基于GIS平臺以Python語言搭建“人工神經網絡”模型及在城市開發邊界劃定中的應用以桂林市為例

李浩

改革開放后我國快速城市化進程促進城市規模迅速增長，新增建設用地規模不斷增加。城市化的快速發展對城市帶來負面影響，包括城市交通擁堵、過度抬高地價、土地利用粗放等。城市開發邊界（UGB）是為解決城市無序擴張問題而提出的一項政策措施，已經成為西方國家抑制城市擴張比較成功的方法。2019年《關于在國土空間規劃中統籌劃定落實三條控制線的指導意見》提出，科學有序地統籌布置城市、生態和農業空間，要按照集約適度、綠色發展要求劃定城市開發邊界，防止城鎮無序蔓延，為未來發展留有開發空間。由此城市開發邊界成為國土空間規劃工作的重心。

國外對城市開發邊界的研究起步較早，德國最新研究是建立起一套智能模擬系統，挑選對城市發展影響較大的基礎設施要素，例如機場、火車站和水廠等，對其影響城市拓展的規律進行探究。國內學界早期主要借助CA元胞自動機對城市空間發展進行模擬，利用其時空動態模擬的特點，來判斷城市用地在元胞屬性變化中取得的規律，后期出現了各類與CA結合的模型體，例如SLEUTH-CA、邏輯回歸CA和約束性CA等；隨著近年來計算機技術的不斷進步，國內許多學者采用了更智能的算法模型，例如CLUE-CA、Markov-CA、ANN-CA和ABM智能體算法等；更有很多學者借助采用了MATLAB、MAPINFO和SPSS等模塊組合軟件，進行復雜城市邊界模擬的獨立開發。其中以多智能體和人工神經網絡的情景模擬方式逐漸成為學界主流，其優勢是借助極其復雜的運算方式，利用可獲取的城市數據進行多方面的分析，真正模擬復雜多變的情景環境，充分考慮交通、公服、地形、市場等因素對城市邊界拓展的影響。人工神經網絡（ANN）是一種應用類似于生物神經網絡的結構來處理信息的數學模型，廣泛用于各類空間場景分析模擬技術。人工神經網絡主要分為輸入層、隱藏層和輸出層三部分，除了運用人工神經網絡算法外，還充分利用了ARCGIS搭載的Python腳本語言。本次將神經網絡、樣本訓練、成果預測等集成于一個環境，創新性地形成ANN-PY神經網絡算法模型，對依托于GIS平臺的城市數據進行分析研究，形成一套適合規劃人員進行簡易開發的程序，使劃定城市開發邊界更加科學容易。

一、研究數據與方法

1.研究區概況

桂林市位于廣西壯族自治區東北部，與湖南省永州市、邵陽市接壤，距離自治區首府南寧市430公里。桂林市地理特點屬于喀斯特巖溶地貌，國土總面積為2.78萬平方公里，現有建設用地規模為1202平方公里，占全市國土面積的4.35%。

2.研究思路

本次ANN-PY神經網絡算法模型的技術邏輯思路為以2000年桂林土地利用為底，輸入12個影響因子，通過影響因子對像元的分值疊加和黑箱學習，以形成2015年的土地利用為目標，訓練得出模型變化規則。以2019年桂林土地利用為新樣本輸入，形成2035年土地利用數據變化，從而預測2035年的桂林城市開發邊界形態。

3.研究數據

（1）土地利用數據來源于國家地理信息中心發布的全國遙感影像分類并截選出桂林市部分。土地利用數據包括桂林市2000年、2015年和2019年的土地利用數據。根據本次試驗需要進行重分類為6類圖斑，包括耕地、林地、草地、水、城市用地和鄉村用地，分別對應1～6的代碼。

（2）城市影響因子數據來源于高德電子地圖。城市影響因子數據包括3類12個：①8個點狀影響因子，分為政府機構、生活服務、醫療、賓館、餐飲、地產小區、交通設施和旅游景點；②3個線型影響因子，為高速公路、國省道、主干路；③1個面型影響因子，為地形高程數據。

4.研究結構

（1）神經網絡結構。輸入層包括13個神經元，對應著12個影響因子和初始土地利用，能夠直接與12類影響因子對接，促進輸入的精確性；輸入層鏈接隱藏層的激活函數為sigmod()；隱藏層包括18個神經元，為了均勻內部權重以提升準確性，大于輸入層的個數；隱藏層鏈接輸出層的激活函數為tanh()；輸出層為6個神經元，對應著6種土地利用類型轉化概率；反向激活函數為rule（），以促進反向學習能力。

（2）抽樣訓練結構。訓練采取對現有數據進行抽樣，在初始土地利用、影響因子數據和目標土地利用內，定義隨機選取8000個采樣點，每次獲取1個數組；建立初始化矩陣，隨著內部函數訓練，土地轉化混淆矩陣出現相應權重變化，初始土地利用抽樣像元點數值發生變化，向目標年抽樣像元點靠攏，響應成功即完成訓練。

（3）鄰域演變結構。模擬CA元胞自動機空間變化機制，以鄰域空間相關性為基礎，構建3*3鄰域范圍，以鄰域像元值變化為動力，設定閾值為1，因子值疊加超過閾值即可以發生變化，像元點及鄰域像元發生波動。

（4）精度檢驗結構。采取Kappa系數來驗證神經網絡學習精度，在每一輪學習訓練結束后，輸出圖元與目標圖元進行對比，確定一次準確率，當準確率過低時便會再次進行一輪訓練，達到一個最高的準確率時，模型停止訓練。

（5）成果預測結構。輸入新土地利用和影響因子作為初始值，根據已保存的用地轉換概率，啟動像元值疊加變化，推動鄰域范圍波動，形成模擬土地演變過程，設定總體變化數量，輸出目標年土地利用數據。

5.模型學習

ANN-PY神經網絡模型具有傳統CA模型所不具備的自動化和精度優勢，訓練學習過程相對穩定，易受到輸入數據影響。由于桂林土地利用數據和影響因子為市域范圍數據，建設用地總量占比不到4%，穩定不變的“林田湖草”占比超過95%，因此模型學習偏好傾向于不變。若輸入數據替換為建設用地占比較高的中心城區數據，模型學習偏好傾向于變化。為模擬桂林市市域土地利用變化形態，選取變化概率更小、難度更高的模型訓練方式。

6.成果預測

根據桂林市土地利用變化規模總量，設置目標年約5000個城市建設用地像元增長量。在模型開啟訓練和模擬后，城市建設用地增長量達到相應數量后，模擬停止并輸出目標年土地利用圖像。經過多次實驗和調整模型參數，最終在多個輸出結果中選取實驗效果較好，Kappa準確率較高，土地利用轉化形態良好，城市建設用地像元比較聚合的圖像，作為最終模型預測結果。將模型最終預測結果和實際項目中初步劃定的城鎮開發邊界集中建設區范圍進行疊加，城市建設用地重疊部分平均占比為59.5%。如成果驗證中心城區重疊程度較高，外圍重疊較少，邊緣組團無重疊，表明本模型預測成果比較集中，邊緣組團缺少拓展動力。對兩者有區別的圖斑進行分析，判斷實際項目集中區規模過大，不符合城市用地總增長量要求，應適當縮減外圍紅色區域；其次選取藍色區域中區位條件好、開發度高的地區劃入集中區，優化實際集中區范圍。

二、結論

研究結果表明，通過加載2000年桂林市土地利用數據和影響因子，模擬2015年桂林市土地利用變化情況，學習桂林市城市用地擴張的規則，模型Kappa精度最高達到97%；并以2019年桂林市土地利用現狀為底，預測桂林市2035年土地利用變化情況，實驗值與城市開發邊界初步結果進驗證達到59.5%，能夠覆蓋到城區大部分區域，達到預期研究目標。因此本模型具有一定可行性，能夠在一定環境下模擬城市用地變化過程，為桂林市城市開發邊界的劃定工作提供一定的技術支持，結合實際為合理引導桂林市城市發展提供有效策略。