文献类型：期刊文献

中文题名：大数据时代下城市扩展的精细化研究

英文题名：The Fine-Scale Urban Expansion Modeling in the Big Data Era

作者：陈婉珍[1];张中浩[2,3];何雪松[1]

机构：[1]华东理工大学社会与公共管理学院,上海200237;[2]上海师范大学城市发展研究院,上海200234;[3]中国科学院寒区旱区环境与工程研究所,甘肃兰州730000

年份：2017

卷号：24

期号：8

起止页码：71

中文期刊名：城市发展研究

外文期刊名：Urban Development Studies

收录：CSTPCD;;北大核心:【北大核心2014】；CSCD:【CSCD_E2017_2018】；CSSCI:【CSSCI2017_2018】；

基金：国家自然科学基金(41601459);上海市人民政府发展研究中心决策咨询项目(2017-YJ-N05);教育部人文社科规划基金(16YJZH152);上海市教育科学研究一般项目(C17017)

语种：中文

中文关键词：大数据;城市扩展;CA-MAS耦合模型;贝叶斯最大熵;数据同化

外文关键词：Big Data; Urban Expansion; CA-MAS Model; Bayesian Maximum Entropy; Data Assimilation

摘要：城市扩展是在自然、社会、经济等多种复合要素相互影响下的动态时空过程,对其进行精确模拟能够把握未来城市建设的发展形态,防止不合理的土地规划和政策带来一系列问题。提出在耦合元胞自动机和多智能体模型基础上,引入城市空间大数据并结合贝叶斯最大熵方法对多源数据进行融合来拓展数据来源。同时,综合利用模型模拟和遥感观测数据信息,基于数据同化方法优化模型参数,并减小和控制模型不确定性和累积误差,最终达到提高城市扩展模型模拟精度的目标。
Urban land expansion is a complex progress under the impacts of natural, social and economic factors during rapid urbanization. Simulating the development patterns of urban land is help to slove many problems brought by unreasonable land planning. This paper mainly do research on optimizing the Cellular Automata-Multiple Agent System （CA-MAS） model for urban land expansion simulation by coupling observed data and simulated results with data assimilation method. The big data is combined with the Bayesian maximum entropy method for spatiotemporal prediction of multi-source data, which expand the dataset of urban expansion models. In order to improve the precision of simulation, particle filter method is used to optimize the parameters of the coupling model and minimize the uncertainty of observations.