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

  • 刘娴 , 1, 2 ,
  • 刘浩龙 , 1, 2
展开
  • 1.中国科学院地理科学与资源研究所,陆地表层格局与模拟重点实验室,北京 100101
  • 2.中国科学院大学,北京 100049
刘浩龙(1976- ),男,江苏连云港人,博士,副研究员,研究方向为全球变化与历史地理研究。E-mail:

刘娴(1999- ),女,江苏扬州人,硕士,研究方向为土地利用与覆被重建。E-mail:

收稿日期: 2023-10-23

  修回日期: 2024-01-05

  网络出版日期: 2024-06-11

基金资助

中国科学院战略性先导科技专项(XDA2310040312)

国家重点研发计划全球变化重点专项(2017YFA0603304)

The application of ANN-FLUS model in reconstructing historical cropland distribution changes: A case study of Vietnam from 1885 to 2000

  • LIU Xian , 1, 2 ,
  • LIU Hao-long , 1, 2
Expand
  • 1. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2023-10-23

  Revised date: 2024-01-05

  Online published: 2024-06-11

摘要

历史土地利用及其覆被的变化对于理解不同时期的人地关系具有重要指导意义。传统的耕地开垦优先度模型未考虑土地利用转换规则及邻域效应,重建精度不高。基于多源史料提取越南1885—2000年5个关键年份耕地总量及其9个驱动因素,并应用有大数据处理和土地转换规律挖掘优势的ANN-FLUS模型探讨耕地分布变化。结果表明:(1)耕地总量由1532千hm2增至6200千hm2,其变化以1940年代为转折阶段而表现出前快、后慢的差异;(2)耕地历来集中在红河、湄公河三角洲以及中部沿海平原,其在全国尺度上开发模式由“聚点式”缓慢延伸逐渐转变为“散点”式迅速扩张;(3)ANN-FLUS模型在越南1950年耕地分布格局上的重建精度为Kappa系数0.65,显著优于开垦优先度模型(0.54)及HYDE 3.2数据集模型(0.50)。

本文引用格式

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 . DOI: 10.31497/zrzyxb.20240613

Abstract

The historical changes in land use and land cover hold significant value for understanding the dynamics of human-environment interactions across various eras. Traditional land reclamation priority models have often overlooked the principles of land use conversion and the neighborhood effects, resulting in inaccuracies in the reconstruction process. This study utilizes a diverse range of historical documents to quantify the total cropland area and nine influential factors over five pivotal years, spanning from 1885 to 2000 in Vietnam. Employing the ANN-FLUS model, known for its prowess in huge-volume data processing and extraction of land conversion rules, the analysis delves into cropland distribution changes. The findings revealed that: (1) The cropland area experienced a growth from 1,532×103 hectares to 6,200×103 hectares, characterized by an initial rapid expansion and a subsequent deceleration after the 1940s. (2) Historically, the cropland has predominantly been distributed in the Red River Delta, Mekong River Delta and the Central Coastal Plain. Nationally, the pattern of cropland reclamation has transitioned from a concentrated, gradual spread to a more dispersed and swifter enlargement. (3) The ANN-FLUS model demonstrates its efficacy in the reconstruction of cropland distribution in Vietnam for the year 1950, achieving a Kappa coefficient of 0.65, a notable improvement over the reclamation priority model's 0.54 and the HYDE 3.2 dataset model's 0.50.

土地利用与其覆被变化(Land Use and Cover Change,LUCC)作为社会经济活动与自然环境相互联系的桥梁,不仅是人类活动对地表影响最直接的表现,也是人类活动响应全球变化的重要因素之一。重建与预测土地利用/覆被时空变化可以为全球气候和生物地球化学效应模拟研究提供重要下垫面数据,对于理解不同时期的人地关系具有重要指导意义[1,2]
在土地利用/覆被变化计划(LUCC)、BIOME 300、全球土地计划(Global Land Project,GLP)、Land Cover 6k计划等众多国际重大科学研究计划的推动下,目前历史LUCC研究已形成4个全球性、长序列土地利用数据集,即HYDE[3-5]、SAGE[6-8]、PJDataset[9]与KK10[10]数据集。但由于使用了有限的历史数据,格网化分配模型亦存在缺陷,以上全球数据集在部分时段和地区上的重建结果存在较大差异[4,6],一些区域研究也证明其相关结果与历史“真值”间存在较大偏差[11,12]。为弥补这一不足,区域LUCC重建研究在农牧业历史悠久、数据资料丰富的亚洲东部、欧洲、美洲以及非洲部分地区[13-16]迅速开展起来。例如,Etter等[17]运用河流和道路可达性、高程、坡度、聚落面积等数据重建了1500—2000年哥伦比亚土地覆被变化;何凡能等[18]构建农垦人口引力模型和地形引力模型,以格网形式再现了北宋中期中国的耕地空间分布格局;Wei等[19]利用高程、坡度作为耕地分配影响因子,构建了1690—1999年斯堪的纳维亚半岛1 km×1 km的耕地格网数据。
尽管全球历史LUCC重建成果不断涌现,相关技术过程和研究区域仍存在许多薄弱之处。例如:在挖掘区域土地利用转换规则时,现有耕地重建模型未考虑政策、战乱、农业技术等对历史耕地变化的驱动作用[20];在土地空间分布重建时,主要采用基于自然或人文因素构建的格网化分配模型,未能挖掘多重要素背后隐含的复杂相互关系;在研究区域上,中南半岛等其他一些农垦历史悠久的地区,零碎的资料未得到有效整理,故而相关土地覆被变化重建成果匮乏。
机器学习是一门涉及概率论、统计学、神经学等多领域的交叉学科,它能从大量历史数据中挖掘其中隐含的规律并用于预测或分类。与传统地学分析方法相比,机器学习具有强大的自学习能力、大数据自动处理能力,已被广泛运用于多个研究领域[21-23]。其中,在土地覆被变化的模拟应用上,人工神经网络(ANN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)等算法常与元胞自动机(CA)模型相结合使用,通过集成CA的时空计算优势、机器学习的转换规则挖掘能力,以达到多情景空间格局预测的目的[24]。目前,该种应用可划分为两种类型:一是挖掘两期土地利用数据间的各类地块转化规则以预测下一时点空间格局,如PLUS[25]、CLUE-S[26]、SLEUTH[27]等模型;二是以一期土地利用格局作为基准,通过构建土地利用演变的驱动机制以推测未来土地利用格局,如FLUS模型[28]。目前,以上这些模型在土地利用上主要应用在未来情景的预测[29,30],而在历史LUCC的重建上几近空白。Yang等[31]耦合多智能体模型和CA模型再现山东省1661—1952年耕地空间分布格局的研究是这类模型应用在历史LUCC上为数不多的亮点,然该研究侧重于制定不同行为主体对农田开垦选址的决策规则,对不同土地利用类型间转换关系未有充分考虑。
有鉴于当前历史土地覆被重建的现状以及机器学习应用的技术优势,本文就尚未开展有效土地覆被重建工作的中南半岛越南一国开展机器学习的探索性研究。通过整理海量多源史料遴选驱动土地覆被演变的自然、人文要素,运用ANN-FLUS模型逐时点倒推1885—2000年5个关键时点的越南耕地空间分布格局变化,并利用历史测绘地图验证重建结果的准确性。试图充分发挥机器学习的大数据自动处理优势和转换规则挖掘能力,为历史LUCC重建与机器学习的深度融合提供可供参考的案例。

1 研究方法与数据来源

1.1 研究区概况

本文以今越南社会主义共和国(以下称“越南”)所辖疆域为研究区(图1)。该国位于中南半岛的东部,北与中国云南、广西两省(自治区)接壤,西与老挝、柬埔寨两国交界,东部和南部濒临南中国海,总面积约32.9万km2。在狭长的近“S”型地域上,其地势西高东低、北高南低,主要自然地理单元从南到北依次是湄公河平原、长山山脉、沿海低地和红河平原;气候属于热带季风类型,高温多雨;在农业经济方面,湄公河平原、红河平原是境内最重要的两个水稻生产区。
图1 研究区地理概况

注:本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改,下同。

Fig. 1 Geographical overview of Vietnam

越南在封建社会时期长期是中国的藩属国,其社会组织形式为村社制度[32],对应的经济形态以小农经济为主。过去百余年,越南经历了殖民地至社会主义国家的重大转变,土地制度与农业经济发生显著变化。分阶段而言,1885年《中法新约》的签订,标志着越南正式沦为法国殖民地[33]。在之后半个多世纪内,法国殖民者将越南分为南圻、中圻和北圻,并采用差异化的统治方式,即:南部由法国直属管辖,发展种植园经济;中部和北部由法国控制的阮氏傀儡政府管辖,分别为法国保护地和半保护地,延续小农经济[34]。在此阶段,伴随着稻米出口的发展,越南土地被大规模开垦,仅1890年种植园面积就已达到10898 hm2 [32]。在1945年日本6年的占领结束后,越南独立并成立了民主共和国。但之后法国与美国的相继入侵,使得越南再次陷入南北分裂、战争不断的状态中。1975年的重新统一和1986年的改革开放,才使得越南的社会经济发展重新步入正轨。

1.2 数据类型及来源

本文为构建越南历史耕地格网化分配的机器学习模型,基于当地史料及自然地理数据的收集整理进展,遴选和提取了以下四类数据:历史土地覆被变化的驱动因素数据、重建基准期(公元2000年)的土地利用数据、土地利用历史需求量数据以及20世纪中叶测绘地图上可用于重建结果验证的稻田数据,相应数据来源详见表1
表1 越南历史耕地重建的四类数据来源

Table 1 Sources of four data types for reconstruction of historical cropland in Vietnam

数据大类 亚类 子类型 数据来源
驱动因素 自然因素 地形 高程 提取自国家地球系统科学数据中心的250 m全球DEM
高程数据集
坡度
气候 夏季降水
适宜度
对美国NOAA全球环境平台上1470—2013年亚洲逐年
夏季降水重建数据集越南区域结果作分级处理而获得
河流 到河流的最
短欧氏距离
对HydroRIVERS_v10全球河网数据库的越南区域结果
作距离分析而得
社会经济
因素
城镇 城镇化率 对《International Historical Statistics》[35]、《越南历代疆
域:越南历史地理研究》[36]、多源历史地图中城镇点
信息作空间量化而得
交通 路网密度 对多源历史地图中道路信息作密度分析/距离分析而得
到港口的最
近路网距离
战争 战争数量 对《越南通史》[33]、《东南亚近代史》[37]、《东南亚史》[38]
中越南战争信息作语义分级量化而得
移民 华侨移民数量 对《华侨对越南经济文化发展的贡献》[39]、《越南华侨史》[40]、《华侨史概要》[41]中华侨移民信息作分级量化而得
基准期土
地利用空
间分布格
局图
土地利用空间
分布格局
2000年全球地
表覆盖数据
提取自GlobeLand 30数据集中2000年全球地表覆盖数据(https://www.globallandcover.com
历史土地
利用需求
量估算数据
历史土地
覆被面积
耕地 提取自《基于历史文献重建的越南耕地面积数据集(1500—2000)》[42]、《The World Bank: World Development Indicators》
城镇用地 基于《The World Bank: World Development Indicators》数据集中人均城镇用地面积数据的换算结果
林地 根据联合国粮食及农业组织(FAO)20世纪后历次全球森林资源评估报告中森林覆盖率数据的换算结果
水体 提取自GlobeLand 30数据集中2000年全球地表覆盖数据
结果验证数据 1954年测绘地图上的
越南稻田分布信息
/ 数字化美国陆军工程署陆军制图局1954年出版的中南半岛地形图而得到

① 源自 http://www.geodata.cn/data/datadetails.html?dataguid=10677348012127&docid=3150.

② 源自 https://www.ncei.noaa.gov/access/paleo-search/study/24391.

③ 源自 https://www.hydrosheds.org/products/hydrorivers.

④ 源自《大南一统志》、David Rumsey Map Collection(www.davidrumsey.com)、World Digital Library(www.worlddigitallibrary.org)。

⑤ 源自《The World Bank. World Development Indicators》(http://datacatalog.worldbank.org)。

⑥ 源自 https://www.fao.org/forest-resources-assessment/past-assessments/fra-1980/zh/.

⑦ 根据 https://maps.lib.utexas.edu/maps/ams/indochina_and_thailand/index_map.html网站地图数字化而得。

土地覆被变化的驱动力一般涵盖自然和社会经济的多个方面。本文之所以选取高程、坡度、夏季降水适宜度、到河流的最短欧氏距离、城镇化率、路网密度、到港口的最近路网距离、华侨移民数量、战争数量这9个要素作为影响越南过去百余年耕地空间分布的主要驱动因子,主要出于以下考虑:
(1)高程和坡度属于自然生物类驱动力,在地形上控制着土地利用方向,二者通过改变水热条件垂直变化和水土流失状况而影响到耕地的比例、耕作制度和农作物组合等,从而对耕地的空间分布产生影响[43]
(2)夏季降水过高/过低的地区并不是开垦耕地的气候适宜区。在过去百余年相当长的时段内,由于水稻亩产量高、多熟所需劳作量大等缘故,越南很多地方只需一至二熟即可满足一般需要。在这种背景下,夏季6-8月既是越南一熟区水稻生长季最需水的拔节、孕穗、灌浆等阶段,也涵盖两熟区早稻收获期和晚稻种植期,其接近全年90%的降水量自然深刻影响到水稻最终收获量。另外,因夏季降水多寡而形成的旱涝灾害还严重威胁到当地人的生命安全。
(3)到河流最短欧式距离反映的是种植区距水源的远近程度,是耕地自然生物类驱动力的体现。到河流的距离短,在越南意味着以灌溉农业为主的田间劳作有着较为便利的灌溉条件,有利于作物的生长,会驱动耕地的开垦。
(4)城镇化率是指示人口增长与耕地开垦同步增长趋势的重要指标[44],属于耕地开垦的社会经济驱动力之一。在人口日益增多的城镇周边开垦耕地,有利于在保障城镇人口粮食需求的同时,有效降低粮食运输成本。
(5)路网密度和到港口的最近路网距离是反映粮食生产地对外交通运输能力的重要社会经济指标。公路、铁路等新的基础设施和与之伴随的区位因素的改变会驱动原有土地利用方式的变化[43]。在1885年后,越南的水稻生产以出口为导向,到港口的最近路网距离能有效反映出稻米出口便利程度对土地开垦顺序的重要影响。
(6)华侨移民的到来,在为越南耕地大规模开垦带来丰富劳动力的同时,更重要的是带来了中国先进的生产力和生产工具,改变了土地的利用效率和可获得性,进而促进了直至十七世纪耕地仍是“寥容漠漠”状态的湄公河三角洲等区域的大规模拓荒[39,45]
(7)越南在过去百余年处于一个战争频发的阶段,仅越南战争期间,该国死亡人数就高达100万人,因战争受伤的人数多达800多万人[46]。战争对土地开垦的负面影响,已有历史耕地重建文章指出战乱会造成田间劳力大量死亡与逃亡,使得农田阶段性荒废,人口因素对耕地增长的促进作用降低[20]
以上驱动因素数据中,高程、坡度系引自相关网站上的特定数据集,其余7个类别数据是对基于特定来源的数据作相关处理后而获取。用于越南历史耕地重建的基准期土地利用数据,源自GlobeLand 30数据集中2000年全球地表覆盖数据,该数据集空间分辨率为30 m,总体精度为83.50%,Kappa系数为0.78[47],空间精度充分满足本次模拟需求。另外,土地利用历史需求量估算数据是引用多来源数据集中相关统计结果或是经过换算而得到,历史耕地分布的验证数据则源自美国1950年代印制的中南半岛测绘地图。

1.3 研究方法

本文模拟1885—2000年间越南耕地空间分布格局所采用的技术路线简要如下(图2)。首先,遴选土地覆被演变的驱动因素,并作相关数据的预处理;其次,运用ANN模型挖掘土地利用演变驱动机制并计算发生概率;最后,结合邻域效应、转换矩阵,利用FLUS模型逐时点倒推模拟5个关键时点的土地利用格局,进而得到1885—2000年的耕地演变过程。
图2 历史耕地重建采用的技术路线

Fig. 2 Technical route for the reconstruction of historical cropland

1.3.1 数据预处理

本文输入ANN-FLUS模型的土地覆被变化驱动因素数据与重建基准期(公元2000年)土地利用数据的空间分辨率均为5′×5′。
(1)地形因子
本文使用的地形数据包括海拔和坡度。为消除量纲不统一的影响,依据文献[48]对数据作分级处理(表2)。
表2 海拔、坡度分级表

Table 2 Grading of elevation and slope

高程
分级/m
计算时的海
拔高度值/m
坡度
分级/(°)
计算时的
坡度值/(°)
≤100 100 ≤2 2
100~250 250 2~6 6
250~500 500 6~15 15
500~750 750 15~25 25
750~1000 1000 >25 45
1000~1500 1500
1500~2000 2000
2000~3000 3000
>3000 4000
(2)城镇化率、路网密度
城镇化率系根据相关数据集[35]中主要城市人口统计数据以及多源历史地图所揭示的三个等级城市(一般城市、省会城市、首都)的数量及其空间分布态势,按1∶5∶10确定各等级城市的权重,进而在ArcGIS软件中运用核密度经验公式[49]而得到城镇化率的空间分布态势;路网密度则根据各时期历史地图所确定的主要铁路、公路的空间分布态势,同样运用核密度经验公式而得到其空间分布数据。
R a d i u s = 0.9 × m i n S D , 1 l n   ( 2 ) × D m × n - 0.2
式中:Radius为点或线要素的搜索半径;SD为(加权)标准距离;Dm为(加权)中值距离;n为字段加权值的总和。
(3)到河流的距离、到港口的距离
到河流的距离系计算各格网单元到河流的最短欧氏距离;到港口的距离则是利用从各时期历史地图中提取的路网数据计算各格网单元到港口的最短欧氏距离而得。
d = ( x 1 - x 2 ) 2 + ( y 1 - y 2 ) 2
式中:d为两点间最短欧氏距离; x 1 x 2为两个点横坐标; y 1 y 2为两个点纵坐标。
(4)战争数量
本文参考方修琦等[50]重建历史时期社会经济序列所采用的语义差异化定量分级方法,收集史料中有关战役参战人数、死亡人数、战区破坏程度、持续时间长短等的文字描述,以“长期混战”“给人民带来无穷灾难”“大举进攻”“激烈战斗”这类程度描述作为识别大规模战争的重要依据,进而以参战人数超过10万人、3万~10万人、不到 3万人作为划分高、中、低规模战争的量化标准,具体示例见表3
表3 历史战争规模的语义分级量化标准示例

Table 3 Examples about quantitative criteria for semantic grading of historical war scales

战争规模 等级 原始文字记载
3 长期混战、给人民带来无穷灾难、大量农民丧失土地、集中10万(兵力)
2 调动3万军队
1 (兵力)不到1万人
之后,结合战争记载的地理位置,将上述规模信息“定位”至相应区域,再统计全境各关键时段内各等级战争的发生频率,进而将之作为统计权重、运用核密度经验公式得到其空间分布态势。
(5)华侨移民数量
基于前述有关华侨人数及聚居点的史料记载[40,41],采用表4所示分级方式以获得越南各省域的华侨移民空间分布数据。
表4 华侨移民数量等级划分标准

Table 4 Criteria for classification of overseas Chinese immigration coefficients

华侨数量/人 <1000 1000~3000 3000~10000 10000~30000 ≥30000
规模等级 1 2 3 4 5
(6)夏季降水适宜度
适宜水稻种植的夏季降水量范围为800~1000 mm,耐受范围为700~1200 mm[51]。基于此标准,将各历史年份的夏季降水量划分为适宜(0级)、旱(1级、2级)、涝(1级、2级)共5个等级,由于降水量超出适宜范围时,涝灾对水稻生长的破坏程度超过旱灾[52],故按表5最终确定越南耕地的夏季降水适宜度分级标准。
表5 越南耕地的夏季降水适宜度划分标准

Table 5 Criteria for classification of summer precipitation suitability of cropland in Vietnam

夏季降水量/mm 800~1000 700~800 <700 1000~1200 >1200
适宜度 0级 旱1级 旱2级 涝1级 涝2级
量化等级 0 -1 -3 -2 -4

1.3.2 历史土地利用类型的确定与其需求量估算

基准期数据——GlobeLand 30数据集将土地覆被类型详细划分为10类,但该细分方式并不完全适用于历史LUCC反演。故在详细诊断越南各类别历史数据可获取性后,将历史土地利用的类型简化为耕地、林地、水体、城镇建设用地与其余用地5种,在ArcGIS软件平台中利用“重采样”工具将各类用地的空间分辨率统一至5′×5′标准。
在假设水体范围以及人均城镇建设用地面积均不变的两个前提下,对耕地、城镇用地、林地、其余用地在目标时点的需求量以下述方式估算:
(1)耕地面积:除1950—2000年耕地数据源自统计资料外,1885—1950年数据系依据从历史文献中获取的不同时期人均耕地面积指标与多来源人口数据集而推算[42],并根据历史疆域与现代疆域的面积转换系数,将各时点的历史耕地总量统一修订至现今疆域基准;
(2)城镇用地面积:将人均城镇建设用地数据与1885—2000年越南人口数量重建数据[47]相结合,以乘积的形式得到5个模拟时点的相应结果;
(3)林地面积:基于FAO中1948年后约五年一期的森林覆盖率数据及基于此数据而拟合出的1948年前森林覆盖率,结合目标时点的越南国土面积而加以换算;
(4)其余用地面积:将5′×5′空间分辨率的网格内陆地面积扣除上述三种土地利用类型的面积而得到各目标时点的其他用地面积。

1.3.3 ANN-FLUS模型的构建

考虑到越南历史数据的匮乏,本文选取中山大学Liu等[28]开发的FLUS模型及其软件平台进行机器学习模型的构建,其采样模式、采样参数、迭代次数、加速因子等配置均采用默认设置。该模型能够根据各驱动因素与基期土地利用类型之间的转换规则和定量关系,运用轮盘赌选择算法模拟出土地利用空间格局。其中,ANN的使用通过大量神经元模拟人脑处理事物的方式,可构建出分布式传递的数学模型[53],而CA的使用能够通过简单的小尺度转换规则生成大尺度、复杂的空间模式[54]
具体而言,通过以下四步骤构建ANN-FLUS模型以用于越南过去百余年耕地空间分布格局的反演:首先,将基准期2000年的土地利用格局图和驱动因素空间数据输入ANN模型中,通过模型挖掘出下一个模拟时点各类用地演变的驱动机制,并得到相邻时点各格网土地利用变化的发生概率 [式(3)];其次,结合邻域系数 [式(4)]、转换矩阵(表6),利用轮盘赌选择 [式(5)] 和自适应惯性竞争机制 [式(6)],对目标模拟时点土地利用需求量通过CA进行空间分配,进而模拟出各土地利用类型的空间分布态势;再次,将上述模拟结果再次作为基期土地利用数据输入FLUS模型中,再循环上述过程以倒推下一个模拟时点结果,直至所有时点模拟完毕;最后,提取各模拟时点土地利用分布地图中耕地类型,并运用式(7)换算成土地垦殖率。
表6 过去百余年越南土地利用类型的柔性转换矩阵

Table 6 Flexible conversion matrix of land use types in Vietnam over the past 100 years

历史时期
耕地 林地 水体 城镇用地 其余用地
基准期 耕地 1.00 0.30 0 0.50 0.70
林地 0.30 1.00 0 0.25 0.60
水体 0.30 0.20 1.00 0.10 0.50
城镇用地 0.30 0.40 0 1.00 0.50
其余用地 0.50 0.30 0.10 0.30 1.00
上述步骤中涉及到的5个变量的计算方式如下所示[28]
(1)基于ANN的发生概率:
s p ( p , k , t ) = j w j , k s i g m o i d [ n e t j ( p , t ) ] = j w j , k 1 1 + e - n e t j ( p , t )
式中: s p ( p , k , t )为土地利用k在时间t、格网p上的发生概率; w j , k为输入层与隐藏层之间的权重; s i g m o i d 为隐藏层到输出层的激励函数; n e t j ( p , t )为第j个隐藏层的格网p在训练时间t上收到的反馈。
(2)邻域效应系数:
Ω p , k t = N × N c o n ( c p t - 1 = k ) N × N - 1 × w k
式中: Ω p , k t为格网pt时刻土地类型k的邻域系数; N × N c o n ( c p t - 1 = k )为土地类型k在最后一次迭代t-1时刻邻域窗口N×N中的格网总数量(个); w k为不同土地类型k之间的权重。
(3)轮盘赌选择确立的土地类型转换综合概率:
T P p , k t = s p ( p , k , t ) Ω p , k t I n t e r t i a k t ( 1 - s c c k )
式中: T P p , k t为格网pt时刻由初始土地类型转换为第k种土地类型的综合概率; s c c k表示土地类型由c转换为k的成本; I n t e r t i a k tt时刻土地类型k的惯性系数。
(4)土地类型转换的惯性系数:
I n t e r t i a k t = I n t e r t i a k t - 1 , ( D k t - 1 = D k t - 2 ) I n t e r t i a k t - 1 D k t - 2 D k t - 1 , ( 0 > D k t - 2 > D k t - 1 ) I n t e r t i a k t - 1 D k t - 1 D k t - 2 , ( D k t - 1 > D k t - 2 > 0 )
式中: D k t - 1 D k t - 2分别表示在t-1和t-2时刻土地类型k的已分配格网数量与目标需求数量之间的差值。
(5)土地垦殖率:
P ( j , t ) = C r o p l a n d ( j , t ) L a n d ( j )
式中: P ( j , t )j格网在t时点的土地垦殖率; C r o p l a n d ( j , t )j格网在t时点的耕地面积(km2); L a n d ( j )j格网扣除水体后的总陆地面积(km2)。
在确定邻域系数时,以3×3的摩尔邻域作为邻域范围,各用地类型的具体邻域系数值系以定性分析结论结合专家意见,再反复加以调试的方式确定。首先,参考了Liu等[28]、王保盛等[55]、Li等[56]相关论文中不同用地的邻域系数设置方案,并征询了一些专家的意见。其次,通过精读霍尔的《东南亚史》[38]等相关史料,从中得出过去百余年越南各类用地扩张能力强弱的定性认识:在1885年越南正式沦为殖民地后,由于人口快速增长所带来的居住及粮食保障压力,再加上殖民者大规模发展水稻出口,越南城镇用地和耕地扩张最为快速;林地在原始林面积衰减的同时,亦因为咖啡、橡胶、胡椒、腰果等经济作物的扩大种植而加速扩张;包括草地在内的其他用地,则由于越南地处热带季风气候区,其邻域扩张能力要相对强于中国大部分地区。最后,在前人方案和定性认识的基础上,进行不同用地邻域系数的反复微调。最终根据模拟效果,确定耕地、林地、水体、城建用地和其余用地的具体邻域系数值分别为1、0.8、0.1、1和0.5。
土地利用类型转化矩阵一般可分为刚性(取值为0或1)与柔性(取值为0~1)两种。据Liu等[28]研究经验,柔性转换矩阵的模拟效果相对更佳。因此,基于专家经验及区域土地开发历史的定性分析,确定过去百余年各土地利用类型的柔性转换矩阵(表6)。

1.3.4 模拟时点的选取及其结果验证

在诸如气候这样的历史环境要素重建时,由于相关结果不只是由准确率决定,而是由信息的分布、可辨状态个数与准确率共同决定[57],故重建结果不能过分追求高时空分辨率。基于大数据的土地利用模拟亦是如此。为了避免多次模拟可能造成的误差累计加大问题,本文在耕地总量(包括其代用指标人口)变化以及全球气候变化关键节点认识的基础上,仅选取了1885年、1900年、1920年、1950年、1970年作为耕地重建的5个关键目标时点。其中,1885年是越南正式沦为法国殖民地的开始,也是其以水稻出口为导向大力发展农业的开始;1900年为气候变化上区分工业化前后的关键年份,也是20世纪前20年气候冷期的起点,而1920年则是20世纪上半叶近30年暖期的起点[58];1950年和1970年的选取,则是因为IPCC第六次评估报告分别指出“自1950年以来,全球陆地的平均降水量可能已经增加”“自1970年以来,全球表面温度的上升速率比至少过去2000年的任何一个50年期间都要快”[59]
本文通过计算Kappa系数以验证耕地空间格局重建结果的准确性[60],该指标的计算方式如下所示:
K = p - p e 1 - p e  
式中:K表示Kappa系数;p为总精度; p e = a 1 × b 1 + a 2 × b 2 + a n × b n S × S,其中,n为土地利用类型的总类别数(个), a 1 a 2 a n为真实结果中每一种土地利用类型的面积(km2), b 1 b 2 b n为模拟结果中每一种土地利用类型的面积(km2),S为样本数量(个)。
此外,本文还通过计算模拟结果与真实数据之间的绝对差异以检验各目标时点所重建的耕地空间分布格局的准确性,其计算公式如下所示:
A b s D i f i , t = R e c c a s e i , t - R e c t r u e i , t
式中: A b s D i f ( i , t )为耕地重建结果和历史测绘数据的绝对差异; R e c c a s e i , t为本案例重建的耕地空间分布结果; R e c t r u e i , t为从历史测绘地图中提取的耕地空间格局。

2 结果分析

2.1 影响耕地分布的遴选因子变化

从研究结果看,过去一百余年,越南的海拔、坡度、河流三类自然环境要素的空间分布态势可视为基本保持不变,而其他自然、人文驱动因素则发生不同程度变化。其中,夏季降水适宜度虽有变化但不显著,而城镇和交通、华侨移民规模和战争分布等在1945年前后发生明显变化(图3)。
图3 过去百余年越南夏季降水、城镇与交通、华侨移民及战争的两阶段空间分布差异

Fig. 3 Spatial distribution differences of summer precipitation, urban areas and traffic, overseas Chinese immigration, and wars in Vietnam over the past hundred years

具体而言,过去百余年越南全境夏季降水适宜度的总体空间分布特征表现为:红河平原和湄公河平原的夏季降水量对于水稻生长最为适宜,而其余地区降水量则对于水稻生长有不同适宜性。对比1945年前后两个阶段,越南西北部山区在1945年后的干旱范围有所扩大,对水稻生长产生不利影响。
在城镇和交通方面,1945年以前,越南阮朝的首都位于中部的富春(今顺化市),城镇主要分布在中部沿海低地及红河、湄公河两大平原上,道路以南北向官路为主。1945年越南将首都从顺化迁至河内后,推动北部城市规模和数量不断提升,而随着全境公路、铁路修建规模不断扩大,尤其是南北向铁路网的趋于完善,全境的城镇化率也随之上升。
就华侨移民情况而言,20世纪上半叶,华侨遍布越南北、中、南部众多省份[39],以西贡、河内等城市为主要定居点。根据1920年法国殖民当局的人口统计,华侨总定居人数超过13.2万人[61],其中,南部平原的西贡、朔庄和薄寮华侨人数最多。到20世纪下半叶,越南南部华侨聚居规模更为扩大。1955年,南方华侨人口已增长至80万人[40]
至于战争方面,1885—1945年,由于法国、日本的先后入侵,越南宣光、承天、广平、太原、河内、谅山等地多有战事发生[33],战场主要分布于越南北部和中部。1945年后,越南北部和南部分别成立两个政权,至1975年才重新统一。期间,由于法国殖民军的卷土重来、美国的介入,境内战事频繁,战争相对集中在中部的高地及南部湄公河三角洲。1975年后,由于中越关系不断恶化,双方一度在边境地区不时发生小规模的冲突。

2.2 同期越南耕地总量的演变

考虑疆域变化的影响,将先前重建的1885—1950年越南全国各关键时点的耕地总量[42]图4中黑色虚线)统一修订至现今疆域范围上(图4中红色实线)。对比可知,在过去百年疆域变化最为明显的1900年,修订后的耕地总量较修订前减少2.02%(相差112.22千hm2)。
图4 1885—2000年越南耕地面积重建序列

注:■、▲分别代表基于人均耕地(稻田)面积计算所得耕地面积和源自《The World Bank: World Development Indicators》的耕地数据,黑色虚线为基于越南历史版图计算的耕地总量,红色实线为基于越南现今版图计算的历史耕地总量。

Fig. 4 Reconstruction sequence of cropland area in Vietnam during 1885-2000

订正后耕地数据显示1885—2000年越南耕地变化具有以下特点:(1)总量由1885年1532千hm2增长至2000年 6200千hm2,呈波动上升趋势,总体上增长了3倍;(2)变化过程以1940年代为转折阶段,1940年代以前的耕地总量呈“近直线型”的增长趋势,年均增长率达到19.72‰,而1940年代以后增速趋缓,表现为“波动式”的增长态势,年均增长率仅2.57‰;(3)耕地总量在1950—1970年基本停滞不前,在1980—1990年由于工业经济和城市建设用地的发展而下降。

2.3 过去百余年越南耕地的基本分布格局及其演变

对殖民化以来越南耕地的时空变化,本文有以下三个结论:第一,耕地主要分布在境内北部的红河平原、南部的湄公河平原和中部沿海平原,而西北部、中西部的高山高原地区的分布则较为零散、稀少;第二,在百余年内越南的土地开垦活动强度迅速提升,耕地范围扩张了43.05%;第三,自1950年后,耕地的扩张模式由先前“聚点式”的缓慢延伸逐步转变为“散点式”的迅速扩张,从集中分布于上述三大平原演变为全境的大规模开发(图5)。
图5 过去百余年越南土地垦殖率的6个阶段性变化

Fig. 5 Six stages of land reclamation rate in Vietnam over the past hundred years

结合越南社会经济发展史的分析,过去百余年越南耕地时空变化可分为三个阶段:1880—1940年代、1950—1970年代、1980—1990年代。在第一阶段,由于殖民者对当地农业资源的掠夺、路网愈发完善、华侨大规模迁入等历史原因,土地垦殖率快速提高。在第二阶段,由于越南1945年将首都迁回北部的河内市,其周边地区的城市数量及规模有所提升,但之后由于战争的破坏作用,导致这一期间越南全境在整体上耕地拓展和垦殖率提升缓慢,而北部地区尤是如此。在第三阶段,归功于1976年越南国内战事的结束及1986年的改革开放,其铁路设施日趋完善,城镇分布愈发密集,全境耕地开垦强度迅速提升,从湄公河平原、红河平原和中部沿海平原向四周地势平坦、交通便利的区域不断拓展。

2.4 1950年越南耕地重建结果的准确性验证

为验证耕地重建结果的准确性,本文比较了基于模型结果绘制的1950年越南耕地空间分布图与1954年美国陆军工程署陆军制图局印制的越南测绘地形图(空间分辨率为1∶25万)在耕地分布状况上的一致性。一般认为,Kappa系数达到50%,即认为验证结果具有中等的准确度[62],而本文结果的Kappa系数达到了0.65,这说明ANN-FLUS模型的模拟准确度较高。另外,为分析二者在空间分布上的一致性,二者间的绝对差异也被加以分析。其结果(图6)显示二者的空间分布格局基本一致:耕地均集中在南部的湄公河平原、北部的红河平原和中部的沿海平原三大区域;绝对差异位于 [-20%, 20%] 区间的格网数量占到了全部格网的70.31%。这也在一定程度上证明了本文重建结果的合理性。
图6 本文重建的越南1950年耕地空间分布状况与从1954年美军测绘地图上提取的稻田分布结果的对比

Fig. 6 Spatial distribution comparison between the reconstructed Vietnamese croplands in 1950 and the extracted rice fields from the Vietnamese topographic map printed by the Army Map Service of USA in 1954

需要指出的是,本文重建的越南1950年耕地空间分布状况与同期测绘地图中耕地分布信息在中西部的高山高原地区具有较大的绝对差异。形成这一差异的原因可能有两方面:一是受限于历史资料的空间分辨率,本文提取的耕地驱动因素数据在空间精度上存在一定缺憾,如华侨移民系数的空间分辨率仅达到省级尺度。二是测绘地图上所显示的越南耕地空间分布状况亦存在一定缺憾:其显示的耕地主要是分布在红河和湄公河两大三角洲及中部沿海平原的稻田,而中西部山区的农田在地形图上未有充分显示。这可能是因为复杂的山地地形和密集的原始丛林影响到高空航拍和实地踏勘的成效,进而使得当时的测绘结果在这些区域存在缺憾。

3 讨论

3.1 与HYDE 3.2数据集越南区域结果的对比

将HYDE 3.2数据集中越南耕地数据的时空分布状况与本文的重建结果相对照,可知二者有两点一致性:(1)耕地的空间分布一致性较高。这不仅体现在耕地集中分布在三大平原区的共同特征上,还体现在各模拟时点二者垦殖率绝对差异位于 [-20%, 20%] 区间的格网数量均占到了全部格网的65%以上,最高达77.11%(图7)。(2)耕地的时空拓展顺序也均表现为由三大平原地区向周边拓张的情形,且随着时间推进,耕地开垦进程明显加快。
图7 HYDE 3.2数据集与本文重建的越南土地垦殖率演变过程的空间分布对比

Fig. 7 Spatial distribution comparison between the evolution progress of the land reclamation rate in Vietnam revealed by HYDE 3.2 dataset and in this paper

不过,二者之间亦存在两点差异:(1)20世纪上半叶,本文所模拟的越南耕地分布规模较HYDE 3.2数据集更小,差异主要集中在北部和中西部的高山高原地区;(2)20世纪下半叶,本文所揭示的耕地分布形态较HYDE 3.2数据集更为分散,垦殖率的空间差异性有更明显的渐变特征(图7)。
两者之间之所以存在上述差异,可能与相关重建结果的准确性以及其背后模型重建思路的差异有关。就两者1950年重建结果相较于1954年测绘地图的准确性而言,本文结果的Kappa系数为0.65,明显要优于HYDE 3.2数据集越南结果0.50的Kappa系数,数值提高了0.15,增幅达30.00%。至于两者之间在模型重建思路上的差异,则有两方面:(1)HYDE 3.2数据集的思路是基于现代人口的倒推,而未考虑当时政治、经济状况的巨大变动对耕地开垦的影响;(2)HYDE 3.2数据集所使用的历史耕地空间分配影响因素主要为坡度、气温等自然要素[7],而未考虑人文因素变迁的影响。

3.2 与基于开垦优先度模型的越南耕地重建结果对比

本文先前利用高程、坡度、城镇化率、路网密度和到港口的最近路网距离共5个因子构建了越南1885—1950年耕地格网化分配的土地开垦优先度模型。相较于这一模型的重建结果,ANN-FLUS模型重建的结果也在精度验证上具有更高的准确性。同样以美国测绘地图所反映的越南1950年前后的耕地空间分布状况作参照,ANN-FLUS模型重建结果的Kappa系数值为0.65,比土地开垦优先度模型重建结果0.54的Kappa系数值高出了0.11,增幅达20.37%,但两者均高于HYDE 3.2数据集越南结果0.50的Kappa系数值。这说明机器学习结果较先前模型更为准确,未来大有潜力可挖。
具体到耕地的时空分布状况上,基于ANN-FLUS模型的结果与基于土地开垦优先度模型的的结果在1900年和1950年两个关键时点上异同互现(图8)。两者的共同之处均是较好地反映了越南耕地以三大平原为分布中心的特点。两者的差异之处则在于所揭示的耕地空间拓展模式不同。前者反映的耕地空间分布状况是不连续的,而后者则是连续的。造成这种差异的原因,仍然在于模型机理的不同。土地开垦优先度模型系根据自然地理环境和社会人文状况判定土地开垦先后顺序,对多种因素间的复杂相互作用未有体现;ANN-FLUS模型则挖掘了多种土地利用类型之间的转换规则以及邻域的影响,凸显了相邻地区之间的差异性。
图8 基于ANN-FLUS模型以及土地开垦优先度模型重建的越南耕地空间分布对比

Fig. 8 Spatial distribution comparison of cropland in Vietnam reconstructed based on the ANN-FLUS model and land reclamation priority model

4 结论与展望

与过往历史LUCC重建案例相比,本文有以下三点改进:第一,遴选并量化了影响越南土地覆被变化的9个主要自然、人文驱动因素,其中,华侨移民的示范推动作用、战争的破坏性影响、夏季降水适宜度为过往历史LUCC研究所未能充分考虑;第二,首次使用机器学习模型有效挖掘了多个土地覆被变化驱动因素之间隐含的复杂关系,其重建结果的准确性较之先前的模型进一步提高;第三,弥补了农业开发历史悠久的中南半岛匮乏较高时空分辨率的历史LUCC重建结果之缺憾,较好地揭示了越南1885—2000年耕地的时空变化特点。尤其是本文基于ANN-FLUS模型所模拟的耕地分布信息的准确度分别较先前两个模型提高了20.37%和30.00%,这充分说明模型模拟结果更为符合越南社会、经济发展的客观变化规律。综上,以ANN-FLUS为代表的机器学习模型不仅可用于预测未来的土地利用格局,在重建历史时期耕地空间分布变化上也是大有可为的。
当然,本研究在机器学习与历史LUCC的重建上只是一个探索性应用,仍存在一定缺憾。一方面,模型参数的合理性和驱动因子的代表性是影响FLUS模型整体精度的两个重要方面[55]。如何更科学地设置相关参数,充分考虑邻域衰减、不规则邻域等的影响,以及如何更合理地遴选影响区域LUCC的关键驱动因子,还有待于进一步的探讨。另一方面,在运用机器学习模拟LUCC变化时,其驱动因素的数据类型越丰富、时空精度越高,则其模拟效果一般会越好。但受史料可获取性的限制,目前越南暂无自然和人文环境方面的长尺度、高分辨率、多要素重建序列,因此在模型建构时假设了水体范围、人均城镇用地面积不变,并且提取的华侨移民系数也仅达到省级尺度,这不可避免地影响到耕地重建结果的准确性。未来,我们将在史料更为丰富的国家和地区继续开展更多案例的研究,以进一步提高机器学习在历史LUCC重建上的可应用性。
[1]
SANDRU M I V, IATU C, SANDRU D C, et al. Approaching land cover-land use changes using statistical data validation for urban polices improvement. Journal of Settlements and Spatial Planning, 2017, 8(2): 119-129.

[2]
HEISTERMANN M, MULLER C, RONNEBERGER K. Land in sight? Achievements, deficits and potentials of continental to global scale land-use modeling. Agriculture, Ecosystems & Environment, 2006, 114(2-4): 141-158.

[3]
GOLDEWIJK K K, BEUSEN A, DOELMAN J, et al. Anthropogenic land use estimates for the Holocene-HYDE 3.2. Earth System Science Data, 2017, 9(2): 927-953.

[4]
GOLDEWIJK K K, BEUSEN A, DRECHT G V, et al. The HYDE 3.1 spatially explicit database of human-induced global land-use change over the past 12,000 years. Global Ecology and Biogeography, 2011, 20(1): 73-86.

[5]
GOLDEWIJK K K. Estimating global land use change over the past 300 years: The HYDE database. Global Biogeochemical Cycles, 2001, 15(2): 417-433.

[6]
RAMANKUTTY N, FOLEY J A. Estimating historical changes in global land cover: Croplands from 1700 to 1992. Global Biogeochemical Cycles, 1999, 13(4): 997-1027.

[7]
RAMANKUTTY N, FOLEY J A, HALL F G, et al. ISLSCP II Historical Croplands Cover, 1700-1992. ISLSCP Initiative II Collection. Dataset. Available on-line [http://daac.ornl.gov/] from Oak Ridge National Laboratory Distributed Active Archive Center, Oak Ridge, Tennessee, USA, 2010, Doi: 10.3334/ORNLDAAC/966.

[8]
RAMANKUTTY N. Global cropland and pasture data from 1700-2007. Montreal, 2012. Available at http://www.geog.mcgill.ca/nramankutty/Datasets/Datasets.html.

[9]
PONGRATZ J, REICK C, RADDATZ T, et al. A reconstruction of global agricultural areas and land cover for the last millennium. Global Biogeochemical Cycles, 2008, 22(3): 1-16.

[10]
KAPLAN J O, KRUMHARDT K M, ELLIS E C, et al. Holocene carbon emissions as a result of anthropogenic land cover change. The Holocene, 2011, 21(5): 775-791.

[11]
李蓓蓓, 方修琦, 叶瑜, 等. 全球土地利用数据集精度的区域评估: 以中国东北地区为例. 中国科学: 地球科学, 2010, 40(8): 1048-1059.

[LI B B, FANG X Q, YE Y, et al. Accuracy assessment of global historical cropland datasets based on regional reconstructed historical data: A case study in North-east China. Science China: Earth Sciences, 2010, 40(8): 1048-1059.]

[12]
LEITE C C, COSTA M H, SOARES-FILHO B S, et al. Historical land use change and associated carbon emissions in Brazil from 1940 to 1995. Global Biogeochemical Cycle, 2012, 26(2): 1-13.

[13]
李美娇, 何凡能, 肖冉. 中美巴印过去300年耕地时空变化的比较研究. 地理科学进展, 2015, 34(1): 64-72.

DOI

[LI M J, HE F N, RAN X. Characteristics of cropland change in China, the United States, Brazil and India over the past 300 years. Progress in Geography, 2015, 34(1): 64-72.]

DOI

[14]
FUCHS R, VERBURG P H, CLEVERS J G P W, et al. The potential of old maps and encyclopedias for reconstructing historic European land cover/use change. Applied Geography, 2015, 59: 43-55.

[15]
杨绪红, 薛樵风, 周寅康. 过去300年台湾省耕地面积时空变化重建. 自然资源学报, 2021, 36(8): 2163-2178.

DOI

[YANG X H, XUE Q F, ZHOU Y K. Reconstruction of farmland dataset of Taiwan province in recent 300 years. Journal of Natural Resources, 2021, 36(8): 2163-2178.]

[16]
郭蓉, 刘峰贵, 陈琼, 等. 北宋后期黄河上游地区耕地格局重建: 以河湟谷地为例. 自然资源学报, 2021, 36(1): 27-36.

DOI

[GUO R, LIU F G, CHEN Q, et al. Reconstruction of cultivated land pattern in the upper reaches of the Yellow River in the late Northern Song Dynasty: Take Hehuang Valley as an example. Journal of Natural Resources, 2021, 36(1): 27-36.]

[17]
ETTER A, MCALPINE C, POSSINGHAM H. Historical patterns and drivers of landscape change in Colombia since 1500: A regional spatial approach. Annals of the Association of American Geographers, 2008, 98(1): 2-23.

[18]
何凡能, 李士成, 张学珍. 北宋中期耕地面积及其空间分布格局重建. 地理学报, 2011, 66(11): 1531-1539.

[HE F N, LI S C, ZHANG X Z. Reconstruction of cropland area and spatial distribution in the Mid-Northern Song Dynasty (AD1004-1085). Acta Geographica Sinica, 2011, 66(11): 1531-1539.]

[19]
WEI X, WIDGREN M, LI B, et al. Dataset of 1 km cropland cover from 1690 to 1999 in Scandinavia. Earth System Science Data, 2021, 13(6): 3035-3056.

[20]
霍仁龙, 杨煜达, 满志敏. 1700—1978年云南山地掌鸠河流域耕地时空演变的网格化重建. 地理学报, 2020, 75(9): 1966-1982.

DOI

[HUO R L, YANG Y D, MAN Z M. Gridded reconstruction of spatiotemporal evolution of cropland in the Zhangjiu River Basin in Yunnan province from 1700 to 1978. Acta Geographica Sinica, 2020, 75(9): 1966-1982.]

DOI

[21]
MATEO-GARCIA G, VEITCH-MICHAELIS J, SMITH L, et al. Towards global flood mapping onboard low cost satellites with machine learning. Scientific Reports, 2021, 11(1): 7249.

[22]
丁建丽, 葛翔宇, 王敬哲. 中国艾比湖湿地识别及其时空动态变化. 自然资源学报, 2021, 36(8): 1949-1963.

DOI

[DING J L, GE X Y, WANG J Z. Ebinur Lake wetland identification and its spatio-temporal dynamic changes. Journal of Natural Resources, 2021, 36(8): 1949-1963.]

[23]
王瑷玲, 张校千, 苏晨晨, 等. OBIA与RF结合的龙口市土地利用信息提取方法. 自然资源学报, 2019, 34(4): 707-717.

DOI

[WANG A L, ZHANG X Q, SU C C, et al. The extraction approach of land use information combining OBIA with RF in Longkou city. Journal of Natural Resources, 2019, 34(4): 707-717.]

[24]
BATTY M, TORRENS P M. Modelling and prediction in a complex world. Futures, 2005, 37(7): 745-766.

[25]
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. Computers Environmental and Urban Systems, 2021, 85: 101569, Doi: 10.1016/j.compenvurbsys.2020.101569.

[26]
VERBURG P H, SOEPBOER W, VELDKAMP A, et al. Modeling the spatial dynamics of regional land use: The CLUE-S model. Environmental Management, 2002, 30: 391-405.

PMID

[27]
AL-SHALABI M, BILLA L, PRADHAN B, et al. Modelling urban growth evolution and land-use changes using GIS based cellular automata and SLEUTH models: The case of Sana'a metropolitan city, Yemen. Environmental Earth Science, 2013, 70(1): 425-437.

[28]
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. Landscape & Urban Planning, 2017, 168: 94-116.

[29]
CLARKE K C, GAYDOS L J. Loose-coupling a cellular automaton model and GIS: Long-term urban growth prediction for San Francisco and Washington/Baltimore. International Journal of Geographical Information Science, 1998, 12(7): 699-714.

PMID

[30]
LIANG X, LIU X P, LI X, et al. Delineating multi-scenario urban growth boundaries with a CA-based FLUS model and morphological method. Landscape & Urban Planning, 2018, 177: 47-63.

[31]
YANG X H, JIN X B, DU X D, et al. Multi-agent model-based historical cropland spatial pattern reconstruction for 1661-1952, Shangdong province, China. Global and Planetary Change, 2016, 143(3): 175-188.

[32]
阮鸿峰. 东南亚译从之三: 越南村社. 昆明: 东南亚研究所, 1983: 30.

[NGUYễN H P. Vietnamese Village Community. Kunming: Southeast Asia Research Institute in Yunnan province of China, 1983: 30.]

[33]
陈重金. 越南通史. 北京: 商务印书馆, 2020: 628-630.

[TRầN T K. General History of Vietnam. Beijing: The Commercial Press, 2020: 628-630.]

[34]
冯野. 1884年至1975年越南南北分裂对社会差异的影响. 云南开放大学学报, 2014, 16(2): 69-74.

[FENG Y. Impact of Vietnam north-south separation during 1884-1975 on social differences. Journal of Yunnan Open University, 2014, 16(2): 69-74.]

[35]
MITCHELL B R. International Historical Statistics: Africa, Asia & Oceania, 1750-1988. California: Stockton Press, 1995: 39-41.

[36]
陶维英. 越南历代疆域:越南历史地理研究. 北京: 商务印书馆, 1973: 267-287.

[ĐÀO D A. The Vietnamese Territory Throughout Dynasties:Historical Geographical Research on Vietnam. Beijing: The Commercial Press, 1973: 267-287.]

[37]
余定邦. 东南亚近代史. 贵阳: 贵州人民出版社, 2003: 102-106, 160-168, 238-242.

[YU D B. Modern History of Southeast Asia. Guiyang: Guizhou People's Publishing House, 2003: 102-106, 160-168, 238-242.]

[38]
霍尔. 东南亚史. 北京: 商务印书馆, 1982: 497-518, 737-749, 978-989.

[HUO E. History of Southeast Asia. Beijing: The Commercial Press, 1982: 497-518, 737-749, 978-989.]

[39]
秦钦峙. 华侨对越南经济文化发展的贡献. 历史研究, 1979, (6): 57-76.

[QIN Q Z. Contribution of overseas Chinese to Vietnam's economic and cultural development. Historical Research, 1979, (6): 57-76.]

[40]
徐善福, 林明福. 越南华侨史. 广州: 广东高等教育出版社, 2011: 80-126, 188-200.

[XU S F, LIN M F. History of Vietnamese Overseas Chinese. Guangzhou: Guangdong Higher Education Press, 2011: 80-126, 188-200.]

[41]
赵红英, 张春旺, 巫秋玉. 华侨史概要. 北京: 中国华侨出版社, 2015: 18-37.

[ZHAO H Y, ZHANG C W, WU Q Y. Overview of Overseas Chinese History. Beijing: The Chinese Overseas Press, 2015: 18-37.]

[42]
刘浩龙, 刘娴, 何凡能. 基于历史文献重建的越南耕地面积数据集(1500—2000)研究方法. 全球变化数据学报, 2021, 6(3): 349-357, 526-534.

[LIU H L, LIU X, HE F N. Dataset of cultivated land area in Vietnam reconstructed from historical documents for the period 1500-2000 A.D. Journal of Global Change Data & Discovery, 2022, 6(3): 349-357, 526-534.]

[43]
邵景安, 李阳兵, 魏朝富, 等. 区域土地利用变化驱动力研究前景展望. 地球科学进展, 2007, 22(8): 798-809.

DOI

[SHAO J A, LI Y B, WEI C F, et al. The drivers of land use change at regional scale: Assessment and prospects. Advances in Earth Science, 2007, 22(8): 798-809.]

[44]
LUDDEN D. An Agrarian History of South Asia. Cambridge: Cambridge University Press, 1999: 6-59.

[45]
王永志. 稻作文化在越南九龙江平原的传播与创新研究. 原生态民族文化学刊, 2019, 11(5): 1-7.

[WANG Y Z. Study on the spread and innovation of rice culture in the Mekong Delta in Vietnam. Journal of Origin Ecological National Culture, 2019, 11(5): 1-7.]

[46]
SHENON P. 20 Years After Victory, Vietnamese Communists Ponder How to Celebrate. The New York Times. 1995-04-23(12).

[47]
CHEN J, BAN Y, LI S. Open access to earth land-cover map. Nature, 2014, 514(7523): 434, Doi: 10.1038/514434c.

[48]
孙颔, 石玉林. 中国农业土地利用. 南京: 江苏科学技术出版社, 2003: 3-84.

[SUN H, SHI Y L. Agricultural Land Use of China. Nanjing: Jiangsu Science and Technology Press, 2003: 3-84.]

[49]
SILVERMAN B W. Density Estimation for Statistics and Data Analysis. New York: Chapman and Hall, 1986: 74-144.

[50]
方修琦, 苏筠, 尹君, 等. 历史气候变化影响研究中的社会经济等级序列重建方法探讨. 第四纪研究, 2014, 34(6): 1204-1214.

[FANG X Q, SUN Y, YIN J, et al. Methodology for quantifying social and economic series on the base of semantic differential to serve the research on impacts of climate change. Quaternary Sciences, 2014, 34(6): 1204-1214.]

[51]
范兰礼, 吴家华, 张梅花. 南方水稻种植与植保技术. 北京: 中国农业科学技术出版社, 2011: 23-75.

[FAN L L, WU J H, ZHANG M H. Rice Planting and Plant Protection Technology in South China. Beijing: China Agricultural Science and Technology Press, 2011: 23-75.]

[52]
FU J, JIAN Y W, WANG X H, et al. Extreme rainfall reduces one-twelfth of China's rice yield over the last two decades. Nature Food, 2023, 4(5): 416-426.

DOI PMID

[53]
AMIRIAN E, FEDUTENKO E, YANG C D. Artificial Neural Network Modeling and Forecasting of Oil Reservoir Performance. Berlin: Springer International Publishing, 2012: 23-42.

[54]
CLARKE K C, GAYDOS L J. Loose-coupling a cellular automata model and GIS: Long-term urban growth prediction for San Francisco and Washington/Baltimore. International Journal of Geographical Information Science, 2018, 12(7): 699-714.

[55]
王保盛, 廖江福, 祝薇, 等. 基于历史情景的FLUS模型邻域权重设置: 以闽三角城市群2030年土地利用模拟为例. 生态学报, 2019, 39(12): 4284-4298.

[WANG B S, LIAO J F, ZHU W, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: A case study of land use simulation of urban agglomeration of the Golden Triangle of Southern Fujian in 2030. Acta Ecologica Sinica, 2019, 39(12): 4284-4298.]

[56]
LI X, YEH A G. Modelling sustainable urban development by the integration of constrained cellular automata and GIS. International Journal of Geographical Information Science, 2000, 14(2): 131-152.

[57]
葛全胜, 张丕远. 历史文献中气候信息的评价. 地理学报, 1990, 45(1): 22-30.

DOI

[GE Q S, ZHANG P Y. The evaluating on climatic information in the historical literatures. Acta Geographica Sinica, 1990, 45(1): 22-30.]

[58]
IPCC. Climate Change 2021:The Physical Science Basis. Contribution of Working Group I contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2021: 6.

[59]
IPCC. Summary for policymakers. In: Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. IPCC, Geneva, Switzerland, 2021: 4, Doi: 10.59327/IPCC/AR6-9789291691647.001.

[60]
COHEN J A. A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 1960, 20(1): 37-46.

[61]
周海. 越南华人社群. 河内: 社会科学出版社, 1992: 34-37.

[ZHOU H. Vietnamese Chinese Community. Hanio: Social Science Press, 1992: 34-37.]

[62]
MACLURE M, et al. Misinterpretation and misuse of the kappa statistic. American Journal of Epidemiology, 1987, 126(2): 161-169.

DOI PMID

文章导航

/