面向中小城镇格局的多目标土地利用优化

董张玉,向乔妹,王梦阳,魏 鑫

(合肥工业大学 计算机与信息学院,安徽 合肥 230601)

城市规模的扩大、经济的飞速发展对周边区域产生了辐射带动效应[1],处在城乡结合处的小城镇在城市的带动下得到快速发展。随着小城镇的城市化、工业化发展,建筑用地需求逐渐增加,小城镇能用于开发的用地较多,占地投入资金比城市低,但由于缺乏合理性的规划,容易造成土地开发强度过大、土地利用方式不合理等问题,严重破坏了生态环境。此外,当前我国小城镇地区普遍存在农村建筑用地分布零散、农用地聚集度低、建筑周边农用地被占用等问题[2]。因此,结合遥感与地理信息系统(geographic information system,GIS)技术,对小城镇土地利用进行优化分析具有重要的研究意义。

县域小城镇发展水平对县域经济发展具有重要意义[3],合理的规划土地使用是保证城镇经济生态可持续化发展的重要内容之一。土地规划的方法有很多,传统的方法包括多目标线性规划[4]、系统动力学[5]、景观生态学[6]、多元逻辑回归[7]等。文献[8]采用线性规划优化土地利用结构问题;文献[9]将系统动力模型与多目标模型相结合,实现不同模型之间优势互补,高效可靠地解决了吉林西部土地利用问题;文献[10]将GIS与景观生态学相结合解决不同场景下土地利用问题;文献[11-12]采用逻辑回归,通过预测多类型土地利用的分布概率来模拟土地利用格局,为优化土地利用提供参考依据。

传统优化模型虽然在土地利用优化配置上取得了一定成果,但在空间格局上存在不足。研究者们又提出将启发式算法与土地利用问题相结合以解决土地数量和空间布局问题，其中遗传算法[13]、蚁群算法[14]、粒子群算法[15]等被广泛应用于土地优化。但是单纯的启发式算法缺乏规划知识的指导,使得实际中的土地利用模式往往不合理,文献[16]结合土地规划知识与遗传算法提高了土地利用配置的有效性和合理性;文献[17]基于逻辑蚁群算法和GIS技术,在一定程度上实现了数量与空间的一致性;文献[18]将多目标系统与粒子群相结合,在数量、空间和时间上实现多目标的土地利用优化配置。粒子群优化算法本质上与遗传算法相同,都具有交叉和变异等进化操作。但一般的粒子群算法在粒子的多维位置更新机制上不够成熟。蚁群算法用于多目标优化时,可能会存在混淆目标值被选择为在进化过程中调整细胞转换概率的反馈等问题。遗传算法通过进化过程来寻找解,不完全依赖于迭代选择,从而提供一种非常有效的收敛到理想解的方法;其次,可生成一个非支配集,用于进一步分析,以揭示一系列案例的最优解。基于此,本文选择遗传算法作为基本优化算法。

常规的土地利用优化方法多注重于对经济效益和生态效益的提高,不适用于中小城镇场景下的土地利用优化配置。中小城镇土地类型普遍比较松散,不便于管理,采用传统的遗传算法进行优化时,土地紧凑度得不到提高,仅提高经济生态效益不能解决中小城镇的根本问题。初始种群的设定对遗传算法最优解的求解影响很大,好的初始种群能很快逼近最优解。因此本文在遗传算法的基础上,提出一种改进初始种群设定的优化方法。首先,将GIS处理后的土地利用分类数据进行邻域同化处理,把处理后的数据与原始数据作为初始化种群的依据;然后结合多个目标函数对目标区域进行优化;最后根据目标函数结果、景观效果以及区域功能特征等多方面与传统优化方法进行对比分析,对优化结果进行评估,评价研究区域土地的最优布局效果。

1 研究区域与数据源

1.1 研究区概况

安庆市望江县(30°03′～30°26′N,116°34′～116°55′E)地处安徽省西南边缘,属于安徽、湖北、江西三省交汇地带,县内包括华阳镇、太慈镇、高士镇、赛口镇、鸦滩镇、长岭镇、杨湾镇、漳湖镇8个乡镇,总面积1 348 km2。西南与宿松相接,东南与江西彭泽县隔江相望,北接太湖,地势西高东低,属于北亚热带季风气候区,年平均气温16.5 ℃,平均年降水量1 300 mm。

望江县的城市建设以县城为中心向外成辐射状,县城区域外的地带均为大面积分散的农村居民点和复杂的农用地,呈现出“农村包围城市”的格局。

1.2 数据源来源与处理

本文主要使用数据为望江县内高分一号卫星影像、数字高程模型(digital elevation model, DEM)数据和经济统计数据。其中:高分一号卫星影像来源于遥感集市(http://www.rscloudmart.com/),所用卫星影像图分辨率为16 m;DEM数据来源于地理空间数据云平台(http://www.gscloud.cn/),所用DEM数据分辨率为30 m;经济生态统计数据来源于资源环境数据云平台(http://www.resdc.cn/data.aspx?DATAID=201)。

本文通过图像处理软件对高分一号影像进行融合拼接等操作后，经裁剪获取到目标区域图像,对目标区域图像采用聚类分析并结合人工目视解译,获得望江县土地利用分类现状,如图1所示。

为了充分考虑研究区域土地利用现状的合理性,需对研究区域土地利用现状进行适宜性评价。结合望江县实际土地情况及所能获取到的数据,本文选取6种评价因子对望江县2017年土地利用进行用地适宜性评价。评价因子分别为建筑用地密度、河流湖泊密度、坡度、坡向、地形起伏度、归一化植被指数(normalized difference vegetation index,NDVI)。其中,坡度、坡向因子由DEM数据中提取获得;其他因子由土地利用现状图中提取并计算获得。采用层次分析法确定各个因子的权重指数,使用ArcGIS10.2的栅格计算功能获得望江县宜耕、宜建、宜林、宜园4种评价结果，如图2所示。最后将所得栅格数据重采样为100 m×100 m的网格图,将网格图边界上未达到单元面积的网格剔除,得到土地利用现状网格图。

2 研究方法

采用改进后的优化方法并结合多个目标和约束对望江县的土地现状从数量和空间上进行优化。首先利用ArcGIS对遥感影像进行分类等操作后获得目标区域的栅格数据,然后基于栅格数据进行数据编码等操作和优化算法的参数配置,将2种土地数据作为输入,采用遗传算法并结合多目标和约束进行优化,最后将得到的优化结果基于生态景观进行评估和分析。优化流程如图3所示。

图3 优化流程

2.1 数据处理

2.1.1 数据编码

本实验是基于栅格单元进行的,需要对数据进行栅格化处理,将所有矢量数据投影到同一坐标系后使用ArcGIS重采样功能,得到100 m×100 m的栅格数据。本文采用十进制编码表征土地单元的土地类型,对于重采样后的土地利用分类栅格图,每个栅格单元都代表一种土地类型,将栅格上的值设置为k,k=1、2、3、4、5分别代表土地类型为水体、林地、耕地、草地、建筑用地,超出研究区范围的栅格用0表示。对于重采样后的土地适宜性评价栅格图,每个栅格单元都代表一种适宜性等级,将栅格上的值设置为s,s=1、2、3、4分别代表适宜性等级为不适宜、临界适宜、一般适宜、非常适宜,超过研究范围的栅格用127表示。在遗传算法中,用二维矩阵来表征土地利用类型的分布情况,染色体对应土地利用配置方案,基因对应土地单元。

2.1.2 固定土地单元的提取

根据生态环境保护和国家政策等因素,需要确保某些区域配置固定的土地类型,或是某一区域在某些区域被明确限制。然而由于遗传算法的随机性,无法确保在优化过程中这些土地单元的用地类型不发生变化,因此需要在优化前将固定不变的土地类型区域的栅格数据进行提取保存。另一方面,栅格数据作为自变量,其数量影响着遗传算法收敛的速度和运行效率,通过固定单元的提取可以有效地减少自变量的数量。本文结合望江县的实际情况,根据文献[19]的相关规定,并考虑到转换成本或生态系统保护等原因,对望江县原始水域和建筑用地进行固定单元的提取并记录其在原始栅格数据中的下标位置,在得到优化结果后将其进行还原,得到最终的土地利用配置方案。

2.2 改进的优化方法

本文基于成熟且使用广泛的遗传算法,对土地单元进行邻域同化处理,将同化处理后的土地数据与原始土地数据作为初始化种群的依据,从而对研究区域进行优化处理。

2.2.1 邻域同化处理

现有的基于遗传算法的土地利用配置方法,对于初始种群大多直接采用原始的土地利用分布图进行优化。由于遗传算法的随机性以及数量众多的自变量,虽然有对于聚集性进行约束的目标函数,但是采用这种方式优化后的土地斑块数量依然会大幅增加,从而加重了中小城镇土地分布粗放等问题,为此需要将原始数据进行邻域同化处理,如图4所示。

图4 邻域同化处理

首先遍历所有土地单元,再遍历当前土地单元的8个邻域土地单元的土地类型,然后根据8个邻域土地类型的具体情况,将该土地单元类型进行转换。 若存在8个邻域中的土地单元属于同一类型且数量大于4的土地类型k,则将当前土地单元类型转换为k,如图4a所示。若存在8个邻域中的土地单元属于2种土地类型k和m且数量相同皆为4,则根据当前土地单元类型进行转换;若当前土地单元类型为k或m,则不作转换;若均不为k或m,则随机转换k或m中的其中一种,如图4b所示。若存在8个邻域中的土地单元属于同一类型且数量为4的土地类型k,则将当前土地单元类型转换为k,如图4c所示;除以上3种情况外,其他均不作转换,如图4d所示。

最后得到处理后的土地类型分布情况如图5所示。

图5 望江县邻域同化处理后土地利用分类

2.2.2 初始种群的改进

为了提高优化效率且避免过早陷入局部最优解,将邻域同化处理后的土地利用现状图与原始土地利用现状图进行结合,将其分别作为随机生成初始种群的上下界,由此得到的初始种群既保证了种群的多样性,在板块数量上也会低于原始土地利用分布图。这样的处理方法可以在保证聚集性的前提下结合经济和生态等目标函数对目标区域进行土地利用优化配置。种群初始化的算法流程如下。

输入:原始土地利用现状数据Xori,邻域同化处理土地数据Xass。

输出:优化后的初始种群。

(1) 遍历原始现状数据Xori和邻域同化处理土地数据Xass,得到随机生成初始种群的上下边界bL和bU。

(2) 同时遍历Xori和Xass,可以分别得到当前遍历土地单元X(i)、Y(i)。若X(i)

(3) 根据步骤(1)得到的上下边界,采用随机数生成优化后的初始种群。

2.3 目标函数

在优化过程中根据目标函数对种群个体进行评价,采用目标函数值作为个体适应度值。参考文献[20-24]等相关资料,构建如下目标函数。

(1) 经济效益最大化函数[21]。公式如下:

(1)

其中:fecon为研究区土地利用总经济效益;xi为n种地类中地类i的总面积;ci为地类i的经济效益系数,ci的计算结合文献[25]中的经济数据,包括望江县生产总值、农林牧渔业总产值等,得到望江县经济效益系数,见表1所列。

表1 望江县各土地利用类型经济效益系数

(2) 生态效益函数[21]。公式为:

(2)

其中:fecol为研究区土地利用总生态效益;di为地类i的生态效益系数;xi为n种地类中地类i的总面积。生态效益系数参考我国各类土地生态系统服务价值表[26]。

(3) 空间聚集性函数[27]。公式为:

(3)

其中:faggr为研究区域空间总聚集性;xijk为土地利用类型k的单元(i,j),若当前土地利用类型为k,则数值为1,否则数值为0,k分别代表耕地、草地、林地、水体、建筑用地5种土地利用类型;若土地利用单元(i,j)被划定土地利用类型k,aijk为单元(i,j)的8个邻域内土地利用单元也为用途k的数量,则有:

aijk=x(i-1)jk+x(i+1)jk+xi(j-1)k+xi(j+1)k+

x(i-1)(j-1)k+x(i-1)(j+1)k+x(i+1)(j-1)k+x(i+1)(j+1)k

(4)

2.4 约束条件

约束条件是优化算法必不可少的一部分,制定一系列适合研究区域的约束条件能指导种群个体之间的转换和学习,进而提高优化效率,让实验结果更加理想。

本文约束条件分为不同土地利用类型之间的相互转换约束和数量结构约束。前者参考文献[27]的土地利用类型转换系数表,结合研究区域实际情况做适当调整;后者参考文献[22-24]及其他相关法律法规等资料。约束条件如下。

(1) 土地利用类型数量结构约束。所有土地利用类型面积之和等于望江县总面积;为了保护农作物产量,全县耕地面积不得低于其保有量;为了防止过度开发土地资源造成不必要的浪费，建筑用地总面积不得超过其现有面积的30%;为防止过度开垦生态环境,林地和园地面积应设置最低值。

(2) 空间结构约束。通过添加惩罚函数的方法来惩罚8个邻域内没有相同土地类型的栅格单元,以尽量缓解中小城镇用地布局分散等问题。

(3) 强制约束。坡度大于25°的土地只能作为林业用地;考虑转换成本及实际操作难度等原因,建筑用地不做转换处理;国家湖泊政策明确规定禁止围湖造地,将湖滩划定为农田等,因此湖泊、河流不做转换处理。

3 实验结果与分析

选择合适的参数值是保证算法良好性能的必要条件,但参数值的选取取决于具体的问题情况。用于实验的空间分辨率为100 m×100 m,网格数为481×372个单元。研究区域的初始解决方案按第2节中描述的方法。结合望江县内各类土地利用类型高度分散、城镇经济发展与生态建设需相辅相成等现状,设定种群大小为300,最大迭代次数为800,土地利用优化结果如图6所示。

图6 望江县传统优化方法和改进优化方法结果

3.1 目标函数分析

根据优化前后的土地利用数据对目标函数进行计算,得到优化前后各项指标的目标函数值,见表2所列。

表2 望江县目标函数优化结果

由表2可知,与望江县2017年原始数据相比,传统优化方法和改进优化方法的各项经济效益和生态效益均有所提高。其中,传统优化方法的经济效益比改进后的优化方法得到了大幅度提升,但其生态效益增幅略低,这说明遗传算法在寻优过程中尤其注重经济效益的提高,遗传算法中建筑用地实验结果几乎逼近约束数值,这将不利于经济与生态的协调发展。与传统优化方法相比,改进后的优化方法平衡了经济与生态的发展,将各项指标均控制在合理范围内,既保证了经济发展又增强了生态环境的保护。同时,改进后的优化方法在优化过程中聚集性数值下降到49 367,而传统优化方法经多次迭代后聚集性数值依然居高不下。综上所述,改进优化方法在促进经济与生态共同发展的情况下保证了土地用地类型聚集度的提高。由表2可知,经过改进后的优化方法在一定程度上预测了植树造林、开垦荒地、建设城镇等发展趋势，聚集性的提高,缓解了望江县土地类型分散问题,保证了望江县整体土地利用数量结构处于优化的状态。

3.2 整体景观效果分析

在望江县目标函数结果分析的基础上,分别从整体景观效果和区域服务功能特征对望江县进行优化效果评估[28]，采用景观格局指标对望江县优化结果进行计算,借助景观指数分析方法,对试验区域景观格局进行分析,望江县传统优化方法和改进优化方法各土地利用类型的景观指数见表3所列。

表3 望江县各土地利用类型景观指数

由表3可知,在基于栅格优化的情况下,传统方法的斑块数增加了19 176,参考表2的聚集性数值可知,传统优化方法虽然能保证经济和生态的发展,但无法保证土地聚集性的提高。同时,对比2017年各类土地类型的景观指数可知,传统优化方法的斑块密度和景观形状指数均得到提高,但平均斑块面积降低,这说明针对小城镇存在的土地等分散问题,传统优化方法在空间优化上不能得出一个合理的优化方案。将改进优化方法的优化结果与2017年各类土地类似数据对比可知,改进后的斑块数量由28 031下降到23 194,说明对望江县土地利用优化配置后,望江县整体景观的破碎度有所降低,整体土地利用集约性都得到了提高。同时,望江县各土地类型的斑块密度均有不同程度的降低,其中林地的板块密度下降最为明显,由原始的5.493下降到了3.643,结合优化后望江县最大斑块指数和平均斑块面积的提高可知,改进优化后研究区域内各土地利用类型斑块面积变大,各类型斑块数量降低,说明望江县土地优化后的用地类型由松散变化到集聚,农村居民点的粗放分布问题得到一定程度上的缓解,降低了社会管理成本,对经济效益的提高提供了辅助作用。数据显示,采用改进优化方法优化后望江县各用地类型的景观形状指数基本上呈现下降趋势,表明优化后望江县各土地利用类型斑块的边界由复杂开始趋于规则,平均形状指数下降。边界的规则化便于土地资源得到更好的管理,对经济和生态的发展都大有益处。综上所述,使用改进的优化方法后,望江县的景观效果整体趋势较好,优化结果与预期规划的目标保持一致,表明本文提出的改进优化方法是有效的,为土地利用优化配置提供了一定的参考价值。

4 结 论

合理利用土地资源是促进经济与生态环境共同发展的重要手段。随着时代的发展,人们的关注点主要集中在大中型城市,忽略了小城镇的土地利用问题。我国小城镇普遍存在农村用地布局分散粗放,土地开发利用强度过大且利用方式不合理等问题。此外,由于缺乏科学的管理和完善的法律法规制度,土地结构大部分为农业用地的小城镇存在城市化基础薄弱、土地资源利用率较低等问题。因此,对小城镇进行土地利用优化配置是促进城镇化经济和生态发展的必要条件。

针对传统优化方法难以适用小城镇土地利用优化这一问题,从土地紧凑度的角度对中小城镇应用场景进行土地利用优化配置。选择安庆市望江县作为研究区域,通过实验结果分析,得出以下结论:

(1) 将改进后的优化方法应用在安庆市望江县,能促使研究区域的经济效益与生态效益协调发展。同时,各类土地类型的整体景观格局均达到了良好的优化效果,其中,斑块数量下降,斑块密度和景观形状指数降低,最大斑块指数和平均斑块面积提高。

(2) 由于遗传算法的随机性,传统的研究方法难以在集聚性上达到一个较好的效果,本文针对望江县用地类型分布零散、布局粗放等问题,优先提高土地单元邻域同化处理,将经过邻域处理后的数据与未处理的数据作为初始化种群的依据。实验结果表明,该方法能有效缓解土地利用优化配置过程中遗传算法的随机性问题,保障了土地优化布局的有效性。

后续工作将进一步提高实验效率,完善优化结果陷入局部最优解等问题,继续深入研究更好的预处理方法。