CN103136707B - 一种土地利用分层配置方法 - Google Patents
一种土地利用分层配置方法 Download PDFInfo
- Publication number
- CN103136707B CN103136707B CN201310099412.0A CN201310099412A CN103136707B CN 103136707 B CN103136707 B CN 103136707B CN 201310099412 A CN201310099412 A CN 201310099412A CN 103136707 B CN103136707 B CN 103136707B
- Authority
- CN
- China
- Prior art keywords
- land
- competition
- farming
- use change
- district
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种土地利用分层配置方法。本发明的土地利用分层配置模型先获取和收集土地利用基础数据,对需要进行空间布局优化的地类作适宜性评价,然后针对土地利用空间布局优化问题,构建特定的遗传算法染色体和遗传进化算子,完成问题域向算法域的映射并在空间优化目标的指导下,运用遗传算法分别对各地类的空间布局进行优化,再在此基础上结合土地规划领域的知识和博弈理论解决各地类优化后的空间布局与现状土地利用的用地竞争。本发明可以较好的完成各地类空间布局的优化并且擅于用地协调。土地规划领域的知识确保用地协调结果的合理性而博弈理论将利益因素引入到用地竞争的解决中,有效的保证用地协调结果的可实施性。
Description
技术领域
本发明涉及本发明属于土地利用规划领域,,尤其是涉及一种土地利用分层配置方法。
背景技术
土地是人类生存与发展的物质基础。人类通过对土地资源的开发与利用来满足自身各方面的需求。随着人口的增长和城市化的发展,人们对土地资源的需求不断增大,但土地资源的供给是有限的,不同的利益群体对土地资源的使用有不同的利益追求,土地资源竞争便凸显出来。土地资源具有多宜性特征是出现土地资源竞争的另一个原因。自然条件与区位条件优越的土地资源往往能满足人们多方面的需求。土地资源竞争在空间上表现为多种土地利用方式对土地单元的争夺,背后是多方利益群体之间的博弈。合理的配置土地资源是实现区域经济、社会、生态可持续发展的有效手段,而解决空间上的土地资源竞争是其重要内容。
国内外在土地利用配置方面已经开展了大量工作,现有的配置模型大致分为如下三类:线性规划模型、模拟优化模型和智能算法模型。线性规划模型在目标函数和约束条件的控制下获得最优的土地数量结构,但它无法将土地利用落实到具体的土地单元上,无法处理空间上的土地利用竞争。模拟优化模型主要包括系统动力学模型,元胞自动机模型和CLUE-S模型。系统动力学模型用于模拟不同情景下的土地利用数量结构,与线性规划模型一样它也缺乏操作空间土地单元的能力。元胞自动机模型和CLUE-S模型注重对微观土地单元的操作,可以模拟不同条件下的土地利用空间布局,但在模拟过程中较少从多方利益的角度去解决空间上的用地竞争。针对大规模的复杂的土地利用配置问题,模拟退火算法、微粒群算法和遗传算法等智能算法被引入。这些算法在可接受的用时内能给出满足一定需求的土地配置方案。遗传算法是其中一种适用面很广的优化算法,已将其用于解决空间选址、林业规划、水资源配置和土地资源配置等空间优化问题,表现出一定的空间优化能力。遗传算法模型通过遗传进化算子对土地利用的空间布局进行优化,相关算子从最初采用的随机搜索策略发展到与土地规划领域的知识相结合,但这方面的结合是浅显的,总体上遗传算法模型缺乏足够的解决用地竞争的能力。现有的优化配置模型大多只对土地利用的空间布局进行单一层次的优化,这样难以有效的结合用地竞争的解决策略,并且现有模型在解决用地竞争时,缺少多方利益群体的参与,用地协调结果难于付诸实施。
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种土地利用分层配置方法,其特征在于,包括如下步骤:
步骤1,获取和收集土地利用基础数据,对需要进行空间布局优化的地类作适宜性评价并将所有空间数据转为一定精度下的格网形式,该格网技术为现有技术,格网精度一般为50m×50m或100m×100m。
步骤2,针对土地利用空间布局优化问题,构建特定的遗传算法染色体和遗传进化算子,完成问题域向算法域的映射。在空间优化目标的指导下,运用遗传算法分别对各地类的空间布局进行优化。
步骤3,在步骤2的基础上结合土地规划领域的知识和博弈理论解决各地类优化后的空间布局与现状土地利用的用地竞争。不同类型的用地竞争采用不同的解决策略,所有类型的用地竞争都是以竞争区作为基本的处理单元。
在上述的一种土地利用分层配置方法,所述的步骤2中,某一地类空间布局的优化过程如下:
步骤2.1,初始化算法参数和种群。染色体为二维格网染色体,格网单元(即基因)全为二值变量,采用该地类的土地利用现状初始化染色体。
步骤2.2,计算每个染色体的适宜度,以土地适宜性水平和空间紧凑度为优化目标,采用加权和的方式进行多目标处理,所述的适宜度的计算基于以下公式:
最大化
以土地适宜性水平S和空间紧凑度C为优化目标,w1,w2为相关目标的权重,取值范围为[0,1],且w1+w2=1。fnorm()完成归一化处理。
sij为该地类的适宜值。uij为二值变量,格网单元分配了该地类时取值为1,否则为0。H表示染色体中的斑块总数,Ph表示斑块的周长,Ah表示同一斑块的面积。采用罚函数法处理面积约束,Penalty为惩罚项。
步骤2.3,结束条件判断,检测算法的迭代次数是否大于最大迭代次数,或运行时间是否超过规定用时,或算法是否处于停滞状态。若结束条件满足,该地类空间布局的优化过程结束,否则执行d。
步骤2.4,采用轮盘赌选择法选出进行交叉操作和变异操作的染色体。
步骤2.5,对染色体进行交叉操作,交叉算子由基本交叉算子构成。基本交叉算子随机确定一个N*N的区域,然后交换两个染色体在该区域的内容,一次交叉操作中基本交叉算子执行M次,一般10~300次,其中,N为正整数。
f对染色体进行变异操作。转b。
在上述的一种土地利用分层配置方法,所述的步骤3具体包括以下选择步骤:
选择步骤3.1,解决农用地之间的竞争。分别计算各类农用地在农用地竞争区内的优先度A,公式如下
Ai=Ci+Di
Ci表示现状图层中该竞争区及其邻域内地类i所占的面积,Di表示地类i的优化配置方案中地类i在该竞争区中的面积,该竞争区最终的土地利用为优先度最大者。
选择步骤3.2,解决建设用地-农用地竞争。当建设用地-农用地竞争区的邻域内全为农用地时,分别计算各类农用地在邻域内的面积,该竞争区最终的土地利用为面积最大者。
选择步骤3.3,解决农用地-建设用地竞争:
定义竞争区的面积为S,农用地-建设用地竞争区内各类农用地的面积百分比为Pi,各类农用地单位面积年收益为Fi,农民保有农用地的收益为I。在计算I时考虑了未来M年内的农民收入,计算公式如下
设征地的初始补偿为T,在博弈中,农民的补偿会逐渐提高,但每次提高的额度会递减,采用一等比递减数列对此进行建模,首项为W,公比为q,那么农民在第一次博弈中的补偿为S×T,第二次为S×T+W,第三次为S×T+W+W×q,第n次为
其中W=p×S×T且0<p,q<1。
定义建设用地的平均出让价格为Q,政府的出让收入为V,政府在第n轮博弈中征得农用地后的净收益为Rn。结合该竞争区的区位条件,对建设用地平均出让价格进行修正从而获得该竞争区最终的土地出让价格。竞争区区位条件的优劣程度采用其邻域内建设用地的百分比来进行度量,百分比越高,土地出让价格越高。相关的计算公式如下:
Rn=(1-e)×V-Cn
其中Snei为邻域面积,Sc为邻域中建设用地的面积,k,u为区位影响系数,0<k<1,u>1。e为政府进行土地开发,形成建设用地条件的成本,0<e<1。图5中的二元组,前一分量为农民收入,后一分量为政府收入。农民与政府的利益博弈被建模为完美信息动态博弈,通过逆向归纳法求出其子博弈完美纳什均衡解,从而确定该竞争区是否被征用为建设用地。
因此,本发明具有如下优点:通过分层配置的方式,提高了各地类空间布局的合理性,同时很好的协调了各地类之间的竞争关系;在协调用地竞争时,注重对利益因素的考虑,从而使得用地协调结果具有良好的可实施性。
附图说明
图1是本发明的一种土地利用分层配置模型示意图。
图2是遗传算法的流程示意图。
图3a是基本变异算子的示意图(结束条件之一)。
图3b是基本变异算子的示意图(结束条件之一)。
图4是竞争区概念的示意图。
图5是博弈模型的示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本发明的模型示意图如图1,包括如下步骤:
步骤1,获取和收集土地利用基础数据包括土地利用现状数据、地形数据、基本农田保护数据和生态用地数据并收集相关统计年鉴资料,对需要进行空间布局优化的地类作适宜性评价并将所有空间数据转为一定精度下的格网形式。
步骤2,运用遗传算法分别对各地类的空间布局进行优化,某一地类空间布局的优化过程如图2所示,详细步骤如下:
a,初始化算法参数和种群。算法参数包括变异率、交叉率、种群规模和结束条件等。染色体为二维格网染色体,格网单元(即基因)全为二值变量,当格网单元分配了该地类时,取值为1,否则为0,采用该地类的土地利用现状初始化染色体。
b,计算每个染色体的适宜度,公式如下
最大化
以土地适宜性水平S和空间紧凑度C为优化目标,w1,w2为相关目标的权重,取值范围为[0,1],且w1+w2=1。fnorm()完成归一化处理。
sij为该地类的适宜值。uij为二值变量,格网单元分配了该地类时取值为1,否则为0。H表示染色体中的斑块总数,Ph表示斑块的周长,Ah表示同一斑块的面积。采用罚函数法处理面积约束,Penalty为惩罚项。
c,结束条件判断,检测算法的迭代次数是否大于最大迭代次数,或运行时间是否超过规定用时,或算法是否处于停滞状态。若结束条件满足,该地类空间布局的优化过程结束,否则执行d。
d,采用轮盘赌选择法选出进行交叉操作和变异操作的染色体。
e,对染色体进行交叉操作。交叉算子由基本交叉算子构成。基本交叉算子随机确定一个3*3或者更大的区域,然后交换两个染色体在该区域的内容。一次交叉操作中基本交叉算子执行多次,一般为10~300次。
f,对染色体进行变异操作。变异算子则由基本变异算子构成。基本变异算子一次操作一个染色体,在染色体中随机选择两个3*3的区域,分别计算它们的土地平均适宜性水平。低适宜区的土地利用向高适宜区转移,直到低适宜区的土地利用转移完毕(图3a)或高适宜区无空闲区域(图3b)。
交叉操作与变异操作在变更土地利用时会受到限制,比如坡度大于25度的区域不能为耕地和生态林地保持不变等。转b。
步骤3,在步骤2的基础上,以竞争区为处理单元解决各地类优化后的空间布局与现状土地利用的用地竞争。用地竞争分为2类:农用地之间的竞争和农用地与建设用地之间的竞争。根据土地利用现状,后者又被细分为建设用地(现状)-农用地竞争和农用地(现状)-建设用地竞争。基于8邻域,空间上相连且用地竞争类型相同的格网单元组成一个竞争区(图4),根据用地竞争的类型,竞争区可分为:农用地竞争区、建设用地-农用地竞争区和农用地-建设用地竞争区,一个竞争区内的所有格网单元将配置同一种土地利用。
a,解决农用地之间的竞争。分别计算各类农用地在农用地竞争区内的优先度A,公式如下
Ai=Ci+Di
Ci表示现状图层中该竞争区及其邻域内地类i所占的面积,Di表示地类i的优化配置方案中地类i在该竞争区中的面积,该竞争区最终的土地利用为优先度最大者。
b,解决建设用地-农用地竞争。当建设用地-农用地竞争区的邻域内全为农用地时,分别计算各类农用地在邻域内的面积,该竞争区最终的土地利用为面积最大者。
c,解决农用地-建设用地竞争。农用地-建设用地竞争区最终的土地利用是农民与政府利益博弈的结果(图5)。在博弈中,双方轮流行动。政府征地时,农民根据自身的农业收入和政府的补偿标准来决定是否同意征地。在农民不同意征地时,政府可以选择与农民协商或者放弃征地。政府选择与农民协商时,农民根据政府新的补偿力度再次决定是否同意征地。若农民不同意征地,政府可再次选择与农民协商或者放弃征地,整个过程不断持续下去。双方可以进行长时间的博弈,但不能无限期。假定双方最大博弈轮数为N,若进行到第N轮博弈时,农民依然不同意征地,那么政府将放弃征地。图5中N为3。
定义竞争区的面积为S,农用地-建设用地竞争区内各类农用地的面积百分比为Pi,各类农用地单位面积年收益为Fi,农民保有农用地的收益为I。在计算I时考虑了未来M年内的农民收入,计算公式如下
设征地的初始补偿为T,在博弈中,农民的补偿会逐渐提高,但每次提高的额度会递减,采用一等比递减数列对此进行建模,首项为W,公比为q,那么农民在第一次博弈中的补偿为S×T,第二次为S×T+W,第三次为S×T+W+W×q,第n次为
其中W=p×S×T且0<p,q<1。
定义建设用地的平均出让价格为Q,政府的出让收入为V,政府在第n轮博弈中征得农用地后的净收益为Rn。结合该竞争区的区位条件,对建设用地平均出让价格进行修正从而获得该竞争区最终的土地出让价格。竞争区区位条件的优劣程度采用其邻域内建设用地的百分比来进行度量,百分比越高,土地出让价格越高。相关的计算公式如下:
Rn=(1-e)×V-Cn
其中Snei为邻域面积,Sc为邻域中建设用地的面积,k,u为区位影响系数,0<k<1,u>1。e为政府进行土地开发,形成建设用地条件的成本和其他有关成本,0<e<1。图5中的二元组,前一分量为农民收入,后一分量为政府收入。农民与政府的利益博弈被建模为完美信息动态博弈,通过逆向归纳法求出其子博弈完美纳什均衡解,从而确定该竞争区是否被征用为建设用地。图5中的二元组,前一分量为农民收入,后一分量为政府收入。农民与政府的利益博弈被建模为完美信息动态博弈,通过逆向归纳法求出其子博弈完美纳什均衡解,从而确定该竞争区是否被征用为建设用地。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种土地利用分层配置方法,其特征在于,包括如下步骤:
步骤1,获取和收集土地利用基础数据包括土地利用现状数据、地形数据、基本农田保护数据和生态用地数据并收集相关统计年鉴资料,对需要进行空间布局优化的地类作适宜性评价并将所有空间数据转为一定精度下的格网形式;
步骤2,针对土地利用空间布局优化问题,构建特定的遗传算法染色体和遗传进化算子,完成问题域向算法域的映射,在空间优化目标的指导下,运用遗传算法分别对各地类的空间布局进行优化,
步骤3,在步骤2的基础上结合土地规划领域的知识和博弈理论解决各地类优化后的空间布局与现状土地利用的用地竞争,不同类型的用地竞争采用不同的解决策略,所有类型的用地竞争都是以竞争区作为基本的处理单元。
2.根据权利要求1所述的一种土地利用分层配置方法,其特征在于,所述的步骤2中,某一地类空间布局的优化过程如下:
步骤2.1,初始化算法参数和种群:染色体为二维格网染色体,基因格网单元全为二值变量,采用该地类的土地利用现状初始化染色体;
步骤2.2,计算每个染色体的适宜度,以土地适宜性水平和空间紧凑度为优化目标,采用加权和的方式进行多目标处理,所述的适宜度的计算基于以下公式:
最大化
以土地适宜性水平S和空间紧凑度C为优化目标,w1,w2为相关目标的权重,取值范围为[0,1],且w1+w2=1,fnorm()完成归一化处理,
si j为该地类的适宜值,ui j为二值变量,基因格网单元格网单元分配了该地类时取值为1,否则为0,H表示染色体中的斑块总数,Ph表示斑块的周长,Ah表示同一斑块的面积,采用罚函数法处理面积约束,Penalty为惩罚项;政府与农民双方最大博弈轮数为N,M为未来M年内的农民收入;
步骤2.3,结束条件判断,检测算法的迭代次数是否大于最大迭代次数,或运行时间是否超过规定用时,或算法是否处于停滞状态,若结束条件满足,该地类空间布局的优化过程结束,否则执行步骤2.4;
步骤2.4,采用轮盘赌选择法选出进行交叉操作和变异操作的染色体;
步骤2.5,对染色体进行交叉操作,交叉算子由基本交叉算子构成,基本交叉算子随机确定一个N*N的区域,然后交换两个染色体在该区域的内容,一次交叉操作中基本交叉算子执行M次,其中,N为正整数;
步骤2.6,对染色体进行变异操作后执行步骤2.2。
3.根据权利要求1所述的一种土地利用分层配置方法,其特征在于,所述的步骤3具体包括以下选择步骤:
选择步骤3.1,解决农用地之间的竞争,分别计算各类农用地在农用地竞争区内的优先度A,公式如下
Ai=Ci+Di
Ci表示现状图层中该竞争区及其邻域内地类i所占的面积,Di表示地类i的优化配置方案中地类i在该竞争区中的面积,该竞争区最终的土地利用为优先度最大者;
选择步骤3.2,解决建设用地-农用地竞争,当建设用地-农用地竞争区的邻域内全为农用地时,分别计算各类农用地在邻域内的面积,该竞争区最终的土地利用为面积最大者;
选择步骤3.3,解决农用地-建设用地竞争:定义竞争区的面积为S,农用地-建设用地竞争区内各类农用地的面积百分比为Pi,各类农用地单位面积年收益为Fi,农民保有农用地的收益为I,在计算I时考虑了未来M年内的农民收入,政府与农民双方最大博弈轮数为N,M为未来M年内的农民收入;计算公式如下
设征地的初始补偿为T,在博弈中,农民的补偿会逐渐提高,但每次提高的额度会递减,采用一等比递减数列对此进行建模,首项为W,公比为q,那么农民在第一次博弈中的补偿为S×T,第二次为S×T+W,第三次为S×T+W+W×q,第n次为
其中W=p×S×T且0<p,q<1,
定义建设用地的平均出让价格为Q,政府的出让收入为V,政府在第n轮博弈中征得农用地后的净收益为Rn,结合该竞争区的区位条件,对建设用地平均出让价格进行修正从而获得该竞争区最终的土地出让价格,竞争区区位条件的优劣程度采用其邻域内建设用地的百分比来进行度量,百分比越高,土地出让价格越高,相关的计算公式如下:
Rn=(1-e)×V-Cn
其中Snei为邻域面积,Sc为邻域中建设用地的面积,k,u为区位影响系数,0<k<1,u>1,e为政府进行土地开发,形成建设用地条件的成本和其他有关成本,0<e<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099412.0A CN103136707B (zh) | 2013-03-26 | 2013-03-26 | 一种土地利用分层配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310099412.0A CN103136707B (zh) | 2013-03-26 | 2013-03-26 | 一种土地利用分层配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103136707A CN103136707A (zh) | 2013-06-05 |
CN103136707B true CN103136707B (zh) | 2016-04-13 |
Family
ID=48496506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310099412.0A Active CN103136707B (zh) | 2013-03-26 | 2013-03-26 | 一种土地利用分层配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103136707B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318319A (zh) * | 2014-10-09 | 2015-01-28 | 武汉大学 | 一种基于征地过程博弈结果的多智能体城市扩张模拟方法 |
TWI603219B (zh) * | 2016-09-05 | 2017-10-21 | 國立臺中科技大學 | 基於網際網路的單一樓層之空間佈置方法及其系統 |
CN107330554B (zh) * | 2017-06-29 | 2020-11-06 | 国网湖南省电力有限公司 | 山火灾害下电网灭火装备动态博弈应急方法及系统 |
CN107977711B (zh) * | 2017-12-21 | 2020-11-03 | 武汉大学 | 一种面向“三线”协同优化的多智能体遗传方法 |
CN108304576A (zh) * | 2018-02-28 | 2018-07-20 | 广州大学 | 一种智能交互式的生态控制线划定方法及装置 |
CN109064036B (zh) * | 2018-08-08 | 2021-07-06 | 武汉大学 | 面向管理领域的生态系统服务供需指数变化检测方法 |
CN109767046A (zh) * | 2019-01-21 | 2019-05-17 | 辽宁省国土资源调查规划局 | 一种土地空间优化配置方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625741A (zh) * | 2009-07-07 | 2010-01-13 | 武汉大学 | 土地评价样点空间配置方法 |
CN102663562A (zh) * | 2012-04-20 | 2012-09-12 | 武汉大学 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138353A1 (en) * | 2008-08-27 | 2010-06-03 | Avinash Srivastava | Computer implemented system and method for providing an optimized sustainable land use plan |
-
2013
- 2013-03-26 CN CN201310099412.0A patent/CN103136707B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625741A (zh) * | 2009-07-07 | 2010-01-13 | 武汉大学 | 土地评价样点空间配置方法 |
CN102663562A (zh) * | 2012-04-20 | 2012-09-12 | 武汉大学 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
Non-Patent Citations (3)
Title |
---|
农业土地利用优化配置系统的研建;张英,张红旗,倪东英;《资源科学》;20091231;第31卷(第12期);2055-2064 * |
土地资源优化配置研究进展与展望;陈梅英,郑荣宝,王朝晖;《热带地理》;20090930;第29卷(第5期);466-471 * |
基于元胞自动机的土地资源节约利用模拟;杨青生;《自然资源学报》;20090531;第24卷(第5期);753-762 * |
Also Published As
Publication number | Publication date |
---|---|
CN103136707A (zh) | 2013-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103136707B (zh) | 一种土地利用分层配置方法 | |
Shi et al. | A review of simulation-based urban form generation and optimization for energy-driven urban design | |
Schaldach et al. | An integrated approach to modelling land-use change on continental and global scales | |
Liu et al. | A land-use spatial optimization model based on genetic optimization and game theory | |
Long et al. | Socio-economic development and land-use change: Analysis of rural housing land transition in the Transect of the Yangtse River, China | |
Hu et al. | An urban form experiment on urban heat island effect in high density area | |
Zheng et al. | Comparison of architecture among different cultivars of hybrid rice using a spatial light model based on 3-D digitising | |
CN103136603B (zh) | 一种智能土地利用布局优化配置方法 | |
Busch | A spatial explicit scenario method to support participative regional land-use decisions regarding economic and ecological options of short rotation coppice (SRC) for renewable energy production on arable land: case study application for the Göttingen district, Germany | |
Lawes et al. | The Land Use Sequence Optimiser (LUSO): a theoretical framework for analysing crop sequences in response to nitrogen, disease and weed populations | |
CN103577897B (zh) | 一种土地利用空间布局智能优化的种群初始化方法 | |
CN101916337A (zh) | 一种基于地理信息系统的水稻生产潜力动态预测方法 | |
CN106909986A (zh) | 一种使用蚁群多目标布局优化模型的土地再开发规划方法 | |
Parker et al. | Illustrating a new'conceptual design pattern'for agent-based models of land use via five case studies—the MR POTATOHEAD framework | |
WO2024098444A1 (zh) | 一种乡村生态系统碳储量预测方法 | |
CN109376955B (zh) | 一种基于生态服务功能的农业非点源最佳管理措施组合优化配置方法 | |
Teillard et al. | Optimal allocations of agricultural intensity reveal win-no loss solutions for food production and biodiversity | |
Huang et al. | Simulating urban growth affected by national and regional land use policies: Case study from Wuhan, China | |
CN107977711A (zh) | 一种面向“三线”协同优化的多智能体遗传算法 | |
Zhang et al. | Modeling urban growth by the use of a multiobjective optimization approach: Environmental and economic issues for the Yangtze watershed, China | |
Giri et al. | Regulators’ and stakeholders’ perspectives in a framework for bioenergy development | |
Cao et al. | A modeling framework for the dynamic correlation between agricultural sustainability and the water-land nexus under uncertainty | |
Azuara-García et al. | Embedding sustainable land-use optimization within system dynamics: Bidirectional feedback between spatial and non-spatial drivers | |
CN105488346A (zh) | 一种大尺度土地覆盖变化的空间预测模拟方法 | |
Hosseini Safa et al. | Incorporating economy and long-term inflow forecasting uncertainty into decision-making for agricultural water allocation during droughts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |