GeoCA模型在城市土地利用預測中的應用研究

張正明，程保銀，杜陽

(1.江蘇省測繪產品質量監督檢驗站，江蘇 南京　210009；　2.蘇州市測繪院有限責任公司，江蘇 蘇州　215000)

?

GeoCA模型在城市土地利用預測中的應用研究

張正明1*，程保銀2，杜陽2

(1.江蘇省測繪產品質量監督檢驗站，江蘇 南京210009；2.蘇州市測繪院有限責任公司，江蘇 蘇州215000)

摘要：為了彌補傳統基于BP神經網絡的GeoCA模型無法兼顧土地利用變化空間分布的缺點，在傳統BP神經網絡的基礎上，添加空間分布集中度約束建立了GeoCA模型，對城市土地利用變化進行預測，在保證土地利用類型轉化概率精度的前提下，實現了真正意義上的土地利用變化預測。

關鍵詞：GIS；GeoCA；土地利用；空間分布

1引言

土地利用及其變化是當前全球環境變化與可持續發展的重要內容。將影響土地利用變化格局和過程的自然、經濟、環境等作為驅動因子，研究土地利用變化的驅動機制，對土地利用變化進行動態模擬可以揭示土地利用變化的狀況、原因、效應等科學問題。一直以來，該領域的研究吸引了許多學者注意，建立了諸多LUCC(Land use and land cover change)模型，對土地利用進行動態模擬。其中比較有代表性的有荷蘭瓦赫寧根農業大學研制的CLUE-S模型及后續研究者在其基礎上的一些改進模型，如CLUE-SII模型、CLUE-CH模型等。該類模型在土地利用時空變換模擬方面得到過廣泛應用，但都是由相互松散的模塊構成，缺乏統一的思路實現模型的集成。由美國麻省理工學院教授創立的系統動力學(SD：System Dynamics)模型及其后續的改進模型充分考慮了社會經濟因素對土地利用變化的影響，能夠從宏觀上反映土地系統的復雜行為，但是缺乏對土地利用空間格局特征的模擬。40年代由ULam首先提出的元胞自動機模型(CA，Cellular automata)，被用來研究自組織系統的演變過程，在土地利用動態模擬方面研究很廣泛，并成為當前CA應用的熱點[1]。它是一種空間離散的動力學模型，具有強大的空間復雜系統運算能力，但是其缺乏對空間信息的處理和分析能力。為此，諸多學者如黎夏、張顯峰、劉繼生等將CA原理引入到GIS領域，結合GIS強大的空間處理與分析等優點建立的地理元胞自動機(GeoCA)模型[1]，有效地模擬了復雜土地利用的變化過程，為土地利用動態預測的研究做出了突出貢獻。研究表明，基于BP神經網絡(Back-propagation Neural Network)的GeoCA模型特別適用于模擬非線性系統[2]。本文在前人研究的基礎上，利用BP神經網絡，提出空間集中度約束性GeoCA模型，不僅滿足了土地利用類型轉換概率上的精度要求，還彌補了以往做法中難以兼顧土地類型空間分布規律方面的不足。

2GeoCA模型在土地利用中的研究

2.1GeoCA模型原理

從本質上講， GeoCA模型的原理是依據一定的轉換規則，判定代表土地利用信息的柵格數據在不同時刻的狀態，從而達到預測的效果。模型可以用如下公式簡單描述：

A=(C，S，N，R，T)

(1)

式中，A為地理元胞自動機；C為描述空間實體的單個地理元胞；S為元胞的狀態；N為元胞鄰域關系；R為狀態轉換規則，轉換規則的確定是模型應用的最核心部分；T表示模型的時間維，規定在某一時刻元胞狀態唯一。模型的工作原理可以用圖1表示：

這里以選取9個元胞為一個單元為例，對中心元胞的狀態轉換進行研究。C對應了圖中的一個個柵格單元，代表某一具體的地理實體；S對應了柵格單元的顏色，不同的顏色描述了同一屬性的不同取值；N對應了除紅色以外的其他8個元胞，其狀態是影響中心元胞狀態轉化的重要因素之一。在轉換規則R的作用下，完成中心柵格從T到T+1時刻的狀態轉換，即實現了對地理實體某一特征的動態變化模擬。很顯然，在整個過程當中，轉換規則的確定至關重要，是模型有效性的決定性因素。

具體應用到土地利用動態預測中，則C代表了各種土地利用類型的地塊；N代表了中心地塊周圍的地塊；S代表了某一時刻各地塊對應的不同的土地利用類型；而轉換規則的確定，除了受N的影響之外，還受其他空間因素的影響。

2.2數據處理

由GeoCA模型原理可以知道，模型的建立是基于柵格數據的。除了研究區域的土地利用信息需要用柵格數據進行表示之外，影響轉換規則的各空間因素，也要用柵格數據來描述。研究所需的各種數據均可通過遙感影像來獲取，遙感影像的分類圖可以作為研究區域土地利用類型的初始狀態。

研究表明，影響土地利用變換的因素包括一系列的距離變量、鄰近現有土地利用類型的變量、單元的自然屬性等[3]。例如，某一單元距離市中心越近，其轉變為城市用地的概率越高；若單元本身為水體，那它轉化為巖石的概率基本為0等。針對本研究選取的區域特點，選取了包括距市中心距離、距道路距離、鄰域用地類型及柵格代表地塊的自然屬性等在內的13個空間變量作為轉換規則的影響因子，并在Arc/Info Grid環境下對各變量進行了提取。

在Arc/Info Grid環境中利用其內置函數Eucdistance、Focal等提取空間距離變量和鄰域的用地類型，并可直接用于后續建模之中。考慮到數據表達和數據計算的難易程度，對提取的原始數據進行標準化處理，用0～1之間的數值來表示原始數據的大小。

3模型算法研究

3.1算法的提出

模擬多種土地利用類型之間的變化牽涉的轉換關系比較復雜，對于N種類型的用地，最多可以有N×N種可能的轉換。單純的基于BP神經網絡(Back-propagation Neural Network)的GeoCA模型雖然較好地預測了土地利用變化的趨勢，但其僅從轉換數量的角度對模擬結果進行評定，對空間分布規律難以控制，具有一定的盲目性。土地利用變換是一個緩慢的過程，并且其變化特征多反映為中心擴張規律[4]。因此土地利用變化往往呈現出在已有類型周圍增加同種用地類型的現象。本文加入空間集中度約束對BP算法進行改進，既保證了土地利用類型的轉換概率，又使其盡量接近土地利用變化的空間分布狀況，較好地反應了土地利用變化的規律。

3.2空間集中度約束性BP算法

(2)

(3)

BP算法是一種反向學習算法，定義誤差函數r為實際輸出與期望輸出之差的平方和的一半，即：

(4)

在傳統的算法中，該誤差反應的是輸出概率的誤差。為了反映土地利用變化的空間分布規律，加入空間集中度誤差r′來共同約束土地利用的轉換規則。定義r′為實際位置與預測位置之差的平方和的一半，即

(5)

(6)

當p越大時表示空間聚集度越高。

(7)

其中ε為學習步長，且ε>0。

通過推導可得：

(8)

設：

(9)

(10)

則：

(11)

(12)

(13)

設：

(14)

4模型應用與分析

4.1模型應用

以某市沿海區域為研究區域，利用2005年及2010年的TM影像并結合該區域的土地利用變化歷史資料進行分類。研究區域的用地類型分為建筑用地、鹽田、養殖區、耕地、林地等9種類型。提取了距離市中心距離、距離公路距離、距離海岸帶距離、坡度及9種用地類型在內的13個空間變量作為影響因子。

選取三層BP神經網絡結構，即一層隱藏層的神經網絡來建立模型。輸入層13個神經元對應選取的13個空間變量；輸出層的9個神經元對應了9種用地類型。在遙感影像上隨機選取兩組包含 1 000個點的樣本，分別進行神經網絡的訓練與驗證，獲取模型參數。為了防止出現誤差太小而無法終止的情況，增加閾值來控制迭代次數，這里設置轉換概率和空間集中度閾值分別為0.75和0.5，迭代次數設置為 1 000，誤差期望值設置為0.3作為訓練的終止條件。另外將學習速率設置為0.2，若學習速率設置太大，會導致準確率難以收斂。

利用訓練好的神經網絡，在Arc/InfoGrid環境下，建立了研究區域的GeoCA模型。基于研究區域用地類型的初始狀態，對未來幾年的土地利用變化進行動態模擬，與未加約束的模擬結果及實際用地情況進行對比，驗證研究方案的有效性。

4.2結果分析

將研究區域2005年的遙感影像分類圖作為研究區域土地利用的初始狀態，對2010年的用地情況進行模擬，并與傳統不加空間集中度約束的預測進行結果進行對比，分析本研究的可行性。圖2、圖3分別表示了基于不帶約束的BP神經網絡GeoCA模型和論文研究的GeoCA模型模擬的統計結果，模擬精度分別為66.1%和64.1%。圖標的X軸表示迭代次數，Y軸代表誤差大小。結果表明兩者在進行模擬的過程中，類型的轉化精度相差不大。

圖4為2010年某市未加約束情況下的土地覆蓋預測圖，圖5為2010年某市加約束情況下的土地覆蓋預測圖，圖6為2010年某市實際土地利用分布圖。

通過用地類型分類模擬圖與實際分類圖的對比可以看出，基于空間集中約束的BP神經網絡建立的GeoCA模型模擬的結果在空間分布上與實際狀況比較一致，而未加空間分布約束的模型模擬的結果在空間上的分布相比于實際情況較為分散。例如建筑用地和鹽田的分布就很明顯，在實際分類圖中呈集中分布，加約束的模型模擬結果與實際情況明顯優于未加約束的模擬結果。雖然加空間約束的模型模擬的結果不是每一種用地類型都能優于未加約束的模擬結果，例如鹽堿地的分布情況，但是從整體上看，其模擬結果更接近用地類型的分布情況。

綜上可知，加空間分布約束的模型能夠在保證和傳統模型相同水平轉換率的情況下，使模擬結果在空間分布上更接近實際的分布情況。從而驗證了論文研究模型在預測土地利用變化應用中的有效性。

5結論

將CA技術引入到GIS中，建立GeoCA模型對土地利用變化進行預測，能夠揭示土地利用變化的科學規律。傳統的基于BP神經網絡建立的GeoCA模型雖然能夠在轉換概率上滿足預測的要求，但是其無法兼顧轉換類型在空間上的分布，不能真正地實現土地利用變化的預測。本研究提出空間分布集中約束對BP神經網絡進行改進，建立了能夠同時兼顧轉化概率和空間分布規律的GeoCA模型，并通過實際應用驗證了模型的有效性。

參考文獻

[1]周成虎，孫戰利，謝一春. 地理元胞自動機研究[M]. 北京：北京出版社，1999：128～137.

[2]黎夏，劉小平，李少英. 智能式GIS與空間優化[M]. 北京：科學出版社，2010：37～130.

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

[4]王立波. 基于GIS和Geo-CA的營口城市用地擴展模擬預測研究[D]. 長春：東北師范大學，2009.

[5]李鳳霞，石輝，馮曉剛等. 西安市土地利用格局動態演變及其驅動力研究.[J]. 測繪通報，2015，12：41～56.

[6]邱小平，于丹，孫若曉等. 考慮坡道的元胞自動機交通流模型研究遙.[J]. 計算機應用研究，2016，33(9).

[7]陳建平，丁火平，王功文等. 基于GIS和元胞自動機的荒漠化演化預測模型[J]. 遙感學報，2004，8(3)：254～260.[8]劉衛芳，夏斌，聶云峰. 基于GIS與多智能體的建設用地變化仿真研究-以廣州番禺區為例[J]. 安徽農業科學，2012，40(21)：11083～11085.

[9]王福增，尤麗敏，王凡. 大連市土地利用現狀及變化分析[J]. 管理科學，2008，29(6)：123～125.

[10]李德仁，張良培，夏桂松. 遙感大數據自動分析與數據挖掘.[J]. 測繪學報，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.

文章編號：1672-8262(2016)03-55-04

中圖分類號：P208.2

文獻標識碼：B

*收稿日期：2016—04—05

作者簡介：張正明(1963—)，男，高級工程師，主要從事測繪產品質檢方面的工作。