基于智能体和人工神经网络的元胞自动机建模及城市扩展模拟

城市扩展模拟可为城市可持续发展与国土空间规划提供参考。智能体模型(ABM)与元胞自动机(CA)结合可兼顾城市空间增长的自组织性和不同决策主体的决策过程,人工神经网络(ANN)可描述智能体与城市扩展之间复杂的非线性关系。该文基于ANN-ABM-CA耦合模型,在构建CA转换规则时基于ABM刻画人类决策行为的影响,并采用ANN挖掘不同类型的智能体在城市扩展过程中的偏好差异,同时考虑宏观和微观层面的智能体决策行为,结合城市扩展的10个驱动因素,模拟武汉市主城区2005-2015年的扩展情况,结果表明:1)相比传统的ANN-CA模型,ANN-ABM-CA模型模拟性能更优,从宏观与微观相结合的角度更好地解释了城市扩展的驱动机制,OA值为97.46%,Kappa系数为0.9176,FoM值为0.4375,结果可靠且合理;2)不同收入层级的居民智能体对城市扩展的决策偏好不同;3)武汉主城区城市扩展模式主要为边缘型扩展,洪山区西南部有少部分填充型扩展、东南部出现飞地型扩展,与实际扩展情况相符。     

基于随机森林的元胞自动机城市扩展模拟——以佛山市为例

本文提出一种基于随机森林的元胞自动机城市扩展(RF-CA)模型。通过在多个决策树的生成过程中分别对训练样本集和分裂节点的候选空间变量引入随机因素,提取城市扩展元胞自动机的转换规则。该模型便于并行构建,能在运算量没有显著增加的前提下提高预测的精度,对城市扩展中存在的随机因素有较强的容忍度。RF-CA模型可进行袋外误差估计,以快速获取模型参数;也可度量空间变量重要性,解释各空间变量在城市扩展中的作用。将该模型应用于佛山市1988-2012年的城市扩展模拟中,结果表明,与常用的逻辑回归模型相比,RFCA模型进行模拟和预测分别能够提高1.7%和2.6%的精度,非常适用于复杂非线性特征的城市系统演变模型与扩展研究;通过对影响佛山市城市扩展的空间变量进行重要性度量,发现对佛山城市扩张模拟研究而言,距国道的距离与距城市中心的距离具有最重要的作用。     

城市元胞自动机扩展邻域效应的测量与校准研究

城市元胞模型由于在定量分析与预测城市动态的潜力而受到众多研究者的持续关注.邻域规则是主导城市元胞模型模拟过程的关键组件.研究表明,不同土地利用组合间存在显著的邻域效应,且邻域效应具有惯性、排斥和吸引等影响.然而,传统城市元胞模型主要考虑的是特定分辨率下较小窗口的邻域范围.本文尝试刻画更大窗口的邻域效应及其对元胞模型的影响.基于测量的扩展邻域因子,应用粒子群优化算法校准大窗口邻域规则,并创建了考虑扩展邻域效应的城市元胞模型.为验证模型有效性,将其应用于模拟厦门市1995-2010年期间的城市扩张动态.与3×3摩尔邻域的逻辑回归模型相比较,1995-2010年期间的建设用地模拟精度从80.7％提高到83.9％,总体精度从87.8％提高到89.6％,Kappa系数从70.0％提高到74.5％,表明考虑扩展邻域效应的城市模型取得了更好的模拟效果.     

基于动态约束的元胞自动机与复杂城市系统的模拟

为获得复杂城市系统更理想的模拟效果,提出时空动态约束的城市元胞自动机(CA)模型。用不同区域、不同时间新增加的城市用地总量作为CA模型的约束条件,形成时空动态约束的CA模型,并利用该模型模拟1988—2010年东莞市和深圳市城市扩张过程。结果表明,利用CA模型模拟的1993年城市用地总精度比静态CA模型提高了5.86%,而且模型中的动态约束条件可以反映城市发展的时空差异性。     

元胞自动机的地理过程模拟机制及扩展

地理空间、地理梯度、地理流和空间关系是经典地理学进行地理过程分析常用的4个基本概念,元胞自动机(CA)作为复杂空间系统研究的重要工具。分析表明,其与经典地理过程分析理论具有类似地表达机制,因而能有效地进行地理过程模拟。但由于标准CA是一种更广泛抽象的空间模型,其对地理特征的描述存在一定局限,限制了其更真实地模拟地理过程的能力。论文提出了基于地理特征的CA概念模型,深圳特区土地利用演化的实证研究表明,地理特征CA概念模型具有极大的应用价值。     

元胞自动机在城市模拟中的误差传递与不确定性的特征分析

元胞自动机(Cellular Automata,简称CA)已越来越多地用于地理现象的模拟中,如城市系统的演化等。城市模拟经常要使用GIS数据库中的空间信息,数据源中的误差将会通过CA模拟过程发生传递。此外,CA 模型只是对现实世界的近似模拟,这就使得其本身也具有不确定性。这些不确定因素将对城市模拟的结果产生较大的影响,有必要探讨CA在模拟过程中的误差传递与不确定性问题。本文采用蒙特卡罗方法模拟了CA误差的传递特征,并从转换规则、邻域结构、模拟时间以及随机变量等几个方面分析了CA不确定性产生的根源。发现与传统的GIS模型相比,城市CA模型中的误差和不确定性的很多性质是非常独特的。例如,在模拟过程中由于邻域函数平均化的影响,数据源误差将减小;随着可用的土地越来越少,该限制也使城市模拟的误差随时间而减小;模拟结果的不确定性主要体现在城市的边缘。这些分析结果有助于城市建模和规划者更好地理解CA建模的特点。     

基于分区域的元胞自动机及城市扩张模拟

元胞自动机用于模拟城市扩张具有很好的空间建模能力,通常采用的建模方式将影响因子的空间条件作为线性要素对待,而在元胞转换规则建模中考虑影响因子的空间非线性特征更逼近真实状况.该文提出一种基于分区域的元胞自动机模型,通过划分各个全局影响因子的重要性子区域,计算不同类型区域中各因子对土地利用转换的影响强度,从而得到全区域的空间非线性转换规则.利用该模型模拟东莞市1988-1993年的城市扩展过程,并与Logistic模型模拟结果对比,表明这种有空间约束条件的分区域元胞自动机模拟精度更高,能有效模拟城市扩张的空间格局.     

分析学习智能元胞自动机及优化的城市模拟

元胞自动机被广泛应用于城市及其他地理现象的模拟,模拟过程中的最大问题是如何确定模型的结构和参数。该文提出一种基于分析学习的智能优化元胞自动机,该模型在逻辑回归模型的基础上,基于分析学习的智能方法,寻找元胞自动机模型的最佳参数。该方法允许用户控制空间变量影响权重,进而模拟出不同的城市发展模式,可为城市规划提供重要参考。     

地理元胞自动机模型研究进展

元胞自动机(Cellular Automata,简称CA)是一种基于微观个体的相互作用空间离散动态模型,其强大的计算功能、固有的平行计算能力、高度动态及空间概念等特征,使它在模拟空间复杂系统的时空动态演变研究具有较强的优势。文章回顾了元胞自动机的发展历程,阐述了CA在地理学中的主要应用领域和研究进展,在此基础上,以现实世界地理实体及现代城市扩张特征为视角,分析目前CA研究所面临的问题,并对其未来的研究趋势进行了初步探讨,认为以下3个方面将是未来CA研究的热点：① 利用不规则元胞及可控邻域的CA模型,对不同规则或不同邻域地理实体的模拟研究;② 采用三维元胞自动机对现代城市扩张进行立体化模拟,以克服二维CA模型的缺陷;③ 将矢量元胞自动机模型应用于地理实体的模拟研究,进一步提高模拟精度。     

顾及城市空间结构信息的元胞自动机模型构建及其应用

利用衡量新增斑块空间邻接关系的多阶景观扩张指数定量识别城市组团的空间特征,结合城市组团所表现出的城市空间结构信息,构建基于MLEI的元胞自动机城市扩展（MLEI-CA）模型。针对武汉市1990、2000、2013年3期遥感影像数据,运用MLEI-CA对武汉市城市扩展进行模拟,通过与Logistic-CA模型对比验证该模型的适用性。研究结果表明,MLEI-CA模型更加准确地揭示城市扩展的空间演变过程,MLEI-CA模型精度优于Logistic-CA模型,Kappa系数、城市用地的精度分别提高6%和4%。     

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。     

基于近邻传播聚类元胞自动机模型的武汉城市扩散和聚合过程同步模拟

元胞自动机（CA）作为城市时空动态模拟应用最广泛的模型,可以有效模拟填充式和边缘式城市扩张过程,但是在飞地式扩张模拟方面稍显不足。本文提出一种改进CA模型—APCA,在传统CA基础上利用近邻传播聚类（AP）搜寻城市扩散增长的“种子点”,实现城市增长扩散过程和聚合过程的同步模拟。以武汉市为研究区域,使用APCA模拟其在2005—2025年间城市扩张的时空过程。结果显示：① APCA在设置“种子点”数量为1~8个时模拟总体精度均高于Logistics-CA,当“种子点”数量为6时,模拟新增部分精度最高,达到0.5217;② 2015—2025年武汉市飞地型增长面积约为8.67 km²,占新增城市用地总面积比例为6.30%;③ 武汉市1995—2025年间“先扩散后聚合”的城市扩张过程符合城市增长相位理论。APCA在一定程度上了完善了传统二维平面CA框架,将城市扩张模拟维度由面维扩展到点维,为准确展现城市用地空间扩展规律提供参考。     

Modeling urban expansion by using variable weights logistic cellular automata: a case study of Nanjing,China

Simulation models based on cellular automata (CA) are widely used for understanding and simulating complex urban expansion process. Among these models, logistic CA (LCA) is commonly adopted. However, the performance of LCA models is often limited because the fixed coefficients obtained from binary logistic regression do not reflect the spatiotemporal heterogeneity of transition rules. Therefore, we propose a variable weights LCA (VW-LCA) model with dynamic transition rules. The regression coefficients in this VW-LCA model are based on VW by incorporating a genetic algorithm in a conventional LCA. The VW-LCA model and the conventional LCA model were both used to simulate urban expansion in Nanjing, China. The models were calibrated with data for the period 2000–2007 and validated for the period 2007–2013. The results showed that the VW-LCA model performed better than the LCA model in terms of both visual inspection and key indicators. For example, kappa, accuracy of urban land and figure of merit for the simulation results of 2013 increased by 3.26%, 2.96% and 4.44%, respectively. The VW-LCA model performs relatively better compared with other improved LCA models that are suggested in literature.     

Simulating urban growth by integrating landscape expansion index (LEI) and cellular automata

Traditional urban cellular automata (CA) model can effectively simulate infilling and edge-expansion growth patterns. However, most of these models are incapable of simulating the outlying growth. This paper proposed a novel model called LEI-CA which incorporates landscape expansion index (LEI) with CA to simulate urban growth. Urban growth type is identified by calculating the LEI index of each cell. Case-based reasoning technique is used to discover different transition rules for the adjacent growth type and the outlying growth type, respectively. We applied the LEI-CA model to the simulation of urban growth in Dongguan in southern China. The comparison between logistic-based CA and LEI-CA indicates that the latter can yield a better performance. The LEI-CA model can improve urban simulation accuracy over logistic-based CA by 13.8%, 10.8% and 6.9% in 1993, 1999 and 2005, respectively. Moreover, the outlying growth type hardly exists in the simulation by logistic-based CA, while the proposed LEI-CA model performs well in simulating different urban growth patterns. Our experiments illustrate that the LEI-CA model not only overcomes the deficiencies of traditional CA but might also better understand urban evolution process.     

京津冀地区城镇空间扩张模拟与分析

准确把握城镇扩张过程中空间形态的变化规律对城镇规划水平的提高具有重要的现实意义。当前,京津冀的协同发展已上升为国家战略,为了对京津冀远景的城镇增长进行预测,本文将北京城市空间发展分析模型(BUDEM)扩展到京津冀(JJJ)区域,构建了京津冀城镇空间发展分析模型(BUDEM-JJJ)。该模型以城市增长理论和约束性元胞自动机(Constrained Cellular Automata,Constrained CA)模型为基础,以京津冀区域为研究对象,以Logistic回归和单一参数循环方法(Monoloop)为模型参数识别方法,利用2000-2005年和2005-2010年两个历史阶段的城镇建设用地数据对模型进行了参数识别,并进行了模型验证。在此基础上,对京津冀区域2049年的城镇形态进行了多种情景模拟,分析了不同发展情景(Scenario)下京津冀地区城镇空间发展格局的变化,可为当前京津冀城镇发展方向的调整和下一轮的城镇规划提供参考。     

基于遗传算法自动获取CA模型的参数

本文提出了基于遗传算法来寻找CA模型最佳参数的方法。CA被越来越多地应用于城市和土地利用等复杂系统的动态模拟。CA模型中变量的参数值对模拟结果有非常重要的影响。如何获取理想的参数值是模型的关键。传统的逻辑回归模型运算简单,常常用来获取模型的参数值,要求解释变量间线性无关,所以获取的城市CA模型参数具有一定的局限性。遗传算法在参数优化组合、快速搜索参数值方面有很大的优势。本文利用遗传算法来自动获取优化的CA模型参数值,并获得了纠正后的CA模型。将该模型应用于东莞1988~2004年的城市发展的模拟中,得到了较好的效果。研究结果表明,遗传算法可以有效地自动获取CA模型的参数,其模拟的结果要比传统的逻辑回归校正的CA模型模拟精度高。     

Parallel cellular automata for large-scale urban simulation using load-balancing techniques

Cellular automata (CA), which are a kind of bottom-up approaches, can be used to simulate urban dynamics and land use changes effectively. Urban simulation usually involves a large set of GIS data in terms of the extent of the study area and the number of spatial factors. The computation capability becomes a bottleneck of implementing CA for simulating large regions. Parallel computing techniques can be applied to CA for solving this kind of hard computation problem. This paper demonstrates that the performance of large-scale urban simulation can be significantly improved by using parallel computation techniques. The proposed urban CA is implemented in a parallel framework that runs on a cluster of PCs. A large region usually consists of heterogeneous or polarized development patterns. This study proposes a line-scanning method of load balance to reduce waiting time between parallel processors. This proposed method has been tested in a fast-growing region, the Pearl River Delta. The experiments indicate that parallel computation techniques with load balance can significantly improve the applicability of CA for simulating the urban development in this large complex region.     

How much past to see the future: a computational study in calibrating urban cellular automata

The objective of this computational study was to investigate to which extent the availability and the way of use of historical maps may affect the quality of the calibration process of cellular automata (CA) urban models. The numerical experiments are based on a constrained CA applied to a case study. Since the model depends on a large number of parameters, we optimize the CA using cooperative coevolutionary particle swarms, which is an approach known for its ability to operate effectively in search spaces with a high number of dimensions. To cope with the relevant computational cost related to the high number of CA simulations required by our study, we use a parallelized CA model that takes advantage of the computing power of graphics processing units. The study has shown that the accuracy of simulations can be significantly influenced by both the number and position in time of the historical maps involved in the calibration.     

Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques

Along with the gradually accelerated urbanization process, simulating and predicting the future pattern of the city is of great importance to the prediction and prevention of some environmental, economic and urban issues. Previous studies have generally integrated traditional machine learning with cellular automaton (CA) models to simulate urban development. Nevertheless, difficulties still exist in the process of obtaining more accurate results with CA models; such difficulties are mainly due to the insufficient consideration of neighborhood effects during urban transition rule mining. In this paper, we used an effective deep learning method, named convolution neural network for united mining (UMCNN), to solve the problem. UMCNN has substantial potential to get neighborhood information from its receptive field. Thus, a novel CA model coupled with UMCNN and Markov chain was designed to improve the performance of simulating urban expansion processes. Choosing the Pearl River Delta of China as the study area, we excavate the driving factors and the transformational relations revealed by the urban land-use patterns in 2000, 2005 and 2010 and further simulate the urban expansion status in 2020 and 2030. Additionally, three traditional machine-learning-based CA models (LR, ANN and RFA) are built to attest the practicality of the proposed model. In the comparison, the proposed method reaches the highest simulation accuracy and landscape index similarity. The predicted urban expansion results reveal that the economy will continue to be the primary factor in the study area from 2010 to 2030. The proposed model can serve as guidance in urban planning and government decision-making.     

基于元胞自动机模型的土地利用变化模拟——以大连经济技术开发区为例

元胞自动机模型已经成为模拟土地利用变化的重要方法。传统土地模拟方法中侧重于通过分析影响土地利用变化的因素来构建预测模型,较少从土地利用类型变化及其相互作用的空间角度来关注模型构建。本文以1998年、2004年和2009年1:10000土地利用数据,利用Python语言结合GDAL与Numpy类库实现局部土地利用竞争的元胞自动机模型原型开发,并用于模拟大连市经济技术开发区1998-2009年土地利用变化模拟。研究结果:1建立了发掘多地类之间相互作用关系的试验方法,研究适用于具有明确物理意义的多地类元胞自动机模拟模型;2该模型具有好的模拟精度,对建设用地、农用地和林地等3种不同类型用地进行同时模拟,其对应Kappa系数分别为0.762,0.634和0.678;3该模型建立了研究不同种地类协调作用的基本方法,可以用于进一步研究土地利用变化地类之间驱动原理。