港城交界带空间范围研究

徐蕴卓，吴晓磊，姜 影，郭子坚

（1.大连理工大学 海岸和近海工程国家重点实验室，辽宁 大连 116024；2.中交水运规划设计院有限公司，北京 100007）

引 言

港口规划中，通常以陆域港界线的形式对城市和港口的陆域空间范围进行分界，港界线作为一组固定的多段线，一旦确定便明确了港口和城市的用地区间。因此随着后期港口和城市不断发展，港界线及其周边建成的部分永久性建筑物将会限制港口和城市双方的进一步扩张，进而引起土地资源利用的冲突，导致港口不得不进行搬迁改造。例如，处于城市包围之中的大连港老港区就因此选择将客滚和内贸集装箱运输之外的运输服务功能向大窑湾、大连湾等港区转移[1]；青岛港老港区也在逐步进行码头的腾退和搬迁[2]。因此，立足于港口和城市的未来长远发展，在规划阶段对土地资源进行合理规划，对避免港口搬迁产生的资源浪费，实现港口和城市的可持续协调发展具有重要意义。

已有的城市规划及土地管理研究对土地利用弹性规划方法展开了详细探讨[3-4]，以期增加土地利用规划的机动性，保障区域有序协调发展。此类研究中涉及的弹性规划理念为解决港口城市土地资源规划问题提供了参考。

因此，本研究通过港口陆域纵深影响因素分析，建立基于GA-BP 神经网络的陆域纵深解析模型，并进一步构建港城交界带空间范围解析模型，实现港区后方港城交界带空间范围的定量解析。

1 港城交界带空间范围解析模型

1.1 港城交界带定义

本文将港口未来发展过程中由港区发展需求变动或港区功能变迁导致的港区用地弹性变化范围定义为港城交界带。该地带可视为土地资源利用的弹性控制区，该区域内用地功能规划具有不确定性，可根据港口与城市的未来发展需求进行灵活的动态调整，从而避免规划方案的频繁修订。当港口发展对土地资源提出需求时，港城交界带内土地可作为港口用地功能临时使用，若港口暂无进一步发展需求，城市经济发展亟需用地资源，则港城交界带内土地资源可作为城市发展的临时性用地。

为实现港城交界带空间范围的定量化描述，本文首先建立了陆域纵深解析模型，并在此基础上进一步构建港城交界带空间范围解析模型。

1.2 陆域纵深影响因素分析

码头陆域纵深指码头岸线陆侧直接或间接用于港口生产和辅助生产用地的尺度，应根据泊位性质、货种、运量、装卸工艺及集疏运条件等综合分析确定[5]。结合吕威[6]、田佐臣[7]等人对陆域纵深影响因素的选取研究，充分考虑数据的可获取性及可操作性，本文最终选取货种、泊位吞吐量、泊位长度、码头前沿水深、泊位装卸设备数量、泊位装卸效率、泊位航线数及泊位利用率展开陆域纵深定量解析研究。

1）货种 C（n）

港口吞吐量是反映港口生产运营活动的重要指标，也是衡量港口规模大小的决定性指标。泊位吞吐量作为各泊位一年内所完成的吞吐量，其值高低直接影响泊位后方陆域纵深。货种 C（n）第t个泊位的吞吐量为 Q（n,t）= ｛ q（n,t）｝，万t 或万TEU。

1.3 基于GA-BP 算法建立陆域纵深解析模型

1）GA-BP 神经网络

GA-BP 神经网络通过利用遗传算法（GA）优化反向传播（BP）神经网络的初始权值和阈值，从而达到提高网络收敛速度和稳定性的目的。该算法基本流程如图1 所示[8-9]。

图1 GA-BP 神经网络算法流程

GA-BP 神经网络包含种群初始化、适应度函数计算、选择操作、交叉操作、变异操作等多项步骤。本文针对BP 神经网络初始权值阈值构成的个体，采用误差绝对值和作为适应度函数，利用轮盘赌选择方法、实数交叉法、非均匀变异算子完成选择、交叉和变异操作并找到最优个体，作为BP 神经网络的最优初始权值和阈值。

BP 神经网络由输入层、隐含层与输出层组成[10]（如图2）。输入层为泊位吞吐量、泊位长度、码头前沿水深、泊位装卸设备数量、泊位装卸效率、泊位航线数和泊位利用率7 项输入变量，可表示为：

图2 BP 神经网络拓扑结构示意

隐含层第k 个输入可具体表示为：

其中，kω 为隐藏层与输出层间连接权值，s 为隐含层节点总数，b 为输出层阈值。

BP 神经网络基于误差反向传播原理，根据网络预测误差不断更新网络连接权值rkω 、kω 和节点阈值ka 、b，缩小陆域纵深预测值与实际值之间的差距，最终训练得合适的神经网络模型。

2）陆域纵深解析模型

1.4 构建港城交界带空间范围解析模型

港口通常由多种不同货类的泊位组成，因此在港区规划过程中，为求解整个港区后方港城交界带空间范围，应依据不同货种的陆域纵深解析模型分别求解各货种泊位后方港城交界带空间范围。

2 算例分析

2.1 模型建立

本研究统计了美国长滩港、洛杉矶港、西雅图港以及日本神户港集装箱泊位的泊位吞吐量、泊位长度、码头前沿水深、泊位装卸设备数量、泊位装卸效率、泊位航线数、泊位利用率以及泊位陆域纵深数据资料共93 组，选取65 组作为训练数据，其余28 组作为测试数据。将遗传算法优化后的权值阈值作为BP 神经网络的初始权值和阈值，BP 神经网络模型结构确定为7×11×1，网络隐含层和输出层传递函数分别采用tansig 函数和purelin 函数，学习速率设为0.001，训练次数设为100 次，随后进行网络训练，最终获得满足条件的BP 神经网络。

2.2 预测性能分析

为证明GA-BP 模型对陆域纵深预测的适用性和优越性，本研究同时采用BP 模型和支持向量回归（SVR）模型两种较为普遍的预测方法进行对比分析。图3 反映了3 种模型陆域纵深预测值与实际值的对比，图4 反映了3 种模型预测值与实际值之间的残差值对比。

图3 各模型预测值与实际值对比

图4 各模型残差值对比

由图3 可知，3 种模型的陆域纵深预测值曲线整体趋势与实际值相符，但在个别点处出现预测值与实际值偏差较大的情况（测试样本20）。结合图4 中各模型的残差值变化可知，SVR 模型的预测波动性较大，BP 模型预测效果较SVR 模型有一定改善，而GA-BP 模型整体而言具有较高稳定性。为进一步分析各模型的预测性能，分别通过均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分误差（MAPE）对3 种模型的预测结果进行精度评定。

1）均方根误差（RMSE）

式中： yj和分别为测试集第j 组样本的陆域纵深实际值和预测值；testn 为测试集样本总数，各模型预测精度如表1 所示。

表1 模型预测精度对比

由表1 可知，BP 模型预测性能略优于SVR 模型，而GA-BP 模型预测结果较前两者在精确度上具有明显提升，其平均绝对百分误差较BP 和SVR模型分别提高了2.8 %和3.5 %，均方根误差则分别提高了23.5 m 和32.8 m。整体而言，GA-BP 模型在预测陆域纵深研究中表现出更优越的精确度和稳定性。因此本研究选择GA-BP 模型展开陆域纵深的预测并完成港城交界带空间范围的定量解析。

2.3 港城交界带空间范围解析

基于集装箱泊位陆域纵深解析模型，以华东地区某集装箱港区泊位为研究对象，进行泊位后方港城交界带空间范围的计算。

该集装箱泊位在港口未来发展过程中或将提高吞吐量目标，增设装卸设备或升级泊位等级，因此在综合考虑泊位发展的各类情景后，确定7 项影响因素的取值集合如下：

泊位吞吐量｛ q｝ = ｛8 6.5,97,99.2｝(万TEU)；

泊位长度｛lb｝ = ｛3 70,400,430｝(m)；

码头前沿水深｛ db｝ = ｛1 6,17，18 ｝(m)；

泊位装卸设备数量｛ cq｝ = ｛4 ， 5 ， 6 ｝(台)；

泊位装卸效率｛ rq｝ = ｛1 76,268,302｝(TEU/h)；

泊位航线数｛ cf｝ = ｛7 , 6, 5｝(条)；

3 结 语

本文从港口和城市长远发展需求的角度出发，基于土地利用弹性规划理念，提出一种港口城市用地的动态弹性规划方法。该方法提出了港城交界带的概念及其空间范围的定量解析方法，是一种用地规划方法的创新，有利于增强土地资源规划的合理性，促进港口和城市未来的可持续协调发展。同时本文以集装箱码头为例，对我国华东地区某集装箱港区泊位进行港城交界带空间范围的解析，给出规划建议值为148 m；并通过BP、SVR、GA-BP 模型预测结果的对比分析验证了本文采用的GA-BP模型在陆域纵深预测中的适用性和优越性。