CN110598513A - 一种基于sleuth模型的城市开发边界预测方法 - Google Patents
一种基于sleuth模型的城市开发边界预测方法 Download PDFInfo
- Publication number
- CN110598513A CN110598513A CN201910437849.8A CN201910437849A CN110598513A CN 110598513 A CN110598513 A CN 110598513A CN 201910437849 A CN201910437849 A CN 201910437849A CN 110598513 A CN110598513 A CN 110598513A
- Authority
- CN
- China
- Prior art keywords
- index
- urban
- townsized
- evaluation
- city
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011161 development Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010276 construction Methods 0.000 claims abstract description 54
- 230000007717 exclusion Effects 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 14
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 68
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 14
- 230000012010 growth Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013467 fragmentation Methods 0.000 description 3
- 238000006062 fragmentation reaction Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000009430 construction management Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- PSUFRPOAICRSTC-UHFFFAOYSA-N crispatine Natural products O1C(=O)C(C)C(O)(C)C(C)C(=O)OCC2=CCN3C2C1CC3 PSUFRPOAICRSTC-UHFFFAOYSA-N 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012771 pancakes Nutrition 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于SLEUTH模型的城市开发边界预测方法，包括以下步骤：步骤一、分别获取城市中心城区范围的历史与现状的遥感影像，从每一幅遥感影像中提取IBI指数来构建相应的IBI影像，所述IBI指数由用于反映水体信息的MNDWI指数、用于反映建筑用地信息的NDBI指数以及用于反映植被信息的SAVI或NDVI指数构成；步骤二、采用SLEUTH模型，通过所有的IBI影像进行城市建设用地扩张模拟，在扩张阶段设置预设的严格排除图层作为禁止建设边界。同时，本发明本还通过剔除低承载力区域，并与规划政策以及国土空间管控政策相衔接，对预测的开发边界进行修正。本发明能够科学预测城镇发展极限规模及其扩展方向，并能够衔接相关规划和其他国土控制线。
Description
技术领域
本发明涉及一种基于SLEUTH模型的城市开发边界预测方法，属于城市规划技术领域。
背景技术
城市开发边界由美国于上世纪50年代首先提出，在城市规划学界多使用“城市增长边界” (Urban Growth Boundary)的名称。设置城市增长边界的目的在于塑造空间紧凑和景观连续的城市景观格局，从而保护农业用地、生态环境敏感区等。长期以来的实践表明，城市增长边界在引导城市有序扩张，保护生态空间，实现城市可持续发展等方面起到了很大的推动作用，在美国得到了广泛的研究与实践推广。中国在2006年新版的《城市规划编制办法》明确提出在城市总体规划纲要及中心城区规划中要“研究城市增长边界”，用以限制城市的发展规模和划定城市的建设范围。但实际上，中国的各大城市规划并没有完全引入“城市增长边界”的概念，有的只是限建区方面的研究。
伴随着中国工业化和城市化进程的快速发展，由于对城市扩张缺乏有效的管控，城市发展多呈现出摊大饼式的无序扩张，农业用地、森林等生态绿地空间大幅缩减，城市景观日渐趋向同质化、碎片化，引发了雾霾、水环境质量恶化、交通拥堵等一系列城市病。镇开发建设活动必须有刚性底线，开发建设以坚守各类红线为基，以提升综合质量为本。因此，城市开发边界的划定既需要满足城镇发展需求的弹性边界，又要约束城镇的扩张刚性边界。即一方面要基于区域综合承载力，确定城市开发边界内的远景用地规模，在此基础上划定满足城镇未来发展需求的弹性边界；另一方面要基于土地利用总体规划、城市总体规划与生态环境保护规划等确定的各类土地利用管控线划定城镇扩张的刚性边界。
当前，城市增长边界的研究主要集中于城市增长边界划定技术与方法探索。而现有的划定方法多以计算模型为主。然而，计算模型需要大量数据，且数据精度要求高，模型构建多较为复杂，实际应用操作不便。此外，计算模型缺乏对城市形态边界扩展方向变化的考虑，往往过于倚重于数理计算，而忽视形态结构调整。
发明内容
本发明要解决技术问题是：提供一种根据城镇扩展规律和经济社会发展趋势科学预测城镇发展极限规模及其扩展方向的方法。
为了解决上述技术问题，本发明提出的技术方案是：一种基于SLEUTH模型的城市开发边界预测方法，包括以下步骤：
步骤一、分别获取城市中心城区范围的历史与现状的遥感影像，从每一幅遥感影像中提取IBI指数来构建相应的IBI影像，所述IBI指数由用于反映水体信息的MNDWI指数、用于反映建筑用地信息的NDBI指数以及用于反映植被信息的SAVI或NDVI指数构成；
步骤二、采用SLEUTH模型，通过所有的IBI影像进行城市建设用地扩张模拟，在扩张阶段设置预设的严格排除图层作为禁止建设边界；在校准阶段采用OSM_NS作为确定模型的最佳拟合优度指标，
OSM_NS＝compare×pop×edges×clusters×xmean×ymean
式中，compare为模拟的最后年份城镇化像元总数与实际的最后年份城镇化像元总数的比值，pop为模拟的城镇化像元数目与校准年份实际城镇化像元数目比值的最小二乘法回归相关系数值，edges为模拟城镇边界数与校准年份真实城镇边界数比值的最小二乘法回归相关系数值，clusters为模拟的城镇聚类与校准年份真实的城镇聚类比值的最小二乘法回归相关系数值，xmean为模拟的城镇化像元的平均x坐标值与校准年份真实的城镇化像元的平均 x坐标值比值的最小二乘法回归相关系数值，ymean为模拟的城镇化像元的平均y坐标值与校准年份真实的城镇化像元的平均y坐标值比值的最小二乘法回归相关系数值。
优选的，所述严格排除图层为水域空间和生态空间，或者，所述严格排除图层为水域空间、生态空间和基本农田保护区,水域空间、生态空间和基本农田保护区分别由区域生态环境保护规划和基本农田保护规划等确定。
需要说明的是：1)本发明中所述中心城区范围，是指建设用地集中分布区，即区域景观以建筑景观为主的区域。2)MNDWI指数、NDBI指数以及SAVI或NDVI指数均为现有技术，可参考相关文献，比如：MNDWI指数可参考《基于MNDWI水体指数的ASTER与ETM+ 影像交互比较研究》(作者：徐涵秋,张铁军，宇航学报,2010,31(4):1244-1252.)。
另外，现有技术中，最佳拟合优度指标为：
OSM＝compare×pop×edges×clusters×slope×xmean×ymean，参见《Don’tstop‘til you get enough–sensitivity testing of Monte Carlo iterations formodel calibration》(作者：dstein N C,Dietzel C,Clarke K C.，Proceedings of the8th International Conference on GeoComputation.，2005:1- 3.，以下称引证文献1)。但因为城市中心区域往往会出现坡度平缓的区域，因此为了避免输出指标出现0值，本发明去掉slope指标，采用指标OSM_NS，OSM_NS中的各个参数及其意义均与OSM中一致。经发明人多次验证，OSM_NS指标完全能够满足本发明的要求。 OSM_NS指标测定了模型增长数量的准确度(Compare和Pop)、增长位置的准确度(X-Mean 和Y-Mean)、大小和形状(Clusters和Edges)。OSM_NS值越大，表示模拟结果越接近真实情况。
本发明带来的有益效果是：1)城市建设用地作为人工地表覆盖类型，其电磁波反射光谱的异质性相对较为复杂，因此，单一采用原始多光谱波段进行建设用地信息提取，通常难以获取理想效果。本发明以遥感影像为数据基础，以光学遥感影像的波段特征，构建遥感影像光学指数模型，进行建设用地信息提取，即用原始波段衍生出来的IBI指数波段构建的新影像来提取建设用地信息(即通过MNDWI指数、NDBI指数以及SAVI或NDVI指数来表示建设用地信息)，不但提取速度快，而且提取结果较现有技术更准确。2)本发明通过现有的SLEUTH模型进行城市开发边界预测，并通过设置严格排除图层作为禁止建设边界，融合了城市总体规划和土地利用规划等相关国土空间规划，提高了预测的准确性。3)本发明通过识别时间序列城镇现状边界，根据城镇扩展规律和经济社会发展趋势，能够科学预测城镇发展极限规模及其扩展方向。
本发明可以对步骤二中预测的城市开发边界进行修正，剔除城镇综合承载力较低的低承载区，具体方法如下：
1)建立分层次的城镇综合承载力评价指标；
2)通过主成分分析法将评价指标转换成评价因子，选取满足预设条件的评价因子作为主成份，并找到解释信息量最大的主成分；按解释信息量最大的主成分中各评价因子得分系数对评价指标的重要性进行排序；
3)依据评价指标重要性排序结果，构建判断矩阵A1，
对判断矩阵A1的各列进行归一化处理，得到判断矩阵A2，并计算判断矩阵A2中各行之和，得到向量W，对向量W做归一化处理；
4)应用和积法计算向量W的最大特征向量，在此基础上计算判断矩阵A1的最大特征根λ，从而根据得到评价因子的特征权向量Wi；
5)利用一致性比率CR对特征权向量Wi做一致性检验，通过检验的特征向量即为各评价指标的权重向量；如果检验无法通过，则返回执行步骤1)，即重新筛选评价指标；
6)根据评价指标的权重向量，得到扩张后的城市开发边界的综合承载力的评价分值，通过自然断裂法将评价分值划分为三类阈值区间，分别将其承载能力划分为高承载区、中承载区和低承载区，并在扩张后的城市开发边界中剔除连片的低承载区。
申请人要强调的是，本实施例中层次分析法(AHP)和主成份分析法(PCA)均为现有技术，本发明的创新之处在于将主成份分析法与层次分析法结合起来，为层次分析法得到一个定量性的权重，与现有技术中层次分析法依赖于主观判断相比，更具客观性，结果更可靠。
本发明还可以对预测的城市开发边界进行进一步修正，包括以下两种方法：1)确保城市允许建设区均划入城市开发边界，并严格避开禁止建设区；2)严格避开任何与生态红线冲突的地区。
本发明通过以上改进，可以综合关系到区域生态环境安全和经济社会基础的各类自然与人文因素，构建城市综合承载力评价的多因素多因子判别模型。最后，以理论城市扩展边界为基础，衔接各类国土空间管控线，由此确定城市发展的扩展边界。
本发明提出的城市开发边界预测方法融合了城市总体规划和土地利用规划等相关国土空间规划，将相同的内容统一起来，落实到一个共同的空间规划平台上，提高了城市边界的合理性。
本发明中城市开发边界划定通过与国土空间管制线衔接，既保护了耕地数量，又保护了耕地质量，严格落实了耕地保护政策。通过避开生态脆弱区域，维系了生态系统健康。
本发明提出的刚性管制与弹性调控并存的城市开发边界与当下中国城市建设发展的现状十分匹配，能够适应新型城镇化背景下中国城市建设管理的现实需求，可以供各大城市确定符合自身发展规划的城市管制与调控策略。
附图说明
图1是常州市市区1991-2014年建设用地信息提取结果。
图2是常州市市区建设用地格局变化示意图。
图3是常州市市区建设用地扩张模拟结果示意图。
图4是常州市市区城市扩张边界提取结果示意图。
图5是常州市各评价指标的计算结果示意图。
具体实施方式
实施例
本实施例以常州市为例，结合附图对本发明作进一步说明。上世纪90年代是常州市经济社会发展的腾飞阶段。这一时期土地利用总体规划与城市规划的科学性、规范性水平低下，偏重实施，轻视管理，规划的严肃性不强，由此导致常州市的规划完全倒向为社会经济发展服务，其土地管理的龙头地位和城市发展的引导作用遭到严重低估与忽视。1991-2000年的十年间，常州市建设用地面积比例增加了3.21％，建设用地斑块数量由1991年的9664急速上升到2000年的24341，斑块密度由2.34上升为5.90。相应地，建设用地斑块聚合度由79.76％降到73.89％。常州市城市格局于该阶段呈现出显著的碎片化扩张特征。伴随第三轮土地利用总体规划(2006-2020年)的实施，土地用途空间管制和建设用地空间管制得到加强，规划的法律地位也得到了保障，规划实施过程的管理更是得到了进一步的强化。因此，这一时期，常州市建设用地的扩张形势体现出明显的规划引导色彩。2005-2014年间，虽然常州市建设用地面积增加了12.09％，但建设用地斑块数量却由2000年的24341急速下降为2014年的3244。与此同时，建设用地斑块密度降到0.79，斑块聚集度提高到93.45％，城市集中化特征明显，体现为一种集中式膨胀发展特点。因此，常州市需要划定城市开发边界，在进一步引导城市有序扩张的同时，保护周边优质耕地资源。
本实施例的基于SLEUTH模型的城市开发边界预测方法，包括以下步骤：
步骤一、分别获取城市中心城区范围的历史与现状的遥感影像，从每一幅遥感影像中提取IBI指数来构建相应的IBI影像，所述IBI指数由用于反映水体信息的MNDWI指数、用于反映建筑用地信息的NDBI指数以及用于反映植被信息的SAVI或NDVI指数构成。
如图1所示，根据常州中心城区范围的历史与现状的遥感影像，提取的建设用地信息如图1所示。如图2所示，常州市在1991-2014年之间的20多年，城市发展可以分为两个阶段：碎片化扩张阶段(1991-2000年)和集中式膨胀阶段(2005-2014年)。
步骤二、采用SLEUTH模型，通过所有的IBI影像进行城市建设用地扩张模拟，在扩张阶段设置预设的严格排除图层作为禁止建设边界；在校准阶段采用OSM_NS作为确定模型的最佳拟合优度指标，
OSM_NS＝compare×pop×edges×clusters×xmean×ymean
式中，compare为模拟的最后年份城镇化像元总数与实际的最后年份城镇化像元总数的比值，pop为模拟的城镇化像元数目与校准年份实际城镇化像元数目比值的最小二乘法回归相关系数值，edges为模拟城镇边界数与校准年份真实城镇边界数比值的最小二乘法回归相关系数值，clusters为模拟的城镇聚类与校准年份真实的城镇聚类比值的最小二乘法回归相关系数值，xmean为模拟的城镇化像元的平均x坐标值与校准年份真实的城镇化像元的平均 x坐标值比值的最小二乘法回归相关系数值，ymean为模拟的城镇化像元的平均y坐标值与校准年份真实的城镇化像元的平均y坐标值比值的最小二乘法回归相关系数值。
SLEUTH模型是以西方城市扩张规律为背景而开发的，难以适应中国生态与耕地双保护情景下的城市扩张模拟，直接套用将大大降低模拟的精度。对此，本研究充分考虑国家关于城市生态环境保护与城市周边永久基本农田保护的相关政策，提出了两种不同的排除层研究模型校准理念：(1)以水域空间和生态空间为严格排除图层，设定该区域为禁止建设区，即排除层E1只包含水域和生态保护区；(2)以基本农田保护区为严格排除图层，设定基本农田保护边界为禁止建设边界，即在E1的基础上，添加规划基本农田数据，在规划基本农田保护区内限制城镇发展。然后从中选取模拟精度较高的排除层用于建设用地扩张模拟。
在模拟扩张时，通过模型校准，将参数组合根据OSM_NS排名，得到最佳增长控制系数。进而得出两种方案下各校准阶段的最优OSM_NS值，排除层E2在粗校准、精校准和终校准的最优OSM_NS值均比排除层E1高。从粗校准到精校准，再到终校准，OSM_NS值呈增加趋势。在粗校准阶段，E1为0.6095，E2为0.6287，E2比E1高出3.76％；在精校准阶段，E1为 0.6163，E2为0.6550，E2比E1高出6.28％；在终校准阶段，E1为0.6229，E2为0.6628， E2比E1高出6.41％。排除层E2在整个校准过程后精度比E1提高了6.41％。由于OSM_NS指标是由6个指标相乘得到的，所以6.41％是个很显著的数字。同时，根据引证文献1中关于 OSM_NS值达到0.6即证明SLEUTH模型模拟结果有效的论断，研究选取模拟精度较高的排除层E2用于建设用地扩张模拟。
根据排除层E2得到的模拟历史建设用地扩张最佳系数，通过预测参数获取过程，得到最适于预测未来建设用地扩张的增长控制系数组合。以2014年为预测初始年份，以《常州市土地利用总体规划(2006-2020)》的目标年为近期预测目标年，模拟土地利用总体规划目标完成年的建设用地空间格局演变，以《江苏省城镇体系规划(2015-2030年)》的目标年为远期目标年，模拟城镇体系规划布局完成年份的城镇空间扩张情况。由于排除层E2在模型校准阶段就对规划基本农田区域进行保护和限制，因此预测结果能够体现出规划政策发挥的作用，提高了城镇扩张的预测精度。本实施例得到的常州的建设用地扩张模拟结果如图3所示。基于上述建设用地扩张模拟结果，通过边缘检测和面积阈值处理，分别提取2020年和2030年的常州市建设用地边界线，作为城市扩展边界，如图4所示，最外侧黑框即为常州的中心城区范围(即本发明的研究区域)，剖面线区域为预测的2020年常州城市开发边界，剖面线区域与最外侧黑框之间的那个黑框范围为预测的2030年常州城市开发边界。
本实施例还可以对预测的开发边界进行修正，主要包括以下几种方法：
(一)剔除城镇综合承载力较低的低承载区，具体方法如下：
1)建立分层次的城镇综合承载力评价指标。
城市综合承载力指特定时期和目标下，一个城市的资源禀赋、生态环境、基础设施和公共服务对城市人口及经济社会活动的承载能力。城市发展建立在其资源环境等属性支撑的承载能力基础上，例如干旱区水资源供应能力对于城市发展的影响、山区交通可达性对于城市经济社会发展的约束等。城市实际承载能力约束了城市的发展规模、空间形态、扩张潜力等多个方面。因此，划定城市开发边界，确定城市未来的空间与规模线，必须对其承载能力进行评价，从而确保城市未来发展与其实际承载能力相匹配。
单个评价指标以及如何选取评价指标均为现有技术，可根据需要选取不同的评价指标构成不同的评价指标体系。本实施例从反映城市经济社会基础(即资源禀赋、基础设施和公共服务能力)和生态环境状况角度出发，研究选取生态系统服务价值、生态脆弱度、生态绿当量、地面沉降、土地开发强度、经济社会发展水平、允许/有条件规模、交通网络密度等8个指标，以公里格网为基础评价单元，评价城镇综合承载力，如表1所示。
表1
式(5.12)中，Ea为单位农田生态系统生产服务功能的经济价值，i为粮食作物种类，mi为种粮食作物全国平均价，pi为种粮食作物单产，qi为种粮食作物种植面积，M为粮食作物总种植面积；
式(5.13)中，ESV是生态系统服务价值，Ak是研究区第k种土地利用类型分布面积，VCk为生态价值系数，即单位面积的生态系统服务的价值(喻建华,高中贵,张露,等.昆山市生态系统服务价值变化研究[J].长江流域资源与环境,2005,14(2):213-217.)；
式(5.14)中，EVI为区域生态环境脆弱度指数，i为景观类型，n为景观类型数量，Ai为第i种景观类型的面积，CEVIi为第i种景观类型的综合脆弱度(高凤杰等,2010)；
式(5.15)中，α、β、γ、δ和ε为权重，S、F和D分别为某种景观类型的破碎度、分离度、分维数倒数指标，ST和SW分别为某景观类型的地形地貌、水资源生态因子指标。
常州市各评价指标的计算结果如图5所示。
2)通过主成分分析法将评价指标转换成评价因子，选取满足预设条件的评价因子作为主成份，并找到解释信息量最大的主成分；按解释信息量最大的主成分中各评价因子得分系数对评价指标的重要性进行排序，得到各评价指标定量性的权重。
在实施时，应用主成分分析法，通过正交变换，将与区域城镇综合承载力存在潜在相关关系的评价指标，转化为一组线性不相关的变量(即评价因子)，从而最大化释放原有指标的信息，据此通过方差分析和特征值计算，获取变量方差贡献率，并对其进行归一化，归一化结果即为所选评价指标对于城镇综合承载力的解释信息量大小。以此为基础，对所筛选的评价指标进行重要性排序，进而得到各评价指标定量性的权重。
指标权重决定了各因子对于评价目标的贡献程度高低，从而影响到评价结果的准确性和合理性。当前应用最为广泛的指标赋权方法主要为层次分析法(AHP)。该方法通过把评价对象按一定准则分解为多层级结构，根据两两要素对比，构建判断矩阵，确定各要素的相对权值，并据此合成总权重。
然而，层次分析法(AHP)对于要素间如何量化对比缺乏充足考虑，多依据主观判断，使得评价结果具有较大的随意性。对此，本实施例在AHP分析的基础上，引入主成份分析法(PCA)，构建PCA-AHP综合赋权模型，目的在于应用主成份分析法(PCA)在数据降维方面的优势，对多元要素进行重要性诊断，从而增强层次分析法(AHP)的客观性。
根据主成份分析法(PCA)分析结果，如表2所示，KMO检验系数为0.769(＞0.5为有效值)，Bartlett球形显著度检验为0.00(＜0.05为有效值)，表明分析结果有效。前三主成份提取平方和载入的累积方差贡献率和旋转平方和载入的累积方差贡献率均达到了79.65％，且特征值均大于1，因此评价体系可提取三个主成份。
如表3所示，由于第一主成份解释信息量显著大于第二和第三主成份，所以研究依据第一主成份各评价因子得分系数进行评价指标重要性排序，结果为：X8＞X6＞X7＞X5＞X4＞X2 ＞X1＞X3。
表2
表3
3)依据评价指标重要性排序结果(排序确定了评价因子的重要性，即信息解释量)，构建判断矩阵A1，
判断矩阵目的在于进行评价因子之间重要性的两两对比。为实现因子之间重要性度量定量化，层次分析法(AHP)采用1-9对不同因子的重要性进行数量化标度。其中1指两因子之间重要性等同，3表示两因子间重要性存在稍许差异，5表示重要性差异较为明显，7表示重要性差异突出，9表示重要性差异显著。2、4、6、8代表的重要性差异分别对应1-3、3-5、5-7、7-9之间，属于区间标度。1/aij则属于反向比较，aij属于正向比较。本实施例中的判断矩阵A1如表4所示。
表4
| 评价指标 | X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 |
| X1 | 1 | 1/2 | 2 | 1/2 | 1/2 | 1/3 | 1/3 | 1/5 |
| X2 | 2 | 1 | 2 | 1/2 | 1/2 | 1/3 | 1/4 | 1/5 |
| X3 | 2 | 2 | 1 | 1/2 | 1/4 | 1/4 | 1/5 | 1/5 |
| X4 | 2 | 2 | 2 | 1 | 1/2 | 1/2 | 1/2 | 1/3 |
| X5 | 2 | 2 | 4 | 2 | 1 | 1/2 | 1/2 | 1/2 |
| X6 | 3 | 3 | 4 | 2 | 2 | 1 | 2 | 1/2 |
| X7 | 3 | 4 | 5 | 2 | 2 | 1/2 | 1 | 1/2 |
| X8 | 5 | 5 | 5 | 3 | 2 | 2 | 2 | 1 |
对判断矩阵A1的各列进行归一化处理，得到判断矩阵A2(本实施例中的判断矩阵A2如表 5所示)，并计算判断矩阵A2中各行之和，得到向量W，对向量W做归一化处理。
表5
| 评价指标 | X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 |
| X1 | 0.05 | 0.03 | 0.08 | 0.04 | 0.06 | 0.06 | 0.05 | 0.06 |
| X2 | 0.10 | 0.05 | 0.08 | 0.04 | 0.06 | 0.06 | 0.04 | 0.06 |
| X3 | 0.10 | 0.10 | 0.04 | 0.04 | 0.03 | 0.05 | 0.03 | 0.06 |
| X4 | 0.10 | 0.10 | 0.08 | 0.09 | 0.06 | 0.09 | 0.07 | 0.10 |
| X5 | 0.10 | 0.10 | 0.16 | 0.17 | 0.11 | 0.09 | 0.07 | 0.15 |
| X6 | 0.15 | 0.15 | 0.16 | 0.17 | 0.23 | 0.18 | 0.29 | 0.15 |
| X7 | 0.15 | 0.21 | 0.20 | 0.17 | 0.23 | 0.09 | 0.15 | 0.15 |
| X8 | 0.25 | 0.26 | 0.20 | 0.26 | 0.23 | 0.37 | 0.29 | 0.29 |
4)应用和积法计算向量W的最大特征向量，在此基础上计算判断矩阵A1的最大特征根λ，从而根据得到评价因子的特征权向量Wi。
5)利用一致性比率CR对特征权向量Wi做一致性检验，通过检验的特征向量即为各评价指标的权重向量；如果检验无法通过，则返回执行步骤1)，即重新筛选评价指标，重新建立分层次的指标。
一致性检验为现有技术，不再赘述。若CR＜0.1，则表明检验通过，特征向量即为权向量。本实施例中计算结果为CR＝0.08，因此研究构建的判断矩阵合理，特征权向量即为各评价指标的权重值，如表6所示。
表6
6)根据评价指标的权重向量，得到扩张后的城市开发边界的综合承载力的评价分值C；
C＝0.053×X1-0.062×X2+0.056×X3-0.086×X4-0.120×X5+0.186×X6+ 0.168×X7+0.269×X8；
通过自然断裂法将评价分值划分为三类阈值区间，分别将其承载能力划分为高承载区、中承载区和低承载区，由此得到常州市市区城市开发边界扩张后的综合承载力评价图。结果显示，常州市市区高城市综合承载力区集中在中心城区及其周边，与当前常州市社会经济活动中心区高度重叠。从而进一步验证了评价结果与现实情况的高度统一，也从侧面反映了常州市城市发展应在现有基础上边缘扩张，飞地式或跳跃式的城市发展难以与实际承载能力相匹配。
中等城市综合承载力区分布最为广泛，该类型区由于在经济社会基础环境方面的劣势，因而承载能力有限，通过改造提升后，可适度作为城镇开发的后备地区。此外，该类型区且与研究划定的理论基本农田保护区高度重叠，这间接反映了理论基本农田保护区与其实际承载能力相匹配。
低承载类型区规模较小，空间分布较为离散，多集中在研究区东部地面沉降严重区域以及沿湖、沿江等地区。这一类型区由于受地质条件限制，综合承载力不高，改造难度较大，可开发价值较低。因此在扩张后的城市开发边界中剔除连片的低承载区，即完成初步修正。连片指同一属性地类的空间相连程度，可用景观聚集度指数衡量，此为现有技术，不再赘述，可根据需要选取合适的连片区域。
(二)城市开发边界作为约束城市未来发展的规模线和空间约束线，其覆盖区域应与区域实际承载能力、规划政策以及国土空间管控政策相衔接，确保城市开发边界与实际国土空间管理相契合。此外，城市发展受区位、资源禀赋、周边环境变化等影响存在诸多不确定性因素，这导致很难依靠单一城市开发边界实现约束和引导城市扩张的目的。城市开发边界的设定应充分建立在对城市发展需求和底线约束综合考虑的基础上，坚持刚性控制与弹性供给相结合，即在划定规模与空间底线的基础上应保留充足的弹性可调控空间，以弹性城市开发边界为城市发展规模的调控手段，以刚性城市开发边界为城市发展规模的最终管控目标，有助于增加城市建设管理的灵活性，增强对社会经济发展不确定性的适应能力。
对此，研究基于模拟获得的城市弹性扩展边界和刚性扩展边界，结合城市综合承载力评价结果，以及土地利用总体规划中“建设用地空间管制分区”的办法，同时严格遵守生态底线约束的思想，划定城市开发的刚性边界与弹性边界。
因此，以下两个原则需要遵循：1)确保城市允许和有条件建设区均划入城市开发边界，满足城市发展过程中的建设用地需求。同时，严格避开禁止建设区，适当与限制建设区重叠。 2)严格生态红线的底线约束，避开任何与生态红线冲突的地区，确保城市发展不与生态环境保护相矛盾。
本发明结合多源国土空间信息数据，应用GIS空间分析、SLEUTH模型模拟等技术，在综合考虑耕地红线约束、生态红线限制、各类国土空间规划的土地利用管制政策以及生态承载力等约束的基础上，构建了适合中国国情的城市开发边界预测方法。
本发明不局限于上述实施例所述的具体技术方案，除上述实施例外，本发明还可以有其他实施方式。对于本领域的技术人员来说，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等形成的技术方案，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于SLEUTH模型的城市开发边界预测方法，其特征在于，包括以下步骤：
步骤一、分别获取城市中心城区范围的历史与现状的遥感影像，从每一幅遥感影像中提取IBI指数来构建相应的IBI影像，所述IBI指数由用于反映水体信息的MNDWI指数、用于反映建筑用地信息的NDBI指数以及用于反映植被信息的SAVI或NDVI指数构成；
步骤二、采用SLEUTH模型，通过所有的IBI影像进行城市建设用地扩张模拟，在扩张阶段设置预设的严格排除图层作为禁止建设边界；在校准阶段采用OSM_NS作为确定模型的最佳拟合优度指标，
OSM_NS＝compare×pop×edges×clusters×xmean×ymean
式中，compare为模拟的最后年份城镇化像元总数与实际的最后年份城镇化像元总数的比值，pop为模拟的城镇化像元数目与校准年份实际城镇化像元数目比值的最小二乘法回归相关系数值，edges为模拟城镇边界数与校准年份真实城镇边界数比值的最小二乘法回归相关系数值，clusters为模拟的城镇聚类与校准年份真实的城镇聚类比值的最小二乘法回归相关系数值，xmean为模拟的城镇化像元的平均x坐标值与校准年份真实的城镇化像元的平均x坐标值比值的最小二乘法回归相关系数值，ymean为模拟的城镇化像元的平均y坐标值与校准年份真实的城镇化像元的平均y坐标值比值的最小二乘法回归相关系数值。
2.根据权利要求1所述的基于SLEUTH模型的城市开发边界预测方法，其特征在于，通过的城镇综合承载力对步骤二中预测的城市开发边界进行修正，具体方法如下：
1)建立分层次的城镇综合承载力评价指标；
2)通过主成分分析法将评价指标转换成评价因子，选取满足预设条件的评价因子作为主成份，并找到解释信息量最大的主成分；按解释信息量最大的主成分中各评价因子得分系数对评价指标的重要性进行排序；
3)依据评价指标重要性排序结果，构建判断矩阵A1，
对判断矩阵A1的各列进行归一化处理，得到判断矩阵A2，并计算判断矩阵A2中各行之和，得到向量W，对向量W做归一化处理；
4)应用和积法计算向量W的最大特征向量，在此基础上计算判断矩阵A1的最大特征根λ，从而根据得到评价因子的特征权向量Wi；
5)利用一致性比率CR对特征权向量Wi做一致性检验，通过检验的特征向量即为各评价指标的权重向量；如果检验无法通过，则返回执行步骤1)，即重新筛选指标；
6)根据评价指标的权重向量，得到扩张后的城市开发边界的综合承载力的评价分值，通过自然断裂法将评价分值划分为三类阈值区间，分别将其承载能力划分为高承载区、中承载区和低承载区，并在扩张后的城市开发边界中剔除连片的低承载区。
3.根据权利要求1或2所述的基于SLEUTH模型的城市开发边界预测方法，其特征在于，根据以下原则对预测的城市开发边界进行修正：确保城市允许建设区均划入城市开发边界，并严格避开禁止建设区；严格避开任何与生态红线冲突的地区。
4.根据权利要求1或2所述的基于SLEUTH模型的城市开发边界预测方法，其特征在于：所述严格排除图层包括水域空间和生态空间。
5.根据权利要求4所述的基于SLEUTH模型的城市开发边界预测方法，其特征在于：所述严格排除图层还包括基本农田保护区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910437849.8A CN110598513A (zh) | 2019-05-24 | 2019-05-24 | 一种基于sleuth模型的城市开发边界预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910437849.8A CN110598513A (zh) | 2019-05-24 | 2019-05-24 | 一种基于sleuth模型的城市开发边界预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598513A true CN110598513A (zh) | 2019-12-20 |
Family
ID=68852606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910437849.8A Pending CN110598513A (zh) | 2019-05-24 | 2019-05-24 | 一种基于sleuth模型的城市开发边界预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598513A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
| CN111753703A (zh) * | 2020-06-18 | 2020-10-09 | 杭州浙大东南土地研究所有限公司 | 一种城镇土地边界的监控系统及其监控方法 |
| CN112182125A (zh) * | 2020-09-14 | 2021-01-05 | 中国科学院重庆绿色智能技术研究院 | 一种商务集聚区边界识别系统 |
| CN112270291A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
| CN112598263A (zh) * | 2020-12-19 | 2021-04-02 | 武汉大学 | 基于城市扩张全局结构的中心性和集聚性测度方法 |
| CN116644809A (zh) * | 2023-05-25 | 2023-08-25 | 南京大学 | 一种集成地理大数据和机器学习的城镇开发边界划定方法 |
| CN116645012A (zh) * | 2023-07-27 | 2023-08-25 | 河北工业大学 | 一种城市边缘区空间范围的高精度动态识别方法 |
| CN116739133A (zh) * | 2023-03-20 | 2023-09-12 | 北京师范大学 | 一种基于自然–社会双驱动分析的区域芦苇ndvi格局模拟预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992041A (zh) * | 2015-08-06 | 2015-10-21 | 武汉大学 | 一种基于空间句法的城市扩张边界预测方法 |
| CN105488253A (zh) * | 2015-11-24 | 2016-04-13 | 首都师范大学 | 一种确定地面沉降和区域静载荷相关性的方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN107862644A (zh) * | 2017-12-21 | 2018-03-30 | 武汉大学 | 一种面向“三线”冲突的分析和评价方法 |
| CN109388887A (zh) * | 2018-10-09 | 2019-02-26 | 首都师范大学 | 一种地面沉降影响因素定量分析方法及系统 |
-
2019
- 2019-05-24 CN CN201910437849.8A patent/CN110598513A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992041A (zh) * | 2015-08-06 | 2015-10-21 | 武汉大学 | 一种基于空间句法的城市扩张边界预测方法 |
| CN105488253A (zh) * | 2015-11-24 | 2016-04-13 | 首都师范大学 | 一种确定地面沉降和区域静载荷相关性的方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN107862644A (zh) * | 2017-12-21 | 2018-03-30 | 武汉大学 | 一种面向“三线”冲突的分析和评价方法 |
| CN109388887A (zh) * | 2018-10-09 | 2019-02-26 | 首都师范大学 | 一种地面沉降影响因素定量分析方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 庄逐舟: "快速城镇化地区耕地空间优化决策支持", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 * |
| 王丽妍;李飞雪;李满春;姜朋辉;钟礼山: "基本农田信息对SLEUTH模型模拟准确性的影响——以常州市中心城区为例", 《地理与地理信息科学》 * |
| 陈蓓蓓等: "《北京市典型地区地面沉降演化过程与机理分析》", 30 April 2015 * |
| 黄勇；王宗记: "城市综合承载力导向下的城市增长边界划定——以常州城市承载力规划研究为例", 《2011城市发展与规划大会论文集》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
| CN111753703A (zh) * | 2020-06-18 | 2020-10-09 | 杭州浙大东南土地研究所有限公司 | 一种城镇土地边界的监控系统及其监控方法 |
| CN111753703B (zh) * | 2020-06-18 | 2024-04-30 | 杭州浙大东南土地研究所有限公司 | 一种城镇土地边界的监控系统及其监控方法 |
| CN112182125B (zh) * | 2020-09-14 | 2022-07-05 | 中国科学院重庆绿色智能技术研究院 | 一种商务集聚区边界识别系统 |
| CN112182125A (zh) * | 2020-09-14 | 2021-01-05 | 中国科学院重庆绿色智能技术研究院 | 一种商务集聚区边界识别系统 |
| CN112270291A (zh) * | 2020-11-11 | 2021-01-26 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
| CN112598263B (zh) * | 2020-12-19 | 2022-04-29 | 武汉大学 | 基于城市扩张全局结构的中心性和集聚性测度方法 |
| CN112598263A (zh) * | 2020-12-19 | 2021-04-02 | 武汉大学 | 基于城市扩张全局结构的中心性和集聚性测度方法 |
| CN116739133A (zh) * | 2023-03-20 | 2023-09-12 | 北京师范大学 | 一种基于自然–社会双驱动分析的区域芦苇ndvi格局模拟预测方法 |
| CN116739133B (zh) * | 2023-03-20 | 2024-06-04 | 北京师范大学 | 一种基于自然–社会双驱动分析的区域芦苇ndvi格局模拟预测方法 |
| CN116644809A (zh) * | 2023-05-25 | 2023-08-25 | 南京大学 | 一种集成地理大数据和机器学习的城镇开发边界划定方法 |
| CN116644809B (zh) * | 2023-05-25 | 2024-04-05 | 南京大学 | 一种集成地理大数据和机器学习的城镇开发边界划定方法 |
| CN116645012A (zh) * | 2023-07-27 | 2023-08-25 | 河北工业大学 | 一种城市边缘区空间范围的高精度动态识别方法 |
| CN116645012B (zh) * | 2023-07-27 | 2023-10-10 | 河北工业大学 | 一种城市边缘区空间范围的高精度动态识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598513A (zh) | 一种基于sleuth模型的城市开发边界预测方法 | |
| Yongxiu et al. | Spatio-temporal variations and coupling of human activity intensity and ecosystem services based on the four-quadrant model on the Qinghai-Tibet Plateau | |
| Zhao et al. | Environmental vulnerability assessment for mainland China based on entropy method | |
| Liang et al. | Integrated assessment of land-use/land-cover dynamics on carbon storage services in the Loess Plateau of China from 1995 to 2050 | |
| CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
| Shao et al. | A method to the impact assessment of the returning grazing land to grassland project on regional eco-environmental vulnerability | |
| Svoray et al. | Predicting gully initiation: comparing data mining techniques, analytical hierarchy processes and the topographic threshold | |
| Wang et al. | Spatiotemporal dynamics and evolution relationships between land-use/land cover change and landscape pattern in response to rapid urban sprawl process: A case study in Wuhan, China | |
| Nitheshnirmal et al. | Prioritization of erosion prone micro-watersheds using morphometric analysis coupled with multi-criteria decision making | |
| Mochizuki et al. | Change in habitat selection by Japanese macaques (Macaca fuscata) and habitat fragmentation analysis using temporal remotely sensed data in Niigata Prefecture, Japan | |
| Anderson et al. | Bayesian cluster detection via adjacency modelling | |
| Raju et al. | Classification of microwatersheds based on morphological characteristics | |
| Wang et al. | Wetland mapping in East Asia by two-stage object-based Random Forest and hierarchical decision tree algorithms on Sentinel-1/2 images | |
| Kusiima et al. | Anthropogenic induced land use/cover change dynamics of Budongo-Bugoma landscape in the Albertine region, Uganda | |
| Tang et al. | Coupled effects of land use and climate change on water supply in SSP–RCP scenarios: A case study of the Ganjiang river Basin, China | |
| Saeidi et al. | Designing an integrated urban growth prediction model: A scenario-based approach for preserving scenic landscapes | |
| Yue et al. | Simulation and prediction of land use change in Dongguan of China based on ANN cellular automata-Markov chain model | |
| McGarigal et al. | Designing sustainable landscapes: modeling focal species | |
| Liu et al. | Projection of the potential distribution of suitable habitats for Siberian crane (Grus leucogeranus) in the middle and lower reaches of the Yangtze River basin | |
| Shifaw et al. | Farmland dynamics in Pingtan, China: understanding its transition, landscape structure and driving factors | |
| Boori et al. | Vulnerability evaluation from 1995 to 2016 in Central Dry Zone area of Myanmar | |
| JP2023059866A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| CN111178372B (zh) | 基于遥感影像和地形数据的大区域尺度黄土塬面提取方法 | |
| Qi et al. | Land intensification use scenarios based on urban land suitability assessment of the national park | |
| CN114119575A (zh) | 一种空间信息变化检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |