[發(fā)明專利]一種基于隨機(jī)森林的元胞自動(dòng)機(jī)城市擴(kuò)展模擬方法

在審

• 申請?zhí)枺?/td>: 201410409993.8
• 申請日: 2014-08-19
• 公開（公告）號: CN104156537A
• 公開（公告）日: 2014-11-19
• 發(fā)明（設(shè)計(jì)）人: 柳林;陳凱;劉凱
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

技術(shù)領(lǐng)域

本發(fā)明涉及地理信息領(lǐng)域，尤其涉及到一種元胞自動(dòng)機(jī)城市擴(kuò)展模擬方法。

背景技術(shù)

元胞自動(dòng)機(jī)(Cellular?Automata，CA)是由數(shù)學(xué)家Stanislaw?M.Ulam與von?Neumann于1948年提出來的，最開始用于模擬生命系統(tǒng)所特有的自復(fù)制現(xiàn)象，是一個(gè)描述自然界復(fù)雜現(xiàn)象的簡化數(shù)學(xué)模型。自1970年Tobler首次將元胞自動(dòng)機(jī)應(yīng)用于城市擴(kuò)展模擬以來，已經(jīng)有眾多學(xué)者開展有關(guān)城市元胞自動(dòng)機(jī)的應(yīng)用，在規(guī)劃、生態(tài)等眾多領(lǐng)域取得了豐富的成果。

元胞自動(dòng)機(jī)模型的核心是定義元胞的轉(zhuǎn)換規(guī)則。在每次循環(huán)迭代運(yùn)算中，轉(zhuǎn)換規(guī)則是由元胞的當(dāng)前狀態(tài)及其鄰居狀態(tài)確定下一時(shí)刻該元胞狀態(tài)的動(dòng)力學(xué)函數(shù)。元胞自動(dòng)機(jī)模型是否成功，很大程度上在于轉(zhuǎn)換規(guī)則的設(shè)計(jì)是否合理，能否真實(shí)地反映事物間內(nèi)在的本質(zhì)。為了讓元胞自動(dòng)機(jī)能夠精確地模擬出城市擴(kuò)展現(xiàn)象，眾多學(xué)者從不同的角度提出了確定轉(zhuǎn)換規(guī)則的方法。FULONG?Wu提出采用多準(zhǔn)則判斷(MCE)及邏輯回歸模型確定元胞自動(dòng)機(jī)的轉(zhuǎn)換規(guī)則。黎夏和葉嘉安提出用神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法自動(dòng)獲取轉(zhuǎn)換規(guī)則。劉小平等提出使用蟻群智能算法模仿螞蟻尋找食物的方式來構(gòu)造轉(zhuǎn)換規(guī)則。但這些方法仍然存在一定的局限性。例如邏輯回歸模型要求空間變量之間是線性無關(guān)的，而影響城市擴(kuò)展的空間變量之間往往存在相關(guān)性，比如當(dāng)高速公路與鐵路的空間距離比較接近時(shí)，到鐵路的距離和到高速公路的距離的相關(guān)性很大。神經(jīng)網(wǎng)絡(luò)能較好地解決非線性分類問題，但該方法屬于黑箱結(jié)構(gòu)，對物理機(jī)制不易理解，且存在收斂速度慢的問題。蟻群智能算法具有較強(qiáng)的自適應(yīng)能力，但其存在計(jì)算開銷大、收斂速度慢、易陷入局部最優(yōu)等缺陷。

針對上述已有元胞自動(dòng)機(jī)模型的不足之處，有必要提出一種精度高，計(jì)算復(fù)雜度適中，具有較好解釋性的定義轉(zhuǎn)換規(guī)則的方法，以能夠更有效地進(jìn)行元胞自動(dòng)機(jī)城市擴(kuò)展模擬。

發(fā)明內(nèi)容

本發(fā)明的目的是為了克服傳統(tǒng)元胞自動(dòng)機(jī)城市擴(kuò)展模擬方法的不足之處，而提出一種能夠兼顧預(yù)測精度和計(jì)算機(jī)運(yùn)算性能，并對模型機(jī)制給出一定解釋的基于隨機(jī)森林的元胞自動(dòng)機(jī)城市擴(kuò)展模擬方法。

本發(fā)明是可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于隨機(jī)森林的元胞自動(dòng)機(jī)城市擴(kuò)展模擬方法，包括以下步驟：

(1)首先獲取研究區(qū)起始年份和終止年份的遙感影像，通過遙感影像預(yù)處理、解譯得到該研究區(qū)各年份的土地利用分類圖；使用ArcGIS軟件得到影響城市擴(kuò)展的各空間變量；

(2)采用隨機(jī)分層抽樣方法，從土地利用分類圖中轉(zhuǎn)變?yōu)槌鞘杏玫氐脑蜕形崔D(zhuǎn)變?yōu)槌鞘杏玫氐脑蟹謩e抽取n個(gè)樣本點(diǎn)，讀取這些樣本點(diǎn)對應(yīng)的城市發(fā)展值和空間變量值，得到元胞自動(dòng)機(jī)模型的原始訓(xùn)練集X；

(3)使用原始訓(xùn)練集X對隨機(jī)森林模型進(jìn)行訓(xùn)練，得到生成好的隨機(jī)森林，并且進(jìn)行模型袋外誤差估計(jì)和變量重要性度量；

(4)利用生成好的隨機(jī)森林，預(yù)測每個(gè)元胞在空間變量作用下的發(fā)展適宜性，在此基礎(chǔ)上計(jì)算在鄰域元胞、隨機(jī)變量、約束條件共同影響下初始狀態(tài)非城市元胞的城市發(fā)展概率；

(5)將得到的城市發(fā)展概率與閥值比較，決定是否轉(zhuǎn)變?yōu)槌鞘杏玫兀?/p>

(6)以上步驟(4)、(5)多次迭代，直到非城市用地轉(zhuǎn)變?yōu)槌鞘杏玫剡_(dá)到指定的數(shù)量為止，得到指定年份的城市擴(kuò)展模擬預(yù)測圖，輸出并保存模擬預(yù)測圖；

(7)將城市擴(kuò)展模擬預(yù)測圖與該指定年份的城市用地實(shí)際狀況圖進(jìn)行比較，得到模擬結(jié)果精度評價(jià)報(bào)告。

所述的步驟(3)中的隨機(jī)森林模型構(gòu)建方法為：應(yīng)用Bootstrap方法從原始訓(xùn)練集X中有放回地隨機(jī)抽取ntree個(gè)自助樣本集{X_i}，對每個(gè)自助樣本集X_i構(gòu)建一顆不剪枝的決策樹。在對決策樹內(nèi)部節(jié)點(diǎn)進(jìn)行分裂過程中，是從M個(gè)原始空間變量中隨機(jī)抽出mtry個(gè)預(yù)測空間變量作為該分裂節(jié)點(diǎn)的候選空間變量。

所述的步驟(3)中的隨機(jī)森林模型袋外誤差估計(jì)是利用原始訓(xùn)練集X中沒有被抽取進(jìn)自助樣本集X_i中的數(shù)據(jù)作為袋外數(shù)據(jù)，估計(jì)隨機(jī)森林元胞自動(dòng)機(jī)模型的誤差。

通過比較參數(shù)ntree、mtry在不同取值時(shí)的袋外誤差大小，在CPU(計(jì)算機(jī))性能允許的情況下，選擇精度最高時(shí)參數(shù)的取值，可確定模型的參數(shù)ntree、mtry。

所述的步驟(3)中的變量重要性度量是利用平均精度減少方法，把一個(gè)空間變量的取值變?yōu)殡S機(jī)數(shù)，通過袋外數(shù)據(jù)衡量隨機(jī)森林預(yù)測準(zhǔn)確性的降低程度，來度量該空間變量的重要性。