基于城市流和层级性的城市群扩展模型构建

城市群是具有网络关系与层级性的区域空间,一直是中国推进城镇化与区域协调发展的主体单元。本文综合考虑城市群的网络与层级性特征,运用城市流刻画城际网络交互作用,采用分层广义线性模型（HGLM）揭示城市群分层驱动机制。同时,选取长江中游城市群开展实证研究,通过与元胞自动机（CA）耦合,构建HGLM-CA模型模拟城市群空间扩展。将模拟结果与Logistic-CA模型、BBO-CA模型进行比对,据此评析HGLM-CA模型的优劣与改进方向。实证结果表明：城市群空间扩展是多层驱动因素共同作用的结果,城市流不仅会推动城市群空间扩展,而且对元胞层因素起到重要的调节作用,使之具有城际分异性;HGLM-CA模型相比Logistic-CA模型模拟精度更高,说明顾及城市流与层级性的城市群空间扩展模拟结果更为精准;与智能模型BBO-CA相比,HGLM-CA模型模拟精度较低,但其便于从层级性角度把握城市群空间扩展机制。     

基于误差反馈控制的变系数城市扩张模型构建及应用

通过模拟结果与实际情况的误差分析,将研究区划分为4种像元类型,包括漏算误差像元（Omission Error, OE）、超算误差像元（Commission Error, CE）、正确模拟的城市像元（Urban Correct, UC）及正确模拟的非城市像元（Non-urban Correct, NUC）。利用线性规划方法,将误差反馈到城市扩张模型中,动态修正模型系数,构建基于误差反馈控制的变系数城市扩张空间布局模型反映城市扩张的内在特征,最后以北京市为例,模拟了其1997~2009年的城市扩张过程,通过与传统Logistic-CA模型的模拟结果对比,验证变系数模型的有效性与实用性。研究结果表明：传统Logistic-CA模型在2001年、2005年和2009年的模拟精度分别为73.842%、64.704 %和63.953%,而基于误差反馈控制的变系数城市扩张模型的模拟精度分别为75.624%、66.537%和69.142%,较Logistic-CA回归模型提高了1.782、1.833和5.189个百分点,取得了更好的模拟效果。     

基于随机森林的元胞自动机城市扩展模拟——以佛山市为例

本文提出一种基于随机森林的元胞自动机城市扩展(RF-CA)模型。通过在多个决策树的生成过程中分别对训练样本集和分裂节点的候选空间变量引入随机因素,提取城市扩展元胞自动机的转换规则。该模型便于并行构建,能在运算量没有显著增加的前提下提高预测的精度,对城市扩展中存在的随机因素有较强的容忍度。RF-CA模型可进行袋外误差估计,以快速获取模型参数;也可度量空间变量重要性,解释各空间变量在城市扩展中的作用。将该模型应用于佛山市1988-2012年的城市扩展模拟中,结果表明,与常用的逻辑回归模型相比,RF-CA模型进行模拟和预测分别能够提高1.7%和2.6%的精度,非常适用于复杂非线性特征的城市系统演变模型与扩展研究;通过对影响佛山市城市扩展的空间变量进行重要性度量,发现对佛山城市扩张模拟研究而言,距国道的距离与距城市中心的距离具有最重要的作用。     

一种顾及驱动因子重要性的双约束RF-Patch-CA城市扩张模拟方法

城市扩张模拟为实现土地资源合理分配与制定城市发展规划政策提供依据。该文针对传统元胞自动机(CA)在城市扩张模拟中存在城市元胞密集区域团簇现象,耦合随机森林(RF)与基于斑块(Patch)扩张的CA模型,在顾及驱动因子重要性基础上构建基于斑块最大面积和城市扩张总量的双约束RF-Patch-CA模型,并利用该模型模拟重庆主城都市区2010-2017年城市扩张。结果显示:该模型总体精度达97.62%,相比传统的RF-CA、ANN-CA和Logistic-CA模型,Kappa系数分别提高了0.0222、0.0231和0.0245,FoM分别提高了0.0376、0.0391和0.0414;在景观相似度上,该模型相比以上3种模型分别提高了40.92%、41.16%和32.33%,最接近真实情况,而且避免了模拟结果产生城市元胞团簇现象,有效提高了城市扩张模拟精度。     

基于智能体和人工神经网络的元胞自动机建模及城市扩展模拟

城市扩展模拟可为城市可持续发展与国土空间规划提供参考。智能体模型(ABM)与元胞自动机(CA)结合可兼顾城市空间增长的自组织性和不同决策主体的决策过程,人工神经网络(ANN)可描述智能体与城市扩展之间复杂的非线性关系。该文基于ANN-ABM-CA耦合模型,在构建CA转换规则时基于ABM刻画人类决策行为的影响,并采用ANN挖掘不同类型的智能体在城市扩展过程中的偏好差异,同时考虑宏观和微观层面的智能体决策行为,结合城市扩展的10个驱动因素,模拟武汉市主城区2005-2015年的扩展情况,结果表明:1)相比传统的ANN-CA模型,ANN-ABM-CA模型模拟性能更优,从宏观与微观相结合的角度更好地解释了城市扩展的驱动机制,OA值为97.46%,Kappa系数为0.9176,FoM值为0.4375,结果可靠且合理;2)不同收入层级的居民智能体对城市扩展的决策偏好不同;3)武汉主城区城市扩展模式主要为边缘型扩展,洪山区西南部有少部分填充型扩展、东南部出现飞地型扩展,与实际扩展情况相符。     

山地城市格局对餐饮业区位选择影响的空间异质性

城市格局对产业布局有深刻影响,山地城市尤甚。餐饮业是城市商业的重要“引流业态”,其布局与城市居住、交通、公共服务等空间功能密切相关,山地城市格局对餐饮业布局影响的空间异质性尤为明显和特殊。以典型山地城市重庆主城区为研究对象,基于多源兴趣点（POI）数据,运用核密度、空间自相关、地理加权回归等空间分析工具,探究山地城市格局对餐饮业区位选择影响的空间异质性。结果表明：① 重庆主城区餐饮业空间布局形态呈凝聚多中心特征,形成“一主两副四次级”的多中心空间结构,是重庆主城区“多中心,组团式”城市格局的缩影。② 餐饮业发育成熟度与山地城市扩展时序密切相关,且空间分布方向与城市扩展方向一致。③ 同一类城市空间因子对不同城市组团的餐饮业分布具有不同甚至相反的影响力,相较圈层式单中心城市空间因子作用模式的空间异质性更为显著,其本质原因在于山水自然分割和城市扩展的特殊性导致的中心组团和外围组团资源要素配置不均。④ 不同城市空间因子对餐饮业布局的作用力也具有空间异质性,城市居住、商业、交通、公共服务、休闲空间等5类因子在不同区域对餐饮业区位选择均有不同程度正向促进作用,其中城市商业空间因子对餐饮业区位选择影响最大。     

基于随机森林的元胞自动机城市扩展模拟——以佛山市为例

本文提出一种基于随机森林的元胞自动机城市扩展(RF-CA)模型。通过在多个决策树的生成过程中分别对训练样本集和分裂节点的候选空间变量引入随机因素,提取城市扩展元胞自动机的转换规则。该模型便于并行构建,能在运算量没有显著增加的前提下提高预测的精度,对城市扩展中存在的随机因素有较强的容忍度。RF-CA模型可进行袋外误差估计,以快速获取模型参数;也可度量空间变量重要性,解释各空间变量在城市扩展中的作用。将该模型应用于佛山市1988-2012年的城市扩展模拟中,结果表明,与常用的逻辑回归模型相比,RFCA模型进行模拟和预测分别能够提高1.7%和2.6%的精度,非常适用于复杂非线性特征的城市系统演变模型与扩展研究;通过对影响佛山市城市扩展的空间变量进行重要性度量,发现对佛山城市扩张模拟研究而言,距国道的距离与距城市中心的距离具有最重要的作用。     

基于Logistic回归的CA模型改进方法——以广州市为例

基于Logistic回归的CA模型因其结构简单和数据要求相对较小的优势,被广泛应用于城市模拟领域,但数据的空间自相关性影响了模型机制挖掘与模拟精度。通过将影响城市发展演变的各种约束条件划分为强制和普通约束条件,以及运用主成分分析降低普通约束条件的数据相关性,构建了改进型Logistic回归CA模型,并在2000~2008年广州市城市增长模拟研究中进行应用。结果表明:与传统型Logistic回归CA模型相比,改进型Logistic回归CA模型在模型拟合度和精度上均有4%左右的提高。其中约束条件划分对非城市像元模拟精度约有6%的提高,对整体精度有3%的提高。更为重要的是,降低数据相关性后,Logistic回归CA模型对于城市扩展机制的解释更符合实际。本研究旨在寻求一种简单可行且易于构建的CA模型,探求城市发展机理,为城市规划管理提供更为准确的科学依据。     

基于空间区位条件的城市扩展生态阻力面模型及应用

从土地供给角度建立城市扩展模型,可以为城市扩展模拟研究提供有效补充。城市扩展生态阻力面模型是这一领域的新进展,在最小累积阻力面模型的基础上增加了绝对生态约束和扩展源等级的改进。在城市扩展生态阻力面模型的基础上,进一步加入了城市空间区位条件因素,包括城市间空间相互作用和道路交通条件两项因子,以反映其对城市空间扩展的影响。从而构建了综合考虑城市扩展的推力、阻力和外部吸引力的城市扩展模型。以新疆玛纳斯县城及其周边区域为例,利用构建的模型进行实证研究。结果表明,改进的模型取得了较好的应用效果,反映了城市扩展的推力、阻力和外部吸引力的综合作用,为城市扩展模拟提供了新方法。     

城市空间扩展模型及对长沙市的模拟研究

借鉴传统的元胞自动机模型自下而上的运行规则,通过引入规划控制层,将自下而上和自上而下2种运行规则结合起来,构建了城市空间扩展模型,简化了传统城市空间扩展模型计算的数据量。以长沙市为例,采用1996,1999,2002,2005年城市规划资料数据,运用城市空间扩展模型将长沙城市空间分为12个组团分片模拟,并结合人口经济模型,预测了2020年长沙城市建设用地面积、人口经济与各个片区城市空间扩展等状况,为城市规划管理决策提供参考。     

Modeling urban land-use dynamics in a fast developing city using the modified logistic cellular automaton with a patch-based simulation strategy

Cellular automata (CA) have been used to understand the complexity and dynamics of cities. The logistic cellular automaton (Logistic-CA) is a popular urban CA model for simulating urban growth based on logistic regression. However, this model usually employs a cell-based simulation strategy without considering the spatial evolution of land-use patches. This drawback largely constrains the Logistic-CA for simulating realistic urban development. We proposed a Patch-Logistic-CA to deal with this problem by incorporating a patch-based simulation strategy into the conventional cell-based Logistic-CA. The Patch-Logistic-CA differentiates new developments into spontaneous growth and organic growth, and uses a moving-window approach to simulate the evolution of urban patches. The Patch-Logistic-CA is tested through the simulation of urban growth in Guangzhou, China, during 2005–2012. The cell-based Logistic-CA was also implemented using the same set of data to make a comparison. The simulation results reflect that the Patch-Logistic-CA has slightly lower cell-level agreement than the cell-based Logistic-CA. However, visual inspection of the results reveals that the cell-based Logistic-CA fails to reflect the actual patterns of urban growth, because this model can only simulate urbanized cells around the edges of initial urban patches. Actually, the pattern-level similarities of the Patch-Logistic-CA are over 18% higher than those of the cell-based Logistic-CA. This indicates that the Patch-Logistic-CA has much better performance of simulating actual development patterns than the cell-based Logistic-CA. In addition, the Patch-Logistic-CA can correctly simulate the fractal structure of actual urban development patterns. By varying the control parameters, the Patch-Logistic-CA can also be used to assist urban planning through the exploration of different development alternatives.     

基于CA-ABM模型的福州城市用地扩张研究

以中国海西地区重要门户福州市为研究区,结合其地理位置多层次约束性条件,以地理加权回归模型作为元胞自动机(CA)层的转换规则,同时以2000-2015年多期LandsatTM/ETM+影像的城市用地情况为参照,借助GIS空间分析技术,对CA和多智能体(ABM)相耦合的城市用地扩张模型进行改进。然后利用传统的和改进后的CA-ABM模型,多角度、多层次地模拟福州市2000年、2005年、2010年、2015年城市用地扩张在微观格局上的变化。结果表明,传统的和改进后的CA-ABM模型的整体精度均在80%以上,模拟结果具有较强的可信度;改进的 CA-ABM模型模拟的点对点总体精度和Kappa系数均高于传统的CA-ABM模型,而且模拟结果更加接近实际的城市用地扩张分布情况。结论可为平衡城市化进程和合理规划城市用地提供重要的理论技术支撑。     

Simultaneously simulate vertical and horizontal expansions of a future urban landscape: a case study in Wuhan,Central China

While there are extensive studies of urban 2D forms, research on the varying geometric features and spatial distribution patterns of urban 3D spaces is comparatively rare. In this paper, we propose a coupled model, known as BPANN-CBRSortCA, which is based on a back propagation artificial neural network (BPANN) and case-based reasoning technology with sort cellular automaton (CBRSortCA) to simulate future urban building heights and their spatial distribution. BPANN–CBRSortCA uses BPANN to predict the vertical extrusion of building heights and uses CBRSortCA to simulate horizontal urban expansion. The BPANN–CBRSortCA model is innovative because of its capabilities to simultaneously project urban growth in the vertical and horizontal dimensions. The proposed model also overcomes the limitations of the traditional cellular automata models that cannot simulate ‘diffused’ urban expansion. This research used Wuhan City as a case study to simulate vertical and horizontal urban expansion from 2015 to 2025. The results showed the following: (1) in the next 10 years, new build-up will mainly appear along the edge of Hongshan and Hanyang Districts or will occupy bare land in the form of ‘filling’ and (2) the tallest buildings will be mainly located to the south of East Lake in Hongshan District and on undeveloped land within the city. These simulation results can provide a reference for future urban planning.     

广州市海珠区高密度城区扩展SLEUTH模型模拟

高密度城区是城市的核心区,也是城区扩展的源,对该区域的精确识别以及扩展模拟研究,具有重要的意义与价值。以广州市海珠区1979、1990、2000、2008 年4 期Landsat 影像为数据源,运用非渗透表面端元选取模型(V-I-S) 与归一化混合光谱分析模型(NSMA) 相结合的方法,辅以单窗算法反演地表温度数据(LST),高精度提取非渗透表面丰度,进而设置合适阈值表征研究区高密度城区范围。在此基础上基于SLEUTH模型设置4 种场景模拟和预测海珠区高密度城区扩展,并用景观指数分析方法对研究区1979-2050 年长达70 年的空间扩展状况进行分析。主要结论为：① SLEUTH模型同样适用于小尺度区域的扩展模拟。② SLEUTH模型模拟中基于自然、人文以及城市扩展内在动力机制等条件参数的设置,促使模拟结果精度更高。③ SLEUTH模型模拟结果表明,自1979 至今,海珠区高密度城区以较快扩展速率扩张,尤以1990-2004 年间变动增长最快;未来的20 年其增长速率减缓,并于2030 年前后趋于稳定。这种扩张格局与变化状况与研究区产业结构、经济政策、土地规划决策等因素密不可分。     

Simulating urban growth by integrating landscape expansion index (LEI) and cellular automata

Traditional urban cellular automata (CA) model can effectively simulate infilling and edge-expansion growth patterns. However, most of these models are incapable of simulating the outlying growth. This paper proposed a novel model called LEI-CA which incorporates landscape expansion index (LEI) with CA to simulate urban growth. Urban growth type is identified by calculating the LEI index of each cell. Case-based reasoning technique is used to discover different transition rules for the adjacent growth type and the outlying growth type, respectively. We applied the LEI-CA model to the simulation of urban growth in Dongguan in southern China. The comparison between logistic-based CA and LEI-CA indicates that the latter can yield a better performance. The LEI-CA model can improve urban simulation accuracy over logistic-based CA by 13.8%, 10.8% and 6.9% in 1993, 1999 and 2005, respectively. Moreover, the outlying growth type hardly exists in the simulation by logistic-based CA, while the proposed LEI-CA model performs well in simulating different urban growth patterns. Our experiments illustrate that the LEI-CA model not only overcomes the deficiencies of traditional CA but might also better understand urban evolution process.     

一种新的城市景观扩张过程测度方法：多阶邻接度指数

提出多阶邻接度指数（Multi-order Adjacency Index, MAI）,应用多阶缓冲区完善对新旧斑块间空间关系的识别,从而更为详细地揭示城市扩张过程特征。MAI的延伸公式可供自下而上从宏观分析城市整体的扩张程度及空间变化过程。选取武汉市作为研究区,基于4期遥感影像（1995、2000、2005和2010年）划分3个时段应用MAI分析武汉市城市景观格局的演变特征。结果表明,MAI能够详细地反映出新增城市斑块在空间上有更加离散的分布趋势,新增斑块的扩张程度逐渐加深,建成区的边界不断向外延展。比较MAI与LEI（Landscape Expansion Index, LEI）的特征差异,指出MAI能够更加详尽地反映新旧斑块间的空间位置关系。