融合多尺度与坐标注意力的城市扩张模拟

作     者：孙令博 刘明皓 罗庆喜 许汀汀 陈春 SUN Lingbo;LIU Minghao;LUO Qingxi;XU Tingting;CHEN Chun

作者机构：重庆邮电大学计算机科学与技术学院重庆400065 重庆邮电大学空间信息研究中心重庆400065 重庆邮电大学软件工程学院重庆400065 重庆交通大学建筑与城市规划学院重庆400074 

出 版 物：《西南大学学报（自然科学版）》 (Journal of Southwest University(Natural Science Edition))

年 卷 期：2025年第47卷第2期

页      面：145-159页

学科分类：08[工学] 09[农学] 0903[农学-农业资源与环境] 083306[工学-城乡规划管理] 0833[工学-城乡规划学] 

基　　金：国家自然科学基金项目(42071218) 重庆市博士直通车项目(CSTB2022BSXM-JCX0147) 

主　　题：ASPP-CRAUnet-CARS模型 多尺度特征 注意力机制 空间非平稳性 

摘      要：针对基于机器学习的元胞自动机在土地覆被变化模拟中存在的尺度效应和非平稳性特征提取不充分等问题,构建了ASPP(空洞空间金字塔池化)-CRA(坐标注意力)Unet-CARS(基于多类随机斑块种子)耦合模型。以成渝地区双城经济圈2012、2016、2020年实际城市土地利用变化数据为例,设计2组实验验证了模型的性能,并将其应用于预测2024年及2028年的城市扩张模式。通过模型对比结果显示,ASPP-CRAUnet-CARS模型的Kappa值为0.9123,FoM值为0.4142,Kappa值分别比RF-CMCNN-CA模型和UMCNN-CA模型的高出0.0208和0.0342,FoM值则分别提升了0.0306和0.0679。消融实验表明:去除ASPP和CRA模块后Kappa值与FoM值均有所下降。研究结果表明:ASPP-CRAUnet-CARS模型融合了传统元胞自动机和深度学习模型的双重优势,能较好地学习到城市发展中的复杂空间特征,改善了空间非平稳性建模效果,有效提高了模拟精度。