编辑推荐：
针对大多数城市土地利用/土地覆盖变化（LULCC）模型将城市区视为同质单元，忽略了居住与经济强度内部差异的问题，来自苏黎世联邦理工学院的研究人员开发了一种用于瑞士高原的高分辨率城市LULCC模型。该模型采用两个序贯XGBoost分类器，首先预测城市增长或收缩，然后基于居住密度、就业密度和经济部门分配27个城市土地利用类别。模型在1995-2015年的五年间隔数据上训练，并用2020年数据验证，在城市范围预测上达到92.3%的准确率，类别预测的模糊Kappa达到0.692。对2050年的预测显示，核心城市（+300公顷高密度）的致密化程度最高，而郊区和住宅型市镇主要在低至中强度下扩张（面积+3.7%）。该模型为理解区域尺度上不同城市动态、支持跨不同未来的规划决策提供了有力工具。
想象一下，城市规划者试图预测一个城市未来几十年的发展。他们需要知道哪些区域会扩张，哪些会收缩，以及城市内部的功能——是住宅区、工业园区还是商业中心——将如何演变。现有的预测工具，即城市土地利用/土地覆盖变化（LULCC）模型，虽然常用，但往往有一个显著的短板：它们倾向于将整个城市或定居点视为一个均质的“块”，而忽略了其内部居住密度、就业岗位密度和主导经济活动的巨大差异。这种“一刀切”的处理方式，极大地限制了模型在整合交通模式、生物多样性、城市形态和微气候等关键信息方面的能力，而这些信息的评估恰恰依赖于对城市土地利用类型及其强度的精细区分。此外，大多数此类模型仅针对单一城市校准，缺乏区域视角，难以捕捉多个定居点之间复杂的互动与发展差异。在像瑞士高原这样人口密集、发展迅速的地区，亟需一个能够同时兼顾高分辨率、区域尺度和丰富主题细节的城市土地利用变化模型，以更好地预见未来，并为政策制定和空间规划提供科学依据。
为了填补这一空白，来自苏黎世联邦理工学院（ETH Zurich）的研究团队在《Computers, Environment and Urban Systems》期刊上发表了一项研究，题为“High-resolution urban land use change modeling via sequential classifiers”。他们成功开发了一个针对瑞士高原的高分辨率、数据驱动的城市LULCC模型。该模型的核心创新在于采用了两个序贯的XGBoost（极端梯度提升）分类器。第一个分类器（二元模型）预测一个地块（以公顷为单元）是否会变为城市用地，第二个分类器（多类模型）则为被预测为城市的地块分配27个具体的城市土地利用类别之一。这些类别的定义综合了人口密度、全职等值（FTE）就业密度以及主导经济部门（农业、工业、服务业）三个维度。研究利用1995年至2015年五年间隔的历史数据进行训练，并用2020年的数据进行验证。结果显示，该模型在城市范围预测上达到了92.3%的准确率，在土地利用类别预测上获得了0.692的模糊Kappa值，表现优异。模型进一步预测了到2050年的长期发展，并分析了不同市政类型的发展差异。此外，通过模拟苏黎世创新园区的建设，研究还展示了该模型如何用于评估大型战略项目对周边区域的广泛影响。
研究团队运用了多项关键技术方法来构建和验证模型。首先，他们基于瑞士精细的人口普查和就业统计数据，定义了包含27个类别的城市土地利用分类体系，阈值参考了苏黎世州的邻里分析标准。其次，研究划定了一个包含1999个定居点的“瑞士高原”核心区作为研究范围，并创建了“定居点掩膜”以聚焦于可能发生城市动态的区域。第三，模型整合了静态（如坡度、到交通设施距离）和动态（如当前/上一时相的土地利用类别、邻域类别计数、公共交通可达性等级）解释变量。第四，核心建模部分采用了两阶段序贯XGBoost算法，并针对类别不平衡问题进行了处理（如调整误分类权重、使用SMOTE过采样）。最后，模型性能通过ROC AUC、精度、F1分数、Cohen‘s Kappa以及更贴合土地利用相似性评估的模糊Kappa等指标进行全面评估，并对结果进行了空间可视化和基于官方市政类型的聚合分析。
研究结果：
3.1. 二元模型性能
二元分类模型在预测2020年城市与非城市地块上表现出色，ROC AUC达到0.959，准确率为91.1%。通过调整概率阈值，模型预测的城市面积比实际观察值略多1391公顷，但整体上精确地识别了城市扩张的范围。
3.2. 多类模型性能
多类别城市土地利用分类模型取得了0.692的模糊Kappa模拟分数，表明模型在考虑类别间相似性的情况下，对土地利用变化的预测具有良好的一致性。Cohen’s Kappa为0.668，宏观平均F1分数为0.514。敏感性分析表明，模型性能对不同密度类别阈值的选择具有稳健性。该图展示了模型在示例区域（巴登）重现历史演变和预测近期土地利用格局的能力。
3.3. 城市转型的驱动因素
特征重要性分析显示，当前时期（Classt0）和上一时期（Classt-1）的土地利用类别是最重要的预测因子。地块在城市内部的中心性（Cell Centrality）以及到机场、学校、主干道等设施的可达性距离也具有高影响力。此外，不同半径范围内邻域土地利用类别的数量（Neighboring Class Counts）是关键的驱动因素，表明土地利用变化具有强烈的空间依赖性和传染效应。例如，分析发现，一个地块周围若存在多个高密度服务业（3III.0）地块，会显著提高其自身转变为同类别的可能性，反之则抑制，这揭示了土地利用的聚集模式。
3.4. 长期发展预测
对2020年至2050年的预测显示，瑞士高原的城市总面积预计将增长1.92%。发展呈现明显的空间和类型分异：核心大城市（如苏黎世）预计将经历最强的居住和服务业密度提升（高密度区域增加约300公顷）；而大都市区内的居住型市镇和郊区市镇，扩张则主要发生在低至中等密度水平。从经济部门看，第一产业（农业）和第二产业（工业）的就业预计将减少，而第三产业（服务业）的就业将持续增加。该图汇总了不同市政类型的发展差异，凸显了模型捕捉区域异质性的能力。
3.5. 地方发展的区域影响
以苏黎世创新园区为例的场景测试表明，此类大型战略项目的影响远超其所在地块。在项目周边500米范围内，超过8%的地块的土地利用类型发生了变化（相较于无项目基线）。影响随距离增加而衰减，但在最远19公里处仍可检测到变化，主要体现为居住密度的调整。这证明地方干预具有广泛的区域空间溢出效应。
研究结论与讨论：
本研究成功开发并验证了一个用于瑞士高原的高分辨率、主题细致的城市土地利用变化模型。该模型通过序贯XGBoost分类器，首次在区域尺度和公顷分辨率上，同步区分了居住密度、就业密度和经济部门，显著提升了对城市动态的理解深度。模型验证性能优异，特别是模糊Kappa分数优于同类研究。
研究表明，城市土地利用类别本身及其空间邻域环境是未来变化的关键驱动因素，强调了在模型中精细化表征城市内部差异的重要性。长期预测揭示了持续的内向式致密化趋势，尤其是在已高度城市化的核心区，同时伴随从第一、第二产业向第三产业的结构性转变。这些发现与紧凑城市理论和瑞士的经济转型预期相符。
本研究具有重要的政策意义。模型提供的精细化预测（公顷尺度、27个类别）能够支持更具针对性的基础设施规划、分区策略和区域协调。通过修改输入变量（如基础设施图层、定居点掩膜），该框架可用于评估不同政策情景或大型项目（如苏黎世创新园）的区域性影响，捕捉那些在二元城乡分类模型中无法显现的空间外部性。与许多需要预先设定土地需求或城市范围的模型不同，该模型仅基于历史数据中学习到的解释变量间复杂相互作用进行预测，为探索替代发展路径提供了灵活、实证的基础。
当然，模型也存在局限。其依赖于公顷级的人口与就业普查数据，这在许多地区难以获取（尽管可用网格化人口产品或夜间灯光数据作为替代）。分类所依据的阈值虽然基于本地实践并经过敏感性测试，但仍会影响结果类别。未来的改进方向包括将更多静态变量动态化（如随时间演变的可达性指标），以更好地评估政策干预的长期效果。总体而言，这项研究为城市与区域规划者提供了一个强大的新工具，能够以前所未有的细节和广度，模拟和预见复杂城市系统的未来轨迹。
