CN114154886B - 基于延迟通信ca模型的土地变迁模拟方法 - Google Patents
基于延迟通信ca模型的土地变迁模拟方法 Download PDFInfo
- Publication number
- CN114154886B CN114154886B CN202111492063.XA CN202111492063A CN114154886B CN 114154886 B CN114154886 B CN 114154886B CN 202111492063 A CN202111492063 A CN 202111492063A CN 114154886 B CN114154886 B CN 114154886B
- Authority
- CN
- China
- Prior art keywords
- land
- state
- cell
- model
- iteration
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 58
- 238000004088 simulation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007704 transition Effects 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 60
- 230000003111 delayed effect Effects 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 129
- 239000000872 buffer Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 9
- 230000001413 cellular effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 241000023308 Acca Species 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 240000008067 Cucumis sativus Species 0.000 description 2
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/165—Land development
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于延迟通信CA模型的土地变迁模拟方法,包括以下步骤:步骤101,将土地利用数据和驱动力输入至已训练的神经网络ANN模型,获取土地利用数据中各土地单元的土地变化类型的适应性概率。步骤102,进行延迟通信CA模型的迭代,当满足预设条件时停止迭代,输出迭代后的各土地单元的土地类型;所述延迟通信CA模型的细胞是土地单元,细胞的状态是土地单元的土地类型;延迟通信CA模型的细胞独立进行状态的变化,且每个细胞携带其邻居的历史状态缓存;所述延迟通信CA模型的一轮迭代中,基于状态改变函数通过组合适应性概率、惯性系数、邻域影响、转换代价得到组合概率,再通过轮盘选择的方式得到当前迭代后,细胞改变的状态。
Description
技术领域
本发明涉及土地模拟领域,具体涉及一种基于延迟通信CA模型的土地变迁模拟方法。
背景技术
随着中国经济的快速发展,土地面貌正在发生快速的变化,比如随着城市化进程的快速进展,城市不断向周围扩张,将周围的林地、田地逐步转化为城市用地,可使用的土地资源将会越发珍贵。合理的土地规划政策将会影响未来的发展和土地的使用,因此需要一种模型来辅助政策的制定。
当前最常用的土地模拟模型是FLUS模型,该模型是通过神经网络模型ANN和元胞自动机CA相结合的方式来进行未来土地演化的模拟模型的构建。其中ANN主要用于计算像元属于各种土地类型的适应性概率。元胞自动机(CellularAutomata,CA)是一种“自底向上”的地理模拟模型,能够动态地反映出城市系统的复杂结构,在模拟自然系统微观相互作用和正反馈机制方面有着天然的优势,因而被广泛应用于土地利用的模拟与预测中。
现有的相关改进研究主要集中在计算适应性概率的改进上,比如考虑多期的土地利用数据,使用CNN或LSTM等模型替换ANN模型等,还没有针对元胞自动机CA部分的改进。传统的元胞自动机CA模型主要是同步的细胞自动机模型,而在土地实际发展过程中,各种土地并不一定的同时在进行演化的,那么这种延迟可能会对土地的演化造成影响,传统的CA模型是无法考虑到这种延迟的,因此土地模拟预测的准确度不高,不能合理辅助实际的土地规划应用。
发明内容
本发明的目的在于克服现有技术中同步的细胞自动机模型预测的准确度不高的不足,提供一种基于延迟通信CA模型的土地变迁模拟方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于延迟通信CA模型的土地变迁模拟方法,包括以下步骤:
步骤101,将土地利用数据和驱动力输入至已训练的神经网络ANN模型,获取土地利用数据中各土地单元的土地变化类型的适应性概率;所述土地变化类型指土地单元保持某一土地类型或从某一土地类型演化为另一土地类型;
步骤102,进行延迟通信CA模型的迭代,当满足预设条件时停止迭代,输出迭代后的各土地单元的土地类型;
所述延迟通信CA模型的细胞是土地单元,细胞的状态是土地单元的土地类型;延迟通信CA模型的细胞独立进行状态的变化,且每个细胞携带其邻居的历史状态缓存;所述延迟通信CA模型的一轮迭代中,基于状态改变函数通过组合适应性概率、惯性系数、邻域影响、转换代价得到组合概率,再通过轮盘选择的方式得到当前迭代后,细胞改变的状态。
优选地,所述步骤101中的已训练的神经网络ANN模型由两期以上的历史土地利用数据和驱动力对初始的神经网络ANN模型进行训练得到。
优选地,所述神经网络ANN模型包括输入层、一个隐藏层以及输出层;采用softmax函数计算土地变化类型的适应性概率。
优选地,所述神经网络ANN模型输入层输入驱动力,神经网络ANN模型输出层输出土地变化类型的适应性概率,适应性概率的计算公式如下所示:
其中,c表示某个具体的土地单元,xa(c)表示该位置对应的第a个驱动力;b表示隐藏层某个神经元的编号,k表示输出的某一个土地变化类型的编号,w表示层与层之间的权重,hb表示中间层第b个神经元激活前的值,ok表示输出层第k个输出激活前的值,yk表示输出层第k个输出激活后的值,APk(c)表示某个土地单元属于土地变化类型k的适应性概率。
优选地,所述步骤102中延迟通信CA模型的表达方式如下式所示:
其中,表示d维的细胞空间,为各土地单元组成的土地空间;Q表示细胞的状态集合,所述状态为土地单元的土地类型;N表示细胞周围邻居的个数;q表示当前状态;f为状态改变函数;B、L、U分别表示细胞具有的三个行为模式,其中B为广播模式、L为监听模式、U为更新模式,广播模式B和监听模式L用于与邻居细胞通信,更新模式U用于根据函数f改变细胞状态。
优选地,所述步骤102中延迟通信CA模型根据状态改变函数f和行为模式,决定细胞迭代时状态的改变;
每种模式下进行的操作如下:
若细胞在第t轮迭代时的初始的行为模式为广播模式B,则本轮迭代时输出的细胞状态和其存储的邻居的状态不变,且随机选择新的行为模式输出;
若细胞在第t轮迭代时初始的行为模式为监听模式L,则本轮迭代时输出的细胞状态不变;细胞和周围邻居细胞进行通信,本轮迭代输出的细胞存储的邻居的状态与此时邻居的行为模式相关;如果邻居的行为模式为广播模式B,则对应的存储的邻居buffer的状态更新为此时邻居的状态;若邻居的行为模式不是广播模式B,则保持对应的存储的邻居buffer的状态不变;并随机选择新的行为模式输出;
若细胞在第t轮迭代时初始的行为模式为更新模式U,则本轮迭代时通过状态转换函数f以改变细胞自身的状态,输出改变后的细胞状态;所述状态转换函数f根据第t轮迭代时细胞初始的状态和存储的邻居buffer的状态来进行状态的更新;本轮迭代细胞输出的存储的邻居的状态不变,且随机选择新的行为模式输出。
优选地,所述所述细胞状态χ,细胞存储的第j个邻居buffer的状态θj,细胞的行为模式ψ的计算方式如下所示:
χ,θj:Q|N|×{B,L,U}→Q和ψ:Q|N|×{B,L,U}→{B,L,U}为投影函数,其中1≤j≤N,其中β表示行为模式,延迟通信CA模型满足以下公式:
χ(q0,q1,…,qj,…,q|N|-1,β)=q0∧ (6)
θj(q0,q1,…,qj,…,q|N|-1,β)=qj∧ (7)
ψ(q0,q1,…,qj,…,q|N|-1,β)=β∧ (8)
公式(6)表示取细胞当前的状态,公式(7)表示取当前细胞第j个邻居buffer的状态,公式(8)表示取细胞当前的行为模式。
优选地,所述惯性系数根据设置的宏观需求和已分配的土地类型数量差异来调整土地类型的转换;如果宏观需求和当前已分配的土地类型数量之差在缩小,则保持惯性系数不变;如果宏观需求小于当前已分配,并且宏观需求和已分配差距在增加,则会减少惯性系数;如果宏观需求大于当前已分配,并且宏观需求和已分配差距在增大,则将会增大惯性系数。
优选地,所述惯性系数的计算公式如下所示:
其中表示第t轮迭代,土地类型m对应的惯性系数;/>表示在t时刻,土地类型m宏观需求数量和当前已分配给土地类型m的数量之差。
优选地,所述邻域影响表示当前土地单元周围邻居对其的影响,计算公式如下:
其中,N表示邻居个数;表示取t时刻细胞c存储第r个邻居buffer的状态;指在t时刻,细胞存储的邻居buffer中,土地类型为m的个数;/>表示土地类型m对周围的影响权重。
与现有技术相比,本发明的有益效果:本发明主要是使用考虑了延迟的细胞自动机延迟通信CA模型来代替传统的CA模型,由于考虑了土地之间变化的延迟,每个土地单元并不一定会在同一时间进行变化,而是独立地在进行变化,更加符合实际土地演化规律,使得所述基于延迟通信CA模型的土地变迁模拟方法可以提高土地模拟预测的准确度,更好地辅助实际的土地规划应用。
附图说明:
图1为本发明示例性实施例1的基于延迟通信CA模型的土地变迁模拟方法的流程图;
图2为本发明示例性实施例1的土地变化类型获取示意图;
图3为本发明示例性实施例1的神经网络ANN模型的示意图;
图4为本发明示例性实施例1的一维细胞空间细胞状态迭代情况示意图;
图5为本发明示例性实施例2的2005年土地利用数据的示意图;
图6为本发明示例性实施例2的2012年土地利用数据的示意图;
图7为本发明示例性实施例2的2017年土地利用数据的示意图;
图8为本发明示例性实施例2的适应性概率结果的示意图;
图9为本发明示例性实施例2的模拟的2017年土地利用数据的示意图;
图10为本发明示例性实施例2的土地数量变化情况的示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,本实施例提供一种基于延迟通信CA模型的土地变迁模拟方法,包括以下步骤:
步骤101,将土地利用数据和驱动力输入至已训练的神经网络ANN模型,获取土地利用数据中各土地单元的土地变化类型的适应性概率;
本实施例中,所述土地利用数据指某一时刻,某地区各土地单元对应的土地类型,所述土地类型包括田地、工厂以及城镇等;所述驱动力指影响土地类型演化的因素,包括道路距离、坡度、距离铁路距离、距离城中心距离以及人均GDP等因素;所述土地变化类型指一定时间后,土地单元保持某一土地类型或从某一土地类型演化为另一土地类型。
步骤102,进行延迟通信CA模型的迭代,当满足预设条件时停止迭代,输出迭代后的各土地单元的土地类型;
所述延迟通信CA模型的细胞是土地单元,细胞的状态是土地单元的土地类型;延迟通信CA模型的细胞独立进行状态的变化,且每个细胞携带其邻居的历史状态缓存;所述延迟通信CA模型的一轮迭代中,通过组合适应性概率(ANN得出)、惯性系数、邻域影响、转换代价得到组合概率,再通过轮盘选择的方式得到当前迭代后,细胞改变的状态。
本实施例所述的基于延迟通信CA模型的土地变迁模拟方法中,通过神经网络ANN模型学习土地变化类型和相关驱动力之间的关系。人工神经网络属于机器学习,其核心思想受到生物神经网络(如大脑)的启发。人工神经网络的优势在于能够自动从数据中学习相关表示,也就是能够通过不断的迭代学习,来拟合输入输出之间复杂的线性或非线性关系。除此之外,本实施例采用考虑了土地单元之间变化延迟的土地演化模型延迟通信CA模型。相比传统的元胞自动机CA模型,延迟通信CA模型考虑了土地单元之间变化的延迟,每个土地单元并不一定会在同一时间进行变化,而是独立地在进行变化。本实施例所述的基于延迟通信CA模型的土地变迁模拟方法,更加符合实际土地演化规律,可以提高土地模拟预测的准确度,更好地辅助实际的土地规划应用。
本实施例中,步骤101所述的已训练的神经网络ANN模型由两期以上的历史土地利用数据和驱动力对初始的神经网络ANN模型进行训练得到。
以训练过程为例简述神经网络ANN模型。
将若干驱动力表示为向量X=[x1,x2,x3,…]T,其中的每一个维度表示一种驱动力,驱动力种类由具体的模拟区域自行选定,比如:坡度、距离城中心距离、人均GDP、距离道路的距离等因素,每一个土地单元都有一组这样的驱动力向量。
本实施例将输入两期历史土地利用数据L2008以及L2012,并根据这两期历史土地利用数据得到神经网络ANN模型的目标标签。本实施例中,土地类型包括田地、工厂以及城镇,用数字对土地类型进行编码,可得田地为土地类型1、工厂为土地类型2以及城镇为土地类型3。3种土地类型会对应产生3×3=9种类型的变化,可得9种土地变化类型,采用数字对9种土地变化类型进行编号:1->1(1),1->2(2),1->3(3),2-1(4),2-2(5),2-3(6),3-1(7),3-2(8)以及3-3(9)。如图2所示,根据L2008以及L2012两期历史土地利用数据计算土地变化类型,将其作为神经网络ANN模型的标签进行训练学习。
如图3所示,本实施例采用的神经网络ANN模型包括输入层、一个隐藏层以及输出层,且采用softmax函数计算土地变化类型的适应性概率。
神经网络ANN模型输入层输入驱动力(特征),神经网络ANN模型输出层输出土地变化类型的适应性概率,适应性概率的计算公式如下所示,:
其中,c表示某个具体的土地单元,xa(c)表示该位置对应的第a个驱动力;b表示隐藏层某个神经元的编号,k表示输出的某一个土地变化类型的编号,w表示层与层之间的权重,hb表示中间层第b个神经元激活前的值,ok表示输出层第k个输出激活前的值,yk表示输出层第k个输出激活后的值,APk(c)表示某个土地单元属于土地变化类型k的适应性概率。其中式(1)表示常用于多分类问题的softmax函数的计算原理,表示神经网络ANN模型的输出之和将为1;式(2)和式(3)表示基于softmax函数计算适应性概率。
通过历史土地利用数据和驱动力对初始的神经网络ANN模型进行训练,调整神经网络ANN模型中层与层之间的权重,得到已训练的神经网络ANN模型。已训练的神经网络ANN模型根据式(3)对待预测的土地单元进行演变预测,计算所有土地单元对应各种土地类型的适应性概率。
示例性的,步骤102中延迟通信CA模型的表达方式如下式所示:
其中,表示d维的细胞空间,为各土地单元组成的土地空间;Q表示细胞的状态集合,所述状态为土地单元的土地类型;N表示细胞周围邻居的个数;q表示当前状态;f为状态改变函数;B、L、U分别表示细胞具有的三个行为模式,其中B为广播模式、L为监听模式、U为更新模式,广播模式B和监听模式L用于与邻居细胞通信,更新模式U用于根据函数f改变细胞状态。
本实施例中细胞存储的周围邻居的状态记作buffer,状态改变函数f用于预测土地单元的土地类型,即预测土地类型演化的函数。
示例性的,步骤102中延迟通信CA模型根据状态改变函数f和行为模式,决定细胞迭代时状态的改变;
迭代轮数记作t,细胞状态记作χ,细胞存储的第j个邻居buffer的状态记作θj,细胞的行为模式记作ψ;细胞在第t轮迭代时的初始的状态、存储的邻居buffer的状态以及所处行为模式的总体记作xt(c);
每种模式下进行的操作如下:
若细胞在第t轮迭代时的初始的行为模式为广播模式B,则本轮迭代时输出的细胞状态和其存储的邻居的状态不变,且随机选择新的行为模式输出;
采用下述的公式表示上述迭代过程:
ψ(xt(c))=B(广播模式):
①χ(xt+1(c))=χ(xt(c))
②
③ψ(xt+1(c))=rand({B,L,U})。
若细胞在第t轮迭代时初始的行为模式为监听模式L,则本轮迭代时输出的细胞状态不变;细胞和周围邻居细胞进行通信,本轮迭代输出的细胞存储的邻居的状态与此时邻居的行为模式相关;如果邻居的行为模式为广播模式B,则对应的存储的邻居buffer的状态更新为此时邻居的状态;若邻居的行为模式不是广播模式B,则保持对应的存储的邻居buffer的状态不变;并随机选择新的行为模式输出;
采用下述的公式表示上述迭代过程:
ψ(xt(c))=L(监听模式)
①χ(xt+1(c))=χ(xt(c))
②对于每一个如果ψ(xt(c+nj))=B,则有θi(xt+1(c))=χ(xt(c+nj)),否则θi(xt+1(c))=θi(xt(c))
③ψ(xt+1(c))=rand({B,L,U})
xt(c+nj)表示细胞t时刻,第j个邻居。
若细胞在第t轮迭代时初始的行为模式为更新模式U,则本轮迭代时通过状态转换函数f以改变细胞自身的状态,输出改变后的细胞状态;所述状态转换函数f根据第t轮迭代时细胞初始的状态和存储的邻居buffer的状态来进行状态的更新;本轮迭代细胞输出的存储的邻居的状态不变,且随机选择新的行为模式输出;
采用下述的公式表示上述迭代过程:
ψ(xt(c))=U(更新模式)
①χ(xt+1(c))=f(χ(xt(c)),θi(xt(c)),...,θ|N|-1(xt(c)))
②
③ψ(xt+1(c))=rand({B,L,U})。
示例性的,所述细胞状态χ,细胞存储的第j个邻居buffer的状态θj,细胞的行为模式ψ的计算方式如下所示:
χ,θj:Q|N|×{B,L,U}→Q和ψ:Q|N|×{B,L,U}→{B,L,U}为投影函数,其中1≤j≤N,其中β表示行为模式,延迟通信CA模型满足以下公式:
χ(q0,q1,…,qj,…,q|N|-1,β)=q0∧ (6)
θj(q0,q1,…,qj,…,q|N|-1,β)=qj∧ (7)
ψ(q0,q1,…,qj,…,q|N|-1,β)=β∧ (8)
公式(6)表示取细胞当前的状态,公式(7)表示取当前细胞第j个邻居buffer的状态,公式(8)表示取细胞当前的行为模式。
本实施例中,基于延迟的土地模拟方法使用延迟通信CA模型框架替换以前的CA模型部分,延迟通信CA模型是属于异步细胞ACA的一种特殊类型,其细胞可以彼此随机进行变化,而且每个细胞还将携带其邻居的历史状态缓存(buffer)。延迟通信CA模型把图像中的每个像元(即一个土地单元)当做一个细胞进行预测分析;相比传统的元胞自动机CA模型,延迟通信CA模型考虑了土地单元之间变化的延迟,每个土地单元并不一定会在同一时间进行变化,而是独立地在进行变化,可以提高土地模拟预测的准确度,更好地辅助实际的土地规划应用。
如图4所示,本实施例的土地模拟一般为二维的细胞空间,先简述一维情况下细胞状态迭代时的转换变化情况,以便更好理解二维的细胞空间迭代时的转换变化情况。一维细胞空间中,若细胞有两种细胞状态,且用黑白表示加以区分;每个正方形表示的细胞带有两个存储的邻居的状态buffer(采用正方形两侧的小矩形表示)。对于图4中(b)来说,细胞的模式为L,右邻居模式为B,所以下一轮该细胞将会把右邻居的状态更新到对应的右边的存储邻居的状态buffer中,其他保持不变。
延迟通信CA模型迭代时的通用演化过程如下所示:
输入:初始构型的密度dini;同步率α;环的长度m;最人迭代轮式n。
输出:n代之后的ACECA。
示例性的,土地模拟过程,将是一个二维的细胞空间,每一轮迭代过程中,每个细胞会有一定概率(同步率α)进行执行模式的操作,其中U模式下采用状态改变函数f将适应性概率、惯性系数、邻域影响以及转换代价4个参数相乘得到当前细胞转换为某一状态的组合概率;然后进行轮盘选择当前细胞的下一轮状态;细胞c在t轮迭代时,由m状态转为n状态的组合概率的计算方式如下所示:
其中APm→n(c)表示适应性概率,表示惯性系数,/>表示邻域影响,Costm→n表示转换代价。
本实施例中,假如有3种土地类型,则每轮迭代时,会计算一组概率值[p1,p2,p3],每一个值代表当前位置转变为一种土地类型的概率。然后通过轮盘选(以组合概率)的方式选择一个类型作为当前细胞的下一个状态,轮盘选使得低组合概率的类型也可能被选择。
a)适应性概率
通过采样历史数据训练神经网络ANN模型,使用训练好的ANN模型预测所有土地单元对应各种土地变化类型的适应性概率。如公式(3)所示。
b)惯性系数
惯性系数将会根据设置的宏观需求和已分配的土地类型数量差异来自动调整土地类型的转换。核心思路是:如果某土地类型的发展趋势和宏观需求(目标土地数量)矛盾,则惯性系数将会在下一轮迭代中尝试修正这种矛盾。例如:如果宏观需求更多的城市用地,而上一次城市用地分配减少,则会增加惯性系数,以促进其他土地类型向城市用地转换。具体公式如下所示:
表示第t轮迭代,土地类型m对应的惯性系数。/>表示在t时刻,土地类型m宏观需求数量和当前已分配给土地类型m的数量之差。如果宏观需求和当前已分配之差在缩小,则符合宏观需求,保持惯性系数不变;如果宏观需求小于当前已分配,并且宏观需求和已分配差距在增加,则会减少惯性系数,以促进土地类型m转换为其他土地类型;如果宏观需求大于当前已分配,并且宏观需求和已分配差距在增大,则将会增大惯性系数,以促进其他土地类型转换为土地类型m。
c)转化代价
转换代价表示了土地单元从一种土地类型转换为另一种土地类型的难度,此部分是通过实际情况或历史发展情况人为定义的。定义为Costm→n,表示由土地类型m为土地类型n的代价。
d)邻域影响
邻域影响代表了当前土地单元周围邻居对其的影响,这里计算的是细胞存储的邻居buffer的状态。计算公式如下:
公式中的N表示邻居个数;表示取t时刻细胞c存储第r个邻居buffer的状态;也可以采用/>的形式表示,指在t时刻,细胞存储的邻居buffer中,土地类型为m的个数;/>表示土地类型m对周围的影响权重,也称作邻域权重,此参数由人为定义。
实施例2
为了展示基于延迟通信CA模型的土地变迁模拟方法在土地模拟方面的可行性,在实际应用时,将会仿真模拟未来的土地状况。为了评估基于延迟通信CA模型的土地变迁模拟方法的效果,以黄瓜山为例,输入该地历史数据,将现状年份设置为目标年份进行模拟。
所有的算例都在有16GB内存、2.9GHz因特尔CPU、64位windows操作系统上运行。采用Python3.7进行神经网络ANN模型计算,采用C++以及标准图形化接口工具套件QT实现延迟通信CA模型土地模拟过程。
使用黄瓜山村2005、2012、2017年的土地利用数据(分别如图5、6以及7)进行模拟,其中2005和2012年的土地利用数据用来训练神经网络ANN模型,以计算适应性概率,然后以2012年的土地利用数据为起点,使用延迟通信CA模型来模拟2017年的土地利用结果图。使用模拟的结果和真实的2017土地利用数据对比对基于延迟通信CA模型的土地变迁模拟方法进行验证。
土地利用数据中土地类型一共有4种(编号1-4):耕地及水域、旅游用地、其他建设用地以及其他用地。
相关驱动力如表1所示:
表1基于最大角度实验的初始参数
1适应性概率计算
使用2005和2012的土地利用数据来进行神经网络ANN模型的训练。4种土地类型,对应16种变化,最后的概率图将有16个图层,对所有驱动力进行标准化处理并采样30%的数据进行神经网络ANN模型的训练,使用训练好的神经网络ANN模型预测所有位置的适应性概率,得到的适应性概率结果如图8所示:
2延迟通信CA模型土地变迁模拟
以2012年为起点,模拟2017年的土地利用数据,所以这里的宏观需求即目标数量,设置为2017年的实际数量,如果要模拟未来,则可以通过Markov或者实际区域政策来设置目标数量。延迟通信CA模型简称ACCA模型,ACCA模型参数设置如表2所示,目标土地数量和邻域影响权重如表3所示,转换代价矩阵如表4所示。
表2 ACCA参数设置
表3目标土地数量和邻域权重
表5转换代价矩阵
3模拟结果评价
使用模拟的结果和真实的2017土地利用对比计算出评价指标Kappa系数和Fom系数。
Kappa系数是一种衡量分类精度的指标,主要通过预测和实际的一个混淆矩阵(如表4)来计算,计算公式如式(11)至式(13)所示,其中n为像元个数。
表4混淆矩阵
Fom系数主要评估模拟变化内容的精度,计算如公式(14)所示,需要输入2012、2017、2017模拟结果三个土地利用数据图,其中A表示实际改变,在预测中却未改变的数量;C示实际改变和预测改变的类型一致的数量;E表示实际改变和预测改变的类型不一致的数量;F表示实际不变而预测改变了的数量。
最终模拟的2017年土地利用图如图9所示,土地数量变化情况如图10所示,相关评价指标Kappa=0.88,Fom=0.037。
通过实验可以发现,本发明使用基于延迟通信CA模型的土地变迁模拟方法,通过构建ANN-ACCA相结合的模型进行土地模拟,考虑了延迟对于土地发展影响,模拟效果依然比较好,主要评价指标Kappa能够达到0.88。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于延迟通信CA模型的土地变迁模拟方法,其特征在于,包括以下步骤:
步骤101,将土地利用数据和驱动力输入至已训练的神经网络ANN模型,获取土地利用数据中各土地单元的土地变化类型的适应性概率;所述土地变化类型指土地单元保持某一土地类型或从某一土地类型演化为另一土地类型;
步骤102,进行延迟通信CA模型的迭代,当满足预设条件时停止迭代,输出迭代后的各土地单元的土地类型;
所述步骤102中延迟通信CA模型的表达方式如下式所示:
其中,表示d维的细胞空间,为各土地单元组成的土地空间;Q表示细胞的状态集合,所述状态为土地单元的土地类型;N表示细胞周围邻居的个数;q表示当前状态;f为状态改变函数;B、L、U分别表示细胞具有的三个行为模式,其中B为广播模式、L为监听模式、U为更新模式,广播模式B和监听模式L用于与邻居细胞通信,更新模式U用于根据函数f改变细胞状态;
所述步骤102中延迟通信CA模型根据状态改变函数f和行为模式,决定细胞迭代时状态的改变;
每种模式下进行的操作如下:
若细胞在第t轮迭代时的初始的行为模式为广播模式B,则本轮迭代时输出的细胞状态和其存储的邻居的状态不变,且随机选择新的行为模式输出;
若细胞在第t轮迭代时初始的行为模式为监听模式L,则本轮迭代时输出的细胞状态不变;细胞和周围邻居细胞进行通信,本轮迭代输出的细胞存储的邻居的状态与此时邻居的行为模式相关;如果邻居的行为模式为广播模式B,则对应的存储的邻居buffer的状态更新为此时邻居的状态;若邻居的行为模式不是广播模式B,则保持对应的存储的邻居buffer的状态不变;并随机选择新的行为模式输出;
若细胞在第t轮迭代时初始的行为模式为更新模式U,则本轮迭代时通过状态转换函数f以改变细胞自身的状态,输出改变后的细胞状态;所述状态转换函数f根据第t轮迭代时细胞初始的状态和存储的邻居buffer的状态来进行状态的更新;本轮迭代细胞输出的存储的邻居的状态不变,且随机选择新的行为模式输出;
所述细胞状态χ,细胞存储的第j个邻居buffer的状态θj,细胞的行为模式ψ的计算方式如下所示:
χ,θj:Q|N|×{B,L,U}→Q和ψ:Q|N|×{B,L,U}→{B,L,U}为投影函数,其中1≤j≤N,其中β表示行为模式,延迟通信CA模型满足以下公式:
χ(q0,q1,…,qj,…,q|N|-1,β)=q0 (6)
θj(q0,q1,…,qj,…,q|N|-1,β)=qj (7)
ψ(q0,q1,…,qj,…,q|N|-1,β)=β (8)
公式(6)表示取细胞当前的状态,公式(7)表示取当前细胞第j个邻居buffer的状态,公式(8)表示取细胞当前的行为模式;
所述延迟通信CA模型的细胞是土地单元,细胞的状态是土地单元的土地类型;延迟通信CA模型的细胞独立进行状态的变化,且每个细胞携带其邻居的历史状态缓存;所述延迟通信CA模型的一轮迭代中,基于状态改变函数通过组合适应性概率、惯性系数、邻域影响、转换代价得到组合概率,再通过轮盘选择的方式得到当前迭代后,细胞改变的状态。
2.根据权利要求1所述的基于延迟通信CA模型的土地变迁模拟方法,其特征在于,所述步骤101中的已训练的神经网络ANN模型由两期以上的历史土地利用数据和驱动力对初始的神经网络ANN模型进行训练得到。
3.根据权利要求1所述的基于延迟通信CA模型的土地变迁模拟方法,其特征在于,所述神经网络ANN模型包括输入层、一个隐藏层以及输出层;采用softmax函数计算土地变化类型的适应性概率。
4.根据权利要求3所述的基于延迟通信CA模型的土地变迁模拟方法,其特征在于,所述神经网络ANN模型输入层输入驱动力,神经网络ANN模型输出层输出土地变化类型的适应性概率,适应性概率的计算公式如下所示:
其中,c表示某个具体的土地单元,xa(c)表示位置对应的第a个驱动力;b表示隐藏层某个神经元的编号,k表示输出的某一个土地变化类型的编号,w表示层与层之间的权重,hb表示中间层第b个神经元激活前的值,ok表示输出层第k个输出激活前的值,yk表示输出层第k个输出激活后的值,APk(c)表示某个土地单元属于土地变化类型k的适应性概率。
5.根据权利要求1所述的基于延迟通信CA模型的土地变迁模拟方法,其特征在于,所述惯性系数根据设置的宏观需求和已分配的土地类型数量差异来调整土地类型的转换;如果宏观需求和当前已分配的土地类型数量之差在缩小,则保持惯性系数不变;如果宏观需求小于当前已分配,并且宏观需求和已分配差距在增加,则会减少惯性系数;如果宏观需求大于当前已分配,并且宏观需求和已分配差距在增大,则将会增大惯性系数。
6.根据权利要求5所述的基于延迟通信CA模型的土地变迁模拟方法,其特征在于,所述惯性系数的计算公式如下所示:
其中表示第t轮迭代,土地类型m对应的惯性系数;/>表示在t时刻,土地类型m宏观需求数量和当前已分配给土地类型m的数量之差。
7.根据权利要求1所述的基于延迟通信CA模型的土地变迁模拟方法,其特征在于,所述邻域影响表示当前土地单元周围邻居对其的影响,计算公式如下:
其中,N表示邻居个数;表示取t时刻细胞c存储第r个邻居buffer的状态;指在t时刻,细胞存储的邻居buffer中,土地类型为m的个数;/>表示土地类型m对周围的影响权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492063.XA CN114154886B (zh) | 2021-12-08 | 2021-12-08 | 基于延迟通信ca模型的土地变迁模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492063.XA CN114154886B (zh) | 2021-12-08 | 2021-12-08 | 基于延迟通信ca模型的土地变迁模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114154886A CN114154886A (zh) | 2022-03-08 |
CN114154886B true CN114154886B (zh) | 2024-05-10 |
Family
ID=80453767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492063.XA Active CN114154886B (zh) | 2021-12-08 | 2021-12-08 | 基于延迟通信ca模型的土地变迁模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154886B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102841963A (zh) * | 2012-08-15 | 2012-12-26 | 武汉理工大学 | 元胞自动机模型尺度敏感性的探测方法 |
CN105447235A (zh) * | 2015-11-12 | 2016-03-30 | 中山大学 | 一种土地未来利用情景动态模拟方法 |
CN112016247A (zh) * | 2020-08-31 | 2020-12-01 | 华东师范大学 | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 |
CN112906300A (zh) * | 2021-02-09 | 2021-06-04 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
CN113240219A (zh) * | 2021-07-13 | 2021-08-10 | 北京建筑大学 | 一种土地利用模拟及预测方法 |
-
2021
- 2021-12-08 CN CN202111492063.XA patent/CN114154886B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102841963A (zh) * | 2012-08-15 | 2012-12-26 | 武汉理工大学 | 元胞自动机模型尺度敏感性的探测方法 |
CN105447235A (zh) * | 2015-11-12 | 2016-03-30 | 中山大学 | 一种土地未来利用情景动态模拟方法 |
CN112016247A (zh) * | 2020-08-31 | 2020-12-01 | 华东师范大学 | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 |
CN112906300A (zh) * | 2021-02-09 | 2021-06-04 | 北京化工大学 | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 |
CN113240219A (zh) * | 2021-07-13 | 2021-08-10 | 北京建筑大学 | 一种土地利用模拟及预测方法 |
Non-Patent Citations (4)
Title |
---|
A future land use simulation model(FLUS) for simulating multiple land use scenarios by coupling human and nutrual effects;Xiaoping Liu 等;《Landscape and Urban Planning》;20171231;第168卷;第94-116页 * |
Qin Lei 等.Asychronous communicating cellular automata:Formalization,robustness and equivalence.《Information Science》.2022,第587卷第335-353页. * |
基于元胞自动机模型的广州市用地变化模拟研究;龚建周;曹紫薇;陈康林;林彰平;;广州大学学报(自然科学版);20131215(第06期);第78-85页 * |
基于异步通信元胞自动机的土地利用变化模拟模型研究;李涛;《万方学位论文》;20220525;第1-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114154886A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
Li et al. | Discovering and evaluating urban signatures for simulating compact development using cellular automata | |
CN108932671A (zh) | 一种采用深度q神经网络调参的lstm风电负荷预测方法 | |
CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 | |
CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN103116766B (zh) | 一种基于增量神经网络和子图编码的图像分类方法 | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
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 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN110910659A (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
Dong et al. | Intelligent optimization: A novel framework to automatize multi-objective optimization of building daylighting and energy performances | |
CN110428413B (zh) | 一种用于灯诱设备下的草地贪夜蛾成虫图像检测方法 | |
CN112464981B (zh) | 基于空间注意力机制的自适应知识蒸馏方法 | |
CN107194460A (zh) | 金融时间序列预测的量子粒子群优化递归神经网络方法 | |
CN115049415B (zh) | 一种基于社区传播结构的社交媒体虚假新闻检测方法 | |
CN114283083B (zh) | 一种基于解耦表示的场景生成模型的美学增强方法 | |
CN115358136A (zh) | 基于神经网络的结构刚度优化设计方法 | |
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 | |
CN107871157A (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN114154886B (zh) | 基于延迟通信ca模型的土地变迁模拟方法 | |
CN116758767B (zh) | 基于多策略强化学习的交通信号灯控制方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN116089710A (zh) | 自适应深度知识追踪个性化学习推荐方法 |
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 |