一种城市群生产空间利用预测方法及系统

本发明属于城市规划相关，更具体地，涉及一种城市群生产空间利用预测方法及系统。

背景技术：

1、从功能空间的角度可以把城市空间划分为生产空间、生活空间和生态空间三部分。生产空间是国家区域进行产品生产和生产服务的空间载体，以工业生产空间为主要表现形式。但常出现以城市群为主体的区域空间发展不协调造成区域系统失衡，生产空间区域协作不足，与交通网络匹配度低，产业链、供应链和创新链等生产空间组织协作差，使得生产空间成为矛盾问题最为突出的区域。

2、flus模型是用于模拟和预测人类活动和自然影响下土地利用变化的模型，其原理源自元胞自动机(ca)，但相较于传统的元胞自动机，flus模型有效处理非线性关系。flus模型已经成为多目标下城市群土地利用演化模拟强有力的分析工具之一。但在进行参数设置时，决策者多凭借自身经验和喜好制定规划和参数设置，具有较强的主观性，将遗传算法(ga)应用土地数量结构配置问题中，具有全局搜索功能和自适应性强的特点，但仍然存在对于多目标的支持不足的问题。近年来对于生产空间的研究主要集中于生产空间重构、文化和制度对生产空间的影响、生产空间的格局、演化、模式和动力机制等方面，其中借助gis和rs手段等空间手段和利用统计数据的定量分析较多，且研究案例多为单个城市，缺乏城市群尺度下生产空间模拟与优化的研究。因此，如何从土地利用变化的视角实现多目标下城市群生产空间的优化，是实现生产空间集约高效利用、完善城市功能空间、促进城镇化可持续发展的关键问题。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种城市群生产空间利用预测方法及系统，可以精准合理的预测未来城市群的空间分布。

2、为实现上述目的，按照本发明的一个方面，提供了一种城市群生产空间利用预测方法，包括：

3、训练阶段

4、s1：获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地，对各类用地进行栅格化，获取不同用地类型的栅格数量和颜色，得到起始年的土地利用数据和终止年的土地利用数据；

5、s2：获取多类驱动因子，采用ann模型计算各类驱动因子下用地适宜性概率，并利用roc曲线筛选出强相关的目标驱动因子；

6、s3：采用dt-ca获得目标驱动因子下城市群各类用地的用地转换规则，以判断当前栅格对应的土地能否转换为其他用地类型；

7、s4：将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入flus模型得到终止年的模拟土地利用分布数据；

8、s5：将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对flus模型的训练，获得训练完成的flus模型；

9、s6：采用多目标遗传优化方法获得预测阶段终止年的土地利用数据；

10、预测阶段

11、s7：将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入flus模型得到预测阶段终止年的模拟土地利用分布数据，实现对未来土地利用分布的预测。

12、进一步优选的，步骤s6具体为：s61：获取不同目标下的多组土地利用数据，将多组土地利用数据作为初始种群；s62：对初始种群进行非支配排序；s63：对排序后的初始种群进行适应度设置，并采用小生境淘汰技术对种群中的个体进行淘汰获得目标种群；s64：采用精英保留策略将目标种群中排序靠前的n个个体作为非支配解与上一代种群进行结合作为新种群；s65：对所述新种群采用自适应遗传算法进行交叉、变异和迁移后迭代得到最优解即为预测阶段终止年的土地利用数据。

13、进一步优选的，步骤s62中，对初始种群进行非支配排序具体为：根据种群中个体的受支配程度对个体对应的目标函数值进行非支配排序。

14、进一步优选的，步骤s63中所述对排序后的初始种群进行适应度设置还包括根据排序序号，给相同排序的非支配解分配相同的适应度值。

15、进一步优选的，步骤s63中，采用多维向量闵可夫斯基距离函数作为小生境淘汰技术的淘汰准则。

16、进一步优选的，步骤s65中交叉概率pc和变异概率pm为：

17、

18、

19、其中，f为交叉两个个体中较大的适应度，fmax、fmin和favg分别为种群中最大适应度、最小适应度和平均适应度。

20、进一步优选的，步骤s2中具体包括：s21：将多类用地的驱动因子进行0,1二值化处理；s22：采用ann模型提取各类用地在不同驱动因子下的适宜性概率；s23：将用地类型数值和用地适宜性数值进行随机采样；s24：采用roc曲线工具对采样点进行分析获得roc曲线和auc值，根据auc的值获得强相关性的目标驱动因子。

21、进一步优选的，所述驱动因子包括生态环境因素、社会经济因素、道路交通因素和产业发展因素。

22、进一步优选的，步骤s3之前还包括：利用训练阶段起始年的土地利用数据和终止年的实际土地利用数据构建用地转换成本矩阵，赋值为1表示两种用地类型可以相互转换，赋值为0表示两种用地类型不可以相互转换；

23、进一步优选的，还包括对所述决策树模型进行训练，具体地训练步骤为：将所述用地转换成本矩阵、训练阶段起始年的土地利用数据、目标驱动因子以及各类用地的栅格数量作为输入，将训练阶段终止年的实际土地利用分布数据作为输出生成所述用地转换规则。

24、本技术另一方面提供了一种城市群生产空间利用预测系统，包括：第一获取模块：用于获取训练阶段起始年和终止年的土地卫星影像并识别所述土地卫星影像中的各类用地，对各类用地进行栅格化，获取不同用地类型的栅格数量和颜色，得到起始年的土地利用数据和终止年的土地利用数据；筛选模块：用于获取多类驱动因子，采用ann模型计算各类驱动因子下用地适宜性概率，进而筛选出目标驱动因子；第二获取模块：用于采用决策树模型获得目标驱动因子下城市群各类用地的用地转换规则，以判断当前栅格对应的土地能否转换为其他用地类型；第三获取模块：用于将起始年的土地利用数据、目标驱动因子、用地转换规则以及终止年的土地利用数据输入flus模型得到终止年的模拟土地利用分布数据；训练模块：用于将所述终止年的模拟土地利用分布数据与终止年真实的土地利用分布数据进行比对实现对所述flus模型的训练，获得训练完成的flus模型；构建模块：用于采用多目标优化方法构建土地利用空间结构优化配置模型，获得预测阶段终止年的土地利用数据；预测模块：用于将预测阶段起始年的土地利用数据、目标驱动因子、用地转换规则以及所述预测阶段终止年的土地利用数据输入flus模型得到预测阶段终止年的模拟土地利用分布数据，实现对未来土地利用分布的预测。

25、总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种城市群生产空间利用预测方法及系统主要具有以下有益效果：

26、1.本技术首先通过用地适应性评估，筛选出影响用地类型转换的目标驱动因子，获得影响用地类型的关键因素，进一步基于目标驱动因子获得各类用地的用地转换规则，进而基于用地转换规则和训练阶段的土地利用数据实现对flus模型的训练，采用多目标遗传算法获得预测阶段终止年的土地利用数据，将预测阶段终止年的土地利用数据和相关参数输入flus模型即可实现对未来土地利用分布的预测，由于引入roc曲线通过auc值定量判断强相关因子，弥补了ann模型的“黑箱”缺陷，引入机器学习中具有较好分类效果的决策树模型，利用其选择最佳划分属性建立分类结点的优势构建用地转换规则，所以预测更加精准。

27、2.本技术采用多目标遗传算法时，由于其能够克服各目标函数之间的相互制约，保证维度控制和参数的一致性，同时其内在并行机制和全局优化特性有利于解决土地利用类型的数量结构优化，所以本文引入多目标遗传算法进行预测阶段的土地利用结构的优化。

28、3.本技术对交叉概率和变异概率进行了改进，减小了交叉概率和变异概率参数设置过大或过小导致的负面效果。

29、4.由于具有同一排序的非支配个体，其适应度值是相同的，无法按照传统的小生境技术根据适应度值的大小来淘汰个体，因此本技术创新性引入一种多维向量闵可夫斯基距离函数作为淘汰准则，保证了淘汰个体的合理性。

30、5.本发明创新性地引入roc曲线筛选强相关驱动因子，引入dt-ca模型优化用地转化规则的设置，引入改进后的moga实现用地数量结构的优化配置，减少模拟参数设置的主观性造成的影响，使得城市群生产空间模拟精度更高，更加稳定，更加接近实际值，赋予了flus模型挖掘城市群生产空间驱动机制的能力，且相较于传统模型更加符合未来不同发展政策下的生产空间优化需求。