基于分区域的元胞自动机及城市扩张模拟

元胞自动机用于模拟城市扩张具有很好的空间建模能力,通常采用的建模方式将影响因子的空间条件作为线性要素对待,而在元胞转换规则建模中考虑影响因子的空间非线性特征更逼近真实状况.该文提出一种基于分区域的元胞自动机模型,通过划分各个全局影响因子的重要性子区域,计算不同类型区域中各因子对土地利用转换的影响强度,从而得到全区域的空间非线性转换规则.利用该模型模拟东莞市1988-1993年的城市扩展过程,并与Logistic模型模拟结果对比,表明这种有空间约束条件的分区域元胞自动机模拟精度更高,能有效模拟城市扩张的空间格局.     

基于蚁群智能的遥感影像分类新方法

智能式遥感分类是遥感研究的新热点.提出了一种基于蚁群智能规则挖掘(ant-miner)的遥感影像分类新方法.遥感数据各波段之间存在较强的相关性,这种相关性往往会导致分类产生误差.而ant-miner算法中的信息素是基于规则整体性能的,信息素的动态更新能有效地处理相关性较强的数据,所提供的正反馈信息能纠正启发式函数缺陷所造成的错误.因此,蚁群智能算法应用于遥感分类具有一定的优势.将该方法用于广州市地区的遥感影像,取得了较好的分类结果.并与See5.0决策树方法及最大似然方法(MLH)进行了对比研究,实验结果表明,蚁群智能算法分类精度比后两者的分类精度更高.     

基于植被分区的多特征遥感智能分类

为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。     

一种基于生物群集智能优化的遥感分类方法

提出了一种基于生物群集智能(swarm intelligence-based)的遥感影像分类新方法. 智能式分类是遥感研究的热点和趋势. 设计出一种新的实数制编码的粒子群遥感影像分类器(PSO-Miner), 在分类规则提取时, 粒子能自动寻找各个波段的最优分割点. 并且该方法所提取的分类规则毋需通过数学公式来表达, 能更方便和准确地描述自然界中的复杂关系, 比数学公式更容易让人理解. 将该方法应用于番禺地区的遥感影像, 取得了较好的分类结果. 并与See5.0决策树方法进行了对比研究, 实验结果表明, 基于群集智能方法的分类精度比决策树方法的精度更高.     

地理模拟优化系统GeoSoS及前沿研究

提出地理模拟优化系统(GeoSOS)的概念、研究内容和实现方法,以提供一种十分有效的地理过程分析和空间探索的工具。地理模拟优化系统的理论基础涉及复杂系统理论、地理信息科学、计算机科学、地理学等。所提出的地理模拟优化系统由3个子模块构成:元胞自动机模拟子系统、多智能体模拟子系统和基于生物智能的优化子系统。建立地理模拟优化系统可以为复杂资源环境及变化提供一种有效的模拟和优化工具,弥补目前GIS对过程分析功能的严重不足。     

利用蚁群智能挖掘地理元胞自动机的转换规则

提出了基于蚁群智能算法(Ant Colony Optimization, ACO)的地理元胞自动机(ACO-CA). 元胞自动机(CA)具有模拟和预测复杂的地理现象演变过程的能力. CA 的核心是如何定义转换规则, 但目前的方法所获取的转换规则大都是隐含的, 是通过数学公式来表达. 当研究区域较复杂时, 确定CA的模型结构和参数有一定困难, 需要使用智能式的方法获取有效的转换规则. 提出了一种基于蚁群智能来自动获取地理元胞自动机转换规则的新方法. 该方法所提取的转换规则毋需通过数学公式来表达, 能更方便和准确地描述自然界中的复杂关系, 并且这些规则比数学公式更容易让人理解. 将ACO-CA应用于广州市的城市模拟实验中, 取得了较好的结果. 并与See5.0决策树模型进行了对比研究, 对比实验结果表明: 蚁群智能算法在提取CA转换规则时比See5.0 模型更具有优势.     

分析学习智能元胞自动机及优化的城市模拟

元胞自动机被广泛应用于城市及其他地理现象的模拟,模拟过程中的最大问题是如何确定模型的结构和参数。该文提出一种基于分析学习的智能优化元胞自动机,该模型在逻辑回归模型的基础上,基于分析学习的智能方法,寻找元胞自动机模型的最佳参数。该方法允许用户控制空间变量影响权重,进而模拟出不同的城市发展模式,可为城市规划提供重要参考。     

基于耦合的地理模拟优化系统

尽管GIS在涉及空间信息的许多学科和行业有广泛的应用,但其在对过程进行模拟和优化方面存在严重的功能不足。本文提出地理模拟优化系统GeoSOS的概念与实现方法。进一步建立了GeoSOS1.0的模拟优化平台,作为GIS的重要补充工具。包含了三个重要部分:地理元胞自动机(CA)、多智能体系统(MAS)、生物智能(SI)。其核心内容就是根据微观个体的相互作用,达到模拟和优化的目的。根据Tobler地理学的第一定律,提出了GeoSOS的统一的相互作用规则。GeoSOS具备将模拟和优化耦合起来的功能。将动态模拟模型与空间优化模型耦合起来,使得优化的方案具有一定的前瞻性。对比实验结果发现,耦合模型产生的效用值比非耦合模型分别高出4.3%(点状优化)和4.1%(线状优化),表明GeoSOS能够改善优化的结果。     

蚁群智能及其在大区域基础设施选址中的应用

提出了基于蚁群智能的空间选址模型,通过蚁群智能和GIS的结合来解决复杂的空间优化配置问题.这种启发式的智能搜索方法大大提高了空间搜索能力.为符合选址问题的求解,从信息素更新方式和禁忌表调整策略两方面对基本蚁群算法进行改进.同时,为了使得模型能实用于大区域的基础设施选址,提出了"分步逼近"的策略,取得了较好的效果.将所提出的模型应用于广州市公共没施的空间优化选址.实验结果表明,该方法比简单搜索方法和遗传算法更有优势.