用户名
密码
(30天内有效)
注册
注册
首页 > 案例资料 >

基于耦合神经网络与元胞自动机的城镇开发边界划定 ——以惠州市为例

我要收藏
2018-09-11

       作者广东省城乡规划设计研究院规划三所主创规划师汤燕良,广东省城乡规划设计研究院规划三所詹龙圣在《规划师》2018年第4期撰文,划定城镇开发边界是目前我国推进空间规划体系改革和城市总体规划改革的重要内容。对于如何确定城镇开发边界的规模和空间布局,目前国内尚未有明确的方法和标准。惠州市按照刚性控制和弹性引导的思路,遵循保障城镇功能完整、促进城镇紧凑集约布局和土地节约高效利用的原则,综合运用耦合神经网络与元胞自动机两种方法,通过定总量、定边界、定形态的方式划定城镇开发边界,为相关实践提供了又一种借鉴。


[关键词]神经网络;元胞自动机;城镇开发边界;惠州市

[文章编号]1006-0022(2018)04-0101-06 

[中图分类号]TU984.11 

[文献标识码]B

[ 引文格式 ] 汤燕良,詹龙圣.基于耦合神经网络与元胞自动机的城镇开发边界划定 — 以惠州市为例 [J].规划师,2018(4):101-106.


   划定思路与方法

       随着惠州市城镇化进程的加速推进,城镇发展中的矛盾日益凸显,主要体现在:城镇用地数量增长过快而耕地资源极其短缺;城镇过度扩张而土地利用效率低下;新区开发建设迅猛而资源浪费严重;外延式增长突出而内部空间结构失衡等。在此背景下,划定城镇开发边界,将城镇建设控制在指定的区域内十分必要。

(一)利用耦合神经网络与元胞自动机进行城镇开发边界划定

       城镇复杂变化的模拟需要使用许多空间变量和参数,而确定模型的参数值和模型结构困难很大。研究表明,在元胞自动机中采用神经网络模型耦合土地利用驱动因子与分布概率可以获得更好的效果。将神经网络(ANN)、元胞自动机 (CA)相结合形成神经网络元胞自动机 (ANN-CA) 进行土地利用的动态模拟,并利用遥感分类图像来训练神经网络,能十分准确地确定模型参数和模型结构,消除常规模拟方法的弊端。

       元胞自动机能识别区域微观的邻里变量 ( 邻域约束 ) 和邻域内的开发强度,因而能在迭代中模拟城镇微观发展特征。作为一种自下而上的模型方式,元胞自动机模型主要着眼于单元的局部相互作用,某一单元的状态变化主要取决于某单元自身与其相邻单元的状态组合。同时,元胞自动机可以在一定程度上反映土地利用系统的复杂行为,但难以有效反映影响土地利用变化的社会、经济等宏观因素。鉴于城镇增长的复杂性,还需引入约束条件来控制或限制模拟过程,以模拟更为真实的城镇增长结果。利用约束性 ANN-CA 模拟的城镇增长结果,是对未来不同发展情景模式下的城镇空间布局的判断,可以作为惠州市城镇开发边界划定的基础。

(二)采用元胞模型进行城镇用地空间分配

       元胞自动机通过高分辨率空间信息能够克服传统城镇模型的局限,CA 的基本研究对象是元胞,元胞可以定义为高分辨率的格网。城镇 CA 的基本原理是通过局部规则模拟出全局的、复杂的城镇发展模式,其具有强大的建模能力,能较好地预测城镇土地利用变化的突现、混沌和进化等特征,有助于人们认识城镇形态的演变过程。


   城镇发展潜力地区识别

(一)采用神经网络计算城镇发展潜力

       城镇发展潜力即城镇未来的分布概率,分布概率越高的地方最有可能发展成城镇。神经网络算法主要用于明确建设用地与各类驱动力因子 (被项目考虑在内的推动城镇发展的因素 ) 的关系。神经网络利用采样点在各类驱动力数据及其对应的土地利用类型上采样,通过训练各类驱动力数据与土地利用类型之间的对应关系,生成一个分类器预测惠州市的建设用地发展潜力,并进一步分析各类驱动力因子对城镇发展的贡献。

       除了区域地形地貌 ( 地形高度、坡度等 )、现有土地利用方式、地质灾害等自然因子及社会经济因子外,还可以利用大数据来计算惠州市城镇发展潜力。大数据包括微博签到数据和百度各类POI数据,它们反映了居民工作、休憩等各类活动的分布特征,体现了城镇的发展趋势及居民出行选择倾向。此外,各类POI点在空间上的分布以及核密度情况可以使得智能算法输出的城镇发展潜力分布与空间品质、空间结构更加合理。研究主要选用6类POI数据:工业点、商业点、公共设施点、科教文娱点、行政机构点和微博签到点 (体现人口分布 ),分别计算它们在空间上的点密度(图1)。

1536892858700720.jpg


       研究将神经网络的隐藏层神经元数量设置为 14,经过 2%的样本学习,得到训练好的神经网络软分类器。随后向训练好的分类器中输入上述驱动力因子,分类器输出惠州市全区域的建设用地转换概率,数值越接近于1表示某区域发展为建设用地的潜力越大(图2)。

1536893103902731.jpg


(二)基于神经网络的驱动力因子重要程度分析

       在学习率与训练目标自适应神经网络中对惠州市的建设用地、非建设用地及各类驱动力因子进行采样并训练,得到各类驱动力因子的贡献权重(表1)。

1536893152596686.jpg


       如表 1 所示,将因子重要性从大到小进行排列可以发现,对建设用地影响较大的有公交站点、市区主要道路、交通主干道、河流水域、铁路、市场集市和经济增量。排名前两位的因子均属于交通因子且贡献权重都大于 0.1,可见市区道路和公共交通站点分布对惠州市建设用地发展有重要影响。而交通主干道、河流水域、铁路、市场集市和经济增量的贡献权重均大于 0.065,并且权重大小比较接近。综合来看,交通和经济因素是影响惠州市城镇发展的最主要因素。同时,公交站点和道路河流均属于人口流动强度较大的点状和线状地物,人口增量的贡献权重占0.47,因而人口分布强度和区位对城镇发展的影响也不可忽视。

(三)控制线内城镇发展潜力地区识别

       通过叠加规划控制方案与城镇发展概率图的方式,将神经网络的输出与规划的3类限制用地进行对比,为控制线的划定提供了参考。研究将生态控制线内的一级管制区和二级管制区、基本农田分别与城镇发展概率图进行叠加。

      (1) 一级管制区的管控目标主要包括生态保育用地中的市级及以上自然保护区、一级水源保护区、省内重点防洪大堤、全省性重要水源林、省级及以上生态公益林、市级及以上湿地保护区、城镇公园及生态旅游度假区等,该类区域实行最严格的管控措施,禁止从事与生态保护无关的开发活动,以及其他可能破坏生态环境的活动。如图3所示,图中色调越偏向暖色的地区理论上拥有越高的城镇发展潜力,即拥有较好的发展区位和条件,为了保护生态环境,宜对这些地区加大管控力度。

1536893225732707.jpg


       (2) 二级管制区的管控目标主要包括除一级水源保护区以外的水源保护区、除省内重点防洪大堤以外的主干河流和堤围、大型湖泊及沼泽,休闲游憩用地中的市级及以下自然公园,以及垦殖生产用地等。在二级管制区内,除生态保护与修复工程,文化自然遗产保护、森林防火、应急救援、军事与安全保密设施,以及必要的农村生活及配套服务设施、垦殖生产基础设施外,不得进行其他项目建设。如图4所示,色调越偏向暖色的地区理论上拥有越高的城镇发展潜力。

1536893303407911.jpg


       (3) 惠州市基本农田与城镇发展概率图的叠加结果显示,色调越偏向暖色的地区转化为城镇建设用地的风险越高( 图 5)。

1536893351901890.jpg



   基于ANN-CA的城镇开发边界划定

(一)耦合系统动力学的ANN-CA模型

       通常,对于城镇扩张用地需求的模拟,是以规划的建设用地数量目标为前提的。为了更好地模拟惠州市未来建设用地发展情况,划定更加合理的城镇开发边界,研究在 ANN-CA 中引入系统动力学模型,综合考虑惠州市自然、社会、经济和人文等多种复杂因素,以科学地预测未来建设用地的数量。

       研究设定模型邻域为3×3摩尔邻域,以计算出的未来土地利用变化需求作为迭代的终止条件,模拟未来的土地利用变化分布情况,并将建设用地按一定规则分配到相应区域,分配过程如图6所示。

1536893395210294.jpg



(二)耦合系统动力学的综合分析和城镇开发边界划定


1.刚性控制线约束下的惠州市城镇发展

       为了更好地模拟城镇的扩张情况,在 ANN-CA 模型中加入符合实际的约束条件是很有必要的。因此,研究设定了三种限制条件,即以 2015 年的现状建设用地为模拟的基准年份,以神经网络预测的建设用地转换概率为转换规则,以系统动力学预测的 2030 年建设用地数量为发展目标,对惠州市 2030年建设用地面积进行模拟。限制条件共分为3类:①严格限制,保证一、二级管制区的生态控制线范围、基本农田和当前水域不发展为建设用地;②二级管制区不限制,保证一级管制区范围、基本农田和当前水域不发展为建设用地,放宽对二级管控区的限制;③基本农田不限制,保证一、二级管制区的生态控制线范围和当前水域不发展为建设用地,放宽对基本农田的限制。

       在此基础上,研究分别对不同级别限制条件下 2030 年的惠州市建设用地情况进行模拟,得到其建设用地分布与发展预测结果。结果显示,在严格限制条件下,城镇只能在控制线之间的较小区域中发展,城镇形态更加破碎分散,常呈不规则的簇状或絮状聚集(图7);在二级管制区不限制条件下,城镇的发展形态相比严格控制情景更加紧凑、更加规则(图8);在基本农田不限制条件下,城镇的发展特征与放宽二级控制线的特征相似,不过大部分基本农田分布在地势平坦的地区,靠近已有城镇建设用地和乡镇建设用地(图9)。


1536893561209713.jpg

1536893583576075.jpg

1536895887849394.jpg


2.多约束弹性控制线边界与惠州市城镇发展综合情景分析

       在现实条件下,城镇不会完全按照规划好的方向发展,除了受到各种驱动力因子影响,政策、规划和随机因子等也会对其发展产生影响。

       随机因子在 ANN-CA 中已经以随机变量的形式考虑在内了。在模型中单纯地考虑刚性的控制线并不能很好地预测未来城镇土地利用的变化。为了更好地应对快速城镇化和城镇发展不确定性条件对惠州市城镇发展的影响,研究在模拟过程中引入灵活的非刚性限制条件来约束城镇的增长。多约束综合模拟分析的情景包括综合考虑生态保护与经济发展的可持续发展情景,以及核心区规划建设用地优先发展战略下的发展情景。通过不同规划情景条件下的 ANN-CA 模拟,可以体现出不同规划策略对城镇发展的影响,从而为城镇开发边界的划定提供重要的决策依据。

       (1) 可持续发展情景下的城镇开发边界。

       研究对生态控制线约束和电力廊道约束下的城镇扩张,以及包含交通、经济、区位和社会等因素的城镇扩张这两种CA模型的模拟情境进行分析,建立基于神经网络和多因素的城镇用地规划模型,模拟更加合理的发展情景及这种情景下的决策措施。同时,一级管制区和基本农田内不允许被建设用地占用,但是二级管制区内可以有部分建设用地。此外,禁止建设区、水域和电力廊道内均不允许建设,并减小靠近高压线走廊区域(1000m以内)的建设用地转换概率。通过将上述限制因子进行空间叠合,得到限制因子图层(图10)。

1536895957634744.jpg


       其中,弹性限制系数越接近 1 表示该区域土地转化为建设用地的难度越大,建设用地的潜力缩减幅度也会越大。用限制因子图层进行迭代模拟,绘制出惠州市 2030 年建设用地分布模拟图 ( 图 11)。

1536895999270054.jpg


      可持续发展情景下的惠州市城镇发展兼顾经济发展与环境保护,在发展的同时有一小部分的二级管制区被建设用地所覆盖。在生态控制线和基本农田保护的有力约束下,一级管制区、基本农田、禁止建设区和重要水源地得到有效保护,城镇在二级管制区控制线的缝隙中呈斑块发散状。但在一些城镇发展潜力很高的地区,即使有二级管制区控制线的约束,部分土地仍然能转变成建设用地。

       (2) 核心区规划建设用地优先发展情景下的城镇开发边界。

       研究结合惠州市未来的发展规划,将核心区规划建设用地的发展纳入到CA模型中,对CA模型进行转化增强,即在对网格进行转换概率输出时,考虑其是否属于核心区规划建设用地,若属于,则转变为城镇用地的概率较大,继而模拟出核心区规划建设用地优先发展战略下的城镇开发边界。

       在该情景下,核心区内的部分二级管制区的限制作用可能会被削弱,而二级管制区的其他区域限制作用将增强(图12)。尤其是在惠城次区域和惠阳—大亚湾区域内,生态控制线内的限制有所放松,而双核心区域建设用地的发展速度明显加快。

1536896087551463.jpg


       在核心区规划建设用地优先发展战略情景下,核心区内的建设用地会覆盖部分二级管制区 ( 图 13),但核心建设用地区发展更快并且土地的连片性更高、破碎度更低,有利于镇区的经济发展和提高土地利用效率。该发展特征在惠州市南部和北部最为显著。而禁止建设区、基本农田和一级管制区仍受到严格保护,不受到城镇发展的影响。

1536896122981590.jpg


3.模拟结果的边界整合

       ANN-CA 模型模拟的结果是对未来城镇不同发展情景的预测,上述两个不同的综合情景模拟,一方面兼顾了城镇发展的不确定性,另一方面分别考虑了可持续发展和核心区规划建设用地优先发展两种情景下的惠州市城镇发展情况。通过可持续发展情景的模拟结果能识别出在保护生态和基本农田的限制条件下,惠州市具有高开发建设概率的用地空间分布;而从核心区规划建设用地优先发展情景下的模拟结果看,双核心区内的建设用地布局更加紧凑,其土地连片性更高、破碎度更低。在实际的城镇建设用地管理中,既要保护生态环境和农田等,实现可持续发展,又要实施核心区规划建设用地优先发展的战略,促进经济发展,提高土地利用效率。

       研究将上述两种情景的城镇建设用地模拟结果进行整合,使得用地边界保留一定的弹性范围,从而更有效地将城镇开发控制在指定区域内。同时,过于破碎的用地不符合划入城镇开发边界的要求,需要加以剔除;城镇开发边界的划定还要求包含破碎但集中的建设用地斑块,以保证边界的连片性。由于城镇在发展中的突变、混沌等特点,模拟结果会产生许多孤立破碎的建设用地。因此,为剔除孤立破碎的建设用地,整合集中破碎的城镇斑块,研究首先采用形态学“膨胀”“腐蚀”的方法对 ANN-CA模型模拟的惠州市未来土地利用模拟结果数据进行处理,将未来建设用地分布数据转化成合理的城镇开发边界;其次,依次通过图形学中的“腐蚀”“膨胀”来去除小块破碎地块、整合地块,最终得到惠州市城镇开发边界(图14)。

1536896177569679.jpg



四   结语

       如何科学划定城镇开发边界,是发挥规划“战略引领”的关键。耦合神经网络算法通过寻找建设用地与各类驱动力因子 ( 自然、经济、交通、区位等 )的关系,计算出研究范围内每种土地利用类型在每个像元上的出现概率,从而得出城镇发展潜力地区。元胞自动机基于自适应惯性机制,模拟未来城市用地演变,根据不同土地类型间的相互转化成本、适宜性概率数据和约束性条件(如永久基本农田、生态保护红线等),为城镇自然增长提供情景模拟的参考依据。本文将这两种方法的优点融合,构建了神经网络元胞自动机,能够解决城镇开发边界划定工作中定总量、定边界、定形态的问题,为提高城镇开发边界的综合性、科学性提供支撑。


来源:2018年04期《规划师》杂志

点击进入原文

新媒体编辑:肖莉

审读:郭敬锋

本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0

全站浏览排行

TOP ARTICLES