一个蜂自动机模型与分区CNN-LSTM和PLUS模型相结合,用于城市土地变化模拟
Chen Huang1, Ye Zhou1, Tao Wu2
1Key Laboratory of Electromagnetic Wave Information Technology and Metrology of Zhejiang Province, College of Information Engineering, China Jiliang University, Hangzhou, 310018, China.
Journal of environmental management
|December 22, 2023
概括
本研究介绍了KCLP-CA,这是一个城市土地利用变化的新型模型,集成k-means,CNN和LSTM. 该模型准确地模拟了未来的土地使用,超过了传统方法.
科学领域:
- 环境科学 环境科学
- 地理信息科学 地理信息科学
- 城市规划 城市规划
背景情况:
- 城市化推动了大量的土地利用变化 (LUC),需要为可持续发展做准确的建模.
- 现有的细胞自动机 (CA) 模型往往忽视了 LUC 中的时间依赖性和空间异质性.
- 解决这些局限性对于有效的城市规划和资源管理至关重要.
研究的目的:
- 开发和验证一个新的模型,KCLP-CA,用于模拟城市土地使用变化.
- 整合k-means,卷积神经网络 (CNN),长期和短期记忆 (LSTM) 神经网络,以及补丁生成土地利用模型 (PLUS).
- 通过考虑空间异质性和时间依赖,提高土地利用变化建模的准确性.
主要方法:
- KCLP-CA整合了k-means和CNN用于空间异质性,以及LSTM用于时间依赖性.
- PLUS模型的LSTM和土地扩张分析策略 (LEAS) 生成土地使用转换概率图.
- 模拟使用了考虑随机因素的融合概率图;验证采用了杭州数据 (1995-2000).
主要成果:
- KCLP-CA显著优于传统方法 (ANN,随机森林) 的表现,其优点指数 (FoM) 从2.12%增加到4.19%.
- 在杭州市区的城市LUC的关键驱动因素被确定为距离水道和道路网络密度的距离.
- 纳入政策因素提高了模拟准确性,使FoM增加了1.64-1.76%.
结论:
- 通过结合综合子模型的优势,KCLP-CA模型有效地模拟了城市土地使用动态.
- 该模型提供了一种更准确,更可靠的方法来预测未来的土地使用模式.
- 调查结果强调了在LUC建模中考虑空间异质性,时间依赖性和政策因素的重要性.
