ออโตมาตาเซลลูลาร์หลายวัตถุประสงค์ — การจำลองเชิงพื้นที่ที่นำโดยวัตถุประสงค์ที่แข่งขันกันหลายรายการ
- ผู้เสนอ
- Various (Liu et al., White & Engelen, Clarke et al.)
- ปี
- 1990s–2000s
- ประเภท
- Hybrid simulation-optimization
- กลุ่มวิธี
- Simulation / optimization
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
ออโตมาตาเซลลูลาร์หลายวัตถุประสงค์ (Multi-Objective Cellular Automata หรือ MOCA) ผนวกพลวัตเชิงพื้นที่แบบจากล่างขึ้นบนของออโตมาตาเซลลูลาร์เข้ากับการหาค่าเหมาะที่สุดหลายวัตถุประสงค์ เพื่อให้บรรลุเป้าหมายที่แข่งขันกันไปพร้อมกัน เช่น การเพิ่มความกระชับของเมืองให้สูงสุดในขณะที่ลดการสูญเสียระบบนิเวศให้เหลือน้อยที่สุด เซลล์กริดแต่ละเซลล์จะปรับปรุงสถานะของตนเองตามกฎการเปลี่ยนสถานะที่ได้รับการปรับเทียบหรือชี้นำเพื่อให้เกิดการแลกเปลี่ยนที่เหมาะสมที่สุดแบบพาเรโต (Pareto-optimal trade-off) ระหว่างวัตถุประสงค์สองอย่างขึ้นไป ทำให้วิธีนี้ถูกนำมาใช้อย่างแพร่หลายในการจำลองการเปลี่ยนแปลงการใช้ที่ดิน การสร้างแบบจำลองการเติบโตของเมือง และการวางแผนเชิงพื้นที่ภายใต้ความต้องการที่ขัดแย้งกัน
แนวคิดเบื้องหลังวิธีการ
ลองจินตนาการถึงเมืองที่เติบโตขึ้นทีละเซลล์บนกริด: ที่ดินแต่ละผืนตัดสินใจว่าจะกลายเป็นเมือง คงสถานะเป็นพื้นที่เกษตรกรรม หรือเปลี่ยนเป็นพื้นที่สีเขียว CA มาตรฐานจะใช้ตรรกะการเติบโตเพียงอย่างเดียว แต่การตัดสินใจวางแผนจริงเกี่ยวข้องกับเป้าหมายหลายประการที่ดึงไปในทิศทางที่แตกต่างกัน เช่น การมีที่อยู่อาศัยมากขึ้นเทียบกับการสูญเสียที่อยู่อาศัยของสัตว์ป่าน้อยลง Multi-objective CA ได้รวมความขัดแย้งนี้เข้าไว้ในกฎการเปลี่ยนสถานะโดยตรง แทนที่จะเป็นผลลัพธ์ที่ดีที่สุดเพียงอย่างเดียว วิธีนี้จะสร้างชุดของการกำหนดค่าเชิงพื้นที่ที่เหมาะสมที่สุดแบบพาเรโต ซึ่งแต่ละชุดแสดงถึงการประนีประนอมที่ยอมรับได้ที่แตกต่างกันระหว่างวัตถุประสงค์ที่แข่งขันกัน ผู้ตัดสินใจสามารถเลือกจากสถานการณ์การแลกเปลี่ยนเหล่านี้ แทนที่จะยอมรับรูปแบบการเติบโตที่กำหนดไว้ล่วงหน้าเพียงรูปแบบเดียว
ประวัติศาสตร์
ออโตมาตาเซลลูลาร์ได้รับการกำหนดอย่างเป็นทางการโดย John von Neumann และ Stanislaw Ulam ในช่วงทศวรรษ 1940–50 การประยุกต์ใช้กับการจำลองเมืองและการใช้ที่ดินเกิดขึ้นในช่วงทศวรรษ 1990 จากผลงานของ White, Engelen, Clarke และเพื่อนร่วมงาน การเชื่อมโยง CA เข้ากับการหาค่าเหมาะที่สุดหลายวัตถุประสงค์อย่างชัดเจนได้รับความสนใจในช่วงทศวรรษ 2000–2010 โดยได้รับแรงผลักดันจากความต้องการการวางแผนเชิงพื้นที่เพื่อสร้างสมดุลระหว่างการพัฒนา การอนุรักษ์ และเป้าหมายโครงสร้างพื้นฐาน และอำนวยความสะดวกโดยการแพร่กระจายของอัลกอริทึมเชิงวิวัฒนาการ เช่น NSGA-II ในขั้นตอนการทำงานของการสร้างแบบจำลองเชิงพื้นที่
ควรใช้เมื่อใด
ใช้ Multi-Objective CA เมื่อการจำลองของคุณเกี่ยวข้องกับพลวัตเชิงพื้นที่ที่ชัดเจน (การใช้ที่ดิน การเติบโตของเมือง การแพร่กระจายทางนิเวศวิทยา การไหลของการจราจร) และคุณเผชิญกับวัตถุประสงค์ที่ขัดแย้งกันอย่างแท้จริงอย่างน้อยสองประการที่ไม่สามารถรวมเข้าเป็นเมตริกเดียวได้ เป็นทางเลือกที่เหมาะสมเมื่อกฎการเปลี่ยนสถานะขึ้นอยู่กับบริบทของเพื่อนบ้าน และเมื่อผลลัพธ์ต้องเป็นแผนที่เชิงพื้นที่แทนที่จะเป็นการจัดอันดับแบบสเกลาร์ อย่าใช้เมื่อปรากฏการณ์ไม่มีโครงสร้างเชิงพื้นที่ เมื่อวัตถุประสงค์เดียวสามารถจับการตัดสินใจได้อย่างเพียงพอ เมื่อไม่มีข้อมูลสำหรับการปรับเทียบความน่าจะเป็นของการเปลี่ยนสถานะ หรือเมื่อทรัพยากรการคำนวณมีจำกัดอย่างมาก — การรัน Multi-objective CA มีค่าใช้จ่ายสูงเนื่องจากการจำลองซ้ำภายในวงวนวิวัฒนาการ
ข้อจำกัดและข้อควรพิจารณา
- มีค่าใช้จ่ายในการคำนวณสูง: การประเมินวัตถุประสงค์แต่ละครั้งต้องใช้การจำลอง CA เต็มรูปแบบ และการหาค่าเหมาะที่สุดเชิงวิวัฒนาการอาจต้องใช้การรันดังกล่าวหลายพันครั้ง
- การปรับเทียบขึ้นอยู่กับข้อมูลการใช้ที่ดินในอดีต หากพลวัตในอดีตไม่แสดงถึงสภาพในอนาคต (เช่น การเปลี่ยนแปลงนโยบาย การเปลี่ยนแปลงสภาพภูมิอากาศ) กฎที่ปรับเทียบไว้อาจทำให้เข้าใจผิดได้
- กฎเพื่อนบ้านมักจะเป็นแบบเฉพาะที่และอาจไม่สามารถจับปฏิสัมพันธ์เชิงพื้นที่ระยะไกลหรือข้อจำกัดทั่วโลกได้หากไม่มีส่วนประกอบของแบบจำลองเพิ่มเติม
- แนวพาเรโตอาจมีขนาดใหญ่และยากต่อการสื่อสาร ผู้มีส่วนได้ส่วนเสียอาจพบว่าเป็นการยากที่จะเลือกระหว่างสถานการณ์เชิงพื้นที่ที่ใกล้เคียงกันหลายสิบสถานการณ์
- การตรวจสอบความถูกต้องของแบบจำลองเป็นเรื่องที่ท้าทาย — เมตริกเชิงพื้นที่ที่ใช้เป็นวัตถุประสงค์มักจะมีความสัมพันธ์กัน และการปรับให้เข้ากับข้อมูลการปรับเทียบมากเกินไปเป็นความเสี่ยงที่ทราบกันดี
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จับรูปแบบเชิงพื้นที่ที่เกิดขึ้นใหม่ผ่านปฏิสัมพันธ์ของเซลล์ในท้องถิ่น สร้างพลวัตจากล่างขึ้นบนที่สมจริงซึ่งแบบจำลองที่อิงสมการไม่สามารถทำได้
- แสดงการแลกเปลี่ยนระหว่างวัตถุประสงค์ที่แข่งขันกันอย่างชัดเจน โดยให้แนวพาเรโตของสถานการณ์เชิงพื้นที่แทนที่จะเป็นค่าเหมาะที่สุดที่ถูกบังคับเพียงค่าเดียว
- รวมเข้ากับข้อมูลแรสเตอร์ GIS และแผนที่การปกคลุมของที่ดินจากการสำรวจระยะไกลได้อย่างเป็นธรรมชาติ ลดอุปสรรคในการเตรียมข้อมูลสำหรับการศึกษาเชิงพื้นที่
- สนับสนุนการมีส่วนร่วมของผู้มีส่วนได้ส่วนเสียโดยการนำเสนอสถานการณ์แผนที่ที่แตกต่างกันและตีความได้สำหรับแต่ละโซลูชันพาเรโต
- ปรับขนาดได้สำหรับขอบเขตเชิงพื้นที่ขนาดใหญ่เมื่อนำไปใช้บนสถาปัตยกรรมการประมวลผลแบบขนานหรือ GPU
การประยุกต์ใช้
- การจำลองการเติบโตของเมืองที่สร้างสมดุลระหว่างความต้องการที่อยู่อาศัย การอนุรักษ์พื้นที่สีเขียว และต้นทุนโครงสร้างพื้นฐานในเขตเมืองใหญ่
- การสร้างแบบจำลองการเปลี่ยนแปลงการใช้ที่ดินภายใต้วัตถุประสงค์ที่ขัดแย้งกันของผลผลิตทางการเกษตร การกักเก็บคาร์บอน และการอนุรักษ์ความหลากหลายทางชีวภาพ
- การจัดการความเสี่ยงไฟป่า: การหาค่าเหมาะที่สุดของการวางแนวกันไฟเพื่อลดการแพร่กระจายในขณะที่เพิ่มผลผลิตไม้ให้สูงสุด
- การจัดการเขตชายฝั่ง: การจำลองสถานการณ์การถมทะเลหรือการฟื้นฟูที่อยู่อาศัยภายใต้การแลกเปลี่ยนทางเศรษฐกิจและนิเวศวิทยา
- วิวัฒนาการของเครือข่ายการจราจร: การหาค่าเหมาะที่สุดของการขยายถนนเทียบกับการรบกวนเพื่อนบ้านและวัตถุประสงค์ด้านการปล่อยมลพิษ
- การควบคุมการแพร่ระบาดเชิงพื้นที่: การสร้างสมดุลระหว่างความครอบคลุมของการแทรกแซง กิจกรรมทางเศรษฐกิจ และขีดความสามารถของระบบดูแลสุขภาพทั่วกริดทางภูมิศาสตร์
วิธีการทำงาน
วิธีการทำงาน
กำหนดกริดเชิงพื้นที่: แบ่งพื้นที่ศึกษาออกเป็นโครงข่ายเซลล์ปกติ (โดยทั่วไปคือแรสเตอร์) กำหนดการใช้ที่ดินเริ่มต้นหรือประเภทสถานะให้กับแต่ละเซลล์ และกำหนดโครงสร้างเพื่อนบ้าน (มัวร์หรือฟอนนอยมันน์) ที่กำหนดว่าเซลล์รอบข้างใดมีอิทธิพลต่อการเปลี่ยนสถานะของแต่ละเซลล์
ระบุวัตถุประสงค์ที่แข่งขันกันตั้งแต่สองอย่างขึ้นไป (เช่น เพิ่มความพึงพอใจต่อความต้องการที่ดินในเมืองให้สูงสุด ลดการสูญเสียความหลากหลายทางชีวภาพให้เหลือน้อยที่สุด ลดต้นทุนการเดินทางให้เหลือน้อยที่สุด) แสดงวัตถุประสงค์แต่ละอย่างเป็นเมตริกเชิงพื้นที่ที่วัดได้ ซึ่งสามารถประเมินได้ในระดับภูมิทัศน์หลังจากการจำลองเสร็จสิ้น
ปรับเทียบความน่าจะเป็นของการเปลี่ยนสถานะระดับเซลล์โดยใช้ข้อมูลในอดีตหรือกฎของผู้เชี่ยวชาญ — โดยทั่วไปผ่านการถดถอยโลจิสติกส์ ป่าสุ่ม หรือโครงข่ายประสาทเทียม — เพื่อให้ CA สร้างรูปแบบเชิงพื้นที่ที่สังเกตได้ขึ้นมาใหม่ ตัวแปรหลายวัตถุประสงค์จะกำหนดพารามิเตอร์กฎเหล่านี้ด้วยเวกเตอร์น้ำหนักที่แลกเปลี่ยนวัตถุประสงค์
รัน CA ไปข้างหน้าในขั้นตอนเวลาที่ไม่ต่อเนื่อง ในแต่ละขั้นตอน เซลล์แต่ละเซลล์จะสุ่มความน่าจะเป็นของการเปลี่ยนสถานะ (ปรับโดยสถานะเพื่อนบ้าน แผนที่ความเหมาะสม และน้ำหนักวัตถุประสงค์) และปรับปรุงสถานะของตนเองแบบสุ่ม ทำซ้ำสำหรับขอบเขตการวางแผนที่เลือกไว้
หลังจากการจำลองแต่ละครั้ง (หรือแต่ละรุ่นในวงวนวิวัฒนาการ) ให้คำนวณค่าวัตถุประสงค์ทั้งหมดในระดับภูมิทัศน์ ใช้อัลกอริทึมหลายวัตถุประสงค์ — โดยทั่วไปคือ NSGA-II หรือ MOPSO — เพื่อพัฒนาเวกเตอร์น้ำหนักหรือพารามิเตอร์กฎไปสู่แนวพาเรโต โดยคงไว้ซึ่งโซลูชันที่ไม่ถูกครอบงำ
นำเสนอชุดสถานการณ์เชิงพื้นที่ที่เหมาะสมที่สุดแบบพาเรโตแก่ผู้มีส่วนได้ส่วนเสีย จุดแต่ละจุดบนแนวแสดงถึงการกำหนดค่าภูมิทัศน์ที่เป็นไปได้ที่แตกต่างกันพร้อมกับโปรไฟล์การแลกเปลี่ยนวัตถุประสงค์ ผู้ตัดสินใจเลือกสถานการณ์ที่ต้องการตามลำดับความสำคัญของนโยบาย หรือใช้การถ่วงน้ำหนักเกณฑ์เพิ่มเติม
ข้อผิดพลาดที่พบบ่อย
- การใช้แผนที่ความเหมาะสมรวมเพียงแผนที่เดียวเป็นตัวขับเคลื่อนหลักจะทำให้ตรรกะหลายวัตถุประสงค์กลับไปเป็น CA วัตถุประสงค์เดียว — ตรวจสอบให้แน่ใจว่าวัตถุประสงค์แต่ละอย่างยังคงมีอิทธิพลที่แตกต่างกันต่อความน่าจะเป็นของการเปลี่ยนสถานะ
- การไม่ตรวจสอบว่าอัลกอริทึมเชิงวิวัฒนาการบรรจบกันแล้ว: การยุติก่อนกำหนดจะให้ตัวอย่างที่มีอคติของแนวพาเรโตที่แท้จริง แทนที่จะเป็นขอบเขตทั้งหมด
- การละเลยความสัมพันธ์เชิงพื้นที่อัตโนมัติเมื่อปรับเทียบความน่าจะเป็นของการเปลี่ยนสถานะจะนำไปสู่สถิติความแม่นยำที่สูงเกินจริงและกฎที่สรุปได้ไม่ดี
- การถือว่าแนวพาเรโตเป็นคำแนะนำแทนที่จะเป็นเครื่องมือสำหรับการพิจารณา — การเลือกสถานการณ์สุดท้ายต้องเกี่ยวข้องกับความรู้ในโดเมนหรือความชอบของผู้มีส่วนได้ส่วนเสีย ไม่ใช่การเลือกโดยอัตโนมัติ
- การสับสนความแปรปรวนแบบสุ่มในการรันซ้ำกับการแลกเปลี่ยนพาเรโตที่แท้จริง; ควรรายงานค่าเฉลี่ยและความแปรปรวนของเมตริกเชิงพื้นที่ในการรันซ้ำเสมอ
คำถามที่พบบ่อย
Multi-Objective CA แตกต่างจาก CA มาตรฐานอย่างไร
CA มาตรฐานใช้กฎการเปลี่ยนสถานะที่ตายตัวซึ่งได้รับการปรับให้เหมาะสมสำหรับเป้าหมายเดียวหรือปรับเทียบตามรูปแบบทางประวัติศาสตร์เท่านั้น Multi-Objective CA กำหนดพารามิเตอร์กฎเหล่านั้นเพื่อให้การรันแบบจำลองภายใต้การตั้งค่าพารามิเตอร์ที่แตกต่างกันสร้างผลลัพธ์เชิงพื้นที่ที่แตกต่างกัน — แต่ละผลลัพธ์ได้รับการปรับให้เหมาะสมสำหรับความสมดุลที่แตกต่างกันระหว่างวัตถุประสงค์ที่แข่งขันกัน — ทำให้ได้ชุดแผนที่สถานการณ์ที่เหมาะสมที่สุดแบบพาเรโต แทนที่จะเป็นการคาดการณ์เพียงครั้งเดียว
อัลกอริทึมหลายวัตถุประสงค์ใดที่ใช้บ่อยที่สุดกับ CA
NSGA-II (Non-dominated Sorting Genetic Algorithm II) เป็นอัลกอริทึมคู่ค้าที่ได้รับการรายงานอย่างกว้างขวางที่สุด เนื่องจากสามารถจัดการพารามิเตอร์ค่าจริง รักษาความหลากหลายของประชากร และปรับขนาดได้สำหรับจำนวนวัตถุประสงค์ปานกลาง (2–4) MOPSO และ MOEA/D ก็ถูกนำมาใช้เช่นกัน การเลือกมีความสำคัญน้อยกว่าการตรวจสอบให้แน่ใจว่ามีงบประมาณการจำลองที่เพียงพอสำหรับการบรรจบกัน
โดยทั่วไปแล้วต้องใช้การจำลองกี่ครั้ง?
การเชื่อมโยงเชิงวิวัฒนาการมักจะต้องใช้การจำลอง CA ระหว่าง 500 ถึง 5,000 ครั้งต่อการศึกษา ขึ้นอยู่กับจำนวนวัตถุประสงค์ มิติของพารามิเตอร์ และเกณฑ์การบรรจบกัน การรันแต่ละครั้งอาจจำลองการเปลี่ยนแปลงการใช้ที่ดินหลายทศวรรษในขั้นตอนเวลาประจำปีหรือทศวรรษ ดังนั้นการจัดทำงบประมาณเวลาการรันและการดำเนินการแบบขนานจึงเป็นสิ่งจำเป็น
วิธีนี้สามารถจัดการวัตถุประสงค์ได้มากกว่าสองอย่างหรือไม่?
ได้ แต่เมื่อเกินสามหรือสี่วัตถุประสงค์ แนวพาเรโตจะขยายตัวอย่างรวดเร็ว (ปัญหาคำสาปของมิติในพื้นที่หลายวัตถุประสงค์) ทำให้ยากต่อการแสดงภาพและสำหรับผู้มีส่วนได้ส่วนเสียในการเลือกสถานการณ์ ตัวแปรหลายวัตถุประสงค์ (5+) ต้องใช้อัลกอริทึมและเทคนิคการแสดงภาพเฉพาะทาง เช่น แผนภาพพิกัดขนาน
การตรวจสอบความถูกต้องเชิงพื้นที่เพียงพอที่จะเชื่อถือผลลัพธ์ของแบบจำลองหรือไม่?
การตรวจสอบความถูกต้องเชิงพื้นที่ (เช่น ค่าความดี สถิติแคปปาในปีที่ไม่ได้ใช้) เป็นสิ่งจำเป็นแต่ไม่เพียงพอ เส้นโค้งการแลกเปลี่ยนวัตถุประสงค์ควรได้รับการตรวจสอบความถูกต้องเทียบกับการทดลองนโยบายที่ทราบหรือการตัดสินของผู้เชี่ยวชาญ ขอแนะนำอย่างยิ่งให้ทำการวิเคราะห์ความไวต่อรัศมีเพื่อนบ้าน ขนาดเซลล์ และน้ำหนักวัตถุประสงค์ก่อนที่จะนำเสนอสถานการณ์แก่ผู้มีอำนาจตัดสินใจ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Liu, X., Liang, X., Li, X., Xu, X., Ou, J., Chen, Y., Li, S., Wang, S., Pei, F. (2017). A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects. Landscape and Urban Planning, 168, 94-116.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วJantz, C. A., Goetz, S. J., Shelley, M. K. (2004). Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore-Washington metropolitan area. Environment and Planning B: Planning and Design, 31(2), 251-271.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว