CN115271221A - 一种城市扩展预测方法、装置、介质及设备 - Google Patents
一种城市扩展预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN115271221A CN115271221A CN202210932197.7A CN202210932197A CN115271221A CN 115271221 A CN115271221 A CN 115271221A CN 202210932197 A CN202210932197 A CN 202210932197A CN 115271221 A CN115271221 A CN 115271221A
- Authority
- CN
- China
- Prior art keywords
- cell
- scale
- cells
- neighborhood
- land
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011161 development Methods 0.000 claims abstract description 76
- 230000009471 action Effects 0.000 claims abstract description 59
- 230000001413 cellular effect Effects 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 53
- 230000000694 effects Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000011712 cell development Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001629511 Litchi Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect 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
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
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
- G06Q10/04—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
- 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
- G06N3/08—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
- 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
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种城市扩展预测方法、装置、介质及设备,方法包括:获取用于对目标区域进行城市扩展预测的数据信息;目标区域包括多个元胞,数据信息包括多个元胞中每个元胞的数据;根据每个元胞的数据计算每个元胞的用地发展概率;将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到每个元胞在空间邻域多尺度联合作用下的发展概率;根据每个元胞的原城市用地的用地转移比例,构造元胞的转换约束因子;分别针对每个元胞,基于元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率。
Description
技术领域
本发明涉及地理信息科学领域,特别涉及一种城市扩展预测方法装置、介质及设备。
背景技术
科学认知和合理规划城市用地,实现国土空间开发保护格局优化,是加快城市生态文明建设,解决城市化进程伴生性问题的关键技术性环节。而对于城市土地利用的演化和模拟是该关键技术性环节的核心科学工具。也就是说,精准模拟土地利用变化中的城市扩展过程有益于为城市空间规划和生态环境问题的解决提供知识支撑和科学指导。
在城市扩展模拟的模型开发中,元胞自动机(Cellular Automata,CA)作为一种兼顾时空特征的离散动力学模型,能够有效建模城市化进程中各类固有的复杂时空动态过程(如土地利用变化等),因此被广泛地改进以引入城市扩展模拟方法的构建。CA模型由五个基本要素组成:元胞空间、元胞时间、元胞状态、元胞邻域和转换规则。其中,元胞空间、元胞时间和元胞状态是元胞固有属性,而元胞邻域和转换规则为元胞状态变化的直接驱动要素。
在现有城市扩展CA模型建模过程中计算元胞发展总概率主要包括三个部分:用地发展概率、空间邻域作用下的发展概率和约束因子。作为元胞发展总概率的重要组成部分,元胞邻域发挥着不可或缺的作用。近二十年来传统和现代CA模型研究大多采用决策函数(即邻域内某种土地利用所占比例,代表其对用地转化的贡献程度)于单一尺度表达元胞空间邻域作用效应,考虑到邻域作用在不同用地类型上的差异性表现,现有CA模型如FLUS模型、PLUS 模型等对决策函数进行了针对性的改进,加入了不同区域不同类别土地利用影响权重,然而这种改进很大程度依赖于专家经验知识,具有一定主观性。此外,元胞空间邻域尺度作用效应异质性特征极大程度影响CA模型的模拟结果。而现有研究鲜有对元胞空间邻域尺度异质性进行定量化建模,导致CA的模拟结果存在一定的适用性问题。
综上,上述现有技术存在如下技术缺陷:
(1)通过决策函数或其变体形式表达空间邻域作用效应难以提取其复杂作用规律;
(2)空间邻域尺度作用效应变化规律和最佳邻域作用尺度难以统一规则化表达,不同元胞空间邻域尺度作用效应存在异质性,缺乏空间邻域多尺度作用效应融合建模方法。
发明内容
本发明提供了一种城市扩展预测方法、装置、介质及设备,其目的是为了解决现有城市扩展CA模型难以充分把握空间邻域作用效应和元胞空间邻域尺度异质性,不能充分完备地计算城市扩展CA模型中空间邻域作用下的发展概率的问题。
为了达到上述目的,本发明提供了一种城市扩展预测方法,包括:
步骤1,获取用于对目标区域进行城市扩展预测的数据信息;目标区域包括多个元胞,数据信息包括多个元胞中每个元胞的数据;
步骤2,根据每个元胞的数据计算每个元胞的用地发展概率;
步骤3,分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到元胞在空间邻域多尺度联合作用下的发展概率;
步骤4,分别针对每个元胞,根据元胞的原城市用地的用地转移比例,构造元胞的转换约束因子;
步骤5,分别针对每个元胞,基于元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率。
进一步来说,步骤2包括:
对每个元胞的数据进行预处理,提取每个元胞的驱动因子;
对每个元胞的驱动因子进行处理,得到每个元胞的特征向量;
根据每个元胞的特征向量计算每个元胞的用地发展概率。
进一步来说,空间邻域多尺度特征融合模型包括卷积神经网络、级联模块和SE模块,卷积神经网络包括展平层、全连接层以及多个并行连接的卷积模块,每个卷积模块包括第一卷积层和第二卷积层,第一卷积层的输出端与第二卷积层的输入端连接,每个卷积模块的第二卷积层的输出端均与级联模块的输入端连接,级联模块的输出端与SE模块的输入端连接,SE模块的输出端与展平层的输入端连接,展平层的输出端与全连接层的输入端连接,多个扩展区域的土地利用数据一一对应输入多个卷积模块的第一卷积层。
进一步来说,步骤3包括:
分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入卷积神经网络中的第一卷积层进行特征提取,得到每个元胞在多尺度下的CNN空间邻域作用特征;
将每个元胞在多尺度下的CNN空间邻域作用特征输入级联模块进行特征级联,得到元胞的多尺度空间邻域作用特征;
将元胞的多尺度空间邻域作用特征输入SE模块进行注意力加权,得到元胞的注意力加权多尺度空间邻域作用特征;
将元胞的注意力加权多尺度空间邻域作用特征为基础,通过卷积神经网络的展平层和全连接层对用地转换类型的编码进行映射,得到元胞在空间邻域多尺度联合作用下的发展概率Ω。
进一步来说,SE模块包括依次连接的用于对元胞的多尺度空间邻域作用特征进行特征聚合的Squeeze子模块、用于计算聚合后的元胞的多尺度空间邻域作用特征的注意力值的Excitation子模块和用于对聚合后的元胞的多尺度空间邻域作用特征进行注意力加权的Scale子模块,Squeeze子模块的输入端连接级联模块的输出端,Scale子模块的输入端连接级联模块的输出端,Scale子模块的输出端连接展平层的输入端。
进一步来说,分别针对每个元胞,元胞的转换约束因子为
式中,Z表示约束因子系数,type=urban表示元胞的原城市用地。
进一步来说,步骤5包括:
分别针对每个元胞,通过元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率为
OP=P×Z×Ω
式中,OP为发展总概率,P为元胞的用地发展概率,Z为元胞的转换约束因子,Ω为元胞在空间邻域多尺度联合作用下的发展概率。
本发明还提供了一种城市扩展预测装置,包括:
数据获取模块,用于获取用于对目标区域进行城市扩展预测的数据信息;目标区域包括多个元胞,数据信息包括多个元胞中每个元胞的数据;
第一计算模块,用于根据每个元胞的数据计算每个元胞的用地发展概率;
空间邻域多尺度特征融合模型,用于分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到元胞在空间邻域多尺度联合作用下的发展概率;
构造模块,用于分别针对每个元胞,根据元胞的原城市用地的用地转移比例,构造元胞的转换约束因子;
第二计算模块,用于分别针对每个元胞,基于元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,当该计算机程序被执行时,实现上述的城市扩展预测方法。
本发明还提供了一种城市扩展预测设备,包括存储器、处理器;存储器用于存储计算机程序以及程序处理时候的中间数据,处理器用于执行所述计算机程序以实现上述的城市扩展预测方法。
本发明的上述方案有如下的有益效果:
本发明通过用于对目标区域进行城市扩展预测的数据信息,计算每个元胞的用地发展概率,分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到元胞在空间邻域多尺度联合作用下的发展概率,再根据元胞的原城市用地的用地转移比例,构造元胞的转换约束因子,结合元胞的用地发展概率、元胞的转换约束因子和在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率来预测城市扩展的概率;解决了现有城市扩展CA模型难以充分把握空间邻域作用效应和元胞空间邻域尺度异质性,不能充分完备地计算城市扩展CA模型中空间邻域作用下的发展概率的问题。
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的目标区域示意图;
图3为本发明实施例中空间邻域多尺度特征融合模型的结构图;
图4为利用本发明实施例模拟得到的与实际城市土地利用对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。显然,所描述的实施例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,本领域普通技术人员在没有做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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是锁定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明针对现有的问题,提供了一种城市扩展预测方法、装置、介质及设备。
如图1所示,本发明的实施例提供了一种城市扩展预测方法,包括:
步骤1,获取用于对目标区域进行城市扩展预测的数据信息;目标区域包括多个元胞,数据信息包括多个元胞中每个元胞的数据;
步骤2,根据每个元胞的数据计算每个元胞的用地发展概率;
步骤3,分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到元胞在空间邻域多尺度联合作用下的发展概率;
步骤4,分别针对每个元胞,根据元胞的原城市用地的用地转移比例,构造元胞的转换约束因子;
步骤5,分别针对每个元胞,基于元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率。
具体来说,步骤2包括:
对每个元胞的数据进行预处理,提取每个元胞的驱动因子;对每个元胞的驱动因子进行处理,得到每个元胞的特征向量;根据每个元胞的特征向量计算每个元胞的用地发展概率。
如图2所示,本发明实施例以2005-2015年广州市主城区(包括越秀区、荔湾区和海珠区)30m2的土地利用数据为基础,对本发明的具体实施过程进行说明:
在本发明实施例中,首先,获取用于对目标区域进行城市扩展预测的等间隔时间年份的土地利用数据、DEM数据、人口密度、GDP数据以及路网矢量数据;目标区域包括多个元胞,数据信息包括多个元胞中每个元胞的数据;其次,将获取的数据根据目标区域进行矢量范围裁剪,对土地利用数据进行重编码,以适应与神经网络训练规则,同时计算每个元胞在各年份的用地总量;再提取每个元胞的驱动因子,即对DEM数据、人口密度以及GDP数据进行重投影、重采样、栅格对齐和坡度计算等操作,统一将空间分辨率设置为30m,提取高程、坡度、人口密度和GDP共计4个驱动因子,通过路网矢量数据,提取主干道、次干道和居民道,生成欧式距离场并与其他驱动因子进行栅格对齐,提取到主干道的距离、到次干道的距离和到居民道的距离共计3个驱动因子;其中高程、坡度为自然环境条件的驱动因子,人口密度、GDP、到主干道距离、到次干道距离和到居民道距离为社会经济条件的驱动因子。
对提取得到的表征每个元胞的自然环境条件和社会经济条件的7个驱动因子进行标准化处理,得到每个元胞的特征向量,对于第k个驱动因子,其标准化公式为:
式中,xk(i)和xkn(i)分别为第i个元胞对应的第k个驱动因子的属性值和其标准化后的特征值,max(xk)和min(xk)分别表示第k个驱动因子的属性值的最大值和最小值。
对于每个元胞的特征向量可由x=[xkn(1),xkn(2)...xkn(7)]T表示,将所有元胞的特征向量的集合构造为输入特征样本集。
具体来说,步骤2包括:
对每个元胞的用地转换类型进行编码,作为随机森林算法的样本标签,基于随机森林算法建立用地转换类型与驱动因子之间的规则映射关系,计算每个元胞的用地发展概率。
在本发明实施例中,对每个元胞的用地转换类型进行编码,元胞的原用地的用地转换类型包括将非城市用地或水体转换为城市用地以及城市用地保持不变,非城市用地或水体转换为城市用地的编码为1,用地保持不变的编码为 0,与每个元胞的特征向量对应构造为输入特征样本集。
等量选取编码为1和0的用地转换类型各20000个,作为随机森林算法的样本集样本,其中,80%作为训练集,20%作为测试集。基于随机森林算法对样本集中的训练集进行训练,建立用地转化类型与驱动因子之间的规则关系,通过下式(2)计算每个元胞的用地发展概率:
其中,x为元胞特征向量,P为元胞自身用地发展概率,fi(x)为单个决策分类器,I(·)为指示函数,y表示目标用地转换类型的编码,N表示决策分类器的数量。
本发明实施例中的随机森林算法采用CART树(Classification And RegressionTree,CART)作为决策树分类器,决策树的数量为50,基于基尼指数(Gini coefficient)进行特征选取。
具体来说,步骤3包括:
分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入卷积神经网络中的卷积层进行特征提取,得到每个元胞在多尺度下的CNN空间邻域作用特征;
将每个元胞在多尺度下的CNN空间邻域作用特征输入级联模块进行特征级联,得到每个元胞的多尺度空间邻域作用特征;
将每个元胞的多尺度空间邻域作用特征输入SE模块进行注意力加权,得到每个元胞的注意力加权多尺度空间邻域作用特征;
将每个元胞的注意力加权多尺度空间邻域作用特征为基础,通过卷积神经网络的展平层和全连接层对用地转换类型的编码进行映射,得到每个元胞在空间邻域多尺度联合作用下的发展概率Ω。
在本发明实施例中,从目标区域中选取11个空间邻域尺度,分别为从 Moore3×3、Moore5×5递增至Moore23×23,即空间邻域边长变化范围为90m~690m。分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型,如图3 所示。空间邻域多尺度特征融合模型包括卷积神经网络、级联模块和SE模块,卷积神经网络包括展平层、全连接层以及多个并行连接的卷积模块,每个卷积模块包括第一卷积层和第二卷积层,第一卷积层的输出端与第二卷积层的输入端连接,每个卷积模块的第二卷积层的输出端均与级联模块的输入端连接,级联模块的输出端与SE模块的输入端连接,SE模块的输出端与展平层的输入端连接,展平层的输出端与全连接层的输入端连接,多个扩展区域的土地利用数据一一对应输入多个卷积模块的第一卷积层。
在本发明实施例中,第一卷积层和第二卷积层的卷积核尺度分别为1和 ns(ns代表空间邻域尺度大小),第一卷积层的卷积核尺度为1,用于提高元胞自身特征维数;第二卷积层的卷积核尺度为ns,旨在挖掘邻域范围内元胞总体作用效应,输出该邻域尺度作用下空间邻域特征。各空间邻域尺度均选取样本集中80%作为训练集,20%作为测试集,应用交叉熵作为损失函数,学习率为0.001,batch size为32,分别提取11个尺度CNN空间邻域作用特征。
在本发明实施例中,卷积神经网络中的第一卷积层以空间邻域尺度范围内的元胞状态作为输入,卷积神经网络中的卷积层提取的特征值可以表达为:
xj l+1=f(∑k∈N×Nwkj l+1×xk l+bj l+1) (3)
式中,xj l+1为CNN卷积神经网络中第l+1层第j个卷积核的输出特征值, wkj l+1为CNN卷积神经网络中第l+1层第j个卷积核对于第1层中第k个特征的权重系数,xk l为CNN第l层中第k个特征值,bj l+1为CNN第l+1层第j个卷积核的偏置项,N为卷积核的尺寸,f(·)为激活函数。
将每个元胞在11个尺度下的CNN空间邻域作用特征进行特征级联,得到每个元胞的多尺度空间邻域作用特征;通过SE模块对多尺度空间邻域作用特征进行注意力加权,得到每个元胞的注意力加权多尺度空间邻域作用特征。SE 模块包括依次连接的用于对元胞的多尺度空间邻域作用特征进行特征聚合的 Squeeze子模块、用于计算聚合后的元胞的多尺度空间邻域作用特征的注意力值的Excitation子模块和用于对聚合后的元胞的多尺度空间邻域作用特征进行注意力加权的Scale子模块,Squeeze子模块的输入端连接级联模块的输出端, Scale子模块的输入端连接级联模块的输出端,Scale子模块的输出端连接展平层的输入端。
在本发明实施例中,Excitation子模块包括两个不同特征维数的全连接层,定义降维系数的r=16,即级联特征维数会先从704降为44,再从44升为704,进而得到多尺度特征对应的注意力系数,作为每个元胞的尺度空间邻域作用特征的权重系数;接着,以注意力加权多尺度空间邻域级联特征为基础,对用地转换类型的编码进行映射,输出得到每个元胞在空间邻域多尺度联合作用下的发展概率Ω。
在本发明实施例中,SE模块中的Squeeze子模块通过自适应平均池化函数实现全局特征聚合;Excitation子模块由两个不同特征维数的全连接层组成,目的是为了学习不同邻域尺度特征之间的非线性依赖关系,进而得到多尺度特征对应的注意力值;Scale子模块操作是多尺度空间邻域级联特征的加权化,权重即为Excitation子模块所学习得到的注意力系数。
在本实施例中统计广州市主城区2005-2015年中每5年的用地转移比例,发现城市用地每5年用地转移比例不超过0.4%,因此合理地假设广州市城市扩展过程中原有城市用地保持不变,依此构造每个元胞的转换约束因子,其具体的表达式为:
式中,Z表示约束因子系数,type=urban表示元胞的原城市用地。
具体来说,步骤5包括:
分别针对每个元胞,通过元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率为
OP=P×Z×Ω (5)
式中,OP为发展总概率,P为元胞的用地发展概率,Z为元胞的转换约束因子,Ω为元胞在空间邻域多尺度联合作用下的发展概率。
本发明实施例采用的MS-CA空间邻域多尺度特征融合模型,每一次迭代过程对应时间步长为1年,以2010年城市用地空间格局为初始状态,每一次迭代通过元胞发展总概率进行概率排序,根据广州市主城区历史土地利用数据,计算本次迭代过程中城市用地需求量,转化为对应元胞数,并通过轮盘赌策略更新城市整体空间格局,然后进入下一次迭代计算元胞发展总概率,直至计算出2015年的元胞发展总概率,停止迭代,得到2015年的城市扩展模拟结果,其与2015年实际城市用地对比图,如图4所示。
最后,本发明实施例选取总体精度(Overall accuracy,OA)、kappa(KappaCoeffcient,卡帕系数)系数和FoM(Figure of Merit,品质因数)系数作为评价函数,其计算方法如下:
上式中,sum为目标区域的元胞总数,m为土地利用类别数,Nkk表示实际为第k类土地利用预测正确的元胞数,Nk表示模拟为第k类土地利用的元胞数量,Sk为第k类元胞的数量,NAMQ表示期望一致性,A是实际发生变化的被模拟不变的元胞数,B是实际发生变化的被正确模拟的元胞数,C是实际发生变化的区域被错误模拟的元胞数,D是实际未发生变化被模拟为其他类型的元胞数。
通过评价函数将MS-CA空间邻域多尺度特征融合模型的模拟结果与11 个空间邻域尺度中模拟效果最佳的决策函数和单一的CNN卷积神经网络,以及去除SE模块的MS-CA模型进行对比,MS-CA模型模拟结果与其他建模策略评价指标对比如表1所示。
表1
由上表可看出,MS-CA空间邻域多尺度特征融合模型在各指标上表现最优,由此可以证明本发明实施例的策略有效性。
本发明实施例通过获取对目标区域进行城市扩展预测的数据信息,计算每个元胞的用地发展概率,并将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行特征提取、特征级联、注意力加权,从而输出得到每个元胞在空间邻域多尺度联合作用下的发展概率;再根据元胞的原城市用地的用地转移比例,构造每个元胞的转换约束因子,结合元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算每个的元胞发展总概率;解决了现有城市扩展CA模型难以充分把握空间邻域作用效应和元胞空间邻域尺度异质性,不能充分完备地计算城市扩展CA模型中空间邻域作用下的发展概率的问题。
本发明实施例还提供了一种城市扩展预测装置,包括:
数据获取模块,用于获取用于对目标区域进行城市扩展预测的数据信息;目标区域包括多个元胞,数据信息包括多个元胞中每个元胞的数据;
第一计算模块,用于根据每个元胞的数据计算每个元胞的用地发展概率;
空间邻域多尺度特征融合模型,用于分别针对每个元胞,将元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到元胞在空间邻域多尺度联合作用下的发展概率;
构造模块,用于分别针对每个元胞,根据元胞的原城市用地的用地转移比例,构造元胞的转换约束因子;
第二计算模块,用于分别针对每个元胞,基于元胞的用地发展概率、元胞的转换约束因子和元胞在空间邻域多尺度联合作用下的发展概率,计算元胞的发展总概率。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当该计算机程序被执行时,实现上述的城市扩展预测方法。
本发明实施例还提供了一种城市扩展预测设备,包括存储器、处理器;存储器用于存储计算机程序以及程序处理时候的中间数据,处理器用于执行所述计算机程序以实现上述的城市扩展预测方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种城市扩展预测方法,其特征在于,包括:
步骤1,获取用于对目标区域进行城市扩展预测的数据信息;所述目标区域包括多个元胞,所述数据信息包括多个所述元胞中每个元胞的数据;
步骤2,根据每个所述元胞的数据计算每个所述元胞的用地发展概率;
步骤3,分别针对每个所述元胞,将所述元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个所述扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到所述元胞在空间邻域多尺度联合作用下的发展概率;
步骤4,分别针对每个所述元胞,根据所述元胞的原城市用地的用地转移比例,构造所述元胞的转换约束因子;
步骤5,分别针对每个所述元胞,基于所述元胞的用地发展概率、所述元胞的转换约束因子和所述元胞在空间邻域多尺度联合作用下的发展概率,计算所述元胞的发展总概率。
2.根据权利要求1所述的城市扩展预测方法,其特征在于,所述步骤2包括:
对每个所述元胞的数据进行预处理,提取每个所述元胞的驱动因子;
对每个所述元胞的驱动因子进行处理,得到每个所述元胞的特征向量;
根据每个所述元胞的特征向量计算每个所述元胞的用地发展概率。
3.根据权利要求2所述的城市扩展预测方法,其特征在于,
所述空间邻域多尺度特征融合模型包括卷积神经网络、级联模块和SE模块,所述卷积神经网络包括展平层、全连接层以及多个并行连接的卷积模块,每个所述卷积模块包括第一卷积层和第二卷积层,所述第一卷积层的输出端与所述第二卷积层的输入端连接,每个所述卷积模块的第二卷积层的输出端均与所述级联模块的输入端连接,所述级联模块的输出端与所述SE模块的输入端连接,所述SE模块的输出端与所述展平层的输入端连接,所述展平层的输出端与所述全连接层的输入端连接,多个所述扩展区域的土地利用数据一一对应输入多个所述卷积模块的第一卷积层。
4.根据权利要求3所述的城市扩展预测方法,其特征在于,所述步骤3包括:
分别针对每个所述元胞,将所述元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个所述扩展区域的土地利用数据输入卷积神经网络中的卷积层进行特征提取,得到每个所述元胞在各空间邻域尺度下的CNN空间邻域作用特征;
将每个所述元胞在各空间邻域尺度下的CNN空间邻域作用特征输入级联模块进行特征级联,得到所述元胞的多尺度空间邻域作用特征;
将所述元胞的多尺度空间邻域作用特征输入SE模块进行注意力加权,得到所述元胞的注意力加权多尺度空间邻域作用特征;
将所述元胞的注意力加权多尺度空间邻域作用特征为基础,通过所述卷积神经网络的展平层和全连接层对所述用地转换类型的编码进行映射,得到所述元胞在空间邻域多尺度联合作用下的发展概率Ω。
5.根据权利要求4所述的城市扩展预测方法,其特征在于,
所述SE模块包括依次连接的用于对所述元胞的多尺度空间邻域作用特征进行特征聚合的Squeeze子模块、用于计算聚合后的所述元胞的多尺度空间邻域作用特征的注意力值的Excitation子模块和用于对聚合后的所述元胞的多尺度空间邻域作用特征进行注意力加权的Scale子模块,所述Squeeze子模块的输入端连接所述级联模块的输出端,所述Scale子模块的输入端连接所述级联模块的输出端,所述Scale子模块的输出端连接所述展平层的输入端。
7.根据权利要求1所述的城市扩展预测方法,其特征在于,所述步骤5包括:
分别针对每个所述元胞,通过所述元胞的用地发展概率、所述元胞的转换约束因子和所述元胞在空间邻域多尺度联合作用下的发展概率,计算所述元胞的发展总概率为OP=P×Z×Ω
式中,OP为发展总概率,P为元胞的用地发展概率,Z为元胞的转换约束因子,Ω为元胞在空间邻域多尺度联合作用下的发展概率。
8.一种城市扩展预测装置,其特征在于,包括:
数据获取模块,用于获取用于对目标区域进行城市扩展预测的数据信息;所述目标区域包括多个元胞,所述数据信息包括多个所述元胞中每个元胞的数据;
第一计算模块,用于根据每个所述元胞的数据计算每个所述元胞的用地发展概率;
所述空间邻域多尺度特征融合模型,用于分别针对每个所述元胞,将所述元胞作为中心,分别以预设的多个空间邻域尺度为扩展范围,得到多个扩展区域,并将多个所述扩展区域的土地利用数据输入空间邻域多尺度特征融合模型进行处理,得到所述元胞在空间邻域多尺度联合作用下的发展概率;
构造模块,用于分别针对每个所述元胞,根据所述元胞的原城市用地的用地转移比例,构造所述元胞的转换约束因子;
第二计算模块,用于分别针对每个所述元胞,基于所述元胞的用地发展概率、所述元胞的转换约束因子和所述元胞在空间邻域多尺度联合作用下的发展概率,计算所述元胞的发展总概率。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当该计算机程序被执行时,实现如权利要求1~7中任一项所述的城市扩展预测方法。
10.一种城市扩展预测设备,其特征在于,包括存储器、处理器;所述存储器用于存储计算机程序以及程序处理时候的中间数据,所述处理器用于执行所述计算机程序以实现如权利要求1~7中任一项所述的城市扩展预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932197.7A CN115271221A (zh) | 2022-08-04 | 2022-08-04 | 一种城市扩展预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932197.7A CN115271221A (zh) | 2022-08-04 | 2022-08-04 | 一种城市扩展预测方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115271221A true CN115271221A (zh) | 2022-11-01 |
Family
ID=83748209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210932197.7A Pending CN115271221A (zh) | 2022-08-04 | 2022-08-04 | 一种城市扩展预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271221A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932721A (zh) * | 2022-12-15 | 2023-04-07 | 中际医学科技(山东)有限公司 | 超宽带射频天线的近距离探测系统及其方法 |
-
2022
- 2022-08-04 CN CN202210932197.7A patent/CN115271221A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932721A (zh) * | 2022-12-15 | 2023-04-07 | 中际医学科技(山东)有限公司 | 超宽带射频天线的近距离探测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN114254561B (zh) | 一种内涝预测方法、系统及存储介质 | |
CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN113297174B (zh) | 基于深度学习的土地利用变化模拟方法 | |
CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
CN110689055B (zh) | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 | |
CN107133690A (zh) | 一种河湖水系连通工程方案优选排序方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
CN111008734A (zh) | 洪水危险性的区划和时空演变规律的研究方法 | |
CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
CN115271373A (zh) | 城市群弹性开发边界划定方法及系统 | |
CN115049160B (zh) | 时空大数据的平原工业型城市碳排放量评估方法及系统 | |
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
CN114723283A (zh) | 一种面向城市群的生态承载力遥感评估方法及装置 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
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 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 | |
CN116523415A (zh) | 基于城市扩展深度学习ca模型的城市扩展模拟方法及系统 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN102880753B (zh) | 基于分形维数的土地利用空间特征尺度转换方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN110276478A (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
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 |