[发明专利]基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法

说明书

本发明涉及基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法，包括：1)：对卫星遥感影像进行监督分类获得土地利用分类图，并建立空间变量因子数据；2)：基于空间变量因子数据获取研究区域内的有效样本点；3)：建立CA城市扩张模拟原型模型，并基于有效样本点数据，对CA参数进行获取；4)：建立优化CA参数的相关目标函数，并利用交叉熵优化器优化CA参数；5)：建立CA转换规则，并获取转化概率图；6)：建立城市扩张模拟CAsubgt;CEO/subgt;模型，并模拟预测城市扩张动态和未来可能情景；7)：对CAsubgt;CEO/subgt;模型及其模拟预测结果，进行精度评定，并输出保存模拟结果。与现有技术相比，本发明有效优化CA模型并通过客观定权实现多目标城市扩张情景预测。

技术领域

本发明涉及一种城市扩张多情景模拟方法，尤其是涉及一种基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法。

背景技术

城市发展是土地利用方式变化的结果，而土地利用方式变化又受到人类活动的强烈影响，并导致一系列社会和环境问题。当前，全球城市人口的快速增长使得对城市土地利用的需求不断增长，并且这种需求预计将持续数十年。通过构建模型来提高土地利用模拟的准确性，它可以作为未来区域土地利用规划和城市发展决策的重要参考价值。CA是一种时空动态模型，具有明显的时空耦合特征，特别适用于复杂土地利用变化研究的动态模拟。CA模型可以采用迭代自下而上的计算，结合邻域配置、约束效应和转移规则而实现。结合GIS的空间分析功能和CA技术可以有效模拟和预测城市空间扩张的时空过程。

转换规则是CA模型的核心，它决定了模拟的空间过程和逻辑关系。传统的CA模型主要使用统计学方法来定义转换规则。大多数这些转换规则由数学公式表示，并且公式中参数的确定非常困难。近年来，先后发展了获取CA模型转换规则的智能方法，包括遗传算法GA、蚁群算法ABC、人工神经网络ANN和粒子群优化PSO。

交叉熵优化CEO算法是近年出现的一种新型随机优化算法，它只依赖于适应度函数，不需要梯度等信息。CEO可用于衡量特征工程中两个随机变量之间的相似性。语言模型是通过训练集获得的，交叉熵优化是测量模型在测试集上的正确率；在逻辑回归中，CEO测量逻辑回归的预测结果与实际结果之间的差异程度，称为交叉熵损失函数。通过CEO优化器可以克服传统优化器容易陷入局部最优，或获取的参数没有明确的物理意义的弊端，同时能够实现多重条件下城市空间动态和土地利用变化多重情景的模拟预测。

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基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法，采用交叉熵优化元胞自动机方法能够实现logit参数的优化，同时能够为未来情景多重目标预测提供客观定权，实现城市扩张模拟与多情景预测。

本发明的目的可以通过以下技术方案来实现：

一种基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法，包括以下步骤：

步骤1：对卫星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，并建立影响城市扩张的空间变量因子数据；

步骤2：基于空间变量因子数据通过分层随机抽样方法获取研究区域内的有效样本点；

步骤3：建立CA城市扩张模拟原型模型，并基于有效样本点数据，利用logit方法对CA城市扩张模拟原型模型的CA参数进行获取；

步骤4：建立优化CA参数的相关目标函数，并利用交叉熵优化器在目标函数的引导下优化利用logit方法获取的CA参数；

步骤5：基于交叉熵优化器和优化完毕的CA参数，建立CA转换规则，并利用已建立的CA转换规则获取空间变量影响下土地的转化概率图；

步骤6：利用转换规则和转化概率图建立基于CEO的城市扩张模拟CA_CEO模型，并利用该模型模拟预测城市扩张动态和未来可能情景；