CN112182951B - 一种考虑多重不确定性的土地利用规划方法 - Google Patents

一种考虑多重不确定性的土地利用规划方法 Download PDF

Info

Publication number
CN112182951B
CN112182951B CN202010893514.XA CN202010893514A CN112182951B CN 112182951 B CN112182951 B CN 112182951B CN 202010893514 A CN202010893514 A CN 202010893514A CN 112182951 B CN112182951 B CN 112182951B
Authority
CN
China
Prior art keywords
land
research area
area
target
planning
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.)
Active
Application number
CN202010893514.XA
Other languages
English (en)
Other versions
CN112182951A (zh
Inventor
郭红江
蔡宴朋
肖俊
周子旋
潘炜杰
谭倩
杨志峰
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010893514.XA priority Critical patent/CN112182951B/zh
Publication of CN112182951A publication Critical patent/CN112182951A/zh
Application granted granted Critical
Publication of CN112182951B publication Critical patent/CN112182951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的在于提供一种考虑多重不确定性的土地利用规划方法，包括构建多重不确定性下的多目标土地利用空间优化模型，并利用基于改进的多目标蚁群算法求解所述多目标土地利用结构优化模型，得到多重不确定性条件下所述研究区不同规划期与不同地类的土地数量结构预测结果弹性区间，然后，结合驱动因子数据，再利用BP神经网络来获取各地类的分布适宜性概率并设定自适应惯性系数、邻域影响因子以及转换成本；将所述研究区的所述土地数量结构预测结果弹性区间与各地类的所述分布适宜性概率、所述自适应惯性系数、所述邻域影响因子以及所述转换成本进行结合，最终得到多重不确定条件下未来土地利用空间格局优化结果，为土地利用规划提供新思路。

Description

一种考虑多重不确定性的土地利用规划方法
技术领域
本发明涉及到土地利用规划领域，特别是涉及一种考虑多重不确定性的土地利用规划方法。
背景技术
土地资源是地球上十分宝贵的自然资源，也是维持人类生存和发展的重要资源，随着社会经济的发展，现在很多地区普遍存在土地资源供需不平衡问题，不合理的开发和利用不仅会破坏当地生态环境，而且也会制约经济发展。合理的土地利用规划不但可以促进土地资源的可持续发展，同时还可以促进地区社会、经济、生态的协调持续发展，进而实现区域土地利用经济、环境、生态和社会等综合效益最大化。
土地利用优化配置是实现土地资源可持续发展的重要途径，也是土地利用规划的重要内容，实现土地资源在数量结构上的优化配置以及在空间结构上的合理布局，使其既能满足生态、经济和社会效益的最大化，同时又能实现土地资源的可持续发展，是土地利用优化配置的重要内容。关于土地利用优化配置，前人多采用一些线性规划和非线性规划模型来解决此类问题，而土地利用优化配置其实是一个复杂的非线性的多目标优化配置过程，与此同时，土地利用规划存在多方面的不确定性因素，而传统的土地利用结构优化配置模型大多未考虑这方面的内容，故传统的数学规划模型在解决此类问题中存在一定局限性。还有学者采用土地利用模拟模型以及数量结构预测模型，在结合分析社会、经济和自然因素等驱动因素的前提下，通过设定转换规则生成各地类的适宜性图，通过各地类在空间上的叠加以此来对土地利用布局进行优化，这种优化方式没有考虑太多的目标和约束条件，主观性比较强。
人工智能算法由于其高效的寻优能力，给土地利用空间优化配置提供了新的思路，常见的有蚁群算法、粒子群算法、模拟退火算法、遗传算法等，这些智能优化算法虽然更易于实现，但仍然存在寻优质量不足、易陷入局部最优和无法得到较为连续的Pareto前沿等问题，所以寻求一种新的土地利用空间优化的方法对土地利用规划具有重要意义。
发明内容
本发明针对现有技术在土地利用优化配置中存在的不足，提出了一种考虑多重不确定性的土地利用规划方法，可以为土地利用规划提供新思路。
本发明解决上述技术问题所采取的技术方案是：一种考虑多重不确定性的土地利用规划方法，包括：
构建多重不确定性下的多目标土地利用结构优化模型，包括：以研究区土地利用经济效益和生态效益最大化作为本模型的目标函数；以不同规划期不同地类的土地面积作为决策变量；
利用基于改进的多目标蚁群算法求解所述多目标土地利用结构优化模型，得到多重不确定性条件下所述研究区不同规划期与不同地类的土地数量结构预测结果弹性区间；
根据所述研究区的相关基础地理信息数据生成影响土地利用变化的驱动因子数据，再利用BP神经网络来获取各地类的分布适宜性概率；
将所述研究区的所述土地数量结构预测结果弹性区间作为FLUS模型的土地需求数量文件，结合各地类的所述分布适宜性概率以及根据情况设定的自适应惯性系数、邻域影响因子以及转换成本，得到多重不确定条件下未来研究区土地利用空间格局优化结果。
一种考虑多重不确定性的土地利用规划方法，包括以下步骤：
步骤一：针对研究区的数据收集，包括；所述研究区的相关基础地理信息数据；
步骤二：结合步骤一中的数据对研究区土地利用现状进行分析，整合已有数据和相关统计数据获取相应参数；
步骤三：构建多重不确定性下的多目标土地利用结构优化模型，包括目标函数、决策变量和约束条件，并以研究区土地利用经济效益和生态效益最大化作为本模型的目标函数；以不同规划期不同地类的土地面积作为决策变量；
步骤四：利用基于改进的多目标蚁群算法求解步骤三中的所述多重不确定性下的多目标土地利用结构优化模型，得到多重不确定性条件下研究区不同规划期不同地类的土地数量结构预测结果弹性区间；
步骤五：利用步骤一中的所述相关基础地理信息数据生成影响土地利用变化的驱动因子数据，并利用BP神经网络获取各地类分布的各地类适宜性概率并设定自适应惯性系数、邻域影响因子和转换成本作为FLUS模型的输入,以进行模拟；
步骤六：根据步骤四得到的研究区所述土地数量结构预测结果弹性区间作为FLUS模型的土地需求数量文件，分别将所述土地数量结构预测结果弹性区间拆分为两个确定的上限值和下限值；然后，将步骤五得到的所述各地类适宜性概率、所述自适应惯性系数、所述邻域影响因子以及所述转换成本与两个确定的所述上限值和所述下限值结合，得到多重不确定条件下未来研究区土地利用空间格局优化结果。
所述“研究区的相关基础地理信息数据”，包括：
所述研究区的高程、坡度、水系、高速、铁路、国道、省道、居民点中的一种或几种。
所述“针对研究区的数据收集”，还包括：
所述研究区的分类：将所述研究区分为耕地、林地、草地、水域、建设用地和未利用地；
面积数据：所述耕地、所述林地、所述草地、所述水域、所述建设用地以及所述未利用地的分布面积数据。
所述“多重不确定性下的多目标土地利用结构优化模型”，包括：
A.所述目标函数为：
经济效益目标：
生态效益目标：
式中，分别表示研究区土地资源最大经济效益和最大生态效益；i代表行政区区域；j表示不同的地类；t为研究区未来的规划阶段；/>为决策变量表示研究区不同时期各地类的面积；/>为研究区各地类的利益系数；/>为各地类的消耗系数；/>为各地类生态系统服务价值系数；
B.所述约束条件为：
式中，为各地类的消耗系数；GI±为规划期内政府的最大投资；/>为规划期实际总人口；/>为人均土地面积；/>为单位用地用水量；/>为最大供水量；/>为单位用地耗电量；/>为最大供水量；/>为污水排放系数；/>为污水处理能力；为固体废物排放系数；/>为固体废物处理能力；/>为研究区总面积；/>为规划期最大人口数。
所述“利用基于改进的多目标蚁群算法求解步骤三中的所述多重不确定性下的多目标土地利用结构优化模型”，包括以下具体步骤：
Step 1：给定不同的置信水平α，模糊置信约束转化为典型的区间型约束，构造相应的隶属度函数如下：
Step 2：置信水平α的公式如下：
Step 3：利用交互两步式算法将所述多重不确定性下的多目标土地利用结构优化模型拆分为上限子模型和下限子模型；
Step 4：分别利用改进的多目标蚁群算法对所述上限子模型和所述下限子模型进行多目标求解；
Step 5：基于上述Step 1～Step 4得到解：
Step 6：在给定Step1所述不同的置信水平α重复Step 1～Step 4；
Step 7：得到最终所有不同置信水平α下的研究区不同规划期不同地类的土地数量结构预测结果弹性区间。
所述“利用步骤一中的所述相关基础地理信息数据生成影响土地利用变化的驱动因子数据”，包括：
将相关基础地理信息数据在ArcGIS中进行欧式距离分析，生成交通区位驱动因子数据，包括高程、坡度以及距离水系距离、距离高速距离、距离铁路距离、距离国道距离、距离省道距离、距离居民点距离中的一种或几种。
所述“利用BP神经网络获取各地类分布的各地类适宜性概率”，包括以下步骤：
将影响土地利用变化的所述驱动因子数据作为BP神经网络的输入层，隐含层为输入层神经元的数目，进而由输出层得到各地类的适宜性概率，适宜性概率计算公式如下：
式中，p(p,k,t)为第k种地类在栅格p、时间t上的适宜性概率；wj,k为隐藏层与输出层间的权值；sigmoid为隐藏层到输出层的激活函数；netj(p,t)为时间t上第j个隐藏层栅格p所接收到的信号；且由BP神经网络得到的各地类的适宜性概率其和为1，即
所述“将所述各地类适宜性概率、所述自适应惯性系数、所述邻域影响因子以及所述转换成本与两个确定的所述上限值和所述下限值结合”，包括如下步骤：
第k类用地在t时刻的自适应惯性系数为：
式中，分别表示第k种地类在t-1和t-2两个时刻的用地需求和分配的面积差；
对于邻域作用，其可以用公式表示为：
式中，为k类用地在上一次迭代结束后，在N×N的Moore邻域窗口中的栅格总数；wk为各类用地邻域作用强度的权重，/>取值范围为0～1，越接近1代表该地类的扩张能力越强；转换成本用来表征从当前用地类型转换为需求类型的困难度，转换成本是用转换成本矩阵表示；
将以上因素综合考虑后就可以计算得到各个栅格的总体转换概率，总体转换概率可以用公式表示为：
式中，为栅格p在t时刻从原始地类转换为k类的总体转换概率；p(p,k,t)为栅格p在时间t转换为k类用地的发展概率；/>为邻域影响因子；/>为自适应惯性系数；scc→k为c类用地转换为k类用地的转换成本；
结合轮盘竞争机制，得到所述多重不确定条件下未来研究区土地利用空间格局优化结果。
本发明所带来的有益效果为：本发明考虑了传统土地利用规划容易忽视的多重不确定性，通过改进的多目标蚁群算法对多重不确定性下多目标土地利用优化模型进行求解，解决了传统智能算法在寻优质量不足、易陷入局部最优和无法得到较为连续的Pareto前沿等方面存在的问题。本发明所述方法能够得到一组满足目标函数和约束条件的Pareto解集，进而借助FLUS模型对求解后的土地利用布局进行了空间上的优化，可以给土地利用规划决策者提供多种规划方案。
附图说明
图1为本发明一种考虑多重不确定性的土地利用规划方法的流程图。
具体实施方式
下面结合附图对本发明进行进一步的说明。
如图1，一种考虑多重不确定性的土地利用规划方法，包括以下步骤：
步骤一：数据收集与处理，包括研究区时间序列遥感影像数据、基础地理信息数据、气候数据和相关统计数据。
步骤二：结合步骤一中的数据对研究区土地利用现状进行分析，整合已有数据和相关统计数据获取相应参数。
步骤三：构建多重不确定性下的多目标土地利用结构优化模型，包括目标函数、决策变量和约束条件，这里以研究区土地利用经济效益和生态效益最大化作为本模型的目标函数；以不同规划期不同地类的土地面积作为决策变量；约束条件参考下面具体公式。
步骤四：基于改进的多目标蚁群算法求解多重不确定条件下多目标土地利用结构优化模型，分析得到多重不确定性条件下研究区不同规划期不同地类数量结构预测结果弹性区间。
步骤五：利用步骤一中相关基础地理信息数据生成影响土地利用变化的驱动因子数据，接着利用BP神经网络来计算各地类分布的适宜性概率。
步骤六：结合步骤四得到的研究区土地数量结构预测结果弹性区间作为FLUS模型的土地需求数量文件，由于不确定性导致的数量结构的预测结果是一个区间，所以分别将数量结构预测结果拆分为两个确定的上限值和下限值，结合步骤五得到的各地类适宜性概率并设定自适应惯性系数、邻域影响因子和转换成本最终得到多重不确定条件下未来研究区土地利用空间格局优化结果，可以为土地规划决策提供方案支持。
其中，在步骤一中的研究区时间序列遥感影像数据，是指对获取到的遥感影像经预处理后将研究区分为耕地、林地、草地、水域、建设用地和未利用地六种，并基于分类结果数据获取到各地类分布面积数据；基础地理信息数据的获取指的是研究区高程、坡度、水系、高速、铁路、国道、省道、居民点等基础地理信息数据的获取，用于生成交通区位影响因子；统计数据指的是研究区人口、GDP等数据。
3.技术方案1步骤三中，将研究区土地资源经济效益最大化和生态效益最大化作为土地利用优化的目标，目标函数的公式如下：
经济效益目标：
生态效益目标：
式中，分别表示研究区土地资源最大经济效益(万元)和最大生态效益(万元)；i代表行政区区域；j表示不同的地类；t为研究区未来的规划阶段，如t＝1代表规划期2021-2025年，t＝2代表2026-2030年，t＝3代表2031-2035年；/>为决策变量表示研究区不同时期各地类的面积(km2)；/>为研究区各地类的利益系数(万元/km2)；/>为各地类的消耗系数(万元/km2)；/>为各地类生态系统服务价值系数(万元/km2)，具体参考谢高地等人修订的中国陆地生态系统单位面积生态服务价值系数表。
将研究区规划期内的政府投资、人均土地面积、水资源供给、电力供给、污水处理能力、固体废物处理能力、研究区土地总面积以及人口规模作为本模型的约束条件，约束条件公式如下：
式中，为各地类的消耗系数；GI±为规划期内政府的最大投资；/>为规划期实际总人口；/>为人均土地面积；/>为单位用地用水量；/>为最大供水量；为单位用地耗电量；/>为最大供水量；/>为污水排放系数；/>为污水处理能力；/>为固体废物排放系数；/>为固体废物处理能力；/>为研究区总面积；为规划期最大人口数。
4.技术方案1中步骤四的多目标模型求解过程主要分为以下几步：
Step 1：给定不同的置信水平α将约束条件③即模糊置信约束转化为典型的区间型约束，构造相应的隶属度函数如下：
Step 2：置信水平α应该大于0.5，公式如下：
Step 3：利用交互两步式算法将不确定条件下的土地利用结构优化配置模型拆分为两个上下限子模型；
Step 4：分别利用改进的多目标蚁群算法对两个上下限子模型进行多目标求解；
Step 5：基于上述Step 1～Step 4得到解：
Step 6：在给定不同的置信水平α重复Step 1～Step 4；
Step 7：得到最终所有不同α下的不同规划期各地类的面积数量结构区间结果。
5.技术方案1中步骤五具体为：将相关基础地理信息数据在ArcGIS中进行欧式距离分析生成交通区位驱动因子数据，包括高程、坡度以及距离水系距离、距离高速距离、距离铁路距离、距离国道距离、距离省道距离、距离居民点距离等影响因子，将影响土地利用变化的驱动因子数据作为BP神经网络的输入层，隐含层为输入层神经元的数目，进而由输出层得到各地类的适宜性概率，适宜性概率计算公式如下：
式中，p(p,k,t)为第k种地类在栅格p、时间t上的适宜性概率；wj,k为隐藏层与输出层间的权值；sigmoid为隐藏层到输出层的激活函数；netj(p,t)为时间t上第j个隐藏层栅格p所接收到的信号。此外，由BP神经网络得到的各地类的适宜性概率其和为1，即
6.技术方案1中步骤六的具体操作为：土地利用空间格局优化主要分为两大步，第一步为土地利用数量结构优化，第二步为土地利用空间布局优化。第二步的空间布局优化涉及多方面影响因素，包括由BP神经网络输出的地类适宜性概率以及自适应惯性系数、邻域影响因子和转换成本等。将各地类的数量结构区间按上下限值拆分为两个具体数值，然后分别根据上下限值的地类需求数量与实际数量来决定各地类间的自适应惯性系数，第k类用地在t时刻的自适应惯性系数为：
式中，分别表示第k种地类在t-1和t-2两个时刻的用地需求和分配的面积差。
对于邻域作用，其可以用公式表示为：
式中，为k类用地在上一次迭代结束后，在N×N的Moore邻域窗口中的栅格总数；wk为各类用地邻域作用强度的权重，/>取值范围为0～1，越接近1代表该地类的扩张能力越强。转换成本用来表征从当前用地类型转换为需求类型的困难度，转换成本是用转换成本矩阵表示。
将以上因素综合考虑后就可以计算得到各个栅格的总体转换概率，总体转换概率可以用公式表示为：
式中，为栅格p在t时刻从原始地类转换为k类的总体转换概率；p(p,k,t)为栅格p在时间t转换为k类用地的发展概率；/>为邻域影响因子；/>为自适应惯性系数；scc→k为c类用地转换为k类用地的转换成本。结合轮盘竞争机制在CA中迭代，将各类用地分配至栅格中，得到研究区不同规划期下多重不确定性影响下的研究区土地利用空间布局优化结果。
本发明所述方法考虑了传统土地利用规划容易忽视的多重不确定性，而且通过改进的多目标蚁群算法对多重不确定性下多目标土地利用结构优化模型进行求解，解决了传统智能算法在寻优质量不足、易陷入局部最优和无法得到较为连续的Pareto前沿等方面存在的问题。本发明所述方法不仅得到一组满足目标函数和约束条件的Pareto解集，而且借助FLUS模型对求解后的土地利用布局进行了空间上的优化，可以给土地利用规划决策者提供多种规划方案。
以上，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，可轻易变化或替换，都属于本发明的保护范围之内。因此本发明的保护范围所述以权利要求的保护范围为准。

Claims (4)

1.一种考虑多重不确定性的土地利用规划方法，其特征在于，包括：
构建多重不确定性下的多目标土地利用结构优化模型，包括：以研究区土地利用经济效益和生态效益最大化作为本模型的目标函数；以不同规划期不同地类的土地面积作为决策变量；
利用基于改进的多目标蚁群算法求解所述多目标土地利用结构优化模型，得到多重不确定性条件下所述研究区不同规划期与不同地类的土地数量结构预测结果弹性区间；
根据所述研究区的相关基础地理信息数据生成影响土地利用变化的驱动因子数据，再利用BP神经网络来获取各地类的分布适宜性概率；
将所述研究区的所述土地数量结构预测结果弹性区间作为FLUS模型的土地需求数量文件，结合各地类的所述分布适宜性概率以及根据情况设定的自适应惯性系数、邻域影响因子以及转换成本，得到多重不确定条件下未来研究区土地利用空间格局优化结果；
具体包括以下步骤：
步骤一：针对研究区的数据收集，包括；所述研究区的相关基础地理信息数据；
步骤二：结合步骤一中的数据对研究区土地利用现状进行分析，整合已有数据和相关统计数据获取相应参数；
步骤三：构建多重不确定性下的多目标土地利用结构优化模型，包括目标函数、决策变量和约束条件，并以研究区土地利用经济效益和生态效益最大化作为本模型的目标函数；以不同规划期不同地类的土地面积作为决策变量；
步骤四：利用基于改进的多目标蚁群算法求解步骤三中的所述多重不确定性下的多目标土地利用结构优化模型，得到多重不确定性条件下研究区不同规划期不同地类的土地数量结构预测结果弹性区间；
步骤五：利用步骤一中的所述相关基础地理信息数据生成影响土地利用变化的驱动因子数据，并利用BP神经网络获取各地类分布的各地类适宜性概率并设定自适应惯性系数、邻域影响因子和转换成本作为FLUS模型的输入，以进行模拟；
步骤六：根据步骤四得到的研究区所述土地数量结构预测结果弹性区间作为FLUS模型的土地需求数量文件，分别将所述土地数量结构预测结果弹性区间拆分为两个确定的上限值和下限值；然后，将步骤五得到的所述各地类适宜性概率、所述自适应惯性系数、所述邻域影响因子以及所述转换成本与两个确定的所述上限值和所述下限值结合，得到多重不确定条件下未来研究区土地利用空间格局优化结果；
所述多重不确定性下的多目标土地利用结构优化模型，包括：
A.所述目标函数为：
经济效益目标：
生态效益目标：
式中，f1 ±、f2 ±分别表示研究区土地资源最大经济效益和最大生态效益；i代表行政区区域；j表示不同的地类；t为研究区未来的规划阶段；为决策变量表示研究区不同时期各地类的面积；/>为研究区各地类的利益系数；/>为各地类的消耗系数；/>为各地类生态系统服务价值系数；
B.所述约束条件为：
式中，为规划期内政府的最大投资；/>为规划期实际总人口；/>为人均土地面积；/>为单位用地用水量；/>为最大供水量；/>为单位用地耗电量；/>为最大供电量；/>为污水排放系数；/>为污水处理能力；/>为固体废物排放系数；为固体废物处理能力；/>为研究区总面积；/>为规划期最大人口数；
所述利用基于改进的多目标蚁群算法求解步骤三中的所述多重不确定性下的多目标土地利用结构优化模型，包括以下具体步骤：
Step 1：给定不同的置信水平α，模糊置信约束转化为典型的区间型约束，构造相应的隶属度函数如下：
Step 2：置信水平α的公式如下：
Step 3：利用交互两步式算法将所述多重不确定性下的多目标土地利用结构优化模型拆分为上限子模型和下限子模型；
Step 4：分别利用改进的多目标蚁群算法对所述上限子模型和所述下限子模型进行多目标求解；
Step 5：基于上述Step 1～Step 4得到解：
Step 6：在Step1给定所述不同的置信水平α重复Step 1～Step 4；
Step 7：得到最终所有不同置信水平α下的研究区不同规划期不同地类的土地数量结构预测结果弹性区间；
所述利用步骤一中的所述相关基础地理信息数据生成影响土地利用变化的驱动因子数据，包括：
将相关基础地理信息数据在ArcGIS中进行欧式距离分析，生成交通区位驱动因子数据，包括高程、坡度以及距离水系距离、距离高速距离、距离铁路距离、距离国道距离、距离省道距离、距离居民点距离中的一种或几种。
2.根据权利要求1所述的一种考虑多重不确定性的土地利用规划方法，其特征在于：
所述研究区的相关基础地理信息数据，包括：
所述研究区的高程、坡度、水系、高速、铁路、国道、省道、居民点中的一种或几种。
3.根据权利要求1所述的一种考虑多重不确定性的土地利用规划方法，其特征在于：
所述针对研究区的数据收集，还包括：
所述研究区的分类：将所述研究区分为耕地、林地、草地、水域、建设用地和未利用地；
面积数据：所述耕地、所述林地、所述草地、所述水域、所述建设用地以及所述未利用地的分布面积数据。
4.根据权利要求1所述的一种考虑多重不确定性的土地利用规划方法，其特征在于：
所述利用BP神经网络获取各地类分布的各地类适宜性概率，包括以下步骤：
将影响土地利用变化的所述驱动因子数据作为BP神经网络的输入层，隐含层为输入层神经元的数目，进而由输出层得到各地类的适宜性概率，适宜性概率计算公式如下：
式中，p(p,k,t)为第k种地类在栅格p、时间t上的适宜性概率；wj,k为隐藏层与输出层间的权值；sigmoid为隐藏层到输出层的激活函数；netj(p,t)为时间t上第j个隐藏层的栅格p所接收到的信号；且由BP神经网络得到的各地类的适宜性概率其和为1，即
CN202010893514.XA 2020-08-31 2020-08-31 一种考虑多重不确定性的土地利用规划方法 Active CN112182951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010893514.XA CN112182951B (zh) 2020-08-31 2020-08-31 一种考虑多重不确定性的土地利用规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010893514.XA CN112182951B (zh) 2020-08-31 2020-08-31 一种考虑多重不确定性的土地利用规划方法

Publications (2)

Publication Number Publication Date
CN112182951A CN112182951A (zh) 2021-01-05
CN112182951B true CN112182951B (zh) 2023-07-25

Family

ID=73924601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010893514.XA Active CN112182951B (zh) 2020-08-31 2020-08-31 一种考虑多重不确定性的土地利用规划方法

Country Status (1)

Country Link
CN (1) CN112182951B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819112B (zh) * 2022-06-30 2022-09-16 南京北斗创新应用科技研究院有限公司 一种顾及空间分区的土地利用适宜性概率生成方法
CN116739133A (zh) * 2023-03-20 2023-09-12 北京师范大学 一种基于自然–社会双驱动分析的区域芦苇ndvi格局模拟预测方法
CN116384157B (zh) * 2023-05-26 2023-08-18 北京师范大学 土地利用变化模拟方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
土地资源优化配置研究进展与展望;陈梅英等;热带地理;第29卷(第5期);第466-471页 *
基于小样本信息的区间边界估计方法研究;沈展鹏等;应用力学学报;第29卷(第6期);第692-698页 *
基于逐步宽容约束法的土地利用优化配置研究;余洋等;资源与产业;第12卷(第6期);第101-105页 *

Also Published As

Publication number Publication date
CN112182951A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112182951B (zh) 一种考虑多重不确定性的土地利用规划方法
WO2021238505A1 (zh) 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
Zeng et al. Development of a web-based decision support system for supporting integrated water resources management in Daegu city, South Korea
CN108536908B (zh) 基于非点源氮磷流失风险对流域水环境安全评估的方法
CN112765800A (zh) 一种分布式水资源配置模型的设计方法
CN106485093B (zh) 基于改进马尔可夫链的太阳辐照度时间序列合成方法
CN105678397A (zh) 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法
Li et al. Scenario-based urban growth simulation by incorporating ecological-agricultural-urban suitability into a future land use simulation model
CN107977711A (zh) 一种面向“三线”协同优化的多智能体遗传算法
Sun et al. Spatial modelling the location choice of large-scale solar photovoltaic power plants: Application of interpretable machine learning techniques and the national inventory
CN113902580A (zh) 一种基于随机森林模型的历史耕地分布重建方法
CN116014724A (zh) 一种有源配电网网格化负荷预测方法
Shamshiry et al. Comparison of artificial neural network (ANN) and multiple regression analysis for predicting the amount of solid waste generation in a tourist and tropical area—Langkawi Island
Vrînceanu et al. Site suitability for photovoltaic farms and current investment in Romania
CN115481810A (zh) 基于多目标优化的国土空间规划的方法
CN114723142A (zh) 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法
Oladipo et al. An improved particle swarm optimization and adaptive neuro-fuzzy inference system for predicting the energy consumption of university residence
Zheng et al. A factor analysis and self-organizing map based evaluation approach for the renewable energy heating potentials at county level: A case study in China
Agga et al. Short-term load forecasting: based on hybrid CNN-LSTM neural network
CN117407470A (zh) 基于大数据的绿色空间生态优化决策辅助系统及方法
CN110781946B (zh) 基于自组织神经网络的小流域水土保持区划方法、系统及介质
Qasimi et al. Genetic algorithms-based optimal site selection of solar PV in the north of Afghanistan
Cheng et al. A study on site selection of pumped storage power plants based on C-OWA-AHP and VIKOR-GRA: A case study in China
CN116050879A (zh) 一种基于城市体检评估的城市更新方法及系统
CN110458722A (zh) 基于多目标随机向量函数连接网络的洪水区间预报方法

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