城市擴展元胞自動機多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡模型

摘要：傳統(tǒng)的城市擴展元胞自動機(CA)模型是基于單個元胞的變量信息挖掘來構(gòu)建轉(zhuǎn)換規(guī)則的。針對度特征挖掘轉(zhuǎn)換規(guī)則的城市擴展元胞自動機模型(MSCNN-CA)，并以武漢主城區(qū)和上海浦東新區(qū)為例，模擬了兩個試驗區(qū)2005-2015年期間城市擴展過程。模型驗證表明：與邏輯回歸和神經(jīng)網(wǎng)絡相比，本文構(gòu)建的3個單一結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡元胞自動機(CNN-CA)模型在4個指標(Kappa系數(shù)、FoM(figureofmerit)值、命中率 (h)和錯誤率(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)提高了市擴展元胞自動機模型(MSCNN-CA)能夠有效提高城市擴展模擬的精度，更真實地反映城市擴展空間關鍵詞：城市擴展元胞自動機多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡地理模擬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,在模擬復雜非線性問題上具有獨特優(yōu)勢[1],并在圖像分CA明CA換規(guī)則和空間驅(qū)動要素具有緊密的聯(lián)系,但如何從空間驅(qū)動要素中提取規(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,難以實現(xiàn)對城市ABBO邏輯回歸能挖掘空間變量間相互作用的非線性特征,反映出更真實的城市擴展過程。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)絡實現(xiàn)復CA都是基于單個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數(shù)都會影響模型的學習能力和結(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,為了更全面地表達地理模擬中針對以上問題,本文提出一種基于多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡的城市擴展CA模型,通過設計能挖掘不同區(qū)域特征的網(wǎng)絡結(jié)構(gòu),組合不同尺度和數(shù)目的卷積核,提高模型的穩(wěn)定性和準確性,實現(xiàn)對區(qū)域演變特征的進行訓練是多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡的核1.1.1卷積層力也會隨之增強,但訓練耗時會成倍增加,甚至會出現(xiàn)過擬合問題。本文應用的多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡由于各個網(wǎng)絡可單獨訓練,避免過擬合問題,且計算量接近單級網(wǎng)絡,參數(shù)量和計算量的增加并不顯著,具有較強的可應用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CNN度前饋人工神經(jīng)網(wǎng)絡,是針對圖像識別和分類而設計的深度學習方法,括多個卷量中獲取特征。在卷積層中可通過各類卷積核,完成對輸入變量特征的提取,低級卷積核可識別初級特征,高級卷積核可識別高級特征。其數(shù)學表達式為1.1.2池化層卷積層操作完成后,參數(shù)量級雖已得到降低,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,全連接層的每個結(jié)點都與上層所有1.2.1多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡由于卷積神經(jīng)網(wǎng)絡模型的學習能力高度依賴于卷積核的尺寸和大小等參數(shù),細微的調(diào)整也會對結(jié)果對不同網(wǎng)絡結(jié)構(gòu)的提取特征進行綜合,以提高模型的穩(wěn)定性和準確性,其模型框架如圖2所示。模型的主體部分為特征提取層,它由多個具有針對性的網(wǎng)絡結(jié)構(gòu)組成。在該層中,通過對同一組數(shù)據(jù)進行訓練,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,在特征級聯(lián)層中采用神經(jīng)網(wǎng)絡的級聯(lián)結(jié)構(gòu),將多個高維特征向量級聯(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)絡模Aij2.2數(shù)據(jù)來源和處理2模型應用2.1研究區(qū)武漢是湖北省省會、中部六省唯一的副省級市和超大城市,中國中部地區(qū)的中心城市,長江經(jīng)濟帶、新洲區(qū)、江夏區(qū)6個遠城區(qū)；上海是我國航運、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)進入土地城鎮(zhèn)化的后期階段,城市擴展的速度有所減緩,主要擴展區(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),來源于中國科學院資源環(huán)境科學數(shù)據(jù)中心。利用空間矢量數(shù)據(jù)計算其歐氏距區(qū)的變量如圖5、圖6所示。2.3模型訓練和參數(shù)確定MSCNNCA要的參數(shù)。根據(jù)文獻[23]對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,但運行效率隨之降低。本文為驗證模型可行性,且綜合考慮到計算量和鄰8@4×48@2×216@2×216@2×2從而保證基礎模型能夠提取區(qū)域內(nèi)足夠豐富的變量信息。加深網(wǎng)絡深度型的訓練精度和運行時間見表2。試驗區(qū)網(wǎng)絡結(jié)構(gòu)精度/(%)運行時間/s網(wǎng)絡結(jié)構(gòu)精度/(%)運行時間/s網(wǎng)絡結(jié)構(gòu)精度/(%)運行時間/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從模型測試的結(jié)果來看,在網(wǎng)絡較淺時,可以通過加深網(wǎng)絡的深度來達到加強模型挖掘轉(zhuǎn)換規(guī)則的圖7、ai的集,對模型進行訓練,剩余20%的樣本作為測試集用來評價模型的精度。然后經(jīng)過模型的訓練和驗證,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、限制約束和隨機擾動的影響,構(gòu)建轉(zhuǎn)換規(guī)則,計算元胞由非城市向城市元胞轉(zhuǎn)換的概率。2.4試驗結(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)絡可優(yōu)化單結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡挖掘轉(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)和更低的錯誤率(m),如更能直觀地突出MSCNN-CA模型的模擬優(yōu)勢,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,更貼近真實的地理分布狀態(tài)。因此可知,網(wǎng)絡結(jié)構(gòu)的多樣性,對于豐試驗區(qū)指標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