长江流域资源与环境 >> 2006, Vol. 15 >> Issue (1): 14-18.

• 资源环境与社会经济可持续发展 • 上一篇    下一篇

BP神经网络在城市建成区面积预测中的应用——以江苏省为例

赵姚阳1,濮励杰1,2,胡晓添1   

  • 收稿日期:2005-03-01 修回日期:2005-05-24 出版日期:2006-01-20
  • 通讯作者: 赵姚阳

APPLICATION OF BP NEURAL NETWORK IN THE PREDICTION OF URBAN CONSTRUCTION LAND AREA——A CASE STUDY OF JIANGSU PROVINCE

ZHAO Yao-yang1, PU Li-jie1,2, HU Xiao-tian1   

  • Received:2005-03-01 Revised:2005-05-24 Online:2006-01-20
  • Contact: ZHAO Yao-yang

摘要: 城市建成区规模的迅速扩张是目前江苏省土地利用变化中的一个显著特点,其面积从1985年的426 km2扩大到2003年的2 200 km2,平均年增加98.56 km2。城市建成区规模的扩张受到社会、经济、人口等多种因素的影响,用传统方法对其进行预测比较困难。鉴于BP神经网络在非线性领域预测中的广泛应用,以江苏省为研究对象,构建一个11-3-1结构的BP神经网络预测模型,以1985~2001年和2002年的相关数据作为模型的训练和测试样本,以2003年的社会、经济数据作为网络的预测输入,对该年的建成区面积进行预测。结果表明,BP神经网络预测结果与实际面积的相对误差为3.96%,其预测精度与多元回归预测模型相比有较大改善。

关键词: BP神经网络, 预测, 建成区面积, 江苏省

Abstract: The fast growth of construction land is a significant character in recent land use variation in Jiangsu province. The total area of its urban construction land increased from 426 km2 in 1985 to 2 200 km2 in 2003. The annul increase area was reached at 98.56 km2. Because city is a complex system and the increase of construction land area was propelled by social, economic and human factors. So it is difficult to predict the construction land area by traditional methods. In this paper, the back propagation algorithm (BP) was introduced to predict the urban construction land area in Jiangsu province. At the same time, the multiregression analysis model was also set up to check the precision of BP neural prediction model. The results showed that the relative error between the value predicted by the BP neural network and the actual value was only 3.96%. It also showed that the BP neural network has a high precision and good effectiveness than the multiregression analysis. The result of the research can be referred as an effective tool for the government regulations on the land use plan.

Key words: BP neural network, prediction, construction land area, Jiangsu Province

[1] 顾铮鸣, 金晓斌, 沈春竹, 金志丰, 周寅康. 近15a江苏省水源涵养功能时空变化与影响因素探析[J]. 长江流域资源与环境, 2018, 27(11): 2453-2462.
[2] 赵 毅, 徐绪堪, 李晓娟. 基于变权灰色云模型的江苏省水环境系统脆弱性评价[J]. 长江流域资源与环境, 2018, 27(11): 2463-2471.
[3] 李杨, 李海东, 施卫省, 何俊德, 胡亚文. 基于神经网络的土壤重金属预测及生态风险评价[J]. 长江流域资源与环境, 2017, 26(04): 591-597.
[4] 刘倩倩, 陈岩. 基于粗糙集和BP神经网络的流域水资源脆弱性预测研究——以淮河流域为例[J]. 长江流域资源与环境, 2016, 25(09): 1317-1327.
[5] 龚艳冰, 戴靓靓, 胡娜, 刘高峰, 张继国. 基于云推理和模糊逻辑关系模型的干旱等级预测方法研究[J]. 长江流域资源与环境, 2016, 25(08): 1273-1278.
[6] 付莲莲, 朱红根, 周曙东. 江西省气候变化的特征及其对水稻产量的贡献——基于“气候-经济”模型[J]. 长江流域资源与环境, 2016, 25(04): 590-598.
[7] 吴连霞, 赵媛, 管卫华. 江苏省人口城乡结构差异的多尺度研究[J]. 长江流域资源与环境, 2016, 25(01): 25-38.
[8] 管卫华, 彭鑫, 张惠, 魏也华. 不同空间尺度的江苏省区域经济差异研究[J]. 长江流域资源与环境, 2015, 24(12): 2003-2011.
[9] 王钊, 杨山, 刘帅宾. 基于DMSP/OLS数据的江苏省城镇人口空间分异研究[J]. 长江流域资源与环境, 2015, 24(12): 2021-2029.
[10] 乔伟峰, 王亚华, 方斌. 基于变更平衡表的土地利用演化信息提取与预测方法研究——以苏州市为例[J]. 长江流域资源与环境, 2015, 24(09): 1514-1520.
[11] 陈会广, 夏红, 肖毅, 李炜玮. 基于灰色关联和主成分分析的农村建设用地集约利用评价——以江苏省为例[J]. 长江流域资源与环境, 2015, 24(08): 1331-1336.
[12] 吕立刚, 周生路, 周兵兵, 陈龙, 苏全龙, 王静. 1985年以来江苏省土地利用变化对人类活动程度的响应[J]. 长江流域资源与环境, 2015, 24(07): 1086-1093.
[13] 韩玉刚, 曹贤忠. 皖江区域城市能级与生态环境协调度的测度和发展趋势研究[J]. 长江流域资源与环境, 2015, 24(06): 909-916.
[14] 黄杰, 闫庆武, 刘永伟. 基于DMSP/OLS与土地利用的江苏省人口数据空间化研究[J]. 长江流域资源与环境, 2015, 24(05): 735-741.
[15] 胡鸿兴, 何伟, 沈虹, 王钰. 湖北“两圈”区域发展可持续性评价与预测[J]. 长江流域资源与环境, 2010, 19(04): 351-.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 胡学玉, 孙宏发, 陈德林. 铜绿山矿冶废弃地优势植物重金属的积累与迁移[J]. 长江流域资源与环境, 2008, 17(3): 436 .
[2] 宋述军,周万村. 岷江流域土地利用结构对地表水水质的影响[J]. 长江流域资源与环境, 2008, 17(5): 712 .
[3] 王学雷,蔡述明,任宪友,陈世俭. 三峡库区湿地生态建设与保护利用[J]. 长江流域资源与环境, 2004, 13(2): 149 -153 .
[4] 尹占娥,许世远. 上海浦东新区土地利用变化及其生态环境效应[J]. 长江流域资源与环境, 2007, 16(4): 430 .
[5] 段七零. 我国原油流动的空间格局研究[J]. 长江流域资源与环境, 2008, 17(4): 573 .
[6] 张 健, 濮励杰, 彭补拙. 基于景观生态学的区域土地利用结构变化特征[J]. 长江流域资源与环境, 2007, 16(5): 578 .
[7] 张家玉, 冯慧芳. 江汉湖沼资源的开发与保护[J]. 长江流域资源与环境, 1992, 1(1): 7 .
[8] 唐伟, 钟祥浩. 成都都市圈县域经济时空差异及空间结构演变[J]. 长江流域资源与环境, 2010, 19(7): 732 .
[9] 张 颖 |陈 艳. 中部地区生物质资源潜力与减排效应估算[J]. 长江流域资源与环境, 2012, 21(10): 1185 .
[10] 乔卫芳 | 牛海鹏| 赵同谦. 基于SWAT模型的丹江口水库流域农业非点源污染的时空分布特征[J]. 长江流域资源与环境, 2013, 22(02): 190 .