城市是一个典型的动态空间复杂系统，具有开放性、动态性、自组织性、非平衡性等耗散结构特征。城市的发展变化受到自然、社会、经济、文化、政治、法律等多种因素的影响，其行为过程具有高度的复杂性。利用基于神经网络的元胞自动机来模拟复杂的土地利用系统及其演变，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。
(1)模型概述
该模型包含两大相对独立的模块：模型纠正(训练)模块和模拟模块，两个模块使用同一神经网络。在模型纠正模块中，先利用训练数据自动获取模型的参数，然后将该参数输入模拟模块进行模拟运算。整个模型结构简单，适用于模拟复杂的土地利用系统。
(2)神经网络结构
该神经网络包括三层：输入层、隐藏层和输出层。假设输入层有m个神经元，隐藏层有k个神经元，输出层有n个神经元，则输入层对应m个决定土地利用变化概率的变量。研究表明，对于3层的神经网络，其隐藏层的神经元数目至少要为2m/3个；输出层中，有n个神经元来输出转变为n种不同的土地利用类型的概率。
本研究中，输入层有6个神经元，对应5个空间变量和1个当前土地利用类型变量，则隐藏层至少有4个神经元，输出层有6个神经元，对应6种不同的土地利用类型转换概率。
(3)模型原理
该模型第一步是确定神经网络的输入，每一个模拟单元有n个属性(变量)，这些变量分别对应于神经网络第1层的m个神经元，决定每个单元在时间t时的土地利用转换概率。可以表达为：
X(k，t)＝(x1(k，t)，x2(k，t)，x3(k，t)，…，xm(k，t))T (8-23)
式中，xi(k，t)为单元k在模拟时间t时的第i个变量。
神经网络的输入需要标准化处理，使它们的值落入[0，1]，可以利用最大值(max)和最小值(min)进行标准化：
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：
式中，neti(k，t)为隐藏层第j个神经元所收到的信号；wi，j为输入层和隐藏层之间的参数，即权重值。
隐藏层对这些信号产生一响应值，并输出到下一层，即最后的输出层，其响应函数为：
输出层第l个神经元接收到的信号为：
式中，netl(k，t)为输出层第l个神经元所收到的信号；wj，l为隐藏层和输出层之间的参数，即权重值。
输出层会对这些信号产生一响应值，该响应值即为转换概率：
式中，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。
单元发展概率p(k，t，l)只考虑到各种空间距离变量对其转化的影响，而CA的领域影响是一个非常重要的因素，因此还需要在CA中增加使土地利用趋向于紧凑的动态模拟，防止出现空间布局凌乱的现象。领域函数通过一个n×n的核计算土地利用在空间上的相互影响，其定义如下：
式中，Ω′k，q是领域函数，这里表示n×n领域中的各类型(q＝1，2，3，4，5，6，7，8，9)土地开发密度；con()是一个条件函数，如果单元状态sk＝q，则返回为真，否则返回为假；另外，与概率不同的是，Ω′k，q标有时间符号t，表示领域的土地开发密度在CA迭代过程中是不断变化的。
城市空间扩张过程中存在各种政治因素、人为因素、随机因素和偶然事件的影响和干预，特别是人的参与，使其更为复杂。因此，为了使模型的运算结果更接近实际情况，反映出城市系统所存在的不确定性，在改进的约束性GeoCA中引入随机干扰项。该随机项可表达为：
RA＝1＋(-lnγ)α (8-30)
式中，γ为值在(0，1)范围内的随机数；α为控制随机变量影响大小的参数，取值范围是1～10的整数。最终的发展概率表达式为：
由于受随机项的干扰，可对神经网络输出的l种不同的土地利用类型的转换概率进行标准化处理：
(www.xing528.com)
在每次循环中，神经网络的输出层计算出对应l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：
p(k，t)＝max[p′(k，t，l)] (8-33)
设最大转换概率p(k，t)所对应的土地利用类型为lp(k，t)。当其转变的类型与原来的类型一样时，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，可以引进阈值来控制变化的规模。该阈值在[0，1]范围内，若其值越大，在每次循环中转变的单元数就越少。公式表达如下：
式中，
为单元k在t＋1时刻的土地利用状态；
为单元k在t时刻的土地利用状态；pthreshold为土地利用转换阈值。
2.东莞市土地资源动态变化模拟
借助遥感和GIS技术，获得2006年和2010年土地利用分类数据(图8.60)；从行政区划、交通等空间数据获取距城市中心距离、距镇中心距离、距铁路距离、距高速公路距离和距一般道路距离等空间变量(图8.61)。
图8.60 东莞市2006年和2010年土地资源分类图
(1)空间变量及训练数据
研究表明，土地利用变人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、单元的自然属性等。在模型中，输入层的6个空间变量及获取方法见表8.19。
表8.19 神经网络CA模型所采用的空间变量
图8.61 空间变量数据
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，将2006年和2010年卫星TM图像进行分类，然后获取土地利用变化历史资料。本模拟所涉及的土地资源类型有7类：建设用地、农田、水域、果园、林地、基塘、草地。
(2)神经网络训练
利用训练数据对神经网络进行训练来获取模型的参数，使得模拟的结果更能接近现实。训练数据采用随机抽样方法获取：在遥感分类图像上随机产生训练点，获取它们相应的坐标，选用34000个抽样点，将它们平分为两份用以进行训练和验证；在ArcGIS中读取这些坐标所对应的空间变量和土地利用分类结果；将这些数据输入到神经网络算法中，以获取相应参数值。
(3)模拟结果及精度评价
采用简单的神经网络作为转换规则，训练神经网络获取模型的参数。每次循环过程，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2006年土地资源分类图作为初始状态，通过CA模拟获得2010年的土地资源分布，对比模拟的土地资源与实际的土地资源(从遥感分类中获取)的差别(图8.62)，验证模型的有效性。由对比获得的混淆矩阵(表8.20)可知，总精度为83.6%，模拟结果较合理。
表8.20 2010年实际与模拟土地资源的混淆矩阵
图8.62 东莞市2010年土地资源实际与模拟对比图
2006—2010年，变化最大的是其他土地资源类型转变为建设用地类型，且主要发生在地势低平、距离交通干线较近区域。农田、果园、林地和基塘之间也有转换，如将水域填平开辟为农田，开挖农田成为鱼塘而变成基塘，退耕还林等政策和措施所导致的农田与林地之间的转化等，但数量较少，且空间分布比较分散。
3.“十二五”期间土地资源变化预测
在此基础上，模拟“十二五”规划期间东莞市土地资源的空间格局，如表8.21和图8.63所示。
表8.21 东莞市2010年、2013年和2015年土地资源数量
图8.63 东莞市2015年和2020年土地资源模拟分布图
结果表明，建设用地面积增加，农田、林地、果园和基塘面积将持续下降，其中果园减少最多。2010—2015年，建设用地面积将增加约121.72km2；果园面积将减少约48.95km2，占全市的11.34%；农田面积减少约34.51km2，占全市的8.61%；水域、草地等景观类型面积变化不大。2015—2020年，建设用地面积将持续增加，但增加速度下降，至2020年约1390km2；果园和农田分别减少约22.8km2和16.55km2。因此，有必要对未来土地利用结构变化进行调整，使其充分发挥结构效应和整体功能，促进东莞市生态、经济和社会的持续稳定和健康发展。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
