.基于人工神经网络的城市土地集约利用评价研究——以长株潭城市

《.基于人工神经网络的城市土地集约利用评价研究——以长株潭城市》由会员分享，可在线阅读，更多相关《.基于人工神经网络的城市土地集约利用评价研究——以长株潭城市（45页珍藏版）》请在装配图网上搜索。

1、个性签名我国土地自然供给的刚性、耕地资源的稀缺性与城市发展对土地需求的无限性的矛盾，决定了城市发展不能再单纯依靠用地规模的无序扩张，必须改变城市土地粗放利用的现状，实现城市土地集约利用1。本研究以长株潭城市群为研究对象，利用人工神经网络从空间和时间的角度对长株潭城市群土地集约利用进行评价研究。1 人工神经网络的简介人工神经网络(ANN，Artificial Neural Network)是由大量神经元节点互连而成的复杂网络，是反映人脑结构及功能的一种抽象数学模型。从本质上讲，人工神经网络的学习是一种归纳学习方式，它通过对大量样本的反复学习，由内部自适应过程不断修改各神经元之间互连的权值，最终使

2、神经网络的权值分布收敛于一个稳定的范围。神经网络的互连结构及各连接权值稳定分布就表示了经过学习获得的知识。一个已建立的人工神经网络可用于相关问题的求解，对于特定的输入模式，神经网络通过前向计算可得出一个输出模式，从而得到输入模式的一个特定解。BP人工神经网络是目前应用最广泛的一类，此网络构建简单，训练算法丰富、映射能力强2，其工作原理如图1所示。图1 网络神经元结构Fig.1 Neuron Structure of BP Network作者简介：周子英（1974），女，汉族，湖南辰溪县人，湖南农业大学资源环境学院在读硕士研究生，计算机讲师，研究方向：土地经济学与房地产，email：mfkm97

3、8。其中p为输入向量，w为权值向量，b为阈值或门限值，累加器输出n通常被称为净输入，它被送入传递函数，为输出向量，网络通过不断地迭代重复输入p与输出信息的正向传递和根据误差的逆向修改网络权重w这一过程，不断调整神经元权值向量，来实现网络输出误差逼近最小值或达到预期学习次数的目的，所有输入p通过一个权值向量w进行加权求和后再加上阈值b，然后再经传递函数的作用后既为该神经元的输出值，传递函数可为任何可微函数，常用的是s型函数和线性函数。3 长株潭城市群土地集约利用ANN评价3.1 确定城市土地集约利用评价指标影响城市土地集约利用的因素很多，如土地地强度、产出及用地结构布局约束等，且每一因素包括许多

4、影响因子。为了避免因子间的相关性，参考相关研究结果3，综合考虑指标的可获得性及单元间的可比性，从土地投入强度、土地利用强度和土地利用效益三方面构建指标体系，选择单位用地固定资产投资完成额I1、每十万人拥有医院床位数I2、每万人拥有公共汽电车（辆）I3、绿化覆盖率I4、人均住宅使用面积I5、城市人口密度I6、单位面积工业总产值I7、地均GDPI8和单位面积社会消费品零售额I9这9个评价指标，见表1。 上一页23456下一页 收藏评论 关 键 词: 城市土地集约利用；人工神经网络；评价； 摘 要： 表1评价指标集 Tab.1Theevaluationindexsystemonevaluationo

5、furbanlandintensiveutilization 总指数 指标集 评价指标 单位 城市 土地 集约 利用 指数 土地投入强度 单位用地固表1 评价指标集Tab.1 The evaluation index system on evaluation of urban land intensive utilization总指数指标集评价指标单位城市土地集约利用指数土地投入强度单位用地固定资产投资完成额I1万元/hm2每十万人拥有医院床位数I2张每万人拥有公共汽电车（辆）I3辆/万人土地利用强度绿化覆盖率I4个/百万人均住宅使用面积I5m2/人城市人口密度I6人/km2土地利用效益单位面

6、积工业总产值I7万元/km2地均GDPI8万元/m2单位面积社会消费品零售额I9万元/km23.2 确定评价标准城市土地利用系统本身是一个区域性、动态性、开放性的系统，这就决定了城市土地集约利用的具体内容和程度上的非等同性，要寻找适合所有城市发展评价的统一标准和方法是不可能的。因此，我们针对不同指标特征和城市自身的特征，可采用不同方法进行评价标准值的确定，参考标准如表2所示：表2 各评价指标体系的参考标准Tab.2 The evaluation index system of reference standard总指数指标集评价指标单位标准值来源城市土地集约利用指数土地投入强度单位用地固定资产

7、投资完成额I1万元/hm2同类城市平均水平每十万人拥有医院床位数I2张/十万人经验值每万人拥有公共汽电车（辆）I3辆/万人经验值每百万人拥有的剧场数I4个/百万人同类城市最高标准土地利用强度人均住宅使用面积I5m2/人国家标准城市人口密度I6人/km2同类城市最高水平土地利用效益单位面积工业总产值I7万元/km2城市群参考值商品房销售价格I8元/m2城市群参考值单位面积社会消费品零售额I9万元/km2同类城市最高水平 上一页123456下一页 收藏评论 关 键 词: 城市土地集约利用；人工神经网络；评价； 摘 要： 3.3数据标准化处理 上述的9个指标，其性质和量纲是不同的，可分：效益型指标和

8、成本型指标，对于效益型指标，其值越大越好；而成本型指标，其值越小3.3 数据标准化处理上述的9个指标，其性质和量纲是不同的，可分：效益型指标和成本型指标，对于效益型指标，其值越大越好；而成本型指标，其值越小越好；由于各分指标具有不同量纲和类型，故指标间具有不可共度性，这就要求把这些指标通过某一效用函数进行无量纲化且映射到一个有限的区间中去，从而将各指标值转化到0，1区间内，具体计算公式如下：效益型指成本型指标其中：zi为指标的标准分数，xi为指标的指标值，xmax为某指标的最大值，xmin为某指标的最小值。3.4 评价模型的建立由于输入层有9个神经元，输出层有一个神经元，中间层的神经元数目可以

9、由此基础上逐步确定。由Kolmogorov定理可知，一个三层的神经网络可以任意精度完成任意n维到m维的映射，因此.网络中隐含层设为一层。而隐含层神经元数目的确定是一个比较复杂的问题，并不存在一个理想的解析式来确定。隐含层单元的数目与问题的要求、输入输出单元的数目都有直接的关系。数目太多会导致学习时间过长，误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本。因此，一定存在一个最佳的隐含层单元数。以下三个公式可作为选择最佳隐单元数时的参考公式：（公式1）（公式2）（公式3）其中k为样本数，n1为隐单元数，n为输入单元数，m为输出单元数，a为1，10之间的常数除去前述的三个公式可以参考来大

10、致确定隐单元的数目外，还有一种途径可以用于确定因单元的数目。首先使隐单元数目可变，或者放入足够多的隐单元，通过学习将那些不起作用的隐单元剔除，直到不可收缩为止。同样，也可以在开始时放入比较少的神经元，学习到一定次数后，如果不成功则再增加隐单元的数目，直到达到比较合理的隐单元数目为止。将以上的两种方法进行结合，来确定隐含层数目，首先由公式可知，隐含层数目大概在4左右，为此可以设定循环，检验隐含层数目在3-10之间的取值时，何时网络的效率比较高，误差比较小，对比训练时的误差和效果，从而确定隐含层的数目。通过训练可以得到隐含层神经元为3-10时的训练情况和误差，经过多次试验和比较，最后选定隐含层神经

11、元为6个，收敛情况最好，所以整个神经网络结构为961的结构，如图2所示。图2 BP神经网络结构Fig.2 Neuron Structure of BP Network 上一页123456下一页 收藏评论 关 键 词: 城市土地集约利用；人工神经网络；评价； 摘 要： 3.5模型的应用及评价 评价等级系统是对评价结果的科学表达，本研究参照城市用地分类与规划建设用地标准GBJ137-90，将城市土地集约利用状态分为低度、3.5 模型的应用及评价评价等级系统是对评价结果的科学表达，本研究参照城市用地分类与规划建设用地标准GBJ137-90，将城市土地集约利用状态分为低度、适度、集约和过度集约利用四个

12、阶段（见表3）表3 城市土地集约利用水平等级标准Tab.3. Partial data used in network training and test等级低度适度集约过渡利用评估值YY0.400.40Y0.600.60Y0.80Y0.80Y代表评价结果分值 表4 长株潭城市群土地集约利用ANN部分训练数据Tab.4 The classification standard of urban land intensive utilizationI1I2I3I4I5*I6I7I8I9分值1.00000.67321.00000.81860.67251.00001.00001.00001.00000

13、.800.51480.59350.47040.79590.39040.55800.74880.66720.47060.750.26500.51950.31060.705230.43940.47350.59310.50480.29100.700.192430.46240.28200.47280.67560.45580.43640.44520.18530.650.16600.40200.21860.55780.66670.43040.62220.38360.18350.600.06550.24710.21940.46710.53860.38750.13470.30710.10640.550.045

14、20.18370.05090.36510.72480.36560.0850.22460.09480.500.03740.14310.10070.34020.77880.34860.04300.20200.03750.450.00000.03170.03530.25171.00000.00000.00000.01180.00000.40 上一页123456下一页 收藏评论 关 键 词: 城市土地集约利用；人工神经网络；评价； 摘 要： 数据：参照城市用地分类与规划建设用地标准GBJ137-90和长株潭城市群内的平均值作为集约、适度和低度的评价标准； 网络模型调试完后保存网络，利用测数据：参照城市

15、用地分类与规划建设用地标准GBJ137-90和长株潭城市群内的平均值作为集约、适度和低度的评价标准；网络模型调试完后保存网络，利用测试好后的BP网络，测试长株潭三个城市从1999年到2006年这8年的土地集约利用程度指数，3.6 长株潭城市土地集约利用ANN评价结果分析由神经网络模型，得出1999年到2006年长株潭三个城市的历年土地集约利用度，见表5。其中长沙市城市土地利用集约度与相应的研究结果结论是一致的4，证实本研究的结论真实可信。表5 长株潭城市群历年土地集约利用度Tab.5 The degree of intensive utilization of Changsha,Zhuzhou

16、 and Xiangtan城市19992000200120022003200420052006长沙0.60680.62820.62820.69070.69280.70170.73840.7934株洲0.34990.33850.32740.3270.52850.60590.50420.6103湘潭0.48590.40910.40840.38230.57510.59830.64240.70463.7 长株潭城市土地集约利用ANN评价结果分析图3土地集约利用趋势图Fig.3 The trend of urban land intensive utilization从图3可以看出，长沙市城市土地利用属

17、于适度到集约之间，由于长沙市属于省会城市，从土地投入强度、土地利用强度和土地利用效益都高于株洲市和湘潭市，所以历年土地利用情况都好于株洲市和湘潭市，株洲市土地利用集约度最低。1999-2006年这8年间，长沙、湘潭、株洲三个城市土地集约利用水平处于曲折式上升状态，虽然湘潭市在1999年到2000年间，2001年到2002年间，株洲市在2004到2005年间城市土地集约水平一度出现小幅度下降，但仍挡不住土地集约度提高的趋势，在2006年，三个城市土地集约利用水平都达到了8年来的最高值，分别为长沙市0.7934，株洲市0.6103，湘潭市为0.7046，由此可见，随着长株潭城市群土地投入强度不断提

18、高、土地利用强度不断增强、土地利用效益越来越高，土地集约化发展趋势也越来越明显。 上一页123456下一页 收藏评论 关 键 词: 城市土地集约利用；人工神经网络；评价； 摘 要： 4结语 城市土地集约利用评价不仅需要构建完整的指标体系和合理的评价标准，更需要有适合的评价方法来支撑。以往的评价多数采用特尔斐法、层次分析4 结语城市土地集约利用评价不仅需要构建完整的指标体系和合理的评价标准，更需要有适合的评价方法来支撑。以往的评价多数采用特尔斐法、层次分析等方法，相关研究成果虽然在很大程度上为中国城市土地管理提供了丰富的数据和信息，但这些基于人为设定权重的评价并不能很好地反映多因素非线性定量关系

19、5。因此，加强非线性定量分析方法的研究与应用，对于开展城市土地集约利用定量研究与制定相关政策措施具有重要意义。ANN模型具有很强的自学习与容错能力，在信息不完备的情况下，具有较强的模式识别和知识处理等能力，本文虽然在城市居住用地集约利用水平评价中进行了一定的有益尝试,但作为解决地学问题的一种手段，人工神经网络也并非万能,它本身也存在一些不足,如模型不是十分稳定，建立模型需要一定的技巧等5，同时，城市土地集约利用水平评价体系有待于进一步细化和完善，各种评价指标标准有必要扩大到全国范围内进行考虑，以更好地确定相对标准，更为客观、准确地反映集约利用水平。参考文献：1 郭爱清,葛京凤.河北省土地集约利用潜力评价方法探讨J. 资源科学,2006(7):65-70.2 许东,吴铮.基于MATLAB6.X的系统分析与设计神经网络(第二版)M.陕西:西安电子科技大学出版社.2003.3 何芳,吴正训.国内外城市土地集约利用研究综述与分析J. 国土经济,2002(3):35-36.4 王小伟.城市土地集约利用评价研究以长沙市为例D.2006,6. 5 常青,王仰麟,吴健生,等.城市土地集约利用程度的人工神经网络判定以深圳市为例J.中国土地科学.2007,4(8):26-31.6 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.