基于支持向量机的元胞自动机及土地利用变化模拟

提出了利用遥感数据，并采用支持向量机来确定元胞自动机非线性转换规则的新方法。元胞自动机在模拟复杂地理现象时，需要采用非线性转换规则。目前元胞自动机主要采用线性方法来获取转换规则，在反映复杂的非线性地理现象时有一定的局限性。以城市扩张的模拟为例，将模拟城市系统的主要特征变量映射到Hilbert空间后，通过SVM建立最优分割超平面，分割超平面的分类决策函数由径向基核（Radial Basis Kernel）构造。利用历史遥感数据校正超平面的决策函数，确定城市元胞自动机的非线性转换规则，计算出城市发展概率。利用所提出的方法，对深圳市1988-2010年的城市发展进行了模拟，取得了较理想的模拟效果。研究结果表明，基于SVM-CA模型的模拟精度比传统MCE方法模拟精度高，MoranⅠ指数与实际更为接近。     

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。相比单结构的卷积神经网络CA模型,多结构卷积神经网络CA模型的稳定性和模拟结果准确性有所提升。     

利用生物地理学优化算法获取城市扩展元胞自动机模型参数

提出了一种基于生物地理学优化算法寻找城市扩展元胞自动机（cellular automata,CA）模型最佳参数的方法。转换规则制定及相应权重参数获取是构建城市扩展CA的核心和难点。生物地理学优化算法（biogeography-based optimization,BBO）通过模拟生物物种在栖息地的分布、迁移和灭绝来求解优化问题。利用BBO算法自动获取城市扩展CA模型参数值,构建BBO-CA模型进行城市扩展模拟实验,并与粒子群算法（particle swarm optimization,PSO）、蚁群算法（ant colony optimization,ACO）、遗传算法（genetic algorithm,GA）及逻辑回归（logistic regression,LR）等方法相比较。结果表明,BBO算法具有较好的收敛性,可有效地快速自动寻找城市扩展CA模型最佳参数组合,获取的空间变量权重参数较为合理;BBO-CA模型明显提升了城市用地模拟精度,城市用地模拟精度为72.5%,相对PSO、ACO、GA、LR各算法分别提升了1.1%、1.2%、2.7%和4.0%,Kappa系数达到0.700,分别提升了0.015、0.016、0.034和0.046,且整体空间布局与实际情况更为接近,验证了应用BBO算法的可行性与优势。     

基于元胞自动机的遗传神经网络在土地利用变化模拟分析中的应用

元胞自动机模型在土地扩展的转换规则设计上具有随机性,受周围环境影响较大。文中建立基于BP神经网络和遗传神经网络算法优化的元胞自动机土地扩张模型,对广州市2009—2011年进行城市扩张模拟分析。实验结果显示:BP神经网络能够较好地模拟分布较集中的耕地和林地等区域,精度可达到70%以上,而对于面积较零碎的建筑用地区域,模拟效果较差;而遗传神经网络优化算法能够总体提高模拟精度约5%,部分精度能提高至20%。同时,该算法还能充分考虑影响土地变化的各种扰动因素,优化选择驱动因子和缩短迭代次数,对于城市土地扩张研究具有可行性。     

元胞空间分区及其对GeoCA模型模拟精度的影响

采用双约束空间聚类方法对元胞空间进行分区,在此基础上对不同的分区分别求取元胞转换规则,从而提高 元胞自动机的模拟精度。以杭州市土地利用变化为例,采用本文提出的基于双约束空间聚类的分区元胞自动机模型对 研究区域2000年—2005年的土地利用变化进行模拟,并利用逐点对比法和Moran I指数对模拟结果进行精度评估。结果 表明：(1)采用双约束空间聚类算法对元胞空间进行分区,可以保证同一分区内的元胞既在空间上邻近,又具有相对一 致的非空间属性信息,分区效果较好;(2)与不分区元胞自动机模型和基于空间聚类的分区元胞自动机模型相比,双约 束空间聚类元胞自动机模型具有较高的模拟精度,尤其是在空间形态和整体结构上具有较好的模拟效果。     

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。     

利用元胞自动机计算河道槽蓄量

构建基于元胞自动机的河道水流漫延模型,在该模型中针对河道地形特点处理边界问题,基于水力学中的曼宁公式构建模型局部转换规则,并利用元胞自动机的模拟空间复杂系统动态演变能力的特点,模拟了水流由上断面向下断面流动的动态过程,形成符合上下断面水位的水面,进而计算河道槽蓄量.实验结果表明,把元胞自动机模型引入水文领域计算河道槽蓄量的方法具有可行性.     

耦合遥感观测和元胞自动机的城市扩张模拟

在传统元胞自动机(CA)模型中,静态的模型参数和模型误差不能释放是影响城市扩张模拟效果的两个重要原因。文中引入集合卡尔曼滤波方法到CA模型中,提出了基于联合状态矩阵的地理元胞自动机。该模型在模拟过程中可以通过同化遥感观测数据,动态地调整模型参数和纠正模拟结果,使模型参数能够反映转换规则的时空变化,同时也能较好地释放积累的模型误差。将模型应用于东莞市的城市扩张模拟中,实验结果表明,模型能够准确地调整模型参数使之符合城市发展模式,同时也能有效地控制模型误差,其模拟的空间格局与真实情况吻合。     

基于灰色局势决策规则的元胞自动机城市扩展模型

对标准的元胞自动机模型的元胞含义、规则定义等进行了扩展，探讨了元胞自动机模型与多目标灰色局势决策、层次分析方法有机结合。构建基于灰色局势决策、层次分析法与元胞自动机的城市空间动态扩展模型，并以海南省琼海市为例进行了验证。     

地籍学

CH20041388基于灰色局势决策规则的元胞自动机城市扩展模型=Urban Expansion Model Based on Cellular Automata of Decision-Making with Grey Situation/刘耀林,刘艳芳(武汉大学资源与环境科学学院),明冬萍∥武汉大学学报(信息科学版).-2004,29(1).-7-13对标准的元胞自动机模型的元胞含义、规则定义等进行了扩展,探讨了元胞自动机模型与多目标灰色局势决策、层次分析方法有机结合,构建基于灰色局势决策、层次分析法与元胞自动机的城市空间动态扩展模型,并以海南省琼海市为例进行了验证。图4表2参15     

基于CA的南京市城市空间结构演变模拟

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。本文将对标准CA进行扩展,以南京市为研究区域,对其城市扩展进行模拟。     

基于C5.0决策树算法的元胞自动机的洪河湿地演化模拟

以洪河自然保护区1992年、2001年、2010年三期TM遥感影像为数据源,利用C5.0决策树算法从已有的数据及其影响因子数据中挖掘出洪河湿地的演变规则,并将获得的转换规则应用到元胞自动机模型中进行洪河湿地演变的动态模拟与预测,分析和探讨了元胞自动机模型在湿地景观模拟和预测中的重要作用。结果表明,在现有的空间变量和条件不变的情况下,在未来的洪河自然保护区湿地面积将减小,洪河自然保护区干旱化将加重。通过对湿地景观的动态变化模拟和预测研究,能够较好地反映湿地景观的动态变化情况。     

基于SLEUTH模型的长江口北岸土地利用演化模拟研究

采用经典的元胞自动机城市扩展与土地利用演化SLEUTH模型,改进元胞自动机控制系数的筛选方法,结合驱动力的研究调整模型控制系数,根据长江口北岸流域实际情况设置模型校准参数,提高模型在长江口北岸流域应用的实用性。研究表明SLEUTH模型方法可以获得精度较高的土地利用变化模拟结果。     

一种耦合元胞自动机的改进林火蔓延仿真算法

针对传统林火蔓延仿真模型在模拟大范围森林火灾时误差大和效率低的问题,对文献[10]的林火模型添加时间修正来提升林火蔓延模拟的准确性,提出耦合地理元胞自动机模拟林火蔓延过程的仿真算法。分析了元胞自动机时间步长对模拟精度的影响,优化时间步长选择,提高了模拟大规模森林火灾的精度及效率。以模拟2006年5月大兴安岭林区森林大火蔓延过程为例验证本算法,发现地理元胞自动机算法中时间步长取整个元胞完全燃烧所需时间的1/8效果最好,林火蔓延模拟结果与实际TM影像解译的火情时空一致性较高,Kappa系数平均为0.6352,准确率平均为87.89%。算法可用于实际林火蔓延过程的重现及趋势预测,且算法可逆。     

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。     

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。     

基于并行元胞自动机的水体污染物扩散模拟

研究影响水体污染物扩散的因素,使用计算机快速地对水体污染物进行模拟,能够为水体污染物的控制提供决策支持。将元胞自动机与并行计算相结合,能够高效地模拟水体污染物扩散。分析了元胞自动机的构成,综合考虑了污染物浓度、风向、风速、水流方向、水流速度、水体边缘等因素对污染物扩散的影响,设计了面向水体污染扩散的元胞自动机模型。分析了MPI(Message Passing Interface)在并行计算方面的优势,设计了面向水体污染物扩散的并行元胞自动机模拟算法流程,实现了水体污染物扩散的模拟。对比分析了面向水体污染物的元胞自动机串行计算、单机并行计算和多机并行计算的执行时间,结果表明,运用并行元胞自动机可以节省计算时间,提高计算效率。     

一种基于机器学习的城市发展模拟元胞模型

利用元胞自动机(Cellular Automata,CA)模拟土地利用变化,已经成为认识和理解其复杂动态演化过程的有效手段.传统的元胞自动机基于线性转换规则,较难表达土地利用变化的非线性边界问题.本文研究利用最小二乘支持向量机方法(LS-SVM),将原空间下的非线性可分问题,通过高斯径向基核函数映射到高维特征空间,简化...     

Fisher判别及自动获取元胞自动机的转换规则

提出一种基于费歇尔(Fisher)判别和离散选择模型相结合来自动获取地理元胞自动机转换规则的方法。CA的核心是如何定义转换规则,但目前主要是采用启发式的方法来定义转换规则,受主观因素影响较大。本模型结合离散选择模型,通过对Fisher判别方法进行改进,可以成功搜索最佳分隔单元发展和不发展的变量组合,自动确定模型参数值。与常用的Logistic回归模型进行对比分析,结果表明,所提出的方法具有更高的模拟精度,转换规则有着清晰的物理意义。此外,本模型在模拟多类复杂的土地利用变化时可能更具有优势。     

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...