国土空间规划双评价情景分析

[摘要]常见的情景分析法仅有文字描述，而国土空间规划对空间落脚点的需求更强，有空间布局的情景分析，能更明确地为国土空间规划提供策略支撑。以江汉平原某市为例，考虑地形、区位、地质灾害、水域及水利设施、交通路网、人口等对空间格局有重要影响的因素，将各因素配置成不同情景，通过人工神经网络（ANN）提取不同情景下地类变换规则，将某市2019年土地利用数据作为起始年份数据，在元胞自动机（CA）中应用提取的规则进行演变，将预测的城镇用地规模作为演变终止条件，模拟出某市2035年的国土空间格局，为国土空间规划提供多方案比选。

[关键词]双评价；国土空间规划；情景分析；ANN；CA

根据《资源环境承载能力和国土空间开发适宜性评价指南（试行）》（以下简称《指南》），双评价是国土空间规划重要的前期评价工作，要为国土空间规划提供理论基础与策略支撑。情景分析是双评价中针对不同情景进行分析，为国土空间规划提供多方案比选的工作内容，但《指南》并未明确情景分析的详细方法，作者探索了一种情景分析方法，以供参考。本方法的创新点在于，使用了ANN-CA模型，将地形、基础设施建设等影响因素对土地利用类型的影响结果直接落实到空间布局上，相较于常见的文字、数据版情景分析，能够更直观、更清晰地表达各因子对国土空间格局影响的结果，对国土空间规划的支撑作用也更强。ANN-CA模型在土地利用方面的应用已经有许多实践，孙玮健等利用ANN-CA模型研究了哈尔滨市双城区的土地利用格局变化及驱动机制；张鹏等用其研究了南昌市“三生”空间的时空格局演化特征；幸瑞燊用其模拟了重庆市万州区的生态空间布局，并进行了生境质量评估。ANN-CA模型的模拟精度已经经过实践得到了认可，本方法在前人研究的基础上进行了改良，对驱动因子也设置了多情景，从而直接在结果中体现不同人口、不同基础设施建设情景等对土地利用变化的影响。

1研究方法

1.1ANN-CA模型

ANN-CA模型，即人工神经网络-元胞自动机模型。元胞自动机是一种时间、空间和状态都离散，空间相互作用和时间因果关系都为局部的网格动力学模型，实现了自下而上模拟复杂系统时空演化的过程。每个元胞的状态由其相邻的元胞的状态决定，当为其制定转换规则后，所有元胞便能依据转换规则自行演变，因此其核心在于转换规则。人工神经网络具有自学习以及联想功能，能够高速寻找优化解，通过人工神经网络模型学习土地利用数据变化的规则，将提取的规则应用于起始年份的栅格数据，就能在元胞自动机中完成模拟预测的过程。

1.2技术路线

本研究依托国土空间规划项目，能够获得某市第二次和第三次全国土地调查数据。将某市土地调查数据地类重新分为耕地、林地、园地、其他农用地、城镇用地、村庄、采矿用地、其他建设用地、水域、其他土地共十个用地类型，并转换成栅格数据。利用人工神经网络学习方法，提取某市2009年土地利用数据不同地类演变到2018年的规律（因2009-2018年数据为第二次全国土地调查数据，其地类涵义一致，用其推演较为准确），再以第三次全国土地调查数据重分类后的栅格数据作为起始年份数据，加入不同情景的驱动因子栅格数据，应用神经网络学习的地类演变规律，在CA元胞自动机中进行自动演变，将不同情景预测的城镇建设用地总规模，作为演变终止的条件，推演不同情景下某市2035年国土空间格局（图1）。

2情景设置

2.1重大影响因素

2.1.1地形因素。地形是影响国土空间格局的重要因素之一，地势越平坦，越适宜开展人类活动。高程太高、坡度太大的区域则不适宜开展城镇建设或耕地种植。选取高程（图2）和坡度（图3）作为地形驱动因子。某市西北部和中东部有山脉，其余区域较为平坦。2.1.2区位。区域到中心城区的可达性会影响区域受到中心城区辐射的强弱。越容易到达中心城区，越容易受到中心城区的辐射影响，对区域发展越容易起到促进作用。采用百度地图交通时间数据进行插值分析，得到某市全域到中心城区的可达性图层（图4）。2.1.3地质灾害。某市北部的山脉附近地质灾害较容易发生，且地震断裂带多分布于此。地质灾害对人类的生命财产破坏力极强，在地质灾害易发生区域不适宜开展人类活动，因此将地质灾害危险性（图5）作为影响空间格局的重要因素之一。2.1.4水域及水利设施。水资源对生态、生产、生活都有着重要的影响力，某市位于汉江中下游，境内水系发达，河流湖泊水库众多，一般情况下是不缺水的，以水资源总量作为影响因子的意义不大，因此以水资源获取的难易程度，即水域及水利设施可达性（图6）作为对区域发展的驱动因子。提取某市第三次土地调查数据中的水域及水利设施，分析各单元到达水域及水利设施的距离。因未获取到规划水利设施数据，仅从现状数据考虑，未设置多情景。2.1.5交通路网。提取某市第三次土地调查数据中道路数据，结合规划道路，按照现状道路、规划道路部分建成、规划道路全部建成三种时态，分为低密度路网、中密度路网和高密度路网三种情景，如图7所示。2.1.6人口。某市2019年常住人口289.75万人，城镇化率60.1%。根据某市2014-2019年统计年鉴数据，结合某市2035年发展目标，预测在稳健、基准和乐观三种情景下，某市城镇化率分别为68%、70%和72%，对应的常住人口数量和城镇人口数量如表1所示。

2.2情景配置

综合以上七种重要的影响因子，配置稳健、基准、优化三种情景。地形、区位、地质灾害危险性、水域及水利设施是基础驱动因子，三种情景是相同的；其余因子为动态因子，不同的情景对应不同的值。动态因子中人口和城镇人均建设用地可以计算出城镇建设用地总规模，从而设置演变结束条件。交通路网则影响地类单元格变化的概率和地类。各情景的具体配置情况如表3所示。

3情景模拟结果

使用ANN-CA模型工具对2009年和2018年土地利用栅格数据进行人工神经网络学习，分别添加三种情景对应的驱动因子归一化处理后的数据，根据实际的地类转换关系设置好地类转换矩阵，待学习结束后，用三调地类转换的栅格数据（2019年）作为起始年份数据，推演2035年空间格局，最终结果如图8所示。

4总结

稳健、基准、优化三种情景分析对应的城镇用地占全域比例分别为2.88%、3.24%、3.60%。从空间布局来看，中心城区及各县市的城镇用地均有扩张，中心城区主要向西南方向扩张，与某市规划发展方向一致，可以从空间上为国土空间规划中城镇建设用地布局、城镇开发边界划定提供参考。本次情景分析有以下不足：（1）收集到的资料有限，未能考虑规划的重大水利设施以及气候变化因素对空间格局的影响。（2）为了贴合实际地类转化规律，例如城乡建设用地增减挂钩、废弃工矿废弃地复垦等等，将用地类型分得比较细，这样的优点是比较贴合实际土地转换规律，但分类太多人工神经网络学习的精度会有所降低。（3）模拟结束条件——城镇建设用地总规模，是依据预测人口和城镇人均建设用地确定的，而目前的理念是“量水发展”，若能“以水定人，以水定地，以水定城，以水定产”，会更符合现在的规划理念。

[参考文献]

[1]吴丹.基于超级学习和元胞自动机模型的国土空间优化研究[D].北京:中国地质大学,2019.

[2]漆潇潇,陈明.国土空间演变的情景要素研究—以湖南省为例[J].现代商业,2014(27):60-63.

[3]招晖.基于Flus模型的城镇建设适宜性评价结果分析—以佛山市为例[A].中国城市规划学会、重庆市人民政府.活力城乡美好人居—2019中国城市规划年会论文集（05城市规划新技术应用）[C].中国城市规划学会、重庆市人民政府:中国城市规划学会,2019:14.

[4]康俊锋,李爽,方雷.云环境下基于CA-Markov的土地利用变化预测方法[J].武汉大学学报(信息科学版),2020,45(07):1021-1026+1034.

[5]孙玮健,张荣群,艾东,等.基于元胞自动机模型的土地利用情景模拟与驱动力分析[J].农业机械学报,2017,48(S1):254-261.

[6]周道静,徐勇,王亚飞,等.国土空间格局优化中的“双评价”方法与作用[J].中国科学院院刊,2020,35(07):814-824.

[7]赵轩,彭建东,樊智宇,等.“双评价”视角下基于FLUS模型的武汉大都市区土地利用模拟和城镇开发边界划定研究[J].地球信息科学学报,2020,22(11):2212-2226.

[8]张鹏,李庆.南昌市“三生”空间时空格局演化特征分析与预测[J].国土资源科技管理,2020,37(06):60-75.

[9]幸瑞燊.基于Ann-CA-Markov模型的生态空间布局变化模拟及其生境质量评估研究[D].重庆:重庆工商大学,2020.

作者：田清 詹晨宇 冯佳欣 邵威 单位：中部自然资源工程技术（湖北）有限公司