从高维特征空间中获取元胞自动机的非线性转换规则

元胞自动机 (CA) 具有强大的空间模拟能力,能够模拟和预测复杂的地理现象演变过程。CA 的核心是如何定义转换规则,但目前CA转换规则获取往往是基于线性方法来进行,例如采用多准则判断 (MCE) 技术。这些方法较难反映地理现象所涉及的非线性等复杂特征。为此提出了利用新近发展的核学习机来获取地理元胞自动机非线性转换规则的新方法。该方法是通过核函数产生隐含的高维特征空间,把复杂的非线性问题转化成简单的线性问题,为解决复杂非线性问题提供了一种非常有效的途径。利用所提出的方法自动获取地理元胞自动机的转换规则,不仅大大减少了建模所需的时间,也较好地反映地理现象复杂的特性,从而改善了CA模拟的效果。     

海湾型半城市化地区空间形态演化模拟

元胞自动机（CA）是模拟城市土地利用演变过程的有效工具,转换规则和元胞邻域是元胞模型的核心。综合考虑元胞邻域的距离衰减效应,基于模拟退火算法（SA）挖掘最优的转换规则,文章构建了一种考虑邻域衰减的城市演化模型（SA-NDCA）。模型以负幂指数函数作为元胞邻域的衰减曲线表示元胞邻域的距离衰减效应;运用模拟退火优化算法计算城市CA模型模拟结果与样本点的累积差异,在目标解空间快速搜索以提取最优的转换规则;最后以厦门市半城市化地区为研究案例,模拟了研究区域1995―2010年期间的城市空间形态演化,通过混淆矩阵和Kappa系数评价了模型的模拟精度,1995―2010年期间的建设用地模拟精度为68.5%,总体精度达到86.2%,Kappa系数达到66.3,取得了较好的模拟效果。利用提出的SA-NDCA模型,成功模拟了研究区2010―2020年期间的城市空间形态演化,结果显示,所预测的演化情景与中国当前实施的新型城镇化战略十分契合。     

基于GIS的地理元胞自动机模拟框架及其应用

提出了一种基于GIS的地理元胞自动机模型框架:SimUrban,用于城市发展和演化的模拟与预测。该框架基于面向对象技术,在GIS环境下利用VS.NET开发而成,可以集成遥感和GIS数据以及新的转换规则和地理CA模型,从而模拟城市演化并进行精度评定。以上海市嘉定区为例,在SimUrban环境下利用基于主成分分析(PCA)的地理CA模型模拟了该区域1989-2006年城市发展和演化过程。     

三维虚拟城市自动化生成方法研究

从城市元胞自动机模型的角度研究三维虚拟城市的自动化生成方法.通过建立城市元胞自动机模型,模拟城市土地单元的演化过程,根据演化结果确定各土地单元的空间位置和相应的建筑物类型.研究利用Creator进行三维场景建模,利用OpenGVS场景管理技术随机生成建筑物,并将其布设在三维场景的相应位置上,生成三维虚拟城市,并就三维虚拟城市自动化生成系统的功能结构设计和数据结构、空间坐标转换等技术问题进行了探讨.     

基于CA的昆嵛山腮扁叶蜂传播的空间模拟

元胞自动机CA（Cellular Automaton）与地理信息系统（GIS）的集成弥补了GIS在时空分析和时空演化方面的不足,为昆虫种群生态学的研究提供了新的手段。利用DEM提取地形因子,使用统计分析分析了昆嵛山腮扁叶蜂与林分因子、立地因子之间的关系。主要取得了腮扁叶蜂虫口密度与立地因子关系密切,并推导出了腮扁叶蜂的虫口密度与海拔、坡度、坡向、坡位的逐步逻辑回归数学模型。以数学模型结合空间自相关函数建立时空预测模型作为转换规则,以地理信息系统为平台利用元胞自动机模型模拟腮扁叶蜂传播,预测结果给出了昆嵛山腮扁叶蜂密度分布的结果,给防治决策提供了方便。     

元胞邻域对空间直观模拟结果的影响

作为一种空间直观模拟模型,地理元胞自动机(Geo-CA)能够模拟及预测城市扩展与土地利用情景.地理CA模拟中,元胞邻域及其空间构型会对转换规则的挖掘与空间直观模拟结果的可靠性产生显著影响,从模拟进度和精度、景观格局及运行效率等角度可以定量分析这种影响.以logistic回归CA模型为例,基于Von:Neumann型和M...     

基于ANN-CA模型的黄土小流域正负地形演化模拟

黄土高原正负地形的不同组合特征反映了黄土地貌的发育程度,黄土小流域正负地形的演化则是黄土高原地貌形态发育的缩影。该文采用地理元胞自动机的建模方法,对室内黄土小流域正负地形的演化过程进行建模与模拟。实验通过多次训练神经网络,自动获取转换规则,简化了构建元胞自动机模型的难度,同时,模拟的结果总精度达88.5%。研究表明,该方法可以反映黄土小流域正负地形演化过程中其沟谷扩张、沟头向前以及黄土陷穴的发育特点,对黄土高原地貌发育研究具有重要意义和可鉴性。     

地理元胞自动机模型的尺度敏感性及原因

地理元胞自动机模型的模拟精度会受到元胞尺度的影响。以杭州市土地利用变化模拟为例,分析了元胞尺度分别为50m×50m、100m×100m、150m×150m和200m×200m时地理元胞自动机模型的模拟精度,对地理元胞自动机模型的尺度敏感性进行了分析;并从元胞转换规则入手,研究了元胞自动机模型尺度敏感性产生的原因:(1)元胞尺度会对地理元胞自动机模型的模拟精度产生影响,元胞尺度越精细模拟精度越高;(2)元胞自动机模型的尺度敏感性与元胞尺度相关,在有些尺度区间上表现得明显,而在有些尺度区间上表现并不明显;(3)孤立元胞是元胞自动机模型尺度敏感性产生的主要原因。研究表明,随着元胞尺度的增大,元胞空间的孤立元胞增多,这些孤立元胞本身及其周围元胞具有较低的邻域函数值和较小的转换概率值,并影响了地理元胞自动机模型的模拟精度。     

基于GIS与CA的城市扩展研究——以洛阳市为例

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。CA模型的这些特点使得它在城市增长、扩展和土地利用演化模拟等方面较为合适,成为CA应用的热点。探讨利用GIS技术开发CA模型将会改善CA模拟城市扩展的环境,建立典型的城市CA模型也会发现新的参数和转换规则。基于CA原理,结合GIS与RS技术,在ArcGIS平台中进行二次开发,构建了GIS-CA模型系统。以洛阳市为研究区域,对其城市扩展进行了模拟和预测,结果表明,将人为的规划因素加入到CA模型中,打破了CA模型只能模拟城市受自然因素影响而进行的扩展。模拟结果比较真实可信,也为下一步城市规划提供决策支持。     

多智能体与元胞自动机结合及城市用地扩张模拟

运用多智能体(Agent)和元胞自动机(CA)结合来模拟城市用地扩张的方法,将影响和决定用地类型转变的主体作为Agent引进元胞自动机模型中,Agent在CA确定的城市发展概率的基础上,通过自身及其周围环境的状况,综合各种因素的影响做出决策,决定元胞下一时刻的城市发展概率。运用Agent的决策结果,对CA模型中以随机变量体现的不确定性通过Agent决策行为给予地理意义的新解释。以城市郊区—樟木头镇为例,对1988～1993年城市用地扩张进行了模拟研究,取得了良好的模拟效果。     

基于动态约束的元胞自动机与复杂城市系统的模拟

为获得复杂城市系统更理想的模拟效果,提出时空动态约束的城市元胞自动机(CA)模型。用不同区域、不同时间新增加的城市用地总量作为CA模型的约束条件,形成时空动态约束的CA模型,并利用该模型模拟1988—2010年东莞市和深圳市城市扩张过程。结果表明,利用CA模型模拟的1993年城市用地总精度比静态CA模型提高了5.86%,而且模型中的动态约束条件可以反映城市发展的时空差异性。     

城市工业空间增长的多智能体模型

城市工业及基本就业空间的增长,是城市空间增长的动力源.有效模拟和预测城市基本就业空间的增长,对城市整体空间增长和城市系统的调控有着重要的作用.以城市工业及基本就业空间增长的决策主体--工业企业商和政府决策者,作为多智能体,通过多智能体之间的交流、竞争和协作,多智能体和环境间的交互作用,决定已存在工业区位的迁移和新工业空间区位的选择,形成城市工业及基本就业空间增长的动态微观模型.以珠江三角洲东部城市快速发展的樟木头镇为例,采用提出的方法模拟了该地区1988-2004年的工业及基本就业空间增长,获得了良好的模拟结果.     

Modeling different urban growth patterns based on the evolution of urban form: A case study from Huangpi,Central China

Spatial patterns of urban expansion mainly include infilling, edge expansion, and outlying growth patterns. The cellular automata (CA) model, is an important spatio-temporal dynamic model and effectively simulates infilling and edge-expansion urban expansion. but is evidently lacking in outlying scenarios. In addition, CA cannot explain the causes and processes of urban land expansion. Given these limitations, we proposed a novel urban expansion model called simulation model of different urban growth pattern (SMDUGP), which can work well in both adjacent (i.e., infilling and edge expansion) and outlying growth patterns. SMDUGP has two main components. First, we divided the non-urban region into two categories, namely, candidate region for adjacent pattern urban growth (CRFAP) and candidate region for outlying pattern urban growth (CRFOP). Second, different methods were utilized to simulate urban expansion in the different categories. In CRFAP, a CA model based on the potential of urban growth was proposed to simulate urban growth in relatively randomly selected urban growth regions based on the discrete selection model and Monte Carlo method as the expansion area was implemented in CRFOP. Huangpi, a suburban area in Wuhan, is utilized as the case study area to simulate the spatial and temporal dynamics of urban growth from 2004 to 2024. SMDUGP can effectively simulate outlying urban growth with a highly improved simulation precision compared with the traditional CA model and can explain the causes and processes of urban land expansion.     

Parallel cellular automata for large-scale urban simulation using load-balancing techniques

Cellular automata (CA), which are a kind of bottom-up approaches, can be used to simulate urban dynamics and land use changes effectively. Urban simulation usually involves a large set of GIS data in terms of the extent of the study area and the number of spatial factors. The computation capability becomes a bottleneck of implementing CA for simulating large regions. Parallel computing techniques can be applied to CA for solving this kind of hard computation problem. This paper demonstrates that the performance of large-scale urban simulation can be significantly improved by using parallel computation techniques. The proposed urban CA is implemented in a parallel framework that runs on a cluster of PCs. A large region usually consists of heterogeneous or polarized development patterns. This study proposes a line-scanning method of load balance to reduce waiting time between parallel processors. This proposed method has been tested in a fast-growing region, the Pearl River Delta. The experiments indicate that parallel computation techniques with load balance can significantly improve the applicability of CA for simulating the urban development in this large complex region.     

基于区块特征的元胞自动机土地利用演化模型研究

针对传统元胞自动机模型中栅格式规则空间模拟复杂地理元素精度不高的问题,提出一种基于土地区块特征的非规则空间元胞自动机模型,以地理单元实质不规则实体形状作为元胞空间单元,进行土地利用变化的仿真模拟,运用MapInfo建立非规则空间元胞自动机模型的应用软件.对头灶镇土地利用演化的实证研究表明,非规则空间元胞自动机模型可以更真实地描述元胞地理信息、局部空间关系和演化规则,可为城市规划提供决策支持.     

基于随机森林的元胞自动机城市扩展模拟——以佛山市为例

本文提出一种基于随机森林的元胞自动机城市扩展(RF-CA)模型。通过在多个决策树的生成过程中分别对训练样本集和分裂节点的候选空间变量引入随机因素,提取城市扩展元胞自动机的转换规则。该模型便于并行构建,能在运算量没有显著增加的前提下提高预测的精度,对城市扩展中存在的随机因素有较强的容忍度。RF-CA模型可进行袋外误差估计,以快速获取模型参数;也可度量空间变量重要性,解释各空间变量在城市扩展中的作用。将该模型应用于佛山市1988-2012年的城市扩展模拟中,结果表明,与常用的逻辑回归模型相比,RF-CA模型进行模拟和预测分别能够提高1.7%和2.6%的精度,非常适用于复杂非线性特征的城市系统演变模型与扩展研究;通过对影响佛山市城市扩展的空间变量进行重要性度量,发现对佛山城市扩张模拟研究而言,距国道的距离与距城市中心的距离具有最重要的作用。     

Self-modifying CA model using dual ensemble Kalman filter for simulating urban land-use changes

There are many different methods to calibrate cellular automata (CA) models for better simulation results of urban land-use changes. However, few studies have been reported on combination of parameter update and error control using local data in CA calibration procedures. This paper presents a self-modifying CA model (SM-CA) that uses the dual ensemble Kalman filter (dual EnKF), which enables the CA model to simultaneously update model parameters and simulation results by merging observation data (local data). We applied the proposed model to simulate urban land-use changes in a 13-year period (1993–2005) in Dongguan City, a rapidly urbanizing region in south China. Simulation results indicate that this model yields better simulation results than the conventional logistic-regression CA and decision-tree CA models. For example, the validation is carried out using cross-tabulation matrix. The simulation results of SM-CA have allocation disagreement of 10.18%, 19.64%, and 30.03% in 1997, 2001, and 2005, respectively, which are 2.12%, 2.47%, and 6% lower than conventional logistic-regression CA models.