Coupled GCAM and GlobeLand30 to CLUMondo model and its applicability assessment
-
摘要: 本文在CLUMondo模型中了耦合全球变化评估模型（global change assessment model，GCAM）和GlobeLand30数据．其中：GCAM为土地变化预测提供科学的土地系统服务数值；GlobeLand30用于制备可赋予多重土地系统服务供给能力的土地系统数据．为验证模型的有效性，本文选择了GCAM中的“青藏高原内部区”进行验证．结果表明：1）GCAM可以有效解决CLUMondo模型在土地变化模拟时设置土地系统服务的困境；2）对GlobeLand30数据升尺度建立土地系统，为CLUMondo模型量化多重土地系统服务供给能力提供了一种简单高效的方法；3）耦合GCAM和GlobeLand30数据后的CLUMondo模型在“GCAM青藏高原内部区”具有良好的适用性．
-
关键词:
- CLUMondo模型 /
- 土地变化模拟 /
- GlobeLand30 /
- 土地系统 /
- 青藏高原
Abstract: We coupled global change assessment model (GCAM) and GlobeLand30 to CLUMondo model to address two difficulties when using CLUMondo model．First, GCAM is used to address the difficulty to set land system service and determine its demand scientifically． Second, GlobeLand30 data are used to address difficulty to quantify supply capacity of each land system type for multiple land system services．Applicability of the coupled model is tested with ‘Plateau of Tibet Interior’ region．The coupled GCAM is found to effectively set land system services．To establish a land system by upscaling Globeland30 is an effective method for CLUMondo model to quantify multiple land system service supply capabilities．CLUMondo model coupled with GCAM and GlobeLand30 is applicable to ‘Plateau of Tibet Interior’ region．-
Keywords:
- CLUMondo model /
- land change simulation /
- Globeland30 /
- land system /
- the Qinghai-Tibet Plateau
-
0 引言
土地变化模型是研究土地变化的一种有效工具，可用于分析不同情景下一定时期内土地变化的原因和结果[1]，是土地利用与土地覆被变化研究领域的核心内容[2]．土地系统服务是指该区域内土地可以提供的商品或服务的需求，可以是面积类的需求，也可以是非面积类的需求（如粮食产量）[3-4]．CLUMondo模型是目前唯一能在模拟土地变化时，考虑土地系统服务多对多供需关系的模型，这种多对多的供需关系是CLUMondo模型的特点．
CLUMondo模型在模拟时存在2大困境：1）该模型中的土地系统服务是人为设置的，如何科学、合理地设置土地系统服务成为该模型模拟的难题；2）难以量化每种土地系统类型的多重土地系统服务供给能力，该模型需要人为规定每种土地类型提供多少土地系统服务，这是模型模拟的关键和反映土地类型与土地系统服务之间多对多关系的直接体现．目前并没有一种合理量化方法．为解决上述2大困境，本文提出在CLUMondo模型中耦合GCAM（global change assessment model）和GlobeLand30，耦合后的模型为土地变化模拟时科学地确定土地系统服务提供了新思路，并为确定土地数据与土地系统服务之间的定量关系提供了新方法．
1 耦合GCAM和GlobeLand30的CLUMondo模型
1.1 CLUMondo模型的原理
CLUMondo模型的原理是通过多次迭代实现土地系统服务供需平衡[5-6]（图1-c）．CLUMondo模型中土地类型的转换取决于不同位置上土地系统类型转换潜力和限制条件．转换潜力由土地系统类型的竞争优势、转换阻力、邻域效应和位置适宜性共同决定．其中，位置适宜性在CLUMondo模型中由Logistic回归模型来计算．CLUMondo模型在模拟时常用土地系统数据[7]．土地系统是根据土地覆被及其土地利用或管理强度来定义的，是指土地覆被及其土地利用或管理强度的组合，也可能包含有关土地系统组成部分的时空配置的信息[5,8]．
1.2 耦合GCAM用于设计土地系统服务
土地系统服务利用GCAM[6]来设计．GCAM是探索人地耦合系统动态及全球变化响应的综合工具．本文设计了自然类型的土地系统服务（草地服务、耕地服务、灌木地服务、林地服务）和非自然类型的土地系统服务（人口承载服务）．
自然类型土地系统服务的设计原则在贴合各流域实际土地覆被情况下，尽可能地利用GCAM的运行结果．GCAM将土地类型划分为21种[9-10]．1990—2100年，GCAM可每5年输出全球235个流域每种土地类型的面积（除2000年）．设计土地系统服务时，不考虑GCAM中面积保持不变的苔原、城市、岩石-冰雪-荒漠，将剩余的18种土地类型对应至4种土地系统服务（表1）．各流域人口承载服务的量化思路是基于GCAM的全球人口数和栅格人口数据进行量化．本文采用的栅格人口数据为全球1 km分辨率的人口密度数据（gridded population of the world v4，GPW）[11]．
表 1 GCAM土地类型与土地系统服务的对应关系土地系统服务 GCAM土地类型 草地 草地、未管理牧场、管理牧场 耕地 玉米、纤维作物、饲料草、油料作物、水稻、块根作物、棕榈果、其他谷物、糖料作物、生物质、杂粮作物、其他 灌木 灌木 林地 管理林地、未管理林地 1.3 耦合GlobeLand30数据用于建立土地系统
GlobeLand30用于通过升尺度的方式制备可赋予多重土地系统服务供给能力的土地系统数据．本文选择GlobeLand30数据的原因有2点：1）由于土地系统使用升尺度的方式制作，所选数据的分辨率应<1 km；2）完成模型的适用性评估，所选数据应有多期．
建立土地系统的思路为通过 33×33 的滑动窗口遍历 GlobeLand30 数据，将 GlobeLand30 数据升尺度为 990 m 分辨率的土地系统数据，再重采样至 1 km．在升尺度时，990 m 分辨率的土地系统数据类型依据滑动窗口内数量最多的像元类型及其在滑动窗口内的占比来确定．土地系统的制备流程如图1-a 所示．通过上述制备规则，共得到 32 种土地系统类型．
1.4 量化土地系统的多重供给能力
供给能力描述了每个土地系统像元能够提供多少土地系统服务．对于自然类型的土地系统服务的量化，假设草地服务、耕地服务、灌木服务、林地服务分别是由 GlobeLand30数据中 30 m 分辨率的“草地”“耕地”“灌木”“林地”像元所提供的．对于每种土地系统服务，单位土地系统像元中包含的对应 30 m 分辨率像元面积平均值为其供给能力．
2 适用性评估的实验设计
实验设计的整体思路如图 2 所示．
2.1 研究区域的选择
本文选择GCAM中名为Plateau of Tibet Interior的区域（记为“GCAM青藏高原内部区”）作为研究区，评估上述耦合模型的适用性．研究区 “GCAM青藏高原内部区” 范围覆盖西藏自治区的拉萨市、阿里地区、那曲地区、日喀则地区以及青海省的海西蒙古族藏族自治州．总面积约404712 km2．
2.2 实验数据
在评估实验中，运用耦合模型模拟2010—2020 年“GCAM 青藏高原内部区”的土地系统变化．需要使用到的数据包括驱动因子数据、土地数据．本文选择的土地数据为 GlobeLand30 数据，驱动因子数据见表 2．土地系统类型的变化受到了各种自然和社会经济因素的驱动．自然和社会经济因素在空间上量化表达后被称为驱动因子．在本实验中，共选取了土壤、植被、气候、地形、人口与经济因素、可达性、农业和牲畜 8 类驱动因子．
表 2 土地数据和驱动因子数据数据类别 数据名称 数据类别 数据名称 土地覆被 GlobeLand30 人口与经济 市场可达性指数 堆积密度 市场影响指数 阳离子交换量 市场密度指数 土壤 黏土含量 夜间灯光数据 土壤粗碎屑 人均GDP 可用土壤水容量 GDP 土壤有机质 人类发展指数 pH 人口密度数据 砂土含量 牲畜 水牛数量 淤泥含量 牛数量 质地类别 鸡数量 可达性 到达最近城市的距离 鸭数量 到达最近河流的距离 山羊数量 到达最近道路的距离 马数量 到达最近铁路的距离 猪数量 1 km旅行时间 绵羊数量 1 km机动车旅行时间 植被 初级生产总值 1 km步行时间 NDVI 农业 175种粮食作物产量 地形 DEM 气候 多年平均降水 坡度 多年平均气温 DEM方差 2.3 CLUMondo 模拟的关键设置
CLUMondo 模拟的关键设置包括对每种土地系统构建 Logistic 回归方程和设置限制区域，Logistic 回归方程描述了驱动因子和某种土地系统类型发生概率之间的关系，在构建回归方程之前，需要对相关性>0.8 的驱动因子进行剔 除．为了保证回归方程的有效性，对于面积<10 km2的土地系统不进行逻辑回归．模拟时限制保护区内的土地类型发生改变，保护区数据来源于世界保护区数据库[12]．
2.4 适用性评估指标的选取
回归方程的精度使用AUC （area under the curve of roc）值来评估．AUC值的范围为0~1，其中：>0.9，回归效果优秀；>0.8~0.9，回归效果良好；>0.7~0.8，回归效果中等；>0.6~0.7，回归效果低；≤0.6，回归效果差．
模型的适用性从总体、数量和位置3个方面进行评估，具体选择了随机Kappa系数（Kappa for no ability，
${K}_{{\rm{no}}}$ ）[13-14]、位置Kappa系数（Kappa for location，${{K}}_{{\rm{lo}}}$ ）[13]和直方图Kappa系数（Kappa for histogram，${K}_{{\rm{hi}}}$ ）[14]．${K}_{{\rm{No}}}$ 它反映了2张土地利用图一致性[13, 15]．${K}_{{\rm{lo}}}$ 是在一定的数量误差下，评估模型模拟位置分配正确一致性的指标．${K}_{{\rm{hi}}}$ 是评估土地变化模拟中数量分配正确一致性的指标[14]．${K}_{{\rm{no}}}$ 、${\mathrm{K}}_{{\rm{lo}}}$ 和${K}_{{\rm{hi}}}$ 指标的数值范围均为−1~1，指标的值越大，认为模型模拟精度越高，计算式分别为$$ {K}_{{\rm{no}}}=\frac{{p}_{0}-{L}_{{\rm{NQN}}}}{1-{L}_{{\rm{NQN}}}} \text{，} $$ (1) $$ {K}_{{\rm{lo}}}=\frac{{p}_{0}-{L}_{{\rm{MQN}}}}{{L}_{{\rm{MQP}}}-{L}_{{\rm{MQN}}}} \text{，} $$ (2) $$ {K}_{{\rm{hi}}}=\frac{{L}_{{\rm{MQP}}}-{L}_{{\rm{MQN}}}}{1-{L}_{{\rm{MQN}}}} \text{，} $$ (3) 其中
$$ {p}_{0}=\sum _{i=1}^{n}p\left(a=i\wedge s=i\right) \text{，} $$ (4) $$ {L}_{{\rm{NQN}}}=\frac{1}{n} \text{，} $$ (5) $$ {L}_{{\rm{MQN}}}=\sum _{i=1}^{n}\left(p\left(s=i\right)\times p\left(a=i\right)\right) \text{，} $$ (6) $$ {L}_{{\rm{MQP}}}=\sum _{i=1}^{n}{\rm{min}}\left(p\left(s=i\right),p\left(a=i\right)\right)\text{，} $$ (7) 式中：
$ {p}_{0} $ 为真实的土地系统图（用$ a $ 表示）和模拟得到的土地系统图（用$ s $ 表示）之间的总体精度；$ i $ 为土地系统类型；$ n $ 为土地系统类型的总数；LNQN为完全随机的情况下，模拟正确分类的概率；LMQN为指定数量时的随机一致性；LMQP为模型在没有位置误差的情况下，能够达到的最大一致性．3 结果分析与讨论
3.1 回归精度评价
每种土地系统回归方程的精度如表3所示．由表3可知，逻辑回归的精度均>0.8，Logistic回归的效果良好，结果方程精度高，可以用于位置适应性的计算．
表 3 每种土地系统回归方程的精度序号 类型 AUC值 序号 类型 AUC值 0 低密度林地 — 11 中密度水体 0.947 1 低密度草地 0.802 12 高密度水体 0.998 2 中密度草地 0.814 13 低密度人造地表 — 3 高密度草地 0.965 14 中密度人造地表 — 4 低密度灌木 0.943 15 低密度裸地 0.869 5 中密度灌木 0.961 16 中密度裸地 0.899 6 高密度灌木 0.964 17 高密度裸地 0.982 7 低密度湿地 0.957 18 低密度冰川与永久积雪 0.989 8 中密度湿地 0.968 19 中密度冰川与永久积雪 0.993 9 高密度湿地 0.983 20 高密度冰川与永久积雪 0.998 10 低密度水体 0.921 3.2 模拟精度评价
模拟得到的2020年的青藏高原地区的土地系统如图3所示．指标评估的结果为
${K}_{{\rm{no}}}$ ＝0.78462，${K}_{{\rm{hi}}}$ ＝0.79319，${K}_{{\rm{lo}}}$ ＝0.74726．说明耦合GCAM和GlobeLand30的CLUMondo模型模拟效果好，且适用于“GCAM青藏高原内部区”．3.3 讨论
本文土地系统的初步制作是将30 m分辨率的土地覆被数据升尺度为990 m分辨率的土地系统数据，再将初步制作的土地系统重采样至1 km得到最终的土地系统数据．检验土地系统是否合理的方法为分析每个990 m分辨率下的30 m分辨率的土地覆被数据中包括的土地覆被类型及其分布．表4中罗列了“GCAM青藏高原内部区”部分土地系统数据990 m分辨率的大像元对应的30 m分辨率的土地覆被数据．
表 4 33×33滑动窗口大小30 m分辨率的土地覆被数据土地系统类型 土地覆被数据 土地系统类型 土地覆被数据 低密度林地 
高密度草地 
中密度灌木 
高密度湿地 
中密度水体 
低密度人造地表 
高密度裸地 
高密度冰川与永久积雪 
从表4中的结果来看，对于同一种土地覆被类型的不同密度的土地系统，由低密度的土地系统类型变为高密度时，对应土地覆被类型的密度上升，像元也更加均质．因此，土地系统的分类方法是合理的．
4 结论与展望
本文将CLUMondo模型与GCAM和GlobeLand30数据进行耦合，并评估了耦合后的CLUMondo模型在“GCAM青藏高原内部区”的适用性．基于评估结果得到以下结论：
1）GCAM可以为土地系统服务的设计提供有效的帮助，将GCAM与CLUMondo模型进行耦合，可以有效解决CLUMondo模型在土地变化模拟时在设置土地系统服务时的困境；
2）将GlobeLand30数据通过升尺度的方式制作土地系统，为CLUMondo模型量化土地系统与土地系统服务之间的关系提供了一种行之有效的方法；
3）同时耦合GCAM和GlobeLand30数据的土地变化模拟在“GCAM青藏高原内部区”具有良好的适用性．
本研究仍存在一定的不足：虽然“GCAM青藏高原内部区”所设计的土地系统服务充分考虑了自然类型的土地系统服务和非自然类型的土地系统服务，所设定的耕地服务、林地服务、草地服务和灌木服务涵盖了承载生态系统服务功能的主要土地类型，是基于区域内部需求设定的，但是暂未考虑青藏高原区域生态系统服务的溢出效应．
在未来的研究中，建议考虑生态系统服务的溢出效应，进一步探索区域内外需求协同牵引下青藏高原区域土地系统的未来演化．在后续的研究工作中，可以直接使用“GCAM青藏高原内部区”的生态系统服务来牵引土地系统的变化．
-
表 1 GCAM土地类型与土地系统服务的对应关系
土地系统服务 GCAM土地类型 草地 草地、未管理牧场、管理牧场 耕地 玉米、纤维作物、饲料草、油料作物、水稻、块根作物、棕榈果、其他谷物、糖料作物、生物质、杂粮作物、其他 灌木 灌木 林地 管理林地、未管理林地 
下载: 导出CSV
表 2 土地数据和驱动因子数据
数据类别 数据名称 数据类别 数据名称 土地覆被 GlobeLand30 人口与经济 市场可达性指数 堆积密度 市场影响指数 阳离子交换量 市场密度指数 土壤 黏土含量 夜间灯光数据 土壤粗碎屑 人均GDP 可用土壤水容量 GDP 土壤有机质 人类发展指数 pH 人口密度数据 砂土含量 牲畜 水牛数量 淤泥含量 牛数量 质地类别 鸡数量 可达性 到达最近城市的距离 鸭数量 到达最近河流的距离 山羊数量 到达最近道路的距离 马数量 到达最近铁路的距离 猪数量 1 km旅行时间 绵羊数量 1 km机动车旅行时间 植被 初级生产总值 1 km步行时间 NDVI 农业 175种粮食作物产量 地形 DEM 气候 多年平均降水 坡度 多年平均气温 DEM方差
下载: 导出CSV
表 3 每种土地系统回归方程的精度
序号 类型 AUC值 序号 类型 AUC值 0 低密度林地 — 11 中密度水体 0.947 1 低密度草地 0.802 12 高密度水体 0.998 2 中密度草地 0.814 13 低密度人造地表 — 3 高密度草地 0.965 14 中密度人造地表 — 4 低密度灌木 0.943 15 低密度裸地 0.869 5 中密度灌木 0.961 16 中密度裸地 0.899 6 高密度灌木 0.964 17 高密度裸地 0.982 7 低密度湿地 0.957 18 低密度冰川与永久积雪 0.989 8 中密度湿地 0.968 19 中密度冰川与永久积雪 0.993 9 高密度湿地 0.983 20 高密度冰川与永久积雪 0.998 10 低密度水体 0.921
下载: 导出CSV
表 4 33×33滑动窗口大小30 m分辨率的土地覆被数据
土地系统类型 土地覆被数据 土地系统类型 土地覆被数据 低密度林地 高密度草地 中密度灌木 高密度湿地 中密度水体 低密度人造地表 高密度裸地 高密度冰川与永久积雪
下载: 导出CSV
-
[1] 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 doi: 10.1016/j.landurbplan.2017.09.019
[2] 戴尔阜,马良. 土地变化模型方法综述[J]. 地理科学进展,2018,37(1):152 [3] VAN ASSELEN S,VERBURG P H. Land cover change or land-use intensification:simulating land system change with a global-scale land change model[J]. Global Change Biology,2013,19(12):3648 doi: 10.1111/gcb.12331
[4] ASSELEN S,VERBURG P H. A land system representation for global assessments and land-use modeling[J]. Global Change Biology,2012,18(10):3125 doi: 10.1111/j.1365-2486.2012.02759.x
[5] VAN VLIET J, VERBURG P H. A short presentation of CLUMondo[M]//Geomatic Approaches for Modeling Land Change Scenarios. Cham: Springer International Publishing, 2017: 485
[6] LIU Z F,VERBURG P H,WU J G,et al. Understanding land system change through scenario-based simulations:a case study from the drylands in Northern China[J]. Environmental Management,2017,59(3):440 doi: 10.1007/s00267-016-0802-3
[7] JIN X L,JIANG P H,MA D X,et al. Land system evolution of Qinghai-Tibetan Plateau under various development strategies[J]. Applied Geography,2019,104:1 doi: 10.1016/j.apgeog.2019.01.007
[8] SCHMID M,HEINIMANN A,ZAEHRINGER J G. Patterns of land system change in a Southeast Asian biodiversity hotspot[J]. Applied Geography,2021,126:102380 doi: 10.1016/j.apgeog.2020.102380
[9] DONG N,YOU L,CAI W J,et al. Land use projections in China under global socioeconomic and emission scenarios:utilizing a scenario-based land-use change assessment framework[J]. Global Environmental Change,2018,50:164 doi: 10.1016/j.gloenvcha.2018.04.001
[10] KYLE G P, LUCKOW P, CALVIN K V, et al. GCAM 3.0 agriculture and land use: data sources and methods [R]. Richland, WA (United States): Pacific Northwest National Lab (PNNL), 2011
[11] CENTER FOR INTERNATIONAL EARTH SCIENCE INFORMATION NETWORK - CIESIN - COLUMBIA UNIVERSITY. Gridded population of the world, version 4 (GPWv4): population density adjusted to match 2015 revision UN WPP country totals, revision 11 [M]. NASA Socioeconomic Data and Applications Center (SEDAC): Palisades NY, 2018
[12] UNEP-WCMC and IUCN. Protected planet: the world database on protected areas (WDPA) [M]// Cambridge, UK: UNEP-WCMC and IUCN, 2021
[13] PONTIUS R. Quantification error versus location error in comparison of categorical maps[J]. Photogrammetric Engineering and Remote Sensing,2000,66:1011
[14] HAGEN A. Multi-method assessment of map similarity[C]//Proceedings of the 5th AGILE Conference on Geographic Information Science. Palma, Spain: Universitat de les Illes Balears, 2002: 171
[15] ZHANG J,ZHOU Y K,LI R Q,et al. Accuracy assessments and uncertainty analysis of spatially explicit modeling for land use/cover change and urbanization:a case in Beijing metropolitan area[J]. Science China Earth Sciences,2010,53(2):173 doi: 10.1007/s11430-009-0199-4
-
期刊类型引用(3)
1. Jiaying LV，Changqing SONG，Yifan GAO，Sijing YE，Peichao GAO. Simulation and analysis of the long-term impacts of 1.5℃ global climate pledges on China's land systems. Science China Earth Sciences. 2025(02): 457-472 . 
必应学术
2. 吕佳婴，宋长青，高怡凡，叶思菁，高培超. 1.5℃全球气候主张对中国土地系统长期影响的模拟与分析. 中国科学:地球科学. 2025(02): 468-484 . 百度学术
3. 卢宗亮，吴奕龙，黄坛俊，刘洁莹，郑涵，刘晓菁. 基于LEAP-LANDIS情景模拟的城市碳代谢格局优化研究. 干旱区资源与环境. 2023(12): 10-20 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 217
- HTML全文浏览量: 140
- PDF下载量: 41
- 被引次数: 3
