<address id="japib"><nav id="japib"></nav></address>

<cite id="japib"></cite>

        基于SLEUTH模型的內羅畢城市擴張預測分析

        施令飛 何曉宇 沈堅 KiprotichPaul 魏顯虎 張宗科 邱鳳婷

        引用本文:
        Citation:

        基于SLEUTH模型的內羅畢城市擴張預測分析

          作者簡介: 施令飛(1993?),男,云南人,碩士生,主要研究智慧城市、大型環境生態工程遙感. E-mail:slf007@shu.edu.cn;
          通訊作者: 魏顯虎, weixh@radi.ac.cn
        • 中圖分類號: TP79

        Urban expansion and forecast analysis of Nairobi based on SLEUTH model

          Corresponding author: WEI Xian-hu, weixh@radi.ac.cn ;
        • CLC number: TP79

        • 摘要: 以肯尼亞內羅畢市為研究區,使用校準后的SLEUTH模型有效地對內羅畢的城市時空增長格局進行了監測、模擬并分析了內羅畢增長動力和方向,模型最終擬合得到參數分別為生長系數1、繁衍系數1、蔓延系數76、坡度阻抗75、道路引力69,3個校準步驟的擬合優度在0.5以上,符合精度的要求. SLEUTH城市擴張模擬顯示2020—2035年內羅畢將會經歷一個較快的城市擴張階段,年均增速高于5%,2035—2050年城市擴張速率減弱直至趨于穩定,預測至2050年城市面積占縣域總面積的60%左右. 從空間上看,內羅畢未來的擴張方向為西北和東南方向. 從影響擴張的因素上看,內羅畢的擴張與交通設施的建設、地形和原始土地利用分布密切相關,其中道路引力為主要影響因素. 擴張區域主要集中在一級公路、火車站周圍和坡度平坦的地區,其中耕地和草地通過土地利用轉化,用作城市建設用地的比重最大.
        • 圖 1  研究區位置

          Figure 1.  Location of the study area

          圖 2  SLEUTH模型輸入數據

          Figure 2.  Input data of SLEUTH model

          圖 3  SLEUTH模型框架

          Figure 3.  The framework of SLEUTH model

          圖 4  土地利用類別變化趨勢

          Figure 4.  Chart of land use category change

          圖 5  1975—2015年內羅畢城市擴張

          Figure 5.  Nairobi urban expansion from 1976 to 2015

          圖 6  2015—2060年內羅畢城市面積擴張預測占比

          Figure 6.  The proportion prediction of urban expansion area in Nairobi from 1976 to 2015

          圖 7  2015—2050年內羅畢城市擴張預測

          Figure 7.  Nairobi urban expansion prediction from 2015 to 2050

          表 1  SLEUTH模型系數校準

          Table 1.  Coefficient calibration of SLEUTH model

          參數類型粗校正精校準最終校正結果
          起始值終止值步長起始值終止值步長起始值終止值步長起始值終止值步長
          生長110025111111111
          繁衍110025111111111
          蔓延110025767617676176761
          坡度阻力110025267657375175751
          道路引力110025265156770169691
          下載: 導出CSV
          幸运快三
        • [1] Fang C, Yu D. Urban agglomeration: An evolving concept of an emerging phenomenon[J]. Landsc Urban Plan, 2017, 162: 126-136. DOI:  10.1016/j.landurbplan.2017.02.014.
          [2] He C, Liu Z, Tian J, Ma Q. Urban expansion dynamics and natural habitat loss in China: A multiscale landscape perspective[J]. Glob Chang Biol, 2014, 20: 2 886-2 902. DOI:  10.1111/gcb.12553.
          [3] Santé I, Garc? á A M, Miranda D, et al. Cellular automata models for the simulation of real-world urban processes: A review and analysis[J]. Lands Urban Plan, 2010, 96: 108-112. DOI:  10.1016/j.landurbplan.2010.03.001.
          [4] Hu Z, Lo C P. Modeling urban growth in Atlanta using logistic regression[J]. Compute Environ Urban Syst, 2006, 31(6): 667-688. DOI:  10.1016/j.compenvurbsys.2006.11.0011.
          [5] Bai Y, Deng X, Jiang S, et al. Exploring the relationship between urbanization and urban eco-efficiency: Evidence from prefecture-level cities in China[J]. Journal of Cleaner Production, 2018, 195: 1 487-1 496. DOI:  10.1016/j.jclepro.2017.11.115.
          [6] Aburas M M, Ho Y M, Ramli M F, et al. The simulation and prediction of spatio-temporal urban growth trends using cellular automata models: A review[J]. International Journal of Applied Earth Observation & Geoinformation, 2016, 52: 380-389. DOI:  10.1016/j.jag.2016.07.007.
          [7] Liu Y, Hu Y, Long S, et al. Analysis of the effectiveness of urban land-use-change models based on the measurement of spatio-temporal, dynamic urban growth: A cellular automata case study[J]. Sustain, 2017, 9(5): 1-15. DOI:  10.3390/su9050796.
          [8] Hosseinali F, Alesheikh A A, Nourian F. Agent-based modeling of urban land-use development, case study: Simulating future scenarios of Qazvin City[J]. Cities, 2013, 31: 105-113. DOI:  10.1016/j.cities.2012.09.002.
          [9] White M A, Asner G P, Nemani R R, et al. Measuring fractional cover and leaf area index in arid ecosystems: Digital camera, radiation transmittance, and laser altime-try methods[J]. Remote Sensing of Environment, 2000, 74(1): 45-57. DOI:  10.1016/S0034-4257(00)00119-X.
          [10] Triantakonstantis D, Mountrakis G. Urban growth prediction: A review of computational models and human perceptions[J]. Journal of Geographic Information System, 2012, 4(6): 555-587. DOI:  10.4236/jgis.2012.46060.
          [11] Waddell P. UrbanSim: Modeling urban development for land use, transportation, and environmental planning[J]. Journal of American Planning Association, 2002, 68(3): 297-314. DOI:  10.1080/01944360208976274.
          [12] Pontius R G, Schneider L C. Land-cover change model validation by a ROC method for the Ipswich watershed, Massachusetts, USA[J]. Agriculture, Ecosystems and Environment, 2001, 85(2): 239-248. DOI:  10.1016/S0167-8809(01)00187-6.
          [13] Yang Q, Li X, Shi X. Cellular automata for simulating land use changes based on support vector machines[J]. Computers & Geosciences, 2008, 34(6): 592-602.
          [14] Kamusoko C, Gamba J. Simulating urban growth using a Random Forest-Cellular Automata (RF-CA) model[J]. ISPRS Intternational Journal Geo-Information, 2015, 4(2): 447-470. DOI:  10.3390/ijgi4020447.
          [15] Chen Y M, Liu X P, Li X. Calibrating a Land Parcel Cellular Automaton (LP-CA) for urban growth simulation based on ensemble learning[J]. International Journal of Geographical Information Science, 2017, 31(12): 2 480-2 504. DOI:  10.1080/13658816.2017.1367004.
          [16] Deng Z M, Zhang X, Li D, et al. Simulation of land use/land cover change and its effects on the hydrological characteristics of the upper reaches of the Hanjiang Basin[J]. Environmental Earth Sciences, 2015, 73(3): 1 119-1 132. DOI:  10.1007/s12665-014-3465-5.
          [17] 施令飛, 沈堅, 何曉宇, 等. 肯尼亞蒙內鐵路區域植被覆蓋度時空變化分析[J]. 云南大學學報: 自然科學版, 2020, 42(1): 91-98. DOI:  10.7540/j.ynu.20190216. Shi L F, Shen J, He X Y, et al. Analysis of temporal and spatial changes of vegetation coverage of the Mombasa-Nairobi railway area in Kenya[J]. Journal of Yunnan University: Natural Sciences Edition, 2020, 42(1): 91-98.
          [18] 吳琳娜, 楊勝天, 劉曉燕, 等. 1976年以來北洛河流域土地利用變化對人類活動程度的響應[J]. 地理學報, 2014, 69(1): 54-63. DOI:  10.11821/dlxb201401005. Wu L N, Yang S T, Liu X Y, et al. Response analysis of land use change to the degree of human activities in Beiluo River Basin since 1976[J]. Journal of Geographical Sciences, 2014, 69(1): 54-63.
          [19] 譚雪蘭, 歐陽巧玲, 江喆, 等. 基于RS/GIS的長沙市城市空間擴展及影響因素[J]. 經濟地理, 2017, 37(3): 81-85. Tan X L, Ouyang Q L, Jiang Z, et al. Urban spatial expansion and its influence factors based on RS/GIS: A case study in Changsha[J]. Economic Geography, 2017, 37(3): 81-85.
          [20] 王燦, 王繼富, 任春穎, 等. 1970s—2015年長春市城市擴張過程時空動態分析[J]. 干旱區資源與環境, 2017, 31(3): 21-25. Wang C, Wang J F, Ren C Y, et al. Spatial-temporal dynamics of urban expansion in Changchun City during 1970s—2015[J]. Journal of Arid Land Resources and Enviroment, 2017, 31(3): 21-25.
          [21] Kantakumar L N, Kumar S, Schneider K. Spatiotemporal urban expansion in Pune Metropolis, India using remote sensing[J]. Habitat International, 2016, 51: 11-22. DOI:  10.1016/j.habitatint.2015.10.007.
          [22] Adewuyi K G, Babatunde A A, Aderinkomi S A. Remote sensing and gis application in image classification and identification analysis[J]. Journal of Research in Environmental and Earth Science, 2017, 3/4/5: 55-66.
          [23] Torrens P M. Geosimulation and its application to urban growth modeling[J]. Complex Artificial Environments, 2006, 5: 119-134. DOI:  10.1007/3-540-29710-3_8.
          [24] Jantz C A, Goetz S J, Donato D, et al. Designing and implementing a regional urban modeling system using the SLEUTH cellular urban model[J]. Computers Environment and Urban Systems, 2010, 34: 1-16. DOI:  10.1016/j.compenvurbsys.2009.08.003.
          [25] Saxena A, Jat M K. Analyzing performance of SLEUTH model calibration using brute force and genetic algorithm based methods[J]. Geocarto International, 2018, 4: 256-279. DOI:  10.1080/10106049.2018.1516242.
          [26] Rwanga S S, Ndambuki J M. Accuracy assessment of Land Use/Land Cover classification using remote sensing and GIS[J]. International Joural of Geosciences, 2017, 8(4): 611-622. DOI:  10.4236/ijg.2017.84033.
          [27] Xi F M, He H S, Hu Y M, et al. Simulate urban growth based on RS, GIS, and SLEUTH model in Shenyang-Fushun metropolitan area northeastern China[C]. Beijing : Urban and Rural Planning Administration Center, Ministry of Housing and Urban-Rural Development of China, 2009. DOI: 10.1109/URS.2009.5137630.
          [28] Ilyassova A, Kantakumar N L, Doreen B S. Urban growth analysis and simulations using cellular automata and geo-informatics: Comparison between Almaty and Astana in Kazakhstan[J]. Geocarto Internationa, 2019, 5: 164-173. DOI:  10.1080/10106049.2019.1618923.
        • [1] 周永軍牛中奇張 輝侯建強王西明 . 城市非規則排列小區場強預測及可視區域電波傳播特性的研究. 云南大學學報(自然科學版), 2013, 35(4): 457-462. doi: 10.7540/j.ynu.20120515
          [2] 嚴小冬宋燕吳戰平田鵬舉 . 基于GEV干旱指數的貴州春旱時空變化及預測模型探析. 云南大學學報(自然科學版), 2016, 38(2): 256-266. doi: 10.7540/j.ynu.20150565
          [3] 梁璐莎陳斯養 . 中立型雙時滯Logistic模型分支分析及人口預測. 云南大學學報(自然科學版), 2015, 37(3): 335-344. doi: 10.7540/j.ynu.20140428
          [4] 段焰青楊濤孔祥勇湯丹瑜李青青 . 樣品粒度和光譜分辨率對煙草煙堿NIR預測模型的影響. 云南大學學報(自然科學版), 2006, 28(4): 340-344,349.
          [5] 張春華和菊孫永玉李昆 . 基于Maxent模型的原種紅椿適生區變遷預測及在引種區劃上的應用. 云南大學學報(自然科學版), 2018, 40(1): 164-173. doi: 10.7540/j.ynu.20170013
          [6] 周愛紅尹超袁穎 . 基于主成分分析和支持向量機的砂土滲透系數預測模型*. 云南大學學報(自然科學版), 2016, 38(5): 742-749. doi: 10.7540/j.ynu.20150781
          [7] 何樹紅徐興富 . 雙Cox風險模型. 云南大學學報(自然科學版), 2004, 26(4): 275-278,283.
          [8] 杜云姜瑛 . 構件質量模型研究. 云南大學學報(自然科學版), 2011, 33(3): 281-288, .
          [9] 何昌徐裕光孫昭洪 . 漸近非擴張映象的修正Reich-Takahashi迭代收斂性. 云南大學學報(自然科學版), 2003, 25(1): 4-8.
          [10] 高興慧馬樂榮周海云 . Hilbert空間中非擴張映像族公共不動點的存在性. 云南大學學報(自然科學版), 2010, 32(3): 249-253, .
          [11] 龔黔芬羅光耀 . 總擬--漸近非擴張映象不動點的混合廣義f-投影方法*. 云南大學學報(自然科學版), 2016, 38(5): 696-702. doi: 10.7540/j.ynu.20150034
          [12] 聞道君宋樹枝龍憲軍 . 非凸變分不等式和非擴張映象的Wiener-Hopf方法. 云南大學學報(自然科學版), 2012, 34(1): 5-8.
          [13] 聞道君宋樹枝萬波 . 雙曲空間中幾乎漸近非擴張型映象不動點的收斂性定理. 云南大學學報(自然科學版), 2017, 39(2): 172-177. doi: 10.7540/j.ynu.20160282
          [14] 邱東吳甘霖劉玲涂文琴陶冶 . 城市香樟葉片干物質含量及比葉面積的時空變異. 云南大學學報(自然科學版), 2019, 41(3): 609-618. doi: 10.7540/j.ynu.20180178
          [15] 竇艷王健向峰楊鴻亮郭世昌邰娟邱飛 . 2015年云南省城市臭氧污染變化特征分析. 云南大學學報(自然科學版), 2017, 39(3): 440-446. doi: 10.7540/j.ynu.20160397
          [16] 和永軍姚慶華繆應鋒孫雪趙娜 . 基于大數據的云南省智慧城市交通建設研究. 云南大學學報(自然科學版), 2016, 38(S1): 50-. doi: 10.7540/j.ynu.2016d
          [17] 孜比布拉司馬義蘇力葉木沙江張泳福 . 喀什市城市生態環境質量評價研究. 云南大學學報(自然科學版), 0, -1978(0): 0- .
          [18] 黃琛李文婷張旭孫悅魏浩然 . 城市供水管網片區用水異常模式識別*. 云南大學學報(自然科學版), 2018, 40(5): 879-885. doi: 10.7540/j.ynu.20180415
          [19] 高曉梅杜慶治孫磊龍華邵玉斌 . 基于min-plus代數可達的城市消防站點配置評估及優化. 云南大學學報(自然科學版), 2020, 42(2): 235-243. doi: 10.7540/j.ynu.20190554
          [20] 柳建強趙東風丁洪偉 . 城市公共汽車考勤自動化的無線實現. 云南大學學報(自然科學版), 2006, 28(2): 113-118.
        • 加載中
        圖(7)表(1)
        計量
        • 文章訪問數:  500
        • HTML全文瀏覽量:  560
        • PDF下載量:  6
        • 被引次數: 0
        出版歷程
        • 收稿日期:  2019-12-02
        • 錄用日期:  2020-03-30
        • 網絡出版日期:  2020-07-29
        • 刊出日期:  2020-11-10

        基于SLEUTH模型的內羅畢城市擴張預測分析

          作者簡介:施令飛(1993?),男,云南人,碩士生,主要研究智慧城市、大型環境生態工程遙感. E-mail:slf007@shu.edu.cn
          通訊作者: 魏顯虎, weixh@radi.ac.cn
        • 1. 中國科學院 空天信息創新研究院,北京 100101
        • 2. 中國科學院大學,北京 100049
        • 3. 中國科學院中?非聯合研究中心,湖北 武漢 430074
        • 4. 浙江省交通規劃設計研究院有限公司,浙江 杭州 310013

        摘要: 以肯尼亞內羅畢市為研究區,使用校準后的SLEUTH模型有效地對內羅畢的城市時空增長格局進行了監測、模擬并分析了內羅畢增長動力和方向,模型最終擬合得到參數分別為生長系數1、繁衍系數1、蔓延系數76、坡度阻抗75、道路引力69,3個校準步驟的擬合優度在0.5以上,符合精度的要求. SLEUTH城市擴張模擬顯示2020—2035年內羅畢將會經歷一個較快的城市擴張階段,年均增速高于5%,2035—2050年城市擴張速率減弱直至趨于穩定,預測至2050年城市面積占縣域總面積的60%左右. 從空間上看,內羅畢未來的擴張方向為西北和東南方向. 從影響擴張的因素上看,內羅畢的擴張與交通設施的建設、地形和原始土地利用分布密切相關,其中道路引力為主要影響因素. 擴張區域主要集中在一級公路、火車站周圍和坡度平坦的地區,其中耕地和草地通過土地利用轉化,用作城市建設用地的比重最大.

        English Abstract

        • 城鎮化和工業化的加速促進了現有城市中心的發展和城市的擴張[1],由于肯尼亞城市發展比較分散,人口增長和城市擴張的潛在區域變得越來越難以預測. 尤其是發展中國家的城市化,城市棚戶區高度集中,造成了很多城市化問題. 在肯尼亞,城市人口創造了該國國內生產總值的85%以上,僅首都內羅畢就為該國經濟和經濟增長貢獻了約60%的份額. 因此,內羅畢的城市化和發展對肯尼亞具有重要意義.

          內羅畢有超過337.5萬居民,其中大多數生活在擁擠的貧民窟和城市邊緣[2]. 隨著肯尼亞政府將其“2030國家愿景”與中國提出的“一帶一路”倡議深度結合,肯尼亞成為了中國在非洲的重要合作伙伴,中國加大了對肯尼亞的基礎設施建設,例如蒙內鐵路(蒙巴薩—內羅畢)、內馬鐵路(內羅畢—馬拉巴)的建設促進了肯尼亞人員、物資的流通,這有利于城市的擴張和升級. 因此,預測未來城市擴張的區域對城市發展建設規劃和可持續發展具有重要的意義.

          近年來城市擴張的研究越來越成為城市研究的熱點,并且體現出定性與定量、理論與實證結合. 研究內容上,主要有時空特征及空間結構分析[3]、擴張驅動力研究[4]、擴張后的影響力評估[5]、模擬未來城市擴張的趨勢[6]. 研究方法上,主要以定性定量結合[7]研究城市擴張的發展規律,應用遙感等技術對城市狀態進行動態感知,通過大數據、智能感知計算等方法,能夠及時掌握城市用地變化信息. 現在流行的城市擴張預測模型有邏輯回歸模型[8]、基于代理的模型[9]及細胞自動機模型[10]等. 其中,邏輯回歸模型可以很好地解釋城市增長與各種驅動因素之間的關系,但是邏輯回歸模型在時間上不明確,也未考慮驅動因素之間的相關性;基于代理的模型,盡管基于主體的建模在城市增長模擬中具有令人滿意的適用性,但是其初始條件和行為規則的不確定性會產生模糊的模擬結果. 在所有模型中,元胞自動機(Celluar Automata, CA)是使用最廣泛的模型城市增長建模方法,主要是由于其靈活性、可視化和整合時空過程并模擬復雜的動力系統. 此外,CA模型可以直接使用柵格數據,從而可以輕松地與GIS技術集成. 目前,已經提出了幾種基于CA的不同城市模型用于城市增長模擬、土地利用變化模擬和規劃政策評估,例如UrbanSim模型[11]、ANN-CA模型(人工神經網絡)[12]、SVM-CA模型(支持向量機)[13]、RF-CA模型(隨機森林)[14]和SLEUTH模型. UrbanSim模型尚未得到廣泛使用,因為它集成了7個子模塊,并且需要巨大的數據支持. 盡管ANN-CA、SVM-CA通過智能算法建立的CA轉換規則可以探索城市土地利用變化與驅動因素之間的關系[15],但所得轉換規則僅適用于特定的城市增長模式,不具有推廣性. 由Deng等[16]開發的SLEUTH模型,通過預定義轉換規則在空間上應用到一組嵌套循環中的城市網格地圖上,由于其普遍適用性并在過去幾十年中得到不斷改進,已被廣泛用于模擬世界范圍內的城市增長. 2007年,Dietzel等使用自組織映射理論(Self Organization Map, SOM)來校準模型,并提出了擬合度OSM(Open Street Map,OSM)的方法,為SLEUTH校準提供最可靠的結果[7]. SLEUTH模型的新版本于2010年開發出來,它引入了新的擬合指標,擴展了SLEUTH合并策略信息的能力,并提高了模型計算的速度. 該模型可以通過更改輸入數據或修改模型的系數,幫助創建未來的城市增長方案. 許多研究已將政策規劃、環境質量和水文模型納入SLEUTH模型,以實現與其他數據集或方法的耦合,其在城市增長模擬中獲得了比較成功的應用且具有移植性. 首都內羅畢為肯尼亞經濟最發達的城市,也是“一帶一路”倡議在肯尼亞最集中的區域,近年來經濟持續加速增長,目前內羅畢的人口與其基礎設施建設水平差距較大,出現了許多城市病,例如住房緊張、交通擁堵、環境污染等. 但目前對肯尼亞大型城市的擴張及預測的研究很少,本文將SLEUTH模型與政策和土地利用變化評估相結合,用于內羅畢未來的城市擴張預測研究,有助于探索未來內羅畢市的擴張趨勢,為內羅畢城市未來規劃發展、城市升級改造和“一帶一路”倡議在該地區的深入開展做一些基礎性的準備工作.

          • 本文的研究區為內羅畢市(圖1). 內羅畢是肯尼亞的首都,其歷史可以追溯到1899年,當時烏干達鐵路的一個鐵路倉庫建造在一個無人居住的沼澤區(如今被稱為內羅畢). 這條鐵路帶來的快速城市化和擴張使內羅畢成為肯尼亞最大的城市. 內羅畢地區海拔從西部裂谷的邊緣2300 m下降至1500 m. 在城市西北部與裂谷相鄰,這是一片起伏的草地,地面覆蓋著豐富、排水良好的土壤;在城市的北部和東北部,高低不平的土地被東南向的溪流分開,這些溪流形成了一系列陡峭的側面平行的山谷和山脊;內羅畢的南部和東部是平原. 內羅畢市管轄面積為696 km2,目前內羅畢的常住人口還在持續增長中[17]. 隨著2014年“一帶一路”倡議在非洲的重點工程蒙內鐵路開始修建,鐵路按照標準鐵軌間距以取代肯尼亞作為英國殖民地時修建的窄軌鐵路,2017年鐵路建成通車,使得城際間的通行時間縮短了一半,創造了數萬個就業崗位,促進了肯尼亞的經濟增長,也促進了肯尼亞大量人口遷入內羅畢,促進了內羅畢城市的發展.

            圖  1  研究區位置

            Figure 1.  Location of the study area

          • 本研究使用Landsat遙感數據作為歷史數據集,比較和分析內羅畢市過去40年的城市發展. Landsat是運行時間最長的地球觀測計劃,旨在捕獲具有可靠光譜和空間分辨率的衛星圖像. 我們使用1975、1985、1995年和2005年的圖像用于訓練模型,2015年的圖像用于校準和準確性評估. 使用先進星載熱發射和反射輻射儀制作的全球數字高程模型ASTER GDEM V2(Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model)作為坡度數據,空間分辨率為30 m,而排除數據包括森林和國家公園數據. 從成立之日起對肯尼亞國家公路管理局和肯尼亞農村公路管理局和OpenstreetMap下載的歷史道路數據作為道路層,此區域排除在城市擴張區域外.

          • 本研究在1975、1985、1995、2005和2015年5個時段內,為研究區域收集了30 m空間分辨率的Landsat 8、Landsat 7、Landsat 5 TM和Landsat 2 MSS數字圖像. 由于2011年Landsat 5 TM退役和2003年Landsat 7 ETM +的掃描線校正器故障,2013年使用了Landsat 8圖像. 所有圖像均來自Earth Explorer,美國地質勘探局(United States Geological Survey,USGS)基于Web的存儲庫,用于所有Landsat和其他傳感器的圖像;然后進行了面向對象的監督分類,以生成每個校準年的城市土地覆蓋數據集,使用易康軟件基于光譜和紋理屬性提取樣本特征[18];再提取城市區域進行二值化,分為城市和非城市2類,在Open Street Map網站下載內羅畢地區的歷史道路數據后轉化為柵格,分辨率與范圍與土地利用數據一致. 所有輸入數據如圖2所示.

            圖  2  SLEUTH模型輸入數據

            Figure 2.  Input data of SLEUTH model

          • 本文使用SLEUTH模型模擬內羅畢城市的擴張過程,該模型具有普遍適用性和可擴展性. SLEUTH模型是基于元胞自動機的城市增長模型,已經在很多城市得到了運用. SLEUTH模型的名稱來自6個輸入數據的英文首字母縮寫組合,即坡度(Slope)、土地利用(Landuse),排除層(Exclusion),城市化圖層(Urban extent),交通圖層(Transportation)和山坡陰影(Hillshade)數據. 該模型可以通過以下方式控制5種系數,分別是擴散系數、繁殖系數、傳播系數、邊坡阻力系數和道路重力系數. 增長率由4種不同類型定義,分為有機增長、擴散性增長、道路影響增長和自發增長. 當每個增長歷史記錄由外部控制循環重復執行時,使用蒙特卡洛運算處理累積和統計數據,當增長率達到臨界值時,控制參數會根據自修改規則進行更新,并對模型行為進行評估[19],SLEUTH模型中將自我修改規則定義為“適應”或“進化”. 因此,SLEUTH模型的校準過程包括針對特定區域模型的多個分級,分為粗校正、精校正和最終校正.

            圖3為SLEUTH模型結構,該模型包含3個步驟,即測試、校準和預測. 測試的重點是驗證數據集以及其對傳入數據的初始響應,確保它們符合數據輸入規范[20]. 校準功能是城市中最復雜,最耗時的步驟[21]. 首先,由用戶設置初始參數的范圍和大??;其次,基于所有可能參數的組合執行蒙特卡洛搜索;再次,通過將每個參數與歷史圖像進行比較,以精確模擬每個參數的土地利用類型. 由此類仿真循環生成的統計信息,可以使用真實數據評估所有仿真結果的適用性;最終,預測步驟將以最合適的參數進行組合.

            圖  3  SLEUTH模型框架

            Figure 3.  The framework of SLEUTH model

            每個校準周期中通過自我修改來完成校準. 從粗略校準開始,每個參數的值在1~100的范圍內,并以25為步長遞增. 然后更改系數值,以模擬該時間點相對于當地城市發展條件的加速或低迷增長,并最終產生一組新的系數值. 粗調校準的結果值通過精調和最終校準后進一步縮小,此時每組精調系數均使用由前一校準的前10個模型訓練結果的Leesallee值確定最佳擬合值范圍進行選擇. 最終校準后,計算的最高Leesallee值用于初始化預測土地覆蓋狀況的模型.

            根據SLEUTH模型使用命中(Hits)、未命中(Misses)和錯誤警報(False alarms)方法評價模型預測的準確性. 其中正確性和錯誤成分,通過統計計算命中、未命中、錯誤警報和無效成功的數量,并在視覺上進行分析以用于模型驗證. 首先,定量比較參考數據中的市區和使用2種校準方法得出模擬增長量;然后,確定正確模擬的城市增長量(命中),實際存在的錯過的城市增長量(未命中),錯誤模擬的城市增長量(錯誤警報)和無效的成功率. 3個指標的計算公式如下:

            $ H=\frac{\text{命中}}{{(\text{命中}}+{\text{未命中}})}\times 100\%, $

            $ M=\frac{\text{未命中}}{({\text{命中}}+{\text{未命中}})}\times 100\%, $

            $ F=\frac{\text{誤報}}{({\text{命中}}+{\text{未命中}})}\times 100\%. $

            其中,H表示觀察命中率(單位:%);M表示觀察未命中率(單位:%);F表示觀察錯誤率(單位:%). 這種方法評估了城市增長的一致性[22].

          • 按照SLEUTH模型的要求,土地利用數據被分為5個類別:灌木叢、植被、森林、城市和水體. 利用低密度植被和高密度植被之間的顯著差異,將植被分為灌木林和植被區兩大類,隨后使用Google Earth圖像進行識別. 我們使用總體精度和Kappa系數(K)進行分類精度的驗證,公式如下:

            $K = \dfrac{{N\displaystyle \sum \limits_{i = 1}^r {x_{ii}} - \displaystyle \sum \limits _{i = 1}^r\left( {{x_{i + }} \cdot {x_{ + i}}} \right)}}{{{N^2} - \displaystyle \sum \limits _{i = 1}^r\left( {{x_{{i+ }}} \cdot {x_{ + i}}} \right)}},$

            其中r是行數,xii是第i行和第i列的觀察數,xi+x+i是第i行和第i列的邊界像素總數,N是觀察到的像素總數. Kappa系數在0.8~1.0的值表示完全一致;0.40~0.80的值表示中等分類;0~0.40的值表示一致并不比偶然期望的要好[14]. 我們在ArcGIS中隨機生成20 000個樣本點,按照點提取屬性的方法提取相應的地類屬性,在已有的土地利用數據上進行精度驗證,得到各土地利用類別數據Kappa系數均大于0.8,總體分類準確度處于84.2%~93.6%之間,說明土地利用分類效果較好,可以輸入模型.

            本文土地覆蓋變化的趨勢表明(圖4),1976年以來城市面積穩定增長,內羅畢城市面積從占總面積的6.83%(即48.05 km2),至2015年增長到了33.68%(即237.15 km2). 耕地減少75.49 km2,森林輕微減少5.36 km2,草地面積減少至112.83 km2,而水域面積輕微增加4.84 km2. 在內羅畢城市擴張的過程中,占用的主要土地利用類型是耕地和草地.

            圖  4  土地利用類別變化趨勢

            Figure 4.  Chart of land use category change

          • 圖5(a)(e)中可知,內羅畢市區面積在40年中擴大了189.1 km2. 1975—1985年年均增長4.5%,1985—1995年年均增長3.2%,在1995—2005年和2005—2015年城市年均擴張速度接近峰值,為5.7%. 1975、1985、1995、2005年和2015年市區面積分別占行政區總面積的6.83%、12.47%、15.15%、25.02%和33.68%. 1975—2015年,城市的擴張主要發生在城市的西北部及西南部,尤其在2005年以后西南部增長加快,這是因為2000年后內羅畢市政府將西部農業區納入了城市發展的規劃后,內羅畢西部擴張速率加快,但仍以分散在農田周圍的零星散點擴張為主. 觀測趨勢表明,該城市已向西部和東北地區擴展,并且該城市中未開發的單元格大部分已轉換為市區.

            圖  5  1975—2015年內羅畢城市擴張

            Figure 5.  Nairobi urban expansion from 1976 to 2015

          • 由于校準模型的大量計算要求,因此使用了固定步長逐步推導[23]參數值. 該方法包括逐步對數據進行模型校準,依次縮小系數值范圍并提高數據分辨率,以完成3個步驟的校準,即粗略校正、精細校正和最終校正和模型預測[24]. 該過程允許選擇5個控制參數,包括生長、繁衍、蔓延、坡度阻力和道路重力,以及基于時間的城市演化程度[25]及基于對歷史擬合的統計測度,從而獲得合適的控制參數以產生接近真實的模擬結果[18]. 最終校正的參數結果如表1所示,最終得到精確模型的參數分別為生長系數1、繁衍系數1、蔓延系數76、坡度阻抗75和道路引力69,3個校準步驟的擬合優度在0.5以上,符合精度的要求. 從中可以看出蔓延系數、坡度阻抗、道路引力比較高,說明內羅畢城市的歷史擴張趨勢是沿城市核心區及重要道路、鐵路向外擴張.

            參數類型粗校正精校準最終校正結果
            起始值終止值步長起始值終止值步長起始值終止值步長起始值終止值步長
            生長110025111111111
            繁衍110025111111111
            蔓延110025767617676176761
            坡度阻力110025267657375175751
            道路引力110025265156770169691

            表 1  SLEUTH模型系數校準

            Table 1.  Coefficient calibration of SLEUTH model

            為了執行校準,將粗略校準中使用的數據重新采樣到90 m分辨率,而在精細校準中,將輸入數據重新采樣到30 m分辨率以縮小系數值的范圍. 航向校準的初始系數設置在1~100的范圍內,步進值為25,然后將得到的Leesalee值按從大到小的順序排列. 提取下一個步長值,并將步長值減小為3. 表1顯示了校準預測最佳擬合系數的參數值.

          • SLEUTH模型產生的推薦城市概率被用來計算相對工作特征(Receiver Operating Characteristic,ROC),對預測結果進行準確性評估[26-27],最后得到了87%的預測精度,說明模型具有很好的效果. 此外,在90 m分辨率情況下使用時,預測的不確定性增加,但是預測命中率為79%,預測未命中率為21%,預測錯誤率為27%[28],評估結果說明預測結果與真實值較吻合. 我們又使用了2015年的土地分類結果合并為城市與非城市2類,與SLEUTH校準的模型預測結果進行了精度的驗證,隨機產生了5000個樣本點計算混淆矩陣和Kappa系數(表略),結果得到的用戶精度達0.96,Kappa系數為0.91,說明預測精度符合要求.

          • 我們使用經過參數校準后的SLEUTH模型,預測2018年以后內羅畢市的城市擴張情況,發現2015年以后內羅畢的城市擴張速度加快,年均增速在2%以上,該趨勢將持續至2040年左右,之后增速開始緩慢下降,至2045年城市將趨于飽和,城市面積趨于穩定(見圖67). 從空間上看,未來內羅畢城市擴張區域主要集中在現有的城市區域和城市一級公路周邊區域,擴張的主要方向為沿西南向東北的蒙內鐵路主軸方向延伸,并且有連接周邊縣域(如Embu、Kiambu等)的趨勢.

            圖  6  2015—2060年內羅畢城市面積擴張預測占比

            Figure 6.  The proportion prediction of urban expansion area in Nairobi from 1976 to 2015

            圖  7  2015—2050年內羅畢城市擴張預測

            Figure 7.  Nairobi urban expansion prediction from 2015 to 2050

          • 本文根據土地利用分類和SLEUTH模型預測結果,得到以下結論.

            (1)SLEUTH模型預測顯示,內羅畢的城市化速度比非洲其他城市擴張平均速度快7%左右. 內羅畢作為首都,面臨巨大的發展壓力,農村人口大量遷入,導致對住房,辦公室和商業用房的需求增加,這也迫使其城市地區的發展發生變化. SLEUTH模型預測顯示2015—2050年內羅畢城市將持續擴張,這些趨勢在模擬結果中得到了體現,且擴張的主要方向為東北和西南2個方向.

            (2)通過SLEUTH模型模擬的參數分別為生長系數1、繁衍系數1、蔓延系數76、坡度阻抗75和道路引力69,內羅畢市關鍵道路的建設和坡度對內羅畢市區的發展起到了重要作用,并且前期的土地利用也在很大程度上影響未來內羅畢的擴張. Tika高速公路南部和北部的支線、蒙內鐵路沿線以及內羅畢外環線對城市發展趨勢的影響很大.

            (3)從土地利用變化方面看,SLEUTH模型預測內羅畢城市面積持續擴大. 因為森林主要在山地地區,且肯尼亞法律規定不允許作為城市用地,所以內羅畢城市擴張主要集中占用耕地及草地區域.

            (4)從經濟和政府政策方面看,SLEUTH模型預測的內羅畢城市擴張情況與肯尼亞政府的住房金融政策相符合. 肯尼亞政府寬松的住房建設貸款和城市發展計劃促進了內羅畢城市的擴張,城市增長模擬圖顯示(圖7),2015年至2035年之間的年均增長為5.78%,城市面積年均增加16.53 km2,城市增長速度達到頂峰. 由于內羅畢的可用空間有限,該市的后期增長相當緩慢,在2030—2040年的幾年中將以每年2.7%的緩慢速度擴張(即城市面積年均增加8.2 km2).

            本研究通過校準的SLEUTH模型,預測了內羅畢未來城市擴張的趨勢、發展方向、未來城市增長模式以及驅動的主要因素,分析了影響內羅畢城市擴張的社會、經濟政策、交通和地理環境等因素,為未來內羅畢城市的發展規劃和中國“一帶一路”項目在肯尼亞的發展提供了一定的參考,以便制定更好的發展戰略和規劃促進內羅畢的可持續發展. 但是SLEUTH模型的用戶,在選擇度量以找到最佳增長系數時,精度還不能滿足很高的要求,而且模型訓練的時間消耗很大,未來需要進一步研究優化的參數,確定算法以提高預測的效率. 這項研究還強調,未來需要對SLEUTH模型的校準程序以及將社會經濟變量納入SLEUTH模型進行更多的研究. 對于情況比較特殊的內羅畢市,其居民貧富分化比較嚴重,城市內貧民窟面積較小,但集中了大量的人口,未來城市發展必將有平民窟內人口外遷進入樓房. 因此,未來的研究有必要將經濟社會指標納入SLEUTH模型進行研究,研究結果將有助于增進人們對城市發展的理解,并且對改善城市環境和當地居民的生活質量大有裨益.

        參考文獻 (28)

        目錄

          /

          返回文章
          返回