CN105447235B - 一种土地未来利用情景动态模拟方法 - Google Patents
一种土地未来利用情景动态模拟方法 Download PDFInfo
- Publication number
- CN105447235B CN105447235B CN201510780066.1A CN201510780066A CN105447235B CN 105447235 B CN105447235 B CN 105447235B CN 201510780066 A CN201510780066 A CN 201510780066A CN 105447235 B CN105447235 B CN 105447235B
- Authority
- CN
- China
- Prior art keywords
- land use
- data
- driving force
- soil
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002689 soil Substances 0.000 title claims abstract description 30
- 238000005094 computer simulation Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 208000001613 Gambling Diseases 0.000 claims 1
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 26
- 238000004088 simulation Methods 0.000 abstract description 25
- 230000001413 cellular effect Effects 0.000 abstract description 23
- 230000008901 benefit Effects 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出并公开了一种土地未来利用情景动态模拟方法，该方法集成了元胞自动机(CA)模拟复杂系统时空演化过程的能力和CLUE‑S模型模拟多类别土地利用类型竞争的优势，通过优势整合克服了传统元胞自动机或单纯CLUE‑S模型的一些固有缺陷；另外采用了神经网络(ANN)算法实现了分布概率的智能计算，引入轮盘赌的竞争机制实现多种土地利用变化的同步模拟，使得新方法更适合多种类别的土地利用数据；并且相对于传统模型具有精度更高、适合多尺度、数据需求低、参数少、操作简便、速度快等实用优点；该方法有效的将智能算法(ANN)和不确定性模型(赌轮)结合，同时应用于未来土地利用情景预测中。
Description
技术领域
本发明属于地理信息科学技术领域，具体涉及一种引入神经网络模型和轮盘赌竞争模型的土地未来利用情景动态模拟方法，该方法适合多尺度、多种区域、多因素与多类别土地竞争的地理动态模拟。
背景技术
在城市土地利用变化模拟中，元胞自动机(CA)模型和CLUE-S模型是土地利用变化模拟研究中的主流模型。元胞自动机是一种具有很强的空间运算能力的时空离散动力学模型，在复杂性科学中占有重要的地位。经常被运用于自组织分析过程。元胞自动机着眼于微观，自下而上，充分体现了复杂系统的个体与局部的行为会产生全局有序的模式的理念。元胞自动机能更准确、清楚、完整的模拟自然的复杂现象，模拟出复杂系统的不可预测的行为，做到方程式模型做不到的模拟效果。能用比数学方程更加容易理解的方式模拟不规则的复杂的现象，能用计算机进行精度无损的建模，可以模拟任何可能的自然系统行为且不能再简约。
地理元胞自动机的网格空间通常为正方形的二维网格，正方形网格直观简便，特别适合用计算机内存环境存储表达和编程处理。邻域是元胞自动机的动态成分，与元胞自动机的规则直接相关。在地理元胞自动机中，邻域窗口每次迭代都要扫描全图，得到每个元胞自动机的邻域信息，并根据邻域信息和转换规则刷新元胞状态。使得每次迭代都有新的地理状态输入。一个元胞下一时间段的所有可能状态与其转换规则构造了一种简单的、空间上离散的微观局部物理成分，是元胞自动机的规则，也是元胞自动机的状态转移函数。
CLUE-S模型是一种在相对比较小的尺度上模拟土地利用变化及其效应的模型，具有良好的综合性，CLUE-S考虑系统理论、社会经济因子、生物因子、物理因子。并将不同的模型有机的结合起来，使得模型的可信度和解释能力更强。另外，CLUE-S具有良好的开放性，土地利用变化的弹性系数的设定使得外部的政策因素能融入到模型中，土地需求模块也可以用许多数值预测方法来计算。使得数值预测模型与CLUE-S模型无缝结合。CLUE-S通过从宏观总需求向空间像元分配的方式，达成土地利用变化模拟的空间性特征。CLUE-S模型最大的优势是能够同时处理多种土地利用类型的竞争关系，并模拟多种土地利用变化同时进行的情景。将概率最高、最适宜的土地利用类型分配给最合适的像元。
元胞自动机的构造相对比较简单，着眼于微观而对于宏观作用缺乏考虑。另外，地理系统的规律会随着用地类型的单元的大小，地理组团的大小表现出地理分异的现象，元胞自动机难以有一个统一的空间尺度，难以确定采用多大的像元分辨率会达到较高的精度。元胞自动机的邻域范围无法确定最优值，往往根据专家经验设定，造成模拟结果受到主观因素影响较大。元胞邻域的选择也会对土地利用变化模拟造成较大的影响。两期数据采样的方式也不可避免数据之间的误差向后传递。
CLUE-S模型存在明显的尺度效应的差异，对于不同尺度，CLUE-S模拟表现会相差较大。CLUE-S模型对县级尺度的区域土地利用变化模拟具有较高的精度，但是当尺度进一步减小时，模型的精度会明显降低。CLUE-S模型受制于其人为设定的参数，不确定的参数导致模拟结果会出现一定程度的影响。另外，CLUE-S模型的迭代因子的意义在模型中没有现实意义。CLUE-S模型依赖参数较多，外部预测模型依赖以及参数反映灵敏，数据的需求较高。
本发明分析元胞自动机模型和CLUE-S模型的优势和局限，整合两个模型的优点，融合两个模型优势，互补两个模型间对应的劣势，提出一种新的土地利用变化动态模拟模型。通过采样点提取土地利用类别与对应的土地利用驱动力数据并用神经网络算法(ANN)计算各类用地的分布概率，并在迭代中引入土地利用类型间的轮盘赌竞争来确定土地利用类型的最终变化方向，将智能算法与不确定性模型在情景模拟中结合，实现多种土地利用类型变化的同步模拟。这些改进使得模型产生较少的中间数据，元胞的微观控制和预设宏观数量目标的结合使得模型适合各种尺度、多类别、各种分辨率的土地利用变化模拟，并具有较快的运行速度，参数较少的特点也更适合于实际应用。
发明内容
由于目前以CA模型和CLUE-S模型的主流的土地利用变化模拟模型有一定自身设计上的局限，影响了土地利用变化模拟的精度，本发明创新性的提出了一种未来土地利用情景动态模拟方法，为提高土地利用变化模拟的精度，简化模拟所需的数据、参数，提高模拟的速度提供了较好的解决方案。
本发明的基本内容是针对两类和多类别土地利用变化模拟问题并集成之前模型的优势，通过智能算法与不确定性模型在情景模拟中的结合，使得方法能更精确的挖掘驱动力因子与土地利用变化之间的关系，更真实的反映土地利用变化过程，并能更精确的模拟未来的土地利用情景。
本发明采用一期数据的采样方式代替元胞自动机常用的两期采样模式。这使得模型的数据生成量更少，提高速度，节约内存，更适用于实际应用。不但避免了误差随着迭代过程向后传递造成的模拟精度降低。而且增加了方法的开放性，使得方法易于耦合未来的驱动力因子。方法采用了土地利用变化机制和目标数量控制机制，克服了之前模型中迭代因子的意义不明确的问题，使得与总概率的计算不受到无关变量的干扰，使得模拟结果更加可信。
为实现以上发明目的，采用的技术方案是：
一种土地未来利用情景动态模拟方法，在于构建动态模拟模型对土地未来利用情景进行模拟，所述动态模拟模型包括分布概率计算模块和迭代模拟模块，所述动态模拟方法包括以下步骤：
分布概率计算模块计算分布概率阶段：
S1.对初始土地利用分类影像进行解译，获取初始土地利用数据；然后选取若干影响土地利用/土地覆盖变化的驱动力因子，组成驱动力数据；根据规划的未来土地利用面积数据或历史土地利用面积数据外推，确定未来土地利用变化的需求面积；
S2.使用初始土地利用分类影像规定好模拟区域的范围与标准栅格影像大小，然后计算模拟区域内空间栅格到各个驱动力因子的距离；生成与标准栅格影像图幅大小一致的栅格距离数据；
S3.在驱动力数据与初始土地利用数据上进行随机点采样，获得采样数据；
S4.使用采样数据对参数自适应神经网络算法进行训练；
S5.将全体驱动力数据输入训练好的神经网络，通过神经网络计算获得每种土地利用类型在模拟区域内的分布概率；
迭代模拟模块迭代输出阶段：
S6.将S5输出的分布概率与S1中的初始土地利用数据输入迭代模拟模块；迭代前设定好邻域大小和转换限制矩阵，并根据每种土地利用类型的需求面积设定目标像元个数，即未来各类用地需要达到的像元数；
S7.迭代扫描初始土地利用数据的像元，计算该像元在邻域内包含的土地利用类型和在邻域内所占的比例，与S5输出的分布概率、转换限制矩阵共同合成该像元上各类土地利用类型的总分布概率；
S8.该像元上的各类土地利用类型的总分布概率构成轮盘，通过采用轮盘赌的方法，使区域内各种土地利用类型在像元上竞争,竞争获胜的土地利用类型占据该像元；
S9.转到S7，直至迭代完一幅影像的全部有效像元，然后返回S6刷新初始影像进入下一次迭代，计算到目标像元数目的差值；到达迭代次数R或者达到目标像元数目后，停止迭代输出结果。
优选地，所述步骤S2中，采用空间欧式距离公式计算空间栅格到驱动力因子的距离：
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示计算到的欧式距离。
优选地，步骤S3中，采用均匀采样策略或比例采样策略对驱动力数据与初始土地利用数据进行随机点采样，采样后的样本公式表示为：
X(l)＝[x1(l),x2(l),x3(l),...,xw(l),...,xm(l)]T
其中xw(l)表示第l个采样点抽取的第w个驱动力因子的变量，T为转置。
优选地，使用采样数据对输入参数自适应神经网络算法进行训练之前，需要对采样数据进行归一化处理，归一化处理可使用公式表示如下：
其中maxw和minw分别是第w个驱动力因子的最大和最小值。
优选地，所述参数自适应神经网络算法可表示如下：
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、[1，1.1]。
优选地，所述参数自适应神经网络算法包括输入层、隐藏层和输出层，步骤S5中，全体驱动力数据通过输入层输入训练好的神经网络，驱动力数据经输入层、隐藏层和输出层依次处理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层接收的驱动力数据为xw'(l)，则隐藏层第v个神经元所收到的信号公式为:
其中netv(l)为隐藏层第v个神经元所收到的信号；ω(w,v)为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值；
隐藏层对netv(l)进行处理，然后将处理结果sigmodv输出至输出层，其对netv(l)进行处理的具体过程如下：
而输出层第q个神经元所收到的信号表示为：
θ(v,q)是隐藏层和输出层之间的权重参数，输出层接收到信号之后，会对这些信号产生响应，该响应值通过下式生成分布概率p(l,q)：
优选地，步骤S7中，通过邻域函数构建一个扫描窗口，然后统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域函数的定义如下：
其中是邻域函数，表示第t次迭代时，以影像中位于第i行、第j列的像元为中心的n×n窗口中的第q类土地利用类型所占的比例；Con是条件函数，Sk表示邻域内的当前被扫描的像元,该像元属于第k种土地利用类型；Con(Sk＝q)表示检测邻域内的当前土地利用像元类型是否为第q类；即构成轮盘赌的全局总概率合成公式为：
表示总分布概率，p(i,j,q)表示神经网络输出的第(i,j)个像元上第q种土地利用类型的分布概率，C(i',j')表示转换限制矩阵，i',j'表示转换限制矩阵的坐标。
与现有技术相比，本发明的有益效果是：
传统的土地利用变化模拟所采用的模型会因为误差传递，因子现实意义不明确，选取了土地变化相关性较低的驱动力因素，以及缺乏土地竞争等局限而导致模拟的精度下降。本发明提出的一种未来土地利用情景动态模拟方法集成了旧模型的优势，消除了误差传递、改良了模型的内部的现实意义不明确的参数；引入神经网络算法计算各类用地的分布概率，再使用轮盘赌机制引入土地利用类型的竞争，实现了智能算法(ANN)和不确定性模型(赌轮)的结合并同时应用于未来土地利用情景预测中；最终用更少的数据、更少的参数、更快的速度获取了精确度度比旧模型更高的模拟结果。
附图说明
图1是利用本发明实施多尺度多类别土地利用变化模拟方法的流程图。
图2是2000年初始土地利用分类图。
图3各类土地利用变化的驱动力因子的示意图。
图4是神经网络输出的各类用地的分布概率的示意图。
图5是本发明的模拟结果图。
图6是本发明的模拟结果与旧模型的模拟结果和2006年真实土地利用变化分布对比示意图。
图7是本发明的模拟精度和就模型的模拟精度对比图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
本发明中的研究对象为位于广东省南部的东莞市，市区域总面积约2465平方公里，是广东省第4大城市。本研究区域中所采用的测试数据为：2001年的东莞市的土地利用数据作为模拟的初始数据，由TM影像解译而成。采用东莞市2006年的TM影像解译的土地利用变化数据作为验证数据，2001年东莞市土地利用变化数据与2006年的数据具有相同的土地利用分类系统。所有的区域数据文件都要被统一成同尺度的栅格影像以方便进行像元尺度上的同质分析。根据土地利用变化模拟的研究经验结合东莞市的历史数据和现有数据，本次实例共选取八种土地利用/土地覆盖变化的驱动力因子。驱动力因子分别为：东莞市高程，东莞市高速公路线状矢量，东莞市铁路线状矢量，东莞市交通主干道矢量，东莞镇中心点，东莞市中心点。
本发明中研究对象选择东莞市的原因主要在于：位于珠江口东岸，经济总量在珠三角的排位仅次于广州、深圳和佛山，是珠三角东岸的节点城市。东莞的公路交通系统非常发达完善，全市的通车里程超过2759千米。道路在市区内形成环形放射性路网。随着城市化进程的加快，东莞市的城镇用地扩展从之前的点状为主的分散发展模式，发展到交通干线、组团扩展为主的连续扩展模式。东莞市早年由于发展模式较为粗放、跳跃、低效，导致了现今东莞市的城镇用地结构分散、混杂分布的城镇格局。而且东莞市的城市发展和空间扩张的进程中，其受交通区位因素的影响较大。在东莞市目前的发展模式下，预测未来发展趋势，规划东莞市未来的城市形态对东莞市的地区的交通安全、城市建设有重要的意义。
图1为本发明的方法流程图，如图1所示，方法主要包括以下几个步骤：
第1步：开始，对影像进行预处理，用初始土地利用分类影像规定好模拟区域的范围与标准栅格影像大小，用欧式距离公式计算区域内栅格到土地利用变化驱动因子的距离。生成与便准栅格影像图幅大小一致的栅格距离数据。其中，欧氏距离是像元中心与源像元的中心的直线距离。其距离公式如下：
其中，(x0，y0)是源的坐标，(xn，yn)是范围内的栅格坐标，dise是搜索到的欧式距离。
图2为搜集的初始土地利用变化数据，图3为欧式距离计算的驱动因子以及地形和坡度驱动因子。从两期解译数据中提取出5类用地：1、建设用地；2、水体；3、果园；4、水域；5、森林。驱动力因子分别为：东莞市高程，到高速公路距离，到铁路距离，到东莞市交通主干道距离，到东莞镇中心点距离，到东莞市中心点距离。
第2步：在驱动力数据与初始土地利用分类影像上用随机点采样，根据初始土地利用数据的特点选择采样方式。模型提供两种采样方式：1、均匀采样策略；2、比例采样策略。均匀采样策略使得各类土地利用类型的采样点一致，适用于不同土地利用类型面积差异较大的区域；比例采样法使得各类土地利用类型的采样点占总采样点的比例与各类初始土地利用类型与区域面积的比例一致，计算量较小，适合较大尺度区域采样。
本实例中使用均匀采样策略使得各类土地利用类型的采样点一致，用采样点提取图2中的土地利用变化数据和图3中的驱动力数据。通过采样点抽取m＝2000个土地利用变化影响因子以及其采样点对应的土地利用类型。采样后的样本公式表示为：
X(l)＝[x1(l),x2(l),x3(l),...,xm(l)]T
xw(l)为第l个采样点抽取的第w个土地利用变化影响因子的变量，T为转置。神经网络训练之前，需要将xw(l)做归一化处理，统一各个变量的量纲。归一化公式表示为：
maxw和minw分别是在第w个因子上的最大最小值。
第3步：用参数自适应神经网络算法训练采样数据，设定好隐藏神经元数目与采样点数，然后对神经网络进行训练。
采用了参数自适应神经网络模型对采样数据进行训练，使得模型能达到更快的训练速度和训练精度。其自适应公式如下：
η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a,b,c是常数，取值范围(1，2)，(0，1)，[1,1.1]。
根据本发明的实施例。神经网络的输入层接收标准化的土地利用变化因子后,将它们输出到隐藏层。本实例中设隐藏层数为h＝13，隐藏层第v个神经元所收到的信号公式为:
netv(l)为隐藏层第v个神经元所收到的信号；ω(w,v)为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值。隐藏层会对信号进行处理，处理后输出到下一层，也就是最后的输出层。处理数据的函数通常为sigmod函数：
隐藏层输出函数与输出层输出函数间也有权值一一对应，输出层数数目u与实例模拟的土地利用类别相等，土地利用类型共有5类即u＝5，假设在第q个输出层中，那么输出层的数据处理函数为：
netq(l)为输出层第q个神经元所收到的信号；θ(v,q)是为隐藏层和输出层之间的权重参数，输出层会对这些信号产生响应，该响应值会通过下式生成分布概率。
第4步：把全体驱动力数据输入训练好的神经网络，输出每种土地利用类型在区域内的分布概率。
实例中p(l,u)为采样点训练神经网络的输出。网络训练完毕后，将所有土地利用变化驱动因子图层叠加并全图输入训练好的神经网络，将p(l,q)中的l转化成为像元的坐标(i，j)，得到如下公式：
p(i,j,q)为神经网络输出的第(i,j)个像元上第q种用地类型的分布概率。本实例中神经网络的输出为图5所示的5种土地利用类型的分布概率。
第5步：将分布概率数据与初始土地利用数据输入迭代模拟模块，设定好邻域大小和转换限制矩阵，并根据每种土地利用类型的需求面积设定目标像元个数，即未来各类用地需要达到的像元数。
本实例中的东莞地区影像像元为100m，因而邻域范围选择3×3摩尔邻域。本实例模拟的时间为：从2000年模拟到2006年，因而目标像元个数与2006年的各类别土地利用分类影像一致，迭代次数设为100次。转换限制矩阵限制为城市不能转换为其他用地。
第6步：迭代扫描初始土地利用数据的像元，计算该像元在邻域内包含的土地利用类型和在领域内所占的比例，与S4输出的分布概率数据、转换限制矩阵共同合成该像元上各类土地利用类型的的总分布概率。
本实例中，通过邻域函数构建一个扫描窗口，统计窗口内的各类像元的数量并衡量各个不同土地利用类型在空间上的相互影响，邻域规则的定义如下：
式中，是邻域函数，表示第t次迭代时，以影像中位于第i行、第j列的像元为中心的n×n窗口中的第q类土地利用类型所占的比例；Con是条件函数，Sk表示邻域内的当前被扫描的像元,该像元属于第k种土地利用类型；Con(Sk＝q)表示检测邻域内的当前土地利用像元类型是否为第q类。实例中取n＝3，构建摩尔邻域。
根据本发明的实施例，在步骤S7中构成轮盘赌的全局总概率合成公式为：
是总分布概率，C(i',j')是参数中加载土地转换先验限定的转换限制矩阵，i',j'分别是转换限制矩阵的坐标。
第7步：合成像元上的各类土地利用类型的总分布概率后，利用总分布概率构成轮盘，通过采用轮盘赌的方法，使区域内各种土地利用类型在像元上竞争。竞争获胜的土地利用类型占据该像元。
第8步:迭代完一幅影像的全部有效像元，返回第五步刷新初始影像进入下一次迭代，计算到目标像元数目的差值。到达迭代次数或者达到目标像元数目，停止迭代输出结果。
图6为最终输出的土地利用模拟图，图7为新的模型和之前旧模型的模拟结果对比，参与对比的模型有：逻辑回归模型(城市-非城市系统)、神经网络元胞自动机模型、CLUE-S模型。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种土地未来利用情景动态模拟方法，在于构建动态模拟模型对土地未来利用情景进行模拟，所述动态模拟模型包括分布概率计算模块和迭代模拟模块，其特征在于：所述动态模拟方法包括以下步骤：
分布概率计算模块计算分布概率阶段：
S1.对初始土地利用分类影像进行解译，获取初始土地利用数据；然后选取若干影响土地利用/土地覆盖变化的驱动力因子，组成驱动力数据；
S2.使用初始土地利用分类影像规定好模拟区域的范围与标准栅格影像大小，然后计算模拟区域内空间栅格到各个驱动力因子的距离；生成与标准栅格影像图幅大小一致的栅格距离数据；
S3.在驱动力数据与初始土地利用数据上进行随机点采样，获得采样数据；
S4.使用采样数据对参数自适应神经网络算法进行训练；
S5.将全体驱动力数据输入训练好的神经网络，通过神经网络计算获得每种土地利用类型在模拟区域内的分布概率；
迭代模拟模块迭代输出阶段：
S6.将S5输出的分布概率与S1中的初始土地利用数据输入迭代模拟模块；迭代前设定好邻域大小、每种土地利用类型的像元个数与转换限制矩阵；
S7.迭代扫描初始土地利用数据的像元，计算该像元在邻域内包含的土地利用类型和在邻域内所占的比例，与S5输出的分布概率、S6设定的转换限制矩阵共同合成该像元上各类土地利用类型的总分布概率；
S8.该像元上的各类土地利用类型的总分布概率构成轮盘，通过采用轮盘赌的方法，使区域内各种土地利用类型在像元上竞争，竞争获胜的土地利用类型占据该像元；
S9.转到S7，直至迭代完一幅影像的全部有效像元，然后返回S6刷新初始影像进入下一次迭代，计算到目标数目的距离；到达迭代次数R或者达到目标像元后，停止迭代输出结果。
2.根据权利要求1所述的土地未来利用情景动态模拟方法，其特征在于：所述步骤S2中，采用空间欧式距离公式计算空间栅格到驱动力因子的距离：
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示计算到的欧式距离。
3.根据权利要求1所述的土地未来利用情景动态模拟方法，其特征在于：步骤S3中，采用均匀采样策略或比例采样策略对驱动力数据与初始土地利用数据进行随机点采样，采样后的样本公式表示为：
X(l)＝[x1(l)，x2(l)，x3(l)，...，xw(l)，...，xm(l)]T
其中xw(l)表示第l个采样点抽取的第w个驱动力因子的变量，T为转置。
4.根据权利要求3所述的土地未来利用情景动态模拟方法，其特征在于：使用采样数据对输入参数自适应神经网络算法进行训练之前，需要对采样数据进行归一化处理，归一化处理可使用公式表示如下：
其中maxw和minw分别是第w个驱动力因子的最大和最小值。
5.根据权利要求1所述的土地未来利用情景动态模拟方法，其特征在于：所述参数自适应神经网络算法可表示如下：
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的误差函数数值，a，b，c是常数，取值范围分别为(1，2)、(0，1)、[1，1.1]。
6.根据权利要求5所述的土地未来利用情景动态模拟方法，其特征在于：所述参数自适应神经网络算法包括输入层、隐藏层和输出层，步骤S5中，全体驱动力数据通过输入层输入训练好的神经网络，驱动力数据经输入层、隐藏层和输出层依次处理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层接收的驱动力数据为xw′(l)，则隐藏层第v个神经元所收到的信号公式为：
其中netv(1)为隐藏层第v个神经元所收到的信号；ω(w，v)为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值；
隐藏层对netv(1)进行处理，然后将处理结果sig modv输出至输出层，其对netv(1)进行处理的具体过程如下：
而输出层第q个神经元所收到的信号表示为：
θ(v，q)是隐藏层和输出层之间的权重参数，输出层接收到信号之后，会对这些信号产生响应，该响应值通过下式生成分布概率p(1，q)：
7.根据权利要求6所述的土地未来利用情景动态模拟方法，其特征在于：步骤S7中，通过邻域函数构建一个扫描窗口，然后统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域函数的定义如下：
其中是邻域函数，表示n×n窗口中的第q类土地利用类型所占的比例；即构成轮盘赌的全局总概率合成公式为：
表示总分布概率，p(i，j，q)表示神经网络输出的第(i，j)个像元上第q种土地利用类型的分布概率，C(i′，j＇)表示转换限制矩阵，i′，j′表示转换限制矩阵的坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510780066.1A CN105447235B (zh) | 2015-11-12 | 2015-11-12 | 一种土地未来利用情景动态模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510780066.1A CN105447235B (zh) | 2015-11-12 | 2015-11-12 | 一种土地未来利用情景动态模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105447235A CN105447235A (zh) | 2016-03-30 |
| CN105447235B true CN105447235B (zh) | 2018-09-04 |
Family
ID=55557406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510780066.1A Active CN105447235B (zh) | 2015-11-12 | 2015-11-12 | 一种土地未来利用情景动态模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105447235B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10509869B2 (en) * | 2015-09-15 | 2019-12-17 | Baker Street Scientific Inc. | System and method for heuristic predictive and nonpredictive modeling |
| CN106548017B (zh) * | 2016-10-25 | 2019-01-22 | 中国科学院地理科学与资源研究所 | 一种基于lu数据和ndvi数据的生态建设数据处理方法 |
| CN107145998A (zh) * | 2017-03-31 | 2017-09-08 | 中国农业大学 | 一种基于Dyna‑CLUE模型的土地压力计算方法和系统 |
| CN108537710A (zh) * | 2018-03-26 | 2018-09-14 | 重庆交通大学 | 一种基于Markov-FLUS模型的城市增长边界划定方法 |
| CN108985493A (zh) * | 2018-06-22 | 2018-12-11 | 哈尔滨理工大学 | 一种基于自适应可变滤镜的地类变化预测方法 |
| CN109359166B (zh) * | 2018-10-10 | 2020-11-10 | 广东国地规划科技股份有限公司 | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 |
| CN109671003B (zh) * | 2018-12-21 | 2023-04-25 | 南京泛在地理信息产业研究院有限公司 | 一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法 |
| CN110069885B (zh) * | 2019-05-05 | 2022-11-01 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
| CN110288124A (zh) * | 2019-05-23 | 2019-09-27 | 北京师范大学 | 土地利用格局的优化方法及装置 |
| CN111814368B (zh) * | 2020-06-09 | 2021-07-23 | 广东国地规划科技股份有限公司 | 基于张量的土地利用模拟方法、系统、设备及存储介质 |
| CN111783360B (zh) * | 2020-07-06 | 2024-04-16 | 中国科学院沈阳应用生态研究所 | 高分辨率土地利用及森林景观过程耦合模拟系统及方法 |
| CN112016247A (zh) * | 2020-08-31 | 2020-12-01 | 华东师范大学 | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 |
| CN112651661B (zh) * | 2021-01-11 | 2024-06-18 | 中国科学院空天信息创新研究院 | 一种基于道路与土地互动的村镇聚落数字模拟方法及系统 |
| CN113222316B (zh) * | 2021-01-15 | 2023-07-07 | 中山大学 | 一种基于flus模型和生物多样性模型的变化情景模拟方法 |
| CN113221443A (zh) * | 2021-04-20 | 2021-08-06 | 深圳市数字城市工程研究中心 | 一种集成SDGs和美丽指标的土地利用建模与模拟方法 |
| CN114154886B (zh) * | 2021-12-08 | 2024-05-10 | 重庆大学 | 基于延迟通信ca模型的土地变迁模拟方法 |
| WO2023245399A1 (zh) * | 2022-06-21 | 2023-12-28 | 南京大学 | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 |
| CN116503585B (zh) * | 2023-06-25 | 2023-09-05 | 广州视景医疗软件有限公司 | 一种基于细胞自动机的融合功能训练控制方法和装置 |
| CN117407550B (zh) * | 2023-12-14 | 2024-02-23 | 四川农业大学 | 一种基于gis技术的藏羌传统聚落景观数字化系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101436204A (zh) * | 2008-12-12 | 2009-05-20 | 中山大学 | 一种基于并行元胞自动机的城市演变模拟实现方法 |
| CN102842137A (zh) * | 2012-08-14 | 2012-12-26 | 中山大学 | 基于空间综合互信息的多时空谱遥感影像自动配准方法 |
-
2015
- 2015-11-12 CN CN201510780066.1A patent/CN105447235B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101436204A (zh) * | 2008-12-12 | 2009-05-20 | 中山大学 | 一种基于并行元胞自动机的城市演变模拟实现方法 |
| CN102842137A (zh) * | 2012-08-14 | 2012-12-26 | 中山大学 | 基于空间综合互信息的多时空谱遥感影像自动配准方法 |
Non-Patent Citations (3)
| Title |
|---|
| SimLand: a prototype to simulate land conversion through the integrate GIS and CA with AHP-drived transition rules;WU F;《Geographical Information Science》;19881231;第63-82页 * |
| 城市绿地遥感信息自动提取研究——以广州市为例;刘小平等;《地域研究与开发》;20051031;第24卷(第5期);第110-113页 * |
| 近 25 年来西安地区土地利用变化及驱动力研究;张海龙等;《资源科学》;20060731;第28卷(第4期);第71-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105447235A (zh) | 2016-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105447235B (zh) | 一种土地未来利用情景动态模拟方法 | |
| CN106021751B (zh) | 基于ca和sar的海岸带土地利用变化模拟方法 | |
| CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
| CN109410575A (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
| CN113222316B (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
| CN1987906B (zh) | 土地利用变化动态预测的方法 | |
| CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
| Roodposhti et al. | Towards automatic calibration of neighbourhood influence in cellular automata land-use models | |
| CN106203354A (zh) | 基于混合深度结构的场景识别方法 | |
| CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
| CN110009037A (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
| CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
| CN103413142B (zh) | 一种基于二维小波分解及视觉词包模型的遥感图像土地利用场景分类方法 | |
| CN109508360A (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN107563574A (zh) | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 | |
| CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
| CN106780089A (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN109001736A (zh) | 一种基于深度时空预测神经网络的雷达回波外推方法 | |
| CN108090624B (zh) | 一种改进元胞自动机的城市生态安全模拟与预测的方法 | |
| CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
| CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| Qi et al. | Development and application of 3D spatial metrics using point clouds for landscape visual quality assessment | |
| CN110503104A (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
| CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
| CN109978275A (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20160330 Assignee: Yizhirui Information Technology Co.,Ltd. Assignor: SUN YAT-SEN University Contract record no.: X2021440000125 Denomination of invention: A dynamic simulation method for future land use scenarios Granted publication date: 20180904 License type: Exclusive License Record date: 20210629 |