TOD模式下地鐵站點周邊土地利用智能優化研究
——以深圳市11號線沙井站為例

陳 飛 李 煜 孫一璠

1廣州市城市規劃勘測設計研究院，廣東 廣州，510060

2武漢大學資源與環境科學學院，湖北 武漢，430079

公共交通導向發展（transit oriented development，TOD）是指在公共交通站點服務范圍內進行居住、辦公、商業用地混合使用并且考慮公共交通與城市其他地區的接駁的城市設計［1，2］。TOD能改善城市無序蔓延、交通擁堵等問題，世界上已有許多發達城市在過去十年應用了該發展模式并取得成效［3］。TOD模式強調軌道交通系統和城市土地利用之間的正反饋作用［4］，即軌道交通可達性提升，會引入投資促進土地開發，使得社會經濟活動進一步增強，繼而刺激交通需求，促進新一輪交通升級。

在我國快速城市化的背景下，香港、深圳等城市已經開始了TOD模式的探索和實踐［5，6］。在TOD模式的支撐下，軌道交通站點周邊的土地利用優化對可持續發展具有重大意義。國內學者對于軌道交通站點周邊的土地利用優化問題展開了深入的研究，但大部分是以土地容積率作為優化對象［7，8］，對于土地利用格局多目標優化的研究相對不足。本文嘗試通過進化算法，依據TOD模式，探索優化軌道交通站點周邊的土地利用格局的可行性。

1 研究區數據

本文采用深圳市2017年土地變更調查數據，根據地類名稱屬性，按照土地職能重新劃分為7類用地：商業用地、辦公用地、工業用地、居住用地、公共服務用地、道路用地和其他用地。國內外通常認為地鐵站對周邊土地的影響范圍在400～800 m［9，10］。深圳市寶安區11號線沙井站位于寶安大道沙井街道鴻榮源禧園路段，寶安大道與新沙路交叉口北側，沿寶安大道呈南北向布置，為高架站，也是11號線與18號線的換乘站。本文以沙井站為圓心，采用800 m作為影響半徑，結合土地利用現狀劃定研究區域，并轉化為分辨率為10 m的柵格圖像，作為模型的輸入數據。研究區內共有287個地塊，其中，商業用地面積占8.1%，辦公用地占1.92%，工業用地占6.53%，居住用地占38.6%，公共服務用地占9.45%，道路用地占25.26%，其他用地占10.13%，共20 108個柵格。

2 研究方法

2.1 帶約束的NSGA-Ⅱ算法

NSGA-Ⅱ（non-dominated sorting genetic algorithm-Ⅱ）是解決多目標規劃問題的經典算法［11］，該算法采用遺傳算法作為優化算法。遺傳算法［12］借鑒了達爾文生物進化論中“自然選擇，物競天擇”的現象，廣泛應用于人工智能和工程領域［13］。該算法首先定義個體的遺傳編碼，生成初始種群，通過不斷的選擇、交叉和變異算子進化種群，直到超過最大迭代次數。本文采用的土地遺傳編碼如圖1所示。

圖1 土地遺傳編碼示意圖Fig.1 Diagram of Genetic Coding About Land

首先遍歷二維的原始土地利用圖，根據鄰域地類判斷是否為同一地塊，并賦予自增的整數編號，得到地塊編碼圖。然后以地塊的編號為數組索引，以對應位置的地類數值作為數組元素，構成一維的個體。隨機生成多個個體，構成種群。通過地塊編碼圖這一媒介，構建出二維原始土地利用圖和一維個體之間的映射關系，方便利用二維土地利用圖計算適應度函數，以及一維個體進行各種遺傳算子操作。同時，本文以各類土地面積占比范圍和土地轉換能力作為限制條件，以獲取更接近實際情況的優化結果。整個算法流程如圖2所示。

圖2 算法流程Fig.2 Flow Chart of Algorithm

2.2 決策變量與目標函數

以地塊為最小可變單元（由四鄰域地類相同的像元組成），以地塊所屬的土地類型作為模型的決策變量，通過選擇、交叉、變異算子，改變地塊的土地類型，構成不同的個體，以此展開進一步約束和優化。本文綜合考慮站點周邊居民生活質量、便捷程度、客流量、土地集約程度、土地多樣性等因素，最終選擇4個適應度函數：最大化土地緊湊度、最小化土地沖突度、最大化土地均衡度以及最大化客流生成率。

1）土地緊湊度。土地緊湊度是衡量土地集約程度的表征之一。最大化站點周邊土地的緊湊度有助于提升居住便利程度和土地價值［14］，其表達式為：

式中，i表示像元，I表示研究范圍內所有像元的集合，Bik表示像元i八鄰域內像元的土地類型與像元i的土地類型相同的個數。

2）土地沖突度?？紤]到噪音、污染、土地密度、交通條件等影響居住的因子，不同土地類型之間的矛盾程度是不同的。土地沖突度正是表征相鄰像元土地類型之間矛盾程度的指標。最小化土地沖突度可以確保站點周邊居民的生活質量。其計算式為：

式中，M i表示像元i的鄰域像元；Ci，j表示像元i和j的土地類型的沖突指數。不同地類的沖突指數［14］如表1所示，沖突程度越高，指數越大。其中，沖突程度最大的5對地類分別是：工業和商業（沖突指數6）、居住和辦公（沖突指數5）、居住和工業（沖突指數8）、公共服務和辦公（沖突指數5）、公共服務和工業（沖突指數7）。值得注意的是，道路和居住也有2.5的沖突指數。為了方便非支配排序實現，將適應度函數設計為求土地沖突度的倒數的最大值。

表1 沖突矩陣Tab.1 Conflict Matrix

3）土地均衡度。土地利用類型信息熵是反應土地多樣性的指標。熵值越高表明土地類型越豐富，土地結構越均衡，土地活力越高，有助于吸引客流。而土地均衡度是對信息熵的標準化，可比性更強［15］。其計算公式為：

式中，N表示地類總數，Pk表示第k類土地面積的占比。

4）客流生成率。軌道交通客流量是評價站點區位的重要指標。由于軌道交通和土地利用兩者存在反饋關系，客流量過少會導致軌道交通系統運力過剩，從而降低站點周邊土地開發吸引力。相關研究表明［16］，不同土地類型對客流的吸引能力不同，且隨著站點距離的增加而衰減。本文考慮距離因素，基于文獻［16］中深圳市軌道交通站點周邊土地類型與客流生成率的線性關系，計算站點周邊土地的總客流生成率，計算公式為：

式中，ki表示像元i的地類；aKi表示土地類型與客流生成率關系的斜率；bKi表示該關系的截距；D i表示像元i至站點的距離。本文僅考慮商業、辦公、工業和居住4類地類對客流量的影響，其他地類不考慮。另外，居住用地的系數使用參考文獻［16］中居住和城中村兩種地類的均值。

2.3 限制條件

本文對模型種的土地類型轉換和土地面積占比最大最小值做出限制?？紤]到沙井站周邊800 m范圍內不存在工業區塊線，且以商居用地為主導，本文限制除了其他用地外，各地類不能轉換為工業，商業和辦公用地不轉換為公共服務用地。此外，交通用地由于用地性質特殊，土地不轉換。轉換矩陣如表2所示，每個單元表示橫軸代表的地類能否轉換為縱軸代表的地類。其中，1表示可轉換，0表示不可轉換?？紤]到站點周邊土地開發程度需要盡可能提高，限制公共服務用地（原9.4%）和其他用地（原10.1%）面積占比最大為15%。其余用地面積占比閾值均為0～100%。

表2 轉換矩陣Tab.2 Transition Matrix

3 結果分析

本文基于開源代碼CoMOLA［17］，在python2.7環境下進行實驗。實驗設置種群規模20，最大迭代次數30，交叉率0.9，變異率0.01，最終生成128種優化方案（Pareto解集），解集分布情況如圖3所示。由圖3可知，4個適應度函數的最優解集（已在圖3中標出）的位置分布有明顯差異，其中，土地沖突度與客流生成率，土地緊湊度與土地均衡度呈現相反的優化方向，表明優化目標之間存在矛盾關系。本文將4個適應度函數值去量綱后，計算出最接近4個適應度函數解集平均值的解集，作為折中方案（圖3中標記接近平均）。該方案分布在解集空間的中部，綜合反映4個優化目標的特征。圖3展示的Pareto解集整體上分布范圍廣，有較清晰的解集邊緣，標準化指標后的超體積（hyper volume，HV）達到0.9269（最大值為1），表明該實驗結果的Pareto解集分布性好。實驗使用較小的種群規模（20個）和較小的最大迭代次數（30次）達到分布性好的解集，表明該算法的收斂性強，對于土地規劃這種編碼后數據量大的優化問題有實際使用價值。

圖3 沙井站周邊土地優化解集分布Fig.3 Distribution of Optimizing Solution Sets of Land Around Shajing Station

圖4反應5種優化方案的土地利用分布情況。最大土地緊湊度的方案（見圖4（a））相比其他優化方案和原始圖像而言，整體緊湊度最高，以大面積的地塊居多，土地功能分區更加清晰。最小土地沖突度方案（見圖4（b））降低了沖突度高的相鄰地類的占比，使得整體環境更加宜居。最大土地均衡度方案（見圖4（c））種各種地類的面積更加均衡，使站點周邊土地活力更高。最大客流生成率方案（見圖4（d））中商業、辦公和居住這幾類對客流影響較大的地類面積占比有所提高，更利于站點客流量產生。接近平均方案（見圖4（e））相比原始用地現狀更加緊湊，工業用地占比降低，居住、辦公、商業、公共服務用地占比提升明顯。

圖4 5種土地優化方案及原始用地現狀對比Fig.4 Comparison Between Origin Land Use Status and Five Schemes of Land Optimization

表3展示了5種優化方案及原始用地現狀的土地面積占比情況。通過對比可以看出，辦公用地占比有明顯提升，工業和其他用地占比有所下降，商業、居住和公共服務用地占比基本不變。通過面積制表得到原始圖像和接近最優方案的土地類型轉換統計結果如圖5所示。由圖5可以看出，商業和辦公用地轉換來源的組分和占比十分相近，而且優化后的面積占比也基本一致（商業9.86%，辦公9.26%），這表明這兩類的土地性質類似，在適應度函數中的貢獻程度接近。工業用地主要來源是自身和其他用地占比下滑。居住用地的主要來源是自身，商業、工業和其他用地貢獻了大部分剩余占比。公共服務用地主要來源居住用地，而且轉換量大約占研究范圍的10%。其他用地占比下降，主要來源于自身。

圖5 土地類型轉換統計Fig.5 Statistic of T ransition in Land

表3 沙井站土地利用優化方案占比/%Tab.3 Proportions of Land Use in Optimization Schemes in Shajing Station/%

從沙井站2017年用地現狀面積占比可以看出，該站以居住用地為主（38.6%），商業（8.1%）、辦公（1.92%）功能較弱，存在部分工業用地（6.53%），公共服務能力一般（9.45%），且存在大量開發強度低的土地（10.13%）。尤其是距離站點周邊300 m范圍內存在四處工業用地，即不能促進客流生成，又破壞了用地的緊湊性，與TOD模式相違背。通過優化，沙井站周邊土地斑塊緊湊性明顯提升，沖突指數較大的居住和工業用地鄰接面積大幅降低，有助于降低居民的出行成本，提升居民的生活質量。此外，土地多樣性提升表明沙井站周邊的土地類型更加均衡，能夠滿足站點周邊居民物質和精神生活的需求。工業用地降幅明顯，且移至遠離站點的區域，未開發用地降至1.74%，表明站點周邊土地開發強度有所提升，且布局更加合理。由于本文限制了居住用地僅能轉化為公共服務用地，且原居住用地主要分布在站點附近，因此在接近平均方案中對客流影響較大的商業、辦公用地集中在站點周邊的效果被弱化，但從最大客流生產率方案可以看出明顯的優化效果。

對比原始圖像以及5種優化方案的適應度函數值，如表4所示，所有優化方案的適應度函數值均有明顯的提高，表明經過NSGA-Ⅱ算法，不適應環境的子代（適應度函數值較小的個體）已經在優化過程中逐漸淘汰，保留下更有優勢的子代。接近平均方案的4個適應度函數值在5種優化方案中均僅次于最優值，體現該方案在各個適應度函數值單方面的表現都相對較優。5種優化方案都屬于非支配子集，沒有優劣之分，具有一定的參考價值。

表4 適應度函數值對比Tab.4 Comparison of Values of Fitness Function

4 結束語

本文依據TOD模式，基于NSGA-Ⅱ算法，對深圳市軌道交通11號線沙井站周邊800 m范圍的土地現狀進行優化。實驗共獲得128種優化方案，通過分析4種適應度函數最優方案以及折中方案，表明優化結果符合TOD模式下站點周邊土地集約緊湊、混合度高、促進客流生成且宜居的基本要求。

本文采用的帶約束的NSGA-Ⅱ算法能較好地解決TOD模式下站點周邊土地利用優化問題，不僅提供了更加全面且有參考意義的優化方案，而且避免了對不同適應度函數重要性的主觀判斷。對TOD模式在中國的推廣和實施有建設性意義，還滿足了現實世界土地利用規劃的靈活需求。但本文仍存在一些缺陷和不足：如土地優化是復雜的多目標問題，而本文設定的目標函數數量不足；以地塊為最小變化單元，導致無法模擬地塊內部可能的變化；沒有考慮不同土地的容積率指標等，導致無法從開發密度的角度貢獻TOD模式的構建。