基于多目標優化的城市土地空間最優配置方法研究

屈金蓮

（湖南省湘煤地質工程勘察有限公司，湖南 長沙 410000）

0.引言

隨著城市建設的發展，城市的土地利用越來越緊張，結合環境和城市建設的雙重利益考慮，需要對城市的土地空間進行合理的規劃，進行城市土地空間最優配置，提高城市土地資源的利用水平，減少城市土地資源空間浪費，研究城市土地空間最優配置方法，對優化城市土地規劃設計的具有重要意義，相關的城市土地空間配置和規劃研究受到人們的重視[1]。

城市土地空間最優配置是通過地理信息數據庫分析和分塊匹配實現，結合遙感衛星監測，采用多目標的優化控制方法，構建城市土地空間最優配置模型。傳統方法中，對城市土地空間最優配置方法主要有線性單位網格配置方法、矢量場紋理可視化配置方法以及網格多分辨配置方法等，通過GIS數據庫構建，在地理信息庫中進行資源配置[2]。文獻[3]中提出地理矢量場空間變化特征的多分辨率紋理可視化配置方法，采用多分辨的紋理構建和信息增強技術，計算地理矢量場復合信息熵，通過復雜空間特征結構分析，進行土地空間配置，該方法的在線可視化效果較好，但對地理矢量場數據集成與綜合應用性能不好。文獻[4]中提出基于深度學習的土地空間分區分層信息提取方法，實現對城市土地資源的快速獲取，結合地球表面信息梯度融合，提高城市土地空間配置能力，但對大范圍的密集土地利用性能不好。針對上述問題，本文提出基于多目標優化的城市土地空間最優配置方法。首先進行模型構建，建立城市土地空間配置的目標約束參量模型，以地形特征、空間分布、遙感分辨特征等數據為基礎參量，進行資源動態配置，然后通過城市土地的影像視覺分析方法，進行城市土地空間多目標學習和優化重組，實現城市土地空間配置，最后進行實驗測試分析，展示了本文方法在提高城市土地空間最優配置能力方面的優越性能。

1.研究方法與模型構造

1.1 城市土地空間配置研究對象方法

為了實現基于多目標優化的城市土地空間最優配置，需要首先構建城市土地空間配置的分塊和分層結構模型，采用模塊化特征提取和高分辨遙感監測的方法，進行城市土地空間的自適應配置。在影像輸入模式下，根據深度學習和卷積神經網絡學習，建立城市土地空間分布的參數模型，采用多目標進化和語義特征檢測，結合樣本序列訓練的方法，構建城市土地空間分布域，在矢量場分布區域中，通過建立矢量場的空間變化特征分析模型，采用增強表達和地理矢量場復合檢測的方法，進行城市土地空間定量屬性的變化分布檢測[5]，城市土地空間的矢量場表達模型（如圖1所示）：

圖1 城市土地空間的矢量場表達模型

根據圖1城市土地空間的矢量場表達模型可知，結合多分辨的紋理參數分析和區域界定，分析矢量場中的結構特征、多尺度及空間分布特性，以矢量方向分布模擬城市土地空間配置參數，確定信息熵，取城市土地空間分布的鄰域為N×N，本文以場強大小構建強度信息熵，得到城市土地空間檢測的高分辨強度分布范圍為B=［mmin，mmax］，其中，mmin，mmax分別為各類標量屬性的抽象綜合值，在矢量場全局強度最小狀態分布結構下，構建矢量場紋理分布集，得到城市土地空間最優配置的高分辨遙感監測模型（如圖2所示）：

圖2 城市土地空間最優配置的高分辨遙感監測模型

1.2 分區分層的土地空間特征提取

以上述地形特征、空間分布、遙感分辨特征等數據為基礎參量，采用深度學習模型分層提取城市土地的空間分布地形參數，進行城市土地空間的特征提取[6]。特征提取流程（如圖3所示）：

圖3 特征提取流程

根據圖3的特征提取模型，構建多級化的城市土地空間配置網格模型，通過數學形態特征分析，建立城市土地空間配置的遙感影像檢測模型，在綜合尺度特征分析中，采用分步提取的方法，得到的城市土地空間圖斑用L（a，bm）描述，其中，a為開放園區場景下的城市土地分配率；bm為地面點對于垂直方向的約束參數。通過閉環檢測獲得的局部地圖特征量，由此得到關聯的單幀電源模糊特征分布集，如式（1）所示：

式（1）中，y為測量點聯合點到線距離；X（k）為單幀掃描獲取的城市土地配置參數；k為經驗模態分解閾值；n為面積；N為剔除點數；θe為桿狀點的位置偏移信息；ρe為序列幀間的相對位置參數。結合城市土地的影像視覺分析方法，進行城市土地空間多目標學習和優化重組，提高城市土地的空間配置能力。

2.城市土地空間配置優化

2.1 約束目標參量模型

構建城市土地的空間配置的約束參數模型，根據城市土地的地面像素，分析其對應的點云標記點，得到城市土地的整體道路對象參數模型，如式（2）所示：

式（2）中，A為城市土地利用的關聯規則性特征集，表示為一個N階方陣；X（k）為路網中心性函數，通過城市土地空間多目標學習和優化的模型參數學習，得到的Hx，Hy分別為城市土地利用的覆蓋率參數，采用目標參數融合和合并控制，得到城市土地利用參數控制的空間特征信息分布，在單元網格內，通過stroke整體匹配的方法，得到在x軸和y軸的土地延展度，采用歸一化的均方根誤差匹配，在高分辨率遙感影像約束下，采用平移變換，以Ic為中心進行城市土地的模板分塊，在N×N窗口wi內得到土地的多目標進化分割模型，如式（3）所示：

式（3）中，c0，c1，．．．，cN－1為城市土地的分塊特征匹配系數；f（c0，c1，．．．，cN－1）為綜合多尺度特征參數。綜上分析，采用多目標優化技術，建立城市土地的分區分層檢測和綜合利用模型，采用綜合模型參數控制，在不同的土地用途目標約束條件下實現最優配置。

2.2 土地最優配置模型

根據所提取的城市土地空間最優配置參數信息，基于博弈相關分析方法，進行城市土地空間最優配置的多目標優化，得到多目標優化的迭代模型函數，如式（4）所示：

式（4）中，α為最大化利用效率參數；μ為土地的面積貢獻率；r（t）為地塊數；i（t）為總面積參數；s（t）為建筑用地的占比，建立經濟效益下城市土地的空間配置的智能規劃模型，考慮建筑用地、商業用地以及影像的灰度像素特征分量，如式（5）所示：

式（5）中，t0為Inception紋理模型訓練的初始時間窗口；I（x）為城市土地空間分配的分層維數；t（x）為標注參數；si（k）多目標進化的迭代分量。由此得到城市土地空間最優分配的多目標優化的統計函數，如式（6）所示：

式（6）中，R為城市土地空間的拓展半徑；ξi為街區行政單元網格的路網增量；φ（xi）為土地覆蓋數據；o為初始量測點。由此，構建了城市土地空間最優分配的目標量化集，根據多目標優化函數解析，實現土地空間最優配置。

3.實驗測試分析

通過仿真實驗驗證本文方法在實現土地空間最優配置中的性能，采用Matlab進行仿真實驗，對城市土地空間的遙感數據采集來自于Google Earth高分辨率遙感觀測儀，數據分辨率為0.69m，多目標優化的訓練樣本數為2000，迭代步數為100。根據上述參數設定，得到城市土地的遙感監測影像（如圖4所示）：

圖4 城市土地的遙感監測影像

根據圖4的遙感監測影像數據，采用分塊匹配方法，建立城市土地空間土地的分塊模型（如圖5所示）：

圖5 城市空間土地的分塊模型

結合城市土地的影像視覺分析，進行城市土地空間多目標學習和優化重組，得到土地的分塊配置（如圖6所示）：

圖6 土地空間的分塊配置結果

分析圖6可知：本文方法能有效實現對城市土地空間配置，并采用不同方法，進行城市土地空間土地配置，得到特征點匹配結果（如圖7所示）：

圖7 城市土地空間配置的特征點匹配結果

對比圖7可知：采用本文方法進行城市土地空間配置的匹配點數較高，比傳統方法提升顯著，說明本文方法能有效提高土地空間配置后的利用率。

4.結束語

對城市的土地空間進行合理規劃，進行城市土地空間最優配置，提高城市土地資源的利用水平，本文提出基于多目標優化的城市土地空間最優配置方法。結合樣本序列訓練的方法，構建城市土地空間分布域，在矢量場分布區域中，通過建立矢量場的空間變化特征分析模型，根據多目標優化函數解析，實現土地空間最優配置。研究得出：本文方法能有效實現城市土地空間最優配置，特征點匹配度高，利用率好。