文摘
本文提出了一种先进的人工智能技术应用于城市规划特别是土地利用预测。综述,不同的文章分析了2016年后主要关注那些未提及在早期的出版物。大部分的文章分析了使用马尔可夫链和细胞自动机预测城市和大都市地区的增长。我们注意到大多数的模拟是中国在各领域的应用。分析文章的出版在该地区包括随着时间的推移。
1。介绍
Levy指出的在他的城市规划手册(1),规划是一种活动,是高度政治和离不开立法。区域和城市规划决策往往需要大量的公共和私人资金,可以带来巨大的利益和损失。现代社区的复杂性使最简单和最直接的方法不足。近几十年来,一些建模技术已经开发理解和预测城市发展。在这个时代,许多规划工作的重点和建模环境管理发展,减少环境破坏的问题。
正如前面提到的,城市发展是一个复杂的过程2),和不同的方法被用来模型。基于ai的方法的优点是能够捕捉到城市发展中存在的非线性和异构性问题。然而,一个方法的优势取决于其他因素,在算法的配置参数是如何确定的,教学和检查集的大小,分类器的体系结构、教学的选择和验证数据集。
方法利用马尔可夫链模型的例子(3- - - - - -5)、空间物流回归(6),细胞自动机(CA) (7- - - - - -22),基于代理模型(23,24)、人工智能(AI)和机器学习方法,如人工神经网络(ann) [25- - - - - -28),支持向量机(svm) (29日- - - - - -31日)、遗传算法(气)(32- - - - - -35),粒子群优化(PSO)规则(36- - - - - -38),或者数据挖掘39在科学文献中可以找到。
CA是使用最广泛的方法之一。CA的复制能力城市增长假定过去的都市生活与当地土地使用通过交互影响的潜在趋势。它的简单性、灵活性和直觉,连同其能力整合机制的时空维度,使CA模型雕刻复杂的动态系统,如城市系统的主管。
这个评论文章地址AI在城市规划的不同的应用程序从2016年到2020年,尤其是最新的人工智能技术对土地利用预测详细组织和总结。这种状态的艺术是一个综合搜索方法。我们使用关键字,如人工智能,都市生活,或城市发展,例如,搜索谷歌学者和专家联系。我们审查的文章发现和他们所有的引用,我们在这项研究中收集所有相关的信息。
我们首先简要总结前一状态的艺术主题,然后深入研究不同的后续文章,这并不包括在任何之前的评论。从这个深入研究之前,我们可以找到表1总结不同主题的文章中提到我们的文本。最后,客观分析的结果,它完美地总结了最重要的方面,可以观察到在阅读期间,和其他相关方面。结论亮点迄今为止仍然没有解决的问题,并解释了人工智能的应用程序需要在将来的研究中得到解决。
2。文献综述
2010年,33岁的这些模型应用于真实的世界情况被健康研究,加西亚,米兰达,他(63年),显示一个有序图片会促进某些过程的选择对于一个给定的实现问题。作者指出,总部的主要缺陷是相对简单的模型,在弹性条件下模型的替代事件在现实中,导致某些监管措施分类如下:(我)不规则的细胞空间:如Iovine et al。64年与他们的六角形细胞或Semboloni []65年)的三维矩阵允许代表城市的发展高度,周围,用不规则多边形镶嵌如泰森多边形法(66年)或图形(67年),或地籍图代替常规的细胞(68年),它可以提供一个表示更适应现实。(2)非均匀单元空间:考虑到其他属性的土地,和例子包括可访问性、斜坡或高程。(3)扩展的社区:区可以被描述为相邻单位属于空间由不规则的单位。例如,单位在一定的距离或采用泰森多边形法空间模式66年]。(iv)不稳定地区:贫民窟的定义不同空间对于每个单元格(69年]。模型中每个单元格的加权社区根据其状态和位置(70年]。这允许应用程序通过添加零区不同形状和大小的权重。(v)转换规则与更复杂:它可能包括土地利用适宜性、可访问性、城市规划、或社会经济条件,反映出城市理论是基于微观经济理论规划(71年),中心,和潜在的模型(72年]。(vi)过渡指南(不稳定):转换准则是适应特定的时期和地区的独特性质。这个时空的修改可以通过校准(73年,74年),侦探self-modification规则(75年),或改变外部参数和配置在每个阶段所显示菲普斯和Langlois76年]。(七)需求增长的约束:城市通常被定义为经济、环境、或社会的局限性,如城市规划或人口变化,制约城市总体发展。(八)时间:不规则的步骤中,细胞可以借助于不同的持续时间(68年)或变量的步骤(77年)模拟不同持续时间的特定事件。
其他挑战为城市CA模型引用数据和缺乏容易配置的必要性和可用的软件。使用城市CA模型大多限于学术练习,因为这些缺点。作者得出结论,用不同的技术实现CA模型,例如,运输模型或可替换主体系统,可能会导致混合模型克服一些CA困难(78年]。
2016年,一个新的文献综述城市细胞自动机(CA)模型由Aburas et al .(出版79年]。作者分析了数据和CA的研究中使用的最重要的因素来模拟和预测城市发展模式和得出结论,模型的局限性,如无法包括城市增长的驱动力在仿真过程中(80年与其他定量模型)及其实现,可以最小化;例如,通过层次分析法(AHP) (81年,82年,马尔可夫链模型83年,84年),和频率的关系(85年),实际的仿真是实现社会经济和时空因素集成到仿真过程。
2.1。最新文章(2016 - 2020)
CA是一个离散状态描述每个细胞的细胞。每个单元的状态取决于其先前的国家和邻近细胞根据一组转换规则。城市仿真、不同类型的可能的细胞自动机如下:二进制值(城市或nonurban);定性值代表不同的土地用途;量化值代表的程度发展,人口密度,建筑物的价值,海拔,或数量的道路,例如;与多个属性(或一个向量模型63年]。
我们将集中研究方向近年来土地利用预测研究,总结如表1,19日24研究雇佣一些ca。
通在2016年发表了一个模型(40)描述的模式分布的建筑在绿色空间,符合中国的监管规定。作者提出了分布指数(戴)基于地质统计学的方法来解释的模式分布的房屋在自然领域,基于遗传算法和模型,生成相关戴与特定的建筑计划。南京Yuhuatai和Qingliangshan公园被用作验证IOD情况下的有效性。作者声称,该模型提供了出色的灵活性在建筑物的位置,有有机独特性和各种计算的结果。他提议时使用它作为一个指导和参考规划绿地建设中建设布局。利用碘,模型的限制要求相对严格,使得结果随机和难以适用。此外,建筑工程也将受到不同因素的影响在实际项目中,例如,表面的形状自然区、入口和路径,地形和现有建筑物的位置和实际条件下不考虑模型。
为了克服这个缺点,新的集成CA模型最近提出,通过方法基于群体智能的优化算法。
2016年,Naghibi et al。41)提出了一种新的基于CA的城市增长模型,使用人工蜂群(ABC)算法来提取最优转换规则。美国广播公司(ABC)是一种先进的算法基于meta-heuristic群体智慧,表现良好在解决优化问题。作者ABC-CA模型应用于项目城市增长与陆地卫星图像从1997年开始,2006年和2015年在Urmia(伊朗)。1997年被选为基准年为模拟未来城市增长和2006年和2015年的土地使用,分别评估和验证结果。最后,结果城市增长在2016年获得的模拟。
繁殖结果测试使用各种统计方法,例如,总体精度,总操作特征(toc)和总操作蚁群优化(ACO)校准CA模型来评估模型的生产率提高了对群体智能算法类似的方法。作者指出,ABC-CA模型的整体精度和功绩图分别为90.1%和51.7%;2.9%;高了8.8%,比ACO-CA模型,分别。关系,ABC-CA模型中的差异的分配仿真结果是9.9%,2.9%低于ACO-CA。最后,用更少的配置错误ABC-CA模型超过了ACO-CA模型(图1)。
2016年,冯,Liu和古怪的31日)提出了一个自动CA学习模型(称为MachCA)与非线性转换规则基于回归模型来模拟城市增长。通过推出输入数据使用回归模型方法在高维空间,建立一个完美的超平面离开越复杂两种地形限制(城市和nonurban),允许从非线性CA转换规则的复苏。对于每个迭代模型的实现,MachCA模型转换规则是动态更新。应用MachCA模拟城市增长对中国Qingpu-Songjiang表面在上海透露,城乡发展趋势可以转化为空间结构。MachCA模型的比较与传统log-adjusted CA模型(称为LogCA)导致更少的失败和更多的冲击与MachCA模型由于其能力捕捉城市的空间复杂性动态(图2)。然而,这种转化为提高精度的偏差小于1%,整体MachCA和LogCA模型之间的错误产生。然而,MachCA模型用于检索规则的过渡提供了一种新途径来项目城市增长的活动过程。
冯和通47)后开发出一种新的混合模型(称为吗),综合差分进化(DE) CA破译目标函数和救援的完美CA参数。范围已经调整通过空间数据从过去2016年在昆明模拟土地利用和2026年预测许多环境中。定量精度评价表明,NA-DEC给出了整体精度为92.4%,其中6.8%是适当收集城市地区的增长。此外,模型只报告2.6%的失败和5%的假警报。作者2026年预计三个场景使用范围充分收集参考区域发展、保护环境,城市设计来解释他们的新模型的鲁棒预测能力(图3)。
四个CA模型进行比较研究,结合逻辑回归(LR)和三个metaheuristics发表由相同的研究人员所作的(51)来模拟长江三角洲的土地利用变化从2005年到2015年。metaheuristic方法由一个目标函数代表转换规则的均方根误差(RMSE),大大不同的优化迭代算法结构,并计算时间。作者认为,在这种情况下,算法的复杂度和计算时间不是巨大的重要性,任何三个metaheuristics可以用来构建土地利用CA模型,等效结果可以达到(图4)。
2017年,佩雷斯•莫利纳et al。42洪水]合并细胞自动机模型建模工具openLISEM项目地区经济增长以及随之而来的洪水场景。这个模型是上调整Lubigi(乌干达首都坎帕拉),一个sub-basin大都市快速增长从2004年到2010年。细胞自动机的模型一直在验证Nalukolongo(乌干达首都坎帕拉)。然后,作者采用调整模型设置为项目上Lubigi区2020年增长环境。有两个大气压的模拟,偏好需求,和一个严格的政策保护现有湿地。的结果上Lubigi-projected场景显示独家湿地保护政策的无效;同样,在洪水的影响显著上升由于都市增长预计为2020。作者指出,该工具展示了其效用在创造显著改变场景和覆盖分析洪水在低数据数字环境缓解措施,这种策略也可以应用于其他空间分化危害的受土地覆盖的变化。刘等人研究了仿真模型对土地利用和覆盖变化(lcc)考虑到背景气候影响和提出46未来土地利用仿真模型(流感),模拟长期与多个LCC的空间轨迹。在投射期间,自顶向下的系统动力学和自底向上的细胞自动机交互对接,并在CA模型,开发了一个自适应竞争和惯性机制来进行复杂的任务和几种类型的土地使用之间的相互作用。模型介绍了从2000年到2010年在中国LUCC投影结果显示一个有前途的网络之间的协议的实际使用土地,和精度高于其他接受系统CLUE-S和CA模型更好的应用情况。从2010年到2050年,包含各种增强技术,考虑气候、自然和社会经济因素。作者声称,仿真结果表明流感模型的正确使用的热点地区和检查潜在活性的原因和影响使用的土地,这将协助学者和judgment-makers制定正确的政策来提高适应在全球变暖的背景下快速变化的自然环境。
陈等人。43]研究地球的精细模拟的可靠性光栅细胞自动机(CA)模型,因为普通像素/网格不能准确地代表不规则的地理实体及其相互作用。作者提出,向量CA模型可以克服这些缺陷由于矢量数据结构表示现实城市实体的能力。他们在2017年的研究中,提出了一个模型,细胞情节自动化(LP-CA)来模拟城市土地的变化,模型的创新在于使用自动校准联合学习方法。三个常用的分类器,朴素贝叶斯神经retro-diffusion网络和决策树选择创建一个联合分类器作为基分类器。该模型应用在深圳(中国),实验结果显示,最大的校准精度由装袋朴素贝叶斯一组选定的分类器(图之一5)。地区敏感性评估建议LP-CA模型与邻近的半径r= 2实现仿真精度最高。校准LP-CA是用来挑战的未来在深圳城市土地利用的变化,结果是一致的与指定的官方城市规划根据作者。
李等人。45)提出了一种新的模型,城市增长与启发式规则集中在补丁,用流域分割算法(Segmentation-Patch-CA)物流CA模型。部分城市CA模型的对象的属性被认为是潜在的转换补丁,在确定一个有用的功能,适合性和异质性的内部像素。两种截然不同的都市发展被单独识别和重建:有机增长和自然增长,通过社区密度分析的实现景观扩张指数(LEI)。这个提议被应用于城市广州,中国(图6)。结果显示改善景观相似性指数(LSI)达到20% -50%提出系统生成一个更可靠的地区景观(97.38%和96)比基于像素(45.14%和74.82%)2003 - 2008和2008 - 2012两个建模阶段。
2017年,贾特人等。44)提出了一项研究来评估性能的侦探模型项目的城市崛起一个复杂的和稍微异类区域,阿杰梅尔市在拉贾斯坦邦,印度不同于其他领域由侦探进行测试。七个多光谱卫星图像覆盖超过21年被处理和用于侦探的参数化。城市增长的结果预测的侦探与其他土地利用/覆盖提取方法进行比较。作者表示,这项研究是成功地提供一个有意义的洞察问题中受益的风险预测城市发展在异构的大都市地区。然而,他们发现一些问题有关侦探的敏感性有关的规模和空间分辨率的输入变量。此外,模型的影响表明,侦探是不能捕捉小型单位的发展,即。如何unfragmented户外扩大在发展中国家(图中很常见7)。模型低估了支离破碎的城市增长相比,可以实现近似解析整个阶段,和最小单位的平均尺寸以下分辨率创建并输入数据中的错误将在卫星图像分类错误。这可以归因于过程的异质性和材料用于施工。
利用细胞自动机和马尔可夫(CA-Markov)模型结合地理信息系统(GIS)和遥感(RS) [48),特拉奥雷Mawenda, Komba模拟覆盖变化在科纳克里,几内亚。旧的信息覆盖修改来自1986年的陆地卫星数据,2000年和2016年。
模拟结果比较的评估使用相对操作特征(ROC)曲线的地图覆盖2016人。中华民国的结果展示了很大程度上的协议之间的映射。根据结果,他们使用CA-Markov模型,模拟2025年覆盖变化映射。结果表明,城市面积比2016年的49%,预计到2025年上升到52%。相反,植物将会从2016年的35%下降到2025年的32%。作者研究的结果持乐观态度。他们认为该模型将提供一个依据评估可持续发展和城市管理和采取措施来缓解城市环境恶化。
力平et al。52)也使用CA-Markov模型来预测潜在的土地利用模式通过遥感和地理信息系统基于动态使用模式的变化。他们获得地图预测土地利用健县2014年中国,基于CA-Markov模型,验证与实际结果与2014 k指数为0.8128。作者还把2025年和2036年的土地利用模式。
在上游Citarum流域(西爪哇)Yulianto et al。54)包含遥感数据和CA-Markov研究土地使用改革的动态模型及其估计,为来年做准备。
吴陆& (55)使用时空数据融合的方法(算法)来获取summer-scale陆地卫星的图像在合肥在过去30年里,中国。他们用CA-Markov模型来模拟和预测未来土地利用/覆盖变化的地图(LULC)。作者表明,合并后的数据可以改善LULC检测和预测的准确性,缩短同比间隔和获得的结果为一个特定的一年从LULC预测。在他们的研究中,他们观察到耕地、植被、水和下降了33.14%,2.03%,和16.36%,分别和土地的面积建筑延长从1987年到2032年的200.46%。
类似的研究是由北京地区(黄等人57];在伊尔比德Khawaldah等人,乔丹(58];默罕默德和在亚的斯亚贝巴Worku及周边地区59];Al-Belushi,曼苏尔和阿曼尼兹瓦山区(阿62年]。
Anand & Oinam [61年集中他们的研究在曼尼普尔邦河流域湿地(印度)和发展未来区域LULC地图使用马尔可夫链和一个人工神经元网络。印度尼西亚,茂物市Nurwanda & Honjo [60应用多层感知器的组合和马尔可夫链(MLP-MC)预测未来城市的扩张和地表温度(SST)。
在多准则评价(MCE),细胞自动机(CA)的马尔可夫模型被用作工具有关土地利用的决策,分析和仿真(50]。福等人研究了利用历史数据的可能性从特定区域因素选择、评分和量化。作者创建了逻辑回归模型校准选择得分历史土地利用修改的每一个潜在因素和熵技术用于选择所选变量的权重。单片机的输出作为输入使用CA-Markov模型模拟土地利用的变化从2001年到2011年。仿真结果与2011年土地利用观察检查方法的性能。结果表明,使用SCM的因素来自旧数据创建一个健康的健康。这种方法的最大优点是它选择的变量,评级,从本地数据和权重,以反映实际的模式。这种数值方法离开CA-Markov模型的有效调整,适应各种土地使用规划场景的增长的排名和权重的各种问题对全球变化的理解。
Devendran &看到[56)使用了一个城市增长与元胞自动机模型基于agent-coupled神经网络(NNACA)和历史数据预测的增长钦奈市区(印度)。八个不同的城市化代理使用的预测模型,包括交通、接入点和行业。验证结果表明,最具影响力的代理商是邻居。作者通过夏侬熵测量城市扩张,和获得建议的值需要更仔细的规划未来发展的区域。
他等。53)也关注社区的影响城市增长的预测和CA加上一个卷积神经网络用于联合矿业(UMCNN)和马尔可夫链来提高城市扩张过程的模拟的性能。他们选择珠江三角洲(中国)作为研究区域,目的是验证深度学习在城市仿真的有效性,而三种基于机器学习CA模型(LR,安,RFA)。该方法实现了仿真精度最高的(> 93%)和相似景观指数(> 89%)。然而,作者警告说,尽管模型的准确性大大受到培训窗口的大小的影响,其结果是最低仍高于传统的CA模型。
Pazos-Perez等人研究了使用进化遗传算法来预测城市垂直进化场景在大中心区域(49]。东京Minato区用于案例研究,它已迅速发展在过去的20年。复制垂直城市化是使用遗传算法基于初始设置参数进行预测,计算不仅潜在的高层建筑的数量,也最可能的具体地点来支持新的高层建筑在未来的进步。评估的准确性遗传算法在预测未来垂直区成长,进化模型的结果与连续高层的演进。测试后,遗传算法的预测2016 - 2019年期间(图8),并分享结果与实际正在进行的项目现在,研究人员得出结论,该算法的增长预测是准确的完整的属性及其可能的位置(±6.67%)。另一方面,该算法没有准确地确定今年的增长(±1年),正确和建筑高度偏差(19.5%),表明必须进行更多的研究领域。这个实验证明使用进化遗传计算方法预测垂直城市增长的可能性有关空间和潜在的数量如下。
正如在前一节中看到的,有不同的变量影响的预测。上述研究使用不同的输入变量的预测。这些数据表中可以看到2。虽然使用的变量是不同的根据研究中,有许多因素突出,因为他们出现在许多:人口、种族、扩散、高程、坡度、环境、密度、可访问性、约束因素,随机或随机因素,概率的发展,社会经济变化,民主党,并通过社区历史土地利用因素和距离(城市或nonurban空间之间),道路、河流、铁路、等等。我们可以欣赏定性和定量CA模型的优势,损害使用二进制或向量的CA模型或其他方法(安,GA,等等)。
2.2。更多相关数据
人工智能的实现城市规划是一个蓬勃发展的领域,越来越多的研究人员在这个领域研究和发表论文。如果我们考虑到不同的文章中所提到的,我们可以看到,自2016年以来在这方面的研究文章发表数量一直在增加,减少2018,等于出版物的数量与2016年(3),但同样的研究主题是2020年重定向。2021年我们没有包括在这个国家的艺术,因为它是今年的数据收集和在这方面没有发现结果。今年最高的出版物的数量是2018(7)之后,2020 (6)。
此外,当涉及到人工智能的使用对城市规划,值得强调的是,国家中使用不同的作品。在本文中提到的不同方法,人工智能技术应用于城市规划在大都市的各个部分的世界,尽管本文中使用的大多数论文关注城市发展在中国。为此,图9包括,显示相关文章的数量每年每个国家。在图的图9的作品,我们可以看到,大多数研究在中国城市发展如前所述。这是唯一的国家调查已经进行了所有的年包括(2016 - 2020),其中4在2018年。另一方面,应该注意使用的国家科学研究2020年(阿曼、埃塞俄比亚、约旦、印度、印度尼西亚、和中国)。
也许最重要的一个部分的数据,我们能够收集问题的技术在不同的实验中使用。在本文中使用的文件,大多数的系统结合马尔可夫链和细胞自动机。少数量的论文使用其他技术,如人工神经网络。这与建筑设计相关的大量的论文使用遗传算法(86年- - - - - -93年]。你可以阅读更多关于它的艺术,我们以前94年]。
特别是,使用的人工智能技术应用于城市规划的作者不同的作品,我们发现如下:结合CA和马尔可夫脱颖而出,2018年三份工作,两个在2019年和2020年。其余的工作也在2020年使用马尔可夫,但在这种情况下,结合安。作为它的一部分,其他剩余的工作从2019年也使用CA和马尔可夫,但它使用神经网络的特点。
我们可以看到在图10剩下的实验作品使用CA,除了[40,492016年],它使用简单的遗传算法并结合EC 2018年,先后。另一方面,使用CA只有两个例子的研究在2017年其个人使用的42,44),第二个(侦探)与一个特定的模型。在其他的研究中,他们使用它与其他技术相结合的情况下45使用Segmentation-Path-CA]。
最好的结果可能会被那些的49]使用GA +电子商务,他在2018年获得了全球建筑数量的100%,精度偏差的19.5%的建筑的高度。的结果(42)也很好使用CA实现97%和98%的整体精度,分散和优势指数为0.10(土地覆盖图指数为49.05),和45通过Segmentation-Patch-CA获得96%的整体精度。(之前都是49),所以工作2018年之后并没有取得结果,提高交流和电子商务的结合。
3所示。结论
多年来,中科院已经成功地用于探索各种各样的城市现象(95年),从城市化和城市发展交通仿真对地区级的核96年- - - - - -98年]。CA模型已经开发为主题的扩张(99年,One hundred.)或中产阶级化101年- - - - - -103年),模拟城市形状,增长和位置(73年,104年- - - - - -107年]。这是因为CAs建模城市现象有很多优势,比如他们的灵活性,他们分散和动态方法,相对宽松的模型结果可以可视化,以及他们的亲和力与地理信息系统和遥感数据(108年]。在我们看来,它的简单可能是其最重要的质量。通过模拟的方式大规模城市结构可以从无数交互出现的简单元素,中科院为复杂的自适应系统的探索提供了一个框架。
我们已经看到,近年来这些技术被用于模拟城市规划方法和土地使用的改变,考虑人口迁移或全球变暖的影响(如洪水或水和植被的消失,例如),与计划和实现城市可持续发展的目的。
虽然最好的结果早在2018年,它被认为是其他作品也获得令人满意的结果,因为它们是非常不同的用途,如前所述,不同的国家使用和技术。
在不同的缺陷如下所示:(我)唯一的技术与出版的例子从一个足够数量的国家比较结果是使用CA +马尔可夫。(2)这种技术还没有超过2018年进行的第一个实验的结果(48从科纳克里(几内亚)]与数据。结果平均精度为92%。(3)唯一的国家有足够的方法做一个比较它们之间是中国。(iv)尽管是同一个国家,位置是不同的,因此,比较的结果将是不一致的。(v)使用GA +电子商务还没有复制,尽管它是迄今为止最好的选择结果。(vi)在大多数情况下,预测数据相比,并没有实际的后续结果。
记住上面的,我们建议尽可能与实际结果进行比较。我们也合情合理,使用CA已经调查,随着2017年结果显示其潜力。然而,包含解释文献综述后,我们可以理解,它不解决前面的问题。这就是为什么它感兴趣的也会显示CA和EC相结合的结果,因为它是一个组合,尚未工作直到现在。
我们也认为它有趣的未来研究进行更多的实验在相似的条件下,定位和不同的技术或技术修改的位置。最后,我们建议推广使用GA + EC的令人满意的结果。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这个项目得到了总指挥部的文化、教育和大学管理Xunta de加利西亚(ref。ED431G / 01和ED431D 2017/16),西班牙经济和竞争力通过融资的独特安装BIOCAI (unlc08 - 1 - e - 002和unlc13 - 13 - 3503),和欧洲区域发展基金(菲德尔)。中信,由加利西亚大学研究中心认证系统,是由“Conselleria德文化Educacion e大学从Xunta德加利西亚,”支持通过ERDF基金80%,ERDF作战计划加利西亚2014 - 2020,剩下的20%“Secretaria Xeral德大学”(批准号ED431G 2019/01)。