文章信息
- 马世发, 艾彬
- MA Shifa, AI Bin
- 基于地理模型与优化的城市扩张与生态保护二元空间协调优化
- coupling geographical simulation and spatial optimization for harmonious pattern analysis by considering urban sprawling and ecological conservation
- 生态学报, 2015, 35(17): 5874-5883
- Acta Ecologica Sinica, 2015, 35(17): 5874-5883
- http://dx.doi.org/10.5846/stxb201311032653
-
文章历史
- 收稿日期: 2013-11-03
- 修订日期: 2015-01-05
2. 广东省城市化与地理环境空间模拟重点实验室, 广州 510275;
3. 中山大学海洋学院, 广州 510275
2. Key laboratory of Guangdong Province in Urbanization and Geography Environment Simulation, Guangzhou 510275, China;
3. School of Marine Sciences, Sun Yat-sen University, Guangzhou 510275, China
城市化是人类社会发展的一个必然历程。自改革开放以来,我国的社会经济获得了飞速发展,城市化建设亦取得了长足进步,但同时也产生了一系列生态环境问题。顾朝林等在“中国城市化问题研究综述”一文中,系统的收集了地理学、生态学以及城市规划学等相关领域的研究成果,总结了有关我国城市化研究的若干问题[1],其中一个关键问题就是如何协调城市扩张与生态保护之间的矛盾。规划是引导城市空间布局的重要举措之一,传统城市规划布局主要基于“供需平衡”分析模式,即通过人口、社会经济发展等需求预测,进而根据适宜性评价进行空间布局。然而,由于这种规划方式较少考虑其他利益主体的空间需求,必然会导致一些潜在的风险,如城市生态敏感区和基本农田等被城市扩张日益蚕食,其实质是一种“自私”的单目标规划。相关研究表明,不合理的城市扩张不仅导致城市生态资源锐减,而且城市居住环境质量也随之降低[2, 3]。因此,不少学者和规划专家尝试通过其他理论和方法寻求更为合理的规划模式,如我国城市景观规划学者俞孔坚引入了著名的“反规划”理论[4],其目的是打破传统完全基于“供需平衡”的规划模式,倡导从生态过程角度进行城市空间布局分析。“反规划”理论并不是反对规划,而是强调城市扩张生态优先法则,其实质是城市扩张与生态保护的二元空间协调规划。
从生态学角度探讨城市规划框架,追求生态和谐型的城市发展很早就引起了研究者的关注。例如,国外发达地区较早就提出了生态敏感区保护的基本理念,并尝试将生态制图纳入城乡规划中[2],相应的规划决策技术主要集中于土地生态适宜性评价等[3]。此外,俞孔坚等根据动物迁徙廊道的保护需求,提出的最小累积阻力模型(Minimum Cumulative Resistance,MCR)也是一种比较简单实用的生态保护规划分析技术[5, 6]。尽管MCR强调了城市扩张与生态保护二元空间的协调性分析,但该方法缺乏对复杂城市扩张过程的地理驱动描述,单纯强调生态保护的城市空间布局也难以满足现实城市发展的多目标协同整合需求。随着城市规划需求的日益复杂化,如何协调城市扩张与生态保护之间的矛盾是一个多目标空间协调优化决策问题,现有简单的GIS(Geographical Information Systems,GIS)空间分析工具难以实现这个复杂的规划决策过程。为此,不少学者尝试采用地理过程建模方法提供规划决策分析工具,如我国GIS学者黎夏等基于珠江三角洲地区城市扩张相关研究,提出了地理模拟与优化(Geographical Simulation and Optimization Systems,GeoSOS)理论、方法及模型框架[7],并发布了地理模拟与优化系统软件(http://www.geosimulation.cn/)供科研工作者免费使用。相关学者已基于GeoSOS进行了一些规划应用,如利用该系统模拟城市扩张情景下的生态控制线划定问题[8, 9],但该耦合分析策略是一个“敌进我退”的协同关系,即分析了城市扩张情景下的生态控制线优化,但没有论证城市自身如何进行空间协调布局。城市规划不仅要考虑其历史惯性驱动,更要结合可持续发展目标调控当前的城市发展模式。基于此,本文提出从“城市-生态”二元空间协调角度进行地理建模,目的是将生态保护与城市扩张放到同一框架中进行空间协调,即通过利用GeoSOS空间分析技术,探讨多目标整合下的城市空间布局方案。
1 研究方法整合了地理模拟与优化的GeoSOS系统主要包括3个部分:元胞自动机(Cellular Automata,CA)、多智能体(Multi Agent Systems,MAS)和生物群智能(Swarm Intelligence,SI)。GeoSOS能够模拟、预测、优化及显示地理格局和空间过程,作为模拟与优化平台,它可以弥补常规GIS工具,如ArcGIS,在对复杂地理时空过程进行模拟与优化时存在的功能不足[7]。基于GeoSOS的城市扩张与生态保护二元空间协调规划主要包括利用CA进行城市扩张模拟、考虑生态保护的城市空间布局蚁群智能优化等内容。
1.1 元胞自动机CA是一套离散网格动力学系统,能通过微观个体的状态变换模拟复杂的地理时空演化过程。CA在模拟城市扩张方面具有明显的建模优势,国内外学者对CA地理建模技术展开了许多深入的研究,如White等应用CA模拟了美国辛辛那提土地利用变化[10],Batty等模拟了美国纽约州郊区土地利用扩张[11],Clarke等模拟了美国旧金山地区的城市发展[12],Li等则模拟了我国珠江三角洲地区的土地非农化过程[13],He等利用CA探讨了北京城市扩张压力情景等[14]。CA建模的核心是挖掘土地利用变化的空间驱动力,通常称之为状态转换规则制定。尽管在CA的发展过程中形成了多种规则拟合方法,如多准则判断(MCECA)[15]、逻辑回归(LRCA)[16]、主成分分析(PCACA)[17]、神经网络学习(ANNCA)[18]、遗传优化(GACA)[19]等,但最为经典且普遍应用的仍属逻辑回归(Logistic Regression,LR),其基本思路如下:
假定土地基于某种职能(如城市建设)开发利用的机会为概率s,则不开发、不利用的机会为1-s,据此可定义一个土地利用适应性测度z=ln(s/(1-s))。假设土地开发利用的适宜性主要受一系列区位因素的影响,则可建立如下回归分析模型[20]:
实际CA应用还需考虑城市开发限制和密度等约束条件,故地理元胞状态的真实变化概率为:
如何在地理空间进行土地利用活动组织是一个典型的优化决策问题。基于微观空间单元(如栅格)进行城市布局优化势必涉及超变量、多目标等特性,而且还是一个典型的NP(Non-deterministic Polynomial)问题,现有解析数学方法难以在有限时间内获取模型精确解。因此,不少学者以GIS环境为依托,通过耦合智能算法,如遗传[21]、蚁群[22],模拟退火[23]、粒子群[24]等,进行城市空间形态布局优化。
蚁群智能优化(Ant colony optimization,ACO)是一种求解组合优化问题的计算机模拟方法。由于其特殊的离散爬行机制,非常适合土地利用空间优化建模。ACO的基本思想是通过模拟蚂蚁群体觅食过程,即探寻食物源与巢穴之间的最短路径而进行优化求解,构建ACO模型的关键是建立蚂蚁寻优的信息素机制[8]。若利用ACO进行城市空间布局优化,土地单元ij在t时刻被第k只蚂蚁造访的概率可以定义如下:
利用GeoSOS进行城市扩张与生态保护二元空间的协调规划框架如图 1所示,主要包括以下步骤:
1 )根据地区实际发展需求,划分生态敏感区关键地带,确定“生态源”范围,如一定级别的森林公园、自然保护区、湿地、河流等生态空间;利用最小累积阻力模型计算生态保护压力格局;
2)利用CA模型进行城市扩张模拟,分析城市惯性扩张模式对生态敏感区保护的潜在压力,并针对这种发展模式潜在的生态问题,提出生态敏感区保护目标;
3 )整合城市扩张惯性适宜性与生态敏感区保护压力格局,进行城市扩张生态适宜性评价,其结果作为蚁群空间优化配置模型的输入参数;
4)根据城市空间布局生态适宜和景观规整等目标,利用蚁群智能模型进行空间布局优化,获取生态和谐型的城市扩张方案。
2 案例研究 2.1 研究区概况与数据来源研究选择我国广州市作为试验区,实现基于GeoSOS的城市扩张与生态保护二元空间协调规划应用。广州市地处珠江三角洲中心腹地,横跨112°57′—114°3′E,22°26′—23°56′N,市辖越秀、荔湾、海珠、天河、白云、黄埔、番禺、花都、南沙、从化和增城11个区。区域总面积7434.4km2,地势东北高,西南低,东、北部是山区,中部是丘陵、盆地,南部是珠江三角洲冲击平原(图 2)。广州是中国改革开放的前沿阵地,随着社会经济的发展,其城市扩张非常显著,可利用土地资源日益紧缺,生态空间也越来越少[9]。因此,合理预测城市空间演化规律并根据生态安全目标进行城市空间布局优化,对改善该区的城市发展环境具有重要的规划参考价值。
规划决策分析需要采用大量的空间数据,主要包括广州市2000年、2005年、2010年遥感影像、数字高程模型(DEM)、土地利用、交通网络等。其中,遥感影像和DEM等数据来自中国科学院计算机网络信息中心地理空间数据云(http://www.gscloud.cn);2005年土地利用和交通网络等数据来源于广州市地理信息中心;近期广州市土地利用需求参考《广州市土地利用总体规划(2006—2020年)》成果;相关统计资料来自广州市社会经济统计年鉴官网(http://www.gzstats.gov.cn/)。
2.2 计算生态敏感区保护压力根据广州市遥感影像计算植被指数、水体指数,并参考广州市森林公园、自然保护区分布等资料,利用ArcGIS分析工具识别生态敏感区地带,即生态源(图 3);进一步结合广州市2005年土地利用图,利用MCR模型计算动物空间迁移最小累积阻力面;最后,根据累积阻力越小其空间保护越重要的基本原则,确定广州市生态保护压力格局(图 3)。
2.3 基于CA的城市惯性扩张模拟CA模型可以根据城市扩张的历史规律预测未来的发展情景,模拟时需要输入元胞转换数量及状态转换规则等参数。根据广州市城市化发展的基本趋势,本文基于广州市1990—2010年城市发展规模,采用S型曲线时间序列回归法,确定广州市2030年建设用地规模约为190000hm2。状态转换规则可依据一系列空间变量与土地利用变化之间的关系来获取,空间变量主要包括离市级发展中心距离、区级发展中心距离、大镇中心距离、小镇中心距离、高速路口距离、港口码头距离、一般道路距离、轨道交通距离与高程9个要素(表 1);土地利用变化源于2000、2005和2010年TM遥感影像解译(图 4),其中2000—2005年变化用于提取转换规则,2010年影像进行模拟检验。通过20%空间采样,利用逻辑回归获取模型参数,并进行显著性检验,最终得到的广州市土地利用状态转换规则如表 1所示。
空间驱动因子 Spatial factors | 空间分布 Spatial pattern | 回归系数 Regression coefficient | 显著性 Significance | 空间驱动因子 Spatial factors | 空间分布 Spatial pattern | 回归系数 regression coefficient | 显著性 Significance |
距市级中心的距离Distance to municipal center(b1) | -54.212 | 0.000 | 距地铁的距离(b6)Distance to the subways | 19.874 | 0.008 | ||
距区级中心的距离Distance to district-level centers(b2) | 8.430 | 0.155 | 距快速路的距离Distance to the express ways(b7) | 3.513 | 0.146 | ||
距大镇中心的距离Distance to the large towns(b3) | -2.336 | 0.000 | 距一般道路的距离Distance to the roads(b8) | -7.071 | 0.000 | ||
距小镇中心的距离Distance to the small towns(b4) | 6.867 | 0.000 | 高程 Elevation(b9) | -18.925 | 0.000 | ||
距港口的距离(b5)Distance to the ports | 0.924 | 0.571 | 常数项Constant(a0) | — | 2.392 | 0.011 |
为了验证模拟精度,研究利用2010年遥感影像获取的建设用地与对应的模拟结果进行逐点对比,实际非城市模拟精度为89.9%,实际城市模拟精度为84.9%,总体评估精度为88.9%。根据地理模拟系统的精度评判原则,模拟结果符合一般预测系统的精度检验需求。如果广州市未来依旧按照当前的扩张趋势继续发展,则通过CA模拟得到的广州市2030年城市空间格局如图 4所示。
2.4 利用ACO进行二元协调性规划从图 4可以看出,若当前城市扩张趋势进一步发展,则广州市新增城市用地主要位于北部地区,这势必对生态敏感区造成巨大压力。因此,为防止此扩张趋势进一步蔓延,广州市必须在未来的发展过程中进行空间结构重调,从生态和谐角度优化城市空间布局,引导城市发展模式的转变,即综合考虑城市扩张的历史惯性驱动和生态保护对城市无序扩张的限制。鉴于此,研究整合城市发展惯性和生态保护限制的双重规划目标,将LR模型获取的城市扩张惯性适宜性和MCR模型确定的生态保护压力进行加权,重新计算城市扩张生态适宜性,权重可依据规划师的决策偏好确定。本文将城市发展惯性适宜性和生态保护压力的权重分别设定为0.7和0.3,计算得到的城市扩张生态适宜性(图 5)。为产生一种适宜性较好且空间结构紧凑的格局,研究进一步利用ACO模型进行空间布局优化(图 5)。
2.5 结果评价与规划政策制定分析CA与ACO分别从模拟与优化两个角度描述了城市扩张空间布局模式。为进一步对比两种规划模式的实用性,研究以生态敏感区保护压力为评价标准,对两种规划情景进行对比分析(图 6)。根据图 3确定的生态敏感区保护压力空间分布,CA模拟空间格局的总体保护压力为1304369.766,而经过发展与保护协调后的ACO优化格局总体保护压力为1257347.038。由此可见,协调性发展模式比惯性发展模式明显降低了生态保护压力。相比惯性扩张模拟情景,空间优化情景表现出城市发展重心整体向南迁移的趋势,并且利用景观规则约束呈现出组团模式。由于广州市现有中心城区规模已经较大,因此发展多中心组团是广州市未来进行空间疏导的一种基本模式。广州在其最新的城市战略规划中也明确提出了“中调、东进、西联、北优、南拓”的空间开发构想,其中,“中调”指的是调整现有中心城区规模,限制传统“摊大饼式”发展模式,避免中心城区过大,造成巨型城市病;“东进”是指沿珠江向东部发展,做好与增城片区和东莞市的衔接;“西联”是指与佛山连片;“北优”则是指优化北部、增城、从化片区。由于机场的新建,北部片区在近十年获得飞速发展,但从整体上来看,北部片区主要表现为生态空间,不适宜大规模建设,故要以优化调整为主;“南拓”是以国家高新区南沙为主要依托,发展使其成为粤港澳环珠江三角洲的新兴增长极。若将这一战略构想进行空间落实,显然空间优化模型获取的城市格局更佳。同时,空间优化模式也可产生更好的生态环境效应。因此,广州市在制定城市总体发展规划时可以参考这种布局模式。
3 结论与讨论快速城市化是我国现阶段的一个典型特征,城市空间形态布局是城市总体规划的核心内容之一。城市惯性扩张与生态保护一直以来都是影响城市空间形态的重要因素,也是城市规划过程中必须考虑的一组矛盾,不合理的城市扩张模式将导致一系列潜在的生态环境问题。因此,如何协调城市扩张与生态保护之间的矛盾,形成生态和谐型的布局方案是城市化研究中的关键问题。本文基于这一现实背景,提出将地理模拟与空间优化系统(GeoSOS)引入城市规划决策分析,从“城市扩张”和“生态保护”二元空间协调角度提出一种可操作的规划决策分析框架。
研究首先利用遥感数据和GIS空间分析方法识别“生态源”,并采用最小累积阻力模型计算城市扩张生态保护压力;利用CA模型模拟城市惯性扩张格局,探讨惯性发展模式对生态敏感区潜在的影响;针对城市发展过程中的生态保护问题,重新进行城市扩张生态适宜性评价;综合城市扩张生态适宜性与城市发展形态紧凑性布局的需求,利用蚁群智能模型对城市扩张布局进行优化,获取一种城市发展与生态保护的二元协调性优化布局方案。通过广州市的应用研究表明,综合考虑了历史惯性驱动与生态保护目标的城市空间布局更符合发展实际,其在一定程度上能抑制传统“摊大饼”式的城市扩张模式,减小了生态敏感区保护压力。总体而言,GeoSOS能为生态型城市布局规划提供系统的技术支撑,本文提出的规划决策分析框架也可为城市规划提供定量的决策参考。虽然地理模拟与空间优化模型能在技术层面为城市规划提供支撑,但在实用时,还需进一步结合城市规划相关理论进行更加深入的地理建模研究,如城市发展目标、城市发展约束、城市发展模式等。
[1] | 顾朝林, 吴莉娅. 中国城市化问题研究综述. 北京: 商务出版社, 2008: 105-147. |
[2] | 高天, 邱玲, 陈存根. 生态单元制图在国外自然保护和城乡规划中的发展与应用. 自然资源学报, 2010, 25(6): 978-989. |
[3] | 史同广, 郑国强, 王智勇, 王林林. 中国土地适宜性评价研究进展. 地理科学进展, 2007, 26(2): 106-115. |
[4] | 俞孔坚, 李迪华, 韩西丽. 论"反规划". 城市规划, 2005, 29(9): 64-69. |
[5] | 俞孔坚, 李伟, 李迪华, 李春波, 黄刚, 刘海龙. 快速城市化地区遗产廊道适宜性分析方法探讨--以台州市为例. 地理研究, 2005, 24(1): 69-76. |
[6] | Yu K J. Ecological security patterns in landscapes and GIS application. Geographic Information Sciences, 1995, 1(2): 88-102. |
[7] | Li X, Chen Y M, Liu X P, Li D, He J Q. Concepts, methodologies, and tools of an integrated geographical simulation and optimization system. International Journal of Geographical Information Science, 2011, 25(4): 633-655. |
[8] | Li X, Lao C H, Liu X P, Chen Y M. Coupling urban cellular automata with ant colony optimization for zoning protected natural areas under a changing landscape. International Journal of Geographical Information Science, 2011, 25(4): 575-593. |
[9] | 陈逸敏, 黎夏, 刘小平, 李少英. 基于耦合地理模拟优化系统GeoSOS的农田保护区预警. 地理学报, 2010, 65(9): 1137-1145. |
[10] | White R, Engelen G. Cellular automata and fractal urban form: a cellular modeling approach to the evolution of urban land-use patterns. Environment and Planning A, 1993, 25(8): 1175-1199. |
[11] | Batty M, Xie Y C, Sun Z L. Modeling urban dynamics through GIS-based cellular automata. Computers, Environmental and Urban Systems, 1999, 23(3): 205-233. |
[12] | Clark K C, Gaydos L J. Loose-coupling cellular Automata model and GIS: long-term urban growth prediction for San Francisco and Washington/Baltimore. International Journal of Geographical Information Science, 1998, 12(7): 699-714. |
[13] | Yang Q S, Li X, Shi X. Cellular automata for simulating land use changes based on support vector machines. Computers & Geosciences, 2008, 34(6): 592-602. |
[14] | He C Y, Okada N, Zhang Q, Zhang Q F, Shi P J, Li J G. Modeling dynamic urban expansion processes incorporating a potential model with cellular automata. Landscape and Urban Planning, 2008, 86(1): 79-91. |
[15] | Wu F, Webster C J. Simulation of land development through the integration of cellular automata and multicriteria evaluation. Environment and Planning B, 1998, 25(1): 103-126. |
[16] | Wu F L. Calibration of stochastic cellular automata: the application to rural-urban land conversions. International Journal of Geographical Information Science, 2002, 16(8): 795-818. |
[17] | Li X, Yeh A G O. Principal component analysis of stacked multi-temporal images for monitoring of rapid urban expansion in the Pearl River Delta. International Journal of Remote Sensing, 1998, 19(8): 1501-1518. |
[18] | Li X, Yeh A G O. Neural-network-based cellular automata for simulating multiple land use changes using GIS. International Journal of Geographical Information Science, 2002, 16(4): 323-343. |
[19] | D'Ambrosio D, Spataro W, Iovine G. Parallel genetic algorithms for optimising cellular automata models of natural complex phenomena: An application to debris flows. Computers & Geosciences, 2006, 32(7): 861-875. |
[20] | Cao K, Huang B, Wang S W, Lin H. Sustainable land use optimization using boundary-based fast genetic algorithm. Computers, Environment and Urban Systems, 2012, 36(3): 257-269. |
[21] | Woudsma C, Jensen J F, Kanaroglou P, Macoh H. Logistics land use and the city: A spatial-temporal modeling approach. Transportation Research Part E: Logistics and Transportation Review, 2008, 44(2): 277-297. |
[22] | Liu Y L, Liu D F, Liu Y F, He J H, Jiao L M, Chen Y Y, Hong X F. Rural land use spatial allocation in the semiarid loess hilly area in China: Using a particle swarm optimization model equipped with multi-objective optimization techniques. Science China: Earth Science, 2012, 55(7): 1166-1177. |
[23] | 刘耀林, 夏寅, 刘殿峰, 洪晓峰. 基于目标规划与模拟退火算法的土地利用分区优化方法. 武汉大学学报·信息科学版, 2012, 37(7): 762-765. |
[24] | Masoomi Z, Mesgari M S, Hamrah M. Allocation of urban land uses by multi-objective particle swarm optimization algorithm. International Journal of Geographical Information Science, 2013, 27(3): 542-566. |