LTM模型

9
2、基于GIS与LTM模型的上海市城市扩展模拟与预测 、基于 与 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、 建成区、 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 公路 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 选择城市人口数量 城市人口数量 展的规模。
图5 城市扩展可能性空间分布图
18
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 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6 LTM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
TN：True Negative，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：False Negative，即实际没有发生变化，模型结果发生变化的栅格数目； FP：False Positive，即实际发生变化，模型结果未发生变化的栅格数目； TP：True Positive，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。
26
Sleuth模型： 模型： 模型 /projects/gig/v2/Dnloa d/download.htm LTM模型： 模型： 模型 /default_ltm.htm
图6 LTM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
20
城市空间扩展模拟结果检验
(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： 系数是常用的评价空间模拟精度的指数
TN TP SN RN SP RP + • + • − GT GT GT GT GT GT Kappa = SN RN SP RP 1− • + • GT GT GT GT
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199.45 km2 增加到596.11 km2， 两者的相关系数为0.8561。 两者的相关系数为
7
(2) 土地转化模型（LTM） 土地转化模型（ ）
土地转化模型(land transformation model ,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。
8
LTM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(Principle Index Driver，PID) 预测特 定时间尺度上的城市空间扩展情况。
16
1990~2005年上海市城市空间扩展栅格数为34917个。
年城市扩展遥感监测结果与LTM模拟结果对比图 图4 1990~2005年城市扩展遥感监测结果与 年城市扩展遥感监测结果与 模拟结果对比图
17
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。
3
1、ANN和土地转化模型（LTM） 、 和土地转化模型（ 和土地转化模型 ）
(1) 人工神经网络ANN简介 人工神经网络(artificial neural networks ，ANN) 是在现代神经科学研究基础上发展起来的模拟人 模拟人 脑思维方式的复杂网络系统，是人工建立的以有 脑思维方式 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。
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0.41~0.60之间代表模型模拟的一致性程度为中等， 之间代表模型模拟的一致性程度为好。可见 在0.61~0.80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 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。
5
可推广性：神经网络不仅能记忆训练数据模式， 可推广性 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 。
6
BP算法 算法由于其优良的非线性逼近能力，已经成为目前应 算法 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。
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(principle index driver ，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：
（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100m×100m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）。
24
图7
2020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 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。
12
图2 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。
10
（2）数据处理
1、土地利用数据 上海市土地利用数据（图１）是基于1990和2005年Landsat TM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７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。
11
图1 1990和2005年上海市土地利用类型空间分布图 和 年上海市土地利用类型空间分布图
4
ANN的应用范围和特点
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 。
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1990~2005年上海城 市空间扩展模拟，训练次数均为250000次。 首先得到1990~2005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 模拟模拟结果检验
(1)模拟结果精度 模拟结果精度 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。
编码为3的栅格数与 编码为 的栅格数与1990-2005年城市空 的栅格数与 年城市空 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。 模型对1990-2005年 拟结果的正确率。LTM模型对 模型对 年 上海市城市空间扩展模拟的准确率为 63.39%。
dP U (t ) = × A(t ) dt