CN116563073B

CN116563073B - 自适宜农村居民点布局方法

Info

Publication number: CN116563073B
Application number: CN202310375298.3A
Authority: CN
Inventors: 辜寄蓉; 梁帅
Original assignee: Sichuan Institute Of Land Science And Technology Sichuan Satellite Application Technology Center; Sichuan Normal University
Current assignee: Sichuan Institute Of Land Science And Technology Sichuan Satellite Application Technology Center; Sichuan Normal University
Priority date: 2023-04-10
Filing date: 2023-04-10
Publication date: 2024-04-26
Anticipated expiration: 2043-04-10
Also published as: CN116563073A

Abstract

本发明公开了一种自适宜农村居民点布局方法，以农村居民点为研究对象，具体包括：采用空间聚类法，以年度变更调查数据为基础，形成的自适应宅基地布局驱动因子；采用机器学习算法，将布局驱动因子与国土空间规划原则结合，进行集成学习，形成不同区域条件下自适应布局规则；采用神经网络算法，建立土地利用、自然条件、空间管控、人口多源布局条件的逻辑规律，形成人地协调的空间布局方案和土地综合整治策略；本发明在传统CA模型的基础上加入机器学习的方法进而实现农村居民点演化模拟。

Description

自适宜农村居民点布局方法

技术领域

本发明涉及地理信息系统和空间优化技术领域，特别是一种自适宜农村居民点布局方法。

背景技术

农村居民点作为农民聚居的场所，由于长期缺乏科学规划和管建机制，加之农村地区人口规模与土地利用结构不兼容导致低密度发展模式，空间格局往往呈现“漫天星”状。这种分布格局严重制约土地资源的节约、集约，影响土地正常流转并给整个农村经济社会发展带来极大阻碍，乡村振兴用地保障需求更难以实现。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种自适宜农村居民点布局方法，本发明在传统CA模型的基础上加入机器学习的方法进而实现农村居民点演化模拟。

为实现上述目的，本发明采用的技术方案是：一种自适宜农村居民点布局方法，以农村居民点为研究对象，具体包括以下步骤：

步骤1、采用空间聚类法，以年度变更调查数据为基础，形成的自适应宅基地布局驱动因子；

步骤2、采用机器学习算法，将布局驱动因子与国土空间规划原则结合，进行集成学习，形成不同区域条件下自适应布局规则；

步骤3、采用神经网络算法，建立土地利用、自然条件、空间管控、人口多源布局条件的逻辑规律，形成人地协调的空间布局方案和土地综合整治策略。

作为本发明的进一步改进，在步骤1中，用空间聚类方式反推识别最有聚集关系因子的布局驱动因子，并利用热力分析与空间聚类的方法进行试验分析。

作为本发明的进一步改进，所述步骤2具体如下：

在能够实现基本正确模拟未来年份研究区域内土地利用类型的情况下以递进式的情景模拟方式构建模型规则；

自然发展情景下基于FLUS模型与马尔科夫链进行无政策性约束的自然增长模拟，计算出相应的土地利用的适宜性概率，进而进行CA的自适应模拟；

在自然发展的情境下加入空间范围的总量与部分国土空间规划要求的土地利用类型的空间面积限制；

各个片区根据各自片区的国土空间规划所规划的片区功能定位进行各类土地利用类型布局规则的输入以及转换概率的权重设置；

在布局规则下完成研究区域未来年份的土地利用模拟后，利用蚁群优化算法对预测后农村居民点的空间分布进行相应的布局优化。

作为本发明的进一步改进，还包括从自然发展情景、底线管控、布局规则和区域规划导向四个角度进行布局模拟。

作为本发明的进一步改进，从自然发展情景对布局进行模拟具体如下：

基于FLUS模型对当前土地利用数据以及各类因子进行模拟优化，在进行为来年的规划布局预测优化前对往期土地利用类型数据通过模型模拟预测后与现状用地进行精度验证的比对，比对结果达到要求后使用模型对土地利用数据进行预测分析，具体包括：

输入层神经元：

X＝[x₁,x₁,…,x_n]^T

式中x_i表示第i个输入神经元，表示社会经济与人类活动影响因素；X是它们的集合；T表示矩阵转置；

式中sigmoid()是隐藏层到输出层的激励函数，形式为：

隐藏神经元：

net_j(p,t)＝∑w_i,j×x_i(p,t)

式中net_j(p,t),x_i(p,t)分别表示在第j个隐藏层与第i个输入层神经元在像元p，训练时间t上所接收到的信号；w_i,j是输入层与隐藏层间的信号。

作为本发明的进一步改进，从底线管控对布局进行模拟具体如下：

(1)总量控制：

研究区域在规划前的土地利用现状结构总面积表达为：

i∈{1,2,…,n}

转换为规划后的土地用途即土地利用规划结构总面积为：

其中S_i表示规划前的某一种土地利用类型的总面积，S’_i表示规划后的某一种土地利用类型的总面积，规划前后的国土空间总面积是相等的，即S_总现状＝S_总规划；通常情况下各个土地利用类型规划前后的面积均不相等，即：

S₁≠S’₁,S₂≠S’₂,…,S_n≠S’_n

(2)规划用途：

每个地类图斑只能有一个规划用途，也即模型运行时每个元胞只能明确有一个土地利用类型，即研究区范围内每个元胞的用地类型属性值唯一；

(3)保有量控制：研究区域各类规划控制指标情况；

(4)底线约束：

其中f(x_ij)标识模型所要预测的土地利用类型图层在行列号为(i,j)位置的像元值，像元值代表该位置的土地利用类型；处于永久基本农田范围内的所有土地利用类型均要求为耕地，像元值为1；城镇开发边界内的土地利用类型均要求为建设用地，像元值为7；处于生态保护红线内的土地利用类型根据保护区的不同可以是耕地、林地、草地、湿地或陆地水域等类型，即像元值为1、3、4、5或11；

当像元值为0，也即f(x_ij)＝0的情况下，该像元的像元值也即土地利用类型则根据FLUS模型的自适应转换规则进行像元值的判定。

本发明的有益效果是：

本发明在传统CA模型的基础上加入机器学习的方法进而实现农村居民点演化模拟，方法从客观的数据视角研究乡村的空间布局规律和原理，基于研究区域内现有的发展成熟区域的多源数据，来挖掘出该乡村特有的建设与发展的内在逻辑，并将学习到的已知逻辑用于为未知地块自动生成布局参考方案，为布局优化提供辅助依据。。

附图说明

图1为本发明实施例的流程框图；

图2为本发明实施例中驱动因子的确定流程图；

图3为本发明实施例中自适应布局的流程图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例

农村居民点的形成是基于不同因素合力的结果，是一种复杂的社会变迁过程。本实施例选取宜宾市翠屏区的乡村为研究区域，以农村居民点为研究对象，主要研究以下三方面内容：

(1)采用空间聚类法，以年度变更调查数据为基础，形成具有区域特色的自适应宅基地布局驱动因子。

(2)采用机器学习算法，将布局驱动因子与国土空间规划原则结合，进行集成学习，形成不同区域条件下自适应布局规则。

(3)采用神经网络算法，建立土地利用、自然条件、空间管控、人口等多源布局条件的逻辑规律，形成人地协调的空间布局方案和土地综合整治策略。

技术路线图如图1所示：

1.自适应驱动因子：

为了使农村居民点模拟演化形成一套体系方法，能够自适应地识别影响农村居民点演化发展的主要驱动因子，也提出了用空间聚类方式反推识别最有聚集关系因子的方法，利用热力分析与空间聚类的方法进行试验分析。因子识别方法技术路线如图2所示。

2.自适应布局方法：

在空间规划布局对土地利用类型未来变化的相关导向与约束下，在各个地类达到国土空间规划要求的数量底线，各个地类的未来分布情况符合自然发展与国土空间规划导向的功能定位方向的前提下，找到农村居民点在未来年份空间布局的最优解，是本实施例研究的布局方法的目的。

具体过程是在能够实现基本正确模拟未来年份研究区域内土地利用类型的情况下以递进式的情景模拟方式构建模型规则，用以模拟优化未来年份农村居民点的空间布局。自然发展情景下主要基于FLUS模型与马尔科夫链进行无政策性约束的自然增长模拟，计算出相应的土地利用的适宜性概率，进而进行CA的自适应模拟；在有了研究区域内土地利用相应的适宜性概率后，在国土空间规划的情境下，存在诸多类型的土地利用区域在未来的演变中不会发生土地利用类型的变更，如土地利用类型中的陆地水域部分、铁路、高速公路等区域基础设施，在区域自然发展中一般不会发生用地类型的变化，又如乡镇级国土空间规划的上位规划中的“三区三线”即生态保护红线、永久基本农田、城镇开发边界这三个区域在国土空间规划中作为强限制区域，在规划编制中是已经确定了未来年份该区域的土地利用类型的分布与范围的大小，所以在自然发展的情境下需要进一步加入空间范围的总量与部分国土空间规划要求的土地利用类型的空间面积限制；在有了空间总量底线的控制和土地利用类型转换概率的情况下，各个片区根据各自片区的国土空间规划所规划的片区功能定位进行各类土地利用类型布局规则的输入以及转换概率的权重设置，旨在土地利用类型模拟预测相应的邻域影响计算时以国土空间规划为导向进行；在布局规则下完成研究区域未来年份的土地利用模拟后，利用蚁群优化算法对预测后农村居民点的空间分布进行相应的布局优化。相关技术路线图3所示。

布局模拟：

1.自然发展情景：

基于FLUS模型对当前土地利用数据以及各类因子进行模拟优化时首先考虑的是模型能否基本正确地模拟土地利用类型的变化，故在进行为来年的规划布局预测优化前需要对往期土地利用类型数据通过模型模拟预测后与现状用地进行精度验证的比对，比对结果达到要求后方可使用模型对2020年的土地利用数据进行预测分析。本实施例研究的土地利用类型以及模型中地类对应像元值代码如下表：

表1土地利用类型代码表

第一，输入层神经元：

X＝[x₁,x₁,…,x_n]^T

式中x_i表示第i个输入神经元，表示社会经济与人类活动影响因素；X是它们的集合；T表示矩阵转置。

式中sigmoid()是隐藏层到输出层的激励函数，形式为：

第二，隐藏神经元：

net_j(p,t)＝∑w_i,j×x_i(p,t)

2.底线管控：

(1)总量控制：

研究区域在规划前的土地利用现状结构总面积可表达为：

i∈{1,2,…,n}

转换为规划后的土地用途即土地利用规划结构总面积为：

其中S_i表示规划前的某一种土地利用类型的总面积，S’_i表示规划后的某一种土地利用类型的总面积，规划前后的国土空间总面积是相等的，即S_总现状＝S_总规划，根据《翠屏区乡村国土空间规划功能片区划分方案(2021)》，本实施例的研究区域的四个片区的S_总规划＝1093.2平方公里；通常情况下各个土地利用类型规划前后的面积均不相等，即：

S₁≠S’₁,S₂≠S’₂,…,S_n≠S’_n

(2)规划用途：

原则上每个地类图斑只能有一个规划用途，也即模型运行时每个元胞只能明确有一个土地利用类型，即研究区范围内每个元胞的用地类型属性值唯一。

(3)保有量控制：

根据2022年翠屏区国土空间规划的要求，耕地、林地等土地利用类型都有保护面积目标，例如到未来2035年为止，林地保有量为250.18平方公里，即S’₃>250.18平方公里，研究区域各类规划控制指标情况如下表。

表2 2035年规划指标表

(4)底线约束：

在国土空间规划中，“三区三线”作为规划用地中的最特殊一类限制区域，有着最高级别的限制区域属性，在“三区三线”范围内不仅要限制该区域的面积大小，而且限定了该区域的土地利用类型不可变更，因此在本实施例的预测过程中这三个图层作为限制因子不能参与元胞的类型转换，其中城镇开发边界的土地利用类型为建设用地，永久基本农田的土地利用类型为耕地，而生态保护红线内的土地利用类型根据保护区的类型而定，在本实施例的研究区域内，生态保护红线所涉及的保护区域为四川长江上游珍稀特有鱼类国家级自然保护区，土地利用类型为陆地水域。“三区三线”的土地面积情况如下表：

表3“三区三线”用地面积表

其中f(x_ij)标识模型所要预测的土地利用类型图层在行列号为(i,j)位置的像元值，像元值代表该位置的土地利用类型。处于永久基本农田范围内的所有土地利用类型均要求为耕地，像元值为1；城镇开发边界内的土地利用类型均要求为建设用地，像元值为7；而处于生态保护红线内的土地利用类型根据保护区的不同可以是耕地、林地、草地、湿地或陆地水域等类型，即像元值为1、3、4、5或11。

3.布局规则：

在国土空间规划体系中，乡镇级国土空间规划在总量和底线控制的基础上还存在一些上位规划下达的用地指标，例如需要保护的公益林以及我国因需要严格保障耕地存量而存在的耕地储备区等，以及还有片区内由于当地的产业发展所需要在国土空间规划中加入已经在上级部门审批通过的产业发展用地(包括商业、工业等)，这些用地在下发到乡镇时已经划定了空间范围，且根据目的已经确定了规划末期的土地利用类型，同样是属于需要优先进行规划布局的区域。四川地区乡镇级国土空间规划所涉及的上级下发数据以及规划中需要优先布局的各类数据情况如下表：

表4优先布局数据情况表

其中作为“三区三线”的永久基本农田、生态保护红线、城镇开发边界这三类用地作为上位规划中已经划定的强限制区域，规划期间其土地利用类型不能改变，故规划布局后的土地利用类型还是基期的土地利用类型；公益林、造林(绿)空间、耕地储备区与后备区数据也是由当地上级部门下发，规划末期对应土地利用类型为林地和耕地，若与“三区三线”冲突按照政策的优先级则不允许占用“三区三线”对应的区域；在上文中提到区域规划地各类用地总量需要控制在指标内，为更好地落实国土空间规划，当地相关部门在规划的编制时对零散闲置的部分地类需要进行整治修复，在规划期间改变其土地利用类型以达到更好的地类连片性与更优的规划效果，故将上表中需要进行整治的区域规划复垦为耕地以及修复为林地等；而为使当地特色经济和产业发展而规划的各类待实施项目需要在上级下发的各类用地布局后才能进行空间上的落地布局，以达到不与规划政策与规程的冲突。各类用地布局的具体规则方式由以下算法进行判定：

用地布局判定算法(determinelayout算法)

进入片区导向规则算法

其中x_ij为研究区域土地利用图层像元，i,j为行列号；f(x_ij)为x_ij像元的规划前像元值，对应12个土地利用类型；b_a为表4中的布局数据类型；f′(x_ij)为x_ij像元的规划后像元值，同样对应表1的12个土地利用类型。

4.区域规划导向：

根据《翠屏区乡村国土空间规划功能片区划分方案(2021)》，宜宾市翠屏区全域划分为6个乡镇级功能分区，分别是白花三产融合片区、金秋湖特色农业片区、宗场商贸物流片区、翠屏城乡融合片区、李庄文旅融合片区、翠屏区三江新区产城融合片区。本实施例研究区域为宜宾市翠屏区中的白花三产融合片区、金秋湖特色农业片区、宗场商贸物流片区、翠屏城乡融合片区4个片区。

由于每个片区所制定的国土空间规划不同，所以每个片区的发展定位不同，即在研究区域的土地利用类型预测中除了“三区三线”等强限制因子外，各个土地利用类型在不同片区内的发展情况和转换规则应该有所不同，故在进行FLUS模型的模拟预测时需要根据片区的不同对土地利用类型的转换数量控制权重有所调整，具体规则如下：

片区导向规则算法(determinepurpose算法)

其中x_ij为研究区域土地利用图层像元，i,j为行列号；f(x_ij)为x_ij像元的规划前像元值，对应12个土地利用类型；groupID为片区id，1到4分别表示百花三产融合片区、金秋湖特色农业片区、宗场商贸物流片区、翠屏城乡融合片区；b_a为表4中的布局数据类型；k表示1到12种土地利用类型，P_k是对应地类占用于进行CA预测部分总面积的比值；f′(x_ij)为x_ij像元的规划后像元值，同样对应表1的12个土地利用类型。

在强限制区域、上级部门下发以及区域内整治用地的约束下，进行产业布局后所没有涉及到的非约束区域根据不同片区的不同功能定位，赋予其不同的规划末期地类面积占比，面积占比情况见下表：

表5各土地利用类型面积占比表(P_k)

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims

1.一种自适宜农村居民点布局方法，其特征在于，以农村居民点为研究对象，具体包括以下步骤：

在布局规则下完成研究区域未来年份的土地利用模拟后，利用蚁群优化算法对预测后农村居民点的空间分布进行相应的布局优化；

步骤3、采用神经网络算法，建立土地利用、自然条件、空间管控、人口多源布局条件的逻辑规律，形成人地协调的空间布局方案和土地综合整治策略；

具体从自然发展情景、底线管控、布局规则和区域规划导向四个角度进行布局模拟；

从自然发展情景对布局进行模拟具体如下：

输入层神经元：

X＝[x₁,x₁,…,x_n]^T

式中sigmoid()是隐藏层到输出层的激励函数，形式为：

隐藏神经元：

式中net_j(p,t),x_i(p,t)分别表示在第j个隐藏层与第i个输入层神经元在像元p，训练时间t上所接收到的信号；w_i,j是输入层与隐藏层间的信号；

从底线管控对布局进行模拟具体如下：

(1)总量控制：

研究区域在规划前的土地利用现状结构总面积表达为：

i∈{1,2,…,n}

转换为规划后的土地用途即土地利用规划结构总面积为：

其中S_i表示规划前的某一种土地利用类型的总面积，S_i ^，表示规划后的某一种土地利用类型的总面积，规划前后的国土空间总面积是相等的，即S_总现状＝S_总规划；通常情况下各个土地利用类型规划前后的面积均不相等，即：

S₁≠S^， ₁,S₂≠S^， ₂,…,S_n≠S^， _n

(2)规划用途：

(3)保有量控制：研究区域各类规划控制指标情况；

(4)底线约束：

其中f(x_ij)标识模型所要预测的土地利用类型图层在行列号为(i,j)位置的像元值，像元值代表该位置的土地利用类型；处于永久基本农田范围内的所有土地利用类型均要求为耕地，像元值为1；城镇开发边界内的土地利用类型均要求为建设用地，像元值为7；处于生态保护红线内的土地利用类型根据保护区的不同可以是耕地、林地、草地、湿地或陆地水域类型，即像元值分别为1、3、4、5或11；

当像元值为0，也即f(x_ij)＝0的情况下，该像元的像元值也即土地利用类型则根据FLUS模型的自适应转换规则进行像元值的判定；

从布局规则对布局进行模拟具体如下：

永久基本农田、生态保护红线、城镇开发边界规划布局后的土地利用类型为基期的土地利用类型；公益林、造林空间、耕地储备区与后备区数据规划末期对应土地利用类型为林地和耕地；将需要进行整治的区域规划复垦为耕地以及修复为林地；

从区域规划导向对布局进行模拟具体如下：

在进行FLUS模型的模拟预测时根据片区的不同对土地利用类型的转换数量控制权重进行调整；在强限制区域、上级部门下发以及区域内整治用地的约束下，进行产业布局后所没有涉及到的非约束区域根据不同片区的不同功能定位，赋予其不同的规划末期地类面积占比。

2.根据权利要求1所述的自适宜农村居民点布局方法，其特征在于，在步骤1中，用空间聚类方式反推识别最有聚集关系因子的布局驱动因子，并利用热力分析与空间聚类的方法进行试验分析。