CN113221443A - 一种集成SDGs和美丽指标的土地利用建模与模拟方法 - Google Patents

一种集成SDGs和美丽指标的土地利用建模与模拟方法 Download PDF

Info

Publication number
CN113221443A
CN113221443A CN202110422961.1A CN202110422961A CN113221443A CN 113221443 A CN113221443 A CN 113221443A CN 202110422961 A CN202110422961 A CN 202110422961A CN 113221443 A CN113221443 A CN 113221443A
Authority
CN
China
Prior art keywords
land
sdgs
beauty
index
land utilization
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
Application number
CN202110422961.1A
Other languages
English (en)
Inventor
曹敏
陈旻
马尚靖
梁莹
赵子竣
吴凯
胡雪
常丽姣
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.)
Shenzhen Research Center Of Digital City Engineering
Nanjing Normal University
Original Assignee
Shenzhen Research Center Of Digital City Engineering
Nanjing Normal 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 Shenzhen Research Center Of Digital City Engineering, Nanjing Normal University filed Critical Shenzhen Research Center Of Digital City Engineering
Priority to CN202110422961.1A priority Critical patent/CN113221443A/zh
Publication of CN113221443A publication Critical patent/CN113221443A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

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

Abstract

本发明公开了一种集成SDGs和美丽指标的土地利用建模与模拟方法，包括如下步骤：筛选SDGs和美丽指标，建立地区可持续发展指标体系；分析地区SDGs可持续发展程度，建立可持续发展指标指示板；构建面向SDGs和美丽指标的土地利用系统动力学模型；预测可持续情景下未来土地利用需求量；选择空间变量；利用神经网络计算土地利用地类转移的初始概率；计算土地利用地类转移综合转变概率；基于土地利用地类转移综合转变概率实施空间化；得到区域土地利用空间化序列结果。本发明对地区多情景下土地利用演变进行研究，集成了SDGs和美丽中国指标，具备实现生产高分辨率长三角区域LUCC产品的能力，为可持续发展政策影响下未来长三角地区土地利用模拟研究提供方法助力。

Description

一种集成SDGs和美丽指标的土地利用建模与模拟方法
技术领域
本发明涉及土地利用建模领域，具体涉及一种集成SDGs和美丽指标的土地利用建模与模拟方法。
背景技术
自然资源是指自然界中人类可以直接获得用于生产和生活的物质。人与自然是生命共同体，要求人类要尊重自然、顺应自然、保护自然，合理使用自然资源，实现自然资源的可持续利用。联合国可持续发展峰会通过了决议草案《改变我们的世界：2030年可持续发展议程》，这是继联合国“千年发展目标”(Millennium Development Goals,MDGs) 之后，联合国通过的更具有普适性和综合性的可持续发展目标。2030发展议程中的“可持续发展目标”(Sustainable Development Goals,SDGs)包含了17个可持续发展目标和 169个具体目标，每个具体目标给出了若干个具体指标，涵盖了经济、环境和社会三个方面，旨在实现经济发展、环境友好、社会进步的全方面可持续发展目标。
目前，SDGs的研究多数为构建本土化的SDGs指标体系，对区域可持续发展程度进行定量化评估与检测，目前缺乏面向SDGs的指标演化模型与模拟，分析未来的区域可持续发展程度。土地利用变化是自然资源可持续发展的重要组成部分，土地可持续利用也是SDGs的重要方面，但目前尚缺乏面向SDGs的土地利用可持续性分析、结合 SDGs指标可持续程度的情景设定和多情景下的土地利用演化模型构建等方面的研究。
基于SDGs的可持续性研究处于指标体系的构建方法研究和城市尺度试点的阶段，缺乏城市群的区域尺度的探讨，面临全球指标体系的科学理解、海量时空数据的融合处理、顾及地理视角的SDGs指标计算等诸多技术难题。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种集成SDGs和美丽指标的土地利用建模与模拟方法，其集成SDGs和美丽中国指标应用于区域尺度土地利用建模与模拟，推动SDGs和美丽中国相关指标的应用研究，为可持续背景下区域土地利用模拟提供新思路。
技术方案：为实现上述目的，本发明提供一种集成SDGs和美丽指标的土地利用建模与模拟方法，包括如下步骤：
S1：筛选SDGs和美丽指标，建立地区可持续发展指标体系；
S2：根据地区可持续发展指标体系，分析地区SDGs可持续发展程度，建立可持续发展指标指示板；
S3：基于可持续发展指标，构建面向SDGs和美丽指标的土地利用系统动力学模型；
S4：设置多种可持续发展情景，预测可持续情景下未来土地利用需求量；
S5：综合考虑驱动土地利用变化的影响因素，选择空间变量；
S6：根据空间变量，利用神经网络计算土地利用地类转移的初始概率；
S7：根据初始概率，计算土地利用地类转移综合转变概率；
S8：基于土地利用地类转移综合转变概率实施空间化；
S9：针对未来发展情景，得到区域土地利用空间化序列结果。
进一步地，所述步骤S1中在建立地区可持续发展指标体系之前，对筛选出的SDGs指标进行本土化、定量化处理。
进一步地，所述步骤S2中可持续发展指标指示板的建立方法为：将地区可持续发展指标体系中每个二级指标及其对应的一级指标的指数划分为Green、Yellow、Orange、Red四个等级，每个指标的值域范围被划分为四段，确定包含最大值max与最小值min 在内的五个阈值。
进一步地，所述步骤S3中土地利用系统动力学模型包含人口子系统、经济子系统、社会生态子系统和土地利用子系统。
进一步地，所述步骤S4中共设置四种可持续发展情景，分别为经济发展情景、环境友好情景、社会进步情景以及基准情景，情景变量包含：GDP增长率、空气质量因子、污染治理因子、基础设施因子、医疗因子和教育因子六个指标。
进一步地，所述步骤S5中空间变量的数量为12个，分别为到主要城市点的距离、到铁路的距离、到道路的距离、土壤含黏土比例、土壤含沙比例、土壤含泥比例、坡度数据、人口数据、DEM数据、温度与降水、PH数据和12类栅格数据。
进一步地，所述步骤S6中土地利用地类转移的初始概率的计算方法为：使用神经网络获取初始地类转变概率，该神经网络为ANN网络，一个输入层、一个输出层和一个隐藏层，输入层为土地利用数据和空间驱动因子，输出结果为转变为用地类型的概率。
进一步地，所述步骤S7中土地利用地类转移综合转变概率的计算方法为：
结合初始概率、邻域效应、转换权重矩阵，计算区域土地利用类型的组合概率，计算方法见公式(1)：
Figure RE-GDA0003135492530000021
其中
Figure RE-GDA0003135492530000022
是元胞i在t时刻转变为地类k的组合概率；
Figure RE-GDA0003135492530000023
是ANN模型训练得到的元胞i在t时刻转变为地类k的初始转移概率；
Figure RE-GDA0003135492530000024
代表邻域对当前元胞的影响，该值在迭代过程中计算；Pcons表示模型转换规则的条件约束；r为0到1之间的随机变量。
进一步地，所述步骤S8中实施空间化具体为：根据系统动力学提供的未来不同发展情景下的面积变化预测序列，综合神经网络提供的初始土地类型转变概率、随模拟年份动态变化的土地类型转变权重矩阵，以及邻域对未来的土地利用影响，进行不同情景下的区域土地利用与土地覆被空间化。
有益效果：本发明与现有技术相比，依据经济发展、环境友好、社会进步等不同情景下的土地利用需求量约束，结合神经网络模型及元胞自动机方法，对地区多情景下土地利用演变进行研究，集成了SDGs和美丽中国指标，具备实现生产高分辨率长三角区域LUCC产品的能力，为可持续发展政策影响下未来长三角地区土地利用模拟研究提供方法助力。
附图说明
图1为本发明方法的基本框架结构示意图；
图2为长三角可持续分析框架图；
图3为土地利用系统动力学模型框架图；
图4为江苏省土地利用系统动力学流图；
图5为土地利用演变多情景模拟模型流程图；
图6ANN模型结构示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
本发明提供一种土地利用建模与模拟方法，本实施例中将本发明方法应用于长三角地区，提供一种集成SDGs和美丽中国指标的长三角土地利用建模与模拟方法，如图1 所示，该方法一共分为三部分，第一部分为SDGs和美丽中国指标数据筛选及预处理，建立长三角地区可持续发展指标体系；第二部分为可持续情景下长三角地区未来土地利用需求预测；最后部分为可持续情景下长三角地区土地利用模拟。
结合三部分，本实施例中一种集成SDGs和美丽中国指标的长三角土地利用建模与模拟方法的步骤如下：
(1)集成SDGs和美丽中国指标的长三角地区可持续发展指标构建
(11)综合考虑SDGs与美丽中国指标体系，采取直接选取、改进、扩展或替代四种方法，以长三角地区土地利用多情景模拟为目标，对现有指标体系进行本土化研究。
(12)构建面向SDGs和美丽中国的长三角地区土地利用可持续分析指标体系分为人口、经济、社会和环境四个方面，涉及与土地利用直接或间接相关的10个二级目标，具体指标和来源如表1所示。
(13)将长三角地区可持续发展指标体系中每个二级指标及其对应的一级指标的指数划分为Green、Yellow、Orange、Red四个等级，每个指标的值域范围被划分为四段，确定包含最大值max与最小值min在内的五个阈值。
(14)建立长三角地区可持续发展指标指示板，如表2所示。
(2)可持续情景下长三角地区未来土地利用需求预测
(21)探究系统动力学内部各变量间因果关系，绘制系统动力学因果回路图和模型流图。
(22)确定系统动力学回归方程，验证模型精度。
(23)选取GDP增长率、空气质量因子、污染治理因子、基础设施因子、医疗因子和教育因子六个指标，依据建立的指标指示板确定各变量不同情景内的值，通过每个指标不同取值的组合，设置基准情景、经济发展情景、环境友好情景和社会进步情景四种情景，如表3所示。
(24)以1年为间隔输出长三角区域不同情景相应的各地类面积变化序列数据预测值。
(3)可持续情景下长三角地区土地利用模拟
(31)对12个空间变量和2010、2020两期土地利用数据进行采集与处理。
(32)充分考虑地类组成的差异性特点，分层抽取采样点，得到用于神经网络训练的数据集。
(33)训练神经网络模型，综合神经网络初始概率、邻域影响、各子区域的地类转变权重矩阵和规划约束条件，得到地类的综合转变概率，获取CA空间化规则。
(34)根据各子区域地类的综合转变概率，在可持续发展情景序列面积约束下，对长三角区域土地利用进行空间化，空间分辨率为30m，时间分辨率为1年。
其中第一部分是SDGs和美丽中国指标数据筛选及预处理，建立长三角地区可持续发展指标体系，具体实施步骤包含以下内容：
SDGs是联合国针对全球尺度提出的一套可持续发展评估指标体系，很难充分体现出各个国家与地区各自的特点。因此，需要根据研究区域特征，对指标体系进行本土化分析，探讨指标的可用性、覆盖面和定量计算公式。美丽中国建设是中国落实2030年联合国可持续发展议程的核心目标，为中国SDGs本土化研究提供有力支撑和参考依据。国家发改委在2020年制定并颁布的《美丽中国建设评估指标体系及实施方案》中指出，美丽中国建设评估指标体系分为空气清新、水体洁净、土壤安全、生态良好、人居整洁五个方面。综合考虑SDGs与美丽中国指标体系，采取直接选取、改进、扩展或替代四种方法，以长三角地区土地利用多情景模拟为目标，对现有指标体系进行本土化研究。本实施例构建的面向SDGs和美丽中国的长三角地区土地利用可持续分析指标体系分为人口、经济、社会和环境四个方面，涉及与土地利用直接或间接相关的10个二级目标，如表1所示。
Figure RE-GDA0003135492530000051
Figure RE-GDA0003135492530000061
SDGs目标的完成是一个时空过程，若想要对实现过程进行监测评估，则需要对指标进行定量化计算，量化每个指标在不同地区的时序发展变化情况。在构建的指标体系中，部分指标可以采取简单的统计方法进行统计计算，并已有相关机构对该指标进行逐年统计，如GDP、粮食单产等指标，可通过查阅相关统计年鉴直接获取。部分指标需要通过对收集到的数据进行分析和处理。
为了衡量各个指标在不同地区随时间变化的发展变化情况，需要对每个地区每个年份的数值进行规范化处理。本实施例中对各项指标2001-2015年各个省份数据进行排序，将每个值调整为0-100之间的指数，其中0代表发展情况最差，100代表发展情况最佳。由于规范化过程对极值的选择十分敏感，因此，参考联合国2020年6月发布的《SustainableDevelopment Report 2020》(《SDR2020》)，通过以下几个步骤对数据的极值进行处理：
(1)对于指标中存在的绝对目标，如普及率等普及要求，将指数100对应为普及率100％，代表可持续目标完成，将指数0对应为普及率为0，代表可持续目标完成度为0，此类指标指数的值域为0-100.
(2)将其他指标分为两类，正向指标代表数值越大，可持续程度越高，如人均绿地面积等；负向指标则数值越大，可持续程度越低，如可吸入颗粒物浓度等。若为正向指标，指数100对应为所有数据中最大值；若为负向指标，指数100对应为所有数据中最小值。在后续模型进行预测时，此类指标指数的值可能会大于100，代表后续发展可能会超过当前15年数据中的最优水平。
(3)为减少最小值对指标指数的影响，参考《SDR2020》，将去除掉2.5％可持续程度最差的数据。正向指标去除2.5％最小值后的最小值为xmin，比此值小的数据均转化为 0；负向指标去除2.5％最大值后的最大值为xmax，大于此值的数据其指数为0。
确定数据上限和下限后，将使用以下公式将各项指标线性转换为0至100之间的指标指数。对于正向指标，使用公式(2)；负向指标则使用公式(3)。
Figure RE-GDA0003135492530000071
Figure RE-GDA0003135492530000072
其中，x为数据标准化前的值，x'为与之对应的标准化后的指标指数值，xmax和xmin分别为通过上文确定的最大值与最小值。数据规范化后，得到的指标指数均为正向，指数值越大代表可持续程度越高，若某年某地区某指标指数值为50则代表此地区该指标在当前年份的可持续程度处于长三角地区15年内的中间水平。
《SDR2020》报告中将SDGs中各个指标的值划分为绿色(Green，G)、黄色(Yellow，Y)、橙色(Orange，O)、红色(Red，R)四个等级，用于描述各个国家目前可持续发展目标的实现程度，其中绿色色带代表该区域已经实现该可持续发展目标，黄、橙、红三种颜色表示距实现该可持续发展目标的距离越来越远。依据联合国可持续发展报告，本文将上文建立的长三角地区可持续发展指标体系中每个二级指标及其对应的一级指标的指数划分为Green、Yellow、Orange、Red四个等级，将指标指数划分等级，便于进行指标指数的横向与纵向对比，评估长三角地区各个指标的可持续发展程度变化，为后续土地利用模拟的情景设置提供依据。
将每个指标的值域范围划分为四段，需要确定包含最大值max与最小值min在内的五个阈值。将每个指标四个区域内2001-2015年60个指标指数值从高到底排序，max 与min分别为排序结果中的最大值与最小值。排序结果中的第25％、50％、75％的值分别为从绿到红四个等级中的三个界限值。其含义为，绿色色带代表可持续程度在所有区域所有年份中排名前25％，黄、橙、红三个色带区间代表可持续程度排名分别为 25％-50％、50％-75％以及排名最后25％.指标体系中主要二级指标及其一级指标的指示板，如表2所示。
Figure RE-GDA0003135492530000081
其中第二部分是建立土地利用系统动力学模型，对可持续情景下长三角地区未来土地利用需求预测。参照图2，其具体实施步骤包含以下内容：
构建面向SDGs的土地利用系统动力学模型，分别以江苏省、浙江省、安徽省和上海市四个省级行政区域为空间系统边界，在时间上将系统边界定义为2001-2030年，时间步长为1年，模型训练年份为2001-2015年，预测年份为2016-2030年。模型框架图如图3所示。模型中不仅包含与土地利用变化息息相关的人口、经济等方面的变量，还结合联合国提出的2030年可持续发展目标与美丽中国指标体系，选定影响土地利用变化的一系列社会空气质量指标，共同作用于系统动力学模型。模型收集和整理了与SDGs 和美丽中国指标体系相关的统计数据，时间序列为2001-2015年，每一年份中，每省份或每地级市一个取值，数据来源为EPS数据平台 (https://www.epsnet.com.cn/index.html#/Home)和国家统计局官方网站所示 (https://data.stats.gov.cn/)。数据清单如表3所示。
表3系统动力学涉及的统计数据清单
数据名称 数据名称 数据名称
总人口 医疗机构床位数 互联网普及率
城镇人口 教育支出 互联网用户总数
乡村人口 小学招生数 互联网用户数各省分布比例
GDP 初中毕业生数 移动电话年末用户数
农业总产值 普通高校在校学生数 人均公园绿地面积
林业总产值 普通高校专任教师数 每万人拥有公厕数
牧业总产值 工业固体废物综合利用率 每万人拥有公交车辆数
渔业总产值 污水处理厂集中处理率 货运总量
粮食单位面积产量 可吸入颗粒物浓度 客运总量
水产品总产量 空气质量达到及好于二级的天数 气温
卫生机构人员数 燃气普及率 降水
通过人口、经济、社会生态和土地利用各个子系统之间的因果关系分析和具体指标变量的确定，考虑到长三角地区经济、社会发展程度的不同及空间差异性，分别为“三省一市”各个省份建立系统动力学模型，图4展示了江苏省系统动力学流图。确定各变量之间的回归方程并验证模型精度。列举江苏省土地利用系统动力学模型相关公式如下。变量名称及单位如表4所示。
江苏省系统动力学方程：
·人口子系统(共2个表函数，5个方程)：
CZRKZZL＝CZRKZZL(Time)
CZRKBHL＝CZRK*CZRKZZL
CZRK＝INTEG(CZRKBHL，3133.2)
XCRKZZL＝XCRKZZL(Time)
XCRKBHL＝XCRK*XCRKZZL
XCRK＝INTEG(XCRKBHL，4221.72)
ZRK＝CZRK+XCRK
·经济子系统(共2个表函数，8个方程，1个常量)：
GDP＝INTEG(GDPBHL，9511.91)
GDPZZL＝GDPZZL(Time)
GDPBHL＝GDPZZL*CZRKZZL
NYCZ＝526.231+0.044*GDP
LYCZ＝16.854+0.002*GDP
YYCZ＝112.862+0.02*GDP
MYCZ＝331.006+0.015*GDP
LSDC＝LSDC(Time)
RJLSXQ＝0.4
LSXQ＝RJLSXQ*ZRK
SCPCL＝0.067*YYCZ+0.184*ZRK-1048.16
·社会生态子系统(共18个表函数，6个方程。其中二级指标为指标指数，一级指标为指标指数均值，因此单位为无量纲。)：
QW＝QW(Time)
JS＝JS(Time)
WSJGRYMD＝0.088*ZRK-636.373
RJWSJGCWS＝RJWSJGCWS(Time)
YLYZ＝(WSJGRYMD+RJWSJGCWS)/2
RQPJL＝RQPJL(Time)
HLWPJL＝HLWPJL(Time)
YDDHPJL＝YDDHPJL(Time)
RJGYLDMJ＝RJGYLDMJ(Time)
MWRYYGCS＝MWRYYGCS(Time)
MWRYYGGQCS＝MWRYYGGQCS(Time)
KYZL＝KYZL(Time)
HYZL＝HYZL(Time)
JCSSYZ＝(MWRYYGGQCS+RJGYLDMJ+MWRYYGCS+YDDHPJL
+RQPJL+KYZL+HYZL+HLWPJL)/8
YWJYWCL＝YWJYWCL(Time)
GDJYSSB＝GDJYSSB(Time)
JYZC＝0.002*GDP-16.497
JYYZ＝(YWJYWCL+GDJYSSB+JYZC)/3
KXRKLWND＝KXRKLWND(Time)
KQZLYLTSBL＝KQZLYLTSBL(Time)
KQZLYZ＝(KXRKLWND+KQZLYLTSBL)/2
GYGTFWZHLYL＝GYGTFWZHLYL(Time)
WSCLCJZCLL＝WSCLCJZCLL(Time)
WRZLYZ＝(GYGTFWZHLYL+WSCLCJZCLL)/2
·土地利用子系统(共1个常量，6个方程)：
TDZL＝103742
CSYD＝67544.9+0.128*CZRK+25.662*YLYZ+12.476*JYYZ+0.684*
JCSSYZ-1.787*KQZLYZ+0.509*CD-0.809*GD+8.315*WRZLYZ
WLYD＝TDZL-CSYD-LD-SY-GD-CD
LD＝999.329-0.216*LYCZ-0.017*JS+0.977*QW-0.067*KQZLYZ
SY＝11694.5+0.31*JS-3.093*SCPCL
GD＝0.174*NYCZ-291235-90.614*LD-11.819*JS+136.321*QW-0.331*LSDC+45.093*
LSXQ+31.337*SY
CD＝1.402*SY-25709.4+0.173*GD-0.344*JS-21.351*QW
+0.824*MYCZ
表4系统动力学变量名称及单位
Figure RE-GDA0003135492530000111
Figure RE-GDA0003135492530000121
Figure RE-GDA0003135492530000131
选取GDP增长率、空气质量因子、污染治理因子、基础设施因子、医疗因子和教育因子六个指标，通过每个指标不同取值的组合，设置基准情景、经济发展情景、环境友好情景和社会进步情景四种情景，如表5所示。其中，Actual表示该指标按当前发展趋势发展；Green为本实施例构建的指标指示板中“绿色”可持续发展程度，表示该指标的值位于长三角四省市历年数据中前25％，该等级发展程度为优。
在模型情景设置的基础上，输入不同情景下表函数、常量及各个一级指标的取值，将模型预测初始年份设置为2016年，终止年份为2030年，得到长三角地区各省份各个地类多情景下的土地利用需求模拟结果。
表5情景设置总体说明
Figure RE-GDA0003135492530000132
其中，第三部分是对长三角区域不同可持续情景进行土地利用和土地覆被序列空间化(图5)。具体实施步骤包括以下内容：
(1)长三角区域12个空间变量和两期土地利用数据的采集与处理；
2010年和2020年两期GLC30土地利用真实数据(见表6)用于校准CA模型。在本方法中，12个空间变量(见表6)被选定为土地利用变化的驱动因子。
表6模型中的空间变量以及土地利用数据来源
Figure RE-GDA0003135492530000141
(2)神经网络训练；
本实施例中模型使用ANN进行训练得到土地利用各地类转变的初始转移概率，ANN是一种由神经元连接形成的非线性统计工具，包含一个输入层、一个输出层和一个或多个隐藏层，输入和输出之间的复杂网络结构通过多次学习记忆迭代来识别。在获取土地利用各地类转移初始概率的过程中，使用的ANN网络包含一个输入层、一个输出层和一个隐藏层，输入层为土地利用数据和12个空间驱动因子，输出结果为转变为六种用地类型的概率，ANN模型结构如图6所示。
(3)综合转变概率计算
通过ANN网络训练得到土地利用地类转移的初始概率之后，模型还依据元胞自动机模型的原理，考虑了元胞的邻域对该元胞的状态变化产生的影响。在本模型中，每一个元胞为每一个30米分辨率的像元，该像元的邻域中某个土地利用类型的像元数越多，则该像元转变成该地类的概率越大。计算特定区域某一网格将被特定土地利用类型覆盖的组合概率，计算方法见公式(1)：
Figure RE-GDA0003135492530000151
其中
Figure RE-GDA0003135492530000152
是元胞i在t时刻转变为地类k的组合概率；
Figure RE-GDA0003135492530000153
是ANN模型训练得到的元胞i在t时刻转变为地类k的初始转移概率；
Figure RE-GDA0003135492530000154
代表邻域对当前元胞的影响，该值在迭代过程中计算；Pcons表示模型转换规则的条件约束；r为0到1之间的随机变量。
(4)系统动力学模型与CA集成
系统动力学模型对不同情景分别进行土地利用演变模拟，其主要思想为：每个像元将转变为具有最高组合概率的土地利用类型，模型中得到的不同用地类型的需求用于进行转化量的控制，当总面积不满足模型的要求时，继续进行土地利用地类转移过程，直到该情景下所有土地利用类型的总面积达到模型预测的土地利用需求量为止。

Claims (9)

1.一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于，包括如下步骤：
S1：筛选SDGs和美丽指标，建立地区可持续发展指标体系；
S2：根据地区可持续发展指标体系，分析地区SDGs可持续发展程度，建立可持续发展指标指示板；
S3：基于可持续发展指标，构建面向SDGs和美丽指标的土地利用系统动力学模型；
S4：设置多种可持续发展情景，预测可持续情景下未来土地利用需求量；
S5：综合考虑驱动土地利用变化的影响因素，选择空间变量；
S6：根据空间变量，利用神经网络计算土地利用地类转移的初始概率；
S7：根据初始概率，计算土地利用地类转移综合转变概率；
S8：基于土地利用地类转移综合转变概率实施空间化；
S9：针对未来发展情景，得到区域土地利用空间化序列结果。
2.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于，所述步骤S1中在建立地区可持续发展指标体系之前，对筛选出的SDGs指标进行本土化、定量化处理。
3.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S2中可持续发展指标指示板的建立方法为：将地区可持续发展指标体系中每个二级指标及其对应的一级指标的指数划分为Green、Yellow、Orange、Red四个等级，每个指标的值域范围被划分为四段，确定包含最大值max与最小值min在内的五个阈值。
4.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S3中土地利用系统动力学模型包含人口子系统、经济子系统、社会生态子系统和土地利用子系统。
5.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S4中共设置四种可持续发展情景，分别为经济发展情景、环境友好情景、社会进步情景以及基准情景，情景变量包含：GDP增长率、空气质量因子、污染治理因子、基础设施因子、医疗因子和教育因子六个指标。
6.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S5中空间变量的数量为12个，分别为到主要城市点的距离、到铁路的距离、到道路的距离、土壤含黏土比例、土壤含沙比例、土壤含泥比例、坡度数据、人口数据、DEM数据、温度与降水、PH数据和12类栅格数据。
7.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S6中土地利用地类转移的初始概率的计算方法为：使用神经网络获取初始地类转变概率，该神经网络为ANN网络，一个输入层、一个输出层和一个隐藏层，输入层为土地利用数据和空间驱动因子，输出结果为转变为用地类型的概率。
8.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S7中土地利用地类转移综合转变概率的计算方法为：
结合初始概率、邻域效应、转换权重矩阵，计算区域土地利用类型的组合概率，计算方法见公式(1)：
Figure FDA0003028526800000021
其中
Figure FDA0003028526800000022
是元胞i在t时刻转变为地类k的组合概率；
Figure FDA0003028526800000023
是ANN模型训练得到的元胞i在t时刻转变为地类k的初始转移概率；
Figure FDA0003028526800000024
代表邻域对当前元胞的影响，该值在迭代过程中计算；Pcons表示模型转换规则的条件约束；r为0到1之间的随机变量。
9.根据权利要求1所述的一种集成SDGs和美丽指标的土地利用建模与模拟方法，其特征在于：所述步骤S8中实施空间化具体为：根据系统动力学提供的未来不同发展情景下的面积变化预测序列，综合神经网络提供的初始土地类型转变概率、随模拟年份动态变化的土地类型转变权重矩阵，以及邻域对未来的土地利用影响，进行不同情景下的区域土地利用与土地覆被空间化。
CN202110422961.1A 2021-04-20 2021-04-20 一种集成SDGs和美丽指标的土地利用建模与模拟方法 Pending CN113221443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110422961.1A CN113221443A (zh) 2021-04-20 2021-04-20 一种集成SDGs和美丽指标的土地利用建模与模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110422961.1A CN113221443A (zh) 2021-04-20 2021-04-20 一种集成SDGs和美丽指标的土地利用建模与模拟方法

Publications (1)

Publication Number Publication Date
CN113221443A true CN113221443A (zh) 2021-08-06

Family

ID=77088134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110422961.1A Pending CN113221443A (zh) 2021-04-20 2021-04-20 一种集成SDGs和美丽指标的土地利用建模与模拟方法

Country Status (1)

Country Link
CN (1) CN113221443A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757664A (zh) * 2023-01-10 2023-03-07 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种耦合转移熵和hits算法的sdg指标间因果关系挖掘方法
CN116934026A (zh) * 2023-07-18 2023-10-24 中国科学院地理科学与资源研究所 一种ssp-rcp情景下城市建成区土地利用数据集制作方法

Citations (2)

* Cited by examiner, † Cited by third party
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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
徐晶等: ""面向SDGs的中国土地可持续评价指标研究"", 《地理与地理信息科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757664A (zh) * 2023-01-10 2023-03-07 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种耦合转移熵和hits算法的sdg指标间因果关系挖掘方法
CN115757664B (zh) * 2023-01-10 2023-04-25 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) 一种耦合转移熵和hits算法的sdg指标间因果关系挖掘方法
CN116934026A (zh) * 2023-07-18 2023-10-24 中国科学院地理科学与资源研究所 一种ssp-rcp情景下城市建成区土地利用数据集制作方法
CN116934026B (zh) * 2023-07-18 2024-02-27 中国科学院地理科学与资源研究所 一种ssp-rcp情景下城市建成区土地利用数据集制作方法

Similar Documents

Publication Publication Date Title
CN110070713B (zh) 一种基于双向嵌套lstm神经网络的交通流预测方法
CN111222661B (zh) 一种城市规划实施效果分析评估方法
Luo et al. Spatio-temporal analysis on built-up land expansion and population growth in the Yangtze River Delta Region, China: From a coordination perspective
Feng et al. A heuristic cellular automata approach for modelling urban land-use change based on simulated annealing
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
Feng et al. Spatially explicit assessment of land ecological security with spatial variables and logistic regression modeling in Shanghai, China
CN103336894B (zh) 一种城市容积率自动分区方法
CN113221443A (zh) 一种集成SDGs和美丽指标的土地利用建模与模拟方法
CN102222313A (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
CN111144281B (zh) 基于机器学习的城市轨道交通od客流估计方法
Ahmed Modelling spatio-temporal urban land cover growth dynamics using remote sensing and GIS techniques: A case study of Khulna City
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
CN113222316A (zh) 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN112182951B (zh) 一种考虑多重不确定性的土地利用规划方法
CN115271373A (zh) 城市群弹性开发边界划定方法及系统
Yang et al. Multi-scenario simulation of land use and land cover based on shared socioeconomic pathways: The case of coastal special economic zones in China
Guo et al. Benefit evaluation of water and soil conservation measures in Shendong based on particle swarm optimization and the analytic hierarchy process
Hassan et al. Modelling of urban growth and planning: A critical review
Cao et al. Multi-scenario simulation of land use for sustainable development goals
Wang et al. Research on the impact mechanism of multiple environmental regulations on carbon emissions under the perspective of carbon peaking pressure: A case study of China's coastal regions
Xie et al. Study on Multi-Objective Optimization of Sponge Facilities Combination at Urban Block Level: A Residential Complex Case Study in Nanjing, China
CN102880753B (zh) 基于分形维数的土地利用空间特征尺度转换方法
CN115660296B (zh) 一种基于机器学习的不合规项目建议方案自动出具方法
Wang et al. A fuzzy intelligent system for land consolidation–a case study in Shunde, China
CN117010756A (zh) 一种基于耦合协调度的农村公路综合协调发展评价方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806