城市扩展极限学习机模型
城市空间结构及其扩展的模拟是城市科学管理与规划的重要前提,本文基于极限学习机提出了顾及不同非城市用地转化为城市用地差异与强度的城市扩展元胞自动机模型(ELM-CA).模型验证表明:①ELM-CA模型的模拟精度达到703.0%,相比于逻辑回归和神经网络分别提高了22.1% 和15.4%,FoM系数分别提高了00.259和00.179,Kappa系数分别提高了00.247和00.169,且Moran I指数接近于实际值,说明极限学习机模型较逻辑回归和神经网络能更有效模拟城市扩展的空间形态及其变化;②ELM模型的训练时间仅为神经网络的1/3左右,体现了ELM学习速度的优势;③在小样本情况下,逻辑回归和神经网络都受到明显的影响,而极限学习机还能保持良好的性能,这个特点使其在样本难以获取的情况下具有明显的优势.两个时相的城市扩展模拟与真实数据的比较表明:基于极限学习机的城市扩展元胞自动机模型(ELM-CA),简化了CA模型的复杂度,并在小样本情况下能有效提高模拟精度,适合于复杂土地利用条件下城市扩展模拟与预测.
城市空间扩展、复杂土地利用、地类转化差异、元胞自动机、极限学习机
47
P282(地图制图学(地图学))
国家自然科学基金资助项目41171326,40771198
2019-01-17(万方平台首次上网日期,不代表论文的发表时间)
共11页
1680-1690