扩展邻域元胞自动机模型城市扩张研究

元胞自动机近年来被广泛应用于动态模拟城市扩张,但其邻域类型一般固定于摩尔邻域.文章基于Geo-CA理论,自定义扩展邻域类型,并结合特定地理位置多层次约束性条件构建CA模型,扩展了CA模型的空间建模功能.以武汉市为例,将2000年和2009年TM遥感影像和城市用地数据作为基础,结合武汉市城市规划图、DEM、道路交通图、水域等多层次图像,构成空间数据库,建立武汉市城市扩张扩展邻域CA模型.最后以2009年数据为基础,对武汉市2018年城市用地扩张情况进行预测,为武汉市城镇建设提供参考.     

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...     

基于CA模型的城市空间扩展模拟预测——以锦葫沿海地区为例

基于3S技术和Landsat TM遥感图像,解译得到1990年9月、2000年6月和2010年9月的锦葫沿海地区城市用地分布图。采用时空动态约束的城市元胞自动机(celluar automata,CA)模型,对锦葫沿海地区2020年的城市空间形态进行模拟。该模型采用了多时段动态的转换规则,即利用转移概率矩阵基于多时段基础数据预测增加的城市用地总量,作为城市CA模型的约束条件,并利用Logistic回归技术对CA的转换规则进行校正。分析计算了模拟结果的景观格局指数,分析得知:1990年9月—2010年9月间,城市用地形状不断复杂化,破碎化程度加重;2010年9月—2020年9月间,城市用地形状规则化,破碎化的程度趋于缓解;1990年9月—2020年9月间,城市用地的平均斑块大小基本呈增大趋势,最大用地斑块的影响程度逐年加大,城市用地斑块的聚集程度加速增长;锦葫沿海城市的地理空间正逐步拉近,伴随着锦葫地区交通运输条件的改善,锦葫空间一体化发展将成为一种必然的趋势。     

元胞自动机城市增长模型的空间尺度特征分析

基于元胞自动机模拟城市系统的复杂行为时,空间尺度是一个非常重要的概念,模型的模拟结果往往会随着输入数据的空间尺度变化而发生变化。然而,目前的元胞自动机城市增长模型大多没考虑数据的空间尺度特征,本文拟通过改变模型中输入数据的空间尺度来验证元胞自动机城市增长模型对尺度的敏感性及其空间尺度特征,并以长沙市为例进行实证研究。研究结果表明:元胞自动机城市增长模型只有在一定的尺度范围内才具有较高的模拟精度,并且模型对尺度具有一定的敏感性,因此为了使模型能够具有较高的模拟精度,并较好地反映城市形态特征,应认真选择模型中输入数据的空间尺度。     

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。     

基于元胞自动机复合模型的土地利用演化模拟——以北京市海淀区为例

为了在土地利用空间格局演化模拟的基础上,为未来城市土地利用规划及管理提供更为科学合理的决策依据,本文以北京市海淀区1996年、2002年及2008年3期土地利用数据为数据源,重点采用元胞自动机复合模型CA-Markov模型与多标准评价方法相结合的手段,构建元胞转移数量规则及空间位置转化规则,并分别构造3种不同大小的元胞邻域集合,进行土地利用格局的模拟及预测。试验中2008年土地利用模拟结果与实际土地利用数据Kappa系数高达0.856 1,表明CA-Markov模型结合多标准评价方法的模拟手段可行性较高,同时元胞邻域空间大小对模拟结果的精度有明显的影响。土地利用结构数据及模拟预测结果表明城市集约化现象明显,建设用地迅速扩张,占用大量耕地、园地用地,因此迫切需要促进城市土地利用的可持续发展。     

MonoLoop:CA城市模型状态转换规则获取的一种方法

状态转换规则是元胞自动机(Cellular Automata,CA)的核心,如何获取并建立CA的状态转换规则是构建CA模型的关键。邻域作用是CA能够模拟复杂物理现象的核心驱动力,而在已有的用于城市增长模拟的CA城市模型中,因为邻域作用在模拟的过程中为时间动态的变量,其系数很难通过常用的Logistic回归方法识别,致使已有的CA城市模型的状态转换规则中,往往仅通过Logistic回归获取邻域作用之外的空间变量的模型参数,而邻域作用的参数通常采用主观赋值的方法。本文提出了CA城市模型的多指标评价(Multi-Criteria Evalua-tion,MCE)形式状态转换规则获取的一种新方法 MonoLoop,并针对北京市域1976～2006年的城市增长开展了该方法的实验。基于这种方法,一方面利用历史数据可以建立更为客观的状态转换规则;另一方面也可以大大降低模型参数识别的时间。     

基于可控邻域作用CA的城市扩张研究

为了进行城市扩张研究,在使用二分Logistic回归方法从历史数据中挖掘位置特征变量对元胞状态转换影响的基础上,通过引入邻域因子实现了可控邻域作用.研究中,首先建立了一种新的城市元胞自动机(Cellular Automata,CA)模型,然后用该模型在长沙市区及部分周边地区进行了城市扩张进程的模拟和预测,并对结果进行了...     

基于CA模型的西安城市空间扩展模拟及误差分析

元胞自动机(CA)是城市发展动态模拟的重要工具。本文以西安市为例,利用基于遗传算法的CA模型对西安市1990-2007年的城市发展进行模拟,得到了较好的效果。结果表明,运用遗传算法建立的CA模型能够较好地模拟城市发展状态;对模拟误差分析表明,影响城市土地利用变化机制的尺度特征,城市规划调整、重大事件、重大建设项目和行政区划调整等过程,城市不同发展阶段和不同区位的扩展类型等都将影响确定转换规则、寻找最佳参数和模拟精度的结果。     

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...     

基于GeoSOS的城市扩展模拟——以旅顺口区为例

运用MCE-CA和Logistic-CA两种基本的元胞自动机模型作为理论模型,考虑边界到市中心、镇中心、铁路和主要公路等作为区位因素的空间距离约束条件,以及地形和禁止建设区作为区位因素的全局限制约束条件,在地理模拟优化系统(Geographical Simulation and Optimization System,GeoSOS)的支持下,对1990~2000年和2000~2010年辽宁省大连市旅顺口区的城市空间扩展进行了模拟,并取得较好效果。结果表明,MCE-CA模型的Kappa系数分别为0.71和0.64,Logistic-CA模型分别为0.54和0.55,两者均达到较好的模拟精度;MCECA模型适用于主观变量较多的CA模型,Logistic-CA模型更适合于客观因素较多的CA模型;利用合理的CA模型模拟旅顺口区城市未来土地利用变化,可为今后的土地规划以及制定有效的土地管理措施和方针政策提供依据。     

城市扩展元胞自动机多结构卷积神经网络模型

传统的城市扩展元胞自动机(CA)模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,本文基于多结构卷积神经网络提出从区域特征出发且顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型(MSCNN-CA),并以武汉主城区和上海浦东新区为例,模拟了两个试验区2005—2015年期间城市扩展过程。模型验证表明:与逻辑回归和神经网络相比,本文构建的3个单一结构的卷积神经网络元胞自动机(CNN-CA)模型在4个指标(Kappa系数、FoM(figure of merit)值、命中率(h)和错误率(m))上都有不同程度的提高。特别是FoM指数,在武汉主城区提高了23.3%～29.4%,在上海浦东新区提高了20.3%～28.5%。此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,FoM指数在武汉主城区提高了0.8%～4.8%,上海浦东新区提高了2.8%～7.8%。两个试验区的模拟结果表明:相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型(MSCNN-CA)能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程。相比单结构的...     

Sensitivity analysis and accuracy assessment of the land transformation model using cellular automata

This study evaluates the effects of cellular automata (CA) with different neighborhood sizes on the predictive performance of the Land Transformation Model (LTM). Landsat images were used to extract urban footprints and the driving forces behind urban growth seen for the metropolitan areas of Tehran and Isfahan in Iran. LTM, which uses a back-propagation neural network, was applied to investigate the relationships between urban growth and the associated drivers, and to create the transition probability map. To simulate urban growth, the following two approaches were implemented: (a) the LTM using a top-down approach for cell allocation grounding on the highest values in the transition probability map and (b) a CA with varying spatial neighborhood sizes. The results show that using the LTM-CA approach increases the accuracy of the simulated land use maps when compared with the use of the LTM top-down approach. In particular, the LTM-CA with a 7 × 7 neighborhood size performed well and improved the accuracy. The level of agreement between simulated and actual urban growth increased from 58% to 61% for Tehran and from 39% to 43% for Isfahan. In conclusion, even though the LTM-CA outperforms the LTM with a top-down approach, more studies have to be carried out within other geographical settings to better evaluate the effect of CA on the allocation phase of the urban growth simulation.     

Cellular Automata Based Model of Urban Spatial Growth

In the study reported in this paper an attempt has been made to develop a Cellular Automata (CA) model for simulating future urban growth of an Indian city. In the model remote sensing data and GIS were used to provide the empirical data about urban growth while Markov chain process was used to predict the amount of land required for future urban use based on the empirical data. Multi-criteria evaluation (MCE) technique was used to reveal the relationships between future urban growth potential and site attributes of a site. Finally using the CA model, land for future urban development was spatially allocated based on the urban suitability image provided by MCE, neighbourhood information of a site and the amount of land predicted by Markov chain process. The model results were evaluated using Kappa Coefficient and future urban growth was simulated using the calibrated model     

Calibration of cellular automata models using differential evolution to simulate present and future land use

A key issue in cellular automata (CA) modeling is the minimization of the differences between the actual and simulated patterns, which can be mathematically formulated as an objective function. We develop a new hybrid model (termed DE‐CA) by integrating differential evolution (DE) into CA to solve the objective function and retrieve the optimal CA parameters. Constrained relations among factors were applied in DE to generate different sets of CA parameters for prediction of future scenarios. The DE‐CA model was calibrated using historical spatial data to simulate 2016 land use in Kunming and predict multiple scenarios to the year 2026. Assessment of quantitative accuracy shows that DE‐CA yields 92.4% overall accuracy, where 6.8% is the correctly captured urban growth; further, the model reported only 5.0% false alarms and 2.6% misses. Regarding the simulation ability, our new CA model performs as well as the widely applied genetic algorithm‐based CA model, and outperforms both the logistic regression‐based CA model and a no‐change NULL model. We projected three possible scenarios for the year 2026 using DE‐CA to adequately address the baseline urban growth, environmental protection and urban planning to show the strong prediction ability of the new model.     

增强型空间像元分解时空遥感影像融合算法

高空间、高时间分辨率的遥感影像对地表与大气环境的实时精细监测具有重要作用,但单一卫星传感器获取的遥感影像存在空间与时间分辨率相互制约的问题,时空融合技术发展成为了低成本、高效生成满足不同应用需求的高时空分辨率遥感影像的有效手段.近年来,国内外学者提出了大量的时空融合算法,但对于复杂的地物类型变化的空间细节修复仍存在挑战...     

A Patch‐based Cellular Automaton for Simulating Land‐use Changes at Fine Spatial Resolution

While cellular automata have become popular tools for modeling land‐use changes, there is a lack of studies reporting their application at very fine spatial resolutions (e.g. 5 m resolution). Traditional cell‐based CA do not generate reliable results at such resolutions because single cells might only represent components of land‐use entities (i.e. houses or parks in urban residential areas), while recently proposed entity‐based CA models usually ignore the internal heterogeneity of the entities. This article describes a patch‐based CA model designed to deal with this problem by integrating cell and object concepts. A patch is defined as a collection of adjacent cells that might have different attributes, but that represent a single land‐use entity. In this model, a transition probability map was calculated at each cell location for each land‐use transition using a weight of evidence method; then, land‐use changes were simulated by employing a patch‐based procedure based on the probability maps. This CA model, along with a traditional cell‐based model were tested in the eastern part of the Elbow River watershed in southern Alberta, Canada, an area that is under considerable pressure for land development due to its proximity to the fast growing city of Calgary. The simulation results for the two models were compared to historical data using visual comparison, K_simulation indices, and landscape metrics. The results reveal that the patch‐based CA model generates more compact and realistic land‐use patterns than the traditional cell‐based CA. The K_simulation values indicate that the land‐use maps obtained with the patch‐based CA are in higher agreement with the historical data than those created by the cell‐based model, particularly regarding the location of change. The landscape metrics reveal that the patch‐based model is able to adequately capture the land‐use dynamics as observed in the historical data, while the cell‐based CA is not able to provide a similar interpretation. The patch‐based approach proposed in this study appears to be a simple and valuable solution to take into account the internal heterogeneity of land‐use classes at fine spatial resolutions and simulate their transitions over time.