[发明专利]一种土地利用演化CA模型转换规则优化方法

说明书

技术领域

本发明属于地理信息科学技术领域，具体涉及引入进化规划算法优化海量时空土地利用演化CA模拟模型的转换规则。

背景技术

元胞自动机（Cellular Automata, CA）是一种微观个体相互作用、时间和空间离散化的动力学系统，最早由美国数学家Ulam和Neumann于20世纪40年代提出，后由英国计算科学家Wolfram在80年代给出了其定义并应用于复杂系统模拟。CA具有强大的空间运算能力，常用于自组织系统演变过程的研究，它是一种时间、空间、状态都离散，空间相互作用和时间因果关系都为局部的网格动力学模型，具有模拟复杂系统时间演化过程的能力。它这种“自下而上” 的研究思路，充分体现了复杂系统局部的个体行为产生全局、有秩序模式的理念，非常适用于复杂地理过程的模拟和预测。近年来，越来越多的学者利用元胞自动机来模拟土地利用变化，并取得了很多有意义的研究成果。这些研究表明，通过简单的局部转换规则可以模拟出复杂的城市空间结构，体现了“复杂系统来自简单子系统的相互作用” 这一复杂性科学的精髓，为土地利用演化研究提供了可靠依据。

土地利用演化CA的核心问题是转换规则的定义，所谓转换规则就是根据元胞当前状态及其邻居状况确定下一个时刻该元胞状态的动力学函数，简单讲，就是一个状态转移函数。转换规则描述模拟系统的逻辑关系，涉及众多存在多重共线性的空间变量，它们共同决定空间变化的结果。所以如何确定转换规则中各种空间变量的权重和参数，成为土地利用演化CA研究的一个重点和难点问题。

目前确定土地利用演化CA的转换规则主要有以下几种方法。

采用层次分析法（AHP）和多准则判别（MCE）来确定土地利用演化CA的最优参数组合方案，但是这种方法无法消除空间变量多重共线的负面影响，因此，较难准确模拟土地利用演化现象。

采用决策树方法以See5.0决策树模型为代表确定转换规则，则容易陷入局部最优的处境。采用核学习机的方法存在转换规则物理意义不清晰和运算量大的问题，同样采用神经网络法来自动获取转换规则，虽然可以十分方便的确定模型参数和模型结构，消除常规方法所带来的弊端，但是同样存在转换规则物理意义不明确和收敛速度慢等问题。

采用Logistic回归的方法确定转换规则，有较为清晰的物理意义，但是用线性的方法提取复杂的物理现象规律，显得过于简单，因此有必要对基于Logistic回归方法获取的参数进行优化处理，比如采用遗传算法优化取得转换规则，一方面可以保留原转换规则的物理意义，另一方面也可提高模型模拟的精度，但是却又面临操作复杂、运量大等问题。同时，时空土地利用变化数据具有海量、高维等特点，必然增大算法的搜索空间，增加了搜索的盲目性。

因此探索新的算法优化土地利用演化CA的转换规则，明确转化规则的物理意义，提高获取土地利用演化CA的运行效率是非常有必要的，这也是本发明的价值所在，鉴于进化规划算法在如下方面的优势：

（1）从现代分子生物学观点看，进化规划基于一种生物进化的中性学说，它主要体现的是种群层次上的进化，强调个体间的行为联系，而遗传算法是基因层次上的进化，强调个体间的基因联系。一般来说极端的适应性选择会导致早熟，而进化规划则无此弊端，意味着它具有良好的鲁棒性。

（2）突变是进化规划产生新群体的唯一方法，它不采用重组或交换算子。

因此计算复杂度较遗传算法有大幅度降低。同时，突变的变异算子采用服从正态分布的随机变量的方式，特别适用于受多种独立随机因素影响的模型。

（3）进化规划的收敛速度快，计算精度高，并且可以通过调整种群的数量和变异算子的权重因子改变算法的收敛速度和计算精度，灵活性和适应性非常强。

因此我们采用进化规划算法来优化土地利用演化CA的转换规则。

发明内容

本发明的所要解决的技术问题是为了弥补常规方法获取土地利用演化CA转换规则的缺点，通过引入新的算法，优化土地利用演化CA的转换规则，并使土地利用演化CA模型更能清晰表征土地利用演化的机理及物理意义。

本发明为实现上述发明目的采用如下技术方案：

一种土地利用演化CA模型转换规则优化方法，包括如下步骤：

步骤A，根据被研究区域多时相时空土地利用数据，选择影响被研究区域土地利用变化的因素作为土地利用演化CA的空间特征变量；

步骤B，根据步骤A选择的空间特征变量，建立基于Logistic回归方法的土地利用演化CA模型，选择样点数据，并计算各空间变量的影响权重；