LTM模型_精品文档.ppt
《LTM模型_精品文档.ppt》由会员分享，可在线阅读，更多相关《LTM模型_精品文档.ppt（28页珍藏版）》请在冰豆网上搜索。
基于基于GIS与与ANN的土地转化模型的土地转化模型在城市空间扩展模拟与预测的应用在城市空间扩展模拟与预测的应用汇报人：
中科院北京地理所汇报人：
中科院北京地理所2010年年11月月中国科学院研究生院中国科学院研究生院1城市城市CA建模的两个问题建模的两个问题1、城市用地元胞状态转换规则中没有考虑城市人口因素，而城市人口增长是城市空间扩展的最主要驱动力之一。
2、参数不易确定，最优参数的选择都是通过模型不断调试运行，来逼近现实世界和模拟真实世界的。
2据王厚军等对1979-2006年沈阳市城市空间扩展的研究（应用生态学报，2008年）沈阳市市区人口由1979年的371.3万增加到2006年的499.9万，净增128.6万，而同期的城市建设用地面积由199.45km2增加到596.11km2，两两者的相关系数为者的相关系数为0.8561。
31、ANN和土地转化模型（和土地转化模型（LTM）
（1）人工神经网络ANN简介人工神经网络（artificialneuralnetworks，ANN）是在现代神经科学研究基础上发展起来的模模拟人脑思维方式拟人脑思维方式的复杂网络系统，是人工建立的以有向图为拓扑结构，通过响应连续或断续的输入状态进行信息处理的动态系统，与传统的数学方法相比，其网络实现的是一种在不同维数空间之间并非简单线性关系的映射。
4人工神经网络（ANN）适合处理模糊的、非线性、含有噪音及模式特征不明确的问题。
例如模式信息处理与模式识别、最优化问题计算、复杂控制、信号处理及预测等方面。
与传统的数据处理方法相比，神经网络具有如下特点：
（1）自组织和自适应性；
（2）具有自组织自学习能力；（3）可推广性）可推广性；（4）非线性；（5）鲁棒性；（6）并行性；（7）求解满意结果而不是求精确解。
ANN的应用范围和特点5可推广性可推广性：
神经网络不仅能记忆训练数据模式，还能通过对过去的历史数据的学习学会相似的模式，训练出一个具有归纳全部数据的特定的神经网络，从而从训练数据推广到新数据。
这一点对于建立土地利用预测模型有特别重要的意义。
6BP算法算法由于其优良的非线性逼近能力，已经成为目前应用最为广泛的神经网络学习算法，据统计有近90%的神经网络应用是基于BP算法的。
7
（2）土地转化模型（土地转化模型（LTM）土地转化模型（landtransformationmodel,LTM）是基于GIS平台并结合ANN技术的模型,旨在定量分析城市扩展与其影响因子之间的关系,继而对城市扩展的空间分布进行预测。
8LTM模型主要包括以下4个部分：
（1）选取影响城市扩展的自然、社会、政策等因子，并对其进行重编码和采样等预处理。
（2）运用空间分析方法对影响因子进行分析并将分析结果栅格化，作为下一步建立神经网络的输入因子。
（3）采用人工神经网络方法对所有模型输入因子进行分析预测，获得城市扩展在空间上的可能性大小。
（4）使用PID法（PrincipleIndexDriver，PID）预测特定时间尺度上的城市空间扩展情况。
92、基于、基于GIS与与LTM模型的上海市城市扩展模拟与预测模型的上海市城市扩展模拟与预测
（1）影响因子选择城市空间扩展是自然、经济、政策等多方面因素共同作用的结果，其影响因子主要包括地形因素、城市基础设施、交通因素、人口密度等。
自然地理因素对城市的形成和发展具有重要影响，决定了城市空间扩展的总体趋势；交通等区域基础设施的建设是城市扩展不可缺少的“血脉”，而已有的建成区则是城市空间向四周扩展的基础；城市人口增长是城市空间扩展的主要驱动力之一。
因此本案例选取海拔高度、水域海拔高度、水域2个自然要素和建成区、铁路、建成区、铁路、公路公路3个社会经济要素作为上海市城市空间扩展的影响因子。
同时选择城市人口数量城市人口数量作为主驱动因子，来预测2020年上海城市空间扩展的规模。
10
（2）数据处理1、土地利用数据上海市土地利用数据（图）是基于1990和2005年LandsatTM遥感影像，通过人工目视解译生成，土地利用类型包括耕地、林地、草地、水域、城镇用地、农村居民地和其他建设用地个类型，我们从中提取出城镇用地作为LTM模型模拟城市扩展的数据基础。
图图11990和和2005年上海市土地利用类型空间分布图年上海市土地利用类型空间分布图11
（2）数据处理2、城市扩展影响因子城市扩展影响因子包括到城市、水域、铁路和公路的距离以及海拔高度五个因子。
在ArcGIS平台下，首先从1990年上海市土地利用现状图中提取“水域”、“城镇用地”数据，然后利用ArcGIS的空间分析技术，生成研究区域各点到“城市”、“公路”、“铁路”、“水域”的距离渐变图。
最后将这4幅距离渐变图和DEM数据用100m100m的栅格进行重采样，并转化为ASCII格式数据，作为LTM模型的输入因子（图2）。
12图图2上海城市扩展影响因子空间分布图上海城市扩展影响因子空间分布图13
（2）数据处理3、城市扩展限制因子城市扩展限制因子（排除层）作为LTM模型的输入因子之一，用于排除原则上不会被发展为城镇用地的地方，阻止模型对这些地方起作用。
在本案例中，我们选择1990年的城镇用地和水域作为限制因子，并对其重新编码，最后转化为ASCII格式数据，作为LTM模型的输入因子。
图图3排除层排除层14
（2）数据处理4、城市人口数据根据上海统计年鉴1991和中国统计年鉴2006，1990、2005年上海市城镇人口分别为868.73万人和1584万人。
2020年上海市城镇人口的确定取决于2020年上海市城市化率。
根据上海市宝山区、闵行区、青浦区和奉贤区的区域规划纲要，到2020年这四个区的城市化率分别将达到98.7%、100%、92%和84%。
我们取上述数值的平均值93.675%作为上海市2020年城市化率。
2020年上海市总人口可根据王桂新等对上海市常住人口合理规模的预测，其预测的合理规模为2000-2300万人，我们取中间值2150万人作为2020年上海市总人口。
基于上述城基于上述城市化率和总人口预测值，市化率和总人口预测值，2020年上海市城镇人口预测为年上海市城镇人口预测为2014万万人。
人。
15（3）上海市城市空间扩展模拟与预测1、城市空间扩展模拟将上海市城市扩展影响因子和限制因子数据以及1990年和2005年土地利用数据输入LTM模型，进行19902005年上海城市空间扩展模拟，训练次数均为250000次。
首先得到19902005年上海城市空间扩展的实际图，其次得到城市扩展空间分布可能性图，然后得到运用LTM模型进行模拟重建的结果。
16图图419902005年城市扩展遥感监测结果与年城市扩展遥感监测结果与LTM模拟结果对比图模拟结果对比图19902005年上海市城市空间扩展栅格数为34917个。
17图图5城市扩展可能性空间分布图城市扩展可能性空间分布图图中每一个栅格的值表示该点转变为城镇用地的可能性大小，值越大表示转变为城镇用地的可能性越大。
18城市空间扩展模拟结果检验城市空间扩展模拟结果检验
（1）模拟结果精度模拟结果精度
（2）为考查LTM模型模拟结果的精度，在ArcGIS平台上把模型模拟得到的结果图与遥感监测结果进行对比分析（图4），得到模拟结果误差空间分布图（图6）。
图图6LTM模型模拟结果误差空间分析图模型模拟结果误差空间分析图19城市空间扩展模拟结果检验城市空间扩展模拟结果检验
（1）模拟结果精度模拟结果精度
（2）图中0表示模拟栅格不为城市用地，且实际情况亦如此；1表示模拟栅格为城市用地，但实际情况相反；2表示模拟栅格不为城市用地，但实际值情况相反；3表示模拟栅格为城市用地，且实际情况亦如此。
图图6LTM模型模拟结果误差空间分析图模型模拟结果误差空间分析图编码为编码为3的栅格数与的栅格数与1990-2005年城市空年城市空间扩展的实际栅格数量的比值即为模型模间扩展的实际栅格数量的比值即为模型模拟结果的正确率。
拟结果的正确率。
LTM模型对模型对1990-2005年年上海市城市空间扩展模拟的准确率为上海市城市空间扩展模拟的准确率为63.39%。
20城市空间扩展模拟结果检验城市空间扩展模拟结果检验1.
（2）Kappa系数系数Kappa系数是常用的评价空间模拟精度的指数系数是常用的评价空间模拟精度的指数，其定义如下：
TN：
TrueNegative，即实际没有发生变化，模型结果也未发生变化的栅格数目；FN：
FalseNegative，即实际没有发生变化，模型结果发生变化的栅格数目；FP：
FalsePositive，即实际发生变化，模型结果未发生变化的栅格数目；TP：
TruePositive，即实际发生变化，模型结果也发生变化的栅格数目；RN=TN+FP，即预测未发生变化的栅格数目；RP=FN+TP，即预测发生变化的栅格数目；SN=TN+FN，即实际没有发生变化的栅格数目；SP=FP+TP，实际发生变化的栅格数目；GT=TN+FN+FP+TP，所有的栅格数目。
21经计算，LTM模型模拟1990-2005年上海市城市扩展的Kappa系数为0.61。
计算结果与LTM模型自动生成的Kappa系数一致。
根据对Kappa系数值的评价，Kappa系数在0.410.60之间代表模型模拟的一致性程度为中等，在在0.610.80之间代表模型模拟的一致性程度为好之间代表模型模拟的一致性程度为好。
可见在本案例中，LTM模型模拟上海市城市空间扩展的一致性程度较好。
22（3）上海市城市空间扩展模拟与预测2、2020年上海市城市空间扩展预测使用PID法（principleindexdriver，PID）将研究区域的城市空间扩展在时间尺度上进行推演。
PID法利用初始时期的人口变化值和城市土地变化值，推导城市人口每增加1人所导致的由其他类型转化而来的城市土地增量，用栅格数/人表示。
进而推算出接下来某时期内新增加的城市土地数量，计算公式为：
式中U代表所在研究区域将来某一时期内增加的城市土地数量；dP/dt表示相应时期内增加的人口数量；A代表每增加1人需要增加占用的城市土地数量。
23（3）上海市城市空间扩展模拟与预测2、2020年上海市城市空间扩展预测1990-2005年间，上海市的城镇人口由868.73万人增加到1584万人，而该时期转化为城镇用地的土地栅格数量为34917个。
用PDI法可以得到城镇空间扩展与人口增长之间的单位数量关系，即205人人/栅格栅格。
依据2020年上海市城镇人口预测数据预测2020年上海市城镇空间扩展栅格数为55908个。
利用LTM模型以及GIS的空间分析功能，可以获得2020年上海市城市空间扩展的预测结果（图7）。
24图图72020年上海市城市扩展空间分布预测图年上海市城市扩展空间分布预测图25总总结结1、基于元胞自动机的城市生长模型原理与技术均较成熟，运行速度快且模拟精度整体较高，但是模型参数的确定较为困难。
2、基于神经网络的土地转化模型（LTM）的灵活性、可扩展性和可探索性较强，模型具有良好的操作性，但模型模拟的精度相对要低一些。
26Sleuth模型：
模型：
http:
/www.ncgia.ucsb.edu/projects/gig/v2/Dnload/download.htmLTM模型：
模型：
http:
/ltm.agriculture.purdue.edu/default_ltm.htm27Thankyou!
28
升级会员 