淡若清风第4期 张鸿辉，等：多目标土地利用空间优化配置模型及其应用 1063
运行时间点的土地利用空间优化配置过程结果。其中：
dMEN)近距离(Mean euclidean nearest-neighbor distance，和聚集指数(Aggregation index，IA)等空间格局指标来评价某一土地利用类型斑块总体呈紧凑型的程度，即土地资源节约程度；采用环境兼容性指数
T=0代表模型处于初始状态；T=400代表模型运行了400次。
3 结果分析
2010年长沙市居住用地、商业用地、工业用地的空间优化配置模式如图3(b)所示。与优化配置前的
(Environmental compatibility，CE)来评价某一土地利用类型的环境友好程度。DMPF，dMEN和IA的计算公式参见文献[18]。CE的计算公式为：
CE=∑ei/n (24)
i=1
n
2005年长沙市上述三类用地的空间分布格局(图3(a))对比可看出：优化后的居住用地、商业用地、工业用地整体上空间分布更加集中、紧凑，土地利用斑块内部的空地及城市近郊的零星土地利用斑块大大减少，同类型土地利用的空间集聚程度也更高，并且新增城市用地的增长方式多为内部填充，避免了城市土地的过度扩张。
其中：ei为斑块i与其邻域内相邻土地利用单元的环境兼容性；n为斑块数目。表4所示为基于上述指数对研究区域优化前、后的居住用地、工业用地、商业用地空间格局的评价结果。从表4可看出：优化后的各类用地的DMPF和dMEN均比优化前的低，而IA和IE则比优化前的高。这说明优化后的土地利用空间格局的斑块邻接性、连接性、聚集度、紧凑度、环境兼容性均较优化前有较大提高，从而也证明优化后土地利用配置模式的总体资源节约与环境友好程度要比优化前的高。
为进一步验证模型的可行性，基于相同的目标函数，比较了采用该模型和采用普通遗传算法空间优化配置模型得到的土地利用配置结果(图4(a)和(b))以及
2种模型的收敛性能(图5)，并根据DMPF，dMEN，IA和IE，评价了采用普通遗传算法空间优化配置模型得到的土地利用配置结果(表5)。
从图4可发现：基于MOSOLUA模型所得到的土地利用配置结果的空间格局较基于普通遗传算法空间
(a) 优化前；(b) 优化后
图3 优化配置前后土地利用空间格局比较 Fig.3 Comparison of land use spatial patterns before
and after spatial optimization
优化配置模型获取的土地利用配置结果更为规则、紧凑，而从图5则可发现：对同一研究区域的土地利用进行空间优化配置，采用普通遗传算法空间优化配置得到最终土地利用空间优化模型与MOSOLUA模型，
配置结果时的模型总体适应度分别为14.88和16.75，
为定量分析优化前、后的土地利用空间配置模式，结合本研究所设立的目标函数，采用平均斑块分维数
MOSOLUA模型的总体适应度与普通遗传算法空间对比表5与表优化配置模型的相比均提高了12.57%。
4还可发现：表5中各类用地的DMPF和dMEN均比表4中优化后的高，而IA和IE则比表4中优化后的低，反
(Mean patch fractal dimension，DMPF)、平均斑块最邻
