付 鵬 肖 競 趙之齊 謝 鑫

0 引言

從世界各國城鎮(zhèn)化的歷程來看，當(dāng)城鎮(zhèn)化率邁入50%～70%之間時（2021年我國常住人口城鎮(zhèn)化率為64.72%），一般會由城鄉(xiāng)分化、城鄉(xiāng)分離邁入城鄉(xiāng)融合的重要發(fā)展階段[1]。在“鄉(xiāng)村振興”戰(zhàn)略全面推進(jìn)的背景下，我國廣闊的村鎮(zhèn)地區(qū)將迎來新一輪“聚落重構(gòu)”的機(jī)遇。近年來，圍繞鄉(xiāng)村轉(zhuǎn)型發(fā)展的研究成果愈發(fā)豐富，其中“轉(zhuǎn)型過程—空間行為—機(jī)理分析—評價模擬—調(diào)控模式”的研究范式[2]逐漸成為當(dāng)前研究鄉(xiāng)村轉(zhuǎn)型重構(gòu)及其內(nèi)在原理的重要方向。在此范式中，認(rèn)識和揭示鄉(xiāng)村聚落重構(gòu)的內(nèi)在機(jī)理也是我國鄉(xiāng)村發(fā)展的新命題，尚存在諸多問題與挑戰(zhàn)，故而補(bǔ)充與完善聚落轉(zhuǎn)型重構(gòu)動力機(jī)制的理論與方法顯得尤為必要。

在理論研究層面，聚焦我國鄉(xiāng)村轉(zhuǎn)型發(fā)展多尺度演進(jìn)規(guī)律、內(nèi)外因子驅(qū)動機(jī)理、空間優(yōu)化重組方法等學(xué)術(shù)學(xué)理研究不斷完善[3-7]。同時，在信息化、數(shù)字化等現(xiàn)代發(fā)展浪潮下，人工智能技術(shù)成為我國重點(diǎn)探索與應(yīng)用的重要方向，積極運(yùn)用大數(shù)據(jù)與人工智能分析方法，更加科學(xué)全面地分析鄉(xiāng)村地域系統(tǒng)要素的演變過程及其機(jī)制，革新鄉(xiāng)村聚落空間重構(gòu)的研究范式也顯得尤為重要。本文著眼于鄉(xiāng)村轉(zhuǎn)型重構(gòu)動力機(jī)制的方法與技術(shù)提升，從理論方法出發(fā)，系統(tǒng)梳理近期不同領(lǐng)域的鄉(xiāng)村轉(zhuǎn)型機(jī)制研究方法與技術(shù)的進(jìn)展成果，從人工智能中的機(jī)器學(xué)習(xí)技術(shù)方法入手，嘗試將鄉(xiāng)村聚落空間重構(gòu)的特征及其多維動力數(shù)據(jù)相關(guān)聯(lián)，定量化識別其主導(dǎo)驅(qū)動力，以期豐富鄉(xiāng)村空間重構(gòu)機(jī)制研究的量化分析方法。并將此方法應(yīng)用于江蘇省溧陽市作為實(shí)證研究，目的是解析其在2010—2018年鄉(xiāng)村劇烈重構(gòu)階段的空間特征以及相關(guān)的驅(qū)動機(jī)理。

1 鄉(xiāng)村聚落重構(gòu)動力機(jī)制的研究進(jìn)展

1.1 鄉(xiāng)村聚落重構(gòu)動力機(jī)制研究主要方法

在村鎮(zhèn)聚落重構(gòu)及其動力機(jī)制研究方面，不同學(xué)科從不同角度均在開展相關(guān)研究。其中，社會學(xué)、經(jīng)濟(jì)學(xué)、地理學(xué)領(lǐng)域針對宏觀機(jī)制、經(jīng)濟(jì)影響、社會影響層面研究較為突出；而圍繞人居環(huán)境科學(xué)的城鄉(xiāng)規(guī)劃學(xué)、建筑學(xué)、風(fēng)景園林學(xué)等學(xué)科也從城市空間研究逐漸過渡到鄉(xiāng)村空間的研究。但圍繞“空間—動力”耦合的研究成果主要集中在地理學(xué)與城鄉(xiāng)規(guī)劃學(xué)領(lǐng)域[5]。

地理學(xué)領(lǐng)域，聚落重構(gòu)動力機(jī)制的研究方法主要集中在對較大尺度的土地斑塊空間特征量化以及基于統(tǒng)計學(xué)模型的影響因素識別[6]?，F(xiàn)有研究主要是結(jié)合GIS的疊加分析和空間統(tǒng)計功能，并采用分形維數(shù)、中心性強(qiáng)度、熵權(quán)法、多元線性回歸、地理探測器、地理加權(quán)回歸、多元線性回歸、時空地理加權(quán)回歸、因子分析、聚類分析[7-11]等方法研究建設(shè)用地規(guī)?；蚓奂潭茸兓木C合影響，結(jié)合定性分析揭示其驅(qū)動因素；規(guī)劃學(xué)領(lǐng)域，研究對象一般聚焦于聚落個體尺度，動力機(jī)制分析方法主要依賴于剖析典型案例以及定性判別來說明聚落重構(gòu)的影響因素。目前研究較為普遍的是結(jié)合歷史影像、測繪地形圖，將聚落空間以形態(tài)類型學(xué)、分形幾何學(xué)、形狀指數(shù)等方式進(jìn)行量化，并結(jié)合評價指標(biāo)、AHP層次分析法、德爾菲法等方式探究空間形態(tài)特征、用地變化與自然、社會、經(jīng)濟(jì)因素的相關(guān)性[12-16]（圖1）。

圖1 鄉(xiāng)村聚落重構(gòu)動力機(jī)制分析方法研究進(jìn)展與聚類分析（2010—2022年）Fig.1 research progress and cluster analysis of dynamic mechanism analysis methods for rural settlement reconstruction (2010-2022)

總體來看，經(jīng)過十余年的研究發(fā)展，相關(guān)學(xué)者也意識到，在鄉(xiāng)村聚落重構(gòu)動力機(jī)制逐漸從單一驅(qū)動轉(zhuǎn)向多元互動機(jī)制時，定性研究的方法難以回答哪些空間形態(tài)特征是源于地域哪些自然、社會、經(jīng)濟(jì)條件，以及不同動力因素作用強(qiáng)度、作用范圍下空間形態(tài)會發(fā)生何種變化，因此對現(xiàn)行的村莊規(guī)劃、建設(shè)、發(fā)展的指導(dǎo)較為有限[17]。故而研究方法逐漸從定性分析轉(zhuǎn)向空間描述、指標(biāo)體系、統(tǒng)計學(xué)模型等定量研究方式，以期能夠更加精準(zhǔn)、直觀地刻畫不同動力因素作用下的空間重構(gòu)特征及其作用機(jī)制。但目前的定量研究更多地依賴指標(biāo)體系、權(quán)重分配、統(tǒng)計學(xué)模型的方法，因素權(quán)重賦值的相對臆斷、主觀性較強(qiáng)，專家打分、層次分析、模糊評價、灰色系統(tǒng)關(guān)聯(lián)度等方法，都試圖對權(quán)重進(jìn)行客觀賦值，但改善作用不大[18]?；诖耍瑒恿C(jī)制解析的定量研究方法，特別是“數(shù)據(jù)驅(qū)動”的定量識別方法有待進(jìn)一步加強(qiáng)。

1.2 人工智能背景下動力機(jī)制量化解析的研究方向

在傳統(tǒng)的規(guī)劃研究及實(shí)踐中，基于定性分析的規(guī)律描述和模式總結(jié)是主要的研究方法。隨著學(xué)科融合和新技術(shù)理念的融入，2017年國務(wù)院《新一代人工智能發(fā)展規(guī)劃》明確提出以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等算法為代表的人工智能介入空間規(guī)劃領(lǐng)域。傳統(tǒng)的空間規(guī)劃編制理念、方法、技術(shù)也將面臨巨大變革，數(shù)字化分析、動態(tài)預(yù)測、人工智能算法、大數(shù)據(jù)等技術(shù)手段不斷深入規(guī)劃設(shè)計領(lǐng)域，為解決科學(xué)問題提供了新的契機(jī)和新的途徑[18]。隨著鄉(xiāng)村聚落研究的開展，數(shù)字化分析方法逐漸介入鄉(xiāng)村聚落空間研究，研究方式也從定性描述階段向定量數(shù)據(jù)挖掘階段大步邁進(jìn)，更加科學(xué)地探索時空規(guī)律，輔助空間決策，促進(jìn)鄉(xiāng)村地域特色的傳承與發(fā)展[20]。

機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的核心技術(shù)之一，特別是在大數(shù)據(jù)迸發(fā)的當(dāng)下更能凸顯其優(yōu)勢。1997年米歇爾（Mitchell）提的出機(jī)器學(xué)習(xí)方法[21]，經(jīng)過二十余年的探索，已在土地科學(xué)領(lǐng)域進(jìn)行了廣泛運(yùn)用，包括土地覆蓋分類、特征分析、農(nóng)地評估、拋荒地識別、城市擴(kuò)張、資源與生態(tài)安全評價[22-25]等。在評估、驗(yàn)證、預(yù)測用地變化等方面展現(xiàn)出相較于傳統(tǒng)方法的巨大優(yōu)勢，一定程度上彌補(bǔ)了傳統(tǒng)城鄉(xiāng)規(guī)劃模式中主觀定性與平面化分析的缺陷，讓規(guī)劃學(xué)科能夠更加科學(xué)地解釋并解決城鄉(xiāng)的復(fù)雜性問題。

2 鄉(xiāng)村聚落“空間—動力”耦合機(jī)制解析的機(jī)器學(xué)習(xí)方法

2.1 機(jī)制解析的方法建構(gòu)

機(jī)器學(xué)習(xí)本質(zhì)是借助于計算機(jī)的運(yùn)算能力，通過計算事物屬性的相關(guān)關(guān)系，“學(xué)習(xí)”知識，發(fā)現(xiàn)事物的規(guī)律、預(yù)測事物發(fā)展[26]。相較于其他人工智能算法，機(jī)器學(xué)習(xí)在歸納事物客體的“分類、回歸”方面具有獨(dú)特的優(yōu)勢，常應(yīng)用于發(fā)現(xiàn)數(shù)據(jù)中的模式和規(guī)律并識別驅(qū)動因素[27]。具體而言，機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)（supervised learning）和無監(jiān)督學(xué)習(xí)（unsupervised learning）。其中，有監(jiān)督學(xué)習(xí)是從給定的有標(biāo)注的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個函數(shù)（模型參數(shù)），當(dāng)新的數(shù)據(jù)到來時可以根據(jù)這個函數(shù)預(yù)測結(jié)果。本文結(jié)合監(jiān)督學(xué)習(xí)算法的模型理論、數(shù)據(jù)結(jié)構(gòu)，對鄉(xiāng)村聚落空間重構(gòu)特征進(jìn)行標(biāo)記，對關(guān)聯(lián)數(shù)據(jù)進(jìn)行“學(xué)習(xí)”，挖掘聚落空間重構(gòu)的影響因素。

鄉(xiāng)村聚落“空間—動力”機(jī)制解析的機(jī)器學(xué)習(xí)方法，是將聚落重構(gòu)的“空間”特征進(jìn)行識別、提取、賦值，同時與其“動力”因素（例如所在的區(qū)位條件、自然地理情況、附近的資源條件、經(jīng)濟(jì)與社會發(fā)展情況等）相關(guān)聯(lián)，形成一套完整的數(shù)據(jù)集，運(yùn)用機(jī)器學(xué)習(xí)算法計算不同“空間”與“動力”的耦合關(guān)系，提取不同影響因素的作用強(qiáng)度。具體方法是在構(gòu)建鄉(xiāng)村聚落重構(gòu)的跨時空尺度綜合數(shù)據(jù)庫基礎(chǔ)上，分四個步驟實(shí)現(xiàn)：聚落空間重構(gòu)特征解譯及賦值標(biāo)記、多維驅(qū)動數(shù)據(jù)的選擇與轉(zhuǎn)譯、機(jī)器學(xué)習(xí)模型選擇與訓(xùn)練、動力因素識別與機(jī)制解析[28]（圖2）。

圖2 動力機(jī)制解析的機(jī)器學(xué)習(xí)原理及流程Fig.2 machine learning principles and processes of dynamic mechanism analysis

2.2 “空間—動力”機(jī)制解析的機(jī)器學(xué)習(xí)流程

2.2.1 聚落空間重構(gòu)特征解譯與賦值標(biāo)記

空間重構(gòu)的特征直觀反映鄉(xiāng)村聚落的功能、規(guī)模、格局變化。在空間尺度上，一般有省、市、縣等宏觀尺度與鎮(zhèn)、村、單體等微觀尺度兩大類研究。由于在微觀尺度受到村民自身主觀意愿和各種因素的影響具有不確定性，而村落空間重構(gòu)的統(tǒng)計學(xué)規(guī)律隨著觀察尺度的擴(kuò)大而逐漸明晰[29]。故本文重點(diǎn)研究縣域尺度聚落用地空間的重構(gòu)狀態(tài)，具體分為聚落的收縮變化和聚落的擴(kuò)張變化（村莊建設(shè)用地的增減變化），將建設(shè)用地增加或減少的聚落斑塊進(jìn)行識別、提取、標(biāo)記，形成“標(biāo)簽”數(shù)據(jù)。

標(biāo)簽是機(jī)器學(xué)習(xí)中的因變量，是監(jiān)督學(xué)習(xí)的目標(biāo)。鄉(xiāng)村聚落空間重構(gòu)動力機(jī)制研究的機(jī)器學(xué)習(xí)依賴于建立多維度影響因素與特征標(biāo)簽的量化關(guān)聯(lián)，故需要通過相關(guān)降維量化手段進(jìn)行數(shù)據(jù)轉(zhuǎn)譯表達(dá)，將單一屬性以符合其作用特征的描述方式轉(zhuǎn)置于地理絕對空間中，建立起自然地理、社會經(jīng)濟(jì)等空間多維關(guān)聯(lián)的基礎(chǔ)數(shù)據(jù)，為客觀挖掘復(fù)雜系統(tǒng)運(yùn)作機(jī)制奠定基礎(chǔ)。在標(biāo)簽數(shù)據(jù)提取上，將區(qū)域內(nèi)的聚落重構(gòu)前后鄉(xiāng)村用地矢量數(shù)據(jù)進(jìn)行疊加分析，識別聚落建設(shè)用地擴(kuò)張或收縮的圖斑，再運(yùn)用ArcGIS將圖斑轉(zhuǎn)變?yōu)閹в忻娣e屬性的空間點(diǎn)（表1）。

表1 聚落重構(gòu)特征標(biāo)簽標(biāo)記示意Tab.1 settlement reconstruction feature labeling schematic

在此基礎(chǔ)上，運(yùn)用ArcGIS的核密度（kernel density）分析工具將聚落重構(gòu)的空間標(biāo)記進(jìn)行核密度分析（表2）。值得說明的是，在分析過程中，保留了聚落變化的面積作為權(quán)重值，用于表示連續(xù)表面的景觀內(nèi)的計數(shù)或數(shù)量?？臻g點(diǎn)所記載的面積越大，其基礎(chǔ)計數(shù)越大，這樣可以在一定程度上避免聚落變化面積屬性帶來的計算誤差，使核密度值計算更為客觀。最后，將計算后的和密度值作為因變量，來表征村落空間重構(gòu)的劇烈程度。

表2 因變量（核密度值）計算說明Tab.2 dependent variable (kernel density value) calculation instructions

2.2.2 多維驅(qū)動數(shù)據(jù)選擇與轉(zhuǎn)譯

鄉(xiāng)村地域系統(tǒng)是一個自然—經(jīng)濟(jì)—社會—生態(tài)復(fù)合體[30]，在獲得聚落空間重構(gòu)特征標(biāo)簽數(shù)據(jù)基礎(chǔ)上，將復(fù)雜的自然、社會、經(jīng)濟(jì)等多種屬性轉(zhuǎn)譯為空間中的相關(guān)數(shù)據(jù)，通過絕對空間的拓?fù)潢P(guān)系和屬性空間的屬性關(guān)聯(lián)，建立訓(xùn)練樣本的多維關(guān)聯(lián)特征空間數(shù)據(jù)集（“屬性”數(shù)據(jù)）。鄉(xiāng)村聚落空間重構(gòu)在內(nèi)生需求與外源動力內(nèi)外綜合作用下進(jìn)行[6]，受聚落區(qū)位、自然地理、發(fā)展資源、社會經(jīng)濟(jì)等復(fù)雜要素影響，需要建立覆蓋多元影響因素的多維關(guān)聯(lián)數(shù)據(jù)庫。本文基于已有理論成果，考慮數(shù)據(jù)獲取可能性，最終選取包括4個維度共14個影響因素（表3）。準(zhǔn)備相關(guān)土地利用、POI點(diǎn)、經(jīng)濟(jì)社會數(shù)據(jù)，轉(zhuǎn)譯得到聚落區(qū)位距離、空間資源情況、自然地理度量指標(biāo)、社會經(jīng)濟(jì)情況等指標(biāo)，集成到聚落空間的三維屬性中，整備出重構(gòu)影響因素數(shù)據(jù)集。

表3 鄉(xiāng)村空間重構(gòu)影響因素空間轉(zhuǎn)譯說明表Tab.3 interpretation table of spatial translation of influencing factors of rural spatial reconstruction

其中，運(yùn)用歐氏距離方法（euclidean distance）計算各個特征點(diǎn)距市區(qū)、鎮(zhèn)區(qū)、核心景區(qū)、主要道路、其他鎮(zhèn)村道路的距離屬性；運(yùn)用空間計算與空間統(tǒng)計得到聚落空間重構(gòu)特征點(diǎn)的高程值、坡度值、生態(tài)資源、農(nóng)業(yè)資源、人口密度、人均收入等；此外，通過高德POI數(shù)據(jù)導(dǎo)入分析獲取經(jīng)濟(jì)社會活力的核密度分析、村域內(nèi)景點(diǎn)的資源的核密度等。

2.2.3 動力機(jī)制解析的機(jī)器學(xué)習(xí)方法選擇

隨著學(xué)科的融合發(fā)展，機(jī)器學(xué)習(xí)方法已在地理學(xué)、生態(tài)環(huán)境學(xué)研究中用于空間演變、土地變化的相關(guān)研究[31]，支持向量機(jī)、K近鄰、神經(jīng)網(wǎng)絡(luò)、地理探測器、元胞自動機(jī)、隨機(jī)森林、GBDT等經(jīng)典機(jī)器學(xué)習(xí)算法已在相關(guān)研究中取得了有價值的研究成果，證明了機(jī)器學(xué)習(xí)對于空間研究的重要意義[32]。其中，基于樹的集成算法在土地利用變化研究中有突出優(yōu)勢，在復(fù)雜的、特征未知的大量多維非平衡數(shù)據(jù)集的分析決策中具有顯著優(yōu)勢，體現(xiàn)出良好的學(xué)習(xí)效果[33]。具有高度可解釋性的基于樹的集成算法主流模型（如隨機(jī)森林、GBDT等），在主導(dǎo)特征的解釋上有突出優(yōu)勢[34]。

在較大樣本量下，梯度增強(qiáng)算法具有一定優(yōu)勢，因此基于梯度增強(qiáng)算法的梯度提升決策樹模型（gradient boosting decision tree, GBDT）通常發(fā)揮比其他決策樹相關(guān)集成模型更好的學(xué)習(xí)效果[35]，具有預(yù)測精度高、構(gòu)建過程簡便、能處理非線性、連續(xù)和離散數(shù)據(jù)、結(jié)果可解釋等優(yōu)點(diǎn)[36]，對土地及空間的影響因素和動力機(jī)制研究有極佳適用性和算法優(yōu)勢，本文選取此模型進(jìn)行機(jī)器學(xué)習(xí)研究。

2.2.4 特征重要性計算與作用機(jī)制解釋

針對聚落擴(kuò)張與聚落收縮兩類數(shù)據(jù)集，進(jìn)行參數(shù)設(shè)置（數(shù)據(jù)洗牌、訓(xùn)練占比、基學(xué)習(xí)器數(shù)量、節(jié)點(diǎn)分裂設(shè)置等）與模型運(yùn)算；運(yùn)算后通過MSE（均方誤差，預(yù)測值與實(shí)際值之差平方的期望值）、RMSE（均方根誤差，為MSE的平方根）、MAE（平均絕對誤差，絕對誤差的平均值）、R2（將預(yù)測值跟只使用均值的情況下相比）等一套保證訓(xùn)練精度的指標(biāo)。通常RMSE比MSE更廣泛用于評估回歸模型于其他隨機(jī)模型的性能，因?yàn)樗囊蜃兞烤哂邢嗤膯挝?；R 平方值越高則模型性能越佳，越被認(rèn)可。

在訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)通過精度檢驗(yàn)后，輸出模型的特征重要性指標(biāo)，預(yù)測結(jié)果可以由人來解釋（可解釋性）。其中，特征重要性（variable importance）是一個衡量每個輸入特征對模型預(yù)測結(jié)果貢獻(xiàn)的指標(biāo)（0～100%），以直觀反映每個特征是如何在模型的最終“決策”中發(fā)揮作用的。在本案中，特征重要性的結(jié)果與聚落空間重構(gòu)的動力因素作用強(qiáng)度直接關(guān)聯(lián)，反映了鄉(xiāng)村聚落重構(gòu)的驅(qū)動力影響顯著程度，代表了不同動力因素作用于空間重構(gòu)的作用強(qiáng)度。

3 溧陽市鄉(xiāng)村聚落“空間—動力”耦合機(jī)制解析方法實(shí)證

3.1 研究區(qū)域概況

溧陽地處長三角幾何中心，是寧杭生態(tài)經(jīng)濟(jì)帶上重要節(jié)點(diǎn)城市，是國家生態(tài)市、中國優(yōu)秀旅游城市，也是江蘇省唯一的“全國丘陵山區(qū)農(nóng)業(yè)綜合開發(fā)示范市”。同時，溧陽自然資源豐富生態(tài)環(huán)境優(yōu)美，呈現(xiàn)“三山一水六分田”的地貌特征；旅游資源富集，除了南山竹海、天目湖等的5A、4A景區(qū)以外還有200多家旅游農(nóng)莊和各類精品民宿。2019年末，溧陽市農(nóng)村人口近30萬，共有171個行政村、2490個自然村，每平方千米1.62個自然村[37]。

究其原因，由于頂管在頂進(jìn)過程中遇到了較多大粒徑砂卵石及堅(jiān)硬巖石，且沒有使用減阻措施，所以阻力加大，頂力突然升高，頂程15～31m之間頂力較大，因其上方是道路交通載荷影響區(qū)，頂管頂進(jìn)較為吃力。

二十一世紀(jì)以來，溧陽農(nóng)村主要經(jīng)歷了五個階段的建設(shè)與發(fā)展①。特別是在2011年后分三個層次的全面整治，打造三星級村莊24個，二星級村莊242個，省級美麗鄉(xiāng)村示范點(diǎn)21個，保護(hù)了一批傳統(tǒng)村落，3個村獲得建設(shè)部美麗宜居鄉(xiāng)村示范。隨后，建成7個特色田園鄉(xiāng)村，500個美麗宜居鄉(xiāng)村。伴隨著上述一系列行動的推進(jìn)，溧陽鄉(xiāng)村發(fā)展水平不斷提升，鄉(xiāng)村特色愈發(fā)凸顯，實(shí)現(xiàn)了“點(diǎn)上有特色、線上見風(fēng)景、整體大提升”的成效（圖3）。

圖3 溧陽市區(qū)位與鄉(xiāng)村聚落發(fā)展概況Fig.3 location of Liyang City and rural settlement development overview

3.2 鄉(xiāng)村聚落空間重構(gòu)特征

溧陽市鄉(xiāng)村聚落在2010—2018年期間，伴隨著美麗鄉(xiāng)村建設(shè)與特色田園鄉(xiāng)村建設(shè)的推進(jìn)，聚落在近十年期間總體上呈現(xiàn)聚落收縮（2.42 km2）高于聚落擴(kuò)張（1.87 km2）的趨勢。從數(shù)量和平均規(guī)模上看，聚落擴(kuò)張的斑塊數(shù)量（1060）高于聚落收縮數(shù)量（768）的斑塊，同時聚落擴(kuò)張的平均面積（1762.18 m2）小于聚落收縮的平均面積（3146.73 m2），則表示溧陽市的鄉(xiāng)村建設(shè)已經(jīng)逐步邁入整體空間格局優(yōu)化與聚落小微漸進(jìn)式更新補(bǔ)足階段，這與《國家鄉(xiāng)村振興戰(zhàn)略規(guī)劃（2018—2022年）》中“搬遷撤并類村莊”和“集聚提升類村莊”的發(fā)展模式相契合（表4）。

表4 溧陽市聚落空間重構(gòu)特征統(tǒng)計表Tab.4 statistical table of spatial reconstruction characteristics of settlements in Liyang City

空間分布上，結(jié)合溧陽鄉(xiāng)村空間分區(qū)可以看出：收縮聚落斑塊主要呈現(xiàn)線性、集聚等特征，主要位于市域東北部水圩地區(qū)與中部平原地區(qū)，南部低山地區(qū)則在此期間聚落減少數(shù)量較少；擴(kuò)張聚落斑塊則呈現(xiàn)分布較為均衡，各街鎮(zhèn)均有不同程度擴(kuò)張的總體特征，南部低山地區(qū)局部聚落增加較為密集（圖4-6）。

圖4 聚落空間收縮斑塊分布Fig.4 spatial shrinkage patch distribution of settlements

3.3 “空間—動力”機(jī)制解析

3.3.1 數(shù)據(jù)標(biāo)記與轉(zhuǎn)譯

將聚落空間重構(gòu)的擴(kuò)張斑塊與收縮斑塊的兩個數(shù)據(jù)集進(jìn)行空間標(biāo)記。得到聚落收縮數(shù)據(jù)集面積從45.78 m2到22.64 hm2不等的聚落768個標(biāo)記點(diǎn)；聚落擴(kuò)張數(shù)據(jù)集面積從14.63 m2到20.06 hm2不等的聚落1060個標(biāo)記點(diǎn)。同時對標(biāo)記點(diǎn)的空間分布進(jìn)行面積加權(quán)的核密度分析，得到聚落擴(kuò)張、聚落收縮集中分布的量化數(shù)值。其中，聚落擴(kuò)張的核密度值最高為2.1，聚落收縮的最高值為1.8（表5）。

表5 聚落空間重構(gòu)標(biāo)簽總體情況表Tab.5 settlement space reconstruction label overall situation table

同時，建立溧陽市可能影響因素聚落空間重構(gòu)的4維度共14個影響因子的多維空間轉(zhuǎn)譯數(shù)據(jù)（圖7），將轉(zhuǎn)譯數(shù)值結(jié)果關(guān)聯(lián)到聚落重構(gòu)特征標(biāo)記點(diǎn)，整備出便于機(jī)器學(xué)習(xí)數(shù)理計算的聚落空間重構(gòu)擴(kuò)張與收縮的兩個特征數(shù)據(jù)集（表6），并采用min-max方法對數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理（表7）。

表6 聚落空間擴(kuò)張數(shù)據(jù)集示例Tab.6 example of the settlement spatial expansion dataset

表7 聚落空間擴(kuò)張數(shù)據(jù)集示例（標(biāo)準(zhǔn)化后）Tab.7 example of the settlement spatial expansion dataset (after normalization)

圖5 聚落空間擴(kuò)張斑塊分布Fig.5 spatial expansion patch distribution of settlements

圖7 溧陽市聚落空間重構(gòu)驅(qū)動數(shù)據(jù)整備Fig.7 settlement space reconstruction drives data reconditioning of Liyang City

將標(biāo)記出的1060個聚落擴(kuò)張?zhí)卣鼽c(diǎn)數(shù)據(jù)集與768個聚落收縮特征點(diǎn)數(shù)據(jù)集，運(yùn)用訓(xùn)練集數(shù)據(jù)來建立梯度提升樹（GBDT）回歸模型，并將建立的回歸模型應(yīng)用到訓(xùn)練、測試數(shù)據(jù)，得到模型評估結(jié)果（表8）。由結(jié)果可知，訓(xùn)練出的兩個模型的精度均較高，MAE、MSE和RMSE的值均較低，意味著回歸模型的準(zhǔn)確度高，具體來講，聚落擴(kuò)張數(shù)據(jù)集的測試集的RMSE為0.065，R2為0.927；聚落擴(kuò)張數(shù)據(jù)集的測試集的RMSE為0.06，R2同樣達(dá)到為0.927，顯示出該學(xué)習(xí)模型性能較為突出。

表8 GBDT模型評估結(jié)果Tab.8 evaluation results of GBDT model

3.3.3 動力機(jī)制解析

通過建立的聚落收縮與聚落擴(kuò)張兩個機(jī)器學(xué)習(xí)模型分別計算得到的4個維度14個動力因素的貢獻(xiàn)度，各特征（自變量）的重要性比例則代表了各驅(qū)動因素在聚落空間重構(gòu)影響因素的貢獻(xiàn)程度（圖8），結(jié)合鄉(xiāng)村聚落重構(gòu)的空間特征，可以從以下三個方面進(jìn)行解讀溧陽在2010—2018年間聚落重構(gòu)的“空間—動力”機(jī)制。

圖8 GDBT模型計算的聚落空間重構(gòu)特征重要性Fig.8 characteristic importance of settlement space reconstruction calculated from the GDBT model

第一，片區(qū)空間活力、區(qū)位優(yōu)勢對聚落空間擴(kuò)張影響程度較大。在聚落擴(kuò)張數(shù)據(jù)集機(jī)的特征貢獻(xiàn)值中，社會活力（服務(wù)等設(shè)施的集中度）在14組數(shù)據(jù)中數(shù)值最高，達(dá)到41.5%，其次為核心景區(qū)距離（31.0%）與市區(qū)距離（9.4%）。進(jìn)一步通過數(shù)據(jù)的頻數(shù)分布來分析不同影響因素的值對于聚落擴(kuò)張的作用（圖9）。社會活力的作用機(jī)理較為簡單，即活力越高，該地區(qū)聚落擴(kuò)張的可能越大；從核心景區(qū)距離和市區(qū)距離的具體統(tǒng)計情況來看，在距景區(qū)2000 m以內(nèi)的聚落擴(kuò)張數(shù)量最高，其次在2000～9500 m內(nèi)均呈現(xiàn)出較高的聚落擴(kuò)張現(xiàn)象，越遠(yuǎn)則不明顯；市區(qū)距離則是在1000～8500 m范圍表現(xiàn)出明顯數(shù)量上優(yōu)勢，1000 m以內(nèi)和8500 m以外，聚落擴(kuò)張的數(shù)量則不顯著。整體上可以看出，距離景區(qū)、城區(qū)越近，則聚落擴(kuò)張的趨勢越明顯。

圖9 聚落擴(kuò)張空間點(diǎn)的核心影響因素情況統(tǒng)計Fig.9 statistics on the core influencing factors of settlement expansion space points

第二，城鎮(zhèn)化發(fā)展、經(jīng)濟(jì)收入狀況對聚落空間收縮影響最為強(qiáng)烈。在聚落收縮的模型結(jié)果中，市區(qū)距離（32.0%）與景區(qū)距離（10.9%）兩項(xiàng)特征因素，以及經(jīng)濟(jì)收入（23.3%）三項(xiàng)指標(biāo)總共貢獻(xiàn)66.2%的特征值，是影響聚落收縮的主要因素。結(jié)合聚落收縮空間點(diǎn)的市區(qū)距離和人均收入情況統(tǒng)計，可以看出，距離市區(qū)越近（主要集中在6500 m以內(nèi)），聚落收縮的數(shù)量也越多，這是由于城鎮(zhèn)化發(fā)展，導(dǎo)致村落的撤并；人均收入數(shù)據(jù)則可以明顯看出，收入越低，其聚落收縮的數(shù)量越多，則表明從村民自身角度，經(jīng)濟(jì)收入達(dá)不到預(yù)期時（主要與周邊村鎮(zhèn)進(jìn)行對比），則更愿意選擇搬遷的方式進(jìn)行改變（圖10）。

圖10 聚落收縮空間點(diǎn)的核心影響因素情況統(tǒng)計Fig.10 statistics on the core influencing factors of settlement shrinkage space points

第三，旅游發(fā)展對溧陽的鄉(xiāng)村聚落重構(gòu)的影響作用突出。在兩個模型中，距核心景區(qū)距離對于聚落收縮（10.9%，負(fù)貢獻(xiàn)）與聚落擴(kuò)張（31.0%，正貢獻(xiàn)）均較為顯著，凸顯出具有良好旅游條件的聚落在過去以及未來的發(fā)展中具有一定優(yōu)勢及潛力。主要表現(xiàn)為兩個方面：維持原始聚落的格局與促進(jìn)聚落適當(dāng)集聚。依托于天目湖5A級景區(qū)、南山竹海4A級景區(qū)等優(yōu)質(zhì)的旅游資源的鄉(xiāng)村聚落，逐步形成鄉(xiāng)村旅游、休閑旅游帶動的旅游特色型聚落。在近10年的發(fā)展演變過程中，聚落的空間格局傳承與保護(hù)受益于核心景區(qū)的帶動，當(dāng)?shù)鼐用褚惨蚪?jīng)濟(jì)收入的增長，更愿意保留其宅基地；同時，巨大客流量的消費(fèi)能力激活了區(qū)域經(jīng)濟(jì)，帶動周邊聚落產(chǎn)業(yè)延伸發(fā)展，促進(jìn)了聚落空間肌理延續(xù)于聚落空間整合集聚。

4 啟示與結(jié)語

4.1 啟示

基于機(jī)器學(xué)習(xí)的聚落“空間—動力”耦合機(jī)制的解析方法，是在傳統(tǒng)定性分析與主觀權(quán)重賦值的定量分析基礎(chǔ)上，充分發(fā)揮計算機(jī)的技術(shù)提升以及機(jī)器學(xué)習(xí)的算法進(jìn)步，通過大數(shù)據(jù)以及多維數(shù)據(jù)轉(zhuǎn)譯的數(shù)據(jù)挖掘技術(shù)，更為客觀的識別鄉(xiāng)村聚落在當(dāng)前鄉(xiāng)村振興、聚落轉(zhuǎn)型背景下的重構(gòu)內(nèi)在機(jī)理。一定程度上摒棄了人的先驗(yàn)主觀經(jīng)驗(yàn)，以數(shù)據(jù)為驅(qū)動，在保證動力機(jī)制識別的客觀性，獲得較為準(zhǔn)確的動力機(jī)制探測結(jié)果，進(jìn)一步將計量科學(xué)融入鄉(xiāng)村聚落發(fā)展的理論與實(shí)踐中。

同時，由于機(jī)器學(xué)習(xí)回歸模型具有可預(yù)測性，可以將該方法運(yùn)用到城鄉(xiāng)空間的布局規(guī)劃中，以提升規(guī)劃的效率和科學(xué)性。例如，在縣域村莊布局規(guī)劃時，運(yùn)用訓(xùn)練好的模型，將村莊的具體條件輸入到模型變量數(shù)據(jù)中，計算得到該聚落的擴(kuò)張、收縮可能性，作為村莊布局規(guī)劃中集聚提升、搬遷撤并的客觀評價標(biāo)準(zhǔn)。在本案例中，溧陽的擴(kuò)張以區(qū)位條件具有優(yōu)勢、經(jīng)濟(jì)社會活動較為發(fā)達(dá)的區(qū)域?yàn)橹攸c(diǎn)，在聚落進(jìn)行集聚提升和新增選址時，可以作為重要參考依據(jù)。

4.2 結(jié)語

運(yùn)用機(jī)器學(xué)習(xí)方法來剖析聚落空間重構(gòu)的動力機(jī)制同樣存在一定的局限。機(jī)器學(xué)習(xí)依賴于數(shù)據(jù)驅(qū)動，數(shù)據(jù)的選擇與缺失對于機(jī)器學(xué)習(xí)的結(jié)果有較大的差異。本文研究了4個維度14個影響聚落重構(gòu)指標(biāo)的數(shù)據(jù)，尚缺乏政策導(dǎo)向、上位規(guī)劃等因素作用于聚落空間重構(gòu)的影響，所以定性分析在目前的鄉(xiāng)村發(fā)展、鄉(xiāng)村規(guī)劃的研究中同樣占據(jù)重要的地位，定性與定量結(jié)合，能夠更加準(zhǔn)確地描述與解釋聚落發(fā)展的內(nèi)在機(jī)理。但在數(shù)據(jù)愈發(fā)豐富、分析方法愈發(fā)進(jìn)步的時代，定性層面的影響如何轉(zhuǎn)譯為定量的數(shù)據(jù)，進(jìn)而通過計算機(jī)的融入客觀分析解譯聚落空間重構(gòu)與發(fā)展的多維度影響因素的方法將是未來探索的重要方向之一。

圖表來源：

圖1-2、4-5、7-10：作者繪制

圖3：作者拍攝、繪制

圖6：趙毅, 陳超, 許珊珊. 特色田園鄉(xiāng)村引領(lǐng)下的縣域鄉(xiāng)村振興路徑探析——以江蘇省溧陽市為例[J]. 城市規(guī)劃, 2020, 44(11): 106-116.

圖6 溧陽鄉(xiāng)村空間分區(qū)Fig.6 rural space division of Liyang City

表1、3-8：作者繪制

表2：根據(jù)ArcGIS官方文檔整理

注釋：

① 溧陽市鄉(xiāng)村建設(shè)五個階段分別是：2005—2011年社會主義新農(nóng)村建設(shè)階段、2011—2013年村莊環(huán)境整治階段、2013—2017年美麗鄉(xiāng)村建設(shè)階段、2017年至今的特色田園鄉(xiāng)村階段、2019年開始美意田園行動階段。