研究将神经网络的隐藏层神经元数量设置为 14，经过 2％的样本学习，得到训练好的神经网络软分类器。随后向训练好的分类器中输入上述驱动力因子，分类器输出惠州市全区域的建设用地转换概率，数值越接近于1表示某区域发展为建设用地的潜力越大(图2)。

（二）基于神经网络的驱动力因子重要程度分析

      在学习率与训练目标自适应神经网络中对惠州市的建设用地、非建设用地及各类驱动力因子进行采样并训练，得到各类驱动力因子的贡献权重(表1)。

      如表 1 所示，将因子重要性从大到小进行排列可以发现，对建设用地影响较大的有公交站点、市区主要道路、交通主干道、河流水域、铁路、市场集市和经济增量。排名前两位的因子均属于交通因子且贡献权重都大于 0.1，可见市区道路和公共交通站点分布对惠州市建设用地发展有重要影响。而交通主干道、河流水域、铁路、市场集市和经济增量的贡献权重均大于 0.065，并且权重大小比较接近。综合来看，交通和经济因素是影响惠州市城镇发展的最主要因素。同时，公交站点和道路河流均属于人口流动强度较大的点状和线状地物，人口增量的贡献权重占0.47，因而人口分布强度和区位对城镇发展的影响也不可忽视。

（三）控制线内城镇发展潜力地区识别

      通过叠加规划控制方案与城镇发展概率图的方式，将神经网络的输出与规划的3类限制用地进行对比，为控制线的划定提供了参考。研究将生态控制线内的一级管制区和二级管制区、基本农田分别与城镇发展概率图进行叠加。

(1) 一级管制区的管控目标主要包括生态保育用地中的市级及以上自然保护区、一级水源保护区、省内重点防洪大堤、全省性重要水源林、省级及以上生态公益林、市级及以上湿地保护区、城镇公园及生态旅游度假区等，该类区域实行最严格的管控措施，禁止从事与生态保护无关的开发活动，以及其他可能破坏生态环境的活动。如图3所示，图中色调越偏向暖色的地区理论上拥有越高的城镇发展潜力，即拥有较好的发展区位和条件，为了保护生态环境，宜对这些地区加大管控力度。

(2) 二级管制区的管控目标主要包括除一级水源保护区以外的水源保护区、除省内重点防洪大堤以外的主干河流和堤围、大型湖泊及沼泽，休闲游憩用地中的市级及以下自然公园，以及垦殖生产用地等。在二级管制区内，除生态保护与修复工程，文化自然遗产保护、森林防火、应急救援、军事与安全保密设施，以及必要的农村生活及配套服务设施、垦殖生产基础设施外，不得进行其他项目建设。如图4所示，色调越偏向暖色的地区理论上拥有越高的城镇发展潜力。

(3) 惠州市基本农田与城镇发展概率图的叠加结果显示，色调越偏向暖色的地区转化为城镇建设用地的风险越高( 图 5)。

三  基于ANN-CA的城镇开发边界划定

（一）耦合系统动力学的ANN-CA模型

      通常，对于城镇扩张用地需求的模拟，是以规划的建设用地数量目标为前提的。为了更好地模拟惠州市未来建设用地发展情况，划定更加合理的城镇开发边界，研究在 ANN-CA 中引入系统动力学模型，综合考虑惠州市自然、社会、经济和人文等多种复杂因素，以科学地预测未来建设用地的数量。

      研究设定模型邻域为3×3摩尔邻域，以计算出的未来土地利用变化需求作为迭代的终止条件，模拟未来的土地利用变化分布情况，并将建设用地按一定规则分配到相应区域，分配过程如图6所示。

（二）耦合系统动力学的综合分析和城镇开发边界划定

1.