| 系统动力学 | 由系统科学理论与计算机仿真结合 | 建模过程简便,可以同理论与指标体系构建结合,降低系统边界和相关变量的识别难度 | 难以体现系统自适应特点;空间解释不足;部分反馈关系局限于回归关系 | 适用于城市复杂系统、城市转型和可持续发展以及城镇化与生态环境单要素耦合动态模拟 |
| 人工神经网络 | 由人工智能和计算机仿真结合 | 是一种典型的类人脑模型,具有自学习、联想储存和高速寻优3个优势;具有良好的非线性映射逼近性 | 在学习、因果解释等方面存在缺陷,尤其是不擅长处理不确定性问题 | 适用于城镇用地扩张、环境演变、污染扩散和资源需求动态模拟 |
| 贝叶斯网络 | 起源于人工智能领域,由概率论、统计学与图论结合 | 直观表现了事件因果;可以进行因果和诊断2个方向的推理;证据可以不完整;尤其擅长处理不确定问题 | 现有的算法难以应付庞大的节点数目;学习能力较人工神经网络明显不足 | 适用于城市生态脆弱性识别以及资源需求动态模拟 |
| 土地利用变化及效应模型 | 由LUCC研究、系统科学理论与计算机仿真结合 | 基于经验统计,CLUE模型适用于大空间尺度;CLUE-S模型适用于小空间尺度 | 偏重局部均衡分析;难以体现城镇化过程与土地系统的交互耦合过程 | 适用于多空间尺度的土地利用空间分配动态模拟 |
| 元胞自动机 | 由LUCC研究、系统科学理论与计算机仿真结合 | 基于“自下而上”的建模过程将复杂问题拆解;可表现复杂离散系统的动态演化过程;可进行局部/区域土地系统模拟 | 建立在空间均质假设之上,难以解决空间异质问题;放宽限制条件加剧了转换规则的复杂性;对土地变化的机理解释不足 | 适用于城市扩展和土地利用变化动态模拟 |
| 多智能体系统 | 由人工智能和复杂性科学结合 | 基于复杂自适应系统理论,弥补了对政策因素的忽视;既可以展现全局动态过程,还可以解释土地变化的动力机制 | 尚停留在理论探讨和初步应用阶段;研究空间被抽象为均质空间;模型验证难度较大 | 适用于政策驱动下的城市扩展和土地利用变化动态模拟 |