基于地理模拟优化系统的赞皇县用地演变模拟试验

（中国城市建设研究院有限公司，北京 100120）

0 引言

地理模拟优化系统（Geographical Simulation and Optimization System，GeoSOS）理论，是根据黎夏教授、叶嘉安院士、刘小平教授及其团队多年来在地理元胞自动机、多智能体建模和空间优化研究的基础上，由黎夏教授提出。该系统耦合了地理模拟和空间优化等模型，用于模拟、预测和优化复杂地理格局和过程，可弥补GIS在空间过程模拟和优化方面的功能不足[1]。

2018年在河北省赞皇县“多规合一”项目的实践过程中，赞皇“五线”划定为空间管控的核心，针对城乡建设用地演变、城镇开发边界划定等相关问题，运用ANN-CA元胞自动机模型作为理论模型，以主要交通线、中心距离、高程、坡度等空间变量作为区位因素的影响因子，以坡度25%以上、生态红线、基本农田红线等禁止开发用地作为全局限制约束条件，在GeoSOS的支持下，对赞皇的城乡建设用地演变过程进行模拟，获取控制性参数，对赞皇县城乡用地演变进行模拟试验，可为未来赞皇国土空间规划特别是“三区三线”的划定提供参考。

1 试验准备

1.1 研究对象概况

赞皇县地处太行山东麓，河北省西南边陲，坐标位置在北纬 37°26′～37°46′，东经 114°2′～114°31′。本次研究确定以赞皇全县域（行政区面积893km2）为研究范围，城乡建设用地由2009年55.07km2增加到2015年60.29km2，研究对象城乡建设用地整体处于空间扩张状态。在《全国主体功能区规划》中，2017年赞皇被纳入国家重点生态功能区，因此城乡建设用地的开发与布局受到严格控制。

1.2 GeoSOS软件介绍

GeoSOS由3个重要模块组成：地理元胞自动机（CA）、多智能体系统（MAS）、生物智能（SI）。其中地理元胞自动机模块包含了常用的CA模型，包括ANN-CA、DT-CA和Logistic-CA等。这些模型可有效进行地理模拟，同时GeoSOS能根据训练数据，自动获取最佳模型参数[2]。基于该系统模拟耦合能力，可为复杂资源环境的模拟和优化提供便利的过程分析工具。

1.3 数据预处理

对于前期获取的各类空间数据需进行一定的前期处理才能符合GeoSOS for ArcGIS软件运行的要求。目前元胞自动机模拟多使用经典的格网CA模拟，因此使用的赞皇土地利用数据（2009，2014，2015年）和空间因子数据均为栅格数据类型。

数据预处理中保持处理后的数据具有统一的空间范围；对赞皇的土地数据根据国家标准利用ArcGIS的重分类工具进行重分类操作；空间影响因子进行归一化处理，处理为ArcGIS可读取的栅格格式，并保证分辨率和空间范围与土地利用分类数据一致。

1.4 影响因子

本文采用的空间影响因子变量有：与赞皇中心城区的距离和与赞皇主要交通线的距离。城乡建设用地与非城乡建设用地之间的转换除受空间变量影响外，还受一些全局限制约束条件的影响。本文模型中考虑了其他约束条件，即坡度25%以上、高程1 500m以上、生态红线范围以内、基本农田红线范围以内。如果某个元胞处于坡度大于25%、高程1 500m以上、生态红线范围以内、基本农田红线范围以内，则认为该元胞不能向城乡建设用地元胞发生转换。

2 基于ANN-CA转换规则的模拟过程

2.1 ANN-CA运行原理及参数设计

ANN-CA模型是指将人工神经网络（Artificial NeuralNetwork，简称ANN）与CA结合的土地利用变化预测模型。其原理是将土地利用变化的相关影响因素作为ANN的神经元，并通过神经网络的训练自动获取CA局部转换规则的参数值（见图1）。

图1 ANN-CA模型原理

模型运行依据地理模拟优化系统，具体训练数据为从2009年赞皇县土地利用现状数据中对整个数据进行5%的分层抽样，获得5 168条单元数据，模型运行起始前对用地类型转化方向进行以下限制：规定耕地、林地、水域在模拟过程中不可转化为其他类型用地，城乡建设用地、园地、未利用地可相互转化，也可向耕地林地转化；水域与其他用地类型转化不可相互转化。赞皇各类用地相互转变的适宜性参数如图2所示。

图2 适宜性参数设置

2.2 ANN-CA训练模拟过程

CA模型的核心内容是定义转换规则，该模型的全部模拟过程均受到转换规则的控制。每个元胞从t时刻到t+1时刻的状态转变根据转换规则决定。ANN-CA采用人工神经网络方法提取赞皇土地利用变化规则，然后将规则用于后续的模拟和预测中。

在ANN-CA的训练阶段，通过抽样数据训练人工神经网络，获得网络权重值。其中输入数据为：影响赞皇土地利用变化的交通因子、中心距离因子、DEM因子，邻域窗口内各土地利用类型统计值，以及当前土地利用类型。输出值为各种土地利用类型的概率值。

在ANN-CA模拟阶段，通过人工神经网络得到应转换的类型，判别当前栅格是否可以转换并达到终止条件结束模拟过程。模拟时通过ANN得到所有用地类型的概率值，最大值对应需转换的土地利用类型，再进行阈值比较等判别，决定是否可以转换。

在GeoSOS软件中进行基ANN-CA的建模：

式中，元胞k时刻t第l种土地利用类型转换概率P=随机因素×人工神经网络计算概率×邻域发展密度×转换适宜性；(1+(-lnγ)α)为随机因素；Pann（k,t,l）为使用已训练的人工神经网络计算的某种土地利用类型的转换概率；Ωtk为所定义邻域窗口中城市用地的密度，即城市用地元胞总数/邻域窗口栅格总数；con（Stk）为两两土地利用类型之间的转换适宜性，值为1和0，分别代表可以转换和不能转换。

最后计算得到的概率再与设定的0～1之间的转换阈值Threshold进行比较，如果大于等于阈值则发生土地利用类型之间的转换[3]。

2.3 Kappa系数验证

Kappa系数检验法由Cohen于1960年提出，该方法能较好地验证模拟精度。公式如下：

式中，P0，Pc，Pp分别表示正确的模拟比例、随机条件期望下的模拟比例和理想状态下模拟比例（一般情况下取1）；n1，n，N分别表示现状栅格总数、模拟正确的栅格数和土地利用类型数量。

当Kappa系数＜0.4时，说明模拟栅格与实际情况相差较大，模拟精度较差，模拟结果不可信；当0.40≤Kappa＜0.75时，说明模拟栅格与实际情况一致性一般，模拟精度一般，模拟结果可信度一般；当Kappa系数≥0.75时，说明模拟栅格结果与实际情况匹配程度很好，模拟精度很高，模拟结果可信度高。

根据模拟的结果，Kappa系数为0.995，匹配程度很好，模拟结果可信。

2.4 实例结果

通过GeoSOS for ArcGIS软件中多时段土地利用数据分析工具得到2009—2015年赞皇县土地利用变化状况，通过混淆矩阵模对赞皇县用地现状的分析与研究，得出赞皇各类用地的分布很有规律，其分布特征与高程、坡度等因子关系密切。

地类空间分布主要表现为城乡建设用地分布零散，且由东往西随海拔坡度的增长而减少，中心城区在县域东部；林地集中分布在县域西部地区、耕地集中在中东部地区且围绕城乡建设用地分布在东部和中部。2009—2015年之间，各地类向建设用地转化比较活跃，是赞皇城乡建设用地快速扩张的几年，土地开发速度与强度增大较为明显。

3 结语

本文以赞皇县全县域土地为研究对象，基于GeoSOS for ArcGIS平台，对赞皇2009年和2014年土地利用现状数据进行数据栅格化处理，分析赞皇县2009到2014年全县域各地类相互转化的动态过程，探求赞皇县土地利用类型变化与各类影响因子之间的相互关系，以期探究各类影响因子对赞皇土地利用变化的影响规律。构建ANN-CA模型对赞皇2015年用地情况进行模拟，并以Kappa系数进行验证，并对赞皇2020年用地情况进行模拟试验，为赞皇未来国土空间规划及政策制定提供参考。