们有追求即时满足的短期倾向，以及脱离纯粹的自我利益而追求“考虑他人”的目标，如公平、互惠利他主义和复仇。

在同一模型中集成不同土地利用转换分析的模型通常使用一组更大的驱动力。除了土地价值和交通条件等决定城市土地分配的因素外，他们还需要关于土地是否适合农业生产的信息(如土壤质量和气候变量、市场准入)。研究区域的范围也会影响变量的选择。在较大的地区，通常会发现土地利用情况的多样性更大，这就需要考虑更多不同的驱动力，而在较小的地区，可能只有少数变量对土地利用具有重要影响。

量化土地利用变化及其驱动力之间关系的方法有三种。第一种方法试图将所有这些关系直接建立在相关过程的基础上，使用理论和物理定律(演绎方法)。例如，基于经济投入产出分析的经济模型(Fischer和Sun, 2001;Waddell, 2000)或效用优化(Ruben et al.， 1998)。对于综合土地利用变化分析来说，这种方法往往不太成功，因为在不使用经验数据的情况下很难量化社会经济因素。因此，第二种方法采用实证方法来量化土地利用与驱动力之间的关系(归纳法)。因此，许多计量经济模型依赖于统计技术，主要是回归，以量化基于土地利用变化历史数据的已定义模型(Bockstael, 1996;乔米兹和格雷，1996;盖根等人，1997;普法夫,1999)。 Also other models, not based on economic theory, use statistical techniques to quantify the relationships between land use and driving forces (Mertens and Lambin, 2000; Mertens et al., 2000; Pontius et al., 2001; Pontius and Schneider, 2001; Serneels and Lambin, 2001; Turner et al., 1996; Veldkamp and Fresco, 1996; Wear and Bolstad, 1998 and many more). Most of these approaches describe historic land use conversions as a function of the changes in driving forces and location characteristics. This approach often results in a relatively low degree of explanation due to the short time-period of analysis, variability over this time period and a relatively small sample size (Hoshino, 1996; Veldkamp and Fresco, 1997). Cross-sectional analysis of the actual land use pattern, which reflects the outcome of a long history of land use changes, results in more stable explanations of the land use pattern (de Koning et al., 1998; Hoshino, 2001). A drawback of the statistical quantification is the induced uncertainty with respect to the causality of the supposed relations.

第三种量化驱动力与土地利用变化之间关系的方法是利用专家知识。特别是在使用元胞自动机的模型中，经常使用专家知识。元胞自动机模型定义了某一地点的土地利用、该地点的条件和邻近地区的土地利用类型之间的相互作用(Clarke和Gaydos, 1998;Engelen等人，1995;席尔瓦和克拉克，2002;吴,1998)。这些元胞自动机的函数设置几乎没有文档记载，很大程度上是基于开发人员的知识和校准。

空间相互作用与邻里效应

土地利用模式几乎总是表现出空间自相关性。这种自相关性在很大程度上可以在环境条件的景观特征和梯度的聚集分布中找到解释，这些特征和梯度是土地利用格局的重要决定因素。土地利用模式空间自相关的另一个原因是土地利用类型之间的空间相互作用:城市扩张通常位于已经存在的城区附近，商业园区等也是如此。规模经济可以为这种模式提供解释。在农业景观中，采用特定的耕作技术或种植模式也可能表现出可观察到的空间效应。其他土地用途类型最好彼此相距一定距离，例如机场和住宅区，造成负的空间自相关性。这种结构空间依赖性的重要性日益为地理学家和经济学家所认识。当使用计量经济学时，已经开发了空间统计技术来量化空间依赖性(Anselin, 2002;Bell和Bockstael, 2000)。

土地利用格局的空间自相关具有尺度依赖性。在总体水平上，居住区域呈聚类分布，具有正的空间自相关。然而，Irwin和Geoghegan(2001)发现，在Patuxent流域的单个地块规模上，已开发地块之间存在负空间相互作用的证据，这意味着a开发土地由于发展产生的负面空间外部性，例如拥堵效应，地块“排斥”邻近的发展。这种影响的存在意味着，在其他条件相同的情况下，一个地块的开发可能性随着现有邻近开发数量的增加而降低。在不同尺度上存在不同的因果过程，意味着空间相互作用需要在多个尺度上进行研究，而在特定尺度上发现的关系只能在该尺度上使用。

空间上的相互作用也可以跨越更远的距离:河流上游的土地利用变化可能会通过侵蚀物质的沉积影响下游的土地利用，从而导致两个地区之间的功能连接。空间连通性的另一个例子是当第一个地点的所有可用土地面积都被占用时，公司从该国的一个地方迁移到另一个地方。分析这些相互作用对于理解土地利用的空间结构至关重要。经济全球化将导致这些相互作用具有较大的空间范围，从而导致大陆之间土地使用的连通性。

元胞自动机是考虑空间相互作用的常用方法。它们被用于城市发展的研究(Clarke和

Gaydos, 1998;李和叶，2002;怀特等人，1997;Wu和Webster, 1998)，但现在也已在能够模拟多种土地利用类型的土地利用模型中实现(White和Engelen, 2000)。元胞自动机根据像素的初始状态、周围像素的条件和一组转换规则来计算像素的状态。虽然非常简单，但它们可以产生丰富的行为(Wolfram, 1986)。

城市增长模型(Clarke和Gaydos, 1998)，一个用于城市扩张的经典元胞自动机模型，与所谓的“三角形”相结合，为了达到所需的空间和时间自相关性，它执行了比单独使用元胞自动机更多的空间相互作用(Candau, 2000;Herold et al.， 2003)。

社区间的相互作用现在也越来越多地应用于土地利用变化的计量经济学模型中。虽然这种实现可以通过先进的自相关措施来实现(Bell和Bockstael, 2000;Brown et al.， 2002;Walker等人，2000年)，在解释土地利用变化的回归模型中，更常见的是对街区构成的简单测量，例如，街区中相同土地利用类型的面积，作为解释因素被包括在内(Geoghegan等人，1997年;门罗等人，2001;纳尔逊和赫勒斯坦，1997)。

实现空间交互的另一种方法是使用网络分析，尤其是远距离交互。在许多模型中，驱动力已经被包括在内，表明到市场、港口和其他对土地使用很重要的设施的旅行时间或距离。通常，基于经济理论的模型会考虑到市场的旅行成本(Jones, 1983)。最常用的是简单的距离测量。然而，也可以使用复杂的技术来计算旅行时间/成本，并利用结果来解释土地使用结构。这种类型的计算通常包含在城市交通组合模型中(Miller et al.， 1999)。

通过模型的层次结构，还可以更间接地生成空间相互作用。CLUE (Veldkamp and Fresco, 1996)和Environment Explorer (White and Engelen, 2000)等多尺度模型可以通过更高尺度上的反馈产生空间交互作用。如果某个区域的需求在地方层面无法得到满足(由于位置条件或政策，例如自然保护区)，它将反馈到区域层面，并分配到另一个位置。这种类型的建模可以表明在周围区域的某个位置的度量之间的权衡。

时间动力学:变化的轨迹

前几节都讨论了土地利用变化的空间特征。所讨论的许多问题也与土地利用变化的时间层面有关。变化通常是非线性的，阈值起着重要的作用。非线性行为需要用相对较短的时间步长进行动态建模。只有这样，土地利用变化分析才能考虑到系统演化的路径依赖性、多重可能性稳定状态，以及多条轨迹。土地利用变化不能简单地解释为现有驱动力的均衡结果。换句话说，土地利用变化可能依赖于初始条件，而本质上随机的小事件可能导致非常不同的结果，使预测成为问题。交通基础设施对发展格局的影响就是一个例子。道路的扩建和改善不仅会带来更多的发展，还可能通过市场结构的重组，导致一种不同的模式，然后反馈到进一步的基础设施发展。因此，土地利用变化的某些轨迹可能是来自表现出自催化行为的系统的“锁定”的结果。

与模型的时间维度相关的是验证问题。土地利用变化模型的验证通常基于一个历史时期的模型结果与实际发生的土地利用变化的比较。这样的验证工作需要的土地使用数据比在模型参数化中使用的数据还要多一年。可获得数据的两年期间应足以实际比较观察到的动态和模拟的动态。理想情况下，这段时间应该和未来情景模拟的时间一样长。这类数据往往难以获得，由于土地利用地图的分类方案或遥感数据的分辨率不同，不同时期的数据往往难以比较。模型性能的验证方法应在模型性能中明确区分土地利用变化的空间配置的变化量和质量。Pontius(2002)、Costanza(1989)、Pontius和Scheider(2001)描述了验证土地利用变化模型的适当方法。

在一些模型中，考虑了时间动态，使用初始土地使用作为允许变化的标准。元胞自动机方法通过包含决定转换概率的决策规则来明确地做到这一点。在CLUE-S模型(Verburg et al.， 2002)中，每个土地利用类型都有特定的土地利用转换弹性。这种弹性将导致一些土地利用类型更不愿意改变(例如，永久性作物的种植园)，而另一些则容易改变位置(例如，转移种植)。SLEUTH城市增长模型(Clarke和Gaydos, 1998)使用了明确的函数来加强时间自相关性，同时考虑了新城市发展中心的“年龄”。Patuxent景观模型的经济土地配置模型(Irwin and Geoghegan, 2001)也明确考虑了时间维度。土地利用转换决策是土地所有者通过选择最优转换时间来实现预期利润最大化的最优时机决策。该时间的选择是为了使将地块转换为住宅用途的预期收益的当前贴现值最大化。后两种模型实现的时间动力学已经考虑了比大多数模型更长的时间跨度，而大多数模型只考虑初始状态。然而，大多数模型目前无法解释受较长时间尺度土地利用历史影响的土地利用变化。 For a proper description of certain land use types, e.g., long fallow systems, or feedback processes such as nutrient depletion upon prolonged use of agricultural land, incorporation of land use histories could make an important improvement (Priess and Koning, 2001).

时间和空间动力学的结合通常会导致复杂的非线性行为。然而，大量的模型根本没有考虑到时间动态。这些模型仅仅是基于土地利用变化趋势的外推，通过对这种变化进行回归(Geoghegan et al.， 2001;默滕斯和兰宾，2000;Schneider和Pontius, 2001;Serneels和Lambin, 2001)。因此，这类模型不适用于情景分析，因为它们只在其所依据的土地利用变化范围内有效。当土地利用类型之间的竞争条件发生变化时，例如，由于需求的变化，这种关系的有效性也会受到侵犯。这种批评并不适用于所有基于统计量化的模型。当这些模型基于对土地利用结构(格局)的分析，而不是基于土地利用的变化，并与土地利用类型之间竞争的动态建模相结合时，它们的应用范围要广得多。

土地利用变化决策是在不同的时间尺度内做出的，有些决策是基于短期动态(如每日天气波动)，而另一些决策仅基于长期动态。大多数土地利用模型在计算时使用年时间步长。这意味着短期动态经常被忽略，或者当它们可以产生附加效应时，被汇总到年度变化中。然而，这种聚合会阻碍在较短时间内与实际决策的联系。在交通建模中，对多尺度时间模型的需求得到了承认，其中短期决策取决于日常活动计划和意外事件(Arentze等人，2001;Arentze和Timmermans, 2000)。这种类型的交通模式和土地使用之间的联系是直接的。如果需要定期改变日常活动时间表，个人将调整他们的活动议程或影响议程的因素，例如搬迁。这种决策是典型的长期决策，由短期决策的常规变化演变而来。

集成级别

土地利用系统是一组相互作用、相互依赖的部分，通过能量、物质和信息的交换连接在一起。因此，土地利用系统的特点是各部分之间有很强的(通常是非线性的)相互作用，复杂的反馈循环使得很难区分因果关系，以及显著的时间和空间滞后、不连续、阈值和限制(Costanza和Wainger, 1993)。这种复杂性使得不同子系统的集成成为土地利用建模中最重要的问题之一。一般来说，可以区分两种集成方法。第一种方法涉及到子系统之间相当松散的耦合，这些子系统分别被分析和建模。为了能够对系统组件进行解剖，必须假设系统元素之间的相互作用和反馈可以忽略不计，或者反馈必须明确定义，子系统之间的信息必须通过子系统模型之间的输入和输出变量交换来实现。第二种方法采取了更全面的观点。不是把全部注意力集中在子系统的描述上，而是明确地把注意力放在子系统之间的相互作用上。在这种方法中，更多的变量是系统的内生变量，是系统组件之间交互的函数。所选择的方法在很大程度上取决于时间尺度(内生性假设)和建立模型的目的。 Generally speaking, integration only adds value as compared with disciplinary research when feedbacks and interactions between the sub-systems are explicitly addressed. An appropriate balance should be found, as the number of interactions that can be distinguished within the land use system is very large and taking all of those into account could lead to models that are too complex to be operational.

这组模型通常被称为综合评估模型是试图描述问题的社会、经济、环境和制度维度的模型(Rotmans和van Asselt, 2001)。在实践中，大多数综合评估模型都是针对气候变化及其政策维度的建模(Schneider, 1997)。raybet雷竞技最新一些综合评估模型，例如IMAGE2模型(Alcamo et al.， 1998)包含土地利用模块，但这些模型往往比专门为土地利用研究开发的模型更不详细。对于综合评估模型，与土地利用模型得出的结论相同:许多大型模型由没有完全集成的相互关联的子系统组成。这意味着这些模型是复杂的，但并不复杂，因此它们的动态行为几乎是线性的，不能充分反映现实世界的动态(Rotmans和van Asselt, 2001)。

完全集成模型的一个例子是IIASA-LUC模型(Fischer和Sun, 2001)。尽管该模型包含了许多子系统、交互和反馈，但由于高数据需求，它的操作变得复杂，尤其是难以参数化(参见Briassoulis, 2001年关于数据需求的讨论)。高度复杂的集成模型的另一个缺点是，集成的程度和类型往往是基于建模者的学科背景的主观的。作为一种完全集成的方法，定性建模(Petschel-Held et al.， 1999)允许将焦点放在整个系统上，然而，这种方法也完全基于开发人员对所研究系统的重要反馈的存在和重要性的了解，因此它很可能是有偏见和不完整的。

Patuxent景观模型(Geoghegan et al.， 1997;Voinov等人，1999)，旨在模拟流域尺度上的基本生态过程，并与预测土地利用模式的组件相互作用。土地利用变化在经济模块中处理(Bockstael, 1996;Irwin and Geoghegan, 2001)，而流域的所有水文和生态过程都在生态模块中模拟。生态模块基于通用生态系统模型(Fitz et al.， 1996)集成了所有涉及的过程。经济模块和生态模块之间的耦合没有详细阐述。经济模块(土地利用变化模式)的输出被用作生态模块的输入，而生态模块的输出(例如地下水位深度、生境健康等)也有可能被用作经济模块的输入，以便在系统内进行反馈。同样，在其他土地利用-生态系统综合模型中，生态子模型往往比相关的土地利用模型更具综合性(McClean et al.， 1995)。

继续阅读:示例:Randstad区域土地利用模型

这篇文章有用吗?

＋1 0