CN113240219A - 一种土地利用模拟及预测方法 - Google Patents
一种土地利用模拟及预测方法 Download PDFInfo
- Publication number
- CN113240219A CN113240219A CN202110787003.4A CN202110787003A CN113240219A CN 113240219 A CN113240219 A CN 113240219A CN 202110787003 A CN202110787003 A CN 202110787003A CN 113240219 A CN113240219 A CN 113240219A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- land
- convlstm
- simulation
- 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
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
- G06Q10/04—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Abstract
本发明公开了一种土地利用模拟及预测方法,包括以下步骤:采集土地利用数据,进行预处理,获得初始数据集,基于滑动窗口技术将初始数据集划分为训练集和测试集;基于ConvLSTM算法与城市扩张CA模型构建ConvLSTM‑CA模型,将训练集作为输入对ConvLSTM‑CA模型进行训练,获得目标ConvLSTM‑CA模型;根据目标ConvLSTM‑CA模型和土地利用数据,计算土地利用类型的转换概率,基于最大概率转换原则,获得土地利用模拟预测结果。本发明的预测方法极大地提升了预测网络的利用率和应用价值,同时采用ConvLSTM‑CA模型在保证模拟效果的同时,大大提高了模拟精度。
Description
技术领域
本发明属于土地模拟预测领域,特别是涉及一种土地利用模拟及预测方法。
背景技术
随着我国经济的高速增长,城市人口数量的持续增多,城市扩张规模逐步增大。现如今的新数据环境下的数据体量大、数据类别多、数据尺度覆盖更广、更新更快、时效性更强、精度更高、且更具人文性。而城市规模的演变受到社会经济、基础设施、人口等多方面的作用,因此城市演进过程具有很高的复杂性。对未来土地利用的变化进行预测,从而对土地的开发、利用、整治和保护在时间和空间上做出预先安排,这对于区域土地资源的配置和可持续利用具有重要的现实意义。随着大数据、物联网等技术的普及和成熟,现在的城市规划人员有更多的数据和方法去认识我们的城市,了解城市及的人群动向、城市的交通态势、用地变迁、运营情况、社交网络、城市业态等。
当前,土地利用变化可以通过多种模型模拟,其中地理学具有代表性的就是以元胞自动机(CA)预测土地利用变化的模型。传统的开发边界划定方法是应用SLEUTH、BP神经网络、CLUH等模型预测城镇用地的动态增长,这些方法虽然具有较高的模拟精度,但忽视了规划的引导作用。在采用CA模拟土地演变过程中,核心是用地转换规则的获取。一个合适的转换规则能够很好的揭示土地利用变化过程的特点,提高模拟的精度。更好的研究土地的变化规律。传统ANN-CA在自动获取转换规则以及土地利用演变模拟简单方便,准确度较高,但是该模型一般采用两个时期的土地变化来进行模拟预测,无法通过多个时间段的综合数据进行分析,存在一定的不足。随着计算机技术的快速发展,更多参数优化方法被应用于CA模型,如遗传算法、粒子群优化算法、随机森林算法、BBO算法等,这些算法较逻辑回归能挖掘空间变量间相互作用的非线性特征,反映出更真实的城市扩展过程。虽然线性与非线性的多种方法均在CA模型转换规则构建中得到应用,但这些方法都是基于单个元胞的信息挖掘来构建转换规则的即使在规则中有邻域约束对元胞的邻域特征进行表达,由于元胞的变化不仅受到相邻元胞状态的影响,还受到相邻元胞的空间变量信息影响,因此不考虑邻域元胞的变量信息特征,难以实现更为精准的演变模拟。基于此,卷积神经网络提取区域特征挖掘转换规则,取得了较好的模拟结果。
发明内容
传统城市规划大多依靠人工完成,存在资源分配率低、不确定性高等问题。为辅助城市规划人员将更多元的影响因素包含于城市扩张分析过程中,提高分析效率,本发明基于ConvLSTM的ConvLSTM-CA模型,提高模拟的效果,满足土地利用变化的模拟研究。最终,在保持较高模拟精度的同时,不忽视规划的引导作用,为城市规划“决策者”提供数据支持与有效参考,提高规划效率。
为实现上述目的,本发明提供了如下方案:一种土地利用模拟及预测方法,包括以下步骤,
采集土地利用数据,进行预处理,获得初始数据集,基于滑动窗口技术将所述初始数据集划分为训练集和测试集;
基于ConvLSTM模型与城市扩张CA模型构建ConvLSTM-CA模型,将所述训练集作为输入对所述ConvLSTM-CA模型进行训练,获得目标ConvLSTM-CA模型;
根据目标ConvLSTM-CA模型和所述土地利用数据,计算土地利用类型的转换概率,基于最大概率转换原则,获得土地利用模拟预测结果。
优选地,所述预处理过程为,将所述土地利用数据提取为时间序列数据,并将所述时间序列数据进行标准化,获得标准化数据;将所述标准化数据进行重分类,获得重分类数据,所述重分类数据的集合即为初始数据集。
优选地,所述标准化数据通过计算空间距离变量的欧式距离计算获得;
所述空间距离变量至少包括:距国道距离、距省道距离、距县道距离、距村道距离、距铁路距离、据城市中心距离、距河流距离、人口数据。
优选地,将所述标准化数据进行重分类,将需要计算的土地类型重分类为1,其他土地类型重分类为0,获得重分类数据。
优选地,基于滑动窗口技术将所述初始数据集划分为训练集和测试集,具体包括,通过ArcGIS中的邻域模块对所述初始数据集进行3*3的滑动窗口处理,获得邻域图;在所述邻域图随机中选取80%的所述重分类数据作为所述训练集,剩余20%的所述重分类数据作为所述测试集;其中,所述训练集用于对所述ConvLSTM-CA模型进行训练,所述测试集用于评价所述目标ConvLSTM-CA模型的精度。
优选地,所述ConvLSTM模型包括数据输入层、数据隐藏层、数据输出层,用于提取元胞自动机的转换规则,根据所述转换规则获得所述土地利用类型的转换概率来预测下一时刻的元胞变化情况,获得土地利用的变化趋势。
优选地,获得所述目标ConvLSTM-CA模型,还包括通过反向传播算法更新模型参数,利用所述测试集对所述目标ConvLSTM-CA模型进行测试,达到精度需求,保存模型。
优选地,所述土地利用模拟预测方法还包括对所述土地利用模拟预测结果进行验证,所述验证的过程包括,将模拟情况与实际土地利用情况做对比得到模拟精度和kappa系数。
优选地,所述土地利用模拟预测结果至少包括绿地、水系、城市用地。
本发明的有益效果为:
本发明采用基于ConvLSTM的ConvLSTM-CA模型提高模拟的效果,可以满足土地利用变化的模拟研究。最终,在保持较高模拟精度的同时,不忽视规划的引导作用,为城市规划“决策者”提供数据支持与有效参考,提高规划效率。
本发明的ConvLSTM模型利用LSTM原理在时间维度上学习长期特征,进行长时间序列预测,使得网络预测能够同时掌握空间与时间上的特征,ConvLSTM模型将LSTM与卷积运算结合,可以将卷积计算出来的特征直接输入到预测模型中,极大地提升了预测网络的利用率和应用价值。卷积运算具有权值共享、局部链接的特点,能有效降低计算复杂度,加速收敛速度。此外,与传统方法基于单个元胞的信息挖掘来构建转换规则相比,提取区域特征构建转换规则的CA模型考虑了CA模拟地理演变过程的区域效应,从而能有效提高城市扩展的模拟精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的方法流程图;
图2是本发明实施例的ConvLSTM模型中神经网络模块的工作流程图;
图3是本发明实施例的ConvLSTM模型的模型优化流程图;
图4是本发明实施例的ConvLSTM模型的模型预测流程图;
图5是本发明实施例的细胞结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提出了一种土地利用模拟及预测方法,包括以下步骤,
数据获取及预处理阶段:本次研究所利用的数据包括土地利用栅格数据以及道路矢量数据。以北京市延庆区2015—2020年为例,首先,基于地理空间数据云上获取的Landsat8卫星影像数据作为主要数据源,选取五大范围云系覆盖进行数据分析。其中,数据包括1:10万比例尺30m*30m土地利用数据、行政区划矢量数据、道路数据。将栅格数据提取为时间序列数据,通过选取空间距离变量,分别为:距国道距离、距省道距离、距县道距离、距村道距离、距铁路距离、据城市中心距离、距河流距离、人口数据,对各个距离变量进行欧式距离计算,将数据进行标准化。再将数据进行重分类,将需要计算的土地类型重分类为1,其他土地类型重分类为0;采用滑动窗口技术构建训练集和测试集,具体通过ArcGIS中的邻域模块对重分类后的数据进行3*3的滑动窗口获取邻域图。在图像中各随机选取80%的空间变量数据作为训练集,对模型进行训练,剩余20%的样本作为测试集用来评价模型的精度。
针对传统CA模型的不足,提出采用基于LSTM的变体,ConvLSTM的ConvLSTM-CA模型,该模型中首先通过对土地数据进行处理,以元胞作为基本单元,通过ConvLSTM对土地利用变化以及空间变量进行训练,得到土地的转换概率。采用基于ConvLSTM作为转换规则得到不同土地类型的转换概率来预测下一时刻的元胞变化状况,以此预测土地利用变化趋势。其中,数据处理平台包括ArcGIS10.7、GeoSOS软件,利用ArcGIS10.7解译遥感影像时将延庆区土地利用类型分为三类:即绿地、水系和城市用地;
进一步地,空间卷积长短时记忆神经网络ConvLSTM模型用于提取元胞自动的转换规则,即计算土地之间的转换概率,包括数据输入层、隐藏层和输出层。神经网络模型确定好以后,利用该模型进行训练。使用反向传播算法更新模型参数,用测试集数据对模型进行测试,对真实值和预测值计算精度,评估模型性能,达到精度要求后保存模型。并且设置不同的转换概率阈值和随机变量进行模拟,验证改进后的模型效果。神经网络在训练完成以后,输出层的神经元将会输出每个栅格转化为其他土地利用类型的概率,根据最大概率转换原则,得到模拟预测结果。
ConvLSTM是一种端到端的网络模型,从输入到状态和状态到状态的转换中具有卷积结构,通过对图像进行卷积运算,提取数据空间特征,然后通过输入门与遗忘门考虑新数据的输入与上一时间点的输出,综合形成新的细胞状态,最后通过与上一时间点的输出,综合形成新的细胞状态,最后通过输出门确定本时间点的输出。细胞结构如图3所示:ConvLSTM是LSTM的变体,改变主要是W的权值计算变成了卷积运算,这样可以提取出图像的特征。另外,LSTM计算单元内的权值是共享的,每层LSTM都共享一份权值。
卷积运算中包括卷积核及数字图像,卷积核指进行卷积的滤波器,卷积主要依靠卷积核的滑动进行运算,而数字图像指需要进行卷积运算的图像。卷积开始,卷积核于数字图像左上角开始滑动,滑动步长可自定义。每次滑动,在图像上提取卷积核大小的窗口,将卷积核与窗口内数值对应相乘并相加,最后将计算结果取代窗口中心像元像素值。每当卷积核运算结束当前窗口后,根据步长大小向右移动步长距离,以此类推,自左向右,自上而下,计算完毕可提取图像特征形成一幅新的图像。卷积运算具有权值共享、局部链接的特点,能有效降低计算复杂度,加速收敛速度。ConvLSTM将LSTM与卷积运算结合,可以将卷积计算出来的特征直接输入到预测模型中,极大地提升了预测网络的利用率和应用价值。
通过Sigmoid函数确定阈值,将变量映射到[0,1]之间。Sigmoid函数由下列公式定义。
经过Sigmoid函数运算后,门控设置可以按比例选择[0,1]区间数据作为输入,如遗忘门通过函数输出控制遗忘比例,输入门控制输入比例,输出门则控制本次细胞状态的输出比例。
tanh函数用于处理ConvLSTM细胞中的细胞状态,通过tanh函数将输入的数据映射至[-1,1]之间。tanh函数公式定义如下所示。
ConvLSTM对应状态更新的公式为:
式中,*代表卷积运算,为Hadamard乘积;Xt为t时刻神经元的输入;ht-1为t-1时刻神经元输出;Wxi,Wxf,Wxc,Wxo分别为不同卷积运算中Xt的权重;Whi,Whf,Whc,Who为ht-1的权重;bi,bf,bc,bo为卷积运算的偏置值。it控制输入门,它利用sigmoid函数对输入的新数据及上以神经元的输出进行选择,决定该神经元的输入信息。ft控制遗忘门,输入参数同输入门,按比例遗忘上一神经元的输出,即控制保留上一神经元多少信息进入该神经元。Ct为t时刻神经元的细胞状态,它结合上一神经元的细胞状态及t时刻输入的新数据,形成新的细胞状态。最后是输出门,通过门控设置,将本次细胞状态按比例输出,即为本次细胞输出ht。
输入:ConvLSTM有三个输入和两个输出,三个输入分别为,其中表
示当前网络的输入值,表示上一时刻的输出值,表示上一时刻的状态。其中表示当
前时刻的输出值,表示当前时刻状态,最后输出为各个土地类型转换概率。
城市扩张CA模型:通过空间卷积长短时记忆神经网络(ConvLSTM)模型基于CA模型的转换规则,计算多尺度区域特征下的土地开发适宜性,计算元胞由非城市向城市元胞转换的概率。依据ConvLSTM-CA模型的结构,非城市用地转换为城市用地的概率(P)可用数学方法表示为
式中,为基于卷积长短时记忆神经网络模型计算的元胞(i,j)的土地开发适宜
性;为元胞(i,j)受其周围元胞影响的邻域约束,本文采用3×3大小的摩尔型邻域,即
为中心元胞周围8个元胞中城市元胞所占的比率;为元胞(i,j)所处空间位置受到的全局
限制约束,本文以水域作为限制因素,当元胞(i,j)为水域时,=0,否则,=1;代表
元胞(i,j)状态发生变化过程中的不确定性,,其中为0-1的随机数,为
控制随机强度的参数,本文中=2。
将模拟情况与实际土地利用情况做对比得到模拟精度和kappa系数。为验证ConvLSTM-CA模型作为转换规则的准确率的有效性,将基于多准则判断的CA模型(MCE-CA)作为比较对象,进行MCE-CA模型下的实验对2019、2020年土地利用变化预测进行对比。得出预测结果并计算预测2019、2020的Kappa值。
Kappa指数的计算过程为:Kappa=(P0-Pc)/(Pp-Pc)。用Equal to工具比较预测的2020土地利用情况和实际情况栅格数据,0值为不同部分,1值为相同部分,正确的栅格个数为301505,总栅格数为331860,得到P0为0.91,土地类型一共有3个,模型随机情况下模拟正确的比例为1/3,即Pc=0.333,理想分类情况下Pp=1,可得2020年的Kappa指数为0.87(0.865)。
本发明采用基于ConvLSTM的ConvLSTM-CA模型提高模拟的效果,可以满足土地利用变化的模拟研究。最终,在保持较高模拟精度的同时,不忽视规划的引导作用,为城市规划“决策者”提供数据支持与有效参考,提高规划效率。
本发明的ConvLSTM模型利用LSTM原理在时间维度上学习长期特征,进行长时间序列预测,使得网络预测能够同时掌握空间与时间上的特征,ConvLSTM模型将LSTM与卷积运算结合,可以将卷积计算出来的特征直接输入到预测模型中,极大地提升了预测网络的利用率和应用价值。卷积运算具有权值共享、局部链接的特点,能有效降低计算复杂度,加速收敛速度。此外,与传统方法基于单个元胞的信息挖掘来构建转换规则相比,提取区域特征构建转换规则的CA模型考虑了CA模拟地理演变过程的区域效应,从而能有效提高城市扩展的模拟精度。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种土地利用模拟及预测方法,其特征在于,包括以下步骤,
采集土地利用数据,进行预处理,获得初始数据集,基于滑动窗口技术将所述初始数据集划分为训练集和测试集;
基于ConvLSTM模型与城市扩张CA模型构建ConvLSTM-CA模型,将所述训练集作为输入对所述ConvLSTM-CA模型进行训练,获得目标ConvLSTM-CA模型;
根据所述目标ConvLSTM-CA模型和所述土地利用数据,计算土地利用类型的转换概率,基于最大概率转换原则,获得土地利用模拟预测结果。
2.根据权利要求1所述的土地利用模拟及预测方法,其特征在于,
所述预处理过程为,将所述土地利用数据提取为时间序列数据,并将所述时间序列数据进行标准化,获得标准化数据;将所述标准化数据进行重分类,获得重分类数据,所述重分类数据的集合即为初始数据集。
3.根据权利要求2所述的土地利用模拟及预测方法,其特征在于,
所述标准化数据通过计算空间距离变量的欧式距离计算获得;
所述空间距离变量至少包括:距国道距离、距省道距离、距县道距离、距村道距离、距铁路距离、据城市中心距离、距河流距离、人口数据。
4.根据权利要求2所述的土地利用模拟及预测方法,其特征在于,
将所述标准化数据进行重分类,将需要计算的土地类型重分类为1,其他土地类型重分类为0,获得重分类数据。
5.根据权利要求2所述的土地利用模拟及预测方法,其特征在于,
基于滑动窗口技术将所述初始数据集划分为训练集和测试集具体包括,通过ArcGIS中的邻域模块对所述初始数据集进行3*3的滑动窗口处理,获得邻域图;在所述邻域图中随机选取80%的所述重分类数据作为所述训练集,剩余20%的所述重分类数据作为所述测试集;其中,所述训练集用于对所述ConvLSTM-CA模型进行训练,所述测试集用于评价所述目标ConvLSTM-CA模型的精度。
6.根据权利要求1所述的土地利用模拟及预测方法,其特征在于,
所述ConvLSTM模型包括数据输入层、数据隐藏层、数据输出层,用于提取元胞自动机的转换规则,根据所述转换规则获得所述土地利用类型的转换概率来预测下一时刻的元胞变化情况,获得土地利用的变化趋势。
7.根据权利要求1所述的土地利用模拟及预测方法,其特征在于,
获得所述目标ConvLSTM-CA模型,还包括通过反向传播算法更新模型参数,利用所述测试集对所述目标ConvLSTM-CA模型进行测试,达到精度需求,保存模型。
8.根据权利要求1所述的土地利用模拟及预测方法,其特征在于,
所述土地利用模拟预测方法还包括对所述土地利用模拟预测结果进行验证,所述验证的过程包括,将模拟情况与实际土地利用情况做对比得到模拟精度和kappa系数。
9.根据权利要求1所述的土地利用模拟及预测方法,其特征在于,
所述土地利用模拟预测结果至少包括绿地、水系、城市用地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787003.4A CN113240219A (zh) | 2021-07-13 | 2021-07-13 | 一种土地利用模拟及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787003.4A CN113240219A (zh) | 2021-07-13 | 2021-07-13 | 一种土地利用模拟及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240219A true CN113240219A (zh) | 2021-08-10 |
Family
ID=77135327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110787003.4A Pending CN113240219A (zh) | 2021-07-13 | 2021-07-13 | 一种土地利用模拟及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240219A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738329A (zh) * | 2020-06-19 | 2020-10-02 | 中南大学 | 一种面向时间序列遥感影像的土地利用分类方法 |
US20210064998A1 (en) * | 2019-08-27 | 2021-03-04 | Nec Laboratories America, Inc. | Tensorized lstm with adaptive shared memory for learning trends in multivariate time series |
CN112560341A (zh) * | 2020-12-11 | 2021-03-26 | 重庆邮电大学 | 基于Distance-SMOTE-CNN-CA模型的城市用地模拟方法 |
-
2021
- 2021-07-13 CN CN202110787003.4A patent/CN113240219A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210064998A1 (en) * | 2019-08-27 | 2021-03-04 | Nec Laboratories America, Inc. | Tensorized lstm with adaptive shared memory for learning trends in multivariate time series |
CN111738329A (zh) * | 2020-06-19 | 2020-10-02 | 中南大学 | 一种面向时间序列遥感影像的土地利用分类方法 |
CN112560341A (zh) * | 2020-12-11 | 2021-03-26 | 重庆邮电大学 | 基于Distance-SMOTE-CNN-CA模型的城市用地模拟方法 |
Non-Patent Citations (4)
Title |
---|
XINGJIAN SHI等: "Convolutional LSTM Network: A Machine Learning", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
王春宇等: "基于Convolutional-LSTM的蛋白质亚细胞定位研究", 《计算机科学与探索》 * |
谢志文等: "城市扩展元胞自动机多结构卷积神经网络模型", 《测绘学报》 * |
陈明辉等: "《遥感技术在城市发展与规划中的综合应用研究与实践》", 31 October 2017, 武汉大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model | |
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
Nutkiewicz et al. | Data-driven Urban Energy Simulation (DUE-S): A framework for integrating engineering simulation and machine learning methods in a multi-scale urban energy modeling workflow | |
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 | |
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 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
Feng et al. | Modeling dynamic urban growth using cellular automata and particle swarm optimization rules | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
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 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN108090624B (zh) | 一种改进元胞自动机的城市生态安全模拟与预测的方法 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
Zhang et al. | Hourly prediction of PM 2.5 concentration in Beijing based on Bi-LSTM neural network | |
He et al. | Deriving urban dynamic evolution rules from self-adaptive cellular automata with multi-temporal remote sensing images | |
Mantelas et al. | Using fuzzy cellular automata to access and simulate urban growth | |
CN112163367A (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
Farzinmoghadam et al. | Developing an automated method for the application of lidar in iumat land-use model: Analysis of land-use changes using building-form parameterization, GIS, and artificial neural networks | |
Tian et al. | Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review | |
Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
Zhao et al. | LandSys II: Agent-based land use–forecast model with artificial neural networks and multiagent model | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
Zhang et al. | SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks | |
CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
Duca et al. | Joint modelling wind speed and power via Bayesian Dynamical models | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
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 |