基于ABM和机器学习的土地利用变化预测模型对比研究

发布时间：2020-10-01 18:12

　　近年来以土地利用与覆被变化为核心的复杂人地系统演变过程受到越来越多学者的关注,而基于微观土地利用主体的模型模拟是研究土地利用演变的主要方式之一,ABM土地利用模型能够准确模拟Agent决策行为且易于建模分析,成为了当前研究土地利用变化的主流模型。土地利用转化规则的设置是ABM土地利用模型的核心。由于土地利用转化的复杂性,加之巨量的地理数据,如何有效设定ABM模型转换规则已成为提高其解释力的主要方式之一。目前,国内外众多地理学者逐渐将目光转移到机器学习与深度学习方法之上。机器学习与深度学习在数据挖掘、特征提取和建模上优势明显。如何利用机器学习与深度学习算法的优势挖掘ABM模型土地利用转化规则构建耦合其与ABM模型的新模型就成为当前的研究热点问题之一。高渠乡地处黄土高原,是我国典型的生态脆弱区。本文利用PRA和传统农户调查获取所需数据,结合机器学习算法、深度学习算法以及传统土地利用变化模型,构建新型模拟与预测土地利用变化模拟平台。该平台主要包括以下两方面内容:(1)以基于经验的BDI行为决策模型为基础,运用随机森林提取影响农户决策的变量,构建RF-BDI模型;(2)在BDI框架的指导下,运用随机森林算法选取最优特征向量,利用深度神经网络算法独立挖掘农户决策规则并构建土地利用变化模拟模型。通过分析该平台模拟结果可以得出以下结论:(1)随机森林算法与BDI模型结合可以有效模拟农户有限理性决策行为及其变化机理。以陕西省米脂县高渠乡为例,对比分析RF-BDI模型与传统BDI模型模拟结果,结果显示RF-BDI模型对传统BDI模型决策行为进行修正后,在没有明显增大计算量的基础上模拟精度提高了14%。(2)相比BDI决策模型与RF模型,RF-BDI模型的转化规则的设置更为合理。传统BDI模型是人为基于经验确定农户的决策规则,此规则设定较为简单,且过于刚性。随机森林算法虽可以“挖掘”农户土地利用行为规则,但挖掘规则过于理性,无法反应农户的随机种植行为。RF-BDI模型通过将随机森林挖掘规则与基于经验的规则进行相互印证,可以有效消除农户随机种植行为带来的误差,提高模型模拟精度。(3)虽然RF-BDI模型可以较好的模拟农户种植行为,但仍有约为20%的误差,深度学习相较于机器学习具备更好的挖掘能力与模拟能力,本文基于Keras深度学习模块,设计与调整网络结构,以陕西省米脂县高渠乡为数据源,构建深度神经网络模型,对比深度神经网络模型与RF-BDI模型模拟情况。在未设置经验规则的前提下,深度神经网络模型独立提取农户有限理性决策规则,模拟与预测高渠乡土地利用变化并与实际土地利用变化进行对比,其模型精度为85.2%,相较于RF-BDI模型,深度神经网络模型模拟精度提高约为5%。该模型可以有效模拟农户随机种植行为,并预测其未来种植倾向,为刻画高渠乡未来土地利用变化情形及其驱动机制提供了一个新方式。(4)深度神经网络模型对农户土地利用行为有较强的刻画能力,且对农户基于自身意愿的随机种植行为有强拟合能力。但深度神经网络模型仅仅能够显示农户最终种植结果,其中间过程参数过于复杂不利于分析微观层面人地系统演变的驱动机理,而RF-BDI模型可以直观反映各个影响因素在人地系统演变过程中的相对重要性,综合深度神经网络模型的模拟能力以及RF-BDI模拟在机理解释上的优点是下一步需要进行的工作。
【学位单位】：西北大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F301.2
【部分图文】：

技术路线图,模型,复杂人,个体种

以期为未来的微观主体土地利用变化模型发展开拓一个新方向。1.3 主要研究内容与技术路线图1.3.1 主要研究内容本文以村庄种植数据以及农户个体种植数据，结合土地年鉴、二调土地利用图、遥感影像数据等数据构建基础数据集，利用多智能体模型中 BDI 行为理论构建基础Agent 决策模型，其次将机器学习中随机森林方法引入 BDI 模型中，构建 RF-BDI 模型，最后利用深度神经网络构建一个基于深度学习的土地利用变化模拟平台，并对比RF-BDI 模型与深度神经网络模型二者之间优劣，以期为复杂人地系统模拟开拓一个新方向。

区位,种植情况,乡镇,种植作物

地总面积的 3%，水域面积最少约占土地总面积的 1%，如图 2 所示。高渠乡属典型的黄土高原丘陵沟壑区农业乡镇。高渠乡种植以土豆和红葱等传统经济作物为主。陕西省农业厅在 2010 年将高渠乡确定为第三批“一乡一业”示范乡镇。本团队在高渠乡进行了长达十年的调研，积累的丰富的调研资料。依据 2017 年对该乡调研，村庄整体调研问卷 20 份，有效问卷 20 份。其中包括村庄整体种植情况，不同作物种植面积，不同农户类型。高渠乡农户个体调研问卷共 389 份，有效问卷 377 份，其中主要包括个人种植作物类型，不同种植作物的种植面积。由此可知，高渠乡种植情况复杂，且农户种植行为具备明显的随机性以及受政策导向影响明显，将该乡镇作为研究区，可以有效检验模型的准确性

时间序列,BDI模型

图 62016 年 BDI 模型模拟准确与失误图.6 The accuracy and the fault of the simulation for the BDI model in策模型对高渠乡2017年土地利用类型进行模拟，模拟结果如对高渠乡 2017 年模拟结果较差，整体模拟结果为 51%，除模拟效果均不理想，其中整体模拟效果不理想是因为高渠乡果产业，农户受到政策及同类农户影响将大部分种植类型转拟效果不佳除受到种植果树影响之外还因为高渠乡 2017 年行轮作，即本应轮作为杂粮的种植类型仍种植土豆。表 22017 年 BDI 模型模拟准确与失误图b.2 The accuracy and the fault of the simulation for the BDI model in玉米杂粮土豆红葱果树 0.72 0.48 0.60 0.57 0.55 0.28 0.52 0.40 0.43 0.55 决策模型对高渠乡 2016 年与 2017 年模拟情况可知，BDI行为但其模型设定的转换规则受时间序列影响严重，即 BD

【参考文献】