课题来源与背景：本项目来源于国家自然科学基金“基于地块对象的城市空间结构演化精细模拟”（41601420）。我国城市地块功能错配已导致严重的效率低下和交通拥堵问题，亟需建立基于地块对象的城市模拟模型来揭示地块层面的“人-地”作用规律，优化城市规划与管理决策。然而，现有基于像元的模型难以准确表达真实地块的空间关系和相互作用。本项目拟建立基于地块对象的城市模拟模型解决这一不足。

    研究目的与意义：本项目结合高分辨率遥感影像和多源社会感知数据获取地块对象属性和城市空间结构精细特征，并揭示居民活动与城市空间结构的相互作用，从而驱动城市地块模型模拟城市空间结构演化过程。本项目的研究内容和目标包括：（1）融合高分影像与社会感知数据识别地块对象的土地利用类型；（2）借助多源社会感知数据和主题模型获取地块对象的属性和城市空间结构的精细特征；（3）利用机器学习挖掘居民活动与城市空间结构的作用关系；（4）建立城市地块模拟模型，实现城市空间结构演化模拟。

    主要论点与论据：（1）本研究提出了一个新的矢量地块CA模型(LP-CA)，并利用集成学习方法解决矢量地块CA模型的校正难题。LP-CA模型集成了利用城市大数据提取的土地利用和城市功能格局信息，同时具有模型结构简单的特点。它包含两个主要部分，其一是地块发展潜力评估，其二是土地利用类型配置。首先，随机挑选一个未发展的地块并评估其发展潜力；其次，若其发展潜力大于一个随机值，则对其进行土地利用类型配置。因此，模型的关键是如何估算地块发展潜力和确定土地利用类型配置的规则。本研究选择一系列空间变量与地块样本输入到支持向量机(SVM)中进行训练，从而获得地块发展潜力模型。将该模型应用于深圳市，发现深圳2020年新增工业用地集中于深圳东、西两端的工业发展区，居住用地增长热点位于光明新城，商业用地增长热点则在宝安中心附近。（2）本项目提出了一种耦合斑块CA与智能体建模的城市增长边界模拟模型。许多城市已将划定城市增长边界作为减轻城市蔓延影响的重要措施。尽管许多研究已指出生态保护目标在划定城市增长边界中的重要性，但现有的城市增长边界模型仍缺少对生态敏感性的考量。为了解决这一问题，项目发展了一种新的方法，将经济和生态约束同时纳入到城市增长边界划定模型中。项目所建立的方法利用基于智能体的土地利用优化配置模型来选定生态敏感区，并将结果作为约束融合进斑块元胞自动机，从而模拟出未来不同经济结构情景下的城市增长边界方案。将提出的方法应用在珠江三角洲城市群，发现提高低能耗产业结构的比重不仅有利于降低能源消耗，也有助于减少土地的投入。不同情景模拟结果之间的一致性约为88%，表明这些区域均适宜纳入到城市边界内。（3）提出了一种大尺度城市用地制图方法。目前利用遥感数据进行大尺度城市用地制图面临着三大挑战。第一是海量的影像筛选工作，考虑到不同地区的气候条件，筛选和拼接覆盖全球范围的无云或少云的高质量遥感影像需要付出极大的工作量。第二是高强度的数据处理需求，高分辨率的全球城市用地制图中需要处理超过万景的遥感影像需要超高性能计算机软硬件的支持。第三是可适用于全球范围的城市用地分类算法，目前有许多城市用地制图算法都只在局域范围内得到验证，难以满足大尺度城市用地制图的需求。因此，本项目使用了具有高效影像筛选和数据处理性能的Google Earth Engine地理科学计算云平台，用于克服全球高分辨率城市用地制图的前两大挑战。同时本项目还使用归一化城市用地综合指数(NUACI)算法，这种算法能够将多种归一化指数组合起来用于城市用地的自动识别，从而能够应对全球制图的第三大挑战。制图结果总体精度达到0.81–0.84，kappa系数达到0.43–0.50。基于这一数据产品，发现1990-2010年间全球城市用地增长了74.71 ± 0.15 万平方千米，占地表覆盖面积由0.46%（1990年）增加到0.63% (2010年)。中国、美国和印度贡献了全球城市增长的43%。

    创见与创新：建立了一系列城市大数据分析、机器学习与建模方法提取了城市复杂土地利用格局，识别了城市空间结构的信息，包括城市各级中心空间分布、城市职-住结构、城市功能分区及其格局等；挖掘了居民活动与城市空间结构关联规则，提出了地块城市土地利用变化模拟模型及城市增长边界情景模拟模型；发展了大尺度城市用地制图方法等。

    社会经济效益：项目期间发表SCI/SSCI论文13篇，培养研究生7名。项目发展的城市大数据挖掘与分析方法被应用到深圳市城市体征监测和社区体检等实践中，参与研制了社区体检系统，有关成果也获得了南方都市报等媒体的报道。