顾及城市相互作用的城市群空间扩张模拟与情景预测

With the development of urbanization in China, many single cities have been integrated as urban agglomerations. Especially in Guangdong-Hong Kong-Macau Greater Bay Area, inter-city interactions play a growing role in regional development. Simulating and predicting spatio-temporal urban expansion could provide valuable decision support for urban planning and environmental management. However, previous attempts are mainly suitable for a single city, and thus fail to accurately reflect the growth trends for urban agglomerations. Therefore, this project aims to thoroughly investigate urban expansion modeling at urban agglomeration level, and will: (1) develop an inter-city connection measuring model based on selective ensemble learning, which can combine the advantages of multi-source datasets; (2) integrate inter-city connections with urban flows, and then analyze their importance to urban expansion at urban agglomeration level; (3) develop a CA model that considers the spatial influence of inter-city interactions, and then characterize the urban agglomeration development at different regional scales; and (4) carry out scenario analysis to explore various future urban expansion possibilities by referring to the experience from different famous urban agglomerations. This project could enrich our understanding of urban agglomeration development, and could provide valuable guidance and technical support for the planning and development of urban agglomerations.

随着我国城市化水平的提高，原本相对独立的城市个体开始整合形成城市群网络。尤其是我国重点推动的粤港澳大湾区，区内各城市的相互作用在空间发展中扮演越来越重要的角色。对空间扩张过程进行模拟预测，可以为城市规划和生态管理提供决策参考。然而以往研究主要适用于城市个体，较难准确地反映城市群的发展趋势。因此为深入研究城市群空间扩张模拟这一关键问题，本项目拟以粤港澳大湾区为实例开展以下研究：1）构建基于选择性集成学习的城市联系强度挖掘模型，实现多源数据的优势互补；2）结合城市联系强度与城市流，分析城市相互作用对城市群空间扩张的影响机理与贡献程度；3）构建顾及城市相互作用的元胞自动机，从不同区域尺度揭示城市群的空间扩张特征；4）借鉴知名城市群的发展经验，进行城市相互作用驱动下的情景分析以预测未来扩张。本项目研究将有助于深入了解城市群复杂网络的空间发展规律，能为我国城市群的规划与发展提供决策参考和技术支撑。

城市群是当今我国经济发展的一个关键空间载体，深入分析和模拟城市群的精细土地利用时空演变过程具有重要意义。为此本项目充分结合多源时空大数据与精细土地利用数据，综合运用地理模拟与空间优化模型、机器学习、空间数据挖掘等前沿理论与新兴技术，在城市群区域联系程度挖掘、土地利用变化特征分析与模拟等多方面取得一系列研究成果，主要包括：基于多源大数据的城市群城市联系强度量化、基于景观格局驱动元胞自动机模型的多类土地利用变化模拟、基于机器学习的建筑高度空间分布影响因素分析、基于多源遥感数据的城市群区域同城化土地利用特征分析、基于人工智能算法的城市群生态控制线划定、基于机器学习的三维空间格局与城市碳排放和内涝关系分析、基于多源数据的碳排放空间分布模拟、结合形态学空间格局与连通性指数的生态控制线优化。本项目科学合理地模拟城市群历史空间格局情况，有助于加深对城市群精细时空演变规律的认识，从而预测未来潜在的发展路线，同时也可以为相关城市群和大尺度区域的国土空间规划提供有价值的决策参考和技术支撑。在项目期间已发表SCI/SSCI论文9篇（均为第一作者及第一标注），录用CSCD论文2篇（均为通讯作者及第一标注），超额完成项目预期目标。