本文利用基于神经网路的元胞自动机模型,对上海市建设用地减量化进行模拟分析,分析建设用地减量化背后的影响因素,来对上海市建设用地减量化的绩效进行评估,并提出相应的意见和建议。目前,国内外有许多通过元胞自动机模型对城市用地的演变进行模拟研究并预测分析,以往的模型通常适用于对非城市用地转换成城市用地的模拟,但对多种土地利用类型演变情况的模拟远比以往对城市演变的模拟复杂得多,对多种土地利用类型演化情况的模拟要事先确定相应的环境参数和空间变量,而对元胞自动机相关参数和变量的确定是当前亟需解决的难点。针对这一问题,本文利用BP神经网络的自学习特性,该模型能够有效模拟上海市建设用地的变化状况,大大缩短了确定元胞自动机模型的转换规则所需的时间。通过对上海市以往的土地类型的变化规律进行挖掘,可以将挖掘出的演变规律对2017年上海市土地利用情况进行预测,将预测结果与2017年上海市实际土地布局情况进行对比,来对模型进行验证。若模拟结果精度较低,改变神经网络的相关参数并进行调试。当模拟结果的精度满足要求时,通过挖掘出的演变规律对上海市的土地利用情况进行预测,把预测得出的建设用地和之前年份的建设用地在Arcgis中进行处理,得出上海市2017年到2022年之间每平方千米建设用地的减量化,对影响建设用地的因子进行分析,分别将不同的影响因素预处理后导入元胞自动机模型之中,可以得出不同的影响因素对建设用地减少量的影响。根据模拟结果对上海市建设用地减量化的绩效进行评估并根据不同影响因素对单位面积建设用地减量趋势的分析来提出实际解决方案,为上海市建设用地减量化工作的高效实施提供参考方案。本文分别从以下几个方面开展研究:1.建立土地元胞子数据库,为模型建立提供数据基础。通过Arcgis对上海市土地利用矢量数据进行栅格化处理,根据运算速度和精度要求来确定栅格大小。为了能够通过神经网络对土地利用数据进行训练,需要通过Arcgis把形成的栅格数据进行ASCII处理,生成可以通过Matlab处理的矩阵形式的数据库,即土地元胞子数据库,对土地元胞子数据库进行优化,将土地元胞子数据库划分为训练子数据库,验证子数据库和预测子数据库。2.利用BP神经网络挖掘土地利用演化规律。通过Matlab编译和调用神经网络模块,对上述所形成的土地元胞子数据库中训练子数据库里的t时刻和t+1时刻的数据进行训练,即对2012年和2017年的上海市土地利用数据进行训练。其中,2012年上海市土地利用数据为神经网络的输入数据,2017年上海市土地利用数据为神经网络的目标数据。通过神经网络的自学习特性反演出上海市土地利用的变化规律,即确定土地元胞的转换规则。3.对上海市土地利用变化情况进行验证和预测。依据上面反演出的土地利用规律对2012年上海市的土地利用分布数据进行预测,预测出2017年上海市土地利用分布,将预测出的2017年上海市土地利用变化情况与实际的2017年上海市土地利用分布进行对比,并对预测进行检验。当模型精度达到要求时,利用2017年上海市的土地利用数据对2022年上海市的土地利用变化进行预测。4.分析不同影响因素对上海市建设用地减少量的影响。通过Arcgis将2017年上海市的建设用地和预测的2022年上海市的建设用地进行图层叠加并将两者差异化处理,形成格网,对格网中的建设用地减少量进行统计,得到上海市2017年到2022年建设用地的减量情况。通过对上海市建设用地减量化的影响因素进行深入分析,将影响因素的原始数据经过预处理后,作为输入因子导入模型,对2017年到2022年期间上海市建设用地减量变化的情况进行预测,并结合上海市以往的建设用地减量化实际工作情况,对减量化工作的绩效进行评价,针对目前存在的问题,提出相应的意见和建议,为减量化工作的有效落实提供参考。经过CA-BP模型预测出的建设用地面积高于政府规划的建设用地面积,还需要进一步加强低效建设用地减量化的力度来实现土地的集约利用。