[发明专利]融合萤火虫算法和元胞自动机的城市扩张模拟预测方法

说明书

本发明涉及一种融合萤火虫算法和元胞自动机的城市扩张模拟预测方法，包括：对遥感影像进行监督分类，获得城市土地利用分类图；获取城市土地利用变化驱动因子数据，进行预处理；通过随机分层抽样方法获取土地利用图和驱动因子的有效样本点；基于逻辑回归确定参数的边界，利用萤火虫算法，对有效样本点进行训练获取元胞自动机的转化规则；根据CA转化规则，获取城市土地利用转化概率；建立基于CA_FFA模型；利用CA_FFA模型对城市土地利用进行模拟应用和验证分析，并评估精度；输出并保存模拟结果。与现有技术相比，本发明具有更高的模拟精度和更好的城市土地利用变化模拟能力。与现有技术相比，本发明具有模拟精度高、效率高、模拟效果好、普适性好等优点。

技术领域

本发明涉及一种城市土地利用变化模拟元胞自动机方法，尤其是涉及一种融合萤火虫算法和元胞自动机的城市扩张模拟预测方法。

背景技术

城市人口密度和需求的迅速增加，交通拥堵、城市供水不足、空气污染、能源消耗高和垃圾处理等问题日益凸显，给城市规划、资源保护和生态多样性带来了巨大挑战。基于元胞自动机(Cellular Automata，CA)的模型，逐渐被应用于城市扩张的模拟，其对复杂系统的模拟能力、自组织特性以及对栅格数据结构的灵活性与兼容性，使之在城市复杂系统的动态模拟中具有显著优势。但对于现有的元胞自动机模型，确定合适的土地转化规则及其参数仍然是一项挑战。

一些学者使用了统计方法来获取模型的最优参数组合，包括多准则评价(MCE)、主成分分(PCA)、层次分析法(AHP)和逻辑回归(LR)等。这些方法为CA转化规则的获取，提供了强有力的空间统计基础。然而，统计方法要求影响因子之间独立，大多无法捕捉地理现象中的非线性关系，难以消除空间变量间自相关效应所造成的负面影响，不能充分反映城市动力学基本相互作用的非线性复杂性。

为了量化空间变量的非线性关系，一些学者将CA模型与其他人工智能工具集成，即使用混合人工智能建模环境模拟城市扩张，包括人工神经网络(ANN)、支持向量机(SVM)、模拟退火(SA)和遗传算法(GA)等。尽管这些方法可以很好地处理空间变量间的自相关效应，但是也存在一些局限性。人工神经网络具有一定的黑箱性质，不能为空间变量提供明确可解释的权值，而且存在陷入局部极小值、数据过拟合等问题。支持向量机具有良好的非线性分类能力，但是难以实施对大规模样本的训练，存在解决多分类的问题。模拟退火算法计算速度快，易于收敛，但其精度依赖于内部循环最大迭代次数和初始温度；虽然遗传算法在搜索复杂、多模态空间中具有良好的性能，但是在解决小规模问题时，可能陷入局部最优、无法实现全局最优。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种模拟精度高、效率高、模拟效果好、普适性好的融合萤火虫算法和元胞自动机的城市扩张模拟预测方法。

本发明的目的可以通过以下技术方案来实现：

融合萤火虫算法和元胞自动机的城市扩张模拟预测方法，包括：

步骤1：获取城市遥感影像，对遥感影像进行监督分类获得初始和结束年份的土地利用分类图；

步骤2：获取城市土地利用变化驱动因子数据，经预处理后获取土地利用分类图和驱动因子数据的有效样本点；

步骤3：基于逻辑回归确定参数的边界，利用萤火虫算法FFA，对有效样本点进行训练获取元胞自动机的转化规则；

步骤4：利用根据FFA训练建立的元胞自动机转化规则，获取城市土地利用转化概率；

步骤5：综合转化概率、元胞邻域、随机因素和限制因素建立基于FFA的CA模型，即CA_FFA模型；

步骤6：利用CA_FFA模型对城市土地利用进行模拟应用和验证分析，得到CA_FFA模型模拟结果；