图1 区域农业土地利用变化模拟框架
Fig. 1 Framework of regional spatial simulation of agricultural land use change implementation
北京大学学报(自然科学版) 第61卷 第5期 2025年9月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 5 (Sept. 2025)
doi: 10.13209/j.0479-8023.2025.073
中央引导地方科技发展资金(2022ZY0206)和自治区高等学校碳达峰碳中和研究专项(STZX202220)资助
收稿日期: 2024–08–22;
修回日期: 2025–03–21
摘要 以昆明市东川区铜都镇为研究区, 基于多主体模型, 构建人地交互的农业土地利用变化模型。运用人口普查数据、地理环境数据和实地调研数据, 模拟 2010—2015 年铜都镇具有空间特征的农业劳动力、农户年收入和农业土地利用变化过程。结果表明, 农业土地利用变化与劳动力、农户收入和坡度相关性较大, 与土壤肥力相关性较小。农业土地利用变化的 63.35%发生在低收入农户, 尤其是耕地转草地, 其中 87.60%发生在低收入农户家庭。耕地转林地主要发生在人口密度相对较高、坡度较大的区域。模型的模拟性能优良, 空间精度为 92.23%。所构建的农业土地利用变化模拟方法可为其他区域提供借鉴, 为我国生态保护、乡村振兴等工程实施提供科学支撑。
关键词 多主体模型; 农业土地利用模拟; 铜都镇; 劳动力
土地利用变化既是全球环境变化的重要驱动力, 也是实现区域可持续发展目标(sustainability deve-lopment goals, SDGs)的重要组成部分[1–5]。模型是研究土地系统的重要工具, 有助于明晰土地变化机制和预测土地利用格局[6–8]。空间显性模型是当前土地利用变化模型研究的前沿[8–9], 主要有元胞自动机模型(cellular automaton, CA)、土地利用变化及其影响模型(the conversion of land use and its effects modeling framework, CLUE)以及未来土地利用变 化情景模拟模型(future land use simulation model, FLUS)等[10–12]。当前农业土地利用变化模拟研究中缺乏人地交互的有效模拟方法[13–15], 降低了模拟精度, 并且难以开展基于土地利用空间格局变化的社会效应研究。如何充分体现人地交互效应模拟土地系统, 是当前土地科学的重大难题[16–18]。
基于复杂系统理论的多主体模型(agent-based model, ABM)通过模拟大量人地交互的微观土地利用主体决策过程, “涌现”(emerge)出土地系统宏观空间格局, 是综合人文与自然因素模拟土地系统变化的有效工具[19–24]。
农业土地利用变化是影响区域生态安全以及“三农问题” (“农业、农村、农民”问题)的重要因 素[25]。当前因农业劳动力变化、技术进步和土地政策变化等因素[26], 我国农业土地利用正发生重大的变化[27], 其主要表现形式为耕地、林地和草地之间的转换, 其中 2010—2015 年我国农业土地利用转换面积为 3.60×103km2。耕地开垦是林草用地面积减少的主要因素, 约占林草用地减少面积的 53.2%。林草用地的增加主要由耕地转换而来, 占林草用地增加面积的 44.2%, 主要原因是经济林、牧草地和撂荒等因素的影响[28]。生态文明、乡村振兴和美丽中国等国家战略对我国农业发展提出新的要求, 因此亟待开展农业土地利用变化模型研究。
麦考利土地利用研究所(Macaulay Land Use Research Institute)于 1998 年开发出基于多主体的区域土地利用情景评价模型(framework for evaluation and assessment of regional land use scenarios, FEAR-LUS)[29], 通过经济人理论(rational economic man theory, 即理性经济人假设), 将最大化收入作为土地利用决策者的目标, 适用于模拟自然和人文因子共同引起的土地利用格局变化[30–32]。本研究借鉴FEARLUS 的多主体土地利用建模思想, 根据我国农业土地利用变化实际情况, 基于 JAVA 的免费开源工具 Repast 平台编程方法[33–34], 探讨人地交互下的农业土地利用变化模拟方法, 构建农业土地利用模拟框架(图 1)。
在农业土地利用变化模拟中考虑两类主体——农户和农民, 其中农户主体由农民主体组成。
1.1.1 农民主体
农民是农业土地利用变化的参与者, 与农民主体直接相关的年龄结构、出生和死亡等属性导致农户和区域劳动力发生变化(图 2), 农民主体的年龄每年+1, 并将劳动力变化传递给农户。
1.1.2 农户主体
农户主体是改变土地利用方式的决策主体, 农户通过改变土地利用方式前后的年收入差异来决策土地利用变化。改变土地利用方式后, 农户年收入增加越多, 改变土地利用的可能性越大。农户收入包括打工收入和土地收入。
图1 区域农业土地利用变化模拟框架
Fig. 1 Framework of regional spatial simulation of agricultural land use change implementation
图2 农业土地利用变化模拟的农民主体状态变化
Fig. 2 Changes in farmer agent states in the simulation of agricultural land use change
1)农户土地年收入。综合考虑与土地产出相关的自然和社会经济因素, 包括海拔、坡度、土壤肥力、交通条件和劳动力等, 计算公式为
IncomeLand=Area×[IncomeX-Max×αX-SD×αX-SQ−
CostX-Tra]×|NumX-Labor|, (1)
式中, IncomeLand 为农户土地年收入, Area 为农户经营土地面积, IncomeX-Max 指所在海拔高度第 X 种土地利用方式(包含耕地、林地和草地 3 种)的最大年收入, αX-SD 为坡度系数, αX-SQ 为第 X 种土地利用方式的土壤肥力等级系数, CostX-Tra 为第X种土地利用方式的单位面积年交通成本(根据与城市中心和公路的距离确定), |NumX-Labor|为第 X 种土地利用方式的单位面积最低需求劳动力。
2)农户打工年收入。根据我国实际情况, 打工方式分为全职打工、半农半工和不打工 3 种, 不同打工模式的收入不同, 农民打工功率、打工模式与农户土地利用方式有较强的关系。因此, 农户改变土地利用方式后的打工年收入变化为
(2)
式中, IncomeJob 为农户打工收入, 
表示该农户包含的 i 个农民打工收入之和, 打工模式与土地利用、农民个体年龄相关。
3)农户收入。在得到农户土地收入和农户打工收入后, 可计算农户家庭总收入:
IncomeFamily=IncomeLand+IncomeJob , (3)
式中, IncomeFamily 为农户家庭收入。
使用上述农户收入计算方法, 通过对比农户收入与邻域收入(即目标农户所在空间单元周边农户的平均收入), 决定农户是否有改变土地利用的意愿。农户进行风险决策的时候, 会关注与同行的比较, 从而影响其决策[35]。通过“Moore 邻域”(即相邻的 8 个栅格)[36]计算出邻域农户平均年收入[37], 如果农户收入低于周边农户, 则该农户产生改变土地利用的意愿判断系数[38]计算如下:
AD=IncomeFamily−IncomePeers , (4)
式中, AD 为农户意愿判断系数, 负值表示农户有改变土地利用意愿, 正值表示农户没有改变土地利用意愿[39]; IncomePeers 为邻域农户平均年收入。
本模块中, 如果农户具有改变土地利用变化的意愿(AD<0), 则使用世界随机或邻域学习的方法学习土地利用方式(不得跨垂直带学习), 实现土地利用在耕地、林地和草地之间的转换。
1)随机学习, 即随机选择所有可能的土地利用方式, 发挥“能人效应”作用, 该学习方式占农户主体的 1%(数据来自本研究的调查问卷); 2)邻域学习, 模仿 Moore 邻域中同垂直带的某一种土地利用方 式[40–41], 采用该学习方式的农户占 99%。
农户根据改变土地利用方式之后的收入变化(即现有土地利用方式与学习目标土地利用方式收入之差), 决策是否改变土地利用方式。如果农户收入降低, 则保持原土地利用方式; 如果农户收入提高, 则该农户具有改变土地利用方式的可能性, 提高越多, 概率越大。本研究利用调查问卷来确定土地利用转变概率与收入变化之间的关系。
通过改变土地利用方式前后的土地及打工收入之差, 计算参与打工后农户年收入变化:
ΔIncomeFamily=ΔIncomeJob+ΔIncomeLand , (5)
式中, ΔIncomeFamily为改变土地利用方式后的农户年收入变化, ΔIncomeJob 为改变土地利用方式后的农户打工年收入变化, ΔIncomeLand 为改变土地利用方式后的农户土地年收入变化。
首先, 使用 1.3 节的方法, 确定农户改变土地利用意愿; 然后, 依据 1.4 节和 1.5 节的方法, 确定农民决策概率(一个地块可能对应多个农户, 因此地块上农户决策概率取地块上所有农户的平均值); 最终, 根据概率, 实现地块级的农业土地利用变化精确模拟。土地利用的转化应当满足劳动力限制, 当农民劳动力不足以运营任何一种土地利用类型时, 农户劳动力则转为非农劳动力(打工), 土地利用转为草地即为土地撂荒。
本模型的数据主要包括主体属性数据、土地收入数据和地理环境数据。主体属性数据通过实地调研和人口普查数据等获取, 土地收入数据通过实地调研获取, 地理环境数据通过遥感影像处理、中国科学院资源环境科学数据中心(http://www.resdc.cn/)下载以及地方部门调研等方式获取(表 1)。
1.8.1 模型初始化
在模型运行中需要生成农民和农户主体。由人口普查数据获得年龄和性别, 生成农民主体, 再依据家庭规模比例生成农户主体, 最后建立农户与地块间的空间对应关系。
表1 区域农业土地利用变化模拟数据
Table 1 Data for regional agricultural land use change simulation
类别数据项来源 主体属性数据农户家庭规模比例人口普查数据 年龄结构 生育率(分年龄段) 死率亡(分年龄段) 农业人口总量 打工概率与模式(分土地利用方式)实地调研 打工收入(分年龄段) 耕地收入数据同海拔最高肥力土地最大年收入(IncomeAgri-Max)实地调研 坡度系数(αSD) 土壤肥力等级系数(αSQ) 年交通费用(CostTra) 单位土地利用最低需求劳动力(|NumLabor|) 地理环境数据海拔中国科学院资源环境科学数据中心、遥感影像处理、地方部门调研等 坡度等级 土壤肥力等级 土地利用类型 与城市中心距离 与公路距离 行政区划
1.8.2 模拟过程
模型的模拟周期为 1 年, 运行顺序如图 3 所示。①更新农民主体: 农民年龄每年+1, 根据生育率和死亡率, 确定农民人口变化; ②更新农户主体: 根据农民人口数量和年龄, 更新农户家庭成员劳动力状况; ③计算农户土地收入: 根据土地利用方式和土地质量, 计算农户土地收入; ④计算农户打工收入: 根据土地利用和农户劳动力情况, 计算农户打工收入; ⑤计算农户改变土地利用意愿: 根据农户收入与邻域收入对比, 确定农户是否具有改变土地利用的意愿; ⑥农户学习土地利用: 农户采用邻域或世界随机方法, 学习新的土地利用方式; ⑦计算农户决策改变土地利用的概率: 农户通过对比学习的新土地利用与原土地利用农户收入差异, 获取改变土地利用的概率; ⑧执行土地利用变化: 在地块尺度, 根据农户改变土地利用概率, 实现区域尺度农业土地利用地块级变化模拟。
图3 农业土地利用变化模拟流程
Fig. 3 Simulation workflow for agricultural land use change
我们选择横断山区典型区域云南省昆明市东川区铜都镇为研究区(图 4), 开展农业土地利用变化模拟研究。横断山区属于川滇森林及生物多样性国家重点生态功能区[42], 是我国重要的农业区和生态脆弱区域。选择在该区域进行土地利用变化模拟研究, 对区域土地持续利用具有重要意义。
铜都镇属金沙江一级支流小江流域, 土地面积为 357.57km2, 2017年人口为 129627 人[①], 人口密度为 354 人/km2。该镇海拔高度为 1089～3974m, 垂直带谱明显[43]。区域生态脆弱, 长期的不合理的土地利用[44]导致水土流失严重, 泥石流频发[②]。铜都镇居民生活相对贫困[45], 是乡村振兴、精准扶贫的重点区域。2015 年该镇农业用地比例高达 91.32%, 1990—2015 年农业用地年均变化率: 耕地为 9.34%, 林地为 50.91%, 草地为 7.13%。当前铜都镇农业整体上处于较快的发展时期[46], 较为频繁的农业土地利用转化是影响区域生态安全的重要因素[47]。
2.2.1 模拟数据处理
我们于 2015 年 5—7 月对研究区进行实地调研, 对东川区人民政府和铜都镇人民政府进行访谈, 并走访块河、洗尾戛和箐口等 16 个村民村委会, 面对面问卷调查 637 户, 其中有效问卷为 512 户, 有效率为 80.38%。将实地调研、人口普查和地理空间数据空间化, 处理成 100×100m 的网格(图 5)。
2.2.2 农村劳动力模拟
铜都镇 2010 年起始农业人口为 73298 人[③], 模拟得到 2011—2015 年农业总人口分别为 73462, 73607, 73731, 73890 和 74113 人, 人口总量呈缓慢增长趋势(图 6)。人口结构变化呈现老龄化趋势, 45岁以下人口减少 2733 人, 45 岁以上人口增加 3548人。对比统计数据, 模型模拟的人口总量增加, 年龄结构老龄化(图 6)。
2.2.3 农户收入模拟
图 7 展示 2010—2015 年各收入段人群数量变化情况。土地利用转化与农户年人均收入密切相关, 在土地利用转化中, 农户收入情况如下: 农户年收入较低的(15000 元以下)占 60.35%, 中等收入(15000～20000 元)占 31.55%, 高收入(20000 元以上)占 8.10%。农业土地利用变化有 63.35%发生在低收入农户, 尤其是耕地转草地, 其中 87.60%发生在低收入农户家庭。图 8 展示 2010—2015 年农户收入空间分布变化情况, 结合图 5 可以看出, 农户收入与海拔高度成反比, 高收入农户集中于城市与道路周边, 农户收入变化主要发生在低收入区域。
图4 铜都镇地理位置
Fig.4 Location of Tongdu Town
2.2.4 农业土地利用变化模拟
本文模拟铜都镇 2011—2015 年农业土地利用变化。模拟区域是我国退耕还林工程实施重点区域, 为排除工程实施对农业土地利用变化的影响, 模型嵌套了退耕还林工程实施空间模拟, 其中耕地转林地面积排除 2010—2015 年实施的 18.13km2 退耕还林工程区域[48]。由于退耕还林工程为政策性工程, 因此工程实施的土地利用变化具有最高优先权, 农业土地利用变化不能转变退耕还林工程实施地块。在模拟结果中去除因退耕还林导致的耕地向林地的转变, 得到农业土地利用变化。另外, 模型土地利用转变受到垂直带的限制, 如高山灌丛草甸带不得转化成林地。模拟结果如图 9 和 10 所示。其中, 耕地转林地 3.17km2, 耕地转草地 1.37km2, 草地转耕地 0.30km2 (图 9)。
图5 铜都镇农业土地利用变化模拟的空间化数据
Fig. 5 Spatial data of agricultural land use change simulation in Tongdu Town
图6 2010—2015年铜都镇农业人口模拟结果
Fig. 6 Change of farming population in Tongdu Town from 2010 to 2015
图7 铜都镇农业人口收入特征
Fig. 7 Demographic features of different income ranges in Tongdu Town
图8 2010—2015年铜都镇农户年收入的空间分布
Fig. 8 Spatial distribution of annual income of farmer households in Tongdu Town from 2010 to 2015
从空间分布(图 10)可以看出, 耕地转林地主要发生离道路较近、坡度相对较大、劳动力密度较高以及农户收入中等的区域, 该区域适宜果林种植, 果林种植收入比耕地收入高。耕地转草地集中于坡度较高、远离公路、人口密度小以及农户收入较低的区域。可能是因为耕地对劳动力需求较高, 而该区域劳动力相对较少, 所以撂荒现象相对较多。草地转耕地的面积较小, 主要发生在人口密度较高、农户收入较低的区域。耕地转林地主要发生在人口密度相对较高、坡度较大的区域。土地利用变化与土地肥力相关性较小, 可见劳动力、农户收入和坡度是影响农业土地利用转换的 3 个重要因素。
图9 2010—2015年铜都镇土地利用类型转换面积(km2)
Fig. 9 Area of land use type transitions in Tongdu Town from 2010 to 2015 (km2)
2.2.5 模型验证
本研究将 2015 年模拟结果与实际土地利用图进行对比, 显示 92.23%的像元匹配(图 11)。同时, 采用 2010—2015 年《东川年鉴》, 验证铜都镇农业人口数量模拟值, 误差为 4.22%, 说明模拟结果具有较高的精度和可信度。
图10 2010—2015年铜都镇土地利用变化
Fig. 10 Land use change in Tongdu Town from 2010 to 2015
图11 模型验证
Fig. 11 Model validation
本研究提出一种充分结合“人地交互”的基于ABM 模型的农业土地利用模拟方法, 并以昆明市东川区铜都镇为例, 综合地理环境、人口普查和实地调研等数据, 从人地交互的角度模拟2010—2015年铜都镇农户收入和农业土地利用变化空间的过程, 模拟结果的空间精度为 92.23%。模拟结果显示, 劳动力相对富足和缺乏的地方, 表现出的土地利用转变方向迥异, 可见劳动力是影响土地利用变化的重要因素。农户收入和农业土地利用变化的空间模拟, 为我国生态保护和乡村振兴等工程的空间落实提供方法借鉴。在人口老龄化和城市化背景下, 人口变化可能对农业土地利用带来深远的影响, 与同类模型相比, 本模型擅长考虑社会经济对土地利用的影响, 提供了一个新的农业土地利用模拟 途径。
本模型参数的设置具有较强的灵活性, 可以通过调整或新增参数探求土地利用变化机制, 或模拟不同情景下的土地利用变化。可调整或新增的参数有区域生育率、打工收入、打工率、土地收入、土地利用方式最低需求劳动力和农民教育情况等。
本研究采用查阅统计资料和实地调研等方法收集社会经济数据, 但面对海量且异质的人口决策模式, 这些传统数据收集方法在全面性方面存在不足。ABM 土地利用模型适合探求微观多样化的人类决策模式, 从而宏观地涌现土地利用变化规律, 弥补了传统方法的局限性。未来的工作中, 可以采用ABM 土地利用模型与大数据结合的方法, 获得研究人类行为模式的海量数据, 降低数据获取成本, 大大增加对微观人类决策异质性的刻画精度, 更好地还原人类决策模式, 展现土地利用变化机制, 进一步提高模型的模拟精度。
参考文献
[1] GLP Science Plan and Implementation Strategy. IGBP Report No. 53/IHDP Report No. 19 [R]. Stockholm: IGBP Secretariat, 2005
[2] Future Earth Transition Team. Future earth framework document: research for global sustainability [R/OL]. (2012–02–28) [2015–01–16]. http://www.icsu.org/fu ture-earth/who/transition-team
[3] Gong Wenfeng, Duan Xuanyu, Sun Yuxin, et al. Multi-scenario simulation of land use/cover change and carbon storage assessment in Hainan coastal zone from perspective of free trade port construction. Journal of Cleaner Production, 2023, 385: 135630
[4] Foley J A, Defries R, Asner G P, et al. Global conse-quences of land use. Science, 2005, 309: 570–574
[5] United Nations. Transforming our world: the 2030 agenda for sustainable development. New York: United Nations, 2014: 1–41
[6] Rounsevell M, Arneth A, Brown D, et al. Incorporating human behaviour and decision making processes in land use and climate system models. GLP Report, 2013 (7): 1–25
[7] Lambin E F, Baulies X, Bockstael N, et al. Land-use and land-cover change (LUCC): implementation strate-gy: IGBP Report No.48 and IHDP Report No.10. Stock-holm Bonn: IGBP, 1999
[8] 李少英, 刘小平, 黎夏, 等. 土地利用变化模拟模型及应用研究进展. 遥感学报, 2017, 21(3): 329–340
[9] Zhu K, Cheng Y, Zang W, et al. Multiscenario simula-tion of land-use change in Hubei Province, China based on the Markov-FLUS model. Land, 2023, 12(4): 744
[10] 张津, 朱文博, 吴舒尧, 等. 基于CLUE-S模型的京津冀城市群土地利用变化时空模拟. 北京大学学报(自然科学版), 2018, 54(1): 115–124
[11] 王梓洋, 石培基, 张学斌, 等. 基于多智能体模型的兰州市城镇用地扩展模拟. 应用生态学报, 2021, 32(6): 2169–2179
[12] 戴尔阜, 马良. 土地变化模型方法综述. 地理科学进展, 2018, 37(1): 152–162
[13] Verburg P H, Soepboer W, Limpiada R, et al. Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management, 2002, 30: 391–405
[14] Chen Xiaodong, Lupi F, Li An, et al. Agent-based modeling of the effects of social norms on enrollment in payments for ecosystem services. Ecological Model-ling, 2012, 229(4): 16–24
[15] Sun Z, Müller D. A framework for modeling payments for ecosystem services with agent-based models, Baye-sian belief networks and opinion dynamics models. Environmental Modelling and Software, 2012, 45(7): 15–28
[16] 吴传钧. 论地理学的研究核心: 人地关系地域系统. 经济地理, 1991, 11(3): 1–6
[17] Wang S, Chang J, Xue J, et al. Coupling behavioral economics and water management policies for agricul-tural land-use planning in basin irrigation districts: agent-based socio-hydrological modeling and appli-cation. Agricultural Water Management, 2024, 298: 108845
[18] Zhang Q, Sannigrahi S, Bilintoh T M, et al. Under-standing human-environment interrelationships under constrained land-use decisions with a spatially explicit agent-based model. Anthropocene, 2022, 38: 100337
[19] Li An. Modeling human decisions in coupled human and natural systems: review of agent-based models. Ecological Modelling, 2012, 229: 25–36
[20] 唐华俊, 吴文斌, 杨鹏, 等. 土地利用/土地覆被变化(LUCC)模型研究进展. 地理学报, 2009, 64(4): 456–468
[21] 薛领, 杨开忠. 复杂性科学理论与区域空间演化模拟研究. 地理研究, 2002(1): 79–88
[22] Song Y, Wang H, Peng X, et al. Modeling land use change prediction using multi-model fusion techni-ques: a case study in the Pearl River Delta, China. Ecological Modelling, 2023, 486: 110545
[23] 刘家成, 纪月清, 徐志刚. 农地整理地块权属调整: 多主体行动逻辑、农户需求与政策方向. 南京农业大学学报(社会科学版), 2023, 23(5): 130–140
[24] Ding T, Achten W M J. Coupling agent-based modeling with territorial LCA to support agricultural land-use planning. Journal of Cleaner Production, 2022, 380: 134914
[25] 翟瑞雪, 戴尔阜. 基于主体模型的人地系统复杂性研究. 地理研究, 2017, 36(10): 1925–1935
[26] 薛智超, 甄霖, 闫慧敏. 基于土地多功能的黄土丘陵沟壑区生态保护与发展情景评估及多主体模拟. 生态学报, 2023, 43(15): 6081–6098
[27] Long Hualou. Land use policy in China: introduction. Land Use Policy, 2014, 40: 1–5
[28] 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. 地理学报, 2018, 73(5): 789–802
[29] Cioffi-Revilla C, Gotts N. Comparative analysis of agent- based social simulations: GeoSim and FEARLUS mo-dels. Journal of Artificial Societies and Social Simula-tion, 2003, 6(4): 3–6
[30] Matthews R B, Gilbert N G, Roach A, et al. Agent-based land-use models: a review of applications. Landscape Ecology, 2007, 22(10): 1447–1459
[31] Liu Jianguo, Li Shuxin, Ouyang Zhiyun, et al. Eco-logical and socioeconomic effects of China’s policies for ecosystem services. Proceedings of the National Academy of Sciences, 2008, 105(28): 9477–9482
[32] Parker D C, Manson S M, Janssen M A, et al. Multi-agent systems for the simulation of land-use and land-cover change: a review. Annals of the Association of American Geographers, 2003, 93(2): 314–337
[33] Polhill J G, Paker D, Brown D, et al. Using the ODD protocol for describing three agent-based social simu-lation models of land-use change. Journal of Artificial Societies and Social Simulation, 2008, 11(2): 28
[34] North M J, Collier N T, Vos J R. Experiences creating three implementations of the repast agent modeling toolkit. ACM Transactions on Modeling and Computer Simulation, 2006, 16(1): 1–25
[35] Bert F E, Podest G P, Rovere S L, et al. An agent based model to simulate structural and land use changes in agricultural systems of the argentine pampas. Ecologi-cal Modelling, 2011, 222(19): 3486–3499
[36] Moore E F. Machine models of self-reproduction. Pro-ceedings of Symposia in Applied Mathematics, 1962, 14: 17–33
[37] Lant T, Shapira Z. Managerial reasoning about aspira-tions and expectations. Journal of Economic Behavior & Organization, 2008, 66(1): 60–73
[38] Karandikar R, Mookherjee D, Ray D, et al. Evolving aspirations and cooperation. Journal of Economic Theo-ry, 1998, 80(2): 292–331
[39] Mezias S J, Chen Y R, Murphy P R. Aspiration-level adaptation in an American financial services organiza-tion: a field study. Management Science, 2002, 48(10): 1285–1300
[40] Diecidue E, van de Ven J. Aspiration level, probability of success and failure, and expected utility. Interna-tional Economic Review, 2008, 49(2): 683–700
[41] Polhill J G, Sutherland L A, Gotts N M. Using qualita-tive evidence to enhance an agent-based modelling system for studying land use change. Journal of Artifi-cial Societies and Social Simulation, 2010, 13(2): 10
[42] 樊杰. 中国主体功能区划方案. 地理学报, 2015, 70 (2): 186–201
[43] 贾松伟, 韦方强, 崔鹏. 小江流域土地利用变化及其趋势分析. 水土保持学报, 2006, 20(5): 154–157
[44] 兰恒星, 伍法权, 周成虎, 等. 基于GIS的云南小江流域滑坡因子敏感性分析. 岩石力学与工程学报, 2002, 21(10): 1500–1506
[45] 陈循谦. 云南小江流域泥石流成因初步分析. 中国水土保持, 1987(4): 12–65
[46] 陈循谦. 云南小江流域的泥石流灾害. 灾害学, 1990, 5(2): 53–57
[47] 陈循谦. 小江流域生态建设与消除贫困的思考. 林业调查规划, 2005(4): 20–22
[48] 杨微石, 戴尔阜, 郑度, 等. 基于多主体模型的 典型区域退耕还林工程实施空间模拟. 地理学报, 2020, 75(9): 1983–1995
[①] 昆明市东川区统计局. 昆明市东川区国民经济统计资料二〇一七年, 2018 年 5 月
[②] 云南省水利厅. 云南小江流域综合土砂灾害治理及自然环境修复规划调查, 2005 年 12 月
[③] 昆明市东川区统计局, 昆明市东川区第六次全国人口普查办公室. 昆明市东川区第六次全国人口普查资料汇编, 2014 年 5 月
Spatial Simulation of Agricultural Land Use Change Based on Agent-Based Model: A Case Study of Tongdu Town, Dongchuan District in Kunming City
Abstract This study focuses on Tongdu Town in Dongchuan District, Kunming City, and constructs a model for agricultural land use change based on human-environment interactions using an agent-based model. By utilizing census data, geographical environmental data, and field survey data, the study simulates the spatially distinct processes of agricultural labor, annual income of farming households, and agricultural land use changes in Tongdu Town from 2010 to 2015. The result shows that changes in agricultural land use are strongly correlated with labor, household income, and slope, but less so with soil fertility. Approximately 63.35% of agricultural land use changes occurred among low-income farming households, particularly the conversion of farmland to grassland — 87.60% of this specific conversion took place in low-income households. The transition from farmland to forest predominantly occurred in areas with relatively higher population densities and steeper slopes. The simulation model demonstrated excellent performance, with a spatial accuracy of 92.23%. The method developed for simulating agricultural land use changes in this study can offer valuable references for other regions, and thus provide scientific support for the implementation of ecological conservation, rural revitalization, and other related projects in China.
Key words agent-based model; agricultural land use simulation; Tongdu Town; labor