南昌市城市擴張適宜性分區和預測分析

靳煥煥，張立亭，朱 瑕

(1.東華理工大學測繪工程學院，330013，南昌； 2.江西省數字國土重點實驗室，330013，南昌)

0 引言

隨著中國城鎮化進程不斷加快，城市擴張導致的一系列資源環境破壞[1]、人地矛盾、土地利用沖突[2]等問題越來越明顯。城市發展過程中如何做到合理規范城市健康發展，合理劃定城市擴張方向，高效合理利用土地資源，緩解土地利用矛盾等是當前亟待解決的問題。當前，國內外學者對于城市擴張的研究，主要從城市擴張的驅動力分析[3-8]，城市擴張的模擬與優化研究[9-11]，城市擴張的影響機制[12-16]，城市擴張的時空特征[17-20]等方面展開研究，取得較好的研究成果。然而這些針對城市擴張的研究中，關于城市擴張的適宜性分區研究較少，劃分適宜性分區是土地資源優化的重要基礎，目前適宜性分區的研究對象著重農村居民點[21-22]、未利用地[23]和復墾地[24]，研究方法有多因素綜合評價法[25]、層次篩選[26]、K均值聚類[27]和最小累積阻力模型[28]等。針對城市化與生態保護之間的矛盾加劇，生態環境因素也需要被納入到城市擴張的適宜性評價體系中，從經濟發展和生態約束兩方面考慮城市的發展。因此，為了更好地引導城市的健康發展，需要綜合考慮城市擴張的適宜性分區和城市擴張趨勢對城市發展的影響。綜上，本文選取南昌市為研究區，綜合考慮城市發展的阻力和驅動力，從區域環境、區域基質、區域流通和禁止擴張區等4個方面建立適宜性評價指標體系，結合GIS空間分析，利用改進的城市擴張最小累積阻力模型(Urban Expansion Ecological Resistance，UEER)，構建南昌市城市擴張阻力面，對南昌市城市擴張進行適宜性分區。應用基于神經網絡(Artifical Neural Network，ANN)的元胞自動機(Cellular Automata，CA)模型(ANN-CA)，對南昌市城市擴張進行預測。綜合城市擴張適宜性分區和城市土地擴張預測的結果，旨在為南昌市城市發展及規劃提供一定的參考和依據。

1 研究區概況與數據來源

1.1 研究區概況

南昌市位于江西省中部偏北，是江西省的省會城市，南昌市境內山、丘、崗、平原相間，以平原為主，占35.8%，崗地低丘占34.4%，水域面積達2 204.37 km2，占29.78%，東南相對平坦，西北丘陵起伏，水網密布，湖泊眾多，生態環境質量高。隨著鄱陽湖生態經濟區、昌九一體化、南昌大都市圈、贛江新區等系列政策措施相繼落實，紅谷灘新區、瑤湖片區、九龍湖區等新城的建設發展，南昌市迎來高速發展期。由于城市擴張速度不斷加快，帶來了一些列諸如土地利用沖突、區域發展不協調和資源環境的破壞等問題。因此對南昌市城市擴張進行適宜性分區和預測，對促進南昌市合理健康發展以及城市規劃有重要意義。

圖1 研究區位置示意圖

1.2 數據來源與處理

本研究主要數據有：本文根據南昌市城市化發展歷程，選用南昌市1995年、2005年和2015年土地利用分類數據作為研究基礎數據；南昌市DEM數據(30 m×30 m)來源于地理空間數據云網站；南昌市風景名勝區、公園、飲用水源保護區和水產種植資源保護區等矢量數據來源于江西省環保廳；參照《土地利用現狀分類》(GB/T 21010—2007)和研究目的將南昌市土地利用類型劃分為：耕地、林地、草地、水域、城鎮建設用地、農村居民點用地和其他土地7類。

2 研究方法

2.1 南昌市城市擴張適宜性分區

2.1.1 南昌市城市擴張源的設定 “源”具有向四周擴張或者吸引的能力，不同等級的源由于其性質及四周傳播媒介的不同導致擴張能力的差異[29]。本文中的源為南昌市城市用地，參考相關研究[30-31]，綜合考慮南昌市的范圍、人口與經濟分布確定源的等級，賦予各個等級相對應的阻力因子K，一級阻力因子為0.8，二級阻力因子為0.9，三級阻力因子為1，源等級系數K與城市用地的擴張能力呈負相關關系(表1)。根據南昌市城市用地源的分級情況，對其進行等級劃分(圖2)。

表1 南昌市城市用地源的分級及基本依據

圖2 南昌市城市用地源分級圖

2.1.2 南昌市城市擴張適宜性評價指標體系構建 對于城市空間擴張影響因素的選取方面，根據已有研究成果[32-33]，對于一些特殊區域，如飲用水源保護區、自然保護區等生態障礙區(圖3)，這些區域的存在對城市建設用地的增長構成了絕對約束。在確定生態障礙的基礎上，根據南昌市的實際情況選取坡度、高程、植被覆蓋指數、土地利用類型及流通性要素建立適宜性評價指標體系。本文將研究區分為禁止擴張區和一般擴張區，并將其作為南昌市城市擴張適宜性評價指標體系的一級影響因子，其中禁止擴張區包括風景名勝區、公園、水產種植資源保護區和飲用水源保護區等禁止建設區域，賦予較大阻力值。一般擴張區分為區域環境、區域基質和區域流通3個方面(表2)。指標體系中區域環境反映了自然地理條件對于城市建設的約束，包括高程、坡度和植被覆蓋指數(NDVI)，高程、坡度和NDVI值越大則城市建設和改造的阻力越大；區域基質反映了不同地面景觀類型對于城市擴張的阻力的差異，農村居民點、裸土地和工礦用地對城市擴張的阻力較小；區域流通考慮交通通達度對城市擴張的影響，結合南昌市具體條件，選取了鐵路、高速公路和主干道3個因素。

圖3 南昌市生態障礙分布圖

參考相關的研究[24，28，34-35]，將南昌市城市擴張適宜性評價指標體系的二級影響因子的阻力系數分為5個等級，分別用1、3、5、7、9表示，各因素具有不同的權重，這些都是通過專家打分法的方式確定。利用Arc-GIS10.2中cost-distance模塊分別得到單個要素的阻力分布(圖4)，使用柵格計算器對各阻力因子做加權疊置分析，得到30 m×30 m柵格單元的綜合阻力數據，為UEER模型運行提供基礎數據。結合禁止建設區的分布，通過疊加分析計算可以得到南昌市城市擴張阻力綜合評價結果，其評價結果反映的是不同影響因子疊加的垂直過程對于城市擴張的影響。

2.1.3 南昌市城市擴張適宜性分區 最小累積阻力模型(minimal cumulative resistance,MCR)是指物種在從源到目的地運動過程中所需耗費代價的模型，由荷蘭生態學家Knappen[36]于1992年提出，最早應用于物種保護和景觀格局分析等生態領域，國內學者將其在城市空間增長、土地利用和旅游規劃等社會經濟領域開始進行一些嘗試。本文應用葉玉瑤等改進的最小累積阻力面模型(UEER)，即在MCR模型中引入不同等級源的相對阻力因子Kj，構建城市擴張的生態阻力面模型UEER。基本公式如下：

(1)

式中：UEER表示城市擴張最小累積阻力面值；f是一個未知函數，反映了空間中任一點的最小阻力與其到所有源的距離和阻力面特性的正相關關系；min表示某景觀單元對不同的城市用地源取累積阻力最小值；Dij表示從源j到柵格單元i的空間距離；Ri表示柵格單元i對運動過程的阻力系數；Kj表示源j所屬等級的相對阻力因子。

表2 影響因子評價指標體系

(a)高程阻力 (b)坡度阻力 (c)NDVI阻力

(d)土地利用類型阻力 (e)距主干道距離阻力 (f)距鐵路距離阻力 (g)距高速公路距離阻力

利用最小累積阻力模型(UEER)，分別計算一級源、二級源和三級源的各柵格單元的阻力值，通過GIS中成本距離法分別生成3張對應不同等級源的阻力面，對這3張阻力面進行疊加計算各柵格單元的最小值。根據最小累積計算結果，利用重分類工具(Reclassify)，選擇自然斷點法將所有柵格單元按照累積阻力分值大小依次劃分為高度適宜擴張區、較適宜擴張區、較不適宜擴張區、不適宜擴張區和不可擴張區5種等級區域(圖5)。

圖5 南昌市城市擴張適宜性分區圖

2.2ANN-CA模型

本文用以模擬城市擴張的模型是黎夏[37-39]等提出基于神經網絡的元胞自動機模型(ANN-CA)，其基本原理是利用神經網絡提取元胞自動機的轉換規則，并將轉換規則用于后續的模擬和預測中。由于該模型結構簡單，用戶轉換規則及參數自動生成，能夠有效反映空間變量之間的復雜關系，適合用于模擬非線性的和復雜的土地利用系統。計算公式為：

(2)

本文中選取1995年和2005年的土地利用數據進行模型訓練，根據南昌市的實際條件，選取距市中心的距離、距鐵路的距離、距高速公路的距離、距主干道的距離以及地形坡度等作為空間變量數據。模型設置的參數如下：元胞領域設置為3×3經典摩爾鄰域，神經元的學習速率設置為0.05，參與訓練的樣本數為410 341，將土地利用轉換的概率的閾值設為0.9，迭代次數為300次，模擬總體精度為93.7%。以2015年土地利用數據為預測起始年份的數據來預測南昌市2025年的城市擴張狀況。

3 結果分析

3.1 南昌市城市擴張適宜性分區結果分析

按照最小累積阻力分值大小依次將評價區劃分為高度適宜擴張區、較適宜擴張區、較不適宜擴張區、不適宜擴張區和不可擴張區5種等級區域(圖5、表3)。其中，高度適宜擴張區面積為632.22 km2，占區域總面積的8.54%，主要分布在青云譜區、青山湖區、進賢縣的西南部、新建區和南昌縣與主城區的連接區域，目前也主要為建設用地，可以作為未來的優化建設區，是重點建設區域；較適宜擴張區面積為537.98 km2，占區域總面積的7.27%，主要分布在已建成區域的周邊區域，包括新建區的北部、灣里區的南部和南昌縣的西部區域，這些區域地勢平坦，交通便利，距離主城區較近，政府政策扶持，區位優勢明顯。尤其是新建區和南昌縣受到紅谷灘新區和小藍經濟開發區等政策的支持，是南昌市主城區未來發展的核心區域；較不適宜擴張區面積為5 714.62 km2，占區域總面積的77.2%，主要分布在高度適宜區的外圍，區域內主要分布了各區縣的基本農田，不適宜作為建設用地，未來應該限制該區建設用地的發展；不適宜擴張區面積為465.41 km2，占區域總面積的6.29%，主要分布在南昌市的的東北部和東南部，該區域水域面積廣闊，生態環境脆弱，不適宜作為建設用地；不可擴張區面積為51.8 km2，占區域總面積的0.7%，主要分布在安義縣的西北部，新建區的東部區域及灣里區和主城區的部分區域，該區域主要是已經劃為禁建區的區域，包括風景名勝區、公園、飲用水源保護區等區域，應嚴格禁止開發為建設用地。

表3 南昌市城擴張適宜性分區

3.2 南昌市城市擴張預測及分析

3.2.1 ANN-CA模型模擬精度檢驗 本文基于南昌市1995年和2005年的土地利用數據以及空間影響因子數據獲得該時期土地利用變化規律，對2015年土地利用狀況進行模擬并驗證模擬精度。通過ANN-CA模型得到的混淆矩陣，其中耕地、林地、草地和水域的模擬精度分別高達95%、96%、94%和95%，其次是城鎮建設用地、農村居民點用地和其他土地，模擬精度分別為75%、86%和89%。究其原因，耕地、林地、草地、水域和其他土地的驅動因子及變化規律比較好追蹤，而城鎮建設用地和農村居民點用地作為城市發展中的重要地類，要受到許多復雜和不確定性因素的影響，模擬精度受到一定影響。總的來看本次模擬的總體精度為93.7%，Kappa系數為0.905，模擬結果較優，可用于模型的預測。

3.2.2 ANN-CA模型預測結果及分析 以2015年土地利用數據為初始數據，假設南昌市城區未來保持現有發展趨勢，利用ANN-CA模型預測2025年南昌市城市擴張狀況(圖6)，對比2015年南昌市城市不斷向外蔓延導致城市邊緣破碎化嚴重，未來南昌市將圍繞現有城市邊緣建設用地集聚式擴大，呈現出聚攏式發展，具體而言，南昌市向南方向的南昌縣、向北和向西的新建區和青山湖區的三大塊區呈現團塊式的發展，究其原因，南昌市“一江兩岸”發展格局的形成和紅谷灘新區的建設，新建區已經發展成南昌市的新城區，區位優勢明顯，是南昌市城市擴張的主要區域。南昌縣位于南昌市的南部，地形平坦，交通便利，經濟發達，三面環抱南昌市主城區，同時受小藍經濟開發區政策的支持，發展條件較好。其次，《江西省城鎮體系規劃(2015-2030年)》提出，以鄱陽湖生態經濟區為依托，沿滬昆線和京九線為主線，著力培育和發展以南昌為核心的南昌大都市區，促使發展南昌市城市增長極。而灣里區由于受到梅嶺景區的限制 ，未來城市擴張的強度較弱。對比南昌市土地開發適宜性評價結果圖，未來南昌市城市擴張主要在較適宜性分區范圍內，基本符合城市建設的要求。

圖6 2025年南昌市城市擴張預測圖

對比南昌市2015 年和2025 年土地利用變化狀況(表4)，由于本文中使用的數據進行了多次柵格和矢量數據的轉換，導致2025年和2015年南昌市土地總面積出現了0.00019%的差別，此處可忽略不計。預計2025年南昌市城市增長量達20%，水域和其他土地(沼澤地、沙地、裸土地)分別有0.006%和2.42%的增長量，耕地、林地、草地和農村居民點用地分別有2.27%、0.33%、0.06%和4.22%的負增長量，就絕對量而言，耕地的減少量最多，表明城市擴張中主要是占用耕地，其原因大概是直接占用耕地的成本遠比老舊城區的改造成本低的多，因此在未來城市規劃中，政府應當嚴格控制耕地開墾的行為，切實保護耕地。其次是農村居民點用地的減少，表明城市擴張過程中，農村居民點的拆舊復墾緩解了一部分城市擴張中土地緊缺的壓力，有利于城市的健康發展。

表4 2025年南昌市城市擴張預測表

4 結論與不足

本文以南昌市為研究區域，通過建立南昌市城市擴張適宜性評價指標體系，利用最小累積阻力模型(UEER)結合GIS空間分析，劃分了南昌市城市擴張適宜性分區。以南昌市1995年、2005年和2015年土地利用數據為基礎數據，對南昌市2025年城市擴張范圍進行了預測。主要結論如下。

1)結合南昌市城市擴張的適宜性評價指標體系，利用最小累積阻力模型和GIS空間分析，將南昌市城市擴張劃分為高度適宜擴張區、較適宜擴張區、較不適宜擴張區、不適宜擴張區和不可擴張區等五個區域。

2)利用ANN-CA模型對南昌市城市擴張進行模擬，模擬的總體精度為93.7%，Kappa系數為0.905，模型的模擬精度高，表明應用該模型進行預測具有可行性。

3)根據ANN-CA模型預測結果，預計2025年南昌市城市建設用地增長量達20%，且主要圍繞現有的城鎮用地進行集聚式擴張，將彌補2005年-2015年城市蔓延式發展導致的破碎化現狀，南昌縣和新建區是未來城市擴張的主要區域。未來城市擴張主要占用耕地，在城市發展規劃中，政府要嚴格實施保護耕地的政策。

本文基于UEER模型對南昌市城市建設用地適宜性評價分區的精度主要取決于評價因子的選擇及其權重的劃定，使用的專家打分法確定評價因子的權重存在一定的主觀因素，同時缺少對研究區自然災害數據的考慮，這些都會對結果產生一定的影響，有待進一步改進。