本发明属于地理信息领域，涉及基于分区和改进cnn-ca模型的城市动态扩张模拟方法。
背景技术：
元胞自动机(cellularautomata,ca)是一种时间、空间、状态都离散，空间相互作用和时间因果关系都为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。ca的核心问题是获取有效的转换规则。如今有许多城市扩张模拟方法和模型，例如逻辑回归、人工神经网络和随机森林算法等与ca模型耦合。逻辑回归能解释驱动因子对城市扩张模拟的重要性，但处理非线性、复杂的扩张模拟变化时模拟精度较低。人工神经网络在该方面优于逻辑回归，但神经网络属于黑箱模型，具有不可解释性。随机森林算法基于集成学习的思想，与城市扩张模拟应用场景十分契合，能够获得较好的模拟结果，还能度量驱动因子的贡献度。这些算法仅仅通过单一元胞的驱动因子评估得出城市发展适宜性，由于空间异质性的存在，往往模拟精度较低。另一方面，这些方法通常考虑各种驱动因子(地理条件、社会经济因素等)对城市扩张的影响，在邻域效应方面存在一定的缺陷。ca中的邻域效应也只是简单的定量表示。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于分区和改进cnn-ca模型的城市动态扩张模拟方法。
为达到上述目的，本发明提供如下技术方案：
基于基于分区和改进cnn-ca模型的城市动态扩张模拟方法，该方法包括以下步骤：
s1：对研究区域进行分区；
s2：建立改进cnn模型；
s3：将改进cnn与ca模型耦合。
可选的，所述s1具体为：
s11：在行政区划尺度根据人均gdp、人口密度、第一产业率、第二产业率和第三产业率等基于k-means进行粗分区，得到初步分区结果；
s12：在元胞尺度根据驱动因子基于k-means进行细分区，得到初步分区结果；
s13：统计每个元胞邻域范围内的元胞变化数量得到扩张速率，以此基于k-means进行分区，得到初步分区结果；
s14：将上述分区结果进行叠置分析，得到综合分区结果。
可选的，所述s2具体为：
根据基期年和末期年的土地利用数据得到城市变化数据，与相应的驱动因子数据构建统一的数据集。以每个元胞为中心，提取邻域范围为20×20的图片，并进行随机分层抽样。将抽样后的数据集输入cnn模型训练并调优。在训练好后的cnn模型架构中用xgboost取代softmax分类器，最终得到城市发展适宜性。
可选的，所述s3具体为：
ca模型中每个元胞的总体转换概率由四个部分组成：城市发展适宜性ps、邻域效应ω与约束条件pc和随机因子ra；城市发展适宜性通过改进cnn模型计算得到；邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用；具体表现为中心元胞n×n邻域范围内城市元胞的密度；元胞i在时刻t的邻域效应表示为：
其中
限制因素约束了特殊土地利用类型向城市的转换；限制因素表示为：
其中当元胞i在时刻t满足扩张约束条件时，con()取值为1，否则取值为0；ra为0-1之间的随机数。元胞i在时刻t的总体转换概率表示为：
在每次迭代中计算每个元胞的总体转换概率，并根据概率值选择最大的前n个非城市元胞进行转换。根据基期年和末期年的土地利用变化数据得到城市扩张量m，模型迭代次数则为
本发明的有益效果在于：首先在大尺度上对研究区域进行粗分区，在元胞尺度上根据相应的驱动因子进行细分区。考虑到元胞邻域范围内的变化程度，再在元胞尺度根据发展速率进行细分区。将不同分区结果进行叠置分析得到综合分区结果，使子区域内具有相似的空间属性与非空间属性，解决空间异质性问题。通过cnn提取深层次的邻域特征，并使用基于集成学习的xgboost代替softmax分类器，提高模型的模拟精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为改进cnn-ca模型结构；
图2为分区流程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
1基于分区和改进cnn-ca模型的城市动态扩张模拟方法
本发明提出的模型由分区处理与改进cnn-ca模型组成。
分区流程如图1所示。具体过程如下：(1)在行政区划尺度根据人均gdp、人口密度、第一产业率、第二产业率和第三产业率等基于k-means进行粗分区，得到初步分区结果；(2)在元胞尺度根据驱动因子基于k-means进行细分区，得到初步分区结果；(3)统计每个元胞邻域范围内的元胞变化数量得到扩张速率，以此基于k-means进行分区，得到初步分区结果；(4)将上述分区结果进行叠置分析，得到综合分区结果。在各个子区域内分别构建改进cnn-ca模型。
改进cnn-ca模型结构如图2所示。具体过程如下：
根据基期年和末期年的土地利用数据得到城市变化数据，与相应的驱动因子数据构建统一的数据集。以每个元胞为中心，提取邻域范围为20×20的图片，并进行随机分层抽样。将抽样后的数据集输入cnn模型训练并调优。在训练好后的cnn模型架构中用xgboost取代softmax分类器，最终得到城市发展适宜性。
ca模型中每个元胞的总体转换概率由四个部分组成：城市发展适宜性ps、邻域效应ω与约束条件pc和随机因子ra；城市发展适宜性通过改进cnn模型计算得到；邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用；具体表现为中心元胞n×n邻域范围内城市元胞的密度；元胞i在时刻t的邻域效应表示为：
其中
限制因素约束了特殊土地利用类型向城市的转换；限制因素表示为：
其中当元胞i在时刻t满足扩张约束条件时，con()取值为1，否则取值为0；ra为0-1之间的随机数。元胞i在时刻t的总体转换概率表示为：
在每次迭代中计算每个元胞的总体转换概率，并根据概率值选择最大的前n个非城市元胞进行转换。根据基期年和末期年的土地利用变化数据得到城市扩张量m，模型迭代次数则为
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
1.基于分区和改进cnn-ca模型的城市动态扩张模拟方法，其特征在于：该方法包括以下步骤：
s1：对研究区域进行分区；
s2：建立改进cnn模型；
s3：将改进cnn与ca模型耦合。
2.根据权利要求1所述的基于分区和改进cnn-ca模型的城市动态扩张模拟方法，其特征在于：所述s1具体为：
s11：在行政区划尺度根据人均gdp、人口密度、第一产业率、第二产业率和第三产业率等基于k-means进行粗分区，得到初步分区结果；
s12：在元胞尺度根据驱动因子基于k-means进行细分区，得到初步分区结果；
s13：统计每个元胞邻域范围内的元胞变化数量得到扩张速率，以此基于k-means进行分区，得到初步分区结果；
s14：将上述分区结果进行叠置分析，得到综合分区结果。
3.根据权利要求1所述的基于分区和改进cnn-ca模型的城市动态扩张模拟方法，其特征在于：所述s2具体为：
根据基期年和末期年的土地利用数据得到城市变化数据，与相应的驱动因子数据构建统一的数据集；以每个元胞为中心，提取邻域范围为20×20的图片，并进行随机分层抽样；将抽样后的数据集输入cnn模型训练并调优；在训练好后的cnn模型架构中用xgboost取代softmax分类器，最终得到城市发展适宜性。
4.根据权利要求1所述的基于分区和改进cnn-ca模型的城市动态扩张模拟方法，其特征在于：所述s3具体为：
ca模型中每个元胞的总体转换概率由四个部分组成：城市发展适宜性ps、邻域效应ω与约束条件pc和随机因子ra；城市发展适宜性通过改进cnn模型计算得到；邻域效应代表n×n邻域范围内的中心元胞与周边元胞的相互作用；具体表现为中心元胞n×n邻域范围内城市元胞的密度；元胞i在时刻t的邻域效应表示为：
其中
限制因素约束了特殊土地利用类型向城市的转换；限制因素表示为：
其中当元胞i在时刻t满足扩张约束条件时，con()取值为1，否则取值为0；ra为0-1之间的随机数；元胞i在时刻t的总体转换概率表示为：
在每次迭代中计算每个元胞的总体转换概率，并根据概率值选择最大的前n个非城市元胞进行转换；根据基期年和末期年的土地利用变化数据得到城市扩张量m，模型迭代次数则为
