CN118643958B - 一种国土空间规划生态效益的动态预测方法 - Google Patents
一种国土空间规划生态效益的动态预测方法 Download PDFInfo
- Publication number
- CN118643958B CN118643958B CN202411134901.XA CN202411134901A CN118643958B CN 118643958 B CN118643958 B CN 118643958B CN 202411134901 A CN202411134901 A CN 202411134901A CN 118643958 B CN118643958 B CN 118643958B
- Authority
- CN
- China
- Prior art keywords
- land
- ecosystem
- demand
- service
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013439 planning Methods 0.000 title claims abstract description 165
- 230000008901 benefit Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011161 development Methods 0.000 claims abstract description 99
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000001413 cellular effect Effects 0.000 claims description 7
- 230000000670 limiting effect Effects 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000010152 pollination Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007433 macroscopic evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Abstract
本发明公开了一种国土空间规划生态效益的动态预测方法，属于国土空间规划技术领域。本发明包括收集、预处理自然生态和社会经济空间数据，并建立国土空间规划生态效益动态预测基础数据库；设定不同的发展情景，结合国土空间规划的用地指标要求，分别预测不同情景的土地数量需求和结构；利用PLUS模型，模拟并预测不同情景的土地利用格局；构建生态系统服务供需评价矩阵，评价现状并预测未来不同情景的生态系统服务供给能力、需求强度以及供需盈亏值；比较现状与未来的生态系统服务变化情况，并动态预测国土空间规划的实际生态效益。本发明能够精准评估国土空间规划的实际生态效益，降低评价结果被高估的风险。
Description
技术领域
本发明属于国土空间规划技术领域，具体涉及一种国土空间规划生态效益的动态预测方法。
背景技术
目前，现有的生态效益评估技术大致可归为以下几类：
第一类是评价与生态相关的规划指标执行情况。利用地理信息系统（GeographicInformation System，GIS）、遥感（Remote Sensing，RS）技术进行实时监测、开展现场调查和采样、综合分析各项生态指标的达成情况以及趋势变化，建立反馈机制并进行动态调整，确保未来规划目标的科学落实和生态效益的持续提升。
第二类是评价环境影响。通过对规划区域内的环境要素（如水、大气、土壤等）进行监测和评估，评估规划实施带来的环境影响，为决策提供科学依据。
第三类是生态系统服务评估。基于生态系统服务理论，对不同区域的生态系统服务进行定量评估，包括生物多样性保护、水源涵养、土壤保持等功能。这种方法通过对生态系统服务的空间分布和功能进行分析，可以评估不同土地利用方式对自然生态系统的影响。
第四类生态足迹分析。通过计算人类活动对生态系统的需求和生态承载力的关系，评估规划区域的生态可持续性。这种方法可以帮助识别资源过度利用和环境压力较大的区域，为国土空间规划提供参考。
空间规划生态效益评估技术的发展经历了从单一生态指标分析、环境影响宏观评价到生态功能定量评估和重视人类对生态系统需求的多重变革，这一演变不仅丰富了对国土空间规划生态效益的认识，也对空间规划生态效益评估的准确性提出了更高的要求。
近年来，将生态系统服务纳入国土空间规划的生态效益评估指标体系，已逐渐成为学术界和政策制定者关注的焦点。生态系统服务评估能够定量评估生物多样性、水源涵养、土壤保持等生态功能，综合分析不同土地利用方式对生态系统的影响，兼顾自然生态系统和社会经济系统，促进生态可持续性和人类福祉提升。它使国土空间规划生态效益的分析更趋向科学化和系统化，强调生态系统功能优化和人类需求，为科学的规划和管理决策提供了全面而深入的视角。
然而，尽管基于生态系统服务的国土空间规划生态效益评估在提升评估结果的系统性和科学性等方面取得了显著进展，但现有评估方法也存在一些局限性：
第一，传统的生态效益评估技术往往缺乏面向未来规划视角的动态模拟预测。这类技术主要基于过去时期的遥感生态数据，评估已实施完成的空间规划生态效益。这导致评估结果存在滞后性、缺乏预防性、动态适应能力不足等劣势，限制了对未来生态挑战的前瞻性应对和实时调整，难以提供关于未来生态发展的科学预测和优化建议，进而难以实现长期可持续发展。
第二，当前生态系统效益评估指标往往侧重于单一生态功能的评估，缺乏对多类生态系统服务（供给、调节、支持、文化）的综合分析和评价。这导致评估难以系统地反映生态系统的整体功能和综合效益。此外，现有指标侧重于表征生态系统服务的供给能力，缺乏关注人类需求和供需协调的相关指标。这导致难以全面反映生态系统在满足人类需求方面的实际效用。如果不考虑生态系统服务的供需匹配等指标，就难以判断空间规划的资源配置和管理措施是否有效满足社会需求，可能会限制生态系统的可持续利用和社会经济的协调发展，从而限制决策支持和政策制定的科学性。
第三，传统的规划生态效益评价结果可能存在被高估风险。因为土地生态系统本身具有自我调整和演变的能力，在没有规划干预的情况下，生态系统会根据环境和社会经济因素进行自我调节，这种自然变化会导致生态效益的增加或减少。如果只是简单对比基期年和规划末期的生态价值差异，忽视自然变化带来的影响，将所有变化归因于规划措施，可能会高估规划的实际效益。这可能造成误导性决策、资源分配失衡，导致严重的环境和社会经济风险，影响到长期可持续发展的实现和社会整体的福祉。
通过上述分析，现有技术存在以下问题和缺陷：现有的规划生态效益评价技术缺乏面向未来规划视角的动态模拟预测，未能全面反映生态系统的综合效益及其在满足人类需求方面的实际效用，可能高估规划的实际效益。这些技术缺陷限制了决策支持和政策制定的科学性，因此，缺乏一种科学的国土空间规划生态效益的动态预测方法。
发明内容
针对上述背景技术中提及的当前国土空间规划生态效益评估存在一定局限性以及缺陷的问题，本发明提出一种国土空间规划生态效益的动态预测方法，能够精准评估国土空间规划的实际生态效益，并降低评价结果被高估的风险。
技术方案：为了解决上述技术问题，本发明采用的技术方案如下：
一种国土空间规划生态效益的动态预测方法，包括以下步骤：
S1：收集、预处理自然生态和社会经济空间数据，并建立国土空间规划生态效益动态预测基础数据库；
S2：设定不同的发展情景，结合国土空间规划的用地指标要求，分别预测不同情景的土地数量需求和结构；
S3：利用PLUS模型，模拟并预测不同情景的土地利用格局；
S4：构建生态系统服务供需评价矩阵，评价现状并预测未来不同情景的生态系统服务供给能力、需求强度以及供需盈亏值；
S5：比较现状与未来的生态系统服务变化情况，并动态预测国土空间规划的实际生态效益。
作为优选，在S1中，收集、预处理自然生态和社会经济空间数据，并建立国土空间规划生态效益动态预测基础数据库的具体内容为：
S1-1：收集人口、经济、交通、基础设施的社会经济空间数据以及土地利用、地形、地貌、气候的自然生态空间数据；
S1-2：对过去年份土地利用数据进行重分类处理，生成重分类后的土地利用数据；
S1-3：对重分类的土地利用数据再次重分类，将水域和湿地重分类为发展限制区域，生成土地利用约束数据；
S1-4：利用欧式距离公式计算区域栅格到土地利用变化驱动因子的距离，并归一化数据，得到标准化的驱动因子空间数据；
S1-5：利用GIS软件工具，生成分辨率、区域范围和投影坐标系一致的空间栅格数据；
S1-6：建立栅格数据库，将所有预处理的栅格数据上传至数据库进行存储。
作为优选，在S2中，设定不同的发展情景，结合国土空间规划的用地指标要求，分别预测不同情景的土地数量需求和结构的具体内容为：
S2-1：设定自然发展情景；
S2-2：设定空间规划情景，考虑国土空间规划对各类用地结构和规模的约束；
S2-3：利用Markov模型预测自然发展情景下的土地需求数量；
S2-4：结合国土空间规划中要求预期的各类用地变化比例，修改土地利用类型的转移概率，预测空间规划情景的土地需求数量。
作为优选，在S3中，利用PLUS模型，模拟并预测不同情景的土地利用格局的具体内容为：
S3-1：转化土地利用数据和土地利用约束数据为无符号字符型格式；
S3-2：基于土地利用基期和末期数据，提取土地扩张数据；
S3-3：随机采样土地扩张和驱动因子空间数据，利用随机森林算法训练数据集，结合PLUS模型的土地扩张分析策略模块计算各类用地发展概率；
S3-4：基于基期土地利用数据、各类用地发展概率、限制发展区域、土地数量需求、转换成本矩阵和邻域权重参数，利用PLUS模型的基于多随机斑块种子的元胞自动机模块模拟产生斑块的土地利用变化；
S3-5：当所有土地类型的面积达到预测的需求量时，土地利用模拟停止迭代，输出模拟的土地利用结果；
S3-6：对比模拟的土地利用结果与真实的土地利用格局数据，采用Kappa系数和数优值进行精度验证；
S3-7：重复S3-4和S3-5，基于土地利用末期数据和S2-3获取的未来土地需求量，预测未来自然发展情景的土地利用格局；
S3-8：重复S3-7，基于S2-4获取的未来土地需求量，预测空间规划情景的土地利用格局。
作为优选，在S4中构建生态系统服务供需评价矩阵，评价现状并预测未来不同情景的生态系统服务供给能力、需求强度以及供需盈亏值的具体内容为：
S4-1：确定需要评估的生态系统服务类型；
S4-2：根据土地利用类型，构建基于土地利用/土地覆盖变化的生态系统服务供给能力评价矩阵；
S4-3：利用现状和预测的土地利用数据和生态系统服务供给能力评价矩阵，初步评估和预测生态系统服务供给能力；
S4-4：利用净初级生产力和归一化植被指数数据，修正评估生态系统服务供给能力；
S4-5：根据土地利用类型，构建基于土地利用/土地覆盖变化的生态系统服务需求强度评价矩阵；
S4-6：利用现状和预测的土地利用数据和生态系统服务需求强度评价矩阵，初步评估和预测生态系统服务需求强度；
S4-7：利用人口、经济和夜间灯光数据，修正评估生态系统服务需求强度；
S4-8：比较修正后的生态系统服务供给能力与需求强度的差异，分析生态系统服务供需盈亏状态。
作为优选，在S4-4中利用净初级生产力和归一化植被指数数据，修正评估生态系统服务供给能力的具体内容为：
首先，利用NPP和NDVI数据修正评估，具体公式如下：
，
其中，是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；是修正前的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；是指标准化函数；是指栅格单元u的净初级生产力值；是指单元u对应的用地类型j的净初级生产力指数均值；是指栅格单元u的归一化植被指数；是指单元u对应的用地类型j的归一化植被指数均值；和是权重系数，表征修正因子对生态系统服务供给能力评估调整的重要程度；
其次，利用现状和未来的土地利用空间数据以及修正参数，修正评估空间单元的生态系统服务供给能力得分，具体公式如下：
，
其中，是修正后单元u生态系统服务供给能力得分；LUNuj是单元u的对应土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；n是生态系统服务类型的数量；
最后，评价区域所有空间单元总体的生态系统服务供给能力，计算公式如下：
，
其中，是总体的生态系统服务供给能力；LUNuj是单元u的土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；n是生态系统服务类型的数量；m是栅格单元的数量。
作为优选，在S4-7中利用人口、经济和夜间灯光数据，修正评估生态系统服务需求强度的具体内容为：
首先，利用人口密度和GDP和夜间灯光强度数据修正评估，具体公式如下：
，
其中，是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；是修正前的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；fnormal是指标准化函数；POPu是指栅格单元u的人口密度值；POPuj-mean是指单元u对应的土地用地类型j的人口密度均值；GDPu是指栅格单元u的GDP；GDPuj-mean是指单元u对应的土地用地类型j的GDP均值；NLIu是指栅格单元u的夜间灯光强度；NLIuj-mean是指单元u对应的土地用地类型j的夜间灯光强度均值；、、ε是权重系数，用于调整和对生态系统服务需求强度修正的影响程度；
其次，利用现状和未来的土地利用空间数据以及修正参数，修正空间单元的生态系统服务需求强度得分，具体公式如下：
，
其中，是修正后单元u生态系统服务需求强度得分；LUNuj是单元u的对应土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；n是生态系统服务类型的数量；
最后，评价区域所有空间单元总体的生态系统服务需求强度，计算公式如下：
，
其中，是总体的生态系统服务需求强度；是单元u的土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；n是生态系统服务类型的数量；m是栅格单元的数量。
作为优选，在S5中，通过比较现状与未来的生态系统服务变化情况，并动态预测国土空间规划的实际生态效益的具体内容为：
S5-1：分析现状到自然发展情景期间，生态系统服务供给能力、需求强度及供需盈亏值的变化趋势和演变格局；
S5-2：分析现状到空间规划情景期间，生态系统服务供给能力、需求强度及供需盈亏值的变化趋势和演变格局；
S5-3：比较自然发展情景与空间规划情景在生态系统服务供给能力、需求强度、供需盈亏值变化方面的差异，从而预测国土空间规划的实际生态效益。
有益效果：与现有技术相比，本发明具有以下优点：
（1）前瞻性的规划视角导向：传统方法多为评估当前或过去的生态效益，而本发明则着眼于未来，通过预测未来生态效益变化趋势，为长期规划提供科学依据。综合考虑多种环境因素和未来发展趋势，提供更全面和综合的生态效益预测。旨在减缓评估结果的滞后性、提前识别和降低国土空间规划策略实施过程中的潜在生态风险；这种前瞻性和综合性有助于规划者制定更加科学合理的国土空间规划方案，保障国土资源的长期稳定和可持续利用。
（2）先进的智能模拟技术：本发明引入元胞自动机（Cellular Automata，CA）、随机森林（Random Forest，RF）等智能算法和建模技术，提高预测模型的精度、可靠性和运行效率。多源数据整合是另一个关键特点，RS数据、GIS数据、气候数据等多源数据的整合提高了数据的丰富性和准确性。利用这些先进的算法和数据，能够提供高精度的生态效益预测结果，并通过数据驱动决策，增强规划的科学性。
（3）广泛的应用范围：本发明适用于不同的国土空间规划场景，如城市规划、农村土地整治、自然保护区管理等。基于生态学和地理学的理论和方法，形成具有学科交叉优势的综合预测模型，促进多场景适用性和跨学科融合，不仅提升了本发明的实用价值，也促进了生态学与地理学的深度融合和创新发展。
（4）显著的社会经济效益：通过科学预测和合理规划，能够减少因盲目决策导致的资源浪费和生态破坏，从而提升经济效益。引入供需协调指标，全面评估生态系统服务的供给和需求，确保国土空间规划的资源配置和管理措施能够有效满足社会需求，提升居民生活质量和人类社会福祉。
（5）科学有效的决策支持：与现有技术相比，本发明能实现实时或近实时的生态效益预测，这种动态预测能力克服了传统方法滞后性和预防性不足的问题。通过提供详细的生态效益动态预测结果，提前制定前瞻性的应对措施和实时调整建议，提高了决策的准确性和有效性，特别是在应对突发事件时，能够迅速调整与规划。本发明还具有很高的灵活性，其灵活性体现在能够根据不断变化的环境因素和数据调整预测模型。此外，排除了生态系统长期的自然变化和演变趋势带来的影响，通过对比未来自然发展情景与国土空间规划情景下的生态系统服务差异，从而精准评估国土空间规划的实际生态效益，降低了评价结果被高估的风险，提升了国土空间规划决策的科学性和有效性。
附图说明
图1是本发明的整体流程示意图；
图2是本发明S1的具体流程图；
图3是本发明S2的具体流程图；
图4是本发明S3的具体流程图；
图5是本发明S4的具体流程图；
图6是本发明S5的具体流程图；
图7为本发明中的生态系统服务供给能力评价矩阵；
图8为本发明中的生态系统服务需求强度评价矩阵。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1-6所示，本实施例提供的国土空间规划生态效益的动态预测方法，包括以下步骤：
S1：收集、预处理自然生态和社会经济空间数据，并建立国土空间规划生态效益动态预测基础数据库；
如图2所示，包括S1-1至S1-6。
S1-1：收集人口、经济、交通、基础设施的社会经济空间数据以及土地利用、地形、地貌、气候的自然生态空间数据；
S1-2：对土地利用数据进行重分类处理，重新归类为耕地、林地、草地、水域、湿地、建设用地以及未利用地等7种类型，生成重分类后的土地利用数据；
收集并导入历史土地利用数据（2010和2020年）至GIS软件中，确保数据格式和坐标系的一致性。利用GIS软件中的重分类工具，对土地利用数据进行初步分类，将其划分为耕地、林地、草地、水域、湿地、建设用地以及未利用地7种类型。
S1-3：对重分类的土地利用数据再次重分类，将水域和湿地重分类为发展限制区域，生成土地利用约束数据；
在ArcGIS软件中导入S1-2中已重分类的土地利用数据，确保数据格式和坐标系的一致性；使用ArcGIS的“栅格计算器”工具，将水域和湿地分类为发展限制区域，并将这些区域的像元值赋值为0，以表明该区域土地类型不可转换。随后，对其余土地类型的像元值进行重新赋值，统一赋值为1，以表明这些区域不受发展限制，土地类型可转换；最后生成新的土地利用约束数据。
S1-4：利用欧式距离公式计算区域栅格到土地利用变化驱动因子的距离，并归一化数据，得到标准化的驱动因子空间数据；
土地利用变化驱动因子包括自然环境因子和社会经济因子，自然环境因子包括高程、坡度、坡向、净初级生产力（Net Primary Productivity，NPP）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、年度平均温度、年度平均降水量；社会经济因子包括人口密度、经济密度、距省中心的距离、距市中心的距离、距县中心的距离、距乡镇中心距离、距铁路距离、距河流距离、距高速公路距离。
用欧式距离公式计算区域栅格距土地利用变化驱动因子的距离，计算公式为：
，
其中，表示区域栅格u到土地利用变化驱动因子d的欧式距离；(xu，yu)是指空间栅格的坐标；(xd，yd)是土地利用变化驱动因子d的坐标。
归一化数据，得到标准化的驱动因子空间数据；对正向指标和负向指标进行极差法归一化，其中，正向指标进行极差法归一化的计算方法为：
，
负向指标进行极差法归一化的计算方法为：
，
其中，为栅格u归一化后的指标像元值，为栅格u指标像元值，为指标所有像元值的最大值，为指标所有像元值的最小值。
S1-5：利用GIS软件工具，生成分辨率、区域范围和投影坐标系一致的空间栅格数据；
在ArcGIS软件中导入收集到的空间数据，即尚未预处理的原始数据，使用ArcGIS的“投影和变换”工具，将所有数据集重新投影到所需的统一投影坐标系；利用“环境设置”中的“栅格分析”选项，设置目标栅格数据的分辨率、区域范围和对齐参数，确保所有输出栅格数据具有一致的分辨率和空间范围。
S1-6：建立栅格数据库，将所有预处理的栅格数据上传至数据库进行存储；
利用ArcGIS软件中的“数据管理工具”连接到所创建的数据库；使用“栅格转换”工具将预处理的栅格数据转换为适合数据库存储的格式，即GeoTIFF格式；通过ArcGIS的“导出栅格”功能，将转换后的栅格数据上传至数据库中。
S2：设定不同的发展情景，结合国土空间规划的用地指标要求，分别预测不同情景的土地数量需求和结构，具体为：
如图3所示，包括S2-1至S2-4。
S2-1：设定自然发展情景，便于比较其他情景的生态效益，该情景遵循土地利用自然变化的历史过程，不考虑未来限制或促进土地利用变化的措施；
S2-2：设定空间规划情景，考虑国土空间规划对用地结构和规模的约束；
S2-3：利用Markov模型预测自然发展情景下的土地需求数量；
基于2010年和2020年历史土地利用数据，提取历史土地利用数据的转移矩阵。构建Markov模型，并进行迭代计算，预测未来各土地利用类型的转移概率和需求数量，具体公式如下：
，
其中，S(t)为随机事件在t时刻的状态；S(t+1)为随机事件在t+1时刻的状态；为转移矩阵，取值为0～1；为土地类型数量。
基于Markov模型，获得2030年自然发展情景的土地利用转移概率矩阵，具体如表1所示：
表1 2030年自然发展情景的土地利用转移概率矩阵
基于2020年土地利用数据和2030年自然发展情景的土地利用转移概率矩阵，预测2030年自然发展情景的各类土地数量，具体如表2所示：
表2 2030年自然发展情景的土地数量结构
S2-4：结合国土空间规划中要求预期的各类用地变化比例，修改土地利用类型的转移概率，预测国土空间规划情景的土地需求数量；
由于政府规划空间数据难以获取，本实施例使用现有技术中武汉大学的杨杰和黄昕教授发布的1985-2023年中国30m的年度土地覆盖数据，数据格式为栅格数据（.GIF）。数据来源于：Jie Yang,&Xin Huang. The 30 m annual land cover datasets and itsdynamics in China from 1985 to 2023[J]. Earth System Science Data, 2024, 13(1): 3907–3925. https://doi.org/10.5281/zenodo.12779975（杨杰,& 黄昕.1985-2023年中国30米年度土地覆盖数据集及其动态变化.载于《地球系统科学数据》，2024年，1.0.3版，第13卷，第1期，页码：3907-3925.网址：https://zenodo.org/records/12779975）。
通过这种方法，可以更准确地预测未来的土地需求量，从而解决两套数据不匹配的问题。
首先，收集并整理《全国国土规划纲要（2016—2030年）》中2020—2030年对应各类用地的规划指标变化数据，即耕地保有量、用水总量、森林覆盖率、草原综合植被覆盖度、湿地面积、国土开发强度等指标，并将其转换为各类土地变化比例，具体信息如表3所示；
表3 国土空间规划2020-2030年各类用地数量变化比例
其次，利用上述各类用地比例来修正得到2030年空间规划情景的土地利用转移概率矩阵，具体信息如表4所示。
表4 2030年空间规划情景的土地利用转移概率矩阵
最后，基于已有的2020年土地利用数据和2030年空间规划情景的土地利用转移概率矩阵，预测2030年空间规划情景每种用地类型的具体需求数量，具体信息如表5所示：
表5 2030年空间规划情景土地数量结构
S3：利用PLUS模型，模拟并预测不同情景的土地利用格局；
转换土地利用数据和约束数据转化为特定格式；分析土地扩张特征；利用随机森林算法训练数据集，并结合PLUS模型的LEAS模块计算各类用地发展概率；设置未来土地数量需求、转换成本矩阵、邻域权重等参数，利用PLUS模型的CARS模块模拟土地利用变化；输出土地利用格局模拟结果；对比土地利用模拟结果与真实格局，进行精度验证；预测未来自然发展情景和空间规划情景的土地利用格局。如图4所示，包括S3-1至S3-8。
S3-1：转化土地利用数据和土地利用约束数据为无符号字符型格式；
基于无符号字符型（Unsigned Char）模块的土地数据无符号字符型格式转换（Convert LULCs to Unsigned Char Format）功能，对原始数据进行格式转换，将土地利用数据和土地利用约束数据转换为无符号字符型格式。
S3-2：基于土地利用基期和末期数据，提取土地扩张数据；
基于提取土地扩张（Extract Land Expansion）模块，利用基期和末期的土地利用数据进行比较分析；识别出在基期和末期之间发生变化的土地利用类型，提取具体的土地扩张数据，确定发生土地利用扩张的位置。
S3-3：随机采样土地扩张和驱动因子空间数据，利用随机森林算法训练数据集，结合PLUS模型的土地扩张分析策略（Land Expansion Analysis Strategy，LEAS）模块计算各类用地发展概率，具体为：
基于LEAS模块，对土地扩张和驱动因子空间数据进行随机采样，采样率设置为0.01。采用随机森林分类（Random Forest Classification，RFC）算法计算每个土地类型变化与驱动因素间的关系。分别设置RFC算法回归树的数量（20），（16），并行线程数量（8）等参数，计算各土地利用类型适宜性发展概率，具体公式如下：
，
其中，表示空间单元u处输出的土地利用类型j的增长概率；表示决策树集合的指示函数；v表示由驱动因子组成的向量；表示为向量v时第c个决策树的土地预测类型；M表示为决策树的数量；d取值0或1，当d=1时，表示有其他土地类型转换成土地类型j，当d=0时，表示没有土地类型向j类土地类型发生转换。
S3-4：基于基期土地利用数据、各类用地发展概率、限制发展区域、土地数量需求、转换成本矩阵、邻域权重等参数，利用PLUS模型基于多随机斑块种子的元胞自动机（CA -based on multiple random patch seeds，CARS）模块模拟产生斑块的土地利用变化；
基于CARS模块，结合基期土地利用数据、各类用地发展概率数据，限制发展区域信息以及末期土地数量，通过元胞自动机（Cellular Automata）方法模拟土地利用变化，生成空间上连续的土地利用斑块。
首先，确定邻域权重参数，表示一个区域的土地利用类型受到周围区域影响的程度，具体公式如下：
，
其中，表示为迭代t时间节点，栅格单元u转化成用地类型j的邻域作用；表示为上一次迭代t-1时间节点，在矩形N×N的窗口范围内j类土地利用空间栅格的数量，在本实施例中，本次邻域范围设置3×3；wj表示为权重，取值范围0≤wj≤1，当的wj取值越接近1时，第j类土地利用的空间扩张能力越强。
基于各土地利用类型的扩张斑块数据，计算各土地利用类型的扩张占比，将所得占比数据作为邻域权重参数，取值范围为0-1，值越大表示邻域影响越大，具体参数如表6所示：
表6 各土地利用类型的邻域权重参数
其次，自适应惯性可以在迭代过程中根据土地数量需求和实际土地数量之间差异进行适当的调整，使得土地利用数量满足未来的土地需求数量，进而实现土地利用空间变化模拟，具体公式如下：
，
其中，表示为在t时间节点j类土地利用类型的惯性系数；和分别表示在t-1和t-2时间节点上实际土地数量与土地栅格需求数量之间的差异。
计算土地利用类型总体概率，具体公式如下：
，
其中，表示为土地利用类型j的总体概率，表示为栅格单元u的土地类型j的增长概率；是指在时间t下，栅格单元u转化成用地类型j的邻域作用；表示土地需求对j类土地所产生的影响，为自适应惯性系数。
PLUS模型能够基于阈值减少的随机斑块生成机制模拟土地利用变化中的斑块生成状况，该机制可以较好地模拟在土地变化过程中不同土地利用类型的扩张情况，根据在竞争过程中的阈值下降规则，对各土地利用类型的自发增长过程加以约束，具体公式如下：
，
式中，表示为土地利用类型j的总体概率；表示为栅格单元u的土地类型j的增长概率；γ是一个随机值，范围从0到1；是土地类型j生成新土地利用斑块的阈值。是指在时间t下，栅格单元u转化成用地类型j的邻域作用。
构建过渡矩阵以及计算最终用地发展概率，具体公式如下：
，
，
其中，和分别表示在t-1和t时间节点上向z类土地利用进行转变的实际土地数量与土地栅格需求数量之间的差异；step表示为模型模拟接近土地利用总需求的步长，表示为栅格单元u的土地类型j的增长概率；τ表示为土地利用增长阈值；δ表示为衰减阈值的衰减系数，取值范围在0到1之间（在本实施例中设置为0.5）；l表示为阈值的衰减级数；表示衰减级数为l时衰减阈值的衰减系数；r1表示为平均值等于1的正态分布随机取值；表示为过渡转移矩阵，具体表示为j类土地利用是否可以向z类土地利用进行转变，1代表可以发生转换；0则表示不可以发生转换。该矩阵定义了不同土地利用类型之间转换的难易程度，考虑研究区土地利用实际情况以及政府出台的相应生态环境保护政策，具体设置土地转换成本矩阵如表7所示：
表7 土地转换成本矩阵
S3-5：当所有土地类型的面积达到预测的需求时，土地利用模拟停止迭代，输出模拟的土地利用格局结果；
S3-6：对比模拟的土地利用结果与真实的土地利用格局，采用Kappa系数和数优值（Figure of Merit，FoM）进行精度验证；
基于验证（Validation）模块中的混淆矩阵和数优值（Confusion Matrix andFoM）功能，利用模拟的土地利用结果和真实的土地利用格局数据，计算生成模拟结果和真实格局之间的混淆矩阵。混淆矩阵展示了每种土地利用类型在模拟结果和真实格局中的匹配情况，揭示了分类准确性和错误分布。基于混淆矩阵，计算Kappa系数。Kappa系数是一个常用的分类精度指标，反映了模拟结果与真实格局之间的一致性，考虑了随机匹配的可能性。计算公式如下：
，
其中，Kappa的取值范围在0-1之间，接近1表示一致性高，接近0表示一致性低；表示为模拟结果中正确的比重；表示模型随机状态下预测的正确比例。本次模拟结果的Kappa系数为76.25%，Kappa系数大于75%，对于模拟全国土地利用，此次模拟精度较高。
计算FoM系数，通常用来验证模拟结果空间位置变化的一致性，FoM指数检验精度的可靠性要高于Kappa系数，计算公式如下：
，
其中，FoM取值范围在0-1之间；FN表示为土地利用实际上发生变化的区域，但模型模拟为未发生变化的区域；TP表示为模型模拟出和实际相同的区域；FP表示为模型模拟出错误土地利用类型，而产生的误差区域；TN表示为土地利用实际上未发生变化的区域，但模型模拟为发生变化的区域。
FoM指数值越大，说明模型运行结果精度越高，FoM值与模拟时间间隔有关，模拟的时间间隔越长，值就越大。一般城市土地利用模拟FoM值在0.12-0.30，本实施例模拟时间间隔为10年，FoM=0.15，说明模型模拟出的结果精度较高。
S3-7：重复S3-4和S3-5，基于土地利用末期数据（2020年）和S2-3获取的未来土地需求量（2030年自然发展情景），预测未来自然发展情景的土地利用格局；
S3-8：重复S3-7，基于S2-4获取的未来土地需求量（2030年空间规划情景），预测未来空间规划情景的土地利用格局。
S4：构建生态系统服务供需评价矩阵，评价现状并预测未来不同情景的生态系统服务供给能力、需求强度以及供需盈亏值；
如图5所示，包括S4-1至S4-8。
S4-1：确定需要评估的生态系统服务类型；
生态系统服务主要分为支持服务、供给服务、调节服务以及文化服务，支持服务作为后3种服务的前提和基础，为避免重复计算问题，因此本实施例中的生态系统服务矩阵仅考虑3种服务类型22项服务，供给服务包括农作物、饲料、木材等在内的11项服务，调节服务包括当地气候调节洪水防护、地下水供给等在内的9项服务，文化服务包括美学价值、多样性内在价值等在内的2项服务。
S4-2：根据土地利用类型，构建基于土地利用/土地覆盖变化（Land Use and LandCover Change，LUCC）的生态系统服务供给能力评价矩阵；
根据LUCC类型和生态系统服务类型，结合研究区域特点、专家知识和经验数据确定生态系统服务供给能力评价矩阵。矩阵得分为0—5分，其中0代表无相关生态系统服务供给能力，(0,1]代表低供给能力，(1,2]代表一般供给能力，(2,3]代表中等供给能力，(3,4]代表高供给能力，(4,5]代表极高供给能力。具体的生态系统服务供给能力评价矩阵，如图7所示：
其中：1-7分别代表耕地、林地、草地、水域、湿地、建设用地、未利用地；供给服务包括农作物（A）、牲畜（B）、饲料（C）、水产捕捞（D）、水产养殖（E）、野生食物（F）、木材（G）、薪柴（H）、能量（I）、生物医疗（J）、淡水（K）；调节服务包括局地气候调节（L）、全局气候调节（M）、洪水防护（N）、地下水补给（O）、空气质量调节（P）、侵蚀调节（Q）、营养调节（R）、水净化（S）、传粉（T）；文化服务包括美学价值（U）、多样性内在价值（V）。
S4-3：利用现状和预测的土地利用数据和生态系统服务供给能力评价矩阵，初步评估和预测生态系统服务供给能力；
基于现状和未来的土地利用空间数据，结合土地类型、生态系统服务类型以及供给矩阵参数，初步评价并预测空间单元的生态系统服务供给能力得分，具体公式如下：
，
其中，是单元u生态系统服务供给能力得分；是单元u的土地利用类型j的数量；是修正前单元u对应的土地利用类型j的生态系统服务类型k的供给能力评分，也就是生态系统服务供给评价矩阵中对应的数值；n是生态系统服务类型的数量。
S4-4：利用净初级生产力和归一化植被指数数据，修正评估生态系统服务供给能力；
首先，为进一步区分同一土地利用类型的生态系统服务供给能力差异，利用NPP和NDVI数据修正评估，具体公式如下：
，
其中，是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；是修正前的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；fnormal是指标准化函数，将值标准化至0-1范围；NPPu是指栅格单元u的净初级生产力值；NPPuj-mean是指单元u对应的用地类型j的净初级生产力指数均值；NDVIu是指栅格单元u的归一化植被指数；NDVIuj-mean是指单元u对应的用地类型j的归一化植被指数均值；α和β是权重系数，表征修正因子对生态系统服务供给能力评估调整的重要程度。
其次，利用现状和未来的土地利用空间数据以及修正参数，修正评估空间单元的生态系统服务供给能力得分，具体公式如下：
，
其中，是修正后单元u生态系统服务供给能力得分；LUNuj是单元u的对应土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；n是生态系统服务类型的数量。
最后，评价区域所有空间单元总体的生态系统服务供给能力，计算公式如下：
，
其中，是总体的生态系统服务供给能力；LUNuj是单元u的土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；n是生态系统服务类型的数量；m是栅格单元的数量。
S4-5：根据土地利用类型，构建基于LUCC的生态系统服务需求强度评价矩阵；
与S4-2相似，根据LUCC类型和生态系统服务类型，结合研究区域特点、专家知识和经验数据确定生态系统服务需求强度矩阵。与S4-2的标准相似，矩阵得分为0—5分，其中0代表无相关生态系统服务需求，(0,1]代表低需求，(1,2]代表一般需求，(2,3]代表中等需求，(3,4]代表高需求，(4,5]代表极高需求。具体的生态系统服务需求强度评价矩阵如图8所示：
其中：1-7分别代表耕地、林地、草地、水域、湿地、建设用地、未利用地；供给服务包括农作物（A）、牲畜（B）、饲料（C）、水产捕捞（D）、水产养殖（E）、野生食物（F）、木材（G）、薪柴（H）、能量（I）、生物医疗（J）、淡水（K）；调节服务包括局地气候调节（L）、全局气候调节（M）、洪水防护（N）、地下水补给（O）、空气质量调节（P）、侵蚀调节（Q）、营养调节（R）、水净化（S）、传粉（T）；文化服务包括美学价值（U）、多样性内在价值（V）。
S4-6：利用现状和预测的土地利用数据和生态系统服务需求强度评价矩阵，初步评估和预测生态系统服务需求强度；
，
其中，是单元u生态系统服务需求强度得分；是单元u的土地利用类型j的数量；是单元u对应的土地利用类型j的生态系统服务类型k的需求强度评分，也就是生态系统服务需求评价矩阵中对应的数值；n是生态系统服务类型的数量。
S4-7：利用人口、经济和夜间灯光数据，修正评估生态系统服务需求强度；
首先，为进一步区分同一土地利用类型的生态系统服务需求强度差异，利用人口密度、GDP（国内生产总值）和夜间灯光强度数据修正评估，具体公式如下：
其中，是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；是修正前的单元u对应的土地利用类型j的生态系统服务类型k的需求强度评分；fnormal是指标准化函数；POPu是指栅格单元u的人口密度值；POPuj-mean是指单元u对应的土地用地类型j的人口密度均值；GDPu是指栅格单元u的GDP；GDPuj-mean是指单元u对应的土地用地类型j的GDP均值；NLIu是指栅格单元u的夜间灯光强度；NLIuj-mean是指单元u对应的土地用地类型j的夜间灯光强度均值；、、ε是权重系数，表示对生态系统服务需求强度修正的影响程度。
其次，利用现状和未来的土地利用空间数据以及修正参数，修正空间单元的生态系统服务需求强度得分，具体公式如下：
，
其中，是修正后单元u生态系统服务需求强度得分；LUNuj是单元u对应的土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；n是生态系统服务类型的数量。
最后，评价区域所有空间单元总体的生态系统服务需求强度，计算公式如下：
，
其中，是总体的生态系统服务需求强度；LUNuj是单元u的土地利用类型j的数量；是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；n是生态系统服务类型的数量；m是栅格单元的数量。
S4-8：比较修正后的生态系统服务供给能力与需求强度的差异，分析生态系统服务供需盈亏状态。
基于空间单元生态系统服务供给能力和需求强度，计算供需比指数用来反映空间上生态系统实际供给和人类需求之间的平衡状态，具体公式如下：
，
其中，是单元u的生态系统服务供需比指数，供需比指数越大，说明生态系统服务的供给盈余越多；是修正后单元u生态系统服务供给能力得分；是修正后单元u生态系统服务需求强度得分。
基于总体生态系统服务供给能力和需求强度，进而利用两者的差值，表征整体上生态系统服务供需盈亏状态，具体公式如下：
，
其中，ESDtot指的是生态系统服务总体供需盈亏值；EStot是总体的生态系统服务供给能力；EDtot是总体的生态系统服务需求强度。
S5：比较现状与未来的生态系统服务变化情况，动态预测国土空间规划的实际生态效益；
如图6所示，包括S5-1至S5-3。
S5-1：分析现状到自然发展情景期间，生态系统服务供给能力、需求强度及供需盈亏值的时间变化趋势和空间演变格局；
生态系统服务供给（需求）变化趋势是通过不同年份的生态系统服务供给量（需求量）的差值计算的。自然发展情景下生态系统服务供给（需求）变化趋势可以表达自然发展情景与现状时期的区域生态系统服务供给（需求）的绝对变化，如果差值大于0，则表明该时期内生态系统服务的供给（需求）关系呈上升趋势；如果差值为0，则意味着在此期间生态系统服务的供给（需求）保持不变；如果差值小于0，则表明该时期内生态系统服务供给（需求）呈下降趋势。计算公式如下：
，
其中，为自然发展情景下单元u生态系统服务供给能力与现状的差值；为自然发展情景下单元u生态系统服务供给能力；为单元u生态系统服务供给能力现状。
，
其中，为自然发展情景下生态系统服务总体供给能力与现状的差值；为自然发展情景下生态系统服务总体供给能力；为生态系统服务总体供给能力现状。
，
其中，为自然发展情景下单元u生态系统服务需求强度与现状的差值；为自然发展情景下单元u生态系统服务需求强度；为单元u生态系统服务需求强度现状。
，
其中，为自然发展情景下生态系统服务总体需求强度与现状总量的差值；为自然发展情景下生态系统服务总体需求强度；为生态系统服务总体需求强度现状。
，
其中，为自然发展情景下单元u生态系统服务供需比指数与现状的差值；为自然发展情景下单元u生态系统服务供需比指数；为单元u生态系统服务供需比指数现状。
，
其中，为自然发展情景下生态系统服务总体供需盈亏值与现状的差值；为自然发展情景下生态系统服务总体供需盈亏值；为生态系统服务总体供需盈亏值现状。
S5-2：分析现状到空间规划情景期间，生态系统服务供给能力、需求强度及供需盈亏值的时间变化趋势和空间演变格局；
与自然发展情景操作步骤相似，空间规划情景下生态系统服务供给（需求）变化趋势可以表达空间规划情景与现状时期的区域生态系统服务供给（需求）的绝对变化。其具体计算公式如下：
，
其中，为空间规划情景下单元u生态系统服务供给能力与现状的差值；为空间规划情景下单元u生态系统服务供给能力；为单元u生态系统服务供给能力现状。
，
其中，为空间规划情景下生态系统服务总体供给能力与现状的差值；为空间规划情景下生态系统服务总体供给能力；为生态系统服务总体供给能力现状。
，
其中，为空间规划情景下单元u生态系统服务需求强度与现状的差值；为空间规划情景下单元u生态系统服务需求强度；为单元u生态系统服务需求强度现状。
，
其中，为空间规划情景下生态系统服务总体需求强度与现状的差值；为空间规划情景下生态系统服务总体需求强度；为生态系统服务总体需求强度现状。
，
其中，为空间规划情景下单元u生态系统服务供需比指数与现状差值；为空间规划情景下单元u生态系统服务供需比指数；为单元u生态系统服务供需比指数现状。
，
其中，为空间规划情景下生态系统服务总体供需盈亏值与现状的差值；为空间规划情景下生态系统服务总体供需盈亏值；为生态系统服务总体供需盈亏值现状。
S5-3：比较自然发展情景与空间规划情景在生态系统服务供给能力、需求强度、供需盈亏值变化的差异，从而预测国土空间规划的实际生态效益；
比较自然发展情景与空间规划情景在生态系统服务供给能力、需求强度、供需盈亏值变化的差异，从而预测国土空间规划的实际生态效益，具体计算公式如下：
，
其中，为空间规划情景与自然发展情景单元u生态系统服务供给能力的差值；为空间规划情景下单元u生态系统服务供给能力；为自然发展情景下单元u生态系统服务供给能力。
，
其中，为空间规划情景与自然发展情景生态系统服务总体供给能力的差值；为空间规划情景下生态系统服务总体供给能力；为自然发展情景下生态系统服务总体供给能力。
，
其中，为空间规划情景与自然发展情景单元u生态系统服务需求强度的差值；为空间规划情景下单元u生态系统服务需求强度；为自然发展情景下单元u生态系统服务需求强度。
，
其中，为空间规划情景与自然发展情景生态系统服务总体需求强度的差值；为空间规划情景下生态系统服务总体需求强度；为自然发展情景下生态系统服务总体需求强度。
，
其中，为空间规划情景与自然发展情景单元u生态系统服务供需比指数的差值；为空间规划情景下单元u生态系统服务供需比指数；为自然发展情景下单元u生态系统服务供需比指数。
，
其中，为空间规划情景与自然发展情景生态系统服务总体供需盈亏值的差值；为空间规划情景下生态系统服务总体供需盈亏值；为自然发展情景下生态系统服务总体供需盈亏值。
结果显示，到2030年，国土空间规划情景下的生态系统服务供给能力为28.54分，相较于自然发展情景的27.32分提高了1.22分，表明国土空间规划实施政策能够有效提升生态系统服务的供给能力，显著改善生态系统的功能和服务水平。
进一步分析，2030年国土空间规划情景下的生态系统服务需求强度为11.10分，相较于自然发展情景的10.93分，提高了1.07分，表明国土空间规划实施政策将增强生态系统服务的需求强度，并且对人类追求美好生活的需求提出了更高的要求。同时表明在国土空间规划政策实施过程中，需要更好地协调生态服务供给与需求之间的关系，以满足社会经济发展的需求。
此外，为国土空间规划情景与自然发展情景生态系统服务供需盈亏总值的差值，即国土空间规划的实际生态效益为1.05分，这表明在未来的国土空间规划实施过程中将存在显著的积极生态效应。这一差值表明，通过实施科学合理的国土空间规划，可以在供给与需求之间实现更好的平衡，进而提升整体生态系统服务效益。这些发现为政策制定者提供了重要的参考依据，强调了在国土空间规划中纳入生态系统服务评估的重要性，并为未来政策的优化和实施提供了科学依据。
本发明提出一种面向未来规划视角的生态效益动态模拟预测技术，旨在减缓评估结果的滞后性、提前识别和降低国土空间规划策略实施过程中的潜在生态风险；构建一套综合的生态效益评价指标体系，不仅包含供给、调节、文化等多类生态系统服务，而且纳入人类需求和供需协调的相关指标，系统地反映生态系统整体功能、综合效益及其在满足人类需求方面的实际效用。
本发明提出一种精准评价规划实际生态效益的方法，排除了土地利用自然变化带来的影响，通过比较未来自然发展情景与国土空间规划情景下的生态系统服务差异，从而精准评估国土空间规划的实际生态效益，降低评价结果被高估的风险，提升国土空间规划决策的科学性。
本发明旨在克服现有技术中的局限性，面向未来国土空间规划的生态效益评价，全面评估多种生态系统服务并协调其供需关系，提升人类社会福祉，实现更精准、动态的生态效益预测，从而提高国土空间规划决策的灵活性、前瞻性和持续性，促进自然生态和社会经济系统协同发展。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种国土空间规划生态效益的动态预测方法，其特征在于：包括以下步骤：
S1：收集、预处理自然生态和社会经济空间数据，并建立国土空间规划生态效益动态预测基础数据库；
S2：设定不同的发展情景，结合国土空间规划的用地指标要求，分别预测不同情景的土地数量需求和结构；
S3：利用PLUS模型，模拟并预测不同情景的土地利用格局；
S4：构建生态系统服务供需评价矩阵，评价现状并预测未来不同情景的生态系统服务供给能力、需求强度以及供需盈亏值；
S4-1：确定需要评估的生态系统服务类型；
S4-2：根据土地利用类型，构建基于土地利用/土地覆盖变化的生态系统服务供给能力评价矩阵；
S4-3：利用现状和预测的土地利用数据和生态系统服务供给能力评价矩阵，初步评估和预测生态系统服务供给能力；
S4-4：利用净初级生产力和归一化植被指数数据，修正评估生态系统服务供给能力；
首先，利用NPP和NDVI数据修正评估，具体公式如下：
其中，SM′uj，k是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；SMuj，k是修正前的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；fnormal是指标准化函数；NPPu是指栅格单元u的净初级生产力值；NPPuj-mean是指单元u对应的用地类型j的净初级生产力指数均值；NDVIu是指栅格单元u的归一化植被指数；NDVIuj-mean是指单元u对应的用地类型j的归一化植被指数均值；α和β是权重系数，表征修正因子对生态系统服务供给能力评估调整的重要程度；
其次，利用现状和未来的土地利用空间数据以及修正参数，修正评估空间单元的生态系统服务供给能力得分，具体公式如下：
其中，ES′u是修正后单元u生态系统服务供给能力得分；LUNuj是单元u的对应土地利用类型j的数量；SM′uj，k是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；n是生态系统服务类型的数量；
最后，评价区域所有空间单元总体的生态系统服务供给能力，计算公式如下：
其中，EStot是总体的生态系统服务供给能力；LUNuj是单元u的土地利用类型j的数量；SM′uj，k是修正后的单元u的土地利用类型j对应的生态系统服务类型k的供给能力评分；n是生态系统服务类型的数量；m是栅格单元的数量；
S4-5：根据土地利用类型，构建基于土地利用/土地覆盖变化的生态系统服务需求强度评价矩阵；
S4-6：利用现状和预测的土地利用数据和生态系统服务需求强度评价矩阵，初步评估和预测生态系统服务需求强度；
S4-7：利用人口、经济和夜间灯光数据，修正评估生态系统服务需求强度；
首先，利用人口密度和GDP和夜间灯光强度数据修正评估，具体公式如下：
其中，DM′uj，k是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；DMuj，k是修正前的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；fnormal是指标准化函数；POPu是指栅格单元u的人口密度值；POPuj-mean是指单元u对应的土地用地类型j的人口密度均值；GDPu是指栅格单元u的GDP；GDPuj-mean是指单元u对应的土地用地类型j的GDP均值；NLIu是指栅格单元u的夜间灯光强度；NLIuj-mean是指单元u对应的土地用地类型j的夜间灯光强度均值；θ、ε是权重系数，用于调整和对生态系统服务需求强度修正的影响程度；
其次，利用现状和未来的土地利用空间数据以及修正参数，修正空间单元的生态系统服务需求强度得分，具体公式如下：
其中，ED′u是修正后单元u生态系统服务需求强度得分；LUNuj是单元u的对应土地利用类型j的数量；DM′uj，k是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；n是生态系统服务类型的数量；
最后，评价区域所有空间单元总体的生态系统服务需求强度，计算公式如下：
其中，EDtot是总体的生态系统服务需求强度；LUNuj是单元u的土地利用类型j的数量；DM′uj，k是修正后的单元u的土地利用类型j对应的生态系统服务类型k的需求强度评分；n是生态系统服务类型的数量；m是栅格单元的数量；
S4-8：比较修正后的生态系统服务供给能力与需求强度的差异，分析生态系统服务供需盈亏状态；
基于空间单元生态系统服务供给能力和需求强度，计算供需比指数用来反映空间上生态系统实际供给和人类需求之间的平衡状态，具体公式如下：
其中，ESDRu是单元u的生态系统服务供需比指数，供需比指数越大，说明生态系统服务的供给盈余越多；ES′u是修正后单元u生态系统服务供给能力得分；ED′u是修正后单元u生态系统服务需求强度得分；
基于总体生态系统服务供给能力和需求强度，进而利用两者的差值，表征整体上生态系统服务供需盈亏状态，具体公式如下：
ESDtot＝EStot-EDtot，
其中，ESDtot指的是生态系统服务总体供需盈亏值；EStot是总体的生态系统服务供给能力；EDtot是总体的生态系统服务需求强度；
S5：比较现状与未来的生态系统服务变化情况，并动态预测国土空间规划的实际生态效益；
S5-1：分析现状到自然发展情景期间，生态系统服务供给能力、需求强度及供需盈亏值的变化趋势和演变格局；
S5-2：分析现状到空间规划情景期间，生态系统服务供给能力、需求强度及供需盈亏值的变化趋势和演变格局；
S5-3：比较自然发展情景与空间规划情景在生态系统服务供给能力、需求强度、供需盈亏值变化方面的差异，从而预测国土空间规划的实际生态效益；
比较自然发展情景与空间规划情景在生态系统服务供给能力、需求强度、供需盈亏值变化的差异，从而预测国土空间规划的实际生态效益，具体计算公式如下：
其中，为空间规划情景与自然发展情景单元u生态系统服务供给能力的差值；为空间规划情景下单元u生态系统服务供给能力；为自然发展情景下单元u生态系统服务供给能力；
其中，为空间规划情景与自然发展情景生态系统服务总体供给能力的差值；为空间规划情景下生态系统服务总体供给能力；为自然发展情景下生态系统服务总体供给能力；
其中，为空间规划情景与自然发展情景单元u生态系统服务需求强度的差值；为空间规划情景下单元u生态系统服务需求强度；为自然发展情景下单元u生态系统服务需求强度；
其中，为空间规划情景与自然发展情景生态系统服务总体需求强度的差值；为空间规划情景下生态系统服务总体需求强度；为自然发展情景下生态系统服务总体需求强度；
其中，为空间规划情景与自然发展情景单元u生态系统服务供需比指数的差值；为空间规划情景下单元u生态系统服务供需比指数；为自然发展情景下单元u生态系统服务供需比指数；
其中，为空间规划情景与自然发展情景生态系统服务总体供需盈亏值的差值；为空间规划情景下生态系统服务总体供需盈亏值；为自然发展情景下生态系统服务总体供需盈亏值。
2.根据权利要求1所述的国土空间规划生态效益的动态预测方法，其特征在于：在S1中，收集、预处理自然生态和社会经济空间数据，并建立国土空间规划生态效益动态预测基础数据库的具体内容为：
S1-1：收集人口、经济、交通、基础设施的社会经济空间数据以及土地利用、地形、地貌、气候的自然生态空间数据；
S1-2：对过去年份土地利用数据进行重分类处理，生成重分类后的土地利用数据；
S1-3：对重分类的土地利用数据再次重分类，将水域和湿地重分类为发展限制区域，生成土地利用约束数据；
S1-4：利用欧式距离公式计算区域栅格到土地利用变化驱动因子的距离，并归一化数据，得到标准化的驱动因子空间数据；
S1-5：利用GIS软件工具，生成分辨率、区域范围和投影坐标系一致的空间栅格数据；
S1-6：建立栅格数据库，将所有预处理的栅格数据上传至数据库进行存储。
3.根据权利要求1所述的国土空间规划生态效益的动态预测方法，其特征在于：在S2中，设定不同的发展情景，结合国土空间规划的用地指标要求，分别预测不同情景的土地数量需求和结构的具体内容为：
S2-1：设定自然发展情景；
S2-2：设定空间规划情景，考虑国土空间规划对各类用地结构和规模的约束；
S2-3：利用Markov模型预测自然发展情景下的土地需求数量；
S2-4：结合国土空间规划中要求预期的各类用地变化比例，修改土地利用类型的转移概率，预测空间规划情景的土地需求数量。
4.根据权利要求3所述的国土空间规划生态效益的动态预测方法，其特征在于：在S3中，利用PLUS模型，模拟并预测不同情景的土地利用格局的具体内容为：
S3-1：转化土地利用数据和土地利用约束数据为无符号字符型格式；
S3-2：基于土地利用基期和末期数据，提取土地扩张数据；
S3-3：随机采样土地扩张和驱动因子空间数据，利用随机森林算法训练数据集，结合PLUS模型的土地扩张分析策略模块计算各类用地发展概率；
S3-4：基于基期土地利用数据、各类用地发展概率、限制发展区域、土地数量需求、转换成本矩阵和邻域权重参数，利用PLUS模型的基于多随机斑块种子的元胞自动机模块模拟产生斑块的土地利用变化；
S3-5：当所有土地类型的面积达到预测的需求量时，土地利用模拟停止迭代，输出模拟的土地利用结果；
S3-6：对比模拟的土地利用结果与真实的土地利用格局数据，采用Kappa系数和数优值进行精度验证；
S3-7：重复S3-4和S3-5，基于土地利用末期数据和S2-3获取的未来土地需求量，预测未来自然发展情景的土地利用格局；
S3-8：重复S3-7，基于S2-4获取的未来土地需求量，预测空间规划情景的土地利用格局。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411134901.XA CN118643958B (zh) | 2024-08-19 | 一种国土空间规划生态效益的动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411134901.XA CN118643958B (zh) | 2024-08-19 | 一种国土空间规划生态效益的动态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118643958A CN118643958A (zh) | 2024-09-13 |
| CN118643958B true CN118643958B (zh) | 2024-11-19 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997480A (zh) * | 2022-05-24 | 2022-09-02 | 福州大学 | 基于mop-plus模型的低碳导向下省域国土空间分区优化模拟方法 |
| CN117114176A (zh) * | 2023-08-15 | 2023-11-24 | 扬州大学 | 基于数据分析和机器学习的土地利用变化预测方法及系统 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997480A (zh) * | 2022-05-24 | 2022-09-02 | 福州大学 | 基于mop-plus模型的低碳导向下省域国土空间分区优化模拟方法 |
| CN117114176A (zh) * | 2023-08-15 | 2023-11-24 | 扬州大学 | 基于数据分析和机器学习的土地利用变化预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A combined Data Envelopment Analysis (DEA) and Grey Based Multiple Criteria Decision Making (G-MCDM) for solar PV power plants site selection: A case study in Vietnam | |
| Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
| Ervural et al. | A multi-objective decision-making approach for sustainable energy investment planning | |
| Kabak et al. | Prioritization of renewable energy sources for Turkey by using a hybrid MCDM methodology | |
| Ertay et al. | Evaluation of renewable energy alternatives using MACBETH and fuzzy AHP multicriteria methods: the case of Turkey | |
| Guo et al. | A hybrid fuzzy investment assessment framework for offshore wind-photovoltaic-hydrogen storage project | |
| Guo et al. | Large-scale group decision-making framework for the site selection of integrated floating photovoltaic-pumped storage power system | |
| TW201635224A (zh) | 智慧型短期電力發電量預測方法 | |
| CN104240040A (zh) | 基于土地转换风险的城市智能电网规划方法 | |
| CN116541666A (zh) | 一种基于影响因素溯源的低碳园区碳追踪方法 | |
| Wang et al. | A two-stage approach of DEA and AHP in selecting optimal wind power plants | |
| Zheng et al. | A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China | |
| CN114155044A (zh) | 一种电力现货市场节点电价预测方法及系统 | |
| CN114529129A (zh) | 一种城市绿地规划设计方案的低碳节约化改进方法 | |
| CN117455041B (zh) | 一种针对预测所得未来水资源的多目标管控利用方法 | |
| CN117788218B (zh) | 一种碳排放评估方法及系统 | |
| CN118643958B (zh) | 一种国土空间规划生态效益的动态预测方法 | |
| Fortuin | Strategic analysis of electricity generation mix in South Africa | |
| CN118643958A (zh) | 一种国土空间规划生态效益的动态预测方法 | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
| Cherni et al. | A multi-criteria decision-support approach to sustainable rural energy in developing countries | |
| Chen et al. | Government behaviours in sustainable development of tea industry: empirical evidence from Fujian, China | |
| Chi et al. | Using LEAP Model to Predict Energy Consumption of Beijing under the Constraint of Low-Carbon Economy. | |
| Piyal et al. | Energy demand forecasting using machine learning perspective bangladesh | |
| CN118195279B (zh) | 基于可再生能源智能耦合的供暖管理调度方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |