基于GIS的乌鲁木齐市中心城区空间增长边界研究*

穆飞翔，蒲春玲※，刘祥鑫

(1.新疆农业大学管理学院，乌鲁木齐 830052； 2.新疆农业大学经济社会发展研究中心，乌鲁木齐 830052)

0 引言

城市空间增长边界的研究起源于西方国家，在20世纪60～70年代，西方国家城市规模扩张迅速，无序蔓延问题严重，城市增长边界的概念应运而生[1]。美国对城市空间扩展边界研究是随着“新城市主义”“精明增长”等思潮的兴起，最著名的是美国的马里恩(Marion)和波尔克(Polk)两县，为解决边界问题而划定了世界上第一条城市扩展边界[2]。随后，加拿大、欧洲国家等相继开展了相关的研究，加拿大要求城市扩展边界写入规划并对实施效果进行综合评估[3]，Tannier等[4]以欧洲城市为例探讨了分形几何的方法在划定UGB中的应用。

从世界各国对城市扩展边界划定研究的历史演变来看，首先城市扩展边界随着国家政治、经济和社会发展的不同而存在差异，并随着时间动态变化。其次是世界各国普遍采取的措施是根据城市规模大小的不同具体实施更加适应城市发展的城市扩展边界划定，不仅限于限制边界内部的增长。最后各国在城市增长管理上都是根据自身的制度背景，规划管控的强度趋向于多元。

国内的相关研究起步相对较晚，进入21世纪后国内相关学者逐渐开始关注UGB的划定问题， 2007年起各界学者开始给予广泛关注。从2014年起，国内开展了划定城市开发边界的试点工作，且首批的试点城市按照要求已经采取一定的措施，纷纷在城市规划中划定了“开发边界”。学者主要从生态安全[5]、城市综合承载力[6]、土地存量或消费[7-8]等角度进行相关研究，采用的方法以GIS技术为主[9-10]。目前，国内研究的区域主要集中在东中部地区，对于我国西部地区的相关研究较少。西部地区是我国“一带一路”战略的核心区域，城市合理、可持续发展对于区域经济社会起到决定性的作用。

研究选择乌鲁木齐市为研究对象，首先考虑到乌鲁木齐市特殊的地理位置和重要性，其次其作为西部重要的中心城市，对区域经济社会发展的带动作用是无可替代的，最重要的是由于乌鲁木齐市近几年城市建设用地面积扩展迅速，大量的农用地及其他用地转为建设用地，城市的发展存在一定无序扩张的风险，土地利用效率不高，生态环境已经开始恶化，以期研究的结果能够为乌鲁木齐市的城市发展提供理论参考。

图1 2000～2015年历年建成区面积变化

1 乌鲁木齐市建成区现状

乌鲁木齐市位于中国西北、新疆地区腹地，是连接亚欧大陆的核心，地处北天山北麓、准噶尔盆地南缘。行政区内山地面积广大，三面环山，北部为开阔平原，其地势起伏较大，南部和东北部高，中部和北部相对较低。其自然资源丰富，矿产资源和土地资源丰富，水资源是限制其更好发展的最重要的自然资源因素。

2015年乌鲁木齐市全市的地区生产总值为2 631.64亿元，市辖区生产总值为2 610.12亿元，占全市的99.18%，市辖区的三次产业比值为0.9： 30： 69.1。全市辖7区1县，总面积为142.163万hm2，中心城区行政辖区面积为30.191 1万hm2，到2015年建成区规模达到4.299 6hm2。2000～2015年建成区面积变化如图1。

2 研究方法

2.1 BP神经网络

人工神经网络源于脑神经学，是由基本的神经元组成的一个复杂的系统，其原理就是模仿人脑的结构，对于信息的处理具有明显的优势。BP神经网络是由信息的正向传播和误差的反向传播组成，主要分为3个层析，即输入层、中间层和输出层。信息由输入层各神经元接收进入网络，传至中间层； 中间层主要是信息的处理和变换，可以设计为单隐层或者是多隐层的结构； 最后信息经由输出层各神经元的处理和输出，完成的是一个正向传播的过程； 输出的结果与期望值不符时，进入误差反向传播阶段，通过修正各层权值，逐层反传； 信息不断的正向传播和反传的过程，也是网络训练和学习的过程，直到误差减少到可以接受的程度[11-12]。

2.2 灰色GM(1， 1)模型

灰色模型可以通过少量的信息建立灰色微分预测模型，将原始数据经过累加生成新的数据序列，这样可以降低数据的随机性，能够更加凸显数据序列的特征规律，进而根据有一定特征规律的数列预测未来某一时刻的特征量。其在预测中的优点是不需要大量的样本，用于短期或者中长期的预测具有准确度高的特点[12-14]。

为了保证模型的可行性，首先需要对数据进行必要的检验处理，通过计算数据序列的级比，如果所有的级比都落在可容覆盖区间内，则数据序列可以进行灰色预测。数据序列的级比计算公式为：

(1)

可容覆盖区间为：

(2)

灰色模型常用时间序列的预测，数据处理的方式主要有累加和累减两种，该研究采用累加序列的方法对原始数据进行累加生成新的数列，具体运算规则：

记原始数列为：

X(0)={X(0)(1)，X(0)(2)，…，X(0)(n)}

(3)

(4)

通过1次累加生成新序列：

X(1)={X(1)(1)，X(1)(2)，…，X(1)(n)}

(5)

同理，经过r次累加：

(6)

GM(1， 1)模型是表示一阶的、1个变量的微分方程模型，经过1次累加生成新的数列，相应的灰微分方程为：

d(k)+az(1)(k)=b

(7)

式(7)中，a为发展系数;z(1)(k)为白化背景值;b为灰作用量。

所对应的白微分方程为：

(8)

(9)

(10)

最终得到预测值：

(11)

2.3 GIS空间分析法

GIS空间分析方法是进行土地适宜性评价的主要方法，基于建设用地适宜性评价进行边界的划定分为几个阶段：选择评价因子、划分评价单元、确定评价因子的权值以及划分土地适宜性等级[15-16]。

建设用地评价方法可以表示为：

(12)

式(12)中，S表示建设用地适宜性综合分值；wi表示指标权重;xi表示指标分值，i=1， 2， 3，…，n。

研究根据乌鲁木齐市的土地利用现状图件资料，将限制建设区域、适宜建设区域进行划分，并将乌鲁木齐市市辖区进行网格化分，以每个格网作为评价单元，根据每个单元的地类进行赋值，加入属性值。运用GIS的空间分析功能对乌鲁木齐市的交通可通达性、距商业中心和市中心的距离、坡度等进行分析，进一步获取城市周边土地向建设用地的转换概率，依据预测的建设用地规模进行划定城市扩展边界。

2.4 技术路线

研究依据建设用地规模的预测结果和建设用地适宜性评价结果划定建设用地扩展边界，并进行合理性分析。首先构建建设用地预测模型，建立评价指标体系，依托数据分析软件平台，获取未来建设用地规模的预测值。然后构建建设用地适宜性评价模型，建立评价指标体系，依托空间数据处理平台，获取研究区的建设用地适宜性综合评价值。最后根据建设用地预测规模以及适宜性评价的综合评价值，按照评价值从大到小进行划定，进一步获取城区空间增长边界，并根据2015年城区实际建成区与预测值进行对比分析其合理性。

2.5 研究范围及数据来源

(1)研究范围

考虑到数据的可获得性以及处理的有效性，由于乌鲁木齐市辖区范围较广，山地面积占50%以上，所以大部分土地不能够满足建设用地的要求。结合土地利用的现状，该研究所选择的范围限定在乌鲁木齐市中心城区行政范围。

(2)数据来源

该文涉及的社会经济数据主要是从乌鲁木齐市2001～2015年统计年鉴获取，由于乌鲁木齐市中心城区的范围不包括乌鲁木齐县和达坂城区，考虑到数据的可获得性，研究选用的社会经济数据包括天山区、沙依巴克区、头屯河区、新市区、米东区以及水磨沟区。相关图件资料主要来源于2012年乌鲁木齐市中心城区规划以及遥感图像。

表1 建设用地适宜性评价指标体系及等级划分——自然因子

一级指标二级指标三级指标分类条件评价分值自然因子地形坡度<858～15415～252>251水文水系>100m缓冲区570～100m缓冲区450～70m缓冲区330～50m缓冲区2<30m缓冲区1坑塘、湖泊水面>2km缓冲区51～2km缓冲区3<1km缓冲区1

3 构建评价指标体系

3.1 指标的选取

(1)建成区规模预测指标的选取

考虑到数据的相关性、重要性以及可获得性，首先选取12个相关的指标进行筛选，即常住人口、地区生产总值、第一、二、三产业值、固定资产投资总额、房地产开发投资总额、地方财政收入、地方财政支出、城镇居民人均可支配收入、农村居民人均可支配收入、年末实有道路长度等，通过相关性分析、数据的完整性分析及数据的共线性分析，将相关性较弱、不完整和存在多重共线性的数据剔除，并综合各项条件，最终该研究对于建成区规模预测的指标选取常住人口、地区生产总值、固定资产投资总额、房地产开发投资总额、城镇居民人均可支配收入及地方财政一般收入等6项指标。

(2)建设用地适宜性评价指标的选取

参考相关文献指标选取的方法和体系，按照可量化、主导性、适宜性等的原则，根据乌鲁木齐市实际情况构建“生态—社会经济—自然”评价指标体系。指标体系中缓冲区分析占据重要的部分，主要是考虑到相关指标的特殊性和重要性，比如道路和中心对城市规模扩张有着重要的影响，并且城市建设情况随着距离这些道路或者中心的远近有着明显的区别。另外，根据研究区的土地利用现状以及地形条件进行评价，同时根据数据的可获得性和完整性进行进一步的筛选，最终确定指标体系。

评价指标体系主要分为3个一级指标和6个二级指标，最终确定三级指标11个，其中包括正向指标、负向指标以及限制性指标。“生态—社会经济—自然”评价指标体系的构建，其中生态环境指标主要是包括各个保护区，即生态保护区、基本农田保护区及其他保护区等，属于限制性指标； 社会经济指标主要包括交通可达性、增长极和土地利用现状类型，交通可达性主要分为城市快速路和国道或省道，增长极主要分为行政中心和商业中心，土地利用现状类型主要分为农用地、建设用地和未利用地，其中现状农用地指标属于负向指标，其余为正向指标； 自然指标主要包括地形坡度和水文，属于正向指标。

采用德尔菲法对各个指标进行打分，共有15位专家参与指标的评价打分，根据指标的性质和对建设用地变化的作用，综合专家的意见，将指标的打分的范围确定为[-5， 5]，其正向指标为正值，负向指标为负值，根据各位专家经过两轮打分的最终结果取平均值作为最终得分。其中限制性指标不参与评价指标的综合评分，为禁止建设区域，应禁止一切建设行为(表1、2、3)。

表2 建设用地适宜性评价指标体系及等级划分——社会经济因子

一级指标二级指标三级指标分类条件评价分值社会经济因子交通可达性城市快速路1km缓冲区51～2km缓冲区42～3km缓冲区33～5km缓冲区2>5km缓冲区1国道、省道1km缓冲区51～2km缓冲区42～3km缓冲区33～5km缓冲区2>5km缓冲区1增长极行政中心1km缓冲区51～2km缓冲区42～3km缓冲区33～4km缓冲区2>4km缓冲区1商业中心1km缓冲区51～2km缓冲区42～3km缓冲区33～4km缓冲区2>4km缓冲区1水域保护区—生态保护区—其他保护区—

表3 建设用地适宜性评价指标体系及等级划分——土地利用现状及限制因子

3.2 指标权重的确定

在评价体系中，不同的指标对建设用地的适宜性的影响是不同的，研究考虑到三级指标之间相互重要性基本一致，对评价的影响已经按照不同的值进行划分，所以按照二级指标确定各指标确定权重值。

研究运用层次分析法确定指标的相对权重值[17-18]，通过对指标相互之间的重要性进行了比较、计算，得出CR值为0.003 1<0.1，数据矩阵通过一致性检验，最终得出指标的权重值(表4)。

4 中心城区建设用地扩展边界的划定

4.1 建设用地规模的预测

4.1.1 BP神经网络预测模型

研究以Matlab 2013为平台运行Bp神经网络，模型预测过程主要分为3个阶段，即：数据预处理、模型的构建及训练和验证，最终进行预测。

数据的预处理主要是将数据标准化或归一化，该文运用mapminmax函数进行归一化处理，主要目的是消除不同神经元之间量纲的差异，使网络样本数据都处于[-1，+1]之间，加快模型收敛速度。

模型的结构分为输入层、隐含层及输出层，以乌鲁木齐市辖区建成区规模变化6个驱动因子作为输入神经元，隐含层按照逐步实验法确定节点数，将建成区面积作为输出层神经元。网络参数的设置：最小训练速率为0.1，网络最大的训练次数为5 000，允许误差为0.000 001。

(13)

式(13)中，m表示隐含层节点数；n表示输入层节点数；k表示输出层节点数；α表示1～10之间的常数。

模型的训练和检验是根据训练样本和检验样本进行，以2000～2010年的数据为训练样本，以2011～2015年的数据为检验样本，通过对网络反复训练，在防止训练过程的“过学习”现象的同时经过反复试验，最终确定网络结构为6-6-1，由于篇幅限制，暂不列出详细过程。

4.1.2 灰色预测模型

研究以Matlab 2013软件为平台运行灰色GM(1， 1)预测模型，以2000～2015年数据为基础，首先对数据进行检验处理，通过计算数列的级比，结果显示，原始数列的级比范围为0.748 0～0.999 5，数列包含16个数据，所以可容覆盖区间应为0.889 0～1.124 8，已经超出可容覆盖区间，因此需要对数据进行适当的变换处理。为了提高预测的精度，选择数据变化较为平稳的2008～2015年的数据作为预测的基础数据，经检验，数据的级比都落在可容覆盖区间内。

经过数据的检验及处理，运用Matlab 2013软件运行灰色预测模型代码，输出结果显示，a=-0.038 9，b=321.644 5，由此预测方程为：

(14)

最终得到预测值：

(15)

4.1.3 预测结果分析

从预测结果来看(表5)，预测的误差都小于5%，所以模型的精度达到了较高的水平，且两个模型的结果相近，则说明预测结果具有较高的可信度。研究以两个模型预测结果的平均值作为最终结果，即到2020年乌鲁木齐市中心城区建成区面积将达到5.227 6万hm2。

表4 建设用地适宜性评价指标权重值

二级指标土地利用现状地形交通可达性增长极水文权重0338602506018550124301011

表5 模型预测结果对比

4.2 建设用地适宜性评价

根据获取的乌鲁木齐市90m分辨率的DEM数字高程数据作为分析区域地形坡度的底图和基础数据，并通过ArcGIS软件进行数据的分析和重分类，最终获得高程和坡度分等数据。以乌鲁木齐市中心城区土地利用现状图为底图，进一步筛选出中心城区行政范围的水系及坑塘湖泊图层、交通道路网图层、增长极图层以及耕地和生态景观等保护区图层，通过缓冲区分析，获取研究区范围内相关指标的距离分级图，根据相关指标的评分标准进行赋值。另外，根据图斑土地用途现状和土地利用现状评分标准进行赋值，获取不同土地用途的评价分级图。

评价过程以现状土地图斑为评价单元，共有3.107 2万块，将评价指标的各个属性值全部叠加到图斑属性表中。综合适宜性评价值由多指标加权叠加获得，即根据通过层次分析法确定单指标的权重，将单个指标的评价值按权重进行空间叠加运算，最终得到乌鲁木齐市中心城区建设用地适宜性综合评价分值的属性字段。按照自然断点法将评价结果分为5个等级，分别为一等、二等、三等、四等和五等，一等地为最适宜建设用地，具体评价结果如图2。

4.3 边界的划定及合理性分析

4.3.1 城市扩展边界的划定

城市扩展边界的划定主要包括弹性边界和刚性边界，其中弹性边界主要是指城市发展过程中根据实际的现状要求可以适当地进行调整，但是调整也是在符合区域总体规划以及国家政策要求的前提下，不等同于任意开发建设。刚性边界主要是指禁止建设区，包括基本农田保护区、景观生态保护区等，是城市发展的“生态安全红线”，按照相关规定严禁一切建设行为。

研究划定弹性城市扩展边界的方法主要是根据预测的建成区规模大小按照建设用地适宜性评价结果进行划定。划定的原则主要是根据建设用地适宜性评价结果，按照适宜性程度的高低和预测的建设用地扩张规模的大小，从高适宜性到低适宜性进行划分，以此来得出未来城市规模扩张的边界。在划定边界过程中，首先将禁止建设区筛选出，作为乌鲁木齐市中心城区的刚性边界，作为生态隔离带进行保护和控制(图3)。

4.3.2 城市扩展边界的合理性分析

根据城市建设用地适宜性的评价结果以及2015年实际建成区规模，划定2015年城市扩展边界，对比乌鲁木齐市中心城区当年实际建成区规模边界。结果显示，该方法所确定的城市边界与乌鲁木齐市中心城区实际建成区规模基本吻合(图4)，说明该方法在确定城市扩展边界的应用中具有一定的实用价值，可以进行预测。

图2 乌鲁木齐市中心城区建设用地适宜性评价分等结果 图3 2020年城市扩展弹性边界和刚性边界示意图

图4 2015年乌鲁木齐市中心城区建成区规模对比图 图5 2015～2020年建成区规模对比图

5 结论

由图5可知，2015～2020年乌鲁木齐市中心城区建设用扩张的空间特征表现为南部新增建设用地呈片状，相对集中，主要分布在南部城区边缘以及西南方向，主要属于沙依巴克区、沙依巴克区以及天山区的行政范围，新增的建成区主要占用的土地类型为自然保留地，从卫星图片上看新增区域地势较为平坦，交通条件较为便利。但是由于地形条件的限制，南部区域发展潜力不大。

中部地区也有部分新增建设用地，主要分布在城区中部的东西两侧，主要属于沙依巴克区兵团和水磨沟区的行政范围，新增的建成区占用的土地类型以自然保留地为主，由于地形条件的限制，城区向东西两侧大面积发展的趋势近期不可能发生，土地开发成本相对较高。

北部新增的建设用地分布较为分散，新增的建设用地主要城区边缘交通便利区域以及综合条件较为适宜的离城区较远区域。出现这种情况的原因主要是因为北部地势平坦，存在大面积的耕地及其他农用地，所以综合评价结果显示建设用地适宜性较弱，另外国家政策对农用地用途转为建设用地用途有严格的条件和限制，所以新增建设用地分布较为分散，主要占用的土地类型以采矿用地和自然保留地为主。但是该区域是乌鲁木齐市中心城区发展最优的方向，土地开发成本相对较低，发展潜力最大。

乌鲁木齐市中心城区向北发展的趋势是必然，未来乌鲁木齐市将建设城北新区，有利于未来以乌鲁木齐为核心形成北接五家渠、西接昌吉、东接阜康的区域同城一体化发展格局。但是根据目前城区北部的土地利用现状分析，将会有大量的耕地及其他农用地被占用，甚至影响基本农田的保护和布局，将面临的是建设用地开发与耕地保护之间的矛盾。保护耕地的措施不仅是为了粮食安全，更重要的是其承载的生态功能，城区向北扩张必然导致原有的生态系统遭到破坏，耕地在生态系统中的作用也是无可替代的。所以，如何平衡区域基本农田及其他农用地的保护和城市建设之间的关系，构建生态城市和可持续发展成为当前政府管理中应该着重考虑的问题，也是今后对乌鲁木齐市城市发展研究的重要内容。

[1] 陈锦富，徐小磊.城市空间增长边界探讨.城市规划和科学发展——2009中国城市规划年会论文集.天津：天津电子出版社，2009.434～442

[2] Stephenson R B.A vision of green：Lewis Mumford′s legacy in Portland，Oregon.Journal of the American Planning Association， 1999, 65(3): 259～269

[3] 青溪， 林吉儿.国外如何为城市划定开发边界.决策探索(上半月)， 2015， (7)： 78～79

[4] Tannier C， Thomas I，Vuidel G，et al.A fractal approach to identifying urban boundaries.Geographical Analysis， 2011, 43(2): 211～227

[5] 周锐， 王新军，苏海龙，等.基于生态安全格局的城市增长边界划定——以平顶山新区为例.城市规划学刊， 2014， (4)： 57～63

[6] 张学良. 新型城镇化背景下城市边界调整与城市综合承载力提升.探索与争鸣， 2015， (6)： 28～30

[7] 韩昊英， 吴次芳，赖世刚.城市增长边界控制模式研究——一个基于土地存量控制的分析框架.规划师， 2012， 28(3)： 16～20

[8] 伍佳， 吕斌.土地消费内生化的城市增长模型及最优城市增长边界.城市发展研究， 2014， 21(5):61～65,78

[9] 杨建军， 周文，钱颖.城市增长边界的性质及划定方法探讨——杭州市生态带保护与控制规划实践.华中建筑， 2010， 28(1)： 122～125

[10]王玉国， 尹小玲，李贵才.基于土地生态适宜性评价的城市空间增长边界划定——以深汕特别合作区为例.城市发展研究， 2012， 19(11)： 76～82

[11]付玲， 胡业翠，郑新奇.基于BP神经网络的城市增长边界预测——以北京市为例.中国土地科学, 2016，30(2)： 22～30

[12]郝思雨， 谢汀，伍文，等.基于RBF神经网络的成都市城镇建设用地需求预测.资源科学, 2014，36(6)： 1220～1228

[13]于小兵， 姚天祥，骆翔，等.集成神经网络和灰色系统的我国农业受灾面积预测.干旱区资源与环境, 2016，30(9)： 64～70

[14]余长坤， 宋文博，吴次芳，等.基于岭回归与灰色耦合模型的建设用地规模预测——以河南省焦作市为例.地域研究与开发, 2015，34(1)： 155～159

[15]伍恒雨， 刘勇，刘秀华.四川省广安市广安区低丘缓坡资源建设用地的适宜性评价.江苏农业科学, 2015，43(3)： 293～298

[16]钟德卫， 张连英，邓长香，等.基于GIS的金沙江流域耕地地力评价——以云南省绥江县为例.中国农业资源与区划, 2016，37(1)： 9～16

[17]李丰玉， 董子铭.基于层次分析法(AHP)的休闲农业产业集群竞争力评价指标体系.江苏农业科学, 2014，42(12)： 484～486

[18]于新， 李双异，陆璐，等.基于AHP-SWOT模型的高标准基本农田建设发展策略研究——以沈阳市为例.中国农业资源与区划， 2016，37(8)： 84～88,109