基于多类型土地利用模拟的低碳城市多模式发展研究

1、基于多类型土地利用模拟的低碳城市多模式发展研究以广州市为例李乐飞，何家律，李永森，吴晓瑜，廖薇薇（中山大学地理科学与规划学院，广州 510000）摘要：建设低碳城市是实现可持续发展的重要环节，碳排放量又与土地利用状态有较大关联，但目前低碳城市研究较少能够从多种用地类型角度结合经济、人口等因素，结合地理模拟，对城市的发展进行预测。而本文将用地类型演变模拟与低碳城市发展相结合，利用基于神经网络的元胞自动机模拟多种用地类型演变，模拟精度可达65%，预测未来年份的土地利用状态；并用STRIPAT模型综合土地利用状态、经济、人口因素推算碳排放量，为低碳城市的规划与可持续发展提供建议。将该方法应用于广州市

2、的低碳城市发展研究中，模拟出2020年的广州市土地利用状态，计算得出三种发展模式（城市缓慢扩张、城市稳定扩张、城市加速扩张）下的广州市碳排放量，为广州市的合理扩张与土地规划提出建议。 关键词：神经网络；元胞自动机；低碳城市；碳排放；土地利用 引言近年来，低碳已成为世界各城市共同的追求目标。节能减排，建设低碳城市，是积极应对全球气候变化和实现城市可持续发展的战略，而其实现需要对未来碳排放进行合理预测并对不同城市发展模式做出科学评估。目前对碳排放的研究中，结合经济 ADDIN NE.Ref.267E74A5-BE2E-4145-AF33-87A2CB8725F41,2、能源 ADDIN NE.Re

3、f.0E808270-F1CF-4D55-8586-9C55E85273DF3,4和人口 ADDIN NE.Ref.E92BC01E-9855-4D53-A5C1-DF0CE5A79C015因素的讨论较为深入，而基于土地利用角度的探讨较少 ADDIN NE.Ref.9F407B8C-8A2B-44DF-9613-353832C26A536。李颖 ADDIN NE.Ref.71206D03-3A89-4FE9-9716-F835649437F67、张秀梅 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B0728、马晓哲 ADDIN NE.Ref.3B8

4、C58E2-F905-4C27-9F3F-7E6E736D75429等探讨了不同土地利用方式的碳排放效应，并利用规划数据预测未来碳排放，但未能综合土地利用、人口、经济等因素进行预测；杜官印 ADDIN NE.Ref.E522DEA2-3A81-4F4F-9631-07EAF8656A2310、毛熙彦 ADDIN NE.Ref.9D98A93C-C212-4B40-B9CA-BF3B4A5DD96B6等采用STIRPAT模型、LMDI分解法等方法深入研究城市建设用地对碳排放的影响，但没有进一步的预测和应用。并且碳排放的区域差异性明显，目前碳排放研究的区域多集中在国家和省域尺度，对市域尺度的相关研

5、究较少。而元胞自动机（CA）是模拟和预测复杂系统行为的强有力工具，其“自上而下”的研究思路非常适用于复杂地理过程的模拟 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07218。黎夏在地理元胞自动机领域有很多研究成果，其在1999年提出了将CA与GIS结合起来进行土地利用类型变化模拟 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07219，在2002年尝试将局部规则加入CA中 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07220，在2005年提出了基于

6、神经网络的元胞自动机 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07221，在2007年与刘小平一起提出了基于蚁群算法(Ant Colony Optimization, ACO)的地理元胞自动机 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07222，在2010年MCECA、Logistic-CA、ANN-CA、Decision-tree CA等集合成一个名为GeoSOS的地理模拟系统 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07223，在201

7、2年对大空间尺度的元胞自动机模型中引入GPU并行计算并将效率提高了30倍以上 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07224，在2013年提出了基于联合状态矩阵的地理元胞自动机以通过遥感观测数据动态地调整模型参数 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07225。本文选取广州市为研究对象，力图在城市尺度上，从城市用地面积变化的角度出发，结合神经网络元胞自动机对用地类型变化的模拟结果和人口、GDP情况，改进STIRPAT模型，实现对城市不同发展情景下的未来碳排放量的预测，对城市不同发展模

8、式做出科学评估，为广州的低碳可持续发展提供科学的规划与建设建议。研究方法技术路线本文采用的研究方法如图1所示，先用历年数据利用神经网络模拟用地类型转换的非线性函数，作为转换规则放入元胞自动机中，模拟得出未来的多类型土地利用状态。分析城市用地面积和人口、生产总值之间的相关性，并用模拟出的土地利用状态推算人口、生产总值，再利用STRIPAT模型计算碳排放量，最后得出的数据用于低碳城市评价，而低碳城市评价体系是我们综合了层次分析法、熵值法确定权重得出的，低碳城市评价最终输出一系列得分，可用于城市规划与发展的决策分析与建议。图1 技术路线图BP神经网络BP神经网络是误差反向传播神经网络的简称，是一种有

9、监督的机器学习算法。它由输入层、隐含层、输出层以及各层节点的连接权所组成。整个学习过程由信息的正向传播过程和误差的反向传递构成。在正向传播过程中，输入信息经过隐含层神经元的处理，传向输出层；当输出结果误差超过允许值时，将误差沿着网络从输出层反向传播，并逐级修改各层节点之间的连接权重；反复迭代进行此过程，直到误差低于允许值或者超过最大迭代次数 ADDIN NE.Ref.3CC005FC-DB04-4182-A89C-A29EC03E230612。基于神经网络的多类元胞自动机元胞自动机(Cellular Automata, CA)是一种时间、空间、状态都离散，空间互相作用和时间因果关系都为局部的网

10、络动力学模拟，具有模拟复杂系统时空演化过程的能力 ADDIN NE.Ref.77001A70-EBCA-455D-B48B-832050BA844B13。由于CA“自下而上”的研究思路，强大的复杂计算功能、固有的并行计算能力、高度动态特征以及具有时空概念等优点，在地理空间模拟中拥有天然优势 ADDIN NE.Ref.F55802B9-D30C-41A9-A597-E0F7DD80987D14。在模拟用地类型转换时，CA模拟通过计算转换概率P来确定某个元胞由t时刻转换到(t+1)时刻的转换规则。传统的逻辑回归CA模型计算概率P的公式如下：Pij=Pg*ijt*RA*Pcontrol (1)其中P

11、g是基于两期已知数据通过逻辑回归的方法计算出的转换规则，而本文通过BP神经网络来计算Pg；ijt是代表t时刻元胞领域状态的领域函数；RA是一个用来代替人为随机选择的随机项；Pcontrol是结合专家知识与规划内容的约束条件；Pij即中心元胞在t+1时刻的转换概率 ADDIN NE.Ref.D0EEC14E-8FCE-487E-8881-ECC47DBF89E315。传统的CA都是用于城市扩张模拟，即一类CA模拟。本文在一类CA的基础上提出了多类CA的思想，即将非城市用地划分为农田、林地、水体，并允许它们之间能够互相转换。在计算出转换到城市的概率P2city，转换到农田的概率P2agr，转换到林

12、地的概率P2tree，转换到水域的概率P2water之后，通过比较P2city与城市转换阈值Thresholdcity=0.5大小，判断是否改元胞下个时刻t+1应该转换为城市。当该元胞的P2city小于Thresholdcity时，计算P2agr、P2tree、P2water中的最大值Pothermax，并将其与其他转换阈值Thresholdother=0.5比较，如果大于的话，将该元胞转换为转换概率最大的那类用地。城市用地面积-人口、GDP、碳排放量模型模拟出未来年份的城市土地利用状态后，我们需要建立一定的模型来根据城市用地面积等因素估算城市的碳排放量。STIRPAT模型及其构建1970年初

13、，美国斯坦福大学教授Ehrlich与Holdren为了研究人口对环境变化的影响，建立了著名的IPAT等式 ADDIN NE.Ref.4B1EDEAD-C01D-4C53-A6D7-45086E6052E216。Impact(I)Population(P)Affluence(A)Technology(T)。DIETZ等将IPAT等式转变成为一种随即模型，即STIRPAT模型。该模型表达形式通常如下： I=P A T e (2)式(2)中I为环境影响；P为人口；A为富裕度；T为技术；为模型常数项；、表示P、A、T的指数项；e为残差项。当=e=1时，该模型还原成为原始的IPAT等式。由于STIRPA

14、T不易求各系数的实际值，所以将原式取对数进行分析： lnI=ln+lnP+lnA+lnT+lne (3)因此，将lnP、lnA、lnT作为自变量，lnI作为因变量，建立回归模型，可以得出弹性系数、的统计回归值。在计算中，一般将残差项与技术因素合并，用来表示除人口与富裕度之外的其他影响因素。根据对STIRPAT模型的变换计算环境压力与人口、富裕度、技术以及各个系数的定量关系，可以实现预测对环境压力的预测 ADDIN NE.Ref.660677E0-FD42-4EEB-82D4-E1ED95666D3F10。本文采用STIRPAT模型，将环境压力用碳排放表征，将人口总量、人均GDP、城市面积作为驱

15、动因素，以广州市整个城市作为研究单元，构建模型为： I=P A S (4)取自然对数转换为： lnI=ln+lnP+lnA+lnS (5)式(5)中，P为人口总量；A为人均GDP；S为城市面积。但元胞自动机只能模拟得到所需要的城市面积，人口总量和人均GDP还需我们利用其他方法进行预测。本文采用基于累加生成数列的GM(1,1)模型 ADDIN NE.Ref.2313053D-CE03-419F-A842-8E2759E7EBAF17的灰色数列预测方法和回归分析方法分别对人口和人均GDP进行预测。模型应用由广州大学广州发展研究院2014年7月发布的广州经济蓝皮书透露，目前广州碳排放控制压力很大，随

16、着人民生活水平的提高，人均消费的增加，碳排放量还在继续增加，预计到2020年将达到峰值，规划广州市的低碳发展已迫在眉睫。因此在现有的研究基础上，我们以广州市为实验对象，设定三种发展模式城市缓慢发展、城市稳定发展、城市快速发展，利用基于神经网络的元胞自动机模拟2020年的土地利用状态，计算碳排放量，为低碳广州的发展提供建议。基于神经网络的CA模拟多用地类型变化数据标准化假设用于模拟的栅格数据值呈标准正态分布，而在标准正态分布内，采样点落在(-3,+3)的概率为0.99，即落在该范围外为小概率事件，其中为均值，为标准差。因此本文将经过标准差标准化后的数据再进行一次最大最小值法的处理，并取xmax=

17、+3=3，xmin=-3=-3，得到分布在0,1的数据。基于BPNN的多类CA模型CA模型中如何确定由时刻t到时刻(t+1)的土地利用类型之间转换概率P的方法十分重要。为了模拟其中复杂的非线性关系，本文使用公式(1)来确定转换概率P，并将其中由逻辑回归确定的Pg改为通过BP神经网络训练得到。本文中BP神经网络是在matlab平台上实现的，使用了MATLAB R2011B工具箱中自带的神经网络模块。在确定神经网络的拓扑结构为6-10-30-30-11的情况下，选择tansig，tansig，tansig，purelin作为三个隐含层与输出层的激励函数。其中tansig为双曲线正切S型函数，pur

18、elin为线性函数。三个隐含层较一个隐含层而言能模拟更加复杂的系统，而tansig函数又具有较大的变化率，使得算法收敛的更快。BP神经网络的学习率设为0.35，训练函数选择traingdx。其中traingdx为有动量和自适应lr的梯度下降法。传统的最速梯度下降法，容易受较大的学习率影响而在极值附近摆动，而较小的学习率又使得算法的收敛速度减慢。利用附加的动量项，可以起到平滑梯度方向的剧烈变化。而自适应性使得学习率和动量项在误差较大时取较大值，在误差接近系统最小值时取较小值来确保算法的收敛速度。三种发展模式本实验以迭代城市元胞增长量等于实际一年的城市增长量作为判读条件来控制迭代，而实际城市增长量

19、由对历史真实数据的趋势分析得到。图2 城市扩张分析通过1986年、1990年、1994年、2000年、2003年和2008年六期已知数据，对城市数进行趋势分析。用线性函数拟合得到的R=0.87，说明拟合效果非常好。其中斜率k=53，720.62即实际城市增长量N。本文在已有的规划约束下，提出了多情景的城市发展模式：城市缓慢扩张、城市稳定扩张、城市加速扩张。城市缓慢扩张的城市增量为12N，城市稳定扩张的城市增量为N，城市加速扩张的城市增量为32N。经过ANN-CA模型的迭代模拟，得到三种模式下的用地类型图。其中城市稳定增长模式的结果如下图所示：图3 利用神经网络CA模拟复杂的土地利用变化通过比较

20、可知，ANN-CA基本模拟出了城市沿着广州市中心扩张的趋势。而且计算得四年的Kappa系数分别为0.623、0.545、0.561和0.565，说明预测数据与真实数据相比，有较好的一致性。由此得出结论，实验结果是可信的。基于STIRPAT模型预测碳排放量STIRPAT模型各因素未来值预测在城市用地面积上，对应多情景模拟的稳定、缓慢和快速扩张三个模式，分别取19862008年的平均每年的城市用地扩张量N和12N 、32N作为未来城市扩张的年扩张量。人口因素受到自然地理环境、社会经济条件、国家政策、人民观念等众多因素综合影响，从已知年份数据看，广州人口增长率保持每年1%-2%，增长率的变化有下降的

21、趋势，但变化过程存在较大波动。基于此，我们采用便于解决主导与非主导因素不清晰、关系密切程度不明确问题的灰色数列预测方法对广州市未来几年的人口发展规模做预测。而在人均GDP上，城市用地扩张驱动力的研究表明，与城市用地扩张相关的因素众多，但地区生产总值是其中最重要的一个，其自身对城市用地扩展有直接影响，还能通过刺激固定资产投资、职工工资和房地产投资等对影响城市用地扩展 ADDIN NE.Ref.A0B4F00F-AEF7-4077-A608-E93C33C750A03。利用SPSS19.0对已知年份的广州城市用地面积和人均GDP进行曲线估计，发现线性关系能较好拟合人均GDP随城市用地面积变化的趋势

22、，故对这两组数据做线性回归分析，以回归方程y = 0.8302x 21965作为人均GDP的预测模型，以不同模式下未来城市用地面积为自变量得到不同模式下城市未来人均GDP，同时也体现了不同城市发展速度对经济的影响。STIRPAT模型应用与预测对1986、1990、1994、2000、2003、2008广州市六年相应的真实数据进行回归分析得出各弹性系数，将结果作为经验公式，代入模型各因素的未来值对20152020年广州市的碳排放量进行预测。利用SPSS19.0软件对上述数据进行回归分析，得出常数项ln=-94.05、=5.55、=-0.80、=2.00。回归分析相关性系数R=0.998，可见式中

23、自变量与因变量高度相关。因此可以得出经验公式为：lnI=-94.05+5.55lnP-0.80lnA+2.00lnS式中，P为人口总量；A为人均GDP；S为城市面积。将人口与人均GDP预测值，以及CA模拟出的城市面积数据带入以上经验公式进行预测，得出20152020年广州市碳排放预测值：表1 不同模式下碳排放量预测广州市2015-2020年不同城市扩张模式下碳排放量预测值年份预测碳排放量（万吨）缓慢扩张模式稳定扩张模式快速扩张模式201510932.9666214389.9227920625.72305201612041.7132416295.375323574.00496201713257.

24、6241718512.4357326494.67671201814593.945720566.537629907.50848201916300.7920522805.463233300.68401202017931.5979425259.7604938091.20217图4 碳排放量预测值低碳广州发展分析碳排放量只是衡量排放的绝对数量指标，对于低碳城市的发展来说，除了要减少碳排放量之外，经济建设、社会建设也应当和生态环境协调发展。碳排放强度(Carbon Emission Intensity，CEI) 是用来计算国家或地区随着经济增长的碳排放量强度的衡量指标，一般称单位地区生产总值的能源碳排放

25、量为碳排放量强度。本研究综合考虑地区生产总值和人口数量，利用碳排放强度和人均碳排放两个指标，对低碳广州的发展进行分析。图5 广州市2020年CEI与人均碳排放量从图表分析，城市扩张的速度越快，碳排放量越高。林地等碳吸收能力好的土地类型发展为城镇，碳吸收量减少，而城市化导致的汽车数量增加、工业发展等均会增加碳排放。城市扩张的速度对碳排放强度影响不大，主要原因是城市化程度高的地区生产总值高，碳排放量也高。而缓慢扩张的城市发展模型得到的CEI指数略高于另外两种模式，主要是因为缓慢扩张模式下，广州市的地区生产总值较低。从人均碳排放量来看，城市扩张速度越快，人均碳排放量越高。因此我们不难得出结论，要想建

26、立低碳城市，就要降低城市的发展速率，增加绿化面积，而不能单纯追求生产总值的最大化。但其实这样的发展模式是对经济发展的极大牺牲，因此理想的低碳城市的扩张速度未必一定要规划为0.5左右，可以按照本文的方法选取不同扩张速度或调整土地利用规划方案进行尝试，找出最合理的发展模式。 总结本文探讨了城市尺度上各类用地面积变化与城市碳排放量的关系，并预测未来城市各类用地在数量上的变化及对应碳排放量的变化，进而评估不同城市发展模式对于建设低碳城市的适宜程度。当着重考虑土地利用状态对碳排放量的影响时，为了得到未来的土地利用状态，则需要运用到元胞自动机。本文采用了基于神经网络的元胞自动机，在历史数据的分析基础上预测

27、多类型的未来土地利用状态，模拟精度高。并利用灰色数列预测和回归分析方法分别预测人口、人均GDP的未来值，与土地利用状态共同放入STRIPAT模型预测碳排放量，运用预测出来的数据对低碳城市的发展进行分析。本文选取广州市为研究对象，并设定了城市稳定发展、城市缓慢发展、城市快速发展三种发展模式，利用神经网络元胞自动机模拟出了三种模式下广州市2020年的土地利用状态，并预测出该年广州市的人口数、人均生产总值与碳排放量，分析得出低碳广州的发展需要合理控制扩张速度、优化土地利用规划以达到低碳城市的发展目标。本文对城市的发展进行了土地利用、经济、人口、碳排放量多方位模拟预测与评估，但在元胞自动机模拟多类型土

28、地利用变化时，我们只利用了各类型用地的数量上的变化，缺乏对空间格局变化的考虑。今后对该问题的探讨可将土地利用空间格局变化纳入研究，为低碳城市的发展规划提供更多参考。 ADDIN NE.Bib ADDIN NE.Bib参考文献 1王中英，王礼茂. 中国经济增长对碳排放的影响分析. 安全与环境学报，2006(05): 88-91. 2张雷. 经济发展对碳排放的影响. 地理学报，2003(04): 629-637. 3宋杰鲲. 山东省能源消费碳排放预测. 技术经济，2012(01): 82-85. 4朱勤，彭希哲，陆志明 等. 中国能源消费碳排放变化的因素分解及实证分析. 资源科学，2009(12)

29、: 2072-2079. 5彭希哲，朱勤. 我国人口态势与消费模式对碳排放的影响分析. 人口研究，2010(01): 48-58. 6毛熙彦，林坚，蒙吉军. 中国建设用地增长对碳排放的影响. 中国人口资源与环境，2011，21(12): 34-40. 7李颖，黄贤金，甄峰. 江苏省区域不同土地利用方式的碳排放效应分析. 农业工程学报，2008(S2): 102-107. 8张秀梅，李升峰，黄贤金 等. 江苏省1996年至2007年碳排放效应及时空格局分析. 资源科学，2010(04): 768-775. 9马晓哲，王铮. 土地利用变化对区域碳源汇影响研究进展. 生态学报，2015(17).10杜官印. 建设用地对碳排放的影