CN115526418A - 一种基于贝叶斯网络的乡村生态空间预测方法 - Google Patents
一种基于贝叶斯网络的乡村生态空间预测方法 Download PDFInfo
- Publication number
- CN115526418A CN115526418A CN202211268341.8A CN202211268341A CN115526418A CN 115526418 A CN115526418 A CN 115526418A CN 202211268341 A CN202211268341 A CN 202211268341A CN 115526418 A CN115526418 A CN 115526418A
- Authority
- CN
- China
- Prior art keywords
- ecological
- data
- bayesian network
- time point
- rural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000001364 causal effect Effects 0.000 claims abstract description 7
- 230000035945 sensitivity Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的乡村生态空间预测方法,包括基于筛选的适宜因子建立乡村生态空间评价指标体系;确定乡村生态空间预测贝叶斯网络模型所涉及的时间点;获取基础数据,通过预处理后的基础数据制作乡村生态空间评价指标专题图;结合乡村生态空间评价指标的因果关系,构建乡村生态空间预测贝叶斯网络模型;利用贝叶斯网络模型进行参数学习,获得条件概率表;利用贝叶斯网络模型的推理引擎预测乡村生态空间;本发明基于乡村生态空间演变影响因子的作用机制及不同功能空间的博弈关系,采用贝叶斯网络,解决了乡村生态空间演变中人类活动的随机性及随时间动态变化的不确定性问题,实现了乡村生态空间的预测,提升了预测结果的准确性。
Description
技术领域
本发明属于乡村生态景观规划技术领域,具体涉及一种基于贝叶斯网络的乡村生态空间预测方法。
背景技术
通过预测乡村生态空间扩张与萎缩,能够有效反映生态空间的演化过程,识别潜在乡村中具有生态流失风险及生态恢复价值的区域,有助于乡村生态空间的保护。目前,对于生态空间的研究多围绕重要生态功能区和生态环境敏感脆弱区的识别。生态保护红线的划定针对的是生态空间内部核心生态保护区,而非是整体的生态空间。生态保护红线外的乡村生态空间被侵蚀情况也并未受到重视。当下,多采用“源-汇”理论构建最小累积阻力模型实现乡村生态空间格局的预测。然而,该方法是对生态过程理想化模拟,具有局限性。一方面,该方法未能考虑自然和人为影响因子随时间动态变化的不确定性特点,阻力面的构建基于的是现状生态状况,由此得到的预测结果不能体现生态空间随时间的演化特征。另一方面,乡村生态空间是在不同功能空间的博弈下形成的,只单一考虑生态空间的变化原因会导致研究结果的片面。采用CA-Markov等传统土地利用格局演变模拟方法进行乡村生态空间的预测,虽然可以反映各类功能空间的变化过程,但本质上通过对大量样本数据的分析并获取其统计学上的关系并进行预测,因此无法反映内在的生态过程以及各影响因子的作用机制,所获结果可靠性与准确性不足。因此,在考虑时间过程以及各类功能空间博弈关系的基础上,实现对未来乡村生态空间预测,需要一种科学的预测方法。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种基于贝叶斯网络的乡村生态空间预测方法。
本发明的目的可以通过以下技术方案实现:一种基于贝叶斯网络的乡村生态空间预测方法,方法包括以下步骤:
结合乡村生态特征和土地利用演化规律等相关知识,筛选适宜因子,并利用适宜因子建立乡村生态空间评价指标体系,用于贝叶斯网络模型构建;
确定乡村生态空间预测贝叶斯网络模型所涉及的时间点,包括时间点1、时间点2以及时间点3;
获取基础数据,并对基础数据进行预处理,通过预处理后的基础数据制作乡村生态空间评价指标专题图;
结合乡村生态空间评价指标专题图中各指标间的因果关系,构建乡村生态空间预测贝叶斯网络模型;
利用乡村生态空间预测贝叶斯网络模型进行参数学习,获得乡村生态空间评价指标的条件概率表,作为乡村生态空间预测贝叶斯网络模型推理的依据;
优选地,所述乡村生态空间评价指标体系包括空间因子、生态适宜性因子、土地利用变化因子、政策因子和目标因子。
优选地,所述空间因子包括高程、坡度、距水域距离、距道路距离、距建筑物距离、距林地距离;所述生态适宜性因子包括生态敏感性,生态系统服务功能重要性,所述土地利用变化因子包括生态用地变化、建设用地变化和农业用地变化;所述政策因子包括生态保护红线;所述目标因子为预测的乡村生态空间。
优选地,所述生态敏感性包括地形敏感性、水文敏感性、植被敏感性以及土地利用敏感性,生态系统服务功能重要性包括水源涵养能力、水土保持能力。
优选的,所述乡村生态空间预测贝叶斯网络模型所涉及的时间点,包括时间点1、时间点2及时间点3,时间点1与时间点2、时间点2与时间点3之间的时间跨度需一致,时间点3为预测的乡村生态空间对应的年份。
优选地,所述基础数据包括时间点1和时间点2的卫星遥感数据,数字线划图数据、生态保护红线数据;
对基础数据进行预处理的过程包括对卫星遥感数据的投影转换、影像融合、几何校正、图像增强与拼接处理,对数字线划图数据和生态保护红线数据的数据格式转换、重采样、重分类及裁剪;
制作乡村生态空间评价指标专题图包括:
乡村土地利用类型栅格图:根据LUCC土地利用分类体系,将经预处理后的时间点1和时间点2的卫星遥感数据结合人机交互解译获取乡村的土地利用图,将土地利用类型分为6类,包括:建设用地、林地、水域、灌丛及草地、农业用地和裸地,经栅格化处理后获取时间点1和时间点2的乡村土地利用类型栅格图;
乡村生态空间栅格图:结合时间点1和时间点2的乡村土地利用类型栅格图结合卫星遥感数据,将林地、水域、灌丛及草地进行合并,获得时间点1和时间点2的乡村生态空间栅格图;
空间因子栅格图:采用GIS(地理信息系统)空间分析方法获得时间点1和时间点2高程和坡度栅格图,采用多环缓冲区分析获得距水域距离、距道路距离、距建筑物距离和距林地距离栅格图;
生态适宜性因子栅格图:采用层次分析法及加权叠加法获得时间点1和时间点2的生态敏感性和生态系统服务功能重要性栅格图;
政策因子栅格图:识别时间点1和时间点2的生态保护红线内外区域,获取生态保护红线区域栅格图;
土地利用变化因子栅格图:将时间点1和时间点2的土地利用图叠加分析,获得生态用地变化、建设用地变化和农业用地变化栅格图。
优选地,所述乡村生态空间预测贝叶斯网络模型的公式如下:
S=(V,L) (1)
式中S代表贝叶斯结构,则S由节点变量集V(V={V1,V2,V3,...,Vn})和有向边L(L=ViVj|Vi,Vj,∈V)组成,其中,节点变量Vi是预测的生态空间的抽象表示,有向边L是节点变量Vi、Vj之间的依赖或因果关系;
节点变量之间的参数是反映该节点间局部关联性的概率分布集,其表达式如下:
P={P(V}i|V1,V2,V3,...,Vi-1),Vi∈V (2)
用Vpi表示变量Vi的父节点集,则V的联合概率分布为:
优选地,所述利用乡村生态空间预测贝叶斯网络模型进行参数学习,获得条件概率表的过程包括以下步骤:
利用乡村生态空间评价指标作为节点变量构建乡村生态空间预测贝叶斯网络模型结构;
将时间点1的空间因子栅格图、生态适宜性因子栅格图、土地利用变化因子栅格图、政策因子栅格图,以及时间点2的生态空间栅格图中的栅格数据进行离散化处理;其中空间因子、生态适宜性因子栅格数据离散为3个等级,土地利用变化因子、政策因子栅格数据以及时间点2的生态空间栅格数据离散为2个等级;
将所有离散化的栅格数据转化为点数据,导出为包含各要素值及坐标的样本点数据集合,并转化为ASCII格式,作为训练样本数据;
乡村生态空间预测贝叶斯网络模型将训练样本数据进行参数学习训练,训练结束后获得完整的条件概率表。
优选地,所述利用乡村生态空间预测贝叶斯网络模型的推理引擎进行乡村生态空间预测的过程包括以下步骤:
在GIS中将时间点2的空间因子栅格图、生态适宜性因子栅格图、土地利用变化因子栅格图、政策因子栅格图的栅格数据进行离散化处理,其中空间因子、生态适宜性因子栅格数据离散为3个等级,土地利用变化因子和政策因子栅格数据离散为2个等级;
将所有离散化的栅格数据转化为点数据,导出为包含各要素值及坐标的样本点数据集合,并转化为ASCII格式,作为证据样本数据;
将证据样本数据导入乡村生态空间预测贝叶斯网络模型,并对乡村生态空间预测贝叶斯网络模型进行数据更新;
使用联合树推断引擎计算时间点3的乡村生态空间中每个样本点的概率分布情况;
计算最或然率解释判定某一个样本点是否位于乡村生态空间内,并将结果输出为点数据集合;
将点数据集合转化为数据栅格图进行分析并可视化,得到时间点3的乡村生态空间。
优选地,一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的一种基于贝叶斯网络的乡村生态空间预测方法。
优选地,一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的一种基于贝叶斯网络的乡村生态空间预测方法。
本发明的有益效果:
本发明提出的乡村生态空间的预测方法,一方面解决了乡村空间演变中人类活动的随机性及随时间动态变化的不确定性问题,提高了预测结果的可靠性;另一方面通过贝叶斯网络结构有效地反映了影响乡村生态空间演变因子间的作用机制,以及不同类型功能空间的博弈关系,并以条件概率表的形式进行定量化表达,提升了预测结果的准确性;本发明识别了影响乡村生态空间演变的关键因子及其概率,可以为关键因子的优化配置提供参考,支撑乡村生态空间的保护与发展。本发明基于贝叶斯网络构建了一个针对乡村生态空间的开放式预测工具,能够适用于不同时间点、不同地域的乡村生态空间预测,普适性强。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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是本发明方法流程示意图;
图2是本发明一实施例的乡村生态空间评价指标体系示意图;
图3是本发明一实施例的乡村生态空间预测贝叶斯网络模型结构示意图;
图4是本发明一实施例的贝叶斯网络模型训练样本数据示意图;
图5是本发明一实施例的贝叶斯网络模型条件概率表示意图;
图6是本发明一实施例的贝叶斯网络模型证据样本数据示意图;
图7是本发明一实施例的时间点3乡村生态空间示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
参阅图1-图7,本实施例以南京市江宁区某村为例,提供了一种基于贝叶斯网络的乡村生态空间预测方法:
如图1所示,一种基于贝叶斯网络的乡村生态空间预测方法,包括如下步骤:
S1:结合乡村生态特征和土地利用演化规律等相关知识,筛选适宜因子,并利用适宜因子建立乡村生态空间评价指标体系,用于贝叶斯网络模型构建,如图2所示;
乡村生态空间评价指标体系中空间因子包括高程、坡度、距水域距离、距道路距离、距建筑物距离、距林地距离;生态适宜性因子包括生态敏感性,生态系统服务功能重要性;其中,生态敏感性包括地形敏感性、水文敏感性、植被敏感性以及土地利用敏感性,生态系统服务功能重要性包括水源涵养能力、水土保持能力;土地利用变化因子包括生态用地变化、建设用地变化和农业用地变化;政策因子包括生态保护红线;目标因子为预测的生态空间。
S2:确定乡村生态空间预测贝叶斯网络模型所涉及的时间点,包括时间点1、时间点2以及时间点3;
所述乡村生态空间预测贝叶斯网络模型所涉及的时间点,包括时间点1、时间点2及时间点3。时间点1与时间点2、时间点2与时间点3之间的时间跨度需一致,时间点3为预测的乡村生态空间对应的年份;在本案例中,时间点1为2010年,时间点2为2020年,时间点3为2030年;
S3:获取基础数据,预处理基础数据,根据各评价指标具体情况制作专题图,包括:
S3.1基础数据包括2010年和2020年的某村的卫星遥感数据,数字线划图数据、生态保护红线数据;
S3.2预处理包括卫星遥感数据的投影转换、影像融合、几何校正、图像增强与拼接处理,数字线划图数据、生态保护红线数据的数据格式转换、重采样、重分类、裁剪;
S3.3制作专题图包括:
土地利用类型栅格图:根据中国科学院地理科学与资源研究所LUCC土地利用分类体系,将经预处理后的某村2010年和2020年的遥感影像数据结合人机交互解译获取某村的土地利用图,将土地利用类型分为6类,包括:建设用地、林地、水域、灌丛及草地、农业用地和裸地。经栅格化处理后获取2010年和2020年的某村土地利用类型栅格图;
生态空间栅格图:结合2010年和2020年的某村土地利用栅格图结合遥感卫星影像,将林地、水域、灌丛及草地进行合并,获得2010年和2020年的某村生态空间栅格图;
空间因子栅格图:采用GIS(地理信息系统)空间分析方法获得2010年和2020年高程和坡度栅格图,采用多环缓冲区分析获得距水域距离、距道路距离、距建筑物距离、距林地距离栅格图;
生态适宜性因子栅格图:采用层次分析法及加权叠加法获得2010年和2020年的生态敏感性和生态系统服务功能重要性栅格图;
政策因子栅格图:根据南京市划定的生态保护红线,识别2010年和2020年的生态保护红线内外区域,获取生态保护红线区域栅格图;
土地利用变化因子栅格图:将某村2010年和2020年的土地利用图叠加分析,获得生态用地变化、建设用地变化和农业用地变化栅格图;
S4:结合各指标间的因果关系构建乡村生态空间预测贝叶斯网络模型,如图3所示,所述贝叶斯网络模型公式为:
S=(V,L) (1)
式(1)中S代表贝叶斯结构,则S由节点变量集V(V={V1,V2,V3,...,Vn})和有向边L(L=ViVj|Vi,Vj,∈V)组成。其中,节点变量Vi是预测的生态空间的抽象表示,而有向边L是节点变量Vi、Vj之间的依赖或因果关系。
节点变量之间的参数是反映该节点间局部关联性的概率分布集,其表达式如下:
P={P(V}i|V1,V2,V3,...,Vi-1),Vi∈V (2)
如果用Vpi表示变量Vi的父节点集,则V的联合概率分布为:
S5:利用贝叶斯网络模型进行参数学习,获得乡村生态空间评价指标的条件概率表,具体步骤为:
S5.1将乡村生态空间评价指标作为节点变量构建贝叶斯网络模型结构;
S5.2将2010年的空间因子栅格图、生态适宜性因子栅格图、土地利用变化因子栅格图、政策因子栅格图,以及2020年的生态空间栅格图进行离散化处理。其中空间因子、生态适宜性因子栅格数据离散为3个等级,土地利用变化因子、政策因子栅格数据以及2020年的生态空间栅格数据离散为2个等级;
S5.3将所有离散化的栅格数据转化为点数据,导出为包含各要素值及坐标的样本点数据集合,并转化为ASCII格式,作为训练样本数据(如图4所示);
S4.4将训练样本数据进行贝叶斯网络参数学习,训练结束后获得完整的条件概率表(如图5所示);
S5:将条件概率表导入乡村生态空间预测贝叶斯网络模型并通过网络推理引擎进行乡村生态空间预测,具体步骤为:
S5.1在GIS中将2020年的空间因子栅格图、生态适宜性因子栅格图、土地利用变化因子栅格图、政策因子栅格图进行离散化处理,其中空间因子、生态适宜性因子栅格数据离散为3个等级,土地利用变化因子和政策因子栅格数据离散为2个等级;
S5.2将所有离散化的栅格数据转化为点数据,导出为包含各要素值及坐标的样本点数据集合,并转化为ASCII格式,作为证据样本数据;
S5.3将证据样本数据导入贝叶斯网络模型,并对模型进行数据更新;
S5.4使用联合树推断引擎计算2030年的乡村生态空间中每个样本点的概率分布情况;
S5.5计算最或然率解释判定某一个样本点是否位于乡村生态空间内,并将结果输出为点数据集合;
S5.6将点数据转化为数据栅格图进行分析并可视化,得到某村2030年的生态空间,如图6所示,图中斜线填充区域即经贝叶斯网络推理后得到的乡村生态空间区域。
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内容。
Claims (10)
1.一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,方法包括以下步骤:
结合乡村生态特征和土地利用演化规律,筛选适宜因子,并利用适宜因子建立乡村生态空间评价指标体系,用于构建乡村生态空间预测贝叶斯网络模型;
确定乡村生态空间预测贝叶斯网络模型所涉及的时间点,包括时间点1、时间点2以及时间点3;
获取基础数据,并对基础数据进行预处理,通过预处理后的基础数据制作乡村生态空间评价指标专题图;
结合乡村生态空间评价指标专题图中各指标间的因果关系,构建乡村生态空间预测贝叶斯网络模型;
利用乡村生态空间预测贝叶斯网络模型进行参数学习,获得乡村生态空间评价指标的条件概率表,作为乡村生态空间预测贝叶斯网络模型推理的依据;
利用乡村生态空间预测贝叶斯网络模型的推理引擎进行乡村生态空间预测。
2.根据权利要求1所述的一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,所述乡村生态空间评价指标体系包括空间因子、生态适宜性因子、土地利用变化因子、政策因子和目标因子。
3.根据权利要求2所述的一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,所述空间因子包括高程、坡度、距水域距离、距道路距离、距建筑物距离、距林地距离;所述生态适宜性因子包括生态敏感性,生态系统服务功能重要性,所述土地利用变化因子包括生态用地变化、建设用地变化和农业用地变化;所述政策因子包括生态保护红线;所述目标因子为预测的乡村生态空间;所述生态敏感性包括地形敏感性、水文敏感性、植被敏感性以及土地利用敏感性,生态系统服务功能重要性包括水源涵养能力、水土保持能力。
4.根据权利要求1所述的一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,所述乡村生态空间预测贝叶斯网络模型所涉及的时间点,包括时间点1、时间点2及时间点3,时间点1与时间点2、时间点2与时间点3之间的时间跨度需一致,时间点3为预测的乡村生态空间对应的年份。
5.根据权利要求1所述的一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,所述基础数据包括时间点1和时间点2的卫星遥感数据,数字线划图数据、生态保护红线数据;
对基础数据进行预处理的过程包括对卫星遥感数据的投影转换、影像融合、几何校正、图像增强与拼接处理,对数字线划图数据和生态保护红线数据的数据格式转换、重采样、重分类及裁剪;
制作乡村生态空间评价指标专题图包括:
乡村土地利用类型栅格图:根据LUCC土地利用分类体系,将经预处理后的时间点1和时间点2的卫星遥感数据结合人机交互解译获取乡村的土地利用图,将土地利用类型分为6类,包括:建设用地、林地、水域、灌丛及草地、农业用地和裸地,经栅格化处理后获取时间点1和时间点2的乡村土地利用类型栅格图;
乡村生态空间栅格图:结合时间点1和时间点2的乡村土地利用类型栅格图结合卫星遥感数据,将林地、水域、灌丛及草地进行合并,获得时间点1和时间点2的乡村生态空间栅格图;
空间因子栅格图:采用GIS(地理信息系统)空间分析方法获得时间点1和时间点2高程和坡度栅格图,采用多环缓冲区分析获得距水域距离、距道路距离、距建筑物距离和距林地距离栅格图;
生态适宜性因子栅格图:采用层次分析法及加权叠加法获得时间点1和时间点2的生态敏感性和生态系统服务功能重要性栅格图;
政策因子栅格图:识别时间点1和时间点2的生态保护红线内外区域,获取生态保护红线区域栅格图;
土地利用变化因子栅格图:将时间点1和时间点2的土地利用图叠加分析,获得生态用地变化、建设用地变化和农业用地变化栅格图。
7.根据权利要求1所述的一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,所述利用乡村生态空间预测贝叶斯网络模型进行参数学习,获得乡村生态空间评价指标的条件概率表的过程包括以下步骤:
利用乡村生态空间评价指标作为节点变量构建乡村生态空间预测贝叶斯网络模型结构;
将时间点1的空间因子栅格图、生态适宜性因子栅格图、土地利用变化因子栅格图、政策因子栅格图,以及时间点2的生态空间栅格图中的栅格数据进行离散化处理;其中空间因子、生态适宜性因子栅格数据离散为3个等级,土地利用变化因子、政策因子栅格数据以及时间点2的生态空间栅格数据离散为2个等级;
将所有离散化的栅格数据转化为点数据,导出为包含各要素值及坐标的样本点数据集合,并转化为ASCII格式,作为训练样本数据;
乡村生态空间预测贝叶斯网络模型将训练样本数据进行参数学习训练,训练结束后获得完整的条件概率表。
8.根据权利要求1所述的一种基于贝叶斯网络的乡村生态空间预测方法,其特征在于,所述利用乡村生态空间预测贝叶斯网络模型的推理引擎进行乡村生态空间预测的过程包括以下步骤:
在GIS中将时间点2的空间因子栅格图、生态适宜性因子栅格图、土地利用变化因子栅格图、政策因子栅格图的栅格数据进行离散化处理,其中空间因子、生态适宜性因子栅格数据离散为3个等级,土地利用变化因子和政策因子栅格数据离散为2个等级;
将所有离散化的栅格数据转化为点数据,导出为包含各要素值及坐标的样本点数据集合,并转化为ASCII格式,作为证据样本数据;
将证据样本数据导入乡村生态空间预测贝叶斯网络模型,并对乡村生态空间预测贝叶斯网络模型进行数据更新;
使用联合树推断引擎计算时间点3的乡村生态空间中每个样本点的概率分布情况;
计算最或然率解释判定某一个样本点是否位于乡村生态空间内,并将结果输出为点数据集合;
将点数据集合转化为数据栅格图进行分析并可视化,得到时间点3的乡村生态空间。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个所述程序被一个或多个所述处理器执行,使得一个或多个所述处理器实现如权利要求1-8中任一所述的一种基于贝叶斯网络的乡村生态空间预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的一种基于贝叶斯网络的乡村生态空间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268341.8A CN115526418A (zh) | 2022-10-17 | 2022-10-17 | 一种基于贝叶斯网络的乡村生态空间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211268341.8A CN115526418A (zh) | 2022-10-17 | 2022-10-17 | 一种基于贝叶斯网络的乡村生态空间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526418A true CN115526418A (zh) | 2022-12-27 |
Family
ID=84700869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211268341.8A Pending CN115526418A (zh) | 2022-10-17 | 2022-10-17 | 一种基于贝叶斯网络的乡村生态空间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526418A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703182A (zh) * | 2023-08-04 | 2023-09-05 | 江西睿讯科技有限公司 | 一种基于大数据的数字化乡村建设综合服务系统 |
CN116757867A (zh) * | 2023-08-18 | 2023-09-15 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
-
2022
- 2022-10-17 CN CN202211268341.8A patent/CN115526418A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703182A (zh) * | 2023-08-04 | 2023-09-05 | 江西睿讯科技有限公司 | 一种基于大数据的数字化乡村建设综合服务系统 |
CN116703182B (zh) * | 2023-08-04 | 2023-10-20 | 江西睿讯科技有限公司 | 一种基于大数据的数字化乡村建设综合服务系统 |
CN116757867A (zh) * | 2023-08-18 | 2023-09-15 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
CN116757867B (zh) * | 2023-08-18 | 2023-11-03 | 山东征途信息科技股份有限公司 | 一种基于多源数据融合的数字乡村构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Simulation of urban expansion via integrating artificial neural network with Markov chain–cellular automata | |
Liping et al. | Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques—A case study of a hilly area, Jiangle, China | |
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 | |
Kazemzadeh-Zow et al. | A spatial zoning approach to calibrate and validate urban growth models | |
Yao et al. | Mapping fine‐scale urban housing prices by fusing remotely sensed imagery and social media data | |
CN115526418A (zh) | 一种基于贝叶斯网络的乡村生态空间预测方法 | |
Wu et al. | Performance evaluation of the SLEUTH model in the Shenyang metropolitan area of northeastern China | |
Bagheri et al. | Application of geographic information system technique and analytical hierarchy process model for land-use suitability analysis on coastal area | |
Foltête et al. | Integrating graph-based connectivity metrics into species distribution models | |
Acock et al. | Estimating missing weather data for agricultural simulations using group method of data handling | |
Winstral et al. | Statistical downscaling of gridded wind speed data using local topography | |
Li et al. | An improved urban cellular automata model by using the trend-adjusted neighborhood | |
Hu | Rainstorm flash flood risk assessment using genetic programming: a case study of risk zoning in Beijing | |
Aguejdad et al. | Spatial validation of land use change models using multiple assessment techniques: A case study of transition potential models | |
Nieves et al. | Annually modelling built-settlements between remotely-sensed observations using relative changes in subnational populations and lights at night | |
Pampoore-Thampi et al. | Mining GIS data to predict urban sprawl | |
Khan et al. | Hybrid deep learning approach for multi-step-ahead prediction for daily maximum temperature and heatwaves | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
Ali et al. | Raingauge network optimization in a tropical urban area by coupling cross-validation with the geostatistical technique | |
Bajirao et al. | Applicability of machine learning techniques for multi-time step ahead runoff forecasting | |
Acosta et al. | A comprehensive generalizability assessment of data-driven Urban Heat Island (UHI) models | |
Momeni et al. | Pattern‐based calibration of cellular automata by genetic algorithm and Shannon relative entropy | |
Hong et al. | Probabilistic simulations for seasonal typhoon genesis over the South China Sea | |
Anderson et al. | Interpreting deep machine learning for streamflow modeling across glacial, nival, and pluvial regimes in southwestern Canada | |
Truong et al. | Fuzzy ontology building and integration for fuzzy inference systems in weather forecast domain |
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 |