基于RS與GIS的城市邊緣空間擴張趨勢預測仿真

靳云龍,呂 靜,馮志佰,尹鈺博

(1. 吉林建筑大學建筑與規劃學院,吉林 長春130000;2. 長春師范大學地理科學學院,吉林 長春 130000)

1 引言

現階段,隨著我國經濟體的不斷發展及城市建設的不斷發展,城市和農村等地的土地利用動態都發生了巨大的變化。根據當地經濟體制的改革、工業、農業的生產方向變化,城市分化為中心體及邊緣體兩種形式。中心體一般位于城市的中心樞紐地帶,也是經濟發展的中心;而邊緣體位于邊緣地帶,是城市進行擴張建設的重點及利用點。對于存在發展目標的城市來說,邊緣體才是主要的開發對象,為保證空間擴張的準確性和有效性,根據近年來城市規劃目標,對可行范圍進行擴張預測。

文獻[1]提出一種基于空間區位條件的城市用地擴張預測算法。對待檢測區域的地質特征、面積、硬度以及濕度等屬性信息進行采集,利用聚類模型劃分相同屬性特征的區域,計算該區域值在時間序列下的熵值系數,得到下一時刻的狀態值。但是只考慮時間關系,預測結果會存在很大誤差;文獻[2]則提出一種多元主體視角下大城市邊緣區空間治理預測算法。設置包含多個主體的預測模型,計算待檢測區域作為模型主體時的向量完成預測。該方法沒有考慮到自然災害因素的影響,受干擾概率大,容易出現誤差影響。

基于上述問題,本文利用RS與GIS技術的數據采集特點,分析預測地的歷史數據變化,給出適配性最高的采集方案。根據數據的時序變化進行干擾項去噪,降低因外界風力、風向、暴雨、雷電以及人為因素的影響。建立預測空間,通過空間內包含的占地面積、預測地面積以及房屋數據的預測點,獲得狀態觀測序列實時狀態值,預測出每個數據的擴張比例系數。該方法可精準預測不同類型的目標數據,通過狀態序列獲取到的觀測數據時效性強,以空間模擬的形式減少普通算法容易出現的誤差影響。算法整體邏輯表達能力強,計算過程簡單易實現。

2 基于RS與GIS的城市邊緣數據采集與去噪

RS(Remote Sensing)遙感技術具有實時性強、檢測周期小、數據反饋速度快以及準確性高的特點[3],可為擴張預測方法提供強大的數據源支持。GIS(Geographic Information System)地理信息系統技術,具有覆蓋面積大的特點。本文結合這兩種技術進行趨勢預測,可實時掌握待預測土地的動態數據、擴張模式以及利用率指數等信息的變化,來計算模擬各個擴張關鍵參數的轉換特征,為后續的預測結果打下良好基礎。對于RS采集來說,不同的光譜顏色會帶來不同的采集效果,其關鍵參數如表1所示。

表1 RS遙感圖像關鍵參數

通過分析歷史地理信息數據庫中遙感圖像噪聲數據特點,參照國家給出的既定標準值,得出存在地理或天氣因素影響的遙感噪聲[4]為

(1)

公式中,ι表示去噪系數[5];C1表示地質災害引起的噪聲值;C2表示地形地貌引起的噪聲值;C3表示斷裂構造[6]引起的噪聲值;C4表示地震環境引起的噪聲值。根據該公式計算得出的調節系數ι即可實現精準去噪。

3 城市邊緣預測空間建立

預測空間是一種可以描述數據時間離散關系的空間,在該空間中可通過每個數據在時間序列[7]上的實時狀態閾值,來獲取下一時刻的狀態閾值。

假設,整個城市邊緣空間擴張的范圍為一個時間不變的線性變化現象,整體變化規律性較強,這樣就可通過CARAM(Content Addressable Random Access Memory)內容定址隨機存取存儲器模型進行具體描述[8],求得空間維度和時間序列等值,具體表達公式為

C(p-1)x(l)=A(p-1)y(l)+B(p-1)z(l)

(2)

或

(3)

式中,x(l)、y(l)、z(l)分別表示隨機模型的控制輸入值、輸出值和標準值;A(p-1)、B(p-1)、C(p-1)分別表示根據三個值檢測到的數據集序列;p-1表示后移算子;l表示空間維度[9]。

利用隨機模型并結合(2)、(3)描述預測空間中的數據時間序列

(4)

式中,α、β、χ、δ、ε均表示數據的時間序列向量值[10]?；诖?得到時間序列向量矩陣為

(5)

式中,ei、fi分別對應預測空間的各方位的信息響應域[11]及數據流域[12]。

對于屬于單方位響應序列中的數據,根據信息流變化規律推導得出控制輸入值x(l)、輸出值y(l)、標準值z(l)之間的流域關系,即

(6)

通過該公式得出的空間流域狀態ζ,能夠驗證式(5)向量矩陣的可行性。將歷史的擴張數據輸入到矩陣中,即可得到信息響應域及數據流域分布最為合理的預測空間。

4 城市邊緣空間預測算法實現

根據上述式(2)得出的CARAM隨機儲存模型,對預測空間中的待預測數據集序列A(p-1)、B(p-1)、C(p-1)進行實時狀態表達為

A′(p-1)=1+q1p-1+q2p-1+…+qnp-n-1

B′(p-1)=1+w1p-1+w2p-1+…+wnp-1n+1

C′(p-1)=1+r1p-1+r2p-1+…+rnpn+1

(7)

其數據節點間中的對應狀態如下

x(l+1)=αA′(l)+βy′(k)+χz′(k)

y(k)=x(l)+B′(l)=A′(l)+εC′(l)

(8)

待預測數據的時間序列的向量矩陣Q″為

(9)

利用數據數學歸納模型[13],將上述輸出值根據實際考察的屬性特征,例如占地面積[14]、預測地的面積以及城市數據量等,進行歸納輸出

(10)

式中,λki表示在預測空間k中的第i個待預測區域的實際占地面積;?ki表示在預測空間k中的第i個待預測區域的預測占地面積;ωi表示發展潛力權重[15];ρ表示城市邊緣空間擴張范圍內擴張比例系數。

5 仿真研究

5.1 仿真設置

仿真以某城市為研究對象,該城市人口約為205萬人,用于建設的用地面積約為89km2。近5年來,城市規模不斷擴張,已經從單方向轉為多方向快速發展,邊緣城市周圍多為耕地、林地、草地、水域以及山林等區域。

本次仿真將從中挑選最具有代表性的林地、耕地、以及水域覆蓋面積為評價指標,預測2021年6月以后,城市邊緣接下來10個月的擴張趨勢。將實際擴張數據作為參考值,與基于空間區位條件的擴張預測法、基于多元主體視角空間預測法進行對比分析。仿真數據均來自MYSQL數據庫中,其中包含各類RS與GIS地理數據,覆蓋面廣、數據容納量大,地域數據及原始面積如表2所示。

表2 擴張地域原始面積參數

5.2 城市房屋擴張趨勢可視化預測結果對比

采用RS圖像判定三種方法房屋擴張預測的結果,如圖1所示。

圖1 仿真預測結果

從圖1中可以看出,本文方法的擴張預測效果是最佳的,對比已擴張完成及正在擴張的區域,是與實際變化吻合度最高的,符合實際標準?；诳臻g區位條件的法整體預測的正在擴張趨勢過大;基于多元主體視角空間法則是預測的正在擴張趨勢過小,二者均與實際表達不一致。主要原因就是:傳統算法沒有考慮到外界風力、風向、暴雨以及大雪等天氣因素導致的噪聲問題,噪聲值會干擾算法對下一時刻擴張目標的判斷,增加預測誤差使得結果不理想。

5.3 林地、耕地、水域覆蓋面積擴張趨勢預測對比

三種方法對于林地、耕地以及水域覆蓋面積擴張趨勢預測精度如圖2～4所示。

圖2 林地擴張面積預測對比曲線

從圖2和圖3中可以看出,林地和耕地預測結果,本文預測曲線的波動趨勢及數值變化均與實測曲線基本保持一致,而另外兩種方法曲線變動幅度與實測表達不相符,差異較大。由于林地和耕地面積屬于一種肉眼可清晰觀測到的實質性擴張指標,變動的幅度會相對明顯一些,通過擴張的橫向范圍就可實現預測效果的準確判定。

圖3 耕地擴張面積預測對比曲線

由圖4可知,相比于林地及耕地的預測結果,三者均出現了不同程度的誤差,但相比之下,本文依然是其中與實測曲線貼合度最高的。之所以出現小幅度的誤差是因為:水域指標具有一定的不確定因素,天氣、溫度、濕度、光照等因素都會引起水域面積的變化,并且自然災害屬于直接影響因素是無法避免的,機器及人工都難以做到百分百判定,所以,水域變化預測存在較小誤差是可以接受的。

5.4 整體擴張方向預測對比分析

城市邊緣空間擴張方向也是趨勢預測的一項重要指標,基于該指標三種方法的預測結果如圖5所示。

圖5 整體擴張方向預測結果

從圖5中可以看出,本文預測結果和實測結果都偏向于東南方向,另外兩種方法則是均偏向于西北方向。由于擴張方向屬于一種線性判定指標,一旦預測前期判斷錯誤,后續就很難扭轉預測方向。二者算法由于前期預測目標定位不準確,導致整體的預測方向都跟隨線性發展。綜合結果判定,本文方法的預測精準度最高、性能表現最強,應用價值較高。另外兩種方法預測失誤還有一個原因就是:二者算法的預測重心主要著重于面積、距離、路徑以及深度這些顯現指標上,對于擴張方向這種虛擬性較強的參數不具備一定的勘測能力,受外界誤差影響過大且算法抗干擾能力差,受到風向、風力、暴雨、雷電以及大雪這些不定時的自然因素影響時,預測誤差過大。

6 結論

本文利用RS與GIS技術對數據捕捉的準確率高,覆蓋率大,數據儲存量高的特點,并根據數據之間的時序關系對其進行去噪處理。通過城市的地形結構特點,得出城市邊緣位置的信息熵值,對邊緣區域實現精準劃分,最終,在建立的預測空間內完成高效預測。本文方法對邊緣數據的特征分析能力較強,預測過程邏輯表達清晰,算法直觀、簡便、易實施,數據量耗用小。仿真結果表明,無論是從擴張的面積還是擴張的方向指標來看,本文預測算法表現結果最為優異,可行性和實用能力強。結合城市中心的發展概念,給出具體的擴張方向、擴張面積、擴張維度等實質指標及人口數量、GDP增長等虛擬指標是下一步的預測方向。