基于FLUS模型的土地利用变化模拟与预测方法研究

模拟和预测土地利用演变过程是规划者把握城市扩张趋势,从而确定更合理的城市用地布局的重要途径之一,对指导国土空间规划具有重要意义.研究基于CA原理改进的FLUS模型,通过耦合GeoSOS-FLUS及ArcGIS软件,从2011年土地利用数据中获取元胞转换概率,模拟了2018年土地利用变化情况.模拟精度较高,证明选取的模拟...     

不规则邻域CA的城市增长边界研究——以大连市经济技术开发区为例

本文以2003—2012年的土地利用数据、遥感数据等多源数据为基础,并且以街道作为研究尺度,通过不规则邻域CA和生态适宜性评价方法,制定城市扩张的弹性边界和刚性边界。研究表明:(1)基于不规则邻域CA模型的Kappa系数为0.875 8,模拟精度达到要求;(2)2021年研究区弹性边界的面积为230.54 km~2,刚性边界的面积为260.09 km~2,面积变化显著;(3)建设用地呈由东南向西北的扩张趋势,并且沿海街道比内陆街道扩张更为显著。     

改进局部等体积算法下的城市内涝情景模拟

针对城市内涝问题,提出一种改进的局部等体积地表径流汇流模型。首先基于SCS模型获取地表产流;其次通过结合形态学重构方法对分水岭分割算法进行改进,获得相应的子汇水区,提升局部等体积汇流模型的精度;最后以武汉市中心城区为研究区,对模拟结果进行评价。结果显示：1)10 a、50 a重现期下的内涝模拟精度分别为78.1%和78.6%,模拟精度良好;2)最大积水深度、总积水面积、严重积水面积和总积水水量均与重现期呈正相关,并在降雨峰值处,各参数增长趋势均为最大;3)武汉城区2 h短历时降雨过程中,1 a重现期为城市内涝是否严重的分水岭;4)武汉城区暴雨内涝主要集中在江汉区和江岸区。     

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...     

融合时序数据和面板数据的LSTM-RBF城区面积预测模型

城市扩展模拟预测是将城市时空演变规律应用于城市规划建设决策的重要基础,也是城市研究的热点。现有研究主要分为两类:一类是从城市时空演变角度出发采用异速增长等模型利用时序数据预测;另一类从城市扩张驱动力角度出发采用各类神经网络或多元回归模型结合面板数据进行预测。这两类算法均从单一方面对城市扩张做出解释,缺乏对城市时空演变规律和驱动因素双方面的综合考虑。本文提出了融合时序数据和面板数据的LSTM-RBF城区面积预测模型,该模型通过将长短期记忆(LSTM)网络和径向基函数(RBF)网络相结合,实现了时间序列城区面积和经济、人口等驱动力数据双方面支持下的城区面积联合预测,提高了城区面积预测的精度,为城区面积预测提供了一种新颖有效的方法,能够为城市时空演变研究服务于城市土地利用和规划制订提供技术支持。     

DEM流域网络提取算法的误差特性分析

流域网络及其描述参数是一类重要的环境参数,其质量直接影响着各类地学模型和地学过程模拟的精度。在数据独立的DEM误差分析方法支持下,以比汇水面积(Specific catchment area,SCA)为计算对象,详细分析5种流域网络提取算法的误差空间分布特征。研究表明,不论何种算法,SCA误差主要集中于合水区域;不同算法的SCA频率分布随着SCA值的增加而趋于一致;SCA精度的提高有赖于DEM路径算法的改进,不同路经算法的组合可有效改善流域网络提取和分析的质量。     

采用案例推理的城市扩张模拟及情景预测

针对应用案例推理(CBR)对城市扩张过程进行模拟时，斑块结构的案例难以表现出城市对其他土地类型的侵蚀过程，且缺少时间因子的控制导致无法实现对特定时期结果的预测的问题，该文以土地栅格单元作为案例的计算单元，使其能够适应城市扩张过程；并将案例的变化过程通过“土地利用→城市化结果”两个时期的状态进行描述，以体现出模拟的时间周期，提高了模拟过程的时间控制力度。在此基础上，对模型的算法进行了拓展，构建了城市扩张CBR模型。以鸡西市作为研究区，模拟结果总精度为96.87%,Kappa和品质因数(FoM)分别为0.85和0.146;规划情景下的城市聚集程度明显提高，有效地体现出情景设定的作用。实验结果表明，该文提出的模型为城市扩张模拟研究提供了一种有效的思路。     

动态数据驱动模式下的湖泊流域降雨径流模拟

湖泊流域汇水径流过程的模拟预测是一种复杂系统中的时间序列分析问题。模型选择上,现有的机理模型法与辨识模型法各有利弊。同时,现有的模型多采用静态数据驱动模拟,不能有效利用传感网实时观测数据来改善模拟不确定性的问题。本文基于深度循环神经网络技术,提出一种适应动态数据驱动的模式,可融合遥感数据与原位传感器站点数据的DTSM(Dynamic Data Driven Time Series Model)时序模拟预测模型,并在观测值与数值模拟之间建立了一种能动态反馈、自适应调整的模拟框架,解决了传统辨识模型法对时序信息挖掘较弱导致模拟精度较低的问题。通过在鄱阳湖多个子流域入湖径流的案例中验证,显示静态数据驱动模式下,以不同数据源作为输入模拟时,本文DTSM模型的纳希效率系数Ens精度比机理模型提高10个百分点以上;相比静态模式,动态数据驱动模式的模拟精度有进一步提高,尤其是对于静态模式精度较低的流域,提高更为明显。     

非等时距GM(1,1)在变形预报中的应用

本文应用灰色理论建模原理,探讨了非等间距GM(1,1)模型的建模步骤;通过几种不同参数下的建模方式,利用MATLAB编程进行计算比较,着重分析影响非等间距GM(1,1)模型预报精度的因素,并探讨模型的改进方法。结果表明,对于较均匀的非等间距数据,灰色模型具有较高的预报精度。在间距间隔变化较大的情况下,灰色模型进行改进后也能得到比较满意的预报结果。     

影像与激光雷达数据的城市地物信息提取

针对城市地物信息提取中地物边界难以确定、分类精度不高的问题,该文提出一套综合利用影像及激光雷达点云高程信息的面向对象分类方法。在分割中,各类地物的最佳分割尺度由监督法分割精度评价确定,最终分割结果利用粒度理论下的分割尺度综合方法进行合成,能兼顾不同地物最优分割尺度,获得准确地物边界;在分类中,采用ReliefF特征选择算法度量从影像及点云数据提取的对象特征重要度,选择最佳特征组合,并采用多分类器组合方法进行分类,以消除Hughes现象,提高分类精度。选择德国斯图加特市两块实验区进行分类实验,结果表明:该方法有利于提高大范围城市地物精细信息提取的精度和效率,具有较高的应用价值。     

基于改进的BP神经网络裸露地表土壤水分反演模型对比

土壤水分对于全球水循环十分重要,大面积、快速获取土壤水分信息具有重要意义。微波遥感数据可以用于反演土壤水分。以Matlab为平台建立BP神经网络,通过改进BP神经网络的权值、阈值和网络结构,对该算法进行了优化;在研究区范围,分别利用积分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模拟数据,训练改进的BP神经网络,构建裸露地表土壤水分反演模型,并用野外实测土壤水分数据对模型进行了验证。结果表明,改进后的BP神经网络算法反演精度明显提高,且Shi模型训练网络反演精度较其他2种模型更高,绝对误差为2.47 g/cm3,相对误差仅为7.78%。     

顾及地理因素的犯罪地理目标模型改进方法

针对犯罪地理目标模型(CGT模型)在嫌疑人落脚点预测中没有考虑落脚点选择的地理相关性和部分落脚点不在预测范围内两方面的不足,该文提出了顾及地理环境因素的犯罪地理目标改进模型(GEO-CGT模型):基于圆圈假设将模型计算区域扩展,解决部分落脚点不在预测范围问题;利用空间相关性分析,确定影响嫌疑人落脚点选择的地理因素,建立GEO-CGT模型;利用已有案件数据对模型进行对比验证和精度评估。结果表明,地理环境因素对嫌疑人落脚点选择具有较大的影响,改进后的GEO-CGT模型能有效减少搜寻排查嫌疑人的距离与面积,提高预测精度。研究成果可为同类研究提供参考。     

面向建设选址的多智能体城市空间规划模型

基于多智能体(Multi-agent)之间的动态信息反馈提出了交互式多智能体城市空间规划模型。在模型中,多智能体之间可即时交流信息,并经由反馈与协调等行为获取一致决策意见,最终得到各方可接受的城市规划方案。以长沙市岳麓区内建设项目选址为例,开展了模型实验。研究结果表明:多智能体交互式城市空间规划模型能够较好的模拟不同情景下参与城市空间规划的各类Agent之间的交互行为,并可提供多角色参与城市规划时空间冲突问题的解决方案。     

利用洪涝模型进行城市内涝风险快速识别与预警

中国越来越多的城市面临暴雨内涝问题,如能提前发布内涝预警,可防患于未然。基于水力学的精细化洪涝模型可对城区暴雨、洪水在河道、地表、管网的流动过程进行全程模拟,获得地表内涝积水过程、范围、水深等信息,为实现内涝识别和预警提供数据支撑。在利用精细化洪涝模型构建暴雨-内涝情景库的基础上,提出了利用情景匹配模式针对预报降雨发布城市内涝预警的方法。城市地表复杂,排水设施数据质量参差不齐,采用多模式概化方法尽可能详细地刻画决定内涝模拟效果的局部微地形,地表模型与管网模型采用多种耦合方式,实现了城区内涝的精细化模拟,能够进行内涝风险的精准化快速识别。以中国北京市城区为例,通过城区精细化洪涝模型对多种降雨条件下的暴雨情景进行模拟与分析,构建了北京城区的暴雨-内涝情景库。以道路和桥区为重点关注对象,在暴雨预报之际,结合暴雨与情景库特征参数快速识别有内涝风险的道路、桥区及其他区域并依此进行内涝风险预警,可指导相关部门合理安排交通管制、有效部署排涝力量。     

一种融合多源特征的建筑物三维模型重建方法

以激光点云数据和倾斜多视影像为研究对象，提出了一种结合机载点云、地面点云及倾斜多视纹理的融合多源特征的建筑物三维模型重建方法。该方法结合点云面元以及影像边界特征，利用倾斜影像的线特征对顶面及立面模型进行边界规则约束，实现了面元自动拓扑重建；通过交互编辑完成不同复杂程度的建筑模型重建，并对模型进行纹理映射。实验结果表明，该方法能够有效提升城市建筑物三维模型重建的效率和边界精度，为利用多源数据的空地联合建筑物三维精细重建提供了一套切实可行的解决方案。     

基于夜光遥感的城市用电量预测研究

随着智能电网的不断普及,对城市用电量数据进行快速准确预测对于电网规划和经济部门的管理决策具有重要的指导意义.本文研究了一种基于可见光红外成像辐射仪(Visible Infrared Imaging Radiometer System,VIIRS)城市夜光遥感数据和市县公开统计年鉴的城市用电量预测模型.该模型首先结合改进通用矩阵应用城市GDP和人口数据对城市进行分类;接着按城市类型构建了一种顾及滞后效应的城市用电量优化预测模型,该模型考虑了城市夜光遥感数据反映出的用电量消耗存在的滞后效应.随后采用长三角地区城市用电量数据进行模型训练及实验,实验结果表明:引入夜光遥感数据作为城市用电量模拟量,能够快速准确反映出城市用电量空间分布;利用改进通用矩阵方法对不同发展状态的城市分类建模,并引入滞后项进行模型优化,使得用电量预测模型有较好的预测精度和稳定性,总体上实现了基于夜光遥感数据和统计年鉴的公开数据源支持下的城市用电量预测.     

应用EKF平滑算法提高GPS/INS定位定姿精度

为了提高城市遮挡环境下GPS较长时间(60s)无法单独定位情况下GPS/INS组合定位定姿精度,研究了扩展卡尔曼滤波及其RTS(Rauch Tung Striebel)平滑算法;同时给出了基于ψ角惯导误差模型的GPS/INS组合系统状态方程和基于位置、速度更新的量测方程。实验中模拟GPS信号失锁60s,应用RTS后处理算法进行了GPS/INS组合数据处理。结果表明,扩展卡尔曼滤波EKF平滑算法可以有效地提高城市遮挡环境下GPS/INS组合定位定姿精度,特别是对GPS失锁的情况。从而很大程度上降低对高成本惯导的依赖。     

结合边界约束网络和分水岭分割算法的建筑物提取

城市作为高密度建筑区域,在较小范围内有大量结构相似的建筑紧密分布。当前从高分辨率图像中准确检测建筑仍然是一个挑战,本文受边缘检测网络启发,提出一种强化边界精度的建筑物提取新方案,根据建筑物及边界特点改进深度网络,结合自下而上分组的分水岭分割提高分类精度和建筑边界的准确度。首先对数据预处理,生成建筑边界和建筑分割线两类辅助标签;改进性能较优的建筑检测框架ICT-Net网络,修改网络结构和损失函数,针对两类辅助标签,强化边界影响,提高网络性能;最后对网络预测结果应用结合分水岭分割和梯度提升回归树的后处理,实现高精度的建筑提取。结果表明,数据预处理、改进深度学习算法可提高建筑检测像素精度IOU（Intersection over Union）约1%。后处理能充分利用网络输出的概率信息,有效优化建筑边界,在网络预测结果的基础上提高建筑实例召回率10.5%。本文方案与原始的ICT-Net网络相比,提高建筑实例召回率22.9%。     

一种裸露土壤湿度反演方法

针对目前土壤湿度反演方法研究较少且缺少实时性的现状,该文提出一种土壤湿度反演方法——最小二乘支持向量机技术。以积分方程模型为正向算法,数值模拟不同雷达参数(频率、入射角及极化)下后向散射系数随土壤含水量和地表粗糙度的变化情况。经过数据敏感性分析,选取C-波段和X-波段、小入射角下的同极化后向散射系数作为支持向量回归的训练样本信息;经过适当的训练,利用支持向量回归技术对土壤含水量进行了反演研究;并考虑通过多频率、多极化、多入射角数据的组合,消除地表粗糙度的影响,提高反演精度。模拟结果表明,该方法反演土壤湿度具有较高的精度和较好的实时性;同时,与人工神经网络方法的结果比较,证明了该方法的有效性,为土壤湿度的反演研究提供了一种方法。     

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。