CN112487724B - 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 - Google Patents
基于分区和改进cnn-ca模型的城市动态扩张模拟方法 Download PDFInfo
- Publication number
- CN112487724B CN112487724B CN202011461659.9A CN202011461659A CN112487724B CN 112487724 B CN112487724 B CN 112487724B CN 202011461659 A CN202011461659 A CN 202011461659A CN 112487724 B CN112487724 B CN 112487724B
- Authority
- CN
- China
- Prior art keywords
- city
- model
- cell
- expansion
- urban
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于分区和改进CNN‑CA模型的城市动态扩张模拟方法,属于地理信息领域。该方法包括以下步骤:S1:对研究区域进行区域划分;S2:建立改进CNN模型;S3:将改进CNN与CA模型耦合。本发明将一种改进后的深度学习方法与传统CA模型相结合,引入了集成学习的思想,充分考虑了邻域效应,城市扩张模拟精度精度高,为相关领域决策者提供了数据支撑和参考。
Description
技术领域
本发明属于地理信息领域,涉及基于分区和改进CNN-CA模型的城市动态扩张模拟方法。
背景技术
元胞自动机(Cellular Automata,CA)是一种时间、空间、状态都离散,空间相互作用和时间因果关系都为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力。CA的核心问题是获取有效的转换规则。如今有许多城市扩张模拟方法和模型,例如逻辑回归、人工神经网络和随机森林算法等与CA模型耦合。逻辑回归能解释驱动因子对城市扩张模拟的重要性,但处理非线性、复杂的扩张模拟变化时模拟精度较低。人工神经网络在该方面优于逻辑回归,但神经网络属于黑箱模型,具有不可解释性。随机森林算法基于集成学习的思想,与城市扩张模拟应用场景十分契合,能够获得较好的模拟结果,还能度量驱动因子的贡献度。这些算法仅仅通过单一元胞的驱动因子评估得出城市发展适宜性,由于空间异质性的存在,往往模拟精度较低。另一方面,这些方法通常考虑各种驱动因子(地理条件、社会经济因素等)对城市扩张的影响,在邻域效应方面存在一定的缺陷。CA中的邻域效应也只是简单的定量表示。
发明内容
有鉴于此,本发明的目的在于提供一种基于分区和改进CNN-CA模型的城市动态扩张模拟方法。
为达到上述目的,本发明提供如下技术方案:
基于基于分区和改进CNN-CA模型的城市动态扩张模拟方法,该方法包括以下步骤:
S1:对研究区域进行分区;
S2:建立改进CNN模型;
S3:将改进CNN与CA模型耦合。
可选的,所述S1具体为:
S11:在行政区划尺度根据人均GDP、人口密度、第一产业率、第二产业率和第三产业率等基于K-means进行粗分区,得到初步分区结果;
S12:在元胞尺度根据驱动因子基于K-means进行细分区,得到初步分区结果;
S13:统计每个元胞邻域范围内的元胞变化数量得到扩张速率,以此基于K-means进行分区,得到初步分区结果;
S14:将上述分区结果进行叠置分析,得到综合分区结果。
可选的,所述S2具体为:
根据基期年和末期年的土地利用数据得到城市变化数据,与相应的驱动因子数据构建统一的数据集。以每个元胞为中心,提取邻域范围为20×20的图片,并进行随机分层抽样。将抽样后的数据集输入CNN模型训练并调优。在训练好后的CNN模型架构中用XGboost取代softmax分类器,最终得到城市发展适宜性。
可选的,所述S3具体为:
CA模型中每个元胞的总体转换概率由四个部分组成:城市发展适宜性Ps、邻域效应Ω与约束条件Pc和随机因子RA;城市发展适宜性通过改进CNN模型计算得到;邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用;具体表现为中心元胞n×n邻域范围内城市元胞的密度;元胞i在时刻t的邻域效应表示为:
限制因素约束了特殊土地利用类型向城市的转换;限制因素表示为:
其中当元胞i在时刻t满足扩张约束条件时,con()取值为1,否则取值为0;RA为0-1之间的随机数。元胞i在时刻t的总体转换概率表示为:
在每次迭代中计算每个元胞的总体转换概率,并根据概率值选择最大的前N个非城市元胞进行转换。根据基期年和末期年的土地利用变化数据得到城市扩张量M,模型迭代次数则为即达到实际城市扩张量时模型停止模拟,输出模拟结果。
本发明的有益效果在于:首先在大尺度上对研究区域进行粗分区,在元胞尺度上根据相应的驱动因子进行细分区。考虑到元胞邻域范围内的变化程度,再在元胞尺度根据发展速率进行细分区。将不同分区结果进行叠置分析得到综合分区结果,使子区域内具有相似的空间属性与非空间属性,解决空间异质性问题。通过CNN提取深层次的邻域特征,并使用基于集成学习的XGboost代替softmax分类器,提高模型的模拟精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为改进CNN-CA模型结构;
图2为分区流程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
1基于分区和改进CNN-CA模型的城市动态扩张模拟方法
本发明提出的模型由分区处理与改进CNN-CA模型组成。
分区流程如图1所示。具体过程如下:(1)在行政区划尺度根据人均GDP、人口密度、第一产业率、第二产业率和第三产业率等基于K-means进行粗分区,得到初步分区结果;(2)在元胞尺度根据驱动因子基于K-means进行细分区,得到初步分区结果;(3)统计每个元胞邻域范围内的元胞变化数量得到扩张速率,以此基于K-means进行分区,得到初步分区结果;(4)将上述分区结果进行叠置分析,得到综合分区结果。在各个子区域内分别构建改进CNN-CA模型。
改进CNN-CA模型结构如图2所示。具体过程如下:
根据基期年和末期年的土地利用数据得到城市变化数据,与相应的驱动因子数据构建统一的数据集。以每个元胞为中心,提取邻域范围为20×20的图片,并进行随机分层抽样。将抽样后的数据集输入CNN模型训练并调优。在训练好后的CNN模型架构中用XGboost取代softmax分类器,最终得到城市发展适宜性。
CA模型中每个元胞的总体转换概率由四个部分组成:城市发展适宜性Ps、邻域效应Ω与约束条件Pc和随机因子RA;城市发展适宜性通过改进CNN模型计算得到;邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用;具体表现为中心元胞n×n邻域范围内城市元胞的密度;元胞i在时刻t的邻域效应表示为:
限制因素约束了特殊土地利用类型向城市的转换;限制因素表示为:
其中当元胞i在时刻t满足扩张约束条件时,con()取值为1,否则取值为0;RA为0-1之间的随机数。元胞i在时刻t的总体转换概率表示为:
在每次迭代中计算每个元胞的总体转换概率,并根据概率值选择最大的前N个非城市元胞进行转换。根据基期年和末期年的土地利用变化数据得到城市扩张量M,模型迭代次数则为即达到实际城市扩张量时模型停止模拟,输出模拟结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于分区和改进CNN-CA模型的城市动态扩张模拟方法,其特征在于:该方法包括以下步骤:
S1:对研究区域进行分区;
S2:建立改进CNN模型;
S3:将改进CNN与CA模型耦合;
所述S1具体为:
S11:在行政区划尺度根据人均GDP、人口密度、第一产业率、第二产业率和第三产业率基于K-means进行粗分区,得到初步分区结果;
S12:在元胞尺度根据驱动因子基于K-means进行细分区,得到初步分区结果;
S13:统计每个元胞邻域范围内的元胞变化数量得到扩张速率,以此基于K-means进行分区,得到初步分区结果;
S14:将上述分区结果进行叠置分析,得到综合分区结果;
所述S2具体为:
根据基期年和末期年的土地利用数据得到城市变化数据,与相应的驱动因子数据构建统一的数据集;以每个元胞为中心,提取邻域范围为20×20的图片,并进行随机分层抽样;将抽样后的数据集输入CNN模型训练并调优;在训练好后的CNN模型架构中用XGboost取代softmax分类器,最终得到城市发展适宜性;
所述S3具体为:
CA模型中每个元胞的总体转换概率由四个部分组成:城市发展适宜性Ps、邻域效应Ω与约束条件Pc和随机因子RA;城市发展适宜性通过改进CNN模型计算得到;邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用;具体表现为中心元胞n×n邻域范围内城市元胞的密度;元胞i在时刻t的邻域效应表示为:
限制因素约束了特殊土地利用类型向城市的转换;限制因素表示为:
其中当元胞i在时刻t满足扩张约束条件时,con()取值为1,否则取值为0;RA为0-1之间的随机数;元胞i在时刻t的总体转换概率表示为:
在每次迭代中计算每个元胞的总体转换概率,并根据概率值选择最大的前N个非城市元胞进行转换;根据基期年和末期年的土地利用变化数据得到城市扩张量M,模型迭代次数则为即达到实际城市扩张量时模型停止模拟,输出模拟结果;
其中,改进CNN-CA模型由改进CNN模型与CA模型组成;
改进CNN模型为:将基期年土地利用数据和末期年土地利用数据经过用地变化检测得到城市用地变化数据,然后通过该数据与对应的驱动因子数据进行训练得到CNN模型与XGBoost模型,再将CNN模型中传统的softmax分类器替换为XGBoost模型,得到每个非城市元胞的转换概率,作为CA模型中城市发展适宜性;
CA模型为:由邻域效应、限制因素、随机因子与城市发展适宜性四种因素组成;将上述四种因素相乘得到每个非城市元胞的总体转换概率;在每轮城市扩张迭代过程中,计算每个非城市元胞的总体转换概率,并选择总体转换概率最大的前N个非城市元胞转换为城市元胞,该迭代过程直到非城市元胞转换为城市元胞的数量达到城市扩张量时停止;
CNN模型与CA模型的耦合的具体过程为:首先,以基期年土地利用数据为初始状态,根据基期年和末期年的土地利用变化数据得到城市扩张量;以每个非城市元胞为中心,邻域范围设置为20,对该非城市元胞对应的N个驱动因子数据进行切割得到尺寸大小为20×20×N的图片,并输入到改进CNN模型中,得到每个非城市元胞的城市发展适宜性概率,并与CA模型耦合,计算其邻域效应、限制因素和随机因子,得到每个非城市元胞的总体转换概率;将总体转换概率最大的前N个非城市元胞转换为城市元胞,结束本轮城市扩张迭代过程;然后重新计算剩余每个非城市元胞的总体转换概率,重复上述城市扩张迭代过程,直到转换数量达到城市扩张量时模型停止迭代;最后,通过模型迭代,基期年土地利用数据动态演变为城市扩张模拟结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461659.9A CN112487724B (zh) | 2020-12-11 | 2020-12-11 | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461659.9A CN112487724B (zh) | 2020-12-11 | 2020-12-11 | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487724A CN112487724A (zh) | 2021-03-12 |
CN112487724B true CN112487724B (zh) | 2022-09-23 |
Family
ID=74917411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011461659.9A Active CN112487724B (zh) | 2020-12-11 | 2020-12-11 | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487724B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177354A (zh) * | 2021-04-19 | 2021-07-27 | 重庆邮电大学 | 基于改进ann耦合异步元胞自动机的城市动态扩张模拟方法 |
CN115238572A (zh) * | 2022-06-29 | 2022-10-25 | 北京师范大学 | 一种基于神经网络的城市扩展模拟方法及装置 |
CN116739133B (zh) * | 2023-03-20 | 2024-06-04 | 北京师范大学 | 一种基于自然–社会双驱动分析的区域芦苇ndvi格局模拟预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512759A (zh) * | 2015-12-01 | 2016-04-20 | 武汉大学 | 一种基于生物地理学优化算法的城市ca模型参数优化方法 |
CN108376183A (zh) * | 2017-12-29 | 2018-08-07 | 武汉大学 | 一种基于最大熵原理的城市ca模型构建方法 |
CN110009257A (zh) * | 2019-04-17 | 2019-07-12 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732087A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于gis的神经网络元胞自动机传染病传播模拟分析方法 |
CN106251020A (zh) * | 2016-08-05 | 2016-12-21 | 辜寄蓉 | 基于资源环境承载力的土地利用布局优选方法 |
CN106780089B (zh) * | 2016-12-27 | 2020-10-16 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
CN111339695B (zh) * | 2018-12-18 | 2023-07-25 | 富士通株式会社 | 用于电磁场仿真的装置和方法 |
CN109671003B (zh) * | 2018-12-21 | 2023-04-25 | 南京泛在地理信息产业研究院有限公司 | 一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法 |
US11169532B2 (en) * | 2019-03-26 | 2021-11-09 | Intel Corporation | Computer-assisted (CA)/autonomous driving (AD) vehicle inference model creation |
CN110909924B (zh) * | 2019-11-12 | 2023-05-02 | 同济大学 | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 |
CN110991705B (zh) * | 2019-11-15 | 2023-07-11 | 南方海洋科学与工程广东省实验室(广州) | 一种基于深度学习的城市扩展预测方法及系统 |
CN110991497B (zh) * | 2019-11-15 | 2023-05-02 | 同济大学 | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 |
-
2020
- 2020-12-11 CN CN202011461659.9A patent/CN112487724B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512759A (zh) * | 2015-12-01 | 2016-04-20 | 武汉大学 | 一种基于生物地理学优化算法的城市ca模型参数优化方法 |
CN108376183A (zh) * | 2017-12-29 | 2018-08-07 | 武汉大学 | 一种基于最大熵原理的城市ca模型构建方法 |
CN110009257A (zh) * | 2019-04-17 | 2019-07-12 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
Also Published As
Publication number | Publication date |
---|---|
CN112487724A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487724B (zh) | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 | |
CN111274903B (zh) | 一种基于图卷积神经网络的宫颈细胞图像分类方法 | |
Ghaemi et al. | LaSVM-based big data learning system for dynamic prediction of air pollution in Tehran | |
Yang et al. | Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and Bayesian ridge regression | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
CN113297174B (zh) | 基于深度学习的土地利用变化模拟方法 | |
Karimi et al. | Urban expansion modeling using an enhanced decision tree algorithm | |
CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN113780679A (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
He et al. | Modeling multi-type urban landscape dynamics along the horizontal and vertical dimensions | |
CN116756695B (zh) | 一种融合地理特征和流特征的城市功能协同优化方法 | |
CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN112766240B (zh) | 基于时空关系的残差多图卷积人群分布预测方法及系统 | |
CN109241070B (zh) | 一种基于大数据的气象数据不一致性的时间维度统一方法 | |
Antoni | Urban sprawl modelling: a methodological approach | |
CN110728403B (zh) | 农村中长期电网负荷预测方法 | |
Zhang et al. | Variable stage self-correcting grey clustering model | |
CN112529311A (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
Parchitelli et al. | A pre-process clustering methods for the waste collection problem | |
CN117633140B (zh) | 一种基于大数据云计算技术的城市地质调查方法 | |
CN114781894A (zh) | 基于置信图卷积网络的交通资源分配方法、系统及介质 | |
CN116721302B (zh) | 一种基于轻量级网络的冰雪晶粒子图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |