融合多尺度與坐標注意力的城市擴張模擬

摘要：

針對基于機器學習的元胞自動機在土地覆被變化模擬中存在的尺度效應和非平穩(wěn)性特征提取不充分等問題， 構建了ASPP（空洞空間金字塔池化）-CRA（坐標注意力）Unet-CARS（基于多類隨機斑塊種子）耦合模型。 以成渝地區(qū)雙城經濟圈2012、 2016、 2020年實際城市土地利用變化數據為例， 設計2組實驗驗證了模型的性能， 并將其應用于預測2024年及2028年的城市擴張模式。 通過模型對比結果顯示， ASPP-CRAUnet-CARS模型的Kappa值為0.912 3， FoM值為0.414 2， Kappa值分別比RF-CMCNN-CA模型和UMCNN-CA模型的高出0.020 8和0.034 2， FoM值則分別提升了0.030 6和0.067 9。 消融實驗表明： 去除ASPP和CRA模塊后Kappa值與FoM值均有所下降。 研究結果表明： ASPP-CRAUnet-CARS模型融合了傳統(tǒng)元胞自動機和深度學習模型的雙重優(yōu)勢， 能較好地學習到城市發(fā)展中的復雜空間特征， 改善了空間非平穩(wěn)性建模效果， 有效提高了模擬精度。

關" 鍵" 詞：

ASPP-CRAUnet-CARS模型； 多尺度特征； 注意力機制； 空間非平穩(wěn)性

中圖分類號：

F301.2

文獻標志碼：A

文章編號：16739868（2025）02014515

收稿日期：20240314

基金項目：

國家自然科學基金項目（42071218）； 重慶市博士直通車項目（CSTB2022BSXM-JCX0147）。

作者簡介：

孫令博， 碩士研究生， 主要從事空間大數據與區(qū)域城市發(fā)展研究。

DOI： 10.13718/j.cnki.xdzk.2025.02.013

孫令博， 劉明皓， 羅慶喜， 等． 融合多尺度與坐標注意力的城市擴張模擬 ［J］． 西南大學學報（自然科學版）， 2025， 47（2）： 145-159．

Urban Sprawl Simulation Integrating Multiscale and

Coordinate Attention

SUN Lingbo1，2，" LIU Minghao1，2，" LUO Qingxi1，2，

XU Tingting3" CHEN Chun4

1. School of Computer Science and Technology， Chongqing University of Posts and Telecommunications，" "Chongqing 400065， China；

2. Spatial Information Research Center， Chongqing University of Posts and Telecommunications， Chongqing 400065， China；

3. School of Software Engineering， Chongqing University of Posts and Telecommunications， Chongqing 400065， China；

4. School of Architecture and Urban Planning， Chongqing Jiaotong University， Chongqing 400074， China

Abstract：

In response to the issues like scale effects and insufficient feature extraction of non-stationarity in land cover change simulation based on machine learning-driven cellular automata， an ASPP （Atrous Spatial Pyramid Pooling）-CRA （Coordinate Attention） Unet-CARS （Cellular Automata for Raster Spaces） coupled model was constructed． Using real urban land use change data from the Chengdu-Chongqing economic circle in 2012， 2016， and 2020， two sets of experiments were designed to validate the models performance． It was then applied to predict urban expansion patterns of 2024 and 2028． Model comparison results demonstrated that the ASPP-CRAUnet-CARS model achieved Kappa value of 0.912 3 and FoM value of 0.414 2， outperforming RF-CMCNN-CA and UMCNN-CA model in Kappa by 0.020 8 and 0.034 2， respectively， and in FoM by 0.030 6 and 0.067 9， respectively． Ablation studies revealed that removing the ASPP and CRA modules resulted in decreased Kappa and FoM values． The study suggests that the ASPP-CRAUnet-CARS model， integrating the advantages of traditional cellular automata and deep learning models， can effectively learn complex spatial features in urban development， improve the modeling of spatial non-stationarity， and enhance simulation accuracy．

Key words：

ASPP-CRAUnet-CARS model； multiscale features； attention mechanism； spatial non-stationarity

土地利用和土地覆被變化主要由人類活動引起， 如地球上的農業(yè)活動、 工業(yè)發(fā)展等［1］， 而城市擴張是土地利用變化中最常見的類型之一， 會受到一系列經濟、 社會、 文化、 地理和政治因素的影響［2］。 當前大部分的城市土地利用建模主要集中在基于歷史信息和各種情景下的關鍵驅動力變化來預測未來的城市格局［3］， 盡管類似的土地利用建模取得了一定的進展， 但是準確捕捉城市復雜的空間特征， 仍然是一個重大挑戰(zhàn)［4］。

元胞自動機（Cellular Automata， CA）因其轉換規(guī)則易于構造， 能通過簡單規(guī)則實現對復雜空間過程逐像素模擬的優(yōu)點而被廣泛應用于城市用地擴張建模中。 在提取單個元胞轉換規(guī)則的方法中， 支持向量機、 隨機森林模型等被用來分析元胞自身的驅動因素從而挖掘轉換規(guī)則［5-7］。 相對于基于元胞自身驅動因素提取的轉換規(guī)則， 鄰域效應則考慮了鄰域元胞的空間變量信息對中心元胞的影響， 因此得到了廣泛的研究和應用。 近年來， 深度學習越來越多地被用于鄰域特征的提取， 同時， 聯合卷積神經網絡UMCNN［8］、 CNN-GRU［9］等被用于改進鄰域效應進行元胞轉換規(guī)則的提取。 在城市發(fā)展模擬中， 盡管卷積神經網絡（Convo-lutional Neural Networks， CNN）引入了空間特征并提高了模擬性能， 但是目前的研究僅將CNN作為一個高級衰減函數來重新縮放驅動因素， 往往忽略了其抽象高級特征提取的能力。 因此， 如何使用更先進的網絡結構， 集成網絡中的多尺度特征， 同時充分將低層次的空間特征融入到高層次的模式中， 對于提升未來城市用地模擬精度具有十分重要的意義。

盡管許多研究都成功地獲取了用地變化的轉換規(guī)則， 但是與現實城市化結果相比， 其模擬結果還不盡如人意， 主要有以下2個原因： ① 簡化空間的非平穩(wěn)性［10］； ② 忽略了城市擴張中存在的多尺度效應［11］。 在城市化的過程中， 空間非平穩(wěn)性是一個關鍵的概念。 空間非平穩(wěn)性在地球科學、 生態(tài)學、 經濟學等領域具有重要的科學研究價值［12-14］。 最近有一些研究， 采用了地理分區(qū)和地理加權回歸方法， 這本質上是針對空間非平穩(wěn)性提出的“求同存異”策略［15-17］。 隨著深度學習的不斷發(fā)展， 空間非平穩(wěn)性建模出現了許多新的方法， 例如采用注意力機制來構建自適應的空間非平穩(wěn)性深度學習模型［18］。 注意力機制可以幫助模型自動選擇需要注意的輸入特征， 從而提高模型的精度［19］。 簡而言之， 注意力機制就是一種加權平均方法， 該方法基于驅動因子的重要性為不同的輸入特征分配不同的權重［20］。 傳統(tǒng)的注意力模型常常忽略了位置信息， 然而位置信息對于生成空間選擇性注意力圖非常重要。 CRA（Coordinate Attention）稱為坐標注意力， 與通道注意力不同的是， CRA將通道注意力分解為2個一維特征編碼過程， 然后分別沿著2個空間方向聚合特征， 即一個方向捕獲遠程依賴關系， 另一個方向保留精確的位置信息， 并將得到的特征圖單獨編碼成一對方向感知和位置敏感的注意力圖。 Liu等［21］發(fā)現， 基于CNN-CBAM的仿真模型能更加準確地從空間數據中提取特征， 受此啟發(fā)， 本研究嘗試使用CRA耦合U-Net模型挖掘城市擴張中鄰域因子的特征。

U-Net模型［10］于2015年首次被引入生物醫(yī)學圖像分割， 該模型的關鍵在于其編碼器結構使得特征可以在不同的空間尺度上進行編碼和解碼。 U-Net從本質上來說也屬于一種全卷積神經網絡模型， 在應用CNN挖掘區(qū)域轉換規(guī)則時， 卷積核的尺寸、 數量和網絡的層數都會影響模型的學習能力和結果質量。 若卷積核尺寸過大， 容易忽略區(qū)域的局部特征； 尺寸過小， 則會提取出大量冗余信息。 因此， 為了更全面地表達地理模擬中的區(qū)域特征， 更精確地獲取CA的轉換規(guī)則， 需要利用空洞空間金字塔池化（Atrous Spatial Pyramid Pooling， ASPP）模塊實現多尺度區(qū)域特征的提取。

基于此， 本研究提出一種考慮多尺度以及空間非平穩(wěn)性的城市擴張模擬方法， 即將U-Net與ASPP和CRA相結合， 對U-Net進行改進優(yōu)化， 并應用于城市擴張模擬。 主要工作包括： ① 通過U-Net下采樣和上采樣模塊實現對鄰域特征的學習； ② 引入ASPP模塊與U-Net殘差塊進行殘差連接， 使特征圖能夠提取多尺度上下文信息， 增強對區(qū)域演變特征的多尺度特征感知能力； ③ 對于空間信息較豐富的特征圖， 引入CRA模塊幫助模型自動選擇需要加權的輸入特征， 使得特征學習更加符合城市模擬的內在驅動表達， 提高空間非平穩(wěn)性建模效果， 從而提高模型的準確性。 同時， 設計了幾組對比實驗， 驗證ASPP-CRAUnet-CARS模型在多尺度特征和空間非平穩(wěn)性特征提取方面的有效性。

1" 研究區(qū)域與數據

1.1" 研究區(qū)域

成渝地區(qū)雙城經濟圈位于“一帶一路”和長江經濟帶交會處， 包括四川省的15個市和重慶市的27個區(qū)（縣）， 總面積達到18.5萬km2（圖1）。 成渝地區(qū)雙城經濟圈被視為中國西部高質量發(fā)展的重要增長極， 對推動中國西部地區(qū)的發(fā)展具有重要意義。 中共中央政治局在2020年明確指出， 推動成渝地區(qū)雙城經濟圈建設是構建以國內大循環(huán)為主體、 國內國際雙循環(huán)相互促進的新發(fā)展格局的一項重大舉措。 這一發(fā)展戰(zhàn)略旨在進一步發(fā)揮其經濟潛力和輻射帶動作用， 加強區(qū)域之間的合作與協調， 促進資源的優(yōu)化配置和經濟的協同發(fā)展。 然而， 由于自然、 社會、 政策等因素的長期影響， 該區(qū)域內部城市群的空間格局差異較大［22-23］， 空間非平穩(wěn)性明顯控制著該區(qū)域的城市空間格局特征， 因此有必要采取更加高效的建模方式， 以提高該區(qū)域城市擴張的模擬精度， 為成渝地區(qū)高質量發(fā)展提供決策支持。

1.2" 數據來源

探究城市擴張模擬過程中， 土地覆蓋數據的準確性和可靠性對于理解城市發(fā)展模式至關重要。 本研究采用的土地覆蓋數據來源于武漢大學遙感信息處理研究所基于 Google Earth Engine（GEE）上所有可獲得的Landsat數據， 空間分辨率為30 m×30 m， 該數據集總體準確率達80%。 從中選取了2012、 2016、 2020年這3年數據， 并對所有圖像進行了幾何校正， 使之與通用橫軸墨卡托地圖投影系統(tǒng)相匹配， 以保持空間一致性， 并進行重采樣到200 m。 土地利用類型包括建設用地、 耕地、 林地、 水域、 草地和其他用地等6大類。 鑒于本研究的目的是進行城市擴張模擬， 故參照趙林峰等［8］通過ArcGIS軟件中的重分類將研究區(qū)域處理成城市和非城市2類標簽（耕地、 林地、 水域、 草地、 其他用地轉換為非城市標簽， 建設用地轉換為城市標簽）， 用于后續(xù)工作。 在驅動因子方面， 基于Liu等［16］對廣州地區(qū)的城市擴張模擬研究， 選取了高程、 坡度、 到城鎮(zhèn)中心距離、 到河流距離、 到高速公路距離、 到鐵路距離等表征自然因子對城市擴張的影響， 同時選取了人口密度及夜間燈光數據表征經濟因子對城市擴張的影響。 城市擴張模擬數據如表1所示， 將驅動因子數據重采樣到與研究區(qū)域一樣的分辨率， 如圖2所示。

審圖號： GS（2019）3333號。 下同。

1.3" 數據預處理

首先， 將高程、 坡度、 到高速公路/鐵路/河流/城鎮(zhèn)中心距離、 人口密度、 夜間燈光等用于城市擴張模擬的驅動數據歸一化到0～1范圍， 以獲取相應的驅動因子層［22］。 其次， 將歷史用地變化與驅動因子圖層拼接， 并堆疊成立方體數據結構輸入到模型。 使用這種數據結構模擬城市用地擴張的優(yōu)勢在于， 它能夠通過卷積濾波器同時考慮元胞的相鄰像素以及影響每個位置城市用地擴張的所有驅動變量， 進而更好地表征在城市擴張模擬中的空間非平穩(wěn)性。

輸入的原始圖層大小為3 349×2 598像素， 根據研究需要， 將其劃分成更小的塊。 由于擴大數據集對CNN的性能提升有直接的影響， 所以進行了以下處理： ① 將原始數據立方體切割成256×256個數據立方體； ② 由于地圖像素有限， 又需較大數據集， 所以將2個數據立方體之間進行75%重疊［25］。 除此以外， 本研究選取80%的樣本作為訓練樣本， 剩下20%的樣本作為測試樣本。

1.4" 驗證和準確性評估

本研究選擇了一系列的準確性指標和空間格局指標， 定量評估模型預測研究區(qū)域的城市地區(qū)空間分布和模式的能力。 通過Kappa值、 FoM值（品質因數）和OA值（總體精度）來評估預測的準確性［26］， 它們不僅量化了預測與參考的一致性， 而且還評估了參考圖層是如何被正確預測的。 同時， 為了研究成渝地區(qū)雙城經濟圈城市格局中用地的空間特征， 采用景觀指數來描述城市用地的空間分布， 考慮到具體的情況， 本研究選取的景觀指數包括斑塊數量（NP）、 斑塊密度（PD）、 最大斑塊指數（LPI）以及景觀形狀指數（LSI）。

2" 模型構建與研究方法

2.1" 技術流程

本研究的技術流程經過了數據處理、 樣本訓練、 轉換概率、 動態(tài)迭代和模型驗證等過程， 如圖3所示。 ① 數據處理： 將上述處理好的柵格驅動因子數據轉換為ASCII文件， 然后與城市歷史用地數據相拼接， 形成原始數據立方體， 用于后續(xù)樣本選取。 ② 樣本訓練： 隨機選取20 000個樣本點， 隨后在①獲取的立方體中裁剪256×256像素的數據樣本， 并且將樣本的80%作為訓練集， 剩余部分作為測試集。 ③ 轉換概率： 將基期年的驅動因子數據和城市歷史用地數據拼接， 放入訓練好的模型中， 得到轉換概率圖層。 ④ 動態(tài)迭代： 迭代部分選用PLUS模型的CARS模塊， 將模型輸出的概率圖層放入CARS模塊中， 得到最終的預測圖層。 ⑤ 模型驗證： 訓練過程中保存了每個epoch（epoch是指U-Net模型使用所有20 000個樣本完全更新其權重）中AUC面積最高的模型用于后續(xù)的預測， 并選取Kappa值、 FoM值、 OA值來衡量最終的預測效果。

2.2" 訓練U-Net模型

在訓練U-Net模型中， 利用2012-2016年的數據， 將數據立方體裁剪成256×256像素大小， 用于后續(xù)的模型輸入［27］。 本研究為ASPP-CRAUnet模型收集了20 000個256×256像素的數據立方體用于訓練（每個立方體包含8層驅動因子層和1層2012年城市歷史土地利用圖層）， 標簽使用2016年城市土地利用圖層， 依據上文提到的圖層大小的限制， 在處理數據時， 每個數據立方體之間存在75%的重疊， 因此在數據輸入模型之前會對部分立方體進行90°、 180°的旋轉［24］。

本研究對ASPP-CRAUnet模型訓練了50個epoch， 并保存了每個時期的模型， 并在5 000個驗證樣本上進行了驗證， 最終保存了驗證效果最好的模型。 在訓練過程中， 輸入的立方體經過5次下采樣之后被調整為8×8像素， 然后再經過5次上采樣操作， 轉換為與原始輸入圖像平鋪大小相同的單層輸出圖像。 在驗證過程中， 利用受試者工作特征曲線（ROC）計算出輸出圖像與目標圖像之間的差異（即模型的損失）。 最后， 具有最高AUC面積的模型被確定為用于預測目標城市布局的最佳模型。

未來城市土地需求量的計算是未來城市用地仿真的前提， 參考楊國清等［28］和謝志文等［29］的研究， 基于城市歷史土地面積（總面積）進行線性回歸預測， 以估計2024-2028年成渝地區(qū)雙城經濟圈的城市土地面積（總面積）。 假設研究區(qū)域的邊界在未來仍然與2020年相同， 故得到潛力圖層后對整個圖層進行迭代轉換。

2.3" 動態(tài)迭代

在迭代模擬的過程中， 主要應用了CARS模型， 該模型基于計算得到的2種用地類型的轉換概率， 以末期年（2020年）確定的城市用地柵格數量為目標， 利用基期年（2016年）的土地利用數據作為模擬的起點。 通過該方法， 能夠模擬并預測城市用地的變化和擴張趨勢， 最終得到模擬結果， 具體流程如圖4所示。

在本研究中， 采用2016年城市用地圖層以及同期的8個關鍵驅動因子作為輸入數據。 這些數據首先被分割成適合訓練樣本的尺寸， 以便提供給訓練好的模型使用， 從而產生精確的輸出結果。 為了應對在模擬過程中可能出現的圖塊邊緣效應， 對用于預測的數據進行了一系列的填充操作。 具體來說， 在研究區(qū)域周圍進行了擴展， 使得整個圖層的尺寸增加到了3 584×2 816像素。 這樣， 就能夠將256×256像素的立方體數據塊作為輸入， 送入模型進行迭代模擬。 在模擬過程結束后， 得到了一個完整的預測圖層。 為了得到最終的研究區(qū)域圖層， 利用ArcGIS軟件將非研究區(qū)域的部分裁剪掉， 只保留了與研究區(qū)域相符合的土地利用圖層。

本研究中將河流和限制區(qū)域作為柵格的約束， 限制其轉換為城市［30］。 在得到潛力圖層之后， 將未來土地利用的城市柵格總數作為總需求約束， 根據潛力圖層的像素值并利用CARS隨機斑塊種子模型進行迭代模擬， 直到滿足總體需求， 從而得到目標年城市用地擴張的結果。

3" 結果與分析

3.1" 模型訓練特征圖分析

ASPP-CRAUnet模型成功學習并捕獲了研究區(qū)域城市土地利用的復雜空間模式的不同方面， 如圖5所示， 不同層次的ASPP-CARUnet模型表現出對不同特征的逐步理解和提取能力。 研究選取了預測區(qū)域中的1塊256×256像素的圖層。 首先， 圖層經過Conv1， 將輸入圖層的特征通道進行擴展， 用于后續(xù)特征的提取。 在Down-1層（1）、 （2）中， 模型大致區(qū)分了城市用地和非城市用地。 接著， Down-2層識別了一些簡單的模式， 如Down-2層（2）、 （3）學習到了水平和垂直道路， 以及大城市聚集和散落的小村莊。 Down-3層進一步學會將相鄰的城市集群聯系起來， 并確定連接離散城鎮(zhèn)/村莊的潛在城市發(fā)展走廊， 如Down-3層（1）、 （3）所示。 Down-4層中， 模型為現有城鎮(zhèn)/村莊附近的像素分配了更高的城市發(fā)展概率。 接下來的上采樣層通過跳躍連接集成了下采樣中的高級特征和上采樣中的低級特征。 Up-4層將通過CA模塊的Down-4層特征與經過上采樣的Down-4層相結合， 改進了Down-4層中的概覽圖案。 緊接著， Up-3層通過對Down-3層中確定的城市發(fā)展走廊進行相似化， 進一步細化了Up-4層中的空間特征與城市輪廓。 Up-1層將Down-1層中的城市/非城市特征圖與Up-2層相關聯， 產生最終的輸出圖像圖塊。 該圖塊在較大城鎮(zhèn)周圍分配更多的城市土地使用像素， 同時保持細化的圖案。 最終， 再通過Conv2將特征通道數收縮到目標生成的圖層通道數， 從而生成了對研究區(qū)域城市土地利用復雜空間模式較為準確的預測。

3.2" 模型泛化能力評估

發(fā)展適宜性圖是反映城市擴張趨勢的空間可視化圖層， 它可以揭示城市擴張變化的空間分布規(guī)律， 準確的發(fā)展適宜性可以確保在模擬中反映實際城市擴張變化的趨勢和模式。 如果提取的轉換概率不準確， 那么會大大降低模擬的精度。 ROC曲線和ROC曲線下AUC面積值已被證明可用于評估模型輸出的發(fā)展適宜性圖的質量， ROC曲線是通過各種閾值選擇下繪制真陽性率（TPR， 機器學習中的靈敏度）與假陽性率（FPR， 用1-特異性估計）來創(chuàng)建的。 理論上來說如果AUC值越接近1， 說明曲線下方面積越大， 表明模型預測的準確率越高， 反之則說明模型預測的準確率較低。 當AUC值等于1時， 則表明該模型為完美的分類器。

為了體現模型的泛化能力， 選擇了成都市作為研究區(qū)域， 并進行了結果分析。 本研究將所生成的發(fā)展適宜性圖與人工神經網絡（ANN）以及隨機森林（RF）模型生成的圖進行了比較分析。 圖6展示了各模型生成的成都地區(qū)ROC曲線， 紅色虛線代表隨機分類效果。 結果表明， 本研究采用的ASPP-CRAUnet模型在數據集上取得了最佳效果， 相比ANN、 RF的AUC值提升明顯， 證明了本研究所提出的模型能夠更為準確地生成發(fā)展適宜性圖， 使得最終的預測結果與實際更加接近， 表現出模型的可推廣性。

3.3" 實驗方案設計及實驗結果比較

3.3.1" 消融實驗

本研究創(chuàng)新地提出一種圖到圖的高效模擬方法， 不同于以往方法需對每個柵格元胞點到點建立轉換規(guī)則， 該方法對于研究區(qū)域進行塊狀的預測， 并且通過模型的特性充分學習城市擴張中存在的多尺度效應和空間非平穩(wěn)性特征。 相比之前的模型， 在模擬的準確性方面有所提升。 傳統(tǒng)的CA模型， 主要受限于自身柵格的發(fā)展適應性和鄰域效應的影響。 為了證明ASPP-CRAUnet-CARS模型在提取總體轉換規(guī)則方面的優(yōu)勢， 設計了一組消融實驗， 來驗證當前模型的優(yōu)越性， 其目標是： ① 驗證ASPP模塊在提取多尺度方面的效果； ② 驗證ASPP-CRAUnet-CARS模型相比于傳統(tǒng)CA模型在提取空間非平穩(wěn)性特征的優(yōu)越性以及CRA模塊提取驅動因子影響力的能力。 具體的實驗方案如表2所示。

實驗（1）中， 去除了位于跳躍連接的CRA模塊， 此時模型缺少了對于輸入圖像中不同位置之間關系的捕捉。 引入CRA模塊使得注意力權重與特定位置相關聯， 模型在進行特征提取時會根據不同位置坐標賦予不同的權重， 去掉CRA模塊之后失去了捕捉的能力， 所以相比之下各方面的精度都有所下降， Kappa值下降了0.001 8， FoM值下降了0.012 2。 實驗（2）中， 由于去除了位于殘差塊的ASPP模塊， 模型失去了多尺度信息捕捉的能力， 而多尺度效應是在城市擴張中明顯存在的問題， 所以導致最終精度有所下降（Kappa下降了0.005 1， FoM值下降了0.036 8）。 實驗（3）中， 只使用了最基礎的U-Net模型， 從Kappa值上來看與基準模型相比下降了0.012 2， FoM值下降了0.068 6。 從消融實驗可以得出， 本研究對于基礎U-Net模型的改進使Kappa值、 FoM值均有提升， ASPP模塊對于尺度效應的提取和CRA模塊對于特征空間的加權， 對最終模擬結果都起到了一定的作用。

3.3.2" 模型對比分析

為了驗證ASPP-CRAUnet-CARS模型在城市擴張模擬方面的優(yōu)越性， 本研究選取了幾個前沿的模型進行對比分析。 RF-CMCNN-CA模型首次將通道注意力機制CBAM融入到CNN模型中優(yōu)化了鄰域特征學習， 在空間非平穩(wěn)性建模方面做出一些努力。 UMCNN-CA模型聯合了CNN模型， 并通過增加感受野來充分獲取鄰域信息。 MSCNN-CA模型是一種級聯卷積神經網絡， 它通過級聯多個不同卷積核的CNN模型， 來提取區(qū)域演變過程中存在的多尺度效應。 但以上模型都只考慮了城市擴張模擬中的單個因素， 而本研究提出的ASPP-CRAUnet-CARS模型不僅考慮到了城市擴張中的空間非平穩(wěn)性， 也考慮到了多尺度效應， 并且與RF-CMCNN-CA模型相比， Kappa值提高了0.020 8， FoM值提高了0.030 6； 與MSCNN-CA模型相比， Kappa值提高了0.043 1， FoM值則提高了0.061 6， 在總體精度（OA值）和合理性上都有較大提升。 所有對比結果如表3所示。

3.4" 實驗結果討論

通過模型輸出的轉換潛力圖（圖7）可知， 引力效應較大的城市和城鎮(zhèn)附近， 其像素點比引力效應較小的村莊附近的像素點具有更高的城市轉換潛力。 例如， 綿陽市周圍的大片區(qū)域被確定為具有較高的過渡潛力， 而附近邊緣的小村莊集群則表現出較低的轉換潛力。 在眉山市、 廣安市等地區(qū)也發(fā)現了同樣的規(guī)律。 線性發(fā)展的模式同樣在轉換潛力圖中得到很好的體現。 例如， 盡管在最初的城市土地利用圖中只出現了不連續(xù)的線性片段， 但模型還是正確地識別出了宜賓市和樂山市道路沿線的發(fā)展。

通過對潛力圖層進行迭代轉換， 繪制出的城市土地利用分類地圖（圖8）能夠正確識別新的城市區(qū)域， 尤其是與現有城市相鄰的區(qū)域， 這表明本研究所用模型能夠充分捕捉到鄰里關系對于城市發(fā)展的影響。 同時， 也錯誤地將一些區(qū)域識別為新城區(qū)， 并且未能識別出一些新城區(qū)， 特別是正在規(guī)劃的新開發(fā)區(qū)域。 許多遺漏的城區(qū)都發(fā)生在離原城區(qū)較遠的地方， 但是城市群的大致輪廓都能模擬， 零星散落的城市柵格可能由于轉換的元胞數量不足， 使分辨率尺度不夠精細。

3.5" 模型可解釋性分析

在ASPP-CRAUnet-CARS模型的鄰域特征提取過程中， 引入了CRA機制， 放大有影響的驅動因子， 抑制影響力小的驅動因子。 每個驅動因子在模型預測過程中的權重被提取出來， 并采用ArcGIS軟件對驅動因子重要性進行可視化。 本研究選取了同一驅動因子對不同區(qū)域進行可視化， 以便揭示空間異質性特征， 如圖9所示。

1） 不同的驅動因子對城市用地變化的影響程度不同， 如圖10所示。

2） 相同驅動因子在不同的空間位置， 對城鄉(xiāng)用地變化的影響程度也不同。 城市用地變化的驅動因子作用大小隨空間位置的變化而變化。 由圖9a、 9b可知， 高程和坡度在川渝地圖的邊緣表現出較強的影響力， 例如雅安市、 樂山市、 成都市西北部、 重慶市東南部所處的研究區(qū)域周邊靠近山體， 該注意力圖層呈深色區(qū)域， 然而在地處中心的城市表現得不明顯。 由圖9g、 9h可知， 夜間燈光和人口密度與之相反， 在上述提到的相同地塊下， 靠近山體部分的顏色較淺， 表現出較低的影響力， 而城市中心區(qū)域表現出較強的影響力。

3） 對城鄉(xiāng)用地轉換影響較大的驅動因子主要體現在城市邊緣。 例如， 由圖9c、 9f可知， 到高速公路距離、 到城鎮(zhèn)中心距離的重要性不同， 且與其他因子相比在城市擴張邊緣地區(qū)的作用力更加明顯， 盡管每個驅動因子的影響程度不同。

CRA機制通過突出鄰域采樣窗口內信息量大的區(qū)域， 淡化信息量小的區(qū)域， 強化驅動因子對柵格變換影響力的差異化表達， 從而達到捕捉地理現象中存在的空間異質性。 通過提取空間坐標注意力權重， 并在多個地塊對區(qū)域差異進行可視化， 可以得出不同的驅動因子對城市用地變化的影響程度不同， 而且每個驅動因子在不同的位置上所表現出來的影響力也是不同。 通過CRA機制捕捉地理現象的空間異質性規(guī)律， 最終也將影響城市模擬的準確性和合理性。

3.6" 未來城市擴張預測

在未來的城市預測中， 基于2012-2020年的土地利用數據， 利用線性回歸預測2020-2028年的新增城市土地。 2012-2016年新增城鎮(zhèn)的用地總面積為990.48 km2， 2016-2020年新增767.64 km2， 2020-2024年預計新增758.76 km2， 2024-2028年預計新增740.96 km2， 采用訓練后的ASPP-CRAUnet-CARS模型， 以2020年的真實土地利用數據為初始狀態(tài)， 對2024年和2028年的城市擴張空間格局進行預測， 最終模擬結果如圖11所示。 關于未來城市發(fā)展趨勢的分析如下：

1） 線性回歸預測總體結果顯示， 城市擴張的速率減慢， 2020-2024年及2024-2028年整體發(fā)展速率遠低于2012-2016年， 略低于2016-2020年。

2） 中心城市的離散區(qū)域更加緊密連接， 形成更具有凝聚力的城市景觀。

3） 城市整體發(fā)展趨勢為城市中心向四邊擴散， 城市中心逐漸被填充， 形成區(qū)域性極核的過程。

3.7" 城市空間格局利用的景觀指數變化分析

為了深入理解成渝地區(qū)雙城經濟圈土地利用格局的演變， 本研究采用了Fragstats 4.2軟件對成渝地區(qū)雙城經濟圈的城市土地利用景觀格局變化進行了分析。 2012年、 2016年和2020年的真實土地利用數據， 以及2024年和2028年的土地利用預測數據， 均輸入到軟件中， 比較了與城市相關的4類景觀指數的變化情況， 如表4所示。

本研究對研究區(qū)域2012-2028年城市景觀指數進行了分析， 分析揭示了以下變化：

1） 2012-2020年斑塊數量（NP）和斑塊密度（PD）逐漸增加， 然后從2020年往后逐漸減少。 這表明， 2012-2020年城市土地開發(fā)主要發(fā)生在多個孤立的斑塊中， 而2020-2028年， 這些斑塊合并為更大的毗連區(qū)域。

2） 2012-2020年景觀形狀指數（LSI）逐漸上升， 表明在此期間城市土地發(fā)展更加離散化， 且無規(guī)律性； 但2020年以后隨著城市土地進一步擴張， 未來的城市發(fā)展將更加有規(guī)律和有組織。

3） 最大斑塊指數（LPI）的變化可以揭示城市發(fā)展模式的轉化。 LPI隨著時間的推移逐步變大意味著城市發(fā)展出現了多個中心或次中心， 每個中心周圍形成較小的城市斑塊， 這表明城市功能正在分散， 城市服務和活動不再集中在單一的核心區(qū)域， 這可能與多中心的城市發(fā)展策略有關。 同時， 由于成渝地區(qū)雙城經濟圈綱要中強調了交通互聯互通， 所以新的交通線路、 基建設施建設也促使城市向多個方向、 多個區(qū)域有規(guī)律地擴展。

綜上所述， 未來城市區(qū)域發(fā)展的特點是斑塊逐漸連接， 以多個中心點擴展的多區(qū)域協同發(fā)展， 并走向更加集約的土地利用， 所以城市形態(tài)逐漸趨向于緊湊、 收縮的空間布局。

4" 結論

本研究構建了ASPP-CRAUnet-CARS耦合模型， 以成渝地區(qū)雙城經濟圈為例， 設計了消融實驗和對比實驗2套實驗方案， 分別驗證了本研究模型中ASPP模塊的多尺度效應， CRA模塊的空間非平穩(wěn)性效應， 以及模型的性能。 一方面， 本研究從區(qū)域多尺度效應出發(fā)， 利用ASPP及U-Net模型自身特征解決傳統(tǒng)深度學習模型中固定鄰域大小未考慮不同尺度下鄰域信息提取不充分的問題； 另一方面， 從空間非平穩(wěn)性出發(fā)， 將CRA模塊嵌入跳躍連接中， 將下采樣和上采樣的空間局部細節(jié)特征以及不同驅動因子的空間權重分配， 集成到最終的轉換潛力圖層。

消融實驗表明， ASPP-CARUnet-CARS的城市擴張模型成功實現了對城市用地變化的高精度模擬， 同時捕捉了成渝地區(qū)雙城經濟圈發(fā)展的高層次空間模式。 首先， ASPP-CRAUnet模型綜合了ASPP模塊和U-Net模型的結構特性， 成功捕捉了城市擴張中的多尺度效應和空間非平穩(wěn)性特征。 U-Net模型能夠將小尺度的鄰域效應同化為大尺度的重力效用， 即在大城市附近， 未來大面積土地將被預測為城市用地， 具體表現在通過對轉換潛力圖進行分析， 發(fā)現城市集群附近土地更有可能轉換為城市用地。 由U-Net確定的大規(guī)?？臻g模型， 特別是大城市的鄰域效應， 常常不會被現有的CA模型捕獲。 其次， U-Net模型不僅能簡單地緩沖空間特征， 還捕獲了城市擴張遵循線性模式的趨勢。 與其他同類型模型相比， ASPP-CRAUnet-CARS模型的模擬精度要比RF-CMCNN-CA、 UMCNN-CA等模型更高， 表明在提取空間非平穩(wěn)性能力方面更加優(yōu)越， 驗證了U-Net模型在城市擴張模擬中的適用性和準確性。

然而本研究仍存在部分不足： ① 土地利用變化僅研究了城鎮(zhèn)與非城鎮(zhèn)， 該模型可用于后續(xù)多個土地利用類型的研究。 ② 由于政策的不確定性， 城市發(fā)展格局的不確定性很大， 如果僅僅依據歷史趨勢， 很難準確預測未來城市的發(fā)展趨勢， 因此可在模型中融入城市規(guī)劃信息。 ③ 無法預測遠離現有城市地區(qū)的新規(guī)劃城市的發(fā)展。 對于因一些政策因素突然興起的城市用地區(qū)域， 缺少種子元胞來進行轉移， 導致模擬不準確， 因此對于CA模型的改進也是后續(xù)需要考慮的問題。

參考文獻：

［1］

FAN P L， CHEN J Q， OUYANG Z T， et al． Urbanization and Sustainability under Transitional Economies： A Synthesis for Asian Russia ［J］． Environmental Research Letters， 2018， 13（9）： 095007．

［2］" KIPFER S． Pushing the Limits of Urban Research： Urbanization， Pipelines and Counter-Colonial Politics ［J］． Environment and Planning D： Society and Space， 2018， 36（3）： 474-493．

［3］" YEH A G O， CHEN Z F． From Cities to Super Mega City Regions in China in a New Wave of Urbanisation and Economic Transition： Issues and Challenges ［J］． Urban Studies， 2020， 57（3）： 636-654．

［4］" LIU Y， BATTY M， WANG S Q， et al． Modelling Urban Change with Cellular Automata： Contemporary Issues and Future Research Directions ［J］． Progress in Human Geography， 2021， 45（1）： 3-24．

［5］" BAIG M F， MUSTAFA M R U， BAIG I， et al． Assessment of Land Use Land Cover Changes and Future Predictions Using CA-ANN Simulation for Selangor， Malaysia ［J］． Water， 2022， 14（3）： 402．

［6］" KARIMI F， SULTANA S， SHIRZADI BABAKAN A， et al． An Enhanced Support Vector Machine Model for Urban Expansion Prediction ［J］． Computers， Environment and Urban Systems， 2019， 75： 61-75．

［7］" HAGENAUER J， OMRANI H， HELBICH M． Assessing the Performance of 38 Machine Learning Models： The Case of Land Consumption Rates in Bavaria， Germany ［J］． International Journal of Geographical Information Science， 2019， 33（7）： 1399-1419．

［8］" 趙林峰， 劉小平， 劉鵬華， 等． 基于地理分區(qū)與FLUS模型的城市擴張模擬與預警 ［J］． 地球信息科學學報， 2020， 22（3）： 517-530．

［9］" 劉鵬華， 劉小平， 姚堯， 等． 耦合約束動態(tài)地塊分裂和矢量元胞自動機的城市擴張模擬 ［J］． 地理與地理信息科學， 2018， 34（4）： 74-82．

［10］RONNEBERGER O， FISCHER P， BROX T． U-Net： Convolutional Networks for Biomedical Image Segmentation ［M］ //Lecture Notes in Computer Science． Cham： Springer International Publishing， 2015： 234-241．

［11］CHEN Z Y， LI D L， FAN W T， et al． Self-Attention in Reconstruction Bias U-Net for Semantic Segmentation of Building Rooftops in Optical Remote Sensing Images ［J］． Remote Sensing， 2021， 13（13）： 2524．

［12］張大川， 劉小平， 姚堯， 等． 基于隨機森林CA的東莞市多類土地利用變化模擬 ［J］． 地理與地理信息科學， 2016， 32（5）： 29-36， 127．

［13］XIE Z W， WANG H J， ZHANG B， et al． Urban Expansion Cellular Automata Model Based on Multi-Structures Convolutional Neural Networks ［J］． Acta Geodaetica et Cartographica Sinica， 2020， 49（3）： 375．

［14］WANG S M， LUO Y M， LI X， et al． Downscaling Land Surface Temperature Based on Non-Linear Geographically Weighted Regressive Model over Urban Areas ［J］． Remote Sensing， 2021， 13（8）： 1580．

［15］FENG Y J， TONG X H． Incorporation of Spatial Heterogeneity-Weighted Neighborhood into Cellular Automata for Dynamic Urban Growth Simulation ［J］． GIScience amp; Remote Sensing， 2019， 56（7）： 1024-1045．

［16］LIU X P， OU J P， CHEN Y M， et al． Scenario Simulation of Urban Energy-Related CO2 Emissions by Coupling the Socioeconomic Factors and Spatial Structures ［J］． Applied Energy， 2019， 238： 1163-1178．

［17］WANG R， FENG Y J， WEI Y L， et al． A Comparison of Proximity and Accessibility Drivers in Simulating Dynamic Urban Growth ［J］． Transactions in GIS， 2021， 25（2）： 923-947．

［18］SULTAIRE S M， HUMPHREYS J M， ZUCKERBERG B， et al． Spatial Variation in Bioclimatic Relationships for a Snow-Adapted Species along a Discontinuous Southern Range Boundary ［J］． Journal of Biogeography， 2022， 49（1）： 66-78．

［19］HUANG M， WANG Z C， PAN X H， et al． Delimiting Chinas Urban Growth Boundaries under Localized Shared Socioeconomic Pathways and Various Urban Expansion Modes ［J］． Earths Future， 2022， 10（6）： e2021EF002572．

［20］HUANG Z W， LI S Y， PENG Y H， et al． Spatial Non-Stationarity of Influencing Factors of Chinas County Economic Development Base on a Multiscale Geographically Weighted Regression Model ［J］． ISPRS International Journal of Geo-Information， 2023， 12（3）： 109．

［21］LIU M H， LIAO X L， CHEN C． Urbanization Process： A Simulation Method of Urban Expansion Based on RF-SNSCNN-CA Model ［J］． Applied Sciences， 2023， 13（11）： 6615．

［22］GUO S N， LIN Y F， WAN H Y， et al． Learning Dynamics and Heterogeneity of Spatial-Temporal Graph Data for Traffic Forecasting ［J］． IEEE Transactions on Knowledge and Data Engineering， 2022， 34（11）： 5415-5428．

［23］劉彥隨， 楊忍． 中國縣域城鎮(zhèn)化的空間特征與形成機理 ［J］． 地理學報， 2012， 67（8）： 1011-1020．

［24］YANG J， HUANG X． The 30 m Annual Land Cover Dataset and Its Dynamics in China from 1990 to 2019 ［J］． Earth System Science Data， 2021， 13（8）： 3907-3925．

［25］CHEN P F， ZHAO R Z， HE T J， et al． A Novel Bearing Fault Diagnosis Method Based Joint Attention Adversarial Domain Adaptation ［J］． Reliability Engineering amp; System Safety， 2023， 237： 109345．

［26］YAN C， FAN X S， FAN J L， et al． Improved U-Net Remote Sensing Classification Algorithm Based on Multi-Feature Fusion Perception ［J］． Remote Sensing， 2022， 14： 1118．

［27］WANG J K， LV P Q， WANG H Y， et al． SAR-U-Net： Squeeze-and-Excitation Block and Atrous Spatial Pyramid Pooling Based Residual U-Net for Automatic Liver Segmentation in Computed Tomography ［J］． Computer Methods and Programs in Biomedicine， 2021， 208： 106268．

［28］楊國清， 劉耀林， 吳志峰． 基于CA-Markov模型的土地利用格局變化研究 ［J］． 武漢大學學報（信息科學版）， 2007， 32（5）： 414-418．

［29］謝志文， 王海軍， 張彬， 等． 城市擴展元胞自動機多結構卷積神經網絡模型 ［J］． 測繪學報， 2020， 49（3）： 375-385．

［30］袁敏． 不同尺度下的土地利用變化模擬研究——以三峽庫區(qū)為例 ［D］． 重慶： 重慶郵電大學， 2018．

責任編輯" 柳劍

崔玉潔