约束性单元自动演化CA模型及可持续城市发展形态的模拟

单元自动演化ＣＡ可以大大增强ＧＩＳ的空间模型能力,在国外被越来越多地应用于城市发展演化过程的模拟。本文探讨了如何通过ＣＡ与ＧＩＳ的结合来进行可持续土地发展规划的新方法。提出了基于约束性的ＣＡ模型,具体分析了局部、区域以及全局约束性对ＣＡ模型结果的影响。并将灰度的概念引起ＣＡ模型中来反映状态连续的变化,克服常规ＣＡ模型的缺陷。将该模型应用于球江三角洲地区来获得合理的城市发展空间布局,取得了较好的效果     

动态数据空间分析的不确定性问题——以城市中心识别为例

目的 动态数据在空间分析中存在不确定性问题。以手机定位数据为例来识别城市中心,探索可塑性面积单元问题和不确定的地理情境问题,发现群体活动强度的空间自相关程度受到采样区域划分方式和分析单元大小的影响,地理情境的时空动态变化也会带来不确定的地理情境问题。讨论了减轻不确定性的可能方法。     

基于多智能体系统的空间决策行为及土地利用格局演变的模拟

探讨了基于多智能体系统(MAS)的城市土地利用动态变化模拟的新方法. 模型是由相互作用的环境层和多智能体层组成. 旨在探索城市中居民、房地产商、政府等多智能体之间, 以及多智能体与环境之间的相互作用而导致城市空间结构的演化过程. 以广州市海珠区为实验区, 模拟了其1995~2004年的土地利用动态变化情况. 并与元胞自动机(CA)模型进行了对比研究, 结果表明MAS在模拟较为复杂的城市时比CA有更高的精度和更接近实际的空间格局.     

基于时空域密度异常的土地利用/土地覆盖短期变化检测

论文分析了时间序列遥感影像中土地利用/土地覆盖短期变化的特点及其时空异常特征, 认为和环境、物候等因素造成的影像变化相比, 由人为活动引起的土地利用/土地覆盖变化具有典型的时间和空间异常特征, 并提出了基于密度异常的土地利用短期变化检测方法。研究工作选取珠江口地区1—5月作物生长期间的3个时间序列Radarsat雷达影像进行试验, 在影像分割的基础上, 构建了基于对象的特征变化矢量, 并将密度异常检测算法(DBAD)扩展到变化矢量的N维特征空间上, 运用随机搜索策略确定检测参数, 对Radarsat时间序列变化矢量中的“小模式”事件进行了检测。检测结果认为, 密度异常检测算法检测的是变化矢量在特征空间的密度分布, 与变化矢量的强度和方向无关, 因此能在时间序列影像中分离出由典型的、正常的作物生长或农事活动引起的影像光谱或回波变化, 进而识别出由人为活动或突发事件导致的土地利用/土地覆盖变化, 这是通常的图像差值等方法难以做到的。进一步的抽样检测说明, 密度异常检测方法对新增建设用地的检测准确率最高(>88%);林地地表覆盖相对稳定, 检测误差也很低(8%);农用地和养殖水面的异常变化检测误差在11%—22%之间;较大的检测误差主要集中在建设用地、农用地和未利用地之间的转换(16%—25%);此外, 养殖水面的检测误差主要集中在河流沿岸及水面变化较大的养殖区域。影像分割结果特别是一些线状分割图斑以及混合地类图斑对误差也有一定的影响。     

数字城市与地理信息系统

主要介绍数字城市的起源,讨论数字城市的内涵及其关键组成要素,并阐述地理信息系统(GIS)和数字城市的关系。最后,对现阶段数字城市建设中应用GIS技术的问题进行了总结,并展望未来的发展前景。     

设立“地理信息数据开放特区”的建议——如何让地理信息系统(GIS)更好地为社会经济发展服务

1概述自20世纪80年代以来,地理信息系统(GIS)在欧美国家已被广泛应用。特别是在与民生和经济息息相关的行业,如商业、城市规划、物流、交通、人口普查、疾病分析等领域,GIS技术的运用更是得到空前的发展。虽然如此,GIS技术的发展也遇到不少阻碍。世界各国的经验表明,这些阻碍并非来自软硬件技术与人才培养等方面,而更多的是由数据政策间接引起的。特别是获取GIS数据的困难是发展这项技术遇到的最大障碍,与其他技术不一样,GIS如果没有有用的数据便无法应用。     

广州市社会空间结构的因子生态分析

本文用主成分分析和聚类分析方法对广州市社会空间结构进行因子生态分析。结果表明：人口密集程度、科技文化水平、工人干部比重，房屋住宅质量、家庭人口结构是形成广州社会区类型的五个主要因子；广州社会区的空间模式呈向东曳长的同心椭圆态势，城市发展的历史过程、城市用地布局和住房分配制度是影响这个空间模式形成的主导机制。     

微型计算机在地理学的应用和限制

本文讨论微机在地理学上的应用,介绍可以从英美市场获得的地理软件,并检讨微机在英美地理教学和研究上的一些限制,以促进其在国内地理学上的应用。现存的软件和硬件基本上可以满足地理教学和研究上的大部分需要。随着微机价格的降低,体积的缩小,计算速度、内外存储器容量以及可携带性的增加,其实际应用将会更广。微机已逐渐成为地理教学和研究中不可缺少的工具。     

主成分分析与Cellular Automata在空间决策与城市模拟中的应用

探讨了多准则判断技术（ＭＣＥ）在空间分析中所碰到的变量相关的问题．变量 之间的相关使得使用的权重不恰当，导致分析结果不合理．以城市发展的空间模拟为 例，指出了在一般的空间分析中所使用的因子有很大的相关性．提出了利用主成分分 析与“理想点”的方法来解决这一问题．结合单元自动演化（Ｃｅｌｌｕｌａｒ Ａｕｔｏｍａｔａ）和地理信息系统（ＧＩＳ），将该方法应用在城市形态的优化模拟中．     

Integration of principal components analysis and cellular automata for spatial decisionmaking and urban simulation

This paper discusses the issues about the correlation of spatial variables during spatial decisionmaking using multicriteria evaluation (MCE) and cellular automata (CA). The correlation of spatial variables can cause the malfunction of MCE. In urban simulation, spatial factors often exhibit a high degree of correlation which is considered as an undesirable property for MCE. This study uses principal components analysis (PCA) to remove data redundancy among a large set of spatial variables and determine ‘ideal points’ for land development. PCA is integrated with cellular automata and geographical information systems (GIS) for the simulation of idealized urban forms for planning purposes.