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...     

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。     

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。     

基于集合卡尔曼滤波动态优化CA模型参数的方法

传统元胞自动机(CA)模型的转换规则不随模拟过程的时间和空间而变化,难以模拟和表达非线性地理过程.提出基于集合卡尔曼滤波(EnKF)动态优化CA模型参数的方法,以提高模型对复杂地理过程模拟的适应能力.通过引入集合卡尔曼滤波到CA模型中,将模型参数与模型状态整合成一个联合状态矩阵(joint state matrix).再把该矩阵与观测数据输入到EnKF更新方程中,计算出新的参数值,并自动更新到模型中,从而实现动态调整模型运行轨迹,以更好地适应城市发展的过程模拟.将此方法应用于东莞市的城市模拟试验中,优化后的CA模型能在单参数和多参数优化中正确地调整模型参数,使其迅速地收敛于真值并趋于平缓,也能降低模型误差并获得更好的模拟结果.     

顾及空间交互作用的城市群联动空间增长模拟——以武汉都市区为例

随着区域城市化与城市区域化的发展,城市群成为中国城市化进程中最引人注目的地区,研究城市群联动空间增长动态也成为了当前研究热点。在城市扩张的研究中,传统以元胞自动机(cellular automaton,CA)为代表的城市扩张模拟方法主要针对单一的城市展开,缺乏对城市群空间交互作用和联动增长效应的建模,难以真实反映城市群的空间扩张过程。通过引入城市流模型来量化城市之间的空间交互作用,并将其作为转换规则嵌入CA模型,构建了一种顾及空间交互作用的城市群联合空间增长扩张过程分析模型,并以武汉都市区为例,模拟了武汉都市区(1个主城区+6个远郊区)的城市扩张过程。与传统的Logistic回归CA模型对比,结果表明,模型模拟精度更高,可以在一定程度上反映城市发展,尤其是城市群联动增长扩张的特征和规律。     

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。     

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。     

基于数据同化的元胞自动机

提出基于集合卡尔曼滤波(EnKF)的元胞自动机(CA)模型。在CA模型中,由于不同的样本会训练出不同参数值 的转换规则,且获取的转换规则在整个模拟过程中不能改变等原因,误差在模拟过程中会不断累积。本文在CA模型中 引入集合卡尔曼滤波的数据同化方法,建立了基于集合卡尔曼滤波的数据同化CA模型,同化遥感观测数据,根据得出 的同化值修正模拟结果使之向真实情况逼近。利用该模型模拟了广东省东莞市的发展情景(1995年—2005年),实验表 明,与传统CA模型相比,基于集合卡尔曼滤波的CA模型能够融合遥感观测数据,并能更有效地模拟城市扩张过程,达 到良好的模拟效果。     

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。     

人口密度模型与CA集成的城市化时空模拟实验

有机地集成城市经典模型与元胞自动机 (CA)是一种有意义的理论实验。本文分无约束和有约束两种条件构建了城市化CA模型 ,推导出了基于均质地理背景和孤立城市的假设的城市人口密度时空模型 ,并进行了二者集成的实验研究 ,得出了如下结论 :(1)CA是城市化时空模拟的有效方法 ;(2 )经典的地理、城市模型可以有效地集成到城市化CA模型中 ,起到控制城市化轨迹的基本作用 ,在某种程度上能够弥补CA建模过于简单的不足。     

A grey wolf optimizer–cellular automata integrated model for urban growth simulation and optimization

This article proposes a grey wolf optimizer (GWO) and cellular automata (CA) integrated model for the simulation and spatial optimization of urban growth. A new grey wolf‐inspired approach is put forward to determine the urban growth rules of CA cells by using the GWO algorithm, which is suitable for solving optimization problems. The inspiration for GWO comes from the social leadership of wolf groups, as well as their hunting behavior. The GWO‐optimized urban growth rules for CA describe the relationship between the spatial variables and the urban land‐use status for each cell in the formation of “if–then.” The GWO algorithm and CA model are then integrated as the GWO–CA model for urban growth simulation and optimization. By taking Nanjing City as an example, the simulation accuracy in terms of urban cells is 86.6%, and the kappa coefficient is 0.715, indicating that the GWO algorithm is efficient at obtaining urban growth rules from spatial variables. The validation of the GWO–CA model also illustrates that it performs well in terms of the simulation and spatial optimization of urban growth, and can further contribute to urban planning and management.     

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。     

Integrating cellular automata,artificial neural network,and fuzzy set theory to simulate threatened orchards: application to Maragheh,Iran

Urbanization processes challenge the growth of orchards in many cities in Iran. In Maragheh, orchards are crucial ecological, economical, and tourist sources. To explore orchards threatened by urban expansion, this study first aims to develop a new model by coupling cellular automata (CA) and artificial neural network with fuzzy set theory (CA–ANN–Fuzzy). While fuzzy set theory captures the uncertainty associated with transition rules, the ANN considers spatial and temporal nonlinearities of the driving forces underlying the urban growth processes. Second, the CA–ANN–Fuzzy model is compared with two existing approaches, namely a basic CA and a CA coupled with an ANN (CA–ANN). Third, we quantify the amount of orchard loss during the last three decades as well as for the upcoming years up to 2025. Results show that CA–ANN–Fuzzy with 83% kappa coefficient performs significantly better than conventional CA (with 51% kappa coefficient) and CA–ANN (with 79% kappa coefficient) models in simulating orchard loss. The historical data shows a considerable loss of 26% during the last three decades, while the CA–ANN–Fuzzy simulation reveals a considerable future loss of 7% of Maragheh’s orchards in 2025 due to urbanization. These areas require special attention and must be protected by the local government and decision-makers.     

Modelling coastal land use change by incorporating spatial autocorrelation into cellular automata models

This paper presents a spatial autoregressive (SAR) method-based cellular automata (termed SAR-CA) model to simulate coastal land use change, by incorporating spatial autocorrelation into transition rules. The model captures the spatial relationships between explained and explanatory variables and then integrates them into CA transition rules. A conventional CA model (LogCA) based on logistic regression (LR) was studied as a comparison. These two CA models were applied to simulate urban land use change of coastal regions in Ningbo of China from 2000 to 2015. Compared to the LR method, the SAR model yielded smaller accumulated residuals that showed a random distribution in fitting the CA transition rules. The better-fitting SAR model performed well in simulating urban land use change and scored an overall accuracy of 85.3%, improving on the LogCA model by 3.6%. Landscape metrics showed that the pattern generated by the SAR-CA model has less difference with the observed pattern.     

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。     

Integration of neural networks and cellular automata for urban planning

This paper presents a new type of cellular automata (CA) model for the simulation of alternative land development using neural networks for urban planning. CA models can be regarded as a planning tool because they can generate alternative urban growth. Alternative development patterns can be formed by using different sets of parameter values in CA simulation. A critical issue is how to define parameter values for realistic and idealized simulation. This paper demonstrates that neural networks can simplify CA models but generate more plausible results. The simulation is based on a simple three-layer network with an output neuron to generate conversion probability. No transition rules are required for the simulation. Parameter values are automatically obtained from the training of network by using satellite remote sensing data. Original training data can be assessed and modified according to planning objectives. Alternative urban patterns can be easily formulated by using the modified training data sets rather than changing the model.     

Integration of neural networks and cellular automata for urban planning

This paper presents a new type of cellular automata (CA) model for the simulation of alternative land development using neural networks for urban planning. CA models can be regarded as a planning tool because they can generate alternative urban growth. Alternative development patterns can be formed by using different sets of parameter values in CA simulation. A critical issue is how to define parameter values for realistic and idealized simulation. This paper demonstrates that neural netowrks can simplify CA models but generate more plausible results. The simulation is based on a simple three-layer network with an output neuron to generate conversion probability. No transition rules are required for the simulation. Parameter values are automatically obtained from the training of network by using satellite remote sensing data. Original training data can be assessed and modified according to planning objectives. Alternative urban patterns can be easily formulated by using the modified training data sets rather than changing the model.