基于GA—BP神經網絡的鄭州市土地集約利用時空差異分析

摘要：對河南省鄭州市2008-2012年城市發展狀況進行分析，從土地投入強度、土地利用強度、土地利用效益及生態環境4個方面選取13個指標構建土地集約利用評價體系，采用GA-BP網絡模型，評價5年內鄭州市土地集約利用水平。結果表明：1）GA—BP網絡能夠提高網絡收斂速度，優化網絡結構，算法具有有效性；2）鄭州市近五年來土地集約利用水平處于不斷上升階段，其中市區城市土地集約度分值分別為0.610 7，0.644 3，0.661 8，0.701 2，0.705 8；中心城區、縣級市和開發區土地集約利用水平有一定差距，但都有不同程度的提高，需要根據各地區情況，合理規劃，進行土地資源利用挖潛。

關鍵詞：土地集約利用；遺傳算法；神經網絡；鄭州市

中圖分類號：F293.2 文獻標識碼：A 文章編號：0439-8114（2015）05-1270-06

DOI：10.14088/j.cnki.issn0439-8114.2015.05.059

Abstract： The land use status of Zhengzhou city during 2008-2012 was analyzed. 13 indexes from four aspects including the land investment intensity， land use intensity， land use efficiency and the ecological environment were selected to construct the evaluation system of land intensive use. The GA-BP network model was used to evaluate the land intensive use level of Zhengzhou city in the last five years. The results showed that the GA-BP algorithm run with better efficiency. The level of intensive use of land was in the rising stages in Zhengzhou city. The land intensive use level of center city， county-level city and development zone had a certain gap， but all was improved to a certain degree. Some advices on intensive use of urban land were put forward.

Key words：urban land use intensity； BP neural network； genetic algorithms（GA）； Zhengzhou city

新型城鎮化建設的目標是建立資源節約、環境友好、經濟高效、社會和諧、大中小城市和小城鎮協調發展的城鎮[1]，實現城鄉可持續發展，這表明現階段中國城鎮化發展需要由速度擴張向質量提升“轉型”，對現有城鄉建設用地的存量用地進行優化與挖掘，在有限的土地上優化城市布局，提高土地資源配置效率，提升城鎮用地集約利用水平。

目前中國城鎮土地集約利用水平定量化工作多采用綜合評價方法，利用多因素綜合評價模型、主成分分析模型、模糊綜合評價模型、理想值修正模型等，構建評價指標體系，采用層次分析法、特爾斐法等確定指標權重，以各指標值的線性權重值確定土地利用集約度，實質是找出多個評價指標與土地利用集約度間的關系。其前提是假設兩者間存在線性關系，但實際上兩者間的映射不完全為線性，這種假設將導致評價結果的客觀性降低。而反向傳播神經網絡（Back-Propagation artificial neural network，BP網絡）具有非線性映射能力，只要有足夠的訓練樣本就可以完成由n維輸入空間到m維輸出空間的非線性映射，能夠在一定程度上消除主觀判斷對最終結果的誤導，已經成為土地集約利用定量化評價的重要手段之一[2-5]。但它本身也存在不足，如學習收斂速度較慢，網絡節點難以確定等問題。本研究嘗試采用遺傳算法改進BP網絡系統，優化評價模型中的網絡結構，客觀分析研究區在新型城鎮化發展背景下的土地集約利用狀況。

1 GA-BP網絡算法

1.1 BP神經網絡

任何一個在閉區間內的連續函數都可以用1個3層BP網絡（包含1個輸入層、1個隱含層、1個輸出層）逼近[6]。其學習過程由信號的正向傳播與誤差的逆向傳播兩個過程組成。正向傳播過程中，先將輸入樣本導入輸入層，經過隱含層的處理后導向輸出層。如果輸出信號與期望信號不符，即誤差不在可允許范圍之內，則轉入誤差的反向傳播過程，將輸出誤差以某種形式反饋到隱含層，再傳向輸入層，通過誤差的反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，修正權值。權值不斷調整的過程，也就是網絡的學習訓練過程。多次反復進行此過程，直到網絡的輸出值與期望值之間的誤差達到要求，或者進行到預先設定的學習次數為止。

1.2 遺傳算法（Genetic algorithms，GA）

遺傳算法主要包括3個要素：染色體表示、適應度函數確定、遺傳操作。算法先隨機產生若干個要求解問題的數字編碼（染色體），形成初始種群；通過適應度函數對每個個體進行評價，剔除適應度低的個體，對適應度高的個體進行遺傳操作形成新的種群，再繼續對新種群進行新一輪的進化。算法終止有3類情況：完成預先給定的進化代數后可以停止；種群中的最優個體在連續多代沒有進化或平均適應度在連續多代基本沒有進化時停止；問題最優解達到某一事先確定好的精度時停止。

1.3 基于GA的BP優化

神經網絡的結構包括網絡的連接方式和節點轉換函數兩部分。當BP網絡結構確定之后，神經網絡才開始連接權的進化。因此，良好的神經網絡結構設計是神經網絡應用的關鍵性問題。對于給定問題，如果僅有很少連接權和隱節點，則神經網絡的處理能力有限；但如果連接權和隱節點過多，網絡處理對數據的選擇性與響應不足，泛化能力較差。目前常規BP網絡多采用湊試法、增購法等進行結構設計，主觀性較強。同時，BP的網絡輸入和權值矩陣決定了最終輸出值，因此，網絡誤差可以表示為由網絡輸入、期望輸出和連接權值空間組成的誤差曲面，其全局最小誤差不惟一，在某些初始條件下算法結果將陷入局部極小點。而且，網絡學習訓練過程中的誤差反傳在相關數據龐大、非線性關系復雜的條件下，將導致算法收斂速度過慢，難以達到預期目標。

與之相比，GA算法采用多點搜索，具有較好的全局搜索性，可以減少BP網絡對初始權值的敏感性，降低陷入局部優解的概率；同時，GA算法不要求誤差函數的可微分性，因此在誤差函數中根據實際增加某些懲罰項，保證概率規則在解空間搜索優化解區域，優化網絡結構和連接權系數，搜索效率較優。

本研究采用遺傳算法優化3層BP網絡連接權和拓撲結構：先用遺傳算法在隨機點通過選擇交叉變異操作優化出初始值，并將此值作為BP神經網絡算法的初始權值，根據此權值由BP神經網絡對輸入數據進行訓練操作，得到最終結果。算法描述如下：①初始化種群（取50），包括交叉概率，高斯變異概率以及對權值和連接權初始化；②計算個體適應度并排序；③以交叉概率對相鄰個體進行交叉操作，產生新的相鄰個體；④利用高斯變異使個體發生變異，產生新個體；⑤把新個體放至種群內求出新個體的評價函數；⑥計算BP神經網絡的誤差平方和，若達到預定值，轉至⑦，否則轉到③并繼續執行之后的操作；⑦采用遺傳算法優化后的值作為初始權值，加入到BP神經網絡算法之中進行訓練，直到滿足規定的精度。

2 鄭州市城鎮化發展概況

鄭州市地處黃河中下游，處于伏牛山脈東北翼向黃淮平原過渡的交接地帶，地理坐標為東經112°42′—114°14′、北緯34°16′—34°58′，東接開封，西依洛陽，北臨黃河與新鄉、焦作相望，南部與許昌、平頂山接壤。

鄭州市是中原經濟區的核心增長區，構建統籌城鄉的新型城鎮化支撐體系，把城鎮化發展作為中原經濟區建設的關鍵舉措是《中原經濟區建設綱要》的重要內容之一。在此背景下，鄭州市土地資源配置格局發生了巨大變化。2000年以前城市建設用地主要沿主城區向四周擴散。2000年后相繼建設開發了面積為15 000 hm2的鄭東新區、總規劃面積18 600 hm2的高新技術開發區及總規劃面積為1 250 hm2的經濟技術開發區。截止到2013年末，鄭州市轄6個市轄區（中原區、二七區、金水區、惠濟區、管城區、上街區）、5個縣級市（鞏義市、新鄭市、登封市、新密市、滎陽市）、1個縣（中牟縣），另設省級新區鄭州新區、1個國家級高新技術產業開發區、1個國家級經濟技術開發區、1個國家級綜合保稅區、1個國家級航空經濟綜合實驗區。規劃面積170 000 hm2，市區面積為101 030 hm2，市區人口472.8萬人，城區人口316.66萬人，建成區面積37 296.3 hm2，城市建設用地33 538 hm2，居住用地8 654 hm2，公共服務設施用地5 035 hm2，商服用地1 221 hm2，工業用地3 031 hm2，倉儲用地1 365 hm2，道路交通用地5 953 hm2，公共設施用地1 356 hm2，綠地面積6 923 hm2。

3 基于GA-BP網絡的城市土地集約利用評價實例

3.1 城市土地集約利用評價的指標體系

城市土地系統是一個動態的、區域性的系統，目前為止還不存在一個適合所有城市土地集約利用評價的統一標準。本研究在參考相關研究成果和基礎理論指導下[7-13]，綜合考慮指標的可獲取性與獨立性，結合現有城鎮化發展評價的相關指標，從土地投入強度、土地利用強度、土地利用效益及生態環境4個方面構建包括13個指標的評價指標體系。土地投入強度包括地均固定資產投入（q1）、地均基本建設投資（q2）、每萬人擁有公共汽車數（q3）、人均擁有道路面積（q4）4個指標，土地利用強度包括人口密度（q5）、人均建設用地面積（q6）、城市平均容積率（q7）3個指標，土地利用效益包括人均GDP（q8）、地均工業產值（q9）、地均社會消費品零售額（q10）3個指標，生態環境包括萬元GDP能耗（q11）、人均公共綠地面積（q12）和工業二氧化硫排放量（q13）3個指標。

3.2 城市土地集約利用評價等級劃分

參照《中國城市建設統計年鑒》（2009-2013）、《中國統計年鑒》（2009-2013）、《河南統計年鑒》（2009-2013），《鄭州市統計年鑒》（2009-2012），鄭州市各區經濟公報，以及《城市用地分類與規劃建設用地標準（GBJ137-90）》等相關資料，確定城市土地過度利用、集約利用、適度利用、低度利用的評價標準（表1）。

參考與鄭州市經濟發展水平相近、城市規模相當的10個城市土地利用相關指標值，建立評價指標分級標準（表2）。

對原始數據采用極差化法進行數據無量綱化處理，并采用線性內插法得到訓練數據，部分訓練數據見表3。

3.3 GA-BP神經網絡模型的實現

采用MATLAB（r2009a版）實現GA-BP網絡模型的搭建。在MATLAB中，用NEWFF函數確定網絡層數、每層中的神經元數和傳遞函數；調用INIT函數，用缺省參數初始化網絡中各個權重和偏置量，產生一個可訓練的前饋網絡，即該函數的返回值NET。主要參數設置如下：net.trainParam.show=10；（訓練顯示間隔），net.trainParam.epochs=2000；（最大訓練次數），net.trainParam.goal=1.0e-16；（收斂誤差界值），net.trainParam.min_grad=1e-10；（最小梯度），net.trainParam.lr=0.1；（學習步長）

測試中將BP神經網絡模型的最大訓練次數設定為2000，最小均方誤差為10-16，設定遺傳算法的種群規模為50，遺傳代數為100。在網絡訓練到2000次時，均方誤差已經達到10-15（圖1）；在進化到80代左右，誤差平方和接近0值，適應度也趨于穩定并達到預定要求（圖2、圖3）。

以下表格為BP算法和GA優化方法的訓練結果對比分析（表4、表5）。

從兩種方法所需要的迭代（表4）及GA同時優化BP的結構和權值實驗結果（表5）可以看出，隱含神經元最優數目為6和7。在相同條件下，由于隱含神經元數目能夠通過自適應方式進行確定，因此嘗試次數減少，收斂速度明顯提高。

4 評價結果分析與建議

根據建立好的網絡，導入研究地區2008-2012年各區各項指標值，得出各區5年內城市土地集約度分值，分別為0.610 7，0.644 3，0.661 8，0.701 2，0.705 8。導入轄區各區、縣、開發區指標（不包括鄭州新區、航空港新區），得到各子區土地集約利用分值（圖4）。

4.1 城市土地利用集約利用水平表現為顯著的時空分異特征

分析結果表明，鄭州市近5年的土地集約利用程度逐年提高，逐步從適度利用向集約利用過渡。各區縣分值大體趨勢與市區類似，土地利用整體趨向于集約利用。各區土地集約度存在一定區域差異，整體分布表現為從城市中心到城市外圍由高到低的趨勢：中原區、二七區5年間的集約度都是最高的，處于集約狀態；管城區、金水區、上街區和惠濟區次之，與所轄各縣級市的土地集約度持平，屬于適度到集約狀態；經濟開發區和高新技術開發區的集約度值較高，處于集約向高度集約發展態勢。可以預測，在既定的城市發展目標的基礎上，各區通過土地投入和土地利用強度的不斷加強，土地的使用率和效益將得到提高。

4.2 經濟發展水平是影響城市土地集約利用程度的主要因素

在本研究建立的評價指標體系中，土地利用效益的指標比重最大，因此評價結果受到經濟發展水平的影響較大。從全區來看，中心城區是城市經濟發展的重點區域，經濟發展水平最高，遠遠大于城市各縣級市，是土地集約利用水平最高的區域。開發區本身就是集約利用的典型區域，單位面積上的土地利用效益較高，在高資金投入的同時，單位工業產值較高，土地利用效益較大。相對來說，城市外圍縣市在產業結構產出和經濟效益方面都與前兩者存在較大差距，土地集約利用總體水平相對較低。

4.3 土地投入強度和利用強度對土地集約利用有重要影響

與現有土地投入強度和利用強度相對應的是城市發展表現方式，城鎮外延擴張速度高于內涵發展。對于建成區而言，老城區雖然綜合土地集約利用程度相對較高，但尚有較大的挖潛能力。從分析結果可以看出，雖然具體到各年份中土地集約度數值有一定波動，但整體上鄭州市土地集約利用度是逐步提高的，這表明在一定發展階段，通過政策規劃調控、市場調節和技術手段，加強土地投入和利用強度，老城區的土地集約利用還具有提升空間。對于所轄區、縣及開發區而言，由于前期城鎮化建設偏重于城鎮占地規模的擴展與城鎮人口數量的增加，對城鎮經濟功能和社會功能的發展關注較少，城市擴張多以量取勝，土地面積增加的同時，城市基礎設施及居民生活保障不到位，土地整體利用方式粗放，集約度相對較低。

分析結果還表明，鄭州市對外交通、道路和市政公用設施用地較少，市區工業和倉儲等生產用地比例偏高，在一定程度上占據了其他用地需求。同時，城鎮用地空間布局不合理，城區缺乏統一規劃，工業、居住和商服用地分布規劃性不強，城市容積率較低，導致土地產出率低，阻礙了城鎮化中心商務區功能的發揮。而且工業區和居民區交叉分布，影響了城鎮整體的環境效益和社會效益。

開發區內部的土地集約利用問題主要表現為建設用地規模增長過快，土地后備資源不足。從已有開發區資料來看，開發區農用地和未利用土地的主要用途為公共設施和倉儲用地，土地利用狀況基本以第二、第三產業為主，第一產業主要存在于尚未被完全征用的零星農村居民點周圍，產業用地的建筑密度和建筑容積率較低，土地利用強度較低。

4.4 對策建議

土地集約利用度與城市發展方向和產業結構有密切關系。鄭州市作為中原城市群的核心城市，《中原經濟區鄭州都市區建設綱要》對城市發展建設思路十分明確：以中心城區為中心，東西兩向均衡發展。這表明未來城市發展重點：一是中心城區的改造，二是新區的規劃。在此背景下，針對前述分析結果，建議城市發展中心側重于內涵式發展，調整和完善土地利用方式和結構，具體到各區域，建議如下[9-21]。

1）對于中心城區，需要在現有規劃基礎上，開展城區土地清理，整合各類功能用地，通過土地置換、土地開發整理等多種方式提高城市土地利用效率。對城市現有關破企業用地進行收回，盤活存量土地，加強現有建成區的再開發；積極有序推進舊城區和城中村的改造，加大基礎設施建設的投入力度，提高低效利用土地的利用；遷出能耗高污染大的企業，創造宜居環境。

2）對于縣區開發，在做好基礎設施建設的同時，要根據地區現狀考慮資源潛力、市場前景和社會環境。在借鑒其他地區發展成功經驗的同時，立足本地資源環境承載力，根據自身條件構建合理的產業結構，形成新區的產業支撐。

3）對于開發區，由于開發區用地特點為單位面積土地投入產出高，土地利用強度高，因此，在開發區土地集約利用上，要從區域經濟和社會發展等方面分析外部條件和本地產業特點，對開發區進行科學定位，合理規劃工業用地、商業居住用地、科教用地及公共設施與綠地比例，根據不同產業結構制定企業入園開發規模標準，提出“企業用地經濟指標”等指標限值，制定具有一定彈性的土地利用規劃框架，確保土地利用與開發規劃的科學性和可操作性。在開發區內部，也要積極進行內部土地資源挖潛，加強土地投資強度。在考核中要采取可持續發展的考察考核方式，穩步提高資源利用率，統籌項目用地，鼓勵科技密集型項目的加入，將單位面積土地投入產出和土地利用強度作為項目考核的必要條件。借助科技、人才優勢，大力發展土地集約利用程度高的高科技產業集群，形成開發區的產業核心競爭力，打造城市新的經濟增長極，確保城鎮化的穩步發展。

5 結論與討論

新型城鎮化建設要求在有度進行新區擴張的同時，合理利用現有城鎮土地。構建科學合理的城市土地集約度評價指標體系，是評判其建設成效與否的一個重要指標。在進行城市土地集約利用評價時，要確保評價過程的客觀性、科學性和合理性。

1）采用GA-BP神經網絡進行土地集約利用評價，評價結果具有科學性。與傳統評價方法相比，GA-BP網絡能夠真實反映輸入、輸出模型的非線性映射關系，在進行自組織自學習過程中，通過反向傳播不斷調整網絡的權值，優化網絡的隱含節點和網絡結構，實現網絡的動態自適應，使得評價過程更為簡單快速，同時避免了主觀因素影響，評價結果更為客觀合理。

2）從土地投入強度、土地利用強度、土地利用效益及生態環境4個方面選取13個指標構建了土地集約利用評價體系，采用GA-BP模型對鄭州市六區六縣及兩個開發區的土地集約利用進行評價，并根據結果分別分析中心城區、縣區、開發區的土地集約利用現狀及存在的問題，提出土地資源利用挖潛的合理化建議。

3）城鎮土地集約利用評價是一個動態的系統工程，本研究只是在已有指標體系下，采用GA-BP網絡方法對評價指標與評價結果間的關系進行了客觀分析。但實際上，這一類評價問題應該是基于過程的動態模擬，在實證GA-BP網絡方法的有效性后，此后的研究需要嘗試以這類方法揭示土地集約利用過程的變化規律和趨勢，借鑒動態分析模型思路進行深入探索。

參考文獻：

[1] 張占倉.河南省新型城鎮化戰略研究[J].經濟地理，2010，9（30）：1462-1466.

[2] 方創琳，馬海濤.新型城鎮化背景下中國的新區建設與土地集約利用[J].中國土地科學，2013，27（7）：4-8.

[3] 常 青，王仰麟，吳健生，等.城市土地集約利用程度的人工神經網絡判定[J].中國土地科學，2007，21（4）：26-31.

[4] 李 煥，徐建春，李翠珍，等.基于BP人工神經網絡的開發區土地集約利用評價——以浙江省為例[J].地域研究與開發，2011， 30（4）：122-126.

[5] 朱紅梅，周子英，黃 純，等.BP人工神經網絡在城市土地集約利用評價中的應用——以長沙市為例[J].經濟地理，2009，29（5）：836-839.

[6] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社， 2003.

[7] 丁世飛，蘇春陽.基于遺傳算法的優化BP神經網絡算法與應用研究[A].第二十九屆中國控制會議論文集[C]北京：中國自動化學會控制理論專業委員會，2010.

[8] 李偉超，宋大猛，陳 斌.基于遺傳算法的人工神經網絡[J].計算機工程與設計，2006，27（2）：316-318.

[9] 趙小風，黃賢金，陳 逸，等.城市土地集約利用研究進展[J].自然資源學報，2010，25（11）：1979-1996.

[10] 朱天明，楊桂山，萬榮榮.城市土地集約利用國內外研究進展[J].經濟地理，2009，29（6）：977-983.

[11] 趙思凡.對集約用地內涵的在思考——基于對香港措施土地集約利用模式的分析[J].中國土地科學，2009，23（8）：73-77.

[12] 雷廣海，劉友兆，盧效平.江蘇省13城市土地集約利用度時空變異及驅動因素[J].長江流域資源與環境，2009，18（1）：7-13.

[13] 李偉超，宋大猛，陳 斌.基于遺傳算法的人工神經網絡[J].計算機工程與設計，2006，27（2）：316-318.

[14] 陳 逸，黃賢金，陳志剛等.城市化進程中的開發區土地集約利用研究——以蘇州高新區為例[J].中國土地科學，2008，22（6）：11-16.

[15] 曹銀貴，袁 春，王 靜等.1997-2005年區域城市土地集約度變化與影響因子分析[J].地理科學進展，2008，27（3）：86-93.

[16] 林 堅，馬 珣.中國城市群土地利用效率測度[J].城市問題.2014（5）：9-14，60.

[17] 方創琳，關興良.中國城市群投入產出效率的綜合測度與空間分異[J].地理學報，2011（8）：1011-1022.

[18] 李景剛，張效均，高艷梅，等.基于改進熵值模型的城市土地集約利用動態評價：以廣州市為例[J].地域研究與開發，2012，31（4）：118-123.

[19] 朱一中，曹 裕.基于PSR模型的廣東省城市土地集約利用空間差異分析[J].經濟地理，2011，31（8）：1375-1380.

[20] 馮 科，鄭娟爾，韋仕川，等.GIS和PSR框架下城市土地集約利用空間差異的實證研究——以浙江省為例[J].經濟地理，2007，27（5）：811-818.

[21] 張占倉，蔡建霞，陳環宇，等.河南省新型城鎮化戰略實施中需要破解的難題及對策[J].河南科學，2012，30（6）：777-782.