规划问道
作为城市社会经济活动的载体，城市空间的扩展反映了城市的阶段性发展和变化。同时，一个城市的发展过程也代表了其空间的扩展过程。城市空间扩展源于城市发展的内生动力。换句话说，确定城市空间增长边界是有效治理城市空间扩展的重要手段。现有的关于城市空间扩展的研究通常基于多年来城市遥感影像的变化。以往的研究利用地理信息系统（GIS）平台构建空间模型[1]来分析和预测城市空间扩展[2,3]。例如，Yin基于遥感影像分析了开罗的城市空间扩展，发现其城市土地扩展是基于尼罗河地区的沙地[4]。其他学者基于城市分形理论研究城市空间扩展，如Frankhouser对城市形态的分形维度测量[5]和White对城市土地使用的分形图形模拟[6]。
城市增长边界（UGB）被定义为城市外围划定的城市扩展边界[7]，要求城市在这一边界内进行扩展[8]。这一概念最初由美国的“智能增长”运动提出。特别是，美国西部城市波特兰的UGB划定已成为一个经典案例[9]。美国已经将UGB合法化，并将其视为维持智能城市发展的重要手段[10]。瑞士、印度和其他一些国家也逐渐认识到UGB在城市规划中的有效性[11]。Bhatta利用GIS和其他技术模拟了印度加尔各答的UGB[12]。Tayyebi等人使用神经网络和GIS全面划定了伊朗首都德黑兰的UGB[13]。合理划定UGB可以提高城市空间利用率，通过减轻对生态环境的威胁和提供农田保护，确保城市的健康发展[14,15]。然而，中国对UGB的研究起步较晚。张晋首次将UGB引入中国，作为城市增长管理的工具[16]。从那时起，如何科学合理地划定UGB逐渐成为中国的一个研究热点。
目前，划定UGB主要有两种方法：第一种是通过GIS叠加分析进行土地适宜性评价或生态安全格局构建，然后结合其他因素最终划定UGB[17,18]。第二种方法是使用人工神经网络-细胞自动机（ANN-CA）模型预测未来年份的城市增长边界，然后相应地划定城市增长边界[19,20]。虽然这种方法考虑了城市扩张的内部驱动因素，但土地适宜性评估方法存在一定的局限性，特别是在应对城市增长的复杂性和动态性方面。它往往主要关注生态适宜性，而没有充分考虑现有的人口、经济发展和其他客观城市条件。因此，其应用可能导致预测不够准确，可能无法完全支持可持续城市发展。
相比之下，ANN-CA方法通过整合各种影响因素，包括生态条件和城市发展动态，提供了一种更全面的方法。这种方法有助于在保护城市生态环境与扩展需求之间取得平衡，特别适用于生态环境脆弱且建设用地有限的城市，如河谷城市。因此，本研究中使用ANN-CA模型旨在克服土地适宜性评估方法的局限性，并提供更准确和可持续的城市增长边界（UGB）划定。
为了应对这些局限性，近期的研究引入了更加先进的模型，这些模型结合了生态和景观因素。例如，基于景观驱动的斑块元胞自动机（LP-CA）模型被用于模拟城市土地利用变化，通过将景观模式纳入到细胞自动机框架中，提供了一种更为细致的城市增长建模方法[21]。此外，未来土地利用模拟（FLUS）模型，将最大熵模型与细胞自动机相结合，在预测未来城市土地利用变化的同时，也考虑了生态敏感性，特别是在涉及城市内涝的情景下显示出了前景[22]。这些模型相较于传统的ANN-CA模型有了显著的进步，因为它们更好地解决了城市扩展的生态问题。
综上所述，现有文献中的上述方法存在一些不足。例如，它们只考虑生态适宜性[23]，而忽略了研究区域内现有的人口、经济发展和其他客观城市条件[24,25]，这是主观的；或者它们仅在数量和空间上进行模拟预测[26]，这具有一定的局限性。因此，本研究遵循[27]的方法，通过耦合ANN算法计算各种影响因素与城市建设用地之间的关系，并使用CA计算模型来模拟2030年广州城区的土地变化和增长边界。
本研究在中国“三条控制线”政策的背景下尤为重要。这三条控制线包括生态保护红线、永久基本农田保护线和城市发展边界。这些控制线对于确保可持续城市发展、保护重要的生态空间和维护粮食安全至关重要。通过将这些控制线纳入我们的模型，本研究提供了一种更全面和现实的城市增长模拟，这对于明智的城市规划和决策制定至关重要。
此外，本研究的实际意义在于其促进高质量城市发展和优化城市空间布局的潜力。通过准确预测城市土地的空间变化和增长边界，本研究为城市规划者和决策者提供了科学依据，帮助他们做出符合国家和区域发展目标的战略决策。我们的研究结果不仅对该区域进行了长期预测，还增强了对空间变化的研究，提高了城市土地变化模拟的科学性和可靠性。
2. 资源和方法
2.1. 研究区域概述
广州位于中国广东省中南部，东经113°17’，北纬23°8’，在中国大陆的南部和珠江三角洲的北缘。广州毗邻南海、香港特别行政区和澳门特别行政区，是中国通往世界的南大门。广州是一个多山的地区，地形东北高西南低，北部和东北部有山脉，中部有丘陵和台地，南部珠江三角洲有冲积平原。作为广东省的省会和副省级城市、粤港澳大湾区的核心城市、广东省的经济、文化、科学和教育中心以及珠江三角洲的中心城市，广州未来城市发展因素的重要性以及城市空间增长的预测不仅是广州进一步发展为“大都市、大花园、大通道”的实际需求，也将在支持粤港澳大湾区的发展和规划中发挥重要作用。
2.2. 数据源
本研究的数据来源为目前广州市 2010 年、2015 年和 2020 年的土地利用地图，空间分辨率为 100 m × 100 m（见表 1）。土地利用分类状态图是在空间配准和重分类后得到的。土地利用分为五类：耕地、林地、水域、城乡建设用地和未利用地。在模拟和预测广州城市扩展时，应全面考虑农村发展和影响，因为有一些村庄面积小、基础设施和公共设施水平高、距城区距离近、农村土地容易转化为城市建设用地。因此，在不同情景的模拟和预测过程中，使用城乡建设用地作为建设用地的数据源。在最终划定城市增长边界时，使用“侵蚀”等方法消除未转化为城市建设用地的分散农村建设用地。我们利用地理空间数据云下载了广州的地形地貌数据，使用Ecology软件处理广州市区的数据，并使用ArcGIS软件提取高程数据（坡度和方向）。通过国家地理信息资源服务获取了广州市当前的城市道路数据。此外，耦合ANN所需的影响因子数据从百度开源POI大数据中提取。使用Python和其他软件，有效地获取各种影响因子数据并将其导入到ArcGIS中的当前土地利用图中作为矢量数据信息。在统一坐标系后，进行了相应的空间校正[28,29]。
2.3. 城市空间扩张影响因素和潜力的识别
为了有效地模拟和预测城市空间演变，我们开发了一个全面的技术路线图。该路线图整合了包括影响因子数据、土地利用数据和其他相关数据在内的各种数据源，然后通过ANN-CA模型进行处理。该模型允许在不同情景下对城市发展边界进行详细分析和预测。下图展示了本研究中采用的技术路线图（如图1所示）。
2.3.1. ANN-CA 模拟
在城市空间演变的模拟和预测中需要使用许多空间影响因子，这使得确定城市空间模型的组成变得困难[30]。由于传统预测方法通常无法有效地区分研究区域内的微观空间变量[31]，因此在城市空间模拟过程中几乎不可能在微观层面上确定城市空间系统的发展方向和演变特征。相反，CA模型消除了在城市空间模拟中的这一劣势，能够识别演化系统中的空间单元场的发展和开发强度[32]。
作为自下而上的模拟过程，CA的预测基于研究区域内空间单元之间的相互作用。每个空间单元的发展可能性和演变方向取决于周围空间单元的发展特征与自身空间影响因子的组合。因此，CA模型在一定程度上可以解释城市空间系统发展的复杂性，但在受城市经济和社会因素影响的城市空间演变中，难以获得逻辑支持[33]。
为了应对这一挑战，有必要在CA模型中引入真实的城市空间约束因子，以在现实条件下控制城市土地变化过程[34]，并提高模拟结果的可靠性[[35], [36], [37]]。此外，现有研究表明，将ANN算法与CA计算模型的扩散概率相结合，可以有效提升CA模型在预测城市空间扩展和演变中的模拟质量，并避免传统预测方法的负面影响[38]。
在我们的研究中，我们构建了一个详细的ANN-CA模型流程图，概述了结构设计、参数选择和数据处理步骤。城市土地利用图像用于训练耦合的ANN，使ANN-CA模型能够准确确定城市空间模型的组成。我们还使用历史数据进行了回测分析，证明了该模型的有效性和准确性。特别是，由于城市空间变化的综合性，现实城市约束因素与ANN-CA模型的结合可以有效地预测不同现实情况下广州的空间增长和土地分布动态，并为广州市城市边界的发展和规划提供更科学有效的理论支持[39]。
2.3.2. 基于欧几里得距离的影响因子模型的建立
除了传统的城市影响因子，如城市空间地形、自然环境、当前城市土地分类、工业和经济环境因素外，我们还利用大数据提取了现代城市影响因子，以便更有效地研究和评估城市居民活动以及经济和社会因素在城市空间中的分布和特征，并提高城市发展潜力预测的可靠性。从大数据中提取的城市影响因子主要包括居住区、工业区、商业和公共服务设施、科教文卫娱乐设施、行政设施、旅游和生活服务设施、公共交通站点及物流设施分布点。我们使用欧几里得距离处理各种影响因素，并获得了它们在广州市区范围内的影响热图（如图2所示）。
2.3.3. 基于耦合神经网络的城市空间发展潜力识别
城市空间增长的概率基于空间单元的发展潜能，即分布概率。ANN可用于获得城市建设土地与各种城市影响因子之间相互作用的相关系统。首先，我们将城市影响因子和城市土地类型输入到ANN中。然后，我们利用ANN不断随机抽样数据并分析城市影响因子与城市土地类型之间的相互作用，从而生成一个用于解释土地使用类型与影响因子之间关系的相关系统。最后，基于这个关联系统，我们得到了一个分类器，用于研究和评估不同城市空间发展潜力水平及城市影响因子对土地演变的贡献权重。该分类器由以下三层组成：输入层、隐藏层和输出层。最后一层用于计算发展的可能性。分类器的第一步是确定城市土地单元和影响因子的输入。每个模拟单元包含n个变量，这些变量会影响土地使用变化，并对应于输入层中的n个神经元。这些变量决定了土地转换的概率（见表2）（见表3）。
如表2所示，通过按重要性从大到小对各因子进行排序，可以发现公交车站、城市主干道、地铁、铁路、GDP和行政点对建设用地有较大影响。前三大影响因子的贡献权重均大于0.12，表明城市主干道、公交车站和地铁布局在广州市建设用地布局中占有重要地位。GDP、人口、高速公路、行政分支和商业服务设施的贡献权重均大于0.050，且权重较为接近。基于以上分析，交通影响因子和城市经济发展相关因子在广州的城市发展和建设用地分布中扮演了重要角色。同时，作为全球重要的贸易中心和旅游城市，物流和旅游景点的贡献权重均超过0.045，突显了物流和旅游资源影响因子对于广州城市发展和建设用地分布的重要性。通过对调控规划图和城市空间土地转换概率图的综合比较分析，可以看出颜色越暖，单元土地转换为城市建设用地的可能性越大（如图3所示）。
图 3.基本农田与城市发展概率的叠加。
3. 结果与讨论：
基于 ANN-CA 的广州增长边界划定和空间扩展预测
3.1. 不同限制下的土地利用模拟
鉴于城市空间增长的综合性，为了有效预测广州在不同现实情境下的空间增长和土地分布动态，有必要通过结合真实的城市约束条件和ANN-CA模型来模拟城市空间增长。基于2020年广州土地利用分类的现状，转换规则基于城市空间发展潜力和由分类器训练的城市影响因子对土地演变的贡献权重。然后，模拟了2030年在广州三种不同限制条件下的城市土地利用分布。模拟的三个限制条件如下所述。
3.1.1. 严格限制条件
一级和二级控制区内的土地不能转换为城市建设用地。此外，基本农田保护范围内的土地也不能转换为城市建设用地。在这些条件和限制下，城市发展的空间极为有限。由于一级和二级控制区以及基本农田保护范围线的限制，城市只能局限于范围线之间的狭窄空间发展；因此，大部分模拟的城市土地呈现出絮状形态（如图4所示）。
图 4.严格限制条件下的模拟结果。
3.1.2. 基本限制条件
一级控制区内的土地不能转换为城市建设用地。此外，基本农田保护范围内的土地也不能转换为城市建设用地。此外，在降低转换系数的前提下，二级控制区内的土地可以转换为城市建设用地。与严格限制条件下的城市土地模拟相比，基本限制条件下的城市形态更加完整和规则（如图5所示）。
图 5.无限制条件下二级控制区的仿真结果。
3.1.3. 控制区限制条件
一级和二级控制区内的土地不能转换为城市建设用地。此外，基本农田保护范围内的土地可以在降低转换系数的前提下转换为城市建设用地。在这些转换条件和限制下，模拟的城市形态完整且平滑，城市建设用地显著增加（如图6所示）。
图 6.无限制条件下基本农田的模拟结果。
3.2. 不同现实情境下的土地利用模拟
在现实中，城市建设的发展方向不仅会受到各种固定因素的影响，还会受到国家或区域政治策略、城市发展规划策略以及其他概率性因素变化的影响。因此，在一定程度上，城市的增长规模不会完全遵循规划的固定方向。然而，传统的城市模拟方法无法消除这些随机概率因素对城市发展水平的影响。因此，CA模型能够凭借其自身的随机性更好地处理这些概率因素的随机影响。此外，限制条件完全由刚性土地控制线组成，无法有效地捕捉城市土地的动态变化。因此，在预测过程中也有必要综合考虑城市发展的灵活限制因素。在本研究中，我们模拟了广州在三种不同现实情境下的土地利用发展情况。
3.2.1. 可持续发展情景下的 UGB
在可持续发展的现实情况下，以及基本限制的刚性约束下，建立了生态控制和保护的灵活约束机制，并建立了综合考虑城市发展因素和基础设施走廊的城市土地演化模型。该模型综合考虑了社会经济、地形、交通等发展因素，可以有效地模拟可持续发展现实情境下城市空间发展的动态变化，并为城市发展的科学决策提供依据。在该模型中，一级控制区内的土地不能转换为城市建设用地。此外，基本农田保护范围内的土地也不能转换为城市建设用地，二级控制区内的土地可以在降低转换系数的前提下转换为城市建设用地。此外，基础设施控制走廊内的土地不能转换为城市建设用地。基于从上述转换概率生成的城市发展空间中提取的相关限制对土地转换的影响，并基于2020年广州土地分类的现状，进行了迭代模拟，绘制了2030年广州建设用地分布的模拟图（如图7-A所示）。
图 7.A 2030年广州在可持续发展情景下的建设用地分布；7-B 2030年广州在核心区规划和建设用地优先发展情景下的建设用地分布；7-C 两种情景下2030年建设用地分布的叠加图，突出了两种方法之间的差异。
在基于可持续发展的现实情景控制下，二级控制区保护范围内的少量土地被转换为城市用地。同时，在刚性和柔性控制条件的综合管控和保护下，重要的生态保护区、禁止建设区和基本农田不能被转换为城市建设用地。在这一现实情景下，在有效控制生态保护地的要求下，也综合考虑了社会经济发展。城市的发展在受限的范围线内略有突破，但总体发展良好，城市形态相对完整。
3.2.2. 核心区规划建设用地优先发展情景下的UGB
在这一现实情景中，综合考虑了广州的未来发展方向和前景，并改进了CA预测模型。也就是说，在识别建设用地时，需要研究和评估土地是否属于核心建设用地。根据广州的未来发展规划和相关政策，提取了广州城市建设核心区的土地，并引入了改进的CA模型。如果CA模型在该现实情景下识别出核心建设用地，我们调整了相应的土地转换系数，以模拟这一情景下的广州城市增长边界（UGB）。
在这一现实情景下，二级控制区内的土地与城市核心规划区重叠的部分，其土地转换系数显著增加。相比之下，与核心区建设用地不重叠的二级控制区内的土地转换系数则显著降低。以南沙区为例，在核心区土地的现实情景下，土地转换为建设用地的概率显著增加。
此外，在这一现实情景下，二级控制区内的一小部分土地与城市核心规划区重叠。此时，二级控制区内的一小部分土地被转换为城市建设用地，转换后的建设用地相对完整且连贯（如图7-B所示），社会经济发展的预测效果较好。这种发展特征在广州南部和东部最为明显。同时，在这一现实情景下，基本农田保护、控制和禁止区域内的土地不会被转换为城市建设用地，保护效果良好。
为了进一步突出这两种情景之间的差异，引入了图7-C，该图叠加了图7-A和图7-B的结果。图7-C中的叠加结果直观地强调了可持续发展情景与核心区优先发展情景之间建设用地分布的差异。通过比较这些情景，技术路线图使人们能够更加细致地理解不同规划策略对广州未来城市景观的影响。
3.3. 不同情景下的模拟综合结果与分析
ANN-CA模型在不同现实情景和限制条件下对城市土地发展的模拟代表了未来城市在各种条件和理论框架下的发展。这些不同的发展情景综合考虑了城市空间增长的复杂性和现实性，并模拟了在广州可持续发展和核心建设用地开发限制下的用地综合结果和特征。
在基于可持续发展限制的情景下，广州城市区域的空间分布和增长受到基本农田和主要保护区控制线内土地禁止转换为城市建设用地的条件约束。这一情景旨在保持生态完整性并确保长期可持续性。相反，核心区建设情景呈现出一种更连续且发展程度更高的城市形态，具有更强的连续性和空间发展。这一情景优先考虑核心区的城市化扩展，反映了一种更具侵略性的城市化方法。
在这两种情景下观察到的模拟结果差异突显了各种城市规划策略的潜在影响。例如，在可持续发展情景中，城市扩展受到更多限制，导致更碎片化的城市增长模式。相比之下，核心区建设情景允许更具凝聚力的城市扩展，但可能会以生态可持续性为代价。为了优化模拟结果，我们使用了“扩张”和“侵蚀”方法来处理过于分散和碎片化的建设用地，消除尚未转换为城市用地的农村建设用地。这一过程产生了一个更具实际参考价值的广州城市增长边界（UGB）（如图8所示）。
图 8.2030年广州城市增长边界划定与空间扩展预测
根据不同情景下模拟边界的综合面积统计（见表2和表3），从2020年到2030年，南沙区、番禺区和增城区的城市面积将经历最大的扩展，分别增加13.81平方公里、8.94平方公里和5.8平方公里。这些数据突显了这些区域的显著增长潜力，使它们成为广州未来十年城市扩展的主要驱动力。总体而言，广州表现出强劲的增长潜力，特别是在南部和东部地区，反映了城市的战略性发展重点和这些地区的固有优势。
对上述结果的深入分析表明，南部地区特别是南沙区和番禺区将成为关键发展区域，这归因于几个关键因素。例如，南沙区受益于其有利的地形和在粤港澳大湾区内的战略定位。作为国际贸易和金融枢纽，南沙的发展不仅是地方优先事项，也是更广泛区域整合努力的关键要素。该区靠近主要交通网络，包括港口和高速公路，进一步增强了其城市扩展和工业发展的吸引力。另一方面，番禺区正在快速城市化，并得益于其与广州中心城区的强大连接。该区正成为一个重要的居住和商业中心，利用其便利性和可开发土地的可用性。
东部地区，特别是增城区，也具有显著的扩展潜力，这归功于其作为门户和现代化产业集群区的战略角色。增城的发展是由其作为广州东部综合门户的定位驱动的，旨在整合城乡地区并促进生态宜居性。该区大量未开发的土地为大规模工业和住宅项目提供了充足机会，同时持续改善的交通基础设施（如规划中的广州东部交通枢纽中心）将增强货物和人员的流动，进一步巩固增城作为该地区重要经济和工业区的角色。
然而，这些情景存在局限性和不确定性。这些结果基于当前政策、土地使用规划和经济趋势，而这些因素可能会随着时间推移而演变，因为新政策的实施、经济条件的变化或不可预见的事件的发生。例如，国家或区域发展优先级的转变可能会将这些地区的投资引向别处，而环境法规的变化可能对土地开发施加新的限制。此外，技术进步，如智慧城市技术的兴起或新型交通方式的出现，可能会改变城市增长的空间动态，要么加快某些地区的开发，要么使其他地区变得不那么有吸引力。
未来的研究应关注纳入更多动态因素，如政策变化、经济波动、人口迁移模式和技术进展，以进一步完善模型并提高预测的准确性。这不仅涉及用最新数据更新模型，还涉及探索考虑这些因素潜在变化的替代情景。通过这样做，城市规划者和政策制定者可以更好地应对前方的挑战和机遇，确保广州的城市增长在不断变化的环境中既可持续又具韧性。
4.1. 结论
原文始发于微信公众号（城市数据派）：【创新研究推荐】如何开发人工神经网络-元胞自动机模型来预测城市增长边界？丨城市数据派
