[0001] 本发明涉及国土空间规划技术领域，特别是涉及一种城市建设用地指标预测方法及装置。

[0002] 高质量发展是利于资源效率提升及环境负效应规避的人与自然的协调发展，通过不断调控人类行为以实现生态‑经济协同发展目标。人类活动是导致土地利用与覆盖变化进而影响自然环境的主要原因之一，城市建设用地作为人类活动的主要聚集区，是环境调控的重要载体。

[0045] 为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。

[0046] 本发明实施例提供了一种城市建设用地指标预测方法。

[0047] 图1为一实施方式的城市建设用地指标预测方法流程图，如图1所示，一实施方式的城市建设用地指标预测方法包括步骤S100至步骤S103：

[0048] S100，基于待预测地区的历史数据建立碳排放与城市建设用地面积的定量关系；

[0049] S101，基于历史数据预测待预测地区的碳排放预测量；

[0050] S102，根据定量关系和碳排放预测量，获得城市建设用地需求量；

[0051] S103，将城市建设用地需求量导入土地利用模拟模型，根据城市建设用地需求量与土地利用模拟模型的限制阈值的关系确定预测结果。

[0052] 其中，待预测地区的历史数据包括碳排放的历史数据以及城市建设用地面积的历史数据，建立碳排放与城市建设用地面积的定量关系。

[0053] 在其中一个实施例中，通过建立拟合模型或映射模型，训练碳排放与城市建设用地面积的定量关系。

[0054] 在其中一个实施例中，图2为另一实施方式的城市建设用地指标预测方法流程图，如图2所示，步骤S100中基于待预测地区的历史数据建立碳排放与城市建设用地面积的定量关系的过程，包括步骤S200：

[0055] S200，将历史数据作为变量代入环境影响评估模型，计算定量关系。

[0056] 其中，环境影响评估模型用于分析人类活动对环境影响的环境压力。人类活动对环境的影响来源于人口(P)、富裕程度(A)和技术(T)三个关键驱动力的乘积，即I＝PAT。基于此，环境影响评估模型的表达式如下式：

[0057] I＝aPbAcTdε

[0058] 其中，常数a表示模型系数，b、c、d分别为人口、富裕度和技术驱动力的指数，ε为误差项。

[0059] 为适应碳排放与城市建设用地面积的定量关系计算，本实施例对上述环境影响评估模型的表达式进行调整，将表达式转换为对数形式。其中，α和 分别为a和ε的对数值，b、c、d分别表示碳排放对人口、富裕度和技术的弹性系数，即表示人口、富裕度和技术每变化1％时分别引起环境变化b％、c％和d％，得到的对数形式的表达式如下：

[0060]

[0061] 在其中一个实施例中，历史数据包括碳排放、城市建设用地面积、人口密度、人均GDP、单位GDP能耗、第三产业占比和碳排放滞后一期；

[0062] 基于此，将碳排放、城市建设用地面积、人口密度、人均GDP、单位GDP 能耗、第三产业占比和碳排放滞后一期作为碳排放驱动因素，通过偏最小二乘回归法对系数进行求解，并估计回归系数方差以计算回归系数显著性，获得环境影响评估模型的表达式如下：

[0063]

[0064] 其中，C表示碳排放，B表示城市建设用地面积，R表示人口密度，G表示人均GDP，E表示单位GDP能耗，T表示第三产业占比，Clag表示碳排放滞后一期；b、c、d表示碳排放对环境影响评估模型的变量指数的弹性系数，α、表示环境影响评估模型的变量的对数值，e、f、g表示修正系数。

[0065] 在其中一个实施例中，通过刀切法(Jackknife)估计回归系数方差以计算回归系数显著性。

[0066] 地区的产业结构(第三产业占比(T))和历史碳排放的惯性发展因素(碳排放滞后一期(Clag))对碳排放具有较大影响，因此以环境影响评估模型的表达式执行偏最小二乘回归法对系数的求解，并通过刀切法(Jackknife)估计回归系数方差以计算回归系数显著性，可显著提高后续预测的准确性。

[0067] 如上环境影响评估模型对碳排放的回归过程进行调整，为适应环境影响评估模型的改进，在其中一个实施例中，通过自回归模型预测待预测地区的碳排放预测量。如图2所示，步骤S101中基于历史数据预测待预测地区的碳排放预测量的过程，包括步骤S201：

[0068] S201，将历史数据作为自回归模型的输入变量，通过自回归模型预测作为输出变量的碳排放预测量。

[0069] 通过自回归模型模拟碳排放规律并预测碳排放趋势。作为一个较优的实施方式，自回归模型选用神经网络自回归模型，基于神经网络自回归模型对非线性非平稳的时间序列模拟效果更好，使用滞后值作为自变量，将时间序列数据和时间序列的滞后值也可以作为神经网络的输入。在神经网络自回归模型中，使用C(t‑1)、C(t‑2)…C(t‑p)为碳排放量的滞后项，p为滞后时间参数。该神经网络创建和训练于一个开环中，使用真实值作为响应变量，使得训练结果更接近于真实值。神经网络在训练结束被转换为一个闭环，预测值被用来为网络提供新的响应输入。应用于离散的非线性自回归神经网络，描述一个离散的碳排放非线性自回归模型

[0070] Ct＝h(Ct‑1,Ct‑2,...,Ct‑d)+εt

[0071] 神经网络训练的目的是通过优化网络权重和神经元偏移来逼近函数。因此，神经网络自回归模型定义如下：

[0072]

[0073] 其中，a表示输入变量个数，k表示具有激活函数φ的隐藏层的数量，βij表示与隐藏层之间的连接权重相对应的参数；βij表示对应于输入单元i和隐藏单元 j之间连接的权重的参数，αj表示隐藏单元j和输出单元之间的连接权重，β0j和α0分别为表示隐藏单元j和输出单元的常数项，Ct‑i表示碳排放的滞后项，Ct表示输出变量。

[0074] 传统自回归模型存在时间需序列的不平稳性，导致传统的自回归模型无法模拟出未来结果。因此，上述的神经网络自回归模型定义的改进，相比传统自回归模型，以滞后项和滞后时间参数解决了时间需序列的不平稳性的问题，对后续碳排放预测的结果更符合实际发展。

[0075] 在根据定量关系和碳排放预测量获得的城市建设用地需求量，由于是模型的初步模拟结果，与现实情况存在一定差异。差异会导致与后续土地利用模拟模型的模拟结果出现较大误差。基于此，在其中一个实施例中，根据城市建设用地的生活空间功能调整城市建设用地需求量。

[0076] 其中，生活空间功能包括居住承载量和交通与公共服务承载量。根据各生活空间功能的价值计算，并根据各价值的归一化结果获得调整系数，根据调整系数与城市建设用地需求量的乘积，更新城市建设用地需求量。

[0077] 在其中一个实施例中，居住承载量如下式：

[0078] Vi，land＝Vi，b_price×(1+∑Ki，factors)×Yi，year×Di，data×Ri，plottatio[0079] Vi，land＝(Costi+Ri)×S×K

[0080] 其中，Vi,land为待估宗地价格﹔Vi,b_price为待估宗地所处区的基准地价；Ki,factors为各影响因素修正系数之和，包括区域因素和个别因素；Yi,year为年期修正系数；m为待估宗地的使用年期；n为基准地价设定的使用年期；Di,data为期日修正系数；Ri,plottatio为容积率修正系数；Costi为土地成本价格，成本无法核算的可以运用当地征地补偿标准(每年)替代；Ri为土地增值；S为个别修正系数；K为年期修正系数。根据各参数的预先获取。

[0081] 在其中一个实施例中，交通与公共服务承载量如下式：

[0082]

[0083] 其中，Vi,land为待估用地价格； 为待估用地所处区周边用地的平均价格；S为个别修正系数；D为区域修正系数。

[0084] 分别根据待估宗地价格和待估用地价格的归一化结果，执行权值的统一以获得调整系数。

[0085] 在其中一个实施例中，将城市建设用地需求量导入土地利用模拟模型，将土地利用模拟模型的模拟结果和城市建设用地需求量作为预测结果。作为一个较优的实施方式，土地利用模拟模型选用基于CA(元胞自动机)PoLUS‑C模型。 CA模型将自动机的自我复制和随机性的数学理论与地理信息系统(GIS)栅格地图空间结合起来，能够有效体现不同土地栅格之间的作用关系。

[0086] 将城市建设用地需求量导入土地利用模拟模型，根据城市建设用地需求量与土地利用模拟模型的限制阈值的关系确定预测结果。根据土地利用模拟模型的确定，可确定各土地栅格的限制阈值。根据土地栅格对应的城市建设用地需求量的导入，得到土地栅格上城市建设用地需求量的量发展过程和时间发展过程，作为预测结果。例如，土地栅格的限制阈值为设定城市建设用地需求量，根据上述各节点的城市建设用地需求量导入，直至该土地栅格的城市建设用地需求量达到设定城市建设用地需求量，由土地利用模拟模型根据预先的模拟结果输出形式，将城市建设用地需求量达到设定城市建设用地需求量的过程反馈为预测结果。

[0087] 在其中一个实施例中，CA模型的邻域影响模块体现了历史时期城市建设用地对其他地类侵占能力，通过设置邻域影响模块的影响范围及影响值体现历史发展惯性的延伸。其中，影响范围代表一个栅格上的土地类型的影响范围大小，影响值代表一个栅格上的土地类型对周围土地转换为该土地类型的吸引力大小。以设置中心单元两侧1‑5个单元格距离的影响值，其对角线的值由毕达哥斯拉定理计算。

[0088] 在其中一个实施例中，CA模型的可达性模块通过计算主要道路(国道、省道、乡道)、铁路和高速到每个栅格上的距离，体现了交通路网对建设用地发展的吸引力(公式7)。其中a为栅格的可达性，D为每个栅格到最近交通路网的欧几里得距离，为不同交通路网的可达性系数，如下式：

[0089]

[0090] 在其中一个实施例中，CA模型结合现有土地利用碳排、碳汇能力，建立土地利用碳排碳汇适宜性评价(LUCES)并结合考虑区位条件、社会经济潜力的资源环境承载能力和国土空间开发适宜性评价(DES)作为城市建设用地适宜性因素。

[0091] 在其中一个实施例中，CA模型的主体功能区划(MFA)通过一个随机数函数进行计算，其中ran为0‑1范围内服从均匀分布的随机数，α为随机效应规模：

[0092]

[0093] 在其中一个实施例中，如图2所示，另一实施方式的城市建设用地指标预测方法还包括步骤S202和步骤S203：

[0094] S202，获取与土地利用模拟模型相关的驱动力参数；

[0095] S203，根据驱动力参数修正限制阈值。

[0096] 在其中一个实施例中，为体现不同土地栅格之间的作用关系，邻域影响(N)、可达性(A)、适宜性(S)、主体功能区(Z)以及随机性(v)。通过各驱动力参数的相乘，得到每个栅格上城市建设用地发展潜力指数：

[0097]

[0098] 基于此，通过城市建设用地发展潜力指数修正城市建设用地需求量。例如，通过城市建设用地发展潜力指数与城市建设用地需求量的乘积，更新限制阈值。

[0099] 同时，在实验数据模拟中发现，各土地栅格的城市建设用地需求量在受邻域影响下，在时间发展中存在一定的振幅波动，影响数据的参考价值。基于此，还包括步骤：

[0100] 以同一栅格在单位时间发展下的城市建设用地需求量变化量作为振幅；

[0101] 根据差分算法拟合出有振幅下城市建设用地需求量的变化趋势，作为变化趋势拟合函数；

[0102] 根据变化趋势拟合函数在最大振幅处执行比例换算，确定最大强度振幅；

[0103] 根据最大强度振幅确定城市建设用地需求量的幅度参数，以修正城市建设用地需求量。

[0104] 其中，变化趋势拟合函数可参照正弦函数，拟合为F＝F0sinQ，其中，F0为最大强度振幅，通常正比于最大振幅处F；Q为比例系数，与领域影响相关。基于此，通过事先确定的数据，进行正弦函数模拟，得到最大强度振幅。

[0105] 根据最大强度振幅去确定幅度参数的边界值，求出最大限度和最小限度的幅度系数，与城市建设用地需求量执行相乘，将一土地栅格的城市建设用地需求量的最大变化确定，有利于调整限制阈值，提高土地利用模拟模型的模拟结果的参考价值。

[0106] 在其中一个实施例中，最大强度振幅与幅度参数的边界值成比例关系。

[0107] 为了更好地解释本发明实施例的效果，以下以X市作为待预测地区，进行举例：

[0108] 图3为X市的定量关系示意图，如图3所示，对建立的定量关系标准化系数进行求解并得到回归系数显著性，其中各变量p值均小于0.001，显著性结果较好(如下表1所示)。再根据原变量系数与标准化系数的关系得到定量关系中碳排放对各变量的弹性系数。结果显示，城市建设用地碳排放效应系数为0.1，即说明X市城市建设用地面积每增加1％，碳排放增加0.1％，结果与现有历史数据基本一致。2009‑2018年X市碳排放拟合曲线从低于实际碳排放到高于实际碳排放，说明X市碳排放正处于环境库兹涅茨曲线拐点过度时期。由此可见，“双碳”目标下，优化产业结构、降低能源消耗强度，集约式发展是未来X市城市建设用地主要方向。因此，“双碳”目标下，X市城市建设用地需求可在上述定量关系上进行修正。

[0109] 表1标准化回归系数和显著性检验表

[0110]

[0111] 图4为X市的碳排放预测量预测示意图，如图4所示，利用X市1970‑2018 年城市碳排放数据，通过自回归模型对其2019‑2060年城市碳排放量进行模拟预测，结果显示2030年X市城市碳排放预测量为69.8百万吨，相较于2018年增长5.36％。2060年X市城市碳排放预测量为70.2百万吨，与2030年结果基本一致。结合X市建设用地碳排放效应结果，得到2018‑2030年和2030‑2060年X 市建设用地面积分别扩张53.6％和6％。因此，2018‑2030年X市城市建设用地发展依然以扩张为主，同时兼顾内部格局优化与集约式发展，2030‑2060年则主要以内部空间格局优化为主。

[0112] 上述结果只能反映在惯性发展下，X市城市建设用地需求变化与空间格局演化方向。“双碳”目标下，X市产业结构的升级调整将改变现阶段城市建设用地需求增长趋势，同时更为严格的生态保护政策将倒逼城市建设用地内部优化进程，从而增强土地利用碳汇功能。因此，“双碳”目标下的X市建设用地需求和格局演化影响因素需要通过驱动力参数进一步率定。

[0113] 以下基于土地利用模拟模型的模拟：

[0114] 图5为X市在2012‑2018年的土地利用面积变化图，如图5所示，城市扩张导致的土地利用、土地覆盖变化是碳排放增长的主要原因之一，快速城镇化使X市景观格局发生较大变化，林地和耕地大面积减少。2012‑2018年X市建设用地扩张11402公顷，林地、耕地面积分别减少5850、4453公顷。因此，“双碳”目标下，土地利用碳排、碳汇能力是城市建设用地空间格局演化的重要影响因素。

[0115] 图6为X市在能源消耗强度变化图，如图6所示，能源消耗及能源消耗强度是碳排放的主要驱动因素，基于模拟结果可进一步优化建设用地布局，推进新能源项目进程，降低能源消耗强度。

[0116] 根据上述分析，研究对土地利用模拟模型主要参数进行率定，形成基准发展和“双碳”目标两种情景下X市城市建设用地格局演化参数方案(如下表2所示)。其中基准发展情景下城市建设用地需求利用上述定量关系和自回归模型模拟结果得出，即2018‑2030和2030‑2060年X市城市建设用地面积分别增长 100298公顷(53.6％)和17244公顷(6.0％)，年均增长4.46％和0.5％。“双碳”目标情景下城市建设用地需求在上述年均增长基础上分别降低0.94％和0.25％，即2018‑2030和2030‑2060年X市城市建设用地面积分别增长78867公顷(42.2％) 和7980公顷(3.0％)，年均增长3.51％和0.25％。基准情景下X市城市建设用地格局模块权重参数，根据现有文献进行率定。相较于基准发展情景，“双碳”目标发展情景下权重根据上述分析在基准发展情景基础上进行调整。其中适宜性中增加了LUCES因素，考虑了土地利用碳排、碳汇能力，并且在2030‑2060 年阶段增加了该因素权重。

[0117] 表2 X市建设用地格局演化模拟参数设定表

[0118]

[0119] 图7为X市城市建设用地转变规律示意图，如图7所示，CA模型中邻域模块参数根据历史时期城市建设用地扩张和收缩带来的土地利用格局变化对邻域规则模块参数进行率定。数据显示，2012‑2015X市城市建设用地扩张面积远大于减少面积，扩张处以占有林地、耕地为主，二者面积分别减少3048和1995 公顷。通过模拟X市2018年的土地利用情况，验证了土地利用模拟模型的准确性，其中Kappa系数为0.97，总体准确度为0.99，土地利用模拟模型的准确性可以得到验证。

[0120] 上述任一实施例的城市建设用地指标预测方法，在基于待预测地区的历史数据建立碳排放与城市建设用地面积的定量关系且基于历史数据预测待预测地区的碳排放预测量后，根据定量关系和碳排放预测量，获得城市建设用地需求量，最后将城市建设用地需求量导入土地利用模拟模型，根据城市建设用地需求量与土地利用模拟模型的限制阈值的关系确定预测结果。

[0121] 本发明实施例还提供了一种城市建设用地指标预测装置。

[0122] 图8为一实施方式的城市建设用地指标预测装置模块结构图，如图8所示，一实施方式的城市建设用地指标预测装置包括：

[0123] 定量计算模块100，用于基于待预测地区的历史数据建立碳排放与城市建设用地面积的定量关系；

[0124] 排放预测模块101，用于基于历史数据预测待预测地区的碳排放预测量；

[0125] 需求预测模块102，用于根据定量关系和碳排放预测量，获得城市建设用地需求量；

[0126] 指标预测模块103，用于将城市建设用地需求量导入土地利用模拟模型，根据城市建设用地需求量与土地利用模拟模型的限制阈值的关系确定预测结果。

[0127] 上述的城市建设用地指标预测装置，在基于待预测地区的历史数据建立碳排放与城市建设用地面积的定量关系且基于历史数据预测待预测地区的碳排放预测量后，根据定量关系和碳排放预测量，获得城市建设用地需求量，最后将城市建设用地需求量导入土地利用模拟模型，根据城市建设用地需求量与土地利用模拟模型的限制阈值的关系确定预测结果。

[0128] 本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的城市建设用地指标预测方法。

[0129] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM 以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM (SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存划痕属性信息储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0130] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

[0131] 与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种城市建设用地指标预测方法。

[0132] 该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市建设用地指标预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

[0133] 上述的计算机设备，在基于待预测地区的历史数据建立碳排放与城市建设用地面积的定量关系且基于历史数据预测待预测地区的碳排放预测量后，根据定量关系和碳排放预测量，获得城市建设用地需求量，最后将城市建设用地需求量导入土地利用模拟模型，根据城市建设用地需求量与土地利用模拟模型的限制阈值的关系确定预测结果。

[0134] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0135] 以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。