基于多類型土地利用模擬的低碳城市多模式發(fā)展研究

1、基于多類型土地利用模擬的低碳城市多模式發(fā)展研究以廣州市為例李樂飛，何家律，李永森，吳曉瑜，廖薇薇（中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣州 510000）摘要：建設(shè)低碳城市是實(shí)現(xiàn)可持續(xù)發(fā)展的重要環(huán)節(jié)，碳排放量又與土地利用狀態(tài)有較大關(guān)聯(lián)，但目前低碳城市研究較少能夠從多種用地類型角度結(jié)合經(jīng)濟(jì)、人口等因素，結(jié)合地理模擬，對(duì)城市的發(fā)展進(jìn)行預(yù)測(cè)。而本文將用地類型演變模擬與低碳城市發(fā)展相結(jié)合，利用基于神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī)模擬多種用地類型演變，模擬精度可達(dá)65%，預(yù)測(cè)未來(lái)年份的土地利用狀態(tài)；并用STRIPAT模型綜合土地利用狀態(tài)、經(jīng)濟(jì)、人口因素推算碳排放量，為低碳城市的規(guī)劃與可持續(xù)發(fā)展提供建議。將該方法應(yīng)用于廣州市

2、的低碳城市發(fā)展研究中，模擬出2020年的廣州市土地利用狀態(tài)，計(jì)算得出三種發(fā)展模式（城市緩慢擴(kuò)張、城市穩(wěn)定擴(kuò)張、城市加速擴(kuò)張）下的廣州市碳排放量，為廣州市的合理擴(kuò)張與土地規(guī)劃提出建議。 關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；元胞自動(dòng)機(jī)；低碳城市；碳排放；土地利用 引言近年來(lái)，低碳已成為世界各城市共同的追求目標(biāo)。節(jié)能減排，建設(shè)低碳城市，是積極應(yīng)對(duì)全球氣候變化和實(shí)現(xiàn)城市可持續(xù)發(fā)展的戰(zhàn)略，而其實(shí)現(xiàn)需要對(duì)未來(lái)碳排放進(jìn)行合理預(yù)測(cè)并對(duì)不同城市發(fā)展模式做出科學(xué)評(píng)估。目前對(duì)碳排放的研究中，結(jié)合經(jīng)濟(jì) ADDIN NE.Ref.267E74A5-BE2E-4145-AF33-87A2CB8725F41,2、能源 ADDIN NE.Re

3、f.0E808270-F1CF-4D55-8586-9C55E85273DF3,4和人口 ADDIN NE.Ref.E92BC01E-9855-4D53-A5C1-DF0CE5A79C015因素的討論較為深入，而基于土地利用角度的探討較少 ADDIN NE.Ref.9F407B8C-8A2B-44DF-9613-353832C26A536。李穎 ADDIN NE.Ref.71206D03-3A89-4FE9-9716-F835649437F67、張秀梅 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B0728、馬曉哲 ADDIN NE.Ref.3B8

4、C58E2-F905-4C27-9F3F-7E6E736D75429等探討了不同土地利用方式的碳排放效應(yīng)，并利用規(guī)劃數(shù)據(jù)預(yù)測(cè)未來(lái)碳排放，但未能綜合土地利用、人口、經(jīng)濟(jì)等因素進(jìn)行預(yù)測(cè)；杜官印 ADDIN NE.Ref.E522DEA2-3A81-4F4F-9631-07EAF8656A2310、毛熙彥 ADDIN NE.Ref.9D98A93C-C212-4B40-B9CA-BF3B4A5DD96B6等采用STIRPAT模型、LMDI分解法等方法深入研究城市建設(shè)用地對(duì)碳排放的影響，但沒有進(jìn)一步的預(yù)測(cè)和應(yīng)用。并且碳排放的區(qū)域差異性明顯，目前碳排放研究的區(qū)域多集中在國(guó)家和省域尺度，對(duì)市域尺度的相關(guān)研

5、究較少。而元胞自動(dòng)機(jī)（CA）是模擬和預(yù)測(cè)復(fù)雜系統(tǒng)行為的強(qiáng)有力工具，其“自上而下”的研究思路非常適用于復(fù)雜地理過(guò)程的模擬 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07218。黎夏在地理元胞自動(dòng)機(jī)領(lǐng)域有很多研究成果，其在1999年提出了將CA與GIS結(jié)合起來(lái)進(jìn)行土地利用類型變化模擬 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07219，在2002年嘗試將局部規(guī)則加入CA中 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07220，在2005年提出了基于

6、神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī) ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07221，在2007年與劉小平一起提出了基于蟻群算法(Ant Colony Optimization, ACO)的地理元胞自動(dòng)機(jī) ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07222，在2010年MCECA、Logistic-CA、ANN-CA、Decision-tree CA等集合成一個(gè)名為GeoSOS的地理模擬系統(tǒng) ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07223，在201

7、2年對(duì)大空間尺度的元胞自動(dòng)機(jī)模型中引入GPU并行計(jì)算并將效率提高了30倍以上 ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07224，在2013年提出了基于聯(lián)合狀態(tài)矩陣的地理元胞自動(dòng)機(jī)以通過(guò)遙感觀測(cè)數(shù)據(jù)動(dòng)態(tài)地調(diào)整模型參數(shù) ADDIN NE.Ref.A83AB141-5CC4-4158-9C60-09EDE098B07225。本文選取廣州市為研究對(duì)象，力圖在城市尺度上，從城市用地面積變化的角度出發(fā)，結(jié)合神經(jīng)網(wǎng)絡(luò)元胞自動(dòng)機(jī)對(duì)用地類型變化的模擬結(jié)果和人口、GDP情況，改進(jìn)STIRPAT模型，實(shí)現(xiàn)對(duì)城市不同發(fā)展情景下的未來(lái)碳排放量的預(yù)測(cè)，對(duì)城市不同發(fā)展模

8、式做出科學(xué)評(píng)估，為廣州的低碳可持續(xù)發(fā)展提供科學(xué)的規(guī)劃與建設(shè)建議。研究方法技術(shù)路線本文采用的研究方法如圖1所示，先用歷年數(shù)據(jù)利用神經(jīng)網(wǎng)絡(luò)模擬用地類型轉(zhuǎn)換的非線性函數(shù)，作為轉(zhuǎn)換規(guī)則放入元胞自動(dòng)機(jī)中，模擬得出未來(lái)的多類型土地利用狀態(tài)。分析城市用地面積和人口、生產(chǎn)總值之間的相關(guān)性，并用模擬出的土地利用狀態(tài)推算人口、生產(chǎn)總值，再利用STRIPAT模型計(jì)算碳排放量，最后得出的數(shù)據(jù)用于低碳城市評(píng)價(jià)，而低碳城市評(píng)價(jià)體系是我們綜合了層次分析法、熵值法確定權(quán)重得出的，低碳城市評(píng)價(jià)最終輸出一系列得分，可用于城市規(guī)劃與發(fā)展的決策分析與建議。圖1 技術(shù)路線圖BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱，是一種有

9、監(jiān)督的機(jī)器學(xué)習(xí)算法。它由輸入層、隱含層、輸出層以及各層節(jié)點(diǎn)的連接權(quán)所組成。整個(gè)學(xué)習(xí)過(guò)程由信息的正向傳播過(guò)程和誤差的反向傳遞構(gòu)成。在正向傳播過(guò)程中，輸入信息經(jīng)過(guò)隱含層神經(jīng)元的處理，傳向輸出層；當(dāng)輸出結(jié)果誤差超過(guò)允許值時(shí)，將誤差沿著網(wǎng)絡(luò)從輸出層反向傳播，并逐級(jí)修改各層節(jié)點(diǎn)之間的連接權(quán)重；反復(fù)迭代進(jìn)行此過(guò)程，直到誤差低于允許值或者超過(guò)最大迭代次數(shù) ADDIN NE.Ref.3CC005FC-DB04-4182-A89C-A29EC03E230612?；谏窠?jīng)網(wǎng)絡(luò)的多類元胞自動(dòng)機(jī)元胞自動(dòng)機(jī)(Cellular Automata, CA)是一種時(shí)間、空間、狀態(tài)都離散，空間互相作用和時(shí)間因果關(guān)系都為局部的網(wǎng)

10、絡(luò)動(dòng)力學(xué)模擬，具有模擬復(fù)雜系統(tǒng)時(shí)空演化過(guò)程的能力 ADDIN NE.Ref.77001A70-EBCA-455D-B48B-832050BA844B13。由于CA“自下而上”的研究思路，強(qiáng)大的復(fù)雜計(jì)算功能、固有的并行計(jì)算能力、高度動(dòng)態(tài)特征以及具有時(shí)空概念等優(yōu)點(diǎn)，在地理空間模擬中擁有天然優(yōu)勢(shì) ADDIN NE.Ref.F55802B9-D30C-41A9-A597-E0F7DD80987D14。在模擬用地類型轉(zhuǎn)換時(shí)，CA模擬通過(guò)計(jì)算轉(zhuǎn)換概率P來(lái)確定某個(gè)元胞由t時(shí)刻轉(zhuǎn)換到(t+1)時(shí)刻的轉(zhuǎn)換規(guī)則。傳統(tǒng)的邏輯回歸CA模型計(jì)算概率P的公式如下：Pij=Pg*ijt*RA*Pcontrol (1)其中P

11、g是基于兩期已知數(shù)據(jù)通過(guò)邏輯回歸的方法計(jì)算出的轉(zhuǎn)換規(guī)則，而本文通過(guò)BP神經(jīng)網(wǎng)絡(luò)來(lái)計(jì)算Pg；ijt是代表t時(shí)刻元胞領(lǐng)域狀態(tài)的領(lǐng)域函數(shù)；RA是一個(gè)用來(lái)代替人為隨機(jī)選擇的隨機(jī)項(xiàng)；Pcontrol是結(jié)合專家知識(shí)與規(guī)劃內(nèi)容的約束條件；Pij即中心元胞在t+1時(shí)刻的轉(zhuǎn)換概率 ADDIN NE.Ref.D0EEC14E-8FCE-487E-8881-ECC47DBF89E315。傳統(tǒng)的CA都是用于城市擴(kuò)張模擬，即一類CA模擬。本文在一類CA的基礎(chǔ)上提出了多類CA的思想，即將非城市用地劃分為農(nóng)田、林地、水體，并允許它們之間能夠互相轉(zhuǎn)換。在計(jì)算出轉(zhuǎn)換到城市的概率P2city，轉(zhuǎn)換到農(nóng)田的概率P2agr，轉(zhuǎn)換到林

12、地的概率P2tree，轉(zhuǎn)換到水域的概率P2water之后，通過(guò)比較P2city與城市轉(zhuǎn)換閾值Thresholdcity=0.5大小，判斷是否改元胞下個(gè)時(shí)刻t+1應(yīng)該轉(zhuǎn)換為城市。當(dāng)該元胞的P2city小于Thresholdcity時(shí)，計(jì)算P2agr、P2tree、P2water中的最大值Pothermax，并將其與其他轉(zhuǎn)換閾值Thresholdother=0.5比較，如果大于的話，將該元胞轉(zhuǎn)換為轉(zhuǎn)換概率最大的那類用地。城市用地面積-人口、GDP、碳排放量模型模擬出未來(lái)年份的城市土地利用狀態(tài)后，我們需要建立一定的模型來(lái)根據(jù)城市用地面積等因素估算城市的碳排放量。STIRPAT模型及其構(gòu)建1970年初

13、，美國(guó)斯坦福大學(xué)教授Ehrlich與Holdren為了研究人口對(duì)環(huán)境變化的影響，建立了著名的IPAT等式 ADDIN NE.Ref.4B1EDEAD-C01D-4C53-A6D7-45086E6052E216。Impact(I)Population(P)Affluence(A)Technology(T)。DIETZ等將IPAT等式轉(zhuǎn)變成為一種隨即模型，即STIRPAT模型。該模型表達(dá)形式通常如下： I=P A T e (2)式(2)中I為環(huán)境影響；P為人口；A為富裕度；T為技術(shù)；為模型常數(shù)項(xiàng)；、表示P、A、T的指數(shù)項(xiàng)；e為殘差項(xiàng)。當(dāng)=e=1時(shí)，該模型還原成為原始的IPAT等式。由于STIRPA

14、T不易求各系數(shù)的實(shí)際值，所以將原式取對(duì)數(shù)進(jìn)行分析： lnI=ln+lnP+lnA+lnT+lne (3)因此，將lnP、lnA、lnT作為自變量，lnI作為因變量，建立回歸模型，可以得出彈性系數(shù)、的統(tǒng)計(jì)回歸值。在計(jì)算中，一般將殘差項(xiàng)與技術(shù)因素合并，用來(lái)表示除人口與富裕度之外的其他影響因素。根據(jù)對(duì)STIRPAT模型的變換計(jì)算環(huán)境壓力與人口、富裕度、技術(shù)以及各個(gè)系數(shù)的定量關(guān)系，可以實(shí)現(xiàn)預(yù)測(cè)對(duì)環(huán)境壓力的預(yù)測(cè) ADDIN NE.Ref.660677E0-FD42-4EEB-82D4-E1ED95666D3F10。本文采用STIRPAT模型，將環(huán)境壓力用碳排放表征，將人口總量、人均GDP、城市面積作為驅(qū)

15、動(dòng)因素，以廣州市整個(gè)城市作為研究單元，構(gòu)建模型為： I=P A S (4)取自然對(duì)數(shù)轉(zhuǎn)換為： lnI=ln+lnP+lnA+lnS (5)式(5)中，P為人口總量；A為人均GDP；S為城市面積。但元胞自動(dòng)機(jī)只能模擬得到所需要的城市面積，人口總量和人均GDP還需我們利用其他方法進(jìn)行預(yù)測(cè)。本文采用基于累加生成數(shù)列的GM(1,1)模型 ADDIN NE.Ref.2313053D-CE03-419F-A842-8E2759E7EBAF17的灰色數(shù)列預(yù)測(cè)方法和回歸分析方法分別對(duì)人口和人均GDP進(jìn)行預(yù)測(cè)。模型應(yīng)用由廣州大學(xué)廣州發(fā)展研究院2014年7月發(fā)布的廣州經(jīng)濟(jì)藍(lán)皮書透露，目前廣州碳排放控制壓力很大，隨

16、著人民生活水平的提高，人均消費(fèi)的增加，碳排放量還在繼續(xù)增加，預(yù)計(jì)到2020年將達(dá)到峰值，規(guī)劃廣州市的低碳發(fā)展已迫在眉睫。因此在現(xiàn)有的研究基礎(chǔ)上，我們以廣州市為實(shí)驗(yàn)對(duì)象，設(shè)定三種發(fā)展模式城市緩慢發(fā)展、城市穩(wěn)定發(fā)展、城市快速發(fā)展，利用基于神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī)模擬2020年的土地利用狀態(tài)，計(jì)算碳排放量，為低碳廣州的發(fā)展提供建議?；谏窠?jīng)網(wǎng)絡(luò)的CA模擬多用地類型變化數(shù)據(jù)標(biāo)準(zhǔn)化假設(shè)用于模擬的柵格數(shù)據(jù)值呈標(biāo)準(zhǔn)正態(tài)分布，而在標(biāo)準(zhǔn)正態(tài)分布內(nèi)，采樣點(diǎn)落在(-3,+3)的概率為0.99，即落在該范圍外為小概率事件，其中為均值，為標(biāo)準(zhǔn)差。因此本文將經(jīng)過(guò)標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化后的數(shù)據(jù)再進(jìn)行一次最大最小值法的處理，并取xmax=

17、+3=3，xmin=-3=-3，得到分布在0,1的數(shù)據(jù)。基于BPNN的多類CA模型CA模型中如何確定由時(shí)刻t到時(shí)刻(t+1)的土地利用類型之間轉(zhuǎn)換概率P的方法十分重要。為了模擬其中復(fù)雜的非線性關(guān)系，本文使用公式(1)來(lái)確定轉(zhuǎn)換概率P，并將其中由邏輯回歸確定的Pg改為通過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到。本文中BP神經(jīng)網(wǎng)絡(luò)是在matlab平臺(tái)上實(shí)現(xiàn)的，使用了MATLAB R2011B工具箱中自帶的神經(jīng)網(wǎng)絡(luò)模塊。在確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為6-10-30-30-11的情況下，選擇tansig，tansig，tansig，purelin作為三個(gè)隱含層與輸出層的激勵(lì)函數(shù)。其中tansig為雙曲線正切S型函數(shù)，pur

18、elin為線性函數(shù)。三個(gè)隱含層較一個(gè)隱含層而言能模擬更加復(fù)雜的系統(tǒng)，而tansig函數(shù)又具有較大的變化率，使得算法收斂的更快。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)為0.35，訓(xùn)練函數(shù)選擇traingdx。其中traingdx為有動(dòng)量和自適應(yīng)lr的梯度下降法。傳統(tǒng)的最速梯度下降法，容易受較大的學(xué)習(xí)率影響而在極值附近擺動(dòng)，而較小的學(xué)習(xí)率又使得算法的收斂速度減慢。利用附加的動(dòng)量項(xiàng)，可以起到平滑梯度方向的劇烈變化。而自適應(yīng)性使得學(xué)習(xí)率和動(dòng)量項(xiàng)在誤差較大時(shí)取較大值，在誤差接近系統(tǒng)最小值時(shí)取較小值來(lái)確保算法的收斂速度。三種發(fā)展模式本實(shí)驗(yàn)以迭代城市元胞增長(zhǎng)量等于實(shí)際一年的城市增長(zhǎng)量作為判讀條件來(lái)控制迭代，而實(shí)際城市增長(zhǎng)量

19、由對(duì)歷史真實(shí)數(shù)據(jù)的趨勢(shì)分析得到。圖2 城市擴(kuò)張分析通過(guò)1986年、1990年、1994年、2000年、2003年和2008年六期已知數(shù)據(jù)，對(duì)城市數(shù)進(jìn)行趨勢(shì)分析。用線性函數(shù)擬合得到的R=0.87，說(shuō)明擬合效果非常好。其中斜率k=53，720.62即實(shí)際城市增長(zhǎng)量N。本文在已有的規(guī)劃約束下，提出了多情景的城市發(fā)展模式：城市緩慢擴(kuò)張、城市穩(wěn)定擴(kuò)張、城市加速擴(kuò)張。城市緩慢擴(kuò)張的城市增量為12N，城市穩(wěn)定擴(kuò)張的城市增量為N，城市加速擴(kuò)張的城市增量為32N。經(jīng)過(guò)ANN-CA模型的迭代模擬，得到三種模式下的用地類型圖。其中城市穩(wěn)定增長(zhǎng)模式的結(jié)果如下圖所示：圖3 利用神經(jīng)網(wǎng)絡(luò)CA模擬復(fù)雜的土地利用變化通過(guò)比較

20、可知，ANN-CA基本模擬出了城市沿著廣州市中心擴(kuò)張的趨勢(shì)。而且計(jì)算得四年的Kappa系數(shù)分別為0.623、0.545、0.561和0.565，說(shuō)明預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)相比，有較好的一致性。由此得出結(jié)論，實(shí)驗(yàn)結(jié)果是可信的。基于STIRPAT模型預(yù)測(cè)碳排放量STIRPAT模型各因素未來(lái)值預(yù)測(cè)在城市用地面積上，對(duì)應(yīng)多情景模擬的穩(wěn)定、緩慢和快速擴(kuò)張三個(gè)模式，分別取19862008年的平均每年的城市用地?cái)U(kuò)張量N和12N 、32N作為未來(lái)城市擴(kuò)張的年擴(kuò)張量。人口因素受到自然地理環(huán)境、社會(huì)經(jīng)濟(jì)條件、國(guó)家政策、人民觀念等眾多因素綜合影響，從已知年份數(shù)據(jù)看，廣州人口增長(zhǎng)率保持每年1%-2%，增長(zhǎng)率的變化有下降的

21、趨勢(shì)，但變化過(guò)程存在較大波動(dòng)?；诖耍覀儾捎帽阌诮鉀Q主導(dǎo)與非主導(dǎo)因素不清晰、關(guān)系密切程度不明確問題的灰色數(shù)列預(yù)測(cè)方法對(duì)廣州市未來(lái)幾年的人口發(fā)展規(guī)模做預(yù)測(cè)。而在人均GDP上，城市用地?cái)U(kuò)張驅(qū)動(dòng)力的研究表明，與城市用地?cái)U(kuò)張相關(guān)的因素眾多，但地區(qū)生產(chǎn)總值是其中最重要的一個(gè)，其自身對(duì)城市用地?cái)U(kuò)展有直接影響，還能通過(guò)刺激固定資產(chǎn)投資、職工工資和房地產(chǎn)投資等對(duì)影響城市用地?cái)U(kuò)展 ADDIN NE.Ref.A0B4F00F-AEF7-4077-A608-E93C33C750A03。利用SPSS19.0對(duì)已知年份的廣州城市用地面積和人均GDP進(jìn)行曲線估計(jì)，發(fā)現(xiàn)線性關(guān)系能較好擬合人均GDP隨城市用地面積變化的趨勢(shì)

22、，故對(duì)這兩組數(shù)據(jù)做線性回歸分析，以回歸方程y = 0.8302x 21965作為人均GDP的預(yù)測(cè)模型，以不同模式下未來(lái)城市用地面積為自變量得到不同模式下城市未來(lái)人均GDP，同時(shí)也體現(xiàn)了不同城市發(fā)展速度對(duì)經(jīng)濟(jì)的影響。STIRPAT模型應(yīng)用與預(yù)測(cè)對(duì)1986、1990、1994、2000、2003、2008廣州市六年相應(yīng)的真實(shí)數(shù)據(jù)進(jìn)行回歸分析得出各彈性系數(shù)，將結(jié)果作為經(jīng)驗(yàn)公式，代入模型各因素的未來(lái)值對(duì)20152020年廣州市的碳排放量進(jìn)行預(yù)測(cè)。利用SPSS19.0軟件對(duì)上述數(shù)據(jù)進(jìn)行回歸分析，得出常數(shù)項(xiàng)ln=-94.05、=5.55、=-0.80、=2.00。回歸分析相關(guān)性系數(shù)R=0.998，可見式中

23、自變量與因變量高度相關(guān)。因此可以得出經(jīng)驗(yàn)公式為：lnI=-94.05+5.55lnP-0.80lnA+2.00lnS式中，P為人口總量；A為人均GDP；S為城市面積。將人口與人均GDP預(yù)測(cè)值，以及CA模擬出的城市面積數(shù)據(jù)帶入以上經(jīng)驗(yàn)公式進(jìn)行預(yù)測(cè)，得出20152020年廣州市碳排放預(yù)測(cè)值：表1 不同模式下碳排放量預(yù)測(cè)廣州市2015-2020年不同城市擴(kuò)張模式下碳排放量預(yù)測(cè)值年份預(yù)測(cè)碳排放量（萬(wàn)噸）緩慢擴(kuò)張模式穩(wěn)定擴(kuò)張模式快速擴(kuò)張模式201510932.9666214389.9227920625.72305201612041.7132416295.375323574.00496201713257.

24、6241718512.4357326494.67671201814593.945720566.537629907.50848201916300.7920522805.463233300.68401202017931.5979425259.7604938091.20217圖4 碳排放量預(yù)測(cè)值低碳廣州發(fā)展分析碳排放量只是衡量排放的絕對(duì)數(shù)量指標(biāo)，對(duì)于低碳城市的發(fā)展來(lái)說(shuō)，除了要減少碳排放量之外，經(jīng)濟(jì)建設(shè)、社會(huì)建設(shè)也應(yīng)當(dāng)和生態(tài)環(huán)境協(xié)調(diào)發(fā)展。碳排放強(qiáng)度(Carbon Emission Intensity，CEI) 是用來(lái)計(jì)算國(guó)家或地區(qū)隨著經(jīng)濟(jì)增長(zhǎng)的碳排放量強(qiáng)度的衡量指標(biāo)，一般稱單位地區(qū)生產(chǎn)總值的能源碳排放

25、量為碳排放量強(qiáng)度。本研究綜合考慮地區(qū)生產(chǎn)總值和人口數(shù)量，利用碳排放強(qiáng)度和人均碳排放兩個(gè)指標(biāo)，對(duì)低碳廣州的發(fā)展進(jìn)行分析。圖5 廣州市2020年CEI與人均碳排放量從圖表分析，城市擴(kuò)張的速度越快，碳排放量越高。林地等碳吸收能力好的土地類型發(fā)展為城鎮(zhèn)，碳吸收量減少，而城市化導(dǎo)致的汽車數(shù)量增加、工業(yè)發(fā)展等均會(huì)增加碳排放。城市擴(kuò)張的速度對(duì)碳排放強(qiáng)度影響不大，主要原因是城市化程度高的地區(qū)生產(chǎn)總值高，碳排放量也高。而緩慢擴(kuò)張的城市發(fā)展模型得到的CEI指數(shù)略高于另外兩種模式，主要是因?yàn)榫徛龜U(kuò)張模式下，廣州市的地區(qū)生產(chǎn)總值較低。從人均碳排放量來(lái)看，城市擴(kuò)張速度越快，人均碳排放量越高。因此我們不難得出結(jié)論，要想建

26、立低碳城市，就要降低城市的發(fā)展速率，增加綠化面積，而不能單純追求生產(chǎn)總值的最大化。但其實(shí)這樣的發(fā)展模式是對(duì)經(jīng)濟(jì)發(fā)展的極大犧牲，因此理想的低碳城市的擴(kuò)張速度未必一定要規(guī)劃為0.5左右，可以按照本文的方法選取不同擴(kuò)張速度或調(diào)整土地利用規(guī)劃方案進(jìn)行嘗試，找出最合理的發(fā)展模式。 總結(jié)本文探討了城市尺度上各類用地面積變化與城市碳排放量的關(guān)系，并預(yù)測(cè)未來(lái)城市各類用地在數(shù)量上的變化及對(duì)應(yīng)碳排放量的變化，進(jìn)而評(píng)估不同城市發(fā)展模式對(duì)于建設(shè)低碳城市的適宜程度。當(dāng)著重考慮土地利用狀態(tài)對(duì)碳排放量的影響時(shí)，為了得到未來(lái)的土地利用狀態(tài)，則需要運(yùn)用到元胞自動(dòng)機(jī)。本文采用了基于神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī)，在歷史數(shù)據(jù)的分析基礎(chǔ)上預(yù)測(cè)

27、多類型的未來(lái)土地利用狀態(tài)，模擬精度高。并利用灰色數(shù)列預(yù)測(cè)和回歸分析方法分別預(yù)測(cè)人口、人均GDP的未來(lái)值，與土地利用狀態(tài)共同放入STRIPAT模型預(yù)測(cè)碳排放量，運(yùn)用預(yù)測(cè)出來(lái)的數(shù)據(jù)對(duì)低碳城市的發(fā)展進(jìn)行分析。本文選取廣州市為研究對(duì)象，并設(shè)定了城市穩(wěn)定發(fā)展、城市緩慢發(fā)展、城市快速發(fā)展三種發(fā)展模式，利用神經(jīng)網(wǎng)絡(luò)元胞自動(dòng)機(jī)模擬出了三種模式下廣州市2020年的土地利用狀態(tài)，并預(yù)測(cè)出該年廣州市的人口數(shù)、人均生產(chǎn)總值與碳排放量，分析得出低碳廣州的發(fā)展需要合理控制擴(kuò)張速度、優(yōu)化土地利用規(guī)劃以達(dá)到低碳城市的發(fā)展目標(biāo)。本文對(duì)城市的發(fā)展進(jìn)行了土地利用、經(jīng)濟(jì)、人口、碳排放量多方位模擬預(yù)測(cè)與評(píng)估，但在元胞自動(dòng)機(jī)模擬多類型土

28、地利用變化時(shí)，我們只利用了各類型用地的數(shù)量上的變化，缺乏對(duì)空間格局變化的考慮。今后對(duì)該問題的探討可將土地利用空間格局變化納入研究，為低碳城市的發(fā)展規(guī)劃提供更多參考。 ADDIN NE.Bib ADDIN NE.Bib參考文獻(xiàn) 1王中英，王禮茂. 中國(guó)經(jīng)濟(jì)增長(zhǎng)對(duì)碳排放的影響分析. 安全與環(huán)境學(xué)報(bào)，2006(05): 88-91. 2張雷. 經(jīng)濟(jì)發(fā)展對(duì)碳排放的影響. 地理學(xué)報(bào)，2003(04): 629-637. 3宋杰鯤. 山東省能源消費(fèi)碳排放預(yù)測(cè). 技術(shù)經(jīng)濟(jì)，2012(01): 82-85. 4朱勤，彭希哲，陸志明 等. 中國(guó)能源消費(fèi)碳排放變化的因素分解及實(shí)證分析. 資源科學(xué)，2009(12)

29、: 2072-2079. 5彭希哲，朱勤. 我國(guó)人口態(tài)勢(shì)與消費(fèi)模式對(duì)碳排放的影響分析. 人口研究，2010(01): 48-58. 6毛熙彥，林堅(jiān)，蒙吉軍. 中國(guó)建設(shè)用地增長(zhǎng)對(duì)碳排放的影響. 中國(guó)人口資源與環(huán)境，2011，21(12): 34-40. 7李穎，黃賢金，甄峰. 江蘇省區(qū)域不同土地利用方式的碳排放效應(yīng)分析. 農(nóng)業(yè)工程學(xué)報(bào)，2008(S2): 102-107. 8張秀梅，李升峰，黃賢金 等. 江蘇省1996年至2007年碳排放效應(yīng)及時(shí)空格局分析. 資源科學(xué)，2010(04): 768-775. 9馬曉哲，王錚. 土地利用變化對(duì)區(qū)域碳源匯影響研究進(jìn)展. 生態(tài)學(xué)報(bào)，2015(17).10杜官印. 建設(shè)用地對(duì)碳排放的影