基于多目标决策和CA模型的土地利用变化预测模型及其应用

结合宏观用地总体需求与微观土地利用适宜性, 集成灰色预测模型、多目标决策模型、 元胞自动机模型、地理信息系统技术方法, 建立了GCMG 土地利用变化预测模型。GCMG 模型包括非空间和空间2 个模块, 非空间模块侧重依据宏观社会经济发展趋势预测研究区未 来的总体用地需求变化, 而空间模块集成多目标决策模型、元胞自动机、地理信息系统等技 术方法实现了基于土地适宜性的土地利用空间配置。运用该模型对龙海市2000-2010 年土地 利用变化进行了情景模拟, 结果表明园地和建设用地是该区域内变化最为显著的用地类型, 基本农田保护政策严格实施与否将对龙海市未来土地利用变化产生深远的影响。GCMG 模型 在龙海市的应用实例表明, 该模型将土地利用系统作为一个整体, 兼顾到区域宏观水平上的 土地利用需求与局部尺度上的土地利用适宜性, 能够较好地同时模拟不同土地利用类型以及 不同人类决策情景下的土地利用转换概率, 因而可为理解土地利用多尺度复杂系统提供一定 的帮助。     

人工免疫系统与嵌入规划目标的城市模拟及应用

人工免疫系统(AIS) 具有强有力的计算能力, 可以通过免疫识别、克隆选择、免疫学 习、免疫记忆等功能来进行模式识别和自适应学习。AIS 所具有的自学习、自适应和记忆的能力非常适合于复杂地理过程的研究。而元胞自动机(CA) 是研究复杂系统非常方便和有效的工具。将人工免疫系统和元胞自动机相结合, 建立了城市演变的模拟和规划模型。该模型通过改变抗体的进化变异机制, 把规划目标嵌入到AIS 算法中, 抗体将会逐渐朝着规划目标“进化”, 从而模拟出基于不同规划情景的城市发展空间格局, 为城市和土地利用规划提供决 策支持。设计了6 种不同的城市发展方案, 利用该模型模拟了不同规划方案下珠江三角洲城市的发展情景(1988-2002 年)。并比较了不同模拟情景结果城市的紧凑性: “城市中心” 和 “城市中心-高速公路”发展模式的城市形态更为紧凑, 破碎度较低; 而“镇中心” 和“道路”发展模式形成的城市形态则比较凌乱和分散。模拟结果和分析表明: “城市中心-高速 公路”是珠江三角洲最适合的城市发展模式。     

矢量元胞自动机中的邻域影响力度量——以深圳市为例

基于矢量元胞自动机(cellular automata,CA),对深圳市城市土地利用变更模拟中的邻域影响力进行了讨论,选取矢量密度因子及矢量邻域索引构建邻域影响力函数.根据深圳市路网数据及相关参数权重,计算地块通达度及发展为居住或生产用地的适宜度,同时结合政府规划的土地利用分区状态进行土地利用变更的模拟.使用Kappa...     

基于遥感与GIS的20世纪90年代中国城镇用地时空特征

文章利用20世纪90年代初期、中期和末期全国1:100000土地利用动态变化数据提取城镇用地动态变化数据,利用单元自动机和人工神经网络模型对全国城镇用地进行了区划.在此基础上,研究了90年代两个阶段中国城镇用地时空格局.研究表明:90年代前5年东部沿海地区受经济高速发展和开放政策的影响,城镇用地扩展迅速,中西部地区城镇用地扩展较慢;90年代后5年国家加大了耕地资源保护力度,在政府宏观调控政策和耕地资源保护条例的影响下,东部沿海地区城镇用地扩展大幅回落,中部地区城镇扩展也有较大幅度回落,西部地区随着经济发展加快,城镇用地扩展回落较小.     

土质边坡失稳判别的CA-AA耦合模型

解决边坡稳定性问题的关键是确定最危险滑动面(潜在最危险滑动面)和边坡的稳定系数。将蚁群算法用于求解土质的边坡稳定性问题。针对蚁群算法在演化过程中存在停滞和过早收敛的现象,对基本蚁群算法的结构形式和蚂蚁转移概率的计算进行了改进。构建了一种新的蚁群算法——元胞蚁群算法(CA-AA)。在文武坡边坡稳定性判别中,利用CA-AA法计算得到其稳定系数为1.37,略小于《岩土工程勘察规范》不平衡推力法计算值,弥补了不平衡推力法的不足,更接近实际。算例结果表明:元胞蚁群算法(CA-AA)总能搜索到问题的全局最优解,且搜索效率也有较大的提高。     

格子玻尔兹曼方法及其在大气湍流研究中的应用

文章的目的是对格子玻尔兹曼方法进行系统的介绍，格子玻尔兹曼方法(Lattice Boltzmann Method)的出现直接来源于20世纪60年代的元胞自动机(Cellular Automata)思想，而这一方法用于解决流动现象时，又可以追溯到19世纪的分子运动论，求解的是Boltzmann提出的玻尔兹曼输运方程，因此将这一方法称为格子玻尔兹曼方法，之前也被称为格子气自动机(Lattice Gas Automaton)。该方法多用于研究复杂现象，如材料晶体凝聚时的生长过程、城市土地利用的演化等方面。在20世纪70年代由Hardy、Pomeau和Pazzis建立了第一个用于研究流体运动的格子气自动机，此后，这一方法被广泛用来模拟各种流动问题，诸如二相流、孔隙介质中的渗流等，并根据这一方法开发了相应的商业软件PowerFlow。同时，格子玻尔兹曼方法由于其在微观水平描述运动的特点，成为研究湍流的一个很好的数值计算工具，特别是用其进行直接数值模拟(DNS)计算，成为继传统的差分法、有限体积法和谱方法之后的又一有力的手段。而作为大气运动的一个主要现象的大气湍流，比普通湍流更加复杂，在这里着重介绍了大气湍流的特点和应用格子玻尔兹曼方法模拟湍流的发展过程。     

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CA-ABM模型的福州城市用地扩张研究

以中国海西地区重要门户福州市为研究区,结合其地理位置多层次约束性条件,以地理加权回归模型作为元胞自动机(CA)层的转换规则,同时以2000-2015年多期LandsatTM/ETM+影像的城市用地情况为参照,借助GIS空间分析技术,对CA和多智能体(ABM)相耦合的城市用地扩张模型进行改进。然后利用传统的和改进后的CA-ABM模型,多角度、多层次地模拟福州市2000年、2005年、2010年、2015年城市用地扩张在微观格局上的变化。结果表明,传统的和改进后的CA-ABM模型的整体精度均在80%以上,模拟结果具有较强的可信度;改进的 CA-ABM模型模拟的点对点总体精度和Kappa系数均高于传统的CA-ABM模型,而且模拟结果更加接近实际的城市用地扩张分布情况。结论可为平衡城市化进程和合理规划城市用地提供重要的理论技术支撑。     

京津冀城市群多情景空间演化模拟北大核心CSCDCSSCI

京津冀城市群是中国经济发展三大引擎之一,随着京津冀协同战略的深入推进,其空间拓展呈现出新趋势与新动力。首先,集成约束性元胞自动机、空间聚类、Logistic回归、时间迭代等算法,构建出以地理分区、宏观预测和微观分配为核心的多情景空间演化模型。然后,利用京津冀2000-2013年及规划预测的用地、交通、城镇、生态和社会经济等数据,进行模型参数识别与模拟效果验证,并从交通引导、城镇辐射、经济发展等定量揭示城市群地域空间演化的动力机制。最后,从城镇化发展速度、生态保护格局和规划政策引导三大角度进行多情景模拟,总体呈现城镇扩展速度减缓、京津用地疏解效应明显和交通引导趋势加强等特点,且主要沿京津、京保石、京唐秦和京张四条发展轴扩展。2014-2030年新增城镇建设用地共3851 km^2,年均增长量226.5 km^2,远低于2000-2013年的339.7 km^2;其中,京津两地新增用地占比由42%下降到26%,保定和廊坊则成为未来城镇扩展的主力军,四市总增量占比达56%。     

集成GIS和细胞自动机模型进行地理时空过程模拟与预测的新方法

目前商用地理信息系统（GIS）不能完整地表达地理实体的时态信息和时空关系，缺乏时空分析和时空动态模拟的能力，这已成为GIS界的一个共识，然而，未来GIS在各应用领域的深入发展以及在实现“数字地球”战略过程中，都要求发展新的时空分析和模拟方法，细胞自动机（Cellular Automaton)是一种“自下而上”的动态模拟建模框架，具有模拟地理复要系统时空演化过程的能力，首先将标准CA模型的4元组进行扩展以满足GIS环境下时空动态模型的要求，然后以城市土地利用演化这一动态过程为例，建立了土地利用演化动态模拟与预测模型（LESP），最后运用此模型对包头市城市扩展和土地可持续利用演化进行了比较成功的模拟和预测。