CN106780089A - 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 - Google Patents

Abstract

本发明提出了一种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，该方法一方面利用了神经网络元胞自动机模型科学地模拟出城市未来复杂发展和扩张的情形，识别出了被城市侵占风险较高的优质农田，另一方面该方法考虑了耕地分等定级多因子的影响，提取出符合条件的优质的耕地，结合改进的模糊纹理指数划定出了连片性较高的永久性基本农田区域。该方法将识别优质农田与保护城市周边的优质农田相结合，能较好地协调城市扩张与基本农田划定保护的矛盾，更科学合理地划定永久基本农田。本发明的方法还保护了农田的景观功能，得到了连片度较高的永久基本农田划分结果，是一种科学合理的永久性基本农田划分方法。

Description

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

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，该方法利用元胞自动机模型模拟城市扩张情况，通过遥感技术方法，考虑多因素影响因子并结合改进的模糊指数识别优质连片农田，与城市扩张数据进行空间叠加，以获取城市周边易被侵占的优质农田，来解决永久性农田的划定问题。

背景技术

基本农田是以一定时期人口和社会经济发展对农产品的需求以及对建设用地的预测为基础进行划定的耕地，主要用于保障一定时期内商品粮的供应和辖区内人口对粮食的需求。永久性基本农田相比于基本农田更突出了权威性和约束性，经过划定后长期不变，实行农田用途管制。但对于目前基本农田的划定，存在多种问题，不仅没有考虑城市发展与永久农田保护的冲突和重叠，更偏重建设发展进行规划，导致规划不够合理，而且传统方法一般只考虑了耕地的质量，忽略了农田的生态功能、景观功能和阻隔功能等。尤其在大城市郊区，因为其独特的区位条件，基本农田的保护遇到一些突出的问题，如建设用地扩张的需求更强烈，工业污染和水土流失等问题较为严重，承接了过多的农田保护任务等，其永久基本农田的保护和划定需求更为迫切。导致这些不正当的基本农田保护的原因，除了一些地区不正确的土地规划观念外，更直接的是基本农田的保护缺乏科学的硬性依据，缺少一种完善的农田分级制度。现在迫切需要一种新的永久农田划定方法，以保护城市郊区的优质农田并根据城市区域的特点，综合考虑社会经济和政治等多种因子，更综合地实现永久基本农田的划定。

经过十多年的发展，永久基本农田的划定仍存在一定的问题，但GIS的空间分析技术为其提供了一个新的思路方法。为解决城市发展与永久农田的重叠冲突问题，需要模拟城市的发展情况以及时调整土地总体规划。元胞自动机模型是土地利用变化模拟研究中的主流模型，除了具有强大的空间运算能力，还有强大的建模能力，能够克服传统城市模型的局限，从局部规则模拟出全局的复杂发展情况，得到与实际更为接近的结果。而采用神经网络的元胞自动机模型在土地利用模拟中具有重要的地位。神经网络算法用以模拟人脑的思维方式，对复杂度较大的分类问题提供了一个相对简单的解决方案，被广泛应用于人工智能的研究应用中。

为实现综合的永久基本农田划定，需要从多种影响因素中制定出多个定量化的因子，以反映出农田的真实情况，评定基本农田的优劣，选出合适划入永久基本农田的耕地以及排除不符合生态建设和环保要求的农田。通常选取土壤肥力、坡度、连片性、交通区位和水利基础设施水平等作为指标，来构建农田评价指标体系。由于各指标性质和量纲不同，取值范围有较大差异，不利于相互比较，还需要将所有指标赋以权重进行标准化。指标权重的确定方法很多，如特尔非法、层次分析法或回归分析法等。

传统基本农田的划定与城市扩张的冲突加剧，并缺乏科学的技术指导，划定片面、不合理，存在多种弊端。

发明内容

本发明的目的是针对以上要解决的技术问题，提供一种有效的永久性基本农田划分方法。

本发明利用作为主流的土地利用变化模拟模型的元胞自动机进行城市扩张模拟，综合考虑了多种影响因子，进而提出了一种基于神经网络元胞自动机模型模拟城市扩张的多因子识别优质连片农田的永久基本农田划定方法，为实现永久性基本农田的划定提供了科学的支持。

本发明的基本内容是针对永久性基本农田的划定与城市发展之间的综合性问题，分析了当前基本农田的规划缺点和局限，结合采用神经网络的元胞自动机和GIS多个影响因子空间叠加的优点，提出一种基于神经网络元胞自动机模型的识别优质连片农田与保护城市周边农田相结合的永久基本农田划定方法。神经网络元胞自动机模型可以通过自身强大的运算能力、建模能力和模拟复杂时空演化的能力，克服传统的城市发展模型的局限，模拟出接近实际的城市发展预测结果。本发明对研究区域使用采用神经网络元胞自动机模型进行模拟，得到较合理的城市扩张结果，再与影响农田质量的多个因子以及连片度叠加考虑，使得计算机系统可以综合多个因子求出最优结果，得到最适宜划分为永久性基本农田的耕地分布情况。

其中，术语“连片度”是指同等级地块的相连程度，地块间的距离越近，连片性越高，农田连片度越高越有助于耕地的优质集中管理。

本发明提出的识别优质连片农田与保护城市周边农田相结合的永久性基本农田划定方法真实地模拟了未来城市扩张导致的土地利用变化情景和综合地判定农田的优劣等级，具体地，本发明利用神经网络算法得到城市用地概率图，输入元胞自动机进行自动模拟，得到未来城市扩张情况，发现在城市扩张中被侵占风险较大的农田。再将影响基本农田划定的多个因子与当前农田数据进行空间叠加，使用层次分析法(AHP)赋以权重，从而识别出符合划入条件的高产优质农田等。并且考虑农田的生态功能，利用移动窗口结合改进的模糊纹理指数(IWL)找出连片度较高的农田。将所得数据进行叠加，最终实现连续连片的永久性基本农田划定。

本发明采用了如下技术方案：

一种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，其包括以下步骤：

S1.获取基础地理信息数据，对栅格处理，统一分辨率；使用研究区边界裁切数据；根据农田分等定级的指标体系，选取若干影响农田质量的影响因子，并计算植被经初级生产力(NPP)表征农作物生产力水平，作为影响农田质量的重要指标，组成多因子数据，并将数据依次重采样成统一的分辨率；

S2.提取多因子数据作为参数输入到神经网络模型中，构建神经网络；

S3.根据神经网络模型的全局概率结果和已有建设用地数据，构建元胞自动机城市增长模型，进行城市扩张的模拟；

S4.根据模拟得到的城市扩张情景，与农业用地数据进行叠加，得到城市扩张可能侵占农田的分布情况；

S5.采用层次分析法(AHP)确定影响农田等级的每个因子的权重，并设定阈值得到满足基本农田判断标准的适宜和不适宜划入永久基本农田的耕地；

S6.考虑农田的连片度和景观功能，采用移动窗口扫描法，对农田数据进行扫描，并结合改进的模糊纹理指数(IWL)，计算不适合划入永久基本农田的像元周边与适合像元的邻接程度，再按分区统计的方法将邻接程度高的不适合农田重新划入永久基本农田中；

S7.最后将适合划入的农田和城市扩张可能侵占的农田以及坡度条件不适宜划入的农田进行空间叠加，筛选出最终应划入永久基本农田的耕地。

作为本发明的一种优选实施方式，步骤S1中，对获取的遥感影像进行预处理，而其他基础地理信息数据分别具有各自的特点和不同分辨率，要将多源数据整合利用需要重新采样成统一的分辨率。

作为本发明的一种优选实施方式，步骤S2中，神经网络的构建需要输入一定的数据，进行训练和验证，构建神经网络模型，输出得到不同土地利用类型的概率。

作为本发明的一种优选实施方式，步骤S2中，提取的多因子的m个影像数据经标准化后输入神经网络，本神经网络包括三层：输入层、隐藏层和输出层，多因子对应输入层的m个变量，它们决定了每个栅格在t时间上的土地利用转换的概率，可以表达为：

X(k,t)＝[x₁(k,t),x₂(k,t),x₃(k,t),…,x_m(k,t)]^T

式中：x_i(k,t)表示栅格单元k在模拟时间t时的第i个变量；T表示转置。

输入层接收这些变量参数x_i(k,t)后，输出到隐藏层，则隐藏层中某一个单元收到的信号可表示为：

式中：net_i(k,t)为隐藏层中中第j个栅格单元收到的信号，w_i,j为输入层和隐藏层之间的权重值。

隐藏层会对所接收到的信号net_i(k,t)进行处理，产生对应的响应值并输出到输出层。对接收信号进行处理的响应函数为：

则输出层中某一个单元收到的信号可表示为：

式中：net_l(k,t)为输出层第l个栅格单元所收到的信号；w_j,l为隐藏层和输出层之间的权重值。

最后，输出层会对所接收到的信号net_l(k,t)后会对该信号产生对应的响应值，即转换概率，公式如下：

式中：p(k,t,l)为栅格单元k在模拟时间t时，从当前土地利用类别转换到第l个土地利用类别的转换概率。

作为本发明的一种优选实施方式，步骤S3中，在已有的近期城市建设用地基础上，采用神经网络输出的转换概率，输入到元胞自动机模型中，进行计算和模拟，则可得到未来某一年的建设用地发展情况，表征城市的扩张情况。

作为本发明的一种优选实施方式，步骤S3中，利用神经网络输出的转换概率，考虑邻域对土地利用类型发展概率的影响，使土地利用趋向于紧凑防止空间布局的凌乱。通过邻域函数建立n×n的扫描窗口，计算窗口内各类像元数量，以表征土地利用在空间上的相互影响，邻域函数可表示为：

式中：是领域函数，表示的是第t次迭代时，以k栅格单元为中心的n×n窗口中第k类土地利用类型所占的比例；con为条件函数，S_k为当前邻域内被扫描像元，且属于第k类土地利用类型，条件函数判断当前像元是否为第q类土地利用类型，而返回真或假；

考虑城市扩展过程中包含的不确定性，增加随机项RA，则最终的发展概率表达式为：

对于每一次循环，神经网络的输出层计算对应l种不同土地利用类型的转换概率，通过比较这些转换概率的大小，则可以确定土地利用转换类型。

作为本发明的一种优选实施方式，步骤S5中，对每个因子赋权重前，需要对各个因子进行标准化，标准化处理使用公式表示如下：

其中max_w和min_w分别是第w个驱动力因子的最大和最小值。

利用层次分析法(AHP)确定每个因子的权重后，将每个因子乘以权重并加和，进行每个像元的综合评价分值计算，可使用公式表示如下：

其中x_i为第i个因子的权重，A_i为第i个因子，y则为某一个像元的总分值，n为影响因子总数。

作为本发明的一种优选实施方式，步骤S6中，尝试多个窗口半径大小，进行移动窗口扫描，从左上角开始，每移动一个栅格，计算每个窗口中的连片度，并赋值给中心栅格，最终得到连片度的空间分布栅格图。

连片度是指同等级地块的相连程度，地块间的距离越近，连片性越高，农田连片度越高越有助于耕地的优质集中管理。连片度指标采用改进的模糊纹理定量指数的方法，该方法公式在N×N滑动窗口中公式如下：

式中，假设窗口中有n个耕地像元，A_j为N×N滑动窗口中第j类用地(耕地)的面积；A为N×N滑动窗口的总面积,其取值为N²；P_j为N×N滑动窗口中第j类用地(耕地)的周长；P_max为N×N窗口内n个第j类用地(耕地)像元，其分部理论可以达到的最大周长值，取值为4n；IWL为改进的模糊纹理指数(Improved WL)，其值域为1到0之间，1为窗口内全是等别为j的地块，0为没有类别为j的地块。

上述技术方案是采用了神经网络元胞自动机模型进行城市的扩张模拟，对研究区影像的每一个像元，考虑了多个影响耕地质量的因子和连片度，利用GIS的空间叠加分析功能，得到符合条件的优质农田分布，最终获得应该保护的永久基本农田范围。其最大的优点在于利用了神经网络元胞自动机模型进行城市扩张的模拟，充分利用神经网络和元胞自动机强大的建模和运算优点，较真实地模拟城市的发展情况，最大可能地获取城市发展可能侵占的优质农田，综合考虑了农田分等定级的影响因子使得到的永久基本农田更具有科学性和合理性。

本发明提出的方法是为更科学合理更有效地进行永久性基本农田的划定，利用神经网络元胞自动机模拟城市未来发展扩张，得到较符合实际情况的城市扩张结果，并识别出因城市扩张而被侵占的优质农田。同时，通过遥感方法技术，使用一系列因子对农业用地进行分等定级，选取出符合永久基本农田的优质耕地，最终用空间叠加的方法，提取出需要进行保护的城市扩张可能占用的符合条件的优质耕地，得到永久性基本农田的划定方案。

附图说明

图1是根据本发明的永久基本农田划定方法的流程图。

图2是主要的使用数据。

图3是神经网络得到的城市用地概率图。

图4是元胞自动机模拟得到的未来城市建设用地结果图。

图5是未来城市扩张可能侵占的农田结果图。

图6是考虑农田等级得到的适合和不适合划分为永久基本农田的耕地。

图7是考虑农田连片度要求后的得到的永久农田划定细节图。

图8是考虑农田等级和连片度后得到的永久基本农田初步方案图。

图9是整合永久基本农田初步方案和城市可能侵占农田以及地形坡度不适于划入基本农田后得到的最终永久基本农田结果图。

具体实施方式

下面将结合附图对本发明进行详细说明，应指出的是，附图及所描述的示例目的仅在于更好地理解本发明，而没有任何限定的作用，不能理解为对本发明技术方案的限制。

本发明中的研究对象位于广东省中西部的四会市，全市总面积约为1163平方公里。本研究区域中所采用的数据为：四会市2012年土地利用现状数据，2012年农用地分等数据，高程数据(DEM)，2012年归一化植被指数(NDVI)数据，太阳辐射数据，降水数据，平均温度数据等和其他基本地理信息数据，包括市镇中心、各级道路数据等。所有的区域数据都要统一在同一空间参考下，栅格数据需统一尺度以便于进行像元尺度上的叠加分析。根据土地利用变化模拟的研究经验结合永久基本农田的定义和特点，本次实例共选取八种影响农田分等定级的因子，分别为：农田植被净初级生产力，坡度，到河流水面、滩涂、水库湖泊、沟渠的距离，到水渠的距离，农田的类别，农田的排水等级，和农田的灌溉保证率以及农田的等级数据。

本发明中研究对象选择四会市的原因主要在于：四会市位于广东省平原和山区的结合部，属于珠江三角洲经济圈，市内有“四水汇流”，水源丰富。周围与佛山市三水区、鼎湖区和广宁县以及清远市接壤，水陆交通便利，形成了以城区为中心，以国道和省道以及三茂铁道、三江航道为骨架，镇、村水泥公路为分支的水陆交通网络，城市发展空间大。并且据人口普查数据对比，四会市年平均增长率为2.05％，2010年已有47万人口，人口增加对农田保护的需求更大。

图1为本发明的方法流程图，如图1所示，本发明的方法主要包括以下几个步骤：

第1步：利用研究区边界数据对已准备好的数据进行裁切。利用植被NDVI时间序列数据和太阳总辐射数据等计算植被净初级生产力(NPP)表征农作物生产力水平，然后对所获得的栅格数据配准并统一到标准的分辨率，选取影响农田质量的影响因子，并统一分辨率。对获取的遥感影像进行预处理，而其他基础地理信息数据分别具有各自的特点和不同分辨率，要将多源数据整合利用需要重新采样成统一的分辨率。

利用四会市市界数据对已有的四会市2012年的土地利用现状数据、农用地分等数据、DEM数据等进行裁切。利用植被NDVI时间序列数据和太阳总辐射数据等计算植被净初级生产力(NPP)，将栅格数据重采样统一到30m分辨率。利用DEM数据求出坡度栅格图，将四会市基础地理信息数据插值生成农田到河流水面、滩涂、水库湖泊距离图，农田到水渠距离图等，并统一分辨率。主要使用的数据见图2。影响农田质量的因子分别为：NPP数据、坡度数据、农田到面水体距离、农田到水渠距离、农田类别、农田排水分级和灌溉保证率及农田等级栅格数据。

第2步：提取多因子数据作为参数输入到神经网络模型中，构建神经网络。按设定比例随机选取训练数据和验证数据，自动生成神经网络，输出四会市城市用地概率图，见图3。

本实例中，所提取的多因子的m＝9个影像数据经标准化后输入神经网络，本神经网络包括三层：输入层、隐藏层和输出层，多因子对应输入层的m个变量，它们决定了每个栅格在t时间上的土地利用转换的概率，可以表达为：

X(k,t)＝[x₁(k,t),x₂(k,t),x₃(k,t),…,x_m(k,t)]^T

式中：x_i(k,t)表示栅格单元k在模拟时间t时的第i个变量；T表示转置。

输入层接收这些变量参数x_i(k,t)后，输出到隐藏层，则隐藏层中某一个单元收到的信号可表示为：

式中：net_i(k,t)为隐藏层中中第j个栅格单元收到的信号，w_i,j为输入层和隐藏层之间的权重值。

隐藏层会对所接收到的信号net_i(k,t)进行处理，产生对应的响应值并输出到输出层。对接收信号进行处理的响应函数为：

则输出层中某一个单元收到的信号可表示为：

式中：net_l(k,t)为输出层第l个栅格单元所收到的信号；w_j,l为隐藏层和输出层之间的权重值。

最后，输出层会对所接收到的信号net_l(k,t)后会对该信号产生对应的响应值，即转换概率，公式如下：

式中：p(k,t,l)为栅格单元k在模拟时间t时，从当前土地利用类别转换到第l个土地利用类别的转换概率。

第3步：根据得到的四会市城市用地全局概率结果和已有的2012年四会市建设用地数据，输入元胞自动机模型，模拟城市发展情况，得到未来2020年四会市扩张的建设用地结果图，见图4。

本实例中，利用神经网络输出的转换概率，考虑邻域对土地利用类型发展概率的影响，使土地利用趋向于紧凑防止空间布局的凌乱。通过邻域函数建立n×n的扫描窗口，计算窗口内各类像元数量，以表征土地利用在空间上的相互影响，邻域函数可表示为：

式中：是领域函数，表示的是第t次迭代时，以k栅格单元为中心的n×n窗口中第k类土地利用类型所占的比例；con为条件函数，S_k为当前邻域内被扫描像元，且属于第k类土地利用类型，条件函数判断当前像元是否为第q类土地利用类型，而返回真或假；

考虑城市扩展过程中包含的不确定性，增加随机项RA，则最终的发展概率表达式为：

对于每一次循环，神经网络的输出层计算对应l种不同土地利用类型的转换概率，通过比较这些转换概率的大小，则可以确定土地利用转换类型。

第4步：将得到的四会市未来建设用地结果图与农业用地数据进行空间叠加，选出容易因城市扩张而侵占的农田数据，见图5。

第5步：采用层次分析法(AHP)为影响农田分等定级的多个因子确定权重，并将各因子值归一化与权重相乘得到每个农田像素的总分，根据设定的阈值区分出适宜和不适宜划入永久基本农田的耕地，见图6。

八个因子NPP、坡度、到面水体距离、到水渠距离、农田类别、排水等级和灌溉保证率及农田等级，其权重设定为w₁至w₈。

根据本发明的实施例，步骤5中归一化公式为：

其中max_w和min_w分别是第w个驱动力因子的最大和最小值。

总分计算公式为：

其中x_i为第i个因子的权重，A_i为第i个因子，y则为某一个像元的总分值，n为影响因子总数。

第6步：考虑农田的连片度和景观功能，采用移动窗口扫描法，尝试多个窗口半径大小，对农田像元依次扫描，结合改进的模糊纹理指数(IWL)，计算每个像元与周围其他适宜划入永久性基本农田像元的邻接程度，得到农田连片度的栅格图，再按分区统计方法将邻接度较高的不适宜划入的耕地重新划入永久基本农田中，见图7。得到初步的永久基本农田划定方案，如图8。

本实例中，连片度是指同等级地块的相连程度，地块间的距离越近，连片性越高，农田连片度越高越有助于耕地的优质集中管理。连片度指标采用改进的模糊纹理定量指数的方法，该方法公式在N×N滑动窗口中公式如下：

式中，假设窗口中有n个耕地像元，A_j为N×N滑动窗口中第j类用地(耕地)的面积；A为N×N滑动窗口的总面积,其取值为N²；P_j为N×N滑动窗口中第j类用地(耕地)的周长；P_max为N×N窗口内n个第j类用地(耕地)像元，其分部理论可以达到的最大周长值，取值为4n；IWL为改进的模糊纹理指数(Improved WL)，其值域为1到0之间，1为窗口内全是等别为j的地块，0为没有类别为j的地块。

第7步：将适合划入的农田和城市扩张可能侵占的农田以及坡度条件不适宜划入的农田进行空间叠加，筛选出最终应划入永久基本农田的耕地。地形坡度大于25度或田面坡度大于15度的耕地易受自然灾害损毁，应禁止划入基本农田。将四会市未来扩张可能侵占的农田结果图、永久基本农田初步方案图和坡度图进行空间叠加，提取出符合可能被城市侵占且属于优质农田以及不处于较大坡度的耕地，作为最终的四会市永久性基本农田划定方案，如图9。

由最终永久基本农田划定方案图可见，本发明使用了神经网络元胞自动机模型并考虑了多个因子，得到的永久基本农田划定更为科学合理，具有连续性。对未来四会市的农业用地及城市规划具有一定的指导意义，更利于农田的生态保护。

本发明的上述实例仅为更清楚地描述本发明所作的例子，而不应该限定本发明的范围或实施方式。对于所属领域的普通技术人员来说，在本发明的基础上还可进行其它形式的修改或替换。这里无需也无法对所有的实施方式进行举例。只要在本发明的原则和精神之内所做的变化或变动等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种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，其特征在于：该方法包括以下步骤：

S1.获取基础地理信息数据，对栅格处理，统一分辨率；使用研究区边界裁切数据；根据农田分等定级的指标体系，选取若干影响农田质量的影响因子，并计算植被经初级生产力表征农作物生产力水平，作为影响农田质量的重要指标，组成多因子数据，并将数据依次重采样成统一的分辨率；

S2.提取多因子数据作为参数输入到神经网络模型中，构建神经网络；

S3.根据神经网络模型的全局概率结果和已有建设用地数据，构建元胞自动机城市增长模型，进行城市扩张的模拟；

S4.根据模拟得到的城市扩张情景，与农业用地数据进行叠加，得到城市扩张可能侵占农田的分布情况；

S5.采用层次分析法确定影响农田等级的每个因子的权重，并设定阈值得到满足基本农田判断标准的适宜和不适宜划入永久基本农田的耕地；

S6.考虑农田的连片度和景观功能，采用移动窗口扫描法，对农田数据进行扫描，并结合改进的模糊纹理指数，计算不适合划入永久基本农田的像元周边与适合像元的邻接程度，再按分区统计的方法将邻接程度高的不适合农田重新划入永久基本农田中；

S7.将适合划入的农田和城市扩张可能侵占的农田以及坡度条件不适宜划入的农田进行空间叠加，筛选出最终应划入永久基本农田的耕地。

2.根据权利要求1所述的方法，其特征在于：在步骤S1中，对获取的遥感影像进行预处理，而其他基础地理信息数据分别具有各自的特点和不同分辨率，要将多源数据整合利用需要重新采样成统一的分辨率。

3.根据权利要求1所述的方法，其特征在于：在步骤S2中，输入数据进行训练和验证，从而构建神经网络模型，输出得到不同土地利用类型的概率。

4.根据权利要求1所述的方法，其特征在于：所述神经网络包括三层：输入层、隐藏层和输出层，将提取的多因子的m个影像数据经标准化后输入神经网络，对应输入层的m个变量，它们决定了每个栅格在t时间上的土地利用转换的概率，其表达为：

X(k,t)＝[x₁(k,t),x₂(k,t),x₃(k,t),…,x_m(k,t)]^T

式中：x_i(k,t)表示栅格单元k在模拟时间t时的第i个变量；T表示转置；

输入层接收这些变量参数x_i(k,t)后，输出到隐藏层，则隐藏层中某一个单元收到的信号表示为：

${\mathrm{net}}_j(k,t)=\underset{i}{\Σ}{w}_{i,j}{x}_i(k,t)$

式中：net_i(k,t)为隐藏层中中第j个栅格单元收到的信号，w_i,j为输入层和隐藏层之间的权重值；

隐藏层会对所接收到的信号net_i(k,t)进行处理，产生对应的响应值并输出到输出层；对接收信号进行处理的响应函数为：

$sig{\mathrm{mod}}_j(k,t)=\frac{1}{1+e^{-{\mathrm{net}}_j(k,t)}}$

则输出层中某一个单元收到的信号表示为：

${\mathrm{net}}_l(k,t)=\underset{j}{\Σ}{w}_{j,l}sig{\mathrm{mod}}_j(k,t)$

式中：net_l(k,t)为输出层第l个栅格单元所收到的信号；w_j,l为隐藏层和输出层之间的权重值；

最后，输出层会对所接收到的信号net_l(k,t)后会对该信号产生对应的响应值，即转换概率，公式如下：

$p(k,t,l)=\frac{1}{1+e^{-{\mathrm{net}}_l(k,t)}}$

式中：p(k,t,l)为栅格单元k在模拟时间t时，从当前土地利用类别转换到第l个土地利用类别的转换概率。

5.根据权利要求1所述的方法，其特征在于：在步骤S3中，在已有的近期城市建设用地基础上，采用神经网络输出的转换概率，输入到元胞自动机模型中，进行计算和模拟，得到未来某一年的建设用地发展情况，表征城市的扩张情况。

6.根据权利要求1或5所述的方法，其特征在于：在步骤S3中，利用神经网络输出的转换概率，考虑邻域对土地利用类型发展概率的影响，使土地利用趋向于紧凑防止空间布局的凌乱；通过邻域函数建立n×n的扫描窗口，计算窗口内各类像元数量，以表征土地利用在空间上的相互影响，邻域函数表示为：

${\mathrm{\Ω}}_{k,q}^t=\frac{{\mathrm{\Σ}}_{n\×n}con(s_k=q)}{n\×n-1}$

式中：是领域函数，表示的是第t次迭代时，以k栅格单元为中心的n×n窗口中第k类土地利用类型所占的比例；con为条件函数，S_k为当前邻域内被扫描像元，且属于第k类土地利用类型，条件函数判断当前像元是否为第q类土地利用类型，而返回真或假；

考虑城市扩展过程中包含的不确定性，增加随机项RA，则最终的发展概率表达式为：

$p(k,t,l)=\frac{1}{1+e^{-{\mathrm{net}}_l(k,t)}}\×{\mathrm{\Ω}}_{k,q}^t\×RA$

对于每一次循环，神经网络的输出层计算对应l种不同土地利用类型的转换概率，通过比较这些转换概率的大小，确定土地利用转换类型。

7.根据权利要求1所述的方法，其特征在于：在步骤S5中，对每个因子赋权重前，对各个因子进行标准化，标准化处理使用公式表示如下：

$x_w\left(l\right)=\frac{x_w\left(l\right)-{\min }_w}{{\max }_w-{\min }_w},(0<w<m,w\&Element;D)$

其中max_w和min_w分别是第w个驱动力因子的最大和最小值；

利用层次分析法(AHP)确定每个因子的权重后，将每个因子乘以权重并加和，进行每个像元的综合评价分值计算，用公式表示如下：

$y=\underset{i=1}{\overset{n}{\&Sigma;}}{x}_i\&times;A_i$

其中x_i为第i个因子的权重，A_i为第i个因子，y则为某一个像元的总分值，n为影响因子总数。

8.根据权利要求1所述的方法，其特征在于：在步骤S6中，尝试多个窗口半径大小，进行移动窗口扫描，从左上角开始，每移动一个栅格，计算每个窗口中的连片度，并赋值给中心栅格，最终得到连片度的空间分布栅格图；

连片度指标采用改进的模糊纹理定量指数的方法，其在N×N滑动窗口中公式如下：

$IWL=\frac{A_j}{A}(1-\frac{P_j}{P_{\max }})=\frac{A_j}{N^2}(1-\frac{P_j}{4n})$

式中，假设窗口中有n个耕地像元，A_j为N×N滑动窗口中第j类用地耕地的面积；A为N×N滑动窗口的总面积,其取值为N²；P_j为N×N滑动窗口中第j类用地耕地的周长；P_max为N×N窗口内n个第j类用地耕地像元，其分部理论达到的最大周长值，取值为4n；IWL为改进的模糊纹理指数，其值域为1到0之间，1为窗口内全是等别为j的地块，0为没有类别为j的地块。