基于ANN-CA的中小城市空间拓展分析——以福建平和县为例

丁美辰，蔡 卓

(1.厦门大学嘉庚学院建筑学院，福建 漳州 363105；2.漳州市城市规划设计有限公司，福建 漳州 363005)

2018年我国城镇化率达到59.58%，预计到2030年将达到70%，我国正步入城镇化中期阶段[1]。自2011年以来，我国开始系统检讨传统的城镇化模式，它带来了超大城市的快速膨胀和大量中小城市、小城镇日渐凋敝的问题。伴随着中央提出的“构建科学合理的城市格局，大中小城市和小城镇、城市群要科学布局”等重大决策，中小城镇的发展出现了崭新的机遇和广阔的空间[2]。中小城市城镇化的健康发展，需要管理者更加科学地对城市土地资源进行规划和开发建设。

科学划定城市开发边界不仅能够集约利用空间资源，控制城市无序蔓延，更在保护自然生态环境的同时助力城市社会经济可持续发展。近年来，不少学者利用ANN-CA(artificial neural network-cellular automata)耦合模型动态模拟城市时空演变规律，预测未来土地利用变化，用以辅助城市用地动态模拟、城市开发边界、生态红线保护等城市规划工作，并取得了众多具有意义的研究成果。例如，刘荣增等[3]利用耦合模型探索了郑州城市空间拓展变化特征；雷云等[4]针对珠海市永久性基本农田保护区进行了划定分析；刘明皓等[5]、孟飞等[6]、余娜等[7]、刘建华等[8]、黎夏等[9]、赵莉等[10]等对各类城市进行了生态用地演变模拟；林伊琳等[11]、黄康等[12]、招晖等[13]利用FLUS模型对城镇用地增长边界划定的方法进行了探索。但是，关于中小城市的城市空间扩展的相关学术研究较为匮乏。

平和县隶属于福建省漳州市，是典型的闽东南中小城市。近年来，平和县地区生产总值、城镇化水平以及规模工业总产值位居漳州市11个县(市、区)的第10位左右，农业产值稳居漳州市第1位。平和县中心城区以“特色农业强县、文化旅游名县、生态工贸大县”为总体发展目标。面对其各项产业发展对于城市空间资源的影响，如何在保持平和县优良生态资源的同时，均衡发展城市边界开发空间，成为平和县城市总体规划布局的重要步骤。

鉴于此，笔者选取福建省平和县中心城区为研究对象，采用耦合神经网络和元胞自动机模型，模型的训练数据采用2009年、2013年和2017年中心城区土地利用现状图，通过选取适当的训练参数和模拟参数，以预测平和县中心城区2030年城市国土空间布局，并依据预测结果分析平和县中心城区未来城市空间的变化，试图发掘我国中小城市空间拓展的规划思考。

一、研究区域、方法及数据选取

1.研究区域概况

笔者选取的研究区为福建省平和县中心城区，它是平和县的政治、经济、文化中心。市域总面积为205.23 km2，行政区划包括小溪镇以及山格镇大部。其中，建成区面积为19.75 km2，主要集中分布于花山溪、牛头溪两岸的原县城中心片、高南片、溪南片和山格老镇区，其他零星分布于外围村庄农居点(见图1)。

图1 2019年平和县中心城区建成区范围

2.研究方法

本研究以模拟预测平和县城市空间拓展为目的，主要采用耦合神经网络(ANN)与元胞自动机模型(CA)两种算法结合进行，统称ANN-CA。首先，模拟耦合神经网络算法用于寻找基准年份的土地利用现状与各类驱动力因子(自然、经济、交通、区位、GDP、人类活动等)的关系，计算出研究范围内每种土地利用类型在每个像元上的出现概率，从而得出具有发展潜力的地区。其次，基于元胞自动机模型的自适应惯性机制，将其用于模拟未来城市用地演变。将多种土地现状分类数据作为初始输入数据，并预设各土地利用类型变化数量的目标。最终在不同土地类型的相互转化成本、适宜性概率数据、约束性条件(永久基本农田、生态保护红线等)等因素影响下，为城镇建设用地未来演变提供情景模拟。

3.数据选取

(1)文本资料

研究数据来源于《福建省陆域生态保护红线划定成果调整初步建议方案(征求意见稿)》《福建省林地保护利用规划(2010—2020)》《平和县国民经济和社会发展第十三个五年规划纲要》《平和县城乡总体规划(2015—2030)》《平和县土地利用总体规划(2006—2020)》《平和县花山溪河道岸线及河岸生态保护蓝线规划报告》等经依法批准的相关规划。

(2)图形资料

首先，收集2009年、2013年、2017年平和县中心城区的土地利用现状图，在ArcGIS平台上建立平和县基准年份土地利用空间分布数据库。其次，在地理空间数据云中收集平和县中心城区30 m×30 m的DEM数据，并将以上数据进行归一化处理以及统一坐标系。

空间影响因子数据包括与城市中心、高速公路、普通公路的距离等。行政区划矢量数据包括小溪、山格等生态保护红线区、水利生态保护蓝线数据和永久基本农田保护区的行政边界。

二、平和县空间现状及驱动因子分析

1.平和县土地利用现状

根据国土二调数据可获取平和县2009年、2013年和2017年的土地利用现状(见图2)。参考《平和县中心城区城市开发边界划定(2018—2030)》的分析，中心城区现状建设用地、耕地和林地占比达研究范围的97.4%，因此，这三大类用地变化在整体用地结构中起决定性作用。

图2 平和县中心城区基准年份土地利用现状

(1)数量方面

通过对2009年和2017年平和县中心城区土地利用现状的数据进行对比发现，建设用地规模从1 424.76 hm2增长至1 974.73 hm2，增长了549.97 hm2。水体和未利用面积基本保持平稳状态，而林地的面积缩小较大，从15 560.80 hm2缩减至14 925.91 hm2，减少了634.89 hm2(见表1)。从基本趋势来看，平和县中心城区建设用地增势明显，其变化情况与林地的变化具有较强相关性。

表1 平和县中心城区土地利用面积的变化情况 hm2

(2)转移方向方面

2009—2017年，平和县城乡建设用地的增量主要表现为耕地(195.81 hm2)和林地(344.33 hm2)向建设用地的转入，占建设用地增量的98.21%。按耕地占补平衡政策的要求，耕地的变化呈现平稳微增的趋势，其中，转入量为236.89 hm2，转出量为210.95 hm2，表现为耕地向建设用地、林地向耕地的转入。林地则主要向耕地和城乡建设用地转出，其他用地总量变化平稳。

2.驱动因子分析

驱动因子是影响神经网络适宜性概率计算的重要因素，考虑本研究主要研究对象为城市建设用地及城市开发边界，因此，驱动因子选取具有代表性的地形坡度因素(高程因子、坡度因子)、规划因素(规划改策因子)、交通设施因素(与城市中心距离因子、与铁路距离因子、与高速公路距离因子)。最终，通过元胞自动机模型(CA)拟合结果与目标年份对比真实数据的因子参数的优劣性，提高预测年份的成果准确率。

(1)地形坡度因素

地形坡度因子包括一定高程以上的山体以及坡度比25%以上的区域。为更好地保护中心城区周边的山体环境，将中心城区周边高程100 m以上的山体划入刚性边界控制要素。中心城区整体地形地貌呈现两边高、中间低的特点；岭尾、大屏前、大昆尾等外三山限制了城市向东、向西的蔓延，开发建设难度较大(见图3)。

图3 平和县地形坡度单因子

(2)规划因素

政府的规划策略是人为影响城市空间发展的主要因素之一。在平和县十三五规划、最新的城市总体规化等政策中，平和县中心城区都是承载县域产业、生活的主要功能区域。此外，永久基本农田保护边界、生态保护红线边界和河道保护蓝线等空间管制政策工具对城市扩张都有着严格的限制要求(见图4)。

图4 平和县规划改策单因子

(3)交通设施因素

城市交通基础设施是城市扩张发展的重要影响因素，交通布局在很大程度上决定了城市空间扩展的方向。根据距离高速公路出入口、铁路客货站出口以及距国道、省道等交通干线的远近，不仅可以对城市交通的可达性进行分析，还能计算其交通网络的时间成本，以此推算城市发展趋势的优势和劣势(见图5)。

图5 平和县交通设施单因子

三、ANN-CA模拟预测

1.平和县土地利用现状

首先将2009年、2013年、2017年土地利用数据重新分为建设用地面积和非建设用地面积两类，分别作为土地利用输入验证数据，采用地形坡度单因子和交通设施单因子，分别计算3个年份的耦合神经网络的适宜性概率数据。进而，将模拟精度验证模块与真实年份数据进行对比，以比较相应年份的土地利用输入图层的优劣。从制图精度误差来看，第一，模拟的土地利用精度情况有所改善，但改善程度并不理想。2009—2017年的建设用地重合率为67.79%，3个年份的预测结果显示建设用地重合率从6.58%提高至8.15%，意味着从2009—2017年有4/5的新增建设用地没有被模型预测到，其主要原因可能与驱动因子的选择有关。如前文所述，自然地理环境等因素对空间拓展的约束影响较小，所生成的神经网络的适宜性概率准确度不高。2017年，平和县中心城区现状建设用地仅占中心城区6°以下区域的14%，当相近的适宜性概率作用于6°以下的开发条件优良的区域后，模拟结果与真实情况差异较大。第二，较近的基准年份土地利用输入数据模拟结果显示精度略有上升，这可能与较近年份的土地利用数据与交通设施单因子契合度较好有关。较早年份的数据由于其建设用地空间分布与目前规划的交通设施关联度不高，计算出的道路两侧空间的适宜性概率相对较低。

2.驱动因子的对比

由于地形坡度单因子和交通设施单因子得出的适宜性概率数据分析结果的准确度不显著，可以在驱动因子中引入规划改策单因子，并采用较近年份的土地利用输入验证数据，检验是否会对模型模拟结果有改进作用。规划改策单因子由近年来已批租用地、城市总体规划建设用地范围和城市总体规划规划范围等规划数据叠加组成，基本反映了政府政策管制下建设用地适宜性概率从高到低的趋势。

从2009年和2013年输入验证数据的制图精度误差来看，无论是地形坡度单因子还是交通设施单因子与对照值的准确度提升关系并不显著，但加入规划改策单因子后改进较大(见表2)。基于2009年输入验证数据模拟结果显示，地形坡度单因子和交通设施单因子平均精度提高了1.8%，而规划改策单因子提高了8.38%(见图6)；基于2013年输入验证数据模拟结果显示，地形坡度单因子和交通设施单因子平均精度提高了0.62%，而规划改策单因子提高了2.23%。由此可见，规划改策单因子的精度提高是另外两种因子的精度提高的4～5倍。

表2 基于2009、2013年输入验证数据模拟的驱动因子制图精度对照表 %

图6 2009年3类单因子及其组合模拟结果

3.马尔科夫链数量结构预测及其与城市总体规划建设用地的验证

通过马尔科夫链预测模块，基于2009年、2013年、2017年土地利用数据对平和县2025年、2033年未来土地利用数据结构进行预测，发现平和县城市总体规划设定的中心城区(24.97 km2)、外围村庄及道路(6.07 km2)等建设用地值与其预测值相近(见表3)。

表3 马尔科夫链数量结构预测 m2

实际上，平和县作为典型的中小规模城市，其区域经济条件有限，无论是人口规模还是产业规模的扩大对于城市空间扩张的影响程度都难与大城市相比。然而，从模拟结果来看，2009—2017年，平和县中心城区的建设用地规模扩张约40%，预测到2033年扩张约111%。城市空间结构从单核中心式显著演变为双核带状组团式。无论是土地利用的数量结构还是空间布局均变化剧烈。

通过数据对比发现，地形坡度、交通设施等因素对平和县城市未来土地利用变化量及形态发展有着积极影响，而以政府部门为主导的规划改策单因子对城市空间拓展的影响显著且超过地形坡度单因子和交通设施单因子。这一现象说明，以平和县为代表的中小城市空间扩展较为依赖政府部门的投资拉动。

笔者对2033年平和县土地利用形态预测图与现实城市总体规划底图进行KAPPA系数计算，结果显示一致度达72.82%，位于高度一致性(60%～80%)区间(见图7)。预测结果基本与平和县未来土地空间发展趋势相符合，进一步验证了ANN-CA耦合模型应用于此类城市未来用地发展的可靠性。此外，预测数据与现实状况的差异主要集中在高示溪以南、花山溪以西的区域。这些区域作为城市未来的行政文体中心区，现状仍以非建设用地为主，预测模型难以实现完全拟合。

图7 2033年平和县土地利用形态预测结果与2015—2030年城乡总规的对比x

四、结论与展望

基于ANN-CA耦合模型，利用既有年份的土地利用现状特征进行的城市空间扩张分析多运用于大尺度区域或城镇化程度中后期阶段。此外，城镇空间扩张是一个持续且受到诸多因素(生态资源、自然灾害、城市规划、经济定位、交通基建等)影响的复杂的时空动态过程。

平和县中心城区约200 km2，是典型的中小城市，且至2017年城镇化率仅为36.5%。面对研究区域小、城镇化率较低、影响因子多的现实情况，笔者偏重选取地形坡度、交通设施、规划改策作为影响城市扩张的主要驱动因子，并以2009年、2013年城市土地利用数据作为模型演练依据，对标2017年数据予以优化调整。结论证明，在三因子相互作用下预测的平和县中心城区2033年城市国土空间扩张结果与现实发展趋势一致。通过对中小城市的城市空间扩展进行分析，发现ANN-CA耦合模型与驱动三因子的结合运用具备一定的可靠性。

此外，近年来平和县土地利用变化呈现出林地和耕地向建设用地转入的现状，说明其空间扩张受制于城市自身的资源环境承载力和开发适宜性的影响。最终的预测结果出现近1/4形态拟合的误差，均来源于对城市非建设用地的提前转入和城市主干道周边建设的测算。这说明ANN-CA耦合模型对于中心城区现状未利用开发的真空地带具有预算效用，并能够实现城市骨干道路蔓延预测。

由于城镇化进程的加快，国内中小城市的空间结构变化显著，预测可靠且精准的城市空间扩展趋势，进而制定有效且有序的城市开发边界，将助力中小城市科学布局、精准管理。

本研究也有不足之处：一是研究中所使用的参考数据主要反映的是2009—2017年的城市土地利用变化；二是模型应用于中小尺度区域时需廓清城镇空间拓展的底线，例如，剔除与生态保护红线、永久基本农田保护红线等冲突的空间，以提高形态边界拟合的准确性。后续研究将增加预测城市数量，进而横向比较模型算法的结论的可靠性。