土地利用规划模型

《土地利用规划模型》由会员分享，可在线阅读，更多相关《土地利用规划模型（13页珍藏版）》请在装配图网上搜索。

1、人工神经网络及在土地集约利用评价中的应用摘要：土地资源是人类赖以生存和发展的、无法替代的自然环境资源，它既是环境的重要部分，又是其他自然环境资源和社会经济资源的载体。土地规划方案的优与劣，对土地及其衍生物有着直接或间接的影响。人工神经网络是人工智能的重要分支，具有自适应、自组织和自学习的特点，已经在信息、医学、经济、控制等领域得到广泛应用。本文主要对人工神经网络的发展，基本原理做了介绍，并举例分析了其在土地集约利用评价中的应用。关键词：人工神经网络；土地利用规划；土地集约利用；原理；应用；1 人工神经网络概述人工神经网络（ANN）是在现代神经科学研究成果基础上提出的，试图通过模拟大脑神经网络处

2、理、记忆信息的方式进行信息处理的一种智能化方法。人工神经网络反应了人脑功能的基本特性，但并不是人脑的真实描述，只是人脑的抽象、简化与模拟。它是一门涉及医学、神经生理学、信息学、人工智能、数理学、计算机学等多个领域的新兴前沿学科，它具有复杂的非线性动力学特性、并行处理机制、学习、联想和记忆功能，以及高度自组织、自适应能力和灵活性。因此吸引了众多的神经生理学家、心理学家、数理学家、计算机与信息科学家及工程师对人工神经网络进行研究和应用。人工神经网络作为人工智能的一个分支，在近二十年来日益成为当代高新科技领域中竞争的热点。目前关于人工神经网络的定义尚不统一，结合人工神经网络的来源、特点及定义，可将其

3、表述为：人工神经网络是模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的新型信息处理系统。1.1人工神经网络的发展过程人工神经网络的研究始于1943 年心理学家W.S.McCulloch 和数学家W.Pitts 提出的神经网络最早的数学模型，称为MP模型，从而开创了人工神经网络研究的时代。人工神经网络的发展过程总体可以分为四个阶段：（1）形成时期第一个神经元模型（M-P 模型），他们的努力奠定了网络模型和以后神经网络开发的基础。1951 年，心理学家Donala O. Hebb 提出了连接权值强化的Hebb 法则，为构造有学习功能的神经网络模型奠定了基础。1954 年，生物学家Eccl

4、es 提出的真实突触的分流模型为神经网络模拟突触的功能提供了原型和生理学的证据。1956 年，Uttley 发明了一种由处理单元组成的推理机，用于模拟行为及条件反射。1960 年，Widrow和Hoff 提出了自适应线性元件Adaline网络模型。这些研究对于神经网络的基础理论与应用发展起到关键作用。（2）低谷时期在第一次神经网络研究热潮中，人们忽视了其本身的局限性。1969 年Minskyh 和Papert 经过多年的研究，提出了对当前成果的质疑，指出当前的网络只能应用于简单的线性问题，却不能有效地应用于多层网络，由此开始了神经网络的低谷期。1972 年，芬兰的Kohonen 教授，提出了自

5、组织映射（SOM）理论，1980 年福岛邦彦发表的“新认知机”（Neocognitron）是视觉模式识别机制模型。低谷时期的许多重要研究成果都为日后神经网络理论研究打下了坚实的基础。（3）复兴时期1982 年，美国物理学家Hopfield 博士提出了Hopfield 模型理论，他证明了在一定条件下，网络可以达到稳定的状态。在他的影响下， 大量学者又重新开始了对神经网络的研究。1986 年，由美国的Rumelhart 和McCkekkand 提出了PDP网络思想，再一次推动了神经网络的发展。1995 年，Jenkins 等人开始研究光学神经网络（PNN），建立了光学二维并行互连与电子学混合的光学

6、神经网络系统。经过多年的发展，目前已有上百种的神经网络模型被提出与应用。（4）发展时期20 世纪80 年代， 随着人工神经网络在世界范围内的复苏，我国也逐步掀起了对其的研究热潮。1987年，在美国加州召开了第一届国际神经网络学会。90 年代，国内外许多学者进一步完善和发展了神经网络领域。特别是通过神经网络方法来解决非线性系统的控制问题，并取得了突出的成果。1995 年Jenkins 等人研究了光学神经网络（PNN），建立了光学神经网络系统。2000 年，Setiono 提出了快速规则抽取算法。2004 年， 提出了用于计算混沌神经网络最大Lyapunov 指数的一种算法，基于最大指数的计算，研

7、究网络混沌区域的分布和特征，可以合理的选择网络参数。如今的人工神经网络仍处于快速发展之中。1.2人工神经网络的基本原理人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。（1）神经元与神经网络结构人工神经网络由神经元模型构成, 这种由许多神经元组成的信息处理网络具有并行分布和结构。神经元作为人工神经网络的基本处理单元，是生物神经元的抽象、简化和模拟。抽象

8、是从数学角度而言，模拟是以神经元的结构和功能而言。一般形式神经元如图-1所示。其中的权值w即代表神经元之间的连接强度,f(x)是激发函数,一般为非线性函数图4.1可进一步建立起更接近于工程的数学模型,成为一个多输入单输出的非线性器件。人工神经网络具有下列特点：图-1 形式神经元模型 对于每个节点i, 存在一个状态变量X i; 从节点j 至节点i, 存在一个连接权系统数W ij; 对于每个节点i, 存在一个阈值H i; 对于每个节点i, 定义一个变换函数f i (X i,W ij , Hi ) , ij; 对于最一般的情况, 此函数取f i (,W ijX i- Hi) 形式。（2）多层神经网络

9、人工神经网络是指为了模拟动物神经细胞群学习特性的结构和功能而构成的一种信息处理系统,由于拥有很强的适用于复杂环境和多目标控制要求的能力,并具有以任意精度逼近任意非线性连续函数的特性而适用于复杂系统的控制应用领域典型多层神经网络如图-2所示。图-2 典型多层神经网络模型1.3人工神经网络类型人工神经网络的结构基本上分为两类, 即递归(反馈) 网络和前馈网络, 简介如下。（1）递归网络在递归网络中, 多个神经元互连以组织一个互连神经网络, 如图-3所示。有些神经元的输出被反馈至同层或前层神经元。因此, 信号能够从正向和反向流通。Hopf ield 网络、Elmman 网络和Jo rdan 网络是递

10、归网络有代表性的例子。递归网络又称反馈网络。图-3 递归网络（2）前馈网络前馈网络具有递阶分层结构, 有一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通; 神经元从一层连接至下一层, 不存在同层神经元间的连接, 如图-4所示。图中, 实线指明实际信号流通而虚线表示反向传播。前馈网络的例子有多层感知器(ML P)、学习矢量量化(LVQ ) 网络、小脑模型连接控制(CMAC) 网络和数据处理方法(GMDH )网络等。图-4 前馈网络人工神经网络的具体模型类型多样，下面对重要的几种网络模型作简要介绍。（1）BP网络典型即网络结构如图-5所示BP网络通常有一个或多个隐含层,

11、隐含层中的神经元均采用sigmoid型变换函数,输出层的神经元采用纯线性变换函数对于一个基本的BP神经元,它具有R个输入,每个输入都通过一个适当的权值w与下一层相连,网络输出可表示成a=f(w*P,b)。图-5 典型BP网络结构（2）径向基网络径向基函数RBF神经网络(简称径向基网络)是由J.Moody和cDarken于20世纪80年代末提出的一种神经网络结构,它是具有单隐含层的三层前馈网络,如图-6所示隐含层神经元采用径向基函数作为转换函数,通常采用高斯函数作为径向基函数,它具有形式简单!径向对称!光滑性好和任意阶导数存在的优点。图-6 径向基网络结构图（3）线性神经网络线性神经网络是最简单

12、的一种神经元网络,它可以由一个或多个线性神经元构成线性神经网络的每个神经元的传递函数为线性函数,因而线性神经网络的输出可以取任意值线性神经网络采用Widrow-hoff学习规则,也称为LMS(least Mean squre)算法来调整网络的权值和阈值。1.4人工神经网络应用人工神经网络以其独特的结构和处理信息的方法, 在自动控制、图像处理、模式识别、传感器信号处理、机器人控制、信号处理、焊接、地理、数据挖掘、电力系统、军事、交通、矿业、农业和气象等许多实际应用领域展现出了卓越性能。下面介绍几种常用神经网络的应用：BP网络的应用大体有分类、函数逼近、优化预测等方面，。尤其是对时间序列的预测更有

13、实用价值, 像国民经济和人口发展等计算都可用BP 网络来建模与拟合。BP网络的优点: BP 网络在分类与识别方面的性能优越, 可以快速高效的对机械故障进行诊断, 比传统的谱分析诊断技术效率大大提高型。存在的不足有: 网络的容错性和鲁棒性差,难以保证在线实时机械故障诊断、监测和预报的精准度。 BP算法的收敛速度较慢, 且网络隐层节点个数的选取尚缺少统一而完整的理论。ART 网络在语音、图像、文字、识别等模式识别领域的应用广泛，还可以应用与数据挖掘, 从大量数据中搜索并发现稳定而有意义的模式。其优点是: 聚类效果好、稳定性强、对于环境变化有良好的自适应能力、算法简单高效。不足之处:ART 网络为确

14、定合理的诊断模型和参数, 网络结构须进一步学习和优化。RBF 神经网络已经成功地应用于函数近似、模式分类、系统建模、模式识别、信号处理等领域。RBF 的优点是与其网络结构简单、非线性逼近能力强、收敛速度快以及全局收敛等优点。RBF 在函数逼近方面还有许多方面需要进一步研究。Hopfield是一种反馈神经网络模型, 具有在高度连接下的神经网络依靠集体协同能自发产生计算行为。其应用领域有: 图像识别, 加工车间调度, 电力系统最佳消耗计算, L S I 优化布局, 线性系统模型参数估计, 最佳调节器设计, 电磁场并行计算, 并行运动估计等。Hopfield网络的优点有: 在线性规划问题中, 霍普菲

15、尔德回避了用纯数学方法(单纯形法) 来研究该问题。在模数转化时, 一旦硬件电路实现后, 如果在输入端加入模拟电压值, 那么在其几个神经元上立即(实时) 地显示出所对应的输出数字信号。模糊神经网络集合了模糊理论和神经网络的优点, 由其独特的应用特性, 是目前研究的热点之一。目前模糊神经网络在窑炉、工业机器人控制等领域应用较广。其存在的问题有: 自适应和自调整性能差, 抗干扰能力弱, 难以实现实时控制; 缺乏实用的开发平台, 限制模糊神经网络的应用。2 人工神经网络在土地集约利用评价中的应用2.1土地集约利用基础理论当前，我国土地资源短缺，已成为制约经济发展的重要因素之一。我国城市化进程加速发展，

16、城市用地扩张迅速，全国城市化率达到37%左右，城镇化水平达到70%以上。我国经济增长方式面临由粗放经济向集约经济的根本性转变。因此，无论是从保护土地资源、完善土地科学的角度，还是从城市发展和城市土地合理配置的角度，城市土地集约利用论题的研究，对促进城市化进程和可持续发展具有重要的现实意义和深远的战略意义。土地集约利用最早来自于对农业土地利用的研究，是李嘉图等古典政治经济学家在地租理论中首先提出来的。城市土地集约利用的内涵为：以布局合理、结构优化和可持续发展为前提，通过增加存量土地的投入，改善土地的经营和管理，使土地利用的综合效益和土地利用的效率不断得到提高。就中国城市土地集约利用存在以下几种观

17、点：一是将城市土地集约利用理解为土地投入的提高；二是将城市土地集约利用理解为城市土地结构和布局的优化；三是理解为土地利用率的提高；四是理解为充分挖掘城市土地资源经济供给潜力,使城市土地投入产出比和土地利用率最佳。2.2土地集约利用传统模型近年来,在土地集约利用方向运用的比较频繁的模型及趋势主要包括:多因素综合评价模型;极限条件模型:理想值修正模型;模糊综合评价模型;主成分分析模型，下面首先对这些模型的概念做一个系统的介绍。（1）多因素综合评价模型由于影响土地集约利用的因素有多个,因此,可以将多个因素运用数学模型(比如按照各个因素的权重值)合成一个整体的综合评价体系来对土地的集约度进行评价。模型

18、优点是表达式通俗易懂,实际操作简单,能综合反映土地整体利用程；缺点在于综合表达式和指标的标准化不统一,权重确定方法中主观成分较大。（2）极限条件模型极限条件模型也就是我们所说的木桶原理,在对研究对象选定了评价指标和评价标准之后,把研究对象的评价指标体系中的现状值与标准值进行对比,如果超过了标准值的上限,则定义为过度利用,如果低于下限,则为低度利用。极限条件模型中选取的每个指标都跟相应的等级对应，但缺点在于要确定评价的标准难度比较大,而且比较主观,准确性有待研究。（3）模糊综合评价模型模糊综合评价是对受多种因素影响的事物,运用模糊变换原理分析和评价,定性与定量相结合做出全面评价的一种十分有效的多

19、因素决策方法,其特点是评价结果不是绝对地肯定或否定,而是以一个集合来表示。模糊综合评价模型结合了模糊数学与层次分析法的特点，但其隶属函数的选取难度较大。（4）主成分分析模型影响城镇土地集约利用的因素是多样的,如果对所有的因素都进行评价,则不太现实,通常我们会将这些因素进行变换选择那些重要的因素进行统计分析，采用主成分分析法分析起来既简单又准确。主成分分析法引入了统计学相关方法，解决了指标间的相关性，权重的获取也比较的客观，但难以解决指标间的非线性问题。2.3 BP神经网络在土地集约利用中的应用BP神经网络的基本结构如图-5所示。BP网的工作原理就是,由输入层不断输入数据,数据在隐含层中通过函数

20、关系进行计算,并对结果进行反复修正,从而使最后的网络输出的结果达到最差最小、精度最高等特点。传统的土地集约利用评价研究中，运用较多的是层次分析法和回归分析法，通过构建递阶层次结构、确定权重、估算理想值等环节建立评价体系，从而度量土地集约利用程度的高低。但是这些方法存在着个人主观性影响，使得评价结果会偏离实际情况。用BP人工神经网络建立一个合适的评价模型，可以摆脱主观因素的负面影响，而且可以很好地解决指标间的非线性问题，体现研究的客观合理性。下面以合肥市土地集约利用评价为例，介绍基于BP神经网络模型的土地集约利用程度评价过程。（1）评价指标体系选择土地利用具有区域性、动态性和连贯性。 运用统一、

21、固定的指标对所有对象进行集约利用评价较困难， 而土地集约利用评价指标体系指标的选取将直接影响到最后评价的结果。该指标除了要体现研究对象城市的土地集约利用的目标和内容，还必须能够直接的反应其土地利用集约程度等不同属性。整个评价指标体系的各项指标是不断发展、变化、连续的。在评价指标体系的选择过程中，应注意全面性和代表性相结合，定性与定量相结合，可操作性和系统性原则。实例中作者通过参考安徽省统计年鉴（20002009 年）、合肥市统计年鉴（20002009 年）、 安徽省合肥市土地利用总体规划（20062020 年）等资料，确定将指标分为三类，即土地利用经济效益指标、 土地利用社会效益指标和土地利用

22、生态效益指标。地均 GDPI1单位面积工业总产值 I2、城市人均可支配收入I3、地均社会消费品零售总额 I4、单位面积固定资产投资额 I5、人口密度 I6、城市燃气用水普及率 I7、每万人拥有公交车数量 I8、城市人均居住面积 I9、人均公共绿地面积 I10、建成区绿地覆盖率 I11、城市工业废水排放达标率 I12等 12 个指标。具体如表-1所示。表-1 合肥市土地集约利用评价指标指标集评价指标代号单位土地利用经济效益区域地均GDPI1万元/每平方公里单位面积工业产值I2万元/每平方公里城市居民人均可支配收入I3元地均社会消费品零售总额I4万元/每平方公里单位面积固定资产投资额I5万元/每平

23、方公里土地利用社会效益人口密度I6人/平方公里城市燃气用水普及率I7百分比每万人拥有公交车数量I8台城市人均居住面积I9平方米土地利用生态效益人均公共绿地面积I10平方米建成区绿地覆盖率I11百分比城市工业废水排放达标率I12百分比（2）确定网络层数BP 人工神经网络一般由三部分组成 ：输入层 、隐含层和输出层， 研究表明三层网络可完成任意 n 维到 m 维的映射。故研究中的作者将拟建立的 BP 人工神经网络模型设定为 3 层。（3）确定隐含层节点数在BP网络中，隐含层节点数的选择非常重要，它不仅对神经网络模型的性能有很大的影响，而且是模型训练时出现“过拟合”的直接原因，但是目前理论上还没有一

24、种权威的确定方法。常用的方法有静态设计法、动态构造法、进化法等。本篇文章借鉴严太山等提出的经验公式法， 其公式为NH=N1NO+NP/2；其中NH 为隐含层节点数；N1为输入层节点数；N0为输出层节点数；NP为训练样本数。据此式得，本研究的隐含层节点数为 11 。 按照本文前已建立的土地集约利用评价指标体系， 将已经确定的区域地均 GDP 等 12 个指标额作为输入层，构建出三层的 BP 神经网络结构。（4）评价水平标准确定通过搜集其它与合肥市城市规模水平， 经济发展程度相近的省会城市对应的指标的相关值、国家标准、经验值确定评价指标的分级标准，分为粗放利用、适度利用和集约利用三个水平，量化为：

25、在0，0.4范围之内为低度利用、在0.4，0.7范围之内为适度利用、在0.7，1范围之内为集约利用。（5）BP神经网络训练将搜集到的数据进行汇总，由于每个评价值单位不同，不便于后期进行统计计算， 对每个评价指标值进行标准化，即将数据的变化范围控制在0，1之间。采用安徽省 20002009 年数据作为样本进行训练， 用合肥市 20002009 年数据作为测试样本。以下为部分训练数据。表-2 合肥市土地集约利用 BP 神经网络部分训练数据通过Matlab中的工具箱编程，在经过数次次训练过，得到的结果如下图-7所示。图-7 训练结果（6）土地集约利用程度评价利用训练好的 BP 人工神经网络模型， 将

26、合肥市 20002009 年的各项指标值逐年输入，得出 20002009 年间合肥市土地集约利用程度值分别为：0.2363、0.3243、0.3878、0.4653、0.5543、0.5657、0.6459、0.7573、0.8021、0.8807。 根据前面确定的土地利用集约程度标准，结果如表-3所示。表-3 合肥市土地集约利用 BP 神经网络分析结果年份集约度值等级年份集约度值等级20000.2362低度20050.5657适度20010.3243低度20060.6459适度20020.3878低度20070.7573集约20030.4653适度20080.8021集约20040.5543

27、适度20090.8807集约从上表可以得出， 合肥市土地集约利用程度呈逐年上升的趋势， 但从数据上看， 城市土地集约利用可挖潜力还比较大。对照合肥市历年各指标值发现， 有关经济益类的指标值增速较快，有关社会效益和生态效益的指标值增速一般。作为安徽的省会城市，合肥市今后的发展应在现有的基础上，坚持走可持续发展道路， 积极提高土地集约利用水平， 避免减少土地的闲置浪费，建立健全城市基础设施，推进整个城市的可持续发展。3 结语人工神经网络作为一种具有高度的非线性人工智能模型，在诸多科学领域包括地学领域都得到了广泛应用。本文前半部分简要介绍了人工神经网络的发展过程、基本原理等，后半部分选取BP神经网络

28、在土地集约利用程度评价中的应用方面具体阐述了神经网络在土地利用规划方面的具体应用过程。通过本次作业的学习，对人工神经网络的基本原理及部分在地理学领域的应用有了大致的了解。由于水平和时间关系，后面实例部分是参考前人的研究成果。以后有机会的话，希望能自己深入这方面的研究。参考文献1 李焕等. BP人工神经网络在土地集约利用评价中的应用研究以浙江省遂昌工业园区为例J. 中国农学通报,2011,27(6):447-450.2 张旭念，何如海. BP人工神经网络在判定土地集约利用程度中的应用以合肥市为例J. 湖北经济学院学报（人文社会科学版）,2012,9(10):57-59.3 李丽，张海涛. 基于B

29、P人工神经网络的小城镇生态环境质量评价模型J. 应用生态学报,2008,19(12):2693-2698.4 石英，郭靖芬. 基于理想方案的BP神经网络土地利用规划方案评价J. 南昌大学学报(理科版),2008,32(1):89-92.5 宋嗣迪，陈燕红. 基于神经网络的土地利用规划方案优化方法研究J. 广西农业大学学报,1997,16(4):316-321.6毛健等.人工神经网络的发展及应用J. 电子设计工程,2011,19(24):62-65.7 汤素丽，罗宇锋. 人工神经网络技术的发展与应用J. 电 脑 开 发 与 应 用,2009,22(10):59-61.8 王辉. 人工神经网络的研究与发展综述J. 电脑知识与技术, 2008 (30) : 710-711.9 李双成 ，郑度.人工神经网络模型在地学研究中的应用进展J.地球科学进展，2003，18（1）：68-76.10 陶志红.城市土地集约利用几个基本问题的探讨J.中国土地科学，2000，14（5）：1-5.