近年來以土地利用與覆被變化為核心的復(fù)雜人地系統(tǒng)演變過程受到越來越多學(xué)者的關(guān)注,而基于微觀土地利用主體的模型模擬是研究土地利用演變的主要方式之一,ABM土地利用模型能夠準確模擬Agent決策行為且易于建模分析,成為了當前研究土地利用變化的主流模型。土地利用轉(zhuǎn)化規(guī)則的設(shè)置是ABM土地利用模型的核心。由于土地利用轉(zhuǎn)化的復(fù)雜性,加之巨量的地理數(shù)據(jù),如何有效設(shè)定ABM模型轉(zhuǎn)換規(guī)則已成為提高其解釋力的主要方式之一。目前,國內(nèi)外眾多地理學(xué)者逐漸將目光轉(zhuǎn)移到機器學(xué)習與深度學(xué)習方法之上。機器學(xué)習與深度學(xué)習在數(shù)據(jù)挖掘、特征提取和建模上優(yōu)勢明顯。如何利用機器學(xué)習與深度學(xué)習算法的優(yōu)勢挖掘ABM模型土地利用轉(zhuǎn)化規(guī)則構(gòu)建耦合其與ABM模型的新模型就成為當前的研究熱點問題之一。高渠鄉(xiāng)地處黃土高原,是我國典型的生態(tài)脆弱區(qū)。本文利用PRA和傳統(tǒng)農(nóng)戶調(diào)查獲取所需數(shù)據(jù),結(jié)合機器學(xué)習算法、深度學(xué)習算法以及傳統(tǒng)土地利用變化模型,構(gòu)建新型模擬與預(yù)測土地利用變化模擬平臺。該平臺主要包括以下兩方面內(nèi)容:(1)以基于經(jīng)驗的BDI行為決策模型為基礎(chǔ),運用隨機森林提取影響農(nóng)戶決策的變量,構(gòu)建RF-BDI模型;(2)在BDI框架的指導(dǎo)下,運用隨機森林算法選取最優(yōu)特征向量,利用深度神經(jīng)網(wǎng)絡(luò)算法獨立挖掘農(nóng)戶決策規(guī)則并構(gòu)建土地利用變化模擬模型。通過分析該平臺模擬結(jié)果可以得出以下結(jié)論:(1)隨機森林算法與BDI模型結(jié)合可以有效模擬農(nóng)戶有限理性決策行為及其變化機理。以陜西省米脂縣高渠鄉(xiāng)為例,對比分析RF-BDI模型與傳統(tǒng)BDI模型模擬結(jié)果,結(jié)果顯示RF-BDI模型對傳統(tǒng)BDI模型決策行為進行修正后,在沒有明顯增大計算量的基礎(chǔ)上模擬精度提高了14%。(2)相比BDI決策模型與RF模型,RF-BDI模型的轉(zhuǎn)化規(guī)則的設(shè)置更為合理。傳統(tǒng)BDI模型是人為基于經(jīng)驗確定農(nóng)戶的決策規(guī)則,此規(guī)則設(shè)定較為簡單,且過于剛性。隨機森林算法雖可以“挖掘”農(nóng)戶土地利用行為規(guī)則,但挖掘規(guī)則過于理性,無法反應(yīng)農(nóng)戶的隨機種植行為。RF-BDI模型通過將隨機森林挖掘規(guī)則與基于經(jīng)驗的規(guī)則進行相互印證,可以有效消除農(nóng)戶隨機種植行為帶來的誤差,提高模型模擬精度。(3)雖然RF-BDI模型可以較好的模擬農(nóng)戶種植行為,但仍有約為20%的誤差,深度學(xué)習相較于機器學(xué)習具備更好的挖掘能力與模擬能力,本文基于Keras深度學(xué)習模塊,設(shè)計與調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),以陜西省米脂縣高渠鄉(xiāng)為數(shù)據(jù)源,構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型,對比深度神經(jīng)網(wǎng)絡(luò)模型與RF-BDI模型模擬情況。在未設(shè)置經(jīng)驗規(guī)則的前提下,深度神經(jīng)網(wǎng)絡(luò)模型獨立提取農(nóng)戶有限理性決策規(guī)則,模擬與預(yù)測高渠鄉(xiāng)土地利用變化并與實際土地利用變化進行對比,其模型精度為85.2%,相較于RF-BDI模型,深度神經(jīng)網(wǎng)絡(luò)模型模擬精度提高約為5%。該模型可以有效模擬農(nóng)戶隨機種植行為,并預(yù)測其未來種植傾向,為刻畫高渠鄉(xiāng)未來土地利用變化情形及其驅(qū)動機制提供了一個新方式。(4)深度神經(jīng)網(wǎng)絡(luò)模型對農(nóng)戶土地利用行為有較強的刻畫能力,且對農(nóng)戶基于自身意愿的隨機種植行為有強擬合能力。但深度神經(jīng)網(wǎng)絡(luò)模型僅僅能夠顯示農(nóng)戶最終種植結(jié)果,其中間過程參數(shù)過于復(fù)雜不利于分析微觀層面人地系統(tǒng)演變的驅(qū)動機理,而RF-BDI模型可以直觀反映各個影響因素在人地系統(tǒng)演變過程中的相對重要性,綜合深度神經(jīng)網(wǎng)絡(luò)模型的模擬能力以及RF-BDI模擬在機理解釋上的優(yōu)點是下一步需要進行的工作。
【學(xué)位單位】：西北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F301.2
【部分圖文】：

以期為未來的微觀主體土地利用變化模型發(fā)展開拓一個新方向。1.3 主要研究內(nèi)容與技術(shù)路線圖1.3.1 主要研究內(nèi)容本文以村莊種植數(shù)據(jù)以及農(nóng)戶個體種植數(shù)據(jù)，結(jié)合土地年鑒、二調(diào)土地利用圖、遙感影像數(shù)據(jù)等數(shù)據(jù)構(gòu)建基礎(chǔ)數(shù)據(jù)集，利用多智能體模型中 BDI 行為理論構(gòu)建基礎(chǔ)Agent 決策模型，其次將機器學(xué)習中隨機森林方法引入 BDI 模型中，構(gòu)建 RF-BDI 模型，最后利用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建一個基于深度學(xué)習的土地利用變化模擬平臺，并對比RF-BDI 模型與深度神經(jīng)網(wǎng)絡(luò)模型二者之間優(yōu)劣，以期為復(fù)雜人地系統(tǒng)模擬開拓一個新方向。

地總面積的 3%，水域面積最少約占土地總面積的 1%，如圖 2 所示。高渠鄉(xiāng)屬典型的黃土高原丘陵溝壑區(qū)農(nóng)業(yè)鄉(xiāng)鎮(zhèn)。高渠鄉(xiāng)種植以土豆和紅蔥等傳統(tǒng)經(jīng)濟作物為主。陜西省農(nóng)業(yè)廳在 2010 年將高渠鄉(xiāng)確定為第三批“一鄉(xiāng)一業(yè)”示范鄉(xiāng)鎮(zhèn)。本團隊在高渠鄉(xiāng)進行了長達十年的調(diào)研，積累的豐富的調(diào)研資料。依據(jù) 2017 年對該鄉(xiāng)調(diào)研，村莊整體調(diào)研問卷 20 份，有效問卷 20 份。其中包括村莊整體種植情況，不同作物種植面積，不同農(nóng)戶類型。高渠鄉(xiāng)農(nóng)戶個體調(diào)研問卷共 389 份，有效問卷 377 份，其中主要包括個人種植作物類型，不同種植作物的種植面積。由此可知，高渠鄉(xiāng)種植情況復(fù)雜，且農(nóng)戶種植行為具備明顯的隨機性以及受政策導(dǎo)向影響明顯，將該鄉(xiāng)鎮(zhèn)作為研究區(qū)，可以有效檢驗?zāi)Ｐ偷臏蚀_性

圖 62016 年 BDI 模型模擬準確與失誤圖.6 The accuracy and the fault of the simulation for the BDI model in策模型對高渠鄉(xiāng)2017年土地利用類型進行模擬，模擬結(jié)果如對高渠鄉(xiāng) 2017 年模擬結(jié)果較差，整體模擬結(jié)果為 51%，除模擬效果均不理想，其中整體模擬效果不理想是因為高渠鄉(xiāng)果產(chǎn)業(yè)，農(nóng)戶受到政策及同類農(nóng)戶影響將大部分種植類型轉(zhuǎn)擬效果不佳除受到種植果樹影響之外還因為高渠鄉(xiāng) 2017 年行輪作，即本應(yīng)輪作為雜糧的種植類型仍種植土豆。表 22017 年 BDI 模型模擬準確與失誤圖b.2 The accuracy and the fault of the simulation for the BDI model in玉米 雜糧 土豆 紅蔥 果樹 0.72 0.48 0.60 0.57 0.55 0.28 0.52 0.40 0.43 0.55 決策模型對高渠鄉(xiāng) 2016 年與 2017 年模擬情況可知，BDI行為但其模型設(shè)定的轉(zhuǎn)換規(guī)則受時間序列影響嚴重，即 BD

【參考文獻】

相關(guān)期刊論文 前10條

1 肖錦成;歐維新;符海月;;基于BP神經(jīng)網(wǎng)絡(luò)與ETM+遙感數(shù)據(jù)的鹽城濱海自然濕地覆被分類[J];生態(tài)學(xué)報;2013年23期

2 余凱;賈磊;陳雨強;徐偉;;深度學(xué)習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

3 余強毅;吳文斌;唐華俊;楊鵬;李正國;夏天;劉珍環(huán);周清波;;基于農(nóng)戶行為的農(nóng)作物空間格局變化模擬模型架構(gòu)[J];中國農(nóng)業(yè)科學(xué);2013年15期

4 張亦漢;黎夏;劉小平;喬紀綱;何執(zhí)兼;;耦合遙感觀測和元胞自動機的城市擴張模擬[J];遙感學(xué)報;2013年04期

5 余強毅;吳文斌;楊鵬;唐華俊;周清波;陳仲新;;Agent農(nóng)業(yè)土地變化模型研究進展[J];生態(tài)學(xué)報;2013年06期

6 孫志軍;薛磊;許陽明;王正;;深度學(xué)習研究綜述[J];計算機應(yīng)用研究;2012年08期

7 康停軍;張新長;趙元;王海鷹;張維;;基于多智能體的城市人口分布模型[J];地理科學(xué);2012年07期

8 余強毅;吳文斌;唐華俊;楊鵬;陳仲新;陳佑啟;;復(fù)雜系統(tǒng)理論與Agent模型在土地變化科學(xué)中的研究進展[J];地理學(xué)報;2011年11期

9 劉淑燕;余新曉;李慶云;李洪禹;雷鳳燕;;基于CA-Markov模型的黃土丘陵區(qū)土地利用變化[J];農(nóng)業(yè)工程學(xué)報;2010年11期

10 劉小平;黎夏;陳逸敏;劉濤;李少英;;基于多智能體的居住區(qū)位空間選擇模型[J];地理學(xué)報;2010年06期

本文編號：2831818