基于群居蜘蛛算法的城市用地动态模拟研究

发布时间：2020-03-18 15:59

【摘要】：在城市动态模拟研究中,如何构建基于机器学习算法或智能优化算法与元胞自动机的耦合模型,提高模型模拟的精度一直是学术界努力的方向。为了进一步厘清土地分类均衡性对土地模拟精度影响力,本文构建了基于群居蜘蛛算法(Social Spider Optimization Algorithm,SSO)与元胞自动机相耦合的SSO-CA城市动态模型,并以重庆市渝西地区为例,设计了不同的对比方案验证模型的性能(Kappa系数和模拟精度等)和分类均衡性问题,在此基础上,依据不同情景,对未来渝西片区的城市发展格局进行了动态模拟,并验证其生态效益,主要研究内容如下:经过试验对比发现,新的SSO-CA模型在城市动态模拟中相比于过去遗传算法、粒子群算法与CA模型耦合构建的模型具有更优的精度,精度可以达到99.3%,总Kappa系数为81.4%,具有较高的一致性。为研究土地分类均衡性对模拟精度的影响,本文将用地类型分为2类、5类、7类,使用SSO-CA模型进行模拟,观察在不同分类情况下的模拟精度对比,研究发现,当将土地类型分为5类时,总精度为93.2%,总Kappa为85.6%,再通过变异系数、标准差等指数分析发现其相对其他分类方式有更好的分类优势,也取得了最佳的模拟效果。本文同时分析了分类均衡性导致最终模拟精度各异的原因。本文通过设置不同的情景对2020年用地情况进行预测,并采用人为干扰指数、生态风险指数、生态系统服务价值评估2000年至2020年渝西地区生态效应。发现从2000年以来,渝西地区整体生态风险呈上升趋势、人类活动逐渐增强、生态系统服务价值下降,需要引起相关部门的重视,亟待采取相应对策对渝西地区进行生态保护治理。
【图文】：

驱动机理,驱动因子

重庆邮电大学硕士学位论文第 1 章引言如何进行演变，从而为土地的合理规划利用提供科学的决策辅助。在城市规划领域，城市土地动态模拟已经成为极其重要的研究手段。城市土地利用变化受到社会、经济、自然等诸多重要因素的综合影响。在城市动态模拟研究中，影响最终模拟结果的重要因素被称为驱动因子，驱动因子以不同的形式、发挥不同的影响力影响着城市土地利用的变化。在研究中所构建的不同的模型也会采用不同的驱动因子。土地利用变化的影响因子又可分解为稳定少动的自然控制因子、年际变动的气象影响因子与社会经济驱动因子。下图为城市用地变化驱动机理图[3]：

流程图,遗传算法,流程,适应进化

算法、粒子群算法、群居蜘蛛算法，在此，简单介绍本文涉及的遗传法中最早被提出的，，在诸多的智能程领域。遗传算法（GeneticAlgor常用于搜索组合优化与多目标最然界中的一大法则，作为遗传算适应进化的需要，优良的基因将传算法一般由控制参数、染色体目前遗传算法应用较多的编码方式
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F299.23;TP18

【参考文献】