基于共享社会经济路径（SSPs）的全球未来城市扩张预测及影响 · 2020. 1. 4. · Xia Li, Guangzhao Chen, Xiaoping Liu, Xun Liang, Shaojian Wang, Yimin Chen,

基于共享社会经济路径（SSPs）的

全球未来城市扩张预测及其影响

刘小平教授

中山大学地理科学与规划学院

2019.12.26

1

2

3

4

研究背景与意义

研究方法

结果&分析

结论

提纲

2

研究背景与意义

1

研究背景

城市作为人类活动的主要场所和工具，尽管只占陆地总面积的很小一部分，却发挥着重要作用。

城市区域的微小变化会影响区域乃至全球范围内气候系统中水，碳，气溶胶和氮的循环。

快速城市化带来一系列的生态环境问题(Mcdonald et al. 2008; Seto et al. 2009)，空气污染、水污

染、粮食安全、城市热浪。城市土地利用变化对生物多样性的保护产生了深远的影响。

科学问题：如何评估未来城市土地利用变化对全球变化的影响？

基于情景的未来城市土地利用变化模拟可以为评估人类活动对环境的影响提供重要支撑。情景

的提出和不断完善可以帮助研究人员和决策者评估短期决策的长期影响，让他们可以探索未来

的各种可能性。 (Sohl et al., 2012; Riahi et al. 2017)

4

研究背景

2015年12月12日，《联合国气候变化框架公约(UNFCCC)》近200个缔约方一致同意通过《巴黎

协定》，各方将加强对气候变化威胁的全球应对，把全球平均气温控制在较工业化前水平升高2℃之内，并为把温升控制在1.5℃之内而努力。

全球气候变化正成为研究热点。在2013年发布的IPCC (Intergovernmental Panel on Climate Change,

政府间气候变化专门委员会)第五次评估报告中，共收录、比较了不同研究组织研发的69个气候模式。(Flato et al., 2013)

2016年4月举行的IPCC第43次会议决定，将于2022年发布第六次综合评估报告(AR6)，采用更新的气候变化情景，评估关于了解气候变化、其影响和未来风险的相关文献。

IPCC AR6将采用共享社会经济路径（SSPs）和典型浓度路径（RCPs）耦合的新情景。 (Eyring et

al., 2016)

5

研究背景

SSPs情景设置 SSP1 可持续路径

(van Vuuren et al., 2016):

绿色发展道路，以人为本。 SSP2 中间路径

(Fricko et al.,2016):

介于SSP1和SSP3之间。 SSP3 区域竞争路径

(Fujimori et al., 2016):

民族主义复兴，各国只关注国内或区域问题，经济发展缓慢，教育和技术投资下降。

SSP4 不均衡路径(Calvin et al., 2016):

国家内部和国家之间的收入不平等和阶层分化加剧，高新技术产业的发展水平较高。

SSP5 化石燃料发展路径(Kriegler et al.,2016):

开采丰富的化石燃料资源，全球经济快速增长。 6

SSPs情景的“挑战空间”示意图

适应挑战

减缓挑战 (O’Neill et al. 2014)

土地利用模拟产品的不足

在全球尺度，尤其是在多类土地利用模拟上，目前还很少有模型有能力进行土

地动态模拟，而且绝大部分土地利用变化模型主要都是为局部和区域的研究而

设计的。(Meiyappan et al., 2014)

目前全球土地模拟预测产品，分辨率较低，多为0.5°至5′，不能提供足够的空

间细节信息，不能满足现有研究的需求，因而对分辨率的提高是一个重要的改

进方向。(Letourneau A et al. 2012)

在大多数现有的未来城市土地利用模拟模型中，研究人员通常采用单一情景（如：

基于历史轨迹的情景）或自己设定的多情景，这些情景通常简单、随意，不利

于进行不同研究的比较。 (Meiyappan et al., 2014)

简单采用气候情景无法充分考虑影响城市发展的社会经济因素，也

无法与最新的IPCC气候变化研究框架相匹配。 (Li et al. 2017;

Lawrence et al. 2016)

CMIP6（ Coupled Model Intercomparison Project Phase 6 ）的LUH2土

地数据集以0.25度的分辨率（赤道约25公里）模拟了每个SSP情景未

来的城市土地利用变化。但是，由于分辨率较低，无法显示城市用

地的空间格局。(Hurtt et al., in prep)


CLUMond模型, 5′, 2040IMAGE模型, 0.5°, A1B, 2050 LUS模型, 5′, 2050

(van Asselen and Verburg, 2013) (Letourneau A et al. 2012)

赤道约55km

空间分辨率和城市用地细节

赤道约10km 赤道约10km


FLUS模型（分辨率为1 km）和 IMAGE模型（分辨率为0.5°，赤道约50 km）的模拟效果比较。

Xia Li, Guangzhao Chen, Xiaoping Liu, Xun Liang, Shaojian Wang, Yimin Chen, Fengsong Pei, Xiaocong Xu. 2017. A new global land-use and land-cover change product at a 1-km resolution for 2010-2100 based on human-environment interactions. Annals of the American Association of Geographers. 107: 5, 1040-1059.

空间分辨率和城市用地细节欧洲几内亚湾美国


研究目标

因此，我们基于 IPCC第六次评估报告所采用的新的SSPs情景，利用FLUS模型在全球范围内对未来城市用地变化进行1km分辨率的模拟，并评估其对环境和粮食生产的影响

为城市研究提供一套具有足够高分辨率的全球未来城市用地变化产品

采用最新的SSPs情景，为气候变化研究提供服务，并便于不同研究间的比较

分析未来可能出现的城市收缩压力

分析城市扩张对粮食产量的影响

11

研究方法

2

SSPs所采用的全球32个分区研究方法

13

耦合SSPs的全球城市用地情景模拟研究方法

14

城市面积与社会经济要素的相互关系

基于SSPs的未来城市用地需求量

全球城市用地社会经济

自然环境

人工神经网络模型

基于斑块的城市增长策略

SSPs各情景社会经济要素预测

城市用地变化模拟

自适应调整机制

反馈

历史统计数据 SSPs 数据库

邻域影响

城市出现概率

城市面积人口

GDP 城市化率

政策人口

经济城市化率交通区位

GIS 数据库

轮盘选择

城市收缩

总体概率

环境影响评估

SSPs情景城市模拟结果

研究方法

我们采用面板数据回归的方法，从历史数据中归纳每个区域里城市面积与主要社会经济要素的相关关系，再根据SSPs数据集提供的未来社会经济要素的预测值，估算未来各情景的需求量。

在本研究中，主要考虑GDP、人口和城市化率等要素。

𝐶𝐴′𝑟,𝑡 = 𝛽0 + 𝛽1 × 𝐺𝐷𝑃𝐶𝑟,𝑡 + 𝛽2 × 𝑃𝑈𝑟,𝑡 + 𝑖=2𝑁 𝛼𝑖 × 𝑍𝑟,𝑖 + 𝜀𝑟,𝑡 r = 1,…N

𝐴′𝑟,𝑡 = 𝐶𝐴′𝑟,𝑡 × 𝑃𝑂𝑃𝑟,𝑡

𝐴′𝑟,𝑡：t年份r区域的城市用地面积的预测量；

𝐶𝐴′𝑟,𝑡：t年份r区域的人均城市用地面积的预测量；

𝑃𝑂𝑃𝑟,𝑡：t年份r区域的总人口；

𝐺𝐷𝑃𝐶𝑟,𝑡：t年份r区域的人均GDP；

𝑃𝑈𝑟,𝑡：t年份r区域的城市人口的比例；

N：区域的数量，在本研究中为32。

城市用地需求量预测

15

FLUS（Future Land Use Simulation）模型研究方法

16

土地利用变化的驱动力

各类用地的规模？

各类用地的竞争

耦合人类活动与自然作用的土地利用变化预测模型

基于斑块的城市增长策略研究方法

17

(Fragkias et al., 2009)

城市斑块面积“位序-规模”分布

基于斑块的城市增长策略：为反映大城市更强的竞争力和吸引力，设置斑块指数𝑃𝐼𝑖,𝑈

𝑡 ，在一定范围内，让更大的斑块具有更大的发展概率。

城市斑块空间形态

𝑃𝐼𝑖,𝑈𝑡 =

1 +log 𝑃𝑎𝑡𝑐ℎ𝑖,𝑈

𝑡,𝑚𝑎𝑥

log 𝑃𝑎𝑡𝑐ℎ𝑡,𝑎𝑣𝑒 + 𝑛 ∙ 𝑃𝑎𝑡𝑐ℎ𝑡,𝑠𝑡𝑑,

log 𝑃𝑎𝑡𝑐ℎ𝑖,𝑈𝑡,𝑚𝑎𝑥

log 𝑃𝑎𝑡𝑐ℎ𝑡,𝑎𝑣𝑒 + 𝑛 ∙ 𝑃𝑎𝑡𝑐ℎ𝑡,𝑠𝑡𝑑≤ 1

2 ,log 𝑃𝑎𝑡𝑐ℎ𝑖,𝑈

𝑡,𝑚𝑎𝑥

log 𝑃𝑎𝑡𝑐ℎ𝑡,𝑎𝑣𝑒 + 𝑛 ∙ 𝑃𝑎𝑡𝑐ℎ𝑡,𝑠𝑡𝑑> 1

1996年

1988年

本研究所使用的空间驱动因子研究方法

18

空间驱动因子年份分辨率数据源人口 2010 0.5′ LandScan 2010 Global Population Project

GDP 2006 1km Ghosh et al. (Ghosh et al. 2010)

人类影响因子 2004 0.5′ NASA Socioeconomic Data and Applications Center,

Global Human Influence Index, v2

DEM 2000 0.5′ Hijmans et al. (Hijmans et al. 2005)

坡度 2000 0.5′ 由DEM计算得到

到城镇中心的距离(人口>3万)

2014 1km United Nations, Department of Economic and Social

Affairs, Population Division (2014).

到主要道路的距离 1980-2010 1km NASA, Socioeconomic Data and Applications

Center, Global Roads Open Access Data Set

(gROADS), v1到普通道路的距离

到机场的距离 2010 1km Huang et al. (Huang et al. 2013)

到河流湖泊的距离 2015 1km ESA, Climate Research Data Package, CCI-LC

maps, v2.0.7到海洋的距离 2015 1km

本研究采用2000年和2015年欧空局的CCI-LC土地分类产品作为城市土地利用数据，将其从原始分辨率（300米）降采样到1km分辨率。

结果与分析

3

实验结果

全球城市用地：化石能源发展道路(SSP5)带来经济、城市

高速增长。区域竞争道路(SSP3)中，不平等现象持续

恶化，城市需求量最低。

中国：将在21世纪下半叶面临城市收缩的压力。

美国:

在SSP5中经济良好，城市用地需求量快速攀升。

LAM-L:

SSP5中，反而出现了低生育率，城市需求量最低。

SSP4中，出现最大的人口预测量，城市需求量最大。

城市用地需求量预测结果

20

不同情景对不同社会经济发展状态的

地区的影响有所不同。有些情景有利于

发达地区的发展，但将对低收入地区的

发展产生不利影响。（LAM-L区域指拉丁美洲的低收入国家，包括伯利兹、危地马拉、

海地、洪都拉斯和尼加拉瓜）

发展中国家/地区

发达国家/地区低收入国家/地区

全球总量

城市用地空间模拟结果实验结果

21

到2050年，a和b两个发达地区在SSP5情景中的城市扩张比在SSP3中的明显更多。而在c和d两个发展中地区，情况是相反的。


22

SSP3

SSP5

a 美国 b 欧洲 c 墨西哥 d 巴西


23

24

Transition of urban

(2015-2100)

SSP1 SSP2 SSP3 SSP4 SSP5

CHN

USA

LAM-L


2050年三个主要大都市圈的模拟结果

25


2100年三个主要大都市圈的模拟结果的空间不确定性

26


27

基于斑块的城市增长策略在模拟城市用地增长的同时，成功揭示并保留了城市用地斑块的“位序-规模”分布特征（即：ln(rankpatch) = λ ln(sizepatch)）。

基于斑块的城市增长策略


城市用地斑块“位序-规模”分布统计

实验结果

三个全球土地利用产品：

28

Seto等人(2012)的产品：

5km分辨率

联合国预测情景（单一情景）

Zhou等人(2019)的产品：

1km分辨率

基于历史轨迹的情景（单一情景）

LUH2数据集：

0.25度分辨率（赤道上约25km）

SSPs情景

Ours in SSP2

and Seto’s

Ours in SSP2

and Zhou’s

Ours and

LUH2’s in SSP2

与其他土地利用产品的对比

由于SSPs情景中没有基于历史轨迹的情景，因此对于单一情景的产品，我们选择SSP2（中间情景）与之进行对比。

我们的产品与其他三个产品之间城市用地比例的等级差异

放大范围

实验结果


29

我们的产品与这三个产品之间都呈现了显著正相关。

我们的产品与LUH2中的城市用地面积最为一致，Pearson相关系数为0.93。

与Seto的产品也有较高的一致性，Pearson相关系数为0.82。

与Zhou的产品一致性相对较低，Pearson相关系数为0.56。

我们的结果和Seto/Zhou的结果之间存在明显的

空间差异，例如华北平原。这主要是因为他们的预测没有考虑到这些地区的人口下降趋势可能会导致城市用地增长的停滞。

Ours in SSP2

and Seto’s

Ours in SSP2

and Zhou’s

Ours and

LUH2’s in SSP2

我们的产品与其他三个产品之间城市用地比例的等级差异

放大范围

实验结果


30

2030年Seto、Zhou、LUH2和我们的产品在各个区域的城市用地面积比较

模型精度验证结果分析

FoM (Figure of Merit)精度验证：

总体FoM平均值达到21.50%，在正常范围之内(10%~30%)。(Li et al. 2017)

31

区域FoM (%) 斑块策略

贡献度区域

FoM (%) 斑块策略

贡献度非斑块策略斑块策略非斑块策略斑块策略

ANUZ 21.28 21.99 0.71 LAM-M 22.22 20.91 -1.31

BRA 19.86 19.98 0.12 MEA-H 22.56 23.51 0.95

CAN 20.76 21.34 0.58 MEA-M 25.42 23.87 -1.55

CAS 24.64 22.14 -2.50 MEX 27.95 27.25 -0.70

CHN 27.26 25.94 -1.32 NAF 18.28 18.06 -0.22

EEU 14.97 14.71 -0.26 OAS-CPA 23.46 22.34 -1.12

EEU-FSU 14.27 12.80 -1.47 OAS-L 18.98 18.32 -0.66

EFTA 11.9 11.44 -0.46 OAS-M 23.94 24.58 0.64

EU12-H 17.79 16.00 -1.79 PAK 36.99 37.28 0.29

EU12-M 13.18 11.27 -1.91 RUS 11.03 11.38 0.35

EU15 13.17 13.26 0.09 SAF 25.34 25.31 -0.03

IDN 20.83 21.71 0.88 SSA-L 24.61 24.49 -0.12

IND 27.25 26.67 -0.58 SSA-M 28.58 29.07 0.49

JPN 30.78 30.36 -0.42 TUR 19.78 19.45 -0.33

KOR 19.26 18.32 -0.94 TWN 23.34 24.78 1.44

LAM-L 21.08 20.15 -0.93 USA 23.12 23.63 0.51

在大都市区的表现结果分析

典型大都市区的城市扩张趋势

相似：到2100年，SSP5情景下的

城市面积最大，随后依次是SSP1，

SSP2，SSP4和SSP3.

除了SSP5情景中的发展中国家以

外，这些大都市区的城市用地增

长速度都明显快于它们所在国家

/地区的平均增速。

快速的城市扩张带来的人口集聚，

可能会增加这些大都市区在环境

和资源等方面的压力。

32

大都市区/地区


伦敦 70.31 65.74 6.07 34.74 150.97

纽约 95.68 90.35 19.83 55.49 171.19

长江三角洲 55.98 46.81 34.68 46.79 61.39

EU-15 65.60 58.72 3.46 28.78 170.04

美国 76.61 70.33 12.36 39.14 189.81

中国 32.55 27.29 20.54 26.64 36.84

到2100年典型大都市区及其所在国家/地区的城市面积增速(%)

注：EU-15代表2004年之前加入的欧盟成员国，包括：奥地利、比利时、丹

麦、芬兰、法国、德国、希腊、爱尔兰、意大利、卢森堡、荷兰、葡萄牙、西班牙、瑞典和英国。

城市收缩压力结果分析

33

在人口减少的背景下，更容易出现城市收缩，主要表现为建成区/建筑物被废弃，空间品质下降。

城市收缩的直接后果是难以维持基础设施的维护，从而导致城市生活水平和生活质量的下降。基础设施最初是为服务于更多的人口而建造的。废弃和社会混乱也是城市收缩的潜在后果，威胁着城市的公共健康和安全。

我们假设从非城市用地到城市用地的土地转换是不可逆的，禁止城市用地转换为非城市用地。但是，当出现城市用地需求下降时，我们认为这些地区将面临城市收缩的压力。

对于城市用地需求下降的地区，我们评估了它们的城市收缩压力，其定义为“城市用地过剩”面积占已有城市用地面积的百分比，范围从0％到100％。

(Long et al., 2015)(李智等, 2018)(Haase et al., 2006)(李智等, 2018)

34

与世界其他国家相比，中国无疑将面临最大的城市收缩压力。

在SSP1和SSP4中，南

美地区和几乎所有亚洲地区都将面临巨大的城市收缩压力。

在SSP3情景中，欧洲国

家和北美将面临越来越大的城市收缩压力。


2100年城市收缩压力

35

根据面板数据回归结果，城市收缩压力与人口密切相关。

在中国，由于人口减少，在21世纪40年代/ 50年代之后的所有情景中，城市土地需求都急剧下降。

在中国（a）和印度（b），SSP1和SSP5情景的人口预测都非常接近，以至于它们的曲线几乎完全重叠。 SSPs情景下2010~2100年面临城市收缩压力的

典型区域的人口预测


未来城市扩张的土地来源结果分析

36

到2100年，将有51~63

％的新增城市用地由农田转化而来。

林地和草地共同占全球新增城市用地的30~44

％。

湿地是生物多样性最丰富的生态系统之一。全球湿地将为新增城市用地提供2~4％的土地。

到2100年SSPs情景下各种土地类型对全球城市扩张土地来源的贡献

占城市扩张的土地来源的比例 (%)


林地 26.98 26.36 21.42 22.89 29.29

草地 12.01 10.86 5.71 7.49 14.64

湿地 2.10 2.46 2.77 3.51 2.23

荒地 3.76 4.68 7.28 5.86 2.98

农田 55.14 55.63 62.82 60.25 50.84

其他 0.01 0.01 0.00 0.00 0.02

37

城市对农田的侵占主要发生在中国、印度、撒哈拉以南的非洲和西欧。


到2100年各情景中城市扩张对农田的侵占面积

38

城市对林地的侵占主要发生在北美、南美、西欧、撒哈拉以南的非洲和澳大利亚。


到2100年各情景中城市扩张对林地的侵占面积

39

城市对草地的侵占主要发生在美国和西欧。


到2100年各情景中城市扩张对草地的侵占面积

40

城市对湿地的侵占主要发生在美国和撒哈拉以南的非洲。

到2100年各情景中城市扩张对湿地的侵占面积


41

Popp等人(2017)提供了SSPs情景下，除城市用地以外，多种土地利用类型的面积变化预测。

他们的结果表明，SSP3情景的农田面积增长量最大（2005~2100年增加约7亿公顷），而SSP1情景的农田面积增幅最小（2005~2100年增加约2000万公顷）。对于SSP2、SSP4和SSP5，从2005年到2100年，农田面积预计将增加2.5亿公顷至4亿公顷。

我们的预测结果表明，城市扩张造成的农田损失在SSP5中最大（3760万公顷），在SSP3中损失最小（2200万公顷）。在其他SSP情景中，农田损失从2240万公顷到2490万公顷不等。

因此，将我们的结果与Popp的结果相结合，揭示了SSPs情景下城市用地和农田的扩张情况的鲜明对比：在城市扩张造成的农田损失较多的情景中，农田的增加相对较小，反之亦然。


城市扩张对粮食产量的影响结果分析

42

我们利用You等人(2014)生

产的全球作物图估算了城市扩张对稻米、小麦、玉米、土豆和蔬菜产量造成的损失。这5类作物是该产品收录的27种粮食作物中产量最大的。

由于城市快速扩张造成的粮食产量损失在SSP5中最大。

农田面积减少的比例（图中红线）远小于粮食产量减少的比例。这表明，保护优质耕地对减少城市扩张对粮食生产能力的影响至关重要。

估计到2100年城市扩张造成的耕地和粮食生产损失(%)

(%)

43

到2100年，全球城市用地扩张将导致稻米产量下降2-3%，小麦产量下降1-3%，玉米产量下降1-4%，土豆产量下降1-3%，蔬菜产量下降2-4%。

根据不同的粮食结构估计，这些损失将影响大约1.22亿至13.89亿人的年粮食供应。

请注意，这些数字并不是因饥饿而死亡的人数，而是在这些粮食产量损失不能用其他粮食来弥补的情况下，受某一种粮食产量损失影响的最大人数。

到2100年城市扩张造成的全球粮食产量损失

城市扩张造成的全球粮食产量损失 (106 吨) 受粮食产量减少影响的人口 (百万人)

SSP1 SSP2 SSP3 SSP4 SSP5 SSP1 SSP2 SSP3 SSP4 SSP5

稻米 15.19 15.09 16.04 14.99 17.88 281.77 279.86 297.51 278.03 331.62

小麦 10.31 10.35 7.99 8.98 19.19 157.50 158.25 122.12 137.22 293.35

玉米 11.53 11.21 7.56 8.41 24.84 644.70 626.72 422.86 470.19 1388.70

土豆 5.46 5.47 4.29 4.42 10.50 159.91 160.09 125.48 129.36 307.31

蔬菜 19.99 19.84 18.17 18.06 29.67 183.55 182.18 166.79 165.79 272.44

注：我们根据联合国粮食及农业组织(FAO)最新的年度人均粮食供应估计了受粮食产量损失影响的人口 (http://www.fao.org/faostat/en/#data).


44

到2100年，在每个SSP情景中城市扩张导致的粮食产量损失

稻米小麦

玉米土豆


结论

4

结论

46

在本研究中，我们基于SSPs情景实现了2015~2100年1km分辨率的全球城市土地利用模拟，使我们的产品能够更好地服务于CMIP6，以促进全球气候研究。

提出了一种基于斑块的城市增长策略，以保持城市用地斑块在不同时期的“位序-规模”分布规律。该方法在保持较高模拟精度的同时，提高了模拟结果的合理性。

发达国家将在SSP3和SSP4情景下面临城市收缩的压力。SSP3是一条反全球化的、区域竞争的路径。SSP4是一条两极分化的路径，国家内部和国家之间的不平等和分化都在增加。

所有情景都表明，由于人口的显著减少，到21世纪下半叶中国的城市用地需求将会减少，将面临城市收缩的压力，主要集中在华北平原和东北地区。

结论

47

我们的预测表明，未来大多数城市土地扩张发生在农田(50-63%)和森林(30-44%)之上，造成粮食产量的损失。

我们的研究结果表明，城市扩张导致的粮食减产将影响大约1.22亿~13.89

亿人的粮食需求。更重要的是，粮食产量损失(约1-4%)与耕地损失(约1%)

不成比例。因此，人们将不得不付出更多的代价来填补粮食需求的缺口，比如从自然栖息地开垦新的耕地。

之前的研究表明，全球气温升高2℃将导致全球玉米产量损失的8-14%

(Bassu et al. 2014)。相比之下，我们的预测表明，仅城市扩张就将导致全球1-3%的玉米产量损失，这表明了城市扩张对全球粮食生产的深远影响。这也证明，保护优质耕地至关重要。

参考文献

48

1. Mcdonald, R.I., Kareiva, P. & Forman, R.T.T. The implications of current and future urbanization for global protected areas and biodiversity conservation. BIOL CONSERV 141, 1695-

1703 (2008).

2. Seto, K.C. & Shepherd, J.M. Global urban land-use trends and climate impacts. CURR OPIN ENV SUST 1, 89-95 (2009).

3. Vitousek, P.M., Mooney, H.A., Lubchenco, J. & Melillo, J.M. Human domination of Earth's ecosystems. SCIENCE 277, 494-499 (1997).

4. Güneralp, B. & Seto, K.C. Futures of global urban expansion: uncertainties and implications for biodiversity conservation. ENVIRON RES LETT 8, 14025 (2013).

5. Riahi, K. et al. The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change 42, 153-168

(2017).

6. Potere, D. & Schneider, A. A critical look at representations of urban areas in global maps. GeoJournal 69, 55-80 (2007).

7. Cheng, J. & Masser, I. Urban growth pattern modeling: a case study of Wuhan city, PR China. 62, 199-217 (2003).

8. Schneider, A. & Woodcock, C.E. Compact, dispersed, fragmented, extensive? A comparison of rrban growth in twenty-five global cities using remotely sensed data, pattern metrics and

census information. Urban Studies 45, 659-692 (2008).

9. Li, X. et al. Exploring the performance of spatio-temporal assimilation in an urban cellular automata model. INT J GEOGR INF SCI 31, 2195-2215 (2017).

10. Schaldach, R.U.D. et al. An integrated approach to modelling land-use change on continental and global scales. Environmental Modelling \& Software 26, 1041-1051 (2011).

11. Verburg, P.H., Schulp, C.J.E., Witte, N. & Veldkamp, A. Downscaling of land use change scenarios to assess the dynamics of European landscapes. Agriculture, Ecosystems &

Environment 114, 39-56 (2006).

12. Li, X. et al. A New Global Land-Use and Land-Cover Change Product at a 1-km Resolution for 2010 to 2100 Based on Human–Environment Interactions. Annals of the American

Association of Geographers 107, 1040-1059 (2017).

13. Li, X., Zhang, X., Yeh, A. & Liu, X. Parallel cellular automata for large-scale urban simulation using load-balancing techniques. 24, 803-820 (2010).

14. Oguz, H., Klein, A.G. & Srinivasan, R. Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Houston-Galveston-Brazoria

CMSA. Research Journal of Social Sciences 2, 72-82 (2007).

15. Kriegler, E. et al. The need for and use of socio-economic scenarios for climate change analysis: A new approach based on shared socio-economic pathways. Global Environmental Change

22, 807-822 (2012).

16. Kriegler, E. et al. A new scenario framework for climate change research: the concept of shared climate policy assumptions. CLIMATIC CHANGE 122, 401-414 (2014).

17. van Vuuren, D.P. et al. A new scenario framework for Climate Change Research: scenario matrix architecture. CLIMATIC CHANGE 122, 373-386 (2014).

18. Li, X. et al. A cellular automata downscaling based 1 km global land use datasets (2010-2100). SCI BULL 61, 1651-1661 (2016).

19. Liu, X. et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects. LANDSCAPE URBAN PLAN 168, 94-116

(2017).

20. Fragkias, M. & Seto, K.C. Evolving rank-size distributions of intra-metropolitan urban clusters in South China. Computers, Environment and Urban Systems 33, 189-199 (2009).

21. O Neill, B.C. et al. A new scenario framework for climate change research: the concept of shared socioeconomic pathways. CLIMATIC CHANGE 122, 387-400 (2014).

22. van Vuuren, D.P. et al. Energy, land-use and greenhouse gas emissions trajectories under a green growth paradigm. Global Environmental Change 42, 237-250 (2017).

参考文献

49

23. Fujimori, S. et al. SSP3: AIM implementation of Shared Socioeconomic Pathways. Global Environmental Change 42, 268-283 (2017).

24. Calvin, K. et al. The SSP4: A world of deepening inequality. Global Environmental Change 42, 284-296 (2017).

25. Kriegler, E. et al. Fossil-fueled development (SSP5): An energy and resource intensive scenario for the 21st century. Global Environmental Change 42, 297-315 (2017).

26. O Neill, B.C. et al. The roads ahead: Narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change 42, 169-180 (2017).

27. Pontius Jr, R.G. et al. Comparing the input, output, and validation maps for several models of land change. The Annals of Regional Science 42, 11-37 (2008).

28. Pontius, R.G., Peethambaram, S. & Castella, J. Comparison of Three Maps at Multiple Resolutions: A Case Study of Land Change Simulation in Cho Don District, Vietnam. 101, 45-62

(2011).

29. Chen, Y., Li, X., Liu, X. & Ai, B. Modeling urban land-use dynamics in a fast developing city using the modified logistic cellular automaton with a patch-based simulation strategy. 28,

234-255 (2014).

30. Seto, K.C., Fragkias, M., G U Neralp, B. & Reilly, M.K. A meta-analysis of global urban land expansion. PLOS ONE 6, e23777 (2011).

31. Oswalt, P. & Rieniets, T. Global context. Shrinking cities. Atlas of Shrinking Cities (http://www.shrinkingcities.com/globaler_kontext.0.html?&L=1) (2007).

32. Popper, D.E. & Popper, F.J. Small can be beautiful: coming to terms with decline. Planning 68, 20-23 (2002).

33. Popper, D. & Popper, F. Smart decline in Post-carbon cities, The Buffalo commons meets Buffalo, New York. The Post-Carbon Reader: managing the 21st Century's sustainability crises

(2010).

34. van Asselen, S. & Verburg, P.H. Land cover change or land-use intensification: Simulating land system change with a global-scale land change model. GLOBAL CHANGE BIOL 19,

3648-3667 (2013).

35. Li, X. & Yeh, A.G. Neural-network-based cellular automata for simulating multiple land use changes using GIS. INT J GEOGR INF SCI 16, 323-343 (2002).

36. Letourneau, A., Verburg, P.H. & Stehfest, E. A land-use systems approach to represent land-use dynamics at continental and global scales. ENVIRON MODELL SOFTW 33, 61-79 (2012).

37. Seto, K.C., Guneralp, B. & Hutyra, L.R. Global forecasts of urban expansion to 2030 and direct impacts on biodiversity and carbon pools. Proceedings of the National Academy of

Sciences 109, 16083-16088 (2012).

38. Rozenfeld, H.A.N.D. et al. Laws of population growth. Proceedings of the National Academy of Sciences 105, 18702-18707 (2008).

39. Haase, D. Urban Ecology of Shrinking Cities: An Unrecognized Opportunity? Nature and Culture 3, 1-8 (2008).

40. Haase et al. Conceptualizing the nexus between urban shrinkage and ecosystem services. Landscape & Urban Planning 132, 159-169 (2014).

41. Banzhaf, E., Grescho, V. & Kindler, A. Monitoring urban to peri‐urban development with integrated remote sensing and GIS information: a Leipzig, Germany case study. INT J REMOTE

SENS 30, 1675-1696 (2009).

42. Long, Y. & Wu, K. Shrinking cities in a rapidly urbanizing China. Environment and Planning A: Economy and Space 48, 220-222 (2016).

43. Wiechmann, T. & Pallagst, K.M. Urban shrinkage in Germany and the USA: A Comparison of Transformation Patterns and Local Strategies. INT J URBAN REGIONAL 36, 261-280

(2012).

44. 龙瀛, 吴康 & 王江浩中国收缩城市及其研究框架. 现代城市研究, 14-19 (2015).

45. 李智 & 龙瀛基于动态街景图片识别的收缩城市街道空间品质变化分析——以齐齐哈尔为例. 城市建筑, 21-25 (2018).

50

下载链接：http://www.geosimulation.cn/flus.html

下载软件

英文说明书中文说明书

示例数据

启动软件

解压

软件获取

51

基于神经网络的适宜性概率计算

自适应惯性竞争机制

精度验证

软件界面

52

初始年份土地利用数据

适宜性概率输出路径

土地利用变化的驱动因素

定义nodata value（影像中的无效值）

设置神经网络参数

运行神经网络

适宜性概率计算

53

一个波段对应一种土地利用类型，表示该土地利用类型的适宜性概率分布

适宜性概率计算结果适宜性概率计算结果

54

输入成本矩阵

邻域权重

土地利用需求

接受设定

初始土地利用数据

定义nodata value与土地名称、显示颜色

适宜性概率

最大迭代次数、邻域大小、加速因子

动态显示界面

自适应惯性竞争机制

55

曲线动态变化

空间动态变化

各类像元数量变化值

开始模拟模拟土地利用分布

动态模拟过程

56

真实土地利用分布

模拟土地利用分布

混淆矩阵、卡帕系数、总体精度

开始计算精度

设置采样策略

欢迎使用GeoSOS-FLUS软件并给予我们反馈与建议！

精度验证

57

同时入选ESI高被引(1%)和热点论文(0.1%),地学引用前0.03%

同时入选ESI高被引(1%)和热点论文(0.1%)

以FLUS模型为关键技术，2018年成功申获国家重点研发计划项目《“人-地”耦合的高精度全球土地利用演变模拟及应用》。项目经费1500万元。

相关论文

GPGIS创会主席、国际欧亚科学院院士林珲教授在环境管理顶级刊物Global

Environmental Change撰文指出FLUS模型克服了目前大多数土地利用模型的缺陷，

具有较多优点，如多情景长时间序列预测、多种土地利用类别的模拟、土地利用变化

与驱动力之间非线性复杂关系的挖掘等。

德国汉堡大学的可持续发展和气候变化研究中心主任Walter教授认为FLUS模型同时

考虑人类活动和气候变化的影响，具有模拟长时间序列土地利用变化趋势的能力，并

指出该模型所生产的高精度全球土地利用模拟产品有非常强的潜力减少全球环境建模

的不确定性。

中国数量植被生态学创始人、国际信息生态学研究创始人，中国科学院院士张新时研

究员利用FLUS模型评估土地利用变化对生态系统服务的影响，认为FLUS模型比广泛

使用的CLUE-S模型及CA模型精度要高。

……

同行专家评价

目前GeoSOS-FLUS网站有来自全球的3.41万次访问，软件唯一下载次数7078次。

☆中科院地理所☆中科院寒旱所☆中科院新疆地理所☆中科院沈阳生态所☆北京大学

☆浙江大学

☆武汉大学

☆同济大学

☆清华大学

部分国内用户

部分国际用户

☆ Clark University (USA)

☆ Texas State University (USA)

☆ University of Cincinnati (USA)

☆ State University of New York College of

Environmental Science and Forestry (USA)

☆ University of Southampton (UK)

☆ University of Santiago de Compostela (Spain)

☆ Seoul National University (Korea)

☆ Jawaharlal Nehru University (India)

☆ Ankara University (Turkey)

☆ University of Tehran (Iran)

☆ …

☆北京师范大学

☆南京师范大学

☆中国矿业大学

☆中国农业大学

☆北京林业大学

☆福建师范大学

☆广东工业大学

☆广西省规划院

☆ …

目前已有超过46个国家和地区的下载使用FLUS软件（截止2019年7月），包括国内外知名

大学及研究机构。

GeoSOS-FLUS软件下载及应用情况

使用FLUS模型进行空间规划和城镇开发边界划定的区域和城市

目前，FLUS软件已在广州、东莞、重庆、佛山、中山、惠州、长春、郑州等五十多个城市得到实际落地和应用；广东省、吉林省及重庆市的城镇开发边界划定技术规程中，已明确建议使用FLUS模型作为主体技术来划定城镇开发边界，江西省空间规划使用FLUS模型进行全省城市用地发展的预测分析。

在规划行业中已有较大的影响力

FLUS软件在城镇开发边界划定中的应用

61

FLUS和其他模型的耦合

土地利用-生物多样性耦合模型(FLUS-Biodiversity)

应用部门：生态环境部、南京环科院

土地利用-森林景观模型(FLUS-LANDIS PRO)

密苏里大学(贺红士，千人计划，FLUS-LANDIS

PRO模型的创始人)、沈阳生态所

62

FLUS和其他模型的耦合

水文—土地利用耦合模型（Hydro-FLUS模型）

• 研发者：

Peter Burek et al. ,2017

全球水文模型——CWatM

谢谢！

Documents

基于共享社会经济路径（SSPs）的 全球未来城市扩张预测及影响 · 2020. 1. 4. · Xia Li, Guangzhao Chen, Xiaoping Liu, Xun Liang, Shaojian Wang, Yimin Chen,

基于共享社会经济路径（SSPs）的全球未来城市扩张预测及影响 · 2020. 1. 4. · Xia Li, Guangzhao Chen, Xiaoping Liu, Xun Liang, Shaojian Wang, Yimin Chen,