基于SLEUTH模型的昆山市城市擴展模擬研究

徐 杰,羅震東,尹海偉,耿 磊

(1.南京大學建筑與城市規劃學院,江蘇南京210093;2.南京大學城市規劃設計研究院,江蘇南京210093)

基于SLEUTH模型的昆山市城市擴展模擬研究

徐 杰1,羅震東1,尹海偉1,耿 磊2

(1.南京大學建筑與城市規劃學院,江蘇南京210093;2.南京大學城市規劃設計研究院,江蘇南京210093)

定量揭示城鎮土地利用的擴展模式對制定城市發展政策具有重要意義。該文以昆山市為例,使用SLEUTH模型,修改了傳統的情景設置方式,通過調整排除圖層,預設“現有發展趨勢”、“融合生態敏感性的發展”、“融合城市總體規劃的發展”3種情景,定量預測了昆山市2011-2030年不同情景下城市用地增長趨勢和擴展的主要特征。結果表明,預設不同排除圖層的方式可以產生更加準確的校正結果:現有發展趨勢情景繁衍系數與道路引力系數較高,以新中心增長為主;融合生態敏感性情景、融合總體規劃情景擴散系數與蔓延系數較高,以邊界增長為主。研究結果可為SLEUT H模型的情景設置提供新思路,并為城市土地利用規劃提供決策依據。

SLEU TH模型;城市擴展;情景分析;昆山市

0 引言

2014年中國的城鎮化率已達到55%[1],這是城市建設矛盾凸顯和城市病集中爆發的階段[2]。這一時期城鎮建設用地的快速擴展以及自然空間的大幅縮減,可以通過城市建設用地增長模型進行分析,從而更好地理解區域城鎮化過程[3],幫助城市管理者分析不同情境下城市建設用地利用的變化特征與影響,為制定切實有效的城市空間開發利用政策提供科學支撐[4,5]。基于元胞自動機(Cellular Automaton,CA)的城市增長模型是目前城市建設用地增長模擬過程中運用較廣的方法[6-8],模型基于微觀相鄰空間單元的相互作用,利用簡單的局部規則模擬城市空間系統的復雜結構[9,10]。CA模型包括SLEUTH(模型輸入圖層的首字母縮寫:坡度層(Slope)、土地利用層(Landuse)、排除層(Excluded)、城市范圍層(Urban)、交通層(Transportation)、山體陰影層(Hillshade))模型、神經網絡CA模型、邏輯回歸CA模型、社會經濟CA模型等,其中SLEUTH模型能通過程序自動獲取模型運行最佳參數,同時具有結構與操作簡單、開放式存取、適合于各種時空尺度、模擬精度較高等優點[10,11],被廣泛應用于城市增長模擬及長期預測研究[12-14],中國許多城市的增長模擬也廣泛采用這一模型[15-17]。

學界對于SLEUT H模型的研究分為對模型自身特性的研究與模型的應用研究[18],前者主要集中在模型運用的普適性[4,13,14]、精度校驗的方法[19-21]、參數行為[22]等方面,后者主要利用SLEUTH模型對城市擴展、土地演化進行模擬,預測城市未來發展狀況[15,16]。國內對于SLEUTH模型的研究與應用起步較晚,在模型應用方面,一般通過比較城市在不同情境下預測結果的差異來揭示不同情景的優缺點,情景設置往往與實際城市規劃較為脫節。這類研究中模型的情景設置一般有兩種方法:一是在校準之后調整模型運行參數,二是在確定運行參數后調整排除圖層[17]。第一種方法在模擬預測階段改變了模型的校準參數,系數的調整較為主觀,缺乏現實的情景設置依據;第二種方法下不同情景采用相同的校準參數,導致各情景具有相同的增長方式,彼此間區分度不高。Akin等在其2013年的研究中將不同排除圖層作為情景設置的依據,情景設置于模型校準之前,即假設城市過去的發展已經受到未來不同情景設置的影響,結果發現模型在校準過程中對于排除圖層具有較高的敏感性,能夠產生更為貼切的城市增長結果[19]。基于此,本文試圖通過預先調整排除圖層方式進行SLEUT H模型的情景設置,引入生態敏感性分析與城市總體規劃,將情景設置與實際相結合,以提高不同情景下模型模擬參數的代表性,通過客觀的情景設置方法以提高模型的實際價值,在彌補國內已有研究不足的同時具有較高的現實意義,可以為城市未來發展提供有益參考。

1 數據與研究方法

本文選取快速發展的昆山市為研究區域。昆山市位于東經120°48′21″～121°09′04″、北緯31°06′34″～31°32′36″,城市總面積為921.3 km2,其中水域面積約占23%。東面毗鄰上海,京滬鐵路貫穿,經濟發達,是中國第一個人均國民生產總值突破40 000美元的縣級城市,一直位列中國百強縣前列。近20年來昆山市城市用地增長迅速,1995年城市建成區面積約160 km2,2010年增長為360 km2;人口由2000年的76萬人增長到2010年的165萬人,年增長率達8%。快速的城鎮空間擴展在支持經濟快速發展的同時也帶來了諸多問題,如城市發展空間過于分散、中心城區規模過小、主要商務區密度較低等[23]。

1.2 數據來源與預處理

本研究中使用的數據為昆山市Landsat T M/ ETM+影像數據(1995、2000、2005、2010年)(1-5、7波段,分辨率30 m,數據來源:中國科學院計算機網絡信息中心的國際科學數據鏡像網站)、2012年航空正射影像、數字高程模型(DEM)以及《昆山市城市總體規劃(2009-2030)》等規劃數據資料(CAD格式)。數據的預處理分為以下步驟:首先基于ERDAS軟件平臺,分別進行TM遙感影像的多波段融合,并以航空正射影像為基準,對融合后的遙感影像進行幾何校正(均方根(Root Mean Square,RMS)小于1個像元),校正函數選擇二次多項式模型,地面控制點(GCP)均勻分布于圖像,每個GCP的自檢誤差值小于1;然后根據研究區邊界對遙感影像進行裁剪;最后以航拍圖及土地利用現狀圖等為參照,采用監督分類方法對其進行用地識別及影像解譯,將土地利用類型劃分為5類:水域、農田、城鎮建設用地、交通用地和其他用地。

1.3 模型數據準備

SLEUTH模型融合了城市增長模型與土地覆蓋模型兩種模型,能夠成功模擬真實城市的空間擴展過程[12,13,24]。該模型通過基于交通、地形和城市化的約束條件計算每個元胞單元城鎮化的可能性,把已城市化的元胞作為種子點,通過其擴散帶動整個區域的發展,來模擬城市發展軌跡[25-28]。模型包含5種增長系數:擴散系數、繁衍系數、蔓延系數、坡度系數與道路引力系數。各系數相互作用,能夠產生4種土地利用增長類型:自發式增長、邊緣增長、道路引力增長和新中心增長[22,24,28,29]。

根據本研究需要,SLEUT H模型需要輸入5個GIF格式的灰度柵格數據圖層(城市范圍、交通、坡度、山體陰影與排除圖層)。城市范圍、交通圖層分別基于ArcGIS平臺由4個時期的土地利用類型數據生成,兩者均為二值圖。坡度和山體陰影圖層由研究區DEM數據生成,坡度采用百分比坡度。排除圖層根據后面設置的3種不同發展情景分別進行定義。最后,所有數據均轉換為模型需要的GIF格式柵格數據,柵格大小60 m×60 m,且所有數據圖層的范圍保持一致。

圖1 模型輸入圖層Fig.1 The input data

2 情景設置與模擬

2.1 情景設置

新能源指的是非常規能源，與傳統能源相比，新能源儲量龐大，同時污染比較小。常規能源主要包括石油、水、煤炭、天然氣等，而新能源則指的是海洋能、太陽能、風能、生物質能等。在我國各類能源類型中，生物質能源儲量豐富。

排除圖層是產生不同政策情境的有效工具,能夠體現SLEUT H模型與GIS、RS整合的優勢[25,29,30],本次研究預先設置了現有發展趨勢、融合生態敏感性的發展、融合城市總體規劃的發展3種發展情景,即假設在1995—2010年間,昆山的發展歷程已經遵循著上述3種發展情景的引導。

現有發展趨勢情景是現有城鎮空間增長的趨勢外推,只將研究區河流、湖泊定義為排除圖層(圖2),且設定為100%的概率不被城市化,在該方案情景下農田和林地等其他用地均可能會被繼續侵占。融合生態敏感性的發展情景是基于研究區生態敏感性評價與區劃的發展模式,在該方案情景下城市拓展要考慮不同土地利用類型的生態敏感性程度。設置方式如下:首先根據研究區實際情況選擇水域、植被、農田作為敏感性因子,采用GIS空間分析方法進行多因子綜合評價,獲取研究區生態環境敏感性分區:非、低、中、高、極高生態敏感性[31];然后按照敏感性等級由低到高分別設定其不被城市化的概率為10%、30%、50%、80%、100%,得到該情景方案的排除圖層(圖2)。融合城市總體規劃的發展情景為基于《昆山市城市總體規劃(2009-2030)》的發展模式,在該方案情景下以總體規劃中對2030年昆山市域空間的謀劃為依據,將總規中的空間布局圖按照用地性質進行歸類,分別設定建設用地、農業用地、綠地、河流與湖泊等用地空間不被城市化的概率為0、40%、60%、100%,得到該情景方案的排除圖層(圖2)。

圖2 不同情境下基于市域空間城鎮化概率的排除圖層Fig.2 The exclusion layers based on different spatial urbanization probabilities of each scenario

2.2 SLEUTH模型校正

模型采用強制蒙特卡洛迭代計算法(Bruteforce Monte Carlo method),分為粗校準(coarse calibration)、精校準(fine calibration)和終校準(final calibration)3個階段進行。本文將研究區1995年的數據圖層作為模型校正的初始圖層,2000、2005、2010年3個時期的數據圖層作為校正圖層,分3種情景導入模型中分別進行參數校正(表1)。模型3個校準階段運用蒙特卡洛迭代,采用Compare、r2 population、Edges、Cluster、Xmean、Ymean等指數的乘積(Optimum SLEUTH Metric,OSM指數)進行最佳參數組合選取,其他參數設置參照以往國內外文獻的設置方式[20,21,28],通過不斷縮小5個系數的取值范圍,產生5個新的系數區段(由于昆山地處平原,城市擴展幾乎不受坡度影響,所以坡度系數固定為1)。模型校正最后階段(Derive階段)取步長為1,通過多次反復運行,生成5個系數的最終值(表1)。

表1 不同情景的校正過程與終值Table 1 Calibration results for different scenarios

2.3 模型多情景模擬

根據模型校準得到的不同情景下的最優參數組合,在預測模式下運行100次蒙特卡羅迭代運算。將產生的年度城市開發概率圖上大于某一臨界值的柵格作為高概率城鎮化用地,低于臨界值的柵格作為低概率可城鎮化用地,將排除圖層中設定的100%不被城市化的區域定義為不可城鎮化用地,2010年現狀城鎮建設用地為已城鎮化用地,得到研究區2030年3種情景下的4類用地分類圖(圖3),并將高概率城鎮化用地作為未來城鎮增長用地,從而得到不同情景的城市用地增長情況(表2)。

表2 不同預測情景下2030年城市建設用地及其他用地空間統計Table 2 Spatial statistics of city construction land and other lands in 2030 under different scenarios

圖3 基于SLEUTH模型的2030年情景模擬結果Fig.3 The simulation results based on SLEUTH model for 2030

根據模型重建獲得不同情景下城鎮化的開發臨界值(重建2010年的城鎮用地,使其總量等于2010年的城鎮建設用地實際值)。根據結果修改SLEUTH模型predict文件中PROBABILITY_的取值范圍,并最終確定了3種情景下的開發概率臨界值分別為60%、60%、65%,在該臨界概率下的城鎮用地總量匹配度分別達到99.01%、99.15%、99.70%。

3 結果分析

3.1 模型模擬精度分析

由表1可見,隨著校正階段的深入,3種情景的OSM指數有顯著提高。情景1的OSM指數由粗校準的0.47提升到終校準的0.52;情景2的OSM指數由0.20提升到0.50;情景3的OSM指數由0.40提升到0.42,表明本次模型的校正效果較好。最終3種情景的Lee-Sallee形狀指數在0.37～0.39之間,形態擬合效果一般,相關文獻表明,分辨率、區域面積大小、歷史數據時間間隔等因素均會對形狀指數產生影響[17,32],一般在0.3～0.7左右[19,24]。

3種不同情景下模型模擬系數差異顯著,表明模型對情景設置有較高敏感性,產生了不同的增長模式。情景1最終的擴散系數與蔓延系數較低,分別為8與28,繁衍系數與道路引力系數較高,分別為100與70。這說明昆山市現有的發展趨勢是沿著交通網絡自發增長,逐漸形成新的增長中心。情景2的繁衍系數為3,擴散系數為37,蔓延系數為45,這說明在融合生態敏感性的發展情景下,昆山市的增長方式發生了變化,邊界增長和自發增長增多,新的增長中心減少。情景3的擴散系數達到了100,蔓延系數達到了53,繁衍系數與道路引力系數分別為1和7,這說明在總體規劃指導下,城市增長將以城市邊緣增長為主,自發增長受到很大抑制。

3.2 昆山城市空間擴展的多情景分析

由表2可見,最終統計結果顯示,情景1用地增長總量最大,保留生態空間最少,情景2與情景3在一定程度上抑制了城市用地的增長。情景1新增高概率可城鎮化用地285.55 km2,年均增長3.1%,占研究區總面積的30%;保留不可城鎮化用地113.32 km2,僅占總面積的12%。情景2與情景3得到結果相近,新增高概率可城鎮化用地分別為230.15 km2與218.58 km2,年均增長率約為2.7%,分別占研究區總面積的24%與23%;保留不可城鎮化用地196.92 km2與197.40 km2,均占總面積的21%。這說明基于生態敏感性分析與總體規劃的城市發展政策可以對城市用地提供顯著的保護。

由圖3可見,在高繁衍系數與道路引力系數的影響下,情景1用地增長最分散,形成了多中心城市結構,生態空間受到蠶食。新增建設用地沿著主要的道路蔓延增長,城市發展在空間上進一步分散,城北與城南形成了多個次一級的城市中心(圖3,區域A、B、C)。城市除主要的湖區得以保留之外,其他生態用地均有轉化為建設用地的趨勢,對研究區未來的城市生態安全造成了重要威脅,可持續發展面臨重大壓力。該情景體現了昆山市長期分散式的城市增長格局,空間結構較為無序。

情景2的用地增長較為集約,局部建設用地有破碎趨勢,生態空間保留完好。新增建設用地主要位于主城周邊城郊地區,除城北有著部分成片建設用地之外,城市其他地區的建設用地零散分布于主要道路周邊。該情景凸顯了城市生態敏感性對于城市擴展的重要影響力,主要生態用地得以保留(圖3,區域D),有利于城市生態環境保護、農田保護等目標的實現,但同時主城的擴展受到一定限制,只能滿足未來發展的基本用地需求。

情景3受到高擴散系數的影響,新增建設用地集中于中心城區周邊,城市單中心發展。城市邊緣地區成為城市發展重點,中心城區蔓延式發展明顯。除中心城區外,城市其他地區基本沒有成片新增建設用地,這些地區的生態空間得以保留。該情景體現了城市總體規劃對于城市擴展方向的控制作用,改變了昆山市傳統的分散發展格局,中心城區成為單一發展核心。與此同時,中心城區的城市擴展也出現了“攤大餅”現象(圖3,區域E、F),用地不夠集約,蔓延式發展明顯,不利于主城周邊生態保護。

4 結論與討論

SLEUTH模型自身對于情景設置有較高敏感性,排除圖層與模擬參數的設置是模型模擬的關鍵[12,24,25]。目前國內大多數研究中,在模型校正階段使用的是相同的排除圖層,模型預測階段則使用不同排除圖層或調整模型參數設置不同情景[15,16]。本文利用SLEUT H模型定量揭示了昆山市2011-2030年不同發展情景下的城市用地增長趨勢和擴展的主要特征。在模型校正的最初階段使用了不同的排除圖層,通過調整排除圖層設置預設了現有發展趨勢、融合生態敏感性的發展、融合城市總體規劃的發展3種情景,結果顯示,3種情景下模型模擬系數差異顯著,現有發展趨勢情景繁衍系數與道路引力系數較高,以新中心增長為主,融合生態敏感性情景與融合總體規劃情景擴散系數與蔓延系數較高,以邊界增長為主。這表明,在模型校正階段使用排除圖層的方式可以產生更為貼合情景設置的校正結果[19],使得模型的情景設置更具有代表性。

SLEUTH模型可以通過情景設置來模擬政策對城市土地擴展的影響,從而對城市規劃起到支撐作用。模擬顯示,昆山市未來城市用地呈快速增長趨勢,到2030年城市建設用地比重將達到60%～70%。現有發展趨勢下城市分散發展,建設用地沿著道路蔓延嚴重,生態空間受到蠶食,是一種不可持續的發展方式;生態敏感性政策會對昆山市城市擴展帶來較大的約束與抑制,新增用地較為集約,生態環境保護效果較好;現有城市總體規劃會改變昆山市長期以來分散發展的局面,中心城區邊緣成為發展重點,但也會造成城市“攤大餅”現象。昆山市未來需要采取更為嚴格的生態保護措施,尤其注重中心城區周邊生態空間的保護。SLEUT H模型是一種城市規劃模擬手段與工具,其模擬結果對城市規劃政策的制定具有重要參考價值。

很多學者的研究表明,SLEUT H模型用于預測城市用地增長時,其模擬精度受到諸多要素的影響。在模型校正階段,選取的指數對模擬精度有一定影響,一般采用的是Compare指數與Lee-Sellee系數[15,24],也有研究表明,在某些情況下利用OSM指數得到的校正結果更為精確[20,21]。此外,研究區尺度與空間分辨率也會對模型的模擬精度產生一定的影響[20]。相關研究一般采取30～100 m分辨率[20]的數據,本文參考了相關研究的經驗,綜合系數收斂狀況、模型運行時間等因素,最終選取了60 m空間分辨率的數據。在今后的研究中,仍需要進一步考慮其他因素對于模型模擬精度的影響,使得模擬結果更加精確。

[1] 孫丹.國家統計局:2014年中國城鎮化率達到54.77%[Z]. 2015.

[2] 李浩.城鎮化率首次超過50%的國際現象觀察——兼論中國城鎮化發展現狀及思考[J].城市規劃學刊,2013(1):43-50.

[3] 曾永年,何麗麗,靳文憑,等.長株潭城市群核心區城鎮景觀空間擴張過程定量分析[J].地理科學,2012(5):544-549.

[4] XIANG W,CLARKE K C.T he use of scenarios in land-use planning[J].Environment and Planning B:Planning and Design,2003, 30:885-909.

[5] LIU X,LI X,SHI X,et al.Simulating complex urban development using kernel-based non-linear cellular automata[J].Ecological Modelling,2008,211(1):169-181.

[6] 李俊,董鎖成,李澤紅,等.中國城市化研究熱點演變分析[J].地理與地理信息科學,2014(3):93-98.

[7] 馮永玖,童小華,劉妙龍,等.基于GIS的地理元胞自動機模擬框架及其應用[J].地理與地理信息科學,2010(1):41-43.

[8] 呂曉,黃賢金.建設用地擴張的研究進展及展望[J].地理與地理信息科學,2013(6):51-58.

[9] 陶嘉,黎夏,劉小平,等.分析學習智能元胞自動機及優化的城市模擬[J].地理與地理信息科學,2007(5):43-47.

[10] 張靚,曾輝.城市建設用地增長預測主要模型類型及特征[J].地理與地理信息科學,2014(1):50-55.

[11] 王麗妍,李飛雪,李滿春,等.基本農田信息對SLEU TH模型模擬準確性的影響——以常州市中心城區為例[J].地理與地理信息科學,2015(3):48-53.

[12] CLARKE K,HOPPEN S,GAYDOS L.A self-modifying cellular automaton model of historical[J].Environ Plan B,1997, 24:247-261.

[13] SILVA E A,CL ARKE K C.Calibration of the SLEUT H urban growth model for Lisbon and Porto,Portugal[J].Computers,Environment and Urban Systems,2002,26(6):525-552.

[14] HEROLD M,GOLDSTEIN N C,CLARKE K C.The spatiotemporal form of urban growth:Measurement,analy sis and modeling[J].Remote Sensing of Environment,2003,86(3): 286-302.

[15] 劉勇.SLEU TH模型支持下的城市擴展方案模擬與評估[J].經濟地理,2009(10):1661-1664.

[16] 李明杰,錢樂祥,吳志峰,等.廣州市海珠區高密度城區擴展SLEU TH模型模擬[J].地理學報,2010(10):1163-1172.

[17] 朱飛鴿,胡瀚文,沈興華,等.基于SLEUT H模型的上海城市增長預測[J].生態學雜志,2011(9):2107-2114.

[18] 李志英,劉涵妮.2003-2011年國內外城市拓展SLEU TH模型研究進展[J].中國人口·資源與環境,2011(S2):25-28.

[19] AKIN A,CLARKE K C,BERBEROGLU S.The impact of historical exclusion on the calibration of the SLEUT H urban growth model[J].International Journal of Applied Earth Observation and Geoinformation,2014,27:156-168.

[20] 米麗娜.基于SLEUT H模型的銀川市空間擴展研究[D].蘭州:蘭州大學,2008.

[21] DIET ZEL C,CLARKE K C.Toward optimal calibration of the SLEUTH land use change model[J].Transactions in GIS,2007, 11(1):29-45.

[22] 馮徽徽,劉慧平,周彬學,等.SLEUT H模型的參數行為研究[J].地理與地理信息科學,2012(6):39-43.

[23] 丁成日,郭湘閩,何劍鳴,等.城市發展空間戰略規劃研究——以江蘇省昆山市為例[J].城市規劃學刊,2008(6):24-31.

[24] CL ARKE K C,GAYDOS L J.L oose-coupling a cellular automaton model and GIS:Long-term urban growth prediction for San Francisco and Washington/Baltimore[J].International Journal of Geographical Information Science,1998,12(7): 699-714.

[25] JANTZ C A,GOETZ S J,SHELLEY M K.Using the SLEU TH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore-Washington metropolitan area[J].Environment and Planning B,2004,31(2):251-272.

[26] 黎夏,劉小平.基于案例推理的元胞自動機及大區域城市演變模擬[J].地理學報,2007(10):1097-1109.

[27] ONST ED J A,CHOWDHURY R R.Does zoning matter A comparative analysis of landscape change in Redland,Florida using cellular automata[J].Landscape and Urban Planning, 2014,121:1-18.

[28] DIET ZEL C,CL ARKE K C.Spatial differences in multi-resolution urban automata modeling[J].Transactions in GIS, 2004,8(4):479-492.

[29] LEAO S,BISHOP I,EVANS D.Simulating urban growth in a developing nation′s region using a cellular automata-based model[J].Journal of Urban Planning and Development,2004, 130(3):145-158.

[30] JANT Z C A,GOETZ S J,DONAT O D,et al.Designing and implementing a regional urban modeling system using the SLEU TH cellular urban model[J].Computers,Environment and U rban Systems,2010,34(1):1-16.

[31] 尹海偉,徐建剛,陳昌勇,等.基于GIS的吳江東部地區生態敏感性分析[J].地理科學,2006(1):64-69.

[32] JANT Z C A,GOET Z S J,SHELLEY M K.U sing the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore-Washington metropolitan area[J].Environment and Planning B:Planning and Design,2004,31(2):251-271.

Simulation of Urban Expansion of Kunshan City Based on SLEUTH Model

XU Jie1,LUO Zhen-dong1,YIN Hai-wei1,GENG Lei2
(1.School of A rchitecture and Urban Planning,Nanjing University,Nanjing 210093; 2.Institute of Urban Planning and Design,Nanj ing University,Nanj ing210093,China)

Quantitatively revealing the expansion mode of urban land use has made great sense to understand the process of regional urbanization and formulate related planning policies.To improve the accuracy of scenario settings and enhance the practical value of SLEUTH model,this paper takes Kunshan that has been undergoing rapid urbanization as a study case.In the study,three different excluded maps representing different scenarios(the existing development trend(scenario-1),the development trend considering ecological sensitivity(scenario-2)and the development trend catering to urban planning(scenario-3))are utilized in the SLEUT H model,which aims to predict the main characteristics of urban land growth of Kunshan in the years from 2011 to 2030.T he paper has set different parameter values for each calibration scenario to acquire a more accurate and real scenario simulation.In scenario-1,the breed and the road-gravity coefficients are the major controllers of the growth and the main urban growth type is the new spreading center growth.In scenaior-2 and scenaior-3,the diffusion and the spread coefficients are the major controllers and the main growth type is the edge growth.The paper proves that using different excluded layers during the calibration can produce more suitable results and the simulation analysis based on different scenarios can provide the decision-making basis and reference information for urban land use planning.

SLEUTH model;urban expansion;scenario analysis;Kunshan city

TU984.2

A

1672-0504(2016)05-0059-06

10.3969/j.issn.1672-0504.2016.05.009

2016-03-11;

2016-05-25

國家自然科學基金項目(51478216、51478217);江蘇省“青藍工程”資助成果

徐杰(1990-),男,碩士研究生,研究方向為區域與城市規劃。E-mail:jay31@foxmail.com