CN113222316A - 一种基于flus模型和生物多样性模型的变化情景模拟方法 - Google Patents

一种基于flus模型和生物多样性模型的变化情景模拟方法 Download PDF

Info

Publication number
CN113222316A
CN113222316A CN202110054800.1A CN202110054800A CN113222316A CN 113222316 A CN113222316 A CN 113222316A CN 202110054800 A CN202110054800 A CN 202110054800A CN 113222316 A CN113222316 A CN 113222316A
Authority
CN
China
Prior art keywords
land
model
index
land utilization
biodiversity
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
CN202110054800.1A
Other languages
English (en)
Other versions
CN113222316B (zh
Inventor
刘小平
赵林峰
曾莉
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110054800.1A priority Critical patent/CN113222316B/zh
Publication of CN113222316A publication Critical patent/CN113222316A/zh
Application granted granted Critical
Publication of CN113222316B publication Critical patent/CN113222316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于FLUS模型和生物多样性模型的变化情景模拟方法，本发明集成了旧土地利用模拟模型的优势，消除了误差传递、改良了模型的内部的现实意义不明确的参数；FLUS模型中引入的神经网络算法计算各类用地的分布概率，再使用轮盘赌机制引入土地利用类型的竞争，实现了智能算法和不确定性机制的结合并同时应用于未来土地利用情景预测中；最终用更少的数据、更少的参数、更快的速度获取了精确度比旧土地利用模拟模型更高的模拟结果；生物多样性模型中的生态系统服务模型、物种分布模型和生物多样性指数模型计算各指标，能定量评估未来情景下的土地利用对生物多样性的影响；设置不同情景下的目标要求，能模拟获得符合情景目标的土地利用。

Description

一种基于FLUS模型和生物多样性模型的变化情景模拟方法
技术领域
本发明涉及地理信息科学、城市规划和生态环境技术领域，更具体地，涉及 一种基于FLUS模型和生物多样性模型的变化情景模拟方法。
背景技术
人类活动和自然因素变化带驱使着土地利用的变化，对生态环境造成了巨大 的影响。因此，如何评估土地利用变化对生物多样性的影响逐渐受到关注。指标 评估、模型模拟和情景分析是生物多样性评估中常见的3种方法。情景分析方法 用于提出问题和假设。模型模拟方法用于分析在情景分析所设定的假设条件下， 生物多样性如何变化及其变化原因。指标评估方法用于表达模型的分析结果及变 化趋势。近年来，基于最优化理论的空间优化模型逐渐被应用到生物多样性保护 领域，并在保护区选址、生物多样性保护优先区域规划和物种生境保护等研究中 表现出较强的应用潜力。
在城市土地利用变化模拟中，元胞自动机(CA)模型是土地利用变化模拟 研究中的主流模型。元胞自动机是一种具有很强的空间运算能力的时空离散动力 学模型，在复杂性科学中占有重要的地位。经常被运用于自组织分析过程。元胞 自动机着眼于微观，自下而上，充分体现了复杂系统的个体与局部的行为会产生 全局有序的模式的理念。元胞自动机能更准确、清楚、完整的模拟自然的复杂现 象，模拟出复杂系统的不可预测的行为，做到方程式模型做不到的模拟效果。能 用比数学方程更加容易理解的方式模拟不规则的复杂的现象，能用计算机进行精 度无损的建模，可以模拟任何可能的自然系统行为且不能再简约。
地理元胞自动机的网格空间通常为正方形的二维网格，正方形网格直观简 便，特别适合用计算机内存环境存储表达和编程处理。邻域是元胞自动机的动态 成分，与元胞自动机的规则直接相关。在地理元胞自动机中，邻域窗口每次迭代 都要扫描全图，得到每个元胞自动机的邻域信息，并根据邻域信息和转换规则刷 新元胞状态。使得每次迭代都有新的地理状态输入。一个元胞下一时间段的所有 可能状态与其转换规则构造了一种简单的、空间上离散的微观局部物理成分，是 元胞自动机的规则，也是元胞自动机的状态转移函数。
FLUS模型是当前广泛用的一种土地利用模拟模型，由系统动力学(SD)和 元胞自动机集成，已经广泛应用于城市土地利用变化模拟、城市增长开发边界划 定、生态红线划定、大区域大尺度多情景下的土地利用模拟。FLUS模型包含两 部分：“自上而下”的SD模型和“自下而上”的CA模型。SD模型用于在研 究区预测多种社会经济和自然环境等驱动因素下的未来土地需求。CA模型分为 两部分：人工神经网络耦合不同类型的驱动因子计算元宝的土地适宜性概率； FLUS模型中的自适应惯性和竞争机制解决不同土地利用类型转换时的复杂性和 不确定性，其中的轮盘赌机制用于确定元胞在下一时刻是否发生用地类型的转 换。
现有技术中，公开号为CN105447235A中国发明专利，于2016年3月30 日公开了一种基土地未来利用情景动态模拟方法，该方法集成了元胞自动机(CA) 模拟复杂系统时空演化过程的能力和CLUE-S模型模拟多类别土地利用类型竞 争的优势，通过优势整合克服了传统元胞自动机或单纯CLUE-S模型的一些固有 缺陷；另外采用了神经网络(ANN)算法实现了分布概率的智能计算，引入轮盘赌 的竞争机制实现多种土地利用变化的同步模拟，使得新方法更适合多种类别的土 地利用数据。该方案没有对细分情景进行模拟。
发明内容
本发明为克服上述现有技术中的土地利用的模拟缺少考虑对生物多样性影 响，无法评估未来情景下的土地利用对生物多样性的影响，提供一种基于FLUS 模型和生物多样性模型的变化情景模拟方法，为提高土地利用变化模拟的精度， 简化模拟所需的数据、参数，提高模拟的速度提供了较好的解决方案；为提高生 物多样性评估效率，优先计算不同情景下的目标值，避免重复计算其他生物多样 性指标。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
一种基于FLUS模型和生物多样性模型的变化情景模拟方法，所述方法包括 两个阶段：使用土地利用模拟模块模拟土地利用阶段；通过生物多样性变化定量 评估模块评估土地利用对生物多样性影响阶段；
具体步骤为：
使用土地利用模拟模块模拟土地利用阶段：
S1：获取初始土地高分影像并进行预处理，对预处理后的高分影像解译得到 分类后的影像，从分类后的影像获取初始土地利用数据；之后选取若干影响土地 利用变化的驱动力因子组成驱动力数据；
S2：对初始土地利用数据规定好模拟区域的范围与标准栅格影像大小，用欧 式距离公式计算模拟区域内栅格到土地利用变化驱动因子的距离，生成与标准栅 格影像图幅大小一致的栅格距离数据；
S3：在驱动力数据与初始土地利用数据上进行随机点采样，获得采样数据；
S4：使用采样数据对参数自适应神经网络算法进行训练；
S5：将全部的驱动力数据数据输入训练好的神经网络，通过神经网络计算获 得每种土地利用类型在模拟区域内的分布概率；
S6：将S5输出的分布概率与S1中的初始土地利用数据在土地利用模拟模块 中进行迭代；迭代前设定好邻域大小、转换限制矩阵和每种用地类型的像元个数；
S7：迭代扫描初始土地利用数据的像元，计算每个像元在邻域内包含的土地 利用类型和在邻域内所占的比例，与S5输出的分布概率、转换限制矩阵共同合 成每个像元上各类土地利用类型的总分布概率；
S8：将每个像元上的各类土地利用类型的总分布概率构成轮盘，通过轮盘赌 的方法，使区域内各种土地利用类型在像元上竞争，竞争获胜的土地利用类型占 据该像元；
S9：转到步骤S7，直至迭代完一幅影像的全部有效像元，所述有效像元即 土地利用数据中像元值不为空值的像元，然后返回S6刷新初始影像进入下一次 迭代，计算到目标像元数目的差值；到达迭代次数R或者达到目标像元数目后， 停止迭代输出模拟的土地利用结果；
通过生物多样性变化定量评估模块评估土地利用对生物多样性影响阶段：
S10：对模拟的土地利用和初始土地利用数据进行计算，获得土地利用转换 矩阵；
S11.将模拟的土地利用和生态系统服务数据输入生态系统服务模型，计算获 得固碳释氧和水源涵养价值；
S12.将模拟的土地利用和物种分布数据输入物种分布模型，计算获得生境适 宜性和生境破碎化指数；
S13.将模拟的土地利用和生物多样性指数数据输入生物多样性指数模型，计 算获得生物丰度和平均物种丰度指数；
S14.将S10中的土地利用转换矩阵、S11中的固碳释氧和水源涵养价值、S12 中的生境适宜性和生境破碎化指数、S13中的生物丰度和平均物种丰度指数组成 生物多样性指标定量评估结果，在评估前设定好情景方案，根据不同情景输出对 于的情景模拟结果：
若为驱动力情景，不受其他条件约束，评估结果直接输出作为生物多样性情 景模拟结果；若为保护目标情景，受生物多样性保护目标的约束，未达到目标要 求则转到S6重新进行土地利用迭代模拟，满足目标要求后则输出情景模拟结果； 若为多目标情景，受城市发展目标和生物多样性保护目标的共同约束，未达到目 标要求则转到S6重新进行土地利用迭代模拟，满足目标要求后则输出情景模拟 结果。
进一步的，所述步骤S2中，采用空间欧式距离公式计算空间栅格到驱动力 因子的距离，计算公式为：
Figure BDA0002900217630000041
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示 计算到的欧式距离。
进一步的，所述步骤S3中，采用均匀采样策略或比例采样策略对驱动力数 据与初始土地利用数据进行随机点采样，采样后的样本公式表示为：
X(l)＝[x1(l)，x2(l)，x3(l)，...，xw(l)，...，xm(l)]T
其中xw(l)表示第l个采样点抽取的第w个驱动力因子的变量，T为转置。
进一步的，所述步骤S4中，使用采样数据对输入参数自适应神经网络算法 进行训练之前，需要对采样数据进行归一化处理，归一化处理计算公式为：
Figure BDA0002900217630000042
其中maxw和minw分别是第w个驱动力因子的最大和最小值。
进一步的，所述步骤S5中，参数自适应神经网络算法可表示如下：
Figure BDA0002900217630000043
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经 网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、[1，1.1]；
参数自适应神经网络算法包括输入层、隐藏层和输出层，全体驱动力数据通 过输入层输入训练好的神经网络，驱动力数据经输入层、隐藏层和输出层依次处 理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层接收的驱动力数据为xw′(l)，则隐藏层第v个神经元所收到的信号 公式为：
Figure BDA0002900217630000051
其中netv(l)为隐藏层第v个神经元所收到的信号；ω(w，v)为输入层和隐藏层之 间一一对应的参数，也就是两个层级间的权重值；
隐藏层netv(l)对进行处理，然后将处理结果sig modv输出至输出层，其对 netv(l)进行处理的具体过程如下：
Figure BDA0002900217630000052
而输出层第q个神经元所收到的信号表示为：
Figure BDA0002900217630000053
θ(v，q)是隐藏层和输出层之间的权重参数，输出层接收到信号之后，会对这些 信号产生响应，该响应值通过下式生成分布概率p(l，q)：
Figure BDA0002900217630000054
进一步的，所述步骤S7中，通过邻域函数构建一个扫描窗口，然后统计扫 描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域 函数的定义如下：
Figure BDA0002900217630000055
其中
Figure BDA0002900217630000056
是邻域函数，表示第t次迭代时，以影像中位于第i行、第j列的像 元为中心的n×n窗口中的第q类土地利用类型所占的比例；con是条件函数，Sk表示邻域内的当前被扫描的像元，该像元属于第k种土地利用类型；con(Sk＝q) 表示检测邻域内的当前土地利用像元类型是否为第q类；即构成轮盘赌的全局总 概率合成公式为：
Figure BDA0002900217630000061
其中
Figure BDA0002900217630000062
表示总分布概率，p(i，j，q)表示神经网络输出的第(i，j)个像元上第q种土 地利用类型的分布概率，C(i′，j′)表示转换限制矩阵，i′，j′表示转换限制矩阵的 坐标。
进一步的，所述步骤S11中，生态系统服务模型中的固碳释氧价值是固碳和 释氧价值的总和，公式表示为：
Figure BDA0002900217630000063
其中Vco为固碳释氧价值；PNP，i为第i种植被类型的净初级生产力；Pc为市场 固定二氧化碳价格，采用造林成本法和碳税法成本价的平均值753元·t-1；Po为 市场固定氧气价格，采用造林成本法和工业制氧法成本价的平均值330元·t-1；
水源涵养价值用来评估生态系统水源涵养服务价值，公式表示为：
WR＝NPP×Fsic×Fpre×(1-Fslo)×P
其中WR为生态系统水源涵养服务价值；NPP为植被净初级生产力；Fsic为土壤 渗流因子；Fpre为多年平均降水量因子；Fslo为坡度因子；P为水库库容建设成 本，取为0.67元/m3。
进一步的，所述步骤S12中，物种分布模型中的生境适宜性可表征生物物种 适宜性的空间分布，公式表示为：
Figure BDA0002900217630000064
其中g为逻辑斯蒂函数，g(u)＝log(u/(1-u))；α为常数；β为回归系数； x为自变量；u为由自变量线性结合预测得到的因变量发生的概率；
物种分布模型中的生境破碎化指数使用六个常见的景观指数进行表征。斑块 数(NP)、斑块密度(PD)、平均斑块面积(AREA_MN)、最大斑块指数(LPI)， 用于反映生境破碎化指数。分离度指数(DIVISION)、斑块结合度指数 (COHESION)，用于反映斑块间隔离程度。
进一步的，所述步骤S13中，生物多样性指数模型中的生物丰度指数(BI) 用来评价研究区域内生物的丰贫程度，公式表示为：
BI＝Abio×(0.35×Sl+0.21×Sc+0.28×Ss+0.11×Sg+0.04×Sj+0.01×Sw)/S
其中BI为生物丰度指数；Abio为生物丰度指数的归一化系数，参考值为511.2642131067；Sl、Sc、Ss、Sg、Sj、Sw分别为林地、草地、水域、耕地、 建设用地和未利用地面积；S为区域面积。
生物多样性指数模型中的平均物种丰度指数(MSA)可评价一个地区的生 物多样性变化情况，本方法中的MSA只考虑的土地利用的变化，公式表示为：
MSAi＝MSAlui×MSAIi×MSAFi
其中MSAlui为第i个像元上土地利用对MSA的影响，MSAIi为第i个像元上 基础设施对MSA的影响，MSAFi为第i个像元上破碎度对MSA的影响。
进一步的，所述步骤S14中，生物多样性保护目标用平均物种丰度指数 (MSA)来衡量，公式表示为：
Figure BDA0002900217630000071
其中MSA为生物保护指数，即平均物种丰度指数；MSAi为栅格像元i的MSA 值；Ai为栅格像元i的面积。
城市发展目标用城市建设用地面积增加或减少百分比(Area_C)来衡量，公 式表示为：
Figure BDA0002900217630000072
其中Area_C为城市发展指数，即城市建设用地面积增加或减少百分比； Urbansim是未来模拟的城市建设用地面积；Urbancurr是当前的城市建设用地面 积。
对于驱动力情景，不需设定阈值；
对于保护目标情景，需设定生物保护指数阈值V，V的取值范围为(0～1)， 其目标函数为MSA≥V；
对于多目标情景，需设定城市发展指数阈值P和生物保护指数阈值V，V的 取值范围(0～1)，P的取值范围(-1～+∞)，其目标函数为MSA≥V&Area_C≥P。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出的一种基于FLUS模型和生物多样性模型的变化情景模拟方法集 成了旧土地利用模拟模型的优势，消除了误差传递、改良了模型的内部的现实意 义不明确的参数；FLUS模型中引入的神经网络算法计算各类用地的分布概率， 再使用轮盘赌机制引入土地利用类型的竞争，实现了智能算法和不确定性机制的 结合并同时应用于未来土地利用情景预测中；最终用更少的数据、更少的参数、 更快的速度获取了精确度比旧土地利用模拟模型更高的模拟结果；生物多样性模 型中的生态系统服务模型、物种分布模型和生物多样性指数模型计算各指标，能 定量评估未来情景下的土地利用对生物多样性的影响；设置不同情景下的目标要 求，能模拟获得符合情景目标的土地利用。
附图说明
图1是基于FLUS模型和生物多样性模型的变化情景模拟方法的流程图。
图2是本发明实施例中2010年X市初始土地利用分类图。
图3是各类土地利用变化的驱动因子的示意图。
图4是FLUS模型中神经网络输出的各类用地分布概率的示意图。
图5是本发明的土地利用模拟结果对比图。
图6是本发明实施例输出的满足情景目标的生物多样性评估结果图。
图7是本发明实施例输出的满足情景目标的生物多样性评估中生境破碎化指 数结果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具 体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下， 本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明 还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并 不受下面公开的具体实施例的限制。
实施例1
本发明针对多类别土地利用变化模拟问题并集成生物多样性模型的优势，通 过智能算法与不确定性模型的结合，使得方法能更精确的挖掘驱动力因子与土地 利用变化之间的关系，更真实的反映土地利用变化过程，并能更精确的模拟未来 情景下的土地利用；再通过生态系统服务模型、物种分布模型和生物多样性指数 模型，定量评估未来情景下的土地利用对生物多样性的影响，判断是否满足不同 情景下的目标需求。
基于上述目的下面结合具体的实施数据来阐明本发明的实施过程。
本发明中的研究对象为S省的省会X市，X市是西部地区重要的中心城市， 市域总面积为10572km2，当前常住人口1020.35万。本研究区域中采用的数据为： 2010年的X市土地利用数据作为模拟的初始数据，由TM影像解译而成，分为 耕地、林地、草地、水体、建设用地和未利用地6类。采用2015年的TM影像 解译的土地利用变化数据作为验证数据，2010年的X市土地利用变化数据与 2015年的数据具有相同的土地利用分类系统。所有的区域数据文件都要被统一 成同尺度的栅格影像以方便进行像元尺度上的同质分析。根据土地利用变化模拟 的研究经验结合X市的历史数据和现有数据，本次实例共选取八种土地利用/土地覆盖变化的驱动力因子。驱动力因子分别为：高程，坡度，到市中心的距离， 到区县中心的距离，到高速公路的距离，到铁路的距离，到省道的距离，到县乡 道的距离。生态系统服务数据用于计算固碳释氧价值和水源涵养价值，具体包括： 植被净初级生产力(NPP)、土壤渗流因子、坡度、年平均降水量。物种分布数 据用于计算生境适宜性和生境破碎化指数，具体包括：指示物种分布、环境因子； 在本次实例选择了四种物种分布适宜性的环境因子，分别为：高程、土壤渗流因 子、年平均降水量、距居民点距离。生物多样性指数数据用于计算生物丰度指数 和平均物种丰度指数，具体包括：土地利用、基础设施因子、土地利用斑块、土 地利用MSA系数、土地利用BI权重；在本次实例选择了四种基础设施因子， 分别为：距高速公路距离、距铁路距离、距省级道路距离、距县乡级道路距离。
本发明研究对象选择X市的原因主要在于：X地处关中平原中部，是是西 北地区最大的城市。X北依渭河冲积平原，南靠秦岭山地，且全市境内山地面积 居多，占区域总面积的48.8％，这种特殊的地形地貌赋予了X市良好的生态环境。 X市是西部地区重要的交通枢纽，全市道路总里程4276.67公里，在区域内已基 本形成了十分通达的公路骨架网。另外，X作为陕西省关中地区经济发展的核心， 有着良好的基础设施及产业发展，尤其X市是高等学校密度最大的城市，很大程 度吸引着大量的外来人口。X市凭借着良好的区位优势，社会经济得到了迅速的 发展。城市化进程的加快对城市建设用地的需求增大，会侵占大量的土地资源。 近年来，X市景观格局发生了很大变化，景观格局的改变对X市的生态环境产 生了重要影响。在X市目前的城市发展模式下，预测未来城市形态及土地利用 变化，并评估土地利用变化对生态环境的影响，对X市的城市建设规划具有重 要的意义。
图1为本发明的方法流程图，如图1所示，方法主要包括以下几个步骤：
第1步：开始，对初始土地高分影像进行预处理，对预处理后的高分影像解 译得到分类后的影像，从分类后的影像获取初始土地利用数据，对初始土地利用 数据规定好模拟区域的范围与标准栅格影像大小，用欧式距离公式计算区域内栅 格到土地利用变化驱动因子的距离。生成与标准栅格影像图幅大小一致的栅格距 离数据。其中，欧氏距离是像元中心与源像元的中心的直线距离。其距离公式如 下：
Figure BDA0002900217630000101
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示 计算到的欧式距离。
图2为搜集的初始土地利用变化数据，图3为欧式距离计算的驱动力因子以 及地形和坡度因子。从两期解译数据中提取出6类用地：1、耕地；2、林地；3、 草地；4、水体；5、建设用地；6、未利用地。驱动因子分别为：高程，坡度， 到市中心的距离，到区县中心的距离，到高速公路的距离，到铁路的距离，到省 道的距离，到县乡道的距离。
第2步：在驱动力数据与初始土地利用分类影像上用随机点采样，根据初始 土地利用数据的特点选择采样方式。模型提供两种采样方式：1、均匀采样策略； 2、比例采样策略。均匀采样策略使得各类土地利用类型的采样点一致，适用于 不同土地利用类型面积差异较大的区域；比例采样法使得各类土地利用类型的采 样点占总采样点的比例与各类初始土地利用类型与区域面积的比例一致，计算量 较小，适合较大尺度区域采样。
本实例中使用均匀采样策略使得各类土地利用类型的采样点一致，用采样点 提取图2中的土地利用变化数据和图3中的驱动力数据。通过采样点抽取m＝2000 个土地利用变化影响因子以及其采样点对应的土地利用类型。采样后的样本公式 表示为：
X(l)＝[x1(l)，x2(l)，x3(l)，...，xw(l)，...，xm(l)]T
其中xw(l)表示第l个采样点抽取的第w个驱动力因子的变量，T为转置。神 经网络训练之前，需要将xw(l)做归一化处理，统一各个变量的量纲。归一化公 式表示为：
Figure BDA0002900217630000111
其中maxw和minw分别是第w个驱动力因子的最大和最小值。
第3步：用参数自适应神经网络算法训练采样数据，设定好隐藏神经元数目 与采样点数，然后对神经网络进行训练。
采用了参数自适应神经网络模型对采样数据进行训练，使得模型能达到更快 的训练速度和训练精度。其自适应公式如下：
Figure BDA0002900217630000112
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经 网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、 [1，1.1]。
根据本发明的实施例。神经网络的输入层接收标准化的土地利用变化因子后, 将它们输出到隐藏层。本实例中设隐藏层数为h＝12，隐藏层第v个神经元所收 到的信号公式为:
Figure BDA0002900217630000113
其中netv(l)为隐藏层第v个神经元所收到的信号；ω(w，v)为输入层和隐藏层之 间一一对应的参数，也就是两个层级间的权重值；隐藏层netv(l)对进行处理，然 后将处理结果sig modv输出至输出层。处理数据的函数通常为sigmod函数：
Figure BDA0002900217630000114
隐藏层输出函数与输出层输出函数间也有权值一一对应，输出层数数目u与 实例模拟的土地利用类别相等，土地利用类型共有6类即u＝6，假设在第q个输 出层中，那么输出层的数据处理函数为：
Figure BDA0002900217630000121
netq(l)为输出层第q个神经元所收到的信号；θ(v，q)是隐藏层和输出层之间的 权重参数，输出层接收到信号之后，会对这些信号产生响应，该响应值通过下式 生成分布概率p(l，q)：
Figure BDA0002900217630000122
第4步：把全体驱动力数据输入训练好的神经网络，输出每种土地利用类型 在区域内的分布概率。
实例中p(l，u)为采样点训练神经网络的输出。网络训练完毕后，将所有土地 利用变化驱动因子图层叠加并全图输入训练好的神经网络，将p(l，q)中的l转化 成为像元的坐标(i，j)，得到如下公式：
Figure BDA0002900217630000123
其中p(i，j，q)为神经网络输出的第(i，j)个像元上第q种用地类型的分布概 率。本实例中神经网络的输出为图4所示的6种土地利用类型的分布概率。
第5步：将分布概率数据与初始土地利用数据在土地利用模拟模块中进行迭 代，设定好邻域大小和转换限制矩阵，并根据每种土地利用类型的需求面积设定 目标像元个数，即未来各类用地需要达到的像元数。
本实例中的西安市影像像元为250m，因而邻域范围选择3×3摩尔邻域。本 实例模拟的时间为：从2010年模拟到2015年，因而目标像元个数与2015年的 各类别土地利用分类影像一致，迭代次数设为100次。转换限制矩阵限制为城市 不能转换为其他用地。
第6步：迭代扫描初始土地利用数据的像元，计算该像元在邻域内包含的土 地利用类型和在领域内所占的比例，与第4步输出的分布概率数据、转换限制矩 阵共同合成该像元上各类土地利用类型的总分布概率。
本实例中，通过邻域函数构建一个扫描窗口，统计窗口内的各类像元的数量 并衡量各个不同土地利用类型在空间上的相互影响，邻域规则的定义如下：
Figure BDA0002900217630000131
其中
Figure BDA0002900217630000132
是邻域函数，表示第t次迭代时，以影像中位于第i行、第j列的像 元为中心的n×n窗口中的第q类土地利用类型所占的比例；con是条件函数，Sk表示邻域内的当前被扫描的像元，该像元属于第k种土地利用类型；con(Sk＝q) 表示检测邻域内的当前土地利用像元类型是否为第q类。实例中取n＝3，构建摩 尔邻域。
根据本发明的实施例，在构成轮盘赌的全局总概率合成公式为：
Figure BDA0002900217630000133
其中
Figure BDA0002900217630000134
表示总分布概率，p(i，j，q)表示神经网络输出的第(i，j)个像元上第q 种土地利用类型的分布概率，C(i′，j′)表示转换限制矩阵，i′，j′表示转换限制矩 阵的坐标。
第7步：合成像元上的各类土地利用类型的总分布概率后，利用总分布概率 构成轮盘，通过轮盘赌的方法，使区域内各种土地利用类型在像元上竞争。竞争 获胜的土地利用类型占据该像元。
第8步：迭代完一幅影像的全部有效像元，所述有效像元即土地利用数据中 像元值不为空值的像元，返回第5步刷新初始影像进入下一次迭代，计算到目标 像元数目的差值。到达迭代次数或者达到目标像元数目，停止迭代输出结果。
第9步：对比2015年西安市模拟结果与真实结果，进行精度验证，计算混 淆矩阵、Kappa系数及FoM精度。
第10步：以2015年土地利用为初始土地利用，设定2025年各土地利用类 型的需求，转到第5-8步，预测2025年的土地利用变化。
第11步：选择生物多样性变化情景方案。驱动力情景下，不受其他条件约 束；保护目标情景下，受生物多样性保护目标的约束，未达到目标要求则转到第 5步重新进行土地利用迭代模拟，满足目标要求后则输出情景模拟结果；多目标 情景下，受城市发展目标和生物多样性保护目标的共同约束，未达到目标要求则 转到第5步重新进行土地利用迭代模拟，满足目标要求后则输出情景模拟结果。 本实例中，根据西安市当前城市发展情况，选择多目标情景方案，城市发展指数 阈值取0.2，生物多样性保护目标阈值取0.4。
第12步：优先计算目标指数值，满足目标阈值则进行生物多样性变化定量 评估计算，否则转到第5步重新进行迭代模拟。
本实例中，情景方案为多目标情景，需要计算生物保护指数和城市发展指数， 生物保护指数用平均物种丰度指数(MSA)来衡量，公式表示为：
Figure BDA0002900217630000141
其中MSA为生物保护指数，即平均物种丰度指数；MSAi为栅格像元i的MSA 值；Ai为栅格像元i的面积；
城市发展指数用城市建设用地面积增加或减少百分比(Area_C)来衡量，公 式表示为：
Figure BDA0002900217630000142
其中Area_C为城市发展指数，即城市建设用地面积增加或减少百分比； Urbansim是未来模拟的城市建设用地面积；Urbancurr是当前的城市建设用地面 积。
本实例中，对预测的2025年土地利用与初始的2015年土地利用进行计算， 获得土地利用转化矩阵；将预测的2025年土地利用和生态系统服务数据输入生 态系统服务模型；计算获得固碳释氧和水源涵养价值，固碳释氧价值公式为：
Figure BDA0002900217630000143
其中Vco为固碳释氧价值；PNP，i为第i种植被类型的净初级生产力；Pc为市场 固定二氧化碳价格，采用造林成本法和碳税法成本价的平均值753元·t-1；Po为 市场固定氧气价格，采用造林成本法和工业制氧法成本价的平均值330元·t-1；
水源涵养价值用来评估生态系统水源涵养服务价值，公式为：
WR＝NPP×Fsic×Fpre×(1-Fslo)×P
其中WR为生态系统水源涵养服务价值，NPP为植被净初级生产力，Fsic为 土壤渗流因子，Fpre为多年平均降水量因子，Fslo为坡度因子，P为水库库容建 设成本，取为0.67元/m3；
将预测的2025年土地利用和物种分布数据输入物种分布模型，计算获得生 境适宜性和生境破碎化指数，生境适宜性可表征生物物种适宜性的空间分布，公 式表示为：
Figure BDA0002900217630000151
其中g为逻辑斯蒂函数，g(u)＝log(u/(1-u))；α为常数，β为回归系数， x为自变量，u为由自变量线性结合预测得到的因变量发生的概率；
生境破碎化指数使用六个常见的景观指数进行表征；斑块数(NP)、斑块 密度(PD)、平均斑块面积(AREA_MN)、最大斑块指数(LPI)，用于反映 生境破碎化指数；分离度指数(DIVISION)、斑块结合度指数(COHESION)， 用于反映斑块间隔离程度；
将预测的2025年土地利用和生物多样性指数数据输入生物多样性指数模 型，计算获得生物丰度和平均物种丰度指数，生物丰度指数(BI)用来评价研究 区域内生物的丰贫程度，公式表示为：
BI＝Abio×(0.35×Sl+0.21×Sc+0.28×Ss+0.11×Sg+0.04×Sj+0.01×Sw)/S
其中BI为生物丰度指数；Abio为生物丰度指数的归一化系数，参考值为511.2642131067；Sl、Sc、Ss、Sg、Sj、Sw分别为林地、草地、水域、耕地、 建设用地和未利用地面积；S为区域面积；
平均物种丰度指数(MSA)可评价一个地区的生物多样性变化情况，本方 法中的MSA只考虑的土地利用的变化，公式表示为：
MSAi＝MSAlui×MSAIi×MSAFi
其中MSAlui为第i个像元上土地利用对MSA的影响，MSAIi为第i个像元上 基础设施对MSA的影响，MSAFi为第i个像元上破碎度对MSA的影响。
图5为2015年土地利用模拟结果对比图。图6和图7为满足情景目标的生 物多样性评估结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述方法包括两个阶段：使用土地利用模拟模块模拟土地利用阶段；通过生物多样性变化定量评估模块评估土地利用对生物多样性影响阶段；
具体步骤为：
使用土地利用模拟模块模拟土地利用阶段：
S1：获取初始土地高分影像并进行预处理，对预处理后的高分影像解译得到分类后的影像，从分类后的影像获取初始土地利用数据；之后选取若干影响土地利用变化的驱动力因子组成驱动力数据；
S2：对初始土地利用数据规定好模拟区域的范围与标准栅格影像大小，用欧式距离公式计算模拟区域内栅格到土地利用变化驱动因子的距离，生成与标准栅格影像图幅大小一致的栅格距离数据；
S3：在驱动力数据与初始土地利用数据上进行随机点采样，获得采样数据；
S4：使用采样数据对参数自适应神经网络算法进行训练；
S5：将全部的驱动力数据数据输入训练好的神经网络，通过神经网络计算获得每种土地利用类型在模拟区域内的分布概率；
S6：将S5输出的分布概率与S1中的初始土地利用数据在土地利用模拟模块中进行迭代；迭代前设定好邻域大小、转换限制矩阵和每种用地类型的像元个数；
S7：迭代扫描初始土地利用数据的像元，计算每个像元在邻域内包含的土地利用类型和在邻域内所占的比例，与S5输出的分布概率、转换限制矩阵共同合成每个像元上各类土地利用类型的总分布概率；
S8：将每个像元上的各类土地利用类型的总分布概率构成轮盘，通过轮盘赌的方法，使区域内各种土地利用类型在像元上竞争，竞争获胜的土地利用类型占据该像元；
S9：转到步骤S7，直至迭代完一幅影像的全部有效像元，所述有效像元即土地利用数据中像元值不为空值的像元，然后返回S6刷新初始影像进入下一次迭代，计算到目标像元数目的差值；到达迭代次数R或者达到目标像元数目后，停止迭代输出模拟的土地利用结果；
通过生物多样性变化定量评估模块评估土地利用对生物多样性影响阶段：
S10：对模拟的土地利用和初始土地利用数据进行计算，获得土地利用转换矩阵；
S11.将模拟的土地利用和生态系统服务数据输入生态系统服务模型，计算获得固碳释氧和水源涵养价值；
S12.将模拟的土地利用和物种分布数据输入物种分布模型，计算获得生境适宜性和生境破碎化指数；
S13.将模拟的土地利用和生物多样性指数数据输入生物多样性指数模型，计算获得生物丰度和平均物种丰度指数；
S14.将S10中的土地利用转换矩阵、S11中的固碳释氧和水源涵养价值、S12中的生境适宜性和生境破碎化指数、S13中的生物丰度和平均物种丰度指数组成生物多样性指标定量评估结果，在评估前设定好情景方案，根据不同情景输出对于的情景模拟结果：
若为驱动力情景，不受其他条件约束，评估结果直接输出作为生物多样性情景模拟结果；若为保护目标情景，受生物多样性保护目标的约束，未达到目标要求则转到S6重新进行土地利用迭代模拟，满足目标要求后则输出情景模拟结果；若为多目标情景，受城市发展目标和生物多样性保护目标的共同约束，未达到目标要求则转到S6重新进行土地利用迭代模拟，满足目标要求后则输出情景模拟结果。
2.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S2中，采用空间欧式距离公式计算空间栅格到驱动力因子的距离，计算公式为：
Figure FDA0002900217620000021
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示计算到的欧式距离。
3.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S3中，采用均匀采样策略或比例采样策略对驱动力数据与初始土地利用数据进行随机点采样，采样后的样本公式表示为：
X(l)＝[x1(l)，x2(l)，x3(l)，...，xw(l)，...，xm(l)]T
其中xw(l)表示第l个采样点抽取的第w个驱动力因子的变量，T为转置。
4.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S4中，使用采样数据对输入参数自适应神经网络算法进行训练之前，需要对采样数据进行归一化处理，归一化处理计算公式为：
Figure FDA0002900217620000031
其中maxw和minw分别是第w个驱动力因子的最大和最小值。
5.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S5中，参数自适应神经网络算法可表示如下：
Figure FDA0002900217620000032
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、[1，1.1]；
参数自适应神经网络算法包括输入层、隐藏层和输出层，全体驱动力数据通过输入层输入训练好的神经网络，驱动力数据经输入层、隐藏层和输出层依次处理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层接收的驱动力数据为xw′(l)，则隐藏层第v个神经元所收到的信号公式为：
Figure FDA0002900217620000033
其中netv(l)为隐藏层第v个神经元所收到的信号；ω(w，v)为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值；
隐藏层netv(l)对进行处理，然后将处理结果sig modv输出至输出层，其对netv(l)进行处理的具体过程如下：
Figure FDA0002900217620000034
而输出层第q个神经元所收到的信号表示为：
Figure FDA0002900217620000041
θ(v，q)是隐藏层和输出层之间的权重参数，输出层接收到信号之后，会对这些信号产生响应，该响应值通过下式生成分布概率p(l，q)：
Figure FDA0002900217620000042
6.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S7中，通过邻域函数构建一个扫描窗口，然后统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域函数的定义如下：
Figure FDA0002900217620000043
其中
Figure FDA0002900217620000044
是邻域函数，表示第t次迭代时，以影像中位于第i行、第j列的像元为中心的n×n窗口中的第q类土地利用类型所占的比例；con是条件函数，Sk表示邻域内的当前被扫描的像元，该像元属于第k种土地利用类型；con(Sk＝q)表示检测邻域内的当前土地利用像元类型是否为第q类；即构成轮盘赌的全局总概率合成公式为：
Figure FDA0002900217620000045
其中
Figure FDA0002900217620000046
表示总分布概率，p(i，j，q)表示神经网络输出的第(i，j)个像元上第q种土地利用类型的分布概率，C(i′，j′)表示转换限制矩阵，i′，j′表示转换限制矩阵的坐标。
7.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S11中，生态系统服务模型中的固碳释氧价值是固碳和释氧价值的总和，公式表示为：
Figure FDA0002900217620000047
其中Vco为固碳释氧价值；PNP，i为第i种植被类型的净初级生产力；Fc为市场固定二氧化碳价格，采用造林成本法和碳税法成本价的平均值753元·t-1；Po为市场固定氧气价格，采用造林成本法和工业制氧法成本价的平均值330元·t-1；
水源涵养价值用来评估生态系统水源涵养服务价值，公式表示为：
WR＝NPP×Fsic×Fpre×(1-Fslo)×P
其中WR为生态系统水源涵养服务价值；NPP为植被净初级生产力；Fsic为土壤渗流因子；Fpre为多年平均降水量因子；Fslo为坡度因子；P为水库库容建设成本，取为0.67元/m3。
8.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S12中，物种分布模型中的生境适宜性可表征生物物种适宜性的空间分布，公式表示为：
Figure FDA0002900217620000051
其中g为逻辑斯蒂函数，g(u)＝log(u/(1-u))；α为常数；β为回归系数；x为自变量；u为由自变量线性结合预测得到的因变量发生的概率；
物种分布模型中的生境破碎化指数使用六个常见的景观指数进行表征：斑块数(NP)、斑块密度(PD)、平均斑块面积(AREA_MN)、最大斑块指数(LPI)，用于反映生境破碎化指数、分离度指数(DIVISION)、斑块结合度指数(COHESION)，用于反映斑块间隔离程度。
9.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S13中，生物多样性指数模型中的生物丰度指数(BI)用来评价研究区域内生物的丰贫程度，公式表示为：
BI＝Abio×(0.35×Sl+0.21×Sc+0.28×Ss+0.11×Sg+0.04×Sj+0.01×Sw)/S
其中BI为生物丰度指数；Abio为生物丰度指数的归一化系数，参考值为511.2642131067；Sl、Sc、Ss、Sg、Sj、Sw分别为林地、草地、水域、耕地、建设用地和未利用地面积；S为区域面积；
生物多样性指数模型中的平均物种丰度指数(MSA)可评价一个地区的生物多样性变化情况，本方法中的MSA只考虑的土地利用的变化，公式表示为：
MSAi＝MSAlui×MSAIi×MSAFi
其中MSAlui为第i个像元上土地利用对MSA的影响，MSAIi为第i个像元上基础设施对MSA的影响，MSAFi为第i个像元上破碎度对MSA的影响。
10.根据权利要求1所述的一种基于FLUS模型和生物多样性模型的变化情景模拟方法，其特征在于，所述步骤S14中，生物多样性保护目标用平均物种丰度指数(MSA)来衡量，公式表示为：
Figure FDA0002900217620000061
其中MSA为生物保护指数，即平均物种丰度指数；MSAi为栅格像元i的MSA值；Ai为栅格像元i的面积；
城市发展目标用城市建设用地面积增加或减少百分比(Area_C)来衡量，公式表示为：
Figure FDA0002900217620000062
其中Area_C为城市发展指数，即城市建设用地面积增加或减少百分比；Urbansim是未来模拟的城市建设用地面积；Urbancurr是当前的城市建设用地面积；
对于驱动力情景，不需设定阈值；
对于保护目标情景，需设定生物保护指数阈值V，V的取值范围为(0～1)，其目标函数为MSA≥V；
对于多目标情景，需设定城市发展指数阈值P和生物保护指数阈值V，V的取值范围(0～1)，P的取值范围(-1～+∞)，其目标函数为MSA≥V&Area_C≥P。
CN202110054800.1A 2021-01-15 2021-01-15 一种基于flus模型和生物多样性模型的变化情景模拟方法 Active CN113222316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110054800.1A CN113222316B (zh) 2021-01-15 2021-01-15 一种基于flus模型和生物多样性模型的变化情景模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110054800.1A CN113222316B (zh) 2021-01-15 2021-01-15 一种基于flus模型和生物多样性模型的变化情景模拟方法

Publications (2)

Publication Number Publication Date
CN113222316A true CN113222316A (zh) 2021-08-06
CN113222316B CN113222316B (zh) 2023-07-07

Family

ID=77083757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110054800.1A Active CN113222316B (zh) 2021-01-15 2021-01-15 一种基于flus模型和生物多样性模型的变化情景模拟方法

Country Status (1)

Country Link
CN (1) CN113222316B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116151413A (zh) * 2022-11-10 2023-05-23 东南大学 一种乡村生态系统碳储量预测方法
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
CN117195602A (zh) * 2023-11-07 2023-12-08 北京师范大学 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法
WO2023245399A1 (zh) * 2022-06-21 2023-12-28 南京大学 基于土地系统和气候变化耦合的水稻生产潜力模拟方法
CN117436533A (zh) * 2023-12-20 2024-01-23 贵州大学 基于生境数据分析的物种分布监测方法及设备

Citations (5)

* 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
CN108388566A (zh) * 2017-06-15 2018-08-10 中国科学院地理科学与资源研究所 一种植物物种丰富度分布的空间模拟方法
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
CN109711754A (zh) * 2019-01-21 2019-05-03 苏州科技大学 一种森林生态系统服务价值计算评估方法及装置
CN110222133A (zh) * 2019-05-29 2019-09-10 广州大学 一种考虑景观指数的多类土地利用模拟预测方法及装置

Patent Citations (5)

* 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
CN108388566A (zh) * 2017-06-15 2018-08-10 中国科学院地理科学与资源研究所 一种植物物种丰富度分布的空间模拟方法
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
CN109711754A (zh) * 2019-01-21 2019-05-03 苏州科技大学 一种森林生态系统服务价值计算评估方法及装置
CN110222133A (zh) * 2019-05-29 2019-09-10 广州大学 一种考虑景观指数的多类土地利用模拟预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAOPING LIU 等: "A future land use simulation model (FLUS) for simulating multiple land use", 《LANDSCAPE AND URBAN PLANNING》 *
于丹丹等: "生物多样性与生态系统服务评估指标与方法", 《生态学报》 *
张利等: "基于不同种类生态安全的土地利用情景模拟", 《农业工程学报》 *
江云婷: "城市土地利用变化驱动力建模分析", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023245399A1 (zh) * 2022-06-21 2023-12-28 南京大学 基于土地系统和气候变化耦合的水稻生产潜力模拟方法
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
CN116151413A (zh) * 2022-11-10 2023-05-23 东南大学 一种乡村生态系统碳储量预测方法
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
CN116151413B (zh) * 2022-11-10 2024-04-26 东南大学 一种乡村生态系统碳储量预测方法
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
CN117195602A (zh) * 2023-11-07 2023-12-08 北京师范大学 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法
CN117436533A (zh) * 2023-12-20 2024-01-23 贵州大学 基于生境数据分析的物种分布监测方法及设备
CN117436533B (zh) * 2023-12-20 2024-02-13 贵州大学 基于生境数据分析的物种分布监测方法及设备

Also Published As

Publication number Publication date
CN113222316B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN113222316B (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
CN109410575B (zh) 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法
Dinda et al. An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis
Feng et al. Modeling urban growth with GIS based cellular automata and least squares SVM rules: a case study in Qingpu–Songjiang area of Shanghai, China
CN109359166B (zh) 一种空间增长动态模拟与驱动力因子贡献度同步计算方法
Li et al. Data mining of cellular automata's transition rules
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN105447235B (zh) 一种土地未来利用情景动态模拟方法
Saxena et al. Land suitability and urban growth modeling: Development of SLEUTH-Suitability
Roodposhti et al. Towards automatic calibration of neighbourhood influence in cellular automata land-use models
Quan et al. GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea)
CN116151413B (zh) 一种乡村生态系统碳储量预测方法
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
CN104361255B (zh) 一种改进元胞自动机城市扩张模拟方法
CN107665376A (zh) 一种湿地空间分布变化格局模拟与预测方法
CN110222832A (zh) 长江口盐沼湿地大型底栖动物栖息地模拟预测方法
CN114861277A (zh) 一种长时序国土空间功能与结构模拟方法
CN115099328A (zh) 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN113515798A (zh) 一种城市三维空间扩张模拟方法及装置
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
Chao et al. A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating
CN107274024A (zh) 一种气象台站测量日总辐射曝辐量预测优化方法
Liang et al. A statistical analysis model of big data for precise poverty alleviation based on multisource data fusion
Weifeng et al. On rural typologies with neural network method: Case study on Xining region
CN114998719A (zh) 一种基于深度学习和多源遥感数据的林火预测方法

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