首页
学习
活动
专区
工具
TVP
发布

深度学习模型能否有效的应用于模拟复杂的城市化进程?

论文信息:

Jialv He, Xia Li*, Yao Yao*, Ye Hong, Jinbao Zhang. 2018. Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques.International Journal of Geographical Information Science. DOI: 10.1080/13658816.2018.1480783.

论文下载:

摘 要

城市化作为中国改革开放以来的地理现象之一,其格局和发展趋势与城市问题密切相关。过去的研究一般用传统的机器学习算法与元胞自动机(Cellular automata, CA)相结合模拟城市发展。然而在城市模拟中,如何准确的挖掘城市发展的复杂驱动因素和区域影响(邻域效应)仍然是难以解决的难题。

本文首次引入了深度学习模型尝试解决这个问题。深度学习卷积神经网络能从它的感受野中获取邻域信息。我们结合联合挖掘卷积神经网络(UMCNN)和马尔科夫链(Markov Chain),设计了一种新型的UMCNN-CA模型模拟城市扩张。通过挖掘2000年、2005年、2010年城市土地利用模式揭示珠三角地区的驱动因素,我们进一步模拟2020年和2030年的城市扩张后的形态模式。

为了验证模型的有效性,我们还分别建立了基于三种传统机器学习算法(LR、ANN和RFA)的CA模型。从比对的结果来看,我们提出的方法不仅在模拟精度上能达到最高,从景观相似度来看,我们提出的方法能够达到最优的模拟效果。本研究说明了深度学习模型用于复杂的城市发展规则和驱动因素的挖掘有着巨大的潜力,也为今后我们对于复杂城市系统的研究探明了一个新的方向。

引 言

城市化作为土地利用和土地覆被变化的重要驱动机制日益引起广泛的关注,其空间格局和发展趋势与土地集约利用、区域协调互补、生态环境保护和城市可持续发展密切相关,因此城市空间的变化的研究也日益受城市规划者、经济学家、生态学家等各方面人士的重视。

在传统的城市CA模型中,传统机器学习算法虽然能够挖掘城市的发展适宜性,但是依旧很难得到较高的精度。其结果受数据质量不稳定、邻域选取的合理性、随机数等多方面因素影响。除此之外,挖掘城市发展适宜性的算法模块也是一个重要的因素。传统的机器学习算法都是基于单个像素点,来挖掘城市发展的适宜性。相比于传统方法,深度学习网络具有感受野,不仅仅基于对应的像素点,还能联合周边邻域的信息,挖掘区域高层语义特征,对于特征的理解和度量有不错的效果。

本研究使用了联合挖掘-卷积神经网络(Convolution neural network for united mining, UMCNN)模型,用于联合空间变量数据集挖掘城市转换规则。我们通过将以往的空间变量输入网络,得到城市发展适宜性,再结合CA和马尔科夫链,以完成更加精确、合理的城市模拟框架。为了验证方法的优势和准确性,我们还基于另外三种传统的机器学习方法设计CA模型,分别是逻辑回归(Logistic Regression, LR)、人工神经网络(Artificial Neural Network, ANN)和随机森林(Random Forest Algorithm, RFA)。

研究区和数据

本研究选用的是珠江三角洲(图1)。为了实现多期CA的模型,分别使用了2000年、2005年和2010年三年的珠三角区域的城市用地(图2)。对于大区域土地利用变化模拟通常需要搜集比较完整的土地利用变化驱动力数据,才能获得全区域内都相对精确的结果。本文从交通、地形地貌、政府决策、水域等方面考虑了城市发展的驱动因素(图3)。

图1 本文研究区:珠江三角洲区域

图2 珠江三角洲现有城市用地

图3 空间变量数据集。(a) 高程,(b) 到机场的距离, (c) 到城镇中心的距离,(d) 到地铁站口的距离,(e) 到干道的距离,(f) 到高速路的距离,(g) 到铁路的距离, (h) 到水域的距离,(i) 坡度。

研究方法

本研究方法如下图所示(图4)。主要用UMCNN计算出城市发展适宜性,并将其输入CA模拟珠三角区域的未来城市发展概况。该研究主要分为以下几步:

基于已有的珠三角空间变量数据,构建珠三角的驱动力因子数据集,并且基于已有的珠三角的城市变化数据进行采样;

将辅助数据集和采样结果输入上述提到的UMCNN模型之中进行训练,根据网络训练的精度得到最优的深度学习网络参数,接着移除UMCNN模型中的最后一层Softmax训练器,提取倒数第二层的高维特征,再利用RFA对研究区域的城市发展适宜性进行拟合;

将城市发展适宜性输入CA模型,模拟已知年份的数据,并且对模型的输入参数进行校正;

利用马尔科夫链对未来城市的增长量进行预测,再将其输入已经校正好的CA模型中,得到未来场景的城市发展概况。

为了检验模型的精确性和实用性,本研究还实现了基于逻辑回归的CA模型(LR-CA)、基于神经网络的CA模型(ANN-CA)和基于随机森林的CA模型(RFA-CA)三组实验,与其进行结果比较。

图4 本文研究框架

研究结果

在UMCNN模块中,我们设置适宜的采样窗口大小,并分别在像元和斑块尺度上,对以上的模型进行了精度评价。其中城市模拟和精度评价结果如下图(图5、图6和图7)。

从结果可以看出,本研究提出的模型相比于传统模型都能获取到更加优秀的结果。且根据结果的细节图(图8)可以看出,在城市发展较为发达的区域,如广州、深圳、东莞等市,模型能够模拟出更加符合实际的城市斑块。

图5 2005年城市模拟结果

图6 2010年城市模拟结果

图7 城市模拟精度对比

图8 模拟细节图

在UMCNN-CA模型中,UMCNN的采样窗口的大小不仅与原始数据内信息的获取有着密切的联系,同时对后续CA模型的模拟效果和精度有着十分关键的作用。为了探究它与模拟精度之间的关系,我们做了几组参数敏感性的实验,主要是选取不同窗口大小进行实验,并计算每组实验的精度。精度结果如下图(图9)。

从结果可以看出,随着窗口的增大,模型的模拟精度是先增后减的,这说明在适宜的窗口大小下,模型能获取到最完整的空间信息。

图9 参数敏感性结果

最后我们使用训练好的UMCNN-CA模型,模拟了未来2020年和2030年的城市发展结果,结果如下图(图10)。

详细分析请查阅论文原文。

图10 基于UMCNN-CA的珠三角地区未来城市发展过程模拟结果

结 论

本研究首次在城市过程模拟中引入深度学习模型(UMCNN),并耦合元胞自动机(CA)和马尔科夫链(MC)对珠三角地区的城市化进程开展模拟和预测。通过与传统的方法进行比对,我们验证了深度学习模型可准确耦合复杂的城市转换规则,可以得到高准确度的城市化过程模拟和未来预测结果。

未来工作中我们可以考虑业界表现更加优秀的深度学习方法,如深度信念网络、残差神经网络等,并且对整个CA的架构进行优化。同时我们会探求深度学习在城市模拟中高可靠性的可解释性,以达到更加优秀合理的城市模拟精度,为城市规划和城市管理提供坚实基础。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180609G17BJL00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券