一种基于CNN、GCN的生态约束校准方法、终端设备及介质

摘要: 本发明涉及城市演化领域,尤其涉及一种基于cnn、gcn的生态约束校准方法、终端设备及介质。背景技术:1、在全球气候变化和快速城市化的双重背景下,城市扩张与自然生...
一种基于CNN、GCN的生态约束校准方法、终端设备及介质

本发明涉及城市演化领域,尤其涉及一种基于cnn、gcn的生态约束校准方法、终端设备及介质。

背景技术:

1、在全球气候变化和快速城市化的双重背景下,城市扩张与自然生态空间之间的复杂耦合与互馈过程持续引发广泛关注。城市居民高度依赖自然生态系统所提供的多种关键生态系统服务,比如水源涵养、土壤保持、水质净化与生物多样性维持。然而,由土地市场驱动的城市蔓延不断加剧资源和环境压力,导致生境丧失、水体污染、城市热岛效应和土壤侵蚀等突出问题。因此,城市发展亟需在空间格局上保留关键生态资源,以保障生态系统服务的持续供给;与此同时,也应该尽量降低对于自然生态系统的干扰。

2、在这一过程中,生态系统服务的相互作用及其流动性与城市扩张之间具有高度相关性。城市蔓延将显著改变甚至破坏生态系统服务的协同和权衡关系,从而影响生态系统的稳定性。与此同时,生态系统服务流在时空尺度上的动态转移也决定了城市发展所面临的生态约束的强度和范围。社会系统和生态系统之间复杂的互动与权衡,迫切需要依托有效的空间规划工具加以支撑与引导。当前,许多城市化区域面临土地资源匮乏和生态环境脆弱的双重挑战,如何在生态系统服务重要性约束下准确预测城市生长的时空格局,至关重要。

3、精确复现土地利用的历史变化并预测其未来演变,是探索城市扩张模式的核心议题之一。伴随地理信息系统(gis)的迅猛发展,元胞自动机(ca)与之深度融合并在表达土地利用变化的时空过程方面展现出巨大潜力。现有元胞自动机建模研究主要聚焦于探讨转换规则、邻域效应和元胞构型等因素如何影响城市空间形态演化。近年来,城市元胞自动机在揭示城市生长的内在规律方面取得了显著进展,尤其是在土地需求的内部差异性、驱动力因素的邻域影响等方面。城市发展本质上是一个复杂的非线性系统,其自下而上的演化过程在空间上展现出自发生长与自组织生长交织的特性。然而,现有研究通常忽视了一些系统内生的潜在约束在城市扩张中的作用,特别是复杂生态环境因素在深度和广度上对这些约束形成过程的影响。

4、硬约束机制在城市元胞自动机建模中发挥了重要作用,尤其在限制土地利用类型转化方面。该机制采用布尔约束策略,通过将约束值设为0或1来控制元胞状态是否发生变化。例如,sleuth模型在输入层设计了排除层,用于定义不可能发生城市化的区域。在水体、优质农田、生态红线区和城市规划管控区,硬约束机制对城市演化的影响直接且有效。然而,由于生态因子存在显著的空间异质性,硬约束机制无法有效避免保护区外的城市扩张带来的生态损失。如何在这种背景下调整城市发展政策,仍是规划者面临的关键问题。

5、一些研究通过设定约束值范围(如[0,1])来构建软约束规则,使元胞状态的变化更加灵活。当软约束值接近0时,元胞状态几乎不发生转化;接近1时,则完全支持元胞的发展。软约束值可以是连续的或分段的,从而在土地利用变化模拟中提供更多的调节空间。近年来,软约束机制逐渐融入生态因子,增强了元胞自动机在城市生长模拟中的应用。尽管软约束机制更具适应性,但如何准确捕捉生态因子在多尺度时空下对城市发展的影响,仍是构建生态软约束规则的挑战。

6、当前,许多研究已应用硬约束或软约束机制进行基于生态保护视角的情景模拟。尽管如此,基于生态约束的城市元胞自动机建模大多聚焦于未来发展情景的投影。由于生态约束机制往往带有预设目标,其设计过程更多受到人为因素影响,且许多生态约束的获取过程较为主观或武断。回顾城市发展历程,其时空演化轨迹实际上是在特定自然生态资源供给与城市居民需求之间不断协调的过程中动态呈现的。这表明,城市历史发展过程中蕴含了特定的生态约束机制。因此,如何自动化获取这些生态约束规则,已成为城市元胞自动机建模中的关键科学问题之一。

技术实现思路

1、为了解决上述问题,本发明提出了一种基于cnn、gcn的生态约束校准方法、终端设备及介质。

2、具体方案如下:

3、一种基于cnn、gcn的生态约束校准方法,包括以下步骤:

4、s1:构建生态软约束模型,通过生态软约束模型预测待研究区域各像元被开发为城市用地的生态软约束概率;

5、生态软约束模型包括卷积神经网络模块、改进的图卷积神经网络模块和概率耦合模块;

6、设定模型输入数据为待研究区域的地形因子和生态因子;

7、卷积神经网络模块接收模型输入数据后输出各像元被开发为城市用地的第一预测概率;

8、改进的图卷积神经网络模块首先通过超像素生成算法将模型输入数据分割为若干个超像素后,将超像素作为图顶点输入传统图卷积神经网络;之后在传统图卷积神经网络的线性层之前添加解码器,以将卷积层输出的超像素尺度的特征转换为像素尺度的特征;最后将传统图卷积神经网络的输出作为各像元被开发为城市用地的第二预测概率;

9、概率耦合模块用于将第一预测概率和第二预测概率耦合为生态软约束概率;

10、s2:基于待研究区域的地形因子、生态因子和驱动因子,通过城市元胞自动机模型得到各像元被开发为城市用地的元胞转换发生概率;

11、s3:元胞转换发生概率与生态软约束概率的乘积作为待研究区域各像元被开发为城市用地的最终概率。

12、进一步的,地形因子包括高程和坡度,生态因子包括:水源涵养服务重要性、水土保持服务重要性、生物多样性维护服务重要性、土壤肥力和ndvi。

13、进一步的,驱动因子为基于距离的变量,包括:离城市中心的距离、离城镇中心的距离、离高速公路的距离、离铁路的距离、离主要道路的距离、离火车站的距离以及离海岸线的距离。

14、进一步的,生态软约束概率的计算公式为:

15、pesc=pcnn×(psgcn)γ

16、其中,pesc表示生态软约束概率,pcnn表示第一预测概率,psgcn表示第二预测概率,γ表示变换指数。

17、进一步的,将超像素作为图顶点时,顶点的特征以对应超像素包含的所有像元的平均值进行表征。

18、一种基于cnn、gcn的生态约束校准终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

19、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

20、本发明采用如上技术方案,与广泛使用的ann-ca模型相比,演化效果更准确。本发明采用的模型(ann-sgcnn-ca)在fom和recall-based efficacy指标方面分别取得了5.60%和7.0%的提升,此外,与通过卷积神经网络校准生态软约束规则的ann-cnn-ca模型相比,本发明采用的模型获取的fom和recall-based efficacy上升了2.37%和2.46%。

1.一种基于cnn、gcn的生态约束校准方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于cnn、gcn的生态约束校准方法,其特征在于:地形因子包括高程和坡度,生态因子包括:水源涵养服务重要性、水土保持服务重要性、生物多样性维护服务重要性、土壤肥力和ndvi。

3.根据权利要求1所述的基于cnn、gcn的生态约束校准方法,其特征在于:驱动因子为基于距离的变量,包括:离城市中心的距离、离城镇中心的距离、离高速公路的距离、离铁路的距离、离主要道路的距离、离火车站的距离以及离海岸线的距离。

4.根据权利要求1所述的基于cnn、gcn的生态约束校准方法,其特征在于:生态软约束概率的计算公式为:

5.根据权利要求1所述的基于cnn、gcn的生态约束校准方法,其特征在于:将超像素作为图顶点时,顶点的特征以对应超像素包含的所有像元的平均值进行表征。

6.一种基于cnn、gcn的生态约束校准终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~5中任一所述方法的步骤。

7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~5中任一所述方法的步骤。