基于神经网络的元胞自动机及模拟复杂土地利用系统

  本文关键词：基于神经网络的元胞自动机及模拟复杂土地利用系统，由笔耕文化传播整理发布。

当前位置：首页 >> 信息与通信 >> 基于神经网络的元胞自动机及模拟复杂土地利用系统

第 24 卷 　 1 期 第 2005 年 1 月

地 　　 　　 　　 理 研 究
GEOGRAPH I CAL 　RESEARCH

基于神经网络的元胞自动机及模 拟复杂土地利用系统
黎 　 , 叶嘉安 夏
1 2

摘要 : 本文提出了基于神经网络的元胞自动机 ( Cellular

Automata) , 并将其用来模拟复杂的 土地利用系统及其演变 。国际上已经有许多利用元胞自动机进行城市模拟的研究 , 但这些模 型往往局限于模拟从非城市用地到城市用地的转变 。模拟多种土地利用的动态系统比一般模 拟城市演化要复杂得多 , 需要使用许多空间变量和参数 , 而确定模型的参数值和模型结构有 很大困难 。本文通过神经网络 、元胞自动机和 GIS相结合来进行土地利用的动态模拟 , 并利 用多时相的遥感分类图像来训练神经网络 , 能十分方便地确定模型参数和模型结构 , 消除常 规模拟方法所带来的弊端 。 关 键 词 : 神经网络 ; 元胞自动机 ; 遥感 ; 土地利用 ; GIS 文章编号 : 1000 2 0585 (2005) 01 2 0019 2 09

1 　引言

　　 土地利用及其变化对全球的环境有着明显的影响 , 了解土地利用的动态过程是地理学 的一个重要领域 。土地利用的变化是复杂的动态系统 , 具有变化不连续性 、景观镶嵌 、土 [1] 地利用类别混合 、变化不可逆等特点 。经济活动和人类需求给土地资源带来了压力 。 [ 2, 3 ] 土地利用的矛盾与城市化 、经济发展 、人口等要素相关 。模拟土地利用的动态变化可 以帮助检验城市和土地利用方面的假设和理论 。 　　 近年来 , 国际上许多学者利用 Cellular Automata (译为元胞自动机或单元自动机 , 简 [ 4 ～8 ] 称 CA ) 开展了城市增长的模拟研究 。我们也对珠江三角洲的城市演化及优化进行了 [ 9 ～12 ] 系统的 CA 模拟研究 。这些研究表明 , 利用一些简单的局部规则 , 可以模拟出城市系 统的复杂结构 , 为城市学有关理论提供了依据 。但这些模型往往局限于模拟从非城市用地 到城市用地的转变 。有必要将 CA 模型应用于模拟多种土地利用类型之间的演变 。监测和 [ 13 ～15 ] 模拟土地利用变化已经吸引许多学者的注意 。 　　 利用 CA 模拟城市系统时 , 需要使用许多空间变量 。在模型里 , 这些空间变量对应着 一系列的参数 。每个变量在模型所起的作用取决于其对应参数值的大小 。当 CA 模型应用 于真实的城市系统时 , 必须对模型进行纠正 , 获得合适的模型参数 , 以模拟出接近实际的 城市形态 。但是 , 目前对 CA 模型的纠正方法研究得不多 , 所提出的模型纠正方法也存在
　　 收稿日期 : 2004 2 2 05 25; 修订日期 : 2004 2 2 09 01 　　 基金项目 : 国家自然科学基金资助项目 ( 40471105) ; 高等学校博士学科点专项科研基金资助 ( 20040558023) 　　 作者简介 : 黎夏 ( 1962 2) , 男 , 广西梧州人 , 中山大学特聘教授 , 博士生导师 。 1983 年硕士毕业于北京大学 , 1996 年获香港大学博士学位 , 1997 ～98 年在香港大学进行博士后研究 。主要从事遥感和地理信息系统 研究 。在国内外刊物上发表近 100 篇学术论文 。 Email: gp lx@ zsu1 edu1 cn

( 11 中山大学地理科学与规划学院 , 广州 510275; 21 香港大学城市规划及环境管理研究中心 香港 )

Vol124, No11 Jan1 2005 ,

? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

20

地 　　 　　 　　 理 研 究
[7]

24 卷

一些问题 。 C larke 等曾提出利用肉眼判断的方法来寻找参数的简单方法 。该方法受主观 因素影响很大 , 而且当变量较多时 , 有非常多的参数组合方案 。在 W hite 等所提出的 CA [5] 模型中 , 所要确定的参数值也有 21 × = 378 个之多 。他们也是通过试探法来解决 , 并 18 没有给出一种十分有效的方法 。W u 等曾提出利用 logistic 回归的方法来获取 CA 模型的参 [6] 数 , 但该方法不适合于处理复杂的变量关系 。 Clarke 和 Gaydos提出了利用计算机自动 判断模拟结果与实际情况吻合的程度 , 寻找导致误差最小的组合方案 , 从而得到最佳的参 [8] 数组合 。该方法不受模型复杂性的约束 , 但当变量数目较多时 , 可以有非常多的可能 参数组合方案 , 需要的计算时间往往非常长 。 　　CA 模型所碰到的另外一个问题是如何定义模型的转换规则 ( transition rules) 和模型 [ 4 ～6 ] 的结构 。尽管许多学者提出了不少所谓通用式的 ( generic ) CA 模型 , 但这些模型形 式上有很大不同 。针对不同的领域或目的 , 所提出的 CA 模型其转换规则和模型结构往往 [4] 有较大的差别 。例如 , B atty和 Xie利用嵌套式的邻居和距离衰减函数来定义转变概率 ; [6] W u和 W ebster根据 MCE 方法来计算转换概率 ; W hite 等则通过一个预先定义的参数矩 [5] [9] 阵来控制转换概率 ; 我们也提出了一个灰度模型来计算转换概率 。 　　 在实际应用中 , 对于这些不同类别的转换规则及模型结构 , 用户很难进行选择 。另 外 , 模拟多种土地利用类型的变化比模拟从非城市用地到城市用地的转换要复杂得多 , 需 要牵涉到许多变量和参数 。为此 , 本文提出了基于神经网络的 CA 模型来简化模拟复杂的 土地利用变化的过程 。该模型是直接建立在 GIS中 , 以便充分利用其丰富的空间信息进行 真实性的模拟 。

变化 2　 基于神经网络和 GIS的 CA 模型 : 模拟复杂的土地利用
　　 模拟多种土地利用类型之间的变化牵涉到复杂的转换关系 。对于 N 种土地利用类型 , 可以有 N × 种可能的变化 ,因而模型往往有众多的参数需要确定 。本研究试图利用神经 N 网络来解决多种土地利用变化模拟的难题 。许多研究表明 , 神经网络 ( ANN ) 有一系列优 [ 15 ] 点 ,特别适用于模拟复杂的非线性系统 。它比一般的线性回归方法能更好地模拟复杂的 曲面 ; 它能很好地从不准确或带有噪音的训练数据中进行综合 ,从而获取较高的模拟精度 ; 神经网络对自变量本身没有很严格的要求 ,允许它们可以是相关的 ,这比常规的回归方法要 优越 ; 神经网络可以代替传统的分析方法 ,包括多准则判断 MCE。 　　 所提出的 ANN 2 模型是由简单的网络组成 (图 1 ) 。该模型包含两大相对独立模块 : CA 模型纠正 (训练 )和模拟 。这两个模块使用同一神经网络 。在模型纠正模块中 ,利用训练数 据自动获取模型的参数 ; 然后该参数被输入到模拟模块进行模拟运算 。整个模型的结构十 分简单 ,用户不用自己定义转换规则及参数 ,适合用于模拟复杂的土地利用系统 。网络只有 3 层 ,第 1 层是数据输入层 , 其各个神经元分别对应于影响土地利用变化的各个变量 ; 第 2 层是隐藏层 ; 第 3 层是输出层 ,它由多个 (N )神经元组成 ,输出 N 种土地利用类型之间转换 的概率 。 　　 ANN 2 模型第一步是确定神经网络的输入 。对于每一个模拟单元 ( cell) , 有 n 个 该 CA 属性 (变量 ) 。这些变量分别对应于神经网络第 1 层的 n 个神经元 ,它们决定了每个单元在 时间 t时的土地利用转换的概率 。它们可以表达为 : T ( 1) X ( k, t) = [ x1 ( k, t) , x2 ( k, t) , x3 ( k, t) , …, xn ( k, t) ] 这里 xi ( k, t) 为单元 k 在模拟时间 t时的第 i个 变量 , T 为转置 。
? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

　1 期

黎 　 等 : 基于神经网络的元胞自动机及模拟复杂土地利用系统 夏

21

图 1　 基于神经网络的 CA 模型及模拟复杂土地利用变化

　　 对于神经网络的输入 ,一般都进行标准化处理 ,使它们的值落入 [ 0, 1 ]的范围内 。可以利用 最大值 (max)和最小值 (m in )进行标准化 ,有 : ( 2) xi ( k, t) = ( xi ( k, t) - m in ) / (max - m in ) 　　 输入层接收这些标准化的信号 ( signal) 后 , 将它们输出到隐藏层 。隐藏层第 j个神 经元所收到的信号为 : 　　
netj ( k, t) =

式中 , 这里 netj ( k, t) 为隐藏层第 j个神经元所收到的信号 , w i, j为输入层和隐藏层之间的 参数 (权重值 ) 。 　　 隐藏层会对这些信号产生一定的响应值 , 并输出到下一层 , 即最后的输出层 。其响应 的函数为 : 1 ( 4) - net j( k, t) 1 +e 　　 输出层所输出的值 , 即转换概率为 : 1 P ( k, t, l) =∑ j, l W ( 5) - net ( k, t) 1 +e j j 这里 P ( k, t, l) 为单元 k 在模拟时间 t时从现类别到第 l类别土地利用的转换概率 , w j, l为 隐藏层和输出层之间的参数 (权重值 ) 。 [ 5, 9 ] 　　 将随机变量引进 CA 模型中 , 可以使得模拟结果更接近实际情况 。为此 , 我们也 把随机项引进 ANN 2 模型中 。该随机项可以表达为 : CA α γ ( 6) RA = 1 + ( - ln )
? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

Fig11 　The neural2net ork 2based CA model for the sim ulation of comp lex land use changes w

∑w
i

i, j

xi ( k, t)

,

( 3)

22

地 　　 　　 　　 理 研 究

24 卷

这里 γ为落在 [ 0, 1 ] 范围内的随机数 ; α为控制随机变量大小的参数 。 1 　　 公式 ( 5 ) 变为 : P ( k, t, l) = RA × W j, l ∑ - net j ( k, t) j 1 +e α 1 γ ( 7) = ( 1 + ( - ln ) ) × W j, l ∑ - net ( k, t) j 1 +e j 　　 在每次循环运算中 , 神经网络的输出层计算出对应 N 种不同土地利用类型的转换概 率 。比较这些转换概率的大小 , 可以确定土地利用的转换类型 。对某一单元 , 在时间 t 时 , 只能转换为某一土地利用类型 , 可以根据转换概率的最大值来确定其转变的类型 。当 其转变的类型与原来的类型一样时 , 即该单元没有发生土地利用变化 。在每次循环中 , 土 地利用的变化往往只占较小的比例 , 可以引进一阈值来控制变化的规模 。该阈值在 [ 0, 1 ] 范围内 , 其值越大 , 在每次循环中转变的单元数越少 。

3　 应用及模拟结果
　　 将所提出的模型应用在珠江三角洲的东莞市 , 以检验模型的效果 。珠江三角洲地区在 [ 16 ] 90 年代经历了快速的城市扩张及土地利用变化的过程 。利用 CA 模型来模拟土地利用 变化 , 可以为城市规划提供有用的信息 。 311 　 空间变量及训练数据 　　 利用 GIS可以十分方便地得到模型所需要的各种空间变量 。研究表明 , 土地利用变化 的概率往往取决于一系列的距离变量 、邻近现有土地利用类型的数量和单元的自然属性 [ 4, 6, 9 ] 等 。例如 , 某一模拟单元越接近市中心及交通要道 , 其转变为城市用地的概率就越 高 ; 当邻近范围内存在着大量的某一土地利用类型时 , 该单元就有较高的概率转变为该种 土地利用类型 。在我们的模型中 , 输入层有 12 个神经元对应着 12 个有关的空间变量 。这 些空间变量的具体情况及获取方法见表 1。
表 1　 神经网络 CA 模型所采用的空间变量
获取方法 空间变量
1. 距离变量

离市中心的距离 ( x1 ) 离公路的距离 ( x3 )

离镇中心的距离 ( x2 )

2. 邻近现有土地利用数量

邻近粮田的单元数量 ( x4 ) 邻近果园的单元数量 ( x5 )

邻近建筑用地的单元数量 ( x6 ) 邻近建成区的单元数量 ( x7 ) 邻近森林的单元数量 ( x8 ) 邻近水体的单元数量 ( x9 ) 坡度 ( x10 )

3. 单元自然属性

土壤类型 ( x11 )

现有的土地利用类型 ( x12 )

? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

Tab11 　Spa tia l var ia bles in the neura l2 network 2ba sed CA m odel
　　　 原始数据值范围 利用 Eucdistance
GR I D

　　　 标准化值范围 　　

　　　 0 ～ 30 km 　　0 ～ 5 km 　　0 ～ 3 km 　　

0 ～1 0 ～1 0 ～1

function of ARC / I FO N

　　

0 ～ 49 单元 0 ～ 49 单元 0 ～ 49 单元 0 ～ 49 单元 0 ～ 49 单元 0 ～ 49 单元

0 ～1 0 ～1 0 ～1 0 ～1 0 ～1 0 ～1

利用 Focal functions of
ARC / I FO GR I N D ( 7 ×7 窗口 )

利用 ARC / I FO TI ; N N

　　

转换为 ARC / I FO GR I N D 转换为 ARC / I FO GR I N D 模拟的中间结果

0 ～ 75 度

　　　　0 ～ 1

1 ～ 7 类型 1 ～ 6 类型

　1 期

黎 　 等 : 基于神经网络的元胞自动机及模拟复杂土地利用系统 夏

23

　　 为了获取模型所需要的参数 , 需利用土地利用变化的历史数据对模型进行训练 。在本 研究中 , 土地利用变化的历史数据是采用多时相的遥感 T 图像来获得 。利用 1988 年及 M [ 17 ] 1993 年卫星 T 图像进行分类 , 然后获取该地区的土地利用变化历史资料 M 。仅仅采用 两个年份的遥感资料来对模型进行纠正 , 有可能无法获得动态的转换规则 。但目前对 CA [ 18 ] 模型进行纠正也主要是根据两个年份的土地利用资料来进行的 。这是因为获取动态转 换规则难度很大 , 目前国际上基本还没有开展有关研究 。本模拟所涉及的土地利用类型有 6 类 : 粮田 、果园 、建筑用地 、建成区 、森林和水体 。 312 　 神经网络的结构 　　 本神经网络包括了三层 : 输入层 、隐藏层和输出层 。输入层有 12 个神经元 , 对应 12 个决定土地利用变化概率的空间变量 。研究表明 , 对于 3 层的神经网络 , 其隐藏层的神经 [ 19 ] 元数目至少要为 2 n /3 个 (其中 n 为输入层神经元的数目 ) 。因此 , 本隐藏层的神经元 的数目为 8 个 。在输出层中 , 有 6 个神经元来输出转变为 6 种不同的土地利用类型的 概率 。 313 　 神经网络的训练 　　 利用训练数据对神经网络进行训练 , 可以获取模型的参数 , 使得模拟的结果更能接近 现实 。训练数据是采用随机抽样的方法来获取 。首先在遥感分类图像上随机产生训练点 , 获取它们相应的 { x, y} 坐标 (图 2 ) 。本研究共使用 3000 抽样点 , 将它们平均分成两 组 , 以进行训练和验证 。在 ARC / I FO 中读取这些坐标对应的空间变量以及土地利用的 N 遥感分类结果 。将这些训练数据输入 ThinksPro 软件 , 对神经网络进行训练 , 以获取参数 值 。整个过程是通过该软件所提供的后向传递 ( back 2 ropagation ) 算法来自动完成 。在训 p 练的开始阶段 , 误差收敛十分明显 , 但误差减少曲线很快趋于平缓 (图 3 ) 。在迭代运算 达到 1000 次时 , 误差减少几乎为 0, 停止训练 。 型有两个优点 : 能直接利用 GIS中的空间数据 , 无需进行任何格式的转换 ; 可以直接调用
GIS现成空间分析功能 , 例如可以在程序中直接使用 ARC / I FO GR I 中的 Eucdistance 和 N D Focal等函数 , 大大简化模型的程序 。 314 　 土地利用变化的动态模拟及预测

　　 本模型是在 ARC / I FO GR I 环境下利用 AML 宏语言写成 。直接在 GIS中开发 CA 模 N D

? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

24

地 　　 　　 　　 理 研 究

24 卷

图 4　 利用神经网络模拟复杂的土地利用变化
Fig14 　The sim ulation of comp lex land use changes using the neural2network2based model
模拟 粮田
814 413 010 012 010

　　 本试验利用基于神经网络的 CA 模型模拟了东莞市 6 种土地利用类型的动态变化过 程 。转换规则是通过简单的神经网络来代替 。通过对神经网络的训练来获取模型的参数 。 在每次循环过程中 , 输出层的神经元自动计算出每个单元对应各种土地利用类型的转换概 率 , 从而确定土地利用的动态变化 。以卫星 T 图像获取的 1988 年的土地利用作为初始 M (图 4A ) , 通过 CA 模拟来获得 1993 年的土地利用 (图 4B ) 。对比模拟的土地利用 状态 与实际土地利用 (从遥感分类中获取 ) 的差别 , 可以验证模型的有效性 。表 2 是对比结 果所获得的混淆矩阵 , 总的精度为 0183, 可见模拟结果较理想 。 表 2 　1993 年实际与模拟的土地利用的混淆矩阵 ( %) 　　
土地利用类型 粮田 建筑用地
5712 816 816 010 018 313

实际

? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

Tab12 　The confusion ma tr ix between the actua l and si ula ted land use in 1993 ( %) m
果园
713 916 019 016 010

建成区
1413 7911 111 010 317 011

森林
010 010 013 916 413

水体
010 010 117 118

总数
10010 10010 10010 10010 10010 10010

建筑用地 果园

建成区 森林 水体

8913

8311

9614

1015 9419

　1 期

黎 　 等 : 基于神经网络的元胞自动机及模拟复杂土地利用系统 夏

25

纳的 。利用本模型也可以预测将来土地利用可能发生的变化 。预测是基于过去的趋势来进 行的 , 其具体假设是将来的自然 、社会 、经济条件没有发生较大的变化 。根据其变化的轨 迹 , 可以预测将来各种土地类型的变化和需求 。图 5C 是利用本模型对 2005 年的土地利用 进行预测的结果 。对土地利用的动态进行模拟及预测 , 可以为城市规划提供重要的数据 。 　　
表 3　 模拟土地利用变化及数量 ( ha)
Tab13 　The am oun ts of each land use type from the si ula tion ( ha ) m
1988 1993 (初始 )

　　 模拟的结果清晰地反映了该地区城市用地不断增加 , 农业用地不断减少的土地利用变 化趋势 。主要有两种十分明显的土地利用变化特征 : 1 ) 粮田转变为建筑用地和建成区 ; 2 ) 粮田转变为果园 。这些土地利用变化与该地区的经济发展和城市化过程有关 。农业用 地转变为城市用地反映了城市的不断扩张过程 。农业用地内部的转换 , 即从粮田转变为果 园 , 是市场调整的结果 。对比分析表明 , 模拟结果与实际的遥感监测结果相吻合 , 这反映 了本 ANN 2 模拟能很好地反映出土地利用变化的趋势 。 CA 理措施和方针政策 。 　　 由遥感监测的结果表明 , 在 1988 ～1993 年期间 , 该地区的粮田减少了 2215% ; 模拟

结果表明 , 若按该趋势进行下去 , 在 1993 ～ 2005 年期间 , 该地区 的粮 田将 继续减 少 模拟和预测土地利用变化 , 可以为城市和土地利用规划提供依据 , 帮助制定有效的土地管
3212% 。这种快速的土地利用变化现象 , 已经为该地区带来了一系列的资源和环境问题 ,

结构 , 并适合于模拟复杂的土地利用变化 。 CA 模型在定义转换规则和模型参数会碰到一 些问题 。当把 CA 模型应用在复杂的土地利用动态系统时 , 确定模型的转换规则及模型参 数难度很大 。在模拟复杂系统时 , 所使用的参数往往有上百上千个之多 , 确定参数的数值 十分费时和困难 。 　　 利用本文所提出的基于神经网络的 CA 模型 , 用户无需提供转换规则 , 模型的参数则

通过训练数据来自动获取 。试验表明 , 通过利用简单的 3 层的神经网络 , 及利用多个输出 神经元 , 可以有效地模拟出复杂的土地利用动态变化过程 。模型的结构比较固定 , 同一模

　　 3 列出了模拟的各种土地利用类型在不同时间的数量 。对比 1993 年模拟和实际 表 (遥感分类 ) 的各类土地利用面积的差别 , 得知其平均误差为 1211% , 其精度是可以被接
土地利用类型 粮田
2005

实际

模拟

(将来 )

建筑用地 果园

建成区 森林 水体 总数

4　 结论

　　 本研究表明 , 神经网络可以方便地被用来建立 CA 模型 。它能有效地简化 CA 模型的

? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

100, 40013 239, 66816 63, 51216 15, 92713 40, 40412 17, 39215 2, 03117

239, 66816

77, 83913 22, 75314 62, 45819 18, 53611 41, 57418 16, 50611

239, 66816

84, 22916 16, 11812 59, 60818 20, 46511 41, 20414 18, 04215

239, 66816

57, 04710 22, 88614 70, 28110 30, 26714 41, 16217 18, 02412

26

地 　　 　　 　　 理 研 究

24 卷

型结构可以应用在不同的地区及应用领域 。用户只需提供训练数据 , 对模型进行训练 , 即 可获得理想的模拟结果 。将本模型应用在珠江三角洲地区 , 可以有效地模拟及预测该地区 快速的土地利用变化 , 为城市规划工作者提供有用的土地利用变化信息 。 　　 目前国际上对 CA 模型进行纠正只是根据两个年份的土地利用资料来进行的 , 本研究 也是利用了 1988 年和 1993 年这两年遥感分类数据 。但这些方法无法获取动态的转换规 则 , 下一步的工作有必要对此进行深入的研究 。 参考文献 :
[ 1 ] 　Mertens B , Lambin E F1 Land 2cover2change trajectories in Southern Cameroon1 Annals of the A ssociation of American Ge2 [2 ] 　 刘纪远 ,张增祥 ,等 120 世纪 90 年代中国土地利用变化时空特征及其成因分析 1地理研究 , 2003, 22 ( 1) : 1 ～121 [3 ] 　 何春阳 ,史培军 ,陈晋 ,等 1北京地区土地利用 /覆盖变化研究 1地理研究 , 2001, 20 ( 6) : 679 ～6871 [ 4 ] 　Batty M , Xie Y1 From cells to cities1 Environment and Planning B: Planning and Design, 1994, 21: 531 ～5481 [ 17 ] 　 黎夏 ,叶嘉安 1利用主成分分析来改善土地利用变化的遥感监测精度 1遥感学报 , 1997, 1 ( 4) : 282 ～289. Geographical Information Science, 2002, 16 ( 8) : 795 ～818. [ 10 ] 　 黎夏 ,叶嘉安 . 约束性单元自动演化 CA 模型及可持续城市发展形态的模拟 . 地理学报 , 1999, 54 ( 4) : 289 ～298. Photogrammetric Engineering & Remote Sensing, 2001, 67 ( 4) : 471 ～4771 [ 5 ] 　W hite R, Engelen G, U ijee I1 The use of constrained cellular automata for high 2resolution modelling of urban land 2use dy2 [ 6 ] 　W u F, W ebster C J1 Sim ulation of land development through the integration of cellular automata and multicriteria evalua2 [ 7 ] 　Clarke K C, Hoppen S, Gaydos L 1 A self2 modifying cellular automaton model of historical urbanization in the San Francis2 [8 ] 　Clarke K C, Gaydos L J1 Loose2coup ling a cellular automata model and GIS: long2term urban growth p rediction for San [ 9 ] 　L i X, Yeh A G O 1 Modelling sustainable urban development by the integration of constrained cellular automata and GIS1 [ 11 ] 　L i X, Yeh A G O 1 Zoning for agricultural land p rotection by the integration of remote sensing, GIS and cellular automata1 [ 12 ] 　 黎夏 ,叶嘉安 1主成分分析与 Cellular Automata 在空间决策与城市模拟中的应用 1 中国科学 , 2001, 31 ( 8 ) : 683 [ 15 ] 　Openshaw S1 Neural network, genetic, and fuzzy logic models of spatial interaction1 Environment and Planning A , 1998, [ 16 ] 　 黎夏 ,叶嘉安 1利用遥感监测和分析珠江三角洲的城市扩张过程 —— — 以东莞市为例 1地理研究 , 1997, 16 ( 4) : 56 [ 13 ] 　Newkirk R T, W ang F1A common knowledge database for remote2sensing and geographic information in a change2detection [ 14 ] 　L i X, Yeh A G O 1 Principal component analysis of stacked multi2temporal im ages for monitoring of rap id urban expansion [ 18 ] 　W u F1 Calibration of stochastic cellular automata: the app lication to rural2urban land conversions1 International Journal of [ 19 ] 　W ang F1 The use of artificial neural networks in a geographical infor mation system for agricultural land 2suitability assess2 ographers, 2000, 93 ( 3) : 467 ～4941 30: 1857 ～18721

? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

ment1 Environment and Planning A , 1994, 26: 265 ～2841

nam ics1 Environment and Planning B: Planning and Design, 1997, 24: 323 ～3431

co Bay area1 Environment and Planning B: Planning and Design, 1997, 24: 247 ～2611

Francisco and W ashington /Baltimore1 International Journal of Geographical Information Science, 1998, 12 ( 7 ) : 699

～7141 ～6901 ～61.

expert system 1 Environment and Planning B , 1990, 17 ( 4) : 395 ～4041

tion1 Environment and Planning B: Planning and Design, 1998, 25: 103 ～1261

in the Pearl R iver Delta1 International Journal of Remote Sensing, 1998, 19 ( 8) : 1501 ～15181

International Journal of Geographical Information Science, 2000, 14 ( 2) : 131 ～1521

　1 期

黎 　 等 : 基于神经网络的元胞自动机及模拟复杂土地利用系统 夏

27

Cellular automa ta for si ula tin g com plex land use system s m usin g neura l networks
(11 School of Geography and Planning, Zhongshan University, Guangzhou 510275, China; 21 Centre of U rban Planning and Environmental M anagement, the University of Hong Kong, Hong Kong, China)

Abstract: This paper p resents a new m ethod to sim ulate the dynam ics of multip le land uses based on the integration of neural networks, cellular autom ata and GIS1 Recently, cellular autom ata nam ically updated at the end of each loop 1 Key words: neural networks; cellular autom ata; remote sensing; land use; GIS
? 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.

　　 The neural2network 2based CA model is directly developed in a GIS environment by using ARC / I FO GR I AML 1 The GIS p rovides both data and spatial analysis functions for construc2 N D ting the neural network1 Real data are conveniently retrieved from the GIS database for calibrating and testing the model1 The GIS functions are also used for the neural network calculations1 The
Land use conversion is decided by comparing the conversion p robabilities1 The model is carried out by iterative loop ing the neural network for sim ulating multip le land use changes1 Comp lex

ulation parameter values, transition rules and model structures1 In this paper, a three 2layer neural neural net ork has multip le output neurons to generate conversion p robabilities at each iteration1 w ting m ultip le land uses1

　　The p roposed method can overcome some of the shortcom ings of the currently used CA mod2 els in sim ulating comp lex urban system s and multip le land use changes by significantly reducing the tedious work in defining parameter values, transition rules and model structures1 The model has been successfully app lied to the sim ulation of land use dynam ics in the Pearl R iver Delta1

net ork w ith multip le output neurons is designed to calculate conversion p robabilities for compe2 w global patterns can be generated from local interactions through the neural net ork1 The sim ula2 w tion results are not determ inistic because a stochastic variable is used and site attributes are dy2

iables and parameters have to be utilized1 Conventional CA models have p roblem s in defining sim 2

sim ulation of multip le land use changes using CA models is difficult because num erous spatial var2

( CA ) have been increasingly used to sim ulate urban grow th and land use dynam ics1 However,

L I Xia , Anthony Gar2 Yeh On
1

2



  本文关键词：基于神经网络的元胞自动机及模拟复杂土地利用系统，由笔耕文化传播整理发布。