摘 要:生態(tài)城市規(guī)劃設計是有別于傳統(tǒng)城市規(guī)劃的一種新型設計,在整個設計工作中必須充分考慮生態(tài)要素的數(shù)量配置與合理布局。為了達到更加合理的設計效果,本文采用了一種基于核-極限學習機的人工智能規(guī)劃設計方法。3組試驗結(jié)果充分表明,這種人工智能方法可以確定植被、節(jié)水區(qū)、污廢處理廠的合理數(shù)量和排布,從而提升城市的生態(tài)屬性和生態(tài)指數(shù)得分。
關鍵詞:生態(tài)城市;規(guī)劃設計;生態(tài)要素;極限學習機
中圖分類號:X 32" 文獻標志碼:A
2018年以來,國家提出了高質(zhì)量發(fā)展的宏觀發(fā)展戰(zhàn)略,其核心理念就是人與生態(tài)環(huán)境的和諧,通過人類生存空間與自然環(huán)境的協(xié)調(diào)發(fā)展提升人們的生活幸福指數(shù)[1]。該宏觀發(fā)展戰(zhàn)略為城市規(guī)劃設計工作提出了全新的指引,也使生態(tài)城市規(guī)劃成為研究熱點。生態(tài)城市與傳統(tǒng)城市有明顯不同,它將整個城市看成一個生態(tài)系統(tǒng),生態(tài)城市建成將是人類社區(qū)子系統(tǒng)、自然環(huán)境子系統(tǒng)、城市經(jīng)濟子系統(tǒng)相互協(xié)調(diào)的必然結(jié)果。因此,生態(tài)城市的規(guī)劃設計不能再局限于商用和民用建筑的布局、交通道路的布局等,更要關注那些符合生態(tài)特征的要素在城市中的數(shù)量配置與分布區(qū)域[2]。具備生態(tài)特征的城市要素很多,例如綠色建筑的數(shù)量、節(jié)能設施的數(shù)量、節(jié)水設施的數(shù)量、生態(tài)景觀的數(shù)量、公園綠地的數(shù)量、綠色交通工具的數(shù)量等。只有這些生態(tài)要素都達到合理的數(shù)量,符合城市規(guī)模和人口規(guī)模,才能最大限度地凸顯城市的生態(tài)屬性,避免能源和資源浪費,使城市環(huán)境更加宜居、城市市民的生活質(zhì)量更高[3]。在這種情況下,本文以合理配置各種生態(tài)要素為城市規(guī)劃設計的重要目標,并運用人工智能的方法對其進行處理,以期為生態(tài)城市設計提供一條新的路徑。
1 生態(tài)城市的生態(tài)要素構(gòu)成
城市規(guī)劃是城市建設和城市改造的總體規(guī)劃,城市規(guī)劃設計涵蓋了城市布局、街區(qū)設置、小區(qū)建設、基礎設施建設等多方面內(nèi)容。生態(tài)城市規(guī)劃設計,則是遵循人類與生態(tài)環(huán)境和諧、打造城市生態(tài)系統(tǒng)的設計過程。一個生態(tài)城市包括眾多生態(tài)要素,如圖1所示。
從圖1中可以看出,生態(tài)城市的構(gòu)成要素有很多。其中,節(jié)能設施是采用低能耗完成能量供給的設施,而對那些已經(jīng)在城市中建設又無法短期內(nèi)拆除或替換的高能耗設施,就需要配套潔能設施對其廢氣、固體肥料進行清潔和處理。節(jié)水設施是采用低耗水量完成水供給的設施,例如城市供水系統(tǒng)、公共綠地噴淋灌溉系統(tǒng)等,而對那些在城市中會產(chǎn)生污染的水處理設施,要與潔水設施配套使用,并對水中污染物進行清潔和處理。上述4類設施可以保證城市總體的生態(tài)環(huán)境達到宜居標準。
生態(tài)景觀、公園綠地,數(shù)據(jù)生態(tài)城市的局部構(gòu)成要素,可以提供公共的生態(tài)區(qū)域供城市市民分享生態(tài)城市的建設成果。綠色建筑、綠色交通,涉及城市市民的日常住行,因此它們直接影響城區(qū)建設生態(tài)化的程度。
生態(tài)城市規(guī)劃設計就是依托城市現(xiàn)有的建設情況,興建新的生態(tài)元素或用生態(tài)元素替換、改造原有的元素,從而使城市達到生態(tài)級別的標準。設計的具體內(nèi)容涉及了生態(tài)元素的數(shù)量和布局。
2 極限學習機智能算法在生態(tài)要素配置中的應用
生態(tài)城市中配置的生態(tài)要素的合理數(shù)量,與城市規(guī)模、城市布局、城市原有狀況等因素有關。在生態(tài)城市的規(guī)劃設計中,根據(jù)設計人員的經(jīng)驗估計生態(tài)要素的數(shù)量。為進一步提高生態(tài)城市規(guī)劃設計的科學性,本文將人工智能和生態(tài)城市規(guī)劃設計工作結(jié)合起來,采用極限學習機智能算法,對生態(tài)城市中的生態(tài)要素配置數(shù)量進行智能估算。
極限學習機是一種先進的機器學習算法,其算法依據(jù)為單隱層前饋神經(jīng)網(wǎng)絡算法,有以下主要特征。輸入權(quán)重和偏置不受限制,可進行任意賦值,并且輸出矩陣唯一,這在很大程度上簡化了訓練過程,使訓練效率大幅提高。在訓練過程中,僅設置神經(jīng)元個數(shù),即可得到最優(yōu)解,并且該最優(yōu)解是唯一的。總體來看,極限學習機泛化性能良好,并且訓練效率高,學習速度快。
對一個單隱層神經(jīng)網(wǎng)絡來說,假設有N個任意的樣本(Xi,ti),那么計算過程如公式(1)所示。
Xi=[xi1,xi2,…,xin]T∈Rn,ti=[ti1,ti2,…,tim]T∈Rm (1)
式中:Xi為第i個隱含層神經(jīng)元;ti為對應的時間節(jié)點。
當一個單隱層神經(jīng)網(wǎng)絡的隱層結(jié)點數(shù)為L時,權(quán)重和偏重分別為Wi和bi時,計算過程如公式(2)所示。
(2)
式中:g(x)為激活函數(shù);輸入權(quán)重為Wi=[wi,1,wi,2,…,wi,n]T;βi和bi分別為輸出權(quán)重和第i個隱層單元的偏置;Wi·Xj為Wi和Xj的內(nèi)積。
單隱層神經(jīng)網(wǎng)絡學習的主要目的是降低輸出誤差,計算過程如公式(3)所示。
(3)
式中:N為全部神經(jīng)元的數(shù)量;oj為學習后的輸出;tj為學習機計算的當前值。
對適用于單隱層前饋神經(jīng)網(wǎng)絡學習的極限學習機而言,可隨機確定其輸入權(quán)重和偏置,從而可以保證輸出矩陣是唯一的,這樣就可以在很大程度上解決傳統(tǒng)算法改變參數(shù)過多的問題,并且能夠解決將參數(shù)確定轉(zhuǎn)化為最小范數(shù)和最小二乘的問題,簡化計算流程,提高訓練效率。由于基于經(jīng)驗風險最小化原則的極限學習機容易產(chǎn)生過擬合問題,因此,為提高極限學習機的泛化能力,最大幅度減少初始偏置和權(quán)值對訓練和識別效果的不良影響,在極限學習機的基礎上提出一種新型的極限學習機,即核-極限學習機。與極限學習機相比,核-極限學習機引入了核函數(shù)的概念,該算法主要是用核矩陣來代替隨機矩陣,利用核函數(shù)來對輸入樣本從N維空間到更高維隱層特征空間進行映射。
與極限學習機相比,核-極限學習機訓練速度更快、更容易實現(xiàn)且性能更好。
從圖2的核-極限學習機的網(wǎng)絡模型可以看出,它類似神經(jīng)網(wǎng)絡的構(gòu)成,也分為輸入、中間、輸出3個層次。其中,輸入層和輸出層都包括多個元素,而中間層則由復雜的核處理機代替。因為核 - 極限學習機的性能強,所以三層次的結(jié)構(gòu)的學習能力和非線性處理能力非常優(yōu)秀。
當采用正則化系數(shù)C改善極限學習機網(wǎng)絡的穩(wěn)定性和泛化能力時,β的最小二乘解的計算過程如公式(4)所示。
QELM(i,j)=h(xi)·h(xj)=K(xi,xj)" " " " (4)
式中:xi為第i個輸入;xj為第j個輸入。
計算核-極限學習機的輸出如公式(5)所示。
(5)
式中:x為輸入;y(x)為輸出。
3 生態(tài)城市規(guī)劃設計中的生態(tài)要素配置試驗
本文構(gòu)建了核-極限學習機的智能算法,將生態(tài)城市含有生態(tài)要素及各種屬性的經(jīng)驗數(shù)據(jù)作為輸入,就可以對核-極限學習機進行訓練,當核-極限學習機達到穩(wěn)定后,就可以對要規(guī)劃設計的生態(tài)城市進行智能分析,確定其各種生態(tài)要素的合理數(shù)量。以此為框架,本文進行試驗研究。
針對試驗目標城市,運用核-極限學習機智能算法,分析城市植被區(qū)域的合理分布數(shù)量和布局位置,結(jié)果如圖3所示。
從圖3中可以看出,城市左下角至右側(cè),有一條河流貫穿市區(qū)流過,并有兩個細小支流。這條河流使河道周邊區(qū)域具有鮮明的濕地特征。在核-極限學習機智能算法分析下,沿著河道周圍的區(qū)域,規(guī)劃設計了大面積、連續(xù)的濕地植被密植區(qū),在這些區(qū)域增加濕地植被密度,有助于涵養(yǎng)水源,保持河道周邊的濕地屬性,大大增加了城市的生態(tài)屬性。
在遠離河道的區(qū)域,設計了相對分散、連續(xù)面積小的植被疏植區(qū)。合理配置植被疏植區(qū),可以為城市其他區(qū)域提供綠化,并形成相對均衡的生態(tài)支點。
圖3中的城市規(guī)劃結(jié)果具有特殊性,目標城市具備了貫穿市區(qū)的河流水系,因此,目標城市中的部分比例區(qū)域,具備了非常好的先天條件,河流周邊區(qū)域都覆蓋了豐富濕地植被。當不同的城市進行規(guī)劃時,都要盡可能地考慮城市的特點,如果能充分利用城市現(xiàn)有生態(tài)環(huán)境,就可以最大限度地降低城市規(guī)劃設計的實施成本,從而可以更加有效地改善城市生態(tài),完成城市生態(tài)建設、達成城市規(guī)劃的預期目標。
進一步運用核-極限學習機智能算法,對目標城市的節(jié)水區(qū)域進行分析,結(jié)果如圖4所示。
從圖4中可以看出,運用核-極限學習機智能算法為目標城市的不同區(qū)域規(guī)劃設計了節(jié)水區(qū)域。其中,顏色較深的區(qū)域為重度節(jié)水區(qū),顏色較淺的區(qū)域為輕度節(jié)水區(qū),二者之間是區(qū)域為中度節(jié)水區(qū)。
對照圖3可以看出,輕度節(jié)水區(qū)主要分布在河道周邊區(qū)域,這些區(qū)域本為濕地分布區(qū)域,居住人口少不需要大量生活用水,而噴淋灌溉用水從自然環(huán)境中獲取即可,因此設置為輕度節(jié)水區(qū)。而遠離河道的周邊區(qū)域,自然水資源匱乏、人口稠密,多設置為重度節(jié)水區(qū)。
在第三組試驗中,運用核-極限學習機智能算法測算了城市需要的污廢處理廠的合理數(shù)量,分析結(jié)果如圖5所示。
從圖中可以看出,隨著污廢處理廠數(shù)量的變化,城市生態(tài)指數(shù)得分也不斷變化。在污廢處理廠從0增至18的過程中,城市生態(tài)指數(shù)在波動中不斷上漲,達到峰值。后續(xù)雖然污廢處理廠的數(shù)量增加了,但城市生態(tài)指數(shù)卻出現(xiàn)了明顯下降。
與城市面積和城市污染物的日排放量相比,18個污廢處理廠即可以達到飽和,足以滿足城市污廢處理需要。當污廢處理廠進一步增加時,自身工作過程所產(chǎn)生的污染物會對城市生態(tài)指數(shù)起到負面影響,反而不利于城市生態(tài)建設。
4 結(jié)論
生態(tài)城市建設是高質(zhì)量發(fā)展的重要組成部分,是提高城市生存環(huán)境宜居性的關鍵。本文分析了生態(tài)城市規(guī)劃設計中的各大生態(tài)要素。在此基礎上,本文提出了基于核-極限學習機的智能分析方法,對各種生態(tài)要素與城市規(guī)模的對應性進行訓練,并得到合理的分布數(shù)量和布局結(jié)果。通過3組試驗對基于人工智能的生態(tài)城市規(guī)劃設計進行效果驗證。第一組試驗結(jié)果得到城市的濕地植被和其他植被的數(shù)量與分布,第二組試驗得到城市各類節(jié)水區(qū)的數(shù)量與分布,第三組試驗得到城市污廢處理廠的數(shù)量與分布。
參考文獻
[1] 張坤民,何雪煻,溫宗國.中國城市環(huán)境可持續(xù)發(fā)展指標體系研究的進展[J].中國人口、環(huán)境與資源,2020,10(1):54-59.
[2] 李月輝,胡志斌,肖篤寧.城市生態(tài)環(huán)境質(zhì)量評價系統(tǒng)的研究與開發(fā)-以沈陽市為例[J].城市環(huán)境與城市生態(tài),2023,24(2):53-55.
[3] 牛海鵬,齊永安,袁占良.城市生態(tài)可持續(xù)發(fā)展評價指標體系及方法[J].遼寧工程技術大學學報,2022,24(2):292-294.