GeoCA模型在城市土地利用预测中的应用研究

张正明，程保银，杜阳

(1.江苏省测绘产品质量监督检验站，江苏 南京　210009；　2.苏州市测绘院有限责任公司，江苏 苏州　215000)



GeoCA模型在城市土地利用预测中的应用研究

张正明1*，程保银2，杜阳2

(1.江苏省测绘产品质量监督检验站，江苏 南京210009；2.苏州市测绘院有限责任公司，江苏 苏州215000)

摘要：为了弥补传统基于BP神经网络的GeoCA模型无法兼顾土地利用变化空间分布的缺点，在传统BP神经网络的基础上，添加空间分布集中度约束建立了GeoCA模型，对城市土地利用变化进行预测，在保证土地利用类型转化概率精度的前提下，实现了真正意义上的土地利用变化预测。

关键词：GIS；GeoCA；土地利用；空间分布

1引言

土地利用及其变化是当前全球环境变化与可持续发展的重要内容。将影响土地利用变化格局和过程的自然、经济、环境等作为驱动因子，研究土地利用变化的驱动机制，对土地利用变化进行动态模拟可以揭示土地利用变化的状况、原因、效应等科学问题。一直以来，该领域的研究吸引了许多学者注意，建立了诸多LUCC(Land use and land cover change)模型，对土地利用进行动态模拟。其中比较有代表性的有荷兰瓦赫宁根农业大学研制的CLUE-S模型及后续研究者在其基础上的一些改进模型，如CLUE-SII模型、CLUE-CH模型等。该类模型在土地利用时空变换模拟方面得到过广泛应用，但都是由相互松散的模块构成，缺乏统一的思路实现模型的集成。由美国麻省理工学院教授创立的系统动力学(SD：System Dynamics)模型及其后续的改进模型充分考虑了社会经济因素对土地利用变化的影响，能够从宏观上反映土地系统的复杂行为，但是缺乏对土地利用空间格局特征的模拟。40年代由ULam首先提出的元胞自动机模型(CA，Cellular automata)，被用来研究自组织系统的演变过程，在土地利用动态模拟方面研究很广泛，并成为当前CA应用的热点[1]。它是一种空间离散的动力学模型，具有强大的空间复杂系统运算能力，但是其缺乏对空间信息的处理和分析能力。为此，诸多学者如黎夏、张显峰、刘继生等将CA原理引入到GIS领域，结合GIS强大的空间处理与分析等优点建立的地理元胞自动机(GeoCA)模型[1]，有效地模拟了复杂土地利用的变化过程，为土地利用动态预测的研究做出了突出贡献。研究表明，基于BP神经网络(Back-propagation Neural Network)的GeoCA模型特别适用于模拟非线性系统[2]。本文在前人研究的基础上，利用BP神经网络，提出空间集中度约束性GeoCA模型，不仅满足了土地利用类型转换概率上的精度要求，还弥补了以往做法中难以兼顾土地类型空间分布规律方面的不足。

2GeoCA模型在土地利用中的研究

2.1GeoCA模型原理

从本质上讲， GeoCA模型的原理是依据一定的转换规则，判定代表土地利用信息的栅格数据在不同时刻的状态，从而达到预测的效果。模型可以用如下公式简单描述：

A=(C，S，N，R，T)

(1)

式中，A为地理元胞自动机；C为描述空间实体的单个地理元胞；S为元胞的状态；N为元胞邻域关系；R为状态转换规则，转换规则的确定是模型应用的最核心部分；T表示模型的时间维，规定在某一时刻元胞状态唯一。模型的工作原理可以用图1表示：

这里以选取9个元胞为一个单元为例，对中心元胞的状态转换进行研究。C对应了图中的一个个栅格单元，代表某一具体的地理实体；S对应了栅格单元的颜色，不同的颜色描述了同一属性的不同取值；N对应了除红色以外的其他8个元胞，其状态是影响中心元胞状态转化的重要因素之一。在转换规则R的作用下，完成中心栅格从T到T+1时刻的状态转换，即实现了对地理实体某一特征的动态变化模拟。很显然，在整个过程当中，转换规则的确定至关重要，是模型有效性的决定性因素。

具体应用到土地利用动态预测中，则C代表了各种土地利用类型的地块；N代表了中心地块周围的地块；S代表了某一时刻各地块对应的不同的土地利用类型；而转换规则的确定，除了受N的影响之外，还受其他空间因素的影响。

2.2数据处理

由GeoCA模型原理可以知道，模型的建立是基于栅格数据的。除了研究区域的土地利用信息需要用栅格数据进行表示之外，影响转换规则的各空间因素，也要用栅格数据来描述。研究所需的各种数据均可通过遥感影像来获取，遥感影像的分类图可以作为研究区域土地利用类型的初始状态。

研究表明，影响土地利用变换的因素包括一系列的距离变量、邻近现有土地利用类型的变量、单元的自然属性等[3]。例如，某一单元距离市中心越近，其转变为城市用地的概率越高；若单元本身为水体，那它转化为岩石的概率基本为0等。针对本研究选取的区域特点，选取了包括距市中心距离、距道路距离、邻域用地类型及栅格代表地块的自然属性等在内的13个空间变量作为转换规则的影响因子，并在Arc/Info Grid环境下对各变量进行了提取。

在Arc/Info Grid环境中利用其内置函数Eucdistance、Focal等提取空间距离变量和邻域的用地类型，并可直接用于后续建模之中。考虑到数据表达和数据计算的难易程度，对提取的原始数据进行标准化处理，用0～1之间的数值来表示原始数据的大小。

3模型算法研究

3.1算法的提出

模拟多种土地利用类型之间的变化牵涉的转换关系比较复杂，对于N种类型的用地，最多可以有N×N种可能的转换。单纯的基于BP神经网络(Back-propagation Neural Network)的GeoCA模型虽然较好地预测了土地利用变化的趋势，但其仅从转换数量的角度对模拟结果进行评定，对空间分布规律难以控制，具有一定的盲目性。土地利用变换是一个缓慢的过程，并且其变化特征多反映为中心扩张规律[4]。因此土地利用变化往往呈现出在已有类型周围增加同种用地类型的现象。本文加入空间集中度约束对BP算法进行改进，既保证了土地利用类型的转换概率，又使其尽量接近土地利用变化的空间分布状况，较好地反应了土地利用变化的规律。

3.2空间集中度约束性BP算法

(2)

(3)

BP算法是一种反向学习算法，定义误差函数r为实际输出与期望输出之差的平方和的一半，即：

(4)

在传统的算法中，该误差反应的是输出概率的误差。为了反映土地利用变化的空间分布规律，加入空间集中度误差r′来共同约束土地利用的转换规则。定义r′为实际位置与预测位置之差的平方和的一半，即

(5)

(6)

当p越大时表示空间聚集度越高。

(7)

其中ε为学习步长，且ε>0。

通过推导可得：

(8)

设：

(9)

(10)

则：

(11)

(12)

(13)

设：

(14)

4模型应用与分析

4.1模型应用

以某市沿海区域为研究区域，利用2005年及2010年的TM影像并结合该区域的土地利用变化历史资料进行分类。研究区域的用地类型分为建筑用地、盐田、养殖区、耕地、林地等9种类型。提取了距离市中心距离、距离公路距离、距离海岸带距离、坡度及9种用地类型在内的13个空间变量作为影响因子。

选取三层BP神经网络结构，即一层隐藏层的神经网络来建立模型。输入层13个神经元对应选取的13个空间变量；输出层的9个神经元对应了9种用地类型。在遥感影像上随机选取两组包含 1 000个点的样本，分别进行神经网络的训练与验证，获取模型参数。为了防止出现误差太小而无法终止的情况，增加阈值来控制迭代次数，这里设置转换概率和空间集中度阈值分别为0.75和0.5，迭代次数设置为 1 000，误差期望值设置为0.3作为训练的终止条件。另外将学习速率设置为0.2，若学习速率设置太大，会导致准确率难以收敛。

利用训练好的神经网络，在Arc/InfoGrid环境下，建立了研究区域的GeoCA模型。基于研究区域用地类型的初始状态，对未来几年的土地利用变化进行动态模拟，与未加约束的模拟结果及实际用地情况进行对比，验证研究方案的有效性。

4.2结果分析

将研究区域2005年的遥感影像分类图作为研究区域土地利用的初始状态，对2010年的用地情况进行模拟，并与传统不加空间集中度约束的预测进行结果进行对比，分析本研究的可行性。图2、图3分别表示了基于不带约束的BP神经网络GeoCA模型和论文研究的GeoCA模型模拟的统计结果，模拟精度分别为66.1%和64.1%。图标的X轴表示迭代次数，Y轴代表误差大小。结果表明两者在进行模拟的过程中，类型的转化精度相差不大。

图4为2010年某市未加约束情况下的土地覆盖预测图，图5为2010年某市加约束情况下的土地覆盖预测图，图6为2010年某市实际土地利用分布图。

通过用地类型分类模拟图与实际分类图的对比可以看出，基于空间集中约束的BP神经网络建立的GeoCA模型模拟的结果在空间分布上与实际状况比较一致，而未加空间分布约束的模型模拟的结果在空间上的分布相比于实际情况较为分散。例如建筑用地和盐田的分布就很明显，在实际分类图中呈集中分布，加约束的模型模拟结果与实际情况明显优于未加约束的模拟结果。虽然加空间约束的模型模拟的结果不是每一种用地类型都能优于未加约束的模拟结果，例如盐碱地的分布情况，但是从整体上看，其模拟结果更接近用地类型的分布情况。

综上可知，加空间分布约束的模型能够在保证和传统模型相同水平转换率的情况下，使模拟结果在空间分布上更接近实际的分布情况。从而验证了论文研究模型在预测土地利用变化应用中的有效性。

5结论

将CA技术引入到GIS中，建立GeoCA模型对土地利用变化进行预测，能够揭示土地利用变化的科学规律。传统的基于BP神经网络建立的GeoCA模型虽然能够在转换概率上满足预测的要求，但是其无法兼顾转换类型在空间上的分布，不能真正地实现土地利用变化的预测。本研究提出空间分布集中约束对BP神经网络进行改进，建立了能够同时兼顾转化概率和空间分布规律的GeoCA模型，并通过实际应用验证了模型的有效性。

参考文献

[1]周成虎，孙战利，谢一春. 地理元胞自动机研究[M]. 北京：北京出版社，1999：128～137.

[2]黎夏，刘小平，李少英. 智能式GIS与空间优化[M]. 北京：科学出版社，2010：37～130.

[3]BattyM，XieY.Fromcellstocities.[J].EnvironmentandPlanningB，1994，21：531～548.

[4]王立波. 基于GIS和Geo-CA的营口城市用地扩展模拟预测研究[D]. 长春：东北师范大学，2009.

[5]李凤霞，石辉，冯晓刚等. 西安市土地利用格局动态演变及其驱动力研究.[J]. 测绘通报，2015，12：41～56.

[6]邱小平，于丹，孙若晓等. 考虑坡道的元胞自动机交通流模型研究遥.[J]. 计算机应用研究，2016，33(9).

[7]陈建平，丁火平，王功文等. 基于GIS和元胞自动机的荒漠化演化预测模型[J]. 遥感学报，2004，8(3)：254～260.[8]刘卫芳，夏斌，聂云峰. 基于GIS与多智能体的建设用地变化仿真研究-以广州番禺区为例[J]. 安徽农业科学，2012，40(21)：11083～11085.

[9]王福增，尤丽敏，王凡. 大连市土地利用现状及变化分析[J]. 管理科学，2008，29(6)：123～125.

[10]李德仁，张良培，夏桂松. 遥感大数据自动分析与数据挖掘.[J]. 测绘学报，2014，43(12)：1211～1216.

Research of GeoCA Model Applied in Urban Land Use Prediction

Zhang Zhengming1，Cheng Baoyin2，Du Yang2

(1.Jiangsu Praince Surveying and Mapping Product Quality Supervion and Luspection Station，Nanjing 210009，China；2.Suzhou Surveying & Mapping Institute Co.，Ltd. Suzhou 215006，China)

Key words：GIS；GeoCA；land use；spatial distribution

Abstract：In order to make up for the shortcomings that the traditional method could not take into account the spatial distribution of the land use change，this paper based on the traditional BP neural network，GeoCA model was built by adding the Constraint conditions of spatial distribution concentration degree to predicte the change of city land use.Under the conditions of ensuring the accuracy of land use type conversion probability，the method studied in this paper truly realized the prediction of Land use change.

文章编号：1672-8262(2016)03-55-04

中图分类号：P208.2

文献标识码：B

*收稿日期：2016—04—05

作者简介：张正明(1963—)，男，高级工程师，主要从事测绘产品质检方面的工作。