CN117610707B - 一种城市群生产空间利用预测方法及系统 - Google Patents
一种城市群生产空间利用预测方法及系统 Download PDFInfo
- Publication number
- CN117610707B CN117610707B CN202311366672.XA CN202311366672A CN117610707B CN 117610707 B CN117610707 B CN 117610707B CN 202311366672 A CN202311366672 A CN 202311366672A CN 117610707 B CN117610707 B CN 117610707B
- Authority
- CN
- China
- Prior art keywords
- land
- year
- land utilization
- data
- adopting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 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
- G06Q10/04—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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明属于城市规划相关技术领域,其公开了城市群生产空间利用预测方法及系统,方法包括获取训练阶段的土地利用数据和目标驱动因子,基于土地利用数据和目标驱动因子获得用地转换规则,进一步将上述数据和规则输入FLUS模型获得模拟土地利用分布数据,将模拟土地利用分布数据和真实的土地利用分布数据进行比对实现对FLUS模型的训练,采用多目标遗传优化方法获得预测阶段终止年的土地利用数据,进而将预测阶段终止年的土地利用数据输入训练完成的FLUS模型获得预测年的模拟土地利用分布数据。本申请减少模拟参数设置的主观性造成的影响,使得城市群生产空间模拟精度更高,更加稳定,更加接近实际值。
Description
技术领域
本发明属于城市规划相关技术领域,更具体地,涉及一种城市群生产空间利用预测方法及系统。
背景技术
从功能空间的角度可以把城市空间划分为生产空间、生活空间和生态空间三部分。生产空间是国家区域进行产品生产和生产服务的空间载体,以工业生产空间为主要表现形式。但常出现以城市群为主体的区域空间发展不协调造成区域系统失衡,生产空间区域协作不足,与交通网络匹配度低,产业链、供应链和创新链等生产空间组织协作差,使得生产空间成为矛盾问题最为突出的区域。
FLUS模型是用于模拟和预测人类活动和自然影响下土地利用变化的模型,其原理源自元胞自动机(CA),但相较于传统的元胞自动机,FLUS模型有效处理非线性关系。FLUS模型已经成为多目标下城市群土地利用演化模拟强有力的分析工具之一。但在进行参数设置时,决策者多凭借自身经验和喜好制定规划和参数设置,具有较强的主观性,将遗传算法(GA)应用土地数量结构配置问题中,具有全局搜索功能和自适应性强的特点,但仍然存在对于多目标的支持不足的问题。近年来对于生产空间的研究主要集中于生产空间重构、文化和制度对生产空间的影响、生产空间的格局、演化、模式和动力机制等方面,其中借助GIS和RS手段等空间手段和利用统计数据的定量分析较多,且研究案例多为单个城市,缺乏城市群尺度下生产空间模拟与优化的研究。因此,如何从土地利用变化的视角实现多目标下城市群生产空间的优化,是实现生产空间集约高效利用、完善城市功能空间、促进城镇化可持续发展的关键问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种城市群生产空间利用预测方法及系统,可以精准合理的预测未来城市群的空间分布。
为实现上述目的,按照本发明的一个方面,提供了一种城市群生产空间利用预测方法,包括:
训练阶段
S1:获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地,对各类用地进行栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据;
S2:获取多类驱动因子,采用ANN模型计算各类驱动因子下用地适宜性概率,并利用ROC曲线筛选出强相关的目标驱动因子;
S3:采用DT-CA获得目标驱动因子下城市群各类用地的用地转换规则,以判断当前栅格对应的土地能否转换为其他用地类型;
S4:将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到终止年的模拟土地利用分布数据;
S5:将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对FLUS模型的训练,获得训练完成的FLUS模型;
S6:采用多目标遗传优化方法获得预测阶段终止年的土地利用数据;
预测阶段
S7:将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到预测阶段终止年的模拟土地利用分布数据,实现对未来土地利用分布的预测。
进一步优选的,步骤S6具体为:S61:获取不同目标下的多组土地利用数据,将多组土地利用数据作为初始种群;S62:对初始种群进行非支配排序;S63:对排序后的初始种群进行适应度设置,并采用小生境淘汰技术对种群中的个体进行淘汰获得目标种群;S64:采用精英保留策略将目标种群中排序靠前的N个个体作为非支配解与上一代种群进行结合作为新种群;S65:对所述新种群采用自适应遗传算法进行交叉、变异和迁移后迭代得到最优解即为预测阶段终止年的土地利用数据。
进一步优选的,步骤S62中,对初始种群进行非支配排序具体为:根据种群中个体的受支配程度对个体对应的目标函数值进行非支配排序。
进一步优选的,步骤S63中所述对排序后的初始种群进行适应度设置还包括根据排序序号,给相同排序的非支配解分配相同的适应度值。
进一步优选的,步骤S63中,采用多维向量闵可夫斯基距离函数作为小生境淘汰技术的淘汰准则。
进一步优选的,步骤S65中交叉概率Pc和变异概率Pm为:
其中,f为交叉两个个体中较大的适应度,fmax、fmin和favg分别为种群中最大适应度、最小适应度和平均适应度。
进一步优选的,步骤S2中具体包括:S21:将多类用地的驱动因子进行0,1二值化处理;S22:采用ANN模型提取各类用地在不同驱动因子下的适宜性概率;S23:将用地类型数值和用地适宜性数值进行随机采样;S24:采用ROC曲线工具对采样点进行分析获得ROC曲线和AUC值,根据AUC的值获得强相关性的目标驱动因子。
进一步优选的,所述驱动因子包括生态环境因素、社会经济因素、道路交通因素和产业发展因素。
进一步优选的,步骤S3之前还包括:利用训练阶段起始年的土地利用数据和终止年的实际土地利用数据构建用地转换成本矩阵,赋值为1表示两种用地类型可以相互转换,赋值为0表示两种用地类型不可以相互转换;
进一步优选的,还包括对所述决策树模型进行训练,具体地训练步骤为:将所述用地转换成本矩阵、训练阶段起始年的土地利用数据、目标驱动因子以及各类用地的栅格数量作为输入,将训练阶段终止年的实际土地利用分布数据作为输出生成所述用地转换规则。
本申请另一方面提供了一种城市群生产空间利用预测系统,包括:第一获取模块:用于获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地,对各类用地进行栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据;筛选模块:用于获取多类驱动因子,采用ANN模型计算各类驱动因子下用地适宜性概率,进而筛选出目标驱动因子;第二获取模块:用于采用决策树模型获得目标驱动因子下城市群各类用地的用地转换规则,以判断当前栅格对应的土地能否转换为其他用地类型;第三获取模块:用于将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到终止年的模拟土地利用分布数据;训练模块:用于将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对所述FLUS模型的训练,获得训练完成的FLUS模型;构建模块:用于采用多目标优化方法构建土地利用空间结构优化配置模型,获得预测阶段终止年的土地利用数据;预测模块:用于将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及所述预测阶段终止年的土地利用数据输入FLUS模型得到预测阶段终止年的模拟土地利用分布数据,实现对未来土地利用分布的预测。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的一种城市群生产空间利用预测方法及系统主要具有以下有益效果:
1.本申请首先通过用地适应性评估,筛选出影响用地类型转换的目标驱动因子,获得影响用地类型的关键因素,进一步基于目标驱动因子获得各类用地的用地转换规则,进而基于用地转换规则和训练阶段的土地利用数据实现对FLUS模型的训练,采用多目标遗传算法获得预测阶段终止年的土地利用数据,将预测阶段终止年的土地利用数据和相关参数输入FLUS模型即可实现对未来土地利用分布的预测,由于引入ROC曲线通过AUC值定量判断强相关因子,弥补了ANN模型的“黑箱”缺陷,引入机器学习中具有较好分类效果的决策树模型,利用其选择最佳划分属性建立分类结点的优势构建用地转换规则,所以预测更加精准。
2.本申请采用多目标遗传算法时,由于其能够克服各目标函数之间的相互制约,保证维度控制和参数的一致性,同时其内在并行机制和全局优化特性有利于解决土地利用类型的数量结构优化,所以本文引入多目标遗传算法进行预测阶段的土地利用结构的优化。
3.本申请对交叉概率和变异概率进行了改进,减小了交叉概率和变异概率参数设置过大或过小导致的负面效果。
4.由于具有同一排序的非支配个体,其适应度值是相同的,无法按照传统的小生境技术根据适应度值的大小来淘汰个体,因此本申请创新性引入一种多维向量闵可夫斯基距离函数作为淘汰准则,保证了淘汰个体的合理性。
5.本发明创新性地引入ROC曲线筛选强相关驱动因子,引入DT-CA模型优化用地转化规则的设置,引入改进后的MOGA实现用地数量结构的优化配置,减少模拟参数设置的主观性造成的影响,使得城市群生产空间模拟精度更高,更加稳定,更加接近实际值,赋予了FLUS模型挖掘城市群生产空间驱动机制的能力,且相较于传统模型更加符合未来不同发展政策下的生产空间优化需求。
附图说明
图1是本申请实施例城市群生产空间利用预测方法步骤图;
图2是本申请实施例2010年粤港澳大湾区的土地利用分布示意图;
图3是本申请实施例成产空间用地转换规则决策树示意图;
图4是本申请实施例改进的多目标遗传算的流程示意图;
图5是本申请实施例2020年粤港澳大湾区的模拟土地利用分布数据
图6是本申请实施例2020年粤港澳大湾区的真实土地利用分布数据;
图7是本申请实施例2030年粤港澳大湾区的预测土地利用分布数据。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明为了克服现有技术中FLUS模型中驱动因子、转换规则和用地结构设置的主观性以及传统多目标优化(MOGA)算法的局限性,提高了一种城市群生产空间利用预测方法,通过筛选具有强相关性的目标驱动因子、引入决策树模型优化用地转换规则,引入改进后的MOGA实现用地数量结构的优化配置,从而使得城市群生产空间模拟精度更高,更加稳定,更加接近实际值,赋予了FLUS模型挖掘城市群生产空间驱动机制的能力,相较于传统模型更加符合未来不同发展政策下的生产空间优化需求。
本发明提供的一种城市群生产空间利用预测方法,如图1所示,包括如下步骤S1~S7。
S1:获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地,对各类用地进行栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据。
获取训练阶段起始年和终止年的土地卫星影像并进行处理、校正和重分类,例如,将本实施例选取粤港澳大湾区作为本发明的实施研究对象,从地理空间数据云平台获取2010年和2020年的土地卫星影像,将2010年作为训练阶段的起始年,将2020年作为训练阶段的终止年,本实施例中对土地卫星影像进行监督分类,并将各类工业用地及零星散布的工业园区、独立工厂在内的空间纳入到生产空间分类中,最终将其分为耕地、林地、水域、草地、其他建设用地、未利用地和生产空间7大类,如图2所示。
对各类用地栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据。
S2:获取多类驱动因子,采用ANN模型计算各类驱动因子下用地适宜性概率,进而筛选出目标驱动因子。
初步拟定影响城市群生产空间变化的驱动因子包括生态环境因素、社会经济因素、道路交通因素和产业发展因素。
其中,生态环境因素包括DEM数据、坡度与坡向数据、年均气温、降水数据、河湖湿地保护区、生态公益林保护区等。
社会经济因素包括地均GDP、人口密度、POI核密度、土地利用强度等。
道路交通因素包括距离高速公路距离、距离城市道路距离、距主要公路距离、距铁路距离、距水系距离等。
可以从地理空间数据云平台、OpenStreetMap、粤港澳大湾区统计年鉴等中获取这些数据,并在ArcGIS中进行掩膜提取、计算欧式距离、模糊隶属度等处理,并进行标准化处理后,组成初始驱动力数据。
产业发展因素包括生产性企业核密度、距核心企业距离、工业用地开发强度等。
步骤S2具体包括:
S21:将多类用地的驱动因子进行0,1二值化处理。
S22:采用ANN模型提取各类用地在不同驱动因子下的适宜性概率。
将训练阶段起始年的土地利用数据、多类驱动因子等参数输入ANN模型,输出训练阶段起始年的用地适宜性概率。其中,各类用地在栅格单元的出现概率计算公式为:
其中,netj(p(p,k,t),t)为在t时刻,栅格p在第j个隐藏层所接收到的信号值,wi,j表示通过ANN训练获得的隐藏层和输出层之间的权重值;xi(p(p,k,t),t)表示t时刻栅格p在第i个输入层神经元的变量。
p(p,k,t)为在t时刻,第k种用地类型在栅格p中的出现概率,wj,k为通过ANN模型训练得到的隐藏层和输出层之间的权重值,sigmoid()为隐藏层到输出层的激励函数。
S23:将用地类型和用地适宜性概率进行随机采样。
优选采用在ArcGIS中进行随机采样,将用地类型和用地适宜性概率赋予随机采样点并导出。
S24:采用ROC曲线工具对采样点进行分析获得ROC曲线和AUC值,根据AUC的值获得强相关性的目标驱动因子。
采用SPSS软件中的ROC曲线工具生成ROC曲线和AUC值,其中AUC值越大说明此类驱动因子对于生产空间适宜性的影响越大,基于此筛选出强相关性的驱动因子。
S3:采用决DT-CA获得目标驱动因子下城市群各类用地的用地转换规则,以判断当前栅格对应的土地能否转换为其他用地类型。
该步骤之前还包括利用利用训练阶段起始年的土地利用数据和终止年的实际土地利用数据构建用地转换成本矩阵,如图3所示,赋值为1表示两种用地类型可以相互转换,赋值为0表示两种用地类型不可以相互转换。本实施例利用粤港澳大湾区2010年和2020年实际用地数据生成用地成本转换矩阵,赋值1表示两种用地类型之间可以相互转换,其余赋值为0,表示两种用地类型之间无法相互转换。结合用地转换成本矩阵和目标驱动因子,使用GeoSOS软件中的DT-CA模块来探索各种用地的用地转换规则。
进一步优选的方案中,还包括对所述DT-CA(决策树耦合元胞自动机)模型进行训练,具体地训练步骤为:
将所述用地转换成本矩阵、训练阶段起始年的土地利用数据、目标驱动因子以及各类用地的栅格数量作为输入,将训练阶段终止年的实际土地利用分布数据作为输出生成所述用地转换规则。
S4:将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到终止年的模拟土地利用分布数据。
具体地,将2010年粤港澳大湾区的土地利用数据和目标驱动因子输入ANN模型,将各类用地栅格数量变化值、邻域效应、用地转换规则和惯性系数输入CA模型,得到2020年粤港澳大湾区的模拟土地利用分布数据。
S5:将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对所述ANN模型的训练,获得训练完成的ANN模型。
将终止年的模拟土地利用分布数据和终止年真实的土地利用分布数据进行比对,各位置土地利用类型空间上的一致性可以采用Kappa系数来检测,计算公式为:
其中,P0为模拟结果正确的比例,Pc为为随机条件下期望的模拟结果正确的比例,1为理想情况下模拟结果正确的比例。其中,Kappa值越接近1,说明模拟进度越高。
本实施例中,将2020年粤港澳大湾区的模拟土地利用分布数据(如图5所示)和2020年粤港澳大湾区的真实土地利用分布数据(如图6所示)进行比对,得到Kappa系数为0.8964,总体精度为93.37%,说明该FLUS模型模拟效果较好。
S6:采用多目标遗传优化方法获得预测阶段终止年的土地利用数据。
土地利用空间结构优化配置模型可以用如下多目标整数规划模型来描述:
maxy={y1=F1(x),y2=F2(x),…,ym=Fm(x)}
其中,Fm(x)为第m个约束目标,x为带有n个决策变量的向量,组成决策空间;y为带有m个约束目标函数的向量,组成目标空间。
例如,当F1(x)为土地用途变更费用最低优化目标时:
当F2(x)为经济效益最大优化目标时:
当F3(x)为土地用途的土地适宜性最大为优化目标时:
当为F4(x)土地单元紧致性最大为优化目标时:
其中,n为土地单元总数,cik为第i个土地单元的生态效益系数,bik为第i个土地单元的单位面积经济效益指数;sik为第i个土地单元的土地用途k个适应性评价指数,若第i个土地单元为第k种土地利用类型时,xik=1,否则xik=0,lijh为土地单元i与土地单元j的第h条公共边的边长,Ck为生态效益目标,Bk为经济效益目标,Sk为第k种土地用途的土地适宜性目标,Zk为土地单元紧致性即形状目标。
本申请将多目标遗传优化方法MOGA用于土地利用数量结构优化中,如图5所示,即通过种群初始化、适应度函数设置、选择操作、自适应遗传算法参数调节和交叉、变异和迁移后不断迭代,最终得到一组多目标函数的Pareto最优解集。步骤S6具体为:
S61:获取不同目标下的多组土地利用数据,将多组土地利用数据作为初始种群。
S62:对初始种群进行非支配排序。
在进化寻优的过程中,种群个体有些是非支配的,有些是受支配的,即存在在各个目标上都优于它的解,而受支配的个体又有强支配和弱支配,如何给相同支配程度的个体分配适应度,使得非支配个体继续进化下去,并且使受支配的个体逐渐向Pareto前沿面靠近,是多目标优化的关键问题。
因此,在种群初始化中,引入非支配排序的群体分级机制,首先根据受支配程度对目标函数值进行非支配排序,对非支配解标记排序为1,然后从目标空间中移除,在剩余的目标空间中继续寻找非支配解并标记为2,以此类推直到所有目标函数值均完成排序,其中排序越靠前的目标值,对应的非支配程度越高,应进行进化下去。
S63:对排序后的初始种群进行适应度设置,并采用小生境淘汰技术对种群中的个体进行淘汰获得目标种群。
本步骤中,引入改进的小生境淘汰技术,避免局部收敛和早熟,以获得均匀分布的Pareto解集。根据排序序号,给相同排序的非支配解分配相同的适应度值,使其获得相同的复制概率。其中适应度设置函数如下:
其中,sp表示第一步排序后,从小到大每个值的位置属性;q为个体在排序种群中的位置,fV(q)为q位置上个体的适应度值,M为种群中个体的数量。
现有技术的小生境淘汰运算中,个体之间的距离公式为:
其中,Ma和Mb分别为种群中第a个和第b个个体对应的目标向量,当||Ma-Mb||<L时,说明两个个体的距离较近,可以看做一个小生境,其中L为小生境之间的距离参数。
本申请中,由于具有同一排序的非支配个体,其适应度值都是相同的,无法按照传统的小生境技术根据适应度的大小来淘汰个体,因此引入一种多维向量闵可夫斯基距离函数作为淘汰准则,把目标空间中的目标函数值,看作Q维空间中的向量,以个体与原点的闵可夫斯基距离作为淘汰准则,其公式如下:
其中,d表示目标空间中的第d个目标,对于求最大化问题,目标向量的各分量越大越好,相应的向量闵可夫斯基距离值越大越好。在同一排序的个体中,若两个个体间距离小于某一规定值时,就比较两个个体的与原点的闵可夫斯基距离值,对于闵可夫斯基距离值较小的个体处以惩罚函数,在下一轮进化中淘汰。
S64:采用精英保留策略将目标种群中排序靠前的N个个体作为非支配解与上一代种群进行结合作为新种群。
本步骤为选择操作,对排序靠前的N个个体(N应根据种群大小,进行适当选择),采用精英保留策略,其作为优秀的非支配解与上一代产生的新种群M个个体进行结合,作为下一步遗传操作的新群体。
S65:对所述新种群采用自适应遗传算法进行交叉、变异和迁移后迭代得到最优解即为预测阶段终止年的土地利用数据。
多目标遗传算法参数中交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所在,为了减少Pc和Pm参数设置过大或过小导致的负面效果,本发明创新性地对Pc和Pm做出以下改进:
其中,f为交叉两个个体中较大的适应度,fmax、fmin和favg分别为种群中最大适应度、最小适应度和平均适应度。
S7:将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到预测阶段终止年的模拟土地利用分布数据,实现对未来土地利用分布的预测。
若预测起始年的为2020年,则可以预测2020年之后的土地利用分布,例如预测2030年的土地利用分布,此时将2020年的粤港澳大湾区的土地利用数据、目标驱动因子、用地转换规则以及经过步骤S6模拟的2030年的土地利用数据输入FLUS模型得到预测阶段终止年2030的模拟土地利用分布数据(如图7所示)。
表1
本另一方面提供了一种城市群生产空间利用预测系统,该系统包括第一获取模块、筛选模块、第二获取模块、第三获取模块、训练模块、构建模块和预测模块,其中:
第一获取模块:用于获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地,对各类用地进行栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据;
筛选模块:用于获取多类驱动因子,采用ANN模型计算各类驱动因子下用地适宜性概率,进而筛选出目标驱动因子;
第二获取模块:用于采用决策树模型获得目标驱动因子下城市群各类用地的用地转换规则,以判断当前栅格对应的土地能否转换为其他用地类型;
第三获取模块:用于将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到终止年的模拟土地利用分布数据;
训练模块:用于将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对所述FLUS模型的训练,获得训练完成的FLUS模型;
构建模块:用于采用多目标优化方法获得预测阶段终止年的土地利用数据;
预测模块:用于将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及所述预测阶段终止年的土地利用数据输入FLUS模型得到预测阶段终止年的模拟土地利用分布数据,实现对未来土地利用分布的预测。本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种城市群生产空间利用预测方法,其特征在于,包括:
训练阶段
S1:获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地,对各类用地进行栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据;
S2:获取多类驱动因子,采用ANN模型计算各类驱动因子下用地适宜性概率,并利用ROC曲线筛选出强相关的目标驱动因子;步骤S2中具体包括:
S21:将多类用地的驱动因子进行0,1二值化处理;
S22:采用ANN模型提取各类用地在不同驱动因子下的适宜性概率;
S23:将用地类型数值和用地适宜性数值进行随机采样;
S24:采用ROC曲线工具对采样点进行分析获得ROC曲线和AUC值,根据AUC的值获得强相关性的目标驱动因子;
所述驱动因子包括生态环境因素、社会经济因素、道路交通因素和产业发展因素;
利用训练阶段起始年的土地利用数据和终止年的实际土地利用数据构建用地转换成本矩阵,赋值为1表示两种用地类型可以相互转换,赋值为0表示两种用地类型不可以相互转换;
S3:采用DT-CA获得目标驱动因子下城市群各类用地的用地转换规则,以判断当前栅格对应的土地能否转换为其他用地类型;
S4:将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到终止年的模拟土地利用分布数据;
S5:将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对FLUS模型的训练,获得训练完成的FLUS模型;
S6:采用多目标遗传优化方法获得预测阶段终止年的土地利用数据;
步骤S6具体为:
S61:获取不同目标下的多组土地利用数据,将多组土地利用数据作为初始种群;
S62:对初始种群进行非支配排序;具体为:根据种群中个体的受支配程度对个体对应的目标函数值进行非支配排序;
S63:对排序后的初始种群进行适应度设置,并采用小生境淘汰技术对种群中的个体进行淘汰获得目标种群;步骤S63中所述对排序后的初始种群进行适应度设置还包括根据排序序号,给相同排序的非支配解分配相同的适应度值;步骤S63中,采用多维向量闵可夫斯基距离函数作为小生境淘汰技术的淘汰准则;
S64:采用精英保留策略将目标种群中排序靠前的N个个体作为非支配解与上一代种群进行结合作为新种群;
S65:对所述新种群采用自适应遗传算法进行交叉、变异和迁移后迭代得到最优解即为预测阶段终止年的土地利用数据;步骤S65中交叉概率Pc和变异概率Pm为:
其中,f为交叉两个个体中较大的适应度,fmax、fmin和favg分别为种群中最大适应度、最小适应度和平均适应度;
预测阶段
S7:将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到预测阶段终止年的模拟土地利用分布数据,实现对未来土地利用分布的预测。
2.一种利用权利要求1所述的城市群生产空间利用预测方法的城市群生产空间利用系统,其特征在于,包括:
第一获取模块:用于获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地,对各类用地进行栅格化,获取不同用地类型的栅格数量和颜色,得到起始年的土地利用数据和终止年的土地利用数据;
筛选模块:用于获取多类驱动因子,采用ANN模型计算各类驱动因子下用地适宜性概率,进而筛选出目标驱动因子;
第二获取模块:用于采用决策树模型获得目标驱动因子下城市群各类用地的用地转换规则,以判断当前栅格对应的土地能否转换为其他用地类型;
第三获取模块:用于将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入FLUS模型得到终止年的模拟土地利用分布数据;
训练模块:用于将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对所述FLUS模型的训练,获得训练完成的FLUS模型;
构建模块:用于采用多目标优化方法获得预测阶段终止年的土地利用数据;
预测模块:用于将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及所述预测阶段终止年的土地利用数据输入FLUS模型得到预测阶段终止年的模拟土地利用分布数据,实现对未来土地利用分布的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311366672.XA CN117610707B (zh) | 2023-10-19 | 2023-10-19 | 一种城市群生产空间利用预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311366672.XA CN117610707B (zh) | 2023-10-19 | 2023-10-19 | 一种城市群生产空间利用预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117610707A CN117610707A (zh) | 2024-02-27 |
CN117610707B true CN117610707B (zh) | 2024-05-24 |
Family
ID=89948590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311366672.XA Active CN117610707B (zh) | 2023-10-19 | 2023-10-19 | 一种城市群生产空间利用预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610707B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131731A (zh) * | 2020-09-15 | 2020-12-25 | 同济大学 | 一种基于空间特征向量滤波的城市生长元胞模拟方法 |
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
CN114357879A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
CN114723142A (zh) * | 2022-04-11 | 2022-07-08 | 中国矿业大学 | 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法 |
-
2023
- 2023-10-19 CN CN202311366672.XA patent/CN117610707B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021103323A1 (zh) * | 2019-11-29 | 2021-06-03 | 青岛理工大学 | 一种历史城市保护发展协同控制方案辅助设计系统 |
CN112131731A (zh) * | 2020-09-15 | 2020-12-25 | 同济大学 | 一种基于空间特征向量滤波的城市生长元胞模拟方法 |
CN114357879A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
CN114723142A (zh) * | 2022-04-11 | 2022-07-08 | 中国矿业大学 | 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法 |
Non-Patent Citations (1)
Title |
---|
Simulation of land use change in central Yunnan based on FLUS model;Manhao Luo, Shuangyun Peng;ICIBA 2020;20201214;1375-1378 * |
Also Published As
Publication number | Publication date |
---|---|
CN117610707A (zh) | 2024-02-27 |
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 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN106503689A (zh) | 基于粒子群算法的神经网络局部放电信号模式识别方法 | |
CN105931116A (zh) | 基于深度学习机制的自动化信用评分系统及方法 | |
CN102238686A (zh) | 一种模型化量子遗传算法的无线传感器网络路由方法 | |
CN102594909A (zh) | 基于共邻矩阵谱信息的多目标社区检测方法 | |
CN108090624B (zh) | 一种改进元胞自动机的城市生态安全模拟与预测的方法 | |
CN114202122A (zh) | 基于马尔可夫聚类图注意力网络的城市交通流量预测方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN108052968A (zh) | 一种qsfla-svm的感知入侵检测方法 | |
WO2022257190A1 (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
CN109583588A (zh) | 一种短期风速预测方法及系统 | |
Zhang et al. | Basic farmland zoning and protection under spatial constraints with a particle swarm optimisation multiobjective decision model: a case study of Yicheng, China | |
CN108446712A (zh) | Odn网智能规划方法、装置及系统 | |
CN110222133A (zh) | 一种考虑景观指数的多类土地利用模拟预测方法及装置 | |
CN113989544A (zh) | 一种基于深度图卷积网络的群体发现方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN117610707B (zh) | 一种城市群生产空间利用预测方法及系统 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN114265954A (zh) | 基于位置与结构信息的图表示学习方法 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
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 |