基于神经网络的单元自动机CA及真实和忧化的城市模拟

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。     

基于神经网络的元胞自动机及模拟复杂土地利用系统

本文提出了基于神经网络的元胞自动机(CellularAutomata),并将其用来模拟复杂的土地利用系统及其演变。国际上已经有许多利用元胞自动机进行城市模拟的研究,但这些模型往往局限于模拟从非城市用地到城市用地的转变。模拟多种土地利用的动态系统比一般模拟城市演化要复杂得多,需要使用许多空间变量和参数,而确定模型的参数值和模型结构有很大困难。本文通过神经网络、元胞自动机和GIS相结合来进行土地利用的动态模拟,并利用多时相的遥感分类图像来训练神经网络,能十分方便地确定模型参数和模型结构,消除常规模拟方法所带来的弊端。     

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。     

基于Logistic回归的CA模型改进方法——以广州市为例

基于Logistic回归的CA模型因其结构简单和数据要求相对较小的优势,被广泛应用于城市模拟领域,但数据的空间自相关性影响了模型机制挖掘与模拟精度。通过将影响城市发展演变的各种约束条件划分为强制和普通约束条件,以及运用主成分分析降低普通约束条件的数据相关性,构建了改进型Logistic回归CA模型,并在2000~2008年广州市城市增长模拟研究中进行应用。结果表明:与传统型Logistic回归CA模型相比,改进型Logistic回归CA模型在模型拟合度和精度上均有4%左右的提高。其中约束条件划分对非城市像元模拟精度约有6%的提高,对整体精度有3%的提高。更为重要的是,降低数据相关性后,Logistic回归CA模型对于城市扩展机制的解释更符合实际。本研究旨在寻求一种简单可行且易于构建的CA模型,探求城市发展机理,为城市规划管理提供更为准确的科学依据。     

元胞自动机在城市模拟中的误差传递与不确定性的特征分析

元胞自动机(Cellular Automata,简称CA)已越来越多地用于地理现象的模拟中,如城市系统的演化等。城市模拟经常要使用GIS数据库中的空间信息,数据源中的误差将会通过CA模拟过程发生传递。此外,CA 模型只是对现实世界的近似模拟,这就使得其本身也具有不确定性。这些不确定因素将对城市模拟的结果产生较大的影响,有必要探讨CA在模拟过程中的误差传递与不确定性问题。本文采用蒙特卡罗方法模拟了CA误差的传递特征,并从转换规则、邻域结构、模拟时间以及随机变量等几个方面分析了CA不确定性产生的根源。发现与传统的GIS模型相比,城市CA模型中的误差和不确定性的很多性质是非常独特的。例如,在模拟过程中由于邻域函数平均化的影响,数据源误差将减小;随着可用的土地越来越少,该限制也使城市模拟的误差随时间而减小;模拟结果的不确定性主要体现在城市的边缘。这些分析结果有助于城市建模和规划者更好地理解CA建模的特点。     

基于粗集的知识发现与地理模拟——以深圳市土地利用变化为例

为了更有效地模拟地理现象的复杂演变过程,提出了用粗集理论来确定元胞自动机 (CA)不确定性转换规则的新方法。CA可以通过局部规则来有效地模拟许多地理现象的演变过程。但目前缺乏很好定义CA转换规则的方法。往往采用启发式的方法来定义CA的转换规则,这些转换规则是静态的,而且其参数值多是确定的。在反映诸如城市扩张、疾病扩散等不确定性复杂现象时,具有一定的局限性。利用粗集从GIS和遥感数据中发现知识,自动寻找CA的不确定性转换规则,基于粗集的CA在缩短建模时间的同时,能提取非确定性的转换规则,更好地反映复杂系统的特点。采用所提出的方法模拟了深圳市的城市发展过程,取得了比传统MCE方法更好的模拟效果。     

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。     

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%)。     

基于元胞自动机的城市用地变化研究

城市土地利用演化的实质是人为干预下城市生态景观的自组织机制作用过程；元胞自动机（CA）所独有的特征和构模方式使其在模拟复杂性系统如城市系统等方面表现出强大的模拟能力。利用ASTER影像数据，在CA模型下对福州市2010年和2020年的城市用地进行了模拟。从而为城市规划提供决策支持服务，对真正合理地利用城市土地，实现城市可持续发展具有重要意义。     

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。     

基于案例推理的元胞自动机及大区域城市演变模拟

元胞自动机(CA) 被越来越多地用于复杂系统的模拟中。许多地理现象的演变与其影响要素之间存在着复杂的关系, 并往往具有时空动态性。在研究区域较大和模拟时间较长时, 定义具体的规则来反映这种复杂关系有较大的困难。为了解决CA 转换规则获取的瓶颈问题, 提出了基于案例推理(CBR) 的CA 模型, 并对CBR 的k 近邻算法进行了改进, 使其能反映转换规则的时空动态性。将该模型应用于大区域的珠江三角洲城市演变中。实验结果显示, 其模拟的空间格局与实际情况吻合较好。与常规的基于Logistic 的CA 模型进行了对比, 所获得的模拟结果有更高的精度和更接近实际的空间格局, 特别在模拟较为复杂的区域时有更好的模拟效果。     

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。     

基于GIS的细胞自动机模型与人地关系的复杂性探讨

探讨人地非线性关系可以揭示地理系统空间复杂性的许多简单本质 ,具有重要的理论意义和实践价值。以地理信息系统 (GIS)为技术支持 ,建立以细胞自动机 (CA)为核心的综合集成模型 ,将成为人地关系复杂性研究的主要方向。建议在CA GIS集成技术的基础上 ,一方面引入人工神经网络、进化算法、多重智能体系 (MAS)以及后现代数学分析方法 ,另一方面面向具体研究对象开发包括自然、人文地理要素在内的集成区域动力学模型 ,据此发展智能化综合集成模型体系 ,形成人地关系复杂性的模拟研究实验室。本文提出了开发智能化CA GIS模拟方法的初步设想。     

Using neural networks and cellular automata for modelling intra‐urban land‐use dynamics

Empirical models designed to simulate and predict urban land‐use change in real situations are generally based on the utilization of statistical techniques to compute the land‐use change probabilities. In contrast to these methods, artificial neural networks arise as an alternative to assess such probabilities by means of non‐parametric approaches. This work introduces a simulation experiment on intra‐urban land‐use change in which a supervised back‐propagation neural network has been employed in the parameterization of several biophysical and infrastructure variables considered in the simulation model. The spatial land‐use transition probabilities estimated thereof feed a cellular automaton (CA) simulation model, based on stochastic transition rules. The model has been tested in a medium‐sized town in the Midwest of São Paulo State, Piracicaba. A series of simulation outputs for the case study town in the period 1985–1999 were generated, and statistical validation tests were then conducted for the best results, based on fuzzy similarity measures.     

Developing a multi-network urbanization model: A case study of urban growth in Denver,Colorado

Urbanization is an important issue concerning diverse scientific and policy communities. Computational models quantifying locations and quantities of urban growth offer numerous environmental and socioeconomic benefits. Traditional urban growth models are based on a single-algorithm fitting procedure and thus restricted on their ability to capture spatial heterogeneity. Accordingly, a GIS-based modeling framework titled multi-network urbanization (MuNU) model is developed that integrates multiple neural networks. The MuNU model enables a filtering approach where input data patterns are automatically reallocated into appropriate neural networks with targeted accuracies. We hypothesize that observations classified by individual neural networks share greater homogeneity, and thus modeling accuracy will increase with the integration of multiple targeted algorithms. Land use and land cover data sets of two time snapshots (1977 and 1997) covering the Denver Metropolitan Area are used for model training and validation. Compared to a single-step algorithm – either a stepwise logistic regression or a single neural network – several improvements are evident in the visual output of the MuNU model. Statistical validations further quantify the superiority of the MuNU model and support our hypothesis of effective incorporation of spatial heterogeneity.     

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。