长株潭城市群城市扩张模拟研究
2022-06-02罗敷琳陈志文李小马
罗敷琳，陈志文，李小马
(湖南农业大学 风景园林与艺术设计学院，湖南 长沙 410128)
1 引言
城市扩张是在自然、社会、经济、政策等多种因素共同作用下，其他土地利用类型城市化的变化过程，当前世界正在经历快速的城市扩张，并且在未来这种趋势将继续延续[1]。城市扩张已成为国内外众多学者探究的热点，许多学者通过构建城市扩张模型对未来城市用地的变化趋势进行模拟预测，例如CLUE-S模型[2, 3]、元胞自动机(Cellular Automata，简称CA)[4～7]等。元胞自动机模型是一种空间、时间和状态都离散，但时间的因果关系以及空间之间的相互作用可模拟空间复杂系统时空动态模拟的模型，具备强大的空间信息处理能力[5]。转换规则是CA模型的关键，本文采用Logistic-CA模型[8～11]模拟，运用Logistic-CA模型获取城市扩张的概率作为CA模型的转换规则，模拟城市扩张变化。
本文综合考虑自然因素、空间可达性因素和政策因素，以长株潭城市群为例，模拟2008～2018年研究区域城市扩张变化过程；通过模拟城市群城市扩张过程，分析城市扩张的驱动机制，对城市群土地利用规划具有重要意义，同时为改革和完善长株潭城市群保护和发展的体制机制提供研究框架和理论参考。
2 研究方法
2.1 研究区概况
长株潭城市群是我国中部地区第一个国家级城市群，拥有得天独厚的自然条件和良好的社会经济状况。长株潭城市群主要由长沙、株洲和湘潭3座地级市所构成，由于区域资源优势突出，交通运输便捷，成为湖南重要的政治、经贸、人文交流中心。随着长株潭城市群的经济建设和工业化的迅速发展，该区域城市扩张速率和规模都有了迅速增加的趋势，因此选取长株潭城市群为研究范围。
2.2 研究方法
2.2.1 Logistic-CA模型
Logistic-CA模型包括4个部分，由驱动因子的回归方程、领域函数、随机性、约束条件组成，则t+1时刻地理元胞状态变化的转换函数(非城市用地向城市用地转化的概率)为：
(1)
2.2.1.1 基于logistic回归的转换规则
通过logistic回归分析不同驱动因子对元胞状态转换概率的影响，目的是在预测城市未来发展时,确定在这些驱动因子的影响下各个非城市元胞发生向城市元胞转化的初始概率值。
(2)
2.2.1.2 领域函数
(3)
2.2.1.3 随机项
城市用地扩张过程中受到多种政治因素、人为因素、随机因素以及偶然事件的影响和干预。为使约束模型的计算结果更符合城市实际情况,并表现出城市系统所具有的不确定性,需要向模型中加入随机因素的作用。该项可表达为：
RA=1+(-lnγ)
(4)
式(4)中，γ为随机变量，其值(0,1)；α为控制随机变量影响大小的参数，取值范围为[1,10]的整数。
2.2.1.4 约束条件
结合现实的土地利用转换类型，某些土地虽然在从非城市用地向城市用地的转化中具有较高概率，但也会受到一些约束条件的影响，例如城市总体规划过程中通常会有一部分的土地,例如重要森林、自然保护区、河流保护区等被划为禁建区，为排除这些影响，将受约束条件不能转化为城市用地的地块剔除，引入约束函数Pcontrol：
(5)
2.2.2 数据来源及处理
2.2.2.1 城市扩张
城市扩张数据来源于清华大学(http://data.ess.tsinghua.edu.cn/)，本文使用2008年、2013年和2018年3期长株潭城市群的城市扩张数据。将得到的3期城市扩张数据编码，城市用地编码为1 ，非城市用地编码为0(图1)。
图1 城市扩张过程
2.2.2.2 影响因子
通过查阅城市扩张驱动因子相关研究文献，并结合长株潭城市群数据可获取性以及区域特点，选取自然环境：高程、坡度；空间可达性因素：到市中心、区县中心、高速、国道、省道、铁路站点、河流的距离共 9个驱动因子[2, 11～13]。
海拔与坡度：利用美国航空航天局的ASTER GDEM数字高程模型(30 m分辨率)计算研究区高程和坡度。
可达性因子：基于2008年、2013年和2018年遥感影像，结合百度道路网络数据目视提取2008年、2013年和2018年的路网数据(高速、国道、省道、铁路)，利用ArcGIS计算到道路的距离。通过百度POI确定市中心、区县中心和火车站的位置，计算到这些点的距离(图2)。
图2 各类驱动因子
2.2.2.3 约束条件
约束条件受数据收集的限制，本文主要考虑河流(如湘江)和绿心生态保护区，即这些区域不能城市化。
2.3 城市扩张模拟
首先，针对2008～2013年建立城市扩张模型。随机选择10000个样本，将城市扩张赋值1，未扩张赋值0，以此为因变量，然后将处理好的9个驱动因子作为自变量建立逻辑斯蒂回归模型，建立城市扩张潜力预测模型。利用元胞自动机，考虑邻域和限制条件模拟2013年城市扩张。然后将城市扩张潜力预测模型应用于2013～2018年预测2018年城市扩张，比较2018年模拟城市分布与观测城市分布，计算Kappa值评估模型精度。
Kappa系数一般用来评价遥感数据分类精度和两个图像的相似性，公式如下：
(6)
(7)
式(6)、(7)中，P0为栅格模拟一致比例；Pc为随机情况下栅格模拟一致比例；Pp为理想情况下的栅格模拟一致比例，即1。当Kappa∈[0.4)时，说明两幅图的一致性较差，模拟效果不佳；当Kappa∈[0.4,0.75]时，说明两幅图的一致性一般，模型模拟效果一般；当Kappa∈(0.75，1]时，说明两幅图的一致性较高，模型模拟效果较好，具有较高的可信度。
3 研究结果
3.1 城市扩张影响因子
9个驱动因子均对非城市用地转为城市用地有影响，但影响程度各不相同(表1)。驱动因子的回归系数为正则表示该因子为正驱动因子，系数为负则说明为负驱动因子。坡度为正驱动力，对城市扩张的作用效果显著，说明非城市用地转为城市用地的概率受坡度影响较大。到国道的距离和到河流的距离也为正驱动因子，根据城市规划，河流和国道连通长株潭3座城市中心，说明城市规划引导着城市的发展方向。火车站人流量大，人类活动频繁，因此到铁路站点的距离作为正驱动因子一定程度上影响着城市扩张的概率。而海拔是最大的负驱动因子，城市扩张受地形影响较大，海拔越高，城市扩张概率较低，而地势平坦的地区非城市用地转为城市用地的概率更大。长株潭城市群交通以中心向周边发散，拥有完整的交通路网，交通便利，因此到省道的距离和到高速的距离两个交通因子也是有较大影响力的负驱动因子，说明距离交通越近，城市扩张概率越大，扩张速度越快。此外，越靠近市中心和区县中心的地区更容易发生城市扩张，行政中心、商场拥有更好地社会资源和公共服务资源，因此非城市用地转为城市用地的概率更大。
表1 logistic回归系数
3.2 模型精度评价
通过统计得到2018年研究区内总栅格数为6251796个，模拟一致栅格数为5757053个，占研究区栅格总数的92%。分建设用地和非建设用地两类，随机下Pc=1/2。将两幅图的参数带入公式求得Kappa系数为0.75，大于0.7，说明模型模拟效果较好，能比较好的对研究区的城市扩张变化进行模拟和预测，结果具有较高的可信度(图3)。
图3 2018年长株潭城市群城市扩张模拟结果与实际对比
4 结论
(1)分别以2008～2013年和2013～2018年两个阶段进行了城市扩张模型的建模和模拟，在2008～2013年阶段建立了城市扩张预测模型，模拟了2013年城市扩张分布，获得了逻辑斯底回归系数以及各驱动因子对城市扩张的影响，2013～2018阶段，利用建立的城市扩张预测模型模拟了2018年城市扩张分布，并与2018年实际城市扩张数据进行对比，计算Kappa系数为0.75，表明模型效果较好，适用于长株潭城市群的城市扩张模拟与预测研究。
(2)城市面积受自然环境、空间可达性、政策保护等外部因素共同作用不断扩张，城市面积由2008年的400.98 km2增加到2018年的1129.74 km2，城市建设用地面积扩张约2.8倍。2018年模拟结果在绿心政策的约束下，绿心生态保护区未被城市用地侵占，长沙主要向西边和东南方向扩张，株洲主要向西南方向扩张，湘潭主要向北发展。
(3)长株潭城市群的城市扩张趋势说明城市扩张是一个非常复杂的演变过程，城市扩张的影响因素是相互影响、相互制约、密切相关的。其中自然因素海拔和坡度是影响城市用地分布的基础因素；市区县中心拥有更好地经济区位和交通区位因此在城市扩张中占主导地位；交通、河流城市建设起到引导作用，强化了建设用地的选择与规划，拉大了城市扩张的整体框架;另外，政策方面的影响也会影响到城市扩张的演化，因此，随着时间改变，在多种驱动因子的相互影响、制约和紧密联系下，共同影响了城市扩张的变化。
