基于空间自回归CA模型的城市土地利用变化模拟与预测

该文构建了一种基于空间自回归的地理元胞自动机(CA)模型——SARCA模型,该模型能够较好融合地理系统模拟中的空间自相关特性,且获取的CA参数具有明确的物理意义。以1995-2015年上海城市土地利用为案例,验证了该模型的有效性。CA参数和城市土地转化概率表明,上海市外环线对于CA参数的贡献相比其他空间变量具有压倒性优势,到外环线距离越近则土地发展为城市的概率就越大。将基于Logistic回归的CA模型(LogCA)作为比较对象,模拟同期上海全域城市土地利用变化过程。CA规则表明,SAR在赤池信息量准则(AIC)、残差的描述性统计量和空间自相关指标等方面均优于Logistic回归。同时,SARCA模型在2005年和2015年的土地利用模拟结果总体精度分别为86.3%和82.0%,均优于LogCA模型的模拟结果(总体精度分别为79.8%和76.3%)。     

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。     

城市规划CA模型及其应用

基于CA模型,从城市规划角度,通过引入控制性详细规划层,将整个城市空间划分为不同组团片区,构建了自下而上和自上而下相结合的城市规划CA模型(UPCA),并以长沙市为例进行实证研究。结果表明:该模型简化了传统CA城市模拟模型的数据量,提高了模型的模拟精度,并增强了模型的规划决策功能,使模型具备一定的社会经济分析能力。     

基于遗传算法自动获取CA模型的参数

本文提出了基于遗传算法来寻找CA模型最佳参数的方法。CA被越来越多地应用于城市和土地利用等复杂系统的动态模拟。CA模型中变量的参数值对模拟结果有非常重要的影响。如何获取理想的参数值是模型的关键。传统的逻辑回归模型运算简单,常常用来获取模型的参数值,要求解释变量间线性无关,所以获取的城市CA模型参数具有一定的局限性。遗传算法在参数优化组合、快速搜索参数值方面有很大的优势。本文利用遗传算法来自动获取优化的CA模型参数值,并获得了纠正后的CA模型。将该模型应用于东莞1988~2004年的城市发展的模拟中,得到了较好的效果。研究结果表明,遗传算法可以有效地自动获取CA模型的参数,其模拟的结果要比传统的逻辑回归校正的CA模型模拟精度高。     

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...     

一种顾及驱动因子重要性的双约束RF-Patch-CA城市扩张模拟方法

城市扩张模拟为实现土地资源合理分配与制定城市发展规划政策提供依据。该文针对传统元胞自动机(CA)在城市扩张模拟中存在城市元胞密集区域团簇现象,耦合随机森林(RF)与基于斑块(Patch)扩张的CA模型,在顾及驱动因子重要性基础上构建基于斑块最大面积和城市扩张总量的双约束RF-Patch-CA模型,并利用该模型模拟重庆主城都市区2010-2017年城市扩张。结果显示:该模型总体精度达97.62%,相比传统的RF-CA、ANN-CA和Logistic-CA模型,Kappa系数分别提高了0.0222、0.0231和0.0245,FoM分别提高了0.0376、0.0391和0.0414;在景观相似度上,该模型相比以上3种模型分别提高了40.92%、41.16%和32.33%,最接近真实情况,而且避免了模拟结果产生城市元胞团簇现象,有效提高了城市扩张模拟精度。     

基于动态邻域思想的ACO-CA城市动态模拟——以重庆市沙坪坝区为例

邻域因子是城市动态变化的重要驱动因子,该文提出了动态邻域约束思想,在借助蚁群优化(ACO)算法提取城市用地转换规则的基础上,结合元胞自动机(CA)模型构建了基于动态邻域约束的ACO-CA城市动态模拟模型,实现了对城市用地的动态模拟,并以重庆市沙坪坝区为例,设计不同方案验证了该模型的有效性。研究结果显示:当采用动态邻域方案时,总的Kappa系数比静态邻域方案高1.70%;城市用地的Kappa系数比采用静态邻域方案时的模拟精度高出6.37%。研究结果表明:构建的基于动态邻域思想的ACO-CA模型能够有效模拟城市用地的动态变化;采用动态邻域约束条件时,尽管算法的复杂度有所增加,但与静态邻域约束方案相比,城市用地模拟精度要高,且更符合城市发展演变规律。     

顾及建设用地聚集与排斥性的城市扩张模拟：以义乌市为例

建设用地在空间上存在相互聚集或排斥的特性,并可能影响到城市扩张格局。本文在厘清建设用地内部以及不同类型建设用地之间聚集与排斥性的基础上,将其纳入到元胞自动机（CA）模型的发展适宜性与邻域影响因子计算中,以此构建顾及建设用地聚集与排斥性的CA-SAE模型,并将其应用于义乌城市扩张模拟的实证分析。结果表明：CA-SAE模型能够有效模拟不同类型建设用地的扩张状况,且模拟精度要优于传统CA模型。同时,多情景的模拟结果也证实了建设用地聚集与排斥性会影响到不同类型建设用地的空间分布及城市扩张形态。本文构建的CA-SAE模型创新性地将建设用地聚集与排斥性纳入到CA模型中,为开展面向不同类型建设用地的城市扩张模拟提供了思路与方法。     

基于神经网络的单元自动机CA及真实和优化的城市模拟

提出了一种基于神经网络的单元自动机（CA）。CA已被越来越多地应用在城市及其它地理现象的模拟中。CA模拟所碰到的最大问题是如何确定模型的结构和参数。模拟真实的城市涉及到使用许多空间变量和参数。当模型较复杂时，很难确定模型的参数值。本模型的结构较简单，模型的参数能通过对神经网络的训练来自动获取。分析表明，所提出的方法能获得更高的模拟精度，并能大大缩短寻找参数所需要的时间。通过筛选训练数据，本模型还可以进行优化的城市模拟，为城市规划提供参考依据。     

江苏县域经济要素关系及演化过程的分位数回归

针对经典回归模型的“两难问题”,引入非参数的分位数回归构建了要素关系模型,并以江苏县域经济为案例分析.结果表明:1)相比OLS回归,分位数回归对县域经济总体模拟效果和刻画演化特征能力更优;2)根据变量关系结构,将县域经济发展驱动机制划分为产业结构占优型、一般均衡驱动型和高效均衡驱动型;3)苏锡常各县市受因子波动影响而使得驱动机制发生改变导致演化过程的分位点跃迁,表现出发展路径选择具有多样化的特点.     

基于CA-ABM模型的福州城市用地扩张研究

以中国海西地区重要门户福州市为研究区,结合其地理位置多层次约束性条件,以地理加权回归模型作为元胞自动机(CA)层的转换规则,同时以2000-2015年多期LandsatTM/ETM+影像的城市用地情况为参照,借助GIS空间分析技术,对CA和多智能体(ABM)相耦合的城市用地扩张模型进行改进。然后利用传统的和改进后的CA-ABM模型,多角度、多层次地模拟福州市2000年、2005年、2010年、2015年城市用地扩张在微观格局上的变化。结果表明,传统的和改进后的CA-ABM模型的整体精度均在80%以上,模拟结果具有较强的可信度;改进的 CA-ABM模型模拟的点对点总体精度和Kappa系数均高于传统的CA-ABM模型,而且模拟结果更加接近实际的城市用地扩张分布情况。结论可为平衡城市化进程和合理规划城市用地提供重要的理论技术支撑。     

基于空间模型和CA的城市用地扩展模拟研究——以大庆市为例

基于ArcGIS空间分析建模工具,将城市发展适宜性模块、邻域影响模块、约束影响模块、随机影响模块进行集成,实现CA模型的构建,并以大庆市为例对城市建设用地未来发展进行模拟。研究认为:(1) 将GIS空间分析和CA模型集成,模型结构清晰,避免二次程序开发;(2) 根据大庆市特点,考虑资源开发因素对城市发展的影响和人口增长对随机因素的影响;(3) 大庆市2015、2020年城市面积将继续扩展,城市重心将明显向北移动,并具有向东移动的趋势。     

城市与区域定量研究进展

本文系统地梳理了城市与区域的定量研究方法,主要包括数理模型和模拟方法、单个城市增长和动力系统研究、城市系统动力学模型及其发展过程模拟研究、空间一般均衡模型研究以及多模型复合/集成系统研究等。主要结论为：1950年以前的城市与区域研究主要采取时间序列预测法,依靠历史资料的时间数列进行趋势外推研究;1960-1970年代主要采用数理统计分析方法,应用人口统计学模型和线性回归方法进行研究;1970-1980年代,随着系统科学的发展,采用系统分析方法发展了诸如交通、人口、土地等专业模型,展开对城市与区域问题的深入分析;1990-2000年代,研究数据的获取手段得到极大的改善,利用数据模型、地计算分析、模拟预测等分析手段使得研究的深度和广度均有了长足进步。近年来,由于空间数据挖掘的突破,大数据、云计算和巨型模型系统开始进入城市与区域研究领域,多模型复合/集成系统研究成为主要研究方向。     

Modeling dynamic urban land-use change with geographical cellular automata and generalized pattern search-optimized rules

A novel generalized pattern search (GPS)-based cellular automata (GPS-CA) model was developed to simulate urban land-use change in a GIS environment. The model is built on a fitness function that computes the difference between the observed results produced from remote-sensing images and the simulated results produced by a general CA model. GPS optimization incorporating genetic algorithms (GAs) searches for the minimum difference, i.e. the smallest accumulated residuals, in fitting the CA transition rules. The CA coefficients captured by the GPS method have clear physical meanings that are closely associated with the dynamic mechanisms of land-use change. The GPS-CA model was applied to simulate urban land-use change in Kunshan City in the Yangtze River Delta from 2000 to 2015. The results show that the GPS method had a smaller root mean squared error (0.2821) than a logistic regression (LR) method (0.5256) in fitting the CA transition rules. The GPS-CA model thus outperformed the LR-CA model, with an overall accuracy improvement of 4.7%. As a result, the GPS-CA model should be a superior tool for modeling land-use change as well as predicting future scenarios in response to different conditions to support the sustainable urban development.     

Modeling urban expansion by using variable weights logistic cellular automata: a case study of Nanjing,China

Simulation models based on cellular automata (CA) are widely used for understanding and simulating complex urban expansion process. Among these models, logistic CA (LCA) is commonly adopted. However, the performance of LCA models is often limited because the fixed coefficients obtained from binary logistic regression do not reflect the spatiotemporal heterogeneity of transition rules. Therefore, we propose a variable weights LCA (VW-LCA) model with dynamic transition rules. The regression coefficients in this VW-LCA model are based on VW by incorporating a genetic algorithm in a conventional LCA. The VW-LCA model and the conventional LCA model were both used to simulate urban expansion in Nanjing, China. The models were calibrated with data for the period 2000–2007 and validated for the period 2007–2013. The results showed that the VW-LCA model performed better than the LCA model in terms of both visual inspection and key indicators. For example, kappa, accuracy of urban land and figure of merit for the simulation results of 2013 increased by 3.26%, 2.96% and 4.44%, respectively. The VW-LCA model performs relatively better compared with other improved LCA models that are suggested in literature.     

基于城市流和层级性的城市群扩展模型构建

城市群是具有网络关系与层级性的区域空间,一直是中国推进城镇化与区域协调发展的主体单元。本文综合考虑城市群的网络与层级性特征,运用城市流刻画城际网络交互作用,采用分层广义线性模型（HGLM）揭示城市群分层驱动机制。同时,选取长江中游城市群开展实证研究,通过与元胞自动机（CA）耦合,构建HGLM-CA模型模拟城市群空间扩展。将模拟结果与Logistic-CA模型、BBO-CA模型进行比对,据此评析HGLM-CA模型的优劣与改进方向。实证结果表明：城市群空间扩展是多层驱动因素共同作用的结果,城市流不仅会推动城市群空间扩展,而且对元胞层因素起到重要的调节作用,使之具有城际分异性;HGLM-CA模型相比Logistic-CA模型模拟精度更高,说明顾及城市流与层级性的城市群空间扩展模拟结果更为精准;与智能模型BBO-CA相比,HGLM-CA模型模拟精度较低,但其便于从层级性角度把握城市群空间扩展机制。     

基于CA模型的乌鲁木齐都市圈城市用地扩展模拟研究

借助CA模型技术,基于乌鲁木齐都市圈城市用地发展的特点,构建了模拟多个城市群体扩展的CA模型,重点对模型的转换规则进行了扩展,把用地适宜性约束、城市内部社会经济驱动、城市之间相互作用力、区域生态格局限制、城市发展规模有限这几个方面的作用机制融入到模型的规则制定中,通过宏观约束、中观调节、微观驱动3个层次逐步实现;为了使社会经济数据与CA模型中的空间数据相匹配,对社会经济数据进行了空间化表达;在历史数据的参照下,所构建的模型经过反复调试与修正,模拟结果达到了较为满意的效果;应用此模型模拟了经济优先、生态优先与规划优先3种不同情景下的城市用地扩展,对都市圈城市用地今后的发展起到重要的启示作用。     

Using a maximum entropy model to optimize the stochastic component of urban cellular automata models

ABSTRACT

The stochastic perturbation of urban cellular automata (CA) model is difficult to fine-tune and does not take the constraint of known factors into account when using a stochastic variable, and the simulation results can be quite different when using the Monte Carlo method, reducing the accuracy of the simulated results. Therefore, in this paper, we optimize the stochastic component of an urban CA model by the use of a maximum entropy model to differentially control the intensity of the stochastic perturbation in the spatial domain. We use the kappa coefficient, figure of merit, and landscape metrics to evaluate the accuracy of the simulated results. Through the experimental results obtained for Wuhan, China, the effectiveness of the optimization is proved. The results show that, after the optimization, the kappa coefficient and figure of merit of the simulated results are significantly improved when using the stochastic variable, slightly improved when using Monte Carlo methods. The landscape metrics for the simulated results and actual data are much closer when using the stochastic variable, and slightly closer when using the Monte Carlo method, but the difference between the simulated results is narrowed, reflecting the fact that the results are more reliable.     

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。