地理学报ACTA GEOGRAPHICA SINICA 第66卷第2期2011年2月V ol.66,No.2Feb.,2011区域尺度城市增长时空动态模型及其应用匡文慧1,刘纪远1,邵全琴1,何剑锋1,孙朝阳1,田汉勤2,班艺舫3(1.中国科学院地理科学与资源研究所，北京100101；2.美国奥本大学，奥本36849；3.瑞典皇家理工学院，斯德哥尔摩S-10044)摘要：区域尺度城市增长动态模拟(Reg-UGM)是城市化影响下的土地利用/覆盖变化以及全球环境变化研究的重要手段之一。
针对单个城市增长未来情景模拟难以在区域尺度刻画与解释城市化影响下的土地利用/覆盖变化以及与全球环境变化交互过程与作用机理主要问题，本研究集成人工神经网络模型(ANN)与元胞自动机模型(CA)构建适合不同情景的区域尺度城市增长动态模型，通过1979年以来高分辨率遥感信息探测获取的4个时段京津唐都市圈城市增长时空特征分析提取先验知识规则，模拟京津唐都市圈在基准模式、经济模式、政策模式与结构调整模式未来不同情景模式下城市增长过程。
研究表明，Reg-UGM 在模拟区域尺度受国家宏观政策等影响城市非线性增长过程具有较好的可靠性，为进一步研究城市化影响下的宏观生态效应提供前提保障。
模拟结果显示京津唐都市圈在不同情景模式下城市增长呈现较大的时空格局差异，未来城市增长结构调整模式更符合区域城市化的实际情况，未来区域城市增长将由特大城市向中小城市转移，滨海沿线城镇发展带将经历更快的城市增长过程。
关键词：城市增长；情景模拟；京津唐都市圈；GIS1引言城市化影响下的土地利用/覆盖变化(LUCC)被认为是引起全球气候变化和温室效应的重要因素，其中CO 2排放的80%来源于城市区域[1-3]。
城市扩张以及由此引起的地表不透水层的增长(Impervious Surface)在城市—区域乃至全球尺度的生物地球化学循环以及生物多样性的影响受到国际国内科学家的广泛关注[4-6]。
2005年IHDP 第15号报告《城市化与全球环境变化》提出通过时空尺度比较，人文科学与自然的学科交叉与耦合等方式加强在局地、区域以及全球尺度城市化与全球环境变化(UGEC)之间的交互与反馈的理解[7]。
城市系统动态模拟是深刻理解城市化对周边土地利用/覆盖变化影响机制，进而揭示其对全球环境变化影响的重要工具，成为当前研究的热点内容。
目前针对城市动态模拟发展了CA 模型、系统动力学模型和多主体模型(Multi-agent)等主流模型，对于单个城市的模拟产生了较好的模拟效果[8-12]。
但是，如何进行尺度拓展开展精准的区域尺度或全国尺度城市空间增长动态模拟仍然具有很大的挑战。
过去与未来时段城市化影响下的区域土地利收稿日期：2010-01-07;修订日期：2010-07-18基金项目：国家自然科学青年基金项目(40901224);国家“973”计划项目(2010CB950900);国家“863”计划项目(2009AA122002-3);遥感科学国家重点实验室开放基金项目(2009KFJJ005);国家资源与环境信息系统重点实验室开放基金项目(A0725);瑞典国际合作项目(2006-24724-44416-13)[Foundation:The Young ScientistFund of Nataional Natural Science Fundation of China,No.40901224;National High Technology Research andDevelopment Program,No.2009AA122002-3;National Key Technology R&D Program,No.2006BAC08B00;Opening Foundation of State Key Laboratory of Remote Sensing Science,No.2009KFJJ005;OpeningFoundation of State Key Lab of Resources and Environmental Information System,No.A0725;SwedishResearch Links,No.2006-24724-44416-13]作者简介：匡文慧(1978-),男,助研,博士后。
主要从事土地利用/覆盖变化和城市遥感应用研究。
E-mail:kuangwh1978@通讯作者：刘纪远(1947-),男,研究员,博士生导师。
中国自然资源学会理事长,主要从事资源环境遥感与土地利用/覆盖变化及其宏观生态效应研究。
E-mail:liujy@178-188页2期匡文慧等：区域尺度城市增长时空动态模型及其应用用/覆盖变化研究是揭示在人类剧烈活动与全球气候变化双重影响下的陆地生态系统、大气系统与土地利用/覆盖变化之间交互与作用机理研究的一项重要内容。
区域或全国尺度城市增长模拟是大尺度城市化影响下的土地利用/覆盖变化以及城市化与环境变化交互机理研究的重要手段。
京津唐都市圈成为继长江三角洲、珠江三角洲城市群中国经济增长的第三极，作为北方地区经济发展重心，在中国政治、经济发展中起着重要的战略地位。
该区位于中国生态环境脆弱带边缘，尤其是北京、天津、唐山等地严重缺水成为中国3大城市群水资源短缺最为严重的都市圈之一[13-14]。
1978年改革开放以来，都市圈城市快速发展与高强度开发，特别是大规模科技园区、经济园区与工业园区等新开发区建设，都市圈正呈现城市“蔓延式”与“冒进式”增长，并形成大都市连绵带，向着区域城市化过程发展，城市快速增长与水土资源矛盾日益突出[15-16]。
京津唐都市圈未来城市增长的精准模拟与预测将对缓减这一矛盾具有重要参考价值。
基于上述背景，本研究集成人工神经网络模型(ANN)与元胞自动机模型(CA)构建适合不同情景的区域尺度城市增长动态模型(Reg-UGM)，通过1979年以来高分辨率遥感信息探测获取的4个时段京津唐都市圈城市增长时空特征分析提取先验知识规则，模拟京津唐都市圈在基准模式、经济模式、政策模式与结构调整模式未来不同情景模式城市增长过程。
区域尺度城市增长动态模型为进一步在更大尺度研究城市增长以及全球环境变化带来的影响提供方法基础，研究结果为京津唐都市圈城市增长管理规划提供科学参考。
2模型结构与研究方法2.1模型概念结构与基本功能城市增长过程即农村用地向城市用地的转化受到自然条件限制、社会经济因素、交通道路等区位因素以及人文政策等多重因素综合作用的复杂过程。
区域尺度城市土地利用扩张模型表达为：t Ux,y=f(S x,y,t N x,y,t E x,y,t L x,y,t P x,y,)(1)式中：t U x,y表示城市在t时段的增长过程；t S x,y表示土地用途以及自身的邻域状态；t N x,y表示自然影响因素，包括地形因子、水域控制等；t E x,y表示社会经济因子，主要包括GDP、国外投资、产业结构等因子对城市增长产生的影响。
t L x,y表示城市交通道路、环城公路、铁路等区位因素对城市空间增长的牵引作用。
t P x,y主要指区域发展战略与土地利用政策对城市增长的影响。
根据模型的功能结构特征，模型分为区域城市增长动态格局分析模块、需求分析与情景模块、空间影响因素分析模块以及空间配置与预测模块共4个模块(图1)。
需求分析与情景模图1区域尺度城市增长动态模型(Reg-UGM)概念与功能结构Fig.1Conception frame and structure of Reg-UGM model179地理学报66卷180块由于研究区城市增长在不同时段受到人文经济、国土政策与区域发展战略的影响，区域城市增长具有高度时空差异性与突变特征，所以预测不同情景模式下城市增长面积未使用简单的回归模型，在对过去城市增长与人口经济之间关系分析中，发现GDP变化、城市化水平与常住人口变化的用地指标是表达城市增长的有效指标，本研究发展如下不同情景城市面积增长预测模型：△U=α×△Pop×Index s(△Pop)+β×△GDP×Index s(△GDP)+γ×△Ur×Index s(△Ur)(2) s式中：U s表示不同情景下城市增长面积；α、β、γ为城市常住人口、GDP与城市化水平对城市增长的贡献系数，主要通过过去时段数据回归分析获取参数；ΔPop、ΔGDP、ΔUr 为城市常住人口、GDP与城市水平变化数值，参考区域规划设定不同增长速度计算；Index s(ΔPop)、Index s(ΔGDP)、Index s(ΔUr)为不同情景模式下城市常住人口、GDP与城市水平变化城市用地指标，依据过去不同时段城市增长模式计算用地指标。
Reg-UGM模型重要内核空间影响因素分析模块采用美国Purdue大学Human-Environment Modeling and Analysis(HEMA)实验室开发的基于神经网络模型的土地利用预测模型Land transform model(LTM)[12]。
该模型能够通过神经网络技术机器学习与训练法自动获取土地利用变化驱动因素的空间交互规则，模型内容包括输入、输出、隐含层节点的创建，驱动变量与土地利用变化信息训练样本获取，驱动变量因素回归与循环，驱动变量因素权重识别以及精度评价5个部分。
2.2模拟方法与技术流程依据上述模型结构，采用如下技术方法实现：①基于1979、1990、1995、2000与2005年4个时段研究区城市土地利用变化时空信息分析不同时段城市增长时空格局与人文驱动机制，挖掘城市增长的先验知识规则并设定城市未来增长的不同情景方案；②针对研究区在不同时段受到人文政策与区域发展战略的影响，区域城市增长具有高度时空差异性与突变特征，选择区域城市常住人口、GDP与城市化水平的变化量作为表达城市增长的面积特征，设定在上述不同情景下的城市常住人口、GDP与城市化水平指标，预测不同情景下的城市用地面积增长；③建立研究区300m×300m网格系统，生成城市用地空间比例数据，在研究区城市面积总量控制下转化为(0,1)空间网格数据；④识别影响区域城市增长重要空间影响因素，选择距离城市中心、副中心的距离，距离海岸带距离，一般公路、高速公路、铁路的距离、邻域规则以及河流距离等主要指标生成300m×300m网格；⑤应用成熟的基于神经网络模型(ANN)发展的Land transform model(LTM)[12]输入上述空间数据，模拟过去不同时段城市增长潜力并进行精度分析；⑥以2005年作为现状年，设定不同情景模式，模拟未来城市增长动态格局。