基于RS与GIS的城市边缘空间扩张趋势预测仿真

靳云龙,吕 静,冯志佰,尹钰博

(1. 吉林建筑大学建筑与规划学院,吉林 长春130000;2. 长春师范大学地理科学学院,吉林 长春 130000)

1 引言

现阶段,随着我国经济体的不断发展及城市建设的不断发展,城市和农村等地的土地利用动态都发生了巨大的变化。根据当地经济体制的改革、工业、农业的生产方向变化,城市分化为中心体及边缘体两种形式。中心体一般位于城市的中心枢纽地带,也是经济发展的中心;而边缘体位于边缘地带,是城市进行扩张建设的重点及利用点。对于存在发展目标的城市来说,边缘体才是主要的开发对象,为保证空间扩张的准确性和有效性,根据近年来城市规划目标,对可行范围进行扩张预测。

文献[1]提出一种基于空间区位条件的城市用地扩张预测算法。对待检测区域的地质特征、面积、硬度以及湿度等属性信息进行采集,利用聚类模型划分相同属性特征的区域,计算该区域值在时间序列下的熵值系数,得到下一时刻的状态值。但是只考虑时间关系,预测结果会存在很大误差;文献[2]则提出一种多元主体视角下大城市边缘区空间治理预测算法。设置包含多个主体的预测模型,计算待检测区域作为模型主体时的向量完成预测。该方法没有考虑到自然灾害因素的影响,受干扰概率大,容易出现误差影响。

基于上述问题,本文利用RS与GIS技术的数据采集特点,分析预测地的历史数据变化,给出适配性最高的采集方案。根据数据的时序变化进行干扰项去噪,降低因外界风力、风向、暴雨、雷电以及人为因素的影响。建立预测空间,通过空间内包含的占地面积、预测地面积以及房屋数据的预测点,获得状态观测序列实时状态值,预测出每个数据的扩张比例系数。该方法可精准预测不同类型的目标数据,通过状态序列获取到的观测数据时效性强,以空间模拟的形式减少普通算法容易出现的误差影响。算法整体逻辑表达能力强,计算过程简单易实现。

2 基于RS与GIS的城市边缘数据采集与去噪

RS(Remote Sensing)遥感技术具有实时性强、检测周期小、数据反馈速度快以及准确性高的特点[3],可为扩张预测方法提供强大的数据源支持。GIS(Geographic Information System)地理信息系统技术,具有覆盖面积大的特点。本文结合这两种技术进行趋势预测,可实时掌握待预测土地的动态数据、扩张模式以及利用率指数等信息的变化,来计算模拟各个扩张关键参数的转换特征,为后续的预测结果打下良好基础。对于RS采集来说,不同的光谱颜色会带来不同的采集效果,其关键参数如表1所示。

表1 RS遥感图像关键参数

通过分析历史地理信息数据库中遥感图像噪声数据特点,参照国家给出的既定标准值,得出存在地理或天气因素影响的遥感噪声[4]为

(1)

公式中,ι表示去噪系数[5];C1表示地质灾害引起的噪声值;C2表示地形地貌引起的噪声值;C3表示断裂构造[6]引起的噪声值;C4表示地震环境引起的噪声值。根据该公式计算得出的调节系数ι即可实现精准去噪。

3 城市边缘预测空间建立

预测空间是一种可以描述数据时间离散关系的空间,在该空间中可通过每个数据在时间序列[7]上的实时状态阈值,来获取下一时刻的状态阈值。

假设,整个城市边缘空间扩张的范围为一个时间不变的线性变化现象,整体变化规律性较强,这样就可通过CARAM(Content Addressable Random Access Memory)内容定址随机存取存储器模型进行具体描述[8],求得空间维度和时间序列等值,具体表达公式为

C(p-1)x(l)=A(p-1)y(l)+B(p-1)z(l)

(2)

或

(3)

式中,x(l)、y(l)、z(l)分别表示随机模型的控制输入值、输出值和标准值;A(p-1)、B(p-1)、C(p-1)分别表示根据三个值检测到的数据集序列;p-1表示后移算子;l表示空间维度[9]。

利用随机模型并结合(2)、(3)描述预测空间中的数据时间序列

(4)

式中,α、β、χ、δ、ε均表示数据的时间序列向量值[10]。基于此,得到时间序列向量矩阵为

(5)

式中,ei、fi分别对应预测空间的各方位的信息响应域[11]及数据流域[12]。

对于属于单方位响应序列中的数据,根据信息流变化规律推导得出控制输入值x(l)、输出值y(l)、标准值z(l)之间的流域关系,即

(6)

通过该公式得出的空间流域状态ζ,能够验证式(5)向量矩阵的可行性。将历史的扩张数据输入到矩阵中,即可得到信息响应域及数据流域分布最为合理的预测空间。

4 城市边缘空间预测算法实现

根据上述式(2)得出的CARAM随机储存模型,对预测空间中的待预测数据集序列A(p-1)、B(p-1)、C(p-1)进行实时状态表达为

A′(p-1)=1+q1p-1+q2p-1+…+qnp-n-1

B′(p-1)=1+w1p-1+w2p-1+…+wnp-1n+1

C′(p-1)=1+r1p-1+r2p-1+…+rnpn+1

(7)

其数据节点间中的对应状态如下

x(l+1)=αA′(l)+βy′(k)+χz′(k)

y(k)=x(l)+B′(l)=A′(l)+εC′(l)

(8)

待预测数据的时间序列的向量矩阵Q″为

(9)

利用数据数学归纳模型[13],将上述输出值根据实际考察的属性特征,例如占地面积[14]、预测地的面积以及城市数据量等,进行归纳输出

(10)

式中,λki表示在预测空间k中的第i个待预测区域的实际占地面积;ϑki表示在预测空间k中的第i个待预测区域的预测占地面积;ωi表示发展潜力权重[15];ρ表示城市边缘空间扩张范围内扩张比例系数。

5 仿真研究

5.1 仿真设置

仿真以某城市为研究对象,该城市人口约为205万人,用于建设的用地面积约为89km2。近5年来,城市规模不断扩张,已经从单方向转为多方向快速发展,边缘城市周围多为耕地、林地、草地、水域以及山林等区域。

本次仿真将从中挑选最具有代表性的林地、耕地、以及水域覆盖面积为评价指标,预测2021年6月以后,城市边缘接下来10个月的扩张趋势。将实际扩张数据作为参考值,与基于空间区位条件的扩张预测法、基于多元主体视角空间预测法进行对比分析。仿真数据均来自MYSQL数据库中,其中包含各类RS与GIS地理数据,覆盖面广、数据容纳量大,地域数据及原始面积如表2所示。

表2 扩张地域原始面积参数

5.2 城市房屋扩张趋势可视化预测结果对比

采用RS图像判定三种方法房屋扩张预测的结果,如图1所示。

图1 仿真预测结果

从图1中可以看出,本文方法的扩张预测效果是最佳的,对比已扩张完成及正在扩张的区域,是与实际变化吻合度最高的,符合实际标准。基于空间区位条件的法整体预测的正在扩张趋势过大;基于多元主体视角空间法则是预测的正在扩张趋势过小,二者均与实际表达不一致。主要原因就是:传统算法没有考虑到外界风力、风向、暴雨以及大雪等天气因素导致的噪声问题,噪声值会干扰算法对下一时刻扩张目标的判断,增加预测误差使得结果不理想。

5.3 林地、耕地、水域覆盖面积扩张趋势预测对比

三种方法对于林地、耕地以及水域覆盖面积扩张趋势预测精度如图2～4所示。

图2 林地扩张面积预测对比曲线

从图2和图3中可以看出,林地和耕地预测结果,本文预测曲线的波动趋势及数值变化均与实测曲线基本保持一致,而另外两种方法曲线变动幅度与实测表达不相符,差异较大。由于林地和耕地面积属于一种肉眼可清晰观测到的实质性扩张指标,变动的幅度会相对明显一些,通过扩张的横向范围就可实现预测效果的准确判定。

图3 耕地扩张面积预测对比曲线

由图4可知,相比于林地及耕地的预测结果,三者均出现了不同程度的误差,但相比之下,本文依然是其中与实测曲线贴合度最高的。之所以出现小幅度的误差是因为:水域指标具有一定的不确定因素,天气、温度、湿度、光照等因素都会引起水域面积的变化,并且自然灾害属于直接影响因素是无法避免的,机器及人工都难以做到百分百判定,所以,水域变化预测存在较小误差是可以接受的。

5.4 整体扩张方向预测对比分析

城市边缘空间扩张方向也是趋势预测的一项重要指标,基于该指标三种方法的预测结果如图5所示。

图5 整体扩张方向预测结果

从图5中可以看出,本文预测结果和实测结果都偏向于东南方向,另外两种方法则是均偏向于西北方向。由于扩张方向属于一种线性判定指标,一旦预测前期判断错误,后续就很难扭转预测方向。二者算法由于前期预测目标定位不准确,导致整体的预测方向都跟随线性发展。综合结果判定,本文方法的预测精准度最高、性能表现最强,应用价值较高。另外两种方法预测失误还有一个原因就是:二者算法的预测重心主要着重于面积、距离、路径以及深度这些显现指标上,对于扩张方向这种虚拟性较强的参数不具备一定的勘测能力,受外界误差影响过大且算法抗干扰能力差,受到风向、风力、暴雨、雷电以及大雪这些不定时的自然因素影响时,预测误差过大。

6 结论

本文利用RS与GIS技术对数据捕捉的准确率高,覆盖率大,数据储存量高的特点,并根据数据之间的时序关系对其进行去噪处理。通过城市的地形结构特点,得出城市边缘位置的信息熵值,对边缘区域实现精准划分,最终,在建立的预测空间内完成高效预测。本文方法对边缘数据的特征分析能力较强,预测过程逻辑表达清晰,算法直观、简便、易实施,数据量耗用小。仿真结果表明,无论是从扩张的面积还是扩张的方向指标来看,本文预测算法表现结果最为优异,可行性和实用能力强。结合城市中心的发展概念,给出具体的扩张方向、扩张面积、扩张维度等实质指标及人口数量、GDP增长等虚拟指标是下一步的预测方向。