在城市动态模拟研究中,如何构建基于机器学习算法或智能优化算法与元胞自动机的耦合模型,提高模型模拟的精度一直是学术界努力的方向。为了进一步厘清土地分类均衡性对土地模拟精度影响力,本文构建了基于群居蜘蛛算法(Social Spider Optimization Algorithm,SSO)与元胞自动机相耦合的SSO-CA城市动态模型,并以重庆市渝西地区为例,设计了不同的对比方案验证模型的性能(Kappa系数和模拟精度等)和分类均衡性问题,在此基础上,依据不同情景,对未来渝西片区的城市发展格局进行了动态模拟,并验证其生态效益,主要研究内容如下:经过试验对比发现,新的SSO-CA模型在城市动态模拟中相比于过去遗传算法、粒子群算法与CA模型耦合构建的模型具有更优的精度,精度可以达到99.3%,总Kappa系数为81.4%,具有较高的一致性。为研究土地分类均衡性对模拟精度的影响,本文将用地类型分为2类、5类、7类,使用SSO-CA模型进行模拟,观察在不同分类情况下的模拟精度对比,研究发现,当将土地类型分为5类时,总精度为93.2%,总Kappa为85.6%,再通过变异系数、标准差等指数分析发现其相对其他分类方式有更好的分类优势,也取得了最佳的模拟效果。本文同时分析了分类均衡性导致最终模拟精度各异的原因。本文通过设置不同的情景对2020年用地情况进行预测,并采用人为干扰指数、生态风险指数、生态系统服务价值评估2000年至2020年渝西地区生态效应。发现从2000年以来,渝西地区整体生态风险呈上升趋势、人类活动逐渐增强、生态系统服务价值下降,需要引起相关部门的重视,亟待采取相应对策对渝西地区进行生态保护治理。