李浩

改革開(kāi)放后我國(guó)快速城市化進(jìn)程促進(jìn)城市規(guī)模迅速增長(zhǎng)，新增建設(shè)用地規(guī)模不斷增加。城市化的快速發(fā)展對(duì)城市帶來(lái)負(fù)面影響，包括城市交通擁堵、過(guò)度抬高地價(jià)、土地利用粗放等。城市開(kāi)發(fā)邊界（UGB）是為解決城市無(wú)序擴(kuò)張問(wèn)題而提出的一項(xiàng)政策措施，已經(jīng)成為西方國(guó)家抑制城市擴(kuò)張比較成功的方法。2019年《關(guān)于在國(guó)土空間規(guī)劃中統(tǒng)籌劃定落實(shí)三條控制線的指導(dǎo)意見(jiàn)》提出，科學(xué)有序地統(tǒng)籌布置城市、生態(tài)和農(nóng)業(yè)空間，要按照集約適度、綠色發(fā)展要求劃定城市開(kāi)發(fā)邊界，防止城鎮(zhèn)無(wú)序蔓延，為未來(lái)發(fā)展留有開(kāi)發(fā)空間。由此城市開(kāi)發(fā)邊界成為國(guó)土空間規(guī)劃工作的重心。

國(guó)外對(duì)城市開(kāi)發(fā)邊界的研究起步較早，德國(guó)最新研究是建立起一套智能模擬系統(tǒng)，挑選對(duì)城市發(fā)展影響較大的基礎(chǔ)設(shè)施要素，例如機(jī)場(chǎng)、火車站和水廠等，對(duì)其影響城市拓展的規(guī)律進(jìn)行探究。國(guó)內(nèi)學(xué)界早期主要借助CA元胞自動(dòng)機(jī)對(duì)城市空間發(fā)展進(jìn)行模擬，利用其時(shí)空動(dòng)態(tài)模擬的特點(diǎn)，來(lái)判斷城市用地在元胞屬性變化中取得的規(guī)律，后期出現(xiàn)了各類與CA結(jié)合的模型體，例如SLEUTH-CA、邏輯回歸CA和約束性CA等；隨著近年來(lái)計(jì)算機(jī)技術(shù)的不斷進(jìn)步，國(guó)內(nèi)許多學(xué)者采用了更智能的算法模型，例如CLUE-CA、Markov-CA、ANN-CA和ABM智能體算法等；更有很多學(xué)者借助采用了MATLAB、MAPINFO和SPSS等模塊組合軟件，進(jìn)行復(fù)雜城市邊界模擬的獨(dú)立開(kāi)發(fā)。其中以多智能體和人工神經(jīng)網(wǎng)絡(luò)的情景模擬方式逐漸成為學(xué)界主流，其優(yōu)勢(shì)是借助極其復(fù)雜的運(yùn)算方式，利用可獲取的城市數(shù)據(jù)進(jìn)行多方面的分析，真正模擬復(fù)雜多變的情景環(huán)境，充分考慮交通、公服、地形、市場(chǎng)等因素對(duì)城市邊界拓展的影響。人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種應(yīng)用類似于生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)處理信息的數(shù)學(xué)模型，廣泛用于各類空間場(chǎng)景分析模擬技術(shù)。人工神經(jīng)網(wǎng)絡(luò)主要分為輸入層、隱藏層和輸出層三部分，除了運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法外，還充分利用了ARCGIS搭載的Python腳本語(yǔ)言。本次將神經(jīng)網(wǎng)絡(luò)、樣本訓(xùn)練、成果預(yù)測(cè)等集成于一個(gè)環(huán)境，創(chuàng)新性地形成ANN-PY神經(jīng)網(wǎng)絡(luò)算法模型，對(duì)依托于GIS平臺(tái)的城市數(shù)據(jù)進(jìn)行分析研究，形成一套適合規(guī)劃人員進(jìn)行簡(jiǎn)易開(kāi)發(fā)的程序，使劃定城市開(kāi)發(fā)邊界更加科學(xué)容易。

一、研究數(shù)據(jù)與方法

1.研究區(qū)概況

桂林市位于廣西壯族自治區(qū)東北部，與湖南省永州市、邵陽(yáng)市接壤，距離自治區(qū)首府南寧市430公里。桂林市地理特點(diǎn)屬于喀斯特巖溶地貌，國(guó)土總面積為2.78萬(wàn)平方公里，現(xiàn)有建設(shè)用地規(guī)模為1202平方公里，占全市國(guó)土面積的4.35%。

2.研究思路

本次ANN-PY神經(jīng)網(wǎng)絡(luò)算法模型的技術(shù)邏輯思路為以2000年桂林土地利用為底，輸入12個(gè)影響因子，通過(guò)影響因子對(duì)像元的分值疊加和黑箱學(xué)習(xí)，以形成2015年的土地利用為目標(biāo)，訓(xùn)練得出模型變化規(guī)則。以2019年桂林土地利用為新樣本輸入，形成2035年土地利用數(shù)據(jù)變化，從而預(yù)測(cè)2035年的桂林城市開(kāi)發(fā)邊界形態(tài)。

3.研究數(shù)據(jù)

（1）土地利用數(shù)據(jù)來(lái)源于國(guó)家地理信息中心發(fā)布的全國(guó)遙感影像分類并截選出桂林市部分。土地利用數(shù)據(jù)包括桂林市2000年、2015年和2019年的土地利用數(shù)據(jù)。根據(jù)本次試驗(yàn)需要進(jìn)行重分類為6類圖斑，包括耕地、林地、草地、水、城市用地和鄉(xiāng)村用地，分別對(duì)應(yīng)1～6的代碼。

（2）城市影響因子數(shù)據(jù)來(lái)源于高德電子地圖。城市影響因子數(shù)據(jù)包括3類12個(gè)：①8個(gè)點(diǎn)狀影響因子，分為政府機(jī)構(gòu)、生活服務(wù)、醫(yī)療、賓館、餐飲、地產(chǎn)小區(qū)、交通設(shè)施和旅游景點(diǎn)；②3個(gè)線型影響因子，為高速公路、國(guó)省道、主干路；③1個(gè)面型影響因子，為地形高程數(shù)據(jù)。

4.研究結(jié)構(gòu)

（1）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸入層包括13個(gè)神經(jīng)元，對(duì)應(yīng)著12個(gè)影響因子和初始土地利用，能夠直接與12類影響因子對(duì)接，促進(jìn)輸入的精確性；輸入層鏈接隱藏層的激活函數(shù)為sigmod()；隱藏層包括18個(gè)神經(jīng)元，為了均勻內(nèi)部權(quán)重以提升準(zhǔn)確性，大于輸入層的個(gè)數(shù)；隱藏層鏈接輸出層的激活函數(shù)為tanh()；輸出層為6個(gè)神經(jīng)元，對(duì)應(yīng)著6種土地利用類型轉(zhuǎn)化概率；反向激活函數(shù)為rule（），以促進(jìn)反向?qū)W習(xí)能力。

（2）抽樣訓(xùn)練結(jié)構(gòu)。訓(xùn)練采取對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行抽樣，在初始土地利用、影響因子數(shù)據(jù)和目標(biāo)土地利用內(nèi)，定義隨機(jī)選取8000個(gè)采樣點(diǎn)，每次獲取1個(gè)數(shù)組；建立初始化矩陣，隨著內(nèi)部函數(shù)訓(xùn)練，土地轉(zhuǎn)化混淆矩陣出現(xiàn)相應(yīng)權(quán)重變化，初始土地利用抽樣像元點(diǎn)數(shù)值發(fā)生變化，向目標(biāo)年抽樣像元點(diǎn)靠攏，響應(yīng)成功即完成訓(xùn)練。

（3）鄰域演變結(jié)構(gòu)。模擬CA元胞自動(dòng)機(jī)空間變化機(jī)制，以鄰域空間相關(guān)性為基礎(chǔ)，構(gòu)建3*3鄰域范圍，以鄰域像元值變化為動(dòng)力，設(shè)定閾值為1，因子值疊加超過(guò)閾值即可以發(fā)生變化，像元點(diǎn)及鄰域像元發(fā)生波動(dòng)。

（4）精度檢驗(yàn)結(jié)構(gòu)。采取Kappa系數(shù)來(lái)驗(yàn)證神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)精度，在每一輪學(xué)習(xí)訓(xùn)練結(jié)束后，輸出圖元與目標(biāo)圖元進(jìn)行對(duì)比，確定一次準(zhǔn)確率，當(dāng)準(zhǔn)確率過(guò)低時(shí)便會(huì)再次進(jìn)行一輪訓(xùn)練，達(dá)到一個(gè)最高的準(zhǔn)確率時(shí)，模型停止訓(xùn)練。

（5）成果預(yù)測(cè)結(jié)構(gòu)。輸入新土地利用和影響因子作為初始值，根據(jù)已保存的用地轉(zhuǎn)換概率，啟動(dòng)像元值疊加變化，推動(dòng)鄰域范圍波動(dòng)，形成模擬土地演變過(guò)程，設(shè)定總體變化數(shù)量，輸出目標(biāo)年土地利用數(shù)據(jù)。

5.模型學(xué)習(xí)

ANN-PY神經(jīng)網(wǎng)絡(luò)模型具有傳統(tǒng)CA模型所不具備的自動(dòng)化和精度優(yōu)勢(shì)，訓(xùn)練學(xué)習(xí)過(guò)程相對(duì)穩(wěn)定，易受到輸入數(shù)據(jù)影響。由于桂林土地利用數(shù)據(jù)和影響因子為市域范圍數(shù)據(jù)，建設(shè)用地總量占比不到4%，穩(wěn)定不變的“林田湖草”占比超過(guò)95%，因此模型學(xué)習(xí)偏好傾向于不變。若輸入數(shù)據(jù)替換為建設(shè)用地占比較高的中心城區(qū)數(shù)據(jù)，模型學(xué)習(xí)偏好傾向于變化。為模擬桂林市市域土地利用變化形態(tài)，選取變化概率更小、難度更高的模型訓(xùn)練方式。

6.成果預(yù)測(cè)

根據(jù)桂林市土地利用變化規(guī)?？偭?，設(shè)置目標(biāo)年約5000個(gè)城市建設(shè)用地像元增長(zhǎng)量。在模型開(kāi)啟訓(xùn)練和模擬后，城市建設(shè)用地增長(zhǎng)量達(dá)到相應(yīng)數(shù)量后，模擬停止并輸出目標(biāo)年土地利用圖像。經(jīng)過(guò)多次實(shí)驗(yàn)和調(diào)整模型參數(shù)，最終在多個(gè)輸出結(jié)果中選取實(shí)驗(yàn)效果較好，Kappa準(zhǔn)確率較高，土地利用轉(zhuǎn)化形態(tài)良好，城市建設(shè)用地像元比較聚合的圖像，作為最終模型預(yù)測(cè)結(jié)果。將模型最終預(yù)測(cè)結(jié)果和實(shí)際項(xiàng)目中初步劃定的城鎮(zhèn)開(kāi)發(fā)邊界集中建設(shè)區(qū)范圍進(jìn)行疊加，城市建設(shè)用地重疊部分平均占比為59.5%。如成果驗(yàn)證中心城區(qū)重疊程度較高，外圍重疊較少，邊緣組團(tuán)無(wú)重疊，表明本模型預(yù)測(cè)成果比較集中，邊緣組團(tuán)缺少拓展動(dòng)力。對(duì)兩者有區(qū)別的圖斑進(jìn)行分析，判斷實(shí)際項(xiàng)目集中區(qū)規(guī)模過(guò)大，不符合城市用地總增長(zhǎng)量要求，應(yīng)適當(dāng)縮減外圍紅色區(qū)域；其次選取藍(lán)色區(qū)域中區(qū)位條件好、開(kāi)發(fā)度高的地區(qū)劃入集中區(qū)，優(yōu)化實(shí)際集中區(qū)范圍。

二、結(jié)論

研究結(jié)果表明，通過(guò)加載2000年桂林市土地利用數(shù)據(jù)和影響因子，模擬2015年桂林市土地利用變化情況，學(xué)習(xí)桂林市城市用地?cái)U(kuò)張的規(guī)則，模型Kappa精度最高達(dá)到97%；并以2019年桂林市土地利用現(xiàn)狀為底，預(yù)測(cè)桂林市2035年土地利用變化情況，實(shí)驗(yàn)值與城市開(kāi)發(fā)邊界初步結(jié)果進(jìn)驗(yàn)證達(dá)到59.5%，能夠覆蓋到城區(qū)大部分區(qū)域，達(dá)到預(yù)期研究目標(biāo)。因此本模型具有一定可行性，能夠在一定環(huán)境下模擬城市用地變化過(guò)程，為桂林市城市開(kāi)發(fā)邊界的劃定工作提供一定的技術(shù)支持，結(jié)合實(shí)際為合理引導(dǎo)桂林市城市發(fā)展提供有效策略。