基于BP神经网络模型的新疆建设用地分析

doi:10.7523/j.issn.2095-6134.2009.4.004

中国科学院大学学报 ›› 2009, Vol. 26 ›› Issue (4): 451-457.DOI: 10.7523/j.issn.2095-6134.2009.4.004

基于BP神经网络模型的新疆建设用地分析

段祖亮^1,2, 张小雷¹, 权晓燕^1,2

1. 中国科学院新疆生态与地理研究所，乌鲁木齐 830011;
2. 中国科学院研究生院，北京 100049

收稿日期:2009-02-05 修回日期:2009-03-11 发布日期:2009-07-15
通讯作者: 段祖亮
基金资助:
中国科学院知识创新工程重要方向项目(KZCX2-YW-321-03)和中国科学院知识创新重大项目(KZCX2-XB2-03-03)资助 

Analysis of construction land by back-propagation neural network model with Xinjiang as a case

DUAN Zu-Liang^1,2, ZHANG Xiao-Lei¹, QUAN Xiao-Yan^1,2

1. Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China;
2. Graduate University of the Chinese Academy of Sciences, Beijing 100049, China

Received:2009-02-05 Revised:2009-03-11 Published:2009-07-15

摘要/Abstract

摘要：

鉴于BP神经网络在非线性领域预测中的应用,以新疆建设用地为研究对象,构建BP神经网络预测模型,选取1996~2006年总人口、城市化水平、GDP等10个因子,反映新疆人口状况、经济发展水平、产业结构及投资水平作为网络的仿真输入,对2007年新疆建设用地进行模拟预测,预测结果与实际面积的相对误差仅为0.06%.最后针对新疆建设用地中存在的问题,提出了保障经济与社会协调可持续发展的土地利用策略.

关键词: BP神经网络模型, 建设用地, 影响因素, 预测, 新疆

Abstract:

Taking Xinjiang as an example, we establish a predicting model by using BP neural network, and make a prediction of construction land in 2007. The model learning samples are from the social-economic statistical data between 1996 and 2006. The results show that the relative error between the predicted and actual value is only 0.06％, and the BP neural network has higher precision and better effectiveness than traditional methods. Some strategic countermeasures are put forward for sustainable land use in Xinjiang.

Key words: BP neural network model, construction land, influencing factor, prediction, Xinjiang

中图分类号:

F293.2

段祖亮, 张小雷, 权晓燕. 基于BP神经网络模型的新疆建设用地分析[J]. 中国科学院大学学报, 2009, 26(4): 451-457.

DUAN Zu-Liang, ZHANG Xiao-Lei, QUAN Xiao-Yan. Analysis of construction land by back-propagation neural network model with Xinjiang as a case[J]. , 2009, 26(4): 451-457.

参考文献

[1] Xiong Z, Zheng L F, Tong Q X. Hierarchical neural network classification algorithm
[J]. Acta Geodaetica et Cartographica Sinica, 2000, 29 (3): 229-234 (in Chinese). 熊祯, 郑兰芬, 童庆禧. 分层神经网络分类算法
[J]. 测绘学报, 2000, 29 (3): 229-234.

[2] Hornik K. Approximation capabilities of multiplayer feed-ward networks
[J]. Neural Networks, 1996(4): 251-257.

[3] Lapedes A, Farber R. Nonlinear signal prediction using neural networks: prediction and system modelling
[J]. Los Alamos National Laboratory Report, 2001, 5(3):576-592.

[4] Maasoumi E, Khotanzad A. Artificial neural networks for some macroeconomic series: a first report
[J]. Econometric Reviews, 1994, 13 (1): 105-122.

[5] Liu K. Application of BP neural network in the prediction of urban built-up area: a case study of Beijing
[J]. Progress in Geography, 2007, 26 (6): 129-137 (in Chinese). 刘柯. 基于主成分分析的BP神经网络在城市建成区面积预测中的应用——以北京市为例
[J]. 地理科学进展, 2007, 26 (6): 129-137.

[6] Zhao Y Y, Pu L J, Hu X T. Application of BP neural network in the prediction of urban construction land area: a case study of Jiangsu Province
[J]. Resources and Environment in the Yangtza Basin, 2006, 15 (1): 14-18 (in Chinese). 赵姚阳, 濮励杰, 胡晓添. 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
[J].长江流域资源与环境, 2006, 15 (1): 14-18.

[7] Wang Z B, Chi H Z. Prediction of urban building land in Jinan based on ANN model
[J]. Research of Soil and Water Conservation, 2007, 14 (5): 222-224 (in Chinese). 王增彬,迟恒智.基于BP神经网络的济南市建设用地规模预测
[J].水土保持研究,2007,14(5):222-224.

[8] Lei B. The comparison of multi-regression analysis model and BP neural network model in predicting the urban construction land area: a case study of Fuzhou city
[J]. Urban Studies, 2008, 15 (1): 26-28 (in Chinese). 雷波. BP神经网络和多元回归模型在城市建成区面积预测中的应用比较——以福州市为例
[J].城市发展研究, 2008, 15 (1): 26-28.

[9] Xie X P, Zhou J. Study on prediction of land use/cover Change: a case study in the Xi'an region
[J]. Arid Zone Research, 2008, 25 (1): 125-130 (in Chinese). 解修平, 周杰. 土地利用变化预测研究——以西安地区为例
[J].干旱区研究, 2008, 25 (1): 125-130.

[10] Li S C, Zheng D. Application of artificial neural networks to geosciences: reviews and prospect
[J]. Advance in Earth Sciences, 2003, 18 (1): 68-76 (in Chinese). 李双成, 郑度. 人工神经网络模型在地学研究中的应用进展
[J]. 地球科学进展, 2003, 18 (1): 68-76.

[11] Chu H, Lai H C. An improved back-propagation NN algorithm and its application
[J]. Computer Simulation, 2007, 24 (4): 75-77,111 (in Chinese). 褚辉, 赖惠成. 一种改进的BP神经网络算法及其应用
[J].计算机仿真, 2007, 24 (4):75-77, 111.

[12] 朱海燕, 朱晓莲, 黄 NFDA3 . 基于动态BP神经网络的预测方法及其应用
[J]. 计算机与信息技术, 2007(Z1): 3-6.

[13] Lu J J, Chen H. Researching development on BP neural networks
[J]. Control Engineering of China, 2006, 13 (5): 449-451, 456 (in Chinese). 鲁娟娟, 陈红. BP神经网络的研究进展
[J]. 控制工程, 2006, 13 (5): 449-451, 456.

[14] Parker A. Patterns of federal urban spending: central cities and their suburbs 1983-1992
[J]. Urban A fairs Review, 1995, 31 (2): 184-205.

[15] 谈明洪, 李秀斌, 吕昌河. 20世纪90年代中国大中城市建设用地扩张及其对耕地的占用
[J]. 中国科学D:地球科学, 2004, 34 (12): 1157-1165.

[16] 黄季, 朱莉芬, 邓祥征. 中国建设用地扩张的区域差异及其影响因素
[J].中国科学D辑:地球科学, 2007, 37 (9): 1235-1241.

[17] He S J, Wang X H, Deng X Z,et al. Analysis on influencing factors of land use change in three typical areas of western China
[J]. Geographical Research, 2006, 25 (1): 79-86, i0001 (in Chinese). 何书金, 王秀红, 邓祥征,等. 中国西部典型地区土地利用变化对比分析
[J]. 地理研究, 2006, 25 (1): 79-86, i0001.

[18] Li Y, Li X. Analysis of influential elements of urban land scale in China
[J]. City Planning Review, 2006, 30 (10): 14-18 (in Chinese). 黎云, 李郇. 我国城市用地规模的影响因素分析
[J]. 城市规划, 2006, 30 (10): 14-18.

[19] Burchfield M, Puga D, Turner M. The determinants of urban sprawl: A portrait from space
[J].Quart J Econ, 2006, 121 (2): 587-633.

[20] Du H Y, Zhao J, Feng C Q. Analysis on the relationship between social economic development and land use in arid region of Northwest China: a case of Jiayuguan city
[J]. Journal of Arid Land Resources and Environment, 2007, 21 (11): 90-94 (in Chinese). 杜怀玉, 赵军, 冯翠琴. 西北干旱区经济社会发展与土地利用相关分析——以嘉峪关市为例
[J].干旱区资源与环境, 2007, 21 (11): 90-94.

[21] Han S J. Comparison of undimensionalization in SPSS cluster analysis . Science Mosaic, 2008(3): 229-231 (in Chinese). 韩胜娟. SPSS聚类分析中数据无量纲化方法比较
[J]. 科技广场, 2008(3): 229-231.

基于BP神经网络模型的新疆建设用地分析

Analysis of construction land by back-propagation neural network model with Xinjiang as a case

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	王钧, 宇岩, 宫清华, 袁少雄, 陈军. 广东省山洪灾害分布特征及关键影响因素分析[J]. 中国科学院大学学报, 2021, 38(5): 611-623.
[2]	于文欣, 李凯, 周明拓, 李剑, 杨旸. 面向三维信道幅值预测的自适应神经网络[J]. 中国科学院大学学报, 2021, 38(5): 678-686.
[3]	庄庆威, 吴世新, 杨怡, 牛雅萱, 颜瑜严. 近10年新疆不同程度盐渍化耕地的时空变化特征[J]. 中国科学院大学学报, 2021, 38(3): 341-349.
[4]	刘韬, 杨德刚, 张豫芳, 蔡天毅. 城市公园绿地可达性时空变化及影响因素——以乌鲁木齐市为例[J]. 中国科学院大学学报, 2021, 38(3): 350-359.
[5]	郭姣姣, 杨兆萍, 徐晓亮, 王璀蓉, 赵胡兰. 援疆政策下新疆国内旅游客源市场优化——基于修正的旅游引力模型[J]. 中国科学院大学学报, 2021, 38(3): 360-366.
[6]	肖亚楠, 周伟, 崔杰, 刘亭亭, 肖灵. 一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法[J]. 中国科学院大学学报, 2021, 38(3): 374-381.
[7]	吴栋, 郭潇. 基于非参数模型的气体浓度的逆向预测[J]. 中国科学院大学学报, 2020, 37(6): 728-735.
[8]	张晓平, 林美含. 中国城市空气污染区域差异及社会经济影响因素分析——基于两种空气质量指数的比较研究[J]. 中国科学院大学学报, 2020, 37(1): 39-50.
[9]	宋旭鸣, 沈逸飞, 石远明. 基于深度学习的智能移动边缘网络缓存[J]. 中国科学院大学学报, 2020, 37(1): 128-135.
[10]	李建刚, 雷军, 段祖亮, 杨振. 新疆县域城镇化时空格局演变特征及影响因素[J]. 中国科学院大学学报, 2019, 36(6): 774-783.
[11]	杨晓娇, 王效科. 中国城市生活资源消耗与污染排放的主要影响因素[J]. 中国科学院大学学报, 2019, 36(5): 626-632.
[12]	何书玲, 杜宏茹. 近10年中国新疆与中亚对外贸易依存性发展[J]. 中国科学院大学学报, 2019, 36(5): 642-649.
[13]	李娅, 刘亚岚, 任玉环, 王智灏, 曲畅. 城市功能区语义信息挖掘与遥感分类[J]. 中国科学院大学学报, 2019, 36(1): 56-63.
[14]	杨振, 雷军. 中国地级及以上城市城镇化发展的时空格局及影响因素[J]. 中国科学院大学学报, 2019, 36(1): 82-92.
[15]	刘靖羽, 尹奇, 唐宏, 张湛. 农村集体经营性建设用地入市中村委会寻租行为的监督博弈模型[J]. 中国科学院大学学报, 2018, 35(6): 805-813.