CN110222133A - 一种考虑景观指数的多类土地利用模拟预测方法及装置 - Google Patents

Abstract

本发明公开了一种考虑景观指数的多类土地利用模拟预测方法及装置，在一实施例中，所述方法利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则，其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值；根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。根据本发明实施例的教导，通过考虑景观指数的多类土地利用模型模拟预测土地利用动态过程，既能使得模拟预测结果与真实土地利用数据的景观格局差异达到最小，又能在一定程度上保证多类土地利用模型模拟预测结果的像元精度。

Description

一种考虑景观指数的多类土地利用模拟预测方法及装置

技术领域

本发明涉及地理信息科学技术领域，尤其涉及一种考虑景观指数的多类土地利用模拟预测方法及装置。

背景技术

土地利用的快速演变已在全球范围内造成一系列的社会和生态环境问题，对土地利用动态过程进行模拟和预测可以为区域规划和环境管理提供有价值的决策支持。

目前，多类土地利用模拟预测技术可以分为两大类型：

1.采用常规的统计学方法(如逻辑回归、多准则决策)获取CA模型的转换规则：

1)获取研究区域多年的土地利用分类数据以及影响土地利用变化的空间驱动因子(如交通网络、地形条件)；

2)从土地利用分类数据中随机采集一定比例的土地像元作为样本，每个样本均包含土地像元的土地利用变化情况以及各空间驱动因子数据值；

3)利用统计学方法根据上述所有样本计算土地利用变化与各空间驱动因子的参数，即为CA模型转换规则，并在转换规则的获取过程(即参数拟合过程)中只考虑模拟预测结果的像元精度值，因此每个土地像元的转换概率为

其中，γ是值在0到1之间的随机变量，α是控制随机程度的参数，z是空间驱动因子的综合影响程度，是像元邻域的发展强度，是值在0到1之间的总约束条件；

4)根据上述获取的模型转换规则模拟研究区域的多类土地利用动态过程，并计算模拟结果的像元精度值。

2.采用新兴的智能优化方法(如遗传算法、神经网络模型)获取CA模型的转换规则。

1)同样获取研究区域多年的土地利用分类数据以及影响土地利用变化的空间驱动因子；

2)从土地利用分类数据中随机采集一定比例的土地像元作为样本，每个样本均包含土地像元的土地利用变化情况以及各空间驱动因子数据值；

3)利用智能优化方法根据上述所有样本计算土地利用变化与各空间驱动因子的参数，即为CA模型转换规则，并在转换规则的获取过程(即参数拟合过程)中同样只考虑模拟预测结果的像元精度值；

4)根据获取的模型转换规则模拟研究区域的多类土地利用动态过程，并计算模拟结果的像元精度值。

虽然基于统计学方法和智能优化方法的多类CA模型模拟预测像元精度值越来越高，但是所得模拟预测结果与真实土地利用数据的景观格局仍然存在较大差异。通过计算多种不同类型的景观指数可以发现，现有技术模拟预测结果的景观指数值与真实值相差较大。如果在CA模型转换规则获取的过程中过分强调像元精度值，将会严重降低模型的泛化及预测能力。此外，以往采用景观指数评价土地利用模型的研究并未对景观指数的选取进行分析，即选取的景观指数取决于研究者的经验和偏好，主观性较强，从而也无法检验不同景观指数的具体效果。

发明内容

本发明实施例所要解决的技术问题在于，提供一种考虑景观指数的多类土地利用模拟预测方法及装置，通过考虑景观指数的多类土地利用模型模拟预测土地利用动态过程，既能使得模拟预测结果与真实土地利用数据的景观格局差异达到最小，又能在一定程度上保证多类土地利用模型模拟预测结果的像元精度。

为了解决上述技术问题，本发明实施例提供了一种考虑景观指数的多类土地利用模拟预测方法，包括：

利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则，其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值；

根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。

进一步地，所述目标函数由以下公式确定：

f(x)＝0.5×LE+0.5×OA；

其中，LE为景观格局相似度，由模拟预测结果的景观指数值与真实土地利用数据的景观指数值之差得出，OA为像元精度值，由模拟预测结果的像元位置与真实土地利用数据的像元位置之差得出。

进一步地，所述景观指数值为景观指数的标量数值，所述景观指数包括但不限于最大斑块指数、边缘密度、平均斑块面积、景观分割度和景观连结度。

进一步地，所述的考虑景观指数的多类土地利用模拟预测方法，还包括，将所述土地利用分类数据重采样至统一的500m空间分辨率，并将数据值均归一化到[0，1]的范围内。

相应地，本发明实施例还提供一种考虑景观指数的多类土地利用模拟预测装置，包括：

CA模型的转换规则获取单元，用于利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则，其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值；

模拟及预测单元，用于根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。

进一步地，所述目标函数由以下公式确定：

f(x)＝0.5×LE+0.5×OA；

其中，LE为景观格局相似度，由模拟预测结果的景观指数值与真实土地利用数据的景观指数值之差得出，OA为像元精度值，由模拟预测结果的像元位置与真实土地利用数据的像元位置之差得出。

进一步地，所述景观指数值为景观指数的标量数值，所述景观指数包括但不限于最大斑块指数、边缘密度、平均斑块面积、景观分割度和景观连结度。

进一步地，所述CA模型的转换规则获取单元，还用用于将所述土地利用分类数据重采样至统一的500m空间分辨率，并将数据值均归一化到[0，1]的范围内。

相应地，本发明实施例还提供一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的考虑景观指数的多类土地利用模拟预测方法。

相应地，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的考虑景观指数的多类土地利用模拟预测方法。

实施本发明实施例，具有如下有益效果：

本发明提供的一种考虑景观指数的多类土地利用模拟预测方法及装置，在一实施例中，所述方法利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则，其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值；根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。根据本发明实施例的教导，通过考虑景观指数的多类土地利用模型模拟预测土地利用动态过程，既能使得模拟预测结果与真实土地利用数据的景观格局差异达到最小，又能在一定程度上保证多类土地利用模型模拟预测结果的像元精度。

附图说明

图1是本发明实施例提供的考虑景观指数的多类土地利用模拟预测方法的流程示意图；

图2是本发明实施例提供的考虑景观指数的多类土地利用模拟预测方法的另一流程示意图；

图3是本发明实施例提供的多类土地利用模拟预测所用的空间数据示意图；

图4是本发明实施例提供的利用各类CA模型模拟广州市2000-2005年土地利用结果对比示意图；

图5是本发明实施例提供的利用各类CA模型预测广州市2005-2010年土地利用结果对比示意图；

图6是本发明实施例提供的考虑景观指数的多类土地利用模拟预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

需要说明的是，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

参见图1-2，本发明一实施例中的考虑景观指数的多类土地利用模拟预测方法，包括以下步骤：

S101、利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则。其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值。

CA(Cellular automata，元胞自动机)是一种最为常用且有效的土地利用模拟模型。CA是时间、空间、状态都离散，空间相互作用和时间因果关系都为局部的网格动力学模型，具有模拟复杂系统时空演变过程的能力。CA包括四个基本要素：元胞、元胞状态、元胞邻域以及模型转换规则，其中转换规则决定元胞状态的变化。CA看似简单的规则能产生非常复杂的结构，许多地理现象包括土地利用变化都属于复杂系统，无法利用简单的数学公式来对它们进行表达和模拟，而CA能有效地模拟复杂地理现象。

在具体的实施例当中，以广州市的多类土地利用模拟预测为例。首先获取三个年份(2000、2005、2010年)的研究区域土地利用分类数据，其中包含六种土地利用类型：农田、林地、草地、水体、建设用地以及未利用地。通过2000年至2005年的土地利用动态过程获取CA模型的转换规则，并根据2005年至2010年的土地利用动态过程进行模型的检验。然后获取影响土地利用的空间驱动因子。其中，共选取距市中心距离、距区中心距离、距地铁站距离、距高速公路距离、距普通道路距离、坡度这六个关键要素作为空间驱动因子。

在一优选实施例当中，所述的考虑景观指数的多类土地利用模拟预测方法，还包括，将所述土地利用分类数据重采样至统一的500m空间分辨率，并将数据值均归一化到[0，1]的范围内，如图3所示。

在本实施例中，所述目标函数由以下公式确定：

f(x)＝0.5×LE+0.5×OA；

其中，LE为景观格局相似度，由模拟预测结果的景观指数值与真实土地利用数据的景观指数值之差得出，OA为像元精度值，由模拟预测结果的像元位置与真实土地利用数据的像元位置之差得出。

其中，所述景观指数值为景观指数的标量数值，所述景观指数包括但不限于最大斑块指数、边缘密度、平均斑块面积、景观分割度和景观连结度。

遗传算法由John Holland首次提出，主要基于达尔文的“自然选择”和“适者生存”理论，非常适合用于解决各学科的复杂优化问题。该算法是一种全局性概率搜索算法，首先随机产生一定数量的染色体个体(初始解)，接着通过反复迭代的选择、交叉和变异操作改善当前解，直至搜寻到满意的解为止。在智能优化方法中，迭代运算过程借鉴了与生物界相似的进化机制，从一组解出发，通过类似于有性繁殖和自然选择的方式实现优胜劣汰，在遗传已有优良基因的基础上，生成具有更好性能指标的下一代解的群体。

因此，在具体的实施例当中，在确定遗传算法的目标函数

f(x)＝0.5×LE+0.5×OA

之后，每组候选的土地利用变化与各空间驱动因子的参数值都会被编码成为一个染色体个体。随机生成一百个染色体个体(即随机生成一百组参数值)，通过遗传算法不断迭代的选择、交叉、变异过程逐步优化得出最佳的参数值。在每一次迭代过程中，首先从上一代个体里选择染色体繁殖生成下一代，每条染色体被选中的概率与其自身的目标函数值成正比。同时采取精英保留策略，保证每一代最优的染色体都会保留到下一代。

S102、根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。

在具体的实施例当中，以广州市为研究区域。利用获取的最佳CA模型转换规则计算每个土地像元的土地利用转换概率，以此模拟研究区域2000年至2005年多类土地利用动态过程。为了与该模型的结果进行对比分析，本实施例还采取以往研究普遍使用的基于逻辑回归方程和基于神经网络模型的多类CA模型，即在转换规则获取过程中只考虑像元精度值的CA模型，对比结果如图4所示。

从中可以发现，本实施例中考虑景观指数的CA模型模拟效果最好，其景观格局与真实土地利用数据最为接近。为了进一步定量检验本实施例的效果，还选取未参与模型转换规则获取的景观指数进行评价，这些景观指数包括：周长-面积分形维度、破碎度指数、有效网格大小、聚类指数、景观形状指数、聚集度指数、散步并列指数、相似临近百分比。定量对比结果表明，本实施例提出的考虑景观指数的CA模型模拟结果的平均误差值(即目标函数)为0.5324，而基于逻辑回归方程和基于神经网络模型的模拟结果平均误差值分别高达0.6267和0.5723。

优选地，为了检验本实施例所提出模型的预测及泛化能力，利用获取的最佳CA模型转换规则计算每个土地像元的土地利用转换概率，以此预测研究区域2005年至2010年多类土地利用动态过程。为了与该模型的结果进行对比分析，本实施例还采取以往研究普遍使用的基于逻辑回归方程和基于神经网络模型的多类CA模型，对比结果如图5所示。

从中可以发现，本实施例提出的考虑景观指数的CA模型预测效果依然最好，其景观格局与真实土地利用数据最为接近。此外定量评价结果表明，本实施例预测结果的平均误差值(即目标函数)为0.5421，而基于逻辑回归方程和基于神经网络模型的预测结果平均误差值分别高达0.6729和0.6561。

根据上述实施例的教导，通过考虑景观指数的多类土地利用模型模拟预测土地利用动态过程，既能使得模拟预测结果与真实土地利用数据的景观格局差异达到最小，又能在一定程度上保证多类土地利用模型模拟预测结果的像元精度。此外，由于土地利用的景观格局会影响区域碳排放、地表温度、环境管理等，因此本发明实施例的模拟预测结果可以为各类区域规划提供更有价值的决策支持和实践指导。上述优点是因为本发明实施例在多类土地利用模型的转换规则获取过程中合理有效地对景观格局相似度和像元精度值做出权衡。

相应地，请参阅图6，本发明实施例还提供一种考虑景观指数的多类土地利用模拟预测装置，包括：

CA模型的转换规则获取单元21，用于利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则。其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值。

在具体的实施例当中，以广州市的多类土地利用模拟预测为例。首先获取三个年份(2000、2005、2010年)的研究区域土地利用分类数据，其中包含六种土地利用类型：农田、林地、草地、水体、建设用地以及未利用地。通过2000年至2005年的土地利用动态过程获取CA模型的转换规则，并根据2005年至2010年的土地利用动态过程进行模型的检验。然后获取影响土地利用的空间驱动因子。其中，共选取距市中心距离、距区中心距离、距地铁站距离、距高速公路距离、距普通道路距离、坡度这六个关键要素作为空间驱动因子。

在一优选实施例当中，所述CA模型的转换规则获取单元21，还用于将所述土地利用分类数据重采样至统一的500m空间分辨率，并将数据值均归一化到[0，1]的范围内。如图3所示。

在本实施例中，所述目标函数由以下公式确定：

f(x)＝0.5×LE+0.5×OA；

其中，LE为景观格局相似度，由模拟预测结果的景观指数值与真实土地利用数据的景观指数值之差得出，OA为像元精度值，由模拟预测结果的像元位置与真实土地利用数据的像元位置之差得出。

其中，所述景观指数值为景观指数的标量数值，所述景观指数包括但不限于最大斑块指数、边缘密度、平均斑块面积、景观分割度和景观连结度。

遗传算法由John Holland首次提出，主要基于达尔文的“自然选择”和“适者生存”理论，非常适合用于解决各学科的复杂优化问题。该算法是一种全局性概率搜索算法，首先随机产生一定数量的染色体个体(初始解)，接着通过反复迭代的选择、交叉和变异操作改善当前解，直至搜寻到满意的解为止。在智能优化方法中，迭代运算过程借鉴了与生物界相似的进化机制，从一组解出发，通过类似于有性繁殖和自然选择的方式实现优胜劣汰，在遗传已有优良基因的基础上，生成具有更好性能指标的下一代解的群体。

因此，在具体的实施例当中，在确定遗传算法的目标函数

f(x)＝0.5×LE+0.5×OA

之后，每组候选的土地利用变化与各空间驱动因子的参数值都会被编码成为一个染色体个体。随机生成一百个染色体个体(即随机生成一百组参数值)，通过遗传算法不断迭代的选择、交叉、变异过程逐步优化得出最佳的参数值。在每一次迭代过程中，首先从上一代个体里选择染色体繁殖生成下一代，每条染色体被选中的概率与其自身的目标函数值成正比。同时采取精英保留策略，保证每一代最优的染色体都会保留到下一代。

模拟及预测单元22，用于根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。

在具体的实施例当中，以广州市为研究区域。利用获取的最佳CA模型转换规则计算每个土地像元的土地利用转换概率，以此模拟研究区域2000年至2005年多类土地利用动态过程。为了与该模型的结果进行对比分析，本实施例还采取以往研究普遍使用的基于逻辑回归方程和基于神经网络模型的多类CA模型，即在转换规则获取过程中只考虑像元精度值的CA模型，对比结果如图4所示。

从中可以发现，本实施例中考虑景观指数的CA模型模拟效果最好，其景观格局与真实土地利用数据最为接近。为了进一步定量检验本实施例的效果，还选取未参与模型转换规则获取的景观指数进行评价，这些景观指数包括：周长-面积分形维度、破碎度指数、有效网格大小、聚类指数、景观形状指数、聚集度指数、散步并列指数、相似临近百分比。定量对比结果表明，本实施例提出的考虑景观指数的CA模型模拟结果的平均误差值(即目标函数)为0.5324，而基于逻辑回归方程和基于神经网络模型的模拟结果平均误差值分别高达0.6267和0.5723。

优选地，为了检验本实施例所提出模型的预测及泛化能力，利用获取的最佳CA模型转换规则计算每个土地像元的土地利用转换概率，以此预测研究区域2005年至2010年多类土地利用动态过程。为了与该模型的结果进行对比分析，本实施例还采取以往研究普遍使用的基于逻辑回归方程和基于神经网络模型的多类CA模型，对比结果如图5所示。

从中可以发现，本实施例提出的考虑景观指数的CA模型预测效果依然最好，其景观格局与真实土地利用数据最为接近。此外定量评价结果表明，本实施例预测结果的平均误差值(即目标函数)为0.5421，而基于逻辑回归方程和基于神经网络模型的预测结果平均误差值分别高达0.6729和0.6561。

根据上述实施例的教导，通过考虑景观指数的多类土地利用模型模拟预测土地利用动态过程，既能使得模拟预测结果与真实土地利用数据的景观格局差异达到最小，又能在一定程度上保证多类土地利用模型模拟预测结果的像元精度。此外，由于土地利用的景观格局会影响区域碳排放、地表温度、环境管理等，因此本发明实施例的模拟预测结果可以为各类区域规划提供更有价值的决策支持和实践指导。上述优点是因为本发明实施例在多类土地利用模型的转换规则获取过程中合理有效地对景观格局相似度和像元精度值做出权衡。

相应地，本发明实施例还提供一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的考虑景观指数的多类土地利用模拟预测方法。

相应地，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的考虑景观指数的多类土地利用模拟预测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种考虑景观指数的多类土地利用模拟预测方法，其特征在于，包括：

利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则，其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值；

根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。

2.如权利要求1所述的考虑景观指数的多类土地利用模拟预测方法，其特征在于，所述目标函数由以下公式确定：

f(x)＝0.5×LE+0.5×OA；

其中，LE为景观格局相似度，由模拟预测结果的景观指数值与真实土地利用数据的景观指数值之差得出，OA为像元精度值，由模拟预测结果的像元位置与真实土地利用数据的像元位置之差得出。

3.如权利要求2所述的考虑景观指数的多类土地利用模拟预测方法，其特征在于，所述景观指数值为景观指数的标量数值，所述景观指数包括最大斑块指数、边缘密度、平均斑块面积、景观分割度和景观连结度。

4.如权利要求1所述的考虑景观指数的多类土地利用模拟预测方法，其特征在于，还包括，将所述土地利用分类数据重采样至统一的500m空间分辨率，并将数据值均归一化到[0，1]的范围内。

5.一种考虑景观指数的多类土地利用模拟预测装置，其特征在于，包括：

CA模型的转换规则获取单元，用于利用遗传算法从研究区域多年的土地利用分类数据中获取CA模型的转换规则，其中，所述遗传算法的目标函数能够同时体现景观格局相似度和像元精度值；

模拟及预测单元，用于根据所述转换规则计算每个土地像元的土地利用转换概率，以此模拟及预测研究区域的多类土地利用动态过程。

6.如权利要求5所述的考虑景观指数的多类土地利用模拟预测装置，其特征在于，所述目标函数由以下公式确定：

f(x)＝0.5×LE+0.5×OA；

其中，LE为景观格局相似度，由模拟预测结果的景观指数值与真实土地利用数据的景观指数值之差得出，OA为像元精度值，由模拟预测结果的像元位置与真实土地利用数据的像元位置之差得出。

7.如权利要求6所述的考虑景观指数的多类土地利用模拟预测装置，其特征在于，所述景观指数值为景观指数的标量数值，所述景观指数包括最大斑块指数、边缘密度、平均斑块面积、景观分割度和景观连结度。

8.如权利要求5所述的考虑景观指数的多类土地利用模拟预测装置，其特征在于，所述CA模型的转换规则获取单元，还用于将所述重采样至统一的500m空间分辨率，并将数据值均归一化到[0，1]的范围内。

9.一种服务器，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一项所述的考虑景观指数的多类土地利用模拟预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任一项所述的考虑景观指数的多类土地利用模拟预测方法。