基于粒子滤波算法的CA-MAS模型优化及建设用地扩张模拟研究

Urban land expansion is a complex progress under the impacts of natural, social and economic factors during rapid urbanization. Simulating the development patterns of urban land can help to slove many problems brought by unreasonable land planning. In the traditional model, the model parameters and the simulated results can not be adjusted and optimized respectively. The simulation error accumulated rapidly with time, resulting in the decrease of accuracy. By selecting Pudong district as a case, this project mainly does research on optimizing the Cellular Automata-Multiple Agent System (CA-MAS) model for urban land expansion simulation by integrating observation and simulation data with data assimilation method. In order to improve the precision of simulation, particle filter method is used to optimize the parameters of the coupling model and minimize the uncertainty of observations. Additionally, by setting quantitative parameters, the coupling model can be used to simulate the process of urban land expansion under different policy and management senarios, in order to provide scientific implications for new urbanization strategy. In this research, we will precise the urban land expansion simulation and prediction，develop the new applications of the data assimilation method in geographical science, provide a new idea for improving the simulation of urban land expansion, and give theoretical and practical support for urban planning and decision making.

建设用地扩张是在自然、社会、经济等多种要素相互作用下的复杂动态时空过程，对其进行精确模拟能够把握未来城市建设的发展形态，防止不合理的土地规划和政策带来的一系列问题。在传统模型中，模型参数和运行规则等无法实现动态调整和优化，观测和模拟误差随时间不断积累且无法释放，导致精度下降。本研究选取上海浦东为研究区，在耦合元胞自动机和多智能体模型 (CA-MAS) 的基础上，综合利用模型模拟和遥感观测数据信息，采用粒子滤波同化方法优化模型参数，并减小和控制模型不确定性和累积误差，提高模型的模拟精度。基于优化的模型，通过设定发展目标和调整模型参数，定量模拟出研究区在未来不同政策和管理方案下建设用地扩张的过程，为政府进行新型城镇化战略提供科学依据。本研究开拓了数据同化在建设用地扩张模型中的新应用，为提高建设用地扩张模拟精度提供了一种新思路，丰富和发展了城市模型和城市化研究的相关方法。

建设用地扩张是在自然、社会和经济等多种要素相互作用下的复杂动态时空过程，带来各种生态环境效应，因此对建设用地扩展的模拟值得深入研究。在传统的城市扩展模型中，模型参数和运行规则等难以动态调整和优化，导致精度下降。本项目以上海-杭州湾城市群为例，将不同来源、不同多分辨率遥感影像提取的建设用地观测数据融合到模型的动力框架中，搭建了较为完备的多源数据库。针对传统模型中参数和运行规则等无法实现动态调整和优化等问题，引入朴素贝叶斯算法到传统CA等模型中，通过调整和优化模型的转换规则和参数，更新模型的知识和信息，得到了更精确的建设用地分布信息。研究基本达到预期目标，通过与传统模型结果进行对比，证实该方法能显著提高建设用地扩展的预测和模拟精度。在此基础上，评估了生态用地红线等多种决策对城市发展带来的影响，为城市管理提供基于情景分析的决策支持。同时，课题组创新地提出以粒子滤波方法优化隐形马尔科夫模型，用以提高区域生态健康模型的模拟和预测精度。此外，本项目还引入机器学习等方法追踪经济和社会发展条件不断变化下的城市化时空过程和驱动机制，关注长时间序列的城市化及其带来的生态、环境和社会效应，探讨了城市化与生态服务价值的权衡协同关系，评估了城市发展过程中经济-社会-自然三者之间协调发展程度，证实了经济发展与生态保护之间的非对抗关系。本研究开拓了丰富和发展了城市研究的相关模型和方法，研究结果也提示政府和管理部门应当制定更为合理的土地利用规划政策和更加严格的环境监管政策以期实现城市发展和生态保护共赢的局面。在本项目的资助下，课题组人员积极参与中国地理学年会、生态学年会以及遥感与GIS 等方面的国内外学术会议，并多次受邀在国内外讲学及做报告，与国内外相关研究机构建立了良好的合作关系，并建立了定期的学习和交流制度，合作发表多篇创新性研究成果。