地理国情监测是指对国土疆域概况、地形地貌特征、江河湖海分布等自然要素和土地利用与土地覆盖、道路交通网络、城市布局和城镇化扩张等人文要素构成的基本国情，利用空天地一体化等现代测绘技术进行动态、定量化和空间化的监测^[1]，并统计分析其分布特征、地域差异、变化量和变化趋势等^[2]，形成各类国情要素空间分布及发展变化规律的监测数据，从地理空间信息的角度获取国情国力^[3-4]。目前，首次地理国情普查工作已基本完成，取得了一批重要监测数据成果。对监测的地理国情信息进行分析应用，获取地理要素的时空分布特征、发展趋势与演变规律，可为国家重大战略实施、区域空间规划制定、加快生态文明建设等方面提供科学依据和数据保障，是今后地理国情监测工作的重点之一。

城市化作为我国自改革开放以来最重要的地理空间现象之一，其格局和发展趋势与土地集约利用、区域协调互补、生态环境保护和城市可持续发展密切相关，一直是地理学者研究的重点和热点问题。“十三五”时期，我国面临经济发展模式转换、区域协调发展、生态文明建设的深刻背景，区域政策及资源约束(如“十三五”规划、主体功能区划、全国土地利用总体规划纲要等)对区域发展提出约束性指标，同时“多规合一”工作模式的转变等也将成为城市空间发展的重要影响因素，因此城市化的格局和趋势必然面临着较大程度的改变，需要进一步深入研究。当前地理国情普查和动态监测为城市发展研究提供了基础的数据资源，而对其发展格局和过程趋势的分析应用则需要相关理论和工具的支撑。

笔者提出的地理模拟优化系统(geographical simulation and optimization systems，GeoSOS)^[5]，耦合了地理模拟和空间优化等模型，用于模拟、预测和优化复杂地理格局和过程，可以弥补GIS在空间过程模拟和优化方面的功能不足。GeoSOS理论及其软件已经应用于全球土地利用变化^[6]、城市扩张模拟^[7]、公共设施选址选线^[8]、生态红线^[9]和城市增长边界划定^[10]等地理模拟和空间优化问题，可成为城市化发展分析的理论和技术基础。

针对地理国情信息分析中的有关问题，为方便与GIS进行无缝链接，进一步提出了基于ArcGIS插件的GeoSOS。以全国城市化发展最快的区域广东省为例，通过多时段土地利用地理国情数据，获取区域城市化发展的时空动态特征，并利用该软件预测未来发展趋势及其与主体功能区划和生态环境保护的冲突，从而进行约束条件下未来发展情景模拟，为科学合理地制定区域城市发展政策服务。

1 地理模拟与优化系统(GeoSOS)原理

诸如城市扩张、水文侵蚀等地理过程演变及发展趋势的研究通常利用元胞自动机(cellular automata，CA)、多智能体系统(agent-based models，ABMs)等模型，通过空间模拟的方法来进行。对于涉及设施选址、道路选线、生态保护区划分等空间优化问题，则可以引入蚁群、粒子群等群智能模型(swarm intelligence models，SIMs)来获取多目标条件下效益最优的空间优化结果。而在现实地理问题的研究中，通常空间模拟和优化的结果相互影响、不可割裂，例如交通选线和沿线土地利用的变化、区域城市扩张和生态控制区的划定等问题，都存在着互为制约、协调发展的目标，迫切需要将空间模拟与优化进行协同研究。因此提出了地理模拟优化系统^[5]这一理论框架，通过空间微实体(spatial microentities)之间的相互作用机制耦合各类CA、ABMs和SIMs模型，从而解决空间模拟与优化复合问题^[11]。其中空间微实体是指CA中的元胞、ABMs中的社会智能体(如人或社会组织)和SIMs中的智能单体(如蚁群中的蚂蚁)等。在实践方面，GeoSOS理论也通过软件系列提供了一套基于计算机的系统，用于模拟、预测、优化和显示地理空间格局和过程^[12]。

作为地理模拟优化系统的核心，空间微实体交互的一般模式可以表示为

式中，S_i^(t)和L_i^(t)分别为某一微实体在模拟时刻t的状态和位置；E^(t)为微实体所处的地理环境；F则代表一系列的交互规则。交互规则反映了微实体与所处环境之间的联系，决定微实体状态和位置的改变，以及环境所发生的变化。

GeoSOS通过松散耦合的方式将地理过程模拟和空间优化集成起来，两者的运行结果可以通过信息交换互相利用，从而得到总体效益更优的空间决策方案和更真实的地理过程发展趋势。目前GeoSOS已经被应用于生态保护区划定^{[9, 13]}与区内违章建筑查找^[14]、农田保护区划定与预警^[15]、景观模拟与规划^[16]、1 km高分辨率全球土地利用变化模拟产品^[6]等方面，体现了其对地理过程模拟及空间优化问题的有利支持和良好的实用性。

软件包括独立的GeoSOS程序和在ArcGIS平台中使用的GeoSOS for ArcGIS(http://www.geosimulation.cn上提供了免费的GeoSOS软件系列)，如图 1、图 2所示。目前所提供的模块包括神经网络CA、决策树CA、逻辑回归CA等多种地理模拟模型和蚁群优化等空间优化模型。GeoSOS for ArcGIS插件运行在ArcGIS 10.X平台的ArcMap程序中，提供了完整的GeoSOS功能，同时又可以充分利用ArcGIS平台已有的其他空间分析工具，能够有效补充目前GIS软件在地理模拟与优化方面的不足。目前全球已有20余个国家和地区的用户将其用于超过100个地理研究实例中。

2 研究方法

城乡建设用地扩张作为近40年来我国最为显著的土地利用变化过程，也是地理国情监测的重点内容。本文以此为例，探讨GeoSOS理论在地理国情信息分析中的应用。自1980年开始的历次五年计划时期，全国城镇化进程发展迅速，但同时也造成了多种人地关系矛盾问题，原有的城镇化发展模式亟待改变。因此《国民经济和社会发展第十三个五年规划纲要》在继续约束18亿亩以上耕地保有量的前提下，提出新增建设用地规模的约束性指标，并将空气质量和地表水质量等生态环境质量纳入约束性指标范畴，以形成和贯彻绿色发展的理念。

在操作层面，主体功能区划、土地利用总体规划、生态文明建设规划等提出了具体的约束性指标，因此需要在空间上合理地分配土地资源，获得资源集约利用、生态友好的协调发展目标。地理模拟优化系统能够为上述问题提供有效的解决框架，约束性元胞自动机模型能够模拟和预测约束条件下新增城市用地的扩张趋势，从而确定城市增长边界；蚁群智能等空间优化方法则能够合理划定生态保护区、农田保护区等限制性发展区域，两者协同可以进行经济与环境多目标下的空间布局，为省级空间规划等相关工作提供合理的研究思路。本文从约束条件下新增城市用地扩张的角度出发，在获取多时段地理国情信息的基础上，分析其历史发展状况，并在城乡建设用地扩张数量约束及生态环境质量约束的条件下，预测合理的新增城乡建设用地布局，为“十三五”时期区域协调发展提供空间决策支持。

2.1 城乡建设用地扩张历史趋势分析

分析城乡建设用地扩张的历史趋势可以从用地数量变化和景观形态改变两方面进行。对于用地数量的分析使用城乡建设用地增长率、扩张强度指数、土地开发强度等量化指标来衡量。城乡建设用地增长率体现历史时期城乡建设用地的增加比例

式中，为A_j为初期的城乡建设用地面积；A_i为末期的面积。

扩张强度指数用于获取城乡建设用地的年均增长速度，便于不同历史时期间进行比较^[17-18]，其公式为

式中，Δt为所研究的时间跨度，通常以年份为单位；A_add为该时段内城乡建设用地的增加面积；A_all为研究区的土地总面积。

全国及省级主体功能区规划采用开发强度指标，即一个区域内建设空间面积占该区域总面积的比例来表示建设空间的比重。

景观形态可以使用景观水平上的多种指数来表征，从景观数量、形态、连通性和均匀性等角度选取了斑块数量(NP)、斑块密度(PD)、平均形状指数(SHAPE_MN)、面积周长分维度指数(PAFRAC)、蔓延度指数(CONTAG)、Shannon多样性指数(SHDI)和Shannon均匀度指数(SHEI)来衡量不同时期研究区的土地利用景观变化。

2.2 基于决策树CA的城乡建设用地扩张模拟

使用CA模型进行土地利用变化模拟和预测时，通常采取数据挖掘方法获取类型间转换规则^[19]，如逻辑回归方法、神经网络方法^[20]、决策树方法^[21]、基于主成分分析的方法等。其中决策树元胞自动机(DecisionTree-CA)模型使用基于决策树的方法，能够提取清晰的城乡建设用地转换规则^[22]，避免对扩张规律的“黑箱”认知，便于空间管理者根据规则发现规律并制定合理的空间决策，适合将其用于城乡建设用地扩张的研究。

2.3 基于最小阻力模型的生态安全格局构建

最小累积阻力模型(minimal cumulative resistance，MCR)源于物种扩散过程研究，认为物种在扩散至异质景观类型时须克服一定的阻力，累积阻力最小的通道即为最适宜的通道^[23-24]。文献[25—26]在国内最早将其用于生态安全格局优化和遗产廊道的适宜性分析。因能直观表现某类型景观向其他类型扩散的阻力，因此该模型被广泛应用于生态安全格局构建^[24]、生态用地规划^[27]、城镇土地空间重构^[28]和城市扩张与生态保护协调发展^[29]等研究中。其计算公式如下^[26]

式中，D_ij代表从源点j到某景观类型点i的距离；R_i代表点i所在位置对于扩散的阻力。

该模型通过确定生态用地的“源”、扩散的阻力因素和阻力系数，从而得到生态用地扩散的阻力面，用于生态安全的评估。因此可以将研究区的生态安全保障用地作为“源”，现有土地利用类型和人为活动因素的影响作为阻力因素，构建研究区的生态安全格局。

3 研究区及数据

本文选取广东省为研究区，获取了2000年、2005年、2010年和2015年土地利用现状遥感监测数据，来源于中国科学院资源环境科学数据中心。原始数据包括耕地、林地、草地、水域、城乡工矿居民用地、未利用地和海洋7个一级用地类型，每个一级类型下包含一个到多个二级用地类型。该数据的原始分辨率为30 m，整个广东省陆地为27 184×20 890的栅格空间，为减少运算量和运算时间，将数据进行重采样到250 m分辨率，栅格数量减少为3405×2753个，以便进行全省的模拟和预测。影响土地利用变化过程的因素主要包括自然因素和人为因素，自然因素选取地形和栅格到河流的空间距离，人为因素主要选取栅格到聚居区和交通线路的距离，包括到各市级和县级行政中心的距离、到铁路的距离、到高速公路的距离、到省道的距离和到普通公路的距离。地形数据为DEM数字高程数据，来源于地理空间数据云，各城镇中心和交通线路数据来源于国家基础地理信息中心，并进行了数据更新。在250 m分辨率下进行各空间影响因子的计算及归一化，为后续的模拟和预测做好数据准备。

4 研究结果及分析 4.1 城乡建设用地扩张历史趋势分析

通过GeoSOS for ArcGIS插件中多时段土地利用数据分析工具得到2000—2015年广东省土地利用变化状况，如表 1所示。2000—2015年，城乡建设用地经历了快速的扩张过程，土地开发强度不断增大。2000—2005年是增长速度最快的时期，城乡建设用地增长率达到了28.69%，随着可利用土地资源的减少和集约利用土地政策的执行，2005—2010年和2010—2015年两个时期的城乡建设用地增长速度不断下降，扩张强度和扩张强度指数也保持了同样的变化。

结合Fragstats 4.2软件，对4个时期的土地利用分类数据进行了景观指数的计算，结果如表 2所示。2000—2015年，斑块数量、斑块密度、平均形状指数、多样性和均匀性不断上升，分维数指标和连通性不断下降，表明整个时期土地利用斑块的分散性不断上升，人为活动的影响不断加剧，景观的破碎度提升，应采取更为集约的用地方式。

4.2 基于历史发展趋势的城镇扩张模拟与预测

通过2005年和2010年的土地利用分类数据，以及各空间影响因子数据，获取该历史时期的土地利用变化规律，并基于2010年的数据模拟了2010—2015年广东省的城乡建设用地扩张，使用2015年土地利用分类数据验证模拟的精度。通过GeoSOS for ArcGIS插件中的DecisionTree-CA执行模拟，城乡建设用地的模拟精度为89.50%，非建设用地的模拟精度为99.3%，模拟的总精度为96.73%，Kappa值为0.942。较高的精度表明DecisionTree-CA能够有效模拟该区域土地利用变化的历史趋势，因此可以用于未来情景下城乡建设用地扩张的预测。

2010—2015年广东省城乡建设用地的增长率为8.21%，研究首先假定2015—2020年城乡建设用地的扩张仍然保持基本相似的历史趋势，即采用8%的增长率，获取无约束条件下城乡建设用地的未来发展状况。利用提取的2010—2015年城乡建设用地转换规则，使用2015年土地利用变化数据，根据增长率得到城乡建设用地增量进行预测，模拟和预测结果如图 3所示。

4.3 基于主体功能区划约束的城镇扩张预测

我国于2011年底启动全国主体功能规划编制工作，将其作为国土空间开发的战略性、基础性和约束性规划^[30]。广东省于2012年9月正式公布《广东省主体功能区规划》，将全省国土空间分为优化开发、重点开发、生态发展和禁止开发4类区域，其中生态发展区域又分为农产品主产区和重点生态功能区两类。前3类区域主要以行政区界线限定其范围，禁止开发区域则主要为分布在3类区域中的自然保护区、风景名胜区等面积较小的单元，因此本研究未引入禁止开发区域，而使用优化开发区域、重点开发区域、农产品主产区、重点生态功能区这4类国土空间划分方法，其详细情况如图 4所示。

2016年广东省通过的“十三五规划纲要”明确规定将各主体功能区2020年的土地开发强度作为约束性指标，分别是优化开发区域为27.44%、重点开发区域为13.76%、农产品主产区15.51%、重点生态功能区为4.82%。

将该指标与基于历史增长趋势的2020年城乡建设用地预测结果进行对比，情况如表 3所示。可以发现该结果中优化开发区域的土地开发强度将超出约束指标，其他区域则满足约束指标，表明优化开发区域在后续的发展中必须严格按照约束指标的土地开发数量进行。因此研究采用分区预测的方法，在优化开发区域按照约束指标，其他区域按照2010—2015年的城乡建设用地增长率进行了约束性元胞自动机的预测，预测结果如图 5所示。其结果对比情况如表 3所示，表明各区域预测结果均满足主体功能区的约束条件，除优化开发区域外的其他区域的开发强度与原结果基本一致。

4.4 基于生态用地保护约束的城镇扩张预测

“十三五”时期城镇扩张进程需要在生态保护约束的条件下进行，因此选择生态用地为“源”，应用最小阻力模型获取生态用地扩散的最小阻力面，划分不同的生态用地保护程度，以此为约束条件使城乡建设用地扩张的同时保持良好的生态环境质量。

根据用地类型的生态价值，选取2015年原始30 m土地利用分类数据二级分类中的有林地、灌木林、疏林地、高覆盖度草地、中覆盖度草地、河渠、湖泊、滩涂、滩地类型为生态“源”，以生态空间单元的实际用地类型及到市县级城镇中心的距离和到各级道路的距离为阻力因素，确定各阻力系数，计算广东省生态空间扩展的阻力面。生态“源”面积占广东省陆地面积的64.03%，包含林地、草地、水体等多种生态类型，能够满足广东省十三五规划纲要提出的2020年森林覆盖率达到60.5%的约束性指标。阻力系数作为分级指标，无实际的物理意义，因此将其设置为5级，分别用1、2、3、4、5值代表阻力值不断升高，具体如表 4所示。得到阻力面计算结果后，可以根据栅格值的频率分布进行分级划分，因此根据自然断裂法，选取阻力值3841、11 764及26 526为断裂点，将阻力面分为4类等级。根据阻力越大生态用地保护压力越大的原则，将国土空间划分为生态用地保护的4个压力等级，如图 6所示。

通过GeoSOS for ArcGIS插件的模拟结果分析工具，将4个主体功能区域基于土地开发强度约束性指标预测的城乡建设用地扩张结果与生态用地保护等级空间进行叠加分析显示，各区域均存在大量城乡建设用地占用生态保护压力高和较高等级的现象，面积比例分别为81.19%、81.54%、90.50%和91.13%，均达到80%以上，表明未考虑生态保护的前提下，城乡建设用地的扩张将占用大量的生态空间，因此需在生态保护约束的条件下进行城镇化发展。

以生态保护压力高和较高的区域为限制发展区，并基于主体功能区土地开发强度的约束，进行了2020年城乡建设用地扩张的模拟，模拟结果统计如表 5所示。结果表明，在两种约束条件下，优化开发区域、重点开发区域、农产品主产区可以在不占用生态保护用地的情况下完成同样规模的城乡建设用地扩张，而重点生态功能区则无法同时满足两种约束指标。在满足生态保护约束的情况下，重点生态功能区的城乡建设用地扩张规模为原有的70.01%，表明该区域的生态保护压力较大，不宜遵照历史发展趋势，而应严格控制建设规模，以保持良好的生态环境质量。同时研究发现，在满足两种约束的条件下，城乡建设用地的空间分布更为紧凑，体现出更好的景观格局，图 7显示了4类主体功能区部分区域两种约束条件下的模拟结果对比。对两种情景下的模拟结果进行了景观指数计算，表 5显示在加入生态环境保护约束的条件下，土地利用斑块的分散性下降，景观的破碎度降低，形成更为集约的用地方式。同时该结果满足了土地开发强度和生态保护的约束，是更符合绿色发展理念的新型城镇化扩张模式。

5 结论与讨论

开展地理国情监测是测绘地理信息部门的一次重要业务转型升级^[31]，通过该工作，能够获取各类自然要素和人工设施的基本国情信息^[32]。在今后地理国情监测成为常态化工作后，地理模拟优化系统(GeoSOS)及其ArcGIS插件(http://www.geosimulation.cn)能够通过其耦合地理空间过程模拟与预测、空间多目标优化的能力，为地理国情信息的分析统计、制定和实施国家及区域发展战略与空间规划^[33]、优化国土空间开发格局等提供理论和技术支持，例如预测主体功能区潜在冲突和需要调整优化的地方。从而形成科学合理的空间决策依据，促进区域社会经济发展的同时协调自然生态系统和环境保护，实现绿色可持续发展模式。

在利用地理国情监测数据进行空间模拟与优化时还应注意以下几个问题：

(1) 使用GeoSOS进行空间模拟，需要获取多时段的地理国情信息监测数据，从而挖掘地理过程的规律并进行模拟及预测。因此在地理国情数据获取方面，今后宜采用分类更新的普查工作机制，对人文因素等快速变化要素进行基于年或更短时段的更新，对变化较少的自然因素进行固定年份频率的更新。

(2) 地理模拟优化系统通过空间优化能力适用于生态控制区、基本农田的划定问题，同时与约束性元胞自动机耦合也适于确定城市增长边界。当前我国已开展省级空间规划工作，要求基于生态控制线、基本农田保护线和城市增长边界划定生态、农业和城镇空间，作为典型的空间模拟与优化问题，地理模拟优化系统能够为区域空间规划提供理论和工具支撑^[34]，也可为基于“多规合一”的新工作模式提供参考^[35]。

(3) 目前地理时空大数据的应用和分析愈来愈广泛，特别是基于个体的群时空行为及活动模式研究日渐增多，适宜引入多智能体系统模型与群智能结合的分析方式，地理模拟与优化系统同样可以为其提供支持。在涉及省级和国家尺度进行精细化地理国情模拟和优化时，计算能力常常成为制约研究进行的瓶颈，基于GPU的高性能计算模式可以作为未来发展的主流方式^[36]。