基于BP神经网络的CA城市模拟与预测-以南京市为例.docx
??
?
??
基于BP神经网络的CA城市模拟与预测
以南京市为例
?
??
?
?
?
?
?
?
?
???
?
?
?
?
?
邝绮婷，杨再贵，杨杰，商泽云
(广州地量行城乡规划有限公司，广东广州510000)
摘要：CA模型已被越来越多地用于城市模拟中，基于神经网络的CA模型能够自动获取模型参数，近年来倍受研究者关注。本文选取南京为研究区，以ArcGIS和MATLAB为开发平台，基于BP神经网络对2005年城市化情形的训练定义CA规则，模拟2010年情形并预测2015年情形。研究表明：（1）基于BP神经网络的城市扩张模型能够在86%的精度上实现城市用地模拟，并对未来情景作出预测，该模型在城市模拟和预测领域较有效；（2）南京城市扩张符合“扩散-聚合-扩散”相位理论；（3）水体和交通对城市发展具有一定的导向作用；（4）该模型仍然存在一定缺陷，无法对模型参数做出进一步探究和解释。
关键词：BP神经网络；CA元胞自动机；南京；城市扩张；预测；扩散；聚合
1前言
本文选择南京这一快速城市化的滨水交通枢纽城市，基于多期遥感分类图像，将BP神经网络引入CA模型，模拟城市扩张；重点关注水体和交通影响下非城市用地向城市用地的转移格局，并预测其发展趋势。
2研究区及数据
南京市位于31°14′~32°36′N，118°22′~119°14′，总面积约6500km2；长江穿越境内，同时又是华东地区的交通枢纽，因而城市发展受水体和交通影响显著。作为江苏省的省会和长三角都市圈的次级中心城市，南京自改革开放以来经济发展迅速，人口急剧膨胀，建城区面积不断扩张。
本文以2005年和2010年南京TM影像为遥感数据源，进行投影变换、图像增强、裁剪、镶嵌、波段组合等处理；采用监督分类方法提取4种土地利用类型：耕地、绿地、建设用地、水体；通过与GoogleEarth?高分辨率卫星影像叠加进行精度检验，解译精度为[来自W]86.48%（2005年）和85.45%（2010年）。研究所用坡度数据来自国际科学数据平台（/），道路数据由南京市2009年1:8000地图矢量化得到。数据预处理过程在ArcGIS9.3和ERDASImagine9.2支持下完成。
3方法与模型
3.1BP神经网络
人工神经网络通过模仿人类大脑的功能进行计算和模拟，包括一系列神经元和图层，具有类似人类学习和反馈的能力，对于复杂的非线性系统尤其适用；目前已被大量用于分析和模拟地理问题。BP神经网络（back-propagationneuralnetworks）是一种多层前馈型神经网络，具有信号前向传递，误差反向传播的特点。BP神经网络由输入、隐含和输出3个层次组成；前向传递过程中，输入信号从输入层经隐含层逐层处理，直至输出层。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出（图1）。
BP神经网络是一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。输入层对应n个空间变量（单元的属性）：
3.2CA模型
基本的CA模型由以下4个部分组成：（1）由元胞数组表示的空间，每一个元胞表示一个时刻的属性；（2）离散数量的状态；（3）邻域；（4）转换规则，根据元胞及其邻域上一时刻的属性规定下一时刻元胞的属性。其中转换规则是CA模型的核心部分，对CA模拟结果具有重大影响。整个CA模拟的过程是在转换规则规定下进行，（t+1）时刻的状态由t时刻元胞及其领域状态决定，表示成如下形式：
[来自WwW.]
3.3基于BP神经网络的CA模型
基于BP神经网络的CA模型分为两个部分：模型训练（校正）和模拟（图1）。城市扩张是一个迭代概率性系统，在模拟过程中，每次循环计算中，神经网络的输出神经元计算出每一空间单元的城市发展概率，随后将该概率与预先定义的阈值进行比较，确定该单元是否发生状态的变化。本文首先应用Arcgis10.0的空间分析功能对基础空间数据进行处理并归一化得到9个影响因子（表1），利用随机采样获取训练数据，继而在MATLAB7.10.0中进行神经网络训练和CA城市模拟。
4结果与讨论
4.1模拟结果
根据2005年的南京城市化情形定义CA规则，模拟2010年的情形（图2b）；为验证模拟效果，与2010年的实际情景进行对比（图2a），并采用点对点的检验方法对模拟结果进行检验，城市用地模拟精度达86%，表明模型选用的空间变量和基于BP网络获取的转换规则能够较好地契合城市增长规律。在此基础上预测2015年的城市化情形（图2c）。
4.2城市扩张动态
综合2005-2010年遥感影像解译结果和2015年预测结果，观察南京城市扩张动态（图3）。2005-2010年，城市用地扩张大多发生在已有建成区