CN112016247A - 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 - Google Patents
基于土地利用变化的高精度未来水文过程耦合模型及构建方法 Download PDFInfo
- Publication number
- CN112016247A CN112016247A CN202010894369.7A CN202010894369A CN112016247A CN 112016247 A CN112016247 A CN 112016247A CN 202010894369 A CN202010894369 A CN 202010894369A CN 112016247 A CN112016247 A CN 112016247A
- Authority
- CN
- China
- Prior art keywords
- land
- data
- future
- change
- hydrological
- 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
- 230000008859 change Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000008569 process Effects 0.000 title claims abstract description 51
- 230000008878 coupling Effects 0.000 title claims abstract description 33
- 238000010168 coupling process Methods 0.000 title claims abstract description 33
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 33
- 238000010276 construction Methods 0.000 title claims abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 93
- 230000000694 effects Effects 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 12
- 230000008020 evaporation Effects 0.000 claims description 11
- 238000001704 evaporation Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000003973 irrigation Methods 0.000 claims description 9
- 230000002262 irrigation Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000008018 melting Effects 0.000 claims description 7
- 238000002844 melting Methods 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000002679 ablation Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于土地利用变化的高精度未来水文过程(LUWAT)耦合模型及构建方法,用来模拟、预测、优化并显示全球尺度下基于土地利用变化的未来高精度水文要素在时间上持续变化或周期变化的动态过程。本发明的优点在于:耦合了土地利用变化、水文变化、气候变化三类全球要素,构建出LUWAT耦合模型;实现了全球尺度下高精度全球水文要素变化的模拟和预测,结合了土地利用变化和人类活动影响,进一步提高了模拟结果的精度和可靠性。
Description
技术领域
本发明属于地理信息科学技术领域,具体涉及一种基于土地利用变化的高精度未来水文过程耦合模型及构建方法以下称LUWAT耦合模型,用来模拟、预测、优化并显示全球尺度下基于土地利用变化的未来高精度水文要素在时间上持续变化或周期变化的动态过程。
背景技术
快速城市化导致的土地利用类型变化会对流域水文以及城市环境的水文过程造成严重影响。研究表明,近几十年来的大规模城市化大幅改造了自然环境,土地利用/覆被变化导致城市集水区水文过程和生态环境发生了显著变化,致使城市洪水灾害发生频率和强度增加。尤其是在具有相对较低海拔的沿海城市和人口高度集中的城市,更扩大了洪水的危害性。由此可见,未来土地利用变化、水资源变化、气候变化将会对人类生活和社会经济造成严重影响。针对全球变化,综合考虑多种全球变化要素建模已成为亟待解决的关键问题。
目前,已有研究越来越多地依赖全球水文模型来评估和预测人类活动和气候变化对水资源的影响。虽然现有全球尺度水文模型中,不乏对人类活动影响的考虑,如DBH、H08、PCR-GLOBWB等。但是这与复杂的人类活动对水循环的影响相比,过于简化。然而随着世界人口的快速增长,人类活动对水循环造成的影响已成为模拟水文变化的关键驱动因素之一。因此,水文建模更需要强调人类活动对水循环影响的模拟。
此外,目前对未来全球水文变化以及洪水灾害的研究,大部分只关注于气候变化单要素带来的影响,忽略了土地利用变化的作用,并且存在模拟结果通常具有较低分辨率的问题。虽然部分研究开始将土地利用变化与水文模型相结合评估洪水灾害风险,但在全球范围内,高分辨率的未来情景下结合土地利用变化的水文变化分析研究仍然缺失。
在全球评估模型中,未来土地利用变化情景模拟模型(LAND)是被该领域广泛认可的可靠的土地利用变化模型,其改进了传统元胞自动机(CA)并结合神经网络算法(ANN)和自适应惯性竞争机制来模拟人类活动与自然影响下的土地利用变化以及未来土地利用变化情景。LAND能够可靠地模拟高精度城市扩张变化,通过机器学习的方法捕捉城市扩张与其驱动因素(气温、降水、土壤、地形、交通、区位、政策等方面)之间复杂的关系来预测未来城市用地扩张的动态变化。另外,社区水文模型(CWATM)是当前最先进的水文模型,其优势在于量化水的可利用性、人类用水及水基础设施的影响等人类活动影响下的水资源(包括水库、地下水抽取和灌溉),该模型可以在逐日时间步长上以不同分辨率在全球和区域内模拟水文要素变化过程。它不仅包括一般的地表水和地下水的水文过程,而且还通过计算需水量、用水量和回流量来考虑人类活动对水文过程的影响。但是CWATM针对城市用地数据处理存在不足(城市用地的城市面积数据不随时间变化)。而实际上,随着城市化的发展,城市面积具有明显变化,由此导致的实际误差使模型欠缺城市发展对人类活动及土地利用的影响。而LAND对城市扩张的可靠模拟能够很好地解决这一问题,二者形成优势互补。
发明内容
本发明的目的在于弥补目前全球性模型缺少对多种全球要素综合考虑的弱点,通过耦合未来土地利用变化情景模拟模型LAND和基于土地利用变化的CWAT模型来构建LUWAT耦合模型,模拟未来全球尺度下基于土地利用变化的水文要素在时间上持续变化或周期变化的动态过程。实现了综合土地利用变化、水文变化和气候变化三种全球要素展开高精度水文变化模拟,提供一般水文模型不能提供的高分辨率土地利用变化和人类活动影响的模拟,能够更具体地描述土地利用变化,尤其是城市用地变化给水文过程带来的影响。从而填补现有水文模拟在土地利用变化模拟和预测精度不足的缺陷,为全球水文变化提供了一种有效的模拟和优化工具,提高水文灾害风险的评估精度。
实现本发明目的的具体技术方案是:
一种基于土地利用变化的高精度未来水文过程耦合模型的构建方法,该方法具体包括如下步骤:
步骤1:设置初始状态,包括开始模拟的日期及输入变量的路径;
设置目标状态,包括目标建模区域、结束模拟的日期、输出变量的存储路径、输出的水文要素类型、输出时间步长参数及输出时间序列类型;其中,所述时间序列类型包括每天、每月、平均月、月末、每年、平均年、年末及总平均数;
步骤2:从单期初始土地利用数据的分布上采样,使用BP-ANN训练和评估每个栅格土地利用类型的分布适宜性概率;
步骤3:计算邻域影响、自适应惯性系数和转换成本矩阵后与步骤2得到的分布适宜性概率取乘积确定土地利用转化总概率;设置约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵以及各类用地的邻域因子并进行参数优化;根据轮盘赌机制确定土地利用类型之间的竞争并对土地利用变化进行模拟,得到高精度的未来土地利用变化目标结果,空间分辨率为1km;即模型模拟结果;
步骤4:将高精度的未来土地利用变化目标结果转换为包括森林、草地、灌溉用地、非灌溉用地、城市及水的六种土地覆盖类型,并与潜在蒸发、雨雪消融、需水量、植被、地下水、湖泊与水库和河流路径共同作为输入变量,得到基于未来土地利用变化的CWAT模型;设置融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制及湖泊河流蒸发因子并进行参数优化,根据目标所需的某一种或数种水文要素对应的计算方法进行模拟,得到在时间上持续变化或周期变化的高精度的未来水文要素变化过程,空间分辨率为1km;即所述高精度未来水文过程耦合模型。
步骤2所述的BP-ANN由一个输入层、一个或多个隐藏层和一个输出层构成,输入层的神经元对应输入的土地利用变化的驱动因子即人类活动和自然效应,隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定,隐藏层到输出层的激励函数被定义为Sigmoid(·),输出层的每个神经元则对应相应的土地利用类型;输入层神经元被定义为xi,且在第i个神经元在像元p和训练时间t上所接收到的信号被定义为xi(p,t);隐藏层神经元被定义为netj,且在第j个神经元在像元p和训练时间t上所接收到的信号被定义为netj(p,t);wi,j是输入层与隐藏层间的信号;具体训练流程通过以下公式实现:
X=[x1,x2,x3,…,xn]T (1)
netj(p,t)=∑iwi,j×xi(p,t) (2)
其中X为输入层神经元的集合,[x1,x2,x3,…,xn]T中T表示矩阵[x1,x2,x3,…,xn]的转置,wj,k是隐藏层与输出层间的权值,sp(p,k,t)表示第k种土地利用类型在像元p和时间t上的适宜性概率,且恒有1=∑ksp(p,k,t)。
步骤3所述计算邻域影响、自适应惯性系数和转换成本矩阵后与步骤2得到的分布适宜性概率取乘积确定土地利用转化总概率,具体计算流程通过以下公式实现,式中为邻域影响、为自适应惯性系数、scc→k为转换成本矩阵、sp(p,k,t)为得到的分布适宜性概率、为土地利用转化总概率:
步骤4所述计算得到连续时间序列的全球尺度下高精度未来水文要素的模拟结果,模拟结果是任意一个全局定义的变量,以变量为径流,其具体计算公式如下:
一种上述方法构建的基于土地利用变化的高精度未来水文过程耦合模型,该模型包括表示层、业务逻辑层及数据访问层,具体为:
所述的表示层包括用户界面、数据输入、数据显示及数据输出接口;
所述的业务逻辑层包括未来土地利用情景模拟模块、水文模块和参数优化模块,各模块间数据共享与交互以通用数据总线链接实现;
所述的数据访问层获取和提供所有数据,包括遥感数据、GIS数据、社会经济数据、气象数据、水文数据及辅助数据;数据访问层将数据传递给业务逻辑层进行分析与计算后将结果传至表示层呈现给用户,数据共享与交互采用统一的数据格式。
所述业务逻辑层的未来土地利用情景模拟模块具体包括:
(1)适应性概率计算
根据用户输入的自然、交通区位、社会经济土地利用变化驱动力因子数据,基于BP-ANN计算区域内每种土地利用类型在每个像元上的出现概率;BP-ANN的输入层的神经元和输入的土地利用变化的驱动因子相对应,输出层的每个神经元对应每种土地利用类型;隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定;以此从单期土地利用数据的分布上采样,训练和评估每个栅格土地利用类型发生的概率;将计算得到的适宜性概率自动保存在输出文件夹中;
(2)未来土地利用情景模拟
基于自适应惯性机制,在各土地利用类型的迭代过程中,提供实时的变化数据,以可视化或文本化的方式同时呈现给用户,以方便用户掌握实时变化的过程;在城市土地利用变化模拟过程中产生不同土地利用类型的实时转化曲线,以反映城市发展的不断变化;停止迭代后将模拟结果自动保存在输出文件夹中,即用户预设的保存路径中;
(3)精度验证
根据加载的真实年份的土地利用数据,并按需设置采样模式与采样数来计算Kappa系数和FoM两种指标,对模拟精度进行检验。
所述业务逻辑层的水文模块具体包括:将基于LAND的高精度未来土地利用情景模拟结果作为输入数据,得到基于未来土地利用变化的CWAT模型;根据用户所需的水文要素对应的计算公式,结合参数优化,得到包括降水、径流、蒸散发、河流流量、地下水、汇流50多种水文要素中的一种或数种高精度未来水文要素模拟结果。
所述业务逻辑层的参数优化模块具体为:用户根据精度检验结果来更新约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵及各类用地的邻域因子,即进行参数优化,再次进行模拟实验,经过多次循环更新,最终得到使未来土地利用变化目标模拟结果精度最高的参数设置方案;优化融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制、湖泊河流蒸发因子参数,再次进行模拟实验,经过多次循环更新,最终得到在时间上持续变化或周期变化的高精度的未来水文要素变化过程。
所述未来土地利用情景模拟模块使用参数优化模块对未来土地利用变化目标结果进行优化,最终得到高精度未来土地利用变化目标结果;水文模块使用参数优化模块对未来水文要素模拟结果进行优化,最终得到在时间上持续变化或周期变化的高精度未来水文要素变化过程。
本发明的优点在于:
1)耦合了土地利用变化、水文变化、气候变化这三类全球要素,构建出LUWAT耦合模型。
2)实现了全球尺度下高精度未来水文要素变化的预测和模拟,结合了土地利用变化和人类活动影响,进一步提高了模拟结果的精度和可靠性。
3)操作方便,便于维护升级。模型由Python语言开发完成,各个模块相互独立,一方面给用户友好的可用性,另一方面便于开发者对模型的升级和维护。
附图说明
图1为本发明所述LUWAT耦合模型的构建方法流程示意图;
图2为本发明所述LUWAT耦合模型的使用状态示意图;
图3为本发明所述LUWAT耦合模型结构示意图;
图4为本发明所述LUWAT耦合模型的表示层界面示意图。
具体实施方式
根据各个附图对具体实施方式进行详细说明。
本发明所述LUWAT耦合模型的建立方法流程示意图如附图1所示,主要流程为:首先设置模型的初始状态、目标状态及参数,其次基于LAND模型模拟多情境下全球未来高分辨率土地利用变化目标结果;然后将目标结果转换为包括森林、草地、灌溉用地、非灌溉用地、城市、水的六种土地覆盖类型,并与潜在蒸发、雨雪消融、需水量、植被、地下水、湖泊与水库和河流路径共同作为输入变量,随后使用基于未来土地利用变化的CWAT模型对全球未来水文要素变化进行连续时间上的动态过程预测与模拟;整个模拟过程中使用参数优化模块对未来土地利用变化模拟和未来水文要素模拟过程中的参数进行更新优化,最终得到高精度全球未来水文要素变化过程模拟结果。
具体地,首先设置模型的初始状态、目标状态及参数,初始状态包括开始模拟的日期、输入变量的路径,目标状态包括目标建模区域、结束模拟的日期、输出变量的存储路径、输出的水文要素类型、输出时间步长参数、输出时间序列类型;其中,所述时间序列类型包括每天、每月、平均月、月末、每年、平均年、年末及总平均数;
进一步地,从单期初始土地利用数据的分布上采样,并通过使用一种多层前馈神经网络BP-ANN计算得到适宜性概率。人工神经网络能够反馈迭代学习并拟合数据与目标之间的复杂关系,相较于传统的拟合方法(逻辑回归)等能够以更强的非线性映射能力最大限度消除以往生成适宜性概率过程中对因子设定权重的主观影响,结果更客观,具有明显的方法优势。BP-ANN由一个输入层、一个或多个隐藏层和一个输出层构成,输入层的神经元对应输入的土地利用变化的驱动因子即人类活动和自然效应,隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定,隐藏层到输出层的激励函数被定义为Sigmoid(·),输出层的每个神经元则对应相应的土地利用类型;输入层神经元被定义为xi,X为输入层神经元的集合,[x1,x2,x3,…,xn]T中T表示矩阵[x1,x2,x3,…,xn]的转置,且在第i个神经元在像元p和训练时间t上所接收到的信号被定义为xi(p,t);隐藏层神经元被定义为netj,且在第j个神经元在像元p和训练时间t上所接收到的信号被定义为netj(p,t),wi,j是输入层与隐藏层间的信号。首先选择两个时间点的单期土地利用数据作为多情景模拟的起止状态,将所有驱动因子(包含人口、经济、区位、交通等人类活动因子以及包含地形、土壤、未来气候等自然效应因子)进行标准化处理,得到在[0,1]之间的归一化矩阵。然后设置训练BP-ANN的采样参数及隐藏层数量(默认设置为12),将土地利用数据样本以7:3的比例分别作为训练集和测试集。最后进行适宜性概率计算,得到第k种土地利用类型在像元p和时间t上的适宜性概率,其被定义为sp(p,k,t),且恒有1=∑ksp(p,k,t)。
具体训练流程通过以下公式实现:
X=[x1,x2,x3,…,xn]T (1)
netj(p,t)=∑iwi,j×xi(p,t) (2)
Sigmoid(·)是隐藏层到输出层的激励函数,形式如下:
进一步地,将邻域影响自适应惯性系数和转换成本矩阵(scc→k)后与分布适宜性概率sp(p,k,t)取乘积确定土地利用转化总概率而后使用轮盘赌机制来决定未来像元上会是哪种土地利用类型,其随机性更能反映现实世界土地利用变化的不确定性与土地利用的交替发展,更好地考虑了土地类型之间的竞争关系,即根据轮盘赌机制确定土地利用类型之间的竞争并对土地利用变化进行模拟。在模拟过程中,根据加载的真实年份的土地利用数据,并按需设置采样模式与采样数来计算Kappa系数和FoM两种指标,对模拟精度进行检验。当模拟精度较低或不满足用户需求时,进行参数优化,更新约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵及各类用地的邻域因子,再次进行模拟实验,经过多次循环更新,最终得到未来土地利用变化目标模拟结果,空间分辨率为1km。具体计算流程通过以下公式实现:
进一步地,将得到的高精度未来土地利用变化目标结果所包含的20种土地利用类型整合成森林、草地、灌溉用地、非灌溉用第、城市、水域这6种土地利用类型,并与潜在蒸发、雨雪消融、需水量、植被、地下水、湖泊与水库和河流路径共同作为输入变量,得到基于未来土地利用变化的CWAT模型;然后设置融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制、湖泊河流蒸发因子,根据目标所需的某一种或多种水文要素对应的计算方法进行模拟。在模拟过程中,优化融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制、湖泊河流蒸发因子参数,再次进行模拟实验,经过多次循环更新,最终得到在时间上持续变化或周期变化的降水、径流、蒸散发、河流流量、地下水、汇流50多种水文要素中的一种或多种高精度未来水文要素模拟结果,空间分辨率为1km;即所述高精度未来水文过程耦合模型。其中,模拟结果是任意一个全局定义的变量,以变量为径流,其具体计算公式如下:
本发明所述LUWAT耦合模型的使用状态示意图如附图2所示,具体地,将LAND的输出变量作为输入变量,至基于未来土地利用变化的CWAT模型中,实现全球土地利用模型LAND和改进后的全球性水文模型CWATM的源码耦合。
本发明所述LUWAT耦合模型结构采用三层架构如附图3所示,具体地,包括表示层、业务逻辑层和数据访问层。本发明所述LUWAT耦合模型的表示层界面示意图如附图4所示。表示层是指与用户交互的界面,用于接受用户输入的数据和显示处理后用户需要的数据,该层设计决定了用户与软件的交互性和数据展示的可靠性和便利性。数据显示表示将系统读入的数据和分析中产生的过程数据、结果数据进行可视化。数据输出即是按照预设存储路径进行保存。
业务逻辑层是表示层与数据访问层之间的桥梁,实现系统中的各种分析和计算,是模型最为核心的构成部分。具体包括三个模块:未来土地利用情景模拟模块、水文模拟模块和参数优化模块。首先用户根据需求自定义初始状态、目标状态、未来土地利用情景模拟模块和水文模拟模块的初始参数;进一步地,未来土地利用情景模拟模块和水文模拟模块使用自定义的参数对指定区域内的水文要素变化进行模拟和预测,对得到的结果进行精度验证;进一步地,未来土地利用情景模拟模块和水文模拟模块使用参数优化模块对初始参数进行更新,优化模拟结果。模拟过程中各模块间数据共享与交互以通用数据总线链接实现。
数据层将已存储的数据提交给业务逻辑层进行处理、分析和计算,进一步反馈给表示层展示给用户,同时将业务逻辑层处理的数据保存到预设路径。具体地,包括遥感数据、GIS数据、社会经济数据、气象数据、水文数据和辅助数据。模型采用统一数据格式以实现数据在各个层或模块中的共享与交互,模型实现遵循面向对象编程原则,根据不同实体划分为相应的对象或类,实现对象的模块化并使各个模块之间相互关联。
模型所实现的具体功能如下:
1、用户交互
完成模型和用户的交互,获取用户的输入信息并输出模型运行后的结果信息呈现给用户,具体包括:
(1)数据输入:把LUWAT耦合模型所需要的数据和参数信息,从模型外部读入,一般初始状态、目标状态及参数是用户自定义输入,数据是根据数据源路径进行读取,为接下来进行的模型运行做好准备。
(2)数据显示:将未来土地利用变化目标结果、模型模拟得到的未来水文要素模拟结果和站点位置以可视化的方式显示出来,供用户直观浏览。另外,模拟的中间结果可通过可视化控件动态展示出来;文本数据使用文本的形式表现出来,模拟运行过程用当前运行的代码段以滚动显示的形式展示出来。
(3)数据输出:模型可以将分析过程中产生的数据和分析结果输出为图像、表格、文本或其他形式,供用户后续的分析使用。
2、未来土地利用情景模拟模块
该模块基于LAND进行未来土地利用情景模拟,具体包括:
(1)适应性概率计算
根据用户输入的自然、交通区位、社会经济土地利用变化驱动力因子数据,基于BP-ANN计算区域内每种土地利用类型在每个像元上的出现概率;BP-ANN的输入层的神经元和输入的土地利用变化的驱动因子相对应,输出层的每个神经元对应每种土地利用类型;隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定;以此从单期土地利用数据的分布上采样,训练和评估每个栅格土地利用类型发生的概率;将计算得到的适宜性概率自动保存在输出文件夹;
(2)未来土地利用情景模拟
基于自适应惯性机制,在各土地利用类型的迭代过程中,提供实时的变化数据,以可视化或文本化的方式同时呈现给用户,以方便用户掌握实时变化的过程;在城市土地利用变化模拟过程中产生不同土地利用类型的实时转化曲线,以反映城市发展的不断变化;停止迭代后将模拟结果自动保存在输出文件夹中,即用户预设的保存路径中;
(3)精度验证
根据加载的真实年份的土地利用数据,并按需设置采样模式与采样数来计算Kappa系数和FoM两种指标,对模拟精度进行检验。
3、水文模拟模块
将基于LAND的高精度未来土地利用情景模拟结果作为输入数据,得到基于未来土地利用变化的CWAT模型;根据用户所需的水文要素对应的计算公式,结合参数优化,得到包括降水、径流、蒸散发、河流流量、地下水、汇流50多种水文要素中的一种或多种高精度未来水文要素模拟结果。
4、参数优化模块
用户根据精度检验结果来更新约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵及各类用地的邻域因子,即进行参数优化,再次进行模拟实验,经过多次循环更新,最终得到使未来土地利用变化目标模拟结果精度最高的参数设置方案;优化融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制、湖泊河流蒸发因子参数,再次进行模拟实验,经过多次循环更新,最终得到在时间上持续变化或周期变化的高精度的未来水文要素变化过程。
5、模型帮助
(1)本地化支持
模型支持本地化,提供有英文、中文简体语言版本,以满足用户国际化的要求。
(2)模型更新
模型将提供自动更新的功能,能够及时发现版本的更新并自动更新到最新版本,保证用户使用最新的模型。同时更新后还提供更新记录以显示版本的变化。
(3)帮助
模型将提供完善的帮助文档,帮助用户了解和使用模型。在模型的使用过程中为用户提供直观说明方式以便于用户更准确地进行模型的具体操作。
Claims (10)
1.一种基于土地利用变化的高精度未来水文过程耦合模型的构建方法,其特征在于,该方法具体包括如下步骤:
步骤1:设置初始状态,包括开始模拟的日期及输入变量的路径;
设置目标状态,包括目标建模区域、结束模拟的日期、输出变量的存储路径、输出的水文要素类型、输出时间步长参数及输出时间序列类型;其中,所述时间序列类型包括每天、每月、平均月、月末、每年、平均年、年末及总平均数;
步骤2:从单期初始土地利用数据的分布上采样,使用BP-ANN训练和评估每个栅格土地利用类型的分布适宜性概率;
步骤3:计算邻域影响、自适应惯性系数和转换成本矩阵后与步骤2得到的分布适宜性概率取乘积确定土地利用转化总概率;设置约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵以及各类用地的邻域因子并进行参数优化;根据轮盘赌机制确定土地利用类型之间的竞争并对土地利用变化进行模拟,得到高精度的未来土地利用变化目标结果,空间分辨率为1km;即模型模拟结果;
步骤4:将高精度的未来土地利用变化目标结果转换为包括森林、草地、灌溉用地、非灌溉用地、城市及水的六种土地覆盖类型,并与潜在蒸发、雨雪消融、需水量、植被、地下水、湖泊与水库和河流路径共同作为输入变量,得到基于未来土地利用变化的CWAT模型;设置融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制及湖泊河流蒸发因子并进行参数优化,根据目标所需的某一种或数种水文要素对应的计算方法进行模拟,得到在时间上持续变化或周期变化的高精度的未来水文要素变化过程,空间分辨率为1km;即所述高精度未来水文过程耦合模型。
2.根据权利要求1所述的耦合模型的构建方法,其特征在于,步骤2所述的BP-ANN由一个输入层、一个或多个隐藏层和一个输出层构成,输入层的神经元对应输入的土地利用变化的驱动因子即人类活动和自然效应,隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定,隐藏层到输出层的激励函数被定义为Sigmoid(·),输出层的每个神经元则对应相应的土地利用类型;输入层神经元被定义为xi,且在第i个神经元在像元p和训练时间t上所接收到的信号被定义为xi(p,t);隐藏层神经元被定义为netj,且在第j个神经元在像元p和训练时间t上所接收到的信号被定义为netj(p,t);wi,j是输入层与隐藏层间的信号;具体训练流程通过以下公式实现:
X=[x1,x2,x3,…,xn]T (1)
netj(p,t)=∑iwi,j×xi(p,t) (2)
其中X为输入层神经元的集合,[x1,x2,x3,…,xn]T中T表示矩阵[x1,x2,x3,…,xn]的转置,wj,k是隐藏层与输出层间的权值,sp(p,k,t)表示第k种土地利用类型在像元p和时间t上的适宜性概率,且恒有1=∑ksp(p,k,t)。
5.一种权利要求1所述方法构建的基于土地利用变化的高精度未来水文过程耦合模型。
6.根据权利要求5所述的耦合模型,其特征在于,该模型包括表示层、业务逻辑层及数据访问层,具体为:
所述的表示层包括用户界面、数据输入、数据显示及数据输出接口;
所述的业务逻辑层包括未来土地利用情景模拟模块、水文模块和参数优化模块,各模块间数据共享与交互以通用数据总线链接实现;
所述的数据访问层获取和提供所有数据,包括遥感数据、GIS数据、社会经济数据、气象数据、水文数据及辅助数据;数据访问层将数据传递给业务逻辑层进行分析与计算后将结果传至表示层呈现给用户,数据共享与交互采用统一的数据格式。
7.根据权利要求6所述的耦合模型,其特征在于,所述业务逻辑层的未来土地利用情景模拟模块具体包括:
(1)适应性概率计算
根据用户输入的自然、交通区位、社会经济土地利用变化驱动力因子数据,基于BP-ANN计算区域内每种土地利用类型在每个像元上的出现概率;BP-ANN的输入层的神经元和输入的土地利用变化的驱动因子相对应,输出层的每个神经元对应每种土地利用类型;隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定;以此从单期土地利用数据的分布上采样,训练和评估每个栅格土地利用类型发生的概率;将计算得到的适宜性概率自动保存在输出文件夹中;
(2)未来土地利用情景模拟
基于自适应惯性机制,在各土地利用类型的迭代过程中,提供实时的变化数据,以可视化或文本化的方式同时呈现给用户,以方便用户掌握实时变化的过程;在城市土地利用变化模拟过程中产生不同土地利用类型的实时转化曲线,以反映城市发展的不断变化;停止迭代后将模拟结果自动保存在输出文件夹中,即用户预设的保存路径中;
(3)精度验证
根据加载的真实年份的土地利用数据,并按需设置采样模式与采样数来计算Kappa系数和FoM两种指标,对模拟精度进行检验。
8.根据权利要求6所述的耦合模型,其特征在于,所述业务逻辑层的水文模块具体包括:将基于LAND的高精度未来土地利用情景模拟结果作为输入数据,得到基于未来土地利用变化的CWAT模型;根据用户所需的水文要素对应的计算公式,结合参数优化,得到包括降水、径流、蒸散发、河流流量、地下水、汇流50多种水文要素中的一种或数种高精度未来水文要素模拟结果。
9.根据权利要求6所述的耦合模型,其特征在于,所述业务逻辑层的参数优化模块具体为:用户根据精度检验结果来更新约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵及各类用地的邻域因子,即进行参数优化,再次进行模拟实验,经过多次循环更新,最终得到使未来土地利用变化目标模拟结果精度最高的参数设置方案;优化融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制、湖泊河流蒸发因子参数,再次进行模拟实验,经过多次循环更新,最终得到在时间上持续变化或周期变化的高精度的未来水文要素变化过程。
10.根据权利要求6所述的耦合模型,其特征在于,所述未来土地利用情景模拟模块使用参数优化模块对未来土地利用变化目标结果进行优化,最终得到高精度未来土地利用变化目标结果;水文模块使用参数优化模块对未来水文要素模拟结果进行优化,最终得到在时间上持续变化或周期变化的高精度未来水文要素变化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894369.7A CN112016247A (zh) | 2020-08-31 | 2020-08-31 | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894369.7A CN112016247A (zh) | 2020-08-31 | 2020-08-31 | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016247A true CN112016247A (zh) | 2020-12-01 |
Family
ID=73502421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894369.7A Pending CN112016247A (zh) | 2020-08-31 | 2020-08-31 | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016247A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528516A (zh) * | 2020-12-24 | 2021-03-19 | 成都市沱江流域投资发展集团有限公司 | 一种耦合土地利用类型和气候变化的流域水环境管理方法 |
CN112651096A (zh) * | 2020-12-30 | 2021-04-13 | 陕西师范大学 | 全生命周期的城市水流过程耦合模型参数自动适配方法及系统 |
CN112765912A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 |
CN114154886A (zh) * | 2021-12-08 | 2022-03-08 | 重庆大学 | 基于延迟通信ca模型的土地变迁模拟方法 |
CN117252436A (zh) * | 2023-11-20 | 2023-12-19 | 中国科学院地理科学与资源研究所 | 一种土地利用变化生态风险分区的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108537710A (zh) * | 2018-03-26 | 2018-09-14 | 重庆交通大学 | 一种基于Markov-FLUS模型的城市增长边界划定方法 |
CN111274676A (zh) * | 2020-01-13 | 2020-06-12 | 中国水利水电科学研究院 | 一种面向分布式水文模型的变土地利用数据处理方法 |
-
2020
- 2020-08-31 CN CN202010894369.7A patent/CN112016247A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108537710A (zh) * | 2018-03-26 | 2018-09-14 | 重庆交通大学 | 一种基于Markov-FLUS模型的城市增长边界划定方法 |
CN111274676A (zh) * | 2020-01-13 | 2020-06-12 | 中国水利水电科学研究院 | 一种面向分布式水文模型的变土地利用数据处理方法 |
Non-Patent Citations (2)
Title |
---|
PETER BUREK1, YUSUKE SATOH1,2, TAHER KAHIL1, TING TANG1, PETER G: ""Development of the Community Water Model (CWatM v1.04)A high-resolution hydrological model for global and regional assessment of integrated water resources management"", 《GEOSCIENTIFIC MODEL DECELOPMENT》 * |
李国珍: ""基于FLUS模型的深圳市土地利用变化与模拟研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528516A (zh) * | 2020-12-24 | 2021-03-19 | 成都市沱江流域投资发展集团有限公司 | 一种耦合土地利用类型和气候变化的流域水环境管理方法 |
CN112528516B (zh) * | 2020-12-24 | 2023-06-27 | 成都市沱江流域投资发展集团有限公司 | 一种耦合土地利用类型和气候变化的流域水环境管理方法 |
CN112651096A (zh) * | 2020-12-30 | 2021-04-13 | 陕西师范大学 | 全生命周期的城市水流过程耦合模型参数自动适配方法及系统 |
CN112765912A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 |
CN114154886A (zh) * | 2021-12-08 | 2022-03-08 | 重庆大学 | 基于延迟通信ca模型的土地变迁模拟方法 |
CN114154886B (zh) * | 2021-12-08 | 2024-05-10 | 重庆大学 | 基于延迟通信ca模型的土地变迁模拟方法 |
CN117252436A (zh) * | 2023-11-20 | 2023-12-19 | 中国科学院地理科学与资源研究所 | 一种土地利用变化生态风险分区的方法和系统 |
CN117252436B (zh) * | 2023-11-20 | 2024-01-30 | 中国科学院地理科学与资源研究所 | 一种土地利用变化生态风险分区的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016247A (zh) | 基于土地利用变化的高精度未来水文过程耦合模型及构建方法 | |
Martínez-López et al. | Towards globally customizable ecosystem service models | |
Souza et al. | City Information Modelling as a support decision tool for planning and management of cities: A systematic literature review and bibliometric analysis | |
Sohl et al. | Modeled historical land use and land cover for the conterminous United States | |
Giupponi et al. | MULINO-DSS: a computer tool for sustainable use of water resources at the catchment scale | |
Clare et al. | Tracking wetland loss to improve evidence-based wetland policy learning and decision making | |
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 | |
CN108304536A (zh) | 一种耦合地缘环境要素的地缘环境模拟与预测平台 | |
Bare | Recommendation for land use impact assessment: first steps into framework, theory, and implementation | |
Dasgupta et al. | Connecting hydrological modelling and forecasting from global to local scales: Perspectives from an international joint virtual workshop | |
Dragicevic et al. | Space, time, and dynamics modeling in historical GIS databases: a fuzzy logic approach | |
Jewitt et al. | Scale and model interfaces in the context of integrated water resources management for the rivers of the Kruger National Park | |
Mahmoud | Integrating geoinformation and socioeconomic data for assessing urban land-use vulnerability to potential climate-change impacts of Abuja | |
Deal et al. | A spatially explicit urban simulation model: land use evolution and impact assessment model (LEAM) | |
Cheng | Logic of Digital Landscape Architecture | |
Karanja | Use of knowledge based systems for the detection and monitoring of unplanned developments | |
Harpham | Using spatio-temporal feature type structures for coupling environmental numerical models to each other and to data sources | |
Van Delden | Integration of socio-economic and bio-physical models to support sustainable development | |
CN113554356B (zh) | 基于多模型融合的人口分布估计方法、装置及存储介质 | |
CN117611108B (zh) | 一种城乡建设用地有偿调剂的智能决策构建方法 | |
Kumar et al. | Methodologies of Scenario Development for Water Resource Management: A Review | |
Harrington | Predicting and Understanding the Presence of Water through Remote Sensing, Machine Learning, and Uncertainty Quantification | |
Dizbadi et al. | Simulating And Modeling Areal Development In the City using the Fuzzy Cell Automaton Method. | |
AL-RIYAMI | MONITORING URBAN GROWTH USING REMOTE SENSING AND GIS: A CASE STUDY OF MUSCAT GOVERNORATE |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201201 |