神经网络模型在中国城市扩展的应用进展

范文洋 ，唐林楠 ，刘 玉

（1.北京舜土规划顾问有限公司，北京 100070；2.北京农业信息技术研究中心，北京 100097；3.国家农业信息化工程技术研究中心，北京 100097）

城市是一个开放的复杂巨系统，随着社会生产力的提高和经济发展，城市扩展成为一种必然趋势。作为一种空间现象，城市扩展综合反映了城市化进程中的空间布局与结构变化[1]。伴随经济全球化以及国内人口、资源与环境压力的日渐增加，既有的城市用地粗放增长、空间布局无序化的发展思路使得我国城市扩展面临一系列问题[2-3]，城乡发展面临新的转型，如何引导城市由无序发展转向有序、集约、精明式的良性发展值得关注。因此，通过城市扩展分析有效把握城市生长规律，实现城市空间规范控制，将对促进城市空间良性扩展至关重要[4]。目前，众多学者系统研究了城市扩展形态、扩展模式、动力机制、模拟预测、效应与调控等，试图从定性和定量两个维度解析城市扩展。由于城市扩展具有不确定性、混沌等特征[5]，基于逻辑回归、元胞自动机、多智能体等模型的定量化研究日渐增多，成果相对丰富，但多数模型参数和转换规则确定时主观性强，一定程度上影响了模型精度。相比之下，人工神经网络模型（artificial neural network，ANN）是模拟人脑结构和智能的一项前沿研究，具有极大的灵活性、自适应性和无需人为确定模型参数等特征，在解释、分析城市扩展方面具有明显优势[6]。随着人工智能领域的发展，网络类型日趋多样化、网络结构及算法也日渐成熟，其在城市扩展方面的应用研究也逐渐增多。本文依托中国知网（CNKI）的“核心期刊”“CSSCI”“学位论文”以及外文期刊数据库资源，通过检索“城市扩展”“城市土地利用”“神经网络（ANN）”等关键字段梳理相关文献，发现人工神经网络模型已在城市扩展用地信息提取、城市用地效益评价、城市扩展模式识别以及城市扩展模拟预测等方面取得一定进展。据此，本文通过系统分析上述四个方面的研究进展，并展望未来研究趋势，以期推动和深化城市扩展的定量化研究。

1 人工神经网络模型简介

20世纪40年代初期，心理学家W.McCulloch和数学家W.Pitts提出了第一个神经计算模型，标志着神经网络研究的开始；20世纪80年代中后期，人工智能技术的发展和多学科知识的交融使人工神经网络对生物神经网络有了更好的理解和模仿，具备了并行分布处理、自组织、自学习、鲁棒性与容错性等智能特性，并应用在模式识别、方案决策、知识处理等方面。神经网络的基本组成单元为神经元，一般由输入（感知）器、加权求和（信息汇聚）器、传递（信息传输）器和输出（响应）器构成。由图1可知，神经网络在外界输入样本Xi的刺激下不断改变网络的连接权值乃至拓扑结构，以使网络输出不断接近期望输出，这一过程称为神经网络的学习过程[7]。当前，代表性的网络模型有感知器（perceptron）神经网络、线性（adaptive linear neuron，Adaline）神经网络、BP（back propagation）网络、径向基函数（radial basis function，RBF）网络、自组织网络（self-organization mapping net，SOM）、反馈网络（recurrent networks）等[8]。

图1 简单的神经元非线性结构模型

2 神经网络在城市扩展中的应用进展

2.1 城市扩展用地信息提取

城市用地信息是城市扩展研究的基础。城市扩展用地信息提取即利用地物的多光谱特征对遥感图像进行地物分类并提取变化信息，以实现城市扩展动态监测。在遥感图像自身空间分辨率以及“同物异谱”“异物同谱”等现象的综合影响下，监督分类、非监督分类等传统分类方法常出现错分、漏分现象，导致分类精度不高。为此，部分学者已尝试借助BP、ARTMAP、RBF等神经网络模型开展遥感图像分类处理、遥感专题信息提取等，分类精度优于传统分类方法[9-17]。其中，BP网络作为人工神经网络中前馈网络的核心部分，在对多光谱影像、中高分辨率影像分类处理上应用较为广泛。近年来，遥感技术的快速发展使人们获取信息的能力提高，也对城市用地信息的提取精度与效率提出更高要求。为了克服神经网络学习速度慢、训练失败可能性大等不足，神经网络与影像的光谱（纹理）特征、其他数学模型结合以及改进神经网络自身算法等研究增多[18-21]，进一步提高了影像分类精度，实现更精细的城市用地信息提取。

综合来看，尽管人工神经网络比最大似然法、K-均值法等传统分类方法更能集成地理信息数据，并融合多种样本特征，从而提高分类精度，但其分类方法也是以光谱特征为基础，尚未很好地解决“同物异谱”“同谱异物”的现象；而且，神经网络处理分类结果的学习过程较长，其分类速度也会减缓。随着地理信息技术、地学知识与神经网络的融合发展，神经网络在城市用地信息提取精度方面仍有提升空间。

2.2 城市扩展用地效益评价

城市扩展是城市土地利用动态演化过程的表达，城市扩展用地效益则是指城市土地资源数量、质量在空间和时间上的安排、使用和优化，从而给整个城市带来的经济、社会、生态和环境效益的总和[22-23]，其效益高低是衡量城市扩展合理与否的重要标准。用神经网络模型评价城市扩展用地效益，能够避免人为确定评价指标权重的主观影响，使评价结果更客观。（1）从评价内容看，一方面，基于城市扩展用地效益内涵，从经济、社会、生态和环境等方面评价城市扩展效应[24-25]；另一方面，城市土地资源决定了未来城市用地扩展的数量与方向，开展土地潜力、土地适宜性、土地利用集约以及生态质量等城市土地评价[26-32]，间接反映了城市扩展用地效益。（2）从评价尺度看，学者们倾向于运用神经网络评价城市及其功能区的用地效益和差异，而大城市及城市群的扩展效益评价探讨较少。

总的来说，神经网络在城市扩展用地效益评价研究的基本思路是选取与效益相关的指标，通过构建神经网络模型为指标自动赋权，不断结合实验数据反馈给模型，调整模型的参数，进而提供理想的城市用地效益评价结果，以服务城市发展。但由于指标体系的全面性和准确性不够，城市用地效益的空间动态分布和城市用地的生态化研究还比较缺乏，神经网络在城市扩展用地效益评价研究方面存在一定局限。

2.3 城市扩展模式的识别

模式识别是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。神经网络在模式识别方面具有广泛应用，本文城市扩展模式的识别则是基于城市扩展演变过程的空间特征类型总结，侧重于由外部经济空间活动作用于城市而形成的空间特征变化的归类。目前，有关研究多处于定性分析阶段，定量测度较少。以神经网络模型研究为例，现有文献侧重于不同的分类尺度对城市空间联系或布局的影响分析。戴芹等[33]基于遥感数据SOFM网络分类对北京市填充式、扩张式等五种城市增长方式进行鉴别；龙静[34]构建了土地利用精明增长评价指标体系，并运用BP神经网络分析了广西岑溪市土地利用模式；陈园园等[35]运用SOM神经网络，从不同角度选取指标将辽中南城市群的10个城市划分为四类；焦利民等基于SOFM网络对中国27个城市的扩展特征进行可视化识别，直观展现了大城市的扩展规律，并认为我国主要大城市在1990—2010年间经历了快速、低密度扩张的过程[36]。尔后，又结合空间约束探讨武汉城市扩展的特征，使神经网络在城市扩展模式识别方面进一步发展[37]。徐海龙等在建设用地适宜性评价的基础上，将不同生态安全格局情景融入SLEUTH模型的排除图层，对2013—2040年的南京市城市用地空间扩展进行多情景模拟[38]。总体而言，基于神经网络的城市扩展模式研究成果随城市扩展模拟演化研究内容的充实而逐渐丰富，但目前仍以单个城市的模式识别为主，区域及全国尺度的模式划分研究不足。

2.4 城市扩展模拟预测

地理空间格局和演化过程的模拟与预测是地理学研究的重要内容之一。引入神经网络模型之前，基于微观个体行为过程分析的元胞自动机模型是最常用的城市扩展模型，但其转换规则制定主观性强，仍需更客观的模型方法阐释城市扩展的复杂机理与规律[39]。根据神经网络模型是否具备空间特征，可将现有的城市扩展神经网络模型分为非空间城市扩展模拟预测（侧重于城市扩展的用地面积预测）和城市空间扩展模拟预测（侧重分析城市空间布局的扩展动态）两方面[40]。在对这两个方面进行分析时，学者们往往采用单一神经网络或者神经网络与多种方法相结合的方式探讨。

BP、RBF、小波神经网络等单一神经网络应用模型是指仅输入社会、经济、人口等指标，不考虑指标的空间特征的扩展用地预测，旨在分析神经网络的预测精度。比如，赵姚阳、雷波等利用BP神经网络分别预测了江苏省和福州市的建成区面积[40-41]，预测结果优于传统的多元回归模型；随后，张晓瑞等[42]采用RBF神经网络预测了合肥市建成区用地面积，其预测结果比BP网络和多元回归模型更精确；沈利华等[43]构建小波神经网络模型预测长沙市建设用地，结果表明小波神经网络模型比灰色BP神经网络模型和传统BP神经网络模型的收敛速度快、预测精度高。在神经网络与多种方法相结合的应用模拟研究方面，目前集中于利用GIS或元胞自动机与神经网络的智能耦合实现城市空间扩展用地预测分析。

（1）在GIS耦合神经网络预测城市扩展用地方面，以Bryan等[44]提出的土地利用转化模型（land transformation model，LTM）为代表，在定量分析城市扩展与其影响因子的关系、城市扩展格局模拟等得到了国内部分学者的认同。徐颖等[45]、徐新良等[46]分别以北京和上海为例，详细分析了模型在定量分析和预测城市空间扩展中的适用性。随着人们对城市规划和城市扩展内涵认识的加深，GIS耦合神经网络在预测城市增长边界方面取得显著进展，张世良等[47]首次提出利用人工神经网络、地理信息系统和遥感相结合的技术建立具有复杂几何形状的城市增长边界模型，研究发现基于神经网络和GIS技术的耦合模型在对城市未来增长边界的计算和预测更为准确，结果相对直观、真实。随后，付玲等[48]借助GIS和RS分析，结合BP人工神经网络，建立城市增长边界预测模型，为城市规划和发展政策制定提供指导。邓羽等[49]通过构建空间逻辑斯蒂模型和元胞自动机城市扩展模型，阐释了通州城市空间扩展的基本机制，定量模拟与评估通州沿袭既有规律的发展情景和城市副中心建设情景，进而提出了新时期通州城市有序扩展的空间管控建议。

（2）在神经网络与元胞自动机模型耦合方面，匡文慧等[50]、黎夏等[51]、史晓霞等[52]提出了一种基于神经网络的CA模型，通过调整模型的阈值与参数，旨在比较精准地模拟案例城市的土地利用扩展情景。韦春竹等[53]在神经网络-CA模型的基础上引入遗传算法，构建基于BP神经网络和遗传神经网络算法优化的元胞自动机城市土地扩展模型，模型精度和整体预测时间有所改善。此外，将神经网络与Markov模型、灰色系统、遗传算法等方法的结合也能显著提高预测精度[54-59]。综合而言，不同的城市扩展模拟模型各有相应的优势与不足，多种模型之间的相互耦合可以扬长避短、提高城市扩展模拟的精度。随着学者们对城市空间扩展模拟研究的深入，将神经网络与不同模型方法相结合的研究将成为城市扩展模拟预测的重要趋势之一。

3 结论与展望

3.1 存在的突出问题

（1）在研究内容方面，城市扩展模拟和预测研究一直是地理学关注的热点。目前，神经网络在城市扩展应用中的研究主要集中在城市遥感影像分类和用地效益评价两方面。基于神经网络的城市遥感影像分类和用地效益评价总体上取得一定成果，能够更精确和客观地反映城市扩展的空间和非空间特征，一定程度上促进了城市扩展动因分析和效应影响研究。但由于城市自身系统的复杂性，模型在描述城市扩展与驱动因子的相互作用、反馈机制、因果关系方面还有一定的局限性；同时城市扩展的空间模拟和预测应用研究也有待强化。

（2）在研究尺度上，往往集中于单个城市的研究，城市群体和更大尺度的区域研究较少。随着遥感、电子导航技术的发展等包含丰富地理位置信息的兴趣点数据、地铁公交通勤数据等城市地理时空大数据的涌现，为研究由粗粒度向精细化转变、研究范围由单一城市向城市群、整个国家乃至全球转变等创造了机遇，但在大地理区域上建立精细化的城市扩展神经网络模拟模型，无疑也是对当前地理模拟的计算能力、数据质量和理论方法等的一种挑战。此外，神经网络模式识别功能在城市扩展的应用也有待延伸。

3.2 神经网络在城市扩展研究中的发展趋势

人工智能的发展促使人工神经网络自身的知识表达逐渐完善和优化。随着《全国国土规划纲要（2016—2030年）》的出台，统筹实现“五位一体”发展布局，贯彻落实创新、协调、绿色、开放、共享的发展理念以及促进人口资源环境相均衡、经济社会生态效益相统一的城市发展要求日益凸显。结合当前神经网络在城市扩展中的研究现状以及新型城镇化的发展趋势，以下方面亟待强化：

（1）研究内容上，一是强化城市扩展驱动机制的定量研究。目前，神经网络模型的功能已在用地信息提取方面有所体现。随着城市发展的区域化，城市扩展驱动机制更为复杂，如政策因子、区域规划约束等引起的城市土地利用变化等，未来如何通过神经网络提取城市扩展驱动因子并结合权重测定驱动因子的贡献率是其在城市扩展应用的重要研究方向。二是神经网络在模拟城市扩展时应凸显区域生态环境。生态环境质量的优劣直接影响到城市的扩展速度与规模，对城市扩展存在较强的约束作用。当今中国正处于城镇化和工业化快速发展期，保护生态环境，确保资源有序利用，优化国土空间开发格局，是未来国家城市发展的新要求。积极考虑新形势下的政策导向，运用神经网络模型探索多种空间约束条件下的城市有序扩展，是亟待解决的重要课题。

（2）研究对象上，随着经济发展和交通设施的完善，城市内部、城市之间、城市群乃至全国、全球之间的要素流动日趋频繁，不同尺度的区域联系日渐紧密。并且，主体功能区战略背景下，城市发展区域化愈加明显。近年来，国家先后提出中部崛起、京津冀协同以及雄安新区建设等战略规划，旨在打造具有世界影响力的城市群以及优化国土空间开发格局。毋庸置疑，未来这些区域的城市土地利用结构、空间布局等将发生重大变化。因此，运用神经网络区分不同尺度区域间的联系，探寻大时空尺度上的城市空间扩展机制以及城市群体之间的相互作用规律，探讨城市或城市群的城市增长边界范围，揭示城市或城市群发展的时空格局等，都将有效促进城市空间扩展研究。不同尺度尤其是大中尺度下基于神经网络的城市扩展模式识别是亟需强化的重要方向。

（3）研究技术上，尽管人工神经网络在诸多方面表现出较强的问题求解能力，但也存在着黑箱操作、机理不明等问题。同时，城市扩展的复杂性决定了任何一个模型很难精准模拟城市扩展。因此，未来基于神经网络与其他模型相结合的城市扩展研究思路将是可行方向。