Delineation of Urban Growth Boundary based on Improved FLUS Model Considering Dynamic Data

  • WANG Zhiyuan , 1, 2, 3 ,
  • ZHANG Kao 2 ,
  • DING Zhipeng 2 ,
  • WU Suiyi 4 ,
  • HUANG Chunhua , 2, 3, *
Expand
  • 1. School of Architecture and Art, Central South University, Changsha 410083, China
  • 2. School of Architecture, University of South China, Hengyang 421001, China
  • 3. Hunan Healthy City Construction Engineering Technology Research Center, Hengyang 421001, China
  • 4. School of Civil Engineering, University of South China, Hengyang 421001, China
* HUANG Chunhua, E-mail:

Received date: 2020-07-15

  Request revised date: 2020-10-03

  Online published: 2021-02-25

Supported by

National Natural Science Foundation of China(51478470)

Social Science Foundation of Hunan Province(18YBQ106)

Scientific Research Project of Hunan Education Department(19B480)

Copyright

Copyright reserved © 2020

Abstract

Measuring the urban growth boundary is important to control the disorderly expansion of urban constructed land. How to define the urban growth boundary scientifically is a hot topic of current researches. This study attempts to introduce Baidu dynamic traffic data and POI data to improve the FLUS model to simulate land use changes. Taking the central of Changsha city as an example, the simulation accuracy of the improved FLUS model is first verified by comparing with the land use data of 2000, 2010, and 2018. Then, the land use of central Changsha in 2030 is simulated based on two scenarios using the improved FLUS model. The urban growth boundary is finally defined based on land suitability evaluation. The results show that: (1) Compared with the original FLUS model, the kappa coefficient of the improved FLUS model with dynamic data increases by 2.90% and 2.74% in 2010 and 2018, respectively, and the overall accuracy increases by 1.79% and 1.83%, respectively, which indicates a higher simulation accuracy of the improved model; (2) Based on the simulated land use of central Changsha in 2030, the area of constructed land is 930.06 km2 and 881.36 km2 respectively in benchmark scenario and ecological protection scenario. The largest proportion of land converted to construction land is cultivated land; (3) The area within the rigid growth boundary of central Changsha is 1479.59 km2, accounting for 37.38% of the total area of the central city. These areas include Furong District, Tianxin District, Yuhua District, Yuelu District, and Kaifu District; (4) The area within the elastic growth boundary of central Changsha is 799.35 km2 and 742.92 km2 under the benchmark scenario and ecological protection scenario, respectively. The expanded construction mainly occurs in Changsha County and Wangcheng District, which is consistent with the development direction of 2010 Changsha urban master plan. The improved FLUS model with dynamic data can simulate the urban growth boundary in multiple scenarios, which provides a scientific basis for future planning decision.

Cite this article

WANG Zhiyuan , ZHANG Kao , DING Zhipeng , WU Suiyi , HUANG Chunhua . Delineation of Urban Growth Boundary based on Improved FLUS Model Considering Dynamic Data[J]. Journal of Geo-information Science, 2020 , 22(12) : 2326 -2337 . DOI: 10.12082/dqxxkx.2020.200373

1 引言

生态保护红线、永久基本农田保护红线和城镇开发边界划定是国土空间规划的重要内容。对于城市而言,城市增长边界是防止城市无序蔓延、优化土地结构,确保主体功能区战略落实的有效手段[1]。如何有效划定城市增长边界既是权衡经济发展与自然关系协调的重要工具,也是统筹考虑“人与自然和谐共生”的重要保障。国外城市增长边界划定方法最早来源于“田园城市理论”,通过限定人口规模采用绿化隔离带限制城市无序发展[2]。美国塞勒姆市基于城市与农村用地管理冲突划定了世界上第一条城市增长边界[3]。到20世纪末,国外对城市增长边界认识不断加强,认为城市建设用地应被限制到某个特定的区域,避免城市无序扩张[4],提出了紧凑城市、城市精明增长等理论。而在国内自2006年《城市规划编制办法》[5]首次提出划定城市增长边界,大量学者开展了相关研究,归纳国内城市增长边界划定思路主要分为2类:① 规模测算法,根据人口、GDP等数据采用逻辑回归和系统动力学等模型,推算城市扩张预期土地规模,并模拟土地利用变化综合划定城市增长边界[6,7];② 底线思维开发,从区域可持续发展出发通过分析资源、环境、生态相关要素确定城市发展不可侵占的界限,“反规划”推演出城市刚性增长边界,并利用模型预测未来建设用地空间分布划定弹性边界[8,9,10]
当前,国内外学者采用的土地利用斑块数量与面积变化模拟模型主要有MARKOV模型[11]、系统动力学(SD)模型[12]、灰色系统模型[13]等,土地利用分布格局变化模拟模型有元胞自动机(CA)[6]、BP神经网络[7]、多智能体系统(MAS)[14]、SLEUTH[15]、CLUE-S[16]等。相比传统土地利用模拟模型,刘小平等[17,18]开发的FLUS模型一方面采用神经网络训练样本,另一方面提出一种基于轮盘赌选择的自适应惯性竞争机制,该机制能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化的不确定性与复杂性,能较高精度模拟土地利用变化,已被广泛运用到土地利用情景模拟和城市增长边界划定等研究领域[19,20,21,22]。但以往研究在驱动因子选择上大多聚焦于区域自然、经济、社会要素,多为静态影响因素,对于城市动态变化的驱动因子考虑较少。近年来部分学者开始关注在FLUS模型中引入开源大数据或利用系统动力学进行优化,如梁迅等[12]采用系统动力学,通过限定不同场景建设用地总量,运用FLUS模拟结果对珠江三角洲城市增长边界划定;贾琨等[23]采用多源时空大数据对济南市城市增长边界划定,考虑了POI(Point of Intersts)数据与微博签到数据;张经度等[24]引入空间自相关因子改进FLUS模型,并对珠江三角洲地区进行土地利用变化多情景模拟。上述学者虽引用了多种方法对模型进行优化,但均未识别不同时间段的居民日常动态活动与用地扩张的关系。
大量研究表明居民生活水平和日常动态活动对城市用地扩张影响较大,居民生活水平提高会促进日常交通出行和消费活动,从而促进建设用地需求[25,26]。基于此,本文尝试加入动态交通时间和POI数据作为居民日常动态活动数据,对FLUS模型进行改进,模拟预测2030年长沙市中心城区土地利用变化,并结合用地适宜性评价划定城市增长边界,为城市发展决策提供支撑。

2 研究区概况与研究方法

2.1 研究区概况

长沙是湖南省的政治、经济、文化中心,中心城区内有开福区、天心区、芙蓉区等7个区县(图1)。2000—2018年长沙市城镇化率由43.30%增长至79.12%,全市常住人口达到815.47万,建设用地以边缘扩张模式为主,且速度持续加快,空间形态演化表现为“多组团式”。作为长江中游城市群中心城市、长株潭城市群核心城市,长沙具有较大的空间拓展需求与潜力,城市增长边界划定肩负着经济发展和生态保护双重作用。
图1 长沙市中心城区区位

Fig. 1 Location of Changsha central city

2.2 数据来源及数据处理

本研究采用的数据主要包括4个部分。① 土地利用数据,由2000年、2010年LandsatTM/ETM+和2018年LandsatOLI的遥感影像数据解译获得,遥感影像从地理空间数据云获取,所有遥感影像云量均在5%以下,并参照国家一级土地利用现状分类标准,将土地利用类型分为水域、草地、林地、耕地、建设用地和未利用地6个大类,选取了6种土地利用类型各150个样本点进行精度测试,验证结果显示精度达到92.8%,该解译精度符合城市用地扩张研究的要求[27,28]。② 社会经济数据,包含2000年、2010年1 km网格的人口和GDP空间分布数据,数据来源于中国科学院资源环境科学与数据中心(http://www.resdc.cn),对其进行重采样为30 m精度。③ 空间驱动数据,参照现有土地利用驱动因素研究成果,选取包括道路数据、自然数据、公共服务设施数据以及动态交通时间数据作为驱动因子[29],其数据来源与处理如表1图2所示。④ 生态保护数据,包含生态保护红线和自然保护地,来源于长沙市自然资源和规划局。以上所有数据通过ArcGIS进行标准化处理,使其行列数与像元大小保持一致。
表1 空间驱动数据来源与处理

Tab. 1 Space-driven data sources and processing

数据类型 数据名称 数据来源 处理方式
道路数据 各级城市道路 OSM地图 采取2018年城市道路数据利用ArcGIS欧式距离模块计算,并进行归一化处理
自然数据 高程 地理空间数据云 采取ASTER GDEM V2 30 m分辨率DEM数据利用ArcGIS进行归一化处理
坡度 地理空间数据云DEM数据计算 利用ArcGIS坡度模块计算,并进行归一化处理
公共服务
设施数据
公共服务设施点 百度地图 采取2018年公共服务设施数据利用ArcGIS核密度模块计算,并进行归一化处理
动态交通
数据
距离各区县中心等时圈数据 百度地图 利用ArcGIS构建30 m×30 m渔网并提取点要素作为目标点,通过python编程向百度地图批量请求2019年12月5日—11日到达长沙市各行政区中心所需交通时间的时间点导航数据,选择预计驾车所能到达目标点最小时耗作为构建交通等时圈,并将各地区数据进行权重叠加
图2 长沙中心城区土地利用变化驱动因素

Fig. 2 Driving factors of land use change in Changsha central city

2.3 研究方法

2.3.1 技术路线
研究引入动态交通时间和POI数据改进FLUS模型,并采用2000、2010和2018年3期土地利用数据对比验证改进FLUS模型模拟精度,再利用改进模型情景模拟2030年长沙市中心城区土地利用变化,结合建设用地适宜性评价划定不同情景下长沙市中心城区2030年城市增长边界。具体技术路线如图3所示。
图3 城市增长边界划定技术路线

Fig. 3 Technical route of urban growth boundary delimitation

2.3.2 FLUS模型
(1)模型介绍。FLUS模型是在传统MARKOV模型基础上,增加人工神经网络模型(Artificial Neural Networks,ANN)和自适应惯性竞争模型(Self Adaptive Inertia and Competition Mechanism CA)而构建的模型,现有研究表明该模型能较为准确的预测未来土地利用变化[30,31]。该模型主要由 4大板块组成:① 利用MARKOV链预测各类土地目标值;② 基于ANN模型的用地分布适宜性概率测算;③ 利用自适应惯性竞争模型设置邻域影响、惯性系数、转换成本和土地利用类型之间相互竞争等系数,并进行模拟预测;④ 基于FLUS-UGB模型划定城市增长边界。
(2)MARKOV链预测目标值,MARKOV链在预测未来各类型土地数量中得到了广泛应用[11],基本公式为:
S ( t + 1 ) = S ( t ) × P ij
式中:S(t)、S(t+1)分别表示趋势分析与预测斑块在tt+1时的数目;Pij表示转移概率矩阵。
(3)基于ANN模型的用地分布适宜性概率测算。ANN模型能有效对非线性关系进行相关性分析,利用现有结果与驱动因子进行训练获得用地分布适宜性概率[17]。ANN一般有3个隐含层即输出层、输入层和隐藏层,其公式为:
sp ( p , k , t ) = j wj , k × sigmoid ( ne t j ( p , t ) ) = j wj , k × 1 + e - netj ( p , t ) - 1
式中:sp( p, k, t)表示在时间t时用地类型k在空间位置p的适宜性概率;Wj,k是隐藏层与输出层之间的自适应权重;sigmoid(netj(p, t))是隐藏层至输出层的激励函数;netj(p, t)表示区域内第j个隐藏层的神经元在训练时间t、像元p上所反馈的信号;对于神经网络模型输出的适宜性概率,各种土地利用类型的适宜性概率和恒定为1,即:
k sp ( p , k , t ) = 1
(4)自适应惯性竞争模型设置,包含邻域影响、惯性系数、转换成本和土地利用类型之间相互竞争等条件设置。其中邻域影响包括邻域范围和邻域权重的设置,其总公式为[32]
Ω p , k t = N × N con ( c p t - 1 = k ) N × N - 1 × w k
式中: Ω p , k t 表示第t次迭代时像元p上土地利用类型k的邻域影响; N × N con ( c p t - 1 = k ) 为在t-1次迭代后N×N的邻域窗口中土地利用类型k的像元总数; w k 是不同土地利用类型的邻域权重。
邻域权重是在驱动力共同作用下不同类型用地的扩张能力,数值范围为0~1,该土地利用类型的扩张能力越强则数值越大。本研究选取2000年和2010年的土地利用数据为基础,通过各类用地变化的数量与原始用地类型数值的比值进行计算各类型用地的领域权重,最终进行标准化处理,其数值如表2所示。
表2 邻域权重设置

Tab. 2 Neighborhood weight setting

土地利用类型 水域 耕地 林地 草地 建设用地 未利用地
邻域权重 0.32 0.60 0.48 0.80 1 0
惯性系数根据宏观需求和实际分配土地利用类型数量之间的差异决定,并在迭代过程中进行自适应调整,从而使各土地利用类型的数量向宏观需求目标发展。其定义为:
Inertia l k t = Inertia l k t - 1 D k t - 1 D k t - 2 Inertia l k t - 1 × D k t - 2 D k t - 1 0 > D k t - 2 > D k t - 1 Inertia l k t - 1 × D k t - 1 D k t - 2 D k t - 1 > D k t - 2 > 0
Inertia l k t 是迭代次数为t时土地利用类型k的惯性系数, D k t - 1 表示t-1时土地利用需求与分配面积之差,由于惯性系数只针对占用像元上的土地利用类型,如果潜在土地利用类型k与当前土地利用类型c不相同,则土地利用惯性系数k将定义为1,且不会影响土地利用类型k的土地利用总概率。
通过上述步骤,计算每个像元上的土地利用总概率公式为:
T P p . k t = P p , k × Ω p , k t × Inerti a k t × 1 - s c c k
式中: T P p , k t 为迭代时间t时像元p从原始土地利用转化为目标k的组合概率; P p , k 表示用神经网络算法生成的像元p在土地利用类型k出现的概率; Ω p , k t 表示时间tk类土地利用对像元p的邻域作用, s c c k 是从原始土地利用类型c到目标k的转换可能性(1表示可能的转换,0表示不可能的转换)。
2.3.3 模型设置
研究引入动态交通时间和POI数据改进FLUS模型,采用改进模型对长沙市中心城区土地利用变化进行模拟,对改进模型与原模型进行分别设置。
原模型设置:基于2000—2018年土地利用变化规律,按照以往影响城市发展模式的各类因素共同设置,包括政府和市场干预的因素,但不设定各类型用地之间相互转换的限制条件和不引入POI数据以及动态交通时间数据。
改进模型设置:在原模型中加入动态交通时间数据和POI数据以及生态保护因素,并改变土地利用转移矩阵,限制林地的转换。该模型一方面可以有效控制城市无序扩张对生态环境造成破坏,另一方面考虑了建设用地扩张过程中动态活动的影响。
2.3.4 模型精度验证
考虑到引入动态数据改进FLUS模型的创新性,分别设置2种不同模型参数,进行模拟预测,将预测结果分别与2010年和2018年土地利用数据进行精度对比,由于斑块数量均使用MARKOV链结果,因此不做数量验证,只考虑Kappa系数和总体精度,其公式为:
k = p 0 - p e 1 - p e
式中:k为Kappa一致性系数; P 0 为预测与实际对比的总体精度; P e 为由于偶然机会造成预测结果一致性的概率,即随机一致性。
2.3.5 情景设置
为长沙市未来城市规划和合理管控提供决策依据,在改进模型中设置2种情景用于土地利用变化模拟。
(1)基准情景:是指在没有外来因素干扰下,通过2000年和2010年的土地利用现状,采用MARKOV模型预测2030年用地需求,并设置包括政府和市场干预因素、POI数据和动态交通时间数据,但不设定自然保护区、水域等作为限制区域。
(2)生态保护情景:该情景中,考虑到生态的重要性,对基准情景下的转移概率矩阵进行调整,设置林地和草地转为建设用地的转移概率为原基础的70%,将调整后的转移概率矩阵进行无量纲化,并将水域、自然保护区以及生态红线等区域作为土地变化的限制区域(图4),限制该区域土地类型变化。
图4 长沙中心城区限制发展区

Fig. 4 Restricted development zone in Changsha central city

2.3.6 建设用地适宜性评价
选取自然因素、水环境、区位优势度3个方面7项数据,通过专家打分法确定各项数据权重,权重分别为0.33、0.25、0.42,再利用ArcGIS空间叠加分析得到建设用地适宜性评价结果,并将结果采用自然断点法分为最适宜、较适宜、基本适宜、限制建设、禁止建设5个级别,分数越高则越适宜,建设用地空间扩张概率越大。计算公式为:
G S j = n i = 1 n S i
式中: G S j 代表建设用地适宜性数值; S i 代表第i类指标建设适宜性的数值;n为评价指标个数。
2.3.7 城市增长边界划定
刚性边界划定:用地适宜性评价确定了区域内各要素转为建设用地的成本大小,据其结果采用自然断点法分为5个级别,级别最低为禁止建设区,并参照相关研究方法[7],对除去禁止建设区的土地进行形态学腐蚀、边界修正,最终划定城市刚性增长边界。
弹性边界划定:将改进模型不同情景下的预测结果导入FLUS-UGB模型进行初步划定,并对模拟结果利用形态学腐蚀和膨胀方法修正[33]。为进一步提高城市增长边界的实用性,将初步划定结果与刚性边界进行比较,剔除刚性边界外的弹性边界,最终确定城市弹性增长边界。

3 结果及分析

3.1 长沙市中心城区土地利用变化特征

2000—2018年长沙市中心城区建设用地稳定增长,2000年建设用地面积为204.86 km2,至2010年建设用地达到491.71 km2,增长率140.02%,主要分布在开福区、芙蓉区和天心区。2018年建设用地面积增长至656.34 km2,较2010年增加33.48%。其中2000—2010年,建设用地呈“外延式”扩张,长沙县、岳麓区、望城区扩张面积较大,扩张面积分别为71.90、52.25和47.14 km2表3)。2010—2018年,建设用地继续向长沙县、望城区和岳麓区扩张,扩张面积分别为50.41、48.50和36.91 km2,其中长沙县扩张速度有所减慢,望城区扩张速度进一步加快。
表3 2000—2018年长沙中心城区建设用地面积变化

Tab. 3 Change of construction land area in Changsha central city from 2000 to 2018

区县 2000—2010年建设用地扩张面积/km2 2010—2018年建设用地扩张面积/km2
芙蓉区 13.24 3.34
开福区 37.79 11.20
天心区 17.67 3.47
望城区 47.14 48.50
雨花区 46.86 10.80
岳麓区 52.25 36.91
长沙县 71.90 50.41
林地和耕地是建设用地的主要来源。2000—2010年,新增建设用地主要由林地和耕地转变而来,转移面积分别为123.17 km2和150.88 km2,占新增建设用地的42.94%和52.60%。2010—2018年,建设用地面积增长速度有所减慢,但主要来源仍是林地和耕地,分别占新增建设用地的44.39%和49.63%。

3.2 改进模型精度验证

为了验证加入动态数据后的改进模型具有更高模拟准确度,分别利用2种模型基于2000年土地利用数据模拟2010年和2018年土地利用格局,然后将模拟结果与2010年和2018年实际土地利用数据对比进行精度验证。
对比模型模拟精度(表4图5)可看出,改进模型模拟结果2010年Kappa系数和总体精度分别为0.7860和86.34%,比原模型Kappa系数和总体精度提高了2.90%和1.79%;2018年Kappa系数和总体精度分别为0.8173和87.95%,比原模型分别提高了2.74%和1.83%。表明改进模型模拟精度更高,模拟结果与实际土地利用在空间分布上具有更高的相似性。
表4 改进FLUS模型与原模型精度对比

Tab. 4 Accuracy comparison between improved FLUS model and original model

年份 预测模型 Kappa 提高值/% 总体精度/% 提高值/%
2010 原模型 0.7570 2.90 84.55 1.79
改进模型 0.7860 86.34
2018 原模型 0.7899 2.74 86.12 1.83
改进模型 0.8173 87.95
图5 长沙中心城区2000—2018年土地利用现状与模拟结果对比

Fig. 5 Comparisons of land use status and simulation results in Changsha central city from 2000 to 2018

图5(c)、5(d)、5(f)、5(g)可看出,2种模型预测结果差异主要体现在扩张方向和斑块规整度不一致。从扩张方向来看,主要差异在望城区东南部。ANN神经网络筛选概率显示,改进模型中动态交通时间与建设用地分布的相关性高达71%,说明建设用地扩张方向与交通时间关联性较大,由于望城区东南部更接近城市中心,所需交通时间更短,因此两种模型预测结果不一致。从斑块规整度来看,2010年2种结果的斑块规整度均较为规整,但2018年结果恰恰相反,这是由于望城区南部和岳麓区西部山体与林地较多,改进模型限制了林地的转换,导致斑块破碎程度相比原模型高,但改进模型的结果精度更高,与实际更为接近,表明改进模型更适用于长沙市土地利用动态变化模拟。

3.3 未来土地利用变化情景模拟

研究根据2000—2010年土地利用变化规律,采用MARKOV模型对基准情景和生态保护情景下2030年各土地利用类型斑块数量和面积进行预测,再以2018年土地利用图为基础,利用改进FLUS模型模拟两种情景下长沙市中心城区土地利用分布,并对各区县土地利用变化情况进行统计。
基准情景结果显示(图6(a)),2030年长沙市中心城区建设用地规模为930.06 km2,其中耕地转为建设用地的比例最大,占新增建设用地面积的55.04%。根据建设用地增长面积统计显示,2018—2030年长沙县建设用地面积扩张较多,高达88.17 km2,其次是望城区为87.37 km2。生态保护情景结果显示(图6(b)),2030年长沙市中心城区建设用地规模为881.36 km2,其中耕地转为建设用地的比例最大,占新增建设用地面积的67.60%。根据建设用地增长面积统计显示,2018—2030年长沙县建设用地面积扩张为79.95 km2,其次是望城区和开福区分别为68.55 km2和29.75 km2
图6 长沙中心城区2030年土地利用变化情景模拟与建设用地适宜性评价

Fig. 6 Scenario simulation of land use change in 2030 and suitability evaluation of construction land in Changsha central city

3.4 长沙市中心城区建设用地适宜性评价

根据用地适宜性评价结果(图6(c)),采用自然断点法将其划分为最适宜建设区、较适宜建设区、基本适宜建设区、限制建设区和禁止建设区5个级别,其中评价数值[4.20,5.00)为最适宜,[3.40,4.20)为较适宜,[2.80,3.40)为基本适宜,[2.20,2.80)为限制建设区,[1.00,2.20)为禁止建设区,面积分别为506.06、686.38、1118.45、1374.30和272.59 km2,分别占长沙市中心城区土地总面积的12.77%、17.33%、28.25%、34.72%和6.89%。最适宜建设区和较适宜建设区占土地总面积的30.10%。芙蓉区、天心区、雨花区、岳麓区东部和长沙县西部是最适宜建设区分布的主要区域,多为建成区,区域内各项基础设施较为完善。较适宜建设区主要分布在建成区周边,是未来长沙市中心城区主要扩张方向。基本适宜建设区主要分布在中心城区北部及长沙县东部,在一定条件下可以用作建设用地。限制建设区主要分布在望城区北部和岳麓区西部;禁止建设区主要分布在中心城区东北部和西南部,多为山体,生态敏感性高,不宜作为建设用地。

3.5 长沙市中心城区城市增长边界划定

3.5.1 刚性边界划定
刚性增长边界是城市建设用地增长的最大底线边界,城市的各类开发建设活动都应该控制在刚性边界以内。依照付玲等划定北京市刚性边界的方法[7],对除去禁止建设区和限制建设区的最大斑块界线作为中心城区的刚性增长边界。从划定结果来看(图7(a)),刚性边界内面积为1479.59 km2,主要为芙蓉区、天心区、雨花区、岳麓区、开福区的大部分区域。刚性边界划定面积仅占中心城区总用地面积的37.38%,比重偏小,增长空间有限,长沙市中心城区在未来发展中需避免过度扩张。
图7 长沙中心城区2030年刚性边界与弹性边界

Fig. 7 Rigid boundary and elastic boundary of Changsha central city in 2030

3.5.2 弹性边界划定
依据改进模型模拟结果,2030年长沙市中心城区建设用地规模在基准情景与生态保护情景下均未超过城市刚性增长边界。根据上述模拟结果导入FLUS-UGB模块,将FLUS-UGB划定结果最大连片的建设用地划出,并将在刚性边界外的建设用地进行擦除,最终划定2030年长沙市中心城区弹性边界。
基准情景下2030年长沙市中心城区弹性增长边界(图7(b))面积为799.35 km2,生态保护情景下弹性增长边界(图7(c))面积为742.92 km2。2种情景下,长沙县建设用地扩张余地较大,主要是由于长沙县土地面积较大,县域西部地势较平坦。而芙蓉区、开福区、天心区、雨花区作为长沙市老城区,各区可利用土地不足,扩张空间有限。两种情景下出现不一致的地区主要是在望城区东部和开福区西北部,这是由于生态保护情景禁止生态林地转为建设用地。综上所述,未来长沙市中心城区建设用地拓展方向主要在长沙县和望城区,其中长沙县位于长沙市中心城区东部,紧靠旧城中心芙蓉区,周边基础设施完善;望城区位于中心城区西北部,区域内可开发土地较多。

4 结论与讨论

4.1 结论

鉴于当前土地利用变化模拟均未识别不同时间段居民日常动态活动与城市用地扩张的关系,而居民日常动态活动对城市用地扩张影响较大。本文尝试引入动态交通时间和POI等新数据作为居民日常动态活动数据,改进FLUS模型,以推进土地利用模拟和城市增长边界划定研究,更好为城市空间发展与管控提供支撑。研究以长沙市中心城区为例,利用改进模型情景模拟2030年土地利用变化,并结合建设用地适宜性评价划定城市增长边界,得到以下结论:
(1)从预测结果以及精度验证来看,改进FLUS模型模拟2010年和2018年土地利用相比原模型KAPPA系数提高了2.90%和2.74%,总体精度提高了1.79%和1.83%,改进模型模拟结果更接近实际情况,表明纳入动态数据FLUS模型能更好预测土地覆盖变化和建设用地扩张。
(2)土地利用变化情景模拟结果显示,基准情景下2030年长沙市中心城区建设用地规模为930.06 km2,生态保护情景下建设用地规模为881.36 km2,均以耕地转为建设用地比例最大。
(3)刚性增长边界划定结果表明,长沙市中心城区刚性增长边界范围为1479.59 km2,包含了芙蓉区、天心区、雨花区、岳麓区和开福区的大部分区域,仅占中心城区总面积的37.38%,增长空间有限,未来发展中应避免过度开发。
(4)弹性增长边界划定结果表明,基准情景下2030年长沙市中心城区弹性增长边界面积为799.35 km2,生态保护情景下弹性增长边界面积为742.92 km2。长沙县、望城区建设用地扩张空间较多,未来中心城区建设重点区域为长沙县、望城区、岳麓区、开福区,预测结果与2010版长沙市城市总体规划相一致。

4.2 讨论

FLUS模型是当前较好的土地利用变化情景模拟软件,纳入动态交通时间和POI数据作为土地利用变化的驱动因子改进FLUS模型,是对拓展FLUS模型应用的有益探索。随着大数据发展,原技术手段加入实时动态数据能够更为有效的监测和管理城市,运用改进模型预测土地利用变化划定城市增长边界更具有实际价值。在未来的研究中可以关注以下2个方向:① 进一步引入新数据推进土地利用模拟研究,更准确地为城市发展提供决策;② 进一步结合国土空间规划开展相关研究,提高研究实用性。
对于城市增长边界划定,后续研究值得从以下2个方面探索:① 城市具有地域差异性,对于不同城市的增长边界划定,有效识别城市用地扩张主要驱动因素是关键,研究可以在用地扩张驱动力分析的基础上选取驱动因子,使土地利用变化模拟更符合城市实际情况。② 城市发展具有动态性,增长边界划定之后的实施效果应开展周期性评估。研究可以从城市蔓延是否有效控制、土地利用集约度是否提升、边界外自然生态环境是否合理保护等方面展开实效评估,以此达到空间管制的目的。
[1]
程永辉, 刘科伟, 赵丹, 等. “多规合一”下城市开发边界划定的若干问题探讨[J]. 城市发展研究, 2015,22(7):52-57.

[ Cheng Y H, Liu K W, Zhao D, et al. The discussion of questions regarding delimitation of urban development boundary based on multiple plans integration[J]. Urban Development Studies, 2015,22(7):52-57. ]

[2]
刘海龙. 从无序蔓延到精明增长:美国“城市增长边界”概念述评[J]. 城市问题, 2005(3):67-72.

[ Liu H L. From urban sprawl to smart growth: A review of the concept of urban growth boundary in USA[J]. Urban Problems, 2005(3):67-72. ]

[3]
冯科, 吴次芳, 韦仕川, 等. 城市增长边界的理论探讨与应用[J]. 经济地理, 2008,28(3):425-429.

[ Feng K, Wu C F, Wei S C, et al. Research on urban growth boundary: The oretical analysis and its application in China[J]. Economic Geography, 2008,28(3):425-429. ]

[4]
Chapin T S. Managing growth in America's communities (2nd ed.)[J]. Journal of the American Planning Association, 2009,75(1):90-91.

[5]
《城市规划编制办法》.中华人民共和国建设部,第146号, 2006.

[ Urban Planning Formulation Means, order of the Ministry of construction of the people's Republic of China,No.146, 2006. ]

[6]
龙瀛, 韩昊英, 毛其智. 利用约束性CA制定城市增长边界[J]. 地理学报, 2009,64(8):999-1008.

[ Long Y, Han H Y, Mao Q Z. Establishing urban growth boundaries using constrained CA[J]. Acta Geographica Sinica, 2009,64(8):999-1008. ]

[7]
付玲, 胡业翠, 郑新奇. 基于BP神经网络的城市增长边界预测——以北京市为例[J]. 中国土地科学, 2016,30(2):22-30.

[ Fu L, Hu Y C, Zheng X Q. The prediction of urban growth boundary based on bp artificial neural networks: An application to Beijing[J]. China Land Sciences, 2016,30(2):22-30. ]

[8]
祝仲文, 莫滨, 谢芙蓉. 基于土地生态适宜性评价的城市空间增长边界划定——以防城港市为例[J]. 规划师, 2009,25(11):40-44.

[ Zhu Z W, Mo B, Xie F R. Delimitation of urban growth boundary based on land ecological suitability evaluation: A case of Fangchenggang[J]. Planners, 2009,25(11):40-44. ]

[9]
王玉国, 尹小玲, 李贵才. 基于土地生态适宜性评价的城市空间增长边界划定——以深汕特别合作区为例[J]. 城市发展研究, 2012,19(11):76-82.

[ Wang Y G, Yin X L, Li G C. Delimitation of urban growth boundary based on land ecological suitability evaluation: A case of Shenshan special corporation zone[J]. Urban Development Studies, 2012,19(11):76-82. ]

[10]
周锐, 王新军, 苏海龙, 等. 基于生态安全格局的城市增长边界划定——以平顶山新区为例[J]. 城市规划学刊, 2014 ( 4):57-63.

[ Zhou R, Wang X J, Su H L, et al. Delimitation of urban growth boundary based on ecological security pattern[J]. Urban Planning Forum, 2014(4):57-63. ]

[11]
孟成, 卢新海, 彭明军, 等. 基于Markov-C 5.0的CA城市用地布局模拟预测方法[J]. 中国土地科学, 2015,29(6):82-88.

[ Meng C, Lu X H, Peng M J, et al. A land layout simulation model based on CA and Markov-C 5.0 classification[J]. China Land Sciences, 2015,29(6):82-88. ]

[12]
Liang X, Liu X P, Li X, et al. Delineating multi-scenario urban growth boundaries with a CA-based FLUS model and morphological method[J]. Landscape and Urban Planning, 2018,177:47-63.

[13]
王丽萍, 金晓斌, 杜心栋, 等. 基于灰色模型-元胞自动机模型的佛山市土地利用情景模拟分析[J]. 农业工程学报, 2012,28(3):237-242.

[ Wang L P, Jin X B, Du X D, et al. Land use scenarios simulation of Foshan city based on gray model and cellular automata model[J]. Transactions of the CSAE, 2012,28(3):237-242. ]

[14]
刘小平, 黎夏, 艾彬, 等. 基于多智能体的土地利用模拟与规划模型[J]. 地理学报, 2006,61(10):1101-1112.

[ Liu X P, Li X, Ai B, et al. Multi- agent systems for simulating and planning land use development[J]. Acta Geographica Sinica, 2006,61(10):1101-1112. ]

[15]
米媛, 姜博, 陈颜, 等. 基于SLEUTH模型的鄂尔多斯城市扩张模拟分析[J]. 中国农业大学学报, 2019,24(2):183-190.

[ Mi Y, Jiang B, Chen Y, et al. Simulation analysis of urban expansion in Ordos based on SLEUTH model[J]. Journal of China Agricultural University, 2019,24(2):183-190. ]

[16]
Huang D Q, Huang J, Liu T. Delimiting urban growth boundaries using the CLUE-S model with village administrative boundaries[J]. Land Use Policy, 2019,82:422-435.

[17]
Liu X P, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017,168:94-116.

DOI

[18]
Liang X, Liu X P, Li D, et al. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model[J]. International Journal of Geographical Information Science, 2018,32(11):2294-2316.

DOI

[19]
Lin W B, Sun Y M, Nijhuis S, et al. Scenario-based flood risk assessment for urbanizing deltas using future land-use simulation (FLUS): Guangzhou Metropolitan Area as a case study[J]. Science of the Total Environment, 2020,739:139899.

DOI

[20]
黄康, 戴文远, 黄万里, 等. 基于FLUS模型与动能定理的城镇用地增长边界划定[J]. 地球信息科学学报, 2020,22(3):557-567.

[ Huang K, Dai W Y, Huang W L, et al. Study on the delimitation of urban growth boundary based on FLUS model and Kinetic Energy Theorem[J]. Journal of Geo-information Science, 2020,22(3):557-567. ]

[21]
招晖, 陈昌勇. FLUS模型对佛山城镇建设适宜性评价的验证与修正分析[J]. 规划师, 2020,36(3):86-92.

[ Zhao H, Chen C Y. A positive study of urban construction suitability evaluation based on FLUS model, Foshan[J]. Planners, 2020,36(3):86-92. ]

[22]
薛峰, 李苗裔, 马妍, 等. 基于FLUS模型的江西省国土空间开发模拟与评估[J]. 规划师, 2020,36(8):12-19.

[ Xue F, Li M Y, Ma Y, et al. Simulation and evaluation of national land use and spatial development based on FLUS model: Jiangxi province[J]. Planners, 2020,36(8):12-19. ]

[23]
Jia K, Zhang C, Yang Y Z, et al. Delimitation of urban growth boundary based on the coordination of ecology and residential activity spaces: A case study of Jinan, China[J]. Journal of Resources and Ecology, 2019,10(5):518-524.

DOI

[24]
张经度, 梅志雄, 吕佳慧, 等. 纳入空间自相关的FLUS模型在土地利用变化多情景模拟中的应用[J]. 地球信息科学学报, 2020,22(3):531-542.

[ Zhang J D, Mei Z X, Lv J H, et al. Simulating multiple land use scenarios based on the FLUS model considering spatial autocorrelation[J]. Journal of Geo-information Science, 2020,22(3):531-542. ]

[25]
Brueckner J K, Fansler D A. The economics of urban sprawl: theory and evidence on the spatial size of cities[J]. The Review of Economics and Statistics, 1983,65:479-482.

[26]
王雅竹, 段学军, 杨清可, 等. 近30年江苏省建设用地扩张的时空特征、模式与驱动因素研究[J]. 长江流域资源与环境, 2019,28(7):1531-1540.

[ Wang Y Z, Duan X J, Yang Q K, et al. Spatial-temporal characteristics and driving factors of urban construction land in Jiangsu province in the last 30 Years[J]. Resources and Environment in the Yangtze Basin, 2019,28(7):1531-1540. ]

[27]
刘纪远, 匡文慧, 张增祥, 等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报, 2014,69(1):3-14.

[ Liu J Y, Kuang W H, Zhang Z X, et al. Spatiotemporal characteristics,patterns and causes of land use changes in China since the late 1980s[J]. Acta Geographica Sinica, 2014,69(1):3-14. ]

[28]
Luedeling E, Buerkert A. Typology of oases in northern Oman based on Landsat and SRTM imagery and geological survey data[J]. Remote Sensing of Environment, 2008,112(3):1181-1195.

[29]
王保盛, 廖江福, 祝薇, 等. 基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例[J]. 生态学报, 2019,39(12):4284-4298.

[ Wang B S, Liao J F, Zhu W, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: A case study of land use simulation of urban agglomeration of the Golden Triangle of Southern Fujian in 2030[J]. Acta Ecologica Sinica, 2019,39(12):4284-4298. ]

[30]
赵林峰, 刘小平, 刘鹏华, 等. 基于地理分区与FLUS模型的城市扩张模拟与预警[J]. 地球信息科学学报, 2020,22(3):517-530.

[ Zhao L F, Liu X P, Liu P H, et al. Urban expansion simulation and early warning based on geospatial partition and FLUS model[J]. Journal of Geo-information Science, 2020,22(3):517-530. ]

[31]
吴欣昕, 刘小平, 梁迅, 等. FLUS-UGB多情景模拟的珠江三角洲城市增长边界划定[J]. 地球信息科学学报, 2018,20(4):532-542.

[ Wu X X, Liu X P, Liang X, et al. Multi-scenarios simulation of urban growth boundaries in pearl river Delta based on FLUS-UGB[J]. Journal of Geo-information Science, 2018,20(4):532-542. ]

[32]
朱寿红, 孙玉杰, 舒帮荣, 等. 规划政策影响下区域生态用地演变模拟研究——以南京市溧水区为例[J]. 地理与地理信息科学, 2019,35(4):83-90.

[ Zhu S H, Sun Y J, Shu B R, et al. Simulation on the evolution of regional ecological land by incorporating planning policies: A case study of Lishui District, Nanjing city[J]. Geography and Geo-Information Science, 2019,35(4):83-90. ]

[33]
张韶月, 刘小平, 闫士忠, 等. 基于“双评价”与FLUS-UGB的城镇开发边界划定——以长春市为例[J]. 热带地理, 2019,39(3):377-386.

[ Zhang S Y, Liu X P, Yan S Z, et al. Delimitation of urban development boundaries using Two Basic Evaluations and FLUS-UGB: A case study of Changchun[J]. Tropical Geography, 2019,39(3):377-386. ]

Outlines

/