本发明属于地理模拟,涉及一种城市扩展模拟方法及系统,具体涉及一种利用深度学习挖掘城市扩展空间多尺度邻域效应和时间依赖性的元胞自动机的城市扩展模拟方法及系统。
背景技术:
1、元胞自动机(cellular automata,ca)是一种通过局部的运算模拟空间上离散、时间上离散的复杂性现象的一种“自下而上”的模型,因其开放式的结构,可以与其它模型集成来进行城市土地利用演变的模拟和预测。ca已被广泛应用于模拟复杂非线性系统的时空演变,非常适用于复杂地理过程的模拟和预测。转换规则是ca模型的核心组成部分,学者们采用了多种方法挖掘ca模型的转换规则,意在提高ca模型的模拟精度。
2、但对于转换规则的研究还存在以下不足:
3、(1)模型构建时对邻域的多尺度区域特征表达不足。城市土地元胞状态的变化不仅仅受到自身单个元胞信息的影响,相邻元胞的空间变量信息也在不同尺度上通过不同的特征效应影响元胞状态的改变,少有研究完整地表达城市土地扩展的多尺度空间效应影响;
4、(2)转换规则的构建没有顾及长时间序列的时间依赖性影响。目前学者对城市土地扩展模拟多基于马尔科夫过程,认为土地利用演变仅受上一以时态土地利用及驱动因素影响,对长时序下的时间依赖性考虑不足。
5、因此亟需提出一种新方法来解决这两个问题,为城市扩展提供更加准确可靠的模拟方法。
技术实现思路
1、为了解决上述技术问题,本发明提供了一种顾及空间多尺度邻域效应和时间依赖性的城市ca模型--城市扩展深度学习ca模型(3dcnn-convlstm-ca,简称deep-ca),通过组合普通卷积和空洞卷积的3dcnn沿时间维度挖掘不同空间尺度下的邻域效应,普通卷积层用于提取建模元胞的近距离空间邻域效应,而空洞卷积通过其设置间隔的方式可以获得更大的邻域范围,在保证模型运行效率的同时,实现多尺度邻域特征的聚合。对挖掘得到的空间特征图通过convlstm实现时间和空间信息的过滤融合,得到影响未来城市土地利用变化的时空依赖性信息,经由全连接网络,得到城市扩展的转换规则。该模型使得ca转换规则的挖掘提取更加完善可靠,为城市扩展提供更加准确可靠的模拟方法。
2、本发明的方法所采用的技术方案是:一种基于城市扩展深度学习ca模型的城市扩展模拟方法,所述城市扩展深度学习ca模型,由深度学习模块和ca模块组成;所述深度学习模块训练得到城市增长分类模型,城市增长分类模型提取城市扩展的空间邻域效应和时间依赖性信息,输出城市发展概率图层,所述ca模块用于城市扩展的最终模拟;
3、所述方法包括以下步骤:
4、步骤1:土地利用空间栅格数据及空间变量驱动数据预处理和样本获取;
5、步骤2:将步骤1中的多期土地利用空间栅格数据和空间变量驱动数据栅格化数据分别转为矩阵,矩阵要素对应元胞,矩阵空间对应元胞空间;
6、步骤3:利用城市增长分类模型计算土地利用状态矩阵p中各个矩阵要素属性分类为城镇用地的条件概率,获得概率图;
7、所述城市增长分类模型由3dcnn、convlstm和全连接层依次连接组成;所述3dcnn用于数据降维和挖掘空间邻域效应,由卷积层、池化层组成;所述convlstm在保证空间信息不丢失的情况下,实现时间信息的传递,由convlstm和标准化层组成;所述全连接层用于时空信息输出,得到条件概率图层,以convlstm输出数据作为输入数据,展开之后,经过若干全连接线性层输出;
8、步骤4:所述概率图层输入到ca模块,达到设定的迭代终止条件后,得到最终模拟结果图。
9、本发明的系统所采用的技术方案是:一种基于城市扩展深度学习ca模型的城市扩展模拟系统,所述城市扩展深度学习ca模型,由深度学习模块和ca模块组成;所述深度学习模块训练得到城市增长分类模型,城市增长分类模型提取城市扩展的空间邻域效应和时间依赖性信息,输出城市发展概率图层,所述ca模块用于城市扩展的最终模拟;
10、所述系统包括以下模块:
11、模块1,用于土地利用空间栅格数据及空间变量驱动数据预处理和样本获取;
12、模块2,用于将模块1中的多期土地利用空间栅格数据和空间变量驱动数据栅格化数据分别转为矩阵,矩阵要素对应元胞,矩阵空间对应元胞空间;
13、模块3,用于利用城市增长分类模型计算土地利用状态矩阵p中各个矩阵要素属性分类为城镇用地的条件概率,获得概率图;
14、所述城市增长分类模型由3dcnn、convlstm和全连接层依次连接组成;所述3dcnn用于数据降维和挖掘空间邻域效应,由卷积层、池化层组成;所述convlstm在保证空间信息不丢失的情况下,实现时间信息的传递,由convlstm和标准化层组成;所述全连接层用于时空信息输出,得到条件概率图层,以convlstm输出数据作为输入数据,展开之后,经过若干全连接线性层输出;
15、模块4,用于所述概率图层输入到ca模块,达到设定的迭代终止条件后,得到最终模拟结果图。
16、与现有技术相比,本发明具有以下优点和有益效果:
17、(1)本发明样本数据为一定尺寸空间数据,而非单一元胞,3dcnn通过组合使用普通卷积和空洞卷积,沿着时间维度对空间信息进行特征提取,非常适合用于城市扩展空间特征挖掘
18、(2)本发明利用convlstm对(1)得到的空间特征图进行更严格的时空特征提取,实现时间和空间信息的同化输出,经过全连接层得到各个元胞分类为城镇用地元胞的条件概率,从而获得顾及空间多尺度邻域效应和长时间序列时间依赖性特征的转换规则。
19、(3)本发明方法构建了城市扩展深度学习ca模型:将元胞分类条件概率标准化后,作为ca模型中元胞的转换概率,并加入邻域约束,应用于城镇扩展模拟中,有助于更准确客观地模拟城市扩展。
20、附件说明
21、图1为本发明实施例的研究区位置示意图,其中,(a)为北京市位置,(b)为北京市1995-2015年每10年城市扩展;
22、图2为本发明实施例的城市扩展深度学习ca模型结构图;
23、图3为本发明实施例的2015年相对于2010年的城镇用地扩展范围示意图;
24、图4为本发明实施例的影响城镇用地扩展的空间变量处理结果示意图;
25、图5为本发明实施例的城市增长分类模型训练曲线;
26、图6为本发明实施例的城市扩展深度学习ca模型模拟结果示意图,其中注:(1)为实际城市扩展,(2)-(5)分别为使用deep-ca、最大熵-ca、ann-ca、逻辑-ca得到的模拟结果。
1.一种基于城市扩展深度学习ca模型的城市扩展模拟方法,其特征在于;所述城市扩展深度学习ca模型,由深度学习模块和ca模块组成;所述深度学习模块训练得到城市增长分类模型,城市增长分类模型提取城市扩展的空间邻域效应和时间依赖性信息,输出城市发展概率图层,所述ca模块用于城市扩展的最终模拟;
2.根据权利要求1所述的基于城市扩展深度学习ca模型的城市扩展模拟方法,其特征在于,步骤1的具体实现包括以下子步骤:
3.根据权利要求1所述的基于城市扩展深度学习ca模型的城市扩展模拟方法,其特征在于:步骤2中,将分类后的土地利用空间栅格数据转为土地利用状态矩阵s,在矩阵中存在三种取值,城镇用地取值为1,可扩展用地取值为0,水域取值为2;将空间变量驱动数据栅格化数据转为空间变量影响矩阵a,b,c,…,n,每一个矩阵对应一期空间驱动数据。
4.根据权利要求1所述的基于城市扩展深度学习ca模型的城市扩展模拟方法,其特征在于:步骤3中,所述城市扩展深度学习ca模型,是训练好的城市扩展深度学习ca模型;训练中采用的数据为“批尺寸*时间*特征*高度*宽度”的5d张量,记为(b,t,c,h,w);表示b个样本数据共t期驱动数据,每一期有c个驱动因子,每个驱动因子为h*w的图片,每b个样本数据对应b个标签;样本数据集形状为[(b,t,c,h,w),l],b为样本总个数,l对应标签个数,b=l。
5.根据权利要求1所述的基于城市扩展深度学习ca模型的城市扩展模拟方法,其特征在于,步骤3的具体实现包括以下步骤:
6.根据权利要求1-5任意一项所述的基于城市扩展深度学习ca模型的城市扩展模拟方法,其特征在于,步骤4的具体实现包括以下步骤:
7.一种基于城市扩展深度学习ca模型的城市扩展模拟系统,其特征在于,所述城市扩展深度学习ca模型,由深度学习模块和ca模块组成;所述深度学习模块训练得到城市增长分类模型,城市增长分类模型提取城市扩展的空间邻域效应和时间依赖性信息,输出城市发展概率图层,所述ca模块用于城市扩展的最终模拟;