基于多源开放数据的城乡居民点空间布局优化

赵 鑫，宋英强，胡月明，5，6*，刘轶伦，朱阿兴

(1.华南农业大学 资源环境学院，广东 广州 510642；2.国土资源部建设用地再开发重点实验室(华南农业大学)，广东 广州 510642；3.广东省土地利用与整治重点实验室(华南农业大学)，广东 广州 510642；4.广东省土地信息工程技术研究中心(华南农业大学)，广东 广州 510642； 5.青海大学 农牧学院，青海 西宁 810016；6.电子科技大学 资源与环境学院，四川 成都 610054;7.威斯康星大学(麦迪逊)地理系，美国威斯康星州 麦迪逊 WI53706)

合理的城乡居民点布局对人类的居住、土地资源的利用以及经济的发展有重要的影响。但是，目前城乡居民点大都缺乏统一规划或者有规划但执行力度不够，导致城乡居民点的空间布局存在扩张无序、布局松散、生产生活设施不均匀等问题[1]，而对城乡居民点布局进行空间优化是处理城乡居民点布局现状问题的一个重要手段。城乡居民点空间布局优化是根据城乡居民点的自身特性与适宜性特征，在区域范围内对居民点进行更加合理的空间布局调整，以提高居民点用地利用的社会、经济和生态效益，促进区域资源的可持续利用。因此，鉴于城乡居民点布局存在诸多问题的当下，开展城乡居民点空间布局优化十分必要。

目前城乡居民点空间布局优化主要是利用关键因子结合“3S”技术进行研究分析。通过选择不同影响因子(坡度、人口、GDP等)，根据景观格局、引力模型等理论构建指标体系[2]，在此基础上利用“3S”等技术对研究区居民点进行适宜性分析，最后根据适宜性结果直接对居民点提出相应的布局优化方案[3-6]。“3S”方法的优化结果多以定性描述为主，存在主观性较强的问题。一些学者将粒子群算法[7]、蚁群算法[8-10]等优化算法与GIS相结合，构建智能式GIS，实现科学、自动、智能的居民点空间布局优化。然而，城乡居民点空间布局优化的研究离不开关键指标因素的选取。

目前用于城乡居民点空间布局优化的指标数据源主要集中在自然环境数据、社会经济数据2个方面，因此对城乡居民点布局优化所用到的自然环境、社会经济的数据来源及其存在问题进行研究是非常重要的。自然环境是城乡居民点形成和发展的基础，不同的自然地理条件将直接或者间接地影响城乡居民点的选址、居住方式、布局态势以及用地规模，所以优越的自然环境条件是居民点进行空间布局的先决条件[11]。目前应用于城乡居民点布局优化中的自然环境数据主要包括坡度、高程[12]、地形差异[13-14]、河流[15]等，其获取方法主要有两种：第一种方法主要是对土地利用现状图等纸质专题地图进行数字化[16]；第二种是对互联网公开的DEM(数字高程模型)或者相关遥感影像进行处理，从而得到相应的自然环境数据[17]。研究区的社会经济条件代表了区域的生活水平，对城乡居民点的空间动态迁移具有决定作用。应用于居民点布局优化的社会经济数据主要包括：交通设施数据[18]、基础设施数据[19]、教育医疗数据[20]、人口统计数据[4]、区域人均收入与支出等。其中，基础设施、教育医疗等具有位置属性的数据主要通过对现有相关图件进行数字化得到，或者从已有的数据库中获取[21]；社会经济数据中的人口数量主要通过全国人口普查、统计年鉴等获取。

目前通过传统方法获取的自然环境数据一般都是具体的、准确的，因此可以继续应用于城乡居民点布局优化中。然而传统方法获取的社会经济数据主要有以下缺点：

1)精度问题。传统社会经济数据中的基础设施等具有位置属性的数据，往往只是对区级以上的大型设施进行统计，在数据精度上存在一定限制，导致布局优化结果存在偏差；传统社会经济数据中的人口数据是基于行政区进行统计而得，因此其精度只能精确到行政区域，并不能精确反映人口实际空间分布，使得居民点内部情况研究相对不足，研究尺度局限于中观尺度。

2)更新周期长。传统社会经济数据中的基础设施等具有位置属性的数据需要相关部门花费大量人力物力经过野外实测才能获取得到，难以及时反映人对居民点社会数据的需求与影响，从而导致城乡居民点布局优化存在一定的滞后性。

为了克服社会经济数据的缺点，本研究尝试引入POI(point of interest)以及人口空间化数据对传统社会经济数据进行替换，构建新的社会数据集。POI数据是一种代表真实地理实体的点状地理空间数据，它可以代表学校、公司甚至是占有一定面积的地理存在，具有易获取、现势性强、数据量丰富、定位精度高、更能反映微观细节信息等特点，能够弥补具有位置属性的社会数据的缺点。目前POI数据在城市规划中已经相继开展了研究和应用实践，利用POI数据可以进行更加及时、尺度更加精细的城市规划研究，主要包括城市空间布局与质量、城市人口空间密度情况、城市功能分布等[22-25]。此外，利用人口空间化数据，能够更加精确地反映人口分布，弥补统计人口数据的缺点。

因此，本研究尝试在传统数据集的基础上引入多源开放数据(POI和人口空间化数据)，对传统社会数据进行处理和替换，并利用多目标蚁群算法和GIS耦合构建组合优化方法，进行城乡居民点空间布局优化，以期实现空间尺度更加精细、更新更加及时、结果更具科学性与合理性的城乡居民点空间布局优化。

1 研究区和数据

1.1 研究区

广州市是广东省的政治、经济、文化、教育和科技中心，是华南地区和珠三角地区重要的区域性中心城市，位于112°57′-114°03′E，22°26′-23°56′N。广州属于丘陵地带，地势东北高、西南低，背山面海，北部是森林集中的丘陵山区，中部是丘陵盆地，南部为沿海冲积平原。自2014年起，广州市的行政区划调整为：越秀、荔湾、天河、海珠、白云、花都、黄埔、番禺、南沙、从化以及增城11个行政区。广州市2015年行政区及城乡居民点分布如图1所示。

图1 2015年广州市行政区及城乡居民点分布Fig.1 Distribution map of Guangzhou administrative districts and residential lands in 2015

1.2 数据来源及处理

1.2.1 景观指数

参考相关研究[26-28]，本文选取斑块面积(CA)、斑块数(NP)、斑块分布密度(PD)、用地比例(PLAND)、平均最邻近距离(MNN)以及平均斑块面积(MPS)6个景观指数(表1)，来反映广州市城乡居民点的布局特征。

上述景观指数可利用软件Fragstats 4.2对广州市城乡居民点数据进行分析得到。输入的城乡居民点数据是对遥感影像数据Landsat 8 OLI(时间：2015-10-08)进行遥感解译得到的分辨率为30 m的栅格数据(图1)。其中，解译工作是在已纠正的遥感影像上通过人机交互快速提取方法完成的。

表1 景观格局指数表

1.2.2 影响因子数据

本研究在参考已有研究以及专家问询的基础上，同时考虑土地可持续利用的理论和数据的可获取性，选取坡度、高程、距离道路距离、距离河流距离、教育医疗、交通设施、文化体育服务、人口空间分布、植被归一化指数(NDVI)以及土地利用类型10个对居民点分布具有影响的因子。首先，城乡居民点的布局应朝着自然条件以及生态环境优越的地区发展，其中坡度缓、高程低、距离河流道路近、植被归一化指数值数值小(除去河流部分)且土地利用类型得分高的区域，更适合居民点的布局。其次，教育医疗核密度、文化体育核密度、交通设施核密度、人口空间分布4个社会经济影响因子在一定程度上反映了区域的生活水平，因此值越大越适合居民点的布局。为了便于不同图件的叠合，本研究将所有空间数据统一为Lambert等积方位投影，并将数据裁剪至研究区范围。

1.2.2.1 区位条件数据

研究用到的坡度及高程数据是通过Arcgis10.2对DEM数据进行提取获得的，分辨率均为30 m×30 m。其中，DEM数据来源于地理空间数据云(http://www.gscloud.cn/，数据时间：2015年)。

2015年广州市道路、河流数据是通过对遥感影像数据Landsat 8 OLI(时间：2015-10-08)进行遥感解译得到的栅格数据。在完成栅格转矢量后，利用Arcgis10.2缓冲区分析工具计算居民点距离道路、河流的距离。缓冲区分析结果是30 m×30 m的栅格数据。

1.2.2.2 社会经济数据

本研究基于Scrapy网络爬虫平台，通过Python 语言编程，开发社会经济指标POI数据抓取程序，快速获取百度地图中教育医疗、交通设施、文化体育服务等POI数据，包括经纬网坐标、类别、名称等属性信息。整理获取的数据，筛选出重复或者属性缺失的部分数据，得到有效数据89 734个，其中教育医疗11 727个、交通设施61 398个和文化体育16 609个，利用Arcgis10.2对这些POI数据进行核密度分析，得到30 m×30 m分辨率的栅格输出图层。

人口空间化数据集反映了人口数据在广州市范围内的详细空间分布状况。本研究所获取的2015年人口空间化数据是从中国科学院资源环境科学数据中心获取的[29](http://www.resdc.cn/)。该数据为栅格数据类型，每个栅格代表该网格范围(1 km2)内的人口数，单位：人/km2。为了方便后续计算，利用Arcgis10.2将人口空间化数据重采样至30 m×30 m分辨率。

1.2.2.3 生态环境数据

植被归一化指数数据是利用ENVI5.1以及Arcgis10.2对遥感影像数据Landsat 8 OLI(时间：2015-10-08)进行相应处理得到的30 m×30 m栅格数据。

土地利用数据是通过对遥感影像数据Landsat 8 OLI(时间：2015-10-08)进行遥感解译得到的栅格数据，其空间分辨率为30 m×30 m。本文按照不同土地利用类型转化为城乡居民点的限制程度差异，对土地利用类型进行量化[10，12]。其中，水域赋值0分；未利用地赋值10分；耕地赋值30分；林地、草地赋值50分；城镇用地、农村居民点、其他建设用地赋值100分。

为方便居民点适宜性加权计算的科学性，各因子需与土地利用类型的值域范围保持一致，本研究将不同因子的值域均归一化至0～100 (表2)，得到各相关指标的新的值域分布图(图2)。

表2 相关指标原值域与归一化值域

2 研究方法

在新数据集的基础上，研究城乡居民点的空间分布特征，并对城乡居民点进行适宜性评价，在进行适宜性评价后需要对现状居民点进行类别划分。应用布局优化工具(GeoSOS)运行得出优化结果，实现紧凑性与适宜性目标。并与优化前城乡居民点的布局特征(居民点景观格局指数)、居民点土地适宜性进行对比，讨论结果是否科学合理(图3)。

2.1 景观格局特征分析

景观格局是指景观的空间结构特征，是景观组成单元的类型、数目及空间分布与配置，是景观异质性在空间上的综合表现。景观格局指数是指能够浓缩景观格局信息，反映其结构组成和空间配置特征的简单量化指标。本研究通过对居民点的景观指数值以及居民点与相关因子的布局关系，对广州市城乡居民点的空间布局状况进行分析。

2.2 居民点适宜性分析

本研究主要通过指标体系建立、权重确定、计算适宜性评价综合分值3个步骤来确定广州市城乡居民点的适宜性。

2.2.1 指标体系建立

构建合理的适宜性评价指标体系是进行城乡居民点布局优化的关键。本研究从区位条件、社会经济条件、生态环境条件3个方面选取10个因子构建指标体系(表3)。

图2 各因子归一化结果Fig.2 Normalization of each factor

2.2.2 指标权重确定

指标权重的确定方法有很多，本文利用主成分赋权法，以实际指标信息来确定权重，不存在因人而异的缺点，具有客观性、合理性较高等优点。主成分分析法确定权重的计算步骤如下[30]。

图3 城乡居民点布局优化方法流程Fig.3 Flow chart of method for optimizing spatial allocation of residential lands

表3 广州市城乡居民点适宜性评价指标体系

1)进行主成分分析，计算各指标因子的特征值和特征向量、累计贡献率，以及主成分载荷矩阵。以上分析在统计软件SPSS19.0中完成。

2)确定主成分的线性组

Zj=Lj1X1+Lj2X2+…+LjpXp(j≤p)。

(1)

式中，Zj为第j个主成分的线性组合；X1,X2，…，Xp是原始的p个指标；Ljp为第p个指标在主成分Zj中的得分系数。

3)得分模型

根据主成分因子的线性表达式计算出各个主成分得分，采用各主成分的方差贡献率作为其权重，计算各主成分因子的综合得分。

(2)

(3)

式中，Z为综合得分模型；δi为指标Xi的得分系数；Lji为第i个指标在主成分Zj中的得分系数；∂j表示主成分Zj的方差贡献率。

4)指标权重的归一化

由于所有指标的权重之和为1，因此指标权重需要在综合模型中指标系数的基础上进行归一化。

(4)

式中，wi为指标Xi的最终指标权重。

2.2.3 适宜性评价综合分值

根据式(5)计算广州市城乡居民点适宜性综合分值，并利用自然间断分级法对综合分值进行分级。

(5)

其中，F为城乡居民点适宜性评价的综合分值，wj为第j项指标的权重，Pij为第j项指标的第i个栅格的分值，m为评价指标个数。上述分析利用Arcgis10.2中栅格计算器计算完成。

2.3 基于蚁群算法的城乡居民点空间布局优化

城乡居民点的空间布局优化是一种在一定约束条件下的多目标优化问题。蚁群算法是一种启发式的智能方法，能够智能搜索、全局优化，在解决多目标优化问题方面有很大的优势，非常适合应用到土地资源空间配置中。本研究将多目标蚁群算法引入城乡居民点的空间优化中，具体流程如下[31]。

①蚂蚁编码以及参数设置。需要将居民点适宜性目标以及居民点集聚目标映射至算法，并按照一定规则对输入的栅格图层进行蚂蚁编码。同时设置好启发权重、信息权重以及挥发系数。

②蚂蚁初始化。确定蚂蚁的初始位置、启发素浓度以及初始信息素浓度等并评价当前土地单元的优劣。

③评价解的优劣，并更新信息素浓度。根据算法设置的目标函数，判断各个解的优劣。同时加深质量高的候选解的信息素浓度，降低质量低的候选解的信息素浓度。本研究包含两个目标函数，分别是空间紧凑性函数和土地利用适宜性函数。空间紧凑性函数可以促使居民点在空间上趋于紧缩和有序状态；土地适宜性函数可以促使居民点向适宜性高的地方布局。本研究取土地利用适宜性(z)和空间紧凑性(c)的权重均为0.5，于是城乡居民点空间优化的总目标函数可以表示为[10]：

F=0.5×f(z)+0.5×f(c)。

(6)

其中，f(z)表示土地适宜性函数；f(c)表示空间紧凑性函数。

④终止条件。若不满足终止条件，则重复②、③，直到满足终止条件。

上述分析是利用GeoSOS(Geographical Simulation and Optimization Systems)软件中面优化工具实现[32](http://www.geosimulation.cn/)。GeoSOS操作平台需要设置3个系数，本研究设置启发权重为2，信息权重为4，挥发系数为0.4。本研究中广州市城乡居民点适宜性的评价结果可以作为土地适宜性函数，直接载入GeoSOS软件中，同时空间紧凑性函数也可以直接在GeoSOS软件中进行相应的设置。

3 结果与分析

3.1 城乡居民点空间分布特征分析

3.1.1 基于景观格局指数的形状特征

由表4可知，从区域尺度来看，天河区、荔湾区、越秀区以及海珠区的城乡居民点用地比例均超过60%，且其平均斑块面积值偏大，平均最邻近距离、斑块分布密度偏小，这说明这4个区域内的城乡居民点分布较为集中，规模大，破碎度小，呈集群分布。花都区、南沙区、增城区以及从化区的城乡居民点用地比例均低于15%，且其平均斑块面积数值偏小，平均最邻近距离、斑块分布密度偏大，这说明这些地区的居民点规模小，分布较为零散。相比花都区、南沙区、增城区以及从化区4个区，番禺区、黄浦区和白云区的居民点分布较为密集，但仍存在部分居民点分布分散、规模较小等问题，需要进行科学合理的规划整理。

表4 广州市各区城乡居民点景观格局指数统计

3.1.2 居民点分布与相关因子的关系

为方便分析居民点与各相关因子的分布关系，以及景观指数的计算，本研究利用Arcgis 10.2中自然间断点分级法对各相关因子的原始数据进行分级，分级结果如表5所示。利用Fragstats 4.2软件计算居民点在各个相关因子不同等级中的景观指数值，将景观指数值按类别进行统计，结果如图4。

3.1.2.1 居民点分布与区位条件的关系

广州市城乡居民点主要分布在坡度缓、高程低、距离道路、河流近的区域内。2015年，坡度小于4°的居民点占88.49%；高程小于60 m的居民点占95%以上；距离道路1 km范围内的居民点占62.01%；距离河流2 km范围内的居民点占83.56%。从景观指数来看，在坡度小于4°，海拔低于20 m，距离道路1 km，距离河流2 km范围内的区域，居民点的平均斑块面积较大，且分布密度以及平均最邻近距离较小。随着坡度变陡、海拔变高，以及距河流、道路的距离渐远，居民点面积、所占比例、平均斑块面积逐渐减小，斑块分布密度与平均最邻近距离逐渐增大。这说明居民点距离道路、河流越近，所处区域坡度越缓、高程越低，则规模越大，分布越集中。反之，则集聚程度低、破碎化程度大，且规模偏小，要进一步进行规划整合。

3.1.2.2 居民点分布与社会经济条件的关系

2015年，在教育医疗设施、文化体育设施、交通设施密度小于5个每平方公里范围内的居民点占50%左右，在此范围内的居民点的平均斑块面积小，斑块分布密度、平均最邻近距离较大。随着每平方英里的教育医疗、文化体育、交通设施个数增加，平均斑块面积逐渐增大，斑块分布密度、平均最邻近距离逐渐减小。这说明，在各种设施分布集聚的区域，居民点分布集中且规模较大，而在各种设施平均核密度小于5个每平方公里的区域内，居民点规模小且破碎化程度高，可以着重针对这部分居民点进行规划。

居民点内，人口数量越大，平均斑块面积越大，斑块分布密度以及平均最邻近距离越小。这说明，人口聚集的区域居民点的分布较为集中。

3.1.2.3 居民点分布与生态环境的关系

广州市城乡居民点更倾向分布在NDVI值小于0.27的区域，2015年NDVI值小于0.27区域内的居民点占86.22%。当NDVI值越接近1时，居民点的分布密度、平均最邻近距离值越大，所占比例以及平均斑块面积值越小。因此，NDVI值接近1的居民点分布较为分散且规模小，需要进一步地整理。

表5 各相关因子分级结果

图4 景观指数值Fig.4 Landscape pattern index

3.2 适宜性分析

3.2.1 指标权重的确定

本研究选取10个指标因子构建广州市城乡居民点适宜性评价的指标体系(表3)。随后采用主成分分析法，利用SPSS19.0统计分析软件，计算各因子的特征值、累计贡献率，计算主成分载荷矩阵(图5)。结果显示，PC1在教育医疗(C5)、文化体育服务设施(C6)、交通设施(C7)、人口空间分布(C8)4个指标上因子载荷量较大，在一定程度上可以反映居民点的生活条件、社会经济条件；PC2在坡度(C1)、高程(C2)、距道路距离(C3)、距河流距离(C4)4个指标上因子载荷量较大，是衡量居民点区位条件是否优越的重要条件；PC3在NDVI(C9)以及土地利用类型(C10)两个指标上因子载荷量较大，在一定程度上可以反映居民点的生态环境条件是否合适居民点布局。

依据式(1)～(4)，计算各因子的权重，权重结果如表6所示。

图5 主成分分析结果Fig.5 Principal component analysis result

表6 指标权重

3.2.2 广州市城乡居民点适宜性综合分值

根据式(5)计算出广州市城乡居民点的适宜性综合分值，并利用Arcgis10.2的自然间断点分级法对综合分值进行重分类(分级标准如表7所示)，即可得到广州市城乡居民点适宜性评价结果(图6a)。并在此基础上对各个区的适宜性分布情况进行统计(图7a)。

广州市城乡居民点布局适宜性评价结果(图7a)表明，位于适宜区的居民点面积为17 621.41 hm2，占全市居民点总面积的15.29%。越秀区、海珠区、天河区、荔湾区、白云区中位于适宜区的居民点占各个区居民点总面积的比重分别为86.78%、54.88%、45.03%、23.72%、22.01%。处于适宜区的居民点自然条件优越，生态环境宜人，且社会经济条件非常好，生产生活基础设施、服务设施落完善，便于人的日常生产生活。此区域的居民点可以以城镇发展计划为基础，不要盲目扩张用地规模。

位于较适宜区的居民点面积为53 266.10 hm2，占全市居民点总面积的46.21%。其中，荔湾区、番禺区、黄浦区、白云区、花都区、海珠区位于适宜区的居民点占各个区居民点总面积的比重分别为71.9%、56.25%、54.02%、53.79%、53.66%、41.15%。处于较适宜区的居民点多位于自然、生态条件较好的位置，仅社会经济条件稍逊于适宜区的居民点。因此，可以进一步加强此区域的公共服务建设，并根据自身优势选择性地进行扩张。

位于基本适宜区的居民点面积为29 546.97 hm2，占全市居民点总面积的25.63%，主要集中在南沙区、从化区、增城区、黄浦区、番禺区、花都区、白云区，各个区位于基本适宜区的居民点的面积占各个区居民点总面积的比重分别为71.74%、38.54%、34.46%、31.06%、30.22%、24.56%、14.48%。处于基本适宜区的居民点的自然条件较适宜，但其生态环境条件以及社会经济条件较为逊色。因此可根据各居民点自身的优势和限制条件依靠邻近居民点发展优势，根据不同情况进行扩展和缩减。

位于较不适宜区以及不适宜区的居民点面积共有14 845.41 hm2，占全市居民点总面积的12.88%，以从化区、花都区、增城区居多。该类居民点主要位于丘陵及低山区域，其布局零散、规模小，自然条件、社会经济条件以及生态环境条件也都处于劣势。为了改变这些居民点布局分散、结构松散的局面，形成集聚效益和规模效益，提高土地集约化程度，并改善居民点的生活环境，进一步实现城乡统筹发展，在原则上可以将这部分居民点拆迁至邻近的居民点或其他适宜性条件较好的区域。

表7 适宜性评价标准

图6 居民点适宜性分析结果及优化前后居民点布局情况Fig.6 Suitability analysis results and the layout of the residential lands before and after optimization

图7 2015年优化前后广州市城乡居民点土地适宜性统计Fig.7 Statistics on land suitability of residential lands in Guangzhou before and after optimization

3.3 城乡居民点布局优化

利用GeoSOS软件，在优化前后居民点面积不变的约束条件下，实现了居民点适宜性以及居民点紧凑性两个目标。利用GeoSOS得到的广州市城乡居民点布局优化结果是30 m×30 m的栅格数据，需要利用Arcgis 10.2中的栅格转矢量工具，得到最终的优化结果，如图6c所示。

3.3.1 土地适宜性目标

比较图6b和图6c，以及图7a和图7b可知，优化后城乡居民点朝着适宜性较高的区域布局。优化后城乡居民点主要分布在适宜区、较适宜区和基本适宜区，分别占居民点总面积的18%、64%和17%。优化后较不适宜区居民点仅占居民点总面积的1.02%。

优化后，天河区、越秀区、荔湾区、海珠区4个区域内城乡居民点空间布局变动不大，这主要是因为这4个区域的区位条件、经济条件以及生态环境条件都十分优越，且优化前已经呈规模聚集分布，因此优化后的空间布局变动不大；优化后的白云区城乡居民点主要分布在新市街、三元里、景泰街、黄石街、嘉禾街、均禾街、人和镇、石井街、棠景街；从化区城乡居民点主要集中分布在城郊街、街口街、温泉镇；番禺区原来位于石楼镇、化龙镇、沙湾镇的居民点主要向适宜区以及较适宜区进行搬迁；花都区的城乡居民点主要分布在新华街、狮岭镇；黄浦区优化后的居民点主要集中在穗东街、夏港街、永和街等区域；南沙区主要集中在东涌镇；增城区主要分布在荔城街道以及新塘镇。居民点主要集中在这些区域是因为这些区域的区位条件优越、经济条件较好、生态环境适宜，居民点适宜性程度较高，方便人们进行生产生活等。

3.3.2 紧凑性目标

比较表4与表8，可以很明显地看出，优化后的城乡居民点的平均斑块面积显著增大，斑块密度、居民点个数减少，这都说明优化后的城乡居民点分布更加聚集，居民点破碎化程度降低且规模增大。平均最邻近距离增大，是因为零星的居民点减少，且大部分居民点呈大规模聚集分布，故图斑间距会加大。

表8 GeoSOS优化后广州市各区城乡居民点景观格局指数

4 讨论

4.1 居民点的布局现状受不同因素的影响。通过对广州市城乡居民点在不同影响因素下的布局规律进行分析，发现广州市居民点在坡度缓，高程低，距离河流道路近，教育医疗设施、交通设施、文化体育服务设施完善，植被归一化指数值小(除去河流部分)，土地利用类型得分高的区域表现出规模大、分布集中的特点。相反，城乡居民点则呈现出分布零散、规模较小、集聚程度低等问题。

4.2 以往的城乡居民点空间布局优化结果，多以行政区为研究单元，将居民点划分不同的整理模式。这种优化方式导致布局优化结果局限于行政单元，停滞在中观尺度的研究[26,28]。例如：孙华生[1]等对居民点空间分布特征进行定量分析，按照城镇和农村居民点规划要求，确定城镇建成区发展方向、需要迁移的村庄以及中心村，从而实现基于行政村尺度上的居民点优化布局。

本研究中，居民点布局优化的空间尺度更为精细、规划更为及时，这主要是因为使用了新的数据集。本研究在传统数据集的基础上引入多源数据(POI和人口空间化数据)，对传统社会经济数据进行处理和替换，建设了新的数据集。新数据集主要有两个优点：空间尺度更为精细、更新更为及时。本研究中用到的坡度、高程、距河流距离、距道路距离、NDVI、土地利用类型6个指标数据是30 m×30 m分辨率的栅格数据，是通过对 Landsat 8 OLI、DEM进行一系列处理得到。研究中用到的教育医疗核密度、交通设施核密度、文化体育核密度3个指标数据是30 m×30 m分辨率的栅格数据，是通过对POI数据进行核密度分析得到的，目前从百度获取的POI数据不仅仅只是区级以上的大型设施，还包括很多小微型的设施，能够在一定程度上反映更多的微观细节信息。研究用到的人口空间分布数据是从资源环境数据云平台获取的，通过重采样可以得到30 m×30 m分辨率的栅格数据，能够精确地反映人口的实际空间部分，不只是基于行政区的人口统计数据。因此基于新数据集的优化结果空间尺度也是30 m×30 m的。此外，因新数据集中各个数据的数据源更新周期短，因此可实现规划更为及时的城乡居民点空间布局优化。

4.3 本研究将多目标蚁群算法应用至城乡居民点空间布局优化中，智能化地实现了土地适宜性以及紧凑性两个目标。优化前广州市位于适宜区、较适宜区、基本适宜区、较不适宜区以及不适宜区的城乡居民点面积分别占15.29%、46.21%、25.63%、12.41%、0.47%。优化后广州市城乡居民点主要分布在适宜区、较适宜区和基本适宜区，分别占居民点总面积的18%、64%、17%。其次，通过比较优化前后居民点的景观指数值发现：优化后居民点的平均斑块面积、平均最邻近距离显著增大，斑块密度减小，具体表现为居民点分布更加紧凑、有序。优化后居民点朝着适宜性高的区域集聚，主要是因为适宜性高的区域区位条件、社会经济条件以及生态环境条件优越，适宜人的居住和生活。优化后的居民点布局有利于公共卫生福利设施的安排、文化娱乐商业服务业的建立、村庄道路交通设施的改善等，且可以充分发挥现有资源优势，使综合效益最大化，更好地为区域经济建设和社会发展服务。

5 结论

5.1 通过对广州市城乡居民点进行景观分析，发现广州市居民点除了天河区、荔湾区、越秀区与海珠区4个区的居民点较为集聚且规模较大，其他区域的居民点布局存在分布较为零散，且规模较小的问题。

5.2 基于新数据集的广州市城乡居民点空间布局优化结果表明：空间尺度更为精细，规划更为及时。基于新数据集的广州市城乡居民点布局优化结果是30 m×30 m的栅格数据，并可转化为矢量数据，且因为所用数据的更新周期短，可以使得布局优化更为及时。

5.3 基于蚁群优化模型的广州市城乡居民点空间布局优化，结果直观且优化后的居民点向适宜性较高的区域紧凑且有序地布局，能够实现适宜性与紧凑性两个目标。