一种兼顾经济效益和环境效益的城市土地利用决策方法

本发明涉及城市规划，尤其涉及一种兼顾经济效益和环境效益的城市土地利用决策方法。

背景技术：

1、在全球气候变化和城市化的推动下，城市高温和雨涝已成为近几十年来最频繁、影响最大的自然灾害。大量研究证实了土地利用格局变化引起的水文和物理扰动是城市高温、雨涝频发和加重的重要驱动力，因此迫切需要一种新的方法来支持土地利用决策以增强城市的气候适应性。

2、相关研究发现，增加植被和水体在土地结构的占比可以显著改善极端气候影响，然而会对土地的经济产出功能产生较大的制约。目前通过土地利用优化缓解城市高温和雨涝的研究中很少涉及对经济因素的考虑，不符合可持续发展的初衷。考虑到城市高温缓解、雨水调节和经济产出三个系统的复杂权衡关系，以智能算法驱动的多目标优化模型在该情景中具有明显的优势，但是如何对多个复杂的优化目标进行建模仍是瓶颈问题。

3、考虑到城市发展的极强空间异质性，如果不能根据城市化的状况和需求调整土地利用，会大大降低方案的适宜性，不仅使初始优化目标落空，甚至产生负面影响。既有研究已经初步确定了土地利用变化的时空特征和景观格局动力机制，然而现在对微观城市化进程的精细识别技术尚未成熟。特别是在处理与城市高温和雨涝相关的问题时，不同城市化阶段的问题成因和响应规划策略差异很大。因此，空间细分和识别土地城市化的现状和趋势是土地利用决策的重要前提。

4、综上所述，科学的对优化目标进行建模，充分的识别城市空间差异以及将算法优化与异质城市空间精准匹配，是制约通过土地利用优化来缓解城市高温和雨涝影响的重要技术难题。

技术实现思路

1、为解决上述问题，本发明提供一种兼顾经济效益和环境效益的城市土地利用决策方法，通过空间细分和数理统计大幅简化了环境效益和经济效益之间的复杂权衡关系，并实现了降温、减涝和增产三个目标的智能算法权衡优化。

2、为实现上述目的，本发明提供了一种兼顾经济效益和环境效益的城市土地利用决策方法，包括以下步骤：

3、s1、地表温度反演；

4、s2、计算地表径流；

5、s3、基于步骤s1所述的地表温度反演结果和步骤s2所述的地表径流计算结果，权衡降温、减涝和增产对土地进行优化；

6、s4、识别城市化阶段；

7、s5、基于步骤s3所述的优化结果的分类结果，匹配步骤s4所述的城市化阶段，并根据匹配结果确定优化策略。

8、优选的，步骤s1具体包括以下步骤：

9、s11、获取待决策区域夏季日间landsat系列卫星遥感影像，并进行预处理，预处理包括完成投影转换、辐射定标、大气校正、图像拼接和裁剪；

10、s12、采用单通道算法从预处理后的卫星遥感影像的热红外波段中反演计算地表温度；

11、s13、对比待决策区域反演地表温度平均值与来自待决策区域内多个气象站的当日实际平均气温值，判断误差是否满足设定误差要求，若不满足则更换卫星遥感影像，直至满足设定误差要求，并将利用满足设定误差要求的卫星遥感影像计算得到的地表温度平均值作为反演结果。

12、优选的，步骤s2具体包括以下步骤：

13、s21、获取待决策区域土地利用类型、土壤质地、地表坡度和降雨数据，并完成拼接和裁剪；

14、s22、采用scs-cn模型模拟地表径流，并根据待决策区域土壤湿润程度确定径流曲线数的cn值；

15、s23、采用地表坡度数据修正cn值，计算公式如下：

16、

17、cn3＝cn2·exp[0.00673·(100-cn2)]

18、式中，cn2s为修正后的土壤湿润程度amcⅱ条件下的cn值，cn2和cn3分别为土壤湿润程度amcⅱ和amcⅲ条件下的cn值，slope为坡度值；

19、s24、将降雨量参数和修正后的cn值代入scs-cn模型，计算得到待决策区域的地表径流数据。

20、优选的，步骤s3具体包括以下步骤：

21、s31、选择用于量化地表温度、地表径流和土地利用结构的采样单元尺寸，并将选择的采样单元作为土地利用优化决策的基本单元；

22、s32、设定优化目标，并构建目标数学模型；

23、s33、基于目标数学模型求解解集。

24、优选的，步骤s31具体包括以下步骤：

25、s311、采用fragstats 4.2.1软件计算待决策区域内土地利用数据的香农多样性指数，且计算中采用均匀瓦片采样策略，以100为间隔从500m到1500m的单元尺寸分别计算shdi；

26、s312、设定shdi的均值表示信息强度，shdi的标准差表示采样均匀性，再以横轴为采样单元尺寸，分别绘制shdi均值和标准差的折线图，并将二者相交位置对应的距离横轴坐标最近的单元尺寸作为最佳尺寸；

27、s313、根据待决策区域的范围，利用arcgis10.2的渔网工具生成采样单元矢量文件。

28、优选的，步骤s32具体包括以下步骤：

29、s321、设定最小化地表径流、最小化地表温度和最大化土地经济产出作为优化目标；

30、s322、利用arcgis10.2软件上的分区统计工具，获取每个采样单元内的平均地表温度和平均地表径流，并统计每个采样单元内各个土地利用类型的面积；

31、s323、采用多元线性逐步回归方法构建地表径流和地表温度的目标数学模型，并采用采样单元内各个土地利用类型的面积作为解释变量，地表径流和地表温度模型公式如下：

32、

33、

34、式中，lst表示地表温度，单位为℃；lsr表示地表径流，单位为mm；xi表示土地利用类型i的面积，单位为hm2；αi和βi均表示xi的回归系数，clst和clsr均为常数；

35、s324、通过各土地利用类型的单位面积经济产出衡量土地经济产出，得到土地经济产出模型：

36、

37、式中，leo表示土地经济产出，单位为万元；ei和xi分别表示i类土地利用类型的经济产出系数，单位分别为万元/hm2和hm2；

38、s325、得到目标数学模型：

39、f1(x)＝0.352x1-0.187x2+0.947x4+0.86x5+0.937x6+133.358

40、f2(x)＝0.025x1+0.002x2+0.009x3+0.048x5+0.043x6+25.268

41、f3(x)＝6.335x1+0.088x2+4.876x3+1.585x4+835.558x5

42、式中，f1(x)、f2(x)、f3(x)分别表示地表径流函数、地表温度函数和经济产出函数；x1～x6分别代表耕地、林地、草地、水体、建设用地、裸地的面积。

43、优选的，在步骤s323中，基于前向和后向方向上的最小赤池信息量准则来确定目标数学模型，并选择具有最高调整决定系数的目标数学模型；

44、并且为避免多重共线性，对所有目标数学模型中每个解释变量的p值和vif值进行评估，确保变量p值<0.05且vif<5。

45、优选的，在步骤s33中，采用第二代非支配排序遗传算法在优化目标之间进行优化计算，优化公式如下：

46、

47、使得：

48、

49、xi≥0。

50、优选的，步骤s4具体包括以下步骤：

51、s41、评价建设强度：

52、s411、获取待决策区域12个月份的npp-viirs夜间灯光数据，并进行空间矫正和去噪处理；而后通过envi5.3软件对处理后的夜间灯光数据进行合成，得到年平均夜间灯光dn值栅格数据，再对其进行极差标准化处理；

53、s412、利用arcgis10.2软件上的分区统计工具，获取每个采样单元内的平均夜间灯光强度值；

54、s413、利用归一化夜间灯光dn值和建设用地占比计算每个采样单元的建设强度，公式如下：

55、

56、式中，db表示采样单元b的建设强度；pb表示采样单元b的建设用地的比例；nb表示采样单元b的归一化夜间灯光dn值；

57、s42、评价建设概率：

58、s421、利用人工神经网络算法进行未来建设概率预测；

59、s422、通过geosos-flus软件中适应性概率计算模块，将现状建设用地栅格数据与驱动因素栅格数据输入后得到待决策区域建设概率栅格；

60、s43、基于步骤s41所述的建设强度和步骤s42所述的建设概率识别城市化阶段：

61、以建设概率为x轴，以建筑强度为y轴，并以二者平均值为原点建立二维四象限坐标系，将采样单元分为四类：处于第一象限的建成单元，处于第二象限的过度建设单元，处于第三象限的非建设单元和处于第四象限的快速建设单元。

62、优选的，步骤s5具体包括以下步骤：

63、s51、对步骤s33得到的解集进行聚类分析并定义分类：

64、s511、采用k-means聚类分析方法对步骤s33得到的解集进行分类，输入指标为解集的各类土地利用类型的面积；

65、s512、根据每一类解集聚类中心标签建设用地面积的大小，将解集的四个类型分别定义为高开发、中开发、低开发和非开发的土地利用优化策略；

66、s52、匹配土地利用优化策略：

67、s521、对四类解集和四类城市化阶段的采样单元进行两两匹配：高开发解集匹配建成单元，中开发解集匹配快速建设单元，低开发解集匹配过度建设单元，非开发解集匹配非建设单元；

68、s522、根据各类解集中土地利用类型的取值范围，作为对应城市化阶段的采样单元土地利用的决策依据。

69、本发明具有以下有益效果：

70、1、通过空间细分和数理统计大幅简化了环境效益和经济效益之间的复杂权衡关系，并实现了降温、减涝和增产三个目标的智能算法权衡优化；

71、2、通过识别城市化阶段的异质性，增强了算法解集的精准度，使算法优化结果更符合土地规划实际情况，增强了实用性和科学性。

72、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。