基于GeoSOS的城市扩展模拟——以旅顺口区为例

运用MCE-CA和Logistic-CA两种基本的元胞自动机模型作为理论模型,考虑边界到市中心、镇中心、铁路和主要公路等作为区位因素的空间距离约束条件,以及地形和禁止建设区作为区位因素的全局限制约束条件,在地理模拟优化系统(Geographical Simulation and Optimization System,GeoSOS)的支持下,对1990~2000年和2000~2010年辽宁省大连市旅顺口区的城市空间扩展进行了模拟,并取得较好效果。结果表明,MCE-CA模型的Kappa系数分别为0.71和0.64,Logistic-CA模型分别为0.54和0.55,两者均达到较好的模拟精度;MCECA模型适用于主观变量较多的CA模型,Logistic-CA模型更适合于客观因素较多的CA模型;利用合理的CA模型模拟旅顺口区城市未来土地利用变化,可为今后的土地规划以及制定有效的土地管理措施和方针政策提供依据。     

顾及空间多尺度邻域效应和时间依赖性的城市扩展模拟

在推进新型城镇化和实施新时代国土空间规划的战略背景下,城市扩展研究逐渐成为热点问题。当前基于元胞自动机(CA)的城市扩展模拟对城市空间多尺度邻域效应解析不足,且在转换规则中对城市长时间演变过程的时间依赖性影响表达不够完善,简化了城市扩展的时空依赖性,无法真实模拟推演未来规划实施情景以服务于国土空间规划。针对上述问题,本文构建一种兼顾空间多尺度邻域效应(3DCNN)和时间依赖性(ConvLSTM)的城市扩展深度学习CA模型(下文称“Deep-CA”)。首先通过组合普通卷积和空洞卷积的3DCNN来提取城市空间多尺度邻域效应,再利用ConvLSTM神经网络将历史信息同化,考虑长时间序列的时间依赖性,从而得到城市扩展的适宜性概率。北京市1995—2015年的土地利用数据及其驱动因素数据用于验证所提CA模型的科学性与适用性,1995—2010年数据用于模型训练,模拟2015年的城市范围。同时将模拟结果精度与ANN-CA、LR-CA和ME-CA 3种传统方法进行对比。与传统CA模型相比,Deep-CA的北京市2015年模拟FoM指数提高了4%左右,且对于城市全局和局部形态模拟效果较好,斑块破碎度低...     

逻辑回归元胞自动机模型的鸡西市城市扩张分析及预测

城市的快速扩张导致人地矛盾激化,土地利用效率下降.分析并预测城市发展状态,可以实现土地资源的合理配置,为城市发展提供合理规划.本文以鸡西市市辖区为例,利用Logistic-CA模型进行城市扩张模拟及趋势特征分析.结果表明:1)鸡西市在2005—2015年间城市处于低速扩张阶段,土地利用效率较低,城市发展较为分散;2)通...     

城市扩展元胞自动机多结构卷积神经网络模型

传统的城市扩展元胞自动机(CA)模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,本文基于多结构卷积神经网络提出从区域特征出发且顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型(MSCNN-CA),并以武汉主城区和上海浦东新区为例,模拟了两个试验区2005—2015年期间城市扩展过程。模型验证表明:与逻辑回归和神经网络相比,本文构建的3个单一结构的卷积神经网络元胞自动机(CNN-CA)模型在4个指标(Kappa系数、FoM(figure of merit)值、命中率(h)和错误率(m))上都有不同程度的提高。特别是FoM指数,在武汉主城区提高了23.3%~29.4%,在上海浦东新区提高了20.3%~28.5%。此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,FoM指数在武汉主城区提高了0.8%~4.8%,上海浦东新区提高了2.8%~7.8%。两个试验区的模拟结果表明:相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型(MSCNN-CA)能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程。相比单结构的卷积神经网络CA模型,多结构卷积神经网络CA模型的稳定性和模拟结果准确性有所提升。     

集成GIS的元胞自动机在城市扩展模拟中的应用

元胞自动机CA(Cellular Automata)是一种"自下而上"的动态模拟模型,具有模拟城市复杂系统时空演化过程的能力。CA和GIS的集成使二者在时空建模方面相互补充,能使CA模拟结果可视化显示。这里以郑州市为例,设计了城市CA模型,借助VB 6.0和MapX 5.0建立了一个与GIS无缝集成的2维CA模拟系统,并结合郑州市2005~2007年遥感影像图和土地利用图,对郑东新区进行了模拟,取得较好的效果。     

集成GIS的元胞自动机在城市扩展模拟中的应用

元胞自动机CA(Cellular Automata)是一种"自下而上"的动态模拟模型,具有模拟城市复杂系统时空演化过程的能力.CA和GIS的集成使二者在时空建模方面相互补充,能使CA模拟结果可视化显示.这里以郑州市为例,设计了城市CA模型,借助VB 6.0和MapX 5.0建立了一个与GIS无缝集成的2维CA模拟系统,并结合郑州市2005～2007年遥感影像图和土地利用图,对郑东新区进行了模拟,取得较好的效果.     

基于 CA 模型的土地利用变化研究

土地利用变化趋势及驱动力分析研究是目前全球变化研究的热点问题之一,如何合理并准确地模拟预测出土地利用变化的趋势是研究的核心。土地利用动态变化十分复杂,传统的GIS模型能很好地解决部分空间相关问题,但对复杂的时空动态变化地理现象却难以模拟。元胞自动机（ CA ）是“自下而上”的动态模拟建模框架,其时间、空间、状态都离散,是一种空间相互作用和时间因果关系都为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力。 CA模型的这些特点在土地利用演化的模拟方面较为合适,集成于GIS下的CA模型将会改善CA的模拟环境,使模拟分析的结果更加准确。     

集成GIS和细胞自动机模型进行地理时空过程模拟与预测的新方法

目前商用地理信息系统（GIS）不能完整地表达地理实体的时态信息和时空关系，缺乏时空分析和时空动态模拟的能力，这已成为GIS界的一个共识，然而，未来GIS在各应用领域的深入发展以及在实现“数字地球”战略过程中，都要求发展新的时空分析和模拟方法，细胞自动机（Cellular Automaton)是一种“自下而上”的动态模拟建模框架，具有模拟地理复要系统时空演化过程的能力，首先将标准CA模型的4元组进行扩展以满足GIS环境下时空动态模型的要求，然后以城市土地利用演化这一动态过程为例，建立了土地利用演化动态模拟与预测模型（LESP），最后运用此模型对包头市城市扩展和土地可持续利用演化进行了比较成功的模拟和预测。     

近40年长株潭生态景观的人为干扰过程分析

以长株潭主城区为研究对象,综合考虑卫星遥感数据、土地利用数据以及地理国情普查数据特点建立长株潭用地类型分类系统,应用土地利用转移矩阵和景观人为干扰测度模型获取主城区用地转移矩阵和人为干扰度指数时空分布,探讨长株潭主城区生态景观与人为干扰之间的关系。结果表明:从土地利用变化角度,1978—2015年长株潭主城区耕地、园林地、建设用地发生了显著变化,耕地总体上呈持续下降趋势,从3 544.67 km~2下降到2 571.18 km~2,园林地呈现先下降后升高的变化趋势,总体下降177.89 km~2;建设用地呈持续上升趋势,从80.56 km~2增加到1 252.85 km~2;在1994—2000年和2010—2015年长株潭主城区土地利用变化两个典型阶段,建设用地的增加主要通过占用耕地和园林地的方式实现。景观人为干扰指数时空分析表明:1978—2015年长株潭主城区景观人为干扰指数高值区主要集中在中心城市和其周边地区,在人类活动的影响下,中心城区以耕地、园林地向建设用地转移为主,周边地区主要以耕地和园林地的相互转移为主;随着城市化进程持续加快,人类活动对主城区生态景观的影响总体呈加强趋势,且受人类活动干扰主要集中在中心城区。     

基于神经网络的元胞自动机与土地利用演化模拟——以广州市白云区为例

城市发展过程中存在多种土地利用类型的相互转换,掌握其演化规律有助于制定出合理的土地利用规划。传统元胞自动机(CA)在模拟城市扩张过程时,多种土地利用类型间的转换十分复杂,往往难以获得转换规则。本文利用神经网络构建了多类型演化的CA模型;从城市演化的历史数据中进行学习,挖掘出控制土地利用方式转变的空间要素权重,利用广州市白云区2005—2007年间的土地利用历史演化数据训练神经网络后,对2009年研究区的土地利用结构进行了模拟。对比同期的真实土地利用格局,模拟结果的平均精度达到77.65%。     

长株潭主城区热岛效应时空演化与土地利用变化关联分析

近年来,由快速城市化过程引起的城市生态环境问题日益突出,热岛效应为最显著的现象之一。本文针对长株潭主城区,采用1994、2000、2006、2010与2015年5个时相的Landsat影像进行地表温度反演,通过热岛强度与等级分析比较了长株潭三市的热岛效应时空演化特征;结合各时相土地利用数据,利用灰色关联模型量化分析了热岛效应时空演化与土地利用变化之间的关系。结果表明:长株潭主城区热岛强度与等级均呈增长趋势;2010与2015年,湘潭市热岛强度大于长沙市与株洲市;建设用地有显著增温效应,而草地、水域与未利用地对强热岛区的降温作用明显。     

元胞自动机（CA）模型在土地利用领域的研究综述

通过模型对区域土地利用/覆盖变化（LUCC）进行分析已经成为了当前全球的研究主要内容之一。元胞自动机（CA）模型是一种通过定义局部的简单的计算规则来模拟和表示整个系统中复杂现象的时空动态模型,其＂自下而上＂的研究思路,强大的复杂计算功能及高度动态,使得它在模拟空间复杂系统的时空动态演变方面具有很强的能力。CA模型通过与其他模型相结合,在综合考虑各种限制因素和转换规则的前提下,通过反复迭代综合空间分析与非空间分析,模拟土地利用变化情景,在国内外已经形成了较为成熟的研究模型。本文首先提出了CA模型在土地利用变化中应用的背景及其特点;然后,分析了CA模型的构成原理以及在国内外的应用进展与现状;最后,详细阐述了CA模型在土地利用变化中的发展趋势及今后研究工作中应注意的问题。     

基于CA的南京市城市空间结构演变模拟

元胞自动机(Cellular Automata,CA)是一种"自下而上"的动态模拟建模框架,具有模拟复杂系统时空演化过程的能力。本文将对标准CA进行扩展,以南京市为研究区域,对其城市扩展进行模拟。     

西安城市扩展时空特征与驱动因素分析

针对西安城市扩展研究当中研究时段跨度大、政府政策对城市扩张影响分析较少等问题,该文基于1988—2015年10期Landsat影像及统计数据,利用线性趋势、多元回归分析等方法,分析了西安1988—2015年城市扩展特征及驱动因素。结果表明:西安主城区建设用地增量大、非主城区增速快,城市扩展主要发生在先后建立的经济新区当中,而第一、第二产业,城镇固定资产投资,非农业人口增加是驱动西安城市扩展的主要社会经济因素。     

用于沿海城市扩展模拟的一种CA模型

对传统的克拉克城市扩展模型进行了分析,构造了一种适合沿海城市扩展的CA模型.利用建立的CA模型,对沿海城市青岛市的城市扩展进行了模拟,试验结果表明,模型对沿海城市的扩展具有很好的模拟效果.     

基于ECA-GIS模型的土地利用时空变化模拟方法

在城市土地利用认知基础上,本文将ECA-GIS模型的时空数据模型应用于城市土地利用演变模拟中,论述了ECA-GIS模型在模拟土地利用时空演变上的规则,并设计了基于ECA-GIS模型的城市土地利用演化模型,研究了ECA-GIS模型在土地利用演变上的模拟方法和过程。     

基于地理环境的CA模型演变规则研究

本文定义了城市扩展模拟中的CA模型,提出模拟地理实体的栅格元胞要求;探讨了惯性自由扩展、土地利用类型转变、交通引力作用、大城市辐射、其他用地自组织、自然条件限制、规划条件约束、决策修正行为等模拟城市建设用地扩展的演变规则;并将专家打分法应用于城市建设用地扩展CA模型演变规则集成阶段,通过打分结果与阈值比较确定城市建设用地扩展的变化情况.     

典型海岸带城市扩张的多源遥感监测与预测——以青岛市为例

本文利用自1995年以来的4期DMSP-OLS、NPP-VIIRS夜光遥感影像与Landsat多光谱遥感影像,分析了青岛市近25年的城市建成区范围、各市区边界形态与扩展趋势,并结合土地利用分类、路网、POI、DEM等多源驱动因子及元胞自动机-马尔可夫（CA-Markov）模型,模拟并预测了2027年青岛市土地利用分类。结果表明,近25年青岛建成区扩展主要以外延式为主,其他城区总体上沿胶州湾方向扩展,四周向青岛主城区汇集,主城区建设用地向西北侧发展。本文验证了夜光遥感在监测与预测典型海岸带城市扩张方面的适用性,为城市化发展进程管理与决策提供了重要依据。     

土地利用变化动态模型研究

介绍目前较常用的动态模型——Markov和Celluar Automata模型及其在土地利用变化研究中的应用；着重分析了基于Markov—CA的土地利用变化动态模型，并利用两期TM数据进行Markov—CA模型应用试验研究。结果表明：MarkOVDCA模型可以克服马尔可夫分析本身固有的问题——没有考虑每种土地利用类型的空间分布，而CA恰好能弥补Markov模型的不足；同时Markov—CA模型也发挥了CA和Markov模型的优点，使得它能更好地对土地利用变化进行模拟和预测。     

城市扩展极限学习机模型

城市空间结构及其扩展的模拟是城市科学管理与规划的重要前提,本文基于极限学习机提出了顾及不同非城市用地转化为城市用地差异与强度的城市扩展元胞自动机模型（ELM-CA）。模型验证表明：①ELM-CA模型的模拟精度达到70.30%,相比于逻辑回归和神经网络分别提高了2.21%和1.54%,FoM系数分别提高了0.025 9和0.017 9,Kappa系数分别提高了0.024 7和0.016 9,且Moran I指数接近于实际值,说明极限学习机模型较逻辑回归和神经网络能更有效模拟城市扩展的空间形态及其变化;②ELM模型的训练时间仅为神经网络的1/3左右,体现了ELM学习速度的优势;③在小样本情况下,逻辑回归和神经网络都受到明显的影响,而极限学习机还能保持良好的性能,这个特点使其在样本难以获取的情况下具有明显的优势。两个时相的城市扩展模拟与真实数据的比较表明：基于极限学习机的城市扩展元胞自动机模型（ELM-CA）,简化了CA模型的复杂度,并在小样本情况下能有效提高模拟精度,适合于复杂土地利用条件下城市扩展模拟与预测。