2026, Vol. 47
2. 安徽省国土空间规划与生态研究院，合肥 230601;
3. 惠民县石庙镇人民政府，滨州 251719;
4. 安徽建筑大学环境与能源工程学院，合肥 230601
2. Anhui Provincial Institute of Spatial Planning and Ecological Research, Hefei 230601, China;
3. People's Government of Shimiao Town, Huimin County, Binzhou 251719, China;
4. School of Environmental and Energy Engineering, Anhui Jianzhu University, Hefei 230601, China
土地利用转型作为人地关系研究的核心议题，其动态演变过程直接关系到区域可持续发展目标的实现[1]. 近年来，随着全球城市化与工业化的加速推进，土地利用转型的频率显著增加，不仅严重破坏了区域生态系统的结构与功能，同时也加速了资源的耗竭与环境的退化，对区域可持续发展构成了严峻挑战，最终削弱土地的生产潜力[2~5]. 联合国可持续发展目标（SDGs）和联合国政府间气候变化专门委员会（IPCC）特别报告均强调，优化国土空间结构、提升土地利用效率是应对生态退化与资源短缺的关键路径[6~8]. 土地利用转型及其未来情景模拟是理解其变化规律、驱动机制及生态环境效应的基础. 这一过程具有高度复杂性，需综合考虑土地利用的数量、空间格局和时间变化等多维因素[9~11]. 通过构建多情景模拟模型，可以预测未来土地利用空间分布和结构变化，从而优化土地资源配置，平衡生态保护与经济发展，最终实现区域可持续发展目标.
自20世纪以来，国内外学者构建了多种模型来模拟土地利用变化. 传统数量模拟模型如ANN神经网络[12]，马尔可夫链（Markov）模型[13]和系统动力学（system dynamics，SD）模型[14]，能够量化土地利用类型的动态变化，但难以处理非线性反馈机制. 空间格局模拟的常见模型包括元胞自动机、CLUE-S模型、FLUS模型和PLUS模型[15~20]，虽能体现土地利用的空间配置，却缺乏对社会经济驱动因素的动态解析. 蒋小芳等对比了PLUS、FLUS和CLUE-S模型在黑河流域中游甘临高地区土地模拟精度，发现PLUS模型的拟合效果最优[21]. 然而，单一模型存在局限性，耦合模型可以结合时空模拟的优势. PLUS模型能够动态模拟多种土地利用类型斑块级别的演变，有效解决社会经济与自然环境共同作用下IUCC发展具有不确定性的问题[22]. SD模型能够融合多种驱动因素，更好地呈现土地利用变化的动态性与系统性[23]. 本研究利用SD-PLUS耦合模型通过整合系统动力学（SD）的宏观数量预测与PLUS模型的斑块级空间模拟，能够同步解决土地利用转型的数量结构与空间配置问题，为复杂人地系统的模拟提供了新思路[24].
山东省作为中国东部沿海经济大省和黄河下游核心区域，其土地利用转型面临人地矛盾尖锐、土地利用效率低下和生态安全挑战这三重困境[25]. 2020年，山东省建设用地占比达25.7%，超过全国均值3个百分点，而耕地保有率为68.16%，耕地压力大. 第七次全国人口普查数据显示，山东省常住人口达1.02亿，GDP密度为4.75万元·km-2，但单位建设用地GDP产出仅为长三角地区的63%，土地利用效率亟待提升. 此外，鲁中南山地水土流失率超过30%，黄河三角洲湿地退化面积达12.6%，生态安全面临严峻挑战. 当前关于山东省土地利用的研究主要集中于土地集约利用的时空格局演变、生态系统服务价值评估等方面[26~29]，对土地利用变化的动态驱动因素以及模拟量化解析尚显不足.
鉴于此，以山东省为研究区域，基于2000~2020年的土地利用数据与社会经济数据，构建4种约束情景，耦合SD-PLUS模型，在验证模型的基础上，进一步预测2030年山东省在不同发展情景下的土地利用格局，从而提出对土地合理利用和保护环境的优化策略，并为优化国土空间规划提供科学依据. 本研究旨在为山东省土地合理利用、经济发展与生态保护、保障粮食安全及促进区域可持续发展提供决策支持，进一步为同类经济发达、资源环境约束趋紧区域提供科学的转型路径优化依据.
1 材料与方法 1.1 研究区概况山东省（陆域114°48′~122°42′E、34°23′~38°17′N）位于华北平原地区，黄河下游、京杭大运河中北段穿境而过，由半岛和内陆两部分构成，内陆与河北、河南、安徽、江苏接壤，半岛与渤海、黄海相邻. 海拔介于-3~1 826 m，泰山雄踞中部，为全省最高点，黄河自西南向东北流入渤海，黄河三角洲为最低点，境内大体可分为平原、台地、丘陵和山地等复杂地貌地形，属于暖温带季风气候区（图 1）. 山东省下辖16个地级市，全省陆域面积15.81万km2，毗邻海域面积约为15.86万km2，划定永久基本农田约6.39万km2，土地利用形态主要包括耕地、林地、草地和水域. 其中，耕地为主要形态，占全省总面积的68.16%，2023年山东生产总值达到9.2万亿元，经济稳中有进，量质齐升.
|
图 1 山东省地理位置示意 Fig. 1 Geographic location of Shandong Province |
所需数据包括用于SD模型的历年社会经济数据和用于PLUS模型的土地利用数据、自然环境数据、基础地理信息数据. 通过综合考虑研究区的自然环境和社会经济以及数据的可获得性，参考相关研究[30，31]，根据需求对数据进行重分类，最终选取包括自然环境、社会经济、交通路网和政策等影响因素，其具体来源如表 1所示. 鉴于各种数据的分辨率会各有不同，利用ArcGIS 10.8软件将数据统一转换成投影坐标系为WGS-1984-UTM-Zone-50N的30 m×30 m的栅格数据.
|
表 1 数据信息及来源1） Table 1 Data information and sources |
1.3 研究方法 1.3.1 系统动力学
系统动力学（SD）是一种将定性与定量相结合的方法（图 2），基于信息反馈系统认识并通过系统分析和综合推理解决系统问题，认为系统的行为模式与特性主要取决于系统内部的动态结构与反馈机制[32]. 根据山东省的土地利用情况和数据资料的可获取性. 将SD模型的模拟期定为2010~2030年，时间步长为1 a. 构建了由经济、人口及土地利用这3个子系统构成的适用于山东的土地利用系统模型，在梳理各变量间的因果关系后，构建了能够反映各变量间动态关系的存量流量.
|
图 2 山东省土地利用变化SD模型 Fig. 2 SD model of land use change in Shandong Province |
通过设定不同情景条件，可以分析在多种未来发展路径下，土地利用的变化趋势以及其对生态、经济和社会的影响. 根据研究区域特点以及参考现有相关研究，调整人口、经济、政策等数据，设置惯性发展、耕地保护、生态保护和经济发展这4种约束情景模拟未来土地利用变化情况[33~36]. 在惯性发展情景下，聚焦于其自然发展，反映了在无重大政策干预或技术突破的情况下，山东省社会经济和土地利用延续历史趋势的自然发展状态. 耕地保护情景下，优先保护耕地资源，增强耕地保护政策，尽可能减少耕地的转出；生态保护情景下，关注自然环境的保护，保障生态用地的数量；经济发展情景下，提高经济发展水平，减少对建设用地扩张的限制. 其具体参数设置见表 2.
|
|
表 2 不同情景相关参数 Table 2 Parameter settings for different scenarios |
1.3.3 PLUS模型
PLUS模型是基于栅格数据模拟土地变化的元胞自动机（CA）模型，主要分为两个部分：用地扩张分析策略（LEAS）和基于多类随机板块种子的CA模型（CARS）[37，38]. 综合考虑易获取性、空间差异性、可量化性等因素，以及分析研究区的自然环境和社会经济等，最终选取包含DEM、坡度、坡向、土壤类型、年均气温和距水域距离等自然环境因子，距国道、省道、铁路和高速公路距离等交通路网因子，以及人口密度、GDP和到市县政府距离等社会经济因子[21，39~44]，共13种驱动因子（图 3）.
|
图 3 PLUS模型驱动因子数据集 Fig. 3 PLUS model driver factor dataset |
基于山东省2000年、2010年和2020年这3期土地利用数据，对这3期数据进行转换，随后对2期土地数据进行叠加，提取土地扩张信息. 将土地利用扩张数据输入LEAS模块，结合选定的驱动因素，参数mTry设置为用于训练随机森林回归模型的特征数，其值必须至少与驱动因素数量相同，因此设置为13. 鉴于研究范围大，为了更好地运行，将Thread设置为4，其余参数设置为默认值，最终得到概率图集（图 4）.
|
图 4 山东省各地类发展潜力空间分布 Fig. 4 Spatial distribution of development potential in different land use categories in Shandong Province |
结果表明，耕地潜力集中在建设用地周边；林地和草地潜力集中在鲁中、鲁西南山区及东部丘陵；水域潜力集中在现有水体周边，尤其是北部渤海湾沿岸；建设用地潜力集中在市县核心区域，向外递减；未利用地潜力集中在渤海湾沿岸冲积平原. 土地利用潜力分布与其空间格局和自然、历史条件密切相关.
LEAS模块还能够提供各驱动因素对不同土地利用类型扩展的贡献率结果[45]. 这一功能使得研究者可以清晰地识别出促使某种土地利用类型变化的关键驱动因素，并直观地表达驱动因素与土地利用类型之间的关系（图 5）.
|
1.DEM，2.距高速距离，3.GDP，4.距国道距离，5.坡度，6.人口密度，7.坡向，8.平均气温，9.距省道距离，10. 距铁路距离，11.距水域距离，12.土壤类型，13.距市县政府距离 图 5 13个驱动因素对各土地利用类型增长的贡献率 Fig. 5 Contribution rates of 13 driving factors to the growth of each land use type |
结果表明，耕地变化主要受GDP驱动，其次为DEM、坡度、年均温和人口密度；林地扩张受DEM、年均温和坡度影响；草地变化受DEM、坡度、坡向和年均温影响；水域扩张受年均温、DEM、人口密度和土壤类型影响；建设用地扩张受DEM、人口密度、GDP、坡度和年均温共同驱动；未利用地变化受人口密度、年均温和土壤类型影响. 各土地利用类型变化均受自然和社会经济因素共同作用.
领域权重参数[46~49]反映了不同土地利用类型的扩张强度，其取值范围从0~1. 当该参数接近1时，意味着该土地利用类型具有较强的扩张潜力. 本研究领域权重的设置依据2010~2020年山东省土地利用转移数据，统计得到各类土地利用类型扩张面积，并计算出各土地利用类型转移面积占所有地类转移面积的比例，以此作为各土地利用类型的领域权重，设定的权重参数如表 3.
|
|
表 3 土地利用类型领域权重参数 Table 3 Parameters of land type domain weights |
土地利用转移矩阵用于表示不同土地利用类型之间的相互转换关系，在该矩阵中，值为0表示两种土地利用类型之间无法发生转换，而值为1则表示这两种类型可以相互转换. 借鉴王佳楠等[50]和杜洲等[51]的研究，设置具体数值见表 4.
|
|
表 4 不同情景土地利用转换成本矩阵1） Table 4 Land use conversion cost matrix under different scenarios |
2 结果与讨论 2.1 模型精度检验
根据山东数据资料的可获取性，将SD模型的模拟期定为2020~2030年. 土地利用历史变化阶段为2010~2020年，历史阶段数据用于验证模型的准确性，通常情况下，相对误差的绝对值越小，模型的运行效果越接近实际情况，当相对误差的绝对值小于10%时，模型的仿真结果被认为能够满足研究需求. 为验证模型精度，将2010~2020年的历史数据输入模型，并对总人口、GDP、耕地等用地面积的模拟值与历史数据进行对比，以评估误差大小（表 5）.
|
|
表 5 系统动力学模型部分变量历史数据的模拟与检验 Table 5 Simulation and testing of historical data of some variables in the system dynamics model |
启动模拟模块（CARS），将2020年转换后的土地利用数据以及从LEAS生成的发展潜力图导入到模型中，并将邻域效应设置为3，生成新斑块的衰减阈值设置为0.5，生成新土地利用斑块能力设置为0.1，生成新种子数量的最大阈值设置为0.001，将在SD中模拟出的2020年山东省各土地利用类型的数量利用情况作为模拟土地利用的需求量，最终生成2020年土地利用模拟（图 6），并与2020年土地利用现状图进行对比分析.
|
图 6 2020年山东省土地利用现状与模拟情况 Fig. 6 Land use status and simulation in Shandong Province in 2020 |
采用Kappa系数对PLUS模型的模拟结果进行精度检验. Kappa系数的值范围在0~1之间，其中不同的数值区间对应不同的模型精度水平：Kappa系数高于0.75表示模型具有较高的模拟精度，能够有效地再现实际的土地利用情况；0.4~0.75之间表明模型具有中等一致性；而低于0.4则表明模型一致性较差，模拟结果可能存在较大偏差[51]. 具体公式如下：
| (1) |
式中，p0表示为模拟结果中正确栅格的比例，pi表示期望模拟正确的栅格比例，1为理想状况下模拟正确的比例.
通过PLUS自带的Kappa系数模块，得到2020年模拟结果的Kappa系数为0.80，总体精度达到0.88，表明此次模拟的结果具有较高的精度，所选的驱动因子及设置的参数能够较好地满足模拟要求. 模拟结果较为理想，可为山东省土地利用空间分布多情景模拟研究提供有效参考.
2.2 山东省土地利用需求模拟及结果分析利用前文已经校验好的SD模型，将基期调整为2020年，将设置好的4种模拟情景参数分别输入SD模型进行预测，得到2030年山东省不同情景下各地类的面积，表 6为模拟得到的结果.
|
|
表 6 不同情景下2030年山东省土地利用模拟主要指标预测结果 Table 6 Prediction results of main indicators of land use simulation in Shandong Province in 2030 under different scenarios |
到2030年，山东省土地利用需求量的变化在4种不同情景下表现出显著差异，各情景基于不同的政策目标和发展方向. 具体表现为：在惯性发展情景下，土地利用变化较为平稳，除水域和建设用地小幅增加外，其他土地利用类型面积减少. 此情景基于现有经济社会发展状态和政策，顺其自然发展. 在耕地保护情景下，以耕地保护为核心，严格控制耕地流失，确保耕地总量稳定或增长. 耕地面积最大（107 828.28 km2），建设用地最小（33 733.70 km2），优先保障耕地，限制城市扩张. 在生态保护情景下，以生态文明建设为目标，实施最严格的生态保护政策，林地和草地达到最大值，水域大幅增加，分别为8 757.77、3 165.96和6 084.06 km2. 通过大规模生态保护和修复，改善生态环境. 在经济发展情景下，优先发展经济和城市化，预测GDP达到183 014.22亿元. 建设用地需求大幅增加，达到41 040.36 km2，耕地面积显著减少，生态用地（草地和水域）也有所下降. 经济增长带来土地高强度开发，但也对生态和资源可持续性带来挑战.
在完成2030年山东省多情景土地需求量模拟预测后，将不同情景下各土地利用类型的面积转换为相应精度的栅格像元数量，为后续土地利用空间模拟提供数据基础.
2.3 山东省土地利用空间分布多情景模拟以2020年土地利用数据为起始年份，将在SD模型中得到4种情景下的2030年土地利用的数量需求输入PLUS模型，模拟得到2030年山东省惯性发展、耕地保护、生态保护和经济发展这4种情景下的土地利用空间分布图，从各土地利用类型占比来看（图 7）：在惯性发展和经济发展情景下，耕地和建设用地面积接近；耕地保护情景下，由于严格的耕地保护政策，耕地占比最高，达到69.19%；生态保护情景下，林地、草地和水域占比略高于耕地保护和经济发展情景；经济发展情景下，由于经济增长和城市化需求，建设用地占比最高，达到26.33%，远高于耕地保护情景和生态保护情景.
|
图 7 2030年山东省不同情景下各土地利用类型占比 Fig. 7 Proportion of land use types under different scenarios in Shandong Province in 2030 |
在惯性发展情景下（图 8），山东省土地利用格局发生了显著变化. 耕地面积比2020年模拟值（表 5）减少了5 363.11 km2，反映出城镇化加速下农业用地向建设用地转化的趋势，这对粮食生产和生态环境造成潜在压力，可能影响农业可持续发展和土地自然恢复. 林地面积略增97.74 km2，草地减少854.9 km2，水域增加1 103.6 km2. 建设用地显著增加5 232.36 km2，推动了经济增长，但也加剧了耕地减少和生态压力，未来需在扩展建设用地的同时保障耕地与生态环境. 未利用地减少13.7 km2，开发进展缓慢，但仍需避免过度开发带来的生态破坏.
|
图 8 2030年山东省不同发展情景下土地利用空间分布模拟 Fig. 8 Simulation of spatial distribution of land use under different development scenarios in Shandong Province in 2030 |
在耕地保护情景下，山东省加大政策实施力度，有效增加了耕地面积. 耕地增加了1 606.99 km2，主要来源于草地、建设用地和水域的转换，主要集中在建设用地周边. 草地减少了730.45 km2，占转化土地的最大比例，反映出部分草地被调整为耕地以保障粮食生产. 建设用地减少471.05 km2，对城镇化和工业化扩张的约束加强. 土地利用政策优化城市布局，将低效建设用地转为耕地. 水域减少477.55 km2，主要涉及人工水体和低生态价值湿地，通过水资源管理和土地整合扩展了耕地面积.
在生态保护情景下，山东省以生态优先、绿色发展为核心目标，严格执行生态保护政策，大力推进天然林、草地和水域的保护与恢复，显著改变了土地利用空间格局. 建设用地面积意外增加了1 291.73 km2，相较于惯性发展情景，建设用地扩张规模大幅减小. 林地、草地、水域面积分别增加了938.02、1 027.43和983.81 km2，耕地面积减少了4 226.47 km2，是面积变化最显著的土地利用类型，这表明为了优先保障生态系统功能，一部分耕地被调整为林地、草地和水域，这不仅减轻了农业对生态的压力，也为环境修复提供了空间，同时建设用地无序蔓延的情况得到有效控制.
在经济发展情景下，山东省以经济增长和城镇化为核心目标，优先满足建设和人口增长的用地需求. 土地利用格局显著变化，建设用地大幅扩张，耕地等其他用地面积相应减少. 建设用地的增长使得工业化和城市化进程加快，以及经济建设对土地资源需求的激增，大量耕地和其他用地转为工业园区、城市新区、交通设施等，提供了充足的空间保障. 然而，快速扩张的建设用地也带来生态环境压力和高强度土地利用问题. 耕地减少了6 488.91 km2，表明农业用地大规模转为建设用地，这可能影响农业生产和粮食安全，需通过提高耕地利用效率和现代农业技术应对. 林地变化较小，受其生态保护重要性影响，开发程度较低. 草地和水域面积略有减少，分别减少9.38 km2和79.03 km2，主要用于支持建设用地扩展，可能影响水资源管理和生态稳定性.
3 促进土地可持续利用建议结合土地利用变化的土地利用模拟预测研究是目前土地可持续利用发展研究的的热点问题之一，其能够为未来时期区域土地集约利用工作的开展提供科学依据. 基于2000~2020年土地利用遥感监测数据，利用SD-PLUS耦合模型对2030年4种不同情景下山东省的土地利用进行了模拟预测，发现GDP、人口密度、经济发展水平、交通区位条件及地形地貌等因素对土地利用演变具有显著影响. 惯性发展情景下，建设用地增加最为明显，农业用地向建设用地转化呈加速趋势；耕地保护情景下，耕地占比最高；生态保护情景下，促进了林地、草地、水域的增加，但耕地面积减少；经济发展情景下，建设用地扩张，而引发耕地减少. 通过统筹兼顾经济发展、社会需求与生态保护，提出针对性的土地资源优化配置对策，可以为山东省未来高质量发展提供坚实的土地资源保障.
3.1 耕地保护与农业生产空间布局分析结果表明，耕地增长与DEM、GDP和年平均降水等因素关联性较高，表明地理条件、经济发展水平及水资源对耕地空间分布影响显著. 因此，需强化耕地保护制度，严格落实耕地红线政策. 同时，优化农业生产空间布局，结合人口密度和GDP等经济贡献较高区域，鼓励发展高效农业，提升耕地利用效率. 比如，提出在济南都市圈实施“占补平衡3.0”政策，要求新增建设用地与复垦耕地质量比≥1.2∶1，严控优质耕地流失；在黄河故道区划定永久基本农田保护区（面积占比≥80%），配套耕地修复基金，提升土壤肥力与抗灾能力.
3.2 合理控制建设用地扩张分析结果表明，建设用地的增长受人口密度、GDP以及交通因素（如距离高速公路和国道距离）等因素影响显著，这表明经济发展和城镇化是推动建设用地扩张的主要因素. 因此，应积极推进紧凑型城市发展，合理规划城市空间结构. 例如，设定青岛-烟台沿海地带开发强度≤25%（现状28.7%），优化集约用地模式；在鲁中南山地，禁止坡度大于25°区域开发，限期完成违规用地整改，防范地质灾害风险. 同时，根据高速公路、国道和铁路等交通要素的贡献率，优先在交通便捷区域集中开发，提升土地利用效率，避免资源浪费.
3.3 加强生态用地保护分析结果表明，林地、草地和水域的增长与DEM（高程）和坡度等自然因素密切关联. 为此，应对坡度较大、降水丰富及生态敏感区域内的林地、草地和水域划定生态保护红线，实施严格的保护和监管措施. 通过植树造林、草地修复等生态工程对未利用地和退化土地进行科学治理，尤其要注意微山湖和北部渤海湾地区的生态保护. 例如，在鲁西南塌陷区推进“矿坑转水域”工程（规划修复619 km2），缓解生态塌陷问题；在胶东半岛构建“林地⁃海岸带”生态廊道，通过植被恢复与廊道连通性提升，增强生态系统稳定性，在黄河三角洲实行“湿地银行”机制，并结合生态补偿机制，形成政府主导、市场参与、公众监督的多元化生态保护格局.
4 研究局限与展望 4.1 驱动因子体系有待完善本研究中虽考虑到自然、交通和社会经济等13项驱动因子，但选择时优先考虑了数据可获取性和相关性，仅选取了部分已知的影响因素，可能忽略潜在的、但重要的变量，比如气候灾害等，影响了模拟精度.
4.2 模型耦合机制需优化在PLUS模型的CARS模块中，诸如邻域权重、土地利用转换成本等参数的设置对于模拟结果具有直接的影响. 本研究在参考其他学者的研究成果、查阅相关文献的基础上，结合对模型的多次调试，对以上参数进行了设置. 但这一过程难免带有主观性，尤其在参数的选择和调整过程中，可能会受到研究者经验和已有认知的影响. 研究采用的固定情景设置（2030年）难以应对突发公共事件的冲击，未来可构建基于Agent的动态模拟系统.
鉴于此，未来的研究应拓展影响因素的范围，并结合数据挖掘等技术，识别和引入更多有价值的驱动因子，从而提高土地利用模拟的可靠性. 另一方面，应更加注重不同情景下PLUS模型参数设置的一般规律，通过系统化地探索和分析各种情景下的参数变动与土地利用转化之间的关系，更好地揭示出以上参数对土地利用模拟结果的实际影响，并为未来模型的应用和参数设置提供更加科学、客观的依据.
5 结论（1）本研究在省域尺度实现SD-PLUS模型的深度耦合，能够较好地进行土地利用变化模拟，历史模拟误差低于8%，利用PLUS模型进行土地利用空间模拟，Kappa系数为0.8，总体精度为0.88，说明模拟能够较为真实地反映土地利用变化情况.
（2）基于山东省2000~2020年的土地利用数据，选取13项驱动因子计算土地空间类型适宜性概率以及促使土地利用类型变化的关键驱动因素；建立了惯性发展、耕地保护、生态保护和经济发展4种约束情景，并利用SD-PLUS模型进行山东省土地利用模拟. 在惯性发展情景下，耕地面积和建设用地面积与经济发展情景下相持平；在耕地保护情景下，显著提高了耕地的占比，达到了69.19%，在4种情景中占比最高；生态保护情景强调对林地、草地和水域等自然生态系统的保护与恢复，其占比略高于耕地保护情景和经济发展情景；在经济发展情景下，建设用地的扩张成为显著特点，建设用地占比达到了26.33%，远高于耕地保护情景和生态保护情景.
（3）基于模型模拟分析以及综合考虑山东省复杂的地形地貌，本研究提出的差异化土地优化策略，旨在促进山东省土地资源的可持续利用，为未来高质量发展提供坚实的土地资源保障. 如鲁西平原地区“耕地保护红线+高标准农田建设”、青岛-烟台沿海带控制开发强度、黄河三角洲“湿地银行”机制、济南都市圈“占补平衡3.0”，旨在实现耕地数量、质量和生态“三位一体”保护，为省级国土空间规划提供借鉴，具有显著的政策创新性以及较强的实践指导意义.
| [1] |
刘纪远, 宁佳, 匡文慧, 等. 2010-2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018, 73(5): 789-802. Liu J Y, Ning J, Kuang W H, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5): 789-802. |
| [2] | Luyssaert S, Jammet M, Stoy P C, et al. Land management and land-cover change have impacts of similar magnitude on surface temperature[J]. Nature Climate Change, 2014, 4(5): 389-393. DOI:10.1038/nclimate2196 |
| [3] | Huang W T, Guo L, Zhang T, et al. The impact of territorial spatial transformation on carbon storage: a case study of Suqian, East China[J]. Land, 2024, 13(3). DOI:10.3390/land13030348 |
| [4] |
陈睿山, 郭晓娜, 熊波, 等. 气候变化、土地退化和粮食安全问题: 关联机制与解决途径[J]. 生态学报, 2021, 41(7): 2918-2929. Chen R S, Guo X N, Xiong B, et al. Climate change, land degradation and food insecurity: linkages and potential solutions[J]. Acta Ecologica Sinica, 2021, 41(7): 2918-2929. |
| [5] |
王勇, 孙瑞欣. 土地利用变化对区域水—能源—粮食系统耦合协调度的影响——以京津冀城市群为研究对象[J]. 自然资源学报, 2022, 37(3): 582-599. Wang Y, Sun R X. Impact of land use change on coupling coordination degree of regional water-energy-food system: a case study of Beijing-Tianjin-Hebei Urban Agglomeration[J]. Journal of Natural Resources, 2022, 37(3): 582-599. |
| [6] |
徐冰鑫, 王鹏龙, 王勤花, 等. 面向SDGs的城市人居环境可持续发展评价研究进展与展望[J]. 西部人居环境学刊, 2025, 40(1): 41-50. Xu B X, Wang P L, Wang Q H, et al. Progress and prospect of sustainable development evaluation of urban human settlement environment for SDGs[J]. Journal of Human Settlements in West China, 2025, 40(1): 41-50. |
| [7] | Kaiser Z R M A, Deb A. Sustainable smart city and Sustainable Development Goals (SDGs): a review[J]. Regional Sustainability, 2025, 6(1). DOI:10.1016/j.regsus.2025.100193 |
| [8] |
许吟隆, 赵运成, 翟盘茂. IPCC特别报告SRCCL关于气候变化与粮食安全的新认知与启示[J]. 气候变化研究进展, 2020, 16(1): 37-49. Xu Y L, Zhao Y C, Zhai P M. Advances in scientific understanding on climate change and food security from IPCC special report SRCCL[J]. Climate Change Research, 2020, 16(1): 37-49. |
| [9] |
王立媛, 张勇. 甘肃省土地利用转型时空格局演化及多情景模拟[J]. 干旱区研究, 2025, 42(4): 695-707. Wang L Y, Zhang Y. Evolution of spatiotemporal patterns and multiscenario simulation of land use transition in Gansu Province[J]. Arid Zone Research, 2025, 42(4): 695-707. |
| [10] |
邓楚雄, 彭勇, 李科, 等. 基于生产-生态-生活空间多情景模拟下的流域土地利用转型及生态环境效应[J]. 生态学杂志, 2021, 40(8): 2506-2516. Deng C X, Peng Y, Li K, et al. Simulation of watershed land use transition and eco-environmental effects under multiple scenarios based on production-ecological-living space[J]. Chinese Journal of Ecology, 2021, 40(8): 2506-2516. |
| [11] |
梁膑月, 曹春, 李锦超, 等. 近20年兰西城市群生态系统服务价值对土地利用转型的时空响应[J]. 环境科学, 2024, 45(6): 3329-3340. Liang B Y, Cao C, Li J C, et al. Spatiotemporal response of ecosystem service value to land use change in the Lanzhou-Xining urban agglomeration over the past 20 years[J]. Environmental Science, 2024, 45(6): 3329-3340. DOI:10.13227/j.hjkx.202306222 |
| [12] |
刘娴, 刘浩龙. ANN-FLUS模型在历史耕地分布变化重建上的应用——以1885-2000年的越南为例[J]. 自然资源学报, 2024, 39(6): 1473-1492. Liu X, Liu H L. The application of ANN-FLUS model in reconstructing historical cropland distribution changes: a case study of Vietnam from 1885 to 2000[J]. Journal of Natural Resources, 2024, 39(6): 1473-1492. |
| [13] |
帕茹克·吾斯曼江, 艾东, 方一舒, 等. 基于InVEST与CA-Markov模型的昆明市碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 287-299. Paruke W, Ai D, Fang Y S, et al. Spatial and temporal evolution and prediction of carbon storage in Kunming City based on InVEST and CA-Markov model[J]. Environmental Science, 2024, 45(1): 287-299. DOI:10.13227/j.hjkx.202302060 |
| [14] |
胡烨婷, 李天宏. 基于SD-CA模型的快速城市化地区土地利用空间格局变化预测[J]. 北京大学学报(自然科学版), 2022, 58(2): 372-382. Hu Y T, Li T H. Forecasting spatial pattern of land use change in rapidly urbanized regions based on SD-CA model[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2022, 58(2): 372-382. |
| [15] |
何丹, 金凤君, 周璟. 基于Logistic-CA-Markov的土地利用景观格局变化——以京津冀都市圈为例[J]. 地理科学, 2011, 31(8): 903-910. He D, Jin F J, Zhou J. The changes of land use and landscape pattern based on logistic-CA-Markov model—a case study of Beijing-Tianjin-Hebei metropolitan region[J]. Scientia Geographica Sinica, 2011, 31(8): 903-910. |
| [16] |
何丹, 周璟, 高伟, 等. 基于CA-Markov模型的滇池流域土地利用变化动态模拟研究[J]. 北京大学学报(自然科学版), 2014, 50(6): 1095-1105. He D, Zhou J, Gao W, et al. An integrated CA-Markov model for dynamic simulation of land use change in Lake Dianchi Watershed[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(6): 1095-1105. |
| [17] |
顾汉龙, 马天骏, 钱凤魁, 等. 基于CLUE-S模型县域土地利用情景模拟与碳排放效应分析[J]. 农业工程学报, 2022, 38(9): 288-296. Gu H L, Ma T J, Qian F K, et al. County land use scenario simulation and carbon emission effect analysis using CLUE-S model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(9): 288-296. |
| [18] |
俞钦平, 吴振华, 王亚蓓. 一种耦合进化算法与FLUS模型的土地利用变化模拟模型[J]. 地球信息科学学报, 2023, 25(3): 510-528. Yu Q P, Wu Z H, Wang Y B. A land use change simulation model: coupling of evolutionary algorithm and FLUS model[J]. Journal of Geo-information Science, 2023, 25(3): 510-528. |
| [19] | Zhang Y, Yu P H, Tian Y S, et al. Exploring the impact of integrated spatial function zones on land use dynamics and ecosystem services tradeoffs based on a future land use simulation (FLUS) model[J]. Ecological Indicators, 2023, 150. DOI:10.1016/j.ecolind.2023.110246 |
| [20] |
李雪, 李文, 高宇. 基于FLUS-InVEST模型的大庆市土地覆盖模拟与碳储量评估[J]. 环境科学, 2024, 45(10): 5983-5993. Li X, Li W, Gao Y. Land cover simulation and carbon storage assessment in Daqing City based on FLUS-InVEST model[J]. Environmental Science, 2024, 45(10): 5983-5993. DOI:10.13227/j.hjkx.202312007 |
| [21] |
蒋小芳, 段翰晨, 廖杰, 等. 基于PLUS-SD耦合模型的黑河流域中游甘临高地区土地利用研究[J]. 干旱区研究, 2022, 39(4): 1246-1258. Jiang X F, Duan H C, Liao J, et al. Land use in the Gan-Lin-Gao region of middle reaches of Heihe River Basin based on a PLUS-SD coupling model[J]. Arid Zone Research, 2022, 39(4): 1246-1258. |
| [22] | Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: a case study in Wuhan, China[J]. Computers, Environment and Urban Systems, 2021, 85. DOI:10.1016/j.compenvurbsys.2020.101569 |
| [23] |
张晓荣, 李爱农, 南希, 等. 基于FLUS模型和SD模型耦合的中巴经济走廊土地利用变化多情景模拟[J]. 地球信息科学学报, 2020, 22(12): 2393-2409. Zhang X R, Li A N, Nan X, et al. Multi-scenario simulation of land use change along China-Pakistan Economic Corridor through coupling FLUS model with SD model[J]. Journal of Geo-information Science, 2020, 22(12): 2393-2409. |
| [24] |
刘耀林, 仝照民, 刘岁, 等. 土地利用优化配置建模研究进展与展望[J]. 武汉大学学报(信息科学版), 2022, 47(10): 1598-1614. Liu Y L, Tong Z M, Liu S, et al. Progress and prospects of research on optimal land-use allocation modeling[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10): 1598-1614. |
| [25] |
路昌, 韩笑, 韩会芹. 山东省土地利用转型与生态服务功能交叉敏感性研究[J]. 农业机械学报, 2020, 51(10): 223-231. Lu C, Han X, Han H Q. Cross-sensitivity of land use transformation and ecological service function in Shandong Province[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(10): 223-231. |
| [26] |
翟家祺, 罗永忠, 罗昕, 等. 土地利用变化背景下山东省生态系统服务及权衡与协同关系[J]. 环境科学, 2025, 46(9): 5907-5918. Zhai J Q, Luo Y Z, Luo X, et al. Ecosystem services and trade-offs and synergies in Shandong Province under the background of LUCC[J]. Environmental Science, 2025, 46(9): 5907-5918. DOI:10.13227/j.hjkx.202407082 |
| [27] |
魏俐宏, 刘健, 郑昭佩, 等. 山东省土地利用与生态系统服务价值时空变化研究[J]. 西安理工大学学报, 2025, 41(1): 34-44. Wei L H, Liu J, Zheng Z P, et al. Spatio-temporal change of land use and ecosystem service value in Shandong Province[J]. Journal of Xi'an University of Technology, 2025, 41(1): 34-44. |
| [28] |
魏长晶, 王雨枫, 蔡学森. 山东省土地利用动态演变及生态环境研究[J]. 应用基础与工程科学学报, 2023, 31(5): 1183-1189. Wei C J, Wang Y F, Cai X S. Study on dynamic change of land use and ecological environment in Shandong Province[J]. Journal of Basic Science and Engineering, 2023, 31(5): 1183-1189. |
| [29] |
尹登玉, 张全景, 翟腾腾. 山东省土地利用变化及其对生态系统服务价值的影响[J]. 水土保持通报, 2018, 38(5): 134-143. Yin D Y, Zhang Q J, Zhai T T. Land use change and its impact on ecosystem service value in Shandong Province[J]. Bulletin of Soil and Water Conservation, 2018, 38(5): 134-143. |
| [30] |
牛统莉, 熊立华, 陈杰, 等. 基于PLUS模型的长江流域土地利用变化模拟与多情景预测[J]. 武汉大学学报(工学版), 2024, 57(2): 129-141, 151. Niu T L, Xiong L H, Chen J, et al. Land use simulation and multi-scenario prediction of the Yangtze River Basin based on PLUS model[J]. Engineering Journal of Wuhan University, 2024, 57(2): 129-141, 151. |
| [31] |
周满意, 王承武. 基于PLUS模型的乌鲁木齐市"三生"空间多情景模拟[J]. 中国环境科学, 2024, 44(7): 4021-4030. Zhou M Y, Wang C W. Multi-scenario simulation of "production-livelihood-ecological" space in Urumqi based on PLUS[J]. China Environmental Science, 2024, 44(7): 4021-4030. |
| [32] |
曹祺文, 顾朝林, 管卫华. 基于土地利用的中国城镇化SD模型与模拟[J]. 自然资源学报, 2021, 36(4): 1062-1084. Cao Q W, Gu C L, Guan W H. China's urbanization SD modelling and simulation based on land use[J]. Journal of Natural Resources, 2021, 36(4): 1062-1084. |
| [33] |
王振伟, 王译磊, 汪晓春, 等. 基于多情景模拟的三生空间动态变化与生态系统服务响应: 以湖北省为例[J]. 环境科学, 2026, 47(4): 2947-2510. Wang Z W, Wang Y L, Wang X C, et al. Dynamic changes in the production-living-ecological space and ecosystem service responses based on multi-scenario simulations: a case study of Hubei Province[J]. Environmental Science, 2026, 47(4): 2947-2510. DOI:10.13227/j.hjkx.202502044 |
| [34] |
肖建英, 戴津津, 方昕然, 等. 基于PLUS模型的徐州市生态系统服务价值多情景模拟研究[J]. 中国土地科学, 2024, 38(4): 125-134. Xiao J Y, Dai J J, Fang X R, et al. Multiple scenario simulation of ecosystem service value in Xuzhou city based on PLUS model[J]. China Land Science, 2024, 38(4): 125-134. |
| [35] |
张艳, 杨维新, 吕韬. 基于GeoDetector-MCCA的土地利用变化驱动因素分析与多情景模拟——以黄河流域甘肃段为例[J]. 干旱区研究, 2025, 42(4): 668-681. Zhang Y, Yang W X, Lyu T. Driving factors analysis and multi-scenario simulation of land use change based on GeoDetector-Mixed-cell Cellular Automata: a case of the Gansu section in the Yellow River Basin[J]. Arid Zone Research, 2025, 42(4): 668-681. |
| [36] |
高畅, 郭伟玲, 徐刘洋, 等. 基于PLUS模型的皖江城市带土地利用变化模拟与多情景预测[J]. 南京林业大学学报(自然科学版), 2026, 50(1): 93-103. Gao C, Guo W L, Xu L Y, et al. Simulation and multi-scenario prediction of land use change in the urban belt of Wanjiang River based on the PLUS model[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2026, 50(1): 93-103. |
| [37] |
杨子韬, 田莉. 基于PLUS模拟未来土地利用变化的可持续发展评估——以江西省为例[J]. 地理科学, 2024, 44(10): 1826-1836. Yang Z T, Tian L. Sustainability assessment based on PLUS simulation of future land use change: a case study of Jiangxi Province[J]. Scientia Geographica Sinica, 2024, 44(10): 1826-1836. |
| [38] |
李琛, 高彬嫔, 吴映梅, 等. 基于PLUS模型的山区城镇景观生态风险动态模拟[J]. 浙江农林大学学报, 2022, 39(1): 84-94. Li C, Gao B P, Wu Y M, et al. Dynamic simulation of landscape ecological risk in mountain towns based on PLUS model[J]. Journal of Zhejiang A & F University, 2022, 39(1): 84-94. |
| [39] |
裴志方, 吴彬, 范玉龙. 丹江口库区土地利用多情景模拟及其生态环境效应[J]. 长江流域资源与环境, 2025, 34(10): 2264-2273. Pei Z F, WU B, FAN Y L. Multi-scenario simulation of land use and ecological-environmental effects in the Danjiangkou Reservoir Area[J]. Resources and Environment in the Yangtze Basin, 2025, 34(10): 2264-2273. |
| [40] |
张志浩, 何宝忠, 宋雅宁, 等. 基于SD-PLUS-InVEST的新疆土地利用及生境质量多情景分析[J]. 环境科学与技术, 2025, 48(3): 10-22. Zhang Z H, He B Z, Song Y N, et al. Multi-scenario analysis of land-use and habitat quality in Xinjiang based on SD-PLUS-InVEST[J]. Environmental Science & Technology, 2025, 48(3): 10-22. |
| [41] |
李倩, 王成军, 冯涛, 等. 基于SD-PLUS耦合模型的陕西省土地利用变化及碳储量多情景预测[J]. 水土保持学报, 2024, 38(3): 195-206, 215. Li Q, Wang C J, Feng T, et al. Multi-scenario prediction of land use change and carbon storage in Shaanxi Province based on the SD-PLUS coupled model[J]. Journal of Soil and Water Conservation, 2024, 38(3): 195-206, 215. |
| [42] |
蔚芳, 蒋雨薇. 基于SD-PLUS耦合模型的杭州市土地利用多情景模拟[J]. 农业资源与环境学报, 2025, 42(1): 44-56. Wei F, Jiang Y W. Multi-scenario simulation analysis of land use change in Hangzhou using the SD-PLUS model[J]. Journal of Agricultural Resources and Environment, 2025, 42(1): 44-56. |
| [43] |
张波, 潘佩佩, 王新云, 等. 基于GMOP-PLUS耦合模型的京津冀土地利用变化多情景模拟及功能关系分析[J]. 地理与地理信息科学, 2023, 39(5): 8-16. Zhang B, Pan P P, Wang X Y, et al. Multi-scenario simulation and functional relationship analysis of land use change in the Beijing-Tianjin-Hebei Region based on GMOP-PLUS coupling model[J]. Geography and Geo-Information Science, 2023, 39(5): 8-16. |
| [44] |
张晓瑞, 郭龙坤, 王振波. 基于InVEST-PLUS耦合模型的合肥市生境质量评价及模拟预测[J]. 环境科学, 2025, 46(6): 3772-3783. Zhang X R, Guo L K, Wang Z B. Habitat quality evaluation and simulation prediction in Hefei City based on InVEST-PLUS coupled modeling[J]. Environmental Science, 2025, 46(6): 3772-3783. DOI:10.13227/j.hjkx.202406171 |
| [45] |
李建忠, 李云梅, 余艳红, 等. 基于PLUS-GeoDetector模型的赤水河流域(云南段)土地利用驱动分析及未来发展预测[J]. 环境科学, 2026, 47(1): 93-103. Li J Z, Li Y M, Yu Y H, et al. Land use driving analysis and future development prediction of the Chishui River basin (Yunnan Section) based on the PLUS-GeoDetector model[J]. Environmental Science, 2026, 47(1): 93-103. DOI:10.13227/j.hjkx.202411222 |
| [46] |
杨潋威, 赵娟, 朱家田, 等. 基于PLUS和InVEST模型的西安市生态系统碳储量时空变化与预测[J]. 自然资源遥感, 2022, 34(4): 175-182. Yang L W, Zhao J, Zhu J T, et al. Spatial-temporal change and prediction of carbon stock in the ecosystem of Xi'an based on PLUS and InVEST models[J]. Remote Sensing for Natural Resources, 2022, 34(4): 175-182. |
| [47] |
丛中笑, 刘金花, 孙增禹, 等. 基于PLUS与InVEST模型的黄河流域九省(区)碳储量变化分析[J]. 人民黄河, 2024, 46(12): 24-30, 36. Cong Z X, Liu J H, Sun Z Y, et al. Analysis of carbon stock changes in nine provinces (regions) of the Yellow River basin based on PLUS and InVEST models[J]. Yellow River, 2024, 46(12): 24-30, 36. |
| [48] |
李依汶, 林涛, 周文强, 等. 基于多情景模拟的洞庭湖流域生态系统服务价值研究[J]. 中国农业资源与区划, 2024, 45(10): 109-121. Li Y W, Lin T, Zhou W Q, et al. Analysis of ecosystem service value with multi-scenario simulation in Dongting lake basin[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2024, 45(10): 109-121. |
| [49] |
杨熙萌, 钱宝蔚, 姬广兴, 等. 淮河流域中上游碳储量时空变化特征及未来多情景模拟预测[J]. 环境科学, 2024, 45(10): 5970-5982. Yang X M, Qian B W, Ji G X, et al. Characteristics of spatial and temporal changes in carbon stocks in the middle and upper reaches of the Huaihe River Basin and future multi-scenario simulation prediction[J]. Environmental Science, 2024, 45(10): 5970-5982. DOI:10.13227/j.hjkx.202311034 |
| [50] |
王佳楠, 张志. 基于Markov-PLUS模型的柴北缘土地利用变化及模拟分析[J]. 西北林学院学报, 2022, 37(3): 139-148, 179. Wang J N, Zhang Z. Land use change and simulation analysis in the northern margin of the Qaidam Basin based on Markov-PLUS model[J]. Journal of Northwest Forestry University, 2022, 37(3): 139-148, 179. |
| [51] |
杜洲, 牛健植, 樊登星, 等. 基于PLUS模型的黄河中游多沙粗沙区土地利用变化模拟及驱动力分析[J]. 水土保持研究, 2024, 31(6): 309-318. Du Z, Niu J Z, Fan D X, et al. Simulation and driving force analysis of land use change in the sandy and coarse region of the middle reaches of the Yellow River based on PLUS model[J]. Research of Soil and Water Conservation, 2024, 31(6): 309-318. |