城市交通拥挤、空气质量下降、交通事故频繁等现象曰益严重,已经成为制约城市可持续发展的主要瓶颈。要从根源上解决这些问题,土地利用交通一体化是必经之路。本论文考虑土地利用市场及交通系统的个体微观行为特征,建立基于微观行为的时空动态的土地利用与交通系统一体化模型,并基于美国佛罗里达洲GIS数据仿真实现。首先,从地理学、交通规划理论出发,探讨土地利用空间分布与交通系统的相互关系,建立一个双层数学模型,从理论上证明模型等价性。该模型能够定量分析不同土地利用空间分布与交通系统费用关系。数值分析结果显示,该双层模型生成的最优土地利用分配策略,能够明显提高交通运输系统效率、减少交通系统费用高达90.2%,并能够为城市资源配置提供理论支持及向导。基于佛罗里达橙县的GIS数据,考虑土地利用变化的空间因素,构建了基于多项式逻辑模型(MNL)和神经网络(ANN)的元胞自动机(CA)土地利用模型。主要用到的数据包括数字高程模型文件(DEM文件)、土壤数据、土地利用/覆盖数据、块数据、区域规划边界数据、人口统计数据、交通网络相关数据等。采用50m×50m的栅格代表土地利用空间分布,元胞自动机模型从时空维上模拟土地利用形态变化。采用融合矩阵法计算MNL-CA模型精度,交通需求相关土地和所有土地类型的精度分别为74.4%和76.7%,而多层ANN-CA模型精度分别为87.7%和89.8%。研究表明,多层ANN-CA模型比单层ANN-CA精度高,但训练时间更长。但是,当模拟一些小规模用地的变化时,人工神经网络模型的鲁棒性非常差,预测精度很低。从微观层面,采用多智能体模型与元胞自动机模型结合,构建城市上地利用动态演化模型。多智能体模型(Agents)能够通过各智能体与环境和其他智能体的相互作用关系,灵活地描述决策者的个体行为。引入拍卖投标模型描述土地利用市场中各智能体的相互关系,从个体价值观、经济行为角度捕获时空动态的土地利用变化。融合矩阵法下,MNL-CA-Agents和ANN-CA-Agents模型预测交通用地精度分别为87.6%和87.7%。多智能体模型能够有效提高MNL-CA模型的精度,但对ANN-CA模型结果影响不大。相比ANN的黑箱操作,MNL-CA-Agent能够更直观地展示空间变量和土地利用变化间的关系。且MNL-CA-Agent基于TAZ范围的家庭及就业分配,也能较好地与实际观测数相吻合。比如,允许误差范围为200([-200,200]),则该模型模拟家庭和就业分配量的准确率分别可达到75.7%和69.9%。基于MNL-CA-Agent土地利用模型,所构建的LandSim土地利用仿真软件,可以与佛罗里达标准城市交通模型(FSUTMS)结合,建立时空动态的土地利用交通一体化软件仿真(LandSim-FSUTMS)。该软件能够有效分析和评估城市土地利用、交通相关政策、交通与环境间关系等。佛罗里达橙县2000、2012、2025年的定量仿真结果表明,从长期规划角度看,一体化模型能够有效缓解交通拥挤、降低各交通排放量指标,对城市的可持续发展具有非常重要作用。