CN107194504A - 土地使用状态的预测方法、装置和系统 - Google Patents

土地使用状态的预测方法、装置和系统 Download PDF

Info

Publication number
CN107194504A
CN107194504A CN201710321055.6A CN201710321055A CN107194504A CN 107194504 A CN107194504 A CN 107194504A CN 201710321055 A CN201710321055 A CN 201710321055A CN 107194504 A CN107194504 A CN 107194504A
Authority
CN
China
Prior art keywords
layer
raster map
determined
target area
use state
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.)
Pending
Application number
CN201710321055.6A
Other languages
English (en)
Inventor
段平
李佳
姚永祥
许泉立
袁磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University YNU
Yunnan Normal University
Original Assignee
Yunnan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN201710321055.6A priority Critical patent/CN107194504A/zh
Publication of CN107194504A publication Critical patent/CN107194504A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施方式提供了一种土地使用状态的预测方法、装置和系统，其中，该方法包括：获取目标区域预定类型的图像数据，生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；根据多个地理因素图层，确定第三栅格图层；再利用分类回归树对第三栅格图层进行训练，确定开发适用性概率；根据由水体图层确定的约束条件、开发适用性概率，建立元胞自动机模型；根据元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。由于该方案通过分类回归树训练确定开发适用性概率，再根据开发适用性概率建立元胞自动机模型，以预测土地使用状态，因而解决了现有方法存在的土地使用状态预测不准确的技术问题。

Description

土地使用状态的预测方法、装置和系统
技术领域
本申请涉及地理信息技术领域，特别涉及一种土地使用状态的预测方法、装置和系统。
背景技术
在进行土地规划时，为了能更好、更有效地利用土地，常常需要先对目标区域内的土地未来的使用状态进行预测，再根据预测结果进行具体的土地使用规划。
现有的土地使用状态的预测方法通常是构建元胞自动机模型，以模拟城市土地利用演化的具体过程，进而对土地使用状态进行预测。具体的，例如，可以预测某块土地若干年后是否会成为城市用地。或者，某块土地若干年后成为城市用地的概率。其中，所述元胞自动机具体可以是一种状态和时空全部分散的网格动力学模型。
具体实施时，现有的土地使用状态的确定方法通常是利用蚁群算法，支持向量机，神经网络等算法确定元胞自动机模型的转换规则，进而可以建立相应的元胞自动机模型。然而，由于上述算法自身结构的限制，例如，其中的运算参数常常是静态设置，导致通过上述算法不能精确地模拟真实的土地利用演化过程，增加了模型全局模拟的不确定因素，从而降低了预测的准确度。此外，现有的土地使用状态的确定方法往往没有全面、系统地考虑真实环境中的多种地理因素的具体影响，只根据一、两种地理因素的影响，按照单一的模式提取规则，导致模型模拟精度较低、预测结果误差较大，不能满足施工要求。综上可知，现有的土地使用状态的预测方法具体实施时，往往存在土地使用状态预测不准确、误差大的技术问题。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本申请实施方式提供了一种土地使用状态的预测方法、装置和系统，以解决现有方法中存在的土地使用状态预测不准确、误差大的技术问题。
本申请实施方式提供了一种土地使用状态的预测方法，包括：
获取目标区域预定类型的图像数据，并根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；
根据所述多个地理因素图层、多个地理因素，确定第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的；
利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；
根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；
根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
在一个实施方式中，所述获取目标区域预定类型的图像数据，包括：
获取目标区域的第一遥感影像、第二遥感影像、地形图、行政区划图，其中，所述第一遥感影像和所述第二遥感影像为所述目标区域不同时间的遥感影像。
在一个实施方式中，所述根据所述图像数据生成相应的栅格图层，包括：
根据所述第一遥感影像、所述第二遥感影像，确定所述水体图层；
将所述第一遥感影像进行分类，根据分类后的第一遥感影像，确定第一栅格图层；
将所述第二遥感影像进行分类，根据分类后的第二遥感影像，确定第二栅格图层；
对所述地形图、所述行政区划图进行矢量化，得到多个地理因素；
根据所述多个地理因素，确定所述多个地理因素图层。
在一个实施方式中，所述多个地理因素图层包括下述中的至少两个：目标区域的城市中心图层，目标区域的区中心图层，目标区域的镇中心图层，目标区域的高速公路图层，目标区域的国道图层，目标区域的省道图层，目标区域的县道图层。
在一个实施方式中，所述利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率，包括：
从所述第一栅格图层中获取多个栅格样点；
根据所述第三栅格图层、所述多个栅格样点，分别确定各个地理因素属性值；
根据所述各个地理因素属性值，确定各个地理因素属性值的权重系数，得到多个地理因素属性值的权重系数；
根据所述多个地理因素属性值的权重系数，确定多个地理因素对土地使用状态的影响值；
根据所述多个地理因素对土地使用状态的影响值确定所述开发适用性概率。
在一个实施方式中，所述根据所述多个地理因素属性值的权重系数，确定多个地理因素对土地使用状态的影响值，包括：
按照以下公式，确定所述多个地理因素对土地使用状态的影响值：
上式中，Z为多个地理因素对土地使用状态的影响值，a为回归常数，k为多个地理因素中的编号，bk为第k个地理因素的权重系数，Xk为第k个地理因素的属性值。
在一个实施方式中，所述根据所述多个地理因素对土地使用状态的影响值确定所述开发适用性概率，包括：
按照以下公式，确定所述开发适用性概率：
上式中，Pij为所述第一栅格图层中标号为ij的栅格点的开发适用性概率，i、j分别为大于等于1的整数，Z为多个地理因素对土地使用状态的影响值。
在一个实施方式中，所述根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型，包括：
根据所述约束条件，确定邻域作用值；
根据目标区域的随机影响因素，确定随机因子；
根据所述开发适用性概率、所述约束条件、所述邻域作用值、所述随机因子，建立所述元胞自动机模型。
在一个实施方式中，所述根据所述开发适用性概率、所述约束条件、所述邻域作用值、所述随机因子，建立所述元胞自动机模型，包括：
按照以下公式，建立所述元胞自动机模型：
Pij′＝RA×Pij×con(Sij)×Ωij
上式中，Pij′为标号为ij的栅格点的预测概率，i、j分别为大于等于1的整数，RA为随机因子，Pij为所述第一栅格图层中标号为ij的栅格点的开发适用性概率，con(Sij)为第一栅格图层中标号为ij的栅格点的约束条件，Sij为所述第一栅格图层中标号为ij的栅格点的土地使用状态，Ωij为第一栅格图层中标号为ij的栅格点的邻域作用值。
在一个实施方式中，在所述建立元胞自动机模型后，所述方法还包括：
按照以下方式对所述元胞自动机模型进行校正，并将校正后的元胞自动机模型确定为所述元胞自动机模型：
根据所述第一栅格图层和所述元胞自动机模型，确定第一结果数据；
根据所述第一结果数据和所述第二栅格图层，对所述元胞自动机模型进行校正。
在一个实施方式中，所述根据所述第一栅格图层和所述元胞自动机模型，确定第一结果数据，包括：
根据所述第一栅格图层，通过所述元胞自动机模型，获得第二栅格图层中各个栅格点的预测概率；
通过将所述第二栅格图层中各个栅格点的预测概率和预设阈值进行比较，得到比较结果，并将所述比较结果作为所述第一结果数据，其中，所述预设阈值是根据目标区域的土地开发趋势确定的。
在一个实施方式中，所述根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果后，所述方法还包括：
根据所述目标区域的土地使用状态的预测结果，对所述目标区域进行土地开发规划。
基于相同的发明构思，本申请实施方式还提供了一种土地使用状态的预测装置，包括：
获取模块，用于获取目标区域预定类型的图像数据，并根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；
第一确定模块，用于根据所述多个地理因素图层、多个地理因素，确定第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的；
第二确定模块，用于利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；
建模模块，用于根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；
预测模块，用于根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
本申请实施方式还提供了一种土地使用状态的预测系统，所述系统包括输入设备、图像处理设备和处理器，其中，
所述输入设备用于输入目标区域预定类型的图像数据；
所述图像处理设备，用于根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；根据所述多个地理因素图层、多个地理因素，生成第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的；
所述处理器用于利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
在本申请实施方式中，通过根据多个地理因素图层确定第三栅格图层，以更加准确地模拟真实的土地利用演化过程；通过利用分类回归树算法确定开发适用性概率作为模型规则，进而建立相应的元胞自动机模型，以预测土地的使用状态。从而解决了现有的土地使用状态的预测方法中存在的土地使用状态预测不准确、误差大的技术问题，达到准确预测土地使用状态的技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请实施方式的土地使用状态的预测方法的处理流程图；
图2是根据本申请实施方式的土地使用状态的预测装置的组成结构图；
图3是根据本申请实施方式的土地使用状态的预测系统的组成示意图；
图4是在一个场景示例中应用本申请实施方式提供的土地使用状态的预测方法/装置/系统的流程示意图；
图5是应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的遥感影像示意图；
图6是应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的多个地理因素图层的示意图；
图7是应用本申请实施方式提供的土地使用状态的预测方法/装置/系统确定模型规则的流程示意图；
图8是应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的目标区域的开发适用性概率示意图；
图9是应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的2014年的模拟结果示意图；
图10是应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的2020年的模拟结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
考虑到现有的土地使用状态的预测，大多是通过蚁群算法，支持向量机，神经网络等算法确定元胞自动机模型的转换规则，进而建立相应的元胞自动机模型，以预测土地的使用状态。但是由于上述算法自身结构的限制，例如，运算参数的设置相对静态，导致所确定的转换规则的精度相对较低，以致根据所确定的转换规则所建立的元胞自动机模型预测的土地使用状态的准确度较差。针对产生上述技术问题的根本原因，本申请提出可以通过分类回归树算法确定开发适用性概率，进而可以根据开发适用性概率建立更加准确的元胞自动机模型，以预测土地的使用状态。从而解决了现有的土地使用状态的预测方法中存在的土地使用状态预测不准确、误差大的技术问题，达到准确预测土地使用状态的技术效果。
基于上述思考思路，本申请实施方式提供了一种土地使用状态的预测方法。请参阅图1的根据本申请实施方式的土地使用状态的预测方法的处理流程图。本申请实施方式提供的土地使用状态的预测方法，具体可以包括以下步骤。
步骤S101：获取目标区域预定类型的图像数据，并根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层。
在一个实施方式中，为了能获得符合要求的初始数据，具体实施时，上述获取目标区域预定类型的图像数据，具体可以包括：获取目标区域的第一遥感影像、第二遥感影像、地形图、行政区划图，其中，所述第一遥感影像和所述第二遥感影像为所述目标区域不同时间的遥感影像。
在本实施方式中，需要说明的是所述第一遥感影像和所述第二遥感影像为所述目标区域不同时间的遥感影像，如此，可以根据不同时间的第一遥感影像和第二遥感影像上的信息建立预测模型(例如元胞自动机模型)，来预测其他时间(例如未来几年后的土地使用状态的)土地的使用状态。其中，第一遥感影像具体可以是起始遥感影像，即时间相对较早的遥感影像，第二遥感影像具体可以是终止遥感影像，即时间相对较晚的遥感影像。具体的，例如，要预测2017年的某地区哪些土地会成为城市用地，可以先分别采集2007年该地的遥感影像和2012年该地的遥感影像；再根据2012年该地的遥感影像和2007年该地的遥感影像以及其他信息建立预测模型；最后基于2012年的遥感影像，通过上述预测模型预测2017年时该地区哪些土地会转换为城市用地。
在本实施方式中，具体实施时，可以根据具体情况选择不同时间同一位置的遥感影像分别作为上述第一遥感影像、第二影像。具体的，例如，可以根据2012年的遥感影像、2007年的遥感影像建立预测模型，利用这个预测模型预测2017年的土地使用状态。也可以使用上述相同的模型预测2016年或2015年的土地使用状态。如果要预测2018年的土地使用状态，则可以选择2006年的遥感影像作为第一遥感影像，2012年的遥感影像作为第二遥感影像，根据2006年的遥感影像和2012年的遥感影像重新建立预测模型，以预测2018年的土地使用状态。当然，也可以选择2004年的遥感影像和2011年的遥感影像来预测2018年的土地使用状态。综上可知，优选的实施方式是选择两个不同时间的遥感影像分别作为第一遥感影像和第二遥感影像，根据第一遥感影像和第二遥感影像预测预设时间的土地使用状态，其中，第一遥感影像的时间与第二遥感影像的时间的差值大于等于预设时间与第二遥感影像的时间的差值。
在一个实施方式中，为了能够生成施工所需要的相应的栅格图层，具体实施时，可以按照以下步骤执行。
在本实施方式中，需要说明的是，所述栅格图层具体是指栅格化后的图层。在本申请实施方式中，之所以使用栅格图层，首先，是由于栅格图层的分辨率相对较高，可以更好地反映城市土地利用状态。此外，采用栅格图层，可以降低后续的数据处理成本。再者，栅格图层包含的数据量较为丰富，通过栅格图层可以提取获得更多的有效信息。最后，使用栅格图层可以提高后续利用预测模型得到的预测结果的可视化表达程度，从而可以更好地展现预测结果。
S101-1：根据所述第一遥感影像、所述第二遥感影像，确定所述水体图层。
在本实施方式中，所述水体图层(记为Layerwater)具体可以是关于目标区域内的湖泊、河流、水库等的相关图层。上述的湖泊、河流、水库等相对比较稳定，在相当长的一段时间内较大概率的情况下，不会转换为城市用地或者农业用地等。进而可以根据水体图层的稳定性，确定后续使用的约束条件。
S101-2：将所述第一遥感影像进行分类，根据分类后的第一遥感影像，确定第一栅格图层。
在一个实施方式中，为了区别目标区域内的土地使用类型，可以先对第一遥感影像(记为Layerstart)进行分类，将土地分为城市用地和非城市用地两类(记为Layerstart-class)，再基于不同类型进行对应的后续处理，以获得对应的第一栅格图层。
在本实施方式中，上述城市用地具体可以是：居住用地、公共管理与公共服务用地、商业服务业设施用地、工业用地、道路与交通设施用地、绿地与广场用地等等。上述非城市用地具体可以是郊外未被开发利用的山地、林地、草地等等。
在本实施方式中，具体可以目视解译将上述第一遥感影像进行分类。其中，目视解译是遥感图像解译的一种，又称目视判读，或目视判译，是遥感成像的逆过程。具体实施时，可以是通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息，进而可以根据获取的特定目标地物信息，将第一遥感影像中的土地分类为城市用地和非城市用地。
在一个实施方式中，为了获得第一栅格图层，具体实施时可以将分类后的第一遥感影像进行去噪点处理，保存得到第一栅格图层。其中，上述栅格图层中的各个栅格点可以组成后续元胞自动机模型的元胞集合。
S101-3：将所述第二遥感影像进行分类，根据分类后的第二遥感影像，确定第二栅格图层。
在一个实施方式中，可以按照与确定第一栅格图层相同的方法，将第二遥感影像(记为Layerend)先进行分类(记为Layerend-class)，之后将分类后的第二遥感影像进行去噪点处理，以获得第二栅格图层。具体实施方式可以参照确定第一栅格图层的过程，本申请在此不作赘述。
S101-4：对所述地形图、所述行政区划图进行矢量化，得到多个地理因素。
S101-5：根据所述多个地理因素，确定所述多个地理因素图层。
在一个实施方式中，为了确定多个地理因素图层，具体实施时，可以对目标区域的地形图、行政区划图进行矢量化，获取多个地理因素，以分别建立交通干线、区域行政中心等SHP(shapefile)格式的多个地理因素图层。其中，Shapefile文件是描述空间数据的几何和属性特征的非拓扑实体矢量数据结构的一种格式文件。
在一个实施方式中，为了更好地模拟土地的利用演化过程，全面地考虑了各种地理因素对土地使用状态的影响，确定得到了多个地理因素图层。具体的，上述多个地理因素图层可以包括下述中的至少两个：目标区域的城市中心图层，目标区域的区中心图层，目标区域的镇中心图层，目标区域的高速公路图层，目标区域的国道图层，目标区域的省道图层，目标区域的县道图层。具体实施时，上述多个地理因素图层可以以SHP格式分别存储为：目标区域的城市中心图层(City_center.shp)，目标区域的区中心图层(District_center.shp)，目标区域的镇中心图层(Town_centre.shp)，目标区域的高速公路图层(Highway.shp)，目标区域的国道图层(State_road.shp)，目标区域的省道图层(Provincial_highway.shp)，目标区域的县道图层(County_road.shp)。具体实施时，可以根据目标区域的城市中心图层和目标区域的高速公路图层这种图层作为上述多个地理因素图层，以便进行后续处理。当然，也可以根据具体情况选择其他种类的两种图层，或其他多种图层作为上述多个地理因素图层。如此，可以充分地考虑到真实环境中的多种地理因素的具体影响，而不只是根据一种地理因素的影响，按照单一的模式建立模型。从而可以提高后续建立的预测模型的精度，改善预测土地使用状态的准确度。
步骤S102：根据所述多个地理因素图层、多个地理因素，确定第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的。
在一个实施方式中，为了确定各个地理因素对土地使用状态的具体影响，可以先确定各种地理因素。其中，地理因素具体可以是地理因素到具体栅格点的距离。例如，目标区域的城市中心的属性值可以是目标区域的城市中心到具体栅格点的距离。因此，可以通过对第一栅格图层、第二栅格图层和多个地理因素图层(即所述相应的栅格图层)进行比对整理，确定目标区域距离城市中心、目标区域的区中心、目标区域的镇中心、目标区域的高速公路、目标区域的国道、目标区域的省道、目标区域的县道到具体栅格点的距离，作为对应的地理因素。其中，各个地理因素具体可以分别记为：distoCity、distoGaosu、distoGuodao、distoQu、distoShengdao、distoTown、distoXiandao。从而，可以对多个地理因素中各个地理因素进行具体化、量化，以便后续使用。
在一个实施方式中，可以根据多个地理因素图层、多个地理因素，建立第三栅格图层。其中，上述第三栅格图层中包括有各个地理因素，即第一栅格图层、第二栅格图层中的各个栅格点到目标区域距离城市中心、目标区域的区中心、目标区域的镇中心、目标区域的高速公路、目标区域的国道、目标区域的省道、目标区域的县道的具体距离。
步骤S103：利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率。
在一个实施方式中，为了确定较为准确的开发适用性概率，具体可以通过分类回归树算法，按照以下方式执行。
在本实施方式中，所述分类回归树(Classification and regression trees，CART)是决策树的一种，是基于基尼(Gini)指标并且是最简化的吉尼指标的一种算法。该算法在数据分析和数据挖掘方面具有较好的实施效果。
S103-1：从所述第一栅格图层中获取多个栅格样点。
在一个实施方式中，为了获取较具有代表性的多个栅格样点，可以从第一栅格图层中分别获取多个城市用地类型的栅格样点和多个非城市用地类型的栅格点作为上述多个栅格样点。具体实施时，可以采用随机分层取样的方法，从城市用地类型和非城市用地类型中分别选20～30％的栅格点作为上述多个栅格样点。当然，具体实施时还除分别选取20～30％数量的样点外，还可以根据具体情况，选取其他合适数量的栅格点作为栅格样点。对于上述多个栅格样点的具体数量，本申请在此不作限定。
S103-2：根据所述第三栅格图层、所述多个栅格样点，分别确定各个地理因素属性值。
在一个实施方式中，为了确定多个地理因素属性值中各个地理因素属性值和各个地理因素属性值的权重系数，可以先根据多个栅格样点中各个栅格样点，获取各个栅格样点的空间坐标；进而可以将各个栅格样点作为一个元胞，计算各个栅格样点(元胞)与空间影响因子，即地理因素的距离，得到n个空间变量，即各个栅格样点的地理因素属性值。
具体的，可以先获取各个栅格样点的地理因素属性值的集合，以便后续确定各个地理因素属性值：
Xij＝[xij1,xij2,...,xijk,...xijn]T
其中，Xij为标号为ij的栅格点的地理因素属性值的集合，标号ij可以表示该点的空间位置为(i,j)，xijk为标号为ij的栅格点的地理因素属性值的集合中第k个空间变量属性值，即第k个地理因素的属性值，k为1至n之间包括1和n的整数，n为地理因素属性的总数。需要说明的是，上述xijk是一个向量包含有多个具体数值。
在一个实施方式中，为了分别确定各个地理因素属性值，具体实施时，可以：先利用分类回归树通过递归的方式将n维的元胞空间，即地理因素属性值的集合，划分为不重叠的矩形。设xijk为在位置(i，j)处的栅格点的第k个地理因素属性值(向量)，k表示所属空间变量，即地理因素属性值的编号。例如，xij1则可以表示第一个地理因素属性值，即栅格点距目标区域的城市中心距离的影响因子，其中，xij1是一个向量，包含有多个具体数值。从xij1中的多个具体数值中选一个数值作为自变量xij1 0，再选取xij1中的一个值xij1 h(xij1内多个具体数值中的第h个数值)，xij1 h把n维空间划分为两部分，一部分的所有点都满足xij1 0＜xij1 h，另一部分的所有点都满足xij1 0≥xij1 h，然后再对两部分按照类似的方式依次进行进一步的划分，直到把将全部属性值划分为一系列分支，即可以得到二叉树。然后通过地理因素属性值中相同属性值的多少来确定杂质变量(例如Gini系数)，进而可以根据杂质变量对划分好的分叉树进行剪枝。具体的，例如，可以按照杂质变量结果的大小进行排列，依次删除杂质变量小的分支。最后，可以得到杂质变量最大的一个划分作为最优分支。其中，最优枝中包括了xij1中多个具体数值中最后剩余的两个数值。进而，可以根据最优分支内的两个数值确定该地理因素属性值。例如，对于xij1，可以得到对应的地理因素属性值为X1。如此，可以分别确定其他的地理因素属性值，可以记为XK，其中，XK对应于Xij中第k个地理因素的属性值xijk的地理因素属性值。最后，可以确定出栅格样点中多个地理因素属性值为：X1,X2...Xk...Xn，其中，n为多个地理因素属性值的个数。
S103-3：根据所述各个地理因素属性值，确定各个地理因素属性值的权重系数，得到多个地理因素属性值的权重系数。
在一个实施方式中，为了确定权重系数，具体实施时，可以将最优分支内的两个地理因素属性值取均值作为该地理因素的权重系数。进而可以采用Bootstrap(自举算法)等方法生成n棵分类回归树，重复上述求取权重的具体步骤，依次训练得到各个地理因素数值，并将地理因素数值赋给逻辑回归函数，作为逻辑回归函数的权重，即可以确定各个地理因素属性值的权重系数为：b1,b2...bk...bn。其中，n为多个地理因素属性值的个数。需要说明的是，上述列举的自举算法只是为了更好地说明本申请实施方式，具体实施时，也可以根据具体情况，选择使用其他的算法，用以确定各个地理因素属性值的权重系数。对此，本申请不作限定。
S103-4：根据多个地理因素属性值的权重系数，确定多个地理因素对土地使用状态的影响值。
在一个实施方式中，为了确定多个地理因素对土地使用状态的影响值，具体实施时，可以按照以下公式进行确定：
上式中，Z为多个地理因素对土地使用状态的影响值，a为回归常数，可以在分类回归树训练中确定，k为多个地理因素中的编号，bk为第k个地理因素的权重系数，即逻辑回归函数关系式的系数，可以利用权重进行赋值得到，Xk为第k个地理因素的属性值。
S103-5：根据所述多个地理因素对土地使用状态的影响值，确定所述开发适用性概率。
在一个实施方式中，为了确定开发适用性概率，具体实施时，可以利用基于权重的多个地理因素对土地使用状态的影响值，构建逻辑回归函数的关系式，即将上述步骤训练得到的权重，作为逻辑回归函数的权重系数，从而可以构建以下公式，用以确定开发适用性概率：
上式中，Pij为所述第一栅格图层中标号为ij的栅格点的开发适用性概率(也称城市开发适用性概率，可以用以指示预设时期标号为ij的栅格点所对应的区域位置的土地转化成为城市用地的概率)，i、j分别为大于等于1的整数，Z为多个地理因素对土地使用状态的影响值。
步骤S104：根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型。
在一个方式中，为了能建立相对更加精确的预测模型(元胞自动机模型)，考虑到真实环境中一些较稳定，长期不会改变的环境因素的影响，可以根据水体图层，确定约束条件，以对后续的模型进行控制。具体实施时，可以按照以下方式执行：
上式中，为标号为ij的栅格点的约束条件，为判别标号为ij的栅格点(元胞)的当前状态，例如，根据水体图层，发现标号为ij的栅格点的当前状态为湖泊，基于城市发展的规律，湖泊在相当长的一个时间段内具有一定的稳定性，可以判别当前标号为ij的栅格点很难发展为城市用地，进而可以确定相应的约束条件取值为0。当然，需要说明的是，在本申请实施方式中，仅以水体图层作为主要考量设定约束条件。具体实施时，还可以根据具体情况，考虑到其他相对稳定的环境因素，设定相应的约束条件。例如，山体，尤其是坡度比较陡峭的山体，在较长的时间段内也具有一定的相对稳定性，不会改变。因此，也可以根据山体图层，设定相应的约束条件，以对预测模型进行进一步的细化控制。当然，还可以同时根据水体图层和山体图层，确定对应的约束条件。对于根据水体图层以外的其他图层，确定相应的约束条件，本申请在此不再赘述。
在一个实施方式中，可以根据开发适用性概率、约束条件建立元胞自动机模型，用以通过模拟土地真实利用演化过程来预测预设时间段后土地的使用状态。
在一个实施方式中，为了建立相对较为准确的元胞自动机模型，具体实施时，除了考虑到开发适用性概率、约束条件外，还可以同时考虑到其他客观存在的环境因素对土地使用状态的影响，以建立较为准确的元胞自动机模型。具体实施时，可以按照以下步骤执行。
S104-1：根据所述约束条件，确定邻域作用值。
在一个实施方式中，为了确定邻域作用值，即栅格点(元胞)周围的其他栅格点(元胞)对土地使用状态的影响，具体可以按照以下公式计算：
上式中，为第一栅格图层中标号为ij的栅格点的邻域作用值，为标号为ij的栅格点的约束条件，为判别标号为ij的栅格点(元胞)的当前状态，需要说明的是该状态通常为：可以发展为城市用地，c×c为邻近的栅格点数。需要说明的是，邻近栅格点数可以根据具体情况和实施要求灵活确定，优选地，可以将3×3作为上述邻近栅格点数进行使用。
S104-2：根据目标区域的随机影响因素，按照预设规则，确定随机因子。
在一个实施方式中，考虑到土地在利用演化过程中会遇到许多突然、无法预测的环境因素，例如：突发自然灾害、气候变化、目标区域的GDP的变化等，对土地使用状态也会产生影响，为了更为真实地模拟土地利用演化过程，引入随机因子，以对预测模型进行进一步的控制约束。具体实施时，可以按照以下方式确定上述随机因子：
RA＝1+(-lnγ)α
上式中，RA为随机因子，上述随机因子是对单个栅格点或元胞进行邻域作用值计算时，同时所产生的随机因子。γ为随机数，取值范围为0～1范围，其数值可以根据具体情况灵活设定。具体的，例如，当计算某个元胞的邻域作用值时，可以同一时刻利用均匀随机数产生函数来产生0～1之间的数字，且这个随机数可根据具体情况相应设置。譬如，环境变化比较快，突发情况比较多，需要增加随机性时，可以将该数值设置为大于0.5的数，相反，环境比较平稳，突发情况较少，需要减小随机性时，可以将该数值设置为小于0.5的数。α为控制随机变量的控制参数。具体可以通过α随机产生1～10之间的正整数来提高预测的随机分布合理性。与γ相似，为了模拟真实环境中的随机性，该数值也可以根据具体情况灵活设定。
S104-3：根据所述开发适用性概率、所述约束条件、所述邻域作用值、所述随机因子，建立所述元胞自动机模型。
在一个实施方式中，为了构建可以较为准确预测预设时间的土地使用状态的预测模型，具体可以按照以下方式，建立元胞自动机模型作为预测模型：
Pij′＝RA×Pij×con(Sij)×Ωij
上式中，Pij′为栅格图层中标号为ij的栅格点的预测概率，i、j分别为大于等于1的整数，RA为随机因子，Pij为所述第一栅格图层中标号为ij的栅格点的开发适用性概率，con(Sij)为第一栅格图层中标号为ij的栅格点的约束条件，Sij为所述第一栅格图层中标号为ij的栅格点的土地使用状态，Ωij为第一栅格图层中标号为ij的栅格点的邻域作用值。
在本实施方式中，需要说明的是：在基于第一栅格图层数据通过上述元胞自动机模型得到的Pij′具体可以是针对第二栅格图层的标号为ij的栅格点的预测概率。即，可以认为根据第一遥感影像，通过元胞自动机模型，预测第二遥感影像所对应时间的目标区域的土地使用状态。再基于第二栅格图层通过上述元胞自动机模型得到的Pij′具体可以是针对待预测的时间对应的ij的栅格点的预测概率。即，可以认为根据第二遥感影像，通过元胞自动机模型，预测预设时间。例如，几年后的，目标区域的土地使用状态。
步骤S105：根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
在一个实施方式中，为了预测目标区域的土地使用状态，具体实施时，先可以基于第二栅格图层，通过上述元胞自动机模型，确定待预测时间，即预设时间的各个栅格点的预测概率。然后再将预测的各个栅格点的预测概率与预设阈值进行比较。其中，上述预设阈值的数值可以是0至1之间的数值。如果，某个栅格点的预测概率大于等于预设阈值，则可以确定，该栅格点所对应的位置在预设时间会转换为城市用地。如果，某个栅格点的预测概率小于预设阈值，则可以确定，该栅格点所对应的位置在预设时间为非城市用地。通过这种方式可以确定各个栅格点所对应的目标区域的各个位置在预设时间的土地使用状态，将预测的土地使用状态作为所述预测结果。
在本实施方式中，需要说明的是上述预设阈值具体可以根据目标区域的土地开发趋势确定的。具体的，可以根据具体情况灵活确定。例如，当政府准备加快目标区域的城市化开发时，可以将该预设阈值设置得相对较小。当政府准备减缓目标区域的城市化开发时，可以将预设阈值设置得相对较大。通常情况下，该预设阈值优选地可以取值为0.2至0.3之间数值。
在本实施方式中，还需要补充的是，具体实施时，可以根据第一栅格图层和第二栅格图层建立上述预测模型，再基于第二栅格图层预测预设时间的土地使用状态，但并不限于仅基于第二栅格图层预测预设时间的土地使用状态。具体的，例如，第一栅格图层对应2000年某地遥感影像，第二栅格图层对应2010年某地遥感影像，要预测2020年某地的土地使用状态。具体实施时，可以根据第一栅格图层建立元胞自动机模型，基于第二栅格图层根据元胞自动机模型预测2020年的土地使用状态。也可以，另外获取其他时间的遥感影像，例如，2012年的遥感影像，基于2012年的遥感影像所对应的栅格图层，通过元胞自动机模型预测2020年的土地使用状态。当然，还可以获取其他年份的遥感影像得到对应的栅格图层，以预测2020年的土地使用状态。对此，本申请不再赘述。
在一个实施方式中，为了建立更加准确的元胞自动机模型，可以对所获得的元胞自动机模型进行校正。具体实施时，可以按照以下步骤执行：
S104-4：根据所述第一栅格图层和所述元胞自动机模型，确定第一结果数据。
在一个实施方式中，为了得到作为校正依据的第一结果数据，具体实施时，可以先基于第一栅格图层，通过元胞自动机模型预测第二栅格图层所对应时间的目标区域的土地使用状态，再根据所预测的土地使用状态与第二栅格图层进行比较，以确定上述第一结果数据。具体实施时，可以按照以下步骤执行：
S104-4-1：根据所述第一栅格图层，通过所述元胞自动机模型，获得第二栅格图层中各个栅格点的预测概率。
S104-4-2：通过比较所述第二栅格图层中各个栅格点的预测概率和预设阈值，得到比较结果，将所述比较结果作为所述第一结果数据，其中，所述预设阈值是根据目标区域的土地开发趋势确定的。
S104-5：根据所述第一结果数据，对所述元胞自动机模型进行校正，将校正后的元胞自动机模型作为所述元胞自动机模型。
在一个实施方式中，为了对元胞自动机模型进校正，以提高元胞自动机模型的准确度。具体实施时，可以根据第一结果数据，对随机数γ和控制参数α进行相应的调整，使得所预测的土地使用状态与第二栅格图层的数据相对接近，从而可以提高元胞自动机模型的准确度。进而可以用这个校正后的元胞自动机模型预测目标区域的土地使用状态。
在一个实施方式中，通常情况下，元胞自动机模型的模拟精度(即第一结果数据)超过75％即可认为基本满足模拟条件，准确度较高，符合实施要求。在本申请实施方式中，优选模拟精度高于85％时的元胞自动机模型为符合要求的元胞自动机模型。通过多个实施例验证发现：模拟精度在80％～85％之间时，元胞自动机模型精度差异较小；模拟精度小于80％时，元胞自动机模型精度差异较大。
在一个实施方式中，在根据所述元胞自动机模型，预测所述目标区域的土地使用状态，得到预测结果后，还可以根据预测得到目标区域使用状态，包括：目标区域中哪些位置可能会成为城市用地等，以此作为参考依据，对目标区域进行具体的土地开发规划，达到对土地的合理、有效的利用。
在本申请实施例中，相较于现有方法，通过根据多个地理因素图层确定第三栅格图层，以更加准确地模拟真实的土地利用演化过程；通过利用分类回归树算法确定开发适用性概率作为模型规则，进而建立元胞自动机模型作为预测模型，以预测土地的使用状态。从而解决了现有的土地使用状态的预测方法中存在的土地使用状态预测不准确、误差大的技术问题，达到准确预测土地使用状态的技术效果。
基于同一发明构思，本发明实施方式中还提供了一种土地使用状态的预测装置，如下面的实施方式所述。由于装置解决问题的原理与土地使用状态的预测方法相似，因此土地使用状态的预测装置的实施可以参见土地使用状态的预测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。请参阅图2，是本申请实施方式的土地使用状态的预测装置的一种组成结构图，该装置可以包括：获取模块201、第一确定模块202、第二确定模块203、建模模块204、预测模块205。下面对该结构中的各个功能模块进行具体说明。
获取模块201，具体可以用于获取目标区域预定类型的图像数据，并根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层。
第一确定模块202，具体可以用于根据所述多个地理因素图层、多个地理因素，确定第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的。
第二确定模块203，具体可以用于利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率。
建模模块204，具体可以用于根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型。
预测模块205，具体可以用于根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
在一个实施方式中，为了获得更加准确的元胞自动机模型，所述装置具体可以还包括：
校正模块，具体可以用于根据所述第一栅格图层和所述元胞自动机模型，确定第一结果数据；并根据所述第一结果数据，对所述元胞自动机模型进行校正。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
基于同一发明构思，本申请实施方式还提供了一种土地使用状态的预测系统，具体可以参阅图3的根据本申请实施方式的土地使用状态的预测系统的组成示意图。
所述系统可以包括输入设备、图像处理设备和处理器，其中，输入设备、图像设备、处理器通过数据线相连，以传递数据信息。具体的：
所述输入设备具体可以用于输入目标区域预定类型的图像数据。
在本实施方式中，上述输入设备具体可以是键盘、鼠标等用于文字、图像等数据输入的装置。当然，也可以是具有其他类型数据数输入功能的装置，例如，具有语音输入功能的麦克风等。
所述图像处理设备，具体可以根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；根据所述多个地理因素图层、多个地理因素，生成第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的。
在本实施方式中，所述图像处理设备具体可以是具有：识别图像、整理图像、根据图像提取数据等功能的设备装置。
所述处理器具体可以用于利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
在本实施方式中，具体可以是计算机的主机，也可以是由多台计算机或服务器组成的数据处理系统。具体实施时，可以根据待处理的数据量灵活确定。
在本实施方式中，需要说明的是，上述系统具体还可以包括显示器，所述显示器与处理器相连，用于显示预测结果。
在一个实施方式中，上述土地使用状态的预测系统还可以包括存储计算机可读存储介质上的程序或代码，通过该程序或代码可以控制上述土地使用状态的预测系统中的规格设备协调运作，以预测目标区域的预设时间的土地使用状态。
在本实施方式中，需要说明的是所述计算机可读存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
需要说明的是，上述实施方式阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，在本说明书中，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
此外，在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
从以上的描述中，可以看出，本申请实施方式提供的土地使用状态的预测方法、装置和系统，通过根据多个地理因素图层确定第三栅格图层，以更加准确地模拟真实的土地利用演化过程；通过利用分类回归树算法确定开发适用性概率作为模型规则，进而建立元胞自动机模型作为预测模型，以预测土地的使用状态。从而解决了现有的土地使用状态的预测方法中存在的土地使用状态预测不准确、误差大的技术问题，达到准确预测土地使用状态的技术效果；又通过设置随机因子、邻域作用值等参数，以更加准确地模拟土地利用演化过程，提高了元胞自动机模型的精度，改善了土地使用状态预测的准确度；还通过对建立的元胞自动机模型进行校正，进一步改善了模型得出精度。
在一个具体实施场景中，应用本申请提供的土地使用状态的预测方法/装置/系统对河南省信阳市的某区域进行城市用地预测。具体可以参阅图4的在一个场景示例中应用本申请实施方式提供的土地使用状态的预测方法/装置/系统的流程示意图，按照以下方式、建立用于预测的元胞自动机模型，并利用元胞自动机模型作为预测模型，预测2020年该区域的土地使用状态。具体实施时，可以按照以下步骤执行：
步骤一：以Visual Studio 2012平台上采用C#编程语言和Arcgis Engine10.2作为本建模模拟实施的平台，以Arcgis10.2及Envi5.1作为本专利的数据处理平台，加载河南省信阳市遥感影像数据。其中，模拟预测区域的具体情况可以参阅图5的应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的遥感影像示意图。其中，包含2008年、2014年，30m空间分辨率的原始遥感数据，分别对应Layerstart、Layerend两个图层(即第一遥感数据和第二遥感数据)。
步骤二：通过Envi5.1软件对2008年、2014年的遥感影像数据进行监督分类目视解译，解译得到分类为城市用地(编码为1)和非城市用地(编码为0)的栅格数据，分别对应Layerstart-class、Layerend-class两个图层。
步骤三：将分类后的栅格数据在Arcgis10.2里面通过栅格转出工具，保存为.txt文件，对错误分类数据进行误差校正。最后转化为栅格数据将其命名为Layerstart-class2008、Layerend-class2014两个图层(即第一栅格图层和第二栅格图层)。
步骤四：对影响信阳市城市土地变化的空间因子地理各要素(即地理因素)进行矢量化。利用信阳市的地形图、行政区划图在Arcgis10.2里分别对交通干线、区域行政中心、水系等进行矢量化，保存为SHP格式的要素图层，命名为：信阳市中心图层(City_center.shp)，区中心图层(District_center.shp)，镇中心图层(Town_center.shp)，高速公路图层(Highway.shp)，国道图层(State_road.shp)，省道图层(Provincial_highway.shp)，县道图层(County_road.shp)，水系图层(Water.shp)，即获得多个地理因素图层。具体可以参阅图6的应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的多个地理因素图层的示意图。
步骤五：将得到的各影响因子SHP数据，在Arcgis10.2里面通过ArcMap SpatialAnalyst工具的Distance来完成对影响因素的距离计算。保存为distoCity、distoGaosu、distoGuodao、distoQu、distoShengdao、distoTown、distoXiandao的栅格格式图层，完成数据预处理，得到各影响因子的量化图层(即第三栅格图层)。
步骤六：完成样点(栅格样点)采样，获得元胞变量。然后在分类回归树下将元胞变量与步骤五得到的影响因子量化图层进行训练提取规则，获得元胞自动机模型的全局发展概率(开发适用性概率)作为模型规则。规则训练过程可以参阅图7的应用本申请实施方式提供的土地使用状态的预测方法/装置/系统确定模型规则的流程示意图，具体操作过程可以包括：
S1-1：运用Arcgis10.2的Sample功能分层读取对应的信阳市遥感分类数据和空间变量数据进行样点采样，本专利采样2000个样本作为元胞变量(即从第一栅格图层中获取多个栅格样点)。
S1-2：通过分类回归树，以递归的方式将n维的元胞空间划分为不重叠的矩形。设xijk为在位置(i，j)的第k个空间变量属性值，k表示所属空间变量。
S1-3：从向量xijk选一个自变量xijk 0，再选取xijk的一个值xijk h，xijk把n维空间划分为两部分，一部分的所有点都满足xijk 0＜xijk h，另一部分的所有点都满足xijk 0≥xijk h。对非连续变量来说属性值的取值只有两个，即等于该值或不等于该值(即xijk向量中最后剩余两个数值，根据这两个数值确定对应地理因素的属性值)。
S1-4：递归处理，将上面得到的两部分按步骤2，重新选取一个属性继续划分，直到把整个n维空间都划分完(得到各个地理因素的属性值)。
S1-5：用Bootstrap算法生成n棵树进行训练，计算元胞变量与各影响因子的距离，训练出各影响因子的权重，作为逻辑回归函数的系数(得到各个地理因数属性值的权重系数)，构建逻辑函数关系式。
S1-6：将计算得到的逻辑回归方程通过与元胞变量进行计算。结果用Z表示各个空间变量所产生的影响(即多个地理因素对土地使用状态的影响值)，得到全局发展概率为Pij(即开发适用性概率)图层，并保存为P.img栅格文件，作为元胞自动机模型模拟的全局发展概率部分，训练获取的P栅格数据具体可以参阅图8的应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的目标区域的开发适用性概率示意图。
步骤七：采用分类回归树构建的元胞自动机模型由全局发展概率、邻域函数、随机因子、约束条件四部分构成，并通过这四部分进行模拟预测。具体操作时，可以按照以下方式执行：
S2-1：将2008年城市用地分类数据作为初始化图层(Layerstart-class2008)，即第一栅格图层，作为分类的依托变量。
S2-2：通过步骤六将P.img栅格文件作为采用分类回归树构建的元胞自动机模的全局发展概率。
S2-3：采用3×3的邻域确定邻域作用值。
S2-4：通过多次迭代分析，确定随机因子设置为0.7。
S2-5：根据水体图层Layerwater，确定对应约束条件。
S2-6：将2008年分类数据与元胞模型四部分进行训练得到元胞转换概率，然后与阈值进行比较(本实施例将阈值设置为0.2)，确定土地是否转换为城市建设用地。
步骤八：对建立的元胞自动机模型的精度进行评价，并通过元胞自动机模型对该区域的土地使用状态进行预测。
该步骤具体实施时，可以根据上述构建元胞自动机模型的四部分Pij，RA，建立的Pij总概率与设置阈值0.2进行判断，实现对实验区域的模拟预测。
具体实施时，可以以2008年的遥感影像分类数据Layerstart-class2008为初始数据，结合四个模拟条件进行模拟迭代，共进行25次迭代。获取2014年模拟结果，即预测的2014年的土地使用状态。具体可以参阅图9的应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的2014年的模拟结果示意图。
具体实施时，可以以2014年的遥感分类影像Layerend-class2014为基础数据，预测2020年信阳市区的城市土地利用变化情况，即预测出2020年该区域的土地使用状态。具体请参阅图10的应用本申请实施方式提供的土地使用状态的预测方法/装置/系统获得的2020年的模拟结果示意图。
具体实施时，通过将2014的模拟结果和2014的遥感数据进行比较，对预测模型进行评价。具体的，例如，计算2014年实际城市用地与模型模拟城市用地变化混淆矩阵。可以确定，应用所建立的元胞自动机模型城市用地的准确率为78.09％，非城市用地的模拟准确率为89.63％，总精度达到了85.98％，Kappa系数为0.734，整体精度较高，模型满足预测要求。
在本场景示例中，需要说明的是通过数据挖掘中的分类回归树挖掘样本数据，训练各影响因子的权重(即各个地理因素属性值的权重系数)，并构建逻辑回归函数关系式，以此来获取元胞转换规则，能较好地对城市土地扩展进行分析。利用分类回归树对2008年和2014年信阳市城市土地扩展变化数据及其影响因子来挖掘信阳市区的城市土地利用演变规律。结合邻域函数，随机因子和约束条件转化元胞规则，对信阳市区土地利用变化进行了模拟，并对未来城市土地利用变化进行预测。通过获得的结果表明：利用分类回归树方法转换规则可以得到较高的精度；与早期元胞自动机模型相比，利用分类回归树构建的转换规则，结构清晰，效果明显，可以较好地和元胞自动机模型相结合；基于分类回归树构建的元胞自动机模型在模拟城市土地变化方面具有较高的模拟精度，模拟结果可靠；对信阳市未来城市土地利用的演变及城市扩展的方向都有一定的借鉴与参考意义。此外，在本场景示例中，仅以信阳市为模拟预测区进行了说明，该方法也适用于其它城市的土地利用扩展研究。同时对元胞自动机模型中影响因子的选取，不仅仅限定于本场景示例，具体可以根据模拟区域的实际情况，可以添加或者减少影响因子。
通过上述的场景示例，验证本申请实施方式所提供的土地使用状态的预测方法/装置/系统确实解决了现有的土地使用状态的预测方法中存在的土地使用状态预测不准确、误差大的技术问题，达到准确预测土地使用状态的技术效果。
尽管本申请内容中提到不同的土地使用状态的预测方法或装置，但是，本申请并不局限于必须是行业标准或实施例所描述的情况等，某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、处理、输出、判断方式等的实施例，仍然可以属于本申请的可选实施方案范围之内。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请。

Claims (14)

1.一种土地使用状态的预测方法，其特征在于，包括：
获取目标区域预定类型的图像数据，并根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；
根据所述多个地理因素图层、多个地理因素，确定第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的；
利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；
根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；
根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取目标区域预定类型的图像数据，包括：
获取目标区域的第一遥感影像、第二遥感影像、地形图、行政区划图，其中，所述第一遥感影像和所述第二遥感影像为所述目标区域不同时间的遥感影像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述图像数据生成相应的栅格图层，包括：
根据所述第一遥感影像、所述第二遥感影像，确定所述水体图层；
将所述第一遥感影像进行分类，根据分类后的第一遥感影像，确定第一栅格图层；
将所述第二遥感影像进行分类，根据分类后的第二遥感影像，确定第二栅格图层；
对所述地形图、所述行政区划图进行矢量化，得到多个地理因素；
根据所述多个地理因素，确定所述多个地理因素图层。
4.根据权利要求3所述的方法，其特征在于，所述多个地理因素图层包括下述中的至少两个：
目标区域的城市中心图层，目标区域的区中心图层，目标区域的镇中心图层，目标区域的高速公路图层，目标区域的国道图层，目标区域的省道图层，目标区域的县道图层。
5.根据权利要求3所述的方法，其特征在于，所述利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率，包括：
从所述第一栅格图层中获取多个栅格样点；
根据所述第三栅格图层、所述多个栅格样点，分别确定各个地理因素属性值；
根据所述各个地理因素属性值，确定各个地理因素属性值的权重系数，得到多个地理因素属性值的权重系数；
根据所述多个地理因素属性值的权重系数，确定多个地理因素对土地使用状态的影响值；
根据所述多个地理因素对土地使用状态的影响值确定所述开发适用性概率。
6.根据权利要求5所述的方法，其特征在于，所述根据所述多个地理因素属性值的权重系数，确定多个地理因素对土地使用状态的影响值，包括：
按照以下公式，确定所述多个地理因素对土地使用状态的影响值：
<mrow> <mi>Z</mi> <mo>=</mo> <mi>a</mi> <mo>+</mo> <munder> <mi>&amp;Sigma;</mi> <mi>k</mi> </munder> <msub> <mi>b</mi> <mi>k</mi> </msub> <msub> <mi>X</mi> <mi>k</mi> </msub> </mrow>
上式中，Z为多个地理因素对土地使用状态的影响值，a为回归常数，k为多个地理因素中的编号，bk为第k个地理因素的权重系数，Xk为第k个地理因素的属性值。
7.根据权利要求6所述的方法，其特征在于，所述根据所述多个地理因素对土地使用状态的影响值确定所述开发适用性概率，包括：
按照以下公式，确定所述开发适用性概率：
<mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mi>Z</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mi>Z</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mi>Z</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
上式中，Pij为所述第一栅格图层中标号为ij的栅格点的开发适用性概率，i、j分别为大于等于1的整数，Z为多个地理因素对土地使用状态的影响值。
8.根据权利要求3所述的方法，其特征在于，所述根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型，包括：
根据所述约束条件，确定邻域作用值；
根据目标区域的随机影响因素，确定随机因子；
根据所述开发适用性概率、所述约束条件、所述邻域作用值、所述随机因子，建立所述元胞自动机模型。
9.根据权利要求8所述的方法，其特征在于，所述根据所述开发适用性概率、所述约束条件、所述邻域作用值、所述随机因子，建立所述元胞自动机模型，包括：
按照以下公式，建立所述元胞自动机模型：
Pij′＝RA×Pij×con(Sij)×Ωij
上式中，Pij′为标号为ij的栅格点的预测概率，i、j分别为大于等于1的整数，RA为随机因子，Pij为所述第一栅格图层中标号为ij的栅格点的开发适用性概率，con(Sij)为第一栅格图层中标号为ij的栅格点的约束条件，Sij为所述第一栅格图层中标号为ij的栅格点的土地使用状态，Ωij为第一栅格图层中标号为ij的栅格点的邻域作用值。
10.根据权利要求3所述的方法，其特征在于，在所述建立元胞自动机模型后，所述方法还包括：
按照以下方式对所述元胞自动机模型进行校正，并将校正后的元胞自动机模型确定为所述元胞自动机模型：
根据所述第一栅格图层和所述元胞自动机模型，确定第一结果数据；
根据所述第一结果数据和所述第二栅格图层，对所述元胞自动机模型进行校正。
11.根据权利要求10所述的方法，其特征在于，所述根据所述第一栅格图层和所述元胞自动机模型，确定第一结果数据，包括：
根据所述第一栅格图层，通过所述元胞自动机模型，获得第二栅格图层中各个栅格点的预测概率；
通过将所述第二栅格图层中各个栅格点的预测概率和预设阈值进行比较，得到比较结果，并将所述比较结果作为所述第一结果数据，其中，所述预设阈值是根据目标区域的土地开发趋势确定的。
12.根据权利要求1所述的方法，其特征在于，所述根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果后，所述方法还包括：
根据所述目标区域的土地使用状态的预测结果，对所述目标区域进行土地开发规划。
13.一种土地使用状态的预测装置，其特征在于，包括：
获取模块，用于获取目标区域预定类型的图像数据，并根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；
第一确定模块，用于根据所述多个地理因素图层、多个地理因素，确定第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的；
第二确定模块，用于利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；
建模模块，用于根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；
预测模块，用于根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
14.一种土地使用状态的预测系统，其特征在于，所述系统包括输入设备、图像处理设备和处理器，其中，
所述输入设备用于输入目标区域预定类型的图像数据；
所述图像处理设备，用于根据所述图像数据生成相应的栅格图层，其中，所述栅格图层至少包括：多个地理因素图层、水体图层；根据所述多个地理因素图层、多个地理因素，生成第三栅格图层，其中，所述多个地理因素是根据所述相应的栅格图层确定的；
所述处理器用于利用分类回归树对所述第三栅格图层进行训练，确定开发适用性概率；根据利用所述水体图层确定的约束条件、所述开发适用性概率，建立元胞自动机模型；根据所述元胞自动机模型，对所述目标区域的土地使用状态进行预测，得到预测结果。
CN201710321055.6A 2017-05-09 2017-05-09 土地使用状态的预测方法、装置和系统 Pending CN107194504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710321055.6A CN107194504A (zh) 2017-05-09 2017-05-09 土地使用状态的预测方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710321055.6A CN107194504A (zh) 2017-05-09 2017-05-09 土地使用状态的预测方法、装置和系统

Publications (1)

Publication Number Publication Date
CN107194504A true CN107194504A (zh) 2017-09-22

Family

ID=59874058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710321055.6A Pending CN107194504A (zh) 2017-05-09 2017-05-09 土地使用状态的预测方法、装置和系统

Country Status (1)

Country Link
CN (1) CN107194504A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376183A (zh) * 2017-12-29 2018-08-07 武汉大学 一种基于最大熵原理的城市ca模型构建方法
CN109508360A (zh) * 2018-11-07 2019-03-22 武汉大学 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
CN109815885A (zh) * 2019-01-21 2019-05-28 南京国准数据有限责任公司 基于modis卫星数据的gdp估算方法及装置
CN111381585A (zh) * 2018-12-11 2020-07-07 北京图森智途科技有限公司 一种构建占据栅格地图的方法及其装置、相关设备
CN111949706A (zh) * 2020-08-03 2020-11-17 北京吉威空间信息股份有限公司 面向土地大数据分布式挖掘分析的存储方法
CN112287059A (zh) * 2020-11-05 2021-01-29 重庆市规划和自然资源信息中心 根据空间大数据获取土地利用变化的空间预测分析方法
CN112348266A (zh) * 2020-11-10 2021-02-09 深圳禾略贝塔信息科技有限公司 一种基于元胞自动机的人造地表变化趋势预测方法、装置、终端以及可读存储介质
CN113011720A (zh) * 2021-03-03 2021-06-22 东南大学 一种基于ca模型的增量递减的城镇开发边界划定方法
US11604305B2 (en) 2020-10-09 2023-03-14 International Business Machines Corporation Classifying land use using satellite temperature data

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130041631A1 (en) * 2011-08-08 2013-02-14 Xerox Corporation Systems and methods for enhanced cellular automata algorithm for traffic flow modeling
CN106021751A (zh) * 2016-05-26 2016-10-12 上海海洋大学 基于ca和sar的海岸带土地利用变化模拟方法
CN106485017A (zh) * 2016-10-21 2017-03-08 重庆交通大学 一种基于CA‑Markov模型的土地利用时空变化模拟方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130041631A1 (en) * 2011-08-08 2013-02-14 Xerox Corporation Systems and methods for enhanced cellular automata algorithm for traffic flow modeling
CN106021751A (zh) * 2016-05-26 2016-10-12 上海海洋大学 基于ca和sar的海岸带土地利用变化模拟方法
CN106485017A (zh) * 2016-10-21 2017-03-08 重庆交通大学 一种基于CA‑Markov模型的土地利用时空变化模拟方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUECAO LI等: "A systematic sensitivity analysis of constrained cellular automata model for urban growth simulation based on different transition rules", 《INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE》 *
徐水师等: "《数字矿山新技术》", 31 December 2007, 中国矿业大学出版社 *
王洪礼等: "《赤潮生态动力学与预测》", 30 April 2006, 天津大学出版社 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376183A (zh) * 2017-12-29 2018-08-07 武汉大学 一种基于最大熵原理的城市ca模型构建方法
CN108376183B (zh) * 2017-12-29 2021-04-02 武汉大学 一种基于最大熵原理的城市ca模型构建方法
CN109508360A (zh) * 2018-11-07 2019-03-22 武汉大学 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
CN109508360B (zh) * 2018-11-07 2021-03-16 武汉大学 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
CN111381585B (zh) * 2018-12-11 2023-06-16 北京图森智途科技有限公司 一种构建占据栅格地图的方法及其装置、相关设备
CN111381585A (zh) * 2018-12-11 2020-07-07 北京图森智途科技有限公司 一种构建占据栅格地图的方法及其装置、相关设备
CN109815885A (zh) * 2019-01-21 2019-05-28 南京国准数据有限责任公司 基于modis卫星数据的gdp估算方法及装置
CN111949706A (zh) * 2020-08-03 2020-11-17 北京吉威空间信息股份有限公司 面向土地大数据分布式挖掘分析的存储方法
CN111949706B (zh) * 2020-08-03 2023-11-14 北京吉威空间信息股份有限公司 面向土地大数据分布式挖掘分析的存储方法
US11604305B2 (en) 2020-10-09 2023-03-14 International Business Machines Corporation Classifying land use using satellite temperature data
CN112287059A (zh) * 2020-11-05 2021-01-29 重庆市规划和自然资源信息中心 根据空间大数据获取土地利用变化的空间预测分析方法
CN112348266A (zh) * 2020-11-10 2021-02-09 深圳禾略贝塔信息科技有限公司 一种基于元胞自动机的人造地表变化趋势预测方法、装置、终端以及可读存储介质
CN113011720A (zh) * 2021-03-03 2021-06-22 东南大学 一种基于ca模型的增量递减的城镇开发边界划定方法

Similar Documents

Publication Publication Date Title
CN107194504A (zh) 土地使用状态的预测方法、装置和系统
Ruohomäki et al. Smart city platform enabling digital twin
Berling-Wolff et al. Modeling urban landscape dynamics: A review
Lin et al. Modeling urban vertical growth using cellular automata—Guangzhou as a case study
Vanegas et al. Interactive design of urban spaces using geometrical and behavioral modeling
CN109671003B (zh) 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
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
Dai et al. Agent-based model of land system: Theory, application and modelling framework
Molinero-Parejo et al. Combining a land parcel cellular automata (LP-CA) model with participatory approaches in the simulation of disruptive future scenarios of urban land use change
Al Qeisi et al. Generative Urban Design Concepts and Methods: A Research Review
Sun et al. The land-use evolution and impact assessment model: A comprehensive urban planning support system
Harmon et al. Beyond geomorphosites: trade-offs, optimization, and networking in heritage landscapes
Shariatpour et al. Urban 3D Modeling as a Precursor of City Information Modeling and Digital Twin for Smart City Era: A Case Study of the Narmak Neighborhood of Tehran City, Iran
Chakraborty et al. The pitfalls of regional delineations in land use modeling: Implications for Mumbai region and its planners
Abedini et al. Prediction of future urban growth scenarios using SLEUTH model (Case study: Urmia city, Iran)
Xiaoli et al. A spatial decision support system for land-use structure optimization
Kim et al. Spatial diffusion modeling of new residential area for land-use planning of rural villages
Brasebin et al. Stochastic buildings generation to assist in the design of right to build plans
CN113240219A (zh) 一种土地利用模拟及预测方法
Deal et al. A spatially explicit urban simulation model: land use evolution and impact assessment model (LEAM)
Cheng Significance of Digital Landscape Architecture
Demir et al. GIS-based procedural modeling in contemporary urban planning practice
Roumpani The Role of Procedural Cities in the Future of Planning: An Integrated Method
García-Álvarez et al. Setting up a Land Use Cover Change model application for Greater Sydney. Lessons learnt and challenges ahead
Diao et al. Development of a Waste-to-Energy Decision Support System (WTEDSS)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922