一种基于图卷积神经网络和矢量元胞自动机的土地利用变化模拟方法

本发明涉及土地利用变化模拟，特别涉及一种基于图卷积神经网络和矢量元胞自动机的土地利用变化模拟方法。

背景技术：

1、城市模拟是指从过去城市的发展情况和规律出发，模拟城市未来的发展情况。在城市模拟中通常会模拟城市的人口流动、土地利用变化等方面，在城市模拟中较为常用的模型是元胞自动机模型，该模型能够从微观的视角下出发模拟城市整体的土地利用变化情况。现有城市模拟模型主要集中于城市扩张、城市蔓延的模拟，通过评估非建设用地单元的适宜性确定其向城市用地转变的概率。然而，在当前高质量和可持续发展的战略下的城市发展模式中，当前的城市模拟模型虽然在预测城市扩张方面有较好的应用效果，但在模拟城市内部土地功能变化方面则显得力不从心。

2、现有技术中计算了交通可达性和连通性，并结合vca(矢量元胞自动机)来模拟土地利用变化在城市扩张模拟是非常有效的，地块的开发依赖于交通的便利与否，但是当前城市处于高质量发展的阶段中，建设过的城市内部土地上交通设施和城市路网已经比较完善，交通可达性的重要性下降，与之相对的是城市中由于建设成熟的交通设施使得居民可以在城市内进行远距离的出行，这种大量发生在城市内部的人类出行活动使得城市的土地功能发生了变化，这是该模型没有考虑到的；

3、同时，现有技术也采用了cnn(卷积神经网络)的方式来聚合和学习邻域内其他元胞的驱动因素，但是cnn本身有一些局限性，首先是卷积核的大小是固定的，并且设置规则的卷积核使得邻域的形状也固定为规则的矩形，这使得提取邻域内的特征时与现实产生一定的偏差，其次是虽然借助了神经网络来提取邻域内的特征，但还是在转变规则中显式的定义了邻域效应，该效应同样是人为设定，但是众所周知，土地利用的变化存在明显的空间异质性，同样的规则在不同的邻域配置和不同位置地理位置的元胞上使用明显会带来一定的偏差，因此，本方案提出一种基于图卷积神经网络和矢量元胞自动机的土地利用变化模拟方法。

技术实现思路

1、本发明的目的在于提供一种基于图卷积神经网络和矢量元胞自动机的土地利用变化模拟方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于图卷积神经网络和矢量元胞自动机的土地利用变化模拟方法，所述模拟方法包括以下几个步骤：

3、s1，进行图结构化的元胞空间构建，所述图结构化的元胞空间构建包括地块邻接矩阵构建和地块特征矩阵构建；

4、s2，基于图卷积神经网络的元胞转变规则提取，包括图卷积神经网络构建和元胞总体转变概率计算；

5、s3，进行历史土地利用结果模拟及模型评价，所述结果模拟是基于s2得出的总体转变概率的基础上得到模拟的结果，且对于每一个地块取转变概率最大的类作为转换的结果，此时结果作为图结构中节点的属性，并在计算精度和查看模拟结果时将预测的类型重新写回地块的属性表中；

6、s4，进行城市未来土地利用格局预测，所述格局预测是基于s2转变概率计算所训练的模型基础上，进行连续模拟从而预测未来的城市土地利用格局，其流程是在取三个s1中提取的年份的土地利用数据和地块相关的特征放入到隐马尔可夫模型中，预测未来年份的土地利用需求量。

7、优选的，所述s1中地块邻接矩阵构建首先在收集到的土地利用矢量数据的基础上，将两个年份的数据使用空间叠加分析工具提取出包含土地变化的数据，然后将面积较大的地块切小，在切分完地块之后分为两个部分来构建地块的邻域，包括局部邻域和全局缓冲区。

8、优选的，所述局部邻域是将每个小的地块分别构建固定距离的边界截断缓冲区，缓冲区内的地块作为中心地块的局部邻域中的地块；

9、所述全局缓冲区的构建方法为，将出租车的轨迹数据清洗之后提取为od数据，将od数据的o点和d点所在的地块联系起来，形成全局联系。

10、优选的，将两种邻域处理为gcn可用的图格式，其中局部邻域是计算中心地块与其他地块之间的距离衰减函数作为两个图中的节点间的边的权重，距离衰减函数表示为：

11、

12、其中，weight表示计算的边的权重，distance表示两个地块间的欧式距离，d表示缓冲区的半径大小，然后将边作为局部邻接矩阵存储起来，全局联系是统计od出现的频次，然后将这些频次使用标准化四分位距变换到0和1之间作为边上的权重存储在矩阵中。

13、优选的，所述频次标准化四分位距的公式表示为：

14、

15、其中，weight表示计算的边的权重，x表示统计的od频次数据，median(x)表示所取的中位数，q3表示第三四分位数，q1表示第一四分位数，上述公式用于将频次数据缩放到0到1之间，同时减小离群值的影响。

16、优选的，所述s1中地块特征矩阵构建首先是收集和处理数据，包括收集研究区域的人口密度数据、poi数据、osm数据和dem作为地块的特征；

17、所述收集的人口密度数据和dem是栅格格式的数据，使用gis软件中的分区统计工具即可获得每个地块上的人口密度和高度；

18、所述poi数据需要分类进行核密度分析，然后再进行分区统计为地块特征；

19、所述osm数据用于提取路网，使用gis软件中的计算到路网距离的工具即可生产一张值为该像元到路网的距离的栅格数据，再使用分区统计得到地块的特征。

20、优选的，所述s2中图卷积神经网络构建基于半监督分类与图卷积网络，且网络由两层卷积层、一层全连接层和分类器构成，其中卷积层在每次卷积时聚合节点本身和周围节点的特征，其公式表示为：

21、

22、其中，h(l+1)是l+1层的特征，当h(l)中值l为0时，h(l)为输入的特征矩阵，a是输入的邻接矩阵，σ为非线性激活函数，a由地块之间的局部邻域关系和全局联系关系得到；

23、a～矩阵等于邻接矩阵a加上单位矩阵i，通过a～矩阵可以将地块本身的特征也纳入卷积过程；

24、d～为矩阵a～的度矩阵，而w(l)为l层网络的权重矩阵，在图卷积的过程中，w(l)不断更新。

25、优选的，所述卷积的过程中通过关键信息矩阵融合的方式将局部和全局邻接矩阵聚合的特征合并，其规则是，对两个矩阵聚合到的信息取最大值，若第一层卷积层的输入为n*f的特征矩阵，f为特征的维数，输出形状为n*80的矩阵，第二层卷积层的输入为第一层卷积的输出，输出为n*256的矩阵，且邻接矩阵在网络中保持不变；

26、经过两层卷积层之后使用一层全连接层将n*256的矩阵变换为n*m的矩阵，其中m是样本的类别数量，在经过softmax函数之后，矩阵中的值即为预测的节点的转变为各类别的概率。

27、优选的，所述s2中元胞的状态转变取决于元胞的转变规则，且元胞的转变规则由三个部分组成，其公式表示为：

28、

29、其中，为地块i在t时刻转变为k类型土地利用的转变适宜性，该数值为gcn模型输出的概率，为限制转变因素，若地块位于限制转变区域内，则该值为0，即整体转变的概率为0，地块不发生类型的转变，ra为随机因素，用来模拟模型没有考虑的、现实生活中随机发生的土地类型变化，数值在0到1之间。

30、优选的，所述s3中模型评价选取元胞自动机常用的评价指标，包括优质因子fom、生成者准确度pa和用户精准度ua，且三个评价指标公式表示为：

31、

32、其中，a表示实际发生地块功能转变而模拟结果保持不变造成的地块面积的误差；b表示实际发生了转变并且模拟结果与实际相同的地块面积；c表示实际发生转变并且模拟也发生了转变，但模拟发生转变的类型与实际不符造成的地块面积误差；d表示实际没有转变但模拟发生转变产生的地块面积误差。

33、本发明的技术效果和优点：

34、(1)本发明针对的是当前城市发展背景的土地利用模拟方法，本方法通过考虑人类出行行为对于土地功能转变的影响，从而在挖掘地块的转变规则的过程中也考虑到远距离的、存在空间交互的地块的特征，使得模型更加贴近现实世界，从而使得城市内部地块的土地利用变化模拟精度得到提高；

35、(2)本发明元胞的邻域效应不再在矢量元胞自动机的转变规则中显式的表达，而是将邻接关系通过图结构的边表达，影响力的大小通过边上的权重表达，在图卷积的过程中，邻域效应在特征汇聚的过程中得以计算，同时两层卷积层的加入使得模型甚至能够计算更大范围的地块间的相互作用，同时，使用神经网络的方式学习要比显式的公式定义更加贴合数据情况，使得模拟精度更高。