将深度学习与基于补丁的多层元胞自动机相结合用于城市增长模拟：以珠江三角洲城市群为例

《Resources, Environment and Sustainability》：Integrating deep learning with patch-based multilevel cellular automata for urban growth simulation: A case study of the Pearl River Delta urban agglomeration

未来城市扩张模拟与规划策略研究

　　### 模型开发与区域研究背景

在现代城市化进程不断加快的背景下，准确模拟城市空间演变成为区域土地资源分配和可持续发展战略制定的重要基础。然而，现有研究在构建基于细胞自动机（CA）的城市扩张模型时，往往忽视了对历史发展过程的时空协同考虑，导致模型在模拟过程中难以充分捕捉土地利用变化的复杂性。此外，传统的像素级空间分析单位容易产生与实际不符的碎片化模拟结果，从而影响模型的预测精度和应用价值。为解决上述问题，本研究提出了一种新型的时空协同卷积与基于块的多级CA模型（SC-Pb-CA），并将其应用于珠江三角洲（PRD）城市群的城市扩张模拟。该模型在模拟精度方面显著优于传统的混合模型，其Kappa指数和图幅质量（FoM）指标分别提升了0.011–0.049和3.9%–28%。此外，多情景模拟表明，珠江三角洲地区的城市扩张趋势在未来仍将持续，尤其是在经济优先发展的场景下，预计到2025年、2035年和2050年，城市用地面积将分别增加17.86×10^4公顷、30.23×10^4公顷和48.12×10^4公顷。相比之下，综合经济与生态发展（IEED）场景下的城市用地面积为80.34×10^4公顷，未超过区域规划规定的1.3倍上限，更符合未来可持续发展的要求。

### 研究区域与数据来源

珠江三角洲城市群位于中国广东省，地理坐标为21°32′N到24°26′N，111°20′E到115°24′E，是粤港澳大湾区的核心区域。该区域由广东省的九个城市组成，总面积约为55,000平方公里，涵盖了珠三角城市群的主要城市，包括广州、深圳、珠海、东莞、佛山、中山、惠州、江门和肇庆。作为中国改革开放的前沿和重要的经济增长极，珠江三角洲城市群贡献了全国8.5%的GDP，仅占全国0.6%的土地面积，显示出高密度的城市景观，城市化率超过87%。自1980年以来，珠江三角洲的城市建成区面积以年均6.8%的速度迅速扩张，从不足300平方公里增长至超过13,000平方公里。然而，这种以增长为导向的发展模式导致了空间扩张的碎片化和蔓延，进而引发了严重的生态环境问题。因此，精确模拟城市空间扩张对于揭示未来空间演变模式，为土地资源分配和生态保护提供科学依据具有重要意义。同时，珠江三角洲城市群的研究成果也能为全球其他快速城市化的地区提供空间治理的参考。

### 方法论：SC-Pb-CA模型的构建

本研究开发的SC-Pb-CA模型主要由三个部分组成：1）基于SCCNN模型的城市发展适宜性提取；2）通过生态系统服务包进行空间约束分区；3）基于块的多级CA框架用于模拟城市扩张。模型的训练和模拟流程在Python 3.10环境中完成，使用PyCharm作为集成开发环境，并主要依赖TensorFlow深度学习框架以及os、numpy、imageio、scipy、pandas、sklearn、keras、rasterio和matplotlib等开源库。计算任务在配备13代Intel? Core? i9-13900H处理器、32GB内存、1TB SSD存储和NVIDIA GeForce RTX 4060 GPU的硬件平台上执行。

#### 3.1.1. 基于SCCNN模型的城市发展适宜性提取

为了更精确地模拟城市土地变化，需要深入理解城市扩张的内在机制。城市土地变化不仅受到空间相关性的影响，还受到时间依赖性的制约。传统的卷积神经网络（CNN）模型主要关注空间维度，而SCCNN模型则通过引入时间维度，实现了对时空协同特征的提取。具体而言，SCCNN模型利用三维卷积核在由时间序列驱动变量构成的时空立方体上滑动，以捕捉城市扩张与空间驱动变量之间的非线性关系。通过这种方式，模型能够识别未来城市发展的潜力，从而提高模拟的准确性。

#### 3.1.2. 基于生态系统服务包的空间约束分区

在基于CA的城市模拟模型中，空间约束是构建转换规则的关键组成部分。然而，大多数研究使用单一的空间约束（如河流和自然保护区）进行模拟，这种方法往往具有主观性和局限性。本研究尝试基于生态系统服务包进行空间约束分区，以更科学和系统化的方式模拟城市扩张过程。具体步骤包括：1）量化研究区域内的六种关键生态系统服务；2）利用R语言中的“kohonen”包进行自组织映射（SOM），识别生态系统服务包（ESBs）；3）对ESB地图进行分类和叠加，以生成空间约束区域。通过这一方法，模型能够更准确地反映城市扩张与生态服务之间的关系，从而在模拟过程中引入合理的生态约束。

#### 3.1.3. 基于块的多级CA模型用于城市扩张模拟

传统的CA模型通常以像素或网格为基本单元，通过土地利用类型之间的竞争关系模拟土地变化。然而，这种方法容易导致模拟结果的碎片化，无法准确反映真实的城市扩张模式。为此，本研究构建了一种基于块的多级CA模型，该模型通过多级调控机制，调节城市形态的演变过程。模型首先根据历史比例确定块的类型（有机块或自发块），然后通过对数正态分布分配块的大小，再结合邻近块生成机制进行形态调整。有机块通常指与现有城市块相邻的新开发城市块，而自发块则指不与现有城市块相邻的块。通过这种方式，模型能够更真实地模拟城市扩张的空间格局，从而提高模拟的准确性。

### 模型训练与应用

在模型训练阶段，我们采用了2015年的城市土地数据以及2000年至2015年的空间驱动变量数据。训练完成后，模型利用2020年的城市土地需求和2000年至2020年的空间驱动变量数据进行模拟。通过对比2020年实际城市土地分布与模拟结果，验证了模型的准确性。此外，我们还对结合六种主流机器学习算法的混合模型进行了比较分析，结果表明SC-Pb-CA模型在模拟精度方面显著优于其他模型，其Kappa指数和FoM指数分别提升了0.011–0.049和3.9%–28%。

#### 3.2.1. 基于扩展模式分析策略（EPAS）的样本选择

为了确保模型训练的有效性，我们采用了扩展模式分析策略（EPAS）进行样本选择。该策略通过分析城市扩张模式，对变化和未变化区域的像素进行差异化采样，从而构建全面的训练集。最终，我们确定了5%的采样比例，并将70%的样本（36,233个）作为训练集，15%（7,764个）作为验证集，15%（7,764个）作为测试集。这一策略确保了模型在不同时间点和空间尺度上的泛化能力。

#### 3.2.2. 模型应用与精度评估

模型的精度评估主要通过Kappa指数和FoM指数进行。Kappa指数用于衡量模拟结果与实际数据之间的吻合度，而FoM指数则用于评估模型在模拟城市扩张方面的表现。结果表明，SC-Pb-CA模型在Kappa指数和FoM指数上均优于传统模型，显示出其在捕捉城市土地变化时空特征方面的优势。

### 多情景模拟结果

通过多情景模拟，我们发现珠江三角洲城市群的城市扩张趋势在未来仍然显著，尤其是在经济优先发展的场景下。预计到2025年、2035年和2050年，城市用地面积将分别增加17.86×10^4公顷、30.23×10^4公顷和48.12×10^4公顷。相比之下，综合经济与生态发展（IEED）场景下的城市用地面积为80.34×10^4公顷，未超过区域规划规定的1.3倍上限，更符合未来可持续发展的要求。此外，高密度（HC）和低密度（LC）发展策略的比较显示，HC策略更有利于高密度城市的空间紧凑发展，而LC策略则可能导致分散化扩张。这些结果强调了在城市扩张过程中，需要结合经济与生态因素，以实现可持续发展。

### 模型优势与局限性

SC-Pb-CA模型的一个显著优势是其能够综合考虑空间相关性和时间依赖性，从而提高模拟的准确性。与传统的CNN模型相比，SCCNN模型通过引入时间维度，实现了对时空协同特征的提取。这种模型不仅能够识别城市扩张的潜力，还能在模拟过程中动态调整不同时间点的重要性。然而，该模型也存在一些局限性。首先，模型需要处理大量的时空变量数据，单次训练和模拟过程可能需要46小时和12小时，这对计算资源提出了较高的要求。其次，该模型主要适用于城市扩张的场景，对于模拟城市收缩（负增长）的情况则不适用。此外，尽管模型在模拟精度方面表现优异，但在城市与农村交界处仍存在一些系统性误差，这需要在未来的模型优化中加以解决。

### 多情景模拟对未来城市空间发展的启示

多情景模拟结果表明，珠江三角洲城市群的城市扩张在未来是不可避免的趋势。然而，不同情景下的扩张模式和影响存在显著差异。在经济优先发展（EDP）和“照常发展”（BAU）情景下，到2035年，城市用地面积预计将分别达到98.08×10^4公顷和95.07×10^4公顷，远超区域规划规定的1.3倍上限。这表明，单纯追求经济增长或维持现有发展模式不利于区域的可持续发展。相比之下，综合经济与生态发展（IEED）情景下的城市用地面积更接近规划上限，显示出其在可持续发展中的可行性。因此，未来珠江三角洲城市群的城市空间发展应从单纯追求经济增长转向高质量发展，以实现经济与生态的协调发展。

### 未来展望与改进方向

尽管本研究的SC-Pb-CA模型在模拟精度和结果上表现优异，但仍存在一些需要改进的方面。首先，未来情景配置需要考虑更多的不确定性因素，如政府规划、政策实施和人类活动等，这些因素往往具有不可预测性和复杂性。因此，模型的进一步优化和参数调整将有助于提高情景预测的准确性。其次，空间尺度的考虑仍然不足，大多数研究使用常规的空间分辨率（如1公里、100米或30米），缺乏对多尺度或更精细尺度的分析。虽然空间分辨率的提升有助于提高模拟的精度，但也可能增加计算复杂度，对硬件和计算效率提出更高要求。最后，随着空间大数据和人工智能技术的快速发展，需要进一步改进空间特征提取方法和模拟建模框架，以保持方法的新颖性和提高计算效率。