使用地理元胞自动机（GeoSOS）进行建成区扩张模拟
本文最后更新于 2026年3月28日 下午
记录下本科毕设的部分工作内容：使用地理元胞自动机（GeoSOS）进行建成区扩张模拟。
前言
这篇内容记录了我在本科毕设中的一部分工作：基于 GeoSOS 用元胞自动机（CA）方法模拟长沙市建成区扩张，并在此基础上预测 2024 年的扩张格局。
重点：
- 哪些空间因子会影响建成区扩张。
- 不同 CA 模型在长沙案例中的模拟效果如何。
- 在既有趋势下，2024 年建成区可能往哪里扩。
研究背景
长沙是长株潭城市群核心城市，也是长江中游城市群的重要节点。随着区域发展持续推进，城市空间仍处在扩张阶段。提前模拟城建用地扩张趋势，对空间规划和资源配置都有现实意义。
GeoSOS（Geographical Simulation and Optimization System）由黎夏教授团队相关研究发展而来，核心价值在于把地理过程模拟和空间优化结合起来，用于补足传统 GIS 在动态过程分析上的短板。
研究思路与数据流程
城市扩张模拟整体分为 3 步：
- 数据准备：多期土地利用数据 + 影响因子数据。
- 规则提取：用数据挖掘方法学习“哪些地方更容易转为城市用地”。
- 执行模拟/预测：在规则约束下迭代，直到达到设定终止条件。
本研究中：
- 用 2016 年、2018 年数据训练模型，模拟 2020 年，并用 2020 年结果验证。
- 再基于优化参数与马尔科夫链估算结果，预测 2024 年建成区扩张。
- 为提高运行效率，参与模拟的数据统一重采样到 90 m 分辨率。
空间约束因子设置
综合自然与人文因素，选取了 6 个约束因子：
- 高程
- 坡度
- 公路
- 铁路
- 水系
- 居民点
这些因子可分为两类：
- 距离类因子（公路、铁路、水系、居民点）
- 地形类因子（DEM 与坡度）
预处理流程如下：
- 距离类因子先栅格化，并计算欧式距离。
- DEM、坡度与距离栅格统一归一化。
- 在 ArcGIS 中使用模糊隶属度（线性函数）处理约束栅格。
约束因子预处理结果：
三种 CA 模型与参数
1) ANN-CA
用人工神经网络学习土地利用转化规则，再用于迭代模拟。
- 抽样比例：5%
- 邻域窗口：5
- 迭代次数：100
- 扩散参数: \(\alpha=1\)
- 转换阈值：0.8
- 转换总量：自动计算
适宜性转换矩阵：
| 来源类型 | 耕地 | 林地 | 草地 | 水域 | 城乡建设用地 | 未利用地 |
|---|---|---|---|---|---|---|
| 耕地 | 1 | 0 | 0 | 0 | 1 | 0 |
| 林地 | 0 | 1 | 1 | 0 | 0 | 0 |
| 草地 | 1 | 0 | 1 | 0 | 1 | 0 |
| 水域 | 0 | 0 | 0 | 1 | 0 | 0 |
| 城乡建设用地 | 0 | 0 | 0 | 0 | 1 | 0 |
| 未利用地 | 0 | 0 | 0 | 0 | 1 | 1 |
2) Logistic-CA
通过逻辑回归估计非城市用地转为城市用地的概率，并据此进行模拟。
- 抽样比例：5%
- 迭代次数：100
- \(\delta=1\)
- 转换总量：自动计算
土地利用类型转换条件：
| 土地利用类型 | 类型性质 |
|---|---|
| 耕地 | 可转换为城市用地 |
| 林地 | 不可转换为城市用地 |
| 草地 | 可转换为城市用地 |
| 水域 | 不可转换为城市用地 |
| 城乡建设用地 | 城市用地 |
| 未利用地 | 可转换为城市用地 |
3) DT-CA（Decision Tree-CA）
通过决策树提取“非城市用地向城市用地”转换规则，再在邻域约束下迭代。
- 抽样比例：5%
- 邻域窗口：5
- 迭代次数：100
- 转换条件与 Logistic-CA 保持一致
- 转换总量：自动计算
2020 年模拟结果与精度对比
模拟结果示意：
三种模型的城市用地模拟精度：
| 模拟方法 | 城市用地模拟精度 |
|---|---|
| ANN-CA | 86.94% |
| Logistic-CA | 86.41% |
| Decision Tree-CA | 86.06% |
从结果看，三种方法精度接近，ANN-CA 略优。总体上说明：基于 6 个约束因子提取的规则，对 2016-2020 年长沙城市用地变化有较好的解释能力。
2024 年扩张量预测（马尔科夫链）
在预测阶段，将土地利用重分类为耕地、未利用地、建设用地三类，并构建转移概率矩阵：
| 土地利用类型 | 耕地 | 未利用地 | 建设用地 |
|---|---|---|---|
| 耕地 | 0.495488 | 0.454657 | 0.049855 |
| 未利用地 | 0.174944 | 0.783385 | 0.041671 |
| 建设用地 | 0.006807 | 0.052298 | 0.940896 |
马尔科夫链预测结果：
| 年份 | 耕地 | 未利用地 | 建设用地 |
|---|---|---|---|
| 2020 | 123749 | 286029 | 73989 |
| 2024 | 111859 | 284204 | 87704 |
据此可得 2024 年建设用地净增量约为 13715（像元）。
2024 年建成区预测结果
基于上面的扩张总量约束，代入优化后的参数进行 2024 年模拟，结果如下：
进一步计算三种模型下的城市重心及平均重心，并与历史重心对比：
结论
结合模拟图与重心迁移结果，可以得到以下判断：
- 长沙建成区重心总体仍有继续北移（上移）的趋势。
- 扩张形态以外延式和填充式为主。
- 重点扩张区域主要在长沙县、雨花区、望城区。
不足与改进方向
这次模拟能用于判断整体趋势，但还不适合做精细化位置预测，主要有几方面原因：
- 影响因子仍偏少，像生态保护红线、规划管控边界等关键约束没有纳入。
- 终止条件以建成区像元变化量为主，其他地类转换量约束不够充分。
- 输入土地利用分类数据本身存在精度误差，会向后传递到模拟结果。
后续如果继续优化，建议从三个方向推进：
- 增强因子体系（政策约束、产业与人口、交通可达性时序变化等）。
- 提高基础数据精度与时相一致性。
- 在模型层面引入更细的多类型转移约束与不确定性分析。