随着中国城镇化进程的迅速推进，大量城市都在经历一个快速集聚和饱和的发展过程，大城市郊区化、城市群体化、区域化发展趋势明显，人口流动迁移已经成为当前中国城镇化及城镇空间重构的重要驱动力。截至2014年底，全国人口流动迁移量增长了约800万人，比2013年上升了3.3%，人口流动迁移总量达到2.53亿，占总人口的18.5%^[1]。人口的流动迁移给区域的产业、就业、交通、环境等多方面带来了深远的影响，城镇空间形态正在从传统的单中心城镇向区域城镇网络化格局转变，因此亟需开展城镇网络化空间发展的理论和模拟技术研究，引导和规划城镇有序健康发展，为我国新型城镇化战略顺利推进提供支撑。

现有的城镇扩张模拟模型本质上是基于城镇空间集聚效应原理，对单体城镇建设用地边界蔓延的分析是对土地城镇化的预测和模拟^[2-6]。而城镇化的本质是人的城镇化，是农村人口不断市民化的过程；同时，传统的单中心城镇空间结构也由于人口迁移的驱动而被不断重构，从而形成在不同空间尺度下相互联系的大、中、小城镇间组成网络型空间组织结构。因此，亟需开展以人为本、人口城镇化和土地城镇化协同的城镇网络化空间发展的新型城镇模拟模型研究。针对当前研究的不足，本文引入人口交互网络方法来量化分析人口交互的空间影响，并嵌入CA模型的转换规则系统中，构建了考虑人口流动交互的城镇景观动态模拟模型(urban landscape dynamic model considering the population interaction，ULMCPI)，以湖北省鄂州市为研究区，验证模型的有效性，并针对区域未来城镇景观进行了预测。

1 ULMCPI模型构建

在ULMCPI模型中，构建了人口流动交互网络，基于社会网络分析理论对相关的网络指标进行测度，并用于表征不同城市的人口流动交互影响；运用空间显式的交互测度方法，基于场论将研究区域抽象为一个地理空间数据场，以辐射影响的方式去测度全域范围内由点到面的交互影响；最后，通过构建土地利用转换概率复合函数，整合邻域交互、适宜性及可达性和人口流动交互等多方面的影响因素。ULMCPI模型的基本框架如图 1所示。

1.1 人口流动交互

在人口流动交互网络的构建中，将各区域中心视为网络节点，不同区域间的人口流动视为网络连接线，人口流动交互的强度表征连接强度，基于区域人口流动数据完成人口流动交互网络的构建。在社会网络分析理论基础上，从关系的视角对表征人口流动交互网络特征的相关网络指标进行测度^[7]。中心度是网络指标中最重要的指标之一，在人口流动交互网络中，节点的中心度可以表征该节点在网络中的人口影响力大小。中心度越高，代表该节点在网络中具有越高的人口影响力^[8]。在有向的人口流动交互网络中，需区别估算不同方向的中心度，即点入度和点出度，它们表征了该节点在网络中不同方向上的人口影响力大小。其公式如下：

$ {C_{RD\_I}}(k) = \sum {{N_k}, } {C_{RD\_O}}(k) = \sum {{M_k}} $

(1)

式中，C_{RD_I}(k)、C_{RD_O}(k)分别为城镇k的点入度、点出度；N_k表示流入城镇k的连接线数量；M_k表示从城镇k流出的连接线数量；k为城镇节点在人口交互网络中的编号。则城镇节点的总体中心度测度可以表示为：

$ {C_{RD}}(k) = \frac{{{C_{RD\_I}}(k) + {C_{RD\_O}}(k)}}{{2 n - 2}} $

(2)

式中，C_RD(k)为城镇k的中心度；n为网络规模大小。

1.2 人口流动交互的空间实现

基于人口流动交互网络，人口流动交互可以被有效的分析，但其是基于点线结构进行分析的，不能完整地覆盖整个研究区域。基于场论思想，本文采用了空间显式的交互测度方法来将交互信息和空间位置信息相结合，进行衰减效应的求取，从而实现区域人口流动交互的空间化的显示。其计算公式为：

$ {U_{(k, i)}} = {Z_k} \cdot {\lambda _k}/L_{(k, i)}^a $

(3)

式中，U_(k，i)表示城镇k在点i的人口流动交互影响；Z_k表示城镇k的人口交互影响能力；L_(k，i)表示城镇k到点i间的距离；a是可达性距离摩擦系数，通常取值为1；λ_k为城镇k的影响权重，通常由该城镇的人口交互影响力大小决定。

中心度具有表达各节点影响力大小的网络特性，与空间显式的交互方法构建的地理空间数据场中场强的要求相吻合^[9-11]，故本文采用节点中心度大小来表征其人口交互影响能力大小，选取路径距离来代替传统的欧氏距离。通过计算区域时间通行成本来获取路径距离，根据2005年中国不同等级的铁路里程和速度标准以及《中华人民共和国公路工程技术标准(JTGB01-2003)》，设定不同交通方式的平均速度(高速公路、国道、铁路、水域、陆地的平均速度分别为120、80、90、1、5 km/h)。

同时，设定各等级交通方式的通行时间成本为通过1 km距离所需的分钟数，通过计算不同栅格的通行时间成本来获取全域的成本栅格。在ArcGIS 10.2环境下，在成本栅格基础上计算每个栅格到指定城镇节点的路径距离，其公式如下：

$ {\rm{Cos}}t = 1{\rm{ }}/1V \times 60 $

(4)

式中，Cost表示时间成本；V表示不同交通方式的平均速度。

1.3 土地利用转换概率复合函数

在ULMCPI模型中，土地利用变化的驱动因子可分为三个部分：邻域交互、适宜性与可达性和人口流动交互，它们共同用于识别土地利用的转移概率。元胞的转换概率公式如下：

$ {P_{(x, y)}} = \prod _1^3{P_{n(x, y)}} $

(5)

式中，P_(x，y)为元胞(x，y)的总转换概率；P₁、P₂、P₃均为元胞(x，y)的转换概率，分别受邻域交互、适宜性与可达性和人口流动交互的影响。

邻域交互主要通过周围已城镇化元胞对中心元胞的影响来实现，其邻域交互规则可由3×3的邻域函数来表示，其公式为：

$ {P_{1(x, y)}} = \frac{{\sum\nolimits_{3 \times 3} {{\rm{con}}({s_{ij}} = {\rm{urban}})} }}{{3 \times 3 - 1}} $

(6)

式中，P_1(x，y)为邻域交互概率，即邻域交互作用对元胞状态的转换概率；con(s_ij)是条件函数，如果元胞为城镇元胞，则值取1，否则为0。

区域适宜性与可达性综合作用是由多种区域因素共同决定的，如自然环境、交通发展、人口增长、社会经济发展等，可由Logistic回归分析模型从历史数据中获取属性变量来衡量其对土地利用类型变化的影响。其公式为：

$ {P_{2(x, y)}} = \frac{{\exp ({z_{x, y}})}}{{1 + \exp ({z_{x, y}})}} = \frac{1}{{1 + \exp ( - {z_{x, y}})}} $

(7)

式中，P_2(x，y)表示在适宜性和可达性变量作用下元胞状态的转换概率；z_x，y表示如下：

$ {Z_{x, y}} = {\beta _0} + {\beta _1}{X_1} + {\beta _2}{X_2} + \cdots + {\beta _n}{X_n} $

(8)

X_n为适宜性及可达性驱动因子，如距高速公路、铁路、市区的距离等；β_n为相应各驱动因素的回归系数。

人口流动交互规则是ULMCPI模型在CA模型转换规则基础上进行改进的核心部分。在完成了每个城镇节点对全域的人口交互影响的测度后，遵循累积效应^[12]对每个城镇的人口流动交互进行叠加来获取区域总体人流交互值。其公式为：

$ {P_{3(x, y)}} = {U_{(i)}} = \sum\limits_{k = 1}^n {{U_{(k, i)}}} $

(9)

式中，P_3(x，y)为人口流动交互转换概率，受人口流动交互的作用大小决定；n为区域中城镇的数量；U_(i)表示点i处受到的总的人口流动交互作用值。

因此，在ULMCPI模型中，元胞的综合转换概率P_(x，y)可表达为：

$ \begin{array}{l} P\left( {x,y} \right) = \frac{{\sum {_{3 \times 3}\left( {{s_{ij}} = {\rm{urban}}} \right)} }}{{3 \times 3 - 1}} \times \\ \frac{1}{{1 + \exp \left( { - {z_{x,y}}} \right)}} \times \sum\limits_{k = 1}^n {{U_{\left( {k,i \in } \right)}}} \end{array} $

(10)

2 案例研究 2.1 研究区数据与数据处理

本文选取湖北省鄂州市作为研究区域，其地域面积1 596 km²，拥有25个乡镇及街道。由于其靠近我国中部交通枢纽城市武汉，具有相对剧烈的区域人口流动，且不断地对区城镇化进程产生影响，因此其城镇化发展逐渐由单中心向多中心的发展模式演变。

本文所用的研究数据包括土地利用数据、社会经济数据、高程数据、人口流动数据等。其中土地覆盖及土地利用数据从鄂州2004-2013年的Landsat TM影像获得。几何校正、图像配准等预处理通过ERDAS软件完成，采取监督分类与目视判读相结合的方法，将鄂州的土地利用类型分为五类：耕地、林地、城镇建设用地、水域和其他用地。监督分类和精度检验的样本则来自同时期的土地利用调查数据，2004年和2013年的分类结果均通过了精度检验，分类精度分别为92.19%和93.75%，如图 2所示。社会经济数据来自鄂州市统计年鉴，区域的人口流动数据则来自于鄂州市公安局的人口实时监测数据及广泛的实地调查。数字高程模型来自地理空间数据云平台(http://www.gscloud.cn/)；基础地理信息(如行政边界、河流、路网等)收集于国家基础地理信息中心。为实现与CA模型的融合，基于ArcGIS的转换函数将所有空间栅格数据大小统一为100 m。

2.2 人口迁移影响的空间化测度

基于2004年流动人口数据，以各乡镇中心为节点，乡镇间的人口迁移流动为连接线，结合其人口流动交互强度，建立鄂州市25个乡镇人口流动交互网络，如图 3(a)所示。在社会网络分析理论及UCINET软件支持下，获取中心度等相关网络指标。通过交互的空间显式方法对节点人口流动交互潜能值及其距离衰减作用的测度，以获取各个城镇覆盖全域的区域人口流动交互，并进行交互叠加，从而得到区域总体人口流动交互影响，如图 4(a)所示。

2.3 城镇景观动态模拟与模型验证

在ArcGIS 10.2、CLUE-S和SPSS 19.0等软件的技术支持下，运用ULMCPI模型进行城镇景观动态模拟。本文根据研究区域的区域特性及数据的可获取性，选取了11个影响因子，分别为高程、距城镇中心距离、距农村居民点距离、距铁路距离、人口密度、距高速距离、距道路距离、距河流距离、距湖泊距离、距开发区距离和人流交互作用。基于历史数据获取区域土地需求，由于城镇建设用地转换为其他用地类型需要相对较昂贵的成本，故在模拟过程中设定城镇建设用地不能转换为其他用地类型。以20%的比例对土地利用变化数据和驱动因素进行抽样形成样本数据，并对样本数据进行逻辑回归分析。通过0.05显著性检验的因子被引入至模型中进行城镇景观动态模拟。设置2004年区域城镇土地利用现状为初始状态，2013年土地利用状态为模型终止条件。传统的Logistic CA模型及ULMCPI模型均被用于城镇景观动态模拟，其结果如图 5及表 1所示。

基于ArcGIS叠加分析，将不同模型的模拟结果与2013年的实际状态进行叠加计算，以获得Kappa系数^[13]，如表 2所示。显然，与Logistic CA模型相比，考虑了人口流动交互的ULMCPI模型具有更高的模拟精度。Logistic CA模拟结果显示出了围绕中心城区的单中心发展趋势，而ULMCPI模型的模拟结果中则更多地关注到了次一级区域中心的城镇化发展，呈现出多中心的城镇网络化空间增长模式。

由于本文关注的是城镇建设用地，因此仅评价建设用地变化的模拟精度，将模拟结果分为建设用地和非建设用地，栅格编码分别为1和0。

2.4 城镇景观动态预测

本文基于ULMCPI模型对区域未来城镇景观进行模拟预测。依据《鄂州市国土空间综合规划(2014-2022)》获取鄂州市2022年土地利用结构调整目标。以2013年为基期年，2022年土地利用数量结构为模型终止条件。基于鄂州市2013年人口流动数据构建人口流动交互网络，如图 3(b)所示，人口流动交互的空间实现如图 4(b)所示，模型预测的2022年鄂州市土地利用景观如图 6所示。

2.5 结果和分析 2.5.1 数量变化

从数量变化的角度来分析模拟结果，图 7展示了2004-2022年间不同地类的数量变化，其中变化最剧烈的土地类型是耕地和建设用地。建设用地的面积比例从11.64%上升至18.89%。与此同时，耕地面积则呈显著减少趋势，其面积比例从44.29%逐步缩小至35.31%。林地面积略有增加，其余地类面积均略有下降。不难发现，城镇建设用地的增长主要来源于耕地的减少；城镇扩张给耕地保护带来了较大的压力，耕地保护面临着巨大的挑战。

2.5.2 空间格局变化

结合数量变化及空间位置信息进行分析可以发现，鄂州市城镇化过程呈现出不断扩张的趋势，鄂州市主城区、西北部的葛店镇及庙岭镇附近将是未来城镇扩张的重点区域，如图 8所示。依据《鄂州市国土空间综合规划(2014-2030)》划定的新区范围，对不同新区的土地利用状况进行分析发现，在研究期间，鄂州市城镇建设用地持续增长，大部分的建设用地位于主城区范围内，但同时，综合规划划定的新区——葛店开发区及红莲湖开发区的城镇建设用地数量也在不断的增长，鄂州市内不同区域间的城镇化差异正逐渐缩小，以主城区为主导的单中心发展模式正逐渐向多中心网络化发展模式转变。

图 9突出显示了鄂州市在2013年之前可能被转换为城镇建设用地的区域。对局部地区进行比较分析显示，不同模型下区域的城镇建设用地空间分布具有不同的格局。Logistic CA模型模拟出的结果是围绕主城区的单中心化扩张，20.44%的城镇建设用地位于主城区，而ULMCPI模型则更多地关注到了新型扩张中心的用地增长，主要包括葛店开发区和红莲湖开发区。在ULMCPI模型的模拟结果中，17.91%的城镇建设用地位于主城区，葛店开发区及红莲湖开发区的占比则为12.31%及4.23%，相较传统的Logistic CA模型，更好地模拟了次一级区域中心的城镇建设用地元胞变化，与区域实际的16.44%、12.69%和5.75%更加贴合。显然，考虑了人口流动交互的模拟结果能更好地捕捉区域的新型增长点及多中心化发展趋势。

将《鄂州市国土空间综合规划(2014-2030)》确定的区域人口空间分布和未来人口流动中心与2022年预测城镇景观相对比，如图 10所示。可知，到2022年，预测结果中城镇扩张将更多地发生在鄂州市的西北部——葛店及红莲湖。这样的模拟结果与区域规划中确定的未来区域人口交互热点地区——葛华新城相吻合。ULMCPI模型的模拟结果与区域规划具有一定程度的相似性，这也从另一方面验证了模型的有效性。

3 结束语

在城镇发展的不同阶段，城镇景观动态是受到不同驱动因素的影响。在我国当前新型城镇化背景下，人口在城镇空间结构重构中扮演着重要的角色。本文研究结果表明，考虑人口流动交互的ULMCPI模型在模拟城镇景观动态过程中具有更高的精度，能更好地捕捉新型城镇化的增长点，模拟城镇结构转型时期城镇景观变化的多中心网络化发展趋势。ULMCPI模型模拟的城镇景观为区域空间格局发展提供了一种相对合理的分布方案。基于这样的模拟结果，区域未来发展中应更多地关注新区的基础设施建设；完善交通、通讯网路，以连接不同区域中心推动区域整体的网络化发展；加强完善福利政策，吸引向新区的人口流动。