Simulating urban land use change by integrating a convolutional neural network with vector-based cellular automata
耦合卷积神经网络与矢量元胞自动机的城市土地利用变化模拟
成果信息:
Zhai, Y.#, Yao Y.#, Guan Q.*, Liang X., Li X., Pan Y., Yue H., Yuan Z. & Zhou J., 2020.Simulating urban land use change by integrating a convolutional neural network with vector-based cellular automata. International Journal of Geographical Information Science, DOI: 10.1080/13658816.2020.1711915.
论文链接:http://dx.doi.org/10.1080/13658816.2020.1711915
团队成员
翟雅倩(第一作者),博士生,154.com皇冠,主要从事时空大数据挖掘与模拟方面的研究。
姚尧(共同第一作者),博士,154.com皇冠,副教授,硕士生导师。主要从事时空大数据挖掘、多源时空数据融合、城市计算等方面的研究。
关庆锋*(通讯作者),博士,154.com皇冠,教授,博士生导师。主要从事高性能空间计算、空间计算智能、时空大数据挖掘与模拟等方面的研究。
联系邮箱:guanqf@cug.edu.cn
梁迅,博士后,154.com皇冠,主要从事土地利用变化模拟、城市计算等方面的研究。
黎夏,博士,华东师范大学地理科学学院,教授,博士生导师。主要从事地理信息科学、元胞自动机与多智能体、遥感应用等方面的研究。
潘永婷,博士生,154.com皇冠,主要从事时空大数据挖掘、城市计算等方面的研究。
岳汉秋,博士生,154.com皇冠,主要从事复杂网络分析、时空大数据挖掘、图学习等方面的研究。
袁泽皓,硕士生,154.com皇冠,主要从事城市计算方面的研究。
周剑锋,硕士生,154.com皇冠,主要从事城市计算方面的研究。
成果介绍
伴随着中国快速城市化进程,城市空间不断向外扩张,同时城市内部土地利用结构也发生着变化。近年来,采用元胞自动机模型进行城市模拟,已经成为了解和探索城市土地利用动态变化过程的重要途径。然而以往研究在挖掘元胞转换适宜性时,往往只考虑元胞的本地驱动因子属性对用地类型变化的影响,忽视元胞周边领域内的驱动因子作用。
本研究提出一个耦合卷积神经网络和矢量元胞自动机的土地利用变化模拟模型框架——CNN-VCA模型。该模型以地籍地块为基本元胞单元,利用卷积神经网络提取不规则地块周边邻域内驱动因子的复杂特征,并挖掘邻域尺度下驱动力因素对地块转换适宜性的影响。本研究框架结构如图1所示:
图1 CNN-VCA模型框架结构示意图
CNN-VCA模型一共分为四个部分:(1)基本元胞单元的生成:基于历史土地利用数据得到土地利用变化数据,采用迭代二分的策略将地块分裂为较小地块作为模型的基本元胞单元,并对元胞的属性即土地利用变化类型进行编码。(2)基于CNN的地块转换适宜性挖掘:首先根据矢栅数据位置映射,构建地块邻域内驱动因子数据集;然后将构建的驱动因子数据集和采样土地利用变化数据,放入CNN模型中进行训练,经过多次训练和反馈,选择出最优CNN模型,提取得到地块邻域内驱动因素的复杂高级特征;最后将CNN中的softmax分类器替换为RF分类器,挖掘地块土地利用变化与其邻域内驱动因子之间的关系。使用历史数据进行训练后,CNN-RF模块可用于计算得到每个地块的转换适宜性。(3)结合CA其它要素计算地块的最终转换可能性:通过结合转换适宜性、邻域土地利用效应、约束系数和随机因子,计算每个地块所对应的各土地利用变化类型的转换可能性概率。另模型中的相关参数以历史数据为依据进行校正。(4)精度评价和未来模拟:校准后的CNN-VCA模型用于历史时期土地利用变化模拟,并对模拟结果精度进行评价。基于该模型,可模拟生成多种情景下的未来城市土地利用空间格局。
本研究将提出的CNN-VCA模型应用于广东省深圳市的土地利用变化模拟(图2)。深圳市是中国城市化程度最高的地区之一(图3)。
图2 研究区位置
图3 深圳市2009-2014土地利用现状
图4为2012年深圳市土地利用模拟结果与真实结果的对比,图5为对比结果细节示例。精度评价结果如表1和表2所示。
图4 CNN-VCA模型模拟结果与真实结果对比
图5模拟结果与真实结果对比细节
结果表明:与其它现有的VCA模型(如逻辑回归-VCA,人工神经网络-VCA和随机森林-VCA)相比,CNN-VCA模型实现了最高的模拟精度(FoM指数为0.361,景观相似度为0.948)。
表1. FoM指数精度验证结果
Results |
LR-VCA |
ANN-VCA |
RF-VCA |
CNN-VCA |
FoM |
0.023 |
0.078 |
0.323 |
0.361 |
PA |
0.038 |
0.133 |
0.475 |
0.514 |
UA |
0.054 |
0.149 |
0.498 |
0.539 |
表2. 景观相似度精度验证结果
Results |
NP |
LPI |
ENN |
PARA |
Similarity |
Actual land use |
28658 |
67.566 |
123.548 |
907.810 |
|
LR-VCA |
28181 |
67.036 |
119.633 |
908.540 |
0.855 |
ANN-VCA |
28089 |
67.226 |
119.570 |
911.376 |
0.901 |
RF-VCA |
28246 |
67.293 |
119.521 |
909.212 |
0.920 |
CNN-VCA |
28329 |
67.411 |
119.762 |
914.829 |
0.948 |
本研究构建了一种耦合卷积神经网络和矢量元胞自动机的城市土地利用变化模拟模型,并应用于深圳市土地利用变化模拟,较于其它现有的VCA模型,该模型能够有效挖掘邻域尺度下驱动力因素对地块转换适宜性的影响,得到了最高的模拟精度,并获取更多形态细节信息。未来的研究方向考虑模拟多种发展策略下的城市土地利用情景,以期更好地协助政府部门制定合理的长期土地政策和规划管理。