Urban expansion in Auckland, New Zealand: a GIS simulation via an intelligent self-adapting multiscale agent-based model
ABSTRACT: When modelling urban expansion dynamics, cellular auto-mata models focus mostly on the physical environments and cellneighbours, but ignore the ‘human’ aspect of the allocation ofurban expansion cells. This limitation is overcome here using anintelligent self-adapting multiscale agent-based model. To simulate the urban expansion of Auckland, New Zealand, a total of 15 urban expansion drivers/constraints were considered over two periods (2000–2005, 2005–2010). The modelling takes into consideration both a macro-scale agent (government) and micro-scale agents (residents of three income levels), and their multi-level interactions. In order to achieve reliable simulation results, ABM was coupled with an artifificial neural network to reveal the learning process and heterogeneity of the multi-sub-residential agents. The ANN-ABM accurately simulated the urban expansion of Auckland at both the global and local scales, with kappa simulation value at 0.48 and 0.55, respectively. The validated simulation result shows that the intelligent and self-adapting ANN-ABM approach is more accurate than an ABM with a general type of agent model (kappa simulation = 0.42) at the global scale, and more accurate than an ANN-based CA model (kappa simulation = 0.47) at the local scale. Simulation inaccuracy stems mostly from the outdated master land use plan.
KEYWORDS：Agent-based model; artifificial neural network; multi-sub-agent; urban expansion;human decision; master plan; auckland
科普
元胞自动机 cellular automata（CA）
是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。元胞自动机由规则的元胞网格组成，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。首先每个单元格都处于有限状态中的一种，例如打开状态和关闭状态（与耦合映象晶格 coupled map lattice 相反）。网格可以是任意有限维数。对于每个单元格，都有一组定义为其邻域的单元格。 每个单元格都将被定义一种状态来作为初始状态（时间t = 0）。根据一些固定的规则（通常是一种数学函数），产生新的状态（t增加1个单位）。单元格当前状态及其附近单元格的状态共同决定了该单元格的新状态。
sources:元胞自动机
代理人基模型agent-based model（ABM）
通过模拟多个智能体的同时行动和相互作用以再现和预测复杂现象。这个过程是从低（微观）层次到高（宏观）层次的涌现。 因此，这个模型的关键就是简单的行为规则能够产生复杂的行为结果，这便是被建模领域广泛采纳的KISS原则（Keep it simple，stupid），另一个原则是整体大于部分的总和。一般而言，独立个体是有限理性的，假设他们为个人的利益而行动，例如繁殖、积极利益或者社会地位，并且只能通过试探性的或简单的决策规则进行决策。基于智能体模型的个体可能经历学习，适应和再生产的过程。
绝大多数的基于智能体模型包括：（1）大量通过各种指标（个体粒度）区分的智能体；（2）试探性决策方式；（3）学习规则或适应过程；（4）一个交流拓扑网络和（5）一个非智能体的环境。ABM主要应用于计算机仿真，一般通过专门的软件或者ABM工具包，同时这些软件也能用于测验个体行为的改变如何影响系统整体行为结果的涌现
sources:代理人基模型
本文提出了一种智能自适应多尺度代理人基模型。该模型在考虑了政府等宏观因素和三个收入层的微观因素和它们的相互作用的情况下，模拟土地扩张的过程，并可以达到较高的准确率。在这之前CA(Cellular Automata)和ABM(Agent-Based Models)是最为广泛使用的新一代土地利用/城市发展模拟模型，但CA模型不能处理人类的影响因子，而ABM模型大多没有在同一层次上进行多一步区分因素，没有考虑相互作用和异质性。
方法
建模以四个假设为基础：
1. 代理人的行为是理性的
2. 扩建应该符合总体规划
3. 模拟像元大小为30m*30m
4. 模拟仅适用于居民区
政府作为宏观层面代理，可以决定城市禁止发展的区域，禁止区域内部无法改变用途。居民作为微观层面代理，高收入居民（RAH）更加重视社会舒适和生活环境质量，中等收入居民（RAM）更重视通勤距离和人口密度，低收入居民（RAL）更加重视交通的可达性和便利性，三者加权获得居民代理的决策分数，用P进行评估。对于每一个小区域，都考虑了三种类型的互相作用，当P全大于0.5的适合，主要考虑政府的影响；当两个P大于0.5的时候，该地区是中等优先发展地区；当至少有一个P大于0.5的时候，该地区是城市化的最低优先地区。ANN对于ABM来说，可以通过自学习提供更多细节，根据变化的环境自动加权，从而提高了在探索城市非线性复杂扩张中的准确性。
TCL碎碎念
这个模型最后的结果是比较准确的，进一步的优化了现有的ABM模型，提高了建模精度。包括结果中的假阳性不准确区域也主要是因为城市规划变化和数据延迟等非技术性因素。个人认为，这里在评价居民微观层面代理的时候，使用了比较多的数据分析方法，为因子加权，偏重于计量地理学的思想。但是，计量地理学通过数据计算来实现分析过程，比较少考虑人本因素。在这里，我个人认为采用一些居民抽样调查会不会更加准确。通过10000份的调查问卷，随机调查城市各个社区的居民对于搬迁因素的重要性权重，或许从这种调查方式加权得到的结果会更加符合居民本身的考虑。
