各种新模型新方法在土地利用规划中的应用

各种新模型新方法在土地利用规划中的应用 摘 要：土地利用规划是协调各业用地需求、保护土地资源、保障经济社会可持续发展的重要措施，是合理配置土地、实施土地用途管制、促进城乡建设合理有序进行的重要手段。本文介绍了诸多模型与方法在土地利用规划中的应用。

关键词：土地利用规划 线性回归法 移动平均法 指数平滑法 灰色预测法 系统动力学的模型 人工神经网络预测法 元胞自动机 AHP一GA模型 1前言 我国相对薄弱的土地资源在新世纪初期正承受来自三方面的巨大压力。一是人口增长对食物的需求形成了对耕地保护的压力。二是社会经济快速发展对土地资源总量需求的压力。三是加强生态建设和环境保护对土地资源利用方式改变所形成的压力。土地利用规划是协调各业用地需求、保护土地资源、保障经济社会可持续发展的重要措施，是合理配置土地、实施土地用途管制、促进城乡建设合理有序进行的重要手段。在新世纪初期，随着资源、环境与经济社会发展的矛盾日益加大，各业用地矛盾加剧，耕地、林地、湿地等一些重要土地资源短缺问题日益突出，土地利用规划工作的难度将进一步加大，任务更加繁重。 土地利用总体规划是一定规划区域内，根据当地自然和社会经济条件以及国民经济发展的要求，协调土地总供给与总需求，确定或调整土地利用结构和用地布局的宏观战略措施，其核心就是确定或调整土地利用结构和用地布局。优化土地利用结构是在保证土地利用效率最大化的前提下，解决土地供需平衡的有效途径。土地利用结构优化的过程实质上是将有限的土地资源充分、有效、合理配置的过程，该过程其实也就是一个多目标决策的问题。通过多目标决策，确定了土地利用结构，也就实现了一个区域土地利用规划。在土地利用规划的编制工作中，结构优化一般采用传统的土宜法、综合平衡法、线性规划法、灰色线性规划法、模糊线性规划法等。近年来，随着人工智能和专家决策系统思想的引入，人工神经网络(ANN)和遗传算法(GneectiAlgorithnts，GA)等智能算法在土地利用规划中的应用研究也越来越多。 2线性回归法 2.1一元线性回归。 用一元线性回归法预测的基本思想是：按照两个变量XY的现有数据，把X、Y作为已知数，根据回归方程寻求合理的a、b，确定回归曲线。再把a、b作为已知数，去确定X、Y的未来演变。一元线性回归方程为：

一元回归模型在短时期内精度最好，但对于中长期外推预测，由于置信区间在扩大，误差较大，尤其在转折时期，函数形式发生变化，误差更大。一元线性回归一般适用于人口数据变动平稳、直线趋势较明显的预测。 2.2多元线性回归。 人类社会系统是由人口和其他多种要素组成，同时与各要素之间相互联系、相互影响和相互制约。因此可以根据人口与其他多种要素之间的定量关系，预测出未来不同发展阶段的人口。模型为：

3移动平均法 3.1一次移动平均数法。 一次移动平均数计算公式：

式中：为第& 周期的一次移动平均数；为第t周期的人口数据；N为计算移动平均数所选周期个数。一般而言，如果实际数据没有明显周期变化和趋势变化，则可用作为t+1周期预测值。 3.2二次移动平均数法。 计算t周期二次移动平均数的计算公式为：

在此基础上可建立线性模型为： 式中：t为当前时期数；T为由当前时期数t到预测期的时期数，即t以后模型外推的时间；为第t+T期的预测值；a为截距； b为斜率。a+b又称为平滑 系数。 根据移动平均值可得截距和斜率的计算公式为：

在实际应用移动平均法时，移动平均项数’ 的选择十分关键，它取决于预测目标和实际数据的变化规律。如果N值（周期）选择较大，则预测的结果较小，反之预测值较大。在选择N值的时候，要通过多个N值进行试算比较而定，哪个N值引起的预测误差小，就采用哪个。 4指数平滑法 4.1一次指数平滑法 计算公式为：

式中：为第& 周期的一次指数平滑值；为第t周期的实际人口值；为平滑系数，。

4.2二次指数平滑法 第t周期的二次指数平滑值为：

线性预测模型为： 式中：T为预测超前周期数；a、b为模型的待定参数。其中：

在指数平滑法中，预测成功的关键是的选择。的大小规定了在新预测值中新数据和原预测值所占的比例。值愈大，新数据所占的比重就愈大，原预测值所占比重就愈小，反之亦然。从其方法原理上可以看出，移动平均法和指数平滑法适用于历史人口数据较少，人口发展趋势与过去相同的情形下的人口预测。

5灰色预测模型 灰色系统理论把受众多因素影响，而又无法确定那些复杂关系的量，称为灰色量。对灰色量进行预测，不必拼凑一堆数据不准、关系不清、变化不明的参数，而是从自身的时间序列中寻找有用信息，建立和利用模型，发现和认识内在规律，并进行预测。 灰色线性规划的形式如下： 目标函数： ）或minmax()(CXXf

约束条件： XA）（ X≥0

也就是说：在满足bXA）（ X≥0的条件下，寻求一组X，使f（X）达极大值（或极小值）。 上述关系式中X为向量： T

nxxxX,,,21

C为目标函数的系数向量 ncccC,,,21

Ci可以是灰数。）（A为约束条件的系数矩阵，A为）（A的白化矩阵，且有：

11 12 … n1 ）（A=   … 

1m 2m … mn

11a 12a … ma1 A=   …  1ma 2ma … mna b是约束量 T

mbbbb,,,21

若对于约束指标bi，有一组白化序列  )(,),2(),1()()()()( Nbbbboioioioi

则对boi)(作累加生成后得bi)1(，再以bi)1(数据，按GM（1，1）建立预测模型，再从预测模型求出预测值。 nKKbi),()0(

在作规划计算时，按下述约束条件 )()0(1Kb ）（AX = )()0(2Kb 

)()0(Kbm

则可求出K时刻的灰色线性规划值。当K>n的条件下取不同值时，可以得到未来发展的各种线性规划解，也就是各个不同时期的线性规划解。

6系统动力学方法 系统动力学的模型是按照系统动力学理论建立起来的数学模型，采用专用语言，借助计算机进行系统模拟，并通过运行得出由多项指标组合而成的预测值后，根据需要与可能选择最优的预测值和相应的实施方案。 系统动力学法是研究系统的动态行为和评价系统采用各种不同策略所产生的行动效果的行之有效的方法。它是预测人口长期趋势、确定人口政策的定性结合定量的最先进的模拟实验技术，但也有缺点和困难之处。（1）分析问题、收集资料、建立模型和求证的过程都要消耗一定的财力、物力和人力，还需要占用大量的计算机工作时间；（2）建模人的专业水平直接影响模型的质量和结果。由于人们往往对系统的基本结构缺乏足够的了解，在建模过程中对系统的结构作一些简单化的假设；（3）很难验证预测结果的真实性。因为建模者的主导思想和诸多变量都影响着预测结果，而这些影响因素的正确性经过实践才能得到验证。 7人工神经网络预测法 人工神经网络（Artificial Neural Network，简称ANN）是模仿人类脑神经活动的一种人工智能技术，是由大量的同时也是很简单的处理单元广泛连接构成的复杂网络系统，它力图模拟人脑的一些基本特征，可以进行并行计算、分布式信息存储，具有很强的自适应性、自组织性。特别是能处理任意类数据，这是其它传统方法所无法比拟的。通过不断的学习，能够从未知模式的大量复杂数据中发现其规律，进行模拟、预测。人工神经网络是建立在现代神经科学研究基础上的一种抽象数学模型，它反映了大脑功能的基本特征，但并非逼真地描写，只是某种简化、抽象和模拟。给ANN 一些样本，ANN通过自学习可以掌握样本规律，在输入新的数据和状态信息时，可用ANN进行自动推理和控制。由于反向传递学习算法BP网络和Hopfield网络的出现与再次兴起，使其应用领域不断扩大。 应用得最多的是BP人工神经网络[4]。从结构上讲，BP网络是典型的多层网络，分为输人层、隐含层和输出层，层与层之间采用完全互连方式，同一层单元间不存在相互连接。BP网络的第一层即输入层，接受外界输入，最后一层即输出层，产生输出。在输入层和输出层之间，有若干个隐含层。在各层之间，只有相邻层的神经元之间存在联系。对输入X进行某种函数运算，即得到神经元的输出Y。在化工的应用领域中，常用的函数形式是S型函数F(x)。



1

F1expxx



BP算法的具体步骤是： （1）初始化，即随机地设置各层权重系数和值； （2）将训练样本数据X加到网络输入端，计算各层的输出Y，将输出值与期望值相比得到误差信号； （3）根据误差信号重新调整连接权重； （4）如果小于预定误差，则认为网络已收敛而停止学习，反之，则返回（2）继续学习（3）。 算法框图如下： 图1 BP算法框图 8元胞自动机 元胞自动机(Cellular Automata)，简称CA，也有人译为细胞自动机、点格自动机、分子自动机或单元自动机)。是一时间和空间都离散的动力系统。散布在规则格网 (Lattice Grid)中的每一元胞(Cell)取有限的离散状态，遵循同样的作用规则，依据确定的局部规则作同步更新。大量元胞通过简单的相互作用而构成动态系统的 演化。不同于一般的动力学模型，元胞自动机不是由严格定义的物理方程或函数确定，而是用一系列模型构造的规则构成。凡是满足这些规则的模型都可以算作是元 胞自动机模型。因此，元胞自动机是一类模型的总称，或者说是一个方法框架。其特点是时间、空间、状态都离散，每个变量只取有限多个状态，且其状态改变的规 则在时间和空间上都是局部的。 元胞自动机的构建没有固定的数学公式，构成方式繁杂，变种很多，行为复杂。故其分类难度也较大，自元胞自动机产生以来，对于元胞自动机分类的研究就是元胞 自动机的一个重要的研究课题和核心理论，在基于不同的出发点，元胞自动机可有多种分类，其中，最具影响力的当属S. Wolfram在80年代初做的基于动力学行为的元胞自动机分类，而基于维数的元胞自动机分类也是最简单和最常用的划分。除此之外，在1990年， Howard A.Gutowitz提出了基于元胞自动机行为的马尔科夫概率量测的层次化、参量化的分类体系(Gutowitz, H.