邻域因子对城市土地开发强度模拟效果的影响分析———基于BP人工神经网络模拟的结果对比

城市土地开发强度是衡量城市宜居以及可持续发展的重要指标.首先,以重庆市主城9区为例,以建设物投影面积占各街区土地面积的比例为土地开发强度的表征指标,在构建样本区域建筑密度及其影响因子空间数据库(ARCGIS)的基础上,采用BP神经网络构建了基于数据驱动的城市土地开发强度模拟模型;其次,通过邻域因子的选择与否检测邻域因子对开发强度仿真结果的影响;最后,利用训练好的BP神经网络对全局数据(重庆市主城9区)进行仿真,预测城市土地开发强度的时空变化.结果显示:1)BP人工神经网络方法能够较好地模拟城市土地开发强度的空间分布趋势;2)通过不同方案对比,发现当增加邻域驱动因子后,平均误差、标准差和误差精度都得到明显改善.研究表明:合理的驱动因子选择对BP人工神经网络方法仿真结果至关重要;尽管BP人工神经网络方法不能显性地反映城市集中连片区域土地开发强度与其影响因子之间的相互关系,但在数据充分的情况下,基于数据自适应的人工神经网络方法不失为土地开发强度评估的一种较好的方法.     

基于PPA方法的农村居民点空间分布模式研究——以重庆市主城区为例

针对农村居民点的空间分布影响着区域经济发展的规模、方向以及发展的可持续性问题,引入最邻近距离指数(nearest neighbor index,NNI)、核密度估计(kernel density estimation,KDE)和Voronoi图及其变异系数(CV值)3种点模式分析(point pattern analysis,PPA)方法,从不同的角度揭示重庆市农村居民点空间分布模式。研究显示,重庆市主城区农村居民点NNI是0.072,总体上属于典型的集聚分布模式;在空间分布上,农村居民点形成了不同等级的热点分布区域,而且具有较强的方向性;在聚散特征上,离市中心越远,农村居民点分布越趋于均匀分布,离市中心越近,农村居民点集聚性越强。从研究方法来看,3种PPA方法各有优缺点:NNI方法便于从数量上揭示空间点的总体特征;KDE在空间上探测地理事件的热点区域方面具有优势;Voronoi多边形CV分析法更关注一定统计单元的地理现象分布特征。三者有机结合使得对点空间格局的研究更深入、更全面、更具体。