土地利用变化智能体模型研究进展

来源:用户上传      作者:

　　摘  要  土地利用/覆被变化是在自然、社会和人类决策者的时空多尺度综合作用下发生的，具有高度的复杂性。基于复杂系统理论并以土地使用决策者为核心的智能体模型对于描述人地关系中的“人本”思想和复杂交互具有重要的意义。文章在对基于智能体模型的内涵以及应用领域进行分析的基础上，指出目前智能体模型的发展主要面临三个方面的问题：数据可获得性、行为建模的制约以及模型校准和验证。综合目前研究的进展与面临的问题，提出了基于智能体模型的发展趋势：（1）大数据与数据价值挖掘;（2）多角度探索决策规则;（3）创新校准和验证方法。
　　关键词  智能体模型;模型问题;发展趋势
　　中图分类号：F301.24                         文献标识码：A
　　Abstract： Land use/cover change occurs under the combined effects of natural， social and human decision makers in time and space， with a high degree of complexity. The agent model based on complex system theory and based on land use decision makers is of great significance for describing the "human-centered" thinking and complex interaction in human-land relationship. Based on the analysis of the content of the agent-based model and the application field， the paper points out that the development of the agent model mainly faces three challenges： data availability， behavioral modeling constraints， and model calibration and verification. Based on the current research progress and challenges， the development trend based on agent model is proposed： （1） big data and data value mining; （2） multi-angle exploration decision rules; （3） innovation calibration and verification methods.
　　Keywords： agent-based model; model challenges; model prospects
　　土地利用/覆被变化（Land use/Cover change， LUCC）系统是社会生态系统的重要组成部分，对全球气候变化、生物多样性以及可持续性发展等具有重要影响。因此，通过一定的方式获得对LUCC的认知极为重要。模型模拟是常见的认知客观世界的手段，模型的描述解释能力可以提高人们对土地变化系统起因、过程和结果的理解，而模型的预测能力则能够为更合理的土地利用提供建议。LUCC是在生物物理因素、社会经济因素与土地使用者的多时空尺度下综合作用形成的，具有高度的复杂性。因此，模型模拟需要考虑多重驱动因素以及因素之间的关联作用，以解释土地系统的复杂性问题。传统的LUCC模型多以经济学、统计学和地理学等学科的理论为基础进行构建，并在土地覆被类型变化的数量和空间位置的模拟预测上成效显著。然而，这些模型对土地使用决策者的重视不足，对土地变化系统的多尺度与层次以及复杂反馈关系的分析也较为欠缺，导致对实际土地变化系统的模拟能力一般。因此需要更好的方法来深入理解土地变化系统。复杂系统理论作为复杂性科学的一部分，能够对系统的无序性、动态性以及多层次耦合性等特性进行描述，可以对土地系统的复杂性进行很好的描述[1]。而基于智能体的模型（Agent-Based Model， ABM）是描述复杂系統的重要手段，能够为土地变化系统的微观模拟和复杂性研究提供新的思路。文章从介绍ABM的基本内涵及在LUCC研究的适用性出发，分析该模型在LUCC应用中面临的问题，并以此为基础，对模型发展前景进行展望，以期为基于智能体的模型在土地利用/覆被变化系统中的研究（ABM/LUCC）提供思路。
　　1  ABM的内涵与应用
　　1.1 ABM的内涵
　　ABM是在复杂系统理论的基础上对微观实体的行为机制进行研究，其模拟的对象是agent，可以称为智能体、代理或者主体等，文中采用智能体进行表述。智能体可以是个人、家庭、政府等社会组织结构中的任何层次，不同的层次代表着各自在土地使用中所拥有的决策能力。因此可以在多个尺度上研究系统，并且可以将各部分以不同比例规定整合成一个整体。ABM模型通过对智能体的异构决策和行为进行模拟，从而解释土地系统内部微观主体作用下导致的变化现象，一般由智能体、对象、环境和决策规则四部分构成[2]。智能体所表示的行为主体通常具有自主性、异质性、适应性和学习能力等特性[3]，从而对目标进行决策。目标对象则是智能体所作用的客观事物，不同层次的智能体所能决策的对象的属性不同。环境指智能体和对象所在的空间范围，包括社会环境和物理环境两部分，社会环境一般指社区等具有人文色彩的区域，物理环境表示地形等自然因素。决策规则用来解释智能体作用于对象和环境时的方式、状态和能力等属性以及三者之间的复杂交互关系。 　　智能体模型在LUCC研究中具备以下优势。首先它能够模拟实体的属性和行为以及实体之间的相互作用，并通过自下而上的模拟方式将微观决策与宏观现象关联起来，而这种对微观行为主体的模拟是传统经验统计模型所欠缺的[4]。其次，ABM/LUCC能够将社会过程和非经济因素如政策规划、受教育程度等纳入决策，考虑智能体所处的社会背景因素，从而实现更真实的模拟。最后，ABM具备连接社会和环境过程的能力，能够将不同层次智能体对环境的影响以及环境对智能体的反馈作用更好的表达出来，凸显社会组织结构的层次与LUCC空间变化尺度的交互。使用智能体作为模拟的基本单元，其弊端在于将智能体的行为与空间区域联系起来存在困难，并且难以充分表现空间行为。虽然这个问题的一部分与数据可用性有关，但将基于栅格的经验模型中的空间分析与ABM中社会结构的层次相结合可较好地表示空间和社会组织[5]。
　　1.2 ABM/LUCC应用研究
　　尽管ABM模型在土地变化科学的模拟中有着巨大的优势，但并不是所有的模拟过程都需要用到智能体模型，一般适用于需要突出人类主体作用或者可能出现突发现象的情况[6]。此时，个体的行为是非线性的，表现出路径依赖、迟滞、非马尔科夫行为或学习和适应等时间相关性，统计学方法难以全面刻画这些行为，只能通过阈值设定、规则制定或者非线性耦合等进行解释。
　　在应用领域方面，ABM/LUCC主要应用于城市LUCC模拟、农业LUCC模拟和自然资源管理应用模拟[7]。城市LUCC中个体属性的差异以及个体之间的交互反馈关系能够对城市形态变化与城市土地利用变化产生影响。如周淑丽等[8]采用城市土地利用现状图，构建了矢量多智能体城市扩张动态模型，将模型应用于广州市番禺区，模拟了其2003-2008年城市扩张情况，并取得85.83%的较好总体精度。大多数农业LUCC模拟的智能体以农户为例，模拟农户决策对农村土地利用变化、区位选择或者生态环境变化的影响。如彭金金等[9]以武汉市黄陂区为例，构建智能体模型对农村居民点的分布进行空间优化配置以提高分布状况的整体适宜性，模拟结果优于粒子群优化和遗传算法的模拟结果，验证了智能体模型在空间优化配置研究方面的适用性。在自然资源管理应用方面，ABM应用于各类型自然资源的管理。如Elsawah等[10]将基于智能体的模型与社会生态模型相结合，应用于南澳大利亚葡萄灌溉用水分析，最终表明决策者在多学科知识的支持下显著提高了灌溉用水决策能力。总体而言，运用ABM模型在模拟非线性土地变化系统或者描述智能体的主体作用时，可以取得较好的模拟结果。
　　2  ABM发展面临的问题
　　ABM是研究复杂土地变化系统的重要工具，可以对微观土地变化现象及过程做出合理的描述和解释。但分析目前的案例研究可以发现智能体模型在LUCC研究中主要在三个方面存在问题：数据可获得性、行为建模以及模型校准和验证。
　　2.1 数据可获得性
　　数据是LUCC分析的基础，ABM使用的数据主要有定性和定量两种类型。定性数据包含使用文本/单词表示的信息，一般通过访谈等方式获取。定量数据包含可以数字化的信息。ABM/LUCC的数据问题主要表现再数据欠缺和数据尺度转换。
　　（1）数据欠缺。微观尺度上的LUCC模拟一般需要高清影像图和更为详实的社会经济统计数据，而高清影像图较为难以获取，且获取成本高，这在进行农村区域LUCC模拟时尤为明显。此外，在通常情况下不可能为个人或者集体行为收集长时间序列数据，收集这些数据的频率和时长等都是需要考虑的问题，而这些数据对于智能体属性的描述很关键。最后，已有研究的调查数据通常将智能体视为孤立的个体[11]，忽视了智能体之间的相互影响。
　　（2）数据尺度转换。指与一个分析单元相关的数据可以被拆散并重新聚合到另一个单元以实现多尺度LUCC模拟，例如社区的决策行为所需数据可应用于更高级别的城市规划模拟。由于ABM数据基本上是个体级别的数据，数据较为庞杂，在进行更高级别的模拟时，如何从个体级别的数据中产生更高层次的行为描述数据是需要面对的问题。
　　2.2 行为建模的制约
　　智能体的行为建模是ABM集中研究的问题。智能体通过决策规则来对其行为和属性进行模拟，规则的定义是基于决策社会结构而非地理空间位置。在决策规则制定过程中，智能体异质性与关联性以及环境差异性都会成为其制约因素。
　　（1）智能体异质性与关联性。由于社会背景、地理环境以及自身认知水平等的差异，不同的智能体会有迥异的行为偏好和执行力，从而产生决策的显著差異。其次，智能体之间具有关联性。智能体的决策行为会影响到周围其他智能体的行为选择，同时也会受到其他智能体的影响，形成智能体间的相互作用关系，这种相互作用的范围可能受到空间距离的影响。当需要研究更高层次的集体决策时，还需要对多智能体的行为一致性进行描述，详细规模流程的汇总并不能直接产生更高级别流程的合适表述，如何将各自分散的行为整合到一个框架内以描述集体行为是需要深入研究的问题。此外，智能体通常具有自组织、自适应能力，可以根据环境变化和自身学习来对其决策能力以及与其他智能体的关系进行更新。
　　（2）环境差异性。智能体所处的物理环境也具有差异性，任何地点的环境都具有相关的状态，如土壤质量。模型中的环境实体也可能有自己的动态变化特征，描述它们如何随时间变化而不依赖于智能体行为并且因智能体行为而变化，例如森林增长或环境变化的其他方面。
　　智能体的特性以及智能体与环境之间的交互构成了复杂的交错关系，导致土地变化系统中常见的非线性、路径依赖和迟滞等现象，给决策规则的制定带来了困难，需要考虑如何设计和参数化决策规则来模拟现实环境中的行为和交互。简单的决策规则可以用“if-then”规则或一些简单的数学方程来表示，但这对智能体的异质性和关联性解释能力不足。因此，复杂的方法如线性规划、MP-MAS、多元回归、决策树和贝叶斯网络等被用来模拟决策规则，实现更接近行为主体的模拟。近期的研究中多引入其他学科的理论方法如心理学模型来完善agent行为描述。 　　2.3 模型校准和验证
　　模型校准通常是对参数敏感性和结果的不确定性进行分析，以此确定模型中哪些参数对模型输出的影响最小或者说哪些参数影响了输出结果的多变性[12]。现有ABM一般使用标准化回归系数、元建模或者基于方差的分解来进行校准，尽管这些方法已经取得了一定成功，但由于智能体模型交互的非线性、输出分布的非正态性和可变相互依赖性等对模型的敏感性分析提出了新的问题，适应更复杂模拟研究的新的校准方法值得研究。模型的验证将使决策者和模型结果的其他用户了解模型结果的可靠性，并为模型改进提供思路。现有的ABM验证常被忽略，已有的验证方法基本上是比较仿真结果与真实世界观察结果或者专家预期进行比较，验证方法较为简单，采取更加科学有效的方法对模拟结果进行检验是ABM研究需要解决的难点之一。
　　3  ABM发展趋势
　　3.1 大数据与数据价值挖掘
　　已有ABM/LUCC研究一般通过高分辨率遥感影像确定智能体的位置属性，使用社会经济统计数据或样本调查数据解释社会属性，其它辅助数据如地形图等描述环境[13]。这些数据难以精细地描述智能体个体的属性和行为，会导致模拟结果不确定性增加。伴随着随身设备、物联网和云计算技术等的发展，多源异构，动态增长且分布广泛的时空大数据不断产生。时空大数据可描述实体属性在空间、时间和决策者维度作用下的变化，能够对agent个体的属性与行为进行很好的解释。将大数据应用于智能体行为规则的构建中是提高ABM模拟精度和真实性有效手段。但在取得数据权限的前提下，仍需注意以下两个问题：（1）从海量数据中提取嵌入数据的关键关系。需要考虑使用合适的方法来深入数据内部，提取出有价值的数据用于agent属性描述及规则构建。（2）提高数据处理能力。大规模复杂智能体的仿真应用，仿真运行速度已成为其重要的制约因素。
　　3.2 多角度探索决策规则
　　ABM决策规则的构建从简单的启发式到基于经验的模型再到社会心理学模型等的引入，规则制定愈加符合人类行为模式，模型模拟结果的真实性得到提升。然而，当前多数研究的决策规则仍是以统计学方法来制定，未能有效探索智能体决策背后的驱动因素以及因素之间的交错关联。Smajgl等[14]为ABM中人类决策的参数化提出了一个框架：基于建模背景，在模型构建中的不同步骤进行经验方法组合。在之后的研究中，可以参考该框架，以多学科知识进行模块化建模，从不同学科视角来分析agent行为背后的驱动因素，从而更好的构建agent决策规则，有效控制输出结果的多变性。
　　3.3 创新校准和验证方法
　　ABM模型因决策规则构建的复杂性以及微观层面数据的缺乏，给模型的参数化和校准带来了很大的困难。现有校准方法在分析简单的ABM时更为有效，校准复杂ABM甚至混合模型时的有效性值得考量，探索更合理的校准方法以分析参数的敏感性和结果的不确定性是必然趋势，结合研究区自然与人文背景调参并进行多方法校准是当前可行的方向。目前ABM验证验证方法均是针对模拟结果的评估，缺乏对模拟过程合理性的验证。发展面向模拟过程的评估方法是需要面对的难题，可能的方式是在确定ABM模拟复杂度的基础上进行不同尺度与层次的多次验证，此时可以参考ODD（Overview， Design concept， and Details）标准协议[15]，该协议可以帮助学者识别ABM的主要属性和过程，从而确定模型构建和分析中的复杂度。
　　4  结语
　　基于智能体的模型可以很好地模拟土地利用/覆被变化过程中微观主体属性和行为，弥补了传统经验模型对土地决策者和多因素復杂交互关系的忽视。近年来，ABM已经在LUCC模拟中取得了广泛的应用，但其仍面临数据可获得性、智能体行为建模以及模型校准和验证三个方面的问题，需要进一步对其进行完善。在现有文献阅读分析的基础上，文章提出ABM可以通过将大数据引入模型分析基础数据、多角度探索决策规则以及校验方法的创新来实现更加科学的模拟。
　　参考文献/References
　　[1] Magliocca N R， Rudel T K， Verburg P H， et al. Synthesis in land change science： methodological patterns， challenges， and guidelines.[J]. Regional Environmental Change， 2015， 15（2）：211-226.
　　[2] 陈海， 梁小英， 高海东，等. Multi-Agent System模型在土地利用/覆盖变化中的研究进展[J]. 自然资源学报， 2008， 23（2）：345-352.
　　[3] Macal C M. Everything you need to know about agent-based modelling and simulation[J]. Journal of Simulation， 2016， 10（2）：144-156.
　　[4] Veldkamp A， Verburg P H. Modelling land use change and environmental impact[J]. Journal of Environmental Management， 2004， 72（1）：1-3.
　　[5] Wahyudi A， Liu Y. Spatial Dynamic Models for Inclusive Cities： a Brief Concept of Cellular Automata （CA） and Agent-Based Model （ABM）[J]. 2015， 26（1）：54-70.
　　[6] Bonabeau E. Agent-Based Modeling： Methods and Techniques for Simulating Human Systems[J]. Proc Natl AcadSci U S A， 2002， 99（10）：7280-7287. 　　[7] 吳文斌， 杨鹏， 柴崎亮介，等. 基于Agent的土地利用/土地覆盖变化模型的研究进展[J]. 地理科学， 2007， 27（4）：573-578.
　　[8] 周淑丽， 陶海燕， 卓莉. 基于矢量的城市扩张多智能体模拟——以广州市番禺区为例[J]. 地理科学进展， 2014， 33（2）：202-210.
　　[9] 彭金金， 孔雪松， 刘耀林，等. 基于智能体模型的农村居民点空间优化配置[J]. 地理与地理信息科学， 2016， 32（5）：52-58.
　　[10] Elsawah S， Guillaume J H， Filatova T， et al. A methodology for eliciting， representing， and analysing stakeholder knowledge for decision making on complex socio-ecological systems： from cognitive maps to agent-based models.[J]. Journal of Environmental Management， 2015， 151：500-516.
　　[11] Gilbert N. Agent-based social simulation： Dealing with complexity[J]. Complex Systems Network of Excellence， 2004， 7（1）：1-4.
　　[12] Lee J S， Filatova T， Ligmann-Zielinska A， et al. The Complexities of Agent-Based Modeling Output Analysis[J]. Journal of Artificial Societies & Social Simulation， 2015， 18（4）.
　　[13] Zhuo， Erfu， Quansheng， et al. Modelling the integrated effects of land use and climate change scenarios on forest ecosystem aboveground biomass， a case study in Taihe County of China[J]. Journal of Geographical Sciences（地理学报（英文版）， 2017， 27（2）：205-222.
　　[14] Smajgl A， Brown D G， Valbuena D， et al. Empirical characterisation of agent behaviours in socio-ecological systems[J]. Environmental Modelling & Software， 2011， 26（7）：837-844.
　　[15] Grimm V ， Berger U ， Bastiansen F ， et al. A standard protocol for describing individual-based and agent-based models[J]. Ecological Modelling， 2006， 198（1-2）：115-126.
转载注明来源:https://www.xzbu.com/1/view-14939298.htm