王 華，陳佳酈

（1.浙江財經(jīng)大學(xué) 東方學(xué)院，浙江 嘉興 314000；2.浙江財經(jīng)大學(xué)，浙江 杭州 310000）

智能體模擬系統(tǒng)在吳江城市擴展研究中的應(yīng)用

王 華1，陳佳酈2

（1.浙江財經(jīng)大學(xué) 東方學(xué)院，浙江 嘉興 314000；2.浙江財經(jīng)大學(xué)，浙江 杭州 310000）

結(jié)合智能體模擬系統(tǒng)研究居住用地擴展過程，以吳江市松陵鎮(zhèn)為例，建模并模擬其在2000～2004年間的居住用地擴展狀況。研究中的多智能體部分包括政府智能體和居民智能體，政府智能體部分主要考慮了總體規(guī)劃以及城市經(jīng)濟政策等因素的；居民智能體主要考慮了對城市綠地的需要。模擬結(jié)果表明，建立的模型能在一定程度上反映城市用地演變規(guī)律，可為城市規(guī)劃決策提供參考。

城市模型；智能體系統(tǒng)；居住用地擴展

城市用地在開發(fā)利用過程中會受到自然環(huán)境和人文環(huán)境的共同影響，而城市土地演變及土地覆蓋的變化，也會影響到區(qū)域生態(tài)環(huán)境。研究城市土地利用變化的基本規(guī)律，建立城市用地利用動態(tài)演化模型，可為城市發(fā)展決策提供支持，降低城市化過程的風(fēng)險[1]。本文中，指定的城市用地包括居住用地、商業(yè)用地以及工業(yè)用地，結(jié)合MAS模型對城市擴展進行模擬。

1 模型介紹

1.1 智能體系統(tǒng)

智能體模型是由多個智能體組成的系統(tǒng)，智能體在相同的環(huán)境中相互作用，且能夠改變自身狀態(tài)和周邊環(huán)境。根據(jù)大部分研究可以看出，智能體系統(tǒng)主要由一個空間環(huán)境、一組對象、一組智能體、一組關(guān)聯(lián)和操作規(guī)則組成[2]。智能體模型在土地利用變化中的研究主要集中在智能體決策模擬、智能體之間相互作用、多尺度模型研究以及對模型的檢驗與驗證等方面[3]。本文中，智能體主要體現(xiàn)在用元胞自動機模擬空間格局的演化。

1.2 元胞自動機模型（CA）

CA模型最早由著名數(shù)學(xué)家馮諾依曼在20世紀40年代提出，它是指一類離散型動態(tài)建模方法的統(tǒng)稱[4]。CA是時間、空間、狀態(tài)都離散的空間相互作用及時間因果關(guān)系構(gòu)成的網(wǎng)格動力學(xué)模型，是由網(wǎng)格、網(wǎng)格狀態(tài)、鄰近區(qū)、演化規(guī)則等4項元素所組成的。

1.3 邏輯回歸方法

在模型中將空間格網(wǎng)化，空間是由n×n的二維網(wǎng)格組成，各種主體在這個二維網(wǎng)格中進行生產(chǎn)活動，不同類型的智能體占據(jù)不同類型的網(wǎng)格，通過各自的方式影響城市土地變化。Logistic回歸分析[5]是對定性變量的回歸分析。本文模型中，由于所研究的元胞狀態(tài)只有urbanland、non_urbanland兩種，所以只涉及到二分Logistic回歸。因變量Y服從二項分布，其二項分布的取值為0、l。Y=l的總體概率為P，相應(yīng)的Y=0的總體概率為l-P。定義m個自變量X1，X2，…，Xm所對應(yīng)的Logistic回歸模型為：

或者根據(jù)Logit方程寫為：

2 研究區(qū)城市擴展模型研究

2.1 數(shù)據(jù)收集

吳江市位于江蘇省東南部，全市面積1 176．68 km2，轄9個鎮(zhèn)、2個省級經(jīng)濟開發(fā)區(qū)，其中松陵鎮(zhèn)和盛澤鎮(zhèn)是吳江市的城區(qū)。研究區(qū)松陵鎮(zhèn)面積為128．02 km2，考慮到模擬是以單元為基礎(chǔ)的以及精度要求，將土地單元的柵格大小確定為25 m×25 m。

采用吳江地區(qū)松陵鎮(zhèn)2000年的城市用地分布圖模擬2004年的城市用地分布。本文研究的對象是在2000 年基礎(chǔ)上增加的土地，而居住搬遷并轉(zhuǎn)換成其他用地的部分不作研究。

1）遙感數(shù)據(jù)。圖1是2000年和2004年研究區(qū)的遙感影像。

2）空間數(shù)據(jù)?？臻g數(shù)據(jù)主要包括吳江市2000年和2004年的1∶5萬土地利用現(xiàn)狀圖；吳江市2004年的1∶ 5 萬土地利用規(guī)劃圖；吳江市1∶10萬地形圖；吳江市1∶ 5 萬城市建設(shè)用地現(xiàn)狀圖；吳江市1996～2004 年城市建設(shè)用地規(guī)劃圖。

2.2 數(shù)據(jù)預(yù)處理

圖1 遙感影像

本研究的數(shù)據(jù)處理是在ENVI和ArcGIS的結(jié)合下完成的。

1）幾何校正。研究區(qū)不同時相的TM遙感影像按照每像元25 m×25 m的分辨率，利用地形圖選取一定數(shù)量的控制點，在保證校正誤差在一定范圍內(nèi)的基礎(chǔ)上，按照最鄰近規(guī)則對影像進行精校正。保證土地利用圖、規(guī)劃圖等其他GIS數(shù)據(jù)源均采用同一坐標系，所有圖件都實現(xiàn)了地理坐標的精確匹配，以保證空間信息疊加和分析的可操作性。

2）遙感影像分類。在EVNI軟件中通過對2期的遙感影像（圖1）進行非監(jiān)督分類，分類的精度均在85%以上。

3）柵格數(shù)據(jù)處理結(jié)果?？臻g范圍統(tǒng)一以2000年現(xiàn)狀為基準，別的數(shù)據(jù)與之Mask得到結(jié)果。模型柵格大小統(tǒng)一為25 m×25 m，基本柵格數(shù)據(jù)均用二值表示。再根據(jù)模型需要，利用ArcGIS的重分類，整理出基本柵格數(shù)據(jù)。

4）Logistic回歸變量數(shù)據(jù)。該部分變量包括5個，其中discenter、disriver、disroad1、disroad2分別表示每個柵格到市中心、河流、一級道路、二級道路的距離（表1）。這4個變量在獲得各自的shspefile數(shù)據(jù)后，利用ArcGIS軟件的 Euclidean Distance求取各空間變量柵格圖層。

表1 Logistic回歸變量

2.3 CA部分

CA部分主要采用Logistic回歸實現(xiàn)。在城市擴展研究中，Logistic模型主要考慮的是空間變量（表1），通過回歸可以得到元胞狀態(tài)發(fā)生變化的概率Plogistic，這個將是總體轉(zhuǎn)換概率的一部分。模型中，考慮到CA模型的基本概念，將研究數(shù)據(jù)的狀態(tài)表示為0、1兩類。

根據(jù)Logistic回歸模型，并結(jié)合本模型得到模型的回歸方程為：

若

則上式可簡化為：

Logistic回歸中的因變量Plogistic是研究區(qū)域2期數(shù)據(jù)的變化概率，記為：

根據(jù)式（6），若changeCA=1，則元胞狀態(tài)發(fā)生變化，即從非城市用地轉(zhuǎn)換為城市用地，令Plogistic=1；若changeCA=0，則元胞狀態(tài)沒有發(fā)生變化，即城市用地還是城市用地，非城市用地也沒有轉(zhuǎn)變成城市用地，令Plogistic=0。

CA部分數(shù)據(jù)主要是Logistic回歸公式中各個變量的系數(shù)值。根據(jù)前面的介紹可知，Logistic模塊是整個模型的重要部分之一。Logistic模塊的主要作用是根據(jù)歷史數(shù)據(jù)判斷生態(tài)用地是否發(fā)生轉(zhuǎn)變，并獲取4個變量之間的關(guān)系。數(shù)據(jù)源為2000數(shù)據(jù)中的城市用地，在排除掉約束因素后，剩余的數(shù)據(jù)中隨機提取20%的樣點。回歸結(jié)果的正確率為93．1%，變量值如表2。

表2 Logistic回歸的CA 模型自變量系數(shù)及參數(shù)

該模型的正確率較高，可以用來模擬城市擴展。表2中B為回歸計算得到的系數(shù)值，顯著性水平即Sig 值，從表中可以看出各個自變量的Sig值都為0，表明檢驗的結(jié)果是顯著的。

綜上述，CA部分的概率表達式為：

即

2.4 智能體部分

2.4.1 政府Agent

政府的宏觀城市規(guī)劃及調(diào)控對城市的土地利用變化起著決定性作用，引導(dǎo)了整個城市的演化，也決定了城市的發(fā)展方向[6]。

本研究中主要采用近期建設(shè)規(guī)劃數(shù)據(jù)。假定依據(jù)T1為現(xiàn)狀數(shù)據(jù)，做T2年的近期規(guī)劃，那么各個位置（i， j）受規(guī)劃影響狀態(tài)變化為：

若CangeCA=1，則Pgov=1，表示規(guī)劃要求該位置由非城市用地轉(zhuǎn)變?yōu)槌鞘杏玫兀?/p>

若CangeCA=0，則Pgov=0，表示規(guī)劃不要求該位置用地發(fā)生變化。

2.4.2 居民Agent

針對本模型中城市擴展過程，將居民考慮成有可能選擇城市新開發(fā)用地居住的居民家庭。居民的行為狀態(tài)即住址的決策和再選擇。居民這2種行為狀態(tài)發(fā)生變化取決于以下4個因素：交通便捷度、地價因素、公共設(shè)施層和環(huán)境質(zhì)量層。人均綠地面積用5×5鄰域內(nèi)綠地格網(wǎng)數(shù)與居民用地格網(wǎng)數(shù)的比例來表示：

其中，Pgreen為綠地格網(wǎng)數(shù)與居民用地格網(wǎng)數(shù)的比例；Lij為n×m二維空間網(wǎng)格內(nèi)其中的一個網(wǎng)格；i∈[1，M]、j∈[1，N]、N（G（Lij））代表以Lij為中心的5×5鄰域內(nèi)綠地網(wǎng)格數(shù)目。

交通、公共設(shè)施以及環(huán)境質(zhì)量中到江水的距離，這幾個因子在前面CA部分已經(jīng)涉及到了，所以在居民Agent不再考慮，只考慮居民選址對綠地占有率的要求。

2.5 排除部分

一般排除的因素有高程、坡度、水源保護區(qū)、基本農(nóng)田、河流灘涂等。高程過高、坡度太大不利于建筑城市，不過鑒于研究區(qū)是平原，所以不用考慮這2個方面，在本模型中只需考慮基本農(nóng)田和水源保護區(qū)。

在進行Logistic回歸模型的探索時，這些約束條件不作為樣本數(shù)據(jù)，但是進行模擬的時候，依然是整個土地利用的一部分數(shù)據(jù)。置備好基本農(nóng)田、水系、灘涂3個柵格圖，值為1表示為限制區(qū)，令Plimit=1；0表示非限制區(qū)，令Plimit=0。

2.6 隨機作用部分

城市用地的轉(zhuǎn)化除了受各種政策因素、人為因素、用地現(xiàn)狀的影響外，還受隨機因素和偶然事件的影響和干預(yù)。為了使模型的運算結(jié)果更加符合實際情況，反映出城市系統(tǒng)所存在的不確定性，需要向模型中加入隨機因素，該項可表達為：

式中，γ為（0，l）范圍內(nèi)的隨機數(shù)；α為控制隨機變量影響大小的參數(shù)，取值范圍是1～10之間的整數(shù)。α的值越大，模型中隨機因素的影響越大，反之越小。在實驗過程中，分別嘗試α取1、2、3，發(fā)現(xiàn)取值越大，得到的隨機點越分散，所以α取1。

2.7 綜合演變

結(jié)合前文，元胞（i，j）在t時刻發(fā)生轉(zhuǎn)變的概率為Purban：

其中，a1+a2+a3=1；Plogistic、Pgov、Phuman、Prandom和Plimit分別為CA部分轉(zhuǎn)換概率、政府規(guī)劃轉(zhuǎn)換概率、居民部分轉(zhuǎn)換概率、隨機影響和限制影響。

根據(jù)式（12），需要確定a1、a2、a3的值，它們分別表示影響綜合概率的比重。將2000年現(xiàn)狀數(shù)據(jù)和規(guī)劃數(shù)據(jù)比較后發(fā)現(xiàn)，規(guī)劃要求轉(zhuǎn)變的元胞中，有2/3實際發(fā)生了轉(zhuǎn)變，也就是說規(guī)劃因素占有重要比重。因為居民智能體部分只考慮城市綠地，還不夠成熟，所以占的比重相對較小，又因a1+a2+a3=1，所以嘗試設(shè)置a1、a2、a3的值分別進行實驗（表3），通過目視判斷認為第6組是效果最好的，所有綜合概率轉(zhuǎn)換公式為：

表3 分組實驗

3 模擬結(jié)果與精度分析

3.1 Kappa系數(shù)

本文中的精度評價采用Kappa系數(shù)評價[7]，計算公式為：

設(shè)柵格總像元為n，真實柵格為1的像元數(shù)為a1，為0的像元數(shù)為a0；模擬柵格為1的像元數(shù)為b1，為0的象元數(shù)為b0，兩個柵格對應(yīng)像元值相等的像元數(shù)為s，n從屬性表可讀出。

Kappa計算結(jié)果為-1～1之間，但通常kappa是落在 0～1 間，Kappa值范圍在0．00～0．20之間時，具有極低一致性；Kappa值范圍在0．81～1．00之間時，幾乎完全一致。

3.2 閾值確定

利用所建模型進行模擬實驗，通過給定不同的閾值，評價模擬精度。閾值以及精度評價值如表4所示。由表4可知，當閾值為0．02時，K值為0．65，具有較高的一致性。當閾值為0．02時，2004年城市用地分布的模擬圖和現(xiàn)狀圖如圖2所示。

表4 不同閾值精度評價

圖2 2004年城市用地現(xiàn)狀圖與模擬圖

4 結(jié) 語

通過研究建立了基于智能體模擬吳江城市擴展模型。CA模型很適合模擬空間各種演變規(guī)律，尤其是在二維空間研究中。多智能體系統(tǒng)模擬城市擴展時，政府智能體的作用很重要。ArcGIS中的Grid模塊可以很好地與CA模型結(jié)合，如果模擬過程較簡單的話，可以選擇這個方法。本文提出的城市擴展模型是相對較簡單的模型，其實城市演變是一個很復(fù)雜的過程，過程中需要考慮的因素非常多，比如，文中沒有考慮城市用地轉(zhuǎn)換為非城市用地；因多智能體部分數(shù)據(jù)不足，政府決策的行為考慮較少；人的行為模擬很復(fù)雜，在以后的研究中希望可以考慮得更加全面。

[1] 羅平,李滿春,雷元新,等．深圳特區(qū)土地利用演變時空模擬實驗研究[J]．規(guī)劃研究，2005,29(4):47

[2] 劉?。诖髷?shù)據(jù)流的Multi-Agent系統(tǒng)模型研究[J]．計算機技術(shù)與發(fā)展，2007,17(5):166-169

[3] Maes P．Modeling Adaptive Autonomous Agent[J]．Artificial Life,1994,1:135-162

[4] 楊青生,黎夏．多智能體與元胞自動機結(jié)合及城市用地擴張模擬[J]．地理科學(xué)，2007,27(4):542-548

[5] 余建英,何旭宏．數(shù)據(jù)統(tǒng)計分析與SPSS應(yīng)用[M]．北京:人民郵電出版社，2003

[6] 陶海燕,黎夏,陳曉翔,等．基于多智能體的地理空間分異現(xiàn)象模擬——以城市居住空間演變?yōu)槔齕J]．地理學(xué)報,2007,62(6):579-588

[7] 全泉,田光進,沙默泉．基于多智能體與元胞自動機的上海城市擴展動態(tài)模擬[J]．生態(tài)學(xué)報,2011,31(10):2 875-2 887

P208

B

1672-4623（2015）05-0075-04

10.3969/j.issn.1672-4623.2015.05.025

王華，碩士，主要研究方向為土地資源管理。

2014-10-20。

項目來源：國家自然科學(xué)基金資助項目（41301194）；浙江財經(jīng)大學(xué)東方學(xué)院2014年度院級課題資助項目（2014dfy004）。