專利名稱：一種基于云模型元胞自動機的城市擴展預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及城市擴展預(yù)測方法，尤其涉及一種基于云模型元胞自動機的城市擴展預(yù)測方法。
背景技術(shù)：
城市擴展是元胞自動機(cellular automata，簡稱CA)應(yīng)用的一個熱點領(lǐng)域。 Tobler院士在20世紀70年代首次將元胞自動機方法引入城市研究，并采用元胞自動機模擬美國五大湖邊底特律地區(qū)城市的迅速擴展。但是，這時元胞自動機在城市擴展的應(yīng)用還處于一般性討論與方法“地理化”階段，標準元胞自動機模型應(yīng)用在城市擴展領(lǐng)域的性能和實用性有待進一步完善。許多元胞自動機擴展模型相繼被提出并得到了更為廣泛的發(fā)展。 首先，多準則判斷[1]、LogistiC回歸[2]等數(shù)理統(tǒng)計方法被應(yīng)用于元胞自動機轉(zhuǎn)換規(guī)則構(gòu)建中；其次，近年來數(shù)據(jù)挖掘[3]、神經(jīng)網(wǎng)絡(luò)M、多智能體[5]、核學(xué)習機[6]、支持向量機[7]、人工免疫系統(tǒng)[8]等方法被用于轉(zhuǎn)換規(guī)則的智能獲取。以黎夏、葉嘉安和周成虎為代表的學(xué)者們在元胞自動機擴展模型上做了很多有意義的理論嘗試，但是這些元胞自動機擴展模型過分依賴高效的模型算法，不能從根本上解決城市擴展元胞自動機的真實性問題，很少考慮城市擴展中的不確定問題。一般元胞自動機采用蒙特卡洛方法[9]、模糊邏輯[1°_11]來反映城市擴展的不確定性，但上述方法僅反映了城市擴展不確定性的隨機性或模糊性，不能完整表達不確定性。[12]采用位置和數(shù)量Kappa系數(shù)來分析空間明確模型中的預(yù)測不確定性和模擬的精度問題，該研究的實質(zhì)是對模擬結(jié)果進行敏感性分析，從模型構(gòu)建上并未體現(xiàn)不確定性定量傳播問題。文中涉及的參考文獻如下Wu F, Webster CJ. Simulation of land development through the integration of cellular automata and multicriteria evaluation. Environment and Planning B: Planning and Design. 1998， 25(1):103-126.Wu F. Calibration of stochastic cellular automata: the application to rural-urban land conversions. International Journal of Geographical Information Science. 2002. 16(8) :795-818.Li X, Yeh AGO. Data mining of cellular automata's transition rules. International Journal of Geographical Information Science. 2004. 18(8) :723-744.Li X, Yeh A. G. 0. Neural-network-based cellular automata for simulating multiple land use changes using GIS. International Journal Of Geographical Information Science: 2002. 16(4): 323-343.Chen YM, Li X, Liu XP, et al. An agent-based model for optimal land allocation (AgentLA) with a contiguity constraint. International Journal of Geographical Information Science. 2010. 24(8) : 1269—1288.
5[6]Liu X, Li X, Shi X, et al. Simulating complex urban development using kernel-based non-linear cellular automata. Ecological Modelling. 2008. 211(1-2) :169-181.Yang QS, Li X, Shi X. Cellular automata for simulating land use changes based on support vector machines. Computers & Geosciences. 2008. 34:592 - 602.Liu XP, Li X, Shi X, et al. Simulating land-use dynamics under planning policies by integrating artificial immune systems with cellular automata. International Journal of Geographical Information Science. 2010.24(5): 783-802.Li D, Cheunq D, Shi XM. Uncertainty Reasoning Based on Cloud Models in Controllers. Computers and Mathematics with Applications. 1998. 35(3) :99-123.Al-Kheder S, Wang J, Shan J. Fuzzy inference guided cellular automata urban-growth modelling using multi-temporal satellite images. International Journal Of Geographical Information Science. 2008. 22(11-12):1271-1293.Al-Ahmadi K, See L, Heppenstall A, et al. Calibration of a fuzzy cellular automata model of urban dynamics in Saudi Arabia. Ecological Complexity. 2009.6:80 - 101.Zhang J, Zhou YK, Li RQ, et al. Accuracy assessments and uncertainty analysis of spatialIy explicit modeling for land use/cover change and urbanization: A case in Beijing metropolitan area. Science China Earth Sciences. 2010. 53 (2):173-180。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種基于云模型元胞自動機的城市擴展預(yù)測方法，該方法能更真實、準確地模擬城市擴展。為了解決以上技術(shù)問題，本發(fā)明采用如下的技術(shù)方案
一種基于云模型元胞自動機的城市擴展預(yù)測方法，包括以下步驟
1)柵格化城市土地利用圖，每一柵格對應(yīng)一個元胞；
2)對各元胞轉(zhuǎn)換概率變量及非城市元胞距各空間變量的空間距離采用概念集“近、中、 遠”表達，并采用云模型定量表達概念集，實現(xiàn)定性到定量的表達，所述的空間變量為城市中心、鎮(zhèn)中心、工業(yè)中心和主干道；所述的元胞轉(zhuǎn)換概率變量值在(Tl之間，并等分為三個區(qū)間，分別對應(yīng)“高、中、低”概念；
3)構(gòu)造規(guī)則發(fā)生器，本步驟進一步包括以下子步驟
3-1構(gòu)建云推理引擎，即定性規(guī)則庫，采用“If A, then B”形式表達，其中，A為各非城市元胞距各空間變量的空間距離所屬的概念集；B為在空間變量影響下的元胞轉(zhuǎn)換概率概念集；
3-2根據(jù)所構(gòu)建的定性規(guī)則庫，采用多維云模型構(gòu)造對應(yīng)于If部分的前件規(guī)則發(fā)生器，并采用二維云模型構(gòu)造對應(yīng)于then部分的后件規(guī)則發(fā)生器；4)根據(jù)判斷各非城市元胞所屬的概念，通過規(guī)則發(fā)生器得到空間變量影響下的元胞轉(zhuǎn)換概率，本步驟進一步包括以下子步驟
4-1將各非城市元胞距各空間變量的空間距離值輸入至前件規(guī)則發(fā)生器，采用極大判定法判斷各空間距離值屬于概念集{遠、中、近}中的某個概念，并激活前件規(guī)則發(fā)生器中對應(yīng)的定性規(guī)則庫，通過前件規(guī)則發(fā)生器推理引擎，輸出中間隸屬度值；
4-2將上述中間隸屬度值作為后件規(guī)則發(fā)生器的輸入值，激活對應(yīng)的后件規(guī)則發(fā)生器， 通過后件規(guī)則發(fā)生器推理引擎，得到各非城市元胞對于某一概念的最終隸屬度值，即，非城市元胞城市化的轉(zhuǎn)換概率；
5)考慮鄰域、宏觀因素，制定非城市元胞的行為轉(zhuǎn)變規(guī)則，并根據(jù)非城市元胞的行為轉(zhuǎn)變規(guī)則計算每個元胞的最終元胞轉(zhuǎn)換概率，若元胞轉(zhuǎn)換概率大于預(yù)設(shè)閾值，則該非城市元胞所代表的土地城市化；否則，該非城市元胞狀態(tài)不變；所述預(yù)設(shè)閾值根據(jù)元胞轉(zhuǎn)換概率值分布范圍和分布特征確定。 上述步驟2)進一步包括以下子步驟
2-1獲取各非城市元胞距各空間變量的空間距離值，根據(jù)各非城市元胞距各空間變量的空間距離構(gòu)建空間距離矩陣Di
，其中，f取1、2、3、4，錢、/)2、錢、.仏分別為各非城市元胞距城市中心、鎮(zhèn)中心、工業(yè)中心、
主干道的空間距離矩陣；
2-2將各非城市元胞距各空間變量的空間距離值離散化、概念化；
2-3從空間距離矩陣琿D2 D5 D4中各隨機抽取20%的元胞； 2-4對步驟2-3所抽取的各元胞距各空間變量的空間距離值進行K均值聚類分析， 將空間距離矩陣場的聚類中心du_csntori分為Λ—Ceafcra、c2u_centera、rfa—cerafers
三類，將空間距離矩陣瑪對應(yīng)的論域記為4,根據(jù)聚類中心將4劃分為三個離散區(qū)間 A^ = [Ow ciu _ osnfie ^]、A^ = [ciu _ CeraiiSTjt31 chi禾口為=[ciu _CsnJter3 ^clu _ CeniEr3]，
iij|i,4-=AU^U45 ；
2-5將空間距離表達為三個概念粒度，即遠、中、近；將由空間變量決定的元胞轉(zhuǎn)換概率記為其對應(yīng)的論域記為戽，糞=PU，將Λ抽象為概念集(高、中、低}；
2-6利用云模型表示空間距離矩陣Di的概念集合Ci, q = {C^F^E^^XC^i&^E^M^XC^^,EnsM^ , U: 111, Q、Q、C3 分別
表示基本概念“遠”、“中”、“近”；期望值Λ^ Ε^Λ^Μ ,分別對應(yīng)論域的中心值，這里，期望值 =.,ME^ = (1 , J^2lJji3Jδ"原貝 lj，
_ =, 為論域中心值，_為論域最小值；超熵Jfe決定著云模型的
離散程度，控制著模型輸入與輸出的不確定性關(guān)系；
2-7根據(jù)步驟1-5得到云模型的數(shù)學(xué)特征值、熵的數(shù)學(xué)公式
權(quán)利要求
1.一種基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在于，包括以下步驟1)柵格化城市土地利用圖，每一柵格對應(yīng)一個元胞；2)對各元胞轉(zhuǎn)換概率變量及非城市元胞距各空間變量的空間距離采用概念集“近、中、 遠”表達，并采用云模型定量表達概念集，實現(xiàn)定性到定量的表達，所述的空間變量為城市中心、鎮(zhèn)中心、工業(yè)中心和主干道；所述的元胞轉(zhuǎn)換概率變量值在(Tl之間，并等分為三個區(qū)間，分別對應(yīng)“高、中、低”概念；3)構(gòu)造規(guī)則發(fā)生器，本步驟進一步包括以下子步驟3-1構(gòu)建云推理引擎，即定性規(guī)則庫，采用“If A, then B”形式表達，其中，A為各非城市元胞距各空間變量的空間距離所屬的概念集；B為在空間變量影響下的元胞轉(zhuǎn)換概率概念集；3-2根據(jù)所構(gòu)建的定性規(guī)則庫，采用多維云模型構(gòu)造對應(yīng)于If部分的前件規(guī)則發(fā)生器，并采用二維云模型構(gòu)造對應(yīng)于then部分的后件規(guī)則發(fā)生器；4)根據(jù)判斷各非城市元胞所屬的概念，通過規(guī)則發(fā)生器得到空間變量影響下的元胞轉(zhuǎn)換概率，本步驟進一步包括以下子步驟4-1將各非城市元胞距各空間變量的空間距離值輸入至前件規(guī)則發(fā)生器，采用極大判定法判斷各空間距離值屬于概念集{遠、中、近}中的某個概念，并激活前件規(guī)則發(fā)生器中對應(yīng)的定性規(guī)則庫，通過前件規(guī)則發(fā)生器推理引擎，輸出中間隸屬度值；4-2將上述中間隸屬度值作為后件規(guī)則發(fā)生器的輸入值，激活對應(yīng)的后件規(guī)則發(fā)生器， 通過后件規(guī)則發(fā)生器推理引擎，得到各非城市元胞對于某一概念的最終隸屬度值，即，非城市元胞城市化的轉(zhuǎn)換概率；5)考慮鄰域、宏觀因素，制定非城市元胞的行為轉(zhuǎn)變規(guī)則，并根據(jù)非城市元胞的行為轉(zhuǎn)變規(guī)則計算每個元胞的最終元胞轉(zhuǎn)換概率，若元胞轉(zhuǎn)換概率大于預(yù)設(shè)閾值，則該非城市元胞所代表的土地城市化；否則，該非城市元胞狀態(tài)不變；所述預(yù)設(shè)閾值根據(jù)元胞轉(zhuǎn)換概率值分布范圍和分布特征確定。
2.根據(jù)權(quán)利要求1所述的基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在于 所述的步驟2)進一步包括以下子步驟2-1獲取各非城市元胞距各空間變量的空間距離值，根據(jù)各非城市元胞距各空間變量的空間距離構(gòu)建空間距離矩陣壞，其中，f取1、2、3、4，錢、/)2、錢、.仏分別為各非城市元胞距城市中心、鎮(zhèn)中心、工業(yè)中心、主干道的空間距離矩陣；2-2將各非城市元胞距各空間變量的空間距離值離散化、概念化； 2-3從空間距離矩陣錢,D2 Ds D4中各隨機抽取20%的元胞； 2-4對步驟2-3所抽取的各元胞距各空間變量的空間距離值進行K均值聚類分析， 將空間距離矢巨陣1 的聚類中心分為csisfer星、cin—Eaifcrs、三類，將空間距離矩陣螞對應(yīng)的論域記為4,根據(jù)聚類中心將4劃分為三個離散區(qū)間 A^ = [O, chi _ csn^r^l、為=[ciu _ i^sfsisr^禾| 丨為=[ciu _ OsaJter3 ^clu _ CS^BTsI，其中，
3.根據(jù)權(quán)利要求2所述的基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在于 所述的步驟2-1中利用ArcGIS工具獲取各元胞距各空間變量的空間距離值。
4.根據(jù)權(quán)利要求2或3所述的基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在中各隨機抽取20%所述的步驟2-3中采用隨機分層法從空間距離矩陣錢^3 A 的元胞。
5.根據(jù)權(quán)利要求1所述的基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在于所述的步驟3-2中采用多維云模型構(gòu)建前件規(guī)則發(fā)生器進一步包括以下步驟3-2-1假設(shè)變量為征特學(xué)數(shù)的型模云佳多的 成構(gòu)€( ^^ ^^ ^ ; , ^ ) ’ Ex^ E^ H、分別為變量,的期望值、熵、超熵，其中，變量，’ &指各非城市元胞距各空間向量的空間距離值；
6.根據(jù)權(quán)利要求5所述的基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在于所述的步驟3-2-5中的#取2000。
7.根據(jù)權(quán)利要求1所述的基于云模型元胞自動機的城市擴展預(yù)測方法，其特征在于所述的步驟5)中制定元胞的行為轉(zhuǎn)換規(guī)則進一步包括以下子步驟5-1采用四方網(wǎng)格對元胞空間進行劃分，元胞空間中元胞鄰域采用半徑R=4的圓型鄰居；5-2對在空間變量驅(qū)動下的元胞轉(zhuǎn)換概率F,修正為麫= ^xiXUOxn⑴，其中，Ω^Λ)為半徑R=4的圓型鄰域?qū)χ行脑鹖的局部轉(zhuǎn)換概率，ΠΘ表示中心元胞i受宏觀約束的轉(zhuǎn)換概率，用0、1表示，0表示不能發(fā)展或發(fā)展阻力較大，1表示具有較大的發(fā)展?jié)摿驘o發(fā)展阻力，若有一項取值為0，則Π(0 = 0 ；上述iXUD可表示為= Scemcs' == “0 —D，其中，~為中心元胞《的鄰域內(nèi)第個鄰居元胞的狀態(tài)；為判斷％是否為城市元胞，若為真，則返值 1，若為假，則返值0= 為鄰域內(nèi)元胞總數(shù)。
全文摘要
本發(fā)明公開了一種基于云模型元胞自動機的城市擴展預(yù)測方法，包括以下步驟1)柵格化城市土地利用圖，每一柵格對應(yīng)一個元胞；2)對各元胞轉(zhuǎn)換概率變量及非城市元胞距各空間變量的空間距離采用概念集“近、中、遠”表達，并采用云模型定量表達概念集；3)構(gòu)造規(guī)則發(fā)生器；4)通過規(guī)則發(fā)生器得到空間變量影響下的元胞轉(zhuǎn)換概率；5)制定非城市元胞的行為轉(zhuǎn)變規(guī)則，并根據(jù)非城市元胞的行為轉(zhuǎn)變規(guī)則計算每個元胞的最終元胞轉(zhuǎn)換概率。本發(fā)明方法構(gòu)建了不確定性與模擬結(jié)果精度之間的定量模型，并將上述模型應(yīng)用于城市擴展預(yù)測中，有助于更真實、準確地模擬城市擴展。
文檔編號G06F19/00GK102254105SQ20111022742
公開日2011年11月23日 申請日期2011年8月10日 優(yōu)先權(quán)日2011年8月10日
發(fā)明者何青青, 張文婷, 王海軍, 賀三維 申請人:武漢大學(xué)