EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 8: 1502 - 1511

DOI: https://doi.org/10.12082/dqxxkx.2022.220008

Synergistic Simulation of Land and Population in Metropolitan Area With Dynamic Influence Factors

  • GAO Wei , 1, 2, 3, 4 ,
  • TU Wei , 1, 2, 3, 4, * ,
  • LI Mingxiao 1, 2, 3, 4 ,
  • FANG Bichen 1, 2, 3, 4 ,
  • CHEN Dongsheng 5 ,
  • HUANG Zhengdong 1, 2, 3, 4 ,
  • HE Biao 1, 2, 3, 4
Expand
  • 1. School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China
  • 2. Guangdong Key Laboratory of Urban Informatics,Shenzhen 518060, China
  • 3. MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China
  • 4. Guangdong Laboratory of Artificial Intelligence and Digital Economy (Shenzhen), Shenzhen 518060, China
  • 5. School of Geography and Planning, Sun Yat-Sen University, Guangzhou 510006, China
*TU Wei, E-mail:

Received date: 2022-01-05

  Revised date: 2022-02-13

  Online published: 2022-10-25

Supported by

National Key Research and Development Program(2019YFB2103104)

National Natural Science Foundation of China(71961137003)

Fold

Abstract

Metropolitan area is a typical complex system with co-evolution and coordinated development of land, population, and transportation. It has become an urgent issue to guide the development path of metropolitan area scientifically by coordinating the territorial space and human resources in metropolitan area. Cellular automata is a discrete grid dynamic model. By constructing simple transformation rules, combined with strong spatial modeling ability and computing ability, it has become an effective means to study complex urban systems. However, existing cellular automata-driven spatial simulation methods usually simulate land or population separately. Their performance are limited as they ignore the co-evolution between land and population. This paper proposes the dynamic influence factors to characterize the interaction between land and population. The core idea is to take the simulation results of land and population as the influence factors of new cellular automata, and express the complex driving processes of land change and population change by updating the cell transformation probability. The spatial simulation model is repeatedly trained to describe the synergistic evolution between land and population in the process of development. The classical cellular automata model is then extended to construct a synergistic simulation framework which realizes the accurate spatial simulation of land and population in the metropolitan area. Taking the Shenzhen-Dongguan-Hui metropolitan area as an example, the experiment was conducted to verify the proposed method. The results show that the synergistic simulation algorithm can accurately simulate the land and population development processes. The simulation results of the proposed algorithm show a Figure of Merit of 0.274 for land and Mean Absolute Percentage Error of 23.55% for population, which outperfoms the traditional cellular automata algorithm coupled with random forest (Figure of Merit = 0.24, and Mean Absolute Percentage Error = 29.33%). Compared with traditional models, the simulation accuracy of this model for construction land is improved by about 3% in land simulation, and the simulation error of this model for high-density population area is reduced by about 6% in population simulation. We further predict the spatial scenario of the land and population development of the Shenzhen-Dongguan-Hui Metropolitan Area in 2030. The results show that the expansion of construction land mainly occurs in the undeveloped areas with good infrastructure (such as Huizhou area), the population further gathers in the high-density areas, and the growth is mainly concentrated in the core urban areas of the metropolitan area. These results provide technical support for locating important infrastructure facilities and development scenarios simulation in the metropolitan area.

Key words： cellular automata; population; land; co-evolution; dynamic; synergistic simulation; random forest cellular automata; Shenzhen-Dongguan-Huizhou metropolitan area

Cite this article

GAO Wei , TU Wei , LI Mingxiao , FANG Bichen , CHEN Dongsheng , HUANG Zhengdong , HE Biao . Synergistic Simulation of Land and Population in Metropolitan Area With Dynamic Influence Factors[J]. Journal of Geo-information Science, 2022 , 24(8) : 1502 -1511 . DOI: 10.12082/dqxxkx.2022.220008

1 引言

大都市圈是人口、产业和科技高度密集的区域,是我国国土空间高质量发展的新增长点,对推动区域发展具有重要意义[1-2]。大都市圈空间快速扩张的同时也带来了诸如土地无序利用、资源错配、空间上两极分化等问题,延滞了区域国民经济社会协调发展[3]。协同都市圈内部国土空间与人力资源,科学地引导都市圈发展路径,已经成为当前都市圈治理与规划中亟需解决的问题[4]。利用空间模拟方法开展都市圈发展情景预测分析,对合理利用国土空间、改善生态环境、提高居民生活质量,促进区域经济发展具有重要意义[5-6]。
元胞自动机（Cellular Automata,CA）,是一种时间、空间、状态都离散的网格动力学模型,通过构建简单转换规则,结合强大的空间建模能力和运算能力,使其成为研究复杂城市系统的有效手段[7⇓⇓-10],当前研究扩展基本CA模型,与逻辑回归、决策树、随机森林等机器学习算法相结合,建立复杂的空间模拟模型,广泛应用于城市空间扩张、土地利用、人口发展、三维城市形态、交通流研究中[11⇓⇓⇓⇓⇓-17]。面向国土空间,Liu等[11]将人工神经网络算法、系统动力学方法与CA耦合构建了未来用地模拟（FLUS）模型, 模拟多种发展情景下的土地利用空间配置。赵林峰等[12]结合地理分区和FLUS模型进行城市扩张模拟,构建了城市扩张预警指标评价体系,评估城市扩张的警情。顾及轨道交通对土地开发的激励作用,王家丰等[14]集成马尔可夫链模型和FLUS,预测常规情景和城市轨道交通开发情景下的浙中城市群未来土地格局。面向人口分布,黎夏等[16]将人口密度转换为灰度值,并结合距离衰减函数,改进经典CA模型模拟城市人口未来空间分布。研究成果表明,基于元胞自动机的空间模拟能够刻画复杂的要素空间变化过程,支撑城市发展机理解析和可持续发展政策制定。
国内外研究学者针对基于元胞自动机的空间模拟问题已取得一系列研究成果,但现有模拟方法大多仅关注单一要素的空间变化过程,国土与人口变化之间的相互作用简化为2种要素及相应影响因子在某一历史时刻的分布模式对其未来分布模式的影响[18-19]。然而,都市圈作为典型的复杂巨系统,其演变历程是国土、人口等多种要素协同发展、共同演化的结果。以国土空间为例,建设用地的增长将带动区域内工厂、道路、以及学校、医院和公园等公共设施的增加,吸引更多的人口流入。人口增长将逐渐提升城市空间的活力与利用强度,推动城市更新或城市扩张,改变局部的国土空间配置[20]。因此,考虑国土-人口发展之间的协同影响将有助于更准确地捕捉人口与国土空间发展的空间过程,精准刻画都市圈未来发展格局。
针对以上问题,本文顾及国土和人口的相互作用,提出影响因子动态更新策略,拓展经典元胞自动机模型构建协同模拟算法(Synergistic Cellular Automata, SCA),以深莞惠都市圈为例,实现了都市圈国土与人口空间分布态势的精准模拟,预测了深莞惠2030年发展基准情景下的国土与人口分布模式。研究成果有助于推进都市圈国土与人口的空间格局及演变过程的科学认识,为区域协调发展提供支撑。

2 研究方法

协同模拟方法SCA顾及国土利用和人口密度的相互作用,提出影响因子动态更新策略,刻画国土与人口的协同演化过程,以耦合随机森林的元胞自动机模型（Random Forest Cellular Automata, RFCA）做为基础空间模拟单元,迭代进行国土-人口空间模拟,不断改善整体模拟的性能。协同模拟模型框架如图1所示。
图1 都市圈国土-人口协同模拟方法框架

Fig. 1 The framework of the synergistic simulation of land and population in metropolitan

2.1 耦合随机森林的元胞自动机模拟

本文利用耦合随机森林的元胞自动机模拟模型作为基本模拟单元,模拟国土和人口的空间变化。随机森林将多颗决策树集成为森林,提升了分类或预测的准确率。RFCA利用随机森林来估算元胞转换概率,更为准确地刻画国土和人口的变化过程,适用于模拟复杂和长期的要素变化[21],计算流程如图2所示。
图2 耦合随机森林的元胞自动机空间模拟

Fig. 2 Spatial simulation by coupling random forest and cellular automata

元胞转移概率估算是空间模拟的核心。从区位、交通、自然与经济等要素中提取特征向量,利用随机森林模型计算初始转换概率。其计算过程如式（1）所示。
P g k , t , l = I h k θ = Y l M
式中： P g k , t , l代表随机森林模型训练获取的 t时刻元胞 k从当前国土或人口类别到第 l类别的转换概率; I *为分类结果指标函数; h k θ为单棵决策树的运算结果; Y l为单棵决策树的分类结果; M为决策树分类器集合。
元胞状态转换受周边邻域、随机性和限制因素的影响。考虑元胞状态转换的邻域效应,利用邻域作用函数表示国土或人口状态变化中周边空间单元的影响。利用随机函数表示状态转换的随机性因素,其计算过程可分别表示为：
Ω k t = ∑ n × n c o n S k t = E i n × n - 1
R = 1 + - l n γ α
式中： Ω k t表示 t时刻元胞 k的领域对国土或人口类别转换的影响; c o n S k t = E i表示在当前状态下国土或人口要素类别为 E i的概率; R表示随机项用以刻画国土、人口发展过程中随机效应的影响; γ为 0,1范围内的随机数; α为控制随机项大小的系数。
受地理因素和政策的影响,具有某些状态的元胞不能改变状态。RFCA模型以限制函数 c o n S k t表示禁止转换的因素。当前元胞 S受到限制不发生转变（如保护性耕地等）,或不能向低级别转变（如城市中心等）,则 c o n S k t = 0,否则 c o n S k t = 1。最终,元胞状态变化概率计算可表示为式（4）。
P k , t , l = P g k , t , l × Ω k t × R × c o n S k t
计算总体转换概率后,通过优先分配最高概率原则确定元胞转换的类别。依据各要素总体规模控制元胞模拟迭代过程,从而实现国土或人口的空间模拟。

2.2 国土-人口协同模拟过程

本文利用动态更新的影响因子表征国土-人口的交互作用。其核心思想是不断将国土、人口模拟结果作为新元胞自动机的影响因子,通过更新元胞转换概率,表示国土变化对人口增长,人口变化对国土空间发展的复杂驱动过程。通过对空间模拟模型进行重复训练,来刻画发展过程中的国土、人口两种要素间的协同演化作用。
协同模拟过程如图3所示。首先利用RFCA进行独立的国土空间模拟和人口空间模拟。然后,考虑国土空间变化对人口增长的影响,将国土模拟结果作为影响因子输入到新的人口RFCA模拟模型,进一步精化人口RFCA模拟模型。顾及人口增长对国土空间发展的需求,将人口模拟结果作为影响因子输入到国土RFCA模拟模型,进一步改善国土模拟效果。反复执行上述协同模拟策略,不断精化国土和人口的相互影响与相互作用,国土-人口两要素的空间分布均趋于稳定时,协同模拟逐步收敛。
图3 协同模拟策略

Fig. 3 Schematic diagram of synergistic strategy

本文利用综合指标 S判断协同模拟是否收敛。
S = W c P c + W z 1 - P z
式中： P c表示国土模拟性能; P z表示人口模拟误差;Wc和Wz为对应权重,0≤Wc,Wz≤1,且Wc+Wz=1。若连续N次综合误差S不发生显著性变化,则协同模拟收敛,停止计算,输出协同模拟结果。

2.3 性能验证指标

本文采用品质因素（Figure of Merit,FoM）评估国土模拟的性能[22],计算公式如下：
F o M = A A + B + C + D
式中： A表示国土状态发生变化且模拟结果正确的元胞总数; B表示国土状态发生变化但模拟结果为不变的元胞总数; C表示国土状态发生变化且模拟结果错误的元胞总数; D表示国土状态不变而模拟结果为变化的元胞总数。FoM取决于模拟过程中发生变化元胞,能够更好地评价模拟的性能,已被广泛应用于空间模拟实验的验证。
人口统计常用的基本单元为行政街道。因此,本文以街道尺度计算人口数量平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）[23],度量人口模拟的误差,其计算公式如下：
M A P E = 100 % n ∑ i = 1 n y i ˆ - y i y i
式中： n为总数; y i ˆ为预测值; y i为真实值。

3 研究区概况与数据源

3.1 研究区概况

本文实验区域为深莞惠都市圈。深莞惠都市圈包括深圳市、东莞市与惠州市三市,地处广东省中南部珠江口东岸,位于22°N—24°N之间,113°E—115°E之间。自2009年深莞惠市政府携手建立都市圈的合作提议以来,通过跨城市边界的基础设施来建设,功能协调、产业互补、成果共享的协同发展区域,城市发展水平不断提升[24]。该地区行政区域总面积约为15 600 km2,总人口约为3408万人,约占粤港澳大湾区总体40%,GDP约为 41 542亿元,约占粤港澳大湾区总体37%[25]。当前,深莞惠都市圈已成为粤港澳大湾区最具有经济发展活力、发展潜力最高的区域,都市圈内国土开发与人口分布发生剧烈变化,准确模拟其发展态势支撑都市圈协同发展。因此,本文选择深莞惠都市圈进行国土和人口模拟研究。研究区域如图4所示。
图4 深莞惠都市圈概况

注：该图的路网数据与底图是基于自然资源部标准地图服务下载的审图号为GS（2019）4342号与广东省标准地图服务系统下载的审图号为粤S(2020)024号的标准地图制作。

Fig. 4 The location of Shenzhen-Dongguan-Huizhou metropolitan area

3.2 数据源及数据预处理

本文所有数据如表1所示。国土利用要素数据来源于GlobeLand30数据集[26],分辨率为30 m。依据《城市用地分类与规划建设用地标准（GB50137-2011》[27],将土地利用重分类为耕地、林/草地、水体与建设用地4个类别,其中水体作为限制区域。人口数据来源于GPW v4数据集,分辨率为1 km[28]。为适应元胞自动机模型离散化输入数据的要求,本文采用自然断点法对人口数据进行离散化处理。
表1 本文研究所用数据说明

Tab.1 Data description

类别 数据名称 时间 空间分辨率 数据来源
要素 土地利用 2000—2020年 30 m GlobalLand30
人口 2000—2020年 1 km GPW
自然要素 DEM 2008年 1 km NASA
坡度 2020年 1 km 由DEM计算得到
交通要素 到火车站距离 2020年 1 km 高德地图API
到公路距离 2020年 1 km 高德地图API
区位要素 到市中心距离 2020年 1 km 高德地图API
到区县中心距离 2020年 1 km 高德地图API
到水系距离 2020年 1 km 高德地图API
经济要素 国民经济总值 2015年 1 km 中国科学院地理科学与资源研究所
国土空间和人口的演化过程与自然环境、交通要素、空间区位等因素紧密相关[8,11,13],本文中利用自然、交通、区位和经济因子驱动模拟国土与人口变化。其中,自然要素包括高程与坡度;交通要素包括到路网的距离,到火车站点的距离;区位要素包括到水系距离、到市中心的距离和到区县中心的距离;经济要素采用单位面积上的国民经济总值。最终,将上述数据进行预处理,统一重采样为空间分辨率为1 km栅格数据,并保持所有数据的空间参考系一致。重采样方法为众数法（Majority）。该方法适合对离散型数据进行重采样,并且已经广泛的应用于土地利用、DEM等数据的重采样中[29]。

4 结果与分析

利用深莞惠都市圈的空间数据,对2010—2020年国土和人口要素以及影响因子数据,进行10%统一采样,以获取研究区域的训练样本集合。以2020年真实的国土人口为真值,作为模拟模型迭代的终止条件。利用RFCA模型分别模拟国土与人口2个要素。将SCA模型训练结果与RFCA进行比较,评估协同模拟算法SCA性能。

4.1 实验结果分析与比较

图5给出了综合指标S的迭代曲线,采用等权法[30]将综合指标权重均设置为0.5。可以发现,综合指标在初始迭代时为0.4743,随着迭代次数的增加逐渐上升,在第6次迭代后综合误差相当稳定,值为0.5192,最终输出协同模拟结果。
图5 综合指标收敛曲线

Fig. 5 Convergence Curve of the Comprehensive Indicator

表2给出了协同模拟方法SCA和基准方法RFCA的性能指标。SCA模拟结果整体上优于RFCA。其中,SCA国土要素模拟FoM为0.274,显著高于RFCA算法的0.242。Kappa系数也进一步表明,SCA的国土模拟优于RFCA。针对人口,SCA模拟结果的MAPE为24.8%,远低于RFCA的29.33%,尤其是在深莞惠都市圈核心区域（如深圳福田、南山,东莞东城等）误差降低约20%。为了进一步评估人口模拟的性能,本文计算了均方根误差（Root Mean Square Error, RMSE）,该系数也表明相比RFCA,SCA的人口模拟值与真实值更加接近。
表2 SCA方法与RFCA方法模拟结果对比

Tab. 2 Comparison of simulation results of the SCA algorithm and the RFCA algorithm

要素 算法 FoM MAPE Kappa RMSE
国土 SCA 0.274 - 0.832 -
RFCA 0.242 - 0.821 -
人口 SCA - 23.55% - 5.816
RFCA - 29.33% - 8.710

注：加粗字体表示该方法比传统方法精度更高。

图6给出了2020年国土与人口的真实空间分布、SCA模拟结果以及RFCA模拟结果。结果表明SCA方法和RFCA方法均能较好保持国土和人口的空间分布态势。
图6 2020年国土、人口模拟结果及其与真值的比较

Fig.6 Comparison of the simulated results and the real land and population in 2020

在国土模拟方面,图6（a）—图6（c）表明都市圈内建成区分布在西部、南部和中部,北部和东部区域主要为林地和耕地。SCA的性能提升主要来自建设用地的模拟中,相较于RFCA,SCA对于建设用地的模拟准确度提升了约3%。总体上,SCA的模拟误差分布在研究区域中随机分布;而RFCA的误差分布则呈现一定聚集规律,在城市的边缘区域有成片的错误空间单元。
在人口模拟方面,图6（d）—图6（f）表明高密度人口区域分布在深圳、东莞和惠州的主城区,离主城区越远,人口密度越低。不同城市中的SCA和RFCA人口模拟性能存在差异,东莞市的人口模拟效果最好,惠州次之,深圳较差。如表3所示,SCA的模拟误差相比RFCA均有所下降,深圳的模拟误差下降最为明显。此外,两模型均在核心区域取得了较好的模拟结果。相比RFCA,SCA在核心区域的模拟误差有进一步降低,尤其在深圳核心区域（如南山、福田等区域）。RFCA在人口模拟上整体呈现低估的态势,在都市圈核心区域的非核心边缘（如南山蛇口街道、东莞生态园等街道）人口模拟的MAPE相比SCA均降低超过6%。由于考虑了国土对人口的作用,协同模拟方法在高密度人口区域效果良好。
表3 不同城市人口模拟结果比较

Tab. 3 The population simulation results in different cities（%）

深圳 东莞 惠州
SCA 33.29 11.08 21.88
RFCA 41.55 18.99 24.90
综上所述,顾及国土和人口的相互作用进行协同模拟能够显著降低整体模拟误差,对人口要素模拟性能提升效果尤其明显。

4.2 深莞惠2030年国土-人口情景预测

以基准发展情景为例,利用SCA模型预测深莞惠都市圈2030年的国土-人口发展态势,结果如 图7所示。结果表明,2030年,深莞惠都市圈城市用地的扩张,将会加剧对林地、水系和耕地进行侵占,人口总量增加至3865万人。依据统计结果,从2020年到2030年,随着城市化过程的进一步增强,建设用地在惠州市增长了251 km2,占深莞惠都市圈建设用地扩张总面积46%;东莞与深圳的建设用地则分别增长165 km2与124 km2,进一步侵占林地和耕地。建设用地作为其中变化量最大的土地类型,其分布明显呈现出向都市圈中部（城市间的边界区域）延伸、扩散的规律,在都市圈西部（包括深圳西北部区域和东莞西南部区域）形成了连片发展区,深圳东部、东莞东部与惠州西部区域也存在成片发展区域,去城市边界化趋势明显,建设用地协同发展进一步加强,区域一体化格局基本形成,都市圈的发展已经有融合发展的趋势（深圳-惠州、东莞-惠州边界区域）。
图7 深莞惠都市圈2030年要素预测结果

Fig. 7 Forecast Results of the land and population in Shenzhen-Dongguan-Huizhou Metropolitan Area in 2030

深莞惠都市圈的总人口从3408万增长到3865万,深圳与东莞分别增长了206万和160万人,而惠州人口增长较为缓慢,增长了91万人。人口增长呈现出两级分化的特点,增长主要集中都市圈内的核心城区（深圳与东莞）,且越是高密度的区域人口增长越快,而人口密度较低的区域（惠州边缘区域）增长几乎停滞。根据《城市用地分类与规划建设用地标准》（GB50137-2011）[24]：新建城市人均建设用地指标控制在85.1~105 m2/人,换算为城市人口密度规划控制的合理范围约为9500~11 750 人/km2。根据2030年预测结果,计算平均建设用地约为8462人/km2,低于国家标准,未来空间发展态势可以满足人均建设用地的需求。核心区域如深圳中心区由于高质量的环境、更多的就业机会,按照自然发展,人口则会进一步聚集。
整体上看,国土-人口的相互作用,但二者变化空间趋势有较大不同。新增城市建设用地主要集中在现有城区边缘,首先进行土地开发,建设基础设施,吸引更多人口的流入。新增城市建设用地将进一步侵占林地和耕地,应提前根据都市圈空间发展趋势,制定相关跨城市边界的空间发展协同策略,协调建设用地、耕地和林地,满足城市发展与生态保护的需要。人口增长则体现了高密度聚集区域的马太效应,高密度主城区基础设施完备、就业机会众多、公共服务较为完善,人口密度将进一步提升,空间与人口的矛盾会进一步激化,应根据都市圈3个城市的发展定位,规划产业的协同发展,适当进行分工合作,以产业发展引导人口分布,引导低密度区域的人口增长。

5 结论与讨论

随着全球化和城市化进程,大都市圈具有高度密集的人口、技术和创新,成为可持续发展的增长极。都市圈作为典型的复杂巨系统,其国土、人口、交通等要素呈现出共同演化、协同发展的特征[31]。现有基于元胞自动机的空间模拟方法忽略了国土、人口之间的协同演化,从而限制了多要素模拟性能[32-33]。针对这一问题,本文提出了一种基于影响因子动态更新策略的都市圈国土-人口协同模拟算法。主要结论如下：
（1）本文提出一种影响因子动态更新策略用以表征国土、人口两种要素间的相互作用,拓展经典元胞自动机模型构建协同模拟算法,实现了都市圈国土与人口空间分布态势的精准模拟。
（2）以深莞惠都市圈为例,利用国土和人口模拟进行实验验证。实验结果表明,本文提出协同模拟算法在深莞惠都市圈国土模拟品质因素为0.274、人口模拟平均绝对百分比误差23.55%,分别优于传统基于随机森林的元胞自动机算法0.24和29.33%,证实了本文提出算法的有效性。
（3）预测了深莞惠都市圈2030年国土和人口发展空间态势。结果表明建设用地扩张主要发生在基础设施良好但未开发区域（如惠州区域）,人口则在高密度区域进一步聚集,增长主要集中都市圈内的核心城区。为了实现高质量发展,深莞惠都市圈3个城市应进一步加强国土与人口发展的空间协 同[5],加强城际铁路、高速公路等跨城交通设施的建设,并在都市圈内进行建设用地的综合配置,减少对林地、耕地的侵占,对人口与产业进行疏导,减轻都市圈中心区的人口压力,实现城市发展与生态保护的协调。研究成果可为都市圈重大基础设施选址和发展情景推演等应用提供技术支撑与决策依据。
本文尚存在以下局限性,将在后续研究中进一步完善。首先,受限于数据的可获取性,本文研究仅采用有限的影响因子刻画国土-人口发展过程。后续研究中将进一步考虑生态/耕地红线、行政区边界等要素对都市圈发展的影响。其次,未来研究将国土-人口模拟扩展到更多空间要素,同时结合多智能体模型,实现城市群级别多要素空间模拟。此外,在未来研究中可根据“十四五规划”、“2035年交通规划”、“IPCC”气候报告、“SDGs”可持续发展目标等情景,进行特定的规划、交通、气候、可持续发展情景对未来进行模拟,为都市圈有序发展提供科学参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
方创琳. 中国城市群研究取得的重要进展与未来发展方向[J]. 地理学报, 2014, 69(8):1130-1144.

DOI

[ Fang C L. Progress and the future direction of research into urban agglomeration in China[J]. Acta Geographica Sinica, 2014, 69(8):1130-1144. ] DOI: 10.11821/dlxb201408009

DOI

[2]
解学梅. 协同创新效应运行机理研究:一个都市圈视角[J]. 科学学研究, 2013, 31(12):1907-1920.

[ Jie X M. Operation mechanism of synergic innovative effect: a perspective from metropolitan region[J]. Studies in Science of Science, 2013, 31(12):1907-1920. ] DOI: 10.16192/j.cnki.1003-2053.2013.12.020

DOI

[3]
Liu H M. Comprehensive carrying capacity of the urban agglomeration in the Yangtze River Delta, China[J]. Habitat International, 2012, 36(4):462-470. DOI: 10.1016/j.habitatint.2012.05.003

DOI

[4]
中共中央, 国务院. 国家新型城镇化规划(2014-2020)[R]. 新华社, 2014-03-16.

[The CPC Central Committee, The State Council. National New Urbanization Plan (2014-2020)[R]. Xinhua News Agency, 2014-03-16. ]

[5]
黄正东, Mike Batty, 叶嘉安, 等. 特大城市群协同:进展与路径[J]. 地理信息世界, 2021, 28(5):5-14.

[ Huang Z D, Mike B, Yeh A G, et al. Synergy of megacity clusters: Progress and outlook[J]. Geomatics World, 2021, 28(5):5-14. ] DOI: 10.3969/j.issn.1672-1586.2021.05.002

DOI

[6]
Anna B J. Evolution of the metropolitan area of Shenzhen, analysis: From theory to selected examples[J]. IOP Conference Series: Materials Science and Engineering, 2019, 471,11. DOI: 10.1088/1757-899X/471/11/112058

DOI

[7]
Mike B, Helen C, Marc E. Urban systems as cellular automata[J]. Environment and Planning B: Planning and Design, 1997, 24:159-164. DOI: 10.1068/b240159

DOI

[8]
周成虎, 孙战利, 谢一春. 地理元胞自动机[M]. 北京: 科学出版社, 1999.

[ Zhou C H, Sun Z L, Xie Y C. Geographical Cellular Automata[M]. Beijing: China Science Press, 1999. ]

[9]
黎夏, 叶嘉安. 基于神经网络的元胞自动机及模拟复杂土地利用系统[J]. 地理研究, 2005, 24(1):19-27.

[ Li X, Yeh A G. Cellular automata for simulating complex land use systems using neural networks[J]. Geographical Research, 2005, 24(1):19-27. ] DOI: 10.11821/yj2005010003

DOI

[10]
陈逸敏, 黎夏. 机器学习在城市空间演化模拟中的应用与新趋势[J]. 武汉大学学报·信息科学版, 2020, 45(12):1884-1889.

[ Chen Y M, Li X. Applications and new trends of machine learning in urban simulation research[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1884-1889. ] DOI: 10.13203/j.whugis20200423

DOI

[11]
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: 10.1016/j.landurbplan.2017.09.019

DOI

[12]
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.

DOI

[ 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. ] DOI: 10.12082/dqxxkx.2020.190477

DOI

[13]
Feng Y J, Tong X H. A new cellular automata framework of urban growth modeling by incorporating statistical and heuristic methods[J]. International Journal of Geographical Information Science, 2020, 34:74-97. DOI: 10.1080/13658816.2019.1648813

DOI

[14]
王家丰, 王蓉, 冯永玖, 等. 顾及轨道交通影响的浙中城市群土地利用多情景模拟与分析[J]. 地球信息科学学报, 2020, 22(3):605-615.

DOI

[ Wang J F, Wang R, Feng Y J, et al. Simulating land use patterns of the Mid-Zhejiang urban agglomeration considering the effects of urban rail transit[J]. Journal of Geo-information Science, 2020, 22(3):605-615. ] DOI: 10.12082/dqxxkx.2020.190305

DOI

[15]
Chen Y M. An extended patch-based cellular automaton to simulate horizontal and vertical urban growth under the shared socioeconomic pathways[J]. Computers, Environment and Urban Systems, 2022, 91:101727. DOI: 10.1016/j.compenvurbsys.2021.101727

DOI

[16]
黎夏, 叶嘉安. 基于元胞自动机的城市发展密度模拟[J]. 地理科学, 2006, 26(2):165-172.

[ Li X, Yeh A G. Simulating urban development density using cellular automata[J]. Scientia Geographica Sinica, 2006, 26(2):165-172. ] DOI: 10.13249/j.cnki.sgs.2006.02.165

DOI

[17]
Marcelo Z, Regina C P, Esteban C, et al. A new stochastic cellular automata model for traffic flow simulation with drivers' behavior prediction[J]. Journal of Computational Science, 2015, 9:51-56. DOI: 10.1016/j.jocs.2015.04.005

DOI

[18]
黎夏, 叶嘉安, 刘小平, 等. 地理模拟系统:元胞自动机与空间智能[M]. 北京: 科学出版社, 2020.

[ Li X, Yeh A G., Liu X P, et al. Geographical simulation system: Cellular automa and geo-intelligence[M]. Beijing: China Science Press. ]

[19]
周艳, 黄贤金, 徐国良, 等. 长三角城市土地扩张与人口增长耦合态势及其驱动机制[J]. 地理研究, 2016, 35(2):313-324.

DOI

[ Zhou Y, Huang X J, Xu G L, et al. The coupling and driving forces between urban land expansion and population growth in Yangtze River Delta[J]. Geographical Research, 2016, 35(2):313-324. ] DOI: 10.11821/dlyj201602009

DOI

[20]
吴一凡, 刘彦随, 李裕瑞. 中国人口与土地城镇化时空耦合特征及驱动机制[J]. 地理学报, 2018, 73(10):1865-1879.

DOI

[ Wu Y F, Liu Y S, Li Y R. Spatio-temporal coupling of demographic-landscape urbanization and its driving forces in China[J]. Acta Geographica Sinica, 2018: 73(10):1865-1879. ] DOI: 10.11821/dlxb201810004

DOI

[21]
张大川, 刘小平, 姚尧, 等. 基于随机森林CA的东莞市多类土地利用变化模拟[J]. 地理与地理信息科学, 2016, 32 (5):29-36.

[ Zhang D C, Liu X P, Yao Y, et al. Simulating spatiotemporal chang of multiple land use types in Dongguan by using random forest based on cellular automata[J]. Geography and Geo-information Science, 2016, 32(5):29-36. ] DOI: 10.3969/j.issn.1672-0504.2016.05.005

DOI

[22]
Pontius R G, Walker R, Yao-Kumah R, et al. Accuracy assessment for a simulation model of Amazonian deforestation[J]. Annals of the American Association of Geographers, 2007, 97(4):677-695. DOI: 10.1111/j.1467-8306.2007.00577.x

DOI

[23]
Bettiza M. Forecasting total population using chen, cheng, and markov chain fuzzy time series models[J]. 2020 12th International Conference on Information Technology and Electrical Engineering (ICITEE), 2020:135-140. DOI: 10.1109/ICITEE49829.2020.9271682

DOI

[24]
Hui E C, Li X, Chen T T, et al. Deciphering the spatial structure of China's megacity region: A new bay area—The Guangdong-Hong Kong-Macao Greater Bay Area in the making[J]. Cities, 2020, 105:102168. DOI: 10.1016/j.cities.2018.10.011

DOI

[25]
Zhang X C, Sun Y. Investigating institutional integration in the contexts of Chinese city-regionalization: Evidence from Shenzhen-Dongguan-Huizhou[J]. Land Use Policy, 2019, 88:104170.

[26]
中华人民共和国自然资源部. 30米全球地表覆盖数据[DB/OL]. http://www.globallandcover.com,2020-09-26.

[Ministry of Natural Resources of the People's Repubilc of China. Global Land Cover in 30m[DB/OL]. http://www.globallandcover.com,2020-09-26.

[27]
中华人民共和国住房和城乡建设部. 城市用地分类与规划建设用地标准[S]. 2011.

[Ministry of Housing and Urban-Rural Development of the People's Republic of China. Code for classification of urban and rural land use and planning standards of development land[S]. 2011. ]

[28]
Center for International Earth Science Information Network-CIESIN-Columbia University. 2018. Gridded population of the world, version 4.11 (GPWv4)[DB/OL]. https://sedac.ciesin.columbia.edu/data/set/, 2020-01-01.

[29]
Diaz-Pacheco J, van Delden H, Hewitt R. The importance of scale in land use models:Experiments in data conversion, data Resampling, resolution and neighborhood extent. Lecture Notes in Geoinformation and Cartography[M]. Cham: Springer, 2018. DOI: 10.1007/978-3-319-60801-3_9

DOI

[30]
Tran, P T M, Zhao M, Yamamoto, et al. Cyclists' personal exposure to traffic-related air pollution and its influence on bikeability[J]. Transportation Research Part D: Transport and Environment, 2020, 88:102563. DOI: 10.1016/j.trd.2020.102563

DOI

[31]
涂伟, 曹劲舟, 高琦丽, 等. 融合多源时空大数据感知城市动态[J]. 武汉大学学报·信息科学版, 2020, 45(12):1875-1883.

[ Tu W, Cao J Z, Gao Q L, et al. Sensing urban dynamics by fusing multisourced spatiotemporal big data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1875-1883. ] DOI: 10.13203/j.whugis20200535

DOI

[32]
刘小平, 黎夏, 叶嘉安, 等. 利用蚁群智能挖掘地理元胞自动机的转换规则[J]. 中国科学(D 辑:地球科学), 2007, 37(6):824-834.

[ Liu X P, Li X, Yeh A G, et al. Mining the conversion rules of geographical cellular automata by using ant colony intelligent[J]. Science in China Series DEarth Sciences, 2007, 37(6):824-834. ] DOI: 10.1360/zd2007-37-6-824(in Chinese)

DOI

[33]
Chen Y M, Li X, Liu X P, et al. Capturing the varying effects of driving forces over time for the simulation of urban growth by using survival analysis and cellular automata[J]. Landscape and Urban Planning, 2016, 152:59-71. DOI: 10.1016/j.landurbplan.2016.03.011

DOI

Options
Outlines

/

〈 〉