南昌市城市扩张适宜性分区和预测分析

靳焕焕，张立亭，朱 瑕

(1.东华理工大学测绘工程学院，330013，南昌； 2.江西省数字国土重点实验室，330013，南昌)

0 引言

随着中国城镇化进程不断加快，城市扩张导致的一系列资源环境破坏[1]、人地矛盾、土地利用冲突[2]等问题越来越明显。城市发展过程中如何做到合理规范城市健康发展，合理划定城市扩张方向，高效合理利用土地资源，缓解土地利用矛盾等是当前亟待解决的问题。当前，国内外学者对于城市扩张的研究，主要从城市扩张的驱动力分析[3-8]，城市扩张的模拟与优化研究[9-11]，城市扩张的影响机制[12-16]，城市扩张的时空特征[17-20]等方面展开研究，取得较好的研究成果。然而这些针对城市扩张的研究中，关于城市扩张的适宜性分区研究较少，划分适宜性分区是土地资源优化的重要基础，目前适宜性分区的研究对象着重农村居民点[21-22]、未利用地[23]和复垦地[24]，研究方法有多因素综合评价法[25]、层次筛选[26]、K均值聚类[27]和最小累积阻力模型[28]等。针对城市化与生态保护之间的矛盾加剧，生态环境因素也需要被纳入到城市扩张的适宜性评价体系中，从经济发展和生态约束两方面考虑城市的发展。因此，为了更好地引导城市的健康发展，需要综合考虑城市扩张的适宜性分区和城市扩张趋势对城市发展的影响。综上，本文选取南昌市为研究区，综合考虑城市发展的阻力和驱动力，从区域环境、区域基质、区域流通和禁止扩张区等4个方面建立适宜性评价指标体系，结合GIS空间分析，利用改进的城市扩张最小累积阻力模型(Urban Expansion Ecological Resistance，UEER)，构建南昌市城市扩张阻力面，对南昌市城市扩张进行适宜性分区。应用基于神经网络(Artifical Neural Network，ANN)的元胞自动机(Cellular Automata，CA)模型(ANN-CA)，对南昌市城市扩张进行预测。综合城市扩张适宜性分区和城市土地扩张预测的结果，旨在为南昌市城市发展及规划提供一定的参考和依据。

1 研究区概况与数据来源

1.1 研究区概况

南昌市位于江西省中部偏北，是江西省的省会城市，南昌市境内山、丘、岗、平原相间，以平原为主，占35.8%，岗地低丘占34.4%，水域面积达2 204.37 km2，占29.78%，东南相对平坦，西北丘陵起伏，水网密布，湖泊众多，生态环境质量高。随着鄱阳湖生态经济区、昌九一体化、南昌大都市圈、赣江新区等系列政策措施相继落实，红谷滩新区、瑶湖片区、九龙湖区等新城的建设发展，南昌市迎来高速发展期。由于城市扩张速度不断加快，带来了一些列诸如土地利用冲突、区域发展不协调和资源环境的破坏等问题。因此对南昌市城市扩张进行适宜性分区和预测，对促进南昌市合理健康发展以及城市规划有重要意义。

图1 研究区位置示意图

1.2 数据来源与处理

本研究主要数据有：本文根据南昌市城市化发展历程，选用南昌市1995年、2005年和2015年土地利用分类数据作为研究基础数据；南昌市DEM数据(30 m×30 m)来源于地理空间数据云网站；南昌市风景名胜区、公园、饮用水源保护区和水产种植资源保护区等矢量数据来源于江西省环保厅；参照《土地利用现状分类》(GB/T 21010—2007)和研究目的将南昌市土地利用类型划分为：耕地、林地、草地、水域、城镇建设用地、农村居民点用地和其他土地7类。

2 研究方法

2.1 南昌市城市扩张适宜性分区

2.1.1 南昌市城市扩张源的设定 “源”具有向四周扩张或者吸引的能力，不同等级的源由于其性质及四周传播媒介的不同导致扩张能力的差异[29]。本文中的源为南昌市城市用地，参考相关研究[30-31]，综合考虑南昌市的范围、人口与经济分布确定源的等级，赋予各个等级相对应的阻力因子K，一级阻力因子为0.8，二级阻力因子为0.9，三级阻力因子为1，源等级系数K与城市用地的扩张能力呈负相关关系(表1)。根据南昌市城市用地源的分级情况，对其进行等级划分(图2)。

表1 南昌市城市用地源的分级及基本依据

图2 南昌市城市用地源分级图

2.1.2 南昌市城市扩张适宜性评价指标体系构建 对于城市空间扩张影响因素的选取方面，根据已有研究成果[32-33]，对于一些特殊区域，如饮用水源保护区、自然保护区等生态障碍区(图3)，这些区域的存在对城市建设用地的增长构成了绝对约束。在确定生态障碍的基础上，根据南昌市的实际情况选取坡度、高程、植被覆盖指数、土地利用类型及流通性要素建立适宜性评价指标体系。本文将研究区分为禁止扩张区和一般扩张区，并将其作为南昌市城市扩张适宜性评价指标体系的一级影响因子，其中禁止扩张区包括风景名胜区、公园、水产种植资源保护区和饮用水源保护区等禁止建设区域，赋予较大阻力值。一般扩张区分为区域环境、区域基质和区域流通3个方面(表2)。指标体系中区域环境反映了自然地理条件对于城市建设的约束，包括高程、坡度和植被覆盖指数(NDVI)，高程、坡度和NDVI值越大则城市建设和改造的阻力越大；区域基质反映了不同地面景观类型对于城市扩张的阻力的差异，农村居民点、裸土地和工矿用地对城市扩张的阻力较小；区域流通考虑交通通达度对城市扩张的影响，结合南昌市具体条件，选取了铁路、高速公路和主干道3个因素。

图3 南昌市生态障碍分布图

参考相关的研究[24，28，34-35]，将南昌市城市扩张适宜性评价指标体系的二级影响因子的阻力系数分为5个等级，分别用1、3、5、7、9表示，各因素具有不同的权重，这些都是通过专家打分法的方式确定。利用Arc-GIS10.2中cost-distance模块分别得到单个要素的阻力分布(图4)，使用栅格计算器对各阻力因子做加权叠置分析，得到30 m×30 m栅格单元的综合阻力数据，为UEER模型运行提供基础数据。结合禁止建设区的分布，通过叠加分析计算可以得到南昌市城市扩张阻力综合评价结果，其评价结果反映的是不同影响因子叠加的垂直过程对于城市扩张的影响。

2.1.3 南昌市城市扩张适宜性分区 最小累积阻力模型(minimal cumulative resistance,MCR)是指物种在从源到目的地运动过程中所需耗费代价的模型，由荷兰生态学家Knappen[36]于1992年提出，最早应用于物种保护和景观格局分析等生态领域，国内学者将其在城市空间增长、土地利用和旅游规划等社会经济领域开始进行一些尝试。本文应用叶玉瑶等改进的最小累积阻力面模型(UEER)，即在MCR模型中引入不同等级源的相对阻力因子Kj，构建城市扩张的生态阻力面模型UEER。基本公式如下：

(1)

式中：UEER表示城市扩张最小累积阻力面值；f是一个未知函数，反映了空间中任一点的最小阻力与其到所有源的距离和阻力面特性的正相关关系；min表示某景观单元对不同的城市用地源取累积阻力最小值；Dij表示从源j到栅格单元i的空间距离；Ri表示栅格单元i对运动过程的阻力系数；Kj表示源j所属等级的相对阻力因子。

表2 影响因子评价指标体系

(a)高程阻力 (b)坡度阻力 (c)NDVI阻力

(d)土地利用类型阻力 (e)距主干道距离阻力 (f)距铁路距离阻力 (g)距高速公路距离阻力

利用最小累积阻力模型(UEER)，分别计算一级源、二级源和三级源的各栅格单元的阻力值，通过GIS中成本距离法分别生成3张对应不同等级源的阻力面，对这3张阻力面进行叠加计算各栅格单元的最小值。根据最小累积计算结果，利用重分类工具(Reclassify)，选择自然断点法将所有栅格单元按照累积阻力分值大小依次划分为高度适宜扩张区、较适宜扩张区、较不适宜扩张区、不适宜扩张区和不可扩张区5种等级区域(图5)。

图5 南昌市城市扩张适宜性分区图

2.2ANN-CA模型

本文用以模拟城市扩张的模型是黎夏[37-39]等提出基于神经网络的元胞自动机模型(ANN-CA)，其基本原理是利用神经网络提取元胞自动机的转换规则，并将转换规则用于后续的模拟和预测中。由于该模型结构简单，用户转换规则及参数自动生成，能够有效反映空间变量之间的复杂关系，适合用于模拟非线性的和复杂的土地利用系统。计算公式为：

(2)

本文中选取1995年和2005年的土地利用数据进行模型训练，根据南昌市的实际条件，选取距市中心的距离、距铁路的距离、距高速公路的距离、距主干道的距离以及地形坡度等作为空间变量数据。模型设置的参数如下：元胞领域设置为3×3经典摩尔邻域，神经元的学习速率设置为0.05，参与训练的样本数为410 341，将土地利用转换的概率的阈值设为0.9，迭代次数为300次，模拟总体精度为93.7%。以2015年土地利用数据为预测起始年份的数据来预测南昌市2025年的城市扩张状况。

3 结果分析

3.1 南昌市城市扩张适宜性分区结果分析

按照最小累积阻力分值大小依次将评价区划分为高度适宜扩张区、较适宜扩张区、较不适宜扩张区、不适宜扩张区和不可扩张区5种等级区域(图5、表3)。其中，高度适宜扩张区面积为632.22 km2，占区域总面积的8.54%，主要分布在青云谱区、青山湖区、进贤县的西南部、新建区和南昌县与主城区的连接区域，目前也主要为建设用地，可以作为未来的优化建设区，是重点建设区域；较适宜扩张区面积为537.98 km2，占区域总面积的7.27%，主要分布在已建成区域的周边区域，包括新建区的北部、湾里区的南部和南昌县的西部区域，这些区域地势平坦，交通便利，距离主城区较近，政府政策扶持，区位优势明显。尤其是新建区和南昌县受到红谷滩新区和小蓝经济开发区等政策的支持，是南昌市主城区未来发展的核心区域；较不适宜扩张区面积为5 714.62 km2，占区域总面积的77.2%，主要分布在高度适宜区的外围，区域内主要分布了各区县的基本农田，不适宜作为建设用地，未来应该限制该区建设用地的发展；不适宜扩张区面积为465.41 km2，占区域总面积的6.29%，主要分布在南昌市的的东北部和东南部，该区域水域面积广阔，生态环境脆弱，不适宜作为建设用地；不可扩张区面积为51.8 km2，占区域总面积的0.7%，主要分布在安义县的西北部，新建区的东部区域及湾里区和主城区的部分区域，该区域主要是已经划为禁建区的区域，包括风景名胜区、公园、饮用水源保护区等区域，应严格禁止开发为建设用地。

表3 南昌市城扩张适宜性分区

3.2 南昌市城市扩张预测及分析

3.2.1 ANN-CA模型模拟精度检验 本文基于南昌市1995年和2005年的土地利用数据以及空间影响因子数据获得该时期土地利用变化规律，对2015年土地利用状况进行模拟并验证模拟精度。通过ANN-CA模型得到的混淆矩阵，其中耕地、林地、草地和水域的模拟精度分别高达95%、96%、94%和95%，其次是城镇建设用地、农村居民点用地和其他土地，模拟精度分别为75%、86%和89%。究其原因，耕地、林地、草地、水域和其他土地的驱动因子及变化规律比较好追踪，而城镇建设用地和农村居民点用地作为城市发展中的重要地类，要受到许多复杂和不确定性因素的影响，模拟精度受到一定影响。总的来看本次模拟的总体精度为93.7%，Kappa系数为0.905，模拟结果较优，可用于模型的预测。

3.2.2 ANN-CA模型预测结果及分析 以2015年土地利用数据为初始数据，假设南昌市城区未来保持现有发展趋势，利用ANN-CA模型预测2025年南昌市城市扩张状况(图6)，对比2015年南昌市城市不断向外蔓延导致城市边缘破碎化严重，未来南昌市将围绕现有城市边缘建设用地集聚式扩大，呈现出聚拢式发展，具体而言，南昌市向南方向的南昌县、向北和向西的新建区和青山湖区的三大块区呈现团块式的发展，究其原因，南昌市“一江两岸”发展格局的形成和红谷滩新区的建设，新建区已经发展成南昌市的新城区，区位优势明显，是南昌市城市扩张的主要区域。南昌县位于南昌市的南部，地形平坦，交通便利，经济发达，三面环抱南昌市主城区，同时受小蓝经济开发区政策的支持，发展条件较好。其次，《江西省城镇体系规划(2015-2030年)》提出，以鄱阳湖生态经济区为依托，沿沪昆线和京九线为主线，着力培育和发展以南昌为核心的南昌大都市区，促使发展南昌市城市增长极。而湾里区由于受到梅岭景区的限制 ，未来城市扩张的强度较弱。对比南昌市土地开发适宜性评价结果图，未来南昌市城市扩张主要在较适宜性分区范围内，基本符合城市建设的要求。

图6 2025年南昌市城市扩张预测图

对比南昌市2015 年和2025 年土地利用变化状况(表4)，由于本文中使用的数据进行了多次栅格和矢量数据的转换，导致2025年和2015年南昌市土地总面积出现了0.00019%的差别，此处可忽略不计。预计2025年南昌市城市增长量达20%，水域和其他土地(沼泽地、沙地、裸土地)分别有0.006%和2.42%的增长量，耕地、林地、草地和农村居民点用地分别有2.27%、0.33%、0.06%和4.22%的负增长量，就绝对量而言，耕地的减少量最多，表明城市扩张中主要是占用耕地，其原因大概是直接占用耕地的成本远比老旧城区的改造成本低的多，因此在未来城市规划中，政府应当严格控制耕地开垦的行为，切实保护耕地。其次是农村居民点用地的减少，表明城市扩张过程中，农村居民点的拆旧复垦缓解了一部分城市扩张中土地紧缺的压力，有利于城市的健康发展。

表4 2025年南昌市城市扩张预测表

4 结论与不足

本文以南昌市为研究区域，通过建立南昌市城市扩张适宜性评价指标体系，利用最小累积阻力模型(UEER)结合GIS空间分析，划分了南昌市城市扩张适宜性分区。以南昌市1995年、2005年和2015年土地利用数据为基础数据，对南昌市2025年城市扩张范围进行了预测。主要结论如下。

1)结合南昌市城市扩张的适宜性评价指标体系，利用最小累积阻力模型和GIS空间分析，将南昌市城市扩张划分为高度适宜扩张区、较适宜扩张区、较不适宜扩张区、不适宜扩张区和不可扩张区等五个区域。

2)利用ANN-CA模型对南昌市城市扩张进行模拟，模拟的总体精度为93.7%，Kappa系数为0.905，模型的模拟精度高，表明应用该模型进行预测具有可行性。

3)根据ANN-CA模型预测结果，预计2025年南昌市城市建设用地增长量达20%，且主要围绕现有的城镇用地进行集聚式扩张，将弥补2005年-2015年城市蔓延式发展导致的破碎化现状，南昌县和新建区是未来城市扩张的主要区域。未来城市扩张主要占用耕地，在城市发展规划中，政府要严格实施保护耕地的政策。

本文基于UEER模型对南昌市城市建设用地适宜性评价分区的精度主要取决于评价因子的选择及其权重的划定，使用的专家打分法确定评价因子的权重存在一定的主观因素，同时缺少对研究区自然灾害数据的考虑，这些都会对结果产生一定的影响，有待进一步改进。