基于遥感监测的中国典型城市时空格局演变及可持续性评价研究

论文摘要

自中国实施改革开放以来,中国的城镇化步伐不断加快,在推动国民经济持续快速发展,促进城乡居民生活水平全面提升的同时,也存在着各地区城市发展不平衡,城市土地扩展超过人口增长,土地粗放式使用,资源浪费现象严重、环境恶化等问题,严重影响了城市发展的可持续性。解决上述问题的首要前提是准确掌握城市发展情况,城区范围的动态变化能够反映城市扩张历程和空间发展模式,城市可持续性评价能够反映城市的健康状况和发展潜力。开展城市扩张监测、时空演变及生态环境评价分析,对于把握城市发展规律,科学开展城市规划和建设,促进城市可持续发展有着极为重要的作用。然而目前的相关研究存在着城区概念不统一,城市边界提取需要大量人工样本,城区面积预测考虑因素不全,可持续发展评价体系不客观等问题。针对这些问题,本文对城市扩张监测、时空演变及可持续发展评价进行了深入研究,主要工作概括如下:（1）提出了基于渐进式学习模型的城区范围提取新方法。通过将城区空间约束等先验知识和影像特征等未标记样本信息相结合,减少了机器学习需要的训练样本数量,通过利用路网数据进行分割的方法避免了利用分类方法提取城区过程中高层语义信息表达的难题,提升了城区范围提取的精度。该方法利用城市路网数据将城市分割为街区,采用场景分类的方式提取城区,利用金字塔逐层分块进行空间约束的方法将城区提取原则融入机器学习过程,能够在少量样本条件下得到与人工提取城区范围极为接近的效果,减少了工作量,为城区范围高精度自动提取提供新的解决方案。（2）提出了LSTM-RBF城区面积预测模型并开展全国省会城市扩张时空演变分析和模拟预测。以全国31个省会级城市为监测对象,以高分辨率遥感影像为主要数据源,在渐进式学习提取成果的基础上加以人工修正,提取得到2000、2005、2010、2015年4期城区边界,在此基础上对2016年城区面积进行预测,通过LSTM-RBF模型同LSRM网络、RBF网络和多元线性回归方法的实验结果对比分析,证明了LSTM-RBF模型在城区面积预测方面的优越性。通过开展城市规模分布、扩展特征、扩展类型等分析,得到如下结果:（a）2000-2015年,我国省会城市保持了高速增长趋势,总面积增加了90%;（b）省会城市体系接近捷夫模式的等级规模分布,同时随着时间推移,逐渐趋于均衡分布;（c）城市扩展情况地区差异显著,东部扩展速度逐步放缓,西部、东北地区加速扩张,中部地区稳步扩张;（d）61%的省会城市呈外延式扩展;（e）中国省会城市发展情况与国家城市发展政策和地区发展战略高度相关。（3）提出了城市地理环境指数（UGEI）综合评价模型,对2015年中国省会城市可持续发展情况进行评价。该模型从自然资源有限的角度出发,统一采用地均指标而非原始指标、人均指标或者多种指标混合来构建评价模型,通过选取更多的地表覆盖/土地利用指标而非经济、社会指标来构建压力-状态-响应模型,并利用层次分析法和熵权法进行加权计算得到最终评价结果。通过与原始指标、人均指标及以行政区面积为分母计算的地均指标的对比,验证了模型的客观性和可靠性。最终评价分析结果表明:（a）我国约有一半的省会城市可持续发展水平处于中等及以下;（b）中国省会城市的地理环境可以分为四个区域,秦岭-淮河是南北区域的重要分界线,西南部区域最好,西北部区域最差;（c）我国省会城市中地理环境状况最好的3个城市分别是海口、南宁、长沙,最差为郑州、太原、石家庄。

论文目录

• 摘要
• Abstract
• 1 绪论
•   1.1 研究背景与意义
•     1.1.1 选题背景
•     1.1.2 研究意义
•   1.2 国内外研究进展
•     1.2.1 城区相关概念
•     1.2.2 城市扩张监测
•     1.2.3 时空格局演变
•     1.2.4 可持续性评价
•   1.3 研究内容与技术路线
•     1.3.1 研究内容
•     1.3.2 研究路线
•   1.4 论文组织结构
•   1.5 本章小结
• 2 城市时空格局演变和可持续性评价相关基础模型与方法
•   2.1 城市时空演变监测分析
•     2.1.1 城市时空演变监测指标
•     2.1.2 城市时空演变分析内容与方法
•     2.1.3 城区面积模拟预测方法
•   2.2 利用未标记样本信息的机器学习信息提取方法
•     2.2.1 基于半监督学习的信息提取与分类
•     2.2.2 基于主动学习的信息提取与分类
•   2.3 城市可持续性评价
•     2.3.1 压力—状态—响应模型
•     2.3.2 极差变换法数据标准化
•     2.3.3 指标赋权方法
•     2.3.4 自然间断点分级
•   2.4 本章小结
• 3 基于渐进式学习模型的城区范围提取方法
•   3.1 城区概念一致性整合
•   3.2 渐进式学习模型
•     3.2.1 模型原理
•     3.2.2 方法步骤
•   3.3 渐进式学习城区提取方法
•     3.3.1 数据预处理
•     3.3.2 基于路网数据的影像分割及精化
•     3.3.3 初始城区样本的选择
•     3.3.4 融合人工特征的CNN场景分类
•     3.3.5 金字塔格网空间约束
•     3.3.6 精度评价
•   3.4 实验与分析
•     3.4.1 数据准备
•     3.4.2 实验结果
•     3.4.3 精度评价与分析
•     3.4.4 与深度学习方法比较分析
•   3.5 本章小结
• 4 中国典型城市时空格局演变分析与模拟预测
•   4.1 城区范围修正方法
•   4.2 时空格局演变分析方法
•     4.2.1 城市规模分布分析方法
•     4.2.2 城市扩展分析指标
•     4.2.3 城市扩展类型分析
•   4.3 LSTM-RBF城区面积预测模型
•   4.4 实验与分析
•     4.4.1 研究区域及数据源
•     4.4.2 城市规模分布与体系变化分析
•     4.4.3 城区扩展特征和扩展类型分析
•     4.4.4 基于LSTM-RBF模型的城区面积预测
•     4.4.5 分析结论
•   4.5 本章小结
• 5 基于城市地理环境指数的城市可持续性评价方法
•   5.1 城市地理环境指数指标体系
•   5.2 引入城区面积的指标计算
•   5.3 结合AHP和熵权法的综合赋权方法
•   5.4 城市地理环境指数计算及分级
•   5.5 实验与分析
•     5.5.1 研究区及数据
•     5.5.2 压力子指数分析
•     5.5.3 状态子指数分析
•     5.5.4 响应子指数分析
•     5.5.5 城市地理环境指数分析
•     5.5.6 不同类型指数比较分析
•   5.6 本章小结
• 6 总结与展望
•   6.1 论文总结
•   6.2 主要贡献与创新
•   6.3 下一步工作与展望
• 参考文献
• 攻博期间发表的科研成果目录
•   发表论文
•   申请专利
•   撰写专著
•   参与科研项目
• 致谢

文章来源

类型: 博士论文

作者: 张翰超

导师: 李德仁,邵振峰,宁晓刚

关键词: 城区,渐进式学习,时空演变,模型,城市地理环境指数

来源: 武汉大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 武汉大学

分类号: P237

DOI: 10.27379/d.cnki.gwhdu.2019.000082

总页数: 158

文件大小: 11370k