基于元胞自動機的遺傳神經網絡在土地利用變化模擬分析中的應用

韋春竹，鄭文鋒，孟慶巖，王春梅，劉 苗

(1.電子科技大學，四川 成都 610000； 2.中科院遙感應用研究所，北京 100101)

基于元胞自動機的遺傳神經網絡在土地利用變化模擬分析中的應用

韋春竹1，鄭文鋒1，孟慶巖2，王春梅2，劉 苗2

(1.電子科技大學，四川 成都 610000； 2.中科院遙感應用研究所，北京 100101)

元胞自動機模型在土地擴展的轉換規則設計上具有隨機性，受周圍環境影響較大。文中建立基于BP神經網絡和遺傳神經網絡算法優化的元胞自動機土地擴張模型，對廣州市2009—2011年進行城市擴張模擬分析。實驗結果顯示：BP神經網絡能夠較好地模擬分布較集中的耕地和林地等區域，精度可達到70%以上，而對于面積較零碎的建筑用地區域，模擬效果較差；而遺傳神經網絡優化算法能夠總體提高模擬精度約5%，部分精度能提高至20%。同時，該算法還能充分考慮影響土地變化的各種擾動因素，優化選擇驅動因子和縮短迭代次數，對于城市土地擴張研究具有可行性。

城市擴張；元胞自動機；BP神經網絡；遺傳算法

隨著我國經濟的高速發展，城市化進程加快。據統計2006年全國人口城市化水平達到43.90%。據專家預測，到2050年我國城市化水平將提高到70%[1-2]。城市規模的不斷擴張伴隨城市建設用地的需求急劇增加，大量新興城市帶來的生態環境問題也對城市的可持續發展起到牽制作用。研究城市擴張問題，獲取土地利用和土地覆蓋變化(Land Use/Cover Change，LUCC)情況，已經成為地球系統科學新的研究重點[3]。目前，國內外研究學者逐漸開始利用元胞自動機[4-6]、神經網絡[7-9]、模糊算法[10]、粗糙集算法[11]、馬爾科夫鏈[12]、遺傳算法[13]、蟻群算法[14]、支持向量機[15]等人工智能算法從宏觀上反映土地利用系統的結構、功能和行為之間的相互作用關系，為城市可持續發展的決策制定提供依據。這些人工智能算法能夠解決在建模過程中遇到的數據不足或難以量化等問題，通過要素的因果關系和結構關系進行推算，分析獲得主要信息，適用于機制過程復雜的土地擴張變化模擬研究。為此，本文擬結合BP神經網絡和遺傳優化算法，進行基于元胞自動機的城市擴張模擬，希望通過研究社會經濟要素定量化表達方法、土地利用過程中自然與人文數據的統一與同化的方法與技術，為發展土地可持續利用提供決策和支持。

1 研究區域

廣州市開發建設迅速，全市建設用地從1996—2009年年均增長率為3.94%[16-17]。根據城市發展規律和廣州市社會經濟發展的方向，未來城市建設仍將會占用較多土地，建設用地供給不足已成為廣州城市發展的限制因素之一。為此本文選取廣州市作為研究區域，選擇2009—2011年的廣州市HJ-1A/1B數據，利用面向對象的土地利用分類方法[18]提取土地利用分類數據(見表1)，為下文的城市擴張模擬提供數據基礎。

表1 廣州市土地利用/覆蓋類型變化 %

2 基于 BP神經網絡的元胞自動機模擬

元胞自動機(CA)模型主要包括元胞、狀態、鄰域、轉換規則函數、時間5部分，是基于時間、空間以及狀態均離散下的空間實體相互作用而構成的網格動力學模型。但是在城市擴展的模擬過程當中，土地擴展的轉換規則往往具有隨機性，受周圍環境影響較大[5]。為此，本文劃分土地為元胞對象，基于BP神經網絡優化城市擴張CA算法，CA的轉換規則函數由神經網絡自組織參數訓練獲得，離散狀態則最終由規則函數得出。并且定義CA的八鄰域元胞及相關城市規劃的環境參數作為變量參與到訓練當中，虛擬模擬時間。

2.1 環境參數的獲取

土地屬性是城市擴張最直接、最重要的自然地理因子。為此，本文選擇距離市區中心的距離、離主要河流的距離、鄰近建設用地的單元數量、鄰近單元的土地利用類別統計量等作為網絡模擬的環境參數。其中，距離市區中心的距離參數通過ArcGIS的緩沖區分析和鄰域分析獲得，如圖1(d)所示；距離河流的距離參數通過ArcGIS 軟件中Spatial Analysis 模塊中Distance 命令，如圖1(a)所示；鄰近建設用地數量和單元土地利用的類別統計值則由在Matlab軟件中設計的統計模塊獲取，如圖1(b)、圖1(c)所示。

與此同時，對于經濟和人口因子的度量，本文根據統計年鑒獲取廣州市12個縣市級區域的人口和經濟發展數據，在ArcGIS當中進行矢量化，通過空間插值分布獲取廣州市經濟和人口的分布值(見圖1(e)、圖1(f))。最終所有經過緩沖區分析、鄰域分析和統計分析后的參數將通過ArcGIS轉化為30 m×30 m單元大小的柵格數據作為預測模型的輸入因子，并且在Matlab中進行歸一化處理。

2.2 BP-CA模型設計

傳統的BP神經網絡模型[19](又稱反向傳播神經網絡)，是一種適于非線性模式識別和分類預測問題的人工神經網絡，由網絡輸入層、隱含層和輸出層三部分組成，連接權連接神經元節點，同層神經元相互不連接。本文設計的BP-CA模塊仍為神經網絡通用的3 層結構。第1 層為數據輸入層，共14個神經元，分別對應于影響城市土地利用動態演化的14個變量。第2 層為隱藏層，BP神經元為非線性結構，即分別采用tansig和logsig激勵函數，其隱藏層的神經元數目設為樣本數的平方根。第3 層為輸出層，由8個神經元組成，分別對應于向周圍八鄰域8土地利用類型的轉換概率。神經網絡訓練的子數據庫來源于原始元胞數據表(占原始數據1/3為最佳)，剩余數據為驗證子數據庫。子數據庫最終訓練結果和驗證子數據庫用于模型精度評價。在這個過程當中BP神經網絡利用最小二乘算法原則，通過根均方誤差和梯度下降法來實現對網絡連接權的修正。最終使網絡實際輸出與規定的輸出之間的根均方誤差(Root Mean Squared Error，RMSE)最小。

2.3 BP神經網絡訓練結果分析

基于上述的數據準備和模型設計，本文利用Matlab的神經網絡模塊，隨機抽取2009年的300個樣本實現廣州市 2010年和2011年的土地利用變化模擬，并用2011年的土地利用數據預測2015年的廣州土地變化情況。其中，2010年的土地變化模擬結果如圖2所示。

圖1 模型的環境參數設計

圖2 基于BP神經網絡的2010年土地利用變化模擬

廣州市2010年土地利用變化模擬的總體模擬精度為75.7%，其中林地的模擬精度為83.3%，耕地為76%，建筑用地為55%，河流為49%。由模擬結果顯示，BP神經網絡對于面積較大且較為集中的特征向量的模擬精度均達到70%以上，精度較高，比如林地和耕地；而建筑用地相對較為分散，模擬效果次之，河流的模擬結果最差，這可能是因為流域的變化受周圍的區域影響較小的緣故。BP神經網絡模擬2015年的廣州土地利用變化情況為：林地面積較2011年縮小約11%，耕地面積擴大約12%，建筑用地面積擴大約4%，河流面積縮小1%，廣州市的城市擴張現象依然呈現增長的趨勢。

3 基于遺傳算法的土地變化模擬

雖然神經網絡有很強的非線性擬合能力，可以映射任意復雜的非線性關系，而且學習規則簡單，便于計算機實現。但是存在以下缺點：①容易陷入局部極小值；②收斂速度慢；③隱含層節點的個數難以確定。這些缺點都影響到網絡的收斂性速度和泛化能力等。為此本文提出遺傳算法( Genetic Algorithm, GA)來優化神經網絡。GA能突破鄰域搜索的限制實現整個解空間分布上的信息搜索、采集和繼承，并且算法不依賴梯度信息，能夠引導搜索過程向著更高效的方向發展，尤其適合于處理傳統搜索方法難以解決的復雜和非線性問題[20]。

3.1 GA優化BP神經網絡的模型設計

本文主要集中利用GA全局優化BP神經網絡的權重，主要包括以下3個步驟[20]: ①將每個染色體通過實數編碼成為BP網絡的權重；②采用整個網絡的誤差函數作為適配函數，通過計算實際輸出與目標輸出總的均方差來評估網絡權重集；③確定遺傳策略，在染色體的交叉變異過程中，本文選取種群規模為30的定長。遺傳神經網絡可以在元胞初始權值分布優化后，在解空間中找出一個較好的搜索空間，更好地防止搜索陷入局部極小值。

3.2 GA-BP網絡訓練結果分析

利用Matlab實現GA-BP優化算法，模擬2010年廣州的土地利用變化(見圖3)，總體模擬精度達到83.84%，其中林地為88.86%，耕地為84.08%，建筑用地為69.6%，河流為51.7%。對比BP神經網絡，GA-BP優化算法模擬的精度有較大提高。而GA-BP優化算法預測2015年的廣州城市擴張情況為：林地面積較2011年縮小約6%，耕地面積較2011年約擴大4 %，建筑用地面積較2011年擴大約2%，河流面積較2011年約縮小1%。綜合兩個算法對2015年的廣州市土地變化預測結果得知，廣州市的城市擴張現象在2015年依然明顯，其中，耕地退化嚴重，城市建筑用地增長顯著。

圖3 基于 GA-BP神經網絡的2010年廣州土地利用變化模擬

3.3 模型對比分析

本文結合BP神經網絡和遺傳算法可以較大程度上改變傳統元胞自動機土地利用模擬過程當中的規則設計問題。并且遺傳神經優化算法較BP神經網絡算法在城市擴張模擬的應用中仍具有明顯的優勢，表現[21]為：①BP神經網絡的初始權值異常敏感，容易導致完全不同的模擬結構：例如本文中的BP神經網絡算法對于廣州市2009年和2011年的河流模擬精度相差近30%；②BP神經網絡訓練過程中缺乏理論指導，經驗值極其容易引起網絡震蕩：例如基于不同的環境變量，BP神經網絡的模擬精度幅度在30%～70%之間變動。

遺傳算法優化BP神經網絡的連接權可以在一定程度上弱化和克服這些問題，由表2可以看出，GA-BP優化算法對于分布較為零散的建筑區域的模擬，精度約提高15%；而對于受鄰近區域影響較小的河流地區，模擬精度也有近10%～20%的提高；雖然BP神經網絡對于林地和耕地的模擬精度較好，已能達到70%以上，但是GA-BP優化算法還能夠在此基礎上提高約5%。由此可以看出，GA-BP優化算法模擬效果較好，可行性較高。

表2 BP神經網絡與GA-BP優化算法的土地變化模擬精度對比 %

4 結束語

本文基于環境遙感影像數據，運用面向對象方法獲取廣州市2009—2011年的土地利用分類數據，并通過Matlab建立BP神經網絡和遺傳神經網絡的元胞自動機土地擴張模型。實驗結果顯示，在復雜多變的土地利用變化過程當中，GA-BP優化算法能夠很好地獲取影響土地轉變的影響因子，并利用函數逼近進行模擬和預測分析，模擬效果優于BP神經網絡算法。但是，本文研究只是選取土地利用類型中的一級要素，例如耕地、林地和建筑用地等進行預測分析，但是真正的城市用地還包括道路，工業用地等更詳細的要素劃分。并且土地類型隨著經濟和政策的不斷發展變化依然在不斷更新，影響土地利用結構的因素指標層出不窮。如何綜合考慮多因素進行區域多級土地類型的模擬分析，更好地反映土地利用結構的變化，依然是下一步工作的重點和難點。

[1]C NUNES, J AUGE．Land-use and land-cover change (LUCC): Implementation strategy[J]．1999：1187-1202.

[2]L XIUBIN．A review of the international researches on land use/land cover change [J]．Acta Geographical Sinica, 1996(6) ：1354-1362.

[3]J LIU and X DENG．Progress of the research methodologies on the temporal and spatial process of LUCC[J]．Chinese Science Bulletin, 2010,55：1354-1362.

[4]趙晶．基于CA的城市土地利用演變人工神經網絡模擬[J]．蘭州大學學報：自然科學版，2006，42(5)：27-31.

[5]黎夏，葉嘉安．基于神經網絡的元胞自動機及模擬復雜土地利用系統[J]．地理研究，2005，24(1):19-27.

[6]錢育蓉，李建龍，干曉宇，等．基于BP網絡研究城市擴張中的道路因素——以張家港市為例[J]．華東師范大學學報:自然科學版，2009(3):63-71.

[7]錢育蓉，李建龍，王衛源，等．基于BP-MC網絡的張家港市耕地安全定量化分析[J]．農業工程學報，2009，25(12):299-305.

[8]王良健，師迎春，林目軒．BP神經網絡結合小波處理在城市擴張預測中的應用——以長沙市區為例[J]．中國土地科學，2008，22(1):39-48.

[9]趙晶，陳華根，許惠平．元胞自動機與神經網絡相結合的土地演變模擬[J]．同濟大學學報:自然科學版，2007，35(8):1128-1132.

[10]F WU．Simulating urban encroachment on rural land with fuzzy-logic-controlled cellular automata in a geographical information system[J]．Journal of Environmental Management,1998,53:293-308.

[11]楊青生，黎夏．基于粗集的知識發現與地理模擬—以深圳市土地利用變化為例[J]．地理學報，2006，61(8):882-894.

[12]楊國清，劉耀林，吳志峰．基于CA-Markov模型的土地利用格局變化研究[J]．武漢大學學報：信息科學版，2007，32(5):414-418.

[13]秦真珍，楊帆，黃勝林，等.基于GA-BP算法的大壩邊坡變形預測模型[J]．測繪工程，2010，19(1):13-16.

[14]劉小平，黎夏，葉嘉安，等．利用蟻群智能挖掘地理元胞自動機的轉換規則[J]．中國科學，2007，37(6)：824-834.

[15]楊青生，黎夏．基于支持向量機的元胞自動機及土地利用變化模擬[J]．遙感學報， 2006，10(6):836-846.

[16]韋亞平，趙民，肖瑩光．廣州市多中心有序的緊湊型空間系統[J]．城市規劃學刊，2006(4):41-46.

[17]G ONKAL-ENGIN, I DEMIR, H HIZ．Assessment of urban air quality in Istanbul using fuzzy synthetic evaluation[J]．Atmospheric Environment, 2004,38:3809-3815.

[18]W ZHOU,A TROY．An object-oriented approach for analysing and characterizing urban landscape at the parcel level[J]．International Journal of Remote Sensing, 2008,28:3119-3135.

[19]蘇高利，鄧芳萍．論基于 MATLAB 語言的 BP 神經網絡的改進算法[J]．科技通報，2003，19(2):130-135.

[20]潘昊，王曉勇，陳瓊，等．基于遺傳算法的BP神經網絡技術的應用[J]．計算機應用，2005，25(12):2777-2780.

[21]田正杰，梁明.遺傳BP算法在特征級遙感影像融合中的應用[J]．測繪工程，2008，17(6):59-62.

[責任編輯：劉文霞]

Geneticneuralnetworkbasedoncellularautomataappliedtothesimulationanalysisoflandusechange

WEI Chun-zhu1, ZHENG Wen-feng1, MENG Qing-yan2，WANG Chun-mei2，LIU Miao2

(1.Chengdu University of Electronic Science and Technology, Chengdu 610000, China; 2.Institute of Remote Sensing Applications of Chinese Academy of Sciences, Beijing 100101,China)

Cellular automata model comes up with the random in the design of transit mechanism for land expasion, which is affected by the surrounding environment. The BP neural network (BP) and the genetic algorithm (GA) combined with the cellular automata (CA) are used as a model into the land expansion simulation in order to analyze the case in Guangzhou from 2009 to 2011. Experimental results show that the BP neural network is suitable for the simulation of cultivated land and forest land, the precision of which can reach up to 70%, but can not be suitable for the simulation of the urban building areas of fragmentary. The BP genetic neural network can be improved with simulation precision in general abby 5%, and part of the precisions can go up to 20%.In addition, the GA-BP model can not only better choose the factors that influence the urban expansion, but also shorten the number of iterations to improve the processing speed. To sum up, it is feasible and effective to apply the genetic neural network to the predicting of land use change.

urban expansion; cellular automata; genetic algorithm; BP neural network

2013-03-13

廣東省省院產學研合作資金資助(2011B09030090;2012B091100219)；科技部國際科技合作與交流專項項目(2010DFA21880)；中國科學院對外重點合作項目(GJHZ1003)

韋春竹(1987-)，女，碩士研究生.

TP183

：A

：1006-7949(2014)01-0045-05