用户名
密码
(30天内有效)
注册
注册
首页 > 资料下载 >

基于 CA 的优化模型在城市规划领域的应用丨城市数据派

我要收藏
2019-09-16

【导读】

2019年7月9日,南京大学建筑与城市规划学院硕士研究生杜金莹在CUPUM 2019“空间规划和可持续发展的国际评论”专题会场,宣讲“基于 CA 的优化模型在城市规划领域的应用”的论文。她介绍了国内外学者对传统元胞自动机的优化类型,并对4种优化类型进行研究现状的阐述和对比,最后提出未来研究需要关注的方向等内容。 

以下是宣讲论文的主要内容。



1568626581632931.jpg

杜金莹

硕士研究生

南京大学建筑与城市规划学院

城乡规划学


结论

元胞自动机(CA)在城市规划领域具有广泛的应用前景,在不断探索过程中,也呈现出一些不足之处,例如对宏观社会动态要素考虑的不足,元胞类型和邻域划分产生的效应问题以及转换规则的定义缺乏科学标准。


相关学者通过引入约束条件和构建多主体模型、优化元胞和邻域的划分、运用人工智能和多学科模型融合以及结合GIS、遥感等技术进行空间化表达等方法进行元胞自动机模型的优化,已取得一定的进展,但仍有较大的改进余地。


未来关于元胞自动机的优化研究应该:

· 关注元胞类型及邻域划分,实现对不规则邻域实体的模拟研究,采用三维元胞自动机进行立体化模拟,弥补二维元胞自动机对三维空间考虑的不足;

· 筛选利用大数据信息,运用人工智能等新一代信息技术手段寻找元胞转换规则,减少CA模型模拟过程的不确定性,对模拟过程及结果进行科学解释,提高CA模型应用的科学性;

· 扩展元胞自动机的应用范围,提高模型的模拟精度,配合现行区域规划政策及城市群、都市圈建设,推进CA模型应用向普适性、高精度等方向迈进。



1、引  言

基于 CAS 理论,城市可以被看作一个复杂适应系统,传统的城市规划模型,如系统动力学、中心地模型和空间相互作用模型等,以静态解析性为主,忽略了城市的动态发展与多要素的非线性组合及相互作用。而元胞自动机模型(CA)是一种时间、空间、状态都离散,空间相互作用和时空因果关系都为局部的网络动力学模型,具有模拟复杂系统时空演化过程等非线性问题的能力。


20 世纪 90 年代末以来,CA 模型在规划领域被广泛应用在土地利用与城市扩张、交通流及交通模型、生态景观演化及林火蔓延时空等领域的仿真模拟及预测研究方面,实现了通过简单的局部规则模拟和预测复杂的动态过程,即通过一系列历史变化样本区挖掘一组合适的参数,对城市扩展动态过程进行模拟和预测,成果为区域发展、城市规划和管理提供决策依据,其强大的空间集成及并行计算能力,为城市可持续发展提供技术支持。


元胞自动机(CA)最基本的组成四要素:元胞、状态、邻域和转换规则。CA模型分为一维、二维、三维三种类型,具有同质性、异质性、并行性等特征。随着研究的深入,发现传统的CA模型存在一定的不足,例如CA模型是基于自下而上的思路模拟城市复杂系统,忽略了宏观决策对城市空间形态演化的影响;CA 对时间维度上的地理现象解释能力较差;元胞自动机转换规则的获取缺乏科学的定义;经典 CA 模型只能在较小的时空尺度范围内对城市化过程现象进行较高精度的解释,会导致可变面积单元问题 (MAUP)等。


随着大数据、云计算等新一代信息技术的发展,为了克服栅格CA模型的不足,国内外学者从元胞的四要素出发进行了模型优化研究和应用实证研究。在此背景下,本研究总结近年来CA的相关优化类型及其在城市规划领域的应用,提出了未来CA模型应用的研究方向,以推进CA模型更好的服务于城市规划领域,引导城市健康可持续发展。



2、研究领域现状及拓展方向


近几年来,CA模型的应用领域,除了土地利用和城市扩张模拟、交通仿真模型、森林火灾及其他自然灾害模拟外,开始向景观生态格局、城市色彩空间动态模拟,以及相关领域的深层次研究等方面拓展。田静,邢艳秋等提出一种基于元胞自动机的遥感影像森林类型分类方法,提高了Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。赵瑾瑾利用元胞自动机演化的多样性和随机性,提出了城市色彩空间动态模拟模型研究方法,并以常州市的色彩规划为例,对色彩模型进行检验和改进。杨俊,席建超等以元胞自动机模型为基础,运用旅游小镇旅游城镇化增长模型,对河北省 三坡镇的旅游城镇化发展进行模拟与预测。


总体来说,研究领域仍具有一定的局限性,多以单个城市系统为研究对象,研究重点集中在CA 模型自身的优化上,主要运用了CA模型的预测功能,之后研究应将CA的统计、分析功能纳入研究中,充分利用地块的相关属性,并结合其他模型数据,进行规划的用地、道路、建筑、市政、园林等多领域预测和分析上,将 CA 模型贯彻城市规划领域的城市发展规模调控、生态支撑评价、交通网路 优化、用地功能拓展、服务设施调控、历史文化空间提升、城市规划方案评价等空间分析模型中,扩展 CA 模型的应用领域到城市群、国家甚至全球中去。

1568626726232222.jpg

CA模型在城市规划中的应用领域


3、CA模型的优化研究


关于 CA 模型的优化,国内外学者主要从以下几个方面出发:

(1)引入单元约束条件。通过引入CA约束方法,构建约束性CC-CA模型,如矢量元胞自动机模型(VCA)、 耦合元胞自动机模型、分区异步元胞自动肌模型等,对传统 CA 模型对宏观决策因素考虑的不足与多主体模型结合,实现CA的空间自组织性和多智能体的决策和学习能力的完美结合。


(2)元胞及邻域的优化。考虑扩展邻域效应,进行邻域类型、元胞尺度的优化以及MAUP问题的敏感性分析等。


(3)转换规则的获取。采用人工智能(神经 网络、遗传算法、蚁群智能、粒子群算法、生物地理学优化算法等)和多学科融合(决策树、 随机森林、Logistic 回归模型、核主成分分析、多智能体密度梯度函数、案例推理、马尔科 夫链、粗糙集理论、模糊理论等)的方法获取元胞自动机的转换规则。


(4)空间技术的应用。将CA模型与GIS、遥感RS技术等相结合,充分利用GIS的空间分析和可视化能力和RS的快速数据获取能力,为CA模型准备数据和定义有效的元胞转换规则以及对模拟结果进行可视化。

1568626820926247.jpg

CA模型的优化研究


4、引入单元约束条件


城市扩张的发展过程受到人文、社会及政策等多方面因素的综合影响,城市系统属于复杂适应性系统,城市问题也具有高度复杂性,因此城市发展规律具有不可重复性及动态性。为了考虑动态因素及目标政策因素对城市发展的影响,学者大多通过引入约束条件或与多主体模型等其他模型进行耦合进行研究。


根据CA应用目的的不同,CA模型可以划分为约束性CA、预见性CA和描述性CA三种类型。约束性元胞自动机作为一种复杂地理系统模拟工具,能够通过简单的规则模拟城市的动态演化过程,通过将规划目标、重大项目的布局以及方针政策等其他相关预见性的影响要素引入到CA模型,进行不同的情景模拟,在此基础上,对不同的方案进行比较和评估,指导未来城市建设和规划管理。


UPCA模型是典型的约束性 CA,能够弥补传统CA模型忽略宏观政策的缺点,将传统的自下而上的CA模型改进为自下而上和自上而下相结合的模型,该模型能够简化数据量,提高模型的演化精度,并能够增强模型的规划决策,发挥CA模型的社会经济分析能力。


例如尹长林等引入控制性详细规划层,构建UPCA模型,将整个城市空间划分为12个组团片区,并取得了较好的实证模拟结果;汪贝等构建“三规”空间管制引导下的约束性CA模型进行城市发展空间模拟;王海军等构建总规、战略及土地开发利用适宜性的约束性CA模型,进行土地利用情景模拟;龙瀛等利用约束性 CA 模型,制定了中心城、新城和乡镇三个层次的 UGBs;乔纪钢等提出时、空可变的约束方法,进行城市动态规划条件下的情景模拟。


除此之外,也可通过耦合、分区异步等途径实现约束的目的。耦合元胞自动机模型,是指在多个元胞自动机相互作用下,元胞自动机的状态受自身影响及相互影响的模型。惠珊等在传统林火模型基础上添加时间修正,提出耦合地理元胞自动肌模拟林火蔓延过程的仿真算法,以提升林火蔓延模拟的准确性。


分区异步元胞自动肌模型是利用双约束空间聚类的方法对元胞空间进行分区,采用分区转换规则可以体现地理现象演化规律的空间差异性。柯新利,马才学依托分区异步元胞自动机模型,结合耕地适宜性评价结果和耕地非农化压力测算结果率定异步演化速率,展开武汉城市圈耕地格局的空间优化研究。


考虑到多个主体决策及行为的相互作用,多主体模型(MAS)被引入元胞自动机。MAS又叫做多智能体模型,是基于圣菲研究所提出的“复杂适应系统”建立的,是人工智 能技术与复杂适应系统理论的融合,具有强大的计算功能和时空模拟能力。主体具有4项基本属性,自治性、反应性、社会性和主动性。元胞自动机和多主体模型核心是通过模拟各主体的决策行为交互,实现全局复杂动态变化模拟,将MAS与CA 相结合,既可以通过CA反应微观单元之间的相互作用,又可以通过智能体反应多个主体对模型的影响,实现个体行为和全局行为的循环反馈及校正,两者互补互利,共同实现高精度的模拟及预测。


杨青生,黎夏运用多智能体(Agent)和元胞自动机(CA)模拟城市用地扩张;刘敬杰等基于多智能体方法构建模型,定量分析自然区位因子和主体决策行为对农村土地数量和空间格局变化的驱动机制。同时,在元胞自动机中引入约束条件的做法被大量应用于交通领域,提出了各种改进的交通流CA模型。其中,NS模型(单车道元 胞自动机模型)和 BML模型的融合是元胞自动机进行交通研究的有效方法。NS模型是由 Nagel 和Schreckenberg提出的单车道元胞自动机模型,能够较好的描述交通流这个离散系统。


BML模型是由 Fukui 和 Ishibashi 提出的,利用计算机模拟二维城市交通流系统,是专门用于模拟分析交通现象的元胞自动机模型。我国学者也进行了相关研究,张博等分析了周边条件下NS模型中车辆最大速度和随机慢化概率的作用机制;吴秀华等利用 BML 模型进行二维交通流系统的模拟分析。目前对元胞自动机模型引入约束条件,已验证了相对于传统 CA 模型具有明显的优势,但大多是针对局部因素进行的优化,仍有较大的改进余地。


比如约束性 CA 模型对转换规则空间分异以及对人口结构与经济社会因素等复杂因子考虑不足,应加强与其他模型的耦合应用;分区异步元胞自动机模型缺少对区域发展公平的考虑,应加强对补偿机制的探讨;NS-BML模型中对多个历史周期节点瞬时密度考虑的不足;CA- Agent模型网格空间与元胞尺度划分合理性及模型应用精度有待进一步提升等。在之后的研究中,应该综合多个层面的改进进行探讨和应用,使CA模型为规划的管理与决策提供更有价值的信息。



5、元胞及邻域的优化


传统CA模型在元胞类型选取及邻域类型划分等方面具有一定的局限性。传统CA模型是基于空间同质性的邻域规则运行和转换的,元胞一般是具有相同转换规则的几何形状,邻域类型一般是摩尔邻域,这与实际地理环境中城市内部空间的复杂性相悖;并且大多数研究把邻域作为静态因子或者作为约束条件的静态方式,不能实时反应用地的动态变化;利用元胞自动机模型进行城市动态模拟时,会导致可变面积单元问题(MAUP);对其他邻域效应考虑不足以及局限应用二维CA模型进行二维空间的分析等方面。在此背景下,相关学者对元胞邻域规则的定义和划分进行了一定的研究。


基于不规则元胞的矢量CA模型(VCA)被提出并应用于城市扩张模拟中,如用规则格网四方形、泰森多边形等进行划分,运用动态模拟思想,采用三维元胞自动机模型等改进方法,每个立体元胞可以代表一个地理实体,从而模拟城市空间的变化。Ivan等通过研究不规则邻域元胞自动机模型,实现不规则邻域的判别;杨俊等基于不规则邻域识别算法,运用不规则邻域CA模型对土地利用类型进行动态模拟;廖江福等创建了考虑扩展邻域效应的城市元胞模型;桂预风等基于Geo-CA理论,自定义扩展邻域类型,扩展了CA模 型的空间建模功能;刘明皓等基于动态邻域思想建立ACO-CA模型,实现了对城市用地的动态模拟;李丹等进行了MAUP效应的敏感性分析,找到了合适的研究粒度和分区方案。


目前关于元胞类型和邻域划分的优化研究还比较缺乏,在以后的研究中,应加强对元胞邻域类型定义及邻域范围划分的研究,考虑扩展邻域效应,结合动态邻域思想,广泛应用三维元胞自动机模型,实现对城市三维空间的模拟和探索。



6、转换规则的获取


CA 模型的核心是获取转换规则,直接决定了模拟结果的精度和合理性,因此关于转换规则的获取研究是元胞自动机模型优化的主要研究方向。目前已有的关于转化规则的获取可以分为两大类,一类是利用人工智能方法获取的转换规则,包括神经网络、遗传算法、蚁群智能、粒子群算法、生物地理学优化算法等的应用。


另一类可以归纳为多学科融合方法确定的转换规则,包括案例推理、决策树、随机森林、Logistic 回归模型、核主成分分析、支持向量机、马尔科夫链、粗糙集理论、模糊理论、多层次分析法、多智能体密度 梯度函数等学科方法的应用。以黎夏、刘小平、叶嘉安等为代表的学者对多种转换规则进行了研究和应用实践,本文总结了主要转换方法的优缺点,为学者进行 转换规则选择和优化方向提供参考。

1568626933228827.jpg

主要转换规则介绍及改进方向建议


7、空间技术的应用


GIS、RS 等空间技术的优点是强大的空间分析功能,缺点是处理静态数据,更无法进行时空动态模拟,CA 的优点在于时空的连续性。元胞自动机的网格形式与GIS的栅格形式衔接十分方便,GIS可以为CA提供丰富的空间信息与空间数据处理平台,使结果更符合实际。同时 GIS 的可视化功能,方便预测结果与实际结果进行直观的对比。CA与GIS等技术结合的模型系统具有复杂性、开放性、动态性及自组织性等离散结构特征,可充分利用GIS的空间分析、可视化能力和RS的快速数据获取能力来增强其动态模拟能力,并能将城市空间的分异性引入模型中。



目前已有的研究包括冯永玖等运用GIS将多智能体和元胞自动机模型结合,进行数据的计算和可视化,并且在自主开发的基于GIS的地理模拟框架下,利用Logistic-CA模拟上海市嘉定区的生长过程。张文婷等基于GIS平台创建上海市高速公路空间及非空间数据库,对上海市交通进行模拟。随着我国区域一体化政策的实施,CA模型急需与空间技术相结合,揭示区域空间联系特征及相互作用机制。



参考文献:

[1] 孙小涛, 徐建刚, 张翔, 等. 基于复杂适应系统理论的城市规划[J]. 生态学报, 2016, 36(2): 463-471.

[2] 王海军, 夏畅, 刘小平, 等. 大尺度和精细化城市扩展 CA 的理论与方法探讨[J]. 地理与地理信息科学, 2016, 32(5): 1-8.

[3] 周成虎, 孙战利, 谢一春. 地理元胞自动机研究[M]. 北京: 科学出版社,2001.

[4] HE Q Q,DAIL,ZHANG W T,et al.An unsupervised classifier for remote-sensing imagery based on improved cellular automata[J].International Journal of Remote Sensing,2013,34(21):7821-7837. [5] LIU X,LI X,SHI X,et al.Simulating complex urban development using kernel-based non-linear cellular automata[J].Ecological Modelling,2008,211(1):169-181.

注:本文参考文献涉及90多篇,由于篇幅原因仅罗列部分文献。



本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0
  • 联系微信客服
    xiaopaipai_udparty
  • 顶部