CN108985493A - 一种基于自适应可变滤镜的地类变化预测方法 - Google Patents
一种基于自适应可变滤镜的地类变化预测方法 Download PDFInfo
- Publication number
- CN108985493A CN108985493A CN201810649596.6A CN201810649596A CN108985493A CN 108985493 A CN108985493 A CN 108985493A CN 201810649596 A CN201810649596 A CN 201810649596A CN 108985493 A CN108985493 A CN 108985493A
- Authority
- CN
- China
- Prior art keywords
- land
- data
- filter
- classes
- self
- 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
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于自适应可变滤镜的地类变化预测方法属于土地利用预测领域；在本发明一种基于自适应可变滤镜的地类变化预测方法中，结合元胞自动机以及神经网络模型，建立一种自适应可变滤镜网络模型，针对特定大小区域内的土地类别数，创建多类数据集来训练不同参数的多个神经网络，可以成功预测未来土地变化的情况，这样就避免了训练单一网络时数据对网络权值的抵消，相比于传统的CA_Markov模型和CA_ANN模型，不仅总体精度提高了3％，各种地类转化精度提高了12.82％‑33.33％，模型训练时间也缩减了49.47％。
Description
技术领域
本发明一种基于自适应可变滤镜的地类变化预测方法属于土地利用预测领域。
背景技术
土地利用变化反映了经济社会发展对土地资源利用的影响，是环境变化以及可持续发展的重点研究内容，同时也是全球土地利用领域研究的难点；近年来，对土地利用变化情况进行预测成为了LUCC(land use/cover change)的主要研究方向，得到了公众广泛的关注；客观地、科学地分析土地利用的变化趋势，不仅可以使土地的开发和建设更具有科学性，对自然环境的改善和保护更加符合大自然的客观规律，也可以为经济的可持续发展提供建设性的意见和建议；近十多年来，借助于计算机、遥感和GIS技术，无论是从统计土地利用信息方法，还是对于遥感影像进一步的处理技术都得随着“重振东北老工业基地”政策的提出，哈尔滨作为省会城市，整体土地利用格局发生了显著的变化，探索其中的变化规律，对于东北地区的土地格局规划有着重要的参考意义。
发明内容
针对上述问题，本发明公开了一种现代农业监管分析系统，本发明选取哈尔滨香坊地区为研究区域，对卫星遥感图像解析出栅格数据，采用人工神经网络(artificialneural network,ANN)与元胞自动机(cellular automata,CA)耦合模型，并加入了自适应可变滤镜，相比传统CA_ANN模型，各地类预测精度提升了12.82％-33.33％，模型训练时间也缩短了49.47％。
本发明的目的是这样实现的：
一种基于自适应可变滤镜的地类变化预测方法，根据历史土地类别变化数据，预测若干年后土地类别分布包括以下步骤：
步骤a，将某一地区内等间隔年份，以2000年、2005年、2010年、2015年为例，的土地利用类型按照土地覆盖变化标准划分为耕地、林地、草地、城镇用地、农村居民点、其它建设用地和未利用地7类；
步骤b，将上述各年份该地区范围内所有的土地利用类型划分为7类后，对数据预处理操作，将该地区划分为由若干栅格组成，每一个栅格为长30m，宽30m的正方形，即为一个元胞，选取相邻的五行五列也就是，5×5，25个元胞大小的区域作为滤镜，用滤镜截取该区域内所有滤镜大小的范围，然后判断，每一个滤镜中的25个元胞内包含土地类型的类数，根据类数分别存入不同的数据集中作为训练数据集，将每一个元胞的土地类型表示方法为设定为“0-1“即：
耕地：1000000；
草地：0100000；
林地：0010000；
以此类推，这样编码的目的是为了区分各个地类；
每一个元胞编码都有7位，5×5大小的滤镜内所有元胞，就是5×5×7，即为175个，神经网络输入层神经元个数为175，设置隐藏层为16个，输出层7个，表示下一时刻5×5区域内中心位置进行土地类别的预测结果；
步骤c，将2000年数据输入，参考分析2005年数据，训练出初始网络模型，将所有训练数据都输入训练，上述训练不只训练一个模型，要根据滤镜内土地类别数，训练多个模型，如该地区所有滤镜范围内存在一类、二类、三类、四类，所述是一类、二类、三类、四类的类型是土地利用类型划分为7类后的前四种类型，将上述类别模型训练四个权重不同的模型；
步骤d，用2005数据作为输入，输出数据和2010比较分析，分别调整这多个网络模型的权重；
步骤e，用2010年数据作为输入，输出数据和2010年数据进行比较分析，再次调整网络权重，得出最后的网络模型；
步骤f，将2015年数据当作输入，使待预测数据自动适应网络模型，模型会自动计算待预测地区每一个滤镜下的5×5区域内土地类别数目，将其输入到对应的训练好的网络中，预测2020年的土地利用分布类型。
上述的一种基于自适应可变滤镜的地类变化预测方法，所述步骤b中，预处理操作包括以下步骤：
步骤a1，利用卫星进行遥感数据获取；
步骤b1，对利用卫星获取的遥感数据利用ENVI5.1进行数据的校正拼接；
步骤c1，对上述拼接数据进行ArcGIS10.2解析；
步骤d1，利用解析后数据按照LUCC标准对土地利用类别数目进行分类；
步骤e1，将2000-2015年土地预测区域所有5×5大小的区域内筛选出存在四种土地利用类别数目，分别是一类、二类、三类和四类，将四类数据分别对应存入数据集1、数据集2、数据集3、数据集4，建立好四个数据集作为训练样本；
步骤g1，分别取四个数据集五年后对应5×5区域内的中心位置数据作为目标样本，训练出四个参数各异的网络模型。
上述的一种基于自适应可变滤镜的地类变化预测方法，根据滤镜范围内土地类别数目，训练权重不同的网络，预测时滤镜内不同土地类别数目的数据输入到相对应的网络模型中预测，输出自适应分析结果。
上述的一种基于自适应可变滤镜的地类变化预测方法，将行政区域划分为多个矩形区域，所述步骤b、步骤c、步骤d和步骤f中数据采用所述矩形形状内包含的全部行政区域范围。
有益效果：
在本发明一种基于自适应可变滤镜的地类变化预测方法中，结合元胞自动机以及神经网络模型，建立一种自适应可变滤镜网络模型，针对特定大小区域内的土地类别数，创建多类数据集来训练不同参数的多个神经网络，可以成功预测未来土地变化的情况，这样就避免了训练单一网络时数据对网络权值的抵消，训练多个网络可以对各种不用土地类型分布地区的预测更有针对性，训练模型时不会受到其它不相关地类分布区域的影响，可以显著提升预测结果的精度，相比于训练单一模型，自适应可变滤镜方法可以减少“过学习”的现象，不需要对一个网络模型训练到很深的成度，这样就大大节省了模型训练时间，通过多次试验可以得出结果：相比于传统的CA_Markov模型和CA_ANN模型，不仅总体精度提高了3％，各种地类转化精度提高了12.82％-33.33％，模型训练时间也缩减了49.47％。
具体实施方式
下面对本发明具体实施方式作进一步详细描述。
具体实施例一
本实施例是一种基于自适应可变滤镜的地类变化预测方法的具体实施例。
一种基于自适应可变滤镜的地类变化预测方法，根据历史土地类别变化数据，预测若干年后土地类别分布包括以下步骤：
步骤a，将某一地区内等间隔年份，以2000年、2005年、2010年、2015年为例，的土地利用类型按照土地覆盖变化标准划分为耕地、林地、草地、城镇用地、农村居民点、其它建设用地和未利用地7类；
步骤b，将上述各年份该地区范围内所有的土地利用类型划分为7类后，对数据预处理操作，将该地区划分为由若干栅格组成，每一个栅格为长30m，宽30m的正方形，即为一个元胞，选取相邻的五行五列也就是，5×5，25个元胞大小的区域作为滤镜，用滤镜截取该区域内所有滤镜大小的范围，然后判断，每一个滤镜中的25个元胞内包含土地类型的类数，根据类数分别存入不同的数据集中作为训练数据集，将每一个元胞的土地类型表示方法为设定为“0-1“即：
耕地：1000000；
草地：0100000；
林地：0010000；
以此类推，这样编码的目的是为了区分各个地类；
每一个元胞编码都有7位，5×5大小的滤镜内所有元胞，就是5×5×7，即为175个，神经网络输入层神经元个数为175，设置隐藏层为16个，输出层7个，表示下一时刻5×5区域内中心位置进行土地类别的预测结果；
步骤c，将2000年数据输入，参考分析2005年数据，训练出初始网络模型，将所有训练数据都输入训练，上述训练不只训练一个模型，要根据滤镜内土地类别数，训练多个模型，如该地区所有滤镜范围内存在一类、二类、三类、四类，所述是一类、二类、三类、四类的类型是土地利用类型划分为7类后的前四种类型，将上述类别模型训练四个权重不同的模型；
步骤d，用2005数据作为输入，输出数据和2010比较分析，分别调整这多个网络模型的权重；
步骤e，用2010年数据作为输入，输出数据和2010年数据进行比较分析，再次调整网络权重，得出最后的网络模型；
步骤f，将2015年数据当作输入，使待预测数据自动适应网络模型，模型会自动计算待预测地区每一个滤镜下的5×5区域内土地类别数目，将其输入到对应的训练好的网络中，预测2020年的土地利用分布类型。
所述的一种基于自适应可变滤镜的地类变化预测方法，所述步骤b中，预处理操作包括以下步骤：
步骤a1，利用卫星进行遥感数据获取；
步骤b1，对利用卫星获取的遥感数据利用ENVI5.1进行数据的校正拼接；
步骤c1，对上述拼接数据进行ArcGIS10.2解析；
步骤d1，利用解析后数据按照LUCC标准对土地利用类别数目进行分类；
步骤e1，将2000-2015年土地预测区域所有5×5大小的区域内筛选出存在四种土地利用类别数目，分别是一类、二类、三类和四类，将四类数据分别对应存入数据集1、数据集2、数据集3、数据集4，建立好四个数据集作为训练样本；
步骤g1，分别取四个数据集五年后对应5×5区域内的中心位置数据作为目标样本，训练出四个参数各异的网络模型。
将2000年数据输入，参考分析2005年数据，训练出初始网络模型，将所有训练数据都输入训练，上述训练不只训练一个模型，要根据滤镜内土地类别数，训练多个模型，如该地区所有滤镜范围内存在一类、二类、三类、四类，所述是一类、二类、三类、四类的类型是土地利用类型划分为7类后的前四种类型，将上述类别模型训练四个权重不同的模型；这样不仅可以缩短训练时间，整体预测准确率有提升，还由于对不同分布类型的滤镜区域更有针对性，各地类单独的准确率也有明显提升。
将2015年数据当作输入，使待预测数据自动适应网络模型，模型会自动计算待预测地区每一个滤镜下的5×5区域内土地类别数目，将其输入到对应的训练好的网络中，预测2020年的土地利用分布类型；这样不仅预测速度快，相对于单一网络模型的结果，整体准确率和各类别的准确率都有很大提升。
所述的一种基于自适应可变滤镜的地类变化预测方法，根据滤镜范围内土地类别数目，训练权重不同的网络，预测时滤镜内不同土地类别数目的数据输入到相对应的网络模型中预测，输出自适应分析结果。
所述的一种基于自适应可变滤镜的地类变化预测方法，将行政区域划分为多个矩形区域，所述步骤b、步骤c、步骤d和步骤f中数据采用所述矩形形状内包含的全部行政区域范围。
这样可以消除边界数据由于数据量缺失带来的对准确率的影响，提高边界区域的预测准确率。
本发明综合比较了ANN、CA-ANN、CA-Markov以及自适应可变滤镜四种方法分别预测2015年哈尔滨市香坊地区的土地利用分布，如表1所示，结果皆为十次实验的平均值；将结果解译成图可以更加直观的比较四种模型的优势和劣势，实验使用的电脑处理器为 CoreTMi5-2410M CPU@2.30GHz，运行内存为6GB。
表1四种模型的预测结果
CA_Markov模型的预测精度相对较低，且出现了相当数量的错误预测；ANN模型训练时间最短，但存在不稳定的问题，实验过程中经常出现错判一整类地类的情况，这是因为没有考虑到元胞邻域的其他元胞对其变化产生的影响；CA_ANN模型和自适应可变滤镜模型总体准确率较高；表1数据显示，自适应可变滤镜模型的训练时间远远少于CA_ANN模型，平均时间由1291.77秒缩短到了652.72秒，本文提出的自适应可变滤镜的模型相比于其他三种模型，精度更高，模型训练所需时间也更少，可以作为香坊地区未来土地预测的模型。
混淆矩阵如表2和表3，可以很好的反映各地类的预测情况，横向代表2015年实际各地类的元胞数量，纵向代表模拟出的2015年各地类的元胞数量，以第4行城镇用地为例，2015年香坊地区共有17545个耕地类型元胞，CA_ANN模型预测正确了15957个，错误1588个，其中1476个被误判为耕地，112个被误判为农村居民点，而自适应可变滤镜模型预测正确16336个，误判为城镇和农村居民点的个数分别为1117和92个，显然自适应可变滤镜的预测效果要好于CA_ANN模型。
表2 2015年CA_ANN模型的混淆矩阵
表3 2015年自适应可变滤镜模型的混淆矩阵
另外，在短短五年的时间内，大部分的土地利用类型并没有发生改变，经过对预测结果的统计，一共有五种转化类型，表4列出了对于这五种类型，两个模型的预测精度，自适应可变滤镜的预测精度都要高于CA_ANN模型，可以用于区域土地利用类型的预测，接下来就使用这种模型对2020年的香坊地区土地利用分布进行预测。
表4各地类转化部分预测准确精度
本发明创新性的提出了“自适应可变滤镜”模型，并预测了哈尔滨香坊地区2020年的土地利用类型图，相比于传统神经网络预测地类变化，“自适应可变滤镜”模型按照每一块5×5区域内地类数量分别训练参数权值不同的神经网络。在进行预测时，程序会自动判断当前待预测区域应该输入到哪一种训练好的网络中，总体精度提升了3％，变化部分准确率有12.82％-33.33％的提升，模型训练时间也缩减了49.47％。
Claims (4)
1.一种基于自适应可变滤镜的地类变化预测方法，其特征在于，根据历史土地类别变化数据，预测若干年后土地类别分布包括以下步骤：
步骤a，将某一地区内等间隔年份，以2000年、2005年、2010年、2015年为例，的土地利用类型按照土地覆盖变化标准划分为耕地、林地、草地、城镇用地、农村居民点、其它建设用地和未利用地7类；
步骤b，将上述各年份该地区范围内所有的土地利用类型划分为7类后，对数据预处理操作，将该地区划分为由若干栅格组成，每一个栅格为长30m，宽30m的正方形，即为一个元胞，选取相邻的五行五列也就是，5×5，25个元胞大小的区域作为滤镜，用滤镜截取该区域内所有滤镜大小的范围，然后判断，每一个滤镜中的25个元胞内包含土地类型的类数，根据类数分别存入不同的数据集中作为训练数据集，将每一个元胞的土地类型表示方法为设定为“0-1“即：
耕地：1000000；
草地：0100000；
林地：0010000；
以此类推，这样编码的目的是为了区分各个地类；
每一个元胞编码都有7位，5×5大小的滤镜内所有元胞，就是5×5×7，即为175个，神经网络输入层神经元个数为175，设置隐藏层为16个，输出层7个，表示下一时刻5×5区域内中心位置进行土地类别的预测结果；
步骤c，将2000年数据输入，参考分析2005年数据，训练出初始网络模型，将所有训练数据都输入训练，上述训练不只训练一个模型，要根据滤镜内土地类别数，训练多个模型，该地区所有滤镜范围内存在一类、二类、三类、四类，所述是一类、二类、三类、四类的类型是土地利用类型划分为7类后的前四种类型，将上述类别模型训练四个权重不同的模型；
步骤d，用2005数据作为输入，输出数据和2010比较分析，分别调整这多个网络模型的权重；
步骤e，用2010年数据作为输入，输出数据和2010年数据进行比较分析，再次调整网络权重，得出最后的网络模型；
步骤f，将2015年数据当作输入，使待预测数据自动适应网络模型，模型会自动计算待预测地区每一个滤镜下的5×5区域内土地类别数目，将其输入到对应的训练好的网络中，预测2020年的土地利用分布类型。
2.根据权利要求1所述的一种基于自适应可变滤镜的地类变化预测方法，其特征在于，所述步骤b中，预处理操作包括以下步骤：
步骤a1，利用卫星进行遥感数据获取；
步骤b1，对利用卫星获取的遥感数据利用ENVI5.1进行数据的校正拼接；
步骤c1，对上述拼接数据进行ArcGIS10.2解析；
步骤d1，利用解析后数据按照LUCC标准对土地利用类别数目进行分类；
步骤e1，将2000-2015年土地预测区域所有5×5大小的区域内筛选出存在四种土地利用类别数目，分别是一类、二类、三类和四类，将四类数据分别对应存入数据集1、数据集2、数据集3、数据集4，建立好四个数据集作为训练样本；
步骤g1，分别取四个数据集五年后对应5×5区域内的中心位置数据作为目标样本，训练出四个参数各异的网络模型。
3.根据权利要求1所述的一种基于自适应可变滤镜的地类变化预测方法，其特征在于，根据滤镜范围内土地类别数目，训练权重不同的网络，预测时滤镜内不同土地类别数目的数据输入到相对应的网络模型中预测，输出自适应分析结果。
4.根据权利要求1所述的一种基于自适应可变滤镜的地类变化预测方法，其特征在于，将行政区域划分为多个矩形区域，所述步骤b、步骤c、步骤d和步骤f中数据采用所述矩形形状内包含的全部行政区域范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810649596.6A CN108985493A (zh) | 2018-06-22 | 2018-06-22 | 一种基于自适应可变滤镜的地类变化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810649596.6A CN108985493A (zh) | 2018-06-22 | 2018-06-22 | 一种基于自适应可变滤镜的地类变化预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108985493A true CN108985493A (zh) | 2018-12-11 |
Family
ID=64538009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810649596.6A Pending CN108985493A (zh) | 2018-06-22 | 2018-06-22 | 一种基于自适应可变滤镜的地类变化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985493A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111721711A (zh) * | 2020-06-17 | 2020-09-29 | 国家基础地理信息中心 | 耕地变化检测方法、装置、电子设备和存储介质 |
| CN111832518A (zh) * | 2020-07-22 | 2020-10-27 | 桂林电子科技大学 | 基于时空融合的tsa遥感影像土地利用方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622503A (zh) * | 2011-12-31 | 2012-08-01 | 武汉理工大学 | 城市土地利用变化模拟方法 |
| CN105447235A (zh) * | 2015-11-12 | 2016-03-30 | 中山大学 | 一种土地未来利用情景动态模拟方法 |
-
2018
- 2018-06-22 CN CN201810649596.6A patent/CN108985493A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622503A (zh) * | 2011-12-31 | 2012-08-01 | 武汉理工大学 | 城市土地利用变化模拟方法 |
| CN105447235A (zh) * | 2015-11-12 | 2016-03-30 | 中山大学 | 一种土地未来利用情景动态模拟方法 |
Non-Patent Citations (2)
| Title |
|---|
| YANG等: "The Simulation of Land Use and Land Change in Erhai Lake Basin Based on CA-Agent", 《INTERNATIONAL CONFERENCE ON GEOINFORMATICS, KAIFENG, CHN》 * |
| 井长青: "神经网络与元胞自动机在城市土地利用规划中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111721711A (zh) * | 2020-06-17 | 2020-09-29 | 国家基础地理信息中心 | 耕地变化检测方法、装置、电子设备和存储介质 |
| CN111832518A (zh) * | 2020-07-22 | 2020-10-27 | 桂林电子科技大学 | 基于时空融合的tsa遥感影像土地利用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata | |
| Pan et al. | The impact of variation in scale on the behavior of a cellular automata used for land use change modeling | |
| Matthews et al. | Changes in potential habitat of 147 North American breeding bird species in response to redistribution of trees and climate following predicted climate change | |
| Mason et al. | A guide for using functional diversity indices to reveal changes in assembly processes along ecological gradients | |
| Turner | A spatial simulation model of land use changes in a piedmont county in Georgia | |
| Xu et al. | Integrating the system dynamic and cellular automata models to predict land use and land cover change | |
| CN110991497B (zh) | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 | |
| CN106021751A (zh) | 基于ca和sar的海岸带土地利用变化模拟方法 | |
| CN112069573B (zh) | 一种基于元胞自动机的城市群空间模拟方法、系统及设备 | |
| CN112884226A (zh) | 基于多智能体算法的国土空间格局模拟规划方法及系统 | |
| CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
| CN106909899A (zh) | 一种湿地景观演变过程的分析方法及分析系统 | |
| Lu et al. | A vector-based Cellular Automata model for simulating urban land use change | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| Dai et al. | Agent-based model of land system: Theory, application and modelling framework | |
| Xu et al. | Land-use change modeling with cellular automata using land natural evolution unit | |
| CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
| CN108985493A (zh) | 一种基于自适应可变滤镜的地类变化预测方法 | |
| CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
| Nejadi et al. | Modeling Plausible Impacts of land use change on wildlife habitats, Application and validation: Lisar protected area, Iran | |
| Li et al. | Research on land‐use evolution and ecosystem services value response in mountainous counties based on the SD‐PLUS model | |
| Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
| CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
| Li | Monitoring and analysis of urban growth process using Remote Sensing, GIS and Cellular Automata modeling: A case study of Xuzhou city, China | |
| Subiyanto et al. | Modeling changes in land use using the integration of MLP-NN, CA-Markov models and GIS for settlement development in Tembalang District |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181211 |
|
| WD01 | Invention patent application deemed withdrawn after publication |