CN110991262A - 生态服务价值预测的多带宽地理加权回归元胞自动机方法 - Google Patents

生态服务价值预测的多带宽地理加权回归元胞自动机方法 Download PDF

Info

Publication number
CN110991262A
CN110991262A CN201911100800.XA CN201911100800A CN110991262A CN 110991262 A CN110991262 A CN 110991262A CN 201911100800 A CN201911100800 A CN 201911100800A CN 110991262 A CN110991262 A CN 110991262A
Authority
CN
China
Prior art keywords
gwr
model
esv
land
data
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
Application number
CN201911100800.XA
Other languages
English (en)
Other versions
CN110991262B (zh
Inventor
冯永玖
童小华
刘颂
谢欢
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN201911100800.XA priority Critical patent/CN110991262B/zh
Publication of CN110991262A publication Critical patent/CN110991262A/zh
Application granted granted Critical
Publication of CN110991262B publication Critical patent/CN110991262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及生态服务价值预测的多带宽地理加权回归元胞自动机方法，包括：1)对遥感影像进行监督分类获得初始和结束年份的土地利用分类图和空间变量因子数据；2)获取土地利用图和空间变量的有效样本点；3)利用地理加权回归对有效样本点训练CA转换规则，获取空间变量影响下土地的转化概率；4)建立CAGWR‑ESV模型；5)探测不同带宽对CAGWR‑ESV模型的影响；6)选择最优带宽并利用CAGWR‑ESV模型进行土地利用变化模拟和预测，并进行精度评定；7)通过建立生态服务价值与土地利用之间的数值关联；8)根据CAGWR‑ESV模型结果进行预测并与历史生态服务价值进行联合分析；9)输出并保存模拟结果。本发明采用的CAGWR‑ESV模型能有效模拟城市增长，完成对未来生态服务价值变化的评估。

Description

生态服务价值预测的多带宽地理加权回归元胞自动机方法
技术领域
本发明涉及一种生态服务价值变化的模拟方法，尤其是涉及一种生态服务价值预测的多带宽地理加权回归元胞自动机方法。
背景技术
生态系统服务是人类从自然环境和生态系统中获得的支持地球上生命的有益资源。然而，全球约60％的生态系统服务正在退化，预计这一趋势将在2050年之前加剧。生态系统服务的退化大多是由于工业化、城镇化等人类活动对自然环境的威胁造成的。随着经济的发展，城市的快速扩张导致了对城市空间的需求越来越大，使得问题愈发严重。据报道，2008年城市居民占全球人口的50％，到2050年这一比例将上升到70％，城市居民的快速增长将会更多的消耗自然资源及能源。城市扩张也会导致当地气候变化，从而导致城市热岛效应和降水的改变。这些都造成了生态系统服务价值的损失，而相应的管理政策的缺失和监管的薄弱又加剧了生态服务价值的损失。生态服务的保护是一个重要的国际问题，它的承认可以追溯到20世纪70年代末。近二十年来，生态服务价值因土地利用变化造成的损失尤为严重，给未来生态环境带来挑战。因此，重建历史及预测未来的生态服务价值是正确把握全球和区域的变化、促进制定更好生态环境政策及保护自然环境的重要方法。
生态服务价值与土地利用模式密切相关，可以使用诸如元胞自动机等显式空间模型对其建模。元胞自动机是自底向上的模型，通过一组简单的转换规则的交互作用，可以重构历史地理格局，并对其场景进行投影。元胞自动机由规则的单元格单元组成，由单元格状态、转换规则、邻域和约束驱动。在土地利用变化和城市增长模型中，元胞自动机的转换规则往往基于驱动因子，包括生物物理、人为干扰、社会经济和制度方面。转化规则作为元胞自动机模型重要组成部分，由驱动因子和土地利用的变化所推导而得到。元胞自动机模型通常认为这些规则具有空间平稳性。
例如，元胞自动机模型的基本回归方法是基于最小二乘法处理土地利用之间相互关系的逻辑回归，但该方法假设土地利用变化具有空间平稳性，即同样的驱动因子条件下，各个位置会得到同样的参数。在生态系统评价中，CA模型还集成了自逻辑回归，提高了传统逻辑回归的性能，将生态系统处理为空间平稳特征。保护政策通常被纳入元胞自动机建模中，将复杂的生态服务变化作为空间不变属性进行处理，尽管建模精度有所提高，但仍然会导致对土地利用变化或生态服务价值动态的片面理解。基于核的学习技术的最新发展具有识别非线性元胞自动机转换规则的能力，这些规则也被处理为一个空间不变的模型过程。
事实上，驱动因子对城市土地利用变化、城市扩张以及随之而来的生态服务价值变化的影响在空间上是非平稳的。最近的研究表明，驱动因素可以促进和阻碍不同地点的城市发展，证明了空间异质性和空间非平稳的存在。因此，有必要采用空间非平稳的方法来捕获空间变化的动力学特性。这种方法包括基于部分的建模、基于隐含异质性的建模和基于显性异质性的建模。基于分区的建模将研究区域划分为多个子区域，并在每个子区域中应用一个独特的转换规则来反映空间异质性。基于隐含异质性的建模(如空间自回归模型)通过考虑不同位置属性的空间自相关性来处理空间差异。基于显性异质性的建模通常采用空间变系数模型，该模型允许模型系数根据协方差函数随位置的变化而变化。空间变系数模型更能反映城市系统、生态环境和经济地理的空间异质性。
地理加权回归(GWR)是通过扩展线性回归框架来表示空间变系数的。它可以通过识别与位置相关的动态来捕捉地理现象的空间非平稳。这说明GWR的模型参数是由位置加权的，空间权重的定义(也称为权重函数)是建模的关键。该定义确定了影响效果随处理样品与其相邻样品之间的距离变化的程度。同时，权值定义中可以包含多少个邻近点对地理加权回归也很关键，而邻近点的数量被认为是带宽。文献表明，GWR对加权函数相对不敏感，但对带宽敏感。因此，在分析和建模城市土地利用变化引起的ESV损失时，应考虑带宽的选择以准确反映空间异质性。
发明内容
本发明的目的就是为了预测未来生态服务价值变化，并克服通常城市元胞自动机模型所假设的空间平稳性的缺陷而提供一种生态服务价值空间模拟预测的多带宽地理加权回归元胞自动机方法，主要驱动因子为人为扰动因素、生物物理因素和社会经济因素。通过结合生态服务价值与土地利用类型，预测未来生态服务价值变化，为生态环境发展及城市规划提供重要参考依据。
本发明的目的可以通过以下技术方案来实现：
一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，该方法包括以下步骤：
步骤1：对遥感影像进行监督分类获得初始和结束年份的土地利用分类图，获得影响土地利用转化的空间变量因子数据；
步骤2：基于空间变量因子数据通过系统抽样方法获取研究区域内土地利用图和空间变量的有效样本点；
步骤3：利用地理加权回归对有效样本点训练CA转换规则，利用已建立的转换规则获取空间变量影响下土地的转化概率；
步骤4：利用转换规则和转化概率建立基于GWR的CA模型，即CAGWR-ESV模型；
步骤5：针对CAGWR-ESV模型选取不同带宽进行探测并选择最优带宽；
步骤6：基于最优带宽利用已建立的CAGWR-ESV模型进行土地利用变化模拟和预测，得到CAGWR-ESV模型模拟结果；
步骤7：针对CAGWR-ESV模型模拟结果通过建立生态服务价值与土地利用之间的数值关联，得到生态服务价值空间分布结果；
步骤8：根据CAGWR-ESV模型模拟结果对未来生态服务价值变化进行预测并与历史生态服务价值进行联合分析，并输出保存模拟结果。
进一步地，所述的步骤1包括以下分步骤：
步骤11：按照生态服务价值分类标准，将获得的历史土地利用数据归并为9大类土地类型；
步骤12：选取影响土地利用变化的空间变量因子，包括到高速公路、铁路、地铁和路网的矢量数据及高程、坡度、经济、人口的栅格数据；
步骤13：通过遥感图像数据、行政区划图、道路交通图在ArcGIS中利用欧几里德距离获取到高速公路、铁路、地铁和路网的距离的栅格数据。
进一步地，所述的步骤2具体包括：设定采样分辨率，并利用系统采样方法对土地利用图和因子图层进行采样，作为研究区域内土地利用图和空间变量的有效样本点。
进一步地，所述的步骤3包括以下分步骤：
步骤31：利用地理加权回归对获取的有效采样点数据以及空间变量因子数据训练CA转换规则；
步骤32：利用已建立的CA转换规则在设定空间分辨率下获取空间变量影响下土地的转化概率分布，获取土地的转化概率的方法包括：
假定y表示元胞状态是否转变，从时间t到t+1元胞状态从非城市转变为城市，则y记为1；从时间t到t+1元胞状态未发生改变，则y记为0；
利用获取的空间变量数据进行土地的转化概率的测算。
进一步地，所述的步骤4中CAGWR-ESV模型的核心问题为确定下一步是否将一个单元从一种状态转换到另一种状态，对应描述公式为：
Figure BDA0002269802640000041
式中，
Figure BDA0002269802640000042
表示t+1时刻的元胞状态，
Figure BDA0002269802640000048
表示t时刻的元胞状态，f表示计算总转移概率Pg的综合转移规则，Pd表示基于驱动因子的土地利用转化概率，
Figure BDA0002269802640000043
表示领域的影响，Con表示空间抑制函数。
进一步地，所述的步骤4中CAGWR-ESV模型的基于驱动因子的土地利用转化概率和总转换概率，其计算公式为：
Figure BDA0002269802640000044
Figure BDA0002269802640000045
式中，ai表示第i个驱动因子的权重，xi表示第i个驱动因子，ε表示拟合残差，TIP表示时间增量参数，LAP表示局部调整参数。
进一步地，所述的步骤4中CAGWR-ESV模型的领域采用Moore领域，其描述公式为：
Figure BDA0002269802640000046
式中，
Figure BDA0002269802640000047
表示m×m领域范围内的城市细胞的总数，(j≠i)表示中心细胞i不参与计算。
进一步地，所述的步骤5包括以下分步骤：
步骤51：针对CAGWR-ESV模型分别输入不同带宽，选取分别作为起始和终止的土地利用数据，生成不同带宽下的概率图；
步骤52：通过对比不同带宽下概率图的空间分布及各区域系数特征，得到不同带宽下城市增长的趋势及空间特性；
步骤53：利用起始土地利用数据在不同带宽下对终止土地利用数据进行模拟，获取不同的终止土地利用数据的模拟结果；
步骤54：将不同的终止土地利用数据的模拟结果与真实的终止土地利用数据进行统计分析，获取不同带宽下的总体精度和品质因子，通过进一步比对选择得到最优带宽。
进一步地，所述的步骤6具体包括：利用UrbanCA软件实现CAGWR-ESV模型的模拟与预测流程，在最优带宽下，选用某年的土地利用格局为初始状态利用CAGWR-ESV模型运行M次，其中M表示初始与结束的年份差，得到土地利用变化的模拟及预测结果；
所述的步骤7具体包括：针对CAGWR-ESV模型模拟结果，根据土地利用与生态服务价值对照表，对历史和未来的生态服务价值进行估算，通过建立生态服务价值与土地利用之间的数值关联，得到生态服务价值空间分布结果。
进一步地，所述的步骤8包括以下分步骤：
步骤81：将CAGWR-ESV模型模拟结果与遥感分类结果进行叠加，所叠加的结果包括：实际和模拟均为城市Hit、实际为非城市模拟为城市False、实际为城市模拟为非城市Miss、实际和模拟均为非城市CR及水体Water；
步骤82：在GIS软件中输出并保存模拟结果。
与现有技术相比，本发明具有以下优点：
(1)本发明为了预测未来生态服务价值变化，并克服通常城市元胞自动机模型所假设的空间平稳性的缺陷而提供一种生态服务价值空间模拟预测的多带宽地理加权回归元胞自动机方法，主要驱动因子为人为扰动因素、生物物理因素和社会经济因素。通过结合生态服务价值与土地利用类型，预测未来生态服务价值变化，为生态环境发展及城市规划提供重要参考依据。
(2)本发明采用的基于地理加权回归的CA模型CAGWR-ESV模型能有效模拟城市增长，完成对未来生态服务价值变化的评估任务。
附图说明
图1为本发明的流程图；
图2为实施例案例研究区域图；
图3为驱动因子的空间分布图；
图4为10种不同带宽下转化概率图；
图5为10种不同带宽下2005年土地利用模拟总体精度和品质因子的变化图；
图6为2010-2030城市模拟结果与土地利用类型损失图。
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明的目的，如图1所示可以通过以下技术方案来实现，包括以下步骤：
1)对遥感影像进行监督分类获得初始和结束年份的土地利用分类图，获得影响土地利用转化的空间变量因子数据；
2)通过系统抽样方法获取研究区域内土地利用图和空间变量的有效样本点；
3)利用地理加权回归(GWR)对有效样本点训练CA转换规则，利用已建立的转换规则获取空间变量影响下土地的转化概率；
4)建立基于GWR的CA模型(CAGWR-ESV)；
5)探测不同带宽对CAGWR-ESV模型的影响；
6)选择最优带宽并利用已建立的CAGWR-ESV模型进行土地利用变化模拟和预测，并对模拟结果进行精度评定；
7)通过建立生态服务价值与土地利用之间的数值关联；
8)根据CAGWR-ESV模型结果对未来生态服务价值变化进行预测并与历史生态服务价值进行联合分析；
9)输出并保存模拟结果。
所述步骤1)具体为：
10)按照生态服务价值分类标准，将获得的历史土地利用数据归并为9大类土地类型；
11)首先选取影响土地利用变化的空间变量因子，包括到高速公路、铁路、地铁和路网的矢量数据及高程、坡度、经济、人口的栅格数据；
12)通过遥感图像数据、行政区划图、道路交通图在ArcGIS中利用欧几里德距离获取到高速公路、铁路、地铁和路网的距离的栅格数据。
所述步骤2)具体为：
13)首先设定采样分辨率，利用系统采样方法对土地利用图、因子图层进行采样，为CA规则转换提供可靠数据；
所述步骤3)具体为：
14)利用地理加权回归(GWR)，对获取的有效采样点数据以及空间变量因子数据训练CA转换规则；
15)利用已建立的CA转换规则，在30m空间分辨率下获取空间变量影响下的转化概率Pdi分布。获取土地转变概率数据方法如下：
假定y表示元胞状态是否转变，从时间t到t+1元胞状态从非城市(Non-urban)转变为城市(Urban)，y记为1；从时间t到t+1元胞状态未发生改变，则y记为0。利用获取的空间变量数据进行土地转变概率的测算。
所述步骤4)具体为：
16)基于步骤14)的数据建立基于GWR的地理CA模型，具体如下：
CA模型的核心问题是确定下一步是否将一个单元从一种状态转换到另一种状态，对应描述公式为：
Figure BDA0002269802640000071
式中，
Figure BDA0002269802640000072
表示t+1时刻的元胞状态，
Figure BDA0002269802640000073
表示t时刻的元胞状态，f表示计算总转移概率Pg的综合转移规则，Pd表示基于驱动因子的土地利用转化概率，
Figure BDA0002269802640000074
表示领域的影响，Con表示空间抑制函数。
为了提高模型的鲁棒性，提出了一个时间增量参数(TIP)来抵消基于驱动因子的转换概率的衰减，一个局部调整参数(LAP)来抵消邻域影响的增加。因此，基于驱动因子的转换概率和总转换概率可由以下公式给出：
Figure BDA0002269802640000081
Figure BDA0002269802640000082
式中，ai表示第i个驱动因子的权重，xi表示第i个驱动因子，ε表示拟合残差，TIP表示时间增量参数，其取值范围为0.0～0.1，LAP表示局部调整参数，其取值范围为0.5～1。
对于邻域影响的评估，CA模型较多地采用正方形或圆形的规则邻域，如m×m的Moore邻域可以表达为：
Figure BDA0002269802640000083
式中，
Figure BDA0002269802640000084
表示m×m领域范围内的城市细胞的总数，(j≠i)表示中心细胞i不参与计算，本发明选取Moore5×5作为元胞邻域。
空间抑制函数，即限制因素Con表示元胞受到某种限制而不能发展并转化为城市元胞，这种限制包括大面积水体、基本农田、生态保护区、以及公园和绿地等。
Con可以表达为：
Con＝Bin(celli(t)～available)
式中，Con取值0或1，0表示该元胞不可以发展为城市元胞，1表示可以发展为城市元胞。
随机因素R用于模拟不确定因素导致的元胞状态转变，如某元胞在附近没有城市元胞的状态下通过随机因素提高发展概率，从非城市状态转化为城市状态。随机因素R表达为：
R＝1+(lnr)a
式中，r表示0到1之间的随机数，a表示随机因素R的控制参数，取值为0和10之间的整数。
由空间变量决定的基于驱动因子的土地利用转化概率Pd是转换规则的核心部分，它代表了这些因素对土地利用的影响，并通过概率的方式影响到下一时刻的元胞状态。如果利用地理加权回归(GWR)去获取CA参数，第i个驱动因子的权重ai内可通过下式计算：
WiY＝WiXβi+εi
式中，Wi表示位置i中的(n×n)空间矩阵；Y是解释变量向量(n×1)；X是依赖变量矩阵(n×k)；βi表示位置i处的模型系数矩阵；εi表示随机误差。
根据上面公式计算得出土地利用的总转移概率Pg。在实际计算中，利用基于R语言的UrbanCA软件实现CAGWR-ESV模型总转化概率的计算，并将计算结果与设定的阈值Pthd进行比较，判断元胞是否会在一个时刻发生转化。当元胞i的转换概率Pgi,t大于设定阈值Pthd时转化为城市类型，否则元胞保持状态不变，对应描述公式为：
Figure BDA0002269802640000091
所述步骤5)具体为：
17)在CAGWR-ESV模型下，分别输入50、100、150、200、250、300、350、400、450和500共10个不同带宽，以2000年土地利用数据为起始数据，2005年真实土地利用为终止数据，生成10幅不同带宽下的概率图。
18)通过对比不同带宽下概率图的空间分布及各区域系数特征，分析不同带宽下城市增长的趋势及空间特性。
19)以2000年土地利用为起始数据，在10个不同带宽下对2005年土地利用数据进行模拟，从而获取10幅不同的2005土地利用模拟结果。
20)通过将10幅影像与真实的2005年土地利用数据进行统计分析，获取不同带宽下的总体精度和品质因子。比对各带宽下的总体精度与品质因子，选择最优带宽。
所述的步骤6)具体为：
21)利用UrbanCA软件实现CAGWR-ESV的模拟与预测流程，在最优带宽下，选用某年的土地利用格局为初始状态利用CAGWR-ESV模型运行M次(初始与结束的年份差)得到土地利用变化的模拟及预测结果。
所述步骤7)具体为：
22)根据土地利用与生态服务价值对照表，对历史和未来的生态服务价值进行估算。
所述步骤8)具体为：
23)对CAGWR-ESV模型模拟的土地利用结果分别从规则拟合精度及模拟结果两方面进行模拟精度的评定。
首先通过与遥感分类的土地利用格局进行比较，对模拟结果进行精度计算，主要指标有品质因子(FOM)和总体精度(OA)。将总体精度分解为城市(Hit)和非城市(CR)两类、将错误分解为忽略性(Misses)和替代性(False)两类，忽略性错误指的是实际为城市但模拟为非城市，即CA模型未能捕捉到的城市元胞；替代性错误指的是实际为非城市但模拟为城市，即CA模型错误地增加的城市元胞。将模拟结果与遥感分类结果进行叠加，叠加结果包含5类：实际和模拟均为城市(Hit)、实际为非城市模拟为城市(False)、实际为城市模拟为非城市(Miss)、实际和模拟均为非城市(CR)、以及水体(Water)。
所述步骤9)具体为：
24)在GIS软件中输出并保存模拟结果。
本发明的实际具体实施例如下：
以2000-2010年间重庆城市土地利用为案例区域，本案例区域位置如图2所示。
首先本实施例建立了基于地理加权回归的元胞自动机模型(CAGWR-ESV)，在此基础上对比不同带宽对模型结果的影响，并在最优带宽下进行模型校正与验证，最终模拟了2030年重庆土地利用变化。通过将生态服务价值与土地利用类型相结合，在空间上重建历史生态服务价值及预测未来生态服务价值变化。基于元胞自动机与地理加权回归的生态服务价值评估方法，包括以下步骤：
1)首先选择重庆市2000、2005、2010年的遥感图像数据，以及行政区划图、道路交通图，作为训练CA规则转换以及获取土地转变概率的基础数据；
2)如图3所示，在图像数据与驱动因子数据基础上，利用系统抽样方法获取采样点数据，提取各空间变量的值、土地利用初始年份和结束年份状态值，上海全域共获有6701个有效样本点；
3)利用各年遥感图像以及行政区划图层、道路交通图层、然后利用空间分析工具中的欧几里德距离(Euclidean Distance)计算出到高速公路、铁路、地铁和一级公路的距离及高程、人口数据；
4)利用系统抽样方法得到的有效样本点以及各空间变量值，在实际计算中，用基于R语言发开的UrbanCA软件完成地理加权回归的实现，并获取土地转变概率；
5)利用获取的土地转变概率以及CA转换规则建立基于地理加权回归的地理CA模型和CAGWR-ESV模型；
6)如图4和图5所示，以2000年土地利用为初始状态，利用CAGWR-ESV模型，对比以50为间距，从50到500的10个不同带宽下2005年模拟结果与真实结果进行模型校正，选择模型精度最高的50带宽作为该区域最优带宽；
7)以2005年土地利用为初始状态利用CAGWR-ESV模型模拟2010年重庆土地利用进行模型验证；
8)通过马尔科夫链及2000,2005和2010年土地利用变化，预测2030年土地利用需求；
9)以2010年土地利用为初始状态，模拟2030年土地利用变化；
10)将生态服务价值与土地利用类型相结合，根据土地利用变化，重建2000、2005和2010年的重庆生态服务价值空间分布图，并预测了2030年重庆生态服务价值空间分布；
11)对模拟结果进行分析；
12)输出并保存可视化结果，如图6所示。
与本实施例实施过程的相关数据表格如下：
表1中国四大生态系统服务功能与每公顷生态服务价值等效系数
Figure BDA0002269802640000111
表2 2000-2010年与不同土地利用类型相关的生态服务价值损失
Figure BDA0002269802640000121
表3 2000-2010年期间与主要和次要服务相关的生态服务价值变化
Figure BDA0002269802640000122
表4 2010-2030年九个城区各用地类别流失情况
Figure BDA0002269802640000131
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，该方法包括以下步骤：
步骤1：对遥感影像进行监督分类获得初始和结束年份的土地利用分类图，获得影响土地利用转化的空间变量因子数据；
步骤2：基于空间变量因子数据通过系统抽样方法获取研究区域内土地利用图和空间变量的有效样本点；
步骤3：利用地理加权回归对有效样本点训练CA转换规则，利用已建立的转换规则获取空间变量影响下土地的转化概率；
步骤4：利用转换规则和转化概率建立基于GWR的CA模型，即CAGWR-ESV模型；
步骤5：针对CAGWR-ESV模型选取不同带宽进行探测并选择最优带宽；
步骤6：基于最优带宽利用已建立的CAGWR-ESV模型进行土地利用变化模拟和预测，得到CAGWR-ESV模型模拟结果；
步骤7：针对CAGWR-ESV模型模拟结果通过建立生态服务价值与土地利用之间的数值关联，得到生态服务价值空间分布结果；
步骤8：根据CAGWR-ESV模型模拟结果对未来生态服务价值变化进行预测并与历史生态服务价值进行联合分析，并输出保存模拟结果。
2.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤1包括以下分步骤：
步骤11：按照生态服务价值分类标准，将获得的历史土地利用数据归并为9大类土地类型；
步骤12：选取影响土地利用变化的空间变量因子，包括到高速公路、铁路、地铁和路网的矢量数据及高程、坡度、经济、人口的栅格数据；
步骤13：通过遥感图像数据、行政区划图、道路交通图在ArcGIS中利用欧几里德距离获取到高速公路、铁路、地铁和路网的距离的栅格数据。
3.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤2具体包括：设定采样分辨率，并利用系统采样方法对土地利用图和因子图层进行采样，作为研究区域内土地利用图和空间变量的有效样本点。
4.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤3包括以下分步骤：
步骤31：利用地理加权回归对获取的有效采样点数据以及空间变量因子数据训练CA转换规则；
步骤32：利用已建立的CA转换规则在设定空间分辨率下获取空间变量影响下土地的转化概率分布，获取土地的转化概率的方法包括：
假定y表示元胞状态是否转变，从时间t到t+1元胞状态从非城市转变为城市，则y记为1；从时间t到t+1元胞状态未发生改变，则y记为0；
利用获取的空间变量数据进行土地的转化概率的测算。
5.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤4中CAGWR-ESV模型的核心问题为确定下一步是否将一个单元从一种状态转换到另一种状态，对应描述公式为：
Figure FDA0002269802630000021
式中，
Figure FDA0002269802630000022
表示t+1时刻的元胞状态，
Figure FDA0002269802630000023
表示t时刻的元胞状态，f表示计算总转移概率Pg的综合转移规则，Pd表示基于驱动因子的土地利用转化概率，
Figure FDA0002269802630000024
表示领域的影响，Con表示空间抑制函数。
6.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤4中CAGWR-ESV模型的基于驱动因子的土地利用转化概率和总转换概率，其计算公式为：
Figure FDA0002269802630000025
Figure FDA0002269802630000026
式中，ai表示第i个驱动因子的权重，xi表示第i个驱动因子，ε表示拟合残差，TIP表示时间增量参数，LAP表示局部调整参数。
7.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤4中CAGWR-ESV模型的领域采用Moore领域，其描述公式为：
Figure FDA0002269802630000031
式中，
Figure FDA0002269802630000032
表示m×m领域范围内的城市细胞的总数，(j≠i)表示中心细胞i不参与计算。
8.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤5包括以下分步骤：
步骤51：针对CAGWR-ESV模型分别输入不同带宽，选取分别作为起始和终止的土地利用数据，生成不同带宽下的概率图；
步骤52：通过对比不同带宽下概率图的空间分布及各区域系数特征，得到不同带宽下城市增长的趋势及空间特性；
步骤53：利用起始土地利用数据在不同带宽下对终止土地利用数据进行模拟，获取不同的终止土地利用数据的模拟结果；
步骤54：将不同的终止土地利用数据的模拟结果与真实的终止土地利用数据进行统计分析，获取不同带宽下的总体精度和品质因子，通过进一步比对选择得到最优带宽。
9.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤6具体包括：利用UrbanCA软件实现CAGWR-ESV模型的模拟与预测流程，在最优带宽下，选用某年的土地利用格局为初始状态利用CAGWR-ESV模型运行M次，其中M表示初始与结束的年份差，得到土地利用变化的模拟及预测结果；
所述的步骤7具体包括：针对CAGWR-ESV模型模拟结果，根据土地利用与生态服务价值对照表，对历史和未来的生态服务价值进行估算，通过建立生态服务价值与土地利用之间的数值关联，得到生态服务价值空间分布结果。
10.根据权利要求1所述的一种生态服务价值预测的多带宽地理加权回归元胞自动机方法，其特征在于，所述的步骤8包括以下分步骤：
步骤81：将CAGWR-ESV模型模拟结果与遥感分类结果进行叠加，所叠加的结果包括：实际和模拟均为城市Hit、实际为非城市模拟为城市False、实际为城市模拟为非城市Miss、实际和模拟均为非城市CR及水体Water；
步骤82：在GIS软件中输出并保存模拟结果。
CN201911100800.XA 2019-11-12 2019-11-12 生态服务价值预测的多带宽地理加权回归元胞自动机方法 Active CN110991262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911100800.XA CN110991262B (zh) 2019-11-12 2019-11-12 生态服务价值预测的多带宽地理加权回归元胞自动机方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911100800.XA CN110991262B (zh) 2019-11-12 2019-11-12 生态服务价值预测的多带宽地理加权回归元胞自动机方法

Publications (2)

Publication Number Publication Date
CN110991262A true CN110991262A (zh) 2020-04-10
CN110991262B CN110991262B (zh) 2023-05-02

Family

ID=70083897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911100800.XA Active CN110991262B (zh) 2019-11-12 2019-11-12 生态服务价值预测的多带宽地理加权回归元胞自动机方法

Country Status (1)

Country Link
CN (1) CN110991262B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597948A (zh) * 2020-12-29 2021-04-02 同济大学 一种城市土地利用变化预测方法
CN112668448A (zh) * 2020-12-24 2021-04-16 中国科学院地理科学与资源研究所 一种生态进程变化分析方法、装置、介质及终端设备
CN113283743A (zh) * 2021-05-21 2021-08-20 中国科学院南京地理与湖泊研究所 一种流域中不同生态修复类型生境阈值的判定方法
CN113743659A (zh) * 2021-08-24 2021-12-03 中国科学院地理科学与资源研究所 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用
CN114037351A (zh) * 2021-11-29 2022-02-11 西华大学 生态系统服务价值评价模型、建立方法及应用
CN115983522A (zh) * 2022-11-10 2023-04-18 东南大学 一种乡村生境质量评估及预测方法
CN116453583A (zh) * 2023-03-16 2023-07-18 宁夏蓝怡生物工程有限公司 一种lucc的元胞自动机矫正的蛋白核藻类变化模拟方法
CN116453583B (zh) * 2023-03-16 2024-05-31 宁夏蓝怡生物工程有限公司 一种lucc的元胞自动机矫正的蛋白核藻类变化模拟方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20170091641A1 (en) * 2015-09-30 2017-03-30 Tata Consultancy Services Limited Methods and systems for optimizing hidden markov model based land change prediction
CN108090624A (zh) * 2017-12-30 2018-05-29 武汉大学 一种改进元胞自动机的城市生态安全模拟与预测的方法
WO2018214675A1 (zh) * 2017-05-24 2018-11-29 大连理工大学 一种量化分析城市建成环境对道路行程时间影响的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091641A1 (en) * 2015-09-30 2017-03-30 Tata Consultancy Services Limited Methods and systems for optimizing hidden markov model based land change prediction
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
WO2018214675A1 (zh) * 2017-05-24 2018-11-29 大连理工大学 一种量化分析城市建成环境对道路行程时间影响的方法
CN108090624A (zh) * 2017-12-30 2018-05-29 武汉大学 一种改进元胞自动机的城市生态安全模拟与预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONGJIU FENG等: "Dynamic land use change simulation using cellular automata with spatially nonstationary transition rules" *
冯永玖等: "集成遥感和GIS的元胞自动机城市生长模拟――以上海市嘉定区为例" *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668448A (zh) * 2020-12-24 2021-04-16 中国科学院地理科学与资源研究所 一种生态进程变化分析方法、装置、介质及终端设备
CN112668448B (zh) * 2020-12-24 2021-08-10 中国科学院地理科学与资源研究所 一种生态进程变化分析方法、装置、介质及终端设备
CN112597948B (zh) * 2020-12-29 2023-03-28 同济大学 一种城市土地利用变化预测方法
CN112597948A (zh) * 2020-12-29 2021-04-02 同济大学 一种城市土地利用变化预测方法
CN113283743B (zh) * 2021-05-21 2023-06-20 中国科学院南京地理与湖泊研究所 一种流域中不同生态修复类型生境阈值的判定方法
CN113283743A (zh) * 2021-05-21 2021-08-20 中国科学院南京地理与湖泊研究所 一种流域中不同生态修复类型生境阈值的判定方法
CN113743659A (zh) * 2021-08-24 2021-12-03 中国科学院地理科学与资源研究所 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用
CN113743659B (zh) * 2021-08-24 2024-01-09 中国科学院地理科学与资源研究所 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用
CN114037351A (zh) * 2021-11-29 2022-02-11 西华大学 生态系统服务价值评价模型、建立方法及应用
CN114037351B (zh) * 2021-11-29 2022-12-27 西南交通大学 生态系统服务价值评价模型、建立方法及应用
CN115983522A (zh) * 2022-11-10 2023-04-18 东南大学 一种乡村生境质量评估及预测方法
CN115983522B (zh) * 2022-11-10 2023-10-13 东南大学 一种乡村生境质量评估及预测方法
CN116453583A (zh) * 2023-03-16 2023-07-18 宁夏蓝怡生物工程有限公司 一种lucc的元胞自动机矫正的蛋白核藻类变化模拟方法
CN116453583B (zh) * 2023-03-16 2024-05-31 宁夏蓝怡生物工程有限公司 一种lucc的元胞自动机矫正的蛋白核藻类变化模拟方法

Also Published As

Publication number Publication date
CN110991262B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110991262B (zh) 生态服务价值预测的多带宽地理加权回归元胞自动机方法
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
CN106021751B (zh) 基于ca和sar的海岸带土地利用变化模拟方法
Verburg et al. Modeling the spatial dynamics of regional land use: the CLUE-S model
CN110909924A (zh) 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法
Li et al. Firefly algorithm-based cellular automata for reproducing urban growth and predicting future scenarios
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
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
Zhang et al. TrafficGAN: Off-deployment traffic estimation with traffic generative adversarial networks
CN109360421A (zh) 一种基于机器学习的交通信息预测方法及装置、电子终端
CN110909951A (zh) 一种历史名城新城区规划辅助设计系统
CN104850677A (zh) 基于地理信息系统的深度学习元胞自动机仿真分析方法
Feng et al. Urban expansion simulation and scenario prediction using cellular automata: comparison between individual and multiple influencing factors
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
Wang et al. Simulating large-scale urban land-use patterns and dynamics using the U-Net deep learning architecture
Wang et al. A comparison of proximity and accessibility drivers in simulating dynamic urban growth
Fan Simulation of land-cover change in Jing-Jin-Ji region under different scenarios of SSP-RCP
CN117114176A (zh) 基于数据分析和机器学习的土地利用变化预测方法及系统
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN115239027B (zh) 空气质量格点化集合预报的方法及装置
Tayyebi et al. Monitoring land use change by multi-temporal landsat remote sensing imagery
Makido et al. Predicting urban growth
Kumar et al. Cellular automata calibration model to capture urban growth
CN112597948B (zh) 一种城市土地利用变化预测方法
Shen et al. Discrete fourier transformation for seasonal-factor pattern classification and assignment

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