基于智能空间聚类和GPU计算的大尺度城市扩张模拟研究

Nowadays, China is in a period of rapid urbanization, it mainly shows the fast urban expansion phenomenon in geospatial. Modeling, Simulating and predicting these urban expansion phenomenon in large-scale areas is a significant method to understand and grasp the laws, patterns, processes and trends in such expansion, also it has important significance in the researches of intensive use of land resources, food security, carbon cycle and other related fields. However, there needs more deeply researches in spatial partition strategy, scale effects and the computation efficiency. This study intends to improve above shortages, establish theoretical framework and technology system of large-scale urban expansion simulations, which could support such complex space-time process researches. The study includes: (1) propose a better spatial partitioning strategy, which introduces intelligent algorithms and socio-economic factors to spatial clustering algorithm. (2) research the spatial scale effects of model parameters, simulation accuracy, error and uncertainty in large-scale urban expansion simulations. (3) introducing the GPU high-performance computing technology, it could construct a parallel cellular automata model based on large-scale data block. The results of this research could effectively support large-scale urban expansion simulations, as well as provide theories, methods and technical support for such simulations.

我国正处于快速城市化时期，在地理空间上主要表现为急剧的城市扩张现象，对大尺度区域城市扩张现象进行地理模拟和预测能够了解和掌握大尺度区域的城市扩张规律，及其发展的格局、过程和趋势，对土地资源集约利用、粮食安全、碳循环等方面的研究都具有重要的意义。然而大尺度城市扩张模拟在分区模拟策略、数据粒度效应影响和模拟运行效率等方面的研究还尚待完善。本研究拟针对上述不足，提出建立大尺度城市扩张模拟的理论框架和方法技术体系，为有效模拟该时空过程提供支持。研究内容包括：（1）引入智能算法及社会经济因素到空间聚类算法中，提出合理的空间分区策略。（2）研究空间数据粒度对大尺度城市扩张模拟的模型参数、模拟精度、误差和不确定性等方面的影响。（3）引入GPU高性能计算技术，构建基于数据分块的大尺度并行元胞自动机模型。本项目的研究成果能够有力支持大尺度区域的城市扩张模拟，同时为相关的大尺度地理模拟提供理论和方法技术支撑。

快速城市化引起的城市扩张是我国自改革开放以来发生的显著地理现象和过程。通过元胞自动机理论对城市扩张现象进行地理模拟和预测能够获取该区域的城市扩张规律、发展格局、过程和趋势，对土地资源集约利用、粮食安全、生态环境保护、碳循环等方面的研究都具有重要的意义。目前大尺度的城市扩张模拟在分区策略、尺度效应影响和模拟运行效率等理论与方法方面的研究还有待完善。本项目针对上述不足，主要研究了以下内容：（1）智能空间聚类算法。引入基于人工神经网络的非线性分类模型SOFM，能够自动、科学地划分出空间连续而属性特征不同的子区域。其分区结果能够有效区分具有不同城市扩张规律的分区，从而提高模拟的精度。（2）大尺度城市扩张模拟的尺度效应。研究结果表明尺度效应主要表现为最小可变面元问题（MAUP），其在CA模拟时是客观存在的，且会对模拟结果造成影响。研究时应进行系统的敏感性分析，获取其对研究问题的影响，寻找适宜的研究粒度和分区方案。本研究中粒度效应呈现明显的尺度阈值，尺度域内的拟合优度和模拟精度较为稳定。该尺度阈值与景观指数的尺度阈值一致，反映了景观对象大小对城市扩张的重要影响。良好的划区方案能够提高拟合优度和模拟精度，其划区方案应使区域内城市扩张规律差异最小，区域间城市扩张规律差异最大。（3）基于GPU的大尺度并行元胞自动机模型。通过改进CUDA环境下GPU-CA模型的内存数据存储与交互策略，进一步提高了并行模拟的时间加速比，能够在保证模拟结果有效性的同时更大程度地提高计算效率。同时该模型基于主流的GPU通用计算平台，具有计算成本低、计算密度高、安装部署容易等优点，是较适宜进行大规模地理模拟的计算模型。本项目的研究成果形成了一套较为完整的大尺度城市扩张模拟理论框架和方法技术体系，能够为大尺度、高精度的土地利用变化模拟提供理论和方法技术支撑，服务于城市规划、全球环境变化等研究领域。