基于适宜性评价与Agent-CA模型的城镇开发边界划定——以江西省安义县为例

王杰云，罗志军，俞林中，杨星会，袁 媛，陈瑶瑶

(1.江西农业大学 国土资源与环境学院，南昌 330045；2.江西省鄱阳湖流域农业资源与生态重点实验室,南昌 330225； 3.江西中盛土地规划设计有限公司，南昌 330025)

0 引言

城镇化对推动地方经济和社会发展以及改善城乡居民生活水平和住房条件具有重要作用。改革开放以来，中国在现代化建设和城乡一体化方面取得举世瞩目的成就，但在高速城镇化发展进程中也产生一些问题，如城市拥挤、生态破坏、水体和空气污染、耕地资源被侵占等[1-3]。从地理角度看，城镇化主要表现为形态上的空间扩张。城镇空间无序扩张往往通过占用优质农田造成用地破碎化、资源配置浪费等问题。研究城镇空间扩张及其规律可在一定程度上避免无序扩张带来的系列问题，对合理布局城镇空间和实现区域可持续发展具有重要价值。

早期诸多学者采用元胞自动机模型模拟城镇空间扩张过程[4-7]。元胞自动机在时间因果关系和空间相互作用上均为局部分析且状态离散，适用于模拟城镇类复杂系统的演化过程[8]。转换规则是元胞自动机模型的核心，大多数学者以逻辑回归方法作为转换规则，如Y.Cao等基于逻辑回归元胞自动机(cellular automaton，CA)模型对杭州市中心城区建设用地的空间布局进行研究[9]；T.Xu等利用逻辑回归CA模型模拟了奥克兰大都市区的城市扩展[10]；刘翠玲等构建约束性逻辑回归CA模型对京津冀地区城镇建设用地进行多情境模拟[11]。也有许多学者结合CA-Markov模型[12]、SLEUTH模型[13]、最大熵-CA模型[14]等预测城镇未来用地发展演变的过程，以上模型均取得较为理想的结果。然而，城镇扩张CA模型空间格网的状态仅取决于邻域的状态和转换规则而缺乏能动的自适应个体的主观决策及其相互作用[15]。综合多智能体的CA模型突出考虑人类主体的主观决策与互动行为，更具科学性与人文性。陈宝芬等基于CA-Agent模型对福州市城市用地扩张进行模拟，得出改进后的模型比传统CA模型精度更高[16]。Y.N.Zeng等构建CA-MAS模型对长株潭城市群城市扩张进行模拟，验证了该模型具有良好的适用性[17]。R.Andreas等使用SLEUTH-MAS模型模拟了德国鲁尔区2025年的城市景观形态与结构[18]。杨青生等[19-20]、张鸿辉等[21-22]也对CA-Agent城市扩张模型进行了大量研究。因此，CA-Agent模型运用于城镇空间扩张具有较高的实践价值。

元胞自动机模型应用在城镇空间扩张模拟方面具有巨大优势，与形态学理论结合可更科学地指导城镇开发边界的划定。吴欣昕等提出一种基于FLUS模型和腐蚀膨胀算法的多情境UGB划定模型[23]；李丹等基于GeoSOS和形态学方法模拟优化划定城镇开发边界[24]，模型均具有较高可靠性和适用性。因此，基于CA-Agent模型预测未来城镇用地空间，并结合形态学开闭运算辅助划定城镇开发边界具有较高可行性和探索价值。

“十四五”规划明确提出，要加快县城补短板强弱项，推进以县城为重要载体的城镇化建设。在国土空间规划“五级三类”体系中，县市级国土空间规划最具备实施性和实践意义。安义县作为南昌大都市区城市副中心，近年来城镇化发展尤为迅速。本研究以安义县基础地理、社会经济和土地利用数据为基础，构建结合城镇扩张适宜性和生态农业约束性的Agent-CA(智能体-元胞自动机)模型模拟2009—2018年安义县城镇用地扩张过程，并预测安义县2025年城镇用地空间分布，采用形态学腐蚀膨胀算法划定城镇开发边界，以实现安义县城镇用地科学管理，引导城镇健康可持续发展。

1 研究区域与数据来源

1.1 研究区概况

安义县隶属于江西省南昌市，位于115°27′～115°45′E，28°26′～29°01′N。地势从西北到东南由高到低，以平原、丘陵地貌为主。属于中亚热带温湿气候，气候温和，四季分明。县域下辖7个镇、3个乡，总面积为660.45 km2，其中耕地284.69 km2、林地242.03 km2。2020年，总人口30.73万人，其中城镇人口9.46万人，GDP达109.27亿元。根据城市总体规划发展要求，安义县将进一步提高城镇化和经济发展水平，成为南昌市副中心和生态与旅游一体化的宜居城镇。

1.2 数据来源与处理

2009年Landsat-7 ETM+和2018年Landsat-8 OLI的10月份遥感影像来源于地理空间数据云平台(http://www.gscloud.cn)，空间分辨率30 m。经辐射定标、大气校正、图像裁剪等预处理，采用支持向量机监督分类和人工目视解译提取城镇用地信息，结合实地抽样调查进行结果验证，提取精度达85%以上。DEM数据来源于地理空间数据云平台。河流湖泊和道路交通数据来源于OpenStreetMap网站(www.openstreetmap.org/)。土壤类型、土壤侵蚀度和NDVI数据来源于中科院资源环境数据中心(https://www.resdc.cn/)。社会经济数据来源于2010—2019年《中国县域统计年鉴》和《安义县统计年鉴》。POI(医院、学校、商场中心等)数据来源于高德地图。此外，安义县土地利用总体规划(2006—2020年)、安义县城市总体规划(2010—2030年)等相关规划数据和统计数据来源于安义县人民政府。

在ArcGIS 10.2软件中采用欧式距离法获得各影响因子空间距离分布，将影响城镇用地演变的空间数据进行栅格化，设置栅格空间分辨率为100 m×100 m，并进行投影得到统一投影坐标系统。对所有空间数据进行标准化处理，利用模糊隶属度函数模型消除量纲影响，最终影响值均在[0,1]。最后，将所有栅格数据转化为ASCII格式，使用NetLogo仿真平台加载数据生成模拟基础环境。

2 研究方法

首先，基于环境系统影响因子，构建城镇发展适宜性评价体系，同时，以生态和农业生产价值较高区域作为城镇发展的约束性条件，结合传统逻辑回归元胞自动机模型对城镇用地扩张进行模拟。其次，构建多智能体模型，主要分为政府和居民智能体两部分，将智能体层与逻辑回归元胞自动机层结合，构建城镇扩张Agent-CA模型，与传统逻辑回归元胞自动机模型进行对比，对得出的结果进行精度验证。最后，调整模型参数进行2025年城镇用地空间布局预测，运用形态学腐蚀膨胀算法初步划定城镇开发边界(图1)。

图1 技术路线

2.1 适宜性评价法

环境系统涵盖自然和社会经济等诸多影响城镇发展的因子，基于相关环境影响因子和安义县实际情形开展城镇扩张适宜性评价并提取生态保护和农业生产约束区域。参考秦坤等[25]的研究并结合实际从资源禀赋、区位条件和社会经济方面选取城镇发展的影响因子，主要包括土地利用类型、高程、坡度、与道路的距离、与城镇中心的距离、人口和GDP等。不同影响因子对城镇用地发展的贡献率不同，采用多准则判断方法获得城镇用地在自然和社会经济环境影响下的综合发展概率，通过层次分析法获得环境因子的权重。

城镇用地急剧扩张过程中，难以避免侵占农田和生态用地，为更好协调城镇化过程中城镇用地与生态农业用地之间的矛盾与冲突，结合当前国土空间规划的底线思维，优先考虑保护价值较高的生态用地和农业用地。参考付涛等[26]的研究，基于土地利用类型、高程、坡度、河流水系、NDVI、土壤类型、土壤侵蚀度等环境影响因子获得城镇空间扩展约束性大小，再采用二元分割法将生态价值较高的用地和优质农业生产用地划定为生态和农业保护区域，将划定的生态和农业保护区域作为城镇用地扩张的刚性约束条件，限制城镇无序扩张。

2.2 元胞自动机层

元胞自动机是一种基于微观个体相互作用的时空状态都离散的网格动力学模型，在模拟城镇复杂系统时空演变上具有独特优势[27]。元胞自动机的核心在于定义元胞转换规则，在城镇发展适宜性与生态农业约束性条件基础上采用最广泛的逻辑回归模型作为元胞自动机的转换规则，逻辑回归模型公式如下：

式中：Pc表示地块单元t演变为城镇用地的概率；γ表示介于[0,1]的随机数；a为控制随机变量的参数；Zt表示城镇用地扩张的适宜性大小；Cont为地块单元t的土地利用约束条件，将水域、未利用地发展概率设置为0；Ωt表示地块单元t在3×3邻域范围内约束性大小。

在经历了一段病痛般的折磨后，她再也无法控制自己，便买了一张去他那个城市的车票见到他后，她一边用拳头砸他一边哭。

2.3 多智能体层

2.3.1政府智能体。政府Agent通过相关规划对未来城镇用地发展进行规划布局，对于城镇用地演变起着决定性作用。由于政府Agent自身并不具备空间属性，本研究依据安义县城市总体规划采用二值变量法表示政府宏观决策，主要将规划建设区域赋予值1，非规划建设区域赋予值0。

2.3.2居民智能体。微观层面上居民进行住址用地的决策是影响城镇用地演变的重要驱动因素之一。在选择宜居住址时，居民Agent主要从自身收入水平和居住环境效用进行考量。借鉴陶海燕等[28]的研究成果，本研究将居民Agent主要分为高收入群体、中等收入群体和低收入群体，同时从交通通达层、环境质量层、教育资源层和公共设施层4个层次来对候选区位进行效用评价，相应居住环境效用评价指标如表1所示。

表1 居住环境效用评价指标

研究表明,居民Agent对地块单元t的选择概率等于其效用评价大小，大于等于其他任何可选位置的效用概率[29]。居民Agent选择地块单元t的效用概率公式为：Pr=μU1+νU2+λU3+ηU4+εt。式中：Pr表示居民Agent选择地块单元t的效用概率；U1，U2，U3，U4分别代表经标准归一化处理后的交通条件、环境质量、教育资源和公共设施的位置效用值；μ,ν,λ,η为居民Agent对各影响因子的偏好权重；εt为随机扰动项，表示效用评价时的不确定因素。

2.3.3智能体协商。居民Agent依据自身收入水平和居住环境效用进行住址决策，通过向政府Agent提出用地申请在规划建设区域选择最适宜居住地址。然而现实情况中居民Agent往往由于信息偏差等原因难以选到最优方案，基于MontoCarlo随机模拟原理，保证居民Agent在进行居住用地决策时最优和较优方案被选择的概率更高[30]。两者经协商后决策意志作用于地块单元t上，公式如下：

式中：Pa表示地块单元t经智能体协商后被选择的概率；Pg表示地块单元t在政府规划建设区域的概率。

2.4 元胞自动机与多智能体结合

城镇用地演变是极其复杂的系统过程，元胞自动机层能够模拟现实城镇用地变化，多智能体层可以从宏观和微观尺度发挥决策作用，结合元胞自动机和多智能体，城镇用地转化概率公式为：Pu=A×Pa×Pc×Ps。式中：Pu为结合元胞自动机和多智能体的城镇用地扩张概率；A为模型调整参数；Ps为生态和农业约束性大小。

2.5 形态学腐蚀膨胀算法

腐蚀膨胀算法是数学形态学中的两个基本操作，原理是将结构元素与二值图像进行二维卷积运算得到栅格图像的“收缩”和“扩张”结果。将土地利用栅格数据重采样为城镇用地与非城镇用地二值图像，腐蚀主要通过消除其中细小破碎的城镇用地斑块使城镇用地边界向内部收缩的过程。膨胀可将城镇用地周边非城镇用地转为城镇用地，将中间的孔隙空洞填补，使得城镇边界向外扩张。

开、闭运算是基于腐蚀膨胀算法的常用操作集合，其中开运算先进行腐蚀然后进行膨胀运算，闭运算与此相反。在城镇开发边界的划定过程中，开运算可实现分离城镇用地单元，起到平滑作用，闭运算可实现填充城镇用地单元的空洞和缺口，起到连通作用[23]。将形态学腐蚀膨胀算法应用于规整城镇用地，剔除杂乱破碎地块，使得城镇建设用地保持集中连片，节约集约土地资源，符合集中紧凑的城镇用地开发理念。

3 结果与分析

3.1 城镇扩张适宜性

图2 城镇扩张和生态农业影响因子

表2 城镇扩张适宜性与生态农业约束性因子及权重

得到生态保护和农业生产约束性大小分布后，采用自然断点法和自定义将约束性程度划分为弱约束、较弱约束、中等约束、较强约束和强约束5个等级，如图3a和图3b所示。安义县生态保护约束性等级较高区域主要分布于西北部新民乡，东部长埠、石鼻镇和潦河等地(图3a)。强约束区域面积为262.17 km2，占比39.87%；较强约束面积为38.31 km2，占比为5.83%；中等约束性区域面积为9.34 km2，占比为1.42%。其中，新民乡具有圣水堂国家森林公园，长埠、石鼻东线主要依附于梅岭国家森林公园，因此，这两个区域生态保护价值均较高。农业生产约束性等级较高区域主要分布在沿潦河两岸平原地区，集中于鼎湖镇和万埠镇等地(图3b)。强约束、较强约束和中等约束区域面积分别为93.09 km2，71.42 km2，88.97 km2，占比分别为14.14%，10.85%，13.52%。提取生态保护强约束、较强约束和中等约束等级合并为生态保护区域，同时，提取农业生产强约束、较强约束和中等约束等级合并为农业生产区域，将两处区域作为刚性约束条件限制城镇用地无序扩张，生态保护和农业生产区域划定结果如图3c所示。生态保护区域主要包括梅岭山麓西部、圣水堂公园等生态价值较高区域，农业生产区域主要包括潦河沿岸等农业生产价值较高区域，二者总面积563.30 km2，同时在城镇中心附近具备一定的城镇用地发展空间。

图3 生态和农业约束性及保护区域

3.2 城镇扩张Agent-CA模型

利用多主体建模仿真平台NetLogo生成决策智能体，经过智能体决策与元胞地块反馈，得到地块单元综合转换概率，模拟2009—2018年安义县城镇用地扩张过程。

本研究中，居民Agent数目并非现实意义的人数，而是表示抽象智能体集合。2009年安义县城镇居民人口为8万人，2018年城镇人口达9.56万人。每个城镇地块单元对应相应比例的城镇居民数，采用灰色预测法计算人口增长变化率，在NetLogo平台模拟出同步比例的城镇用地单元数，满足居民Agent增长居住用地需求。居民Agent依据自身收入水平和居住环境效用进行居住位置决策，不同属性的居民Agent的收入水平存在显著差异，参考《中国城镇居民家庭总资产分布》统计数据，按照高收入、中等收入、低收入之比为1∶5∶10生成不同属性类型的居民Agent数目。居民Agent选择居住位置的偏好权重如表3所示。

政府Agent规划开发建设区域对未来城镇发展方向进行宏观引导，同时与居民Agent进行协商形成综合决策。以2009年为基期年，在生态和农业生产刚性约束条件下，结合多智能体模型和逻辑回归元胞自动机模型模拟2018年安义县城镇用地(图4)。总体布局上，模拟城镇用地布局与实际城镇用地布局较为一致，但模拟结果受逻辑回归元胞自动机模型随机因子和其他因素影响，存在较多细碎城镇用地斑块，主要分布在黄洲镇和石鼻镇的交界处，导致模拟与实际城镇用地面积出现一定差距。从局部模拟结果看，城镇用地扩张区域主要分布在东阳镇、龙津镇等地，其中，两镇交界处和万埠镇垦殖场区域转换为城镇用地较为明显，2018年实际城镇用地增长部分也集中分布在东阳镇和龙津镇交界处和万埠镇垦殖场区域。因此，安义县城镇扩张Agent-CA模型预测具有一定的科学性和准确性。

表3 居民Agent选择偏好权重

图4 2018年实际与模拟城镇用地对比

3.3 模型对比及精度验证

与传统逻辑回归元胞自动机模型进行对比，检验城镇扩张Agent-CA模型的精度。通常使用逐点对比和整体验证法验证模型精度，本研究采用混淆矩阵Kappa系数对模拟结果精度进行评价。结果表明，城镇扩张Agent-CA模型模拟总体精度达98.23%，Kappa系数为0.687 4，相较于传统逻辑回归元胞自动机模型模拟精度为 97.96%，Kappa系数为0.619 2，精度有一定程度提高，模型精度混淆矩阵如表4所示。2018年模拟城镇用地正确率达84.67%(表4)。因此，顾及多智能体选择决策意愿的城镇扩张Agent-CA模型在城镇用地模拟方面具有更高的适用性和准确性。

表4 2018年城镇扩张Agent-CA模型精度混淆矩阵Tab.4 Agent-CA model accuracy confusion matrix for urban expansion in 2018

3.4 基于腐蚀膨胀的城镇开发边界划定

城镇扩张Agent-CA模型通过精度验证，因此，本研究采用Agent-CA模型进行安义县城镇扩张预测。以2018年作为城镇用地初始基期年份，选择2025年作为远景目标，通过调整模型相应参数和迭代次数，对2025年安义县城镇用地进行预测(图5a)。与2018年实际城镇用地对比，2025年安义县城镇用地扩张仍集中分布在中心城区附近，总体面积增长147.51 hm2，同时东阳镇城镇用地分布更为集中紧凑，万埠镇城镇用地面积呈现显著增长。

基于形态学腐蚀膨胀算法，对2025年城镇用地预测结果进行内部填充和边缘平滑，利用ArcScan工具进行两次膨胀操作和两次腐蚀操作，最后经过1次闭运算得到城镇用地发展边界范围，通过清理细小破碎的用地斑块和识别修改显著误差区来优化预测后的城镇用地布局，在布局优化后的城镇用地基础上最终划定2025年安义县城镇开发边界，结果如图5b所示。结合政府规划区数据进行对照验证，优化边界基本覆盖到安义县未来城镇用地发展的主要方向和范围，空间布局更为集中紧凑，有利于落实政府空间布局管控措施。

图5 基于形态学腐蚀膨胀的城镇开发边界划定

4 结论与讨论

4.1 结论

(1)基于生态和农业生产约束性因子，提取出生态和农业约束性等级。安义县生态保护强约束区域面积为262.17 km2，占总面积的39.87%，主要由于该县拥有圣水堂和梅岭国家森林公园。农业生产强和较强约束性区域主要沿潦河两岸平原分布，面积为164.51 km2，占总面积的24.99%。将中等以上约束等级区域作为生态和农业保护区，构建城镇扩张模拟刚性约束环境。

(2)政府Agent和居民Agent分别从宏观和微观层面影响城镇空间演变进程，结合智能体系统与逻辑回归元胞自动机模型模拟2018年城镇用地，并使用实际用地进行验证，模型模拟结果总体精度达98.23%，Kappa系数为0.687 4，相较于传统逻辑回归元胞自动机模型模拟精度有所提高。因此，城镇扩张Agent-CA模型具有较高的科学性和准确性。

(3)采用城镇扩张Agent-CA模型预测2025年安义县城镇用地空间布局，在预测结果基础上进行形态学腐蚀膨胀操作优化城镇用地布局，并最终划定2025年安义县城镇开发边界。

4.2 讨论

城镇扩张Agent-CA模型取得较好的模拟结果及现实应用情境，然而尚有不足之处，如模型中通过引入随机变量表示逻辑回归元胞自动机模型的不确定性，但其在现实中的含义却无法得到合理解释。同时，采用规则的100 m×100 m栅格格网作为元胞，其元胞大小尺度存在探讨的地方，而且根据相关学者的研究，基于矢量数据结构的元胞自动机模型可更精确模拟城镇系统复杂演化过程[31]。城镇扩张Agent-CA模型分别从宏观和微观上考虑了政府Agent和居民Agent两类智能决策主体，现实环境中影响城镇用地扩张的智能体更具有复杂性和多样性。因此，模型研究还具有较大局限性，后续需要加以改进和完善。