基于最大发展潜力值的元胞自动机城市扩张模型

在城镇化发展水平及土地开发评价的基础上,评价待扩张区域土地转变潜力分值,基于最大转变潜力分值,提出一种有别于传统元胞自动机模拟城市扩张的新方法。该方法与传统元胞自动机模拟城市扩张相比在迭代方式上存在不同,它克服了传统元胞自动机因阈值设置不同而导致结果不确定的难题。分别将该方法与传统元胞自动机模型应用于武汉主城区,模拟了其2003年到2013年的城市扩张情况,最后,将模拟结果与实际土地利用现状图进行对比发现改进后的新方法在模拟精度上大大提高。     

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。     

基于遗传神经网络获取元胞自动机的转换规则

采用面向对象建模思路,综合遗传神经网络和元胞自动机,构建了一个基于Matlab平台的遗传神经网络-元胞自动机模型,并以长江口北岸为例,构建了其土地利用变化模型,进行土地利用演化模拟与预测,为土地利用规划提供理论依据。结果表明:GANN-CA模型有较好的仿真效果,充分利用了人工神经网络获取模型大量空间变量参数的优势,简化了土地利用转化规则的定义。该模型更全面地考虑了土地利用演化的空间影响因子,并采用遗传算法优化神经网络的连接权值和阈值,是对人工神经网络-元胞自动机模型的改进和拓展。     

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。     

元胞空间分区及其对GeoCA模型模拟精度的影响

采用双约束空间聚类方法对元胞空间进行分区,在此基础上对不同的分区分别求取元胞转换规则,从而提高 元胞自动机的模拟精度。以杭州市土地利用变化为例,采用本文提出的基于双约束空间聚类的分区元胞自动机模型对 研究区域2000年—2005年的土地利用变化进行模拟,并利用逐点对比法和Moran I指数对模拟结果进行精度评估。结果 表明：(1)采用双约束空间聚类算法对元胞空间进行分区,可以保证同一分区内的元胞既在空间上邻近,又具有相对一 致的非空间属性信息,分区效果较好;(2)与不分区元胞自动机模型和基于空间聚类的分区元胞自动机模型相比,双约 束空间聚类元胞自动机模型具有较高的模拟精度,尤其是在空间形态和整体结构上具有较好的模拟效果。     

城市用地模拟与可持续发展研究

预测及模拟城市朋地的动态变化,可以为城市空间整合及可持续发展等相关政策的制定提供科学依据.利用基于BP神经网络的元胞自动机模型,对2005-2010年间萝岗区城市用地的扩展进行空间模拟,并预测未来5年的萝岗区城市扩张的空间分布,评价其合理性,为规划制定合理的土地政策和城市总体规划提供科学的决策依据.     

元胞自动机城市增长模型的空间尺度特征分析

基于元胞自动机模拟城市系统的复杂行为时,空间尺度是一个非常重要的概念,模型的模拟结果往往会随着输入数据的空间尺度变化而发生变化。然而,目前的元胞自动机城市增长模型大多没考虑数据的空间尺度特征,本文拟通过改变模型中输入数据的空间尺度来验证元胞自动机城市增长模型对尺度的敏感性及其空间尺度特征,并以长沙市为例进行实证研究。研究结果表明:元胞自动机城市增长模型只有在一定的尺度范围内才具有较高的模拟精度,并且模型对尺度具有一定的敏感性,因此为了使模型能够具有较高的模拟精度,并较好地反映城市形态特征,应认真选择模型中输入数据的空间尺度。     

耦合遥感观测和元胞自动机的城市扩张模拟

在传统元胞自动机(CA)模型中,静态的模型参数和模型误差不能释放是影响城市扩张模拟效果的两个重要原因。文中引入集合卡尔曼滤波方法到CA模型中,提出了基于联合状态矩阵的地理元胞自动机。该模型在模拟过程中可以通过同化遥感观测数据,动态地调整模型参数和纠正模拟结果,使模型参数能够反映转换规则的时空变化,同时也能较好地释放积累的模型误差。将模型应用于东莞市的城市扩张模拟中,实验结果表明,模型能够准确地调整模型参数使之符合城市发展模式,同时也能有效地控制模型误差,其模拟的空间格局与真实情况吻合。     

一种耦合元胞自动机的改进林火蔓延仿真算法

针对传统林火蔓延仿真模型在模拟大范围森林火灾时误差大和效率低的问题,对文献[10]的林火模型添加时间修正来提升林火蔓延模拟的准确性,提出耦合地理元胞自动机模拟林火蔓延过程的仿真算法。分析了元胞自动机时间步长对模拟精度的影响,优化时间步长选择,提高了模拟大规模森林火灾的精度及效率。以模拟2006年5月大兴安岭林区森林大火蔓延过程为例验证本算法,发现地理元胞自动机算法中时间步长取整个元胞完全燃烧所需时间的1/8效果最好,林火蔓延模拟结果与实际TM影像解译的火情时空一致性较高,Kappa系数平均为0.6352,准确率平均为87.89%。算法可用于实际林火蔓延过程的重现及趋势预测,且算法可逆。     

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%。     

基于遗传BP神经网络模型的土地利用变化预测模型研究

针对已有的遗传BP神经网络土地利用变化预测模型存在BP神经网络隐层节点不易确定、创建过程烦琐等问题,本文利用输入层与隐藏层神经节点数量关系原理确定隐层节点,在Sheffield工具箱环境下进行遗传算法的编程,简化遗传BP神经网络土地利用变化预测模型的创建。结果表明,利用输入层和隐含层节点数量关系创建的遗传BP神经网络土地利用变化预测模型,可以实现土地利用变化的预测,而且在效率和精度上均优于传统BP神经网络模型,且操作简便。     

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。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

Integration of neural networks and cellular automata for urban planning

This paper presents a new type of cellular automata (CA) model for the simulation of alternative land development using neural networks for urban planning. CA models can be regarded as a planning tool because they can generate alternative urban growth. Alternative development patterns can be formed by using different sets of parameter values in CA simulation. A critical issue is how to define parameter values for realistic and idealized simulation. This paper demonstrates that neural networks can simplify CA models but generate more plausible results. The simulation is based on a simple three-layer network with an output neuron to generate conversion probability. No transition rules are required for the simulation. Parameter values are automatically obtained from the training of network by using satellite remote sensing data. Original training data can be assessed and modified according to planning objectives. Alternative urban patterns can be easily formulated by using the modified training data sets rather than changing the model.     

Integration of neural networks and cellular automata for urban planning

This paper presents a new type of cellular automata (CA) model for the simulation of alternative land development using neural networks for urban planning. CA models can be regarded as a planning tool because they can generate alternative urban growth. Alternative development patterns can be formed by using different sets of parameter values in CA simulation. A critical issue is how to define parameter values for realistic and idealized simulation. This paper demonstrates that neural netowrks can simplify CA models but generate more plausible results. The simulation is based on a simple three-layer network with an output neuron to generate conversion probability. No transition rules are required for the simulation. Parameter values are automatically obtained from the training of network by using satellite remote sensing data. Original training data can be assessed and modified according to planning objectives. Alternative urban patterns can be easily formulated by using the modified training data sets rather than changing the model.     

An Artificial-Neural-Network-based,Constrained CA Model for Simulating Urban Growth

Insufficient research has been done on integrating artificial-neural-network-based cellular automata (CA) models and constrained CA models, even though both types have been studied for several years. In this paper, a constrained CA model based on an artificial neural network (ANN) was developed to simulate and forecast urban growth. Neural networks can learn from available urban land-use geospatial data and thus deal with redundancy, inaccuracy, and noise during the CA parameter calibration. In the ANN-Urban-CA model we used, a two-layer Back-Propagation (BP) neural network has been integrated into a CA model to seek suitable parameter values that match the historical data. Each cell's probability of urban transformation is determined by the neural network during simulation. A macro-scale socio-economic model was run together with the CA model to estimate demand for urban space in each period in the future. The total number of new urban cells generated by the CA model was constrained, taking such exogenous demands as population forecasts into account. Beijing urban growth between 1980 and 2000 was simulated using this model, and long-term (2001–2015) growth was forecast based on multiple socio-economic scenarios. The ANN-Urban-CA model was found capable of simulating and forecasting the complex and non-linear spatial-temporal process of urban growth in a reasonably short time, with less subjective uncertainty.     

Simulation of landscape spatial layout evolution in rural-urban fringe areas: a case study of Ganjingzi District

In recent years, the rapid expansion of urban spaces has accelerated the mutual evolution of landscape types. Analyzing and simulating spatio-temporal dynamic features of urban landscape can help to reveal its driving mechanisms and facilitate reasonable planning of urban land resources. The purpose of this study was to design a hybrid cellular automata model to simulate dynamic change in urban landscapes. The model consists of four parts: a geospatial partition, a Markov chain (MC), a multi-layer perceptron artificial neural network (MLP-ANN), and cellular automata (CA). This study employed multivariate land use data for the period 2000–2015 to conduct spatial clustering for the Ganjingzi District and to simulate landscape status evolution via a divisional composite cellular automaton model. During the period of 2000–2015, construction land and forest land areas in Ganjingzi District increased by 19.43% and 15.19%, respectively, whereas farmland, garden lands, and other land areas decreased by 43.42%, 52.14%, and 75.97%, respectively. Land use conversion potentials in different sub-regions show different characteristics in space. The overall land-change prediction accuracy for the subarea-composite model is 3% higher than that of the non-partitioned model, and misses are reduced by 3.1%. Therefore, by integrating geospatial zoning and the MLP-ANN hybrid method, the land type conversion rules of different zonings can be obtained, allowing for more effective simulations of future urban land use change. The hybrid cellular automata model developed here will provide a reference for urban planning and policy formulation.     

GA-BP网络模型在GPS似大地水准面精化中的应用

针对误差反向传播（BP）算法训练速度慢和易于陷入局部最小值的缺点,提出了利用遗传算法（GA）的全局寻优性,结合GA和BP的各自优点,分析和建立了进化神经网络（GA-BP）模型,并将该模型应用于似大地水准面模型精化。最后以南方某市E级GPS控制网高程数据为例,进行BP和GA-BP模型的对比实验,通过对内、外符合精度及MAPE（平均绝对误差百分比）指标分析,验证了该方法的可行性。