城市典型要素遥感智能监测与模拟推演关键技术

冯永玖，李鹏朔，童小华，席梦镕，柳思聪，许 雄

1.同济大学测绘与地理信息学院，上海 200092；2.上海市航天测绘遥感与空间探测重点实验室，上海 200092

从新型城镇化战略到当前正在实施的国土空间规划和城市数字化转型，城市典型要素遥感智能监测与模拟推演服务已成为关键支撑技术。越来越丰富的地表与城市综合观测手段，尤其是空天地联合的遥感观测，为城市监测、管理和服务带来便利和不同选择[1-2]。监测不仅为城市综合管控提供测绘遥感服务，也为其模拟推演提供基础数据源。联合国可持续发展目标SDG-11面向“可持续城市与社区”，提出将模拟推演技术作为城市空间规划指引与支持的重要手段。美国NASA的应用科学部开展了城市监测与模拟推演研究，并指出该类研究有利于城市综合发展、空气和水的质量、气候、交通等问题的解决。美国康奈尔大学建筑学院将其作为重要前沿方向，并在城市与区域课程项目中融入城市模拟预测的相关理论与实践训练。此外，加州大学圣巴巴拉分校地理系和伦敦大学学院高级空间分析中心，均是城市空间监测、模拟、推演研究的主要学术阵地。该系列关键技术在我国已有20多年的研究历程，2018年发布的《自然资源科技规划纲要》将国土空间规划的仿真预测和模拟推演关键技术列为主要研发任务[3]。可见，城市复杂要素遥感监测与模拟推演既是国际的学术前沿，也是国家战略实施的迫切科技需求。

城市是涉及自然、社会、经济、人文、能源等各方面的复杂巨系统，多源遥感的监测根据不同目的涉及多样化应用场景[4]。其中，针对城市土地利用变化与空间演变的遥感监测，主要涉及城市地表覆盖和驱动要素的识别、提取与监测，从而直接服务于城市综合决策与管理。以遥感监测为基础的模拟预测是针对城市要素变动的深度推演，对城市空间管控、规划和开发具有实践指导作用，而模拟推演建模的典型方法有元胞自动机(CA)与多智能体系统(MAS)，以及由此衍生的地理空间模型[5-8]。

CA方法与很多空间分析方法一样，其理论基础是Tobler地理学第一定律：地理现象在空间分布具有相关性，空间邻近的现象比空间远离的现象关系更密切。CA方法最早由Tobler于1970年提出，他强调地理空间CA模型的核心是“邻域”，即地理局部环境因子，并首次将该方法用于模拟美国底特律城市的空间发展[9]。文献[10]提出基于离散模型理论的元胞-空间原理，将其应用于大尺度城市变化模拟，从此奠定了CA方法在地理信息领域的地位。文献[11]提出了一种离散的CA模型用于捕捉城市历史空间结构，其后续研究和改进模型在全球众多城市得到了应用。随着GIS的发展，CA模型方法于2010年开启了新纪元：面向多目标模拟，融合多源空间数据，集成多种空间和非空间建模方法[7,12-14]，实现了理论方法升级和应用领域拓展。

自地理空间CA专著《地理元胞自动机》[5]出版后，相关研究不断向纵深方向发展，在土地利用、城市扩张、生态环境、交通规划等领域广泛应用。过去10年，我国地理空间CA研究发展迅速，既产生了集成空间统计、人工智能、机器学习的多种CA模型方法，也在CA模型的评估与应用等方向积累了一批先进的成果，将验证应用区域从局部推向全球尺度。

本文结合国内外研究现状和进展，将城市要素分类为覆盖要素、驱动要素和环境要素。在其典型性上，覆盖要素聚焦于土地利用及其变化、绿地林地、水域空间、城市形态等；驱动要素聚焦于邻近性、人口与经济、交通网络、热岛效应等；环境要素聚焦于景观生态、环境质量、洪水淹没、海岸带信息等。该分类体系可为遥感监测与模拟推演建立较为完整的数据链。

1 城市典型要素遥感智能监测

通过多源遥感和地理空间数据的协同与融合，发挥不同数据针对不同对象的优势，弥补单一数据的不足，从而研发智能化地表覆盖遥感分类方法以及城市典型驱动要素的识别与提取方法，是目前城市典型要素遥感智能监测的主要任务之一，图1展示了代表性遥感智能监测方法(如智能自适应决策树分类)，提取监测的结果可作为模拟推演的重要数据来源。

图1 融合多源数据的城市典型要素智能分类与识别监测

1.1 覆盖要素智能监测

不同区域地表和地物辐射与反射电磁波的特性不同，导致同物异谱和异物同谱现象，很难准确进行目标精细化分类[15]。神经网络和深度学习是解决该问题的智能化方法，此类方法虽然能够得到较好的结果但也存在固有缺陷，即模型结构很难解释地物遥感成像机理[16]。在众多的分类和识别算法中，决策树方法基于专家知识库和客观分类规则，能协同主被动多源遥感的时-空-谱特征，同时最大程度地利用多类型数据源，但固定阈值决策树难以实现城市复杂要素的准确识别。智能化自适应决策树分类方法可以通过有限次迭代动态更新阈值，最终实现城市覆盖要素高可信识别与监测[17]。针对大范围土地覆盖要素监测，也可以采用和参考现有土地覆盖/利用产品，包括GlobeLand30、FROM-GLC30、GLC_FCS30等[18-21]。

1.2 驱动要素智能监测

土地利用变化和城市生长受到自然、经济、社会、人口、政策等多重因素的影响，其动态变化的机理非常复杂且空间异质，综合多源异构遥感和时空大数据对驱动要素进行智能化监测，是实现历史格局重建和未来情景推演的关键环节。针对驱动要素的识别与检测，国内外文献已有比较详细的阐述，但对生态安全、气候变化、城市热岛等作为驱动因素的探讨较为缺乏，仍需要深入研究。其中，地表温度和城市热岛是城市空间要素演变的典型内在复合驱动力，利用兴趣点(POI)并采用空间多尺度方法来表征城市的空间模式、结构和功能，协同热红外遥感数据可实现地表温度的识别、校准与挖掘，从而解决驱动要素难提取的问题[22]。

城市驱动要素种类多样且重要性各异，关键驱动因素的识别能力直接影响城市覆盖要素的推演质量。其中，驱动要素共线特征检测对于建模至关重要，可以利用因子判别探索性回归方法，根据校正后决定系数、方差膨胀因子、参数p值、J-B统计量p值和空间自相关p值等联合实现冗余因子的排除，为模拟推演模型的建模提供最佳驱动力组合[23]。

此外，城市驱动要素与制图尺度的选择高度相关，单一尺度下驱动要素的组合可能与真实情况相悖。针对驱动要素无真值且存在尺度选择的难题，可以驱动要素-模拟推演结果的关联度为标准，以解释能力作为选择最佳驱动要素的标准[24]。多尺度要素集主要考虑可达性和邻近性两类，而以多尺度可达距离为基础构建的可达性要素集，以多半径缓冲距离为基础构建的多尺度邻近性要素集，可为建立稳健的模拟推演模型奠定基础[25]。

2 城市空间演变模拟推演

模拟推演是支撑城市综合治理、国土空间管控的主要手段，基于多源遥感空间数据，在驱动要素识别提取的基础上，发展了适应于不同区域、环境、形态的城市/土地利用模拟方法，在典型城市和区域进行了验证和应用(图2)。

图2 城市空间演变模拟推演的技术框架与关键应用

2.1 空间演变机理挖掘

地理空间CA模拟的建模是基于城市要素演变机理而建立的，要实现其强稳定性、高可信度与高精确度等，必须精准探测城市要素的演变动力学过程。任何地理实体都具有空间相似性和异质性[26-27]，因此准确探测这种性质才能够精准定义符合客观演变规律的动态转换规则。

如前所述，城市要素演变受到自然、设施、经济、社会等的综合作用，在传统认知中这些因素的影响具有空间平稳性，即某要素在空间不同位置其分布是固定不变的。实际上，无论是城市要素还是驱动要素都具有空间异质性，因此其关系就具有空间非平稳性。在挖掘其动力学过程时，必须考虑空间非平稳性特征，采用地理加权回归、贝叶斯变系数等模型方法，构建较为精准的模拟推演模型，可以有效挖掘城市土地利用和空间演变信息[25，28-29]。

在挖掘城市空间要素演变机理的基础上，提出了异权CA要素模拟框架，CA的要素可以在不同权重下进行自适应性的定义；同时，由于演变概率随时间衰减、邻域影响随时间增强，为消除这种负面效应，可采用概率和邻域调节两个重要参数，实现地理空间CA异权异构精准建模[30]。

2.2 空间统计学建模

地理空间CA规则在早期主要基于数理统计方法(如logistic回归)建立，但是这种方法无法体现城市覆盖要素和驱动要素在空间上的相似性和异质性，而空间统计恰恰能够反映上述两个重要特性。其中，空间相似性是通过考虑建模要素的空间自相关，从而使建模残差具有随机分布特性，即模型残差没有空间聚集特性或聚集性尽量弱，其典型方法包括空间误差模型和空间滞后模型[31]。

空间异质性模拟推演模型包括两类：①覆盖和驱动要素的异质性；②元胞邻域的异质性。其中要素异质性采用空间变系数模型来解决，包括地理加权回归及其变体、贝叶斯空间变系数模型等[25,28-29]，而邻域异质性则通过考虑不同邻域方向对中心元胞的不同影响来实现[32]。空间变系数模型的难点在于选择适合的带宽来捕捉城市要素的空间变化，而邻域异质性的难点在于探索表达该异质性的空间化方法(如梯度、距离衰减等)。在物理意义并不明确的智能化算法大为流行形势下，空间统计方法是一类既能够解决问题，又能够体现城市要素空间演变的精准模拟模型，尤其是能够捕捉空间要素的景观破碎化过程。

2.3 启发式智能建模

未来情景的模拟推演，在预测中重点根据不同发展方案来推演其未来情景是评估现行国土空间规划、城市规划、城市管理等方案的有效途径[2,33]。不同方案可能强调不同条件，这种条件可能表达为等式或不等式，比如要求城市道路的作用大于城市中心近邻度的作用，而统计学方法无法求解此类问题，也就无法实现未来情景的预测。

启发式算法是一类模拟生物进化或群体行为的复杂问题求解方法，能够对离散函数进行优化和极值求解，从而建立地理空间CA模型的规则。其核心是将模拟推演的实际问题映射到算法空间，因此如何构造一个函数建立两者之间的联系就成了关键[30]。在模拟推演建模中，建模残差最小化是保证模拟推演精度的核心，包括均方根误差、平均绝对误差、相对误差等[30]。研究表明，通过启发式智能算法搜寻以上函数的最小值可以实现模型参数的最优求解。

启发式模拟推演方法包括自适应遗传算法SAGA、粒子群优化PSO、模拟退火SA、广义模式搜索GPS、差分进化DE等算法及其变体[8,14,34]。在使用这些算法时，选择算子、交叉算子、变异算子、种群数量、循环次数、CA参数上下界等控制参数，均会不同程度地影响目标函数搜索的结果，因此在使用时需要进行密集测试从而获得最优解[34]。启发式智能优化算法的优势在于能够求解不同条件下的最优解，实现多目标情景的预测，同时求解出来的参数具有明晰的物理意义，能够较好地解释城市要素空间演变的机理与动力学。

2.4 模拟模型验证

地理CA模拟结果的验证包括输入数据、建模过程和模拟结果的评估3个方面。输入数据评估旨在检验数据的可靠程度，包括原始数据的可信度及其误差传播。原始数据集的误差通过模型要素传播，可导致误差传播的过程包括采样、邻域、规则、随机扰动和阈值定义等[34-35]。

过程评估是关于转换规则及模拟结果的检验。转换规则是CA模型的核心，其性能可以通过拟合优度、相对质量和残差分布来反映，而Moran ’s I可度量模型残差的空间格局[36]。转换概率图是转换规则产生的空间可视化图层，可以使用ROC和TOC等方法来评估其相对质量。模型敏感性是CA模型的典型特征，可以检验其受尺度、邻域和阈值影响的程度[34,37]。

结果评估是CA模型评估的核心，可以通过目视检测、逐像元比较、空间模式分析、因子贡献分析、交叉评估等方法实现。逐像元比较方法检测模拟结果中每个元胞是否与真实模式相匹配[15]，并生成一个具有误差统计量的列联矩阵，可产生包括命中、误报、漏报、正确拒绝、使用者精度、生产者精度、Kappa系数及FOM验证等指标[30,37-38]。在评估整体空间格局方面，景观指数可以表征景观结构，空间自相关统计量可以衡量格局的相似程度。此外，通过估计每个驱动要素对消除建模残差的贡献量，可以估计驱动力对模拟结果的贡献程度，进而实现多尺度因子和未来预测情景的可信度定量评估[24]。

3 典型监测与推演对象

在多源空间和非空间数据的基础上，基于智能监测与模拟推演计算，针对土地利用变化、城市空间扩张、生态环境演变、土壤碳储变化、城市热岛效应等的遥感监测与模拟推演，构建了城市典型要素和对象的遥感监测与模拟推演框架(图3)。

图3 城市典型要素和对象的遥感监测与模拟推演框架

3.1 土地利用变化

在地理空间信息领域，模拟复杂土地利用变化是CA的首要任务，开展了从快速变化区域(如中国)到相对稳定区域(如澳大利亚)的验证和应用[38-40]。在我国实施国土空间规划及管控的大背景下，CA模拟推演可为土地可持续利用政策制定和三区三线划定等提供关键支撑[41]。基于GlobeLand30数据，研发了自下而上的LandCA推演模型(Futureland的早期版本)，并重建了2000—2010年中国土地利用格局，进而预测了未来10年(2030年)中国土地利用变化的可能情景，为分析耕地、森林、建设用地等的互相转换和未来10年中国耕地变化提供了关键支撑[42]。

3.2 城市空间扩张

城市发展和空间扩张是我国近20年来土地利用变化的显著特征，尤其在新型城镇化和数字城市化转型背景下，如何实现城市智能监测、合理规划、优化管理尤为重要。在考虑城市发展政策和空间管控等的条件下，利用CA模型对未来城市情景与空间格局进行模拟、推演和预测，已经成为城市规划、决策分析和综合管理的有效方法[43-44]。杭州城市生长情景模拟推演的验证表明，以现行发展趋势、主干道路驱动、郊区中心引导等方式发展的城市模式具有完全不同的空间格局[45]；在叠加空间管控的条件下，CA模型可以检测不同规划执行力度下城市生长的空间分布与未来形态，同时也可以模拟推演非法用地可能出现的空间区域[43]。

3.3 生态环境演变

国家新型城镇化规划提出城市发展要把生态放在突出的位置。在过去几十年中，与土地利用相关的生态安全和生态服务价值的损失尤为严重，城市热岛效应日趋严重，对未来生态环境保护和管理提出了新要求[46]。因此，利用CA方法分析生态安全和服务价值的历史格局，对预测未来变化至关重要，而在生态安全方面除了考虑工业与民用污染源带来的影响，也要考虑全球变暖带来的挑战[47]。研究表明，城市热岛与土地利用方式关系密切，而传统热岛效应的预测方法是非空间化预测方法，地理空间CA可以在土地利用与城市热岛之间建立关联，实现未来地表温度和城市热岛的空间化预测[22]。

3.4 土壤碳储变化

双碳目标是我国走绿色低碳发展道路，向国际展示责任与担当的重大战略决策。碳源碳汇的载体是国土空间，通过国土空间管制和土地利用方式的转变，可以有效控制碳排放。以多源遥感和地理信息数据为基础，面向双碳目标的国土空间优化，可基于模拟推演方法开展碳源碳汇监测和土地利用精细化评估[47-48]。例如，可利用LandCA模型来预测未来土地利用情景并估算土地碳储量，对中国全域及重点城市群碳储量变化进行监测，对历史和未来碳储量进行空间评估，进而挖掘土地利用变化对碳储量的影响[48-49]。

4 区域发展模拟推演应用

面向国家战略和社会需求开展遥感监测、模拟推演与城市发展服务的应用研究，是监测推演的目的所在，而这些任务均需要相应的智能平台而实现。在国内外不同的监测和推演平台中，UrbanCA和Futureland模拟系统平台被国内外同行广泛采用(图4)。

图4 面向城市和土地利用的UrbanCA和Futureland模拟推演系统平台

4.1 模拟推演平台系统

随着计算机、遥感、GIS等技术发展和模拟推演需求的不断扩增，用于模拟土地利用和城市动态的软件平台也日益增加。目前，国内外CA模拟模型和软件包括UrbanSim、Dinamica EGO、SLEUTH、CLUE-S、SIMLANDER、APoLUS、CA-Markov、GeoSOS、SPRAWL、FLUS、UrbanCA、Futureland等[8,50-54]。其中，SLEUTH由美国加州大学研发，是一种常用的土地利用建模工具，结合了坡度、土地利用、排除因素、城市范围、交通网络和地形阴影等6种输入图层[54]。CLUE-S也是常用的土地利用变化模拟软件，通过将土地利用变化分配到每个元胞，从而模拟栅格化土地利用变化[52,55]。

UrbanCA是城市生长建模的异权CA模拟框架[56]，结合了数理统计、空间统计和启发式智能方法(researchgate.net/publication/333748239)。UrbanCA的主要特点是：①通过重建CA模型要素的关系改进了CA建模框架；②提出了两个调节参数来调整转换概率和邻域影响；③结合多种统计和启发式方法来构建转换规则；④考虑城市规划规则和空间异质性以预测未来城市情景。

Futureland是复杂土地利用(可超过10类)变化模拟和预测的最新软件(researchgate.net/publication/356978377)，采用基于数据切块的并行计算方法，利用GDAL进行研发因此不依赖于第三方软件。针对每个不同的土地利用类型，Futureland可选择参与计算的驱动因子，实现每个类型与驱动要素最优拟合；同时，将异质性邻域、成本矩阵、限制区域引入模型，通过轮盘赌竞争机制实现土地利用变化类型的选择，从而实现复杂土地利用的精准模拟推演。

4.2 区域发展模拟应用

过去10年，面向全球、洲际、国家、城市群、个体城市、局域等多层级范围，在土地利用变化、城市生长、生态系统服务和安全、碳储量、环境空间演变等方面实现了模拟推演验证和应用，典型应用区域包括中国、澳大利亚、中亚国家等[43-44]。在模拟推演领域，我国长三角、珠三角、京津冀三个区域的验证和应用较为深入，这些区域包括了沿海、平原、丘陵、山区等不同地形的城市[39-40]。在长三角的模型建模与应用验证表明，城市要素遥感智能监测与模拟推演可挖掘动力学机制，优化国土空间规划方案，优化城市规划与管理方案，而且可以对农田和生态保护区的侵占进行预警，为城市综合治理和低碳发展提供技术支撑。

5 结 论

城市典型要素遥感智能监测与推演模拟的理论、方法与应用，对于国土空间规划与管理，城市规划与综合治理，区域决策与管理等均不可或缺。城市区域的覆盖要素和驱动要素类型复杂，且彼此间存在复杂非线性关系，采用协同异源异构遥感数据的自适应阈值决策树分类等方法，能够获得精细化和高可信覆盖要素分类结果，而通过协同遥感、POI兴趣点和时空大数据等异源异构数据，能够有效探测和识别要素变动的驱动力和规则。在此基础上，开展空间演变机理挖掘、空间统计建模、启发式智能建模，并应用于土地利用、城市扩张、生态演变、碳储量等土地覆盖相关的方方面面，是目前模拟推演的主要趋势。其中，UrbanCA聚焦城市生长、Futureland聚焦多类型土地利用变化，集成了模拟推演系列方法，并在以长三角为主的较多区域得到了验证和应用。

随着国土空间规划和城市数字化转型的实施，遥感和时空大数据日趋丰富，智能识别监测与推演方法不断发展，未来研究应重点关注两个方面。首先，面向国家双碳战略目标，融合遥感时空大数据开展城镇国土空间演化智能遥感识别与精细推演的新理论、新方法、新技术研究，聚焦城镇空间碳源碳汇网格，面向双碳优化城镇空间格局，实现多情景推演与综合治理反馈，将服务范围从城市群推广到更大区域甚至全国。其次，在考虑宏观和微观决策的基础上，针对城市建成区三维密度、城市质量更新与空间收缩、城市综合环境质量(如PM2.5)等领域开展研究，从大尺度细化到社区尺度，为局部范围的精细化治理与管控提供高可信空间信息与预测情景服务。