EN中文

华南地理学报 >

2023 , Vol. 1 >Issue 2: 39 - 50

DOI: https://doi.org/10.20125/j.2097-2245.202302004

应用研究

基于3D-FLUS模型的未来SSP情景下的深圳市三维扩张模拟

  • 丁丹 , 1, 2 ,
  • 刘小平 , 1, 2, 3 ,
  • 许晓聪 1, 2
展开
  • 1. 中山大学 地理科学与规划学院, 广州 510275
  • 2. 广东省城市化与地理环境空间模拟重点实验室, 广州 510275
  • 3. 南方海洋科学与工程广东省实验室(珠海), 珠海 519080
刘小平（1978—），男，湖南邵阳人，教授，博导，研究方向为土地利用模拟与生态环境响应。E-mail：

丁丹（1999—），女，辽宁本溪人，硕士研究生，研究方向为城市三维扩张模拟及应用。E-mail：

收稿日期: 2023-05-21

  修回日期: 2023-05-29

  网络出版日期: 2023-09-25

基金资助

国家自然科学基金项目(42001326)

广州市科技计划基础与应用研究基础项目(202201011539)

收起

Three-Dimensional Urban Expansion Simulation of Shenzhen City under the Future SSP Scenarios Based on 3D-FLUS Model

  • DING Dan , 1, 2 ,
  • LIU Xiaoping , 1, 2, 3 ,
  • XU Xiaocong 1, 2
Expand
  • 1. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China
  • 2. Key Laboratory for Urbanization and Geo-simulation of Guangdong Province, Guangzhou 510275, China
  • 3. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519080, China

Received date: 2023-05-21

  Revised date: 2023-05-29

  Online published: 2023-09-25

Fold

摘要

随着城市化不断加快，城市扩张从水平方向的低密度发展逐渐趋向于垂直方向上开发中高层建筑，建立模拟城市扩张的动态三维模型对于正确探究城市的三维空间的演变过程十分重要。但是目前对于城市三维扩张的模型研究十分有限，且已有部分三维模型研究仍以二维的土地利用面积为需求限制条件，这与实际三维扩张的模拟思想不符。基于以上背景，本文以深圳市为研究对象，提出一种以二维FLUS模型为基础的3D-FLUS模型，该模型以不同共享社会经济路径（SSPs）情景下建筑物体量为限制需求，通过挖掘平面扩张和垂直增长相结合的转换规则建立的三维城市扩张的模拟模型，解决以往研究水平和垂直模拟过程割裂的问题。研究表明3D-FLUS模型在水平方向建设用地的模拟中，FoM指数为0.34，Kappa系数为0.887 9，总体精度为95.14%，垂直方向上各建筑物体量的相对误差小于等于10%，拟合误差较低。且模型预测了未来不同SSP情景下深圳市的三维城市扩张结果，对于未来城市的规划具有重要的意义。

关键词： 城市三维扩张模拟; 3D-FLUS模型; 共享社会经济路径

本文引用格式

丁丹 , 刘小平 , 许晓聪 . 基于3D-FLUS模型的未来SSP情景下的深圳市三维扩张模拟[J]. 华南地理学报, 2023 , 1(2) : 39 -50 . DOI: 10.20125/j.2097-2245.202302004

Abstract

With the acceleration of urbanization, urban expansion gradually tends to develop medium and high-rise buildings in the vertical direction from low-density development in the horizontal direction. It is very important to establish a dynamic three-dimensional model for simulating urban expansion to correctly explore the evolution process of urban three-dimensional space. However, the current model research on 3D urban expansion is very limited, and some of the existing 3D model studies still use the 2D land use area as the demand constraint condition, which is inconsistent with the actual 3D expansion simulation idea. Based on the above background, this paper takes Shenzhen as the research object, and proposes a 3D urban expansion simulation model mining the transformation rules that combine horizontal expansion and vertical growth,which is based on the two-dimensional FLUS model and the building mass in different shared socioeconomic paths (SSPs) scenarios as the constrained demand. It solves the problem of separation of horizontal and vertical simulation processes in previous studies. The research shows that in the simulation of urban land in the horizontal direction, the FoM index is 0.34, the Kappa coefficient is 0.887 9, and the overall accuracy is 95.14%. The relative error of each building volume in the vertical direction is less than or equal to 10%, and the fitting error is low. Moreover, the 3D-FLUS model predicts the three-dimensional urban expansion results of Shenzhen under different SSP scenarios in the future, which is of great significance for future urban planning.

Key words： 3D urban expansion simulation; 3D-FLUS model; shared socioeconomic paths

城市作为人类文明的集中体现，自工业革命后得到了高速的发展，随着城市用地面积不断扩大，城市的内部结构以及城市地区的气候条件都发生了巨大变化［1］。在过去，为了适应城市人口增长的需求，大多数城市的扩张模式为城市蔓延，多体现在水平方向上开发低密度的建筑［2］。如今在城市化进程加快，城市水平扩张的不断受限的大背景下，城市的垂直扩张可以增加城市密度，一定程度上缓解城市水平扩张带来的压力［3］，改变城市的空间形态和结构。因此，城市的垂直增长在城市的发展中至关重要，对城市三维空间扩张的研究也成为城市空间研究前沿的重要组成部分。
如今各个模拟城市扩张的模型专注于模拟城市水平扩张［4］，常用于城市扩张模拟的元胞自动机（CA）模型同样缺少在城市垂直扩张层面上的相关模型［5］。近些年来，有部分研究开始涉及城市垂直方向上的扩张模拟方法。2008年，Benguigui等［6］提出了一个准 3D CA 仿真模型，使用包含建筑物高度信息的单元格属性并设置各种参数来模拟不同类型的城市格局。2014年，Lin等［7］提出基于GIS的CA模型并设计了一个“IF-THEN”规则库。2017年，Koziatek等［2］开发了三维地理仿真建模方法和工具iCity 3D。另外，He等［8］提出在水平方向上将排序元胞自动机和基于案例推理的方法相结合，垂直方向上利用反向传播人工神经网络，以预测城市的水平和垂直方向上的增长。2021年，Chen［9］在水平方向上利用基于斑块的元胞自动机模型，垂直方向上利用随机森林模型和K邻近算法进行三维预测，并在不同的共享社会经济路径（SSP）情景下进行模拟分析。黄康宁等［10］将城市气候区（LCZ）的类别进行简化，基于GeoSOS-FLUS模型建立土地覆盖土地利用变化模型预测未来城市的LCZ类别，其中包含建筑物垂直方向上的高度信息［11］。Kuru等［12］则利用地理信息系统（GIS）和加权线性组合方法确定可达性、符合规划决策的可达性、分区和土地使用决策、土地价值和建筑环境等五个标准对FAR值分布影响利用进行建模，预测未来土耳其某一市区2030年和2040年城市增长。
但是如今对城市三维扩张模拟的相关研究仍然非常有限，缺少统一的理论框架和对城市三维扩张的驱动机制的分析和挖掘。一方面，现有研究简化了模拟过程；另一方面，在进行未来的城市三维扩张模拟时，大部分研究以二维的土地利用面积为限制条件，这与整体的三维扩张模拟的思想不符。三维城市扩张模拟研究应该以建筑物体量作为需求，每次迭代中同时进行水平和垂直方向上的扩张并计算新增城市空间的体量，与未来体量需求进行比较，而不应该把二者割裂开。
基于以上背景，本文拟对二维的FLUS模型进行拓展，以建筑物体量需求为限制，通过挖掘平面扩张和垂直增长相结合的转换规则建立三维城市扩张的模拟模型3D-FLUS模型，并以深圳市作为研究区进行模型探究。通过模拟城市的三维扩张过程，可以更好地理解未来城市的空间演变，以及城市化对环境和人类健康的影响［9］，对未来城市空间规划、促进城市可持续发展等提供理论支持和科学依据。

1 研究区及数据

1.1 研究区概况

深圳市（113°43′—114°38′E，22°24′—22°52′N）地处中国广东省南部、珠江口东岸，是位于中国东南部的沿海特大城市，粤港澳大湾区的核心城市之一［13］。全市下辖9个行政区以及1个新区，包括福田、罗湖、盐田、南山、宝安、龙岗、龙华、坪山、光明区和大鹏新区，全市总面积为1 997.47 km2。深圳市于1979年被指定为中国第一个经济特区，并在改革开放政策的推动下逐渐成为国际化城市［14］。然而，随着土地资源不断开发，深圳市城市水平扩张逐渐受到制约，城市类型趋向于密集化和垂直增强［15］并引发了一系列包括环境恶化、交通拥堵在内的社会问题［16］。因此，准确的三维城市扩张模拟可以帮助更好地理解深圳市的空间演变过程，对深圳市未来的城市规划以及城市气候等研究具有重要意义。
图1 研究区空间分布图

Fig.1 Distribution map of study area

1.2 土地利用与建筑物高度数据

本文使用的2009年和2019年深圳市土地利用数据为高清影像目视解译结果，分为建设用地和非建设用地2个类别，空间分辨率为30 m。2019年建筑物高度数据来源于高德地图，该建筑物高度数据经过结合高分辨遥感影像的人工校正。由于不同建筑物的形状不同，Lin等［7］通过测试不同单元大小后选择20 m2作为栅格单元大小，以保证每个建筑物至少由5个单元组成。本文将经过人工校正的建筑物矢量数据处理为5 m×5 m大小的栅格数据，每一个栅格值代表建筑物高度的建筑物层数。

1.3 空间驱动因素数据

本文的土地利用变化和建筑物高度的空间影响因素数据如表1中所示，主要包括：基础地理数据、地形数据、POI数据、OSM路网数据、社会经济数据和规划政策数据。其中，基础地理数据包括深圳市市中心、区县中心、水系海洋、城市道路等数据；地形数据包括DEM数据和坡度数据；8类POI数据包括商场、医院、工厂、超市、餐饮、公园、娱乐设施与公交站点；社会经济数据包括人口密度数据、房价数据和夜间灯光数据；规划政策数据主要是珠三角总体规划中的生态保护区的数据，在城市扩张的模拟过程中起到限制作用。
表1 空间驱动因素数据列表

Tab.1 List of spatial driving factors

数据类别 数据名称 年份 分辨率 数据来源
基础地理数据 行政区划和边界 2019

全国地理信息资源目录服务系统

（https://www.webmap.cn）

市中心、区县中心
公路、铁路
水系、海洋
铁路站点、地铁站点
公园和绿地 2020

OpenStreetMap

（https://www.openstreetmap.org/）

数字高程模型（DEM） 2000—2013 30 m

ASTER GDEM V3

（https://search.earthdata.nasa.gov/）

坡度 30 m 由DEM计算得到

感兴趣点

（POIs）

 商场 2018

高德地图

（https://www.amap.com）

医院
娱乐设施
超市
餐饮
公园
公交站点
工厂

开放街道地图

（OSM）

 高速公路 2020

OpenStreetMap

（https://openstreetmap.org）

铁路
国道
省道
城市路网
社会经济 人口密度 2019 100 m

Worldpop

（https://www.worldpop.org/）

夜间灯光强度 2019 15″ (450 m)

NOAA/NGDC-EOG

（https://www.ngdc.noaa.gov/eog/）

房价 2017 5 m Yao et al

2 方法

3D-FLUS模型主要由两部分构成：（1）建立模型：通过输入T 0时刻土地利用数据和建筑物高度数据，在每一次迭代中同时进行城市的水平扩张和垂直扩张，具体包括基于FLUS模型的水平扩张模拟获取Ti +1时刻的建设用地和非建设用地，利用XGBoost算法估计Ti +1时刻的建筑物高度，即可获得Ti +1时刻的建筑物体量。（2）模型预测：首先估算未来不同SSP情景下的建筑物总体量，即确定未来城市的体量需求；利用所建立的模型对初始城市三维结构进行多次迭代，模拟城市逐步扩张的过程，直至满足建筑物体量需求，获取未来三维城市情景。整体的研究流程如图2所示。
图2 3D-FLUS模型研究框架图

Fig.2 Research framework of 3D-FLUS model

2.1 基于FLUS模型的水平扩张模拟

2017年，Liu等［10］提出未来土地利用模拟（FLUS）模型，该模型综合考虑了自然因素和人为活动对土地利用变化的影响，将自下而上的CA模型与自上而下的系统动力学模型相结合，相较于传统的CA模型取得了更好的效果，目前广泛应用于各种土地利用模拟中［17-19］。本文使用FLUS模型的元胞自动机部分，利用人工神经网络（ANN）计算特定网格单元上各土地利用类型的适宜性概率，利用自适应惯性和竞争机制模拟不同土地利用类型之间的竞争和相互作用，得到各特定网格单元上各土地利用类型发展总概率，最后在每一次迭代中通过轮盘选择确定新的土地利用类型。其具体公式如下：
T P p , k t = P p , k × Ω p , k t × I n t e r i a k t × ( 1 - c o n c → k )，
其中， P p , k为土地利用类型k的适宜性发展概率，由ANN计算获得； Ω p , k t为邻域因素，表示在迭代时间t，某一个网格单元p上土地利用类型k的邻域影响大小； I n t e r i a k t为惯性系数，在三维城市模拟模型中该惯性系数主要根据未来建设用地的建筑物体量需求制定； c o n c → k为转化成本，代表一个网格单元的某一种土地利用类型c，向另一种土地利用类型k转换的难易程度。得到总体概率 T P p , k t后通过转盘竞争判断该土地利用类型最终的转化情况。

2.1.1 邻域因素

在迭代时间t，某一个网格单元p上土地利用类型k的邻域影响的公式表示为：
Ω p , k t = ∑ N × N c o n ( c p t - 1 = k ) N × N - 1 × w k，
其中，wk 为不同土地利用类型间的权重值， ∑ N × N c o n ( c p t - 1 = k )为在 N × N的窗口内，土地利用类型k在上一次迭代时间t-1所占用的网格总数。

2.1.2 惯性系数

FLUS模型中的惯性系数表示原有土地利用类型的继承，根据未来土地利用需求和当前土地利用数量的差异进行迭代变化。在三维城市模拟模型中，该惯性系数主要根据未来建设用地的建筑物体量需求来制定，计算公式如下：
I n t e r i a k t = I n t e r i a k t - 1      ( i f   D k t - 1 ≤ D k t - 2 ) , I n t e r i a k t - 1 × D k t - 2 D k t - 1      ( i f   D k t - 1 < D k t - 2 < 0 ) , I n t e r i a k t - 1 × D k t - 1 D k t - 2      ( i f   0 < D k t - 2 < D k t - 1 ) ,
其中，Dk t -1表示在t-1时刻未来目标体量需求与当前体量需求之间的差异。在不同迭代时刻根据建筑物体量的变化可以对惯性系数大小做出适时调整，直到与未来的体量需求相匹配。

2.1.3 成本转化

conc→k转化成本是针对一个网格单元的某一个土地利用类型，向另一个土地利用类型转换的难易程度，可根据专家经验和当地的规划情况调整。在本研究中对非建设用地的类别进行详细的划分，例如草地、林地、耕地、园地等。各个类别转化为建设用地的成本不同，例如林地转化为建设用地的成本较高，而耕地转化为建设用地的成本相对较低。结合实际情况，利用层次分析法（AHP）计算各非建设用地类型转化为建设用地的转化成本如表2，其中转换成本值越大代表转化难度越大。
表2 非建设用地像建设用地转换的转换成本表

Tab.2 Conversion cost table for conversion of non-construction land to construction land

用地类型 未利用 草地 园地 林地 坑塘沟渠 设施农用 耕地
转换成本 0.647 3 0.758 1 0.955 0 0.969 9 0.934 1 0.895 7 0.839 9

2.2 基于XGBoost算法的垂直扩张模拟

建筑物高度变化为连续型变量，本文采用XGBoost算法进行建筑物高度的回归预测。XGBoost算法是梯度提升树模型的一种，相比于经典的梯度提升树模型，XGBoost算法通过将目标函数的泰勒展开到二阶，增加自动处理缺失值特征的策略，加入正则化项提升性能［20］，更适合于复杂的高度预测回归问题。其本质是从优化第一棵树开始，通过不断添加新的树学习一个新函数 f ( x )来拟合上一次迭代中模型的残差，公式如下：
y ^ i t = y ^ i t - 1 + f i ( X i )。
XGBoost算法的目标函数计算公式如下：
Ω ( f ) = γ T + 1 2 λ u 2 ,
O b j ( θ ) = ∑ i = 1 n l ( y i , y ^ i ) + ∑ k = 1 K Ω ( f k ) ,
其中，l为度量样本真实标签yi 与样本预测标签 y ^ i之间的误差的损失函数，Ω为度量模型的复杂度的正则化项，T为叶子的节点数，λ为惩罚系数，u为叶子节点的分数组成的集合。

2.3 建筑物体量需求估算

为更加符合城市三维扩张的思想和逻辑，本文计算在不同SSP情景下的建筑物体积需求作为城市扩张迭代过程停止的条件。通过预测未来不同SSP情景下人口总数，结合已有规划政策设置人均建筑面积，最终得到不同SSP情景下的建筑物体积需求，公式如下：
D e m a n d v o l u m e = P × S × C ,
其中，C为常数，代表一层建筑物的平均高度，通常认为是3 m。P为某一SSP情景下的某一时刻的人口总数，S代表某一时刻的人均建筑面积。

2.4 模型验证

3D-FLUS模型的准确性主要从模型算法以及模型模拟结果两部分进行评估。其中，模型算法评估包括水平扩张方向ANN算法以及垂直扩张方向XGBoost回归算法验证；模型模拟结果验证包括二维方向模拟结果和三维体量模拟结果验证。

2.4.1 算法评估

本文利用受试者工作特征曲线（ROC曲线）和ROC曲线下面积（AUC）值［21］量化ANN算法模拟建设用地和非建设用地的适宜性发展概率结果和实际土地利用分布的匹配性。ROC 曲线下的面积（AUC）的取值一般在0.5到1之间，AUC值越大代表模型的性能越好。为了验证XGBoost回归算法预测建筑物高度的准确性，本文选取回归常用的精度评估指标包括决定系数R、均方根误差RMSE、平均绝对误差MAE，公式如下：
R = 1 - ∑ i = 1 n ( y i - y ^ i ) 2 ∑ i = 1 n ( y i - y ¯ ) ，
R M S E = ∑ i = 1 n ( y i - y ^ i ) 2 n ，
M A E = 1 n ∑ i = 1 n y i - y ^ i，
式中，yi 为第i个建筑单元的真实建筑高度， y ^ i为第i个建筑单元的预测建筑高度， y ¯为所有建筑单元真实高度的平均值，所有高度的单位都为层数；n为所有建筑物的数量。R值越大，预测效果越好。RMSE和MAE值越小，代表预测结果和真实结果的差距越小，预测效果越好。

2.4.2 模拟结果验证

本文选取总体精度（OA）、Kappa系数和FoM指数来定量化评估模型二维方向上的模拟结果，有研究表明FoM指数在评价模拟变化的准确性上优于Kappa系数［22］。FoM计算公式如下：
F o M = B A + B + C + D，
式中，A为真实情况变化但模拟不变的数量；B为真实情况变化，以及模拟发生变化的数量；C为真实情况变化但模拟变化不一致的数量；D为真实情况未改变但模拟改变的数量。在三维体量验证上，针对二维方向上模拟扩张与实际扩张位置一致的像元，统计各像元建筑物模拟体量值与实际体量值的RMSE和相对误差大小，以评估三维体量结果的准确性。

3 结果与讨论

3.1 ANN算法实现与验证

本文从区位交通、POIs等数据中选取22个驱动因子用于训练人工神经网络，初始土地利用数据为建设用地和非建设用地两种类型，所有数据统一采样至 30 m×30 m，并对驱动因子数据进行归一化处理。ANN算法的输入层包含22个神经元（对应22个空间驱动因子），输出层包含2个神经元（对应2种土地利用类型）。该算法针对2019年深圳市建设用地和非建设用地数据各选取40 000个样本点，其中80%用于ANN训练，20%用于ANN验证。将建设用地类型设为正样本，非建设用地类型设为负样本得到图3的ROC曲线，根据ROC曲线计算AUC值为0.86，大于0.85，表明土地利用的发展概率可以通过选定的驱动因素较好地表达，且ANN算法所模拟建设用地和非建设用地的适宜性发展概率结果与实际土地利用分布具有较高的一致性。
图3 ANN算法测试集ROC曲线图

Fig.3 ROC curve of test set using ANN algorithm

3.2 XGBoost算法实现与验证

本文结合深圳市实际情况，从社会经济数据和区位交通数据中选取23个影响建筑物高度的空间因素用于XGBoost算法训练。绘制建筑物高度真实值和预测值的散点图并计算RMSE、MAE和R值，结果如图4所示。由于RMSE受到建筑物高度范围的明显影响，故分别计算低于10层建筑物与高于10层建筑物的RMSE结果，以减弱高层建筑对RMSE的影响。测试集中，整体建筑物高度的RMSE值在4层建筑物左右，其中10层以下建筑物的RMSE为2层左右，10层以上建筑物的RMSE为10层左右。训练集的R为0.97以上，MAE为1层左右；测试集的R为0.87，MAE为2层左右，证明预测结果和真实值之间有较好的一致性，XGBoost算法可以较好解释建筑物的平均高度。
图4 高度预测模型下真实高度值和预测高度的散点图

Fig.4 Scatter plot of the real height value and the predicted height under the height prediction model

3.3 二维模拟验证

本文利用3D-FLUS模型模拟2019年深圳市的三维空间情景，并与2019年深圳市真实三维数据进行对比。对比2019年的建设用地和非建设用地真实的二维空间分布与2019年的模拟结果（图5）可知：2019年模拟结果和真实土地利用变化完全一致的区域发展形势多为填充式扩张，真实发生变化但模拟未变化的部分则大多出现在区域边缘位置，这与区位条件和适宜性概率计算结果相关。相比于飞地式扩张和边缘式扩张，建设用地呈填充式扩张的发展概率更高，这意味着城市的发展更容易发生填充式扩张。计算二维模拟结果的定量评价指标，FoM值为0.347 3，总体精度结果为95.14%，Kappa系数为0.887 9，证明模拟数据和真实数据较高的相似性，该模型在二维空间位置的模拟结果较好。
图5 2019年模拟结果和真实土地利用结果对比的空间分布图

Fig.5 Spatial distribution comparison between the simulation results and the real land use results in 2019

3.4 三维体量验证

针对从2009年到2019年二维扩张位置完全正确的像元，统计各像元的建筑物体量值，计算单元建筑物体量真实结果与模拟结果之间的RMSE值。实际上部分建筑物高度范围较大，最大单元体量的RMSE值在1万m3左右，而实际新增最大单元建筑物体量达12万m3，相对误差大小为10%，所以模拟结果误差较小。

3.5 未来城市三维空间扩展模拟

本文以 2019 年深圳市三维空间情景为基础，利用所构建的3D-FLUS模型，模拟在2029年5种SSP情景下深圳市三维空间情景。

3.5.1 体量需求预测

本文参考已有研究所预测的未来广东省人口数，该数据依据2010年中国不同省份的年龄、性别、受教育程度的人口统计信息，考虑开放二胎政策和限制超大城市人口上限的政策，设置5种SSP情景下的生育率、死亡率、迁移率、升学率，预测2010年到2100年每一年各个省份人口数［23］。本文根据2019年深圳市实际总人口数和广东省实际总人口数的比例，预测2029年不同SSP情景下的深圳市人口数，并依据《深圳市国土空间总体规划（2020—2035年）》、《深圳市商业网点规划（2016—2020）》以及《深圳统计年鉴》，结合2019年真实三维体量数据估计2029年人均建筑面积，进而计算未来建筑物体量。

3.5.2 二维预测结果

图6显示了深圳市在2029年5种SSP情景下的水平方向空间格局，结合局部放大的区域A与区域B可以发现，相较于其他SSP情景，SSP1情景呈现以边缘式和填充式为主的扩张趋势，以及飞地式发展明显减少、土地利用破碎度较低的发展特点。产生该现象的原因为SSP1是一种可持续发展情景，教育和卫生投资促进人口转变导致中国人口相对较低，同时城市发展将会呈现出紧凑的发展特点。尽管SSP1 同样属于快速发展场景，但相对于 SSP5 对环境更加友好，所需要的建筑物体量相对较小。相比之下SSP5则是一种快速发展的情景，在高化石燃料消耗发展下将在卫生、教育等方面投入大量资金，人口在一定程度上会快速增长，所需建筑物体量也快速增大。同时城市发展呈现出扩张型发展的极端化发展，体现在土地利用的破碎程度增大，存在较多飞地式发展。SSP3和SSP4所模拟的城市土地利用的位置相对分散，表现为相对宽松的土地控制，土地破碎化程度位于SSP1和SSP5之间。而SSP2情景是一种延续历史发展的情景，代表一种“中间路线”，模拟的土地破碎化程度要高于SSP1情景，但明显低于SSP5情景。
图6 2029年SSP情景下深圳市水平方向土地利用模拟结果

Fig.6 Simulation results of horizontal land use in Shenzhen under the SSPs in 2029

3.5.3 三维预测结果

由图7和图8的三维扩张结果可知，新增的建设用地上主要开发5层以下的低层建筑， 有少量高层建筑被开发。深圳市整体的建筑物高度分布由北向南体现为逐渐增高的趋势，由西向东呈现出逐渐降低的趋势，靠近南部市中心区域建筑物层数较高，这与深圳市实际情况相符。深圳市中心城区福田区、以及深圳市最早开发的罗湖区是深圳市的金融中心，同时深圳市南山区是深圳的科研、教育和体育中心，均位于深圳市南部区域。事实上，这些区域在未来也将发展较高层的建筑。由局部区域A可知，深圳市南部新增建设用地以5层到15层的中层建筑为主，而局部区域B显示在深圳市北部远离市中心位置，新增的建设用地主要是5层以下的低层建筑，这也表明建筑物的高度和经济发展程度存在一定的正向关系。
图7 2029年不同SSP情景下深圳市垂直方向建筑物高度模拟结果

Fig.7 Simulation results of vertical building heights in Shenzhen under different SSPs in 2029

图8 图7的红色框内局部放大的三维实景图

Fig.8 Partially enlarged 3D real scene in the red box in Figure 7

4 结论

本文构建的不同SSP情景下的3D-FLUS模型以未来建筑物体量为需求限制，以初始城市三维空间数据为起点，每一次迭代中同时进行水平方向和垂直方向上的扩张，直到达到建筑物体量需求时迭代停止。本文的主要结论如下：
（1）本文以深圳市研究区为例，对3D-FLUS模型结果进行评估，在算法验证和模型模拟结果上均取得比较好的效果。且该模型可以解决以往研究中二维扩张和垂直扩张割裂，仅以二维土地利用面积为需求限制模拟三维情景的问题，其逻辑更加符合城市三维扩张的实际情况。同时模型可以模拟建筑物在垂直方向上的连续高度，并对未来不同 SSP 情景下城市三维空间模拟，解决了现有大部分模型在垂直方向上模拟简单化，缺少对未来不同情景的三维城市模拟的问题。
（2）基于构建的3D-FLUS模型可以模拟深圳市未来在5种SSP情景下的三维扩张结果。2029年不同SSP情景下深圳市三维扩张差别在于：SSP5情景下建筑物体量需求最大，且城市化进程较快，人口快速增长，土地利用破碎化程度较高。SSP1情景代表在可持续发展的条件下对环境较为友好，深圳市趋向于紧凑性的内部填充式扩张。SSP2代表深圳市将延续之前较为高速的发展情景，所需要的建筑物体量需求也较大。而SSP3和SSP4情景代表在不平等的发展下，城市经济受到影响，人口数量较少，建筑物体量需求较低，城市发展土地政策较为宽松。此外，2029年新增的建筑物高度以中低层建筑为主，在深圳市南部地区新增少量高度较高的建筑物，而北部地区新增建筑物高度相对较低。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Rao Y, Dai J, Dai D, et al. Effect of urban growth pattern on land surface temperature in China: a multi-scale landscape analysis of 338 cities[J]. Land Use Policy, 2021, 103.105314.

2
Koziatek O, Dragicevic S. iCity 3D: A geosimualtion method and tool for three-dimensional modeling of vertical urban development[J]. Landscape Urban Plan, 2017, 167: 356-67.

3
Goetz A. Suburban Sprawl or Urban Centres: Tensions and Contradictions of Smart Growth Approaches in Denver, Colorado[J]. Urban Studies, 2013, 50(11): 2178-95.

4
Schwarz N, Haase D, Seppelt R. Omnipresent sprawl? A review of urban simulation models with respect to urban shrinkage[J]. Environ Plann B, 2010, 37(2): 265-83.

5
Liu Y, Batty M, Wang S, et al. Modelling urban change with cellular automata: Contemporary issues and future research directions[J]. Progress in Human Geography, 2019, 45(1): 3-24.

6
Benguigui L, Czamanski D, Roth R. Modeling cities in 3D: a cellular automaton approach[J]. Environ Plann B, 2008, 35(3): 413-30.

7
Lin J, Huang B, Chen M, et al. Modeling urban vertical growth using cellular automata-Guangzhou as a case study[J]. Applied Geography, 2014, 53: 172-86.

8
He Q, Liu Y, Zeng C, et al. Simultaneously simulate vertical and horizontal expansions of a future urban landscape: a case study in Wuhan, Central China[J]. International Journal of Geographical Information Science, 2017, 31(10): 1907-28.

9
Chen Y. 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.

10
Liu X, 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 Urban Plan, 2017, 168: 94-116.

11
Huang K, Leng J, Xu Y, et al. Facilitating urban climate forecasts in rapidly urbanizing regions with land-use change modeling[J]. Urban Climate, 2021, 36: 100806.

12
Kuru A, YÜzer M A. Urban growth prediction with parcel based 3D urban growth model (PURGOM)[J]. MethodsX, 2021, 8: 101302.

13
Xu S, Zheng S, Huang Z, et al. Assessing progress towards sustainable development in Shenzhen 2005–2019[J]. Journal of Cleaner Production, 2022, 349: 131496.

14
Meng L, Sun Y, Zhao S. Comparing the spatial and temporal dynamics of urban expansion in Guangzhou and Shenzhen from 1975 to 2015: A case study of pioneer cities in China’s rapid urbanization[J]. Land Use Policy, 2020, 97: 104753.

15
Wang R, Cai M, Ren C, et al. Detecting multi-temporal land cover change and land surface temperature in Pearl River Delta by adopting local climate zone[J]. Urban Climate, 2019, 28: 100455.

16
Pu H, Sliuzas R, Geertman S. The development and redevelopment of urban villages in Shenzhen[J]. Habitat International, 2011, 35(2): 214-24.

17
Liu X P, Hu G H, Ai B, et al. Simulating urban dynamics in China using a gradient cellular automata model based on S-shaped curve evolution characteristics[J]. Int J Geogr Inf Sci, 2018, 32(1): 73-101.

18
Liang X, Liu X P, Li D, et al. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model[J]. Int J Geogr Inf Sci, 2018, 32(11): 2294-316.

19
Chen G Z, Li X, Liu X P, et al. Global projections of future urban land expansion under shared socioeconomic pathways[J]. Nat Commun, 2020, 11(1): 537.

20
Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System; proceedings of the the 22nd ACM SIGKDD International Conference, F, 2016[C].

21
Hanley J A, Mcneil B J. The meaning and use of the area under a receiver operating characteristic (ROC) curve[J]. Radiology, 1982, 143(1): 29-36.

22
Pontius R G, Boersma W, J-CCASTELLA, et al. Comparing the input, output, and validation maps for several models of land change[J]. The Annals of Regional Science, 2008, 42(1): 11-37.

23
Chen Y D, Guo F, Wang J C, et al. Provincial and gridded population projection for China under shared socioeconomic pathways from 2010 to 2100[J]. Scientific Data, 2020, 7(1): 83.

Options
文章导航

/

〈 〉