CN110263111A - 基于先验知识的土地利用/覆被信息时空监测方法 - Google Patents
基于先验知识的土地利用/覆被信息时空监测方法 Download PDFInfo
- Publication number
- CN110263111A CN110263111A CN201910469835.4A CN201910469835A CN110263111A CN 110263111 A CN110263111 A CN 110263111A CN 201910469835 A CN201910469835 A CN 201910469835A CN 110263111 A CN110263111 A CN 110263111A
- Authority
- CN
- China
- Prior art keywords
- cover
- land use
- data
- land
- priori knowledge
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 147
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000013439 planning Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 230000007774 longterm Effects 0.000 claims abstract description 13
- 230000008901 benefit Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 48
- 238000011835 investigation Methods 0.000 claims description 40
- 239000002689 soil Substances 0.000 claims description 36
- 230000001413 cellular effect Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000011161 development Methods 0.000 claims description 27
- 230000018109 developmental process Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000011426 transformation method Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 239000013074 reference sample Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 238000013506 data mapping Methods 0.000 claims description 2
- 238000012946 outsourcing Methods 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000019771 cognition Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 98
- 238000011160 research Methods 0.000 description 17
- 238000013507 mapping Methods 0.000 description 5
- 238000013456 study Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 231100001263 laboratory chemical safety summary Toxicity 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于先验知识的土地利用/覆被信息时空监测方法与技术，具体步骤包括：多源土地利用/覆被数据的几何配准；多源土地利用/覆被数据的尺度转换；多源土地利用/覆被数据的数据转换；基于多源土地利用/覆被的先验知识提取；基于先验知识的土地利用/覆被信息提取；长时间序列土地利用/覆被空间监测；土地利用/覆被信息时空模拟与预测。优点：1）挖掘和利用国内外已有的土地利用/覆被产品和成果，有效地实现土地利用/覆被信息的快速提取。2）有效实现土地利用/覆被的模拟和预测，为科学监测与空间认知提供技术支撑；3）为全球城镇规划、人居环境质量监测和生态环境保护提供评估方法和决策支持。
Description
技术领域
本发明涉及的是一种基于先验知识的土地利用/覆被信息时空监测方法，属于环境监测与保护技术领域。
背景技术
土地利用/土地覆盖变化（Land Use/ Cover Change，LUCC）真实地再现了地表景观的时空动态变化过程，是人类社会经济活动与自然环境相互作用最直观的表现形式，其空间格局表征了人-地关系在不同空间和时间尺度上的作用强度与作用模式，反映了生态环境结构、格局和功能的变化，影响着生态环境的阈值和服务功能输出类型。土地利用/覆盖对维持生态系统服务功能起着决定性的作用，它客观地记录了地球表面空间格局特征的变化过程，真实地再现了地球表面景观的时空动态变化，而且时空变化特征与生物圈-大气交互作用、全球气候变化、地球化学循环、生物多样性、生态环境演变以及资源的可持续发展等有着密切的关系。生态环境要素的物理化学性状与物质能量循环通常因受到不同土地利用方式和景观格局的影响而存在着很大的差异性，并最终引起生态环境结构和功能的复杂性和抗干扰能力的演变。因此，土地利用/覆被时空演变研究对于生态环境质量监测有着重要的研究价值和理论意义。
土地利用/覆被变化是全球变化、地球系统科学和区域可持续发展中自然与人文过程交叉最为密切的问题，是自然和社会科学综合研究的切入点。国际地圈与生物圈计划（IGBP）、全球变化人文因素计划（IHDP）、全球土地计划（GLP）等均将土地利用/覆被变化作为全球变化研究的前沿问题和热点课题。目前，国际上有多种不同尺度的土地利用/覆被数据集，如美国马里兰大学的全球土地覆盖数据集Umd（空间分辨率为1km、8km和1deg），美国地质调查局（USGS）的全球土地覆盖数据集IGBP-Discover（空间分辨率为1km），欧盟研究中心空间应用研究所的全球土地覆盖数据集GLC2000，美国NASA的土地覆盖数据产品MOD12（空间分辨率分别为500m、0.05deg、1km），欧洲航天局（ESA）的全球陆地覆盖数据GlobCover（空间分辨率为300m），中国清华大学的全球30m土地覆盖数据集FROM-GLC，以及世界局部区域土地利用覆盖数据集，等。上述数据在城市规划、生态环境保护和全球变化等相关领域研究中提供了有价值的科学信息，得到了广泛应用。
在1984年和2007年，中国相继开展了第一次和第二次全国土地调查，积累了丰富的土地利用/覆被信息，为中国城镇建设、土地集约化利用、坚守耕地红线等提供了监测与评估的数据基础和决策依据。快速的经济发展导致土地利用/覆被发生了巨大的变化，已有的土地利用数据不能够满足当前经济社会发展、土地宏观调控和国土资源管理的需要。现有土地调查技术虽采用了当前科学的技术手段和工作方法，但在耕地调查、城乡一体化数据处理、数据建库和土地评估等方面依然存在着大量科学问题值得进一步深入研究。
土地利用/覆被的快速调查、更新与监测仅仅是土地利用/覆被研究中的关键步骤，其涉及大量的科学问题有待解决，其最终所提供的数据产品也将影响后期的应用与决策。目前，土地利用/覆被的调查与监测中存在的问题有：土地利用/覆被信息提取的分类标准、空间尺度和空间坐标框架；多源异构数据的交换标准、交互模式和互操作；多源异构数据转换与融合；空间数据采集（传统的测绘采集、遥感数据解译、无人机调查等）与空间分析的不确定性；土地利用/覆被调查空间数据库构建与管理；土地利用/覆被调查地图制图与展示；等。因此，在土地利用/覆被调查与监测过程中，相关科学问题的真正解决才能够有效地推动该项工作的顺利开展，也才能够更好地服务于后续土地利用的综合评价（如可持续性评价、生态安全性评价、集约性评价和多功能性评价等）、应用（如土地规划与设计、土地整理、土地资源开发与利用等）和决策（如土地利用区划与分区、土地经营与流转、新型城镇化建设与布局等）。
随着空间信息技术、“互联网+”技术、云计算技术等的快速发展，土地利用/覆被调查与监测的技术与方法日趋完善，其成果呈现出多样性，监测体系呈现出层次性，技术手段呈现出综合性，土地利用/覆被时空信息的获取与处理也将能够得到快速更新、细化和完善。在相关“空间+信息+共享+”技术成熟的基础上，根据国家社会经济发展需要，根据《中华人民共和国土地管理法》、《土地调查条例》有关规定，中国国务院决定自2017年起开展第三次全国土地调查，以期实现成果信息化管理与共享，满足生态文明建设、空间规划编制、供给侧结构性改革、宏观调控、自然资源管理体制改革和统一确权登记、国土空间用途管制等各项工作的需要。作为土地调查的关键环节，土地利用/覆被调查与监测的技术与方法研究，其相关技术的突破和创新，将更加有利于推动第三次土地调查的相关工作，更加有利于精准、科学地摸清国情国力，提高国家土地资源信息化、便捷化和精准化水平，同时也能将空间信息技术在国家土地利用与规划、生态环境保护和人居环境建设等得到进一步拓展和深化。
发明内容
本发明提出的是一种基于先验知识的土地利用/覆被信息时空监测方法与技术，充分利用当前土地利用/覆被信息、中国已有的调查成果和相关土地规划与登记信息，开展多源土地利用/覆被数据的空间配准、尺度转换和数据格式转换等研究；结合遥感数据的时空特征与光谱特征，挖掘土地利用/覆被的先验知识，采用“面向对象+专家知识库”的方法开展长时间序列土地利用/覆被信息提取研究，完成中国土地利用/覆被的时空调查、精准监测与科学认知；基于系统动力学模型来分析和模拟中国土地利用/覆被时空变化的驱动因素及其时空异质性，揭示不同情景下土地利用/覆被变化特征，为土地资源开发与利用、生态环境规划与建设和新型城镇化建设等提供理论基础和科学支撑。
本发明的技术解决方案：基于先验知识的土地利用/覆被信息时空监测方法，包括如下步骤：
（1）多源土地利用/覆被数据的几何配准；
（2）多源土地利用/覆被数据的尺度转换；
（3）多源土地利用/覆被数据的数据转换；
（4）基于多源土地利用/覆被的先验知识提取；
（5）基于先验知识的土地利用/覆被信息提取；
（6）长时间序列土地利用/覆被空间监测；
（7）土地利用/覆被信息时空模拟与预测。
所述步骤（1）多源土地利用/覆被数据的几何配准，包括以下方法：
1）根据《国土资源数据2000国家大地坐标系转换技术要求》，大地坐标系采用CGCS2000坐标框架和1985国家高程基准，平面坐标投影采用高斯—克吕格投影3°，将高斯—克吕格平面投影转换为大地坐标，重新生成2000国家大地坐标系方里网，计算坐标改正量，按照双线性内插方法逐点完成国家大地坐标的转换，继而转换为CGCS2000坐标系下的高斯—克吕格平面投影；若上述数据中的投影为北京54坐标系，则首先计算1954年北京坐标系至1980西安坐标系转换改正量，继而计算1980西安坐标系向2000国家大地坐标系转换改正量，将两改正量叠加形成1954年北京坐标系向2000国家大地坐标系转换改正量，对于栅格数据而言，转换坐标后，需修改其头文件坐标；若获取的遥感数据为原始影像，则可根据带有2000国家大地坐标系的标准地形图和地图参数完成中国第三次调查参考数据的几何配准；
其中，1980西安坐标系与2000国家大地坐标改正量计算方法为：
上式中，(B,L)为大地坐标系坐标，和分别为IAG75椭球与CGCS2000大地坐标系椭球长半轴半径和第一偏心率平方之差，，。
双线性内插方法可表示为：
上式中，(x,y,Z(x,y))为待定点的三维坐标，(x 1,y 1,Z(x 1,y 1))和(x 2,y 2,Z(x 2,y 2))分别为已知点的三维坐标。
2）已有的中国第一次土地调查数据、第二次土地调查数据、地理底图数据和国际中/小尺度土地调查参考数据等其他相关数据也基于上述坐标转换方法进行转换；
3）以已完成坐标转换的土地调查参考数据和地图数据为基准数据，根据国际已有土地利用/覆被产品的投影信息对其进行归类，分别对各个数据进行捆绑处理，通过提取不同土地利用/覆被产品中与基准数据相匹配的特征点，计算各个特征点残差值，利用控制残差值来剔除误差较大的特征点，进而基于双线性内插方法完成不同土地利用/覆被产品向2000国家大地坐标系的转换；
4）首先，利用梯度交叉算法的小波变换方法分别提取出土地利用/覆被产品与参考基准数据的空间域和频率域，获取二者梯度交叉变化中的最大值和最小值，即栅格数据的特征点；其次，对比分析土地利用/覆被产品中的特征点和基准数据中的特征点，进行初步几何匹配；最后，采用八邻域算法对土地利用/覆被产品中的特征点所选取的位置进行优化，根据特征点残差值进行剔除，进而利用双线性内插方法进行几何配准，实现土地利用/覆被产品向基准数据的坐标转换。
其中，小波变化方法可表示为：
上式中，为二维小波母函数，，且；b为平移参数，对应于时空信息。在提取空间域和频率域的最大值和最小值时，分别计算二者梯度变化，进而利用二者梯度拐点信息，获取特征点。在匹配过程中，利用八邻域算法来搜索特征点的空间位置，比较分析不同土地利用产品特征点间位置的残差值，确定最佳特征位置。
所述步骤（2）多源土地利用/覆被数据的尺度转换，包括以下方法：
1）以30×30m的空间分辨率为尺度转换基准，将不同时期、不同尺度的土地利用/覆被数据产品按时间序列来进行空间叠加处理，利用矢量夹角法来探测不同时期数据产品的变化特征，从空间上将不同土地利用类型进行分块、分区升/降尺度转换；
矢量夹角可表示为：
上式中，x、y分别为土地利用覆被产品的二维坐标位置；z为土地利用/覆被产品的属性值；，则表示土地利用/覆被类型未发生改变；，则表示土地利用/覆被类型发生改变，进而根据土地利用覆被阈值范围判定土地利用/覆被变化状况，开展分区、分块数据管理。
2）所述矢量夹角法是通过构建空间矢量矩阵，设置相应的矢量角度阈值，探测不同土地利用/覆被产品的时空差异性，为尺度转换的分区、分块提供目标区域；当矢量角度值高于阈值时，则反映相应区域的土地利用/覆被状况长期发生了明显变化，反之当矢量角度值低于阈值时，即相应区域的土地利用/覆被状况长期未发生了明显变化；
利用上述特征将土地利用/覆被产品划分为变化图斑和未变化图斑，针对未变化的图斑，采用计算量小、效率高的算法如最邻近法、双线性插值法和非线性回归模型进行尺度升/降转换，针对发生变化的图斑，采用多维交叉模型来实现不同土地利用/覆被产品的尺度转换和数据修正；
其中：多维交叉模型可拆分成两部分，即：利用空间重采样的方式使土地利用/覆被产品转换为目标尺度的土地利用/覆被产品；利用矢量夹角方法分析时间序列土地利用/覆被产品特定空间位置下相应类型发生变化的异常属性值（其产生可能由于信息提取精度等方面因素影响），则需对异常属性值进行线性拟合，即：
上式中，为异常属性拟合值；为土地利用/覆被类型置信值，其可根据土地利用/覆被产品类型代码的概率可信度来取值；b为矢量三维坐标截距。
3）在尺度转换过程中，从二维空间出发，利用基于面向对象的尺度转换方法如小波分析法和分形方法对不同时期的土地利用/覆被产品进行尺度转换；从时间维度出发，根据不同时期数据产品的可持续性，以区域起始和最新土地利用/覆被产品为时间节点，参照信息精度相对较高的土地利用/覆被产品为信息参考，采用线性插值法、最临近法和平滑法来降低不同数据产品在尺度转换中所产生的信息缺失或误差，以保证同一区域土地利用/覆被信息变化的连续性。
所述步骤（3）多源土地利用/覆被数据的数据转换，包括以下方法：
1）采用《生态十年环境监测土地覆盖分类系统》作为土地利用/覆被产品数据转换的参考系统或过渡系统，建立其他土地利用/覆被产品的分类系统与《生态十年环境监测土地覆盖分类系统》间的土地利用/覆被信息代码查找表，建立原始数据产品分类系统与目标数据产品分类系统间的映射对应关系；
2）将各土地利用/覆被代码分别重新定义为101,102，……，138等带有序列的数字作为中间替代代码，构建时空数据语义转换通道，对土地利用/覆被要素图斑进行制图综合操作，完成不同时期和形式土地利用/覆被数据产品的重构。
所述步骤（4）基于多源土地利用/覆被的先验知识提取，包括以下方法：
利用矢量夹角法对土地利用/覆被产品的叠加数据结果进行探测，提取出典型特征图斑，即未发生变化图斑和发生变化图斑，通过相关方法挖掘和提取先验知识，且引入累积百分位（Cumulative Percent）的计算方法来控制先验知识的置信度；
获取典型特征图斑后，分析不同时期、不同阶段土地利用/覆被类型的时空变化特征，区分人为因素和自然因素对土地利用/覆被变化的影响，提取出相对稳定和变化剧烈的土地利用/覆被类型区域作为备选先验知识区域，进而基于尺度最优算法如均值方差法、质心法对先验知识区域进行选择，利用百分位法如累积百分位达95%，对先验知识区域做进一步筛选，完成先验知识区域的提取和定义；
先验知识区域获取后，转换成矢量图层，可叠加至新一期遥感影像上，提取出不同土地利用/覆被类型所呈现出的图像特征，实现先验知识的自动提取，从而为土地利用/覆被遥感信息提取提供参考样本数据。
所述步骤（5）基于先验知识的土地利用/覆被信息提取，包括以下方法：
1）通过与多源遥感影像的空间叠加，初步获取土地利用/覆被信息提取的先验知识，利用信息熵模型、标准差值和相似度方法对先验知识作分析、推理和判断，获取不同尺度、多源遥感影像上的有效先验知识，对在多源遥感影像上所获取的先验知识区域及先验知识进行分层、分区管理，构建针对多源遥感影像解译专家知识库；若针对GoogleEarth和“天地图”系统中的多源遥感数据，利用先验知识区域通过叠加处理和规则判别来提取先验知识，基于光谱异质度和纹理异质度对先验知识进行评估和筛选，获取加权异质性相对较小的先验知识数据集合，形成特定影像解译专家知识库，实现专家知识库的实时更新和优化，以更好地为土地利用/覆被信息提取作决策支持。
其中，光谱异质度可表示为：
纹理异质度可表示为：
上式中，分别为合并前相邻对象像元灰度的标准差和合并后新对象像元灰度标准差；和分别为相邻对象像元数量；为遥感数据c波段的权重；和分别为影像对象的紧致度和光滑度，二者之和为1；、和分别为对象合并前后的实际边界；、和分别为合并前后对象的最小外包矩形边界。
2）为保证先验知识区域空间分布的均匀性，根据单景遥感影像的空间范围，将其划分为规则格网，根据先验知识中心点位置，来判断先验知识区域的空间分布密度，然后基于专家知识库决策支持下的面向对象信息提取方法来完成土地利用/覆被信息提取；
3）采用改进的支持向量机方法，结合先验知识，设置图像分割的阈值范围，重复迭代比较图像分割结果与专家知识库中对象的光谱异质度和纹理异质度的差异，经过多次循环迭代运算，使二者的异质性因子达到最佳匹配状态，实现图像分割尺度因子的自动计算，完成对象分割与合并；
4）根据专家知识库中土地利用/覆被对象的中心和重心权重计算，对图像分割结果进行目标识别，完成基于多源遥感数据的土地利用/覆被信息提取，同时利用分类总体精度、制图精度、用户精度、混淆矩阵和Kappa系数对分类结果进行精度分析和评价。
所述步骤（6）长时间序列土地利用/覆被空间监测，包括以下方法：
1）利用数据层叠加的方式对不同时期土地利用/覆被信息进行加减运算处理，在叠加处理运算之前，对早一期或后一期数据层进行乘积运算；
2）利用空间统计方法分析不同时期、不同阶段土地利用/覆被信息变化状况与趋势，构建不同时期土地利用/覆被信息时空转移矩阵，从横向即不同土地利用/覆被类型的变化特征和纵向即同种土地利用类型的不同时期变化特征角度出发，揭示土地利用/覆被信息的时间序列变化特征；
3）利用景观指数方法来分析土地利用与景观格局的时空演变特征及其生态环境效应；基于空间自相关性分析、重力模型和引力模型来研究不同时间尺度上景观格局特征及其空间自相关性，定量分析景观格局的空间特点与时空联系，利用状态转移模型和景观综合动态模型来分析景观类型的动态度、均衡度和空间转移开发强度，结合景观指数从不同的景观尺度上分析格局-动态演变过程及其发展趋势，继而利用多维尺度分析方法来揭示多尺度景观格局特征，开展土地利用/覆被驱动下的生态服务价值科学评估与时空分析；上述过程可利用Fragstat和ArcGIS软件获取景观、类型和斑块三个尺度上的景观指数，进而利用莫兰指数、动态转移模型、空隙度指数和Ripley’s L函数等分析不同尺度下景观格局动态变化特征。
4）利用空间聚类方法（如采用距离聚类、相似度聚类等）从宏观尺度上分析土地利用/覆被信息的时空变化特征，利用空间聚类方法获取中国不同空间范围内城镇发展模式与城镇集群特征，以进一步印证不同经济带、经济区和经济圈的空间规划，从而为城镇经济发展规划提供数据参考和理论依据。
所述步骤（7）土地利用/覆被信息时空模拟与预测，包括以下方法：
1）从土地利用/覆被的格局-结构-功能时空演变出发，从自然条件、气候变化、经济发展、社会环境和人口分布等要素出发，利用空间数据和统计年鉴，初步构建土地利用/覆被特征演变的驱动力指标数据集，利用系统动力学模型（如AnyLogic仿真软件）来模拟在不同情景下各个驱动力指标对历史时期土地利用/覆被变化的影响程度，提取土地利用/覆被变化的主要驱动力，实现系统的正向反馈；
2）以土地利用规划与布局数据为驱动结果，模拟分析现有的土地利用/覆被状况在驱动过程中所受驱动力及其驱动能力，实现系统的逆向反馈；结合正向反馈和逆向反馈的结果（在仿真模拟过程中，通过调整或提出驱动指标开展正向和逆向模拟），分析土地利用覆被变化的直接驱动要素和潜在驱动要素，提取和构建土地利用/覆被变化的驱动力指标体系；
3）构建CA-SD模型来模拟预测土地利用/覆被变化的发展趋势，即将土地利用/覆被变化看作是大量元胞在邻域作用和转换规则作用下完成，各个元胞对象与元胞状态分别对应着一个土地利用/覆被斑块及其属性，其邻域作用由土地利用/覆被变化的集群效应来反映，其转换规则可根据系统动力学模型所模拟的不同情景下各个指标的驱动能力来制定，可表示为：
式中：S为元胞有限集合；t为时间；S t 为元胞状态；f为元胞转换规则。转换规则可表达为：
式中，P m,n 为元胞S由状态m转换为状态n的概率或潜力；v为随机扰动项；a n 为元胞S与周围环境的通达性；S n 为元胞对状态n的适宜度；N为邻域对元胞的作用；H n 为元胞惯性参数；
4）在SD模型中，构建土地利用/覆被的空间格局-结构-功能的系统动力学过程，结合分层分区时空耦合与推演方法，依据驱动指标对土地利用/覆被变化的作用程度及其它们间的空间关联特征建立相应的协因变量或协因变量子系统，优化系统动力学过程及其参数，保证预测结果的精度。
本发明的有益效果：
1）提出一种完整、科学、有效地基于先验知识的土地利用/覆被信息时空监测方法与技术，吸收和引进了先进研究成果，结合现实国情，开展理论创新，依托空间信息技术，融合大数据技术、云计算技术、人工智能等相关技术，开展土地利用/覆被时空监测研究，充分考虑当前已有土地利用/覆被信息的数据产品，构建土地利用/覆被信息先验知识和专家知识库，开展土地利用/覆被信息的调查与监测，研究不同情景下中国土地利用/覆被的驱动机制与发展态势，以实现对中国土地利用/覆被的科学调查、监测与科学认知，突破传统实地调查与测绘地理信息在土地利用/覆被调查应用的局限，节省大量人力、物力和财力，增强了调查成果的科学性和精准性。
1）进一步拓展了空间信息技术的相关理论基础和技术方法，深化了空间信息技术在自然资源调查、地理国情监测和生态环境保护中的应用和研究，丰富了测绘地理信息技术、计算机技术、地理学等多学科在国家创新驱动战略、新产业新业态发展和国土资源管理服务等领域中的交叉融合与科技创新。
附图说明
附图1是基于先验知识的土地利用/覆被信息是空间监测与技术的基本步骤与技术思路。。
图中101是多源土地利用/覆被数据的几何配准、102是多源土地利用/覆被数据的尺度转换、103是多源土地利用/覆被数据的数据转换、104是基于多源土地利用/覆被的先验知识提取、105是基于先验知识的土地利用/覆被信息提取、106是长时间序列土地利用/覆被空间监测、107是土地利用/覆被信息时空模拟与预测。
具体实施方式
下面结合附图对本发明技术方案进一步说明
如附图1所示，基于先验知识的土地利用/覆被信息时空监测方法，包括如下步骤：
（1）多源土地利用/覆被数据的几何配准；
（2）多源土地利用/覆被数据的尺度转换；
（3）多源土地利用/覆被数据的数据转换；
（4）基于多源土地利用/覆被的先验知识提取；
（5）基于先验知识的土地利用/覆被信息提取；
（6）长时间序列土地利用/覆被空间监测；
（7）土地利用/覆被信息时空模拟与预测。
所述步骤（1）多源土地利用/覆被数据的几何配准：根据《国土资源数据2000国家大地坐标系转换技术要求》，计算1954北京坐标系、1980西安坐标系和CGCS2000间相互转换的坐标增量，利用梯度交叉算法和八邻域算法提取和优化特征点，控制特征点残差值，对中国第一次土地调查数据、第二次土地调查数据、地理底图数据和国际上已有的土地调查数据进行坐标转换，。
所述步骤（2）多源土地利用/覆被数据的尺度转换：确定尺度转换基准，对多源土地利用/覆被产品进行空间叠加，利用矢量夹角法构建空间矢量矩阵，探测数据产品的变化特征，利用多维交叉模型从空间上对不同土地利用/覆被类型进行分块、分区升/降尺度转换，从时间上采用线性插值、最邻近法和平滑法降低不同数据产品在尺度转换中所产生的信息缺失或误差。
所述步骤（3）多源土地利用/覆被数据的数据转换：以《生态十年环境监测土地覆盖分类系统》为参考系统或过渡系统，建立原始数据产品分类系统与目标数据产品分类系统间的映射对应关系，构建时空数据予以转换通道，对土地利用/覆被要素进行制图综合，实现不同时期和形式土地利用/覆被数据产品的重构。
所述步骤（4）基于多源土地利用/覆被的先验知识提取：在矢量夹角法提取典型特征图斑的基础，利用尺度最优算法对先验知识进行选择，利用百分位法对先验知识进行筛选，完成先验知识区域的提取和定义，继而转换为矢量图层，叠加至遥感影像上，提取不同土地利用/覆被类型所呈现出的几何、纹理、光谱等图像特征，实现先验知识的自动提取，以为土地利用/覆被信息提取提供参考样本数据。
所述步骤（5）基于先验知识的土地利用/覆被信息提取：对先验知识进行分层、分区管理，利用光谱异质度和纹理异质度对先验知识进行评估和筛选，形成特定影像解译专家知识库，依据规则网格法判断先验知识的空间密度，改进专家知识库决策支持下的支持向量机方法，根据专家知识库中图斑对象的中心和重心权重对图像分割结果进行目标识别和精度评价，实现“产品—知识—产品”过程的转变。
所述步骤（6）长时间序列土地利用/覆被空间监测：利用乘积计算方法对土地利用/覆被信息进行转换，通过叠加运算实现土地利用/覆被类型的时空演变制图，构建土地利用/腐恶比信息时空转移矩阵，从横向和纵向角度出发，揭示土地利用/腐恶比信息的时空序列变化；利用景观多维尺度方法分析景观格局特征，利用空间聚类等方法从宏观尺度上提取城镇发展模式与城镇集群特征。
所述步骤（7）土地利用/覆被信息时空模拟与预测：从土地利用/覆被的格局-结构-功能特征演变出发，利用系统动力学模型进行正向反馈和逆向反馈，模拟不同情景下不同驱动要素对土地利用/覆被的驱动能力，构建CA-SD模型，结合分层分区时空耦合与推演方法，建立协因变量或协因变量子系统，优化直接影响因素和潜在影响因素的空间组合和配置，提高土地利用/覆被模拟预测结果的精度。
实施例
基于先验知识的土地利用/覆被信息时空监测方法与技术，包括如下步骤：
（1）多源土地利用/覆被数据的几何配准（101）
（2）多源土地利用/覆被数据的尺度转换（102）
（3）多源土地利用/覆被数据的数据转换（103）
（4）基于多源土地利用/覆被的先验知识提取（104）
（5）基于先验知识的土地利用/覆被信息提取（105）
（6）长时间序列土地利用/覆被空间监测（106）
（7）土地利用/覆被信息时空模拟与预测（107）
所述的（1）多源土地利用/覆被数据的几何配准（101）：中国第三次土地调查采用的遥感数据主要采用的是优于0.2米的高分遥感影像和统一提供的标准调查底图，同时还有土地利用现状数据、土地总体规划数据、土地确权数据等。根据《国土资源数据2000国家大地坐标系转换技术要求》的相关转换方法，大地坐标系采用CGCS2000坐标框架和1985国家高程基准，平面坐标投影采用高斯—克吕格投影3°，将高斯—克吕格平面投影（如西安80坐标系）转换为大地坐标，重新生成2000国家大地坐标系方里网，计算坐标改正量，按照双线性内插方法逐点完成国家大地坐标的转换，继而转换为CGCS2000坐标系下的高斯—克吕格平面投影。若上述数据中的投影为北京54坐标系，则首先计算1954年北京坐标系至1980西安坐标系转换改正量，继而计算1980西安坐标系向2000国家大地坐标系转换改正量，将两改正量叠加形成1954年北京坐标系向2000国家大地坐标系转换改正量。对于栅格数据而言，转换坐标后，需修改其头文件坐标。若获取的遥感数据为原始影像，则可根据带有2000国家大地坐标系的标准地形图和地图参数完成中国第三次调查参考数据的几何配准。已有的中国第一次土地调查数据、第二次土地调查数据、地理底图数据和国际中/小尺度土地调查参考数据等其他相关数据也基于上述坐标转换方法进行转换。目前国内外已有的土地利用/覆被产品虽多为栅格数据产品，但却是第三次土地调查重要的参考数据，大量土地利用/覆被信息有待挖掘和利用，而其它们与上述数据产品的几何配准则是关键的步骤。因此，以已完成坐标转换的土地调查参考数据和地图数据为基准数据，根据国际已有土地利用/覆被产品的投影信息（如WGS84、TM、UTM等）对其进行归类，分别对各个数据进行捆绑处理，通过提取不同土地利用/覆被产品中与基准数据（如经过几何配准的栅格数据、矢量数据和国家标准地形图等）相匹配的特征点，计算各个特征点残差值，利用控制残差值来剔除误差较大的特征点，进而基于双线性内插方法完成不同土地利用/覆被产品向2000国家大地坐标系的转换。其中，特征点的选取过程如下：首先，利用梯度交叉算法的小波变换方法分别提取出土地利用/覆被产品与参考基准数据的空间域和频率域，获取二者梯度交叉变化中的最大值和最小值，即栅格数据的特征点。其次，对比分析土地利用/覆被产品中的特征点和基准数据中的特征点，进行初步几何匹配。最后，采用八邻域算法对土地利用/覆被产品中的特征点所选取的位置进行优化，根据特征点残差值进行剔除，进而利用双线性内插方法进行几何配准，实现土地利用/覆被产品向基准数据的坐标转换。
所述的（2）多源土地利用/覆被数据的尺度转换（102）：针对当前国际土地利用/覆被产品具有多源、多尺度的特点，需考虑不同土地利用/覆被产品的空间尺度转换，提高不同数据产品之间的可比性，有效地保证相关土地利用/覆被数据产品在生态环境监测、全球变化和城镇规划等研究和使用过程中所产生结论的连续性。数据产品的尺度转换主要体现在聚合和分解，即向上尺度转换和向下尺度转换。在尺度转换的过程中，土地利用/覆被产品的最合适尺度（或最佳尺度）和尺度转换方法则是该研究的核心问题和关键环节。随着遥感技术的发展，国际上已有土地利用/覆被产品信息的获取主要依赖于中、高分辨率的遥感数据，其中，基于Landsat系列卫星所提取的土地利用/覆被产品的信息提取精度、空间分辨率和时间分辨率等方面具有较好的优势。因此，本专利以30×30m的空间分辨率为尺度转换基准，即作为所选择的最合适尺度（或最佳尺度），实施其他时期的数据产品向该尺度转换，且对降尺度数据产品进行验证和修正，以保证数据的精准性。本专利将不同时期、不同尺度的土地利用/覆被数据产品按时间序列来进行空间叠加处理，利用矢量夹角法来探测不同时期数据产品的变化特征，从空间上将不同土地利用类型进行分块、分区升/降尺度转换。其中，矢量夹角法使用目的是通过构建空间矢量矩阵，设置相应的矢量角度阈值，探测不同土地利用/覆被产品的时空差异性，为尺度转换的分区、分块提供目标区域。当矢量角度值高于阈值时，则反映相应区域的土地利用/覆被状况长期发生了明显变化，反之，当矢量角度值低于阈值时，即相应区域的土地利用/覆被状况长期未发生了明显变化，故可利用该特征将土地利用/覆被产品划分为变化图斑和未变化图斑。针对未变化的图斑，可利用计算量小、效率相对较高的算法（如最邻近法、双线性插值法和非线性回归模型等）进行尺度升/降转换。针对发生变化的图斑，本专利采用多维交叉模型来实现不同土地利用/覆被产品的尺度转换和数据修正。土地利用/覆被数据产品其本身即为二维空间，而不同时期数据产品的叠加结果可作为时间维度。因此，在尺度转换过程中，从二维空间出发，利用基于面向对象的尺度转换方法（如小波分析法和分形方法等）对不同时期的土地利用/覆被产品进行尺度转换。从时间维度出发，根据不同时期数据产品的可持续性，以区域起始和最新土地利用/覆被产品为时间节点，参照信息精度相对较高的土地利用/覆被产品为信息参考，采用线性插值法、最临近法和平滑法等方法来降低不同数据产品在尺度转换中所产生的信息缺失或误差，以保证同一区域土地利用/覆被信息变化的连续性。
所述的（3）多源土地利用/覆被数据的数据转换（103）：国际上大量不同形式的土地利用/覆被产品所采用的土地利用/覆被系统没有统一的标准，且往往侧重于土地类型的差异与变化，仅适用于特定研究目的和研究尺度，如USGS、UMD和BU所采用的IGBP17累覆盖类型分类系统，GLC2000所采用的FAO22分类方案，欧洲300米产品所采用的FAO地表覆被分类系统（LCSS），中国相关部门和研究单位（如全国农业区划委员会、国家土地管理局、中国科学院、国土资源部、农业部、国家质量监督检验检疫总局、国家标准化委员会等）于1984-2013年先后6次发布的土地覆被分类系统等。因此，基于不同分类系统所获取的土地利用/覆被产品存在着明显的差异，在数据产品的内容、形式等方面难以兼容和共享，给土地利用/覆被长时间序列调查与监测带来诸多不便。根据中国《第三次全国土地调查工作分类》、《土地利用数据库标准》以及《土地利用现状分类》（GB/T 21010—2017）等相关分类标准可发现，国际已有土地利用/覆被分类系统不能够达到中国第三次土地利用调查中所要求的土地利用分类标准的细化程度，多数采用的是IPCC和FAO土地利用/覆被类型，侧重于土地的自然属性（土地覆盖状况），而中国第三次土地调查则侧重于土地的经济属性，但通过与《土地利用现状分类》（GB/T 21010—2017）相比较，国内外所采用的土地利用/覆被类型划分系统整体上是一致的。同时，根据《生态十年环境监测土地覆盖分类系统》（2013版）的土地利用/覆被划分情况，该分类系统与《土地利用现状分类》（GB/T 21010—2017）具有高度的一致性，同时又能与IPCC和FAO土地利用/覆被分类系统达到有效地兼容，故在对不同土地利用/覆被数据产品进行数据转换过程中，本专利采用该分类系统作为土地利用/覆被产品数据转换的参考系统或过渡系统，在满足国家/国际尺度上土地利用/覆被类型时空监测与空间认知需要的同时，也可为中国第三次土地利用调查提供重要的参考价值。在实施数据产品转换时，本专利首先建立其他土地利用/覆被产品的分类系统与《生态十年环境监测土地覆盖分类系统》（2013版）间的土地利用/覆被信息代码查找表，建立原始数据产品分类系统与目标数据产品分类系统间的映射对应关系，同时，为便于后续数据的处理与分析，将各土地利用/覆被代码分别重新定义为101,102，……，138，或其他带有序列的数字作为中间替代代码。其次，构建时空数据语义转换通道（UTCBG，Universal TransformationChannel for Geo-database），且对土地利用/覆被要素图斑进行制图综合操作（如合并、取舍和概括等），完成不同时期和形式土地利用/覆被数据产品的重构。
所述的（4）基于多源土地利用/覆被的先验知识提取（104）：不同类型和时期的土地利用/覆被数据产品反映了当时土地利用/覆被的空间分布状况，有效地再现了地表景观的时空动态变化过程，表征了人地关系在不同时间和空间尺度上的作用强度与作用模式。土地利用/覆被产品在其生产过程中，所采用的方法和技术存在着明显的差异，但整体上均考虑到了先验知识的运用。在土地利用/覆被信息提取过程中，先验知识的运用可有效地减少主观因素对数据产品质量的影响，提高数据产品的分类精度和处理算法的运行效率。土地利用/覆被信息提取过程中所涉及的先验知识可分为，即有关地物类型的先验知识和具体地表目标的先验知识，而先验知识的获取方式和置信度将直接影响土地类型信息提取的精度。在传统的遥感信息提取中，先验知识的获取往往依赖于专业人员对地类特征属性的时空认知，进而结合遥感影像中所呈现出来的几何、光谱和纹理等特征，形成特定时空尺度和特定遥感影像上地物类型的解译特征，是一个“人员—知识—产品”的生产过程，其间需要耗费大量的人力和物力，且所解译的产品质量存在诸多主观因素。对于已有的土地利用/覆被产品而言，其本就是先验知识的集合，若该先验知识在新一期土地利用/覆被遥感信息提取中加以应用，则在很大程度上将提高产品获取的精度和效率。因此，基于已有土地利用/覆被产品的先验知识挖掘与信息提取在未来土地利用/覆被解译中将发挥强大的优势和潜力。针对当前已有多源土地利用/覆被产品，本专利通过利用矢量夹角法对土地利用/覆被产品的叠加数据结果进行探测，提取出典型特征图斑（即未发生变化图斑和发生变化图斑），通过相关方法挖掘和提取先验知识，且引入累积百分位的计算方法来控制先验知识的置信度。在获取典型特征图斑后，分析不同时期、不同阶段土地利用/覆被类型的时空变化特征，区分人为因素和自然因素对土地利用/覆被变化的影响，提取出相对稳定和变化剧烈的土地利用/覆被类型区域作为备选先验知识区域，进而基于尺度最优算法（如均值方差法、质心法等）对先验知识区域进行选择，利用百分位法（如累积百分位达95%）对先验知识区域做进一步筛选，完成先验知识区域的提取和定义。先验知识区域获取后，转换成矢量图层，则可叠加至新一期遥感影像上，提取出不同土地利用/覆被类型所呈现出的几何、纹理、光谱等图像特征，实现先验知识的自动提取，从而为土地利用/覆被遥感信息提取提供参考样本数据。
所述的（5）基于先验知识的土地利用/覆被信息提取（105）：随着空间信息技术的发展，遥感信息智能化提取是土地利用/覆被获取的研究热点问题和发展趋势。在不同时间和空间尺度上，土地利用/覆被信息存在着高度的异质性，加之多源遥感数据具有不同的时间、空间和属性特征，严重影响后续信息提取精度和数据产品质量。因此，在有效地获取先验知识的基础上依据科学地知识规则来构建影像解译专家知识库是高效获取土地利用/覆被信息的重要途径。步骤（4）中所提取的先验知识区域通过与多源遥感影像的空间叠加，初步获取土地利用/覆被信息提取的先验知识（如光谱信息、几何信息、纹理信息、空间分布特征和空间配置关系等）。为提高土地利用/覆被信息提取的精度，先验知识获取后，利用信息熵模型、标准差值和相似度等方法对先验知识作分析、推理和判断，以获取不同尺度、多源遥感影像上的有效先验知识，对在多源遥感影像上所获取的先验知识区域及先验知识进行分层、分区管理，构建针对多源遥感影像解译专家知识库，如针对GoogleEarth和“天地图”系统中的多源遥感数据，可利用先验知识区域通过叠加处理和规则判别来提取先验知识，基于光谱异质度和纹理异质度对先验知识进行评估和筛选，获取加权异质性相对较小的先验知识数据集合，形成特定影像解译专家知识库，实现专家知识库的实时更新和优化，以更好地为土地利用/覆被信息提取作决策支持。同时，为保证先验知识区域空间分布的均匀性，根据单景遥感影像的空间范围，将其划分为规则格网，根据先验知识中心点位置，来判断先验知识区域的空间分布密度。其次，基于专家知识库决策支持下的面向对象信息提取方法来完成土地利用/覆被信息提取。支持向量机（Support Vector Machine，SVM）在遥感信息提取中是常用的方法，但在对对象分割和合并过程中，需多次对分割因子和合并因子进行调整，才能达到较好的效果。本专利改进支持向量机方法，结合专家知识库中的先验知识，设置图像分割的阈值范围，重复迭代比较图像分割结果与专家知识库中对象的光谱异质度和纹理异质度的差异，经过多次循环迭代运算，使二者的异质性因子达到最佳匹配状态，实现图像分割尺度因子的自动计算，完成对象分割与合并。最后，根据专家知识库中土地利用/覆被对象的中心和重心权重计算，对图像分割结果进行目标识别，完成基于多源遥感数据的土地利用/覆被信息提取。同时，利用分类总体精度、制图精度、用户精度、混淆矩阵和Kappa系数等方法对分类结果进行精度分析和评价。上述过程充分结合了专家知识库中已有的先验知识特征信息，提高知识学习的工作效率，实现了“产品—知识—产品”过程的转变。
所述的（6）长时间序列土地利用/覆被空间监测（106）：在步骤（5）中，专家知识库支持下面向对象的土地利用覆被信息技术完成最新一期的土地利用覆被信息的提取，从而实现长时间序列土地利用/覆被数据集的构建，为土地利用/覆被信息时空监测奠定数据基础。首先，利用数据层叠加的方式对不同时期土地利用/覆被信息进行加减运算处理。由于所获取的土地利用/覆被信息所采用的分类标准是一致的，且类别相对较多，故在叠加运算中，所得结果和值和差值会出现混乱现象，故在叠加处理运算之前，对早一期或后一期数据层进行乘积运算，如乘以10，则该图层上所有的土地利用/覆被代码均变换为10，20，30，…，60，进而进行加减运算：即假如对早一期土地利用土地利用/覆被信息进行乘积运算，然后叠加新一期土地利用/覆被信息，进行减法运算，运算结果中代码会呈现出如下结果：[9，8，7，6，5，4；19，18，17，16，15，14；…；59，58，57，56，55，54]，故而可相对清晰地判读土地利用/覆被信息的时空转移特征，如代码为9（10-1）的结果则是林地转换了林地，代码为8（10-2）的结果则是林地转换为了草地，…，代码为59（60-1）的结果为未利用土地转换为了林地，故该方法可有效地实现土地利用/覆被类型的时空演变制图。其次，利用空间统计方法来分析不同时期、不同阶段土地利用/覆被信息变化状况与趋势。构建不同时期土地利用/覆被信息时空转移矩阵，从横向（不同土地利用/覆被类型的变化特征）和纵向（同种土地利用类型的不同时期变化特征）角度出发，揭示土地利用/覆被信息的时间序列变化特征（如年际变化速率、动态度等）。再次，利用景观指数方法来分析土地利用与景观格局的时空演变特征及其生态环境效应。基于空间自相关性分析、重力模型和引力模型来研究不同时间尺度上景观格局特征及其空间自相关性，定量分析景观格局的空间特点与时空联系。利用状态转移模型和景观综合动态模型来分析景观类型的动态度、均衡度和空间转移开发强度等，结合景观指数从不同的景观尺度上来分析格局-动态演变过程及其发展趋势，继而利用多维尺度分析方法来揭示多尺度景观格局特征，开展土地利用/覆被驱动下的生态服务价值科学评估与时空分析。最后，利用空间聚类方法从宏观尺度上分析土地利用/覆被信息的时空变化特征，如利用空间聚类方法获取中国不同空间范围内城镇发展模式与城镇集群特征，以进一步印证不同经济带、经济区（包括生态经济区、过渡区）和经济圈的空间规划，从而为城镇经济发展规划提供数据参考和理论依据。
所述的（7）土地利用/覆被信息时空模拟与预测（107）：研究土地利用/覆被时空演变规律及其驱动机制，构建土地利用/覆被变化的驱动力评价指标体系，开展不同情景和不同驱动过程下土地利用/覆被时空模拟与预测研究，预测未来土地利用/覆被时空变化发展趋势及其生态环境效应，对于区域乃至全球变化、土地规划等研究有着重要的科学意义。土地利用/覆被时空演变是自然地理环境因素和人类社会经济活动要素共同作用的结果，需综合考虑不同因素在不同情景下的作用强度和驱动能力，故本专利从土地利用/覆被的格局-结构-功能时空演变出发，从自然条件、气候变化、经济发展、社会环境和人口分布等要素出发，初步构建土地利用/覆被特征（格局、结构和功能）演变的驱动力指标数据集，利用系统动力学模型来模拟在不同情景下各个驱动力指标对历史时期土地利用/覆被变化的影响程度，提取土地利用/覆被变化的主要驱动力，实现系统的正向反馈；同时，以土地利用规划与布局数据为驱动结果，模拟分析现有的土地利用/覆被状况在驱动过程中所受驱动力及其驱动能力，实现系统的逆向反馈；结合正向反馈和逆向反馈的结果，分析土地利用覆被变化的直接驱动要素和潜在驱动要素，提取和构建土地利用/覆被变化的驱动力指标体系。其次，构建CA-SD模型来模拟预测土地利用/覆被变化的发展趋势，即：土地利用/覆被变化可看作是大量元胞在邻域作用和转换规则作用下完成，各个元胞对象与元胞状态分别对应着一个土地利用/覆被斑块及其属性，其邻域作用由土地利用/覆被变化的集群效应来反映，其转换规则可根据系统动力学模型所模拟的不同情景下各个指标的驱动能力来制定，可表示为：
式中：S为元胞有限集合；t为时间；St为元胞状态；f为元胞转换规则。转换规则可表达为：
式中，Pm,n为元胞S由状态m转换为状态n的概率或潜力；v为随机扰动项；an为元胞S与周围环境的通达性；Sn为元胞对状态n的适宜度；N为邻域对元胞的作用；Hn为元胞惯性参数。同时，在SD模型中，构建土地利用/覆被的空间格局-结构-功能的系统动力学过程，结合分层分区时空耦合与推演方法，依据驱动指标对土地利用/覆被变化的作用程度及其它们间的空间关联特征来建立相应的协因变量或协因变量子系统，优化系统动力学过程及其参数。因此，基于CA-SD模型的土地利用/覆被变化能够实时优化直接影响因素和潜在影响因素的空间组合和配置，有效地保证预测结果的精度。
Claims (9)
1.基于先验知识的土地利用/覆被信息时空监测方法，其特征在于包括如下步骤：
（1）多源土地利用/覆被数据的几何配准；
（2）多源土地利用/覆被数据的尺度转换；
（3）多源土地利用/覆被数据的数据转换；
（4）基于多源土地利用/覆被的先验知识提取；
（5）基于先验知识的土地利用/覆被信息提取；
（6）长时间序列土地利用/覆被空间监测；
（7）土地利用/覆被信息时空模拟与预测。
2.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（1）多源土地利用/覆被数据的几何配准，包括以下方法：
1）根据《国土资源数据2000国家大地坐标系转换技术要求》，大地坐标系采用CGCS2000坐标框架和1985国家高程基准，平面坐标投影采用高斯—克吕格投影3°，将高斯—克吕格平面投影转换为大地坐标，重新生成2000国家大地坐标系方里网，计算坐标改正量，按照双线性内插方法逐点完成国家大地坐标的转换，继而转换为CGCS2000坐标系下的高斯—克吕格平面投影；若上述数据中的投影为北京54坐标系，则首先计算1954年北京坐标系至1980西安坐标系转换改正量，继而计算1980西安坐标系向2000国家大地坐标系转换改正量，将两改正量叠加形成1954年北京坐标系向2000国家大地坐标系转换改正量，对于栅格数据而言，转换坐标后，修改其头文件坐标；若获取的遥感数据为原始影像，则可根据带有2000国家大地坐标系的标准地形图和地图参数完成中国第三次调查参考数据的几何配准；
其中，1980西安坐标系与2000国家大地坐标改正量计算方法为：
上式中，(B,L)为大地坐标系坐标，和分别为IAG75椭球与CGCS2000大地坐标系椭球长半轴半径和第一偏心率平方之差，，。
双线性内插方法可表示为：
上式中，(x,y,Z(x,y))为待定点的三维坐标，(x 1,y 1,Z(x 1,y 1))和(x 2,y 2,Z(x 2,y 2))分别为已知点的三维坐标；
2）已有的中国第一次土地调查数据、第二次土地调查数据、地理底图数据和国际中/小尺度土地调查参考数据等其他相关数据也基于上述坐标转换方法进行转换；
3）以已完成坐标转换的土地调查参考数据和地图数据为基准数据，根据国际已有土地利用/覆被产品的投影信息对其进行归类，分别对各个数据进行捆绑处理，通过提取不同土地利用/覆被产品中与基准数据相匹配的特征点，计算各个特征点残差值，利用控制残差值来剔除误差较大的特征点，进而基于双线性内插方法完成不同土地利用/覆被产品向2000国家大地坐标系的转换；
4）首先，利用梯度交叉算法的小波变换方法分别提取出土地利用/覆被产品与参考基准数据的空间域和频率域，获取二者梯度交叉变化中的最大值和最小值，即栅格数据的特征点；其次，对比分析土地利用/覆被产品中的特征点和基准数据中的特征点，进行初步几何匹配；最后，采用八邻域算法对土地利用/覆被产品中的特征点所选取的位置进行优化，根据特征点残差值进行剔除，进而利用双线性内插方法进行几何配准，实现土地利用/覆被产品向基准数据的坐标转换；
其中，小波变化方法可表示为：
上式中，为二维小波母函数，，且；b为平移参数，对应于时空信息。在提取空间域和频率域的最大值和最小值时，分别计算二者梯度变化，进而利用二者梯度拐点信息，获取特征点。在匹配过程中，利用八邻域算法来搜索特征点的空间位置，比较分析不同土地利用产品特征点间位置的残差值，确定最佳特征位置。
3.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（2）多源土地利用/覆被数据的尺度转换，包括以下方法：
1）以30×30m的空间分辨率为尺度转换基准，将不同时期、不同尺度的土地利用/覆被数据产品按时间序列来进行空间叠加处理，利用矢量夹角法来探测不同时期数据产品的变化特征，从空间上将不同土地利用类型进行分块、分区升/降尺度转换；
矢量夹角可表示为：
上式中，x、y分别为土地利用覆被产品的二维坐标位置；z为土地利用/覆被产品的属性值；，则表示土地利用/覆被类型未发生改变；，则表示土地利用/覆被类型发生改变，进而根据土地利用覆被阈值范围判定土地利用/覆被变化状况，开展分区、分块数据管理；
2）所述矢量夹角法是通过构建空间矢量矩阵，设置相应的矢量角度阈值，探测不同土地利用/覆被产品的时空差异性，为尺度转换的分区、分块提供目标区域；当矢量角度值高于阈值时，则反映相应区域的土地利用/覆被状况长期发生了明显变化，反之当矢量角度值低于阈值时，即相应区域的土地利用/覆被状况长期未发生了明显变化；
3）利用上述特征将土地利用/覆被产品划分为变化图斑和未变化图斑，针对未变化的图斑，采用计算量小、效率高的算法如最邻近法、双线性插值法和非线性回归模型进行尺度升/降转换，针对发生变化的图斑，采用多维交叉模型来实现不同土地利用/覆被产品的尺度转换和数据修正；
其中：多维交叉模型可拆分成两部分，即：利用空间重采样的方式使土地利用/覆被产品转换为目标尺度的土地利用/覆被产品；利用矢量夹角方法分析时间序列土地利用/覆被产品特定空间位置下相应类型发生变化的异常属性值（其产生可能由于信息提取精度等方面因素影响），则需对异常属性值进行线性拟合，即：
上式中，为异常属性拟合值；为土地利用/覆被类型置信值，其可根据土地利用/覆被产品类型代码的概率可信度来取值；b为矢量三维坐标截距；
4）在尺度转换过程中，从二维空间出发，利用基于面向对象的尺度转换方法如小波分析法和分形方法对不同时期的土地利用/覆被产品进行尺度转换；从时间维度出发，根据不同时期数据产品的可持续性，以区域起始和最新土地利用/覆被产品为时间节点，参照信息精度相对较高的土地利用/覆被产品为信息参考，采用线性插值法、最临近法和平滑法来降低不同数据产品在尺度转换中所产生的信息缺失或误差，以保证同一区域土地利用/覆被信息变化的连续性。
4.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（3）多源土地利用/覆被数据的数据转换，包括以下方法：
1）采用《生态十年环境监测土地覆盖分类系统》作为土地利用/覆被产品数据转换的参考系统或过渡系统，建立其他土地利用/覆被产品的分类系统与《生态十年环境监测土地覆盖分类系统》间的土地利用/覆被信息代码查找表，建立原始数据产品分类系统与目标数据产品分类系统间的映射对应关系；
2）将各土地利用/覆被代码分别重新定义为101,102，……，138等带有序列的数字作为中间替代代码，构建时空数据语义转换通道，对土地利用/覆被要素图斑进行制图综合操作，完成不同时期和形式土地利用/覆被数据产品的重构。
5.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（4）基于多源土地利用/覆被的先验知识提取，包括以下方法：
1）利用矢量夹角法对土地利用/覆被产品的叠加数据结果进行探测，提取出典型特征图斑，即未发生变化图斑和发生变化图斑，通过相关方法挖掘和提取先验知识，且引入累积百分位的计算方法来控制先验知识的置信度；
2）获取典型特征图斑后，分析不同时期、不同阶段土地利用/覆被类型的时空变化特征，区分人为因素和自然因素对土地利用/覆被变化的影响，提取出相对稳定和变化剧烈的土地利用/覆被类型区域作为备选先验知识区域，进而基于尺度最优算法如均值方差法、质心法对先验知识区域进行选择，利用百分位法如累积百分位达95%，对先验知识区域做进一步筛选，完成先验知识区域的提取和定义；
3）先验知识区域获取后，转换成矢量图层，可叠加至新一期遥感影像上，提取出不同土地利用/覆被类型所呈现出的图像特征，实现先验知识的自动提取，从而为土地利用/覆被遥感信息提取提供参考样本数据。
6.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（5）基于先验知识的土地利用/覆被信息提取，包括以下方法：
1）通过与多源遥感影像的空间叠加，初步获取土地利用/覆被信息提取的先验知识，利用信息熵模型、标准差值和相似度方法对先验知识作分析、推理和判断，获取不同尺度、多源遥感影像上的有效先验知识，对在多源遥感影像上所获取的先验知识区域及先验知识进行分层、分区管理，构建针对多源遥感影像解译专家知识库；
2）为保证先验知识区域空间分布的均匀性，根据单景遥感影像的空间范围，将其划分为规则格网，根据先验知识中心点位置，判断先验知识区域的空间分布密度，然后基于专家知识库决策支持下的面向对象信息提取方法来完成土地利用/覆被信息提取；
3）采用改进的支持向量机方法，结合先验知识，设置图像分割的阈值范围，重复迭代比较图像分割结果与专家知识库中对象的光谱异质度和纹理异质度的差异，经过多次循环迭代运算，使二者的异质性因子达到最佳匹配状态，实现图像分割尺度因子的自动计算，完成对象分割与合并；
4）根据专家知识库中土地利用/覆被对象的中心和重心权重计算，对图像分割结果进行目标识别，完成基于多源遥感数据的土地利用/覆被信息提取，同时利用分类总体精度、制图精度、用户精度、混淆矩阵和Kappa系数对分类结果进行精度分析和评价。
7.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（6）长时间序列土地利用/覆被空间监测，包括以下方法：
1）利用数据层叠加的方式对不同时期土地利用/覆被信息进行加减运算处理，在叠加处理运算之前，对早一期或后一期数据层进行乘积运算；
2）利用空间统计方法分析不同时期、不同阶段土地利用/覆被信息变化状况与趋势，构建不同时期土地利用/覆被信息时空转移矩阵，从横向即不同土地利用/覆被类型的变化特征和纵向即同种土地利用类型的不同时期变化特征角度出发，揭示土地利用/覆被信息的时间序列变化特征；
3）利用景观指数方法来分析土地利用与景观格局的时空演变特征及其生态环境效应；基于空间自相关性分析、重力模型和引力模型来研究不同时间尺度上景观格局特征及其空间自相关性，定量分析景观格局的空间特点与时空联系，利用状态转移模型和景观综合动态模型来分析景观类型的动态度、均衡度和空间转移开发强度，结合景观指数从不同的景观尺度上分析格局-动态演变过程及其发展趋势，继而利用多维尺度分析方法来揭示多尺度景观格局特征，开展土地利用/覆被驱动下的生态服务价值科学评估与时空分析；上述过程可利用Fragstat和ArcGIS软件获取景观、类型和斑块三个尺度上的景观指数，进而利用莫兰指数、动态转移模型、空隙度指数和Ripley’s L函数等分析不同尺度下景观格局动态变化特征；
4）利用空间聚类方法如距离聚类、相似度聚类从宏观尺度上分析土地利用/覆被信息的时空变化特征，利用空间聚类方法获取中国不同空间范围内城镇发展模式与城镇集群特征，以进一步印证不同经济带、经济区和经济圈的空间规划，从而为城镇经济发展规划提供数据参考和理论依据。
8.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（7）土地利用/覆被信息时空模拟与预测，包括以下方法：
1）从土地利用/覆被的格局-结构-功能时空演变出发，从自然条件、气候变化、经济发展、社会环境和人口分布等要素出发，利用空间数据和统计年鉴，初步构建土地利用/覆被特征演变的驱动力指标数据集，利用系统动力学模型如AnyLogic仿真软件来模拟在不同情景下各个驱动力指标对历史时期土地利用/覆被变化的影响程度，提取土地利用/覆被变化的主要驱动力，实现系统的正向反馈；
2）以土地利用规划与布局数据为驱动结果，模拟分析现有的土地利用/覆被状况在驱动过程中所受驱动力及其驱动能力，实现系统的逆向反馈；在仿真模拟过程中，通过调整或提出驱动指标开展正向和逆向模拟，结合正向反馈和逆向反馈的结果，分析土地利用覆被变化的直接驱动要素和潜在驱动要素，提取和构建土地利用/覆被变化的驱动力指标体系；
3）构建CA-SD模型来模拟预测土地利用/覆被变化的发展趋势，即将土地利用/覆被变化看作是大量元胞在邻域作用和转换规则作用下完成，各个元胞对象与元胞状态分别对应着一个土地利用/覆被斑块及其属性，其邻域作用由土地利用/覆被变化的集群效应来反映，其转换规则可根据系统动力学模型所模拟的不同情景下各个指标的驱动能力来制定，可表示为：
式中：S为元胞有限集合；t为时间；S t 为元胞状态；f为元胞转换规则。转换规则可表达为：
式中，P m,n 为元胞S由状态m转换为状态n的概率或潜力；v为随机扰动项；a n 为元胞S与周围环境的通达性；S n 为元胞对状态n的适宜度；N为邻域对元胞的作用；H n 为元胞惯性参数；
4）在SD模型中，构建土地利用/覆被的空间格局-结构-功能的系统动力学过程，结合分层分区时空耦合与推演方法，依据驱动指标对土地利用/覆被变化的作用程度及其它们间的空间关联特征建立相应的协因变量或协因变量子系统，优化系统动力学过程及其参数，保证预测结果的精度。
9.根据权利要求1所述的基于先验知识的土地利用/覆被信息时空监测方法，其特征是所述步骤（5）基于先验知识的土地利用/覆被信息提取中，若针对GoogleEarth和“天地图”系统中的多源遥感数据，利用先验知识区域通过叠加处理和规则判别来提取先验知识，基于光谱异质度和纹理异质度对先验知识进行评估和筛选，获取加权异质性相对较小的先验知识数据集合，形成特定影像解译专家知识库，实现专家知识库的实时更新和优化，以更好地为土地利用/覆被信息提取作决策支持；
其中，光谱异质度可表示为：
纹理异质度可表示为：
上式中，、和分别为合并前相邻对象像元灰度的标准差和合并后新对象像元灰度标准差；和分别为相邻对象像元数量；为遥感数据c波段的权重；和分别为影像对象的紧致度和光滑度，二者之和为1；、和分别为对象合并前后的实际边界；、和分别为合并前后对象的最小外包矩形边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910469835.4A CN110263111B (zh) | 2019-05-31 | 2019-05-31 | 基于先验知识的土地利用/覆被信息时空监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910469835.4A CN110263111B (zh) | 2019-05-31 | 2019-05-31 | 基于先验知识的土地利用/覆被信息时空监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110263111A true CN110263111A (zh) | 2019-09-20 |
| CN110263111B CN110263111B (zh) | 2024-03-08 |
Family
ID=67916487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910469835.4A Active CN110263111B (zh) | 2019-05-31 | 2019-05-31 | 基于先验知识的土地利用/覆被信息时空监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263111B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080080A (zh) * | 2019-11-25 | 2020-04-28 | 桂林理工大学南宁分校 | 一种村镇地质灾害风险预估方法及系统 |
| CN111982822A (zh) * | 2020-09-28 | 2020-11-24 | 武汉工程大学 | 一种长时间序列高精度植被指数改进算法 |
| CN111984702A (zh) * | 2020-08-17 | 2020-11-24 | 北京大学深圳研究生院 | 村镇聚落的空间演化分析方法、装置、设备及存储介质 |
| CN112101325A (zh) * | 2020-11-18 | 2020-12-18 | 航天宏图信息技术股份有限公司 | 耕地变化检测方法、装置、电子设备及存储介质 |
| CN112199511A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 跨语言多来源垂直领域知识图谱构建方法 |
| CN112988788A (zh) * | 2021-05-20 | 2021-06-18 | 四川省林业和草原调查规划院 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
| CN113160237A (zh) * | 2021-03-02 | 2021-07-23 | 中国科学院地理科学与资源研究所 | 一种土地覆被制图方法 |
| CN113344059A (zh) * | 2021-05-31 | 2021-09-03 | 武汉大学 | 一种基于时间序列的空间分析异常检测方法 |
| CN113554221A (zh) * | 2021-07-08 | 2021-10-26 | 同济大学 | 一种“流空间”视角下的城镇开发边界模拟预测方法 |
| CN113792942A (zh) * | 2021-11-15 | 2021-12-14 | 江西省国土空间调查规划研究院 | 一种国土空间开发利用生态效应动态模拟预测系统 |
| CN115393732A (zh) * | 2022-08-19 | 2022-11-25 | 南京林业大学 | 一种基于modis时序影像的水稻信息提取方法 |
| CN116049342A (zh) * | 2023-03-24 | 2023-05-02 | 清华大学 | 一种生境质量监测方法及监测装置 |
| CN117172094A (zh) * | 2023-07-25 | 2023-12-05 | 内蒙古师范大学 | 土地利用变化驱动因素的正负影响可视化和定量化方法 |
| CN117973899A (zh) * | 2024-02-29 | 2024-05-03 | 济南城市建设集团有限公司 | 基于大数据的土地开发与经营信息智能管理系统 |
| CN118152501A (zh) * | 2024-05-13 | 2024-06-07 | 菏泽市土地储备中心 | 基于资源数据获取土地利用变化信息的方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180058932A1 (en) * | 2016-08-12 | 2018-03-01 | China Institute Of Water Resources And Hydropower Research | Method for analyzing the types of water sources based on natural geographical features |
| CN109671003A (zh) * | 2018-12-21 | 2019-04-23 | 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 |
-
2019
- 2019-05-31 CN CN201910469835.4A patent/CN110263111B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180058932A1 (en) * | 2016-08-12 | 2018-03-01 | China Institute Of Water Resources And Hydropower Research | Method for analyzing the types of water sources based on natural geographical features |
| CN109671003A (zh) * | 2018-12-21 | 2019-04-23 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 冯丁饶 等: "基于遥感技术与数学模型的土地利用/覆盖变化研究进展", 湖北农业科学, no. 13 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080080A (zh) * | 2019-11-25 | 2020-04-28 | 桂林理工大学南宁分校 | 一种村镇地质灾害风险预估方法及系统 |
| CN111984702A (zh) * | 2020-08-17 | 2020-11-24 | 北京大学深圳研究生院 | 村镇聚落的空间演化分析方法、装置、设备及存储介质 |
| CN111982822A (zh) * | 2020-09-28 | 2020-11-24 | 武汉工程大学 | 一种长时间序列高精度植被指数改进算法 |
| CN112199511A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 跨语言多来源垂直领域知识图谱构建方法 |
| CN111982822B (zh) * | 2020-09-28 | 2022-10-18 | 武汉工程大学 | 一种长时间序列高精度植被指数改进算法 |
| CN112199511B (zh) * | 2020-09-28 | 2022-07-08 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 跨语言多来源垂直领域知识图谱构建方法 |
| CN112101325A (zh) * | 2020-11-18 | 2020-12-18 | 航天宏图信息技术股份有限公司 | 耕地变化检测方法、装置、电子设备及存储介质 |
| CN113160237B (zh) * | 2021-03-02 | 2021-11-02 | 中国科学院地理科学与资源研究所 | 一种土地覆被制图方法 |
| CN113160237A (zh) * | 2021-03-02 | 2021-07-23 | 中国科学院地理科学与资源研究所 | 一种土地覆被制图方法 |
| CN112988788A (zh) * | 2021-05-20 | 2021-06-18 | 四川省林业和草原调查规划院 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
| CN112988788B (zh) * | 2021-05-20 | 2021-07-27 | 四川省林业和草原调查规划院 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
| CN113344059B (zh) * | 2021-05-31 | 2022-06-07 | 武汉大学 | 一种基于时间序列的空间分析异常检测方法 |
| CN113344059A (zh) * | 2021-05-31 | 2021-09-03 | 武汉大学 | 一种基于时间序列的空间分析异常检测方法 |
| CN113554221A (zh) * | 2021-07-08 | 2021-10-26 | 同济大学 | 一种“流空间”视角下的城镇开发边界模拟预测方法 |
| CN113792942A (zh) * | 2021-11-15 | 2021-12-14 | 江西省国土空间调查规划研究院 | 一种国土空间开发利用生态效应动态模拟预测系统 |
| CN115393732A (zh) * | 2022-08-19 | 2022-11-25 | 南京林业大学 | 一种基于modis时序影像的水稻信息提取方法 |
| CN116049342A (zh) * | 2023-03-24 | 2023-05-02 | 清华大学 | 一种生境质量监测方法及监测装置 |
| CN116049342B (zh) * | 2023-03-24 | 2023-06-06 | 清华大学 | 一种生境质量监测方法及监测装置 |
| CN117172094A (zh) * | 2023-07-25 | 2023-12-05 | 内蒙古师范大学 | 土地利用变化驱动因素的正负影响可视化和定量化方法 |
| CN117973899A (zh) * | 2024-02-29 | 2024-05-03 | 济南城市建设集团有限公司 | 基于大数据的土地开发与经营信息智能管理系统 |
| CN118152501A (zh) * | 2024-05-13 | 2024-06-07 | 菏泽市土地储备中心 | 基于资源数据获取土地利用变化信息的方法及系统 |
| CN118152501B (zh) * | 2024-05-13 | 2024-07-23 | 菏泽市土地储备中心 | 基于资源数据获取土地利用变化信息的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110263111B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263111A (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
| Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
| CN109102193A (zh) | 地理设计生态红线划定与管理系统及数据库、评价模型 | |
| 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 | |
| CN108304536A (zh) | 一种耦合地缘环境要素的地缘环境模拟与预测平台 | |
| Zhang et al. | Analysis of spatial variability in factors contributing to vegetation restoration in Yan'an, China | |
| De Toro et al. | Evaluation in Urban Planning: a multi-criteria approach for the choice of alternative Operational Plans in Cava De'Tirreni | |
| CN116522272A (zh) | 一种基于城市信息单元的多源时空数据透明融合方法 | |
| CN113902270A (zh) | 一种用于城市燃气区域安全评级的方法及系统 | |
| Zhang et al. | Urban spatial risk prediction and optimization analysis of POI based on deep learning from the perspective of an epidemic | |
| Cao | 1.17 Spatial optimization for sustainable land use planning | |
| Zhao et al. | Multiobjective land-use optimization allocation in eucalyptus-introduced regions based on the GMDP–ACO model | |
| Li et al. | Urban land price assessment based on GIS and deep learning | |
| Gao et al. | Summer electricity consumption and its drivers in urban areas | |
| Deng et al. | [Retracted] Comprehensive Evaluation of BIM Calculation Quantity in Domestic Construction Engineering Based on Fuzzy Comprehensive Evaluation | |
| Wang et al. | Projections of future spatiotemporal urban 3D expansion in China under shared socioeconomic pathways | |
| Liu et al. | Construction of Multiobjective Planning Decision‐Making Model of Ecological Building Spatial Layout under the Background of Rural Revitalization | |
| Antoni | Urban sprawl modelling: a methodological approach | |
| CN112308382A (zh) | 一种开放性的tod城市大数据监测分析平台 | |
| Liu et al. | The uncertainties on the GIS based land suitability assessment for urban and rural planning | |
| Qiu et al. | Optimizing NO2 Monitoring Network Using a Background Map for Spatial Heterogeneity Stratification | |
| Jia | Neural Network Model of Urban Landscape Design Based on Multi‐Target Detection | |
| Ling et al. | Research on Automatic Analysis Technology of Remote Sensing Monitoring Based on GIS | |
| Carpie | Development of the legal framework for resolving controversial issues in the formation of qualitative content of remote monitoring | |
| Luhua et al. | Intelligent Identification of Building Patches and Assessment of Roof Greening Suitability in High-density Urban Areas: A Case Study of Chengdu |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |