基于人工智能的生态城市规划设计

摘 要：生态城市规划设计是有别于传统城市规划的一种新型设计，在整个设计工作中必须充分考虑生态要素的数量配置与合理布局。为了达到更加合理的设计效果，本文采用了一种基于核-极限学习机的人工智能规划设计方法。3组试验结果充分表明，这种人工智能方法可以确定植被、节水区、污废处理厂的合理数量和排布，从而提升城市的生态属性和生态指数得分。

关键词：生态城市；规划设计；生态要素；极限学习机

中图分类号：X 32" 文献标志码：A

2018年以来，国家提出了高质量发展的宏观发展战略，其核心理念就是人与生态环境的和谐，通过人类生存空间与自然环境的协调发展提升人们的生活幸福指数[1]。该宏观发展战略为城市规划设计工作提出了全新的指引，也使生态城市规划成为研究热点。生态城市与传统城市有明显不同，它将整个城市看成一个生态系统，生态城市建成将是人类社区子系统、自然环境子系统、城市经济子系统相互协调的必然结果。因此，生态城市的规划设计不能再局限于商用和民用建筑的布局、交通道路的布局等，更要关注那些符合生态特征的要素在城市中的数量配置与分布区域[2]。具备生态特征的城市要素很多，例如绿色建筑的数量、节能设施的数量、节水设施的数量、生态景观的数量、公园绿地的数量、绿色交通工具的数量等。只有这些生态要素都达到合理的数量，符合城市规模和人口规模，才能最大限度地凸显城市的生态属性，避免能源和资源浪费，使城市环境更加宜居、城市市民的生活质量更高[3]。在这种情况下，本文以合理配置各种生态要素为城市规划设计的重要目标，并运用人工智能的方法对其进行处理，以期为生态城市设计提供一条新的路径。

1 生态城市的生态要素构成

城市规划是城市建设和城市改造的总体规划，城市规划设计涵盖了城市布局、街区设置、小区建设、基础设施建设等多方面内容。生态城市规划设计，则是遵循人类与生态环境和谐、打造城市生态系统的设计过程。一个生态城市包括众多生态要素，如图1所示。

从图1中可以看出，生态城市的构成要素有很多。其中，节能设施是采用低能耗完成能量供给的设施，而对那些已经在城市中建设又无法短期内拆除或替换的高能耗设施，就需要配套洁能设施对其废气、固体肥料进行清洁和处理。节水设施是采用低耗水量完成水供给的设施，例如城市供水系统、公共绿地喷淋灌溉系统等，而对那些在城市中会产生污染的水处理设施，要与洁水设施配套使用，并对水中污染物进行清洁和处理。上述4类设施可以保证城市总体的生态环境达到宜居标准。

生态景观、公园绿地，数据生态城市的局部构成要素，可以提供公共的生态区域供城市市民分享生态城市的建设成果。绿色建筑、绿色交通，涉及城市市民的日常住行，因此它们直接影响城区建设生态化的程度。

生态城市规划设计就是依托城市现有的建设情况，兴建新的生态元素或用生态元素替换、改造原有的元素，从而使城市达到生态级别的标准。设计的具体内容涉及了生态元素的数量和布局。

2 极限学习机智能算法在生态要素配置中的应用

生态城市中配置的生态要素的合理数量，与城市规模、城市布局、城市原有状况等因素有关。在生态城市的规划设计中，根据设计人员的经验估计生态要素的数量。为进一步提高生态城市规划设计的科学性，本文将人工智能和生态城市规划设计工作结合起来，采用极限学习机智能算法，对生态城市中的生态要素配置数量进行智能估算。

极限学习机是一种先进的机器学习算法，其算法依据为单隐层前馈神经网络算法，有以下主要特征。输入权重和偏置不受限制，可进行任意赋值，并且输出矩阵唯一，这在很大程度上简化了训练过程，使训练效率大幅提高。在训练过程中，仅设置神经元个数，即可得到最优解，并且该最优解是唯一的。总体来看，极限学习机泛化性能良好，并且训练效率高，学习速度快。

对一个单隐层神经网络来说，假设有N个任意的样本（Xi，ti），那么计算过程如公式（1）所示。

Xi=[xi1，xi2，…，xin]T∈Rn，ti=[ti1，ti2，…，tim]T∈Rm （1）

式中：Xi为第i个隐含层神经元；ti为对应的时间节点。

当一个单隐层神经网络的隐层结点数为L时，权重和偏重分别为Wi和bi时，计算过程如公式（2）所示。

（2）

式中：g（x）为激活函数；输入权重为Wi=[wi，1，wi，2，…，wi，n]T；βi和bi分别为输出权重和第i个隐层单元的偏置；Wi·Xj为Wi和Xj的内积。

单隐层神经网络学习的主要目的是降低输出误差，计算过程如公式（3）所示。

（3）

式中：N为全部神经元的数量；oj为学习后的输出；tj为学习机计算的当前值。

对适用于单隐层前馈神经网络学习的极限学习机而言，可随机确定其输入权重和偏置，从而可以保证输出矩阵是唯一的，这样就可以在很大程度上解决传统算法改变参数过多的问题，并且能够解决将参数确定转化为最小范数和最小二乘的问题，简化计算流程，提高训练效率。由于基于经验风险最小化原则的极限学习机容易产生过拟合问题，因此，为提高极限学习机的泛化能力，最大幅度减少初始偏置和权值对训练和识别效果的不良影响，在极限学习机的基础上提出一种新型的极限学习机，即核-极限学习机。与极限学习机相比，核-极限学习机引入了核函数的概念，该算法主要是用核矩阵来代替随机矩阵，利用核函数来对输入样本从N维空间到更高维隐层特征空间进行映射。

与极限学习机相比，核-极限学习机训练速度更快、更容易实现且性能更好。

从图2的核-极限学习机的网络模型可以看出，它类似神经网络的构成，也分为输入、中间、输出3个层次。其中，输入层和输出层都包括多个元素，而中间层则由复杂的核处理机代替。因为核 - 极限学习机的性能强，所以三层次的结构的学习能力和非线性处理能力非常优秀。

当采用正则化系数C改善极限学习机网络的稳定性和泛化能力时，β的最小二乘解的计算过程如公式（4）所示。

QELM（i，j）=h（xi）·h（xj）=K（xi，xj）" " " " （4）

式中：xi为第i个输入；xj为第j个输入。

计算核-极限学习机的输出如公式（5）所示。

（5）

式中：x为输入；y（x）为输出。

3 生态城市规划设计中的生态要素配置试验

本文构建了核-极限学习机的智能算法，将生态城市含有生态要素及各种属性的经验数据作为输入，就可以对核-极限学习机进行训练，当核-极限学习机达到稳定后，就可以对要规划设计的生态城市进行智能分析，确定其各种生态要素的合理数量。以此为框架，本文进行试验研究。

针对试验目标城市，运用核-极限学习机智能算法，分析城市植被区域的合理分布数量和布局位置，结果如图3所示。

从图3中可以看出，城市左下角至右侧，有一条河流贯穿市区流过，并有两个细小支流。这条河流使河道周边区域具有鲜明的湿地特征。在核-极限学习机智能算法分析下，沿着河道周围的区域，规划设计了大面积、连续的湿地植被密植区，在这些区域增加湿地植被密度，有助于涵养水源，保持河道周边的湿地属性，大大增加了城市的生态属性。

在远离河道的区域，设计了相对分散、连续面积小的植被疏植区。合理配置植被疏植区，可以为城市其他区域提供绿化，并形成相对均衡的生态支点。

图3中的城市规划结果具有特殊性，目标城市具备了贯穿市区的河流水系，因此，目标城市中的部分比例区域，具备了非常好的先天条件，河流周边区域都覆盖了丰富湿地植被。当不同的城市进行规划时，都要尽可能地考虑城市的特点，如果能充分利用城市现有生态环境，就可以最大限度地降低城市规划设计的实施成本，从而可以更加有效地改善城市生态，完成城市生态建设、达成城市规划的预期目标。

进一步运用核-极限学习机智能算法，对目标城市的节水区域进行分析，结果如图4所示。

从图4中可以看出，运用核-极限学习机智能算法为目标城市的不同区域规划设计了节水区域。其中，颜色较深的区域为重度节水区，颜色较浅的区域为轻度节水区，二者之间是区域为中度节水区。

对照图3可以看出，轻度节水区主要分布在河道周边区域，这些区域本为湿地分布区域，居住人口少不需要大量生活用水，而喷淋灌溉用水从自然环境中获取即可，因此设置为轻度节水区。而远离河道的周边区域，自然水资源匮乏、人口稠密，多设置为重度节水区。

在第三组试验中，运用核-极限学习机智能算法测算了城市需要的污废处理厂的合理数量，分析结果如图5所示。

从图中可以看出，随着污废处理厂数量的变化，城市生态指数得分也不断变化。在污废处理厂从0增至18的过程中，城市生态指数在波动中不断上涨，达到峰值。后续虽然污废处理厂的数量增加了，但城市生态指数却出现了明显下降。

与城市面积和城市污染物的日排放量相比，18个污废处理厂即可以达到饱和，足以满足城市污废处理需要。当污废处理厂进一步增加时，自身工作过程所产生的污染物会对城市生态指数起到负面影响，反而不利于城市生态建设。

4 结论

生态城市建设是高质量发展的重要组成部分，是提高城市生存环境宜居性的关键。本文分析了生态城市规划设计中的各大生态要素。在此基础上，本文提出了基于核-极限学习机的智能分析方法，对各种生态要素与城市规模的对应性进行训练，并得到合理的分布数量和布局结果。通过3组试验对基于人工智能的生态城市规划设计进行效果验证。第一组试验结果得到城市的湿地植被和其他植被的数量与分布，第二组试验得到城市各类节水区的数量与分布，第三组试验得到城市污废处理厂的数量与分布。

参考文献

[1] 张坤民，何雪煻，温宗国.中国城市环境可持续发展指标体系研究的进展[J].中国人口、环境与资源，2020，10（1）：54-59.

[2] 李月辉，胡志斌，肖笃宁.城市生态环境质量评价系统的研究与开发-以沈阳市为例[J].城市环境与城市生态，2023，24（2）：53-55.

[3] 牛海鹏，齐永安，袁占良.城市生态可持续发展评价指标体系及方法[J].辽宁工程技术大学学报，2022，24（2）：292-294.