基于CA的多背景生态安全土地空间格局模拟* 1

杨青生，游细斌

(1.广东财经大学 地理与旅游学院， 广州　510230；2.赣南师范学院 地理与规划学院，江西 赣州　341000)



基于CA的多背景生态安全土地空间格局模拟* 1

杨青生1，游细斌2

(1.广东财经大学 地理与旅游学院， 广州510230；2.赣南师范学院 地理与规划学院，江西 赣州341000)

摘要：以城市化快速发展的东莞市为例，采用约束性神经网络元胞自动机，在转换规则中嵌入控制城市发展的变量，引导城市分别向“单中心”和“多中心”模式发展，形成城市沿“市中心”、“市中心——镇中心”紧凑发展的土地利用格局，并对不同城市发展模式的生态安全进行评价.研究结果表明：控制城市沿市中心扩展的“单中心”城市发展格局生态安全指数为0.479，城市用地聚集指数为0.92；控制城市沿市中心和镇中心发展的“多中心”城市发展格局生态安全指数为0.477，城市用地聚集指数为0.640；单中心发展模式的城市生态安全程度最高，城市用地最为集中，多中心发展模式的城市生态安全和城市用地聚集度均比实际(0.383、0.250)高.“单中心”和“多中心”的发展模式可以形成城市聚集，乡村生态安全的区域土地利用格局，是未来新型城镇化空间布局的理想形态之一.

关键词：元胞自动机；城市发展情景；生态安全；东莞市

1引言

随着我国新型城镇化的进一步发展，研究符合我国国情的可持续发展城市形态，可以为新型城镇化规划提供科学的决策依据.如果能模拟出不同的城市形态并对其生态环境效应进行评价，就可以综合考量决定更有利于新型城镇化发展的城市形态.目前，对城市空间发展的模拟已取得了许多研究成果[1-10]，而对模拟结果的生态环境效应评价相对不足.如，Batty和Xie采用CA通过获取转换规则模拟Buffalo市城市发展[11]，Syphard等预测了南加州区域城市发展及影响[12]，Li等分别采用案例推理(CBR)、遗传算法(GA)和主成分分析(CPA)模拟了珠三角城市的发展[13-15].这些研究从实证角度证明CA在模拟城市发展时具有非常好的性能.

近年来，越来越多的学者采用CA模拟交替的城市发展模式和多情景下的城市发展形态，这类模型首先假设各种问题，再按照假设问题具备的不同假设条件模拟出各自发展模式下的城市形态，如Li将土地可持续发展指标作为约束条件嵌入模型中，模拟了东莞市保护基本农田约束下的城市发展模式[16]，Li等也采用调整参数的方法模拟了紧凑发展的城市形态[17].目前，用CA模拟不同城市发展模式的研究，主要通过在模型中嵌入农业适宜性、城市紧凑度等单一假设条件模拟期望的城市形态，如果在模型中嵌入既能考虑城市发展又能反映城市扩展影响的综合指标控制城市形态的发展，可以模拟不同情景下的可持续城市形态发展[18].其中，采用CA模拟紧凑发展的城市形态时，发现城市用地的聚集使城市地区的生态安全程度不高，而在尝试模拟生态安全的土地利用模式时，却发现城市用地相对比较分散的发展模式又往往是生态安全较高的土地利用模式[18].

为了给城市和区域规划提供科学的决策依据，本文采用约束性元胞自动机模拟城市沿“单中心”和“多中心”紧凑发展的情景，并对不同发展情景的城市用地聚集程度及其生态安全度进行评价，将其与实际城市发展模式比较，研究不同城市发展情景的城市用地紧凑度及其生态安全程度.

2控制城市发展的约束性CA

2.1基于人工神经网络校正的CA

早期的CA只考虑元胞本身状态及其邻域元胞状态的组合来决定下一时刻元胞的状态，CA应用在城市系统时，由于城市空间扩展除了考虑元胞邻域状态外，还和元胞的商业服务业繁华度、道路通达性和城市规划等各种因素相关，在城市CA的转换规则中，除了运用局部变量外，还需要引入距离变量，如离市中心的距离、离道路的距离等，反映市中心和道路等对元胞状态转换的影响[25].如何定义元胞转换为城市用地的概率是城市CA的核心之一，由于城市系统的复杂性和非线性特征，人工神经网络可以用来反映元胞转换为城市用地的概率和空间变量之间的关系，采用人工神经网络定义CA的转换规则时，神经网络常常由3层组成：输入层、隐含层和输出层[19].输入层有n个神经元，对应着n个空间变量(元胞的属性)：

(1)

(2)

隐含层接收到输入层传递的信号，隐含层的第j个神经元所接受到的信号为：

(3)

其中，x为输入信号对应的模拟单元，t为模拟时间，netj(x,t)为隐含层第j神经元接收到的信号，wij为连接输入层第i个神经元和隐含层第j个神经元的权重.隐含层对该信号的响应为：

(4)

输出层只有一个神经元，输出层的信号为：

(5)

其中，pd(x,t)为元胞x在时刻t的城市发展概率，wj为连接隐含层第j个神经元与输出层的权重.

为了反映城市系统的不确定性，常常在CA中引入一随机变量，该随机项可以表达为：

(6)

其中，γ为[0,1]之间的随机数，a为控制随机变量大小的参数.因此，采用神经网络定义和校正CA时，元胞x在时刻t的城市发展概率为：

(7)

在每次迭代运算中，将神经网络输出的元胞城市转换概率与一随机数比较，如果该值大于该随机数，则在该次迭代中，该元胞转换为城市用地，即：

(8)

2.2约束性CA

紧凑式城市发展理论认为，城市发展应该更紧凑些，紧凑式城市发展可以减少基础设施建设费用，降低能源的消耗，有利于节约农业土地资源.紧凑发展的城市形态主要有“单中心”和“多中心”发展的中心聚集模式，为了模拟紧凑式发展城市形态，在CA转换规则中嵌入控制变量，控制城市偏离历史发展的规律，沿控制的城市形态发展.控制城市沿“单中心”(市中心)发展时，可以在式(8)中嵌入一控制变量，控制离市中心一定距离内的元胞转换为城市用地，其它元胞不转换，即：

(9)

其中，DisToUc(x)是元胞x离市中心的距离，D阈值.

控制城市沿“多中心”(市中心和镇中心)发展时，式(8)可以调整为：

(10)

其中，DisToUc(x)是元胞x离镇中心的距离，D′为阈值.

3案例分析

3.1研究区概况

东莞市位于广东省中南部，与广州、深圳相邻，经济发展区位优势非常显著.2014年全市完成生产总值5 881亿元，同比增长7.8%，第二产业增加值2 697.90亿元，增长9.2%，第三产业增加值3 162.44亿元，增长6.3%，三大产业比例为0.3∶45.9∶53.8，工业和服务业成为东莞市经济发展的主要产业；2014年末，常住人口834.31万人，人口城镇化率为88.81%；全市建成区土地面积922.02平方公里，公共管理与公共服务用地面积45.60平方公里，森林覆盖率为36%；城市建成区绿地率为44.5%，城市人均公园绿地面积17.3平方米[20].过去20年中东莞的经济得到了飞速发展，与之相应的城市建设用地规模快速增长，已经带来了一系列资源环境问题[21].采用合理的方法评价经济社会快速发展地区的生态环境问题，可以为区域可持续发展政策制定提供科学依据.

3.2数据来源

基础数据主要来源于TM卫星遥感数据(1988年12月10日，1997年8月6日和2013年10月20日)，卫星轨道号为122/44，该景遥感影像覆盖了东莞市全部区域，土地利用类型(7类)通过遥感数据分类获取.人口数据来自于东莞市统计年鉴，道路交通资料和自然保护区、森林公园等资料采用城市规划及环境保护规划等相关规划资料.

3.3结果及分析

3.3.1不同发展模式的城市形态模拟结果

图1　约束性CA模拟的2013年不同发展模式的城市形态

模拟时，以1988年的土地利用现状为初始状态，用1988-1993年的城市发展数据训练神经网络的权重，然后用训练的神经网络嵌入控制变量模拟1993-2013年的不同发展模式下的城市形态(图1).模拟结果表明，基于神经网络CA模拟的城市形态与实际城市形态非常接近；控制城市沿“单中心”模式发展的城市形态城市用地越来越集中在市中心，形成市中心城市紧凑，城郊过渡和乡村建设用地较少的发展模式；控制城市沿“市中心——镇中心”发展的“多中心”城市发展模式，城市用地主要集中在市中心和镇中心，形成市中心——镇中心城市紧凑而乡村建设用地较少的城市发展模式.

3.3.2不同城市形态的景观生态安全评价和城市用地紧凑度评价结果

为进一步了解不同城市形态的景观生态安全状况和城市紧凑度，对景观生态安全和城市紧凑度进行了评价.对不同城市形态的景观生态安全评价采用景观生态安全评价体系[21].对城市用地的紧凑度评价，结合Li等的研究，考虑研究区的实际，主要采用城市用地斑块密度(Patch density, PD)、景观形状指数(Landscape Shape Index, LSI)、斑块分离指数(Split)和聚集指数(Aggregation Index, AI)综合评价.为了研究城市用地的集中程度，对上述四项指标归一化后加权运算，计算斑块在景观中的紧凑程度：

(11)

其中，Aggregation表示城市用地聚集度，值越大，城市用地越集中.城市用地紧凑度评价指标采用Fragstats3.3软件计算.景观生态安全评价结果见图2和表1，城市紧凑度评价见表1.

对不同形态景观的评价结果表明，单中心生态安全发展模式的城市用地最为集中(0.920)，总体生态安全程度也最高(0.479)；其次是多中心生态安全城市形态，城市用地紧凑度和生态安全指数分别为0.640和0.477；神经网络CA模拟的城市形态城市用地较为分散，生态安全较低，城市用地紧凑度和生态安全指数分别为0.400和0.453；实际城市形态城市用地最分散，生态安全最低，城市用地紧凑度和生态安全指数分别为0.250和0.383.

图2　2013年不同模式城市形态的景观生态安全评价

指数实际城市神经网络CA模拟城市单中心生态安全城市多中心生态安全城市生态安全指数0.3830.453 0.479 0.477 城市斑块紧凑指数0.2500.400 0.920 0.640 其中斑块密度(PD)景观形状指数(LSI)斑块分离指数(SPLIT)斑块聚集指数(AI)1.52546.5175.85294.8616.962 39.283 2.855 95.688 2.515 27.124 2.810 97.082 4.707 35.426 2.332 96.130

从区域整体生态安全的平均值来看，实际城市形态的生态安全程度最低(0.383)，神经网络CA模拟的土地利用格局生态安全比实际稍高(0.453)，多中心生态安全土地利用空间格局生态安全比CA模拟结果高(0.477)，而单中心生态安全土地利用空间格局生态安全最高(0.479).与区域生态安全的平均值比较，生态安全的空间差异可以为我们选择一种城市发展模式提供科学的决策依据.图2表明，神经网络CA模拟的土地利用格局景观生态安全空间分异与实际比较接近，低生态安全区域分布在市中心、镇中心和道路附近；单中心生态安全土地利用格局的景观生态安全空间分布上市中心为低生态安全区，其他地区基本为中高生态安全区和高生态安全区；而多中心生态安全土地利用格局的景观生态安全空间分布上低生态安全区主要集中在市中心和镇中心城市用地聚集区，而其它地区为中高生态安全区和高生态安全区.

从城市斑块紧凑度的具体指标分析，实际城市形态的斑块密度最低，单中心生态安全城市形态的斑块密度次之，多中心生态安全城市形态的斑块密度较高，神经网络CA模拟城市形态的斑块密度最高.说明实际城市用地破碎化程度最低，单中心生态安全城市用地破碎化程度较低，多中心生态安全城市用地较破碎，神经网络CA模拟城市用地最为破碎.景观形状指数的测算结果表明：实际城市形态最为分散，然后是神经网络CA模拟的城市形态，多中心生态安全的城市形态，单中心生态安全的城市形态最为集中.斑块分离指数的测算结果表明，实际城市形态斑块最分散，然后是神经网络CA模拟的城市形态，多中心生态安全的城市形态，单中心生态安全的城市形态最为集中.斑块聚集指数的测算结果表明: 实际城市形态斑块最分散，然后是神经网络CA模拟的城市形态，多中心生态安全的城市形态，单中心生态安全的城市形态最为集中.

4结论

CA自下而上的建模特点，可以探索不同的城市发展模式及其生态环境效应.通过采用约束性CA，模拟了“城市集中在市中心，农村生态安全”“城市集中在市中心和镇中心，农村生态安全”的城市发展模式，并与非约束性CA模拟的城市形态和实际城市形态的城市用地紧凑度进行了比较，同时对不同发展模式城市形态的生态安全进行了评价.结果表明，“城市集中在市中心，农村生态安全”的城市形态最为集中，区域生态安全程度最高；“城市集中在市中心和镇中心，农村生态安全”的城市发展模式，城市形态较为集中，生态安全程度较高；实际城市形态的城市用地最为分散，生态安全程度最低；利用神经网络CA模拟的城市形态城市用地较为分散，生态安全程度较低.利用CA探索不同的城市发展模式，并对其生态安全进行评价，可以为城市及区域规划提供科学的决策依据.

参考文献：

[1]Wolfram S. Cellular Automata as Models of Complexity[J].Nature, 1984,311:419-424.

[2]Shin J. K. Identifying Patterns from One-Rule-Firing Cellular Automata[J].Artificial Life, 2011,17(1):21-32.

[3]Trunfio G. A. Predicting wildfire spreading through a hexagonal cellular automata model. Cellular Automata, Proceedings, 2004,3305:385-394.

[4]Zhao S. J. Simulation of Mass Fire-Spread in Urban Densely Built Areas Based on Irregular Coarse Cellular Automata[J].Fire Technology, 2011,47(3):721-749.

[5]Wang R., Liu M., Kemp R., et al. Modeling driver behavior on urban streets[J].International Journal of Modern Physics C,2007,18(5):903-916.

[6]Wang R. L., Liu M. Z. A realistic cellular automata model to simulate traffic flow at urban roundabouts[J].Lecture Notesin Computer Science,2005,3515:420-427.

[7]Wolf D. E. Cellular automata for traffic simulations[J].Physica a-Statistical Mechanics and Its Applications,1999,263(1-4):438-451.

[8]Sante I., Garcia A. M., Miranda D., et al. Cellular automata models for the simulation of real-world urban processes: A review and analysis[J].Landscape and Urban Planning, 2010,96(2):108-122.

[9]Sarkar S., Crews-Meyer K. A., Young K. R., et al. A dynamic graph automata approach to modeling landscape change in the Andes and the Amazon[J].Environment and Planning B,2009,36(2):300-318.

[10]Semboloni F. An urban and regional model based on cellular automata[J].Environment and Planning B,1997,24(4):589-612.

[11]Batty M., Xie Y. From Cells to Cities[J].Environment and Planning B, 1994,21:S31-S38.

[12]Syphard A. D., Clarke K. C., Franklin J. Using a cellular automaton model to forecast the effects of urban growth on habitat pattern in southern California[J].Ecological Complexity,2005,2(2):185-203.

[13]Li X., Liu X. P. An extended cellular automation using case-based reasoning form simulating urban development in a large complex region[J].International Journal of Geographical Information Science,2006,20(10):1109-1136.

[14]Li X., Yang Q. S., Liu X. P. Genetic algorithms for determining the parameters of cellular automata in urban simulation[J].Science in China Series D-Earth Sciences,2007,50(12):1857-1866.

[15]Li X., Yeh G. O. Integration of principal components analysis and cellular automata for spatial decisionmaking and urban simulation[J].Science in China Series D-Earth Sciences,2002,45(6):521-529.

[16]Li X., Lao C. H., Liu X. P., et al. Coupling urban cellular automata with ant colony optimization for zoning protected natural areas under a changing landscape[J].International Journal of Geographical Information Science,2011,25(4):575-593.

[17]Li X., Yang Q. S., Liu X. P. Discovering and evaluating urban signatures for simulating compact development using cellular automata[J].Landscape and Urban Planning,2008,86(2):177-186.

[18]Yang Q-s, Qiao J-G, Ai B. Simulation of urban ecological security pattern based on cellular automata: A case of Dongguan City, Guangdong Province of South China[J].Chinese Journal of Applied Ecology,2013,24(9):2599-2607.

[19]黎夏, 叶嘉安.基于神经网络的单元自动机CA及真实和忧化的城市模拟[J].地理学报,2002,57(22):159-166.

[20]Yang Q-s, Qiao J-G, Ai B. Landscape ecological security dynamics in rapid urban development city[J].Acta Ecologica Sinica,2013,33(4):1230-1239.

[21]Li X, Ye J-A. Application of remote sensing for monitoring and analysis of urban expansion: A case study of Dongguan[J].Geographical Research,1997,16(4):56-61.

* 收稿日期：2016-03-02

DOI：10.13698/j.cnki.cn36-1037/c.2016.03.018

基金项目：国家自然科学基金项目(40801236)

作者简介：杨青生(1974-)，男，青海乐都人，广东财经大学地理与旅游学院副教授、博士，研究方向：地理信息系统建模.

中图分类号：X171

文献标志码：A

文章编号：1004-8332(2016)03-0067-05

Ecological Security Land Use Scenarios Simulation based on CA

YANG Qingsheng1, YOU Xibin2

(1.SchoolofResourcesandEnvironment,GuangdongUniversityofFinance&Economics,Guangzhou510320,China;2.SchoolofGeographyandPlanning,GannanNormalUniversity,Ganzhou341000,China)

Abstract:Cellular Automata (CA) has been used for simulating urban development recently. Most of the research concentrate on the transition rules of CA and simulate real urban development. Scientists begin to simulate optimized urban development by using CA. For taking scientific basis for urban planning, this paper simulates different urban development scenarios and its environmental effects by using constraint CA in Dongguan City. An artificial neural network (ANN) calibrated CA model was created for simulating real urban development firstly. The training data is selected from 1988 to 1993 land use types and database. The transition rule is then calibrated by using artificial neural network.. After obtaining the weights of ANN-CA model, the model is then used to simulate urban development from 1993 to 2005. Based on the ANN-CA model, a constraint variable-distance to urban center of distance to town center is embedded into ANN-CA for simulating compact urban development scenarios. Variable, distance to urban center is used to control urban development around urban center and distance to town center is used to control urban development around town center. Then integrated urban land aggregation index and ecological index are used for evaluating urban form and its environmental effects. The result shows that urban center development scenario is the most compact urban form and the best ecologically secure patterns. The value of integrated urban land aggregation index and ecological index are 0.92, 0.479 respectively. The scenario of town center development is the second compact urban form and ecologically secures patterns. The value of integrated urban land aggregation index and ecological index are 0.640, 0.477 respectively. The real urban form is the most disaggregation urban form and the ecological security is the worst. The value of integrated urban land aggregation index and ecological index are 0.383, 0.250 respectively. The compact urban development may be the better urban form for better ecological security.

Key words:cellular automata (CA); urban development scenarios; ecological security; Dongguan city

·赣江流域资源与环境·

网络出版地址：http://www.cnki.net/kcms/detail/36.1037.C.20160510.1226.046.html