CN113515798A - 一种城市三维空间扩张模拟方法及装置 - Google Patents
一种城市三维空间扩张模拟方法及装置 Download PDFInfo
- Publication number
- CN113515798A CN113515798A CN202110757436.5A CN202110757436A CN113515798A CN 113515798 A CN113515798 A CN 113515798A CN 202110757436 A CN202110757436 A CN 202110757436A CN 113515798 A CN113515798 A CN 113515798A
- Authority
- CN
- China
- Prior art keywords
- pixel
- land
- data
- type
- land utilization
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011161 development Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Civil Engineering (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种城市三维空间扩张模拟方法及装置，所述方法基于已训练的发展概率预测模型对模拟区域内各类土地利用类型在所有像元上的发展概率进行预测，然后根据各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型，继而在像元经过模拟后的土地类型为城市用地时，通过已训练的建筑物高度模型对像元上的建筑物高度进行预测。通过实施本发明能够提高城市扩张模拟的准确性。
Description
技术邻域
本发明涉及计算机技术邻域，尤其涉及一种城市三维空间扩张模拟方法及装置。
背景技术
随着城市化进程的加快，城市面临着经济发展和人口增长对城市空间需求的巨大压力。早期通过在二维空间开发低层建筑来进行城市扩张，一直以来被认为对自然环境有害，造成土地资源紧缺，对城市空间利用的效率低下。近些年来城市垂直空间的扩张得到加强，许多城市已进入垂直空间开发阶段。通过挖掘使用城市垂直空间，能提高城市内部的土地利用效率，缓解城市发展过程中的用地压力。此外，随着城市空间发展从二维过渡到三维，对城市的空间形态、结构、功能及过程变得更加复杂化。仅从二维视角分析城市在水平方向上的扩张，则不能而更准确、更完整地认识城市空间扩张的过程和规律。现有技术在城市二维空间模拟方法上比较丰富，且实际应用较多，但仅仅只能在二维平面上对城市土地利用变化进行模拟，忽视了城市建筑高度及三维空间容量对城市立体空间扩张的影响，因此对于城市扩张的模拟不够准确。
发明内容
本发明实施例提供一种城市三维空间扩张模拟方法及装置，能提高城市扩张模拟的准确性。
本发明一实施例提供了一种城市三维空间扩张模拟方法，包括：获取模拟区域的土地利用数据、模拟区域中每一像元所对应影响土地利用变化的驱动力因子数据以及模拟区域中每一像元所对应影响建筑物高度变化的空间因素数据；
将所述土地利用数据以及所述驱动力因子数据输入至已训练的发展概率预测模型中，以使所述发展概率预测模型预测出各土地利用类型在所述模拟区域的每一像元中的发展概率；
对所述模拟区域内的所有像元进行迭代计算，预测每一所述像元经过模拟后的土地利用类型并在模拟后的土地类型为城市用地时，将所述空间因素数据输入到已训练的建筑物高度预测模型中，以使所述建筑物高度预测模型对像元上的建筑物的高度进行预测；其中，预测每一所述像元经过模拟后的土地利用类型具体包括：对所述模拟区域进行邻域划分，根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，继而根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型；
在所述模拟区域内的所有像元迭代完毕后，获得所述模拟区域的城市三维空间扩张模拟结果。
进一步的，所述根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元中的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各类土地利用类型在每一像元上的总分布概率，具体包括：
将所述每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元中的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数相乘，获得各类土地利用类型在每一像元上的总分布概率。
进一步的，所述根据各类土地利用类型在每一像元上的总分布概率，确定每一像元模拟后的土地利用类型，具体包括：
根据各类土地利用类型在每一像元上的总分布概率构成轮盘，通过轮盘赌选择算法确定每一像元模拟后的土地利用类型。
进一步的，所述发展概率预测模型的构建方法，具体包括：
获取所述模拟区域的历史土地利用数据以及所述驱动力因子数据；
对所述历史土地利用数据以及所述驱动因子进行采样，获得采样数据；
将所述采样数据输入到神经网络模型中进行训练，获得所述发展概率预测模型。
进一步的，所述建筑物高度预测模型的构建方法，具体包括：
获取所述模拟区域的历史建筑物高度数据以及所述空间因素数据；
对所述历史建筑物高度数据以及所述空间因素数据进行采样，获得第二采样数据；
根据所述第二采样数据通过随机森林回归算法进行模型训练，获得所述建筑物高度预测模型。
进一步的，通过均匀采样或分层采样对所述历史土地利用数据以及所述驱动因子进行采样，获得所述采样数据。
进一步的，在将所述采样数据输入到神经网络模型中进行训练之前，还包括：对所述采样数据进行归一化处理。
进一步的，通过随机采样或分层采样对所述历史建筑物高度数据以及所述空间因素数据进行采样，获得第二采样数据。
进一步的，所述根据所述第二采样数据通过随机森林回归算法进行模型训练，获得所述建筑物高度预测模型，具体包括：
根据所述第二采样数据生成随机向量序列；
根据所述第二采样数据中的每一子样本以及所述随机向量序列，分别构建每一子样本的回归树模型；
根据每一子样本的回归树模型组合成初始随机森林回归模型，继而对所述初始随机森林回归模型进行训练，获得所述建筑物高度预测模型。
在上述方法项实施例的基础上，本发明对应提供了一装置项实施例；
本发明一实施例提供了一种城市三维空间扩张模拟装置，包括数据获取模块，发发展概率预测模块、像元迭代计算模块以及模拟结果生成模块；
所述数据获取模块，用于获取模拟区域的土地利用数据、模拟区域中每一像元所对应影响土地利用变化的驱动力因子数据以及模拟区域中每一像元所对应影响建筑物高度变化的空间因素数据；
所述发展概率预测模块，用于将所述土地利用数据以及所述驱动力因子数据输入至已训练的发展概率预测模型中，以使所述发展概率预测模型预测出各土地利用类型在所述模拟区域的每一像元中的发展概率；
所述像元迭代计算模块，用于对所述模拟区域内的所有像元进行迭代计算，预测每一所述像元经过模拟后的土地利用类型并在模拟后的土地类型为城市用地时，将所述空间因素数据输入到已训练的建筑物高度预测模型中，以使所述建筑物高度预测模型对像元上的建筑物的高度进行预测；其中，预测每一所述像元经过模拟后的土地利用类型具体包括：对所述模拟区域进行邻域划分，根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，继而根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型；
所述模拟结果生成模块，用于在所述模拟区域内的所有像元迭代完毕后，获得所述模拟区域的城市三维空间扩张模拟结果。
通过实施本发明实施例具有如下有益效果：
本发明实施例提供了一种城市三维空间扩张模拟方法及装置，所述方法基于已训练的发展概率预测模型对模拟区域内各土地利用类型在所有像元上的发展概率进行预测，然后根据各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型，继而在像元经过模拟后的土地类型为城市用地时，通过已训练的建筑物高度模型对像元上建筑物的建筑物高度进行预测。与现有技术相比，在水平方向对每个像元的土地利用类型进行模拟预测之后，还对归属于城市用地的像元上的建筑物的高度进行了预测，实现了对城市扩张在水平方向和竖直方向上的模拟预测，使得对城市扩张的模拟更加的准确。
附图说明
图1是本发明一实施例提供的一种城市三维空间扩张模拟方法的流程示意图。
图2是本发明一实施例提供的一种城市三维空间扩张模拟装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本邻域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明一实施例提供了一种城市三维空间扩张模拟方法，至少包括如下步骤：
步骤S101:获取模拟区域的土地利用数据、模拟区域中每一像元所对应影响土地利用变化的驱动力因子数据以及模拟区域中每一像元所对应影响建筑物高度变化的空间因素数据。
步骤S102：将所述土地利用数据以及所述驱动力因子数据输入至已训练的发展概率预测模型中，以使所述发展概率预测模型预测出各土地利用类型在所述模拟区域的每一像元中的发展概率。
步骤S103：对所述模拟区域内的所有像元进行迭代计算，预测每一所述像元经过模拟后的土地利用类型并在模拟后的土地类型为城市用地时，将所述空间因素数据输入到已训练的建筑物高度预测模型中，以使所述建筑物高度预测模型对像元上的建筑物的高度进行预测；其中，预测每一所述像元经过模拟后的土地利用类型具体包括：对所述模拟区域进行邻域划分，根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各类土地利用类型在每一像元上的总分布概率，继而根据各类土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型。
步骤S104：在所述模拟区域内的所有像元迭代完毕后，获得所述模拟区域的城市三维空间扩张模拟结果。
对于步骤S101:通过对模拟区域的高分遥感影像进行预处理解译，获得模拟区域的土地利用数据；可以理解的土地利用数据包括土地利用类型以及各土地利用类型的面积，在本发明中土地利用类型，非建设用地、公共管理服务用地、商业用地、居住用地以及工业用地，其中，公共管理服务用地、商业用地、居住用地以及工业用地均归为本发明所定义的城市用地：当然具体城市用地的分类可以根据实际情况进行确定。
对于每一像元所对应的影响土地利用变化的驱动力因子数据，优选的在本发明中选取如下数据作为上述驱动力因子数据：模拟区域的地形数据(DEM、坡度)、像元到城市中心的距离、像元到区县中心的距离、像元到铁路的距离、像元到高速公路的距离、像元到国道的距离、像元到省道的距离、像元到火车站的距离、像元到地铁站的距离、像元到海洋的距离、像元到湖泊的距离、像元到河流的距离、模拟区域的城市路网密度、模拟区域的人口密度、模拟区域的PM2.5和模拟区域的GDP。当然具体的驱动力因子数据，可以根据实际情况进行选定。
对于每一像元所对应的影响建筑物高度变化的空间因素数据，优选的在本发明中选取如下数据作为上述空间因素数据：模拟区域的地形数据(DEM、坡度)、像元到公园绿地的距离、像元至水体的距离、模拟区域的房价、模拟区域的娱乐设施分布密度、模拟区域的超市分布密度、模拟区域的餐饮分布密度、模拟区域的工厂分布密度、模拟区域的商场分布密度、模拟区域的人口密度、模拟区域的医院分布密度、、模拟区域的公交站点分布密度、模拟区域的夜间灯光强度、像元到城市中心的距离、像元到区县中心的距离以及像元到城市道路的距离。当然具体的空间因素数据，可以根据实际情况进行选定。
对于步骤S102，首先对上述发展概率预测模型进行说明，在一个优选的实施例中，所述发展概率预测模型的构建方法，具体包括：获取所述模拟区域的历史土地利用数据以及所述驱动力因子数据；对所述历史土地利用数据以及所述驱动因子进行采样，获得采样数据；将所述采样数据输入到神经网络模型中进行训练，获得所述发展概率预测模型。优选的，通过均匀采样或分层采样对所述历史土地利用数据以及所述驱动因子进行采样，获得所述采样数据。优选的在将所述采样数据输入到神经网络模型中进行训练之前，还包括：对所述采样数据进行归一化处理。
为更好的说明发展概率预测模型的具体构建过程，以下列举实际示例进行进一步阐释：
以广东省深圳市所在的区域作为模拟区域，通过Landsat影像解译生成，深圳市2009年和2014年土地利用数据，并划分为非建设用地、公共管理服务用地、商业用地、居住用地和工业用地；其中，公共管理服务用地、商业用地、居住用地和工业用地均归为城市用地，2009年土地利用数据作为本发明上述历史土地利用数据，2014年土地利用数据作为验证数据。通过在地图软件上进行爬虫获取深圳市2009年和2014年的建筑物高度数据，将深圳市2009年的建筑物高度数据作为本发明的历史建筑物高度数据，将2014年的建筑物高度数据作为验证数据(这两个数据的具体用处，将在后文进行阐释)。所有的区域数据文件都要被统一成同尺度的栅格影像以方便进行像元尺度上的同质分析。紧接着选取上文所述的驱动力因子数据作为对深圳市进行城市扩张模拟时的驱动力因子数据；
在数据获取完毕后，在深圳市2009年土地利用数据和驱动力因子数据上进行随机点采样。根据深圳市2009年土地利用数据的特点选择采样方式，方法提供两种采样方式：1、均匀采样策略；2、分层采样策略。均匀采样策略使得各类土地利用类型的采样点一致，适用于不同土地利用类型面积差异较大的区域；分层采样法使得各类土地利用类型的采样点占总采样点的比例与各类初始土地利用类型与区域面积的比例一致，计算量较小，适合较大尺度区域采样。
示意性的，在本发明实施例中使用分层采样策略，使得各类土地利用类型的采样点与其土地利用类型面积所占比例一致，用采样点提取深圳市2009年土地利用数据和上述驱动力因子数据，从数据集中抽取10％作为采样点，通过采样点抽取驱动力因子以及其采样点对应的土地利用类型，生成上述采样数据。采样数据公式表示为：
X(l)＝[lucc(l)，x1(l)，x2(l)，x3(l)，...，xw(l)，...，xm(l)]T；
其中lucc(l)表示第l个采样点的土地利用类型；Xw(l)表示第l个采样点上的第w个驱动力因子，T为转置。
紧接着对采样数据进行归一化处理，统一各个变量的量纲。归一化公式表示为：
其中maxw和minw分别是第w个驱动力因子的最大和最小值，m为驱动因子的个数。
采样数据归一化完毕之后，采用神经网络模型对归一后的采样数据进行训练，使得模型能达到更快的训练速度和训练精度。神经网络模型的公式如下：
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、[1，1.1]。
在本发明中，上述神经网络的输入层接收到驱动力因子数据后，将它们输出到隐藏层。本发明实施例中设隐藏层数为h＝12，隐藏层第v个神经元所收到的信号公式为：
其中netv(l)为隐藏层第v个神经元所收到的信号；ω(w，v)为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值；隐藏层netv(l)对接收到的信号进行处理，然后将处理结果sig modv输出至输出层。处理数据的函数通常为sig mod函数：
隐藏层输出函数与输出层输出函数间也有权值一一对应，输出层数数目u与本发明模拟的土地利用类别相等，土地利用类型共有5类即u＝5，假设在第q个输出层中，那么输出层的数据处理函数为：
netq(l)为输出层第q个神经元所收到的信号；θ(v，q)是隐藏层和输出层之间的权重参数，输出层接收到信号之后，会对这些信号产生响应，该响应值通过下式生成分布概率p(l，q)：
在本发明中p(l，q)为采样点训练神经网络的输出。网络训练完毕后，将所有土地利用变化驱动因子图层叠加并全图输入训练好的神经网络，将p(l，q)中的l转化成为像元的坐标(i，j)，得到如下公式：
其中p(i，j，q)为神经网络输出的第(i，j)个像元上第q种用地类型的发展概率。
神经网络训练完成后，获得本发明上述发展概率预测模型，然后将深圳市当前的土地利用数据(即本发明上述模拟区域的土地利用数据)以及驱动力因子数据输入至训练好的发展概率预测模型中，预测出各土地利用类型在上述模拟区域的每一像元上的发展概率。
优选的在模型训练完毕后，还可采用深圳市2014年的土地利用数据对模型进行验证，若验证不通过，则调整网络参数重新进行训练。
对于步骤S103；首先对建筑物高度预测模型进行说明，在一个优选的实施例中，所述建筑物高度预测模型的构建方法，具体包括：获取所述模拟区域的历史建筑物高度数据以及所述空间因素数据；对所述历史建筑物高度数据以及所述空间因素数据进行采样，获得第二采样数据；根据所述第二采样数据通过随机森林回归算法进行模型训练，获得所述建筑物高度预测模型。优选的，通过随机采样或分层采样对所述历史建筑物高度数据以及所述空间因素数据进行采样，获得第二采样数据。优选的，所述根据所述第二采样数据通过随机森林回归算法进行模型训练，获得所述建筑物高度预测模型，具体包括：根据所述第二采样数据生成随机向量序列；根据所述第二采样数据中的每一子样本以及所述随机向量序列，分别构建每一子样本的回归树模型；根据每一子样本的回归树模型组合成初始随机森林回归模型，继而对所述初始随机森林回归模型进行训练，获得所述建筑物高度预测模型。
依旧以深圳市为模拟区域为例，通过上文所描述的方法获取深圳市2009年的建筑物高度数据作为本发明的历史建筑物高度数据并结合上文所获取的空间因素数据，作为训练建筑物高度预测模型的基础数据。
在深圳市2009年的建筑物高度数据与上述空间因素数据上进行随机点采样，获得建筑物高度的采样数据(即本发明上述第二采样数据)；根据建筑物高度分布数据的特点选择采样方式，方法提供两种采样方式：1、随机采样策略；2、分层采样策略。
示意性的，在本发明中使用随机采样策略，用采样点提取深圳市2009年的建筑物高度数据与上述空间因素数据，从数据集中抽取20％作为采样点，采样后的样本公式表示为：
S(l)＝[bh(l)，s1(l)，s2(l)，s3(l)，...，sw(l)，...，sm(l)]T；
其中bh(l)表示第l个采样点的建筑物高度；Sw(l)表示第l个采样点上的第w个空间因素，T为转置。
紧接着根据样本数据集S(l)生成随机向量序列θi(i＝1，2，...，k)；
然后采用Bootstrap抽样方法从数据集S(l)中有放回地随机抽取k个子样本集，所有子样本集表示为Si(i＝1，2，...，k)；之后，假定子样本集相互独立分布，对每一个子样本集Si分别构建回归树模型{h(X，θi)}；
最后，由多个回归树组合{h(X，θ1)，h(X，θ2)，...，h(X，θk)，}构成随机森林回归模型，模型的结果是所有决策树，h(X，θ2)回归结果的平均值，公式表示为：
其中；H(X)表示随机森林回归模型的预测值，{h(X，θi)}表示第i个回归树模型的回归结果值。
在本发明实施例中使用常用的精度评价指标检验随机森林回归对建筑物高度预测的精度，主要的评价指标为：拟合优度(决定系数，R2)、均方根误差(RMSE)、平均绝对误差(MAE)、解释方差得分(EV)。公式表示为：
其中FARt，i和FARp，i分别为第i个建筑单元的实际容积率和预测容积率；
为所有建筑单元实际容积率的平均值，等于
n为所有建筑单元的数量；Var{FARt，i-FARp，i}和Var{FARt，i}分别为FARt，i-FARp，i和FARt，i的方差。R2的取值范围为[0，1]，值越大，回归拟合效果越好。RMSE和MAE的取值范围都为[0，+∞]，值越小，回归拟合效果更好。EV用于解释因变量的方差变化，值越大说明回归拟合效果越好。
在本发明实施例中，R2为0.8628，RMSE为2.0180，MAE为1.3707，EV为0.8632。结果表明随机森林回归的拟合效果较好。
在高度预测模型构建完毕后，开始对模拟区域内所有像元进行迭代计算，预测每一像元经过模拟后的土地利用类型；在一个优选的实施例中，所述根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元中的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各类土地利用类型在每一像元上的总分布概率，具体包括：将所述每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元中的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数相乘，获得各类土地利用类型在每一像元上的总分布概率。优选的，所述根据各类土地利用类型在每一像元上的总分布概率，确定每一像元模拟后的土地利用类型，具体包括：根据各类土地利用类型在每一像元上的总分布概率构成轮盘，通过轮盘赌选择算法确定每一像元经过模拟后的土地利用类型。
具体的，在迭代前提前预设好邻域大小、各土地利用类型间的转换矩阵以及各土地类型的惯性系数。
示意性的在本发明实施例中的深圳市影像像元为30m，因而邻域范围选择7×7摩尔邻域。本发明实施例模拟的时长为：5年。迭代次数设为100次。
迭代模拟区域当前土地利用数据的所有像元，计算每一像元所在邻域内包含的各土地利用类型在邻域内所占的比例(即上述每一像元所在的邻域内各土地利用类型的占比)，并与步骤S102中所得出的各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵和各土地类型的惯性系数共同组成该像元上各类土地利用类型的总分布概率。
本发明实施例中，通过邻域大小构建一个扫描窗口，然后统计扫描窗口内的各类像元的数量，进而来衡量每一像元所在的邻域内各土地利用类型的占比，具体公式如下：
其中
为t第次迭代时，在第i行、第j列的像元为中心的n*n邻域内第q类土地利用类型的占比，con为条件函数，Sk表示邻域内的当前被扫描的像元，该像元属于第k种土地利用类型；con(Sk＝q)表示检测邻域内的当前土地利用像元类型是否为第q类；ωk为不同土地利用类型的预设的权重；则构成轮盘赌的各类土地利用类型在每一像元上的总分布概率的公式为：
其中
表示第t第次迭代时，第q类土地类型在第(i，j)个像元上的总分布概率，p(i，j，q)为由发展概率预测模型所输出的第q类土地类型在第(i，j)个像元中的发展概率，C(i’，j’)表示转换限制矩阵，i’，j’表示转换限制矩阵的坐标，
表示在第t次迭代时，第q类土地类型的惯性系数。
然后，该像元上的各类土地利用类型的总分布概率构成轮盘，通过轮盘赌选择，使区域内各种土地利用类型在像元上竞争，竞争获胜的土地利用类型占据该像元，作为该像元经过模拟后的土地利用类型；若像元上竞争获胜的土地利用类型为城市用地类型，使用上述的建筑物高度预测模型对该像元上的建筑物高度进行预测；否则，不需要进行预测。
在本发明实施例中，建筑物高度预测的公式可以表示为：
其中bhi，j表示当第(i，j)个像元经过模拟后的土地利用类型为城市用地时，第(i，j)个像元上建筑物的预测高度，RFregression()为上述建筑物高度预测模型，
为第(i，j)个像元上第w个空间因素。
对于步骤S104，在迭代完影像中的全部有效像元，后获得城市三维空间扩张模拟结果并输出。
通过本发明上述各实施例所述的城市三维空间扩张模拟方法，能够对模拟区域的水平方向和竖直方向的城市扩张进行模拟，提高了模拟结果的准确性。
在上述方法项实施例的基础上，本发明对应提供了装置项实施例；
如图2所示，本发明一实施例提供了一种城市三维空间扩张模拟装置，包括数据获取模块，发展概率预测模块、像元迭代计算模块以及模拟结果生成模块；
所述数据获取模块，用于获取模拟区域的土地利用数据、模拟区域中每一像元所对应影响土地利用变化的驱动力因子数据以及模拟区域中每一像元所对应影响建筑物高度变化的空间因素数据；
所述发展概率预测模块，用于将所述土地利用数据以及所述驱动力因子数据输入至已训练的发展概率预测模型中，以使所述发展概率预测模型预测出各土地利用类型在所述模拟区域的每一像元中的发展概率；
所述像元迭代计算模块，用于对所述模拟区域内的所有像元进行迭代计算，预测每一所述像元经过模拟后的土地利用类型并在模拟后的土地类型为城市用地时，将所述空间因素数据输入到已训练的建筑物高度预测模型中，以使所述建筑物高度预测模型对像元上的建筑物的高度进行预测；其中，预测每一所述像元经过模拟后的土地利用类型具体包括：对所述模拟区域进行邻域划分，根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，继而根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型；
所述模拟结果生成模块，用于在所述模拟区域内的所有像元迭代完毕后，获得所述模拟区域的城市三维空间扩张模拟结果。
需说明的是，本发明上述装置项实施例是与本发明方法项实施例对应的，其能够实现本发明上述任意一项所述的城市三维空间扩张模拟方法。另，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本邻域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术邻域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种城市三维空间扩张模拟方法，其特征在于，包括：
获取模拟区域的土地利用数据、模拟区域中每一像元所对应的影响土地利用变化的驱动力因子数据以及模拟区域中每一像元所对应的影响建筑物高度变化的空间因素数据；
将所述土地利用数据以及所述驱动力因子数据输入至已训练的发展概率预测模型中，以使所述发展概率预测模型预测出各土地利用类型在所述模拟区域的每一像元中的发展概率；
对所述模拟区域内的所有像元进行迭代计算，预测每一所述像元经过模拟后的土地利用类型并在模拟后的土地类型为城市用地时，将所述空间因素数据输入到已训练的建筑物高度预测模型中，以使所述建筑物高度预测模型对像元上的建筑物的高度进行预测；其中，预测每一所述像元经过模拟后的土地利用类型具体包括：对所述模拟区域进行邻域划分，根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，继而根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型；
在所述模拟区域内的所有像元迭代完毕后，获得所述模拟区域的城市三维空间扩张模拟结果。
2.如权利要求1所述的城市三维空间扩张模拟方法，其特征在于，所述根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元中的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各类土地利用类型在每一像元上的总分布概率，具体包括：
将所述每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元中的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数相乘，获得各类土地利用类型在每一像元上的总分布概率。
3.如权利要求2所述的城市三维空间扩张模拟方法，其特征在于，所述根据各类土地利用类型在每一像元上的总分布概率，确定每一像元模拟后的土地利用类型，具体包括：
根据各类土地利用类型在每一像元上的总分布概率构成轮盘，通过轮盘赌选择算法确定每一像元经过模拟后的土地利用类型。
4.如权利要求3所述的城市三维空间扩张模拟方法，其特征在于，所述发展概率预测模型的构建方法，具体包括：
获取所述模拟区域的历史土地利用数据以及所述驱动力因子数据；
对所述历史土地利用数据以及所述驱动因子进行采样，获得采样数据；
将所述采样数据输入到神经网络模型中进行训练，获得所述发展概率预测模型。
5.如权利要求4所述的城市三维空间扩张模拟方法，其特征在于，所述建筑物高度预测模型的构建方法，具体包括：
获取所述模拟区域的历史建筑物高度数据以及所述空间因素数据；
对所述历史建筑物高度数据以及所述空间因素数据进行采样，获得第二采样数据；
根据所述第二采样数据通过随机森林回归算法进行模型训练，获得所述建筑物高度预测模型。
6.如权利要求5所述的城市三维空间扩张模拟方法，其特征在于，通过均匀采样或分层采样对所述历史土地利用数据以及所述驱动因子进行采样，获得所述采样数据。
7.如权利要求6所述的城市三维空间扩张模拟方法，其特征在于，在将所述采样数据输入到神经网络模型中进行训练之前，还包括：对所述采样数据进行归一化处理。
8.如权利要求7所述的城市三维空间扩张模拟方法，其特征在于，通过随机采样或分层采样对所述历史建筑物高度数据以及所述空间因素数据进行采样，获得第二采样数据。
9.如权利要求8所述的城市三维空间扩张模拟方法，其特征在于，所述根据所述第二采样数据通过随机森林回归算法进行模型训练，获得所述建筑物高度预测模型，具体包括：
根据所述第二采样数据生成随机向量序列；
根据所述第二采样数据中的每一子样本以及所述随机向量序列，分别构建每一子样本的回归树模型；
根据每一子样本的回归树模型组合成初始随机森林回归模型，继而对所述初始随机森林回归模型进行训练，获得所述建筑物高度预测模型。
10.一种城市三维空间扩张模拟装置，其特征在于，包括数据获取模块，发展概率预测模块、像元迭代计算模块以及模拟结果生成模块；
所述数据获取模块，用于获取模拟区域的土地利用数据、模拟区域中每一像元所对应影响土地利用变化的驱动力因子数据以及模拟区域中每一像元所对应影响建筑物高度变化的空间因素数据；
所述发展概率预测模块，用于将所述土地利用数据以及所述驱动力因子数据输入至已训练的发展概率预测模型中，以使所述发展概率预测模型预测出各土地利用类型在所述模拟区域的每一像元中的发展概率；
所述像元迭代计算模块，用于对所述模拟区域内的所有像元进行迭代计算，预测每一所述像元经过模拟后的土地利用类型并在模拟后的土地类型为城市用地时，将所述空间因素数据输入到已训练的建筑物高度预测模型中，以使所述建筑物高度预测模型对像元上的建筑物的高度进行预测；其中，预测每一所述像元经过模拟后的土地利用类型具体包括：对所述模拟区域进行邻域划分，根据每一像元所在的邻域内各土地利用类型的占比、各土地利用类型在每一像元上的发展概率、各土地利用类型间的转换矩阵以及各土地类型的惯性系数，计算各土地利用类型在每一像元上的总分布概率，继而根据各土地利用类型在每一像元上的总分布概率确定每一像元模拟后的土地利用类型；
所述模拟结果生成模块，用于在所述模拟区域内的所有像元迭代完毕后，获得所述模拟区域的城市三维空间扩张模拟结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110757436.5A CN113515798B (zh) | 2021-07-05 | 2021-07-05 | 一种城市三维空间扩张模拟方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110757436.5A CN113515798B (zh) | 2021-07-05 | 2021-07-05 | 一种城市三维空间扩张模拟方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113515798A true CN113515798A (zh) | 2021-10-19 |
| CN113515798B CN113515798B (zh) | 2022-08-12 |
Family
ID=78066551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110757436.5A Active CN113515798B (zh) | 2021-07-05 | 2021-07-05 | 一种城市三维空间扩张模拟方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113515798B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
| CN115859765A (zh) * | 2022-09-29 | 2023-03-28 | 中山大学 | 城市扩张的预测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997011350A2 (en) * | 1995-09-19 | 1997-03-27 | Morphometrix Technologies Inc. | A neural network assisted multi-spectral segmentation system |
| US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
| CN104463971A (zh) * | 2014-09-24 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种用于评价城市绿化三维布局的绿度空间配置曲线构建方法 |
| CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
| CN110059385A (zh) * | 2019-04-09 | 2019-07-26 | 集美大学 | 一种城市元胞自动机情景模拟方法及终端设备 |
| CN110135354A (zh) * | 2019-05-17 | 2019-08-16 | 武汉大势智慧科技有限公司 | 一种基于实景三维模型的变化检测方法 |
-
2021
- 2021-07-05 CN CN202110757436.5A patent/CN113515798B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997011350A2 (en) * | 1995-09-19 | 1997-03-27 | Morphometrix Technologies Inc. | A neural network assisted multi-spectral segmentation system |
| US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
| CN104463971A (zh) * | 2014-09-24 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种用于评价城市绿化三维布局的绿度空间配置曲线构建方法 |
| CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
| CN110059385A (zh) * | 2019-04-09 | 2019-07-26 | 集美大学 | 一种城市元胞自动机情景模拟方法及终端设备 |
| CN110135354A (zh) * | 2019-05-17 | 2019-08-16 | 武汉大势智慧科技有限公司 | 一种基于实景三维模型的变化检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
| CN115859765A (zh) * | 2022-09-29 | 2023-03-28 | 中山大学 | 城市扩张的预测方法、装置、设备及存储介质 |
| CN115859765B (zh) * | 2022-09-29 | 2023-12-08 | 中山大学 | 城市扩张的预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113515798B (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
| CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
| CN105447235B (zh) | 一种土地未来利用情景动态模拟方法 | |
| CN113515798B (zh) | 一种城市三维空间扩张模拟方法及装置 | |
| CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
| CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| CN113222316B (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
| CN110346518B (zh) | 一种交通排放污染可视化预警方法及其系统 | |
| Cheng et al. | Remote sensing and social sensing data fusion for fine-resolution population mapping with a multimodel neural network | |
| CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
| CN115329691B (zh) | 一种基于cfd与gis的超大城市风环境模拟方法 | |
| CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
| CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
| CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
| CN115544706A (zh) | 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法 | |
| CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
| CN110991705B (zh) | 一种基于深度学习的城市扩展预测方法及系统 | |
| CN115728463A (zh) | 一种基于半嵌入式特征选择的可解释性水质预测方法 | |
| CN115329425A (zh) | 一种空气质量驱动下的建筑群体形态优化设计方法及系统 | |
| CN118094471A (zh) | 基于多源数据融合的城市道路提取方法、存储介质、设备 | |
| CN118035777A (zh) | 基于时空图数据的空气污染物浓度预测方法及装置 | |
| Xu et al. | A three-dimensional future land use simulation (FLUS-3D) model for simulating the 3D urban dynamics under the shared socio-economic pathways | |
| CN113191553A (zh) | 基于建筑物尺度的人口空间分布估算方法及系统 | |
| CN117744849A (zh) | 基于混合深度神经网络的pm2.5浓度预测方法、系统及设备 | |
| CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 |
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 |