模型校正的目的是获取一套增长的参数集（即5个模拟系数的值），从而对研究区的城市增长进行有效模拟。模型校正是SLEUTH模型的核心之一，SLEUTH模型中5个模拟系数的范围都在0～100之间。模型采用强制蒙特卡洛迭代计算法（Brute-force Monte Carlo Method）进行参数的校正，参数校正分为粗校正（Coarse Calibration）、精校正（Fine Calibration）和终校正（Final Calibration）三个阶段进行，每个步骤得到的一套增长的参数集都用于下一个步骤的参数校准，并不断缩小各系数的取值范围，利用实验结果与真实数据进行对比，可以生成一系列统计量，用以评估模拟结果的精度。最后，经过模型自校正过程，并通过预测参数获取（Deriving forecasting coefficients），得到模型的最优参数集，用于模型的多情景预测过程。
1）粗校正
模型校准的初始阶段，首先通过“重采样”工具将所有输入模型图层数据的空间分辨率转换为240m×240m，并将这些输入数据图层放置在c：＼cygwin＼bin＼s＼Input＼jinan240文件夹中。然后，将模型中5个模拟系数的取值范围均设置为0～100，采用25的步长值，即按照｛0，25，50，75，100｝进行取值，为了减少模型计算时间，采用3次蒙特卡罗迭代。
粗校正的过程简要说明如下：
▷ 步骤1：修改粗校正文件。
首先，用写字板打开c：＼cygwin＼bin＼s＼Scenarios＼目录下的scenario.demo200＿calibrate文件，另存为scenario.jinan240＿calibrate，并依次修改文本中的相关内容（图9-7，修改后的文件详见光盘数据文件＼SLEUTH＼Scenarios＼scenario.jinan240＿calibrate）。
图9-7 粗校正scenario.demo200＿calibrate文件中部分语句的修改
▷ 步骤2：在DOS中运行粗校正文件。
首先，在Windows系统下启动DOS命令窗口，并进入c：＼cygwin＼bin＼s＼Scenarios目录下（图9-4）。然后，键入命令行“..＼grow calibrate scenario.jinan240＿calibrate”启动粗校正测试程序（scenario.jinan240＿calibrate）来进行SLEUTH模型的粗校正（图9-8、图9-9）。校正通常需要耗费较长的时间，因为模型校正过程使用穷举法（尝试所有可能的参数组合进行模拟，并比较结果的拟合优度）或者遗传算法进行连续搜索，直到得到“最优的”参数集。很多研究文献认为应根据研究区尺度来选取合适的空间分辨率数据，数据精度有时并非越高越好，即过高分辨率的数据不一定会得到比适宜尺度更高的模拟精度。最后，校正完成后，数据文件存放在c：＼cygwin＼bin＼s＼Output＼目录下建立的coarse文件夹下。
图9-8 粗校正程序在命令提示符窗口中启动
图9-9 粗校正程序在命令提示符窗口中运行
▷ 步骤3：查看粗校正结果文件。(www.xing528.com)
首先，用Excel打开coarse文件夹下的control＿stats＿pe＿0.log文件，并另存为jinancoarse.xlsx文件（图9-10）。表中共有记录了3124次运算的3124条模拟结果，其中包含13个表征模拟精度的指数（不进行土地利用变化模拟时为12个有效指数）和5个模拟参数（图9-10）。
图9-10 粗校正得到的13个指数集与5个参数集
然后，最佳参数组合的选取和5个系数取值范围的确定。模型校正阶段会产生一系列的模型准确性判定指数，且在选择哪些指数能够更好表征模型的精度问题上存在较大争论，也有很多不同的选取方法。本例根据研究区实际，参考相关文献，采用Compare、Pop、Edges、Cluster、Slope、Xmean、Ymean等7个指数的乘积即OSM（the Optimal SLEUTH Metric）作为模型校正和参数区间缩小的主要判据。选取乘积排在前5位的模拟结果（如果得分第5存在得分相同的情况，则考虑所有同分模拟结果），从而缩小5个系数的取值范围，产生5个新的系数区段（图9-11）。根据排序结果（取前8位），扩散系数（Diffusion，即表中的Diff字段）为1，在下一步校正中使用1～25的范围，繁殖系数（Breed，即表中的Brd字段）在1～50之间，传播系数（Spread，即表中的Sprd字段）在25～100之间，坡度系数（Slope，即表中的Slp字段）在1～25之间，道路引力系数（Road Gravity，即表中的RG字段）变化幅度很大，但大部分在50～100之间（选取的下一步校正的参数区间和步长参见表9-2）。
图9-11 按照7个指数乘积进行排序的结果
表9-2 SLEUTH模型校正阶段主要指数与参数统计结果
2）精校正
首先，通过“重采样”工具将所有输入模型图层数据的空间分辨率转换为120m×120m，然后修改校正程序的相关文本。在该阶段，采用4次蒙特卡罗迭代。根据选择的增长系数值区间和步长，参照粗校正阶段的过程修改校正文本，得到精校准的程序文本scenario.jinan120＿calibrate。然后，在DOS中运行精校正文件，得到校正结果。最后，计算OSM值，并参照其排名前列的模拟结果系数值进一步缩小5个系数的取值范围（表9-2）。
3）终校正
采用同样的校正过程，进行模型的终校正（精校准使用的程序文本为scenario.jinan 60＿calibrate）。在该阶段，采用5次蒙特卡罗迭代，所有输入模型图层数据的空间分辨率均为数据初始的分辨率60m×60m。
4）模拟参数获取（Deriving forecasting coefficients）
终校正完成后，还需要进行模拟参数获取（即Derive阶段）。在该阶段，通过同样的方法进一步缩减参数的取值范围。根据终校正的排序结果（排序第一的结果），扩散系数（Diffusion）的为13，繁殖系数（Breed）为22，传播系数（Spread）为96，坡度系数（Slope）为17，道路引力系数（Road Gravity）为60，将这5个系数的取值填进程序文本的参数设置部分中。然后，取步长为1，采用100次蒙特卡罗迭代进行模拟参数的获取。最后，在该阶段生成的avg＿pe＿0.log文件中，将结束年份（最后一行）的5个增长系数进行四舍五入后，作为模型模拟的最佳预测参数组合。最终生成的5个系数值分别为：扩散系数15、繁殖系数26、传播系数100、坡度系数1和道路引力系数72（表9-2）。由于模拟指数选取以及蒙特卡洛迭代次数的差异，本例中经自修改规则后，最优系数组合变化较大。在具体的研究案例中，应按照研究区实际合理选取模拟指数和蒙特卡洛迭代次数，以便获得最好的校正结果。
由表9-2可见，模型校正得到的最终系数值中，传播系数最大（100），表明其对城市用地增长具有重要影响，研究区城市用地增长主要以城市边缘增长为主；道路引力系数也很高（74），仅次于传播系数，说明道路对研究区城市用地的增长也具有重要影响，TOD发展模式也是研究区城市用地增长的重要模式；繁殖系数不大（仅为26），且扩散系数也较小（仅为15），说明自发增长形成的新城市中心增长的可能性不高，表明研究区新城市中心用地增长模式不明显；另外，坡度系数为1，说明研究区地形条件对城市用地增长的抑制作用非常有限。综上所述，研究区主要受传播系数与道路引力系数的影响，城市用地增长主要为发生在城市边缘和道路可达性较高的区域。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
