城市擴(kuò)展元胞自動(dòng)機(jī)多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型

摘要：傳統(tǒng)的城市擴(kuò)展元胞自動(dòng)機(jī)(CA)模型是基于單個(gè)元胞的變量信息挖掘來構(gòu)建轉(zhuǎn)換規(guī)則的。針對(duì)度特征挖掘轉(zhuǎn)換規(guī)則的城市擴(kuò)展元胞自動(dòng)機(jī)模型(MSCNN-CA)，并以武漢主城區(qū)和上海浦東新區(qū)為例，模擬了兩個(gè)試驗(yàn)區(qū)2005-2015年期間城市擴(kuò)展過程。模型驗(yàn)證表明：與邏輯回歸和神經(jīng)網(wǎng)絡(luò)相比，本文構(gòu)建的3個(gè)單一結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)元胞自動(dòng)機(jī)(CNN-CA)模型在4個(gè)指標(biāo)(Kappa系數(shù)、FoM(figureofmerit)值、命中率 (h)和錯(cuò)誤率(m))上都有不同程度的提高。特別是FoM指數(shù)，在武漢主城區(qū)提高了市擴(kuò)展元胞自動(dòng)機(jī)模型(MSCNN-CA)能夠有效提高城市擴(kuò)展模擬的精度，更真實(shí)地反映城市擴(kuò)展空間關(guān)鍵詞：城市擴(kuò)展元胞自動(dòng)機(jī)多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)地理模擬Urbanexpansioncellularautomatamodelbasedonmulti-structuresconvolutionalneuralnetworksproposesanurbandinformationrasinglepixelsanzoneofWuhanocessofthetwowithtwotraditionalCAodelsLRANNthethreesinglestructureCNNCAmodelsconstructedinthispaperhavedifferentdegreesofimprovementinKappacoefficient,FoMcoefficient,hitrate(h)andmissrate(m).Inparticular,theFoMcoefficientisincreasedby23.3%~29.4%inthemainurbanzoneofWuhanand20.3%~28.5%inPudongNewDistrictofShanghai.Inaddition,comparedwiththethreesingle-structureCNN-CAmodels,theMSCNN-CAmodelisalsoimprovedinvariousindicators.Suchas,theFoMcoefficientisincreasedby0.8%~4.8%inthemainurbanzoneofWuhanand2.8%~7.8%inPudongNewDistrictofShanghai.Thetwostudyareas'simulationresultsshowthat,comparedwiththetraditionalCAmodels,theurbanexpansioncellularautomatamodelbasedonmulti-structuresconvolutionalneuralnetwork(MSCNN-CA)caneffectivelyimprovetheaccuracyofurbanexpansionsimulationandmorerealisticallyreflecttheevolutionprocessofurbanexpansion.Besides,boththestabilityandtheaccuracyoftheMSCNN-CAmodelareimprovedcomparingwiththesingle-structureconvolutionalneuralnetworkCAmodel.Keywords:urbanexpansioncellularautomatamulti-structuresconvolutionalneuraltionCA模型,在模擬復(fù)雜非線性問題上具有獨(dú)特優(yōu)勢(shì)[1],并在圖像分CA明CA換規(guī)則和空間驅(qū)動(dòng)要素具有緊密的聯(lián)系,但如何從空間驅(qū)動(dòng)要素中提取規(guī)律和特征,構(gòu)建合理的轉(zhuǎn)換規(guī)則,要素權(quán)重參數(shù)的優(yōu)化,另一種是采用人工智能算法提取規(guī)則。獲取空間驅(qū)動(dòng)要素權(quán)重參數(shù)的方法中,最為常見的是邏輯回歸方法[14],但該方法只能提取線性規(guī)則,難以實(shí)現(xiàn)對(duì)城市ABBO邏輯回歸能挖掘空間變量間相互作用的非線性特征,反映出更真實(shí)的城市擴(kuò)展過程。提取轉(zhuǎn)換規(guī)則的人工智能算法中,一般有人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)復(fù)CA都是基于單個(gè)元不僅受到相鄰元胞狀態(tài)的影響,還受到相鄰元胞的空間變量信息影響,因此不考慮鄰域元胞的變量信息特?cái)?shù)都會(huì)影響模型的學(xué)習(xí)能力和結(jié)果質(zhì)量,若卷積核尺寸過大,容易忽略區(qū)域的局部特征,而尺寸過小,則會(huì)模型最終提取的特征存在差異[26-29]。因此,為了更全面地表達(dá)地理模擬中針對(duì)以上問題,本文提出一種基于多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的城市擴(kuò)展CA模型,通過設(shè)計(jì)能挖掘不同區(qū)域特征的網(wǎng)絡(luò)結(jié)構(gòu),組合不同尺度和數(shù)目的卷積核,提高模型的穩(wěn)定性和準(zhǔn)確性,實(shí)現(xiàn)對(duì)區(qū)域演變特征的進(jìn)行訓(xùn)練是多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的核1.1.1卷積層力也會(huì)隨之增強(qiáng),但訓(xùn)練耗時(shí)會(huì)成倍增加,甚至?xí)霈F(xiàn)過擬合問題。本文應(yīng)用的多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)由于各個(gè)網(wǎng)絡(luò)可單獨(dú)訓(xùn)練,避免過擬合問題,且計(jì)算量接近單級(jí)網(wǎng)絡(luò),參數(shù)量和計(jì)算量的增加并不顯著,具有較強(qiáng)的可應(yīng)用CA元胞區(qū)域特征信息規(guī)則的挖掘,還將多尺度下的區(qū)域CA模型1.1卷積神經(jīng)網(wǎng)絡(luò)CNN度前饋人工神經(jīng)網(wǎng)絡(luò),是針對(duì)圖像識(shí)別和分類而設(shè)計(jì)的深度學(xué)習(xí)方法,括多個(gè)卷量中獲取特征。在卷積層中可通過各類卷積核,完成對(duì)輸入變量特征的提取,低級(jí)卷積核可識(shí)別初級(jí)特征,高級(jí)卷積核可識(shí)別高級(jí)特征。其數(shù)學(xué)表達(dá)式為1.1.2池化層卷積層操作完成后,參數(shù)量級(jí)雖已得到降低,但數(shù)據(jù)量仍然很大,故采用池化層來降低數(shù)據(jù)維度并避特征。1.1.3全連接層經(jīng)過多次卷積和池化操作后,綜合所提取的特征輸入全連接層,全連接層的每個(gè)結(jié)點(diǎn)都與上層所有1.2.1多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)由于卷積神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)能力高度依賴于卷積核的尺寸和大小等參數(shù),細(xì)微的調(diào)整也會(huì)對(duì)結(jié)果對(duì)不同網(wǎng)絡(luò)結(jié)構(gòu)的提取特征進(jìn)行綜合,以提高模型的穩(wěn)定性和準(zhǔn)確性,其模型框架如圖2所示。模型的主體部分為特征提取層,它由多個(gè)具有針對(duì)性的網(wǎng)絡(luò)結(jié)構(gòu)組成。在該層中,通過對(duì)同一組數(shù)據(jù)進(jìn)行訓(xùn)練,得到不同尺度的區(qū)域特征高維向量,并將其輸送至全連接層,以綜合全局特征信息,在特征級(jí)聯(lián)層中采用神經(jīng)網(wǎng)絡(luò)的級(jí)聯(lián)結(jié)構(gòu),將多個(gè)高維特征向量級(jí)聯(lián)為模型最終的特征向量,最后將該特征向量輸入到分類器得括土地開發(fā)適宜性、鄰域約束、限制性約束和CA網(wǎng)絡(luò)模Aij2.2數(shù)據(jù)來源和處理2模型應(yīng)用2.1研究區(qū)武漢是湖北省省會(huì)、中部六省唯一的副省級(jí)市和超大城市,中國(guó)中部地區(qū)的中心城市,長(zhǎng)江經(jīng)濟(jì)帶、新洲區(qū)、江夏區(qū)6個(gè)遠(yuǎn)城區(qū)；上海是我國(guó)航運(yùn)、科技創(chuàng)新中心和綜合交通樞紐,展區(qū)域集中在主城區(qū),而上海市已經(jīng)進(jìn)入土地城鎮(zhèn)化的后期階段,城市擴(kuò)展的速度有所減緩,主要擴(kuò)展區(qū)東新區(qū),因此本文選取武漢市的主城區(qū)和上海市的浦東新區(qū)兩個(gè)處于土地城鎮(zhèn)化不同發(fā)展階段道路矢量數(shù)據(jù)以及人口和GDP柵格數(shù)據(jù)。其中,2005GDP格數(shù)據(jù),來源于中國(guó)科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心。利用空間矢量數(shù)據(jù)計(jì)算其歐氏距區(qū)的變量如圖5、圖6所示。2.3模型訓(xùn)練和參數(shù)確定MSCNNCA要的參數(shù)。根據(jù)文獻(xiàn)[23]對(duì)窗口大小的敏感性分析可知,采樣隨著隨窗口大小的增加有所提高,但運(yùn)行效率隨之降低。本文為驗(yàn)證模型可行性,且綜合考慮到計(jì)算量和鄰8@4×48@2×216@2×216@2×2從而保證基礎(chǔ)模型能夠提取區(qū)域內(nèi)足夠豐富的變量信息。加深網(wǎng)絡(luò)深度型的訓(xùn)練精度和運(yùn)行時(shí)間見表2。試驗(yàn)區(qū)網(wǎng)絡(luò)結(jié)構(gòu)精度/(%)運(yùn)行時(shí)間/s網(wǎng)絡(luò)結(jié)構(gòu)精度/(%)運(yùn)行時(shí)間/s網(wǎng)絡(luò)結(jié)構(gòu)精度/(%)運(yùn)行時(shí)間/sCNN199.127.9CNN299.233.2CNN398.536.8武漢主城區(qū)CNN1.199.378.6CNN2.199.482.5CNN3.199.190.8CNN1.299.4254.1CNN2.299.5229.5CNN3.299.4250.9CNN198.524.7CNN298.631.1CNN398.033.1上海浦東新區(qū)CNN1.198.870.5CNN2.198.877.7CNN3.198.582.4CNN1.299.1210.0CNN2.299.1218.5CNN3.299.1221.5從模型測(cè)試的結(jié)果來看,在網(wǎng)絡(luò)較淺時(shí),可以通過加深網(wǎng)絡(luò)的深度來達(dá)到加強(qiáng)模型挖掘轉(zhuǎn)換規(guī)則的圖7、ai的集,對(duì)模型進(jìn)行訓(xùn)練,剩余20%的樣本作為測(cè)試集用來評(píng)價(jià)模型的精度。然后經(jīng)過模型的訓(xùn)練和驗(yàn)證,選示元胞可能轉(zhuǎn)變?yōu)槌鞘性?-1表示元胞未轉(zhuǎn)變?yōu)槌鞘性?,得到最終城市元胞的土地開發(fā)適宜性,并結(jié)合鄰域約束、限制約束和隨機(jī)擾動(dòng)的影響,構(gòu)建轉(zhuǎn)換規(guī)則,計(jì)算元胞由非城市向城市元胞轉(zhuǎn)換的概率。2.4試驗(yàn)結(jié)果與分析在本研究中,由于本文只模擬非城鎮(zhèn)用地的轉(zhuǎn)變,結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)可優(yōu)化單結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)挖掘轉(zhuǎn)換規(guī)則的能力,耦合多尺度區(qū)域特征構(gòu)建轉(zhuǎn)換規(guī)則可提高模MSCNNCA擬中都有著更高的命中率(h)和更低的錯(cuò)誤率(m),如更能直觀地突出MSCNN-CA模型的模擬優(yōu)勢(shì),其中,U表示模擬初期城市元胞,H表示模擬為,M表示模擬為非城市元胞但實(shí)際為城市元胞。與其他方法相比,MSCNN-CA模型模擬的新增城市元胞更加集聚,更貼近真實(shí)的地理分布狀態(tài)。因此可知,網(wǎng)絡(luò)結(jié)構(gòu)的多樣性,對(duì)于豐試驗(yàn)區(qū)指標(biāo)LogisticANNCNN1.1CNN2.1CNN3.1MSCNNKappa0.86260.86920.94210.94920.94280.9508FoM0.38080.40150.63480.67430.63850.6822h/(%)4.214.374.995.215.015.24m/(%)2.592.431.811.591.791.56Kappa0.80840.82240.90980.92250.91420.9305FoM0.40230.43360.63690.68720.66090.7146h/(%)6.126.457.428.017.87