CN112035584B - 空间规划情景模拟方法及系统 - Google Patents
空间规划情景模拟方法及系统 Download PDFInfo
- Publication number
- CN112035584B CN112035584B CN202010885163.8A CN202010885163A CN112035584B CN 112035584 B CN112035584 B CN 112035584B CN 202010885163 A CN202010885163 A CN 202010885163A CN 112035584 B CN112035584 B CN 112035584B
- Authority
- CN
- China
- Prior art keywords
- construction
- land
- grid
- data
- factors
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 152
- 238000004088 simulation Methods 0.000 title claims abstract description 70
- 238000013439 planning Methods 0.000 title claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 289
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013139 quantization Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000011161 development Methods 0.000 claims description 32
- 230000018109 developmental process Effects 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000004709 eyebrow Anatomy 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000006481 Colocasia esculenta Nutrition 0.000 description 1
- 241001149904 Elliptio crassidens Species 0.000 description 1
- 235000013289 Xanthosoma Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000013317 urban planning method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种空间规划情景模拟方法及系统，该方法包括以下步骤：S1、对待模拟预测区域的建设用地数据预处理；S2、确定建设用地扩张的影响因子，对影响因子进行归类；S3、对确定的影响因子进行空间量化处理；S4、构建训练样本数据集，用于对多种模型进行模拟模型的训练学习；S5、训练结果比较评估；S6、未来用地规模预测，用于得到预测目标年建设用地的总增长规模；S7、得到未来不同情景下的建设用地扩张模拟结果。与方法相应的系统包括数据输入模块、数据处理模块、参数设定模块、用地规模预测模块以及结果生成模块。本发明能有能全面考虑影响因素，避免模拟偏差，对建设用地扩张预测更准确，为城市建设提供支撑；同时降低规划工作者工作强度。
Description
技术领域
本发明属于地理信息模拟技术领域，尤其涉及一种空间规划情景模拟方法及系统。
背景技术
传统的空间规划工作由于数据信息的限制、人脑有限的信息处理效率而止步于经验型、局限型的空间规划情景分析。这种简单的情景分析与真实世界中多因素复杂作用下的空间发展仍有一定差距。
信息技术的发展，拉开了人类进入空间时代与信息社会的序幕。空间规划工作者开始将空间计量模型应用于城市发展研究中。其中，系统动力学模型由于具备“自下而上”以及仿真功能的特点，被广泛地应用到城市空间动态演化的模拟研究。
随着对城市微观层面的不断深入研究，研究者们开始探索“自下而上”的建模思想，并催生地理空间/城市空间模拟的智能化模型，其中最常用为元胞自动机模型(CelluarAutomata,简称CA)。CA是一种强有力的空间动态模拟技术，可以有效地模拟出复杂的城市系统的动态演变过程。一般的CA主要用于模拟真实城市的变化过程，即根据以往发展趋势来模拟将来的变化，属于基准发展(Base-line Development)模型。而运用约束性CA的最大特点就是考虑了各种主要限制性条件对城市用地开发的影响，引进环境、城市形态和发展密度等可持续发展因素，以及各种约束性条件和规划目标准则，通过调整各种控制参数，来控制不同情景下的模拟结果。所达到的结果就不仅是根据过去预测未来，而是根据不同规划目标的要求而模拟不同的城市发展模式，供规划工作者选择。因此，CA具有很强的灵活性和可操作性，可以作为一种启发式的空间规划工具，为规划工作者进行城市理论验证和探索提供方便，并将极大提升城市规划决策的可靠性与科学性。
目前CA也在发展之中，还存在若干缺点，例如在确定模型的结构、模型所用的变量，模型的参数值以及未来的情景预测方面还有许多不确定性。虽然其技术路线相对较为成熟，但是在城市规划的应用过程中仍因为存在技术门槛而应用有限。
发明内容
为了解决上述技术问题，本发明提供一种空间规划情景模拟方法及系统。
本发明的一方面提供一种空间规划情景模拟方法，所述方法包括以下步骤：
S1、对待模拟预测区域的建设用地数据预处理；
S2、确定建设用地扩张的影响因子，对所述影响因子进行归类；
将建设用地扩张的影响因子归纳为禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子；其中禁止建设类影响因子是指建设用地扩张过程中不允许占用的因素，限制建设类影响因子是指对建设用地扩张有限制力的因素，适宜建设类影响因子是指对建设用地扩张有积极驱动作用的因素，特殊类影响因子是指是一些受政策影响的因素；
S3、对确定的影响因子进行空间量化处理；
分别对步骤S2中确定的禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子在空间上的影响范围进行界定，并进行分级标准化赋值，以衡量影响因子对建设用地扩张影响的空间差异性；
S4、构建训练样本数据集，用于对多种模型进行模拟模型的训练学习；
S5、训练结果比较评估；
对多种模型进行比较评估，采用kappa系数评估模型精度，其计算公式为：
Kappa＝(P0-Pc)/(1-Pc)
Pc＝(a0*a1+b0*b1)/(n*n)
式中，P0为模拟正确的栅格数据占总栅格数量的比例，也即总体分类精度；a0为真实的建设用地数据中属性值为0的栅格个数，a1为真实的建设用地数据中属性值为1的栅格个数，b0为预测得到的建设用地数据中属性值为0的栅格个数，b1为预测得到的建设用地数据中属性值为1的栅格个数，总栅格个数为n；
根据kappa值进行模型评估；
S6、未来用地规模预测，用于得到预测目标年建设用地的总增长规模；
S7、基于步骤S6中得到的多种情景下的未来用地规模，通过步骤S5中选择的模型进行模型迭代运算，得到未来不同情景下的建设用地扩张模拟结果。
优选的，所述步骤S1对待模拟预测区域的建设用地数据预处理的具体步骤为：
S110，首先确定模拟预测区域范围的空间尺度，即栅格大小；
S111，然后根据确定的栅格大小，进行栅格属性的二分类数字化表达，具体为以yit表示i空间单元t时期的建设用地属性，yit＝1表明i空间单元t时期为建设用地，yit＝0表明i空间单元t时期为非建设用地；yi(t,t+1)表示i空间单元从t时期到t+1时期建设用地属性是否发生变化，变化值为1，不变化则值为0；
S112，根据栅格属性的二分类数字化表达确定不同时期建设用地差异的组合值，即若yit＝0，yit+1＝1，则yi(t,t+1)＝1，若yit＝0，yit+1＝0，则yi(t,t+1)＝0。
优选的，所述步骤S2中禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子具体包括以下因素：
禁止建设类影响因子具体包括因素为：一级水源保护区、河流湖泊、自然保护区核心区、自然保护区缓冲区、一级国家公益林、地质遗迹、禁止开发范围的风景名胜区、作为保护本体的历史文化遗迹、禁止建设范围的军事基地、地震断裂带、高速公路两侧断裂带、铁路两侧断裂带；
限制建设类影响因子具体包括因素为：二级水源保护地、准保护区的水源保护地、湿地、试验区的自然保护区、外围保护地带的自然保护区、二级国家公益林、森林公园、限制开发范围的风景名胜区、建设控制地带的历史文化遗迹、限制建设范围的军事基地、坡度坡向坡度大的区域、市政设施廊道、地质灾害区、洪涝灾害区；
适宜建设类影响因子具体包括因素为：人口规模、人口密度、人口增速人口相关要素，GDP、GDP增速、人均GDP、人均收入水平、固定资产投资经济相关要素，城市中心区位要素，线状交通设施、点状交通设施交通要素，新发展区；
特殊类影响因子具体包括因素为：基本农田保护区。
优选的，所述步骤S3对确定的影响因子进行空间量化处理具体步骤为：
S130，根据步骤S2中各影响因子的定义确定每种影响因子的具体因素内容；
S131，针对面状禁止建设类影响因子数据的空间量化处理，首先进行其到建设用地的欧式距离分析，根据欧式距离分析结果进行重分类处理，各个栅格属性的值根据该栅格距离源栅格的最小欧式距离确定，若栅格距离源栅格的最小欧式距离为0，则栅格所在区域为禁止建设区域，即为上述禁止建设类要素所在的源栅格，栅格属性值设置为0，；若栅格距离源栅格的最小欧式距离大于0，则栅格所在区域为非禁止建设区域，栅格属性值设置为1，也即未来用地模拟中栅格属性为1的区域有可能成为新开发的建设用地，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S132：对线状禁止建设类影响因子数据首先依据空间规划方案影响因子量化中规定的范围进行缓冲分析，其余处理流程同面状禁止建设类影响因子数据的空间量化处理流程；
S133：对限制建设类影响因子数据的空间量化处理，首先依据空间规划方案影响因子量化中的规定对限制建设类影响因子分级，落实其在空间上的保护范围，建设适宜性赋值大于0小于1即可，数值越大其建设适宜性越高；
S134：对适宜建设类影响因子数据的空间量化处理，对人口密度、人均GDP类的属性因素，进行面转栅格分析，分析后的栅格文件进行标准化处理后输出为栅格文件，对铁路、高速、公路距离类线状、点状适宜建设类影响因子，首先进行欧式距离分析，对欧氏距离分析后的影响因子进行分割分析，将分割分析后的影响因子进行标准化处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S135：对特殊类影响因子对其归属选择进行处理，若认定为禁止建设类，处理方式参照禁止建设类影响因子；若认定为适宜建设类，则参照适宜建设类影响因子处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致。
优选的，所述步骤S4构建训练样本数据集，用于对多种模型进行模拟模型的训练学习具体为：
构建训练样本数据集，主要采用随机抽样方法从研究范围选择一定比例的样本量，
对多种模型进行模拟模型的训练学习时，需要同时输入包含步骤S1和步骤S3中数据类型的训练样本集进行模型的训练。
优选的，所述步骤S6未来用地规模预测，用于得到预测目标年建设用地的总增长规模具体为：
未来用地规模预测模拟方法包括基于人口规模预测用地方法和基于产业规模预测用地方法；
所述基于人口规模预测用地方法包括：基于增长率法的综合增长率法、指数增长法、逻辑斯特回归；基于相关关系法的经济相关法、劳动力需求法；基于资源环境承载力法的水资源承载力法、环境容量法、经济承载力法，基础设施承载力法、以及生态足迹法；
所述基于产业规模预测用地方法包括：回归系数法、单位产值占地面积法。
本发明还公开了一种空间规划情景模拟系统，其包括以下装置：数据输入模块、数据处理模块、参数设定模块、用地规模预测模块以及结果生成模块，具体为：
数据输入模块，用于从外部输入建设用地模拟所需的数据；
数据处理模块，用于建设用地各类影响因子的空间量化处理；用于对影响因子的空间范围界定，并进行分级标准化赋值，以衡量因素对建设用地扩张影响的空间差异性；
参数设定模块，用于输入预测模拟的邻域参数，主要包含邻域定义方法选择单元以及临近阶数选择单元；
用地规模预测模块，用于选择不同的用地规模预测模拟方法进行未来时期建设用地规模的预测；
结果生成模块，基于用地规模预测模块得到的未来建设用地规模，通过模型迭代运算，用于得到未来不同情景下的建设用地扩张模拟结果。
优选的，所述数据输入模块具体包括建设用地数据单元和影响因子单元；
所述建设用地数据单元，用于获取待模拟预测的现状用地数据；
所述影响因子单元，用于获取影响建设用地扩张的多类影响因子数据，具体包括影响建设用地扩张的禁止建设类影响因子单元、限制建设类影响因子单元、适宜建设类影响因子单元和特殊类影响因子单元,具体为：
所述禁止建设类影响因子单元具体包括一级水源保护区、河流湖泊、自然保护区核心区、自然保护区缓冲区、一级国家公益林、地质遗迹、禁止开发范围的风景名胜区、作为保护本体的历史文化遗迹、禁止建设范围的军事基地、地震断裂带、高速公路两侧断裂带、铁路两侧断裂带因素的输入；
所述限制建设类影响因子单元具体包括二级水源保护地、准保护区的水源保护地、湿地、试验区的自然保护区、外围保护地带的自然保护区、二级国家公益林、森林公园、限制开发范围的风景名胜区、建设控制地带的历史文化遗迹、限制建设范围的军事基地、坡度坡向坡度大的区域、市政设施廊道、地质灾害区、洪涝灾害区因素的输入；
所述适宜建设类影响因子单元具体包括人口规模、人口密度、人口增速人口相关要素，GDP、GDP增速、人均GDP、人均收入水平、固定资产投资经济相关要素，城市中心区位要素，线状交通设施、点状交通设施交通要素，新发展区因素的输入；
所述特殊类影响因子单元具体包括基本农田保护区因素的输入。
优选的，所述数据处理模块具体包括选择数据单元、确定数据类型单元、数据处理单元、以及处理数据输出单元；
所述选择数据单元用于从已输入数据中选择待进行数据处理的数据；
所述确定数据类型单元用于确定数据具体分类，分类包括禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子，以及数据形式是否是点、线、面状形式；
数据处理单元对不同类影响因子采用不同的空间量化方法；
处理数据输出单元则输出满足用地模型所需的影响因子数据形式。
优选的，所述用地规模预测模块具体包括人口规模预测用地单元和产业规模预测用地单元；
所述人口规模预测用地单元包括可供选择的基于增长率法的综合增长率法、指数增长法、逻辑斯特，基于相关关系法的经济相关法、劳动力需求法，基于资源环境承载力法的水资源承载力法、环境容量法、经济承载力法，以及基础设施承载力法、生态足迹法用地预测方法，用于预测目标年的用地规模预测；
所述产业规模预测用地单元包括可供选择的回归系数法、单位产值占地面积法用地预测方法，用于预测目标年的用地规模预测。
与现有技术相比，本发明具有以下有益效果：
1、通过将影响建设用地扩张的影响因素进行归类处理，能有效避免以往的单纯考虑某一或某几种少数因素所带来的模拟偏差；
2、通过将不同类型的影响要素进行不同形式的空间量化处理，有效利用了不同影响因素对建设用地扩张的影响程度；
3、通过对基于训练集训练的模型进行比较评估，从而获得最优的训练模型和训练规则；
4、通过设置多种扩张情景进行建设用地的预测可以得到不同情景下城市空间布局的差异，也能得到城市各板块发展动力的差异，为市建设时序的近中远期规划提供支撑；
5、在系统中通过参数设定模块给出范围内所有可行的影响因素参数选项以及待参考的邻域设施参数，大大降低了规划工作者的应用能力；
6、具有模型选择模块、模型评估模块和个人调整模块，因此使得规划工作者拥有更多的自由度依据自身需要选择适合的模型及模拟结果。
附图说明
图1是本发明建设用地扩张的CA多情景预测模拟分析方法的流程图；
图2是本发明实施例所采用的2005年、2010年和2015年三期建设用地图；
图3是本发明实施例用地变化模拟结果与实际建设用地现状比较图；
图4是本发明实施例用地规模预测的逻辑图；
图5是本发明实施例在第一和第二类情景下的2035年建设用地预测结果与实际建设用地现状比较图；
图6是本发明建设用地扩张的CA多情景预测模拟分析应用系统的结构图；
图7是本发明实施例中数据输入模块结构示意图；
图8是本发明实施例中数据处理模块结构示意图；
图9是本发明实施例中数据处理模块中数据处理单元的数据处理流程示意图；以及
图10是本发明实施例中邻域定义规则示意图。
具体实施方式
为了使本发明的发明内容、技术方案更容易理解和实施，以下结合附图和实施例，对本发明做更详细的描述说明。应理解，对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。因此此处所描述的具体实施例仅被用于解释本发明，并不限定本发明。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例中的研究对象位于四川省眉山市市域，国土面积为7134平方千米。本研究中采用的待模拟用地数据为：2005年、2010年、2015年眉山市市域的建设用地数据，土地分类包括建设用地、非建设用地2类。研究中采用的影响因素数据共收集到市域范围内四类数据15项要素数据。其中，水源一级保护区、风景名胜区和市政设施廊道属于禁止建设类因素；水源二级保护区和准保护区、坡度坡向和森林公园分布为限制建设类因素；适宜建设因素主要包括人口密度、人均GDP铁路、高速和公路；特殊类因素包括永久基本农田保护区。
本发明中研究对象选择眉山市的原因主要在于：眉山位于四川盆地成都平原西南部，岷江中游和青衣江下游的扇形地带，成都--乐山黄金走廊中段，是成都平原通联川南、川西南、川西、云南的咽喉要地和南大门。北接省会成都，东邻内江、资阳、自贡，南连乐山，西接雅安，也是成都都市圈的成员城市之一。眉山市城市建设初期，发展主要局限于老城范围内，规模较小。随着成昆铁路眉山站和省道103的建设，城市建设沿老城外围103省道、老城-火车站、老城-象耳三条主要通道进行。2000年撤区改市，中心城区以老城为中心急剧扩展，并沿北部106省道开始城市新区建设，初步形成老城、新区、火车站、象耳四个城市发展区。2009年以来，城市向东进和西拓态势明显。岷东新区建设进一步推动，城市框架逐渐拉开。受经开新区等项目建设带动，城市继续向西拓展。随着眉山市城市框架的进一步扩展，合理预测模拟未来不同城市发展方向下的用地扩张边界和扩张方向，对于未来城市管理者安排有序的城市建设有重要意义。
根据本发明提供的一种建设用地扩张的CA多情景预测模拟分析方法，如图1所示，该方法包括以下步骤：
S1、对待模拟预测区域的建设用地数据预处理；具体实现包括以下子步骤：
S110、首先确定模拟预测区域范围的空间尺度，在此特指栅格大小；
S111、然后根据确定的栅格大小，进行栅格属性的二分类数字化表达，具体为以yit表示i空间单元t时期的建设用地属性，yit＝1表明i空间单元t时期为建设用地，yit＝0表明i空间单元t时期为非建设用地；yi(t,t+1)表示i空间单元从t时期到t+1时期建设用地属性是否发生变化，变化值为1，不变化则值为0。图2为本实施例初始选取了2005 年、2010年和2015年三期的建设用地数据。
S112、根据栅格属性的二分类数字化表达确定不同时期建设用地差异的组合值，确定规则为若yit＝0，yit+1＝1，则yi(t,t+1)＝1，若yit＝0，yit+1＝0，则yi(t,t+1)＝0。
S2、确定建设用地扩张的影响因子，对影响因子进行归类；
从建设用地演变影响因素研究来看，建设用地扩张的影响因素众多，有用地增长规模影响因素，也有用地空间布局影响因素；有用地扩张的驱动因素，也有制动因素；有自然因素，也有经济社会因素；有恒定不变的因素，也有随时间变化的因素；有一般因素，也有特殊因素。本发明主要从方法计算的数据需求出发，尽量将日常工作中常见的各类对建设用地扩张有积极及负面影响的，在空间上可落位量化且具有空间差异性的因素都纳入考虑。
本发明中将建设用地扩张的影响因素归纳为禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子；
禁止建设类影响因子是指建设用地扩张过程中不允许占用的因素，禁止建设类影响因子具体包括一级水源保护区、河流湖泊、自然保护区核心区、自然保护区缓冲区、一级国家公益林、地质遗迹、禁止开发范围的风景名胜区、作为保护本体的历史文化遗迹、禁止建设范围的军事基地、地震断裂带、高速公路两侧断裂带、铁路两侧断裂带等因素；
限制建设类影响因子是指对建设用地扩张有限制力的因素，限制建设类影响因子具体包括二级水源保护地、准保护区的水源保护地、湿地、试验区的自然保护区、外围保护地带的自然保护区、二级国家公益林、森林公园、限制开发范围的风景名胜区、建设控制地带的历史文化遗迹、限制建设范围的军事基地、坡度坡向坡度大的区域、市政设施廊道、地质灾害区、洪涝灾害区等因素；
适宜建设类影响因子是指对建设用地扩张有积极驱动作用的因素，适宜建设类影响因子具体包括人口规模、人口密度、人口增速等人口相关要素，GDP、GDP增速、人均GDP、人均收入水平、固定资产投资等经济相关要素，城市中心等区位要素，线状交通设施、点状交通设施等交通要素，新发展区等因素；
特殊类影响因子是指是一些受政策影响的因素，如基本农田保护区等因素。
根据本发明的分类，将建设用地扩张影响因子整理为清单，如表1所示：
表1
S3、对确定的影响因子进行空间量化处理；
对步骤S2中确定的影响因子进行空间量化处理，主要是分别对禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子在空间上的影响范围进行界定，并进行分级标准化赋值，以衡量影响因子对建设用地扩张影响的空间差异性；在所有影响因子进行空间量化处理前，首先需要保证各类数据保持与待模拟预测的建设用地数据统一坐标系，统一栅格单元。
禁止建设类影响因子、限制建设类影响因子、以及特殊类影响因子的影响范围及分级，均以相关的法律法规、保护条例作为依据；
其中适宜建设类影响因子的影响范围及分级，因为无相关标准作为依据，因此其分级方式采用标准化的分级赋值方式。
本实施例中此步骤具体实现包括以下子步骤：
S130、根据步骤S2确定本实施例中具体的禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子。如选取水源一级保护区、风景名胜区和市政设施廊道等因素为禁止建设类影响因子；水源二级保护区和准保护区、坡度坡向和森林公园分布等因素为限制建设类影响因子；人口密度、人均GDP铁路、高速和公路等因素为适宜建设类影响因子；永久基本农田保护区等因素为特殊类影响因子，
S131、水源一级保护区、风景名胜区等因素为面状禁止建设类影响因子，针对面状禁止建设类影响因子数据的空间量化处理，首先进行其到建设用地的欧式距离分析，欧式距离分析主要计算研究区范围内的各个栅格距离源栅格的最小欧式距离，源栅格为上述禁止建设类影响因子所在的栅格，欧式距离计算公式如下：
其中，di为栅格i距离源栅格的最小欧式距离，(xi，yi)为栅格i的坐标，(xp，yp)为源栅格坐标。
根据欧式距离分析结果进行重分类处理，各个栅格属性的值根据该栅格距离源栅格的最小欧式距离确定，若栅格距离源栅格的最小欧式距离为0，则栅格所在区域为禁止建设区域，即为上述禁止建设类因素所在的源栅格，栅格属性值设置为0，；若栅格距离源栅格的最小欧式距离大于0，则栅格所在区域为非禁止建设区域，栅格属性值设置为1，也即未来用地模拟中栅格属性为1的区域有可能成为新开发的建设用地，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致。
S132、市政设施廊道等因素为线状禁止建设类影响因子,对线状禁止建设类影响因子数据首先依据空间规划方案影响因子量化中规定的范围进行缓冲分析，其余处理流程同面状禁止建设类影响因子数据的空间量化处理流程。
S133、水源二级保护区和准保护区、坡度坡向和森林公园分布等因素为限制建设类影响因子，对限制建设类影响因子数据的空间量化处理，首先依据空间规划方案影响因子量化中的规定对限制建设类影响因子分级，落实其在空间上的保护范围，建设适宜性赋值大于0小于1即可，数值越大其建设适宜性越高。具体的数值大小可根据不同的项目所在区的具体情况及计算需求确定。
本实施例中针对水源二级保护区和准保护区因素，依据国家环境保护局、卫生部、建设部、水利部、地矿部1989年7月联合颁布的《饮用水水源保护区污染防治管理规定》((89)环管字第201号)，建议地表水二级保护区建设适宜性赋值0.20分，地表水准保护区建设适宜性赋值0.40分；地下水二级保护区建设适宜性赋值0.30分，地下水准保护区建设适宜性赋值0.60分。
本实施例中针对坡度因素，依据《城用地评定标准(CJ132-2009)》中对坡度的评价分级，将坡度分为五级，小于等于10％的区域最为适宜建设，赋值1.00分，大于等于100％区域一般认定为严重影响建设，可赋值0分划为禁建区，也可根据项目需求赋大于0的值。中间按照25％，50％为分隔阈值，划分三个影响等级，按坡度由小到大，适宜性逐渐降低，可分别赋值0.25、0.50、0.75，具体如下表所示。
表2
本实施例中针对坡向因素，将坡向分为四级(见表)，南向、东南向及西南向最为适宜建设，可赋值1.00分；东、西向较为适宜建设，赋值0.75分；西北、东北向不太适宜建设，赋值0.50分；北向最不适宜建设，赋值0.25分，具体如下表所示。
表3
本实施例中针对森林公园类因素，依据国家林业局发布的《森林公园管理办法》
(1994年1月22日林业部令第3号，2011年1月25日国家林业局令第26号修改，2016年9月22日国家林业局令第42号修改)，建议森林公园的建设适宜度设置为0.20。
其次对分级后的因素进行栅格化，栅格属性的值为建设适宜性，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致。
S134、人口密度、人均GDP、铁路、高速和公路等因素为适宜建设类影响因子，对适宜建设类影响因子数据的空间量化处理，本实施例中针对人口密度、人均GDP等属性类因素，进行面转栅格分析，分析后的栅格文件进行标准化处理后输出为栅格文件。针对铁路、高速、公路等距离类线状、点状适宜建设类影响因子，首先进行欧式距离分析，对欧氏距离分析后的影响因子进行分割分析，将分割分析后的影响因子进行标准化处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致。
S135、永久基本农田保护区等因素为特殊类影响因子，对特殊类影响因子对其归属选择进行处理，若认定为禁止建设类，处理方式参照禁止建设类影响因子；若认定为适宜建设类，则参照适宜建设类影响因子处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致。
S4、构建训练样本数据集，用于进行模拟模型的训练学习；
构建训练样本数据集，主要采用随机抽样方法从研究范围选择一定比例的样本。
本实施例中模拟模型的训练分别使用CA神经网络算法和CA逻辑回归算法模拟2015 年的用地发展。以70％训练样本为例，从研究范围所有栅格中随机抽取70％的栅格，并输入该70％栅格所在的2005至2010年建设用地的变化及同期的处理后影响因子，2010年至2015年同期的处理后影响因子。其中2005至2010年建设用地的变化也即上述步骤 S112中yi(2005,2010)为0/1二分类值，同期处理后影响因子也即上述步骤S3各类影响因子栅格数据，属性值均介于0-1之间。为了确保本实施步骤的顺利进行，本模拟在window 7 系统、40G硬盘、4G内存等基础配置的电脑环境运行，采用python编程语言进行编写。
S5、训练结果比较评估；
训练结果可以得到预测的2015年建设用地数据，其中属性值为1表明为建设用地，属性值为0表明为非建设用地。对训练结果进行比较评估，采用kappa系数评估模型精度，其计算公式为：
Kappa＝(P0-Pc)/(1-Pc)
式中，P0为模拟正确的栅格数据占总栅格数量的比例，也即总体分类精度；Pc为计算过程中的变量，假设a0、a1分别为实际的属性值为0、1的栅格个数，本实施例中a0为实际的2015年建设用地数据中属性值为0的栅格个数，a1为实际的2015年建设用地数据中属性值为1的栅格个数，假设b0、b1分别为预测的属性值为0、1的栅格个数，本实施例中b0为预测得到的2015建设用地数据中属性值为0的栅格个数，b1为预测得到的 2015建设用地数据中属性值为1的栅格个数，总栅格个数为n，则有
Pc＝(a0*a1+b0*b1)/(n*n)
通常kappa是落在0～1间，可分为五组来表示不同级别的一致性：0.0～0.20极低的一致性(slight)、0.21～0.40一般的一致性(fair)、0.41～0.60中等的一致性(moderate)、 0.61～0.80高度的一致性(substantial)和0.81～1几乎完全一致(almostperfect)。
本实施例中分别基于CA神经网络算法和CA逻辑回归算法对2015年-眉山市市域的用地变化模拟结果与实际建设用地现状比较如图3所示。模型精度检验使用kappa系数， CA神经网络算法模拟结果kappa系数0.731。CA逻辑回归算法模拟结果kappa系数0.748。评估结果表明模拟结果与用地现状高度一致，其中基于CA逻辑回归算法的模拟精度更高。
S6、未来用地规模预测；
未来用地规模预测模拟，用于得到预测目标年建设用地的总增长规模。未来用地规模预测模拟方法主要归纳为基于人口规模预测用地方法和基于产业规模预测用地方法。
基于人口规模预测用地方法包括基于增长率法的综合增长率法、指数增长法、逻辑斯特回归(logistic regression)，此类方法主要基于人口自身的增长规律进行目标年的人口预测；基于相关关系法的经济相关法、劳动力需求法，此类方法主要通过建立人口以及影响人口增长的各影响影响因子间的相关关系进而进行目标年的人口预测；基于资源环境承载力法的水资源承载力法、环境容量法、经济承载力法，以及基础设施承载力法、生态足迹法等其他方法。其用于用地规模预测的逻辑如图4所示。首先基于各预测方法的计算规则预测得到预测目标年的人口规模，其次基于标准库查询得到人均建设用地的标准，人口规模乘以人口建设用地标准即可得到预测目标年的建设用地预测规模。具体的，《城市用地分类与规划建设用地标准》中人居建设用地标准如表4所示：
表4
基于产业规模预测用地方法包括回归系数法、单位产值占地面积法等，通过建立经济相关要素与用地的关联关系进行预测目标年的用地规模预测。
本实施例选择两种用地规模预测情景：
情景一选择基于人口综合增长规模预测用地规模，以2005-2015年眉山市市域人口规模和建设用地的历史增速作为未来的增速，对2035年用地增长进行预测，预测结果作为本次情景预测的建设用地总面积。
具体地，人口综合增长预测方法的数学表达为：
pt＝pt0(1+r)n
其中，pt为预测目标年末人口规模，本实施例中为2035年人口规模；pt0为预测基准年人口规模，本实施例中为2015年人口规模；r为人口年均增长率；n＝t-t0为预测年限。本实施例中根据计算规则计算得到2035年眉山市人口规模为100万人，依据人均建设用地的标准，确定眉山市属于v气候区，2015年现状人均城市建设用地规模为132平方米/ 人，据此得到该标准下的规划人均建设用地规模应小于等于110平方米/人，考虑到规划人均建设用地规模取值区间有20平方米/人的浮动区间，因此眉山市人均建设用地规模在最高标准110平方米/人的基础上下调10(20/2)平方米/人作为最终选取的人均建设用地规模，综合选取规划人均建设用地规模为100平方米/人，结合2035年人口规模100 万人，得到眉山市2035年用地规模为100平方公里。
情景二选择综合考虑未来人口增长和城市总体规划来预测用地规模，其中基于人口综合增长规模预测用地规模仍以2005-2015年眉山市市域人口规模和建设用地的历史增速作为未来的增速，对2035年用地增长进行预测，预测结果作为本次情景预测的建设用地总面积，其次基于眉山市总体规划中心城区2035年空间增长发展时序中城市建设用地增长的位置，作为2035年空间增长的起始位置，新增城市建设用地优先围绕起始位置进行增长。
S7、基于步骤S6中得到的多种情景下的未来用地规模，通过模型迭代运算，得到未来不同情景下的建设用地扩张模拟结果。
本实施例中基于步骤S6中得到的两种情景下的预测目标年用地规模，通过模拟精度更高的CA逻辑回归算法，得到预测目标年两种情景下的建设用地扩张模拟结果。
图5(A)和图5(B)分别为情景一和情景二下的2035年眉山市建设用地预测结果。
对应于一种空间规划情景模拟方法，本实施例还提供相应的一种空间规划情景模拟系统，下面结合图6至图10详细描述本系统。
一种空间规划情景模拟系统，系统包括：数据输入模块210、数据处理模块220、参数设定模块230、用地规模预测模块240以及结果生成模块250。如图6所示。
数据输入模块210，用于从外部输入建设用地模拟所需的数据；数据输入模块具体包括建设用地数据单元和影响因子单元。如图7所示。建设用地数据单元，用于获取待模拟预测的现状用地数据；影响因子单元，用于获取影响建设用地扩张的多类影响因子数据，具体包括影响建设用地扩张的禁止建设类影响因子单元、限制建设类影响因子单元、适宜建设类影响因子单元和特殊类影响因子单元,具体为：
禁止建设类影响因子单元具体包括一级水源保护区、河流湖泊、自然保护区核心区、自然保护区缓冲区、一级国家公益林、地质遗迹、禁止开发范围的风景名胜区、作为保护本体的历史文化遗迹、禁止建设范围的军事基地、地震断裂带、高速公路两侧断裂带、铁路两侧断裂带等因素的输入；
限制建设类影响因子单元具体包括二级水源保护地、准保护区的水源保护地、湿地、试验区的自然保护区、外围保护地带的自然保护区、二级国家公益林、森林公园、限制开发范围的风景名胜区、建设控制地带的历史文化遗迹、限制建设范围的军事基地、坡度坡向坡度大的区域、市政设施廊道、地质灾害区、洪涝灾害区等因素的输入；
适宜建设类影响因子单元具体包括人口规模、人口密度、人口增速等人口相关要素， GDP、GDP增速、人均GDP、人均收入水平、固定资产投资等经济相关要素，城市中心等区位要素，线状交通设施、点状交通设施等交通要素，新发展区等因素的输入；
特殊类影响因子单元具体包括基本农田保护区等因素的输入。
本实施例中分别输入2005年、2010年、2015年三期的眉山市建设用地数据；以及水源一级保护区、风景名胜区和市政设施廊道等属于禁止建设类影响因子的因素，水源二级保护区和准保护区、坡度坡向和森林公园分布等属于限制建设类影响因子的因素，人口密度、人均GDP铁路、高速和公路等属于适宜建设类影响因子的因素，永久基本农田保护区等属于特殊类影响因子的因素。
数据处理模块220，用于建设用地各类影响因子的空间量化处理；用于对影响因子的空间范围界定，并进行分级标准化赋值，以衡量因素对建设用地扩张影响的空间差异性。主要包括选择数据单元、确定数据类型单元、数据处理单元、处理数据输出单元，如图8 所示。
选择数据单元主要用于从已输入数据中选择待进行数据处理的数据。
确定数据类型单元主要用于确定数据具体分类，分类包括禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子，以及数据形式是否是点、线、面状形式。
数据处理单元对不同类影响因子采用不同的空间量化方法，不同数据的具体处理流程如图9所示，即实现步骤S131到步骤S135的功能。
处理数据输出单元则输出满足用地模型所需的影响因子数据形式。
参数设定模块230，用于输入预测模拟的邻域参数。主要包含邻域定义方法选择单元以及临近阶数选择单元。
邻域定义方法选择单元提供有以下几种形式：冯·诺依曼型(Von Neumann)、摩尔型 (Moore)、以及扩展摩尔型的邻域定义方法选择，三种方法的定义规则如图10所示。
临近阶数选择单元可供用户自定义临近阶数。本实施例中参数设定模块选择扩展摩尔型3阶临近。
用地规模预测模块240，用于选择不同的用地规模预测模拟方法进行未来时期建设用地规模的预测，具体包括：人口规模预测用地单元和产业规模预测用地单元。
人口规模预测用地单元包括可供选择的基于增长率法的综合增长率法、指数增长法、逻辑斯特，基于相关关系法的经济相关法、劳动力需求法，基于资源环境承载力法的水资源承载力法、环境容量法、经济承载力法，以及基础设施承载力法、生态足迹法等用地预测方法，用于预测目标年的用地规模预测。
产业规模预测用地单元包括可供选择的回归系数法、单位产值占地面积法等用地预测方法，用于预测目标年的用地规模预测。
结果生成模块250，基于用地规模预测模块得到的未来建设用地规模，通过模型迭代运算，用于得到未来不同情景下的建设用地扩张模拟结果。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种空间规划情景模拟方法，其特征在于：其包括以下步骤：
S1、对待模拟预测区域的建设用地数据预处理；
S110，首先确定模拟预测区域范围的空间尺度，即栅格大小；
S111，然后根据确定的栅格大小，进行栅格属性的二分类数字化表达，具体为以yit表示i空间单元t时期的建设用地属性，yit＝1表明i空间单元t时期为建设用地，yit＝0表明i空间单元t时期为非建设用地；yi(t,t+1)表示i空间单元从t时期到t+1时期建设用地属性是否发生变化，变化值为1，不变化则值为0；
S112，根据栅格属性的二分类数字化表达确定不同时期建设用地差异的组合值，即若yit＝0，yit+1＝1，则yi(t,t+1)＝1，若yit＝0，yit+1＝0，则yi(t,t+1)＝0；
S2、确定建设用地扩张的影响因子，对所述影响因子进行归类；
将建设用地扩张的影响因子归纳为禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子；其中禁止建设类影响因子是指建设用地扩张过程中不允许占用的因素，限制建设类影响因子是指对建设用地扩张有限制力的因素，适宜建设类影响因子是指对建设用地扩张有积极驱动作用的因素，特殊类影响因子是指是一些受政策影响的因素；
S3、对确定的影响因子进行空间量化处理；
分别对步骤S2中确定的禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子在空间上的影响范围进行界定，并进行分级标准化赋值，以衡量影响因子对建设用地扩张影响的空间差异性；
对确定的影响因子进行空间量化处理具体步骤为：
S130，根据步骤S2中各影响因子的定义确定每种影响因子的具体因素内容；
S131，针对面状禁止建设类影响因子数据的空间量化处理，首先进行其到建设用地的欧式距离分析，根据欧式距离分析结果进行重分类处理，各个栅格属性的值根据该栅格距离源栅格的最小欧式距离确定，若栅格距离源栅格的最小欧式距离为0，则栅格所在区域为禁止建设区域，即为上述禁止建设类要素所在的源栅格，栅格属性值设置为0；若栅格距离源栅格的最小欧式距离大于0，则栅格所在区域为非禁止建设区域，栅格属性值设置为1，也即未来用地模拟中栅格属性为1的区域有可能成为新开发的建设用地，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S132：对线状禁止建设类影响因子数据首先依据空间规划方案影响因子量化中规定的范围进行缓冲分析，其余处理流程同面状禁止建设类影响因子数据的空间量化处理流程；
S133：对限制建设类影响因子数据的空间量化处理，首先依据空间规划方案影响因子量化中的规定对限制建设类影响因子分级，落实其在空间上的保护范围，建设适宜性赋值大于0小于1即可，数值越大其建设适宜性越高；
S134：对适宜建设类影响因子数据的空间量化处理，对人口密度、人均GDP类的属性因素，进行面转栅格分析，分析后的栅格文件进行标准化处理后输出为栅格文件，对铁路、高速、公路距离类线状、点状适宜建设类影响因子，首先进行欧式距离分析，对欧氏距离分析后的影响因子进行分割分析，将分割分析后的影响因子进行标准化处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S135：对特殊类影响因子对其归属选择进行处理，若认定为禁止建设类，处理方式参照禁止建设类影响因子；若认定为适宜建设类，则参照适宜建设类影响因子处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S4、构建训练样本数据集，用于对多种模型进行模拟模型的训练学习；
S5、训练结果比较评估；
对多种模型进行比较评估，采用kappa系数评估模型精度，其计算公式为：
Kappa＝(P0-Pc)/(1-Pc)
Pc＝(a0*a1+b0*b1)/(n*n)
式中，P0为模拟正确的栅格数据占总栅格数量的比例，也即总体分类精度；a0为真实的建设用地数据中属性值为0的栅格个数，a1为真实的建设用地数据中属性值为1的栅格个数，b0为预测得到的建设用地数据中属性值为0的栅格个数，b1为预测得到的建设用地数据中属性值为1的栅格个数，总栅格个数为n；
根据kappa值进行模型评估；
S6、未来用地规模预测，用于得到预测目标年建设用地的总增长规模；
S7、基于步骤S6中得到的多种情景下的未来用地规模，通过步骤S5中选择的模型进行模型迭代运算，得到未来不同情景下的建设用地扩张模拟结果。
2.根据权利要求1所述的空间规划情景模拟方法，其特征在于：所述步骤S2中禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子具体包括以下因素：
禁止建设类影响因子具体包括因素为：一级水源保护区、河流湖泊、自然保护区核心区、自然保护区缓冲区、一级国家公益林、地质遗迹、禁止开发范围的风景名胜区、作为保护本体的历史文化遗迹、禁止建设范围的军事基地、地震断裂带、高速公路两侧断裂带、铁路两侧断裂带；
限制建设类影响因子具体包括因素为：二级水源保护地、准保护区的水源保护地、湿地、试验区的自然保护区、外围保护地带的自然保护区、二级国家公益林、森林公园、限制开发范围的风景名胜区、建设控制地带的历史文化遗迹、限制建设范围的军事基地、坡度坡向坡度大的区域、市政设施廊道、地质灾害区、洪涝灾害区；
适宜建设类影响因子具体包括因素为：人口规模、人口密度、人口增速人口相关要素，GDP、GDP增速、人均GDP、人均收入水平、固定资产投资经济相关要素，城市中心区位要素，线状交通设施、点状交通设施交通要素，新发展区；
特殊类影响因子具体包括因素为：基本农田保护区。
3.根据权利要求1所述的空间规划情景模拟方法，其特征在于：所述步骤S4构建训练样本数据集，用于对多种模型进行模拟模型的训练学习具体为：
构建训练样本数据集，采用随机抽样方法从研究范围选择一定比例的样本量，
对多种模型进行模拟模型的训练学习时，需要同时输入包含步骤S1和步骤S3中数据类型的训练样本集进行模型的训练。
4.根据权利要求1所述的空间规划情景模拟方法，其特征在于：所述步骤S6未来用地规模预测，用于得到预测目标年建设用地的总增长规模具体为：
未来用地规模预测模拟方法包括基于人口规模预测用地方法和基于产业规模预测用地方法；
所述基于人口规模预测用地方法包括：基于增长率法的综合增长率法、指数增长法、逻辑斯特回归；基于相关关系法的经济相关法、劳动力需求法；基于资源环境承载力法的水资源承载力法、环境容量法、经济承载力法，基础设施承载力法、以及生态足迹法；
所述基于产业规模预测用地方法包括：回归系数法、单位产值占地面积法。
5.一种空间规划情景模拟系统，其特征在于：其包括以下装置：数据输入模块、数据处理模块、参数设定模块、用地规模预测模块以及结果生成模块，具体为：
数据输入模块，用于从外部输入建设用地模拟所需的数据；
数据处理模块，用于建设用地各类影响因子的空间量化处理；用于对影响因子的空间范围界定，并进行分级标准化赋值，以衡量因素对建设用地扩张影响的空间差异性；
参数设定模块，用于输入预测模拟的邻域参数，包含邻域定义方法选择单元以及临近阶数选择单元；
用地规模预测模块，用于选择不同的用地规模预测模拟方法进行未来时期建设用地规模的预测；
结果生成模块，基于用地规模预测模块得到的未来建设用地规模，通过模型迭代运算，用于得到未来不同情景下的建设用地扩张模拟结果；
所述数据处理模块具体包括选择数据单元、确定数据类型单元、数据处理单元、以及处理数据输出单元；所述选择数据单元用于从已输入数据中选择待进行数据处理的数据；所述确定数据类型单元用于确定数据具体分类，分类包括禁止建设类影响因子、限制建设类影响因子、适宜建设类影响因子和特殊类影响因子，以及数据形式是否是点、线、面状形式；
所述数据处理单元对不同类影响因子采用不同的空间量化方法，具体步骤为：
S130，根据步骤S2中各影响因子的定义确定每种影响因子的具体因素内容；
S131，针对面状禁止建设类影响因子数据的空间量化处理，首先进行其到建设用地的欧式距离分析，根据欧式距离分析结果进行重分类处理，各个栅格属性的值根据该栅格距离源栅格的最小欧式距离确定，若栅格距离源栅格的最小欧式距离为0，则栅格所在区域为禁止建设区域，即为上述禁止建设类要素所在的源栅格，栅格属性值设置为0；若栅格距离源栅格的最小欧式距离大于0，则栅格所在区域为非禁止建设区域，栅格属性值设置为1，也即未来用地模拟中栅格属性为1的区域有可能成为新开发的建设用地，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S132：对线状禁止建设类影响因子数据首先依据空间规划方案影响因子量化中规定的范围进行缓冲分析，其余处理流程同面状禁止建设类影响因子数据的空间量化处理流程；
S133：对限制建设类影响因子数据的空间量化处理，首先依据空间规划方案影响因子量化中的规定对限制建设类影响因子分级，落实其在空间上的保护范围，建设适宜性赋值大于0小于1即可，数值越大其建设适宜性越高；
S134：对适宜建设类影响因子数据的空间量化处理，对人口密度、人均GDP类的属性因素，进行面转栅格分析，分析后的栅格文件进行标准化处理后输出为栅格文件，对铁路、高速、公路距离类线状、点状适宜建设类影响因子，首先进行欧式距离分析，对欧氏距离分析后的影响因子进行分割分析，将分割分析后的影响因子进行标准化处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
S135：对特殊类影响因子对其归属选择进行处理，若认定为禁止建设类，处理方式参照禁止建设类影响因子；若认定为适宜建设类，则参照适宜建设类影响因子处理，输出栅格类别为*.GIF，输出栅格大小与待模拟预测的建设用地栅格大小一致；
处理数据输出单元则输出满足用地模型所需的影响因子数据形式。
6.根据权利要求5所述的空间规划情景模拟系统，其特征在于：所述数据输入模块具体包括建设用地数据单元和影响因子单元；
所述建设用地数据单元，用于获取待模拟预测的现状用地数据；
所述影响因子单元，用于获取影响建设用地扩张的多类影响因子数据，具体包括影响建设用地扩张的禁止建设类影响因子单元、限制建设类影响因子单元、适宜建设类影响因子单元和特殊类影响因子单元,具体为：
所述禁止建设类影响因子单元具体包括一级水源保护区、河流湖泊、自然保护区核心区、自然保护区缓冲区、一级国家公益林、地质遗迹、禁止开发范围的风景名胜区、作为保护本体的历史文化遗迹、禁止建设范围的军事基地、地震断裂带、高速公路两侧断裂带、铁路两侧断裂带因素的输入；
所述限制建设类影响因子单元具体包括二级水源保护地、准保护区的水源保护地、湿地、试验区的自然保护区、外围保护地带的自然保护区、二级国家公益林、森林公园、限制开发范围的风景名胜区、建设控制地带的历史文化遗迹、限制建设范围的军事基地、坡度坡向坡度大的区域、市政设施廊道、地质灾害区、洪涝灾害区因素的输入；
所述适宜建设类影响因子单元具体包括人口规模、人口密度、人口增速人口相关要素，GDP、GDP增速、人均GDP、人均收入水平、固定资产投资经济相关要素，城市中心区位要素，线状交通设施、点状交通设施交通要素，新发展区因素的输入；
所述特殊类影响因子单元具体包括基本农田保护区因素的输入。
7.根据权利要求5所述的空间规划情景模拟系统，其特征在于：所述用地规模预测模块具体包括人口规模预测用地单元和产业规模预测用地单元；
所述人口规模预测用地单元包括可供选择的基于增长率法的综合增长率法、指数增长法、逻辑斯特，基于相关关系法的经济相关法、劳动力需求法，基于资源环境承载力法的水资源承载力法、环境容量法、经济承载力法，以及基础设施承载力法、生态足迹法用地预测方法，用于预测目标年的用地规模预测；
所述产业规模预测用地单元包括可供选择的回归系数法、单位产值占地面积法用地预测方法，用于预测目标年的用地规模预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885163.8A CN112035584B (zh) | 2020-08-28 | 2020-08-28 | 空间规划情景模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885163.8A CN112035584B (zh) | 2020-08-28 | 2020-08-28 | 空间规划情景模拟方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112035584A CN112035584A (zh) | 2020-12-04 |
| CN112035584B true CN112035584B (zh) | 2024-04-12 |
Family
ID=73586128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010885163.8A Active CN112035584B (zh) | 2020-08-28 | 2020-08-28 | 空间规划情景模拟方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112035584B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112954624B (zh) * | 2021-02-02 | 2022-02-15 | 苏州丽景智行交通工程咨询有限公司 | 基于手机信令大数据的混合土地利用形态估算方法 |
| CN113297174B (zh) * | 2021-05-24 | 2023-10-13 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
| CN113657166A (zh) * | 2021-07-17 | 2021-11-16 | 北京清华同衡规划设计研究院有限公司 | 一种城乡聚落传统肌理智能辅助识别方法、系统、终端及存储介质 |
| CN114676568B (zh) * | 2022-01-17 | 2022-09-23 | 中国地质大学（北京） | 一种基于元胞自动机的区域地质构造演化方法及装置 |
| CN114943897B (zh) * | 2022-05-31 | 2023-11-24 | 南京大学 | 基于超像素分割的城镇开发边界划定方法 |
| CN115049158B (zh) * | 2022-08-12 | 2022-12-09 | 北京大学 | 城市系统运行状态的预测方法、系统、存储介质及终端 |
| CN115169504B (zh) * | 2022-09-06 | 2022-11-25 | 山东洲蓝环保科技有限公司 | 一种煤气精脱硫工艺中的设备异常识别方法 |
| CN117371823B (zh) * | 2023-12-04 | 2024-03-08 | 西安蓝图地理科技股份有限公司 | 一种国土空间开发利用生态效应动态模拟预测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663512A (zh) * | 2012-03-07 | 2012-09-12 | 同济大学 | 城市绿地动态演化模拟预测方法 |
| CN105761192A (zh) * | 2016-02-19 | 2016-07-13 | 北京舜土国源信息技术有限公司 | 村镇区域土地利用规划智能化方法和智能化集成系统 |
| CN107067091A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于蚁群优化算法的城市生态用地空间规划模型 |
| CN108376183A (zh) * | 2017-12-29 | 2018-08-07 | 武汉大学 | 一种基于最大熵原理的城市ca模型构建方法 |
| CN109190161A (zh) * | 2018-07-27 | 2019-01-11 | 广州蓝图地理信息技术有限公司 | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 |
| CN110472882A (zh) * | 2019-08-21 | 2019-11-19 | 河南大学 | 基于主成分分析的城市开发用地适宜性评价方法 |
| AU2019101466A4 (en) * | 2019-11-27 | 2020-01-16 | Henan University | Method for determining future urban expansion mode |
-
2020
- 2020-08-28 CN CN202010885163.8A patent/CN112035584B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663512A (zh) * | 2012-03-07 | 2012-09-12 | 同济大学 | 城市绿地动态演化模拟预测方法 |
| CN105761192A (zh) * | 2016-02-19 | 2016-07-13 | 北京舜土国源信息技术有限公司 | 村镇区域土地利用规划智能化方法和智能化集成系统 |
| CN107067091A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于蚁群优化算法的城市生态用地空间规划模型 |
| CN108376183A (zh) * | 2017-12-29 | 2018-08-07 | 武汉大学 | 一种基于最大熵原理的城市ca模型构建方法 |
| CN109190161A (zh) * | 2018-07-27 | 2019-01-11 | 广州蓝图地理信息技术有限公司 | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 |
| CN110472882A (zh) * | 2019-08-21 | 2019-11-19 | 河南大学 | 基于主成分分析的城市开发用地适宜性评价方法 |
| AU2019101466A4 (en) * | 2019-11-27 | 2020-01-16 | Henan University | Method for determining future urban expansion mode |
Non-Patent Citations (2)
| Title |
|---|
| 基于Dyna-CLUE模型的太湖流域建设用地空间扩张模拟;叶高斌等;长江流域资源与环境;20180430(第4期);全文 * |
| 基于GIS与ANN的土地转化模型在城市空间扩展研究中的应用――以北京市为例;徐颖;吕斌;;北京大学学报(自然科学版);20080430(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112035584A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112035584B (zh) | 空间规划情景模拟方法及系统 | |
| CN110472882B (zh) | 基于主成分分析的城市开发用地适宜性评价方法 | |
| WO2016141753A1 (zh) | 基于路网和兴趣点的声环境功能区划分方法 | |
| Ford et al. | A multi-scale urban integrated assessment framework for climate change studies: A flooding application | |
| Lin et al. | Comparison of multimodel simulations of land use and land cover change considering integrated constraints-A case study of the Fuxian Lake basin | |
| Cheng et al. | Modelling urban growth patterns: a multiscale perspective | |
| CN110428126B (zh) | 一种基于多源开放数据的城市人口空间化处理方法及系统 | |
| Zheng et al. | Site location optimization of regional air quality monitoring network in China: Methodology and case study | |
| CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
| CN113011720B (zh) | 一种基于ca模型的增量递减的城镇开发边界划定方法 | |
| Sangeetha et al. | A particle swarm optimization methodology to design an effective air quality monitoring network | |
| Wolny et al. | Challenges, opportunities and barriers to sustainable transport development in functional urban areas | |
| Kłos et al. | Performance evaluation of roundabouts using a microscopic simulation model | |
| Chettry et al. | Assessing and predicting urban growth patterns using ANN-MLP and CA model in Jammu urban agglomeration, India | |
| Zhang et al. | Research on Traffic Impact Assessment of Project Under Construction Based on TransCAD | |
| Cai et al. | Simulating human mobility with agent-based modeling and particle filter following mobile spatial statistics | |
| Shahkarami | Prioritize of intervention zones in central deteriorated fabrics of Arak city according to functional, socio-economic and environmental indicators | |
| Al-kaissi et al. | Cellular automata-dynamic model for urban growth Baqubah City | |
| Niu et al. | A novel optimal road layout model based on urban cloud data | |
| Majic et al. | Tourist Flow Simulation in GAMA Using Historical Data Parameters | |
| Jianquan et al. | Towards a spatial analysis framework: modelling urban development patterns | |
| Bian et al. | Analysis of the Influence of Built Environment on Peak Hour Travel Demand of Youth Group Based on Cell Phone Signaling Data: A Case Study of Shanghai | |
| Gao et al. | Integrating multi-source geographic big data to delineate urban growth boundary: A case study of Changsha | |
| Ikhumhen et al. | Particulate matter emission prediction of Beijing's Fengtai district through the box model application and statistical analysis of spatial layout grid | |
| Semerci et al. | A proposed method on the analysis of the square functionality a case study: beyazit square field work |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Lin Wenqi Inventor after: Chu Jiao Inventor after: Zhang Xianfeng Inventor after: Chen Huiyan Inventor after: Li Shaohui Inventor after: Zhang Jiujun Inventor after: Yu Ting Inventor after: Wang Hao Inventor after: Sun Xiaoming Inventor after: Yang Qinyu Inventor before: Lin Wenqi Inventor before: Yang Qinyu Inventor before: Chen Huiyan Inventor before: Li Shaohui Inventor before: Zhang Jiujun Inventor before: Wang Hao Inventor before: Sun Xiaoming Inventor before: Chu Jiao Inventor before: Zhang Xianfeng Inventor before: Yu Ting |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |