【Cities】
城市收缩形态学：一种基于深度学习的定量分类框架
城市收缩 （US） 已成为城市高质量发展的关键全球挑战，引发了广泛的学术讨论。然而，城市收缩形态学 （USM） 的类型学相对被忽视，需要在科学边界识别、形态量化、细粒度内容和高级分类技术方面取得突破。本研究以中国十大城市群 （UAs） 中的城市物理面积 （UPA） 为研究对象，提出并验证了一个综合框架。结果表明，增强的反向传播神经网络 （BPNN） 在增量映射方面表现出色，而优化的卷积神经网络 （CNN） 在 USM 分类中达到了 98.7% 的准确率。USM 表明了进化轨迹，局部收缩更有可能转变为收缩城市 （SCs）。城市规模和扩张强度越大，USM 的复杂性和多样性就越高。所提出的复合形态 （CM） 被证明是显著的，占 22.3 %。东部和东南部 UA 的 CM 比例相对较低，而东北部 UA 的 CM 比例则表现出相反的趋势。本研究建立了一个新的范式，突出了 USM 研究的巨大研究潜力，为城市规划和可持续发展提供了技术视角。
基于 UPA 三阶段数据集，观察到所有城市的平均面积变化在 T1（2010-2000）和 T2（2020-2010）期间均为正值（分别为 3.300 ± 5.161 km2 和 8.123 ± 6.793km2）。这表明研究区域内所有城市的物理空间不断扩展。此外，T2 期的总体扩张速率（1.353 ± 1.037km2/年）高于T1 期（1.137 ± 1.451km2/年）。不同尿酸的膨胀特性存在显著差异。 SDP和YRD在T1期（17.061± 16.485km2 和 16.011 ± 16.955km2）和 T2 期（25.272 ± 17.413km2 和 18.643 ± 18.787km2）都经历了快速增长，而 MLS 和 GZP 的扩张速率相对较低（T1：3.300 ± 5.161km2和 4.439 ± 6.373km2; T2：13.616 ± 15.518km2和 8.123 ± 6.793km2）。通过分析 2000 - 2020 年的 UPA 特征和分布格局，可以看出实体城市呈现出“量增面广、分布更均匀”的趋势（图1）。 2000年，实体城市以小城市为主，呈点状聚集分布，主要集中在华北平原和长江三角洲地区。到2020年，大中城市数量显著增加，西南和东南地区增长明显，形成了以核心大城市为中心向各城市群内扩散的分布格局。
USM 表现出显著的区域空间差异，具有明显的“中心复合-外围单一”模式。具体而言，中心的大规模城市经历了主要以 CM 为特征的收缩，而外围地区主要表现为 SinM 收缩（ 图 4;表 S4）。最初经历 US 的 UA 包括北方地区的 MSL、中部地区的 MRYD 和南部地区的 GHM，其中最低比例的非萎缩城市为 6.4%-15.1%。相反，GZP，ZY，CC 和 YRD 在同一时期表现出最高的非收缩城市比例（31.2%-46.2%）。在 T2，GZP 和 CC 继续表现出强劲的发展势头，收缩率最低，保持在 19.4%至 23.1%之间的非收缩城市比例。相比之下，MSL 仍经历了明显的收缩，非收缩城市比例为 10.6%。 SDP 在此期间面临严峻的US，非收缩城市比例为 8.9%。GHM 和 MRYD 等早期萎缩的 UA 显示出部分复苏，非萎缩城市比例介于 22.1%至 22.9%之间。
图3中报告了基于收缩程度的 US 属性。SC 的趋势表现为逐渐扩张，Nons 收缩程度的城市数量从 T1 的 771 个（67.5%）减少到 T2 的 723 个（63.3%）。这表明，每年约有 0.42%的城市过渡到收缩类别。USM 表明了不同的演变趋势。本地更有可能过渡到 SC，而 Perfo，Perip 和 Multiform 类别的城市更有可能过渡到非收缩城市。值得注意的是，Com 和 Local 的城市比例最高，在 T1 中占 49.7%，在 T2 中占 52.0%，尽管这仍然很大。这表明US可能会持续一段时间，导致在册种姓的增加。在程度特征方面，US在轻微水平上表现出聚集的趋势。 大多数城市被归类为轻微，并显示出向这一水平趋同的明显趋势。这表明中国各地的城市可能已经达到了收缩发展的后期阶段，并采取了适当的措施来减少人口大幅波动的不利影响。
USM 比例和 PCR 属性的变化详见表1。每个 USM 显示相对中等的收缩特性，PCR 值不小于 0。只有 Com 表现出明显的负群体增长，而 Perfo、Perip 和 Perip_fo 的 PCR 值高于 0。这表明，虽然有一些局部萎缩，但总体人口变化是积极的。CM 发挥了重要作用。随着时间的推移，CM 的比例从 T1 的 10.7%增加到 T2 的 22.3%。这一发现表明，CM 具有重要的实际意义，表明未来的研究应该更加重视其模式和特点。
随着城市规模和扩展强度的增加，城市超高速公路呈现出“形态复杂、类型统一”的特征。从城市规模的角度来看，USM 和城市规模之间存在着强大的相关性，具有显着的时间变化。较大的城市往往表现出更复杂的 USM 和不同类型的更平衡的分布。此外，随着城市规模的增加，占主导地位的 USM 从 SinM 转移到 CM。在小城市，USM 相对简单，主要由 T1 中的 Com 和 Lo_Perfo 组成。在 T2 中，本地的比例增加。相比之下，大城市表现出更多样化的 USM，主要包括 Local、Perfo、Lo_perip、Perip_fo 和 Lo_Perfo。从扩张强度来看（图4），CM 与高强度区域扩张密切相关。在 T1-T2 期间，Multiform、Lo_Perfo 和 Perip_fo 对应的平均扩展面积位居前三。 相比之下，SinM（如 Local 和 Com）的平均扩展面积较低。值得注意的是，完全收缩通常对应于较低强度的城市面积扩张，大约每十年 10 平方公里。
USM 的转变展示了特定的模式，并根据地理位置和城市规模表现出变化（ 图 7）。USM 的转型相当普遍，至少有 74.4%的城市正在进行 USM 的变革。SinM 之间的转换也相对普遍，所有 UA 中至少有 46. 85%的城市经历了这种转换，GZP 高达 84. 6%。进一步分析 SinM 之间的转换模式发现，大多数中小城市从集中的大规模收缩转向局部收缩，并呈现出进一步分散的趋势。在各种 UA 中，44.5%至 93.1%的 Com 城市过渡到其他模式，而 60.9%至 77.4%的本地城市经历了类似的过渡。 相反，Perfor 增加了，WTS 经历了 Perfor 150%的增长，表明区域内的经济分化变得更加激烈。Perip 表现出显著的流出趋势，GZP、GHM、ZY、SDP 和 YRD 等 UA 中的所有 Perip 实例都向外过渡。这表明纯粹的外围收缩可能正在演变，收缩的区域正在扩展成城市内部的各种形式。
此外，USM 的复杂性也有所增加。在 MSL、SDP 和 YRD 等 UA 中，从 SinM 到 Com 的转换比例超过 20%。这表明随着时间的推移，USM 变得更加复杂，SinM 不再提供城市演变的准确表示。对US复杂性增加模式的进一步分析揭示了“局部复杂性和外围扩张共存”的典型趋势，在大城市尤为明显。USM 从单一模式 Local 和 Perfo 过渡到 Lo_perfo 或 Lo_perip，比例从 18.2 % 到 62.5 % 不等，而 Multiform 显着增加了 66.7 % 到 800 %，表明局部收缩的复杂性增加。平均而言，各种 UA 中 24.3% 的 Perip 实例转变为 Perip_fo 或 Lo_peri，这表明外围收缩不断扩展到内部区域。如果外围和内部区域的规划和基础设施发展不同步，外围区域的持续萎缩可能会加剧对内部区域的负面影响。
通过在 UA 中绘制等时圆圈，该研究纵向比较了 USM 的地理差异。总体来看，随着成本距离的增加，Com占比上升，表明城市离核心经济区越远，资源溢出效应越弱，经济转型和重构难度越大。这推动了人口从外围小城市迁移到核心城市，最终将它们转变为 Com。值得注意的是，Non 的比例也随着成本距离的增加而上升。这种现象表明，一些城市可能经历了更早的人口流失，导致在观察期内出现“空心化”状态，这可能预示着更严重的人口下降。然而，这一假设需要在未来的研究中进一步验证。此外，CM 的比例随着成本距离的增加而降低。这与先前的假设一致，即距离核心经济区较远的城市往往具有较小的建筑规模、更简单的经济结构以及形成复合收缩模式的可能性较低（图6）。
利用机器学习技术开发了 USM 定义、识别和分类的方法框架。研究了超声波电机的属性、分布模式、演化轨迹和转换规律。UPA 数据集经过形态学处理后，成功地划分了城市自然边界，展示了城市物理边界的扩展特征。遗传算法优化的人工神经网络表现出强大的预测性能，在细粒度 dasymetric 映射。该分析利用 UPA 和 PCR 数据集的三个阶段作为 USM 识别和分类的基本框架。借助先进的网络框架和从定量概念化中获得的标签数据，深度学习方法在 USM 分类中表现出上级功效，准确率达到 98.7%。 发现四种建议的 CM 具有显著的重要性，占观察到的收缩事件的 10.7%至 22.3%。主要结论如下：
首先，US在中国呈现出温和的扩张趋势，收缩城市占总城市的 36.7%，年扩张率约为 0.42%。这种收缩演化的方向由 USM 指示。局部收缩或相关 CM 更频繁地演变为 SC，显示出收敛到轻微收缩的趋势。第二，在空间分布的收缩模式内 UA，其特征在于“中心复合边缘奇异”的配置进行了观察。在大城市中，收缩主要表现为核心的 CM，而外围则表现为 SinM 的收缩。中国最先出现萎缩迹象的 UA 是 MSL、GHM 和 MRYD。最近，SDP 显示了US的重要趋势。第三，随着城市规模和扩展强度的不断加大，城市空间格局呈现出“形态复杂、类型统一”的特征，并影响着城市空间格局的演变。 大多数中小城市正在从集中的大规模收缩向更加局部化的收缩过渡，并有分散程度增加的趋势。相反，大城市正在经历一种独特的模式，即“本地复杂性和外围扩张并存”。
论文信息
标题：Urban shrinkage morphology: A quantitative classifying framework using deep learning
作者:Xin Li, Binjie Gu, Haixia Zhao, Tangqi Tu, Zijia Zhu
时间：21 January 2025
DOI:https://doi.org/10.1016/j.cities.2025.105956
