规划问道
数据精英春季特训营开车啦！
同时报名还可享更多优惠：
任选2套同报，再减200元！
任选3套同报，再减360元！
任选4套同报，再减520元！
任选5套同报，再减700元！
加我获取每套课程详细介绍
加我咨询和报名课程
项目名称：地理过程建模的多尺度空间协同与精细化模拟：以城市群增长为例
项目负责人：黎夏
依托单位：华东师范大学
项目参与人：
刘小平 教授 中山大学
陈逸敏 讲师 中山大学
马世发 中山大学
梁育填 讲师 中山大学
朱战强 讲师 中山大学
何执兼 高级工程师 中山大学
姚尧 中山大学
陈广照 中山大学
林锦耀 中山大学
项目摘要
项目结题成果报告
以下研究成果内容摘自项目结题成果报告。该项目报告共计83页，关注城市数据派微信公众号，在微信公众号对话框中输入 24512，即可获得报告全文PDF的下载方式：
2.1.主要研究内容
项目以城市群的发展为典型地理过程，揭示城市群增长的时空演变规律，阐明人地关系相互作用过程，将地理模拟系统方法推向规划决策的前沿研究领域。基于地理模拟与优化系统(GeoSOS)框架，揭示城市群空间增长的多尺度协同决策机理，通过大数据分析，构建精细化的空间智能模拟与决策模型。将以城市增长边界(Urban Growth Boundary,UGB)与生态控制线(Ecological Control LineECL)的模拟与优化作为特点的研究对象来展开。目前已开展的研究都是基于以下五个方面进行，其中第五点是在项目执行期间，额外增加的区域空间格局相关的研究和分析，并取得了初步成果:
1)城市群可持续增长的多尺度空间协同决策机理研究:
2)集成多源传感器和大数据分析的精细化城市模拟;
3)基于超算平台和深度学习的城市群增长空间智能化决策模型研究;
4)城市群联合增长的智能化决策典型地区案例应用研究;
5)区域空间格局时空分析。
2.2.取得的主要研究进展、重要结果、关键数据等及其科学意义或应用前景
构建了一套多尺度空间协同的智能化决策研究框架,为城市群的发展提供相关理论与工具。在城市群可持续增长的多尺度空间协同决策机理研究中，对国内外相关研究进行总结，并对相关案例和经验进行分析，从城市群增长模式和驱动因子影响两方面探讨城市群可持续增长的多尺度空间协同决策机理。形成了多尺度空间协同地理模拟与优化的理论基础,所提出的地理模拟与优化的框架体系可以成为目前我国空间规划的重要理论和方法支撑。主要在下面四个方面取得了重要进展:
1)在 GEE平台上,提出获取大尺度高时空分辨率土地利用1土地覆被的新方法。发布了一套全球城市多时序的土地利用高分辨率产品，为城市群增长空间智能化决策模型研究打下理论和数据基础，该成果发表在RemoteSensingofEnvironment上，为ESI热点及高被引论文。
2)提出集成多源传感器和大数据分析的精细化城市模拟模型。利用多源大数据对精细尺度的城市空间变量(房价、人口分布、城市道路等)进行提取，为人地关系研究和精细化城市模拟提供数据支持。通过集成多源大数据进行人地关系的研究,包括土地利用识别、建筑物功能识别以及城市空间差异研究，通过“社会感知”和“城市计算”进行人地关系的研究，为城市精细化模拟提供数据和理论支持。提出了基于动态地块分裂、深度学习的矢量元胞自动机新模型，为城市精细化模拟提供新的框架。
3)建立了基于超算平台的城市群增长空间智能化决策模型。基于机器学习和深度学习对城市扩张的转换规则进行挖掘，通过深度学习网络的感知域获取更多的邻域信息，在模拟精度上达到了更优的效果。提出了大尺度城市群增长模拟决策模型，建立了具有自主知识产权的 GeoSOS-FLUS 土地利用模型，用户基本覆盖全中国，遍及全球61个国家和地区。模型得到英国皇家科学院院士 Batty的高度赞扬，被国际人文地理百科全书收录。GeoSOS 被嵌入全球第三大、亚洲第一大的超图(SuperMap)软件中，支持了国产GIS软件发展。GeoSOS 还被写入《广东省城镇开发边界划定技术规程》指导文件，以服务于国土空间规划。
4)把地理模拟系统理论推广到全球尺度，并研究全球土地利用及其变化对生态环境的影响。生产了全球首套2010-2100年1-km分辨率全球土地利用及土地覆被变化的新产品，以及一套全球未来城市用地扩张的产品，相关研究成果发表在了Nature Communications、Annals of the American Association of Geographers等顶级期刊上，为ESI高引论文。还研究了土地利用及其变化对生态环境的影响，探讨了不同情景下未来土地利用对生态服务功能、碳储量、近地气温等生态环境的影响。提出了“自上而下”的空间规划与“自下而上”自组织的双重“螺旋式”模型，对城市增长边界、生态保护区和生态红线进行划定,为规划部门进行国土空间功能优化到区域土地利用结构优化再到地块的开发等一系列的多尺度空间协同决策提供依据。
除了上述主要四个研究内容外，本项目还紧跟热点研究方向，对重点区域空间格局进行了分析，主要包括传染病、碳排放、全球升温、陆地水储量。传染病是严重的世界公共卫生问题，本研究对甲型H1N1流感进行了时空分析，并提出-种传染病的时空模型传染林，对流行病建模进行空间化，促进我们对传染病的传播进行了解，该研究发表在 Annals of the American Association of Geographers期刊上。同时，本项目还探讨了导致碳排放的因素和降低碳排放的途径，对碳排放的时空分布进行研究，以发现全球碳排放的时空分布差异规律，为碳中和、节能减排提供参考。此外，在全球气候变暖的背景下，本项目对全球的非对称升温进行了研究，探讨陆地植被和群落对升温的响应和时滞效应。
相关研究成果发表在国际顶级期刊上，包括NatureCommunications、RemoteSensing of Environment、Annals of the American Association of Geographers、International Journal of Geographical Information Science、Landscape and UrbanPlanning等，其中6篇论文为ESI高引论文。
2.2.1.城市群可持续增长的多尺度空间协同决策机理研究
城市群的增长一方面取决于自身的发展实力,另一方面也受制于国土空间资源环境承载力,而在具体划定城市群空间形态时还需要考虑区域土地利用空间优化配置，尤其是协调城市增长边界(Urban GrowthBoundary,UGB)与生态控制线(EcologicalControlLine,ECL)之间的关系。从国土空间功能优化到区域土地里利用结构优化，再到地块的开发，涉及一系列的多尺度空间协同决策。因此，实现地理过程大多是“自上而下”的空间规划与“自下而上”自组织的双重“螺旋式’驱动结果。除了多尺度协同外，各尺度自身还有相应的空间结构组织理论，如国土空间涉及的三生功能(生态、生产与生活)的协调理论进行优化;城市群利用多中心、廊道、双子星发展模式进行布局;土地利用开发考虑建设区位适应性和景观格局等。
在过去相关城市群增长机理的研究基础上，对国内外相关研究进行总结，并对相关案例和经验进行分析,从城市群增长模式和驱动因子影响两方面探讨城市群可持续增长的多尺度空间协同决策机理,为城市群增长空间智能化决策模型研究打下基础。
(1)多尺度空间协同的地理模拟与优化理论
从地理信息科学出发，对地理过程建模在国内外研究中的应用进行总结。阐述地理模拟与优化的框架体系解决我国各种环境和规划问题的经验和案例,为地理过程建模的多尺度空间协同精细化模拟提供理论基础。基于对科学引文索引数据库和谷歌学术搜索引擎进行文献综述，试图总结利用元胞自动机(cellulaautomata，CA)解决我国各种环境和规划问题的经验和案例，这些经验对于想在发展中国家进行 CA模拟的人来说是很重要的。例如，使用这种自下而上的方法可以解决哪些环境和生态问题?这些模型的数据输入是什么以及如何被校准?本文的分析表明，CA对于快速增长地区的土地利用规划和政策分析具有很大的力。在文献综述中还发现了国内使用CA的一些具体特征，包括城市发展边界的划定、预防非法开发和制定分区规划等。该工作已发表于SCI期刊InternationaJournal of Geographical Information Science (2017,31(8),p1606-1629)。
目前，国民经济与社会发展规划、土地利用规划以及城乡规划在我国经济社会发展、资源优化配置等方面起主导作用，但由于这些规划分属于不同的主管部门，导致“三规分离”、各个规划之间相互冲突的问题较为突出。通过地理模拟和优化的方法，可以对生态控制线的划定、城市增长边界的界定和永久性基本农田保护等进行积极有效的探索。地理空间优化方法能够很好的协调人与地、人与环境，人与社会的关系。另外，随着大数据时代的到来，人类对自然、社会、自身的认识，正向着精细化的方向发展。因此，可以通过把地理模拟和优化，与大数据结合起来，使“三规合一”、“多规合一”的研究更加的科学化。
以地理信息科学为出发点,对地理过程建模在国内外研究中的应用进行了总结，阐述了地理模拟与优化的框架体系可以成为目前中国正在进行的“三规合一工作的重要理论和方法支撑。该工作已发表于遥感学报(2016,20(5),p227-251),并在第一届全国国土空间优化大会上做主题报告,发布了首个针对空间优化的地理模拟优化器(http://www.geosimulation.cn/)。GeoSOS 还被写入《广东省城镇开发边界划定技术规程》指导文件，以服务于国土空间规划。
(2)高分辨率土地利用/土地覆被时序提取
在进行城市群增长模式研究之前，首先对多时序的高分辨率土地利用/土地覆被进行提取，获得的精细分辨率的土地利用/土地覆被数据能够为城市群增长模式、驱动因子和模拟等研究提供数据基础。此部分研究主要包括土地利用分类特征选择、模型选择以及土地利用数据产品。
目前少有研究对NDVI统计特征和NDVI物候特征这两种时序特征进行比较。从时空融合的NDVI数据中提取这两种特征，并分析它们在不同土地覆盖组成、不同分类器下的分类精度差异，并尝试通过随机森林模型的特征重要性解释造成上述差异的原因。研究结果表明:(1)相比NDVI统计特征(总体精度提高3%)，NDVI物候特征(总体精度提高5%)能够更好地反映NDVI的时间序列变化，特别是对于耕地、林地和草地等植被;(2)在NDVI物候特征中，季节的开始、中间和结束时间能够为识别不同植被类型提供额外的信息;(3)神经网络型能够获得相似但精度较低的结果,支持向量机模型未能很好揭示高维NDVI物候特征的优势。该工作发表于lEEEJournal of Selected Topics in Applied EarthObservations and Remote Sensing(2018,11(12):4618-4629)。
图示:基于时序NDVI的不同时间特征的精细土地覆被分类结果
目前大多数全球城市土地利用的分辨率都很粗糙，且只有一到两年的数据可获取。我们以 1990-2010年的 Landsat 影像为基础，以五年为间隔，开发了多时间序列的全球城市土地利用数据。我们提出了归一化城市用地复合指数，利用Google Earth Engine 从大量的 Landsat 影像中进行全球城市土地分类。在提取结果中，全球尺度的总体精度、生产者的精度和用户的精度分别为0.81-0.84、0.500.60 和 0.49-0.61。全球尺度的 Kappa值为 0.43-0.50,在国家尺度中,中国的 Kappa值为~0.33，美国的Kappa值为~0.42。目前已将这些数据公开提供免费下载。该工作已发表于 Remote Sensing ofEnvironment(2018,209,p227-239)，为ESI 热点论文及高被引论文。
图示:典型城市1990到2010年城市扩张情况
(3)城市群增长模式
基于以上对城市群增长以及CA在解决各种环境和规划问题的经验和案例总结，开展城市群增长模式的研究。通过定量研究的方式，量化了不同城市增长模式的时空动态以及与驱动因子的关系,并探讨了经济发展要素对城市扩张和土地利用模式的影响。
城市扩张改变了生态系统的结构和功能，并且对城市的可持续发展有很大的影响。城市扩张存在三种增长模式:即填充式、边缘式、飞地式。本研究考虑城市中心、城市边缘和主干道这三种因素对城市增长模式的影响，寻找城市增长的共同趋势以及在不同地方存在城市增长模式的区别。以北京、上海、天津和广州为例，量化 1990~2010年三种城市增长模式的时空动态以及与驱动因子的关系计算城市的景观扩张指数(LEI)和不同的景观指数分析城市增长模式，采用生长密度(GD)和面积加权平均距离指数(AWMDI)分析城市扩张过程中增长模式与空间因子的关系。
结果表明，(1)四个城市均以边缘式增长占主体，倾向于紧凑的发展。(2)四个城市的增长模式与空间因素的关系呈现相同的相互作用。(3)飞地式发展模式会导致水土流失和环境破环。(4)在所有城市中增长面积都随着距离道路距离的增大而减少。(5)已有城市用地更吸引填充式的城市增长，而交通道路对飞地式的城市增长有更多推动作用。该工作已发表于Journal of Urban Planning andDevelopment(2016,143(1),04016023)。
提出了一个新的分析框架，融合Landsat 和夜间灯光数据来获取地块尺度上城市用地扩张和活动变化间的关系。城市用地数据是由Landsat影像分类结果获得的，而活动变化则由夜间灯光数据来近似估算。利用局部空间自相关指数方法定义了地块尺度上用地扩张与活动变化间的四类局部关系。本文将提出的分析框架应用于中国广州以作为案例研究。结果表明，城市用地与活动强度在地块尺度上的增长不匹配，城市土地面积增长幅度超过了活动强度增长幅度。本文的结果对城市增长有更为全面的了解，并可用于协助城市规划和相关决策。该工作已发表于 Remote Sensing(2017,9(2),164)。
图示:城市扩张与夜间灯光强度之间的关系
另外，中国高速铁路(HSR)的建设，对于重新分配空间可达性和影响人民的旅运行为具有深远的影响。但由于缺乏大范围、高分辨率的土地利用数据，HSR建设对于土地利用系统的影响尚未被仔细探讨。因此，本研究运用高分辨率的土地利用数据，首次对中国的HSR网络建设对于全国层级土地利用模式的影响进行分析。本研究运用双重差分模型，评估HSR网络对于城市、农田和自然三大土地类别的影响。我们同时比较2005年至2008年、2008年至2010年，以及2010 年至 2013年三段期间，有HSR 和无 HSR城市的土地利用变迁差异。
分析成果如下:(1)对城市土地而言，HSR对于城市土地的绝对大小(数量)没有普遍性的影响，但对于相对应样本的地块平均大小有负面影响，而且区域和网络可能会在不同区域中导致不同的影响:(2)HSR可能对农业土地的绝对大小产生负面影响，特别是在西部;以及(3)对自然土地而言，有HSR城市中的地块倾向聚集并规则化，而没有HSR的城市中，自然土地则持续呈现碎裂且受到耗损。该项工作已发表于 AnnalsoftheAmerican Association ofGeographers (20191-27)。
(4)城市群可持续增长驱动因子影响分析
驱动因子作为城市群增长模拟不可或缺的要素,对它们的研究是进行城市群可持续增长模拟的基础。基于生存分析以及景观指标，对元胞自动机的城市扩张驱动因子进行影响分析,提出的方法可有效地评估不同景观指标和驱动因子的性能，为城市增长模拟提供切实有效的信息。以往基于地理元胞自动机(CA)的城市扩张模拟研究不能很好地获取时间复杂度和动态变化信息。我们采用时间序列的土地利用变化数据结合生存分析(SA)方法，用于模拟多时相的城市扩张。另外传统的栅格 CA 模型存在元胞形状不合理、椒盐现象严重、容易过拟合的缺点,因此本研究提出基于斑块的 SA-CA 模型用于改进传统的模型。
SA-Patch-CA主要包括四个步骤:第一，获取多时相的土地利用数据构建样本。第二，审查样本，剔除在误差样本并拟合好风险函数。第三，基于邻域和限制性因素构建发展概率函数。第四，将SA的规则融入Patch-CA，并进行城市拟和情景预测。
以用 FoM 和景观指数为指标对比本模型与 Logistic-Patch-CA和 LEI-CA,结果显示，本模型相比于其他CA模型在重现真实的城市扩张格局方面具有更好的性能。该工作已发表于Landscape and Urban Planning(2016,152,p59-71)，为ESI高被引论文。
图示:不同 CA模型的模拟结果对比情况
目前用于校准元胞自动机的方法可以在像元尺度上对土地利用进行模拟。然而,基于传统元胞自动机的方法仍然无法描述有多种土地利用变化的总体景观格局。为解决这个问题，提出了一个由景观驱动的多元元胞自动机模型。该模型在校准过程中加入景观模式，并通过遗传算法搜索最佳的校准参数。在该模型中，我们进一步研究了五个重要景观指标在校准中的性能。与两个公认的传统元胞自动机模型比较表明，基于景观模式的建模结果更接近于观测到的土地利用数据。此外，我们发现，斑块内聚力和边缘密度是用于元胞自动机校准的景观目标。更重要的是，我们的方法可有效地评估不同景观指标的性能，为土地使用规划提供切实有效的信息。该工作发表于Environmental Modelling&Software(2020104719)。
图示:基于不同景观指标的土地利用模拟结果
2.2.2.集成多源传感器和大数据分析的精细化城市模拟
智能化建模必须要对相关地理过程有科学的理解。以城市群发展为例，其建模过程要根据地理空间的因果关系假设，建立合适的驱动力分析框架，探索城市群增长的时空演变规律，进而根据地理空间推理模型(如元胞自动机、多智能体等)分析下一时刻的城市增长过程。随着对地观测系统的不断发展，遥感已成为观测城市群空间增长现象的重要手段,但仅用遥感手段分析难以解释城市群增长的地理机理。因此将综合集成多源传感器网络如遥感、地面站、统计、微博、公交GPS轨迹等获取大数据，分析和探索城市群增长规律，尤其是利用大数据解释人地关系行为等人文过程对城市群增长的影响机制,为城市群的发展提供更为科学的空间决策参数。
通过利用多源大数据进行精细尺度空间变量提取,以及进行人地关系的研究进行集成多源大数据进行精细化城市模拟,为下一步进行城市群模拟提供基础数据以及决策依据。人地关系研究可以对城市群增长的影响机制进行解释，我们从较为宏观的土地利用识别到精细尺度的建筑物功能识别,并进行城市服务空间差异的研究，采用大数据对城市中人与地之间的交互关系进行深入探讨和研究，为城市群增长研究提供决策依据。因此，本部分研究首先集成多源大数据局对精细尺度的城市空间变量进行提取，接着从土地利用识别、建筑物功能识别和城市空间差异三个方面探讨人地关系，最后集成多源大数据进行精细化模拟。
(1)集成多源大数据的精细尺度城市空间变量提取
随着技术不断发展，可以通过各类传感器获取大量人的数据，这些数据为人地关系研究提供了便利。城市空间变量是人对城市的影响和使用情况，对精细尺度的城市空间变量提取一方面可以进行人地关系的探讨,另一方面也可以为城市群增长研究提供数据基础。我们主要集成大数据进行了房价和人口的空间分布研究。
精确的房价精细模拟对于政府制定相关政策制定等至关重要。然而，房价统计数据的收集需要耗费大量的人力物力，更新周期长。为此，本研究采用在线房屋交易数据作为数据源，以居委会为研究单元，结合集成学习的方法用于建立房价预测模型。选取6种常用的分类器(GPR，K-NN，BP-NN，RBF-NN，FDT和SVR)，通过对分类器的性能进行降序排序，通过2个分类器之间的组合分别组合出5个Satcking 分类器，并通过其与Bagging分类器的比较进而挑选出精度最高的分类器。
结果显示，总体来说，通过集成学习方法，预测精度都高于单个回归器。基于此研究结果,本研究可以精细地模拟广州市居委会级别缺失观测数据区域的房价。并且，广州市的房价且呈现由市中心向郊区按距离指数衰减的趋势。该工作发表于 Applied Geography(2016,75,p200-212)
图示: 房价精细模拟结果
……
还有更多成果内容，详见项目结题成果报告。该项目报告共计83页，关注城市数据派微信公众号，在微信公众号对话框中输入24512，即可获得报告全文PDF的下载方式。
原文始发于微信公众号（城市数据派）：地理过程建模的多尺度空间协同与精细化模拟：以城市群增长为例丨城市数据派
