一種土地未來(lái)利用情景動(dòng)態(tài)模擬方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于地理信息科學(xué)技術(shù)領(lǐng)域，具體設(shè)及一種引入神經(jīng)網(wǎng)絡(luò)模型和輪盤賭競(jìng) 爭(zhēng)模型的±地未來(lái)利用情景動(dòng)態(tài)模擬方法，該方法適合多尺度、多種區(qū)域、多因素與多類別 ±地競(jìng)爭(zhēng)的地理動(dòng)態(tài)模擬。
【背景技術(shù)】
[0002] 在城市±地利用變化模擬中，元胞自動(dòng)機(jī)(CA)模型和CL肥-S模型是±地利用變化 模擬研究中的主流模型。元胞自動(dòng)機(jī)是一種具有很強(qiáng)的空間運(yùn)算能力的時(shí)空離散動(dòng)力學(xué)模 型，在復(fù)雜性科學(xué)中占有重要的地位。經(jīng)常被運(yùn)用于自組織分析過(guò)程。元胞自動(dòng)機(jī)著眼于微 觀，自下而上，充分體現(xiàn)了復(fù)雜系統(tǒng)的個(gè)體與局部的行為會(huì)產(chǎn)生全局有序的模式的理念。元 胞自動(dòng)機(jī)能更準(zhǔn)確、清楚、完整的模擬自然的復(fù)雜現(xiàn)象，模擬出復(fù)雜系統(tǒng)的不可預(yù)測(cè)的行 為，做到方程式模型做不到的模擬效果。能用比數(shù)學(xué)方程更加容易理解的方式模擬不規(guī)則 的復(fù)雜的現(xiàn)象，能用計(jì)算機(jī)進(jìn)行精度無(wú)損的建模，可W模擬任何可能的自然系統(tǒng)行為且不 能再簡(jiǎn)約。
[0003] 地理元胞自動(dòng)機(jī)的網(wǎng)格空間通常為正方形的二維網(wǎng)格，正方形網(wǎng)格直觀簡(jiǎn)便，特 別適合用計(jì)算機(jī)內(nèi)存環(huán)境存儲(chǔ)表達(dá)和編程處理。鄰域是元胞自動(dòng)機(jī)的動(dòng)態(tài)成分，與元胞自 動(dòng)機(jī)的規(guī)則直接相關(guān)。在地理元胞自動(dòng)機(jī)中，鄰域窗口每次迭代都要掃描全圖，得到每個(gè)元 胞自動(dòng)機(jī)的鄰域信息，并根據(jù)鄰域信息和轉(zhuǎn)換規(guī)則刷新元胞狀態(tài)。使得每次迭代都有新的 地理狀態(tài)輸入。一個(gè)元胞下一時(shí)間段的所有可能狀態(tài)與其轉(zhuǎn)換規(guī)則構(gòu)造了一種簡(jiǎn)單的、空 間上離散的微觀局部物理成分，是元胞自動(dòng)機(jī)的規(guī)則，也是元胞自動(dòng)機(jī)的狀態(tài)轉(zhuǎn)移函數(shù)。
[0004] 化肥-S模型是一種在相對(duì)比較小的尺度上模擬±地利用變化及其效應(yīng)的模型，具 有良好的綜合性，化肥-S考慮系統(tǒng)理論、社會(huì)經(jīng)濟(jì)因子、生物因子、物理因子。并將不同的模 型有機(jī)的結(jié)合起來(lái)，使得模型的可信度和解釋能力更強(qiáng)。另外，CLUE-S具有良好的開放性， ±地利用變化的彈性系數(shù)的設(shè)定使得外部的政策因素能融入到模型中，±地需求模塊也可 W用許多數(shù)值預(yù)測(cè)方法來(lái)計(jì)算。使得數(shù)值預(yù)測(cè)模型與化UE-S模型無(wú)縫結(jié)合。CL肥-S通過(guò)從 宏觀總需求向空間像元分配的方式，達(dá)成±地利用變化模擬的空間性特征。CL肥-S模型最 大的優(yōu)勢(shì)是能夠同時(shí)處理多種±地利用類型的競(jìng)爭(zhēng)關(guān)系，并模擬多種±地利用變化同時(shí)進(jìn) 行的情景。將概率最高、最適宜的±地利用類型分配給最合適的像元。
[000引元胞自動(dòng)機(jī)的構(gòu)造相對(duì)比較簡(jiǎn)單，著眼于微觀而對(duì)于宏觀作用缺乏考慮。另外，地 理系統(tǒng)的規(guī)律會(huì)隨著用地類型的單元的大小，地理組團(tuán)的大小表現(xiàn)出地理分異的現(xiàn)象，元 胞自動(dòng)機(jī)難W有一個(gè)統(tǒng)一的空間尺度，難W確定采用多大的像元分辨率會(huì)達(dá)到較高的精 度。元胞自動(dòng)機(jī)的鄰域范圍無(wú)法確定最優(yōu)值，往往根據(jù)專家經(jīng)驗(yàn)設(shè)定，造成模擬結(jié)果受到主 觀因素影響較大。元胞鄰域的選擇也會(huì)對(duì)±地利用變化模擬造成較大的影響。兩期數(shù)據(jù)采 樣的方式也不可避免數(shù)據(jù)之間的誤差向后傳遞。
[0006] 化UE-S模型存在明顯的尺度效應(yīng)的差異，對(duì)于不同尺度，CLUE-S模擬表現(xiàn)會(huì)相差 較大。CLUE-S模型對(duì)縣級(jí)尺度的區(qū)域±地利用變化模擬具有較高的精度，但是當(dāng)尺度進(jìn)一 步減小時(shí)，模型的精度會(huì)明顯降低。CL肥-S模型受制于其人為設(shè)定的參數(shù)，不確定的參數(shù)導(dǎo) 致模擬結(jié)果會(huì)出現(xiàn)一定程度的影響。另外，CLUE-S模型的迭代因子的意義在模型中沒(méi)有現(xiàn) 實(shí)意義。CLUE-S模型依賴參數(shù)較多，外部預(yù)測(cè)模型依賴W及參數(shù)反映靈敏，數(shù)據(jù)的需求較 局。
[0007] 本發(fā)明分析元胞自動(dòng)機(jī)模型和化UE-S模型的優(yōu)勢(shì)和局限，整合兩個(gè)模型的優(yōu)點(diǎn)， 融合兩個(gè)模型優(yōu)勢(shì)，互補(bǔ)兩個(gè)模型間對(duì)應(yīng)的劣勢(shì)，提出一種新的±地利用變化動(dòng)態(tài)模擬模 型。通過(guò)采樣點(diǎn)提取±地利用類別與對(duì)應(yīng)的±地利用驅(qū)動(dòng)力數(shù)據(jù)并用神經(jīng)網(wǎng)絡(luò)算法(ANN) 計(jì)算各類用地的分布概率，并在迭代中引入±地利用類型間的輪盤賭競(jìng)爭(zhēng)來(lái)確定±地利用 類型的最終變化方向，將智能算法與不確定性模型在情景模擬中結(jié)合，實(shí)現(xiàn)多種±地利用 類型變化的同步模擬。運(yùn)些改進(jìn)使得模型產(chǎn)生較少的中間數(shù)據(jù)，元胞的微觀控制和預(yù)設(shè)宏 觀數(shù)量目標(biāo)的結(jié)合使得模型適合各種尺度、多類別、各種分辨率的上地利用變化模擬，并具 有較快的運(yùn)行速度，參數(shù)較少的特點(diǎn)也更適合于實(shí)際應(yīng)用。

【發(fā)明內(nèi)容】

[0008] 由于目前WCA模型和化UE-S模型的主流的±地利用變化模擬模型有一定自身設(shè) 計(jì)上的局限，影響了±地利用變化模擬的精度，本發(fā)明創(chuàng)新性的提出了一種未來(lái)±地利用 情景動(dòng)態(tài)模擬方法，為提高上地利用變化模擬的精度，簡(jiǎn)化模擬所需的數(shù)據(jù)、參數(shù)，提高模 擬的速度提供了較好的解決方案。
[0009] 本發(fā)明的基本內(nèi)容是針對(duì)兩類和多類別±地利用變化模擬問(wèn)題并集成之前模型 的優(yōu)勢(shì)，通過(guò)智能算法與不確定性模型在情景模擬中的結(jié)合，使得方法能更精確的挖掘驅(qū) 動(dòng)力因子與±地利用變化之間的關(guān)系，更真實(shí)的反映±地利用變化過(guò)程，并能更精確的模 擬未來(lái)的±地利用情景。
[0010] 本發(fā)明采用一期數(shù)據(jù)的采樣方式代替元胞自動(dòng)機(jī)常用的兩期采樣模式。運(yùn)使得模 型的數(shù)據(jù)生成量更少，提高速度，節(jié)約內(nèi)存，更適用于實(shí)際應(yīng)用。不但避免了誤差隨著迭代 過(guò)程向后傳遞造成的模擬精度降低。而且增加了方法的開放性，使得方法易于禪合未來(lái)的 驅(qū)動(dòng)力因子。方法采用了±地利用變化機(jī)制和目標(biāo)數(shù)量控制機(jī)制，克服了之前模型中迭代 因子的意義不明確的問(wèn)題，使得與總概率的計(jì)算不受到無(wú)關(guān)變量的干擾，使得模擬結(jié)果更 加可信。
[0011] 為實(shí)現(xiàn)W上發(fā)明目的，采用的技術(shù)方案是：
[0012] -種±地未來(lái)利用情景動(dòng)態(tài)模擬方法，在于構(gòu)建動(dòng)態(tài)模擬模型對(duì)±地未來(lái)利用情 景進(jìn)行模擬，所述動(dòng)態(tài)模擬模型包括分布概率計(jì)算模塊和迭代模擬模塊，所述動(dòng)態(tài)模擬方 法包括W下步驟：
[0013] 分布概率計(jì)算模塊計(jì)算分布概率階段：
[0014] S1.對(duì)初始±地利用分類影像進(jìn)行解譯，獲取初始±地利用數(shù)據(jù);然后選取若干影 響±地利用/±地覆蓋變化的驅(qū)動(dòng)力因子，組成驅(qū)動(dòng)力數(shù)據(jù);根據(jù)規(guī)劃的未來(lái)±地利用面積 數(shù)據(jù)或歷史±地利用面積數(shù)據(jù)外推，確定未來(lái)±地利用變化的需求面積；
[0015] S2.使用初始±地利用分類影像規(guī)定好模擬區(qū)域的范圍與標(biāo)準(zhǔn)柵格影像大小，然 后計(jì)算模擬區(qū)域內(nèi)空間柵格到各個(gè)驅(qū)動(dòng)力因子的距離;生成與標(biāo)準(zhǔn)柵格影像圖幅大小一致 的柵格距離數(shù)據(jù)；
[0016] S3.在驅(qū)動(dòng)力數(shù)據(jù)與初始±地利用數(shù)據(jù)上進(jìn)行隨機(jī)點(diǎn)采樣，獲得采樣數(shù)據(jù)；
[0017] S4.使用采樣數(shù)據(jù)對(duì)參數(shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練；
[0018] S5.將全體驅(qū)動(dòng)力數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算獲得每種±地 利用類型在模擬區(qū)域內(nèi)的分布概率；
[0019] 迭代模擬模塊迭代輸出階段：
[0020] S6 .將S5輸出的分布概率與S1中的初始±地利用數(shù)據(jù)輸入迭代模擬模塊;迭代前 設(shè)定好鄰域大小和轉(zhuǎn)換限制矩陣，并根據(jù)每種±地利用類型的需求面積設(shè)定目標(biāo)像元個(gè) 數(shù)，即未來(lái)各類用地需要達(dá)到的像元數(shù)；
[0021] S7.迭代掃描初始±地利用數(shù)據(jù)的像元，計(jì)算該像元在鄰域內(nèi)包含的±地利用類 型和在鄰域內(nèi)所占的比例，與S5輸出的分布概率、轉(zhuǎn)換限制矩陣共同合成該像元上各類± 地利用類型的總分布概率；
[0022] S8.該像元上的各類±地利用類型的總分布概率構(gòu)成輪盤，通過(guò)采用輪盤賭的方 法，使區(qū)域內(nèi)各種±地利用類型在像元上競(jìng)爭(zhēng)，競(jìng)爭(zhēng)獲勝的±地利用類型占據(jù)該像元；
[0023] S9.轉(zhuǎn)到S7,直至迭代完一幅影像的全部有效像元，然后返回S6刷新初始影像進(jìn)入 下一次迭代，計(jì)算到目標(biāo)像元數(shù)目的差值;到達(dá)迭代次數(shù)R或者達(dá)到目標(biāo)像元數(shù)目后，停止 迭代輸出結(jié)果。
[0024] 優(yōu)選地，所述步驟S2中，采用空間歐式距離公式計(jì)算空間柵格到驅(qū)動(dòng)力因子的距 離：
[0025]
[0026] 其中（xo，yo)表示驅(qū)動(dòng)力因子的坐標(biāo)，（Xn，yn)表示空間柵格的坐標(biāo)，dise表示計(jì)算 到的歐式距離。
[0027] 優(yōu)選地，步驟S3中，采用均勻采樣策略或比例采樣策略對(duì)驅(qū)動(dòng)力數(shù)據(jù)與初始±地 利用數(shù)據(jù)進(jìn)行隨機(jī)點(diǎn)采樣，采樣后的樣本公式表示為：
[002引 X(1) = [X1(1),X2(1)，X3(1)，. . .，Xw(l), . . .，Xm(l)]T
[0029] 其中Xw(l)表示第1個(gè)采樣點(diǎn)抽取的第w個(gè)驅(qū)動(dòng)力因子的變量，Τ為轉(zhuǎn)置。
[0030] 優(yōu)選地，使用采樣數(shù)據(jù)對(duì)輸入?yún)?shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練之前，需要對(duì)采 樣數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理可使用公式表示如下：
[0031]
[003引其中maxw和mi nw分別是第W個(gè)驅(qū)動(dòng)力因子的最大和最小值。
[0033] 優(yōu)選地，所述參數(shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法可表示如下：
[0034]
[0035] 其中ri(n)是第η次迭代的學(xué)習(xí)率，E(n)和E(n-l)是相鄰兩次迭代的神經(jīng)網(wǎng)絡(luò)輸出 的均方根誤差，a，b，c是常數(shù)，取值范圍分別為(1，2)、（0，1)、[1，1.1]。
[0036] 優(yōu)選地，所述參數(shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法包括輸入層、隱藏層和輸出層，步驟S5中， 全體驅(qū)動(dòng)力數(shù)據(jù)通過(guò)輸入層輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，驅(qū)