基于人工智能的生態城市規劃設計

摘 要：生態城市規劃設計是有別于傳統城市規劃的一種新型設計，在整個設計工作中必須充分考慮生態要素的數量配置與合理布局。為了達到更加合理的設計效果，本文采用了一種基于核-極限學習機的人工智能規劃設計方法。3組試驗結果充分表明，這種人工智能方法可以確定植被、節水區、污廢處理廠的合理數量和排布，從而提升城市的生態屬性和生態指數得分。

關鍵詞：生態城市；規劃設計；生態要素；極限學習機

中圖分類號：X 32" 文獻標志碼：A

2018年以來，國家提出了高質量發展的宏觀發展戰略，其核心理念就是人與生態環境的和諧，通過人類生存空間與自然環境的協調發展提升人們的生活幸福指數[1]。該宏觀發展戰略為城市規劃設計工作提出了全新的指引，也使生態城市規劃成為研究熱點。生態城市與傳統城市有明顯不同，它將整個城市看成一個生態系統，生態城市建成將是人類社區子系統、自然環境子系統、城市經濟子系統相互協調的必然結果。因此，生態城市的規劃設計不能再局限于商用和民用建筑的布局、交通道路的布局等，更要關注那些符合生態特征的要素在城市中的數量配置與分布區域[2]。具備生態特征的城市要素很多，例如綠色建筑的數量、節能設施的數量、節水設施的數量、生態景觀的數量、公園綠地的數量、綠色交通工具的數量等。只有這些生態要素都達到合理的數量，符合城市規模和人口規模，才能最大限度地凸顯城市的生態屬性，避免能源和資源浪費，使城市環境更加宜居、城市市民的生活質量更高[3]。在這種情況下，本文以合理配置各種生態要素為城市規劃設計的重要目標，并運用人工智能的方法對其進行處理，以期為生態城市設計提供一條新的路徑。

1 生態城市的生態要素構成

城市規劃是城市建設和城市改造的總體規劃，城市規劃設計涵蓋了城市布局、街區設置、小區建設、基礎設施建設等多方面內容。生態城市規劃設計，則是遵循人類與生態環境和諧、打造城市生態系統的設計過程。一個生態城市包括眾多生態要素，如圖1所示。

從圖1中可以看出，生態城市的構成要素有很多。其中，節能設施是采用低能耗完成能量供給的設施，而對那些已經在城市中建設又無法短期內拆除或替換的高能耗設施，就需要配套潔能設施對其廢氣、固體肥料進行清潔和處理。節水設施是采用低耗水量完成水供給的設施，例如城市供水系統、公共綠地噴淋灌溉系統等，而對那些在城市中會產生污染的水處理設施，要與潔水設施配套使用，并對水中污染物進行清潔和處理。上述4類設施可以保證城市總體的生態環境達到宜居標準。

生態景觀、公園綠地，數據生態城市的局部構成要素，可以提供公共的生態區域供城市市民分享生態城市的建設成果。綠色建筑、綠色交通，涉及城市市民的日常住行，因此它們直接影響城區建設生態化的程度。

生態城市規劃設計就是依托城市現有的建設情況，興建新的生態元素或用生態元素替換、改造原有的元素，從而使城市達到生態級別的標準。設計的具體內容涉及了生態元素的數量和布局。

2 極限學習機智能算法在生態要素配置中的應用

生態城市中配置的生態要素的合理數量，與城市規模、城市布局、城市原有狀況等因素有關。在生態城市的規劃設計中，根據設計人員的經驗估計生態要素的數量。為進一步提高生態城市規劃設計的科學性，本文將人工智能和生態城市規劃設計工作結合起來，采用極限學習機智能算法，對生態城市中的生態要素配置數量進行智能估算。

極限學習機是一種先進的機器學習算法，其算法依據為單隱層前饋神經網絡算法，有以下主要特征。輸入權重和偏置不受限制，可進行任意賦值，并且輸出矩陣唯一，這在很大程度上簡化了訓練過程，使訓練效率大幅提高。在訓練過程中，僅設置神經元個數，即可得到最優解，并且該最優解是唯一的。總體來看，極限學習機泛化性能良好，并且訓練效率高，學習速度快。

對一個單隱層神經網絡來說，假設有N個任意的樣本（Xi，ti），那么計算過程如公式（1）所示。

Xi=[xi1，xi2，…，xin]T∈Rn，ti=[ti1，ti2，…，tim]T∈Rm （1）

式中：Xi為第i個隱含層神經元；ti為對應的時間節點。

當一個單隱層神經網絡的隱層結點數為L時，權重和偏重分別為Wi和bi時，計算過程如公式（2）所示。

（2）

式中：g（x）為激活函數；輸入權重為Wi=[wi，1，wi，2，…，wi，n]T；βi和bi分別為輸出權重和第i個隱層單元的偏置；Wi·Xj為Wi和Xj的內積。

單隱層神經網絡學習的主要目的是降低輸出誤差，計算過程如公式（3）所示。

（3）

式中：N為全部神經元的數量；oj為學習后的輸出；tj為學習機計算的當前值。

對適用于單隱層前饋神經網絡學習的極限學習機而言，可隨機確定其輸入權重和偏置，從而可以保證輸出矩陣是唯一的，這樣就可以在很大程度上解決傳統算法改變參數過多的問題，并且能夠解決將參數確定轉化為最小范數和最小二乘的問題，簡化計算流程，提高訓練效率。由于基于經驗風險最小化原則的極限學習機容易產生過擬合問題，因此，為提高極限學習機的泛化能力，最大幅度減少初始偏置和權值對訓練和識別效果的不良影響，在極限學習機的基礎上提出一種新型的極限學習機，即核-極限學習機。與極限學習機相比，核-極限學習機引入了核函數的概念，該算法主要是用核矩陣來代替隨機矩陣，利用核函數來對輸入樣本從N維空間到更高維隱層特征空間進行映射。

與極限學習機相比，核-極限學習機訓練速度更快、更容易實現且性能更好。

從圖2的核-極限學習機的網絡模型可以看出，它類似神經網絡的構成，也分為輸入、中間、輸出3個層次。其中，輸入層和輸出層都包括多個元素，而中間層則由復雜的核處理機代替。因為核 - 極限學習機的性能強，所以三層次的結構的學習能力和非線性處理能力非常優秀。

當采用正則化系數C改善極限學習機網絡的穩定性和泛化能力時，β的最小二乘解的計算過程如公式（4）所示。

QELM（i，j）=h（xi）·h（xj）=K（xi，xj）" " " " （4）

式中：xi為第i個輸入；xj為第j個輸入。

計算核-極限學習機的輸出如公式（5）所示。

（5）

式中：x為輸入；y（x）為輸出。

3 生態城市規劃設計中的生態要素配置試驗

本文構建了核-極限學習機的智能算法，將生態城市含有生態要素及各種屬性的經驗數據作為輸入，就可以對核-極限學習機進行訓練，當核-極限學習機達到穩定后，就可以對要規劃設計的生態城市進行智能分析，確定其各種生態要素的合理數量。以此為框架，本文進行試驗研究。

針對試驗目標城市，運用核-極限學習機智能算法，分析城市植被區域的合理分布數量和布局位置，結果如圖3所示。

從圖3中可以看出，城市左下角至右側，有一條河流貫穿市區流過，并有兩個細小支流。這條河流使河道周邊區域具有鮮明的濕地特征。在核-極限學習機智能算法分析下，沿著河道周圍的區域，規劃設計了大面積、連續的濕地植被密植區，在這些區域增加濕地植被密度，有助于涵養水源，保持河道周邊的濕地屬性，大大增加了城市的生態屬性。

在遠離河道的區域，設計了相對分散、連續面積小的植被疏植區。合理配置植被疏植區，可以為城市其他區域提供綠化，并形成相對均衡的生態支點。

圖3中的城市規劃結果具有特殊性，目標城市具備了貫穿市區的河流水系，因此，目標城市中的部分比例區域，具備了非常好的先天條件，河流周邊區域都覆蓋了豐富濕地植被。當不同的城市進行規劃時，都要盡可能地考慮城市的特點，如果能充分利用城市現有生態環境，就可以最大限度地降低城市規劃設計的實施成本，從而可以更加有效地改善城市生態，完成城市生態建設、達成城市規劃的預期目標。

進一步運用核-極限學習機智能算法，對目標城市的節水區域進行分析，結果如圖4所示。

從圖4中可以看出，運用核-極限學習機智能算法為目標城市的不同區域規劃設計了節水區域。其中，顏色較深的區域為重度節水區，顏色較淺的區域為輕度節水區，二者之間是區域為中度節水區。

對照圖3可以看出，輕度節水區主要分布在河道周邊區域，這些區域本為濕地分布區域，居住人口少不需要大量生活用水，而噴淋灌溉用水從自然環境中獲取即可，因此設置為輕度節水區。而遠離河道的周邊區域，自然水資源匱乏、人口稠密，多設置為重度節水區。

在第三組試驗中，運用核-極限學習機智能算法測算了城市需要的污廢處理廠的合理數量，分析結果如圖5所示。

從圖中可以看出，隨著污廢處理廠數量的變化，城市生態指數得分也不斷變化。在污廢處理廠從0增至18的過程中，城市生態指數在波動中不斷上漲，達到峰值。后續雖然污廢處理廠的數量增加了，但城市生態指數卻出現了明顯下降。

與城市面積和城市污染物的日排放量相比，18個污廢處理廠即可以達到飽和，足以滿足城市污廢處理需要。當污廢處理廠進一步增加時，自身工作過程所產生的污染物會對城市生態指數起到負面影響，反而不利于城市生態建設。

4 結論

生態城市建設是高質量發展的重要組成部分，是提高城市生存環境宜居性的關鍵。本文分析了生態城市規劃設計中的各大生態要素。在此基礎上，本文提出了基于核-極限學習機的智能分析方法，對各種生態要素與城市規模的對應性進行訓練，并得到合理的分布數量和布局結果。通過3組試驗對基于人工智能的生態城市規劃設計進行效果驗證。第一組試驗結果得到城市的濕地植被和其他植被的數量與分布，第二組試驗得到城市各類節水區的數量與分布，第三組試驗得到城市污廢處理廠的數量與分布。

參考文獻

[1] 張坤民，何雪煻，溫宗國.中國城市環境可持續發展指標體系研究的進展[J].中國人口、環境與資源，2020，10（1）：54-59.

[2] 李月輝，胡志斌，肖篤寧.城市生態環境質量評價系統的研究與開發-以沈陽市為例[J].城市環境與城市生態，2023，24（2）：53-55.

[3] 牛海鵬，齊永安，袁占良.城市生態可持續發展評價指標體系及方法[J].遼寧工程技術大學學報，2022，24（2）：292-294.