何苏玲, 贺增红, 潘继亚, 王金亮

(1.云南师范大学地理学部,昆明 650500; 2.云南省高校资源与环境遥感重点实验室,昆明 650500; 3.云南省地理空间信息工程技术研究中心,昆明 650500)

0 引言

土地利用/土地覆盖(land use/land cover,LULC)变化是全球环境变化的重要一环,也是地理学研究的热点。土地利用过程模拟是土地变化研究的重要内容之一,它是探讨土地利用驱动机制、支持城市规划和评估LULC变化对生态环境影响的重要工具[1]。截至目前,不同的机构和学者研制了大量的LULC模拟模型,如元胞自动机-马尔科夫模型[2](cellular automata-Markov,CA-Markov)、局部土地利用竞争-元胞自动机模型[3](local land use competition cellular automata,LLUC-CA)、土地变化模型[2](land change modeler,LCM)、土地利用转换及其影响模型(conversion of land use and it effects,CLUE)/小尺度土地利用转换及其影响模型[4-5](conversion of land use and it effects at small regional extent,CLUE-S)、未来土地利用模拟模型[6](future land use simulation,FLUS)、斑块生成土地利用模拟模型[7](patch-generating land use simulation,PLUS)等。上述模型在模拟不同区域未来的LULC空间格局方面表现出众,众多学者基于这些模型取得了很好的效果[8-10]。例如Darvishi等[11]通过集成多层感知器神经网络(multi-layer perceptron neural network ,MLPNN)和Markov链模拟伊朗东北部2018年的LULC空间格局,其Kappa系数大于0.72。林伊琳等[12]通过FLUS模型模拟滇中城市群的国土空间分布格局,其总体精度为98.07%。崔旺来等[13]使用CA-Markov模型预测浙江大湾区2015年的土地利用状况,其精度高达0.90。

尽管LULC模拟模型众多,但不同的模型由于模拟的机理存在差异,其模拟精度不一。如林丽等[14]认为LCM模型在模拟勐腊县LULC方面性能优于CA-Markov,CLUE-S和FLUS模型; 杨济达等[15]指出在西双版纳橡胶林监测中,GEOMOD模型效果略高于CA-Markov; Yang等[3]表明在国家旅游度假区的LULC模拟中,LLUC-CA 模型的模拟精度高于CA-Markov; 陈柯欣等[16]认为,在相同的驱动力影响下,基于CA-Markov模型的黄河三角洲湿地模拟效果好于LCM模型; Wang等[17]认为用于北京市西城区LULC空间分布预测模型中,PLUS模型比FLUS模型更准确。综上,不同的研究区适用的LULC模拟模型略有差异。因此,在进行某一特定区域的LULC模拟研究时,尽可能对比不同LULC模拟模型的精度,并从中筛选出模拟效果最好的模型,这对于后续的研究至关重要。

云南省禄劝彝族苗族自治县是集革命老区、民族地区、高寒山区、生态涵养区和地质灾害隐患区为一体的综合体,是云南省昆明市主要的水源地和生态涵养示范区,享有“春之源”、“水之源”的美誉[18]。近几十年来,云龙水库的建设以及禄劝县经济的快速发展,导致了禄劝县LULC变化剧烈。基于谷歌地球引擎(Google Earth Engine,GEE)云平台提取禄劝县1991年、1997年、2003年、2009年、2015年和2021年高精度的LULC信息,并分析其时空演变特征; 利用随机森林模型探究LULC变化的驱动因素; 从模拟精度、面积一致性、空间位置一致性和景观破碎度几方面对比CA-Markov,LCM,FLUS和PLUS 4种模型模拟禄劝县2021年LULC的效果,最后从上述4种模型中选择模拟效果最好的模型预测禄劝县2027年的LULC状况,为禄劝县国土空间规划提供科学参考。

1 研究区概况与数据源

1.1 研究区概况

云南省禄劝彝族苗族自治县地处昆明市西北部(图1),介于E102°14′～102°56′,N25°25′～26°22′之间,面积为4 234.78 km2。县内地形复杂,山河相间,形成了大量断裂带,滑坡、泥石流等自然灾害频发。地势自东北向西南缓降,由于地势高低悬殊,形成了明显的立体气候[19]。2020年禄劝县常住人口达37.89万人,其中少数民族人口达11.35万人,GDP总值为144.00亿元。

1.2 数据源及其处理

1.2.1 LULC数据

LULC数据源自GEE平台上的Landsat TM和OLI影像,根据前人研究成果[20-21],其分类体系定义为以下6种类型: 耕地、林地、草地、水体、建设用地和裸地。首先利用GEE平台的时间和空间过滤器选择禄劝县1991—2021年的6期遥感影像,其中1991年、1997年、2003年、2009年的LULC数据源于Landsat TM影像,2015和2021年的LULC数据源自Landsat OLI影像。通过该平台集成的算法对每期原始影像进行合成、裁剪、去云等操作,得到年度最小云量的影像,并基于同期影像和数字高程模型(digital elevetion model,DEM)提取归一化植被指数(normalized differonce vegetation index,NDVI)、归一化建筑指数(normalized difference built-up index,NDBI)、归一化水体指数(normalized difference water intex,NDWI)、坡度和高程这5个光谱特征和地形特征以辅助分类。基于人工目视解译,通过Landsat影像及Google Earth高清影像选取LULC分类样本点,并按照7∶3的比例设置训练样本和验证样本数量。最后利用随机森林算法提取禄劝县1991—2021年的LULC数据集。1991—2021年禄劝县LULC数据的总体精度分别为0.92,0.93,0.94,0.94,0.92和0.90; Kappa系数分别为0.87,0.88,0.91,0.91,0.87和0.84。

由于CNLUCC,CLCD和GlobalLand30这3种LULC产品的空间分辨率都是30 m且精度较高,将禄劝县2021年LULC分类结果与统计年鉴及上述3种产品进行比较,这几种LULC产品详细介绍请参考徐新良等[22]、Jun等[23]和Chen等[24]的研究。从LULC的空间格局来看(图2(a),2(b),2(c),2(d),2(e)),禄劝县2021年LULC产品与CLCD和GlobalLand30这2种产品具有较强的空间一致性,而与CNLUCC的空间差异较大。通过Landsat OLI影像和Google Earth高清影像对禄劝县县城以及云龙水库两处典型地区进行细节对比可以看出,在4种LULC产品中,禄劝县2021年的LULC分类结果更接近实际情况,它保持了地物的细节特征并精确提取出了裸地。从LULC的面积来看(图2(f),2(g)),CNLUCC的耕地面积和CLCD的林地面积与统计年鉴结果最接近。禄劝县2021年LULC产品的耕地面积略高于统计年鉴,而林地面积则略低于统计年鉴结果,草地和水域的面积与GlobalLand30最为接近,建设用地和裸地的面积与CNLUCC接近。特别说明: 由于在统计年鉴中只找到耕地和林地的实际面积,因此仅有以上2种地类的面积与统计年鉴结果进行比较。综上,本研究提取得到的禄劝县LULC产品其分类精度、空间一致性都优于常见的3种LULC产品,且耕地和林地的面积与统计年鉴的差距不大,满足研究要求。

图2 不同LULC产品的对比

1.2.2 驱动因子数据

LULC变化受地形、气候、人类活动等多种因素的影响,考虑到数据获取难度、禄劝县实际情况以及先前研究[25-26],从社会经济和自然驱动2方面选取了高程、坡度、年均温度、年均降水、距主要道路的距离、距主要河流的距离和人口密度7个LULC变化驱动因子(图3)。高程和坡度从30 m的ASTER GDEM数据中提取(http: //www.gscloud.cn/),年均温度和降水(2019年)由国家气象数据中心的日值实测数据通过克里金插值法生成(http: //data.cma.cn),道路和河流来自中国1∶100万基础地理数据(https: //www.webmap.cn/),通过欧式距离工具得到,人口密度源自2016年禄劝县统计年鉴(https: //data.cnki.net/)。由于上述数据来源不同,在ArcGIS中将其统一重采样至30 m分辨率,并设置投影为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类型的面积

2 研究方法

2.1 基于随机森林模型的驱动因素分析

随机森林模型属于自然非线性的建模方法, 适合于评估复杂的、存在大量未知特征数据集中的自变量对因变量的影响[27]。随机森林对于变量的重要性评估是通过修改的袋外数据(out-of-band,OOB)子集和原有数据精度得到的平均差异来确定[28]。具体过程如下: ①根据每个采样集建立一棵决策树,②根据OOB子集来预测,并获得OOB的残差均方,③变量Xi在b个OOB集合中进行随机置换,形成新的OOB集合,并用已建立的随机森林对新的OOB进行测试,获得新的OOB的残差均方,生成矩阵A; ④最后利用矩阵A计算各变量的重要性评分Scorei[29],计算公式为:

,

(1)

,

(2)

式中:p为变量个数;b为样本个数;MSEj为第j个样本的残差均方;Se为标准误差;i的取值范围为[1,p]。

2.2 CA-Markov模型

CA-Markov模型是最常用的LULC模拟模型之一[30-31]。它耦合了元胞自动机(cellular automata,CA)模型模拟复杂系统空间变化的能力和Markov模型长期预测的优势[32]。本文基于禄劝县2009—2015年的LULC数据,通过Markov链获取其转移概率矩阵,并根据高程、坡度等7个驱动因子,使用Logistic回归获得不同LULC类型的适宜性图集,将滤波器大小和元胞迭代次数分别设置为5×5和10,最后根据CA模型模拟出禄劝县2021年的LULC结果。

2.3 LCM模型

LCM模型是集多层感知器神经网络、Markov模型和软硬预测模型为一体的LULC预测模型[14]。它通过像素模拟、使用适宜性地图来指定每个像素转移类型的优先级,并预测LULC类型空间位置的变化情况[16]。LCM模型的核心是转化潜力模型的构建,即根据LULC变化驱动因子和多层感知器(multilayer perceptron,MLP)模型计算不同地类的转移潜力。本文基于禄劝县2009—2015年的LULC变化情况,根据高程、坡度等驱动因子和MLP模型计算不同地类的转移潜力,根据Markov链计算其转移概率矩阵,最后通过软预测模型模拟出禄劝县2021年LULC格局。

2.4 FLUS模型

FLUS模型是由刘小平教授团队在CA模型中开发了一种自适应惯性和竞争机制,以处理不同LULC类型之间复杂的竞争和相互作用[6]。FLUS模型主要分2阶段,一是基于某一时期的LULC数据及其驱动因子,采用人工神经网络算法(artificial neural network,ANN)训练特定像元上不同LULC类型的发展适宜性概率; 二是利用轮赌盘选择的自适应惯性竞争机制模拟LULC分布。由于竞争机制的运用,该模型能有效规避LULC转换过程中的不确定性和复杂性,较好地避免误差传递[33]。本文首先利用ANN算法获取高程、年均降水等驱动因子下2015年不同地类变化的适宜性概率,然后基于CA模型以自适应惯性和竞争机制获取禄劝县2021年的LULC模拟结果。其中耕地、林地、草地、水体、建设用地和裸地的邻域权重分别设置为: 1,0.1,0.1,0.5,0.2和0.4,不同地类之间的转移规则设置如表1所示。表中,1表示地类之间可以相互转换,0则表示不可转换。

表1 不同地类之间的转移规则

2.5 PLUS模型

PLUS模型是耦合了一种新的土地扩张分析策略(land expansion analysis strategy,LEAS)和基于多类型随机斑块种子的CA模型(cellular automata model based on multi-type random patch seeds,CARS),可以更好地模拟多类LULC斑块级的变化[7]。LEAS从2期LULC数据中提取出各LULC类型扩张的区域,并采用随机森林算法逐一挖掘各类LULC扩张的因素,以获得各LULC类型的发展概率。LEAS简化了LULC变化的分析,但保留了分析复杂LULC变化机理的能力,解释性更好[34]。CARS结合随机种子生成和阈值递减的机制,在发展概率的约束下,动态模拟斑块的自动生成[7]。本文首先利用2015年、2021年2期LULC提取其扩张数据; 然后利用上述LULC变化驱动因子和LULC扩张数据,计算出各类用地的适宜性概率; 最后基于CARS的CA模型获取2021年禄劝县LULC模拟结果,其中各地类的邻域权重和转换规则和FLUS模型设置一致。

2.6 精度验证

采用混淆矩阵中的总体分类精度(overall accuracy,OA)、Kappa系数(K)、生产精度(production accuracy,PA)和用户精度(user accuracy,UA)进行LULC提取和模拟结果的精度检验。具体计算公式为:

,

(3)

,

(4)

,

(5)

,

(6)

式中:n为分类类别数;N为验证样本数量;Pi为每类中正确样本的数量;Pi+为分类器将验证样本分为某一类别的总数;P+i为某一类别验证样本总数。OA、Kappa系数、PA和UA越大,代表分类/模拟效果越好,其中Kappa系数大于0.8表示分类/模拟结果非常好; Kappa系数在0.6～0.8之间表示分类/模拟结果很好; Kappa系数在0.4～0.6之间表示分类/模拟结果较好; Kappa系数小于0.4则表示模拟结果很差[35]。

2.7 景观格局评价

景观破碎化直接影响区域生物多样性、物质循环与能量流动等过程,景观指数是表征景观破碎化最常用的方法[36]。参考前人的研究[37-39],本文从景观要素的斑块特征破碎化、景观异质性破碎化和空间相互关系破碎化3方面选取聚集度(aggregation index,AI)、平均斑块面积(AREA-MN)、蔓延度(contagion indes,CONTAG)、边缘密度(edge density,ED)、景观形状指数(landscape shape inedx,LSI)和斑块密度(patch density,PD)6个景观指数来比较不同的LULC模拟模型所成成的LULC景观格局的破碎化程度。上述景观指数的计算公式及其意义见表2。

表2 衡量景观破碎化的典型景观指数

3 结果与分析

3.1 研究区LULC时空演变特征

禄劝县的LULC以耕地、林地和草地为主,耕地主要分布在南部,林地和草地在全县均有分布(图4)。耕地、林地和草地分别占地类总面积的25.76%,45.20%和28.33%。1991—2021年,禄劝县耕地面积经历了缓慢增长、剧烈减少的过程。1991—2015年其以23.71 km2/a的速率缓慢增长; 2015—2021

年其以79.97 km2/a的速率剧烈减少。林地、建设用地和裸地面积不断增加,三者面积分别增加了724.25 km2,27.72 km2和21.08 km2。草地面积经历了先减少后增加的变化过程,1991—2015年其年均减少40.58 km2; 2015—2021年其年均增加16.35 km2。水体面积呈现出波动增加的趋势,其面积由7.49 km2增长至35.21 km2,年均增长约0.92 km2。

3.2 LULC变化的驱动因素分析

基于随机森林模型评估各驱动因子对不同LULC类型变化的重要性。对禄劝县LULC类型变化影响较大的因素主要是地形条件(高程和坡度)(表3)。耕地的空间变化主要与高程、坡度和年均降水相关,因为随着高程和坡度的降低,耕地转为建设用地的概率会增加。林地和草地的发展受到高程、坡度、年均降水和年均温度的影响,因为在海拔高、坡度大且水热条件较好的区域,最适合植被生长,不适宜进行农业耕种或者城市建设,因此制约了其向其他LULC类型的转变。水域的变化与高程和坡度呈现出较强的相关性,裸地主要与高程和年均降水密切相关。建设用地的发展除了受限于高程、坡度和年均温度等自然因子外,还与人口密度密切相关,这是因为人口增长是推动城市发展的重要原因之一。表3为每种驱动因子对LULC变化的重要性。

表3 不同驱动因子对LULC变化的重要性

3.3 4种LULC模拟模型评价

3.3.1 模拟精度

使用CA-Markov ,LCM,FLUS和PLUS这4种LULC模拟模型分别模拟禄劝县2021年LULC状况,并将其与实际LULC数据进行验证,可以看到4种不同模型的LULC模拟效果差异巨大(表4)。就模拟的Kappa系数和总体精度来说,4种LULC模拟模型的精度排行为PLUS>FLUS>CA-Markov>LCM。对于不同地类模拟的生产精度而言, LCM模型模拟耕地的效果最好; FLUS模型模拟裸地的精度最高; PLUS模型在模拟林地、草地、水域和建设用地的精度是最高的。对于不同地类模拟的用户精度而言,PLUS模型在模拟耕地、草地和水域的精度是最高的; CA-Markov和LCM模型分别模拟林地和建设用地的精度最高; PLUS和FLUS模型模拟裸地的精度相同。

表4 不同LULC模拟模型的模拟精度

3.3.2 面积一致性

4种不同的LULC模拟模型所模拟的2021年禄劝县不同LULC类型的面积差异明显(图5)。与2021年禄劝县不同LULC类型的实际面积相比,耕地在CA-Markov和LCM模型模拟中被严重高估,特别是在LCM模型中,其模拟面积约为实际面积的1.71倍; 而在FLUS和PLUS模型模拟中其面积只是略高于实际面积。林地在CA-Markov和LCM模型模拟中很大程度地被低估,两者分别被低估了397.42 km2和693.71 km2; FLUS模型模拟的林地面积和其实际面积相同; PLUS模型模拟所得的林地面积与其实际面积相近。草地在CA-Markov和LCM模型模拟中被略微高估,而在FLUS和PLUS模型模拟中其面积与实际面积几乎一致。水体在4种模型的模拟中都被低估,其低估面积分别为15.32 km2,15.25 km2,14.80 km2和12.01 km2。建设用地实际面积与FLUS模拟所得面积相同,其在CA-Markov和LCM模型被严重低估,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模型模拟中其与实际面积非常接近。

(a) 耕地 (b) 林地 (c) 草地

3.3.3 空间位置一致性

短语大部分出现于于标题和提纲，用于概括叙述纲目、要点。引导学生在阅读课文时拟写提纲，就是要让他们把文本中说明的内容，用简单而对称的词语、短语编写出来。对于要点不那么明显的文章，学生准确把握内容比较困难，在预习提示中就需引导拟写提纲进行梳理。

4种不同的LULC模拟模型所模拟的2021年禄劝县LULC空间分布格局差异明显(图6)。 CA-Markov模型模拟得到的禄劝县LULC空间格局与其实际的分布格局有较大的不同,特别是在金沙江和普渡河上游地区,大量的林地和草地被模拟成了耕地。LCM模型模拟的禄劝县LULC空间分布格局整体与其实际情况存在很大差异。FLUS模型模拟的LULC空间分布格局与其实际情况比较相似,但其在汤郎乡西部和乌东德镇北部存在部分建设用地的过度模拟。PLUS模型所模拟的LULC空间分布格局与其实际情况最相似,但其转龙镇和九龙镇西部的建设用地也存在过度模拟的现象。进一步对禄劝县2处典型地物(云龙水库和禄劝县城建设用地)的细节特征对比可以发现,PLUS模型模拟得到的LULC空间分布特征与其实际情况最为接近。

(a) 2021年LULC实际结果 (b) CA-Markov模型模拟结果 (c) LCM模型模拟结果

3.3.4 景观破碎度

对比4种模型用于衡量景观破碎度的各项景观指数及其与2021年LULC实际景观指数之间的差值(图7)。就AI和CONTAG指数的大小而言,CA-Markov>LCM>PLUS>FLUS模型; 从AREA-MN指数来看,CA-Markov>LCM>FLUS>PLUS模型; 从ED和LSI指数分析,FLUS>PLUS>LCM>CA-Markov模型; 根据4个模型所得PD指数的大小排序,PLUS>FLUS>LCM>CA-Markov模型。 AI,CONTAG和AREA-MN指数是反映景观破碎化程度的负向指标,ED、LSI和PD指数是反映景观破碎化程度的正向指标。因此在4个模型中,CA-Markov模型模拟所得的LULC景观破碎度最小,而FLUS模型模拟的LULC景观破碎化程度最大。

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

3.4 研究区2027年LULC模拟

通过上述实验,从模拟精度、面积一致性、空间位置一致性和景观破碎度4方面对CA-Markov,LCM,FLUS和PLUS这4种LULC模型的模拟效果进行了比较。其中,PLUS模型是禄劝县LULC模拟效果最佳的模型,因此基于该模型模拟了禄劝县2027年的LULC状况。2027年禄劝县的LULC空间格局依旧以林地、草地和耕地为主导,三者约占全县总面积的98.27%(图8)。2021—2027年,耕地、草地和水体的面积不断减少,其减少速率分别为40.21 km2/a,4.51 km2/a和0.70 km2/a; 林地、建设用地和裸地迅速扩张,其扩张面积分别为265.52 km2,4.85 km2和2.08 km2。其中,约有252.49 km2的耕地和26.43 km2的草地向林地流转,使得林地面积快速增加。

(a) 2027年不同LULC类型的空间分布 (c) 2027年不同LULC类型的面积占比

4 讨论与结论

4.1 讨论

4.1.1 不同模型模拟精度差异的原因

CA-Markov,LCM,FLUS和PLUS模型模拟禄劝县LULC的精度不一,其中PLUS模型的模拟精度最高,FLUS模型次之,LCM模型的模拟效果最差,这与Liu等[6]、Liang等[7]的研究结论一致。4种模型的精度差异与其CA模型转换挖掘策略与参数校准有关。CA-Markov模型基于Logistic回归来获取CA模型的转化规则和参数,该方法虽然简单,但线性模型难以反映土地利用变化涉及的非线性复杂特征[1]。LCM和FLUS模型分布采用多层感知神经网络(multi-layer perception ANN,MLP-ANN)和ANN算法来进行训练,有效地解决了LULC预测的非线性和空间结构分布的问题[14],但ANN属黑箱结构,存在学习、局部最小值和收敛速度慢等问题[1]。PLUS模型采用了一种新的转换策略——LEAS,这种转换策略很好地结合了Logistic回归和ANN算法的优点并克服了其缺点[7]。

LULC的空间分布格局会对其模拟精度产生影响。禄劝县耕地、林地、草地、水体、建设用地和裸地在4个模型中的平均生产精度分别为0.72,0.77,0.47,0.46,0.25和0.32(表4); 平均用户精度分别为0.58,0.86,0.47,0.75,0.37和0.34。从景观格局的角度分析(图9),AI最高且PD较低,在空间上集中分布,且模拟过程不易被其他地类侵占,从而使得模拟的林地与真实的林地之间具有较高的空间一致性,因此模拟精度最高。而草地的PD最高,在模拟过程中容易被其他地类分割,导致模拟结果与真实图像之间的位置一致性降低,因此模拟精度较低。

图9 2021年禄劝县不同LULC的景观指数

4.2 结论

研究基于GEE平台提取的多期LULC数据,分析了1991—2021年禄劝县LULC变化的时空特征,并对比了CA-Markov,LCM,FLUS和PLUS 4种模型在禄劝县LULC模拟的精度,最终基于“最适宜”模型模拟了禄劝县2027年的LULC状况,为同地区LULC模拟模型的选择提供了科学依据,主要结论如下:

1)1991—2021年,禄劝县LULC以耕地、林地和草地为主,分别占地类总面积的25.76%,45.20%和28.33%。耕地和水体面积波动增加89.26 km2和27.72 km2; 林地、建设用地和裸地面积持续增加724.25 km2,21.08 km2和13.67 km2; 草地面积波动减少,其年均减少29.20 km2。

2)禄劝县LULC变化主要受到地形条件(高程和坡度)的影响。耕地、林地、草地和裸地的变化除了受地形影响外,还与年均降水、年均温度等气象因素相关。建设用地的发展不仅与地形和年均温度等自然因子有关,还与人口密度密切相关。

3)4种LULC模型的模拟精度排行为PLUS>FLUS>CA-Markov>LCM。与2021年禄劝县不同LULC类型的实际面积相比,耕地和草地在CA-Markov和LCM模型模拟中分别被高估,而林地、建设用地和裸地在这2个模型中则被低估,水体在4种模型的模拟中都被低估。PLUS模型模拟得到的LULC空间分布特征与禄劝县实际情况最为接近。在4个模型中,CA-Markov模型模拟所得的LULC景观破碎度最小,而FLUS模型模拟的LULC景观破碎化程度最大。

4)2027年禄劝县的LULC空间格局依旧以林地、草地和耕地为主。2021—2027年,耕地、草地和水体的面积分别以40.21 km2/a,4.51 km2/a和0.70 km2/a的速率减少; 而林地、建设用地和裸地分别向外扩张265.52 km2,4.85 km2和2.08 km2。

受数据获取的限制,本文LULC变化的驱动因子尚未选择GDP数据,且在未来模拟中没有将生态红线、政府调控政策等考虑其中。在未来的研究中,更多、更精细的驱动因子和宏观调控政策将被用于LULC变化模拟中,以提高模拟的精度。