一种城市用地变化模拟方法、介质及设备

本发明涉及城市用地变化模拟领域，更具体地说，涉及一种城市用地变化模拟方法、介质及设备。

背景技术：

1、探究土地利用变化机制可以引导城市的健康可持续发展，但对于土地利用变化中的时序因素的考虑，仍需要不断探索。挖掘土地利用时序变化规律有助于深入理解用地变化内在机制。元胞自动机(cellular automata，ca)作为空间动力学模型的一种，具有“自下而上”的特点，可以保留动力系统中的更多基础与细节，在城市土地变化模拟中逐渐占据主要地位，但以栅格为基础的传统ca模型，多存在着对像元大小形状等属性敏感、无法真实地表达客观地理实体等天然劣势。同时，城市用地变化存在时间依赖性，这些因素都导致现有技术对城市用地变化的模拟精度不理想。

技术实现思路

1、本发明的目的在于，提供一种城市用地变化模拟方法、介质及设备，能够兼顾城市用地变化的时间依赖性，提高对城市用地变化模拟的精度。

2、本发明解决其技术问题所采用的技术方案是：提供一种城市用地变化模拟方法，包括以下步骤：s1：获取空间驱动因素数据集，用于模型训练和转换概率计算；s2：构建最优时序模型，用于计算各地块的转换概率数组；s3：将空间驱动因素数据集输入到最优时序模型，得到各地块的转换概率数组；s4：根据空间驱动因素数据集构建矢量元胞自动机，得到各地块的总体发展概率数组；s5：将各地块的总体发展概率数组与所述各地块的转换概率数组进行合并，得到各地块的最终转换概率数组，分别对所述各地块的最终转换概率数组进行轮盘赌算法操作，得到各地块转换土地利用类别。

3、进一步地，上述获取空间驱动因素数据集包括以下步骤：获取各地块尺度数据，该地块尺度数据包括地块数量、各地块的土地利用类别、兴趣点数据、开放路网数据、夜间灯光数据，其中兴趣点数据包括餐饮、公交站点、生活服务类场所信息；计算各地块间欧氏距离，如公式：d＝sqrt[(x2-x1)2+(y2-y1)2]，其中，d为两地块间欧氏距离，sqrt[]为平方根函数，(x1，y1)为第一地块的质心，(x2，y2)为第二地块的质心；对未采样地块的兴趣点数据、开放路网数据、夜间灯光数据进行估计，该估计方法为空间插值；计算各地块的点密度，如公式d＝n/a，其中d为点密度，n为计算区域的点数，a为计算区域的面积：将各地块的兴趣点数据、开放路网数据、夜间灯光数据进行归一化处理，如公式：xnorm＝(x-xmin)/(xmax-xmin)其中，xnorm是归一化后的值，x是原始值，xmin和xmax分别是所计算数据的最小值和最大值，得到空间驱动因素数据集；其中空间驱动因素数据集包括土地利用数据、空间辅助变量，土地利用数据包括地块数量、土地利用类别、dt模型样本个体决策树传播路径的叶子节点，rf模型所训练的dt的总个数、每棵树的概率向量，svm模型的原始输出、校准参数，knn模型距离样本最近的个体数、个体间的欧式距离、分类标签及其所有取值，lstm与gru模型的分向量；空间辅助变量包括数字高程模型、坡度、至道路距离、至铁路距离、至高速路距离、餐饮设施密度、医疗设施密度、娱乐设施密度、osm路网密度、购物设施密度、工厂设施密度、公交设施密度、公园设施密度、商业设施密度、夜间灯光密度。

4、进一步地，上述构建最优时序模型包括以下步骤：s301：获取空间驱动因素数据集，将空间驱动因素数据集按时间先后划分为训练集和测试集，设置训练集:测试集数据比例为7:3；s302：获取dt模型、rf模型、svm模型、knn模型、lstm和gru模型，调整所述dt模型、rf模型、svm模型、knn模型、lstm和gru模型训练权重参数，如公式：其中，αi为第i类土地利用类别的训练权重，为所有土地利用类别的样本个数，k为土地利用类别的个数；nj为第j类土地利用类别的样本数；所述土地利用类别为：道路或水体、未利用地、工业用地、公共服务管理用地、商业用地、居住用地；s303：将训练集和测试集分别输入dt模型、rf模型、svm模型、knn模型、lstm和gru模型，得到预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm和预训练gru模型；s304：将训练集分别输入到预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm和预训练gru模型，分别得到各地块在dt模型、rf模型、svm模型、knn模型、lstm模型和gru模型下的转换概率数组；s305：根据训练集构建矢量元胞自动机，得到各地块的总体发展概率数组；s306：将所述各地块的总体发展概率数组与所述各地块在dt模型、rf模型、svm模型、knn模型、lstm模型和gru模型下的转换概率数组分别进行合并和轮盘赌算法操作，得到各地块在dt模型、rf模型、svm模型、knn模型、lstm模型和gru模型下的转换土地利用类别；s307：根据各地块在dt模型、rf模型、svm模型、knn模型、lstm模型和gru模型下的转换土地利用类别，结合测试集，得到最优时序模型。

5、进一步地，上述步骤s304包括以下步骤：将训练集输入到预训练dt模型，得到各地块在预训练dt模型下的转换概率数组，如公式：其中pi[dt]为各地块在预训练dt模型下的转换概率数组，l为满足待计算概率样本个体决策树传播路径的叶子节点，nl为叶子节点l包含的样本数目，ni为叶子节点l包含的i类别样本数目；将训练集输入到预训练rf模型，所述rf模型为集成学习方法，由多个dt组成，每个dt模型都可输出样本数据每个类别的概率，得到各地块在预训练rf模型下的转换概率数组，如公式：其中p[rf]为各地块在预训练rf模型下的转换概率数组，n为所述预训练rf模型所训练的dt模型的总个数，pn为第n棵树的概率向量；将测试集输入到预训练svm模型，得到各地块在预训练svm模型下的转换概率数组，如公式：其中，p(y＝1|z)为各地块在预训练svm模型下的转换概率数组，z表示预训练svm模型的原始输出，a和b是校准参数，通过训练数据集来估计；将测试集输入到预训练knn模型，所述预训练knn模型通过距离地块最近的k个个体的类别预测被测样本的类别，得到各地块在预训练knn模型下的转换概率数组，如公式：其中，pi[knn]为各地块在预训练knn模型下的转换概率数组，wm为权重系数，m为距离样本最近的k个个体，dm为个体m到被预测个体的欧式距离，my为分类标签为y的个体，y为分类标签的所有取值；将测试集输入到预训练lstm模型，得到各地块在预训练lstm模型下的转换概率数组，如公式：其中，plstm(y＝i|z)为各地块在预训练lstm模型下的转换概率数组，也就是样本属于类别i的概率，zi是得分向量中的第i个值，是对所有类别的得分向量进行指数运算后的和，c为地块类别个数；将测试集输入到预训练gru模型，得到各地块在预训练gru模型下的转换概率数组，如公式：其中，pgru(y＝i|z)为各地块在预训练gru模型下的转换概率数组，也就是样本属于类别i的概率，zi是得分向量中的第i个值，是对所有类别的得分向量进行指数运算后的和，c为地块类别个数。

6、进一步地，上述步骤s305包括以下步骤：计算转换前后每个地块质心的距离，确定距离最小的两个地块作为变化前后的同一地块，用于地块匹配操作；将土地利用变化前的地块按照土地利用类别分组，每组构建机器学习分类模型，每组地块对应的空间辅助变量数据作为属性值，土地利用变化后的土地类别数据作为标签值，通过机器学习分类模型计算，得到每个地块的发展概率pgi；以每个地块为元胞单元，计算各地块的邻域效应，如公式：其中，为则在第t时刻第j个地块对第i个地块的邻域效应，dij为第i地块和第j地块之间的距离，si表示第i个地块的面积，sj表示第j个地块的面积，d表示领域搜索半径，smax表示最大地块面积，smin表示最小地块面积；构建矢量元胞自动机模型转换规则，如公式：其中，为第i个地块转换为k类地块的总体发展概率，将第i个地块转换为k类地块的总体发展概率合成为向量，即得到各地块的总体发展概率数组pi[vga]，为第i个地块转换为k类地块的的发展概率，为第k类地块对第i个地块的邻域效应，为第i个地块转换为k类地块的发展限制因子，当该地块为限制发展区域时其发展限制因子为0，当该地块为非限制发展区域时其发展限制因子为1，ra为随机值。

7、进一步地，上述步骤s306包括以下步骤：将各地块的总体发展概率数组与各地块在预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm模型和预训练gru模型下的转换概率数组分别进行合并，依次分别得到各地块第1选择概率数组、各地块第2选择概率数组、各地块第3选择概率数组、各地块第4选择概率数组、各地块第5选择概率数组、各地块第6选择概率数组，如公式：pi[dt-vca]＝(pi[vga]+pi[dt])/2，pi[rf-vca]＝(pi[vga]+pi[rf])/2，pi[svm-vca]＝(pi[vga]+p(y＝1|z))/2，pi[knn-vca]＝(pi[vga]+pi[knn])/2，pi[lstm-vca]＝(pi[vga]+plstm(y＝i|z))/2，pi[gru-vca]＝(pi[vga]+pgru(y＝i|z))/2，其中pi[dt-vca]为第1选择概率数组，其中pi[rf-vca]为第2选择概率数组，其中pi[svm-vca]为第3选择概率数组，其中pi[knn-vca]为第4选择概率数组，其中pi[lstm-vca]为第5选择概率数组，其中pi[gru-vca]为第6选择概率数组，pi[vga]为第i个地块转换为k类地块的总体发展概率，pi[dt]为各地块在预训练dt模型下的转换概率数组，pi[rf]为各地块在预训练rf模型下的转换概率数组，p(y＝1|z)为各地块在预训练svm模型下的转换概率数组，pi[knn]为各地块在预训练knn模型下的转换概率数组，plstm(y＝i|z)为各地块在预训练lstm模型下的转换概率数组，pgru(y＝i|z)为各地块在预训练gru模型下的转换概率数组；分别对所述各地块第1、2、3、4、5、6选择概率数组进行轮盘赌算法操作，得到各地块在预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm模型和预训练gru模型下的转换土地利用类别。

8、进一步地，上述步骤s307包括以下步骤：根据各地块在预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm模型和预训练gru模型下的转换土地利用类别，分别计算在预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm模型和预训练gru模型下的地块模拟结果的品质因数、kappa系数和分类总体精度，如公式：其中，fom为品质因数，kappa为kappa系数，oa为分类总体精度，a为实际土地利用类别发生转变而模拟土地利用类别保持不变情况下模拟的面积误差；b为实际土地利用类别发生转变而模拟土地利用类别发生正确类型转变情况下模拟的面积误差；c为实际土地利用类别发生转变而模拟土地利用类别发生错误类型转变情况下模拟的面积误差；d为实际土地利用类别为发生转变而模拟土地利用类别发生类型转变情况下模拟的面积误差；p0是观测到的分类器预测值与真实值之间的一致数量，即分类总体精度，pe是随机分类结果的一致性期望；n为研究区内元胞单元总数；c是类别的总个数，confusionmatrix是真实标签与预测标签所构成的二维混淆矩阵表(c×c大小)，confusionmatrix(i,i)为混淆矩阵的对角线元素，即预测分类正确的个体；对预训练dt模型、预训练rf模型、预训练svm模型、预训练knn模型、预训练lstm模型和预训练gru模型下的地块模拟结果的品质因数、kappa系数和分类总体精度进行考察，挑选出品质因数大于0.2且kappa系数大于0.6的预训练模型，所述预训练模型中分类总体精度最高的为最优时序模型。

9、进一步地，上述步骤s3包括以下步骤：将所述空间驱动因素数据集输入到最优时序模型，得到各地块的转换概率数组，所述最优时序模型若为预训练dt模型，则如公式：其中pi[dt]为各地块在预训练dt模型下的转换概率数组，l为满足待计算概率样本个体决策树传播路径的叶子节点，nl为叶子节点l包含的样本数目，ni为叶子节点l包含的i类别样本数目；所述最优时序模型若为预训练rf模型，则如公式：其中p[rf]为各地块在预训练rf模型下的转换概率数组，n为所述预训练rf模型所训练的dt模型的总个数，pn为第n棵树的概率向量；所述最优时序模型若为预训练svm模型，则如公式：其中，p(y＝1|z)为各地块在预训练svm模型下的转换概率数组，z表示预训练svm模型的原始输出，a和b是校准参数，通过训练数据集来估计；所述最优时序模型若为预训练knn模型，所述预训练knn模型通过距离地块最近的k个个体的类别预测被测样本的类别，得到各地块在预训练knn模型下的转换概率数组，则如公式：其中，pi[knn]为各地块在预训练knn模型下的转换概率数组，wm为权重系数，m为距离样本最近的k个个体，dm为个体m到被预测个体的欧式距离，my为分类标签为y的个体，y为分类标签的所有取值；所述最优时序模型若为预训练lstm模型，则如公式：其中，plstm(y＝i|z)为各地块在预训练lstm模型下的转换概率数组，也就是样本属于类别i的概率，zi是得分向量中的第i个值，是对所有类别的得分向量进行指数运算后的和，c为地块类别个数；所述最优时序模型若为预训练gru模型，则如公式：其中，pgru(y＝i|z)为各地块在预训练gru模型下的转换概率数组，也就是样本属于类别i的概率，zi是得分向量中的第i个值，是对所有类别的得分向量进行指数运算后的和，c为地块类别个数；步骤s4包括以下步骤：计算转换前后每个地块质心的距离，确定距离最小的两个地块作为变化前后的同一地块，用于地块匹配操作；将土地利用变化前的地块按照土地利用类别分组，每组构建机器学习分类模型，每组地块对应的空间辅助变量数据作为属性值，土地利用变化后的土地类别数据作为标签值，通过机器学习分类模型计算，得到每个地块的发展概率pgi；以每个地块为元胞单元，计算各地块的邻域效应，如公式：其中，为则在第t时刻第j个地块对第i个地块的邻域效应，dij为第i地块和第j地块之间的距离，si表示第i个地块的面积，sj表示第j个地块的面积，d表示领域搜索半径，smax表示最大地块面积，smin表示最小地块面积；构建矢量元胞自动机模型转换规则，如公式：其中，为第i个地块转换为k类地块的总体发展概率，将第i个地块转换为k类地块的总体发展概率合成为向量，即得到各地块的总体发展概率数组pi[vga]，为第i个地块转换为k类地块的的发展概率，为第k类地块对第i个地块的邻域效应，为第i个地块转换为k类地块的发展限制因子，当该地块为限制发展区域时其发展限制因子为0，当该地块为非限制发展区域时其发展限制因子为1，ra为随机值；步骤s5包括以下步骤：将所述各地块的总体发展概率数组与所述各地块的转换概率数组进行求和取均值，得到各地块的最终转换概率数组；分别对所述最终转换概率数组进行轮盘赌算法操作，得到各地块最终转换土地利用类别。

10、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的城市用地变化模拟方法的步骤。

11、本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述的城市用地变化模拟方法的步骤。

12、实施本发明提供的城市用地变化模拟方法、介质及设备，具有以下有益效果：

13、本发明所提供的城市用地变化模拟方法、介质及设备，针对土地利用变化具有极强的时空变化特点，充分利用机器学习模型和深度学习模型可以通过多层次的非线性变换来提取数据中的高层次特征和抽象信息、有效挖掘时间序列信息的优点，基于dt模型、rf模型、svm模型、knn模型、lstm模型和gru模型构建城市用地变化模拟方法，记录不同地块的历史状态信息，计算各模型下的土地利用转换概率，再以地籍地块作为基本元胞单元构建矢量ca模型计算土地利用转换概率分别与前述机器学习模型和深度学习模型下的转换概率合并，最后通过轮盘赌算法优选出最终的土地利用转换概率，能够兼顾城市用地变化的时间依赖性，更加精确地模拟城市动态发展过程、城市扩张和土地利用变化，提高对城市用地变化模拟的精度，有效揭示其驱动因素和地块间的相互转换过程，有助于深入理解城市用地时间依赖机制，为区域发展政策的制定提供参考。