基于深度学习的城市景观环境承载力预测模型分析①

张 珂， 孙 升

(安徽建筑大学a.城市建设学院建筑与艺术系,安徽 巢湖 238076;b.建筑与规划学院，安徽 合肥 230022)

0 引 言

城市环境保护建设的不断推进和发展，需要进行城市景观环境的承载水平分析，进行环境承载力预测，提高环境承载水平。根据环境承载力的预测结果，进行环境保护控制，提高城市环境管理能力，相关的环境承载力预测方法研究受到人们的极大关注[1]。对城市景观环境承载力的预测建立在对环境承载水平的自适性控制和特征分析基础上，采用自适应的融合性跟踪识别方法，进行环境承载力的优化预测。传统方法中，对环境承载力预测方法主要有关联特征检测方法、模糊信息聚类方法和统计分析方法等[2-3]，建立环境承载大数据分析模型，根据大数据分析结果进行环境承载力预测，但传统方法进行环境承载力预测的自适应性较差。对此，此次研究提出基于深度学习的环境承载力预测模型。建立城市景观环境承载力的模糊相关性特征辨识模型，结合模糊信息聚类方法进行环境承载力的统计分析。根据城市景观环境承载力数据分析结果，采用深度学习方法进行环境承载力预测的自适应寻优控制，实现城市景观环境承载力的准确预测。进行仿真测试分析，得出有效性结论。

1 城市景观环境承载力的统计分析和大数据建模

1.1 环境承载力的统计分析

为了实现基于深度学习的城市景观环境承载力预测，需要构建环境承载力预测的统计分析模型。根据约束变量分析的方法进行环境承载力的优化预测和自适应寻优，建立环境预测的统计分析模型。采用模糊关联规则分析方法，进行环境预测的自适应控制，提高城市景观环境承载力预测的输出稳定性，构建环境承载力的统计分析模型[4]。采用模糊关联规则挖掘方法，建立城市景观环境承载力统计分析的模糊度分析模型，表述为公式(1)：

(1)

式(1)中，φa为环境承载力评估的关联规则系数，ω为环境承载力分布的自适应加权学习系数。采用统计分析方法，构建城市景观环境承载力的先验信息分布式融合模型[5]，环境承载力自动化预测的模糊迭代计算式(2)为：

(2)

式(2)中，Newi′=(ei′,1，ei′2，…，ei′D)，表示城市景观环境承载力评估的分布式调度集，取c=1/nj，采用模糊C均值聚类，得到环境承载体检测的大数据聚类分布表示为公式(3)：

(3)

通过上述模型，采用自适应寻优方法进行城市景观环境承载力的可靠性预测，通过量化寻优方法，进行环境承载力控制[6]，得到环境承载力预测的最优参数估计值为公式(4)：

opij=k*(minj+maxj)-xij

(4)

式(4)中，opij为环境承载力预测的最佳统计特征量，minj为环境承载力预测的模糊度特征分布融合系数。采用自适应量化寻优方法，进行城市景观环境承载力预测，得到梯度分析模型，如公式(5)：

(5)

式(5)中，F(x)表示城市景观环境承载力预测控制目标函数，vi(x)表示自适应扩展系数，构建环境承载力预测的模糊隶属度函数，提高预测的准确性。

1.2 环境承载力预测的大数据建模

采用模糊信息融合方法进行城市景观环境承载力的特征分布式检测，建立环境承载力的模糊相关性特征辨识模型，进行环境承载力预测的相似度分析[7]。得到相似度函数为公式(6)：

(6)

式(6)中，vi是第i个模糊相似特征的集合。

依据环境承载力预测相似度分析结果，在有限状态空间中，提取环境承载力大数据分布特征量，得到大数据空间分布集，如公式(7)：

(7)

通过式(7)，得到城市景观环境承载力预测的大数据分析模型，采用模糊信息融合方法进行环境承载力的特征分布式检测[8]。根据环境承载力大数据分布特性进行多维参数融合，建立空间规划模型为公式(8)：

(8)

式(8)中，usi(k)表示环境承载力分布式检测函数，结合模糊度特征构造方法，进行城市景观环境承载力预测和自适应评估。

2 城市景观环境承载力预测模型优化

2.1 环境承载力统计特征分布式检测

在构建城市景观环境承载力的大数据分析模型，在提取反映环境承载力特征量信息分布集的基础上，进行城市景观环境承载力预测。提出基于深度学习的城市景观环境承载力预测模型。根据环境承载力分布特征进行环境信息检测，建立城市景观环境承载力的模糊相关性大数据分析模型[9]。环境承载力实体负载为Cij，采用关联规则性检测的方法进行环境承载力的负载检测，得到检测统计量为公式(9)：

(9)

(10)

通过上述数学模型构建，建立城市景观环境承载力预测的多参数融合模型，采用自适应参量融合方法进行城市景观环境承载力预测，得到预测函数满足公式(11)：

gk+AkΔxk=0

(11)

环境承载力预测的模糊隶属度函数满足公式(12)：

(12)

采用深度学习方法，得到城市景观环境承载力的自适应学习函数如公式(13)：

usi(k)=netsi(k)

(13)

城市景观环境承载力的空间负荷表示为公式(14)：

xi=

(14)

式(14)中，wj为第j个城市景观环境空间的分析参数，n为环境空间的分区范围。

根据以上计算，建立环境承载力统计特征分布式检测模型，根据环境承载力数据分析结果，得到环境承载力预测的统计特征量。

2.2 环境承载力预测输出

建立城市景观环境承载力的模糊相关性特征辨识模型，结合模糊信息聚类方法进行环境承载力的统计分析，城市景观环境承载的应力分布表示为公式(15)：

(15)

式(15)中，Φk为环境承载力的自回归统计平均值，ζ(n)为环境承载力预测的回归系数，pk为尺度参数。构建城市景观环境承载力预测的自相关特征匹配函数，得到匹配特征集为公式(16)：

(16)

式(16)中，bk为环境承载力预测的主成分特征量，φ为相似度信息，m为期望的响应，ck为环境承载力预测的动态响应，得到输出的关联规则集：

(17)

(18)

(19)

图1 城市景观环境信息承载分布的原始数据

图2 城市景观环境承载力预测结果

图3 不同方法环境特征识别准确率

式(19)中，rect(t)=1,|t|1/2。对城市景观环境承载力预测过程进行自适应寻优，优化预测模型为公式(20)：

(20)

式(20)中，Gj和Gk都具有较强的关联性，根据关联性分布，进行城市景观环境承载力预测。

3 仿真实验与分析

为了测试研究方法在实现城市景观环境承载力预测中的应用性能，进行实验分析。对城市景观环境承载力的检测信息长度为1024GB，特征采样的频率12.8Hz，城市景观环境信息的干扰强度为-10dB～10dB，得到原始数据如图1所示。

根据图1所示的环境数据分布，采用研究方法进行城市景观环境承载力的特征分布式检测，建立环境承载力的模糊相关性特征辨识模型，实现城市景观环境承载力预测。得到预测结果如图2所示。

分析图2得知，研究方法进行环境承载力的预测结果与原始数据贴合程度高，说明预测精度较高。主要是因为此次研究采用模糊信息聚类方法对城市景观环境承载力进行了统计分析，缩减的预测范围，进一步提高了预测精准度。

在城市景观环境承载力预测过程中，识别相关环境特征的准确率影响预测结果。为了验证研究方法的环境特征识别准确率，在上述实验环境下，对比传统方法方法的城市景观相关环境特征识别准确率。得到实验结果如图3所示。

分析图3得知，在实验过程中，传统方法的环境特征识别准确率低于70%，而研究方法的环境特征识别准确率高于传统方法，且最高识别准确率高达90%。说明研究方法的识别准确率高，城市景观环境承载力预测结果可靠。

4 结 语

为了实现对城市景观环境承载力的准确预测，此次研究提出一种基于深度学习的城市景观环境承载力预测模型。根据环境承载力分布特征进行环境信息检测，构建环境承载力的大数据分析模型。提取反映环境承载力特征量的环境物理信息分布集，建立城市景观环境承载力的模糊相关性特征辨识模型。结合模糊信息聚类方法进行环境承载力的统计分析，根据环境承载力数据分析结果，采用深度学习方法进行环境承载力预测的自适应寻优控制，实现城市景观环境承载力的准确预测。经验证，运用研究方法进行城市景观环境承载力预测的准确性较高，收敛性较好，在环境保护中具有很好的应用价值。