珠三角中心镇城市化对区域城市空间结构的影响——基于CA的模拟和分析，本文主要内容关键词为：空间结构论文,区域论文,城市论文,中心论文,CA论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
文章编号：1003-2398(2007)02-0087-05
1 引言
中心镇的城市化对区域城市空间结构的形成和发展有非常重要的影响，珠三角地区快速城市化的发展过程中，中心镇城市化对整个区域城市化与城市空间结构的影响是显而易见的。因此，定量地研究中心镇的城市化对区域城市空间结构的影响有很重要的意义。
陆大道指出，形成空间格局的过程可以分成两个趋向，即空间集聚和空间扩散[1]。根据物理学原理，各种事物在空间中都具有自己的势能，而且无时不在向周围环境输送和扩散自己的势能。在区域发展过程中，这种势能的扩散表现为：产品流、资金流、人流、技术流、信息流、政策流等。这些“流”由中心点(区)向周围流动，在距中心不同方位和距离重新聚集，与当地原有的自然、社会经济要素相结合，形成新的集聚点。空间中的事物从中心发源，向外扩散；区域的中心地点，也就是区域的核心，是一个特定区域的统帅，这就是城镇。在均质和未开发的地域内，任何一个经济客体，要存在和运行，必须有其他客体与其发生联系；由于人们对社会交往的需要和对基础设施(道路、机械动力设备、通信、能源和水源供应、城市设施以及市场等)的共享，社会经济客体必然要在一个地域或点上集中起来。这就是集聚产生效益。但是，社会经济客体在一个点上的过分集聚，不可避免地要导致一系列的副作用，如：交通拥挤，水土资源供应严重不足及其导致的代价过高，生态环境恶化，以及带来的社会管理等问题。在这种情况下，就要求实行一定程度的分散发展或平衡发展，形成集聚和扩散交替进行的空间格局[2-4]。中心镇的城市化对区域城市空间结构的影响正是通过这种集聚和扩散作用进行的。
目前，中心镇的城市化对区域城市空间结构的影响主要通过定型的描述和社会经济指标统计的方法来研究。这些方法主要以行政区为基本研究单元，无法使用空间上的高分辨率的资料，成为了进一步深入研究的障碍。城市元胞自动机（Urban Cellular Automata，简称Urban CA）能很好地模拟聚集和扩散的动态过程[5-8]，为中心镇的城市化对区域城市空间结构的影响提供了非常好的研究工具。而且城市元胞自动机可以运用大量的高分辨率的GIS和RS数据，为深入研究这种影响提供了数据上的保证。
本文以珠江三角洲城市快速发展的东莞市为例，用基于遗传算法的城市元胞自动机模型模拟了区域1988-2004年的城市发展。以此为依据，分析了区域中心镇的城市化对城市空间结构的影响。
2 基于遗传算法的城市CA模型
2.1 遗传算法(GA)
遗传算法是一种基于自然选择和遗传变异等生物进化机制的全局性概率搜索算法。与基于导数的解析方法和其他启发式搜索方法(如爬山方法、模拟退火算法，Monte Carlo方法)一样，进化算法在形式上是一种迭代方法。从选定的初始解出发，通过不断迭代逐步改进当前解，直到最后搜索到最优解或满意解。在进化计算中，迭代计算过程采用了模拟生物体的进化机制，从一组解(群体)出发，采用类似于自然选择和有性繁殖的方式，在继承原有优良基因的基础上，生成具有更好性能指标的下一代解的群体[9,10]。
遗传算法以编码空间代替问题的参数空间，以适应度函数为评价依据，以编码群体为进化基础，以对群体中个体位串的遗传操作实现选择和遗传机制，建立起一个迭代过程。在这一过程中，通过随机重组编码位串中重要的基因，使新一代的位串集合优于老一代的位串集合，群体的个体不断进化，逐渐达到最优解，最终达到求解问题的目的。其中，参数编码、初始群体的设定、适应度函数的设计、遗传操作的设计和控制参数的设定是遗传算法的五大要素。遗传算法优化问题求解的流程图见图1。
图1 遗传算法优化问题求解的流程
Fig.1 Basic Flow of Genetic Algorithm
运用遗传算法优化问题求解的步骤如下：
(1)选择编码策略，把参数集合X和域转换为位串结构空间S；
(2)定义适应度函数f(x)；
(
(4)随机初始化形成群体P；
(5)计算群体中个体位串解码后的适应值f(X)；
(6)按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体；
(7)判断群体性能是否满足某一指标，或者已经完成预定迭代次数，不满足则返回步骤(6)，或者修改遗传策略再返回步骤(6)。
2.2 基于遗传算法的CA模型
2.2.1 城市CA模型
元胞的城市发展概率与区域总人口数、GDP等全局变量有关，同时还与区域范围的距离变量有关，如到公路的最短距离、到商业中心的最短距离、到居住中心的最短距离等。局部范围内元胞邻近范围已城市化的单元数和元胞本身的土地利用类型、坡度等属性对元胞的城市发展概率也有重要的影响。元胞的城市发展概率和这些变量的关系可用逻辑回归模型表示。基于逻辑回归模型的城市CA模型如下，某元胞t+1时刻发展为城市用地的概率
为了获取这些变量的最佳参数及其组合，我们用遗传算法对其进行优化，形成基于遗传算法的城市CA模型。
2.2.2 基于遗传算法的城市CA模型
染色体采用实数编码。
定义适应度函数。适应度函数定义如下：
图2 基于遗传算法的城市CA模型(GA-CA)
Fig.2 Urban CA Model Based on GA
初始种群的产生。用遗传算法优化CA模型的参数时，产生50个种群，通过进化可以得到比较理想的结果。遗传操作和控制参数的设计：本文将α[,0]的初始值设为0.5，其它染色体的初始值设为-0.01。运用选择、交叉、突变等遗传算子模拟进化，其中交叉率为0.9，突变率为0.01。进化时，运用精英选择策略(Elitist Selection)和多样性操作算子(Diversity Opera)。当最佳适应值在50代内不发生变化时，进化终止。运用遗传算法寻找CA模型的最佳参数的流程见图2。
图3 遗传算法的适应值改善的过程图
Fig.3 The Adaption Process of GA
3 应用
本文以东莞市1988-2004年城市用地的扩张作为例，用GA-CA模型模拟城市的发展过程，并分析了中心镇对区域城市空间结构的影响。首先利用遗传算法来寻找CA模型的最佳参数。研究单元的城市发展概率跟一系列空间距离变量、邻近范围的城市化元胞数、元胞本身的属性等关系密切。结合研究区的实际情况，本文选取了以下空间变量。这些变量及获取情况见表1。
为了获取模型所需的参数，需要用历史数据来校正。本文选取东莞市1988年和1993年的TM遥感图像，通过遥感分类，获取元胞的土地利用类型，进一步获取新发展的城市用地。TM的分辨率是30m×30m，重采样成50m×50m分辨率。
模拟时，运用Visual Basic 6.0和ArcObjcts建立CA模型。用ArcObjects组件开发的方法，既能充分利用现有 GIS软件的强大功能，在计算邻域元胞数和最短距离时，快速准确，而且不用考虑数据格式的转换，同时能用高级语言功能强大、灵活的特点，编制适合CA模型的工具。
用遗传算法来自动获取CA模型最佳的参数，需要用历史资料作为训练数据。选取历史数据时，本文运用随机分层取样的方法，从转换为城市用地的元胞和可以转换为城市元胞而尚未转换的元胞中分别选择20%的样点，获取这些样点的空间坐标。运用ARC/INFO的Sample功能分层读取对应的城市发展和空间变量数据，利用遗传算法训练优化CA模型空间变量的参数。图3是遗传算法的适应值改善的过程图，反映了该算法能很快地收敛。所获得的最佳的空间变量参数值见表2。
图4 东莞市1988-2004年城市扩展模拟与实际对比
Fig.4 The Simulation of Urban Development Using GA-CA Model
由表2可以发现，1988-2004年间，对东莞市城市用地发展概率贡献最大的是公路（权重值为-0.0142106），其次是镇中心（权重值为-0.005588），然后是高速公路（权重值分别为-0.001668）；市中心和铁路对城市用地的发展概率影响较小，达到模型的临界值（权重值为-0.0001）。
获取模型的参数后，模拟了东莞市的城市发展。模拟时，依据1988年的土地利用类型，将城市元胞、林地元胞、河流元胞在约束条件中将条件函数设置为0，即这些单元的城市发展概率为0。同时，根据各镇的特点，依据道路的通达性，河流、铁路、高速公路等的阻碍程度，分别设置约束条件。
模拟时，初始状态利用1988年的TM图像获取。由 1993、1997、2004年的实际用地总量作为控制，经过迭代运算，分别模拟出了1993、1997和2004年的城市用地，并与从遥感图像分类得到的实际城市用地进行了比较，发现模拟结果与实际非常接近(图4A为各年的实际城市用地、B为对应的模拟城市用地)。由于城市的发展受到许多不确定性因素的影响，模拟出完全正确的城市发展是不可能的。 1993、1997和2004年的总精度分别为83.6%、79.2%和 75.4%。
精度检验时，为了比较城市总体的形态差异，计算了 Moran I指数和Geary c指数。Moran I指数和Geary c指数通常是描述空间自相关的变量，也可以表示集中和分散的程度。Moran I指数取值0-1之间，越接近于1，表明集中程度越高。Geary c指数与Moran I指数存在负相关关系。表3是遗传算法优化模型模拟结果的Moran I指数和Geary c指数对比表。表3表明，优化模型模拟的结果在总体形态上与实际非常接近，反映了区域2004年相对集中的城市形态。
中心镇城市化对区域城市空间结构的影响。从模拟过程与城市用地的分布可以发现，1988-1993年，中心镇的城市化对区域城市空间结构影响较小，城市主要沿道路扩张，城市在空间布局上相对松散；1993-1997年，中心镇对区域城市空间结构影响增强，城市以中心镇为中心的扩张非常明显，加上沿道路的扩张，基本形成“惭进扩散式点—轴”模式的空间发展模式，形成沿道路和中心镇布局的格局； 1997年以后，中心镇的辐射作用进一步增强，形成了“点—轴—集聚区”模式的城市发展模式，城市在空间布局上更集中于中心镇。中心镇以“点—轴”模式中点的聚集和以道路等基础设施束为“轴”的扩散中影响区域城市的空间结构，形成聚集和扩散交替存在的区域城市空间格局。
4 结论
中心镇的城市化对区域城市空间结构会产生重要的影响。基于城市元胞自动机模型的分析可以定量地模拟研究中心镇的城市化对区域城市空间结构的影响。城市元胞自动机模型通过提取各种变量对城市发展的权重，分析中心镇城市化对区域城市空间结构影响的强弱。研究表明：城市元胞自动机模型能通过模拟聚集和扩散过程很好地反映中心镇的城市化对区域城市空间结构的影响。