CN103150614B - 一种土地利用空间自动配置方法 - Google Patents

Abstract

本发明涉及一种土地利用空间自动配置方法，属于土地利用领域。本发明提供的空间配置方法先首先提取土地利用空间配置的基础数据并进行整合，然后基于改进遗传算法构建土地利用空间配置模型，以上述数据为模型输入数据，以土地利用单元为数据处理单位，建立待求问题与改进遗传算法之间的映射关系，求解得出土地利用空间配置的优化结果。该方法将土地利用领域知识融入遗传算法之中，可以较好地模拟人类在土地利用决策过程中的智能行为，以提高土地利用空间配置的合理性和适用性，从而解决当前土地利用空间配置效率低下、难以模拟人的智能行为导致配置结果合理性差的不足。

Description

一种土地利用空间自动配置方法

技术领域

本发明涉及一种土地利用领域，尤其是涉及一种土地利用空间自动配置方法。

背景技术

土地利用空间配置是促进土地资源的集约和节约利用，实现土地利用可持续发展的重要手段，也是土地利用规划的核心问题。它需要根据土地的自然属性及区域社会经济状况，来综合确定土地利用数量结构，并对各类用地进行空间布局，以实现综合效益的最大化。土地利用空间配置问题涉及多个目标及约束条件，随着数据维数的增加，其可能的组合呈爆炸式增长，利用常规的穷尽搜索方法（brute-forcesearch）无法找到最优的解决方案。如何找到一种客观的、定量化的多目标空间优化配置方法，解决土地资源在数量上、质量上和空间上的合理配置，一直是土地利用空间配置需要研究和解决的热点问题。

至今，已有大量的方法和技术被用于解决土地利用空间配置问题，它们大致可以分为以下三类：基于多准则决策的配置技术、基于元胞自动机的配置模型及基于数学规划的方法。早期的研究较多的使用基于GIS的多准则决策技术，将多目标决策或理想点分析等方法应用于准则规则中，根据土地利用的优先级别、适宜性评价指数的高低逐步为各个土地利用单元选择最佳用途。然而，此方法由于缺乏全局目标函数无法解决土地利用多宜性问题。此后，许多研究运用元胞自动机模型，建立元胞局域转换规则集和约束体系，运用其强大的空间模拟能力来实现土地利用空间布局。但是，元胞自动机模型只考虑了自身与邻域状态，缺乏社会、经济等宏观目标的指导，导致模拟结果无法满足全局目标的要求。近年来，在土地利用空间配置的研究中，出现了一些基于数学规划（如整数规划、目标规划）的配置方法，它们由于拥有全局目标函数与约束条件，能够克服以往模型的缺点。但其面临的一个主要问题是模型受数据量限制，能处理的问题规模有限且耗费计算时间巨大。

遗传算法最早由Holland于1975年提出来，是一种根据达尔文进化原理中自然选择规则来自动地寻找最优方案的智能优化算法。它无需提供复杂的数学表达式就能解决复杂的优化问题，许多学者已将遗传算法应用于解决土地利用空间配置问题之中，以期上述方法的不足。然而，这些研究存在一定的缺陷，它们在遗传进化操作中主要采用随机搜索策略，缺少土地利用领域知识的指导与约束，导致算法容易陷入局部最优解且收敛较慢。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种充分利用计算机的并行计算能力，有效提高土地利用空间配置效率的一种土地利用空间自动配置方法。

本发明还有一目的是解决现有技术所存在的等的技术问题；提供了一种能够提高土地利用空间配置的合理性和适用性，从而解决当前土地利用空间配置效率低下、难以模拟人的智能行为导致配置结果合理性差的不足的一种土地利用空间自动配置方法。

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：

一种土地利用空间自动配置方法，其特征在于，该方法包括如下步骤：

步骤1，提取土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息；

步骤2，应用改进遗传算法对步骤1的数据优化，进行建模和选择最优的土地利用布局，以土地利用单元为数据处理单位，建立待求问题与改进遗传算法之间的映射关系，求解得出土地利用空间配置的优化结果，所述土地利用单元抽象为改进遗传算法中的基因，其土地利用类型由基因的类型进行表征；土地利用簇，即土地利用类型相同且相连的单元形成的一个空间集合，由基因组表示；区域的土地利用空间配置方案对应于染色体；土地利用综合效益函数为染色体适应度函数。

在上述的一种土地利用空间自动配置方法，所述的步骤1中，基础数据包括土地利用现状数据、土地利用适宜性评价数据、城镇及基本农田规划数据、地形坡度数据。整合数据是指这些数据是多种来源、不同格式的数据，要对这些空间数据进行统一规范化处理。使用ArcGIS9.3的SpatialAdjustment工具对这些空间数据进行配准，设置一致的空间参考坐标，并使用FeaturetoRaster工具将矢量数据转成精度相同的栅格数据。

在上述的一种土地利用空间自动配置方法，所述的步骤2中，求解土地利用空间配置优化结果的步骤包括以下子步骤：

步骤2.1，设置染色体种群规模，交叉率，变异率，最大迭代次数，并初始化每个染色体的基因值；

步骤2.2，设置适应度函数，包括设置适宜性目标及紧凑度目标权重；

步骤2.3，对染色体进行交叉操作、变异操作，生成新的一批染色体；

步骤2.4，计算各个染色体的适应度，对种群执行选择操作，选择出一批适应度较高的染色体作为下一代种群；

步骤2.5，循环迭代，当达到用户设定的最大迭代次数或最优染色体适应度保持不变时，搜索结束，得到土地利用空间配置的优化结果，否则将步骤2.4中选择出的种群作为下一代的父代种群，执行步骤2.3。

在上述的一种土地利用空间自动配置方法，所述的步骤2.3具体方法是：定义土地利用转换规则由基于适宜性的规则、基于邻域关系的规则及强制约束规则构成，它们通过土地利用类型转换系数P_ijk进行定量化的表示。P_ijk表示地块(i,j)选择类型k概率，其值越大代表选择的可能性越高。P_ijk=P_suitability(x_ijk)*P_neighbor(x_ijk)^μ*P_constraint(x_ijk)

式中，P_suitability(x_ijk)为基于适宜性的规则计算的结果，P_neighbor(x_ijk)为基于邻域关系的规则计算的结果，P_constraint(x_ijk)为强制约束规则计算的结果，为邻域系数，代表邻域规则的重要程度。

所述基于适宜性的规则依据土地利用因地制宜的原则，促使土地用途向更加适宜的方向进行转换，最大限度地发挥土地生产潜力。P_suitability(x_ijk)值等于地块(i,j)对于地类k的适宜性S_ijk与各类型适宜性之和的比。

$P_{\mathrm{suitability}}\left(x_{\mathrm{ijk}}\right)=\frac{s_{\mathrm{ijk}}}{\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{S}_{\mathrm{ijt}}}$

所述基于邻域关系的规则考虑局部地区的空间紧凑度，其值等于地块(i,j)邻域内地类k的地块的数量占所有地块数量的比例。

$P_{\mathrm{neighbor}}\left(x_{\mathrm{ijk}}\right)=\frac{N_k}{N_{\mathrm{total}}}$

式中，N_k为地块(i,j)邻域内地类k的地块的数量，N_total为地块(i,j)邻域内地块总数量。

所述强制约束规则不允许以下地类的转换：（1）坡度大于25度的地块转为耕地（2）基本农田保护区的耕地转为其他用地（3）湖泊水域向其他用地转换。当地块的转换为以上情景时，P_constraint(x_ijk)取值为0，否则为1.

在上述的一种土地利用空间自动配置方法，步骤2.4中的交叉操作与变异操作以基因组为基本操作单元，算法首先遍历染色体上的各个基因组，再分别对其中的边缘基因型进行操作，保持核基因稳定不变。

在上述的一种土地利用空间自动配置方法，步骤2.4中的交叉操作与变异操作根据土地利用转换规则，计算转换概率，来确定转换方向。

在上述的一种土地利用空间自动配置方法，转换规则由基于适宜性的规则、基于邻域关系的规则及强制约束规则构成，它们通过土地利用类型转换系数进行定量化的表示。

因此，本发明具有如下优点：1.遗传算法可以充分利用计算机的并行计算能力，有效提高土地利用空间配置效率；2.改进遗传算法引入了土地利用领域知识，可以较好地模拟人类在土地利用决策过程中的智能行为，以提高土地利用空间配置的合理性和适用性，从而解决当前土地利用空间配置效率低下、难以模拟人的智能行为导致配置结果合理性差的不足。

附图说明

图1本发明的模型流程图。

图2本发明的基因组操作示意图。

图3本发明的变异操作示意图。

图4本发明的交叉操作示意图。

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。

本发明所采用的模型流程图如图1示。

该土地利用空间自动配置方法包括如下步骤：

步骤1.提取土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息，提取基础数据是指从其他数据库或其他系统获取土地利用空间配置所需的数据，如土地利用现状数据、土地利用适宜性评价数据、城镇及基本农田规划数据、地形坡度数据、统计年鉴数据等，整合数据是指这些数据是多种来源、不同格式的数据，要对这些空间数据进行统一规范化处理，形成空间参考坐标一致、精度相同的栅格数据集，各社会经济统计数据应进行量化处理，采用线性规划的方法，计算土地利用数量结构约束指标。

步骤2.应用遗传算法对上述的数据优化，进行建模和选择最优的土地利用布局，以土地利用单元为单位，建立待求问题与改进遗传算法之间的映射关系，求解得出土地利用空间配置的优化结果。土地利用单元抽象为改进遗传算法中的基因，其土地利用类型由基因的类型进行表征；土地利用簇，即土地利用类型相同且相连的单元形成的一个空间集合，由基因组表示；区域的土地利用空间配置方案对应于染色体；土地利用综合效益函数为染色体适应度函数。

步骤3.设置染色体种群规模，交叉率，变异率，最大迭代次数，并初始化每个染色体的基因值。土地资源利用的结构与布局是人类长期的经济活动中所形成的，具有一定的合理性，同时有具有一定的刚性，土地利用空间配置必须以土地利用的现状为基础。因此，本发明不再使用传统遗传算法随机初始化染色体的方法，而运用土地利用现状数据对染色体进行初始化。

步骤4.对染色体进行交叉及变异操作，生成新的一批染色体。本发明以基因组作为交叉及变异操作的基本单元，将算法的操作空间从传统的地块单元提升到土地利用簇的层次，以维护土地利用空间紧凑度。基因根据在基因组上的位置，可以分为边缘基因与核基因，据此，基因组可以分为无核基因组与有核基因组。我们认为土地利用簇内部的地块（即核基因）往往比较稳定，用途不易发生变化；而土地利用簇边缘的地块（即边缘基因）受周边地块的影响，其类型容易发生改变。因此，主要对边缘基因进行交叉及变异操作，而保持核基因稳定不变。如图2所示，在算法流程中，首先遍历染色体上的各个基因组，再分别对其中的边缘基因型进行操作。基因组一方面使算法不必遍历所有基因，极大地减少了搜索空间，加快了运算速率；另一方面维护了地块簇内部的稳定性，减少了土地利用的破碎程度，提高了空间紧凑度。

本发明设计的变异操作的流程如图3所示，首先根据变异率在基因组上选择待转换的基因，计算其土地利用类型转换系数，得到转换概率，通过轮盘赌确定最终地类。

本发明设计的交叉操作的流程如图4所示，在两个相邻的基因组上，根据交叉率分别选择出一个待转换的基因，计算它们的转换概率，并用轮赌法确定转换类型，判断它们的现状类型与转换类型是否匹配（如地块A从1转为2，地块B从2转为1），若匹配，则交换两基因类型，否则继续搜索下一对基因进行匹配。交叉算子在保证染色体基因数量结构不变的情况下，增大其适应度。

本发明设计的土地利用转换规则该规则由基于适宜性的规则、基于邻域关系的规则及强制约束规则构成，它们通过土地利用类型转换系数P_ijk进行定量化的表示。P_ijk表示地块(i，j)选择类型k概率，其值越大代表选择的可能性越高。

P_ijk=P_suitability(x_ijk)*P_neighbor(x_ijk)^μ*P_constrain(x_ijk)

式中，P_suitability(x_ijk)为基于适宜性的规则计算的结果，P_neighbor(x_ijk)为基于邻域关系的规则计算的结果，P_constrain(x_ijk)为强制约束规则计算的结果，为邻域系数，代表邻域规则的重要程度。

所述基于适宜性的规则依据土地利用因地制宜的原则，促使土地用途向更加适宜的方向进行转换，最大限度地发挥土地生产潜力。P_suitability(x_ijk)值等于地块(i,j)对于地类k的适宜性S_ijk与各类型适宜性之和的比。

$P_{\mathrm{suitability}}\left(x_{\mathrm{ijk}}\right)=\frac{S_{\mathrm{ijk}}}{{\mathrm{\Σ}}_{t=1}^K{S}_{\mathrm{ijt}}}$

所述基于邻域关系的规则考虑局部地区的空间紧凑度，其值等于地块(i,j)抑邻域内地类k的地块的数量占所有地块数量的比例

$P_{\mathrm{neighbor}}\left(x_{\mathrm{ijk}}\right)=\frac{N_k}{N_{\mathrm{total}}}$

式中，N_k为地块(i,j)邻域内地类k的地块的数量，N_total为地块(i，j)邻域内地块总数量。

所述强制约束规则针对一些特殊区域所设定，它们受根据国家法律或地方法规的限制，地类的转换不适宜加入模型的随机过程。当满足转换条件时，其值取1，否则取0。

步骤5.根据适应度函数，计算每个染色体的适应度。

染色体的适应度函数如下：

MaximizeF=w_cf_norm(C)+w_sf_norm(S)

式中，C与S分别为空间紧凑度目标与土地适宜性目标，w_c与w_s为两目标权重，f_norm(C)与f_norm(S)为目标标准化函数，计算方法如下：

f_norm(C)=(C-C_min)/(C_max-C_min)

f_norm(S)=(S-S_min)/(S_max-S_min)

式中，C_min与C_max为紧凑度目标的最小值与最大值，S_min与S_max为适宜性目标的最小值与最大值。

空间紧凑度目标C与土地适宜性目标S的计算方法如下：

$C=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{A}_{\mathrm{ijk}}{x}_{\mathrm{ijk}}$

$S=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{S}_{\mathrm{ijk}}{x}_{\mathrm{ijk}}$

A_ijk=x_i-1j-1k+x_i-1jk+x_i-1j+1k+x_ij-1k+x_ij+1k+x_i+1j-1k+x_i+1jk+x_i+1j+1k

式中，地块(i，j)土地利用类型为k时，x_ijk值取1；否则，x_ijk取0。

另外，各个用途类型的单元数量应当满足约束条件，以保证土地利用数量结构的合理性：

$D_{\min }\left(k\right)\≤\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{x}_{\mathrm{ijk}}\≤D_{\max }\left(k\right)$

式中，D_min(k)与D_max(k)为类型为k的土地单元所需的最小数量与最大数量。

步骤6.执行选择操作，根据适应度函数值，利用轮赌法选择出适应度较高的一批染色体作为下一代种群的父代染色体。

步骤7.循环迭代，当满足终止条件，即迭代次数大于最大次数时，搜索结束，否则，执行步骤4至步骤6操作。

步骤8.选择出染色体种群中适应度最高的染色体，将其转换为土地利用空间布局图，得到土地利用空间配置的优化结果。

实施例1：

1.提取某一乡镇的土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息。

2.应用遗传算法对上述的数据优化，进行建模和选择最优的土地利用布局。

3.设置染色体种群规模为60个，交叉率0.2，变异率0.2，最大迭代次数100，利用该乡镇土地利用现状图对所有染色体进行初始化操作。

4.对染色体进行交叉及变异操作，生成新的一批染色体。其土地利用转换规则中的邻域系数取0.8。

5.根据适应度函数，计算每个染色体的适应度，空间紧凑度目标权重w_c为0.5，土地适宜性目标权重w_s为0.5。

6.执行选择操作，根据适应度函数值，利用轮赌法选择出适应度较高的一批染色体作为下一代种群的父代染色体。

7.循环迭代，当满足终止条件，即迭代次数大于最大次数100时，搜索结束，否则，执行步骤4至步骤6操作。

8.选择出染色体种群中适应度最高的染色体，将其转换为土地利用空间布局图，得到土地利用空间配置的优化结果。

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 (4)

1.一种土地利用空间自动配置方法，其特征在于，该方法包括如下步骤：

步骤1，提取土地利用空间配置的基础数据并进行整合，整合后的数据为各个土地利用单元的属性信息；

步骤2，应用改进遗传算法对步骤1的数据优化，进行建模和选择最优的土地利用布局，以土地利用单元为数据处理单位，建立待求问题与改进遗传算法之间的映射关系，求解得出土地利用空间配置的优化结果，所述土地利用单元抽象为改进遗传算法中的基因，其土地利用类型由基因的类型进行表征；土地利用簇，即土地利用类型相同且相连的单元形成的一个空间集合，由基因组表示；区域的土地利用空间配置方案对应于染色体；土地利用综合效益函数为染色体适应度函数；

所述的步骤1中，基础数据包括土地利用现状数据、土地利用适宜性评价数据、城镇及基本农田规划数据、地形坡度数据，整合数据是指这些数据是多种来源、不同格式的数据，要对这些空间数据进行统一规范化处理，然后对这些空间数据进行配准，设置一致的空间参考坐标，并将矢量数据转成精度相同的栅格数据；

所述的步骤2中，求解土地利用空间配置优化结果的步骤包括以下子步骤：

步骤2.1，设置染色体种群规模，交叉率，变异率，最大迭代次数，并初始化每个染色体的基因值；

步骤2.2，设置适应度函数，包括设置适宜性目标及紧凑度目标权重；

步骤2.3，对染色体进行交叉操作、变异操作，生成新的一批染色体；

步骤2.4，计算各个染色体的适应度，对种群执行选择操作，选择出一批适应度较高的染色体作为下一代种群；

步骤2.5，循环迭代，当达到用户设定的最大迭代次数或最优染色体适应度保持不变时，搜索结束，得到土地利用空间配置的优化结果，否则将步骤2.4中选择出的种群作为下一代的父代种群，执行步骤2.3；

所述的步骤2.3具体方法是：定义土地利用转换规则由基于适宜性的规则、基于邻域关系的规则及强制约束规则构成，它们通过土地利用类型转换系数P_ijk进行定量化的表示，P_ijk表示地块(i,j)选择类型k概率，其值越大代表选择的可能性越高；

P_ijk＝P_suitability(x_ijk)*P_neighbor(x_ijk)^μ*P_constraint(x_ijk)

式中，P_suitability(x_ijk)为基于适宜性的规则计算的结果，P_neighbor(x_ijk)为基于邻域关系的规则计算的结果，P_constraint(x_ijk)为强制约束规则计算的结果，μ为邻域系数，代表邻域规则的重要程度；

所述基于适宜性的规则依据土地利用因地制宜的原则，促使土地用途向更加适宜的方向进行转换，最大限度地发挥土地生产潜力，P_suitability(x_ijk)值等于地块(i,j)对于地类k的适宜性S_ijk与各类型适宜性之和的比，

所述基于邻域关系的规则考虑局部地区的空间紧凑度，其值等于地块(i,j)邻域内地类k的地块的数量占所有地块数量的比例：

式中，N_k为地块(i,j)邻域内地类k的地块的数量，N_total为地块(i,j)邻域内地块总数量；

所述强制约束规则不允许以下地类的转换：(1)坡度大于25度的地块转为耕地；(2)基本农田保护区的耕地转为其他用地；(3)湖泊水域向其他用地转换，当地块的转换为以上情景时，P_constraint(x_ijk)取值为0，否则为1；

2.根据权利要求1所述的一种土地利用空间自动配置方法，其特征在于，步骤2.4中的交叉操作与变异操作以基因组为基本操作单元，算法首先遍历染色体上的各个基因组，再分别对其中的边缘基因型进行操作，保持核基因稳定不变。

3.根据权利要求2所述的一种土地利用空间自动配置方法，其特征在于，步骤2.4中的交叉操作与变异操作根据土地利用转换规则，计算转换概率，来确定转换方向。

4.根据权利要求3所述的一种土地利用空间自动配置方法，其特征在于，转换规则由基于适宜性的规则、基于邻域关系的规则及强制约束规则构成，它们通过土地利用类型转换系数进行定量化的表示。