⚡ 电气工程

Urban Spatial Growth Modeling and Prediction using an Inte-grated Model of Artificial Neural Network and Cellular Au-tomata

本文提出了一种集成了人工神经网络与元胞自动机的模型，该模型结合了地理、地形及社会经济因素，旨在准确预测印度图图库迪县到2030年的未来城市增长与土地利用变化，以实现可持续规划。

原作者： Halimjon Khujamatov, Doston Khasanov, K. Mohaideen Pitchai, Salar Sefati

发布于 2026-10-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Halimjon Khujamatov, Doston Khasanov, K. Mohaideen Pitchai, Salar Sefati

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

城市是会呼吸、会扩张、会变化的生命体，其驱动力来自于人口的不断流动以及对家园、工作和道路的需求。当一座城市增长时，它不仅仅是变得更大；它还改变了其下方的土地本身，将田野变为社区，将森林变为停车场。为了在不破坏环境的情况下管理这种增长，规划者需要预见未来。他们需要知道城市下一步会向哪里扩张，以便保护水源、保留绿地，并在正确的地方建设基础设施。几十年来，科学家们一直试图构建能够充当“水晶球”的计算机模型，利用地图和数据来猜测城市的演变。这些模型通常一次只观察一个因素，例如某块土地距离道路有多近，或者山坡有多陡。然而，现实中的城市是混乱且复杂的。一块土地可能平坦且靠近道路，但如果土壤贫瘠或该区域已经过于拥挤，它可能并不会变成城市。现有的工具往往忽略了这些微妙的联系，将城市视为简单部分之和，而非复杂的关系网络。

在最近一项针对印度南部图图库迪县（Thoothukudi District）的研究中，研究人员构建了一种新型数字模型来解决这个问题。他们希望创建一个能够理解地理、地形和人类经济如何协同作用以驱动城市扩张的系统。他们没有将这些因素分开观察，而是结合了两种强大的计算机技术。第一种技术被称为元胞自动机模型（cellular automata model），它将地图分解成由微小方格（即“元胞”）组成的网格，并应用简单的规则来观察它们随时间的变化。第二种技术是人工神经网络（artificial neural network），它像是一个学习机器，通过研究过去的模式来理解支配这些变化的复杂规则。通过将这两种方法交织在一起，研究人员创建了一个混合模型，该模型既能从历史中学习，又能比以往更详细地模拟未来。

团队首先收集了2016年至2025年间图图库迪的卫星图像。他们对这些图像进行了清理，以去除云层和大气雾霾，然后使用计算机将地图上的每个像素归类为四种类别之一：城镇用地、植被、水域或裸露土壤。随后，他们将其简化为二元视图，将所有非城市区域归为“非城镇”类别。为了教会模型如何进行城市扩张，他们输入了广泛的信息。他们观察了每块土地距离市中心、道路、铁路和水源的距离。他们还检查了土地的物理形状，包括坡向、土壤类型和洪水风险。最后，他们加入了人类因素，例如周边人口数量、与经济中心的距离以及土地本身的价值。

他们新系统的核心是一个学习过程。人工神经网络研究历史数据，以找出究竟是哪些因素的组合导致了新的建设。它学到了一点：一块靠近道路的土地并不自动注定成为城市；这还取决于土壤质量、当地人口密度和分区规则。一旦计算机学会了这些模式，它就会将这些知识传递给元胞自动机模型。系统的第二部分随后运行了数千次模拟，将学到的规则应用于网格元胞，以观察城市随时间扩张的过程。该模型并非仅仅是在猜测；它计算了地图上每一个元胞的概率，根据神经网络识别出的复杂因素组合，决定该元胞会保持为田野还是转变为建筑。

当研究人员使用图图库迪在2016年至2025年间的实际变化来测试他们的模型时，其表现显著优于传统方法。传统的建模方式通常依赖于简单的加权评分，其预测正确变化的案例比例约为82%。然而，这种新型混合模型的百分比正确匹配率（PCM）达到了91.4%，表明预测结果与实际城市转型之间具有高度的一致性。它在捕捉城市增长形态方面也做得更好。真实的城市倾向于呈集群式增长，即新建筑出现在现有建筑附近，而不是随机扩散。新模型成功重现了这种集群模式，显示出与现实高度的空间一致性。相比之下，旧模型往往会产生更为分散、不切实际的模式。

研究还观察了土地已经发生的变化。在两个时期之间，该地区的城镇用地面积从总面积的18.4%增长到了27.9%。这种扩张主要以牺牲植被为代价，植被减少了近8%，地表水也萎缩了2%以上。模型证实了城市正在侵蚀自然景观，将田野和森林转化为混凝土和沥青。通过准确了解这种转化最可能发生的地方，研究人员现在可以预测该地区在2030年的景象。他们的模拟表明，如果不进行干预，城市扩张将继续向外推移，进一步减少对当地生态系统至关重要的绿地和蓝地（水域）。

这项工作为城市规划者提供了一种更可靠的预见未来的方式。通过将学习机器寻找隐藏模式的能力与基于网格模拟的结构化逻辑相结合，研究人员创建了一个将城市视为整体的工具。它承认城市的增长不仅仅是关于到道路的距离或山坡的坡度，而是多种力量的复杂相互作用。该模型提供了一幅清晰的城市可能走向何方的图景，为官员们提供了所需的信息，使他们能够做出平衡发展与环境保护的决策。虽然该模型是一种模拟而非必然的预言，但其高准确性表明，它是理解我们的城市将如何塑造周围世界的一个强有力的进步。

技术摘要：基于人工神经网络与元胞自动机集成模型的城市空间增长建模与预测

问题陈述
人口增长和人口迁移驱动的快速城市化，使得有效的监测与预测空间转型工具变得至关重要，以确保可持续的城市管理。尽管目前存在多种建模技术，但作者指出现有文献中存在显著局限性。大多数现有模型孤立地分析地理、地形或社会经济因素，忽略了它们之间复杂的相互关系。此外，传统的元胞自动机（CA）模型通常依赖于简化的转换规则，仅考虑相邻元胞的当前状态以及单一指数（即可达性或适宜性之一），这导致在多样化的城市环境中准确度降低。此外，许多研究缺乏高分辨率数据集成，未能考虑分区约束，或依赖于缺乏解释性的“黑箱”预测。

方法论
本文提出了一种结合人工神经网络（ANN）与元胞自动机（CA）的集成混合模型，以解决上述差距。研究重点关注印度泰米尔纳德邦的图图库迪县（Thoothukudi District），利用 2016–2020 年的 Sentinel-2 卫星图像进行训练，2021–2025 年的图像进行验证，并对 2030 年进行预测。

研究方法通过以下阶段进行：

数据预处理与分类：
- 对原始卫星图像进行大气、辐射和几何校正。
- 使用最大似然分类法（MLC）将图像分为四类土地利用/土地覆盖（LULC）：城镇用地、植被覆盖、地表水和裸土。
- 将这些类别重新分类为二元方案：“城镇”和“非城镇”（合并植被、水体和裸土）。
- 提取六个空间变量来表征城市增长：距城市中心距离、道路网络、铁路、水资源、城镇中心以及邻里发展强度。
混合 CA 模型设计：
CA 模型通过计算每个元胞 $(x,y)$ 在时间 $t$ 的三个不同指数来模拟城市增长：
- 可达性指数 ( $AI_t$ )： 利用 ANN 根据地理因素（邻近变量）得出。
- 适宜性指数 ( $SI_t$ )： 利用 加权平均法 根据地形因素（坡向、土壤类型、地下水质量、洪水淹没）得出。
- 分区指数 ( $ZI_t$ )： 利用 逻辑回归 根据社会经济因素（人口密度、距经济中心距离、土地价值）得出。
- 转换规则： 元胞从非城镇向城镇转换的概率由一个结合了这三个指数、邻里影响（冯·诺依曼邻域， $N=4$ ）以及模拟现实扩散的随机扰动项（ $SDT$ ）的函数决定。
ANN 架构与训练：
- 使用带有反向传播的多层前馈神经网络来校准 CA。
- 架构： 输入层（8 个神经元）、两个隐藏层（各 16 个神经元）以及一个输出层（1 个神经元，使用 sigmoid 激活函数）。
- 激活函数： 隐藏层采用 修正线性单元（ReLU） 激活机制，而输出层采用 sigmoid 激活函数来生成可达性指数。
- 训练： 网络使用 70% 的数据进行训练，15% 用于验证，15% 用于测试。优化过程使用 Adam 算法，学习率为 0.001，损失函数为二元交叉熵。应用 Dropout 正则化（0.2）以防止过拟合。
评估指标：
模型性能通过以下指标进行评估：
- 分类准确度： 混淆矩阵、总体准确率（Overall Accuracy）和 Kappa 系数。
- 预测性能： 正确匹配百分比（PCM）、莫兰空间自相关指数（Moran's Spatial Autocorrelation Index）和香农熵（Shannon's Entropy）。
- 敏感性分析： 对转换阈值（ $T$ ）和随机扩散参数（ $\alpha$ ）进行评估。

核心贡献

集成框架： 本文引入了一个统一的模型，能够同时将地理、地形和社会经济因素纳入单个转换函数中，超越了以往研究中孤立因素分析的方法。
混合 ANN-CA 校准： 利用 ANN 生成可达性指数，使得模拟非线性空间相互作用和邻里驱动的转换成为可能，改进了传统依赖固定加权叠加的多准则评价（MCE）方法。
“灰色”状态分区： 模型引入了“灰色”状态概念，其中元胞持有 0 到 1 之间的数值，代表部分开发或开发可能性，而非二元的“黑/白”状态。这实现了更细致的城市增长分区可视化。
全面验证： 研究采用了一套稳健的指标，包括空间自相关和熵，来验证分类准确度和预测的增长形态。

结果

分类准确度： LULC 分类的总体准确率达到 91.25%，Kappa 系数为 0.88。
预测性能： 所提出的 CA-ANN 模型在所有指标上均优于传统的基于 MCE 的模型：
- 总体准确率： 95.5% (CA-ANN) vs. 84.6% (MCE)。
- Kappa 系数： 0.88 (CA-ANN) vs. 0.74 (MCE)。
- 正确匹配百分比 (PCM)： 91.4% (CA-ANN) vs. 82.1% (MCE)。
- 莫兰指数： 0.81 (CA-ANN) vs. 0.69 (MCE)，表明具有更强的空间聚集性和更真实的城市形态。
土地利用趋势： 在 2016 年至 2025 年间，城镇土地覆盖率从 18.4% 增加到 27.9%，主要以植被覆盖（从 46.2% 降至 38.5%）和地表水的减少为代价。
敏感性分析： 当转换阈值（ $T$ ）为 0.5 且随机扩散参数（ $\alpha$ ）为 2.0 时，达到最佳性能。

意义与主张
作者声称，与现有方法相比，所提出的集成 CA-ANN 模型提供了一个更准确、更具解释性且更具政策相关性的城市预测工具。通过解决孤立因素分析和简化 CA 规则的局限性，该模型提供了对城市扩张动态的现实模拟。由此产生的 2030 年预测可作为可持续土地利用管理、基础设施建设和环境保护的决策支持工具。该研究强调，该框架可以有效捕捉城市蔓延的规模和空间特征，从而有助于缓解计划外的城市化进程。

类似论文