CN116934026B - 一种ssp-rcp情景下城市建成区土地利用数据集制作方法 - Google Patents

一种ssp-rcp情景下城市建成区土地利用数据集制作方法 Download PDF

Info

Publication number
CN116934026B
CN116934026B CN202310883246.7A CN202310883246A CN116934026B CN 116934026 B CN116934026 B CN 116934026B CN 202310883246 A CN202310883246 A CN 202310883246A CN 116934026 B CN116934026 B CN 116934026B
Authority
CN
China
Prior art keywords
land
urban
future
data
model
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
CN202310883246.7A
Other languages
English (en)
Other versions
CN116934026A (zh
Inventor
冯润东
王甫园
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.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
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 Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202310883246.7A priority Critical patent/CN116934026B/zh
Publication of CN116934026A publication Critical patent/CN116934026A/zh
Application granted granted Critical
Publication of CN116934026B publication Critical patent/CN116934026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0631—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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

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

Abstract

本发明涉及土地数据集技术领域，具体地说是一种SSP‑RCP情景下城市建成区土地利用数据集制作方法，包括数据收集，未来城市土地估算，计算土地转移潜力以及精度检验与模拟未来土地动态，本发明同现有技术相比，通过基于土地数据、利用模型覆盖各种土地类型并做出未来土地需求及潜力的数据集的制作方法，极大提高了对于土地利用的经济方面的参考价值，为未来几十年的土地续预估、政策导向等提供了有效的参考依据。

Description

一种SSP-RCP情景下城市建成区土地利用数据集制作方法
技术领域
本发明涉及土地数据集技术领域，具体地说是一种SSP-RCP情景下城市建成区土地利用数据集制作方法。
背景技术
中国城市多、面积大，不同城市间的发展也不相同，存在区域化、时间线等并不能完全参照的情况，而在城市化发展的大趋势下，对于不同城市未来对于土地需求方面的预计以及对应的数据收集分析的方法对于城市化发展，经济导向与政府决策等方面都具备很大的意义。
全球变化分析模型(GCAM)是一个市场均衡动态递归模型，它很好地代表了五个子系统的相互作用：能源、水、农业和土地利用、经济和气候。GCAM是用于量化和实现共享社会经济路径(SSP)和典型浓度路径(RCP)情景(即SSP-RCP情景)的标记模型之一，已被广泛用于分析不同情景下的未来土地利用/覆被变化，但现有技术中尚未有对于未来城市土地需求的数据集的制作方法。
因此，为了解决上述问题，本申请提出了一种SSP-RCP情景下城市建成区土地利用数据集制作方法，通过基于土地数据、利用模型覆盖各种土地类型并做出未来土地需求及潜力的数据集的制作方法，极大提高了对于土地利用的经济方面的参考价值，为未来几十年的土地利用决策和生态系统的可持续管理、政策导向等提供了有效的参考依据。
发明内容
本发明的目的是克服现有技术的不足，提供了一种SSP-RCP情景下城市建成区土地利用数据集制作方法，通过基于土地数据、利用模型覆盖各种土地类型并做出未来土地需求及潜力的数据集的制作方法，极大提高了对于土地利用的经济方面的参考价值，为未来几十年的土地续预估、政策导向等提供了有效的参考依据。
为了达到上述目的，本发明提供一种SSP-RCP情景下城市建成区土地利用数据集制作方法，包括以下步骤：
S1，数据收集，具体包括：
S1-1，土地覆被/利用数据收集：全球30米地表覆盖精细分类产品GLC_FCS30、GCAM土地覆被/利用数据、全球未来城市土地扩张数据集；
GCAM为全球变化评估模型；
S1-2，空间驱动数据收集：社会经济即国内生产总值(GDP)、夜间灯光、到市中心和道路网的距离、物理因素即温度、降水、坡度和土壤质量；
S1-3，其他数据：GCAM5.2版本中中国的24个区域矢量数据和耦合模型相互比较项目的第6阶段即CMIP6中的4个情景，情景包括SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5；
CMIP6为第六次耦合模式比较计划；
SSP1-2.6为社会脆弱性和辐射强迫情景；
SSP2-4.5为中等社会脆弱性和辐射强迫情景；
SSP3-7.0为中高社会脆弱性和辐射强迫情景；
SSP5-8.5为高社会脆弱性和辐射强迫情景；
S2，未来城市土地估算，具体包括：
S2-1，将GCAM的土地分类映射到模拟中使用的分类即森林、草地、灌木、耕地、水域、城市、荒地和冰，该分类基于全球土地覆盖产品GLC_FCS30，其中冰在模拟中保持不变；
S2-2，调整GCAM得出的未来土地需求，具体公式为：
A(t+1)k是第t+1年土地类型k的校准面积，是由GCAM计算的第t+1年土地类型k的面积，/>是GLC_FCS30数据中第t年的土地类型k的面积；
S2-3，编制未来情景和区域的土地需求趋势统计数据，根据未来城市土地扩张数据集计算了不同SSP-RCP情景下中国246个城市所处13个区域中的地级市的城市面积，并将其用于更新未来城市土地需求，然后使用以下公式按比例调整其余土地利用类型的面积：
Aadjust(t)k是第t年城市侵占土地类型k的面积，A(t)U是第t年城市土地的预计面积，A(O)U是某年城市的原始面积，n是土地类型的数量，数量排除城市和冰，是城市侵占土地类型k损失的经验比例，所有土地类型/>之和均为1；
S2-4，设置土地转移标准：首先设置大型水体保持不变以减小水体转换的误差；其次使用不同年份的GLC_FCS30数据来计算因城市侵占每种土地类型而造成的土地损失比例，并得出每个区域的最后结合城市土地数据集，以调整其他土地类型的需求；
S3，计算土地转移潜力：
S3-1，使用优化FLUS模型来计算土地转移潜力，具体公式为：
TPij＝Pgij×neighborij×intetiaij×consk→j；
FLUS模型为未来土地利用模拟(Future Land Use Simulation)模型；
TPij表示网格单元i变为土地类型j的总概率，intetiaij表示j类土地的自适应惯性系数，consk→j表示从当前土地类型k改变为土地类型j的约束，即当允许这种转换时，其值为1，否则为0；土地类型的改变不包括城市土地；
S3-2，空间驱动因素训练和评估：
所有空间驱动因素都被重新采样到30m的分辨率；使用简化的残差网络SRes-Net作为模型，用于土地利用变化的数据挖掘，SRes-Net模型包含2个模块；
第一个模块是卷积层，后面的六个模块是卷积层组成的残差块；其余模块包括一个最大池层、一个全连接层、两个丢弃层和一个Softmax分类器，SRes-Net的所有激活函数都是校正线性单元ReLU以增加网络层之间的非线性关系，ReLU可以在不损失网络精度的情况下降低梯度消失的概率，SRes-Net的第一个模块由64个卷积核组成7×7内核大小和3×3零填充操作，以确保特征图的比例保持不变，直到残差块；
SRes-Net模型的第二个模块是脱落层；
SRes-Net模型可分为两类；每组残差块由一个卷积块和两个相同块组成：
第一组残差块中的三个卷积核的信道数量被设置为64、64和256；
第二组的信道数量被设置为256、256和1024；
最终的特征地图被展平并馈入完全连接的层，每个单元的结果可以从Softmax分类器中获得，为了避免网络的过度拟合，SRes-Net设置50％的丢弃层来随机丢弃网络神经元；
S3-3，模型假设：
首先对于任何地区，如果估计的城市土地需求小于现有的已建土地面积，则不模
拟任何变化；空间驱动因素在未来城市土地扩张预测中保持不变；
S3-4，确定土地转移潜力：
为了结合不同土地类型的竞争，在每次迭代中，通过轮盘选择机制来决定细胞的目标类别；像元的不同土地类型的总开发概率根据总和为1的比例进行归一化；
目标土地类型通过从概率分布中取样来确定，该概率分布由轮盘选择中不同土地类型的总开发概率构成；这样大概率的类型更容易发展，小概率的类型也有发展机会；此外，这里没有模拟城市收缩，因此限制了城市单元向其他类型的转换；
S4，精度检验与模拟未来土地动态，具体包括：
S4-1，精度检验：
将某年份GLC_FCS30土地覆盖数据作为初始状态，并使用相同的空间驱动因素和转换规则，利用FLUS模型来模拟未来年份的土地利用状况；
最后使用FigureofMerit(FoM)指标评估模拟和观测的土地利用之间的一致性。
在四种未来情景的土地需求约束下，利用FLUS模型进行了分区域土地利用模拟。
本发明同现有技术相比，具备以下有益效果：
通过基于土地数据、利用模型覆盖各种土地类型并做出未来土地需求及潜力的数据集的制作方法，极大提高了对于土地利用的经济方面的参考价值，为未来几十年的土地续预估、政策导向等提供了有效的参考依据。
附图说明:
图1为本发明的流程框架示意图。
具体实施方式
请见附图1，本发明提供一种SSP-RCP情境下城市建成区土地利用数据集制作方法，包括以下步骤：
S1，数据收集，具体包括：
S1-1，土地覆被/利用数据收集：全球30米地表覆盖精细分类产品GLC_FCS30、GCAM土地覆被/利用数据、全球未来城市土地扩张数据集；
S1-2，空间驱动数据收集：社会经济即国内生产总值(GDP)、夜间灯光、到市中心和道路网的距离、物理因素即温度、降水、坡度和土壤质量；
S1-3，其他数据：GCAM5.2版本中中国的24个区域矢量数据和耦合模型相互比较项目的第6阶段即CMIP6中的4个情景，情景包括SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5；
CMIP6为全称第六次耦合模式比较计划；
SSP1-2.6为低社会脆弱性和辐射强迫情景；
SSP2-4.5为中等社会脆弱性和辐射强迫情景；
SSP3-7.0为中高社会脆弱性和辐射强迫情景；
SSP5-8.5为高社会脆弱性和辐射强迫情景；
S2，未来城市土地估算，具体包括：
S2-1，将GCAM的土地分类映射到模拟中使用的分类即森林、草地、灌木、耕地、水域、城市、荒地和冰，该分类基于全球土地覆盖产品GLC_FCS30，其中冰在模拟中保持不变；
S2-2，调整GCAM得出的未来土地需求，具体公式为：
A(t+1)k是第t+1年土地类型k的校准面积，是由GCAM计算第t+1
年土地类型k的面积，是GLC_FCS30数据中第t年的土地类型k的面积；
S2-3，编制未来情景和区域的土地需求趋势统计数据，根据未来城市土地扩张数据集计算了不同SSP-RCP情景下中国246个城市所处13个区域中的地级市的城市面积，并将其用于更新未来城市土地需求，然后使用以下公式按比例调整其余土地利用类型的面积：
Aadjust(t)k是第t年城市侵占土地类型k的面积，A(t)U是第t年城市土地的预计面积，A(O)U是某年城市的原始面积，n是土地类型的数量，数量排除城市和冰，是城市侵占土地类型k损失的经验比例，所有土地类型/>之和均为1；
S2-4，设置土地转移标准：首先设置大型水体保持不变以减小水体转换的误差；其次使用2000年和2020年的GLC_FCS30数据来计算因城市侵占每种土地类型而造成的土地损失比例，并得出每个区域的最后结合城市土地数据集，以调整其他土地类型的需求；
S3，计算土地转移潜力：
S3-1，使用优化FLUS模型来计算土地转移潜力，具体公式为：
TPij＝Pgij×neighborij×intetiaij×consk→j；
FLUS模型为未来土地利用模拟模型；
TPij表示网格单元i变为土地类型j的总概率，intetiaij表示j类土地的自适应惯性系数，consk→j表示从当前土地类型k改变为土地类型j的约束，即当允许这种转换时，其值为1，否则为0；土地类型的改变不包括城市土地；
S3-2，空间驱动因素训练和评估：
所有空间驱动因素都被重新采样到30m的分辨率；使用简化的残差网络SRes-Ne作为模型，用于土地利用变化的数据挖掘，SRes-Net模型包含2个模块；
第一个模块是卷积层，后面的六个模块是卷积层组成的残差块；其余模块包括一个最大池层、一个全连接层、两个丢弃层和一个Softmax分类器，SRes-Net的所有激活函数都是校正线性单元ReLU以增加网络层之间的非线性关系，ReLU可以在不损失网络精度的情况下降低梯度消失的概率，SRes-Net的第一个模块由64个卷积核组成7×7内核大小和3×3零填充操作，以确保特征图的比例保持不变，直到残差块；
SRes-Net模型的第二个模块是脱落层；
SRes-Net模型可分为两类；每组残差块由一个卷积块和两个相同块组成：
第一组残差块中的三个卷积核的信道数量被设置为64、64和256；
第二组的信道数量被设置为256、256和1024；
最终的特征地图被展平并馈入完全连接的层，每个单元的结果可以从Softmax分类器中获得，为了避免网络的过度拟合，SRes-Net设置50％的丢弃层来随机丢弃网络神经元；
S3-3，模型假设：
首先对于任何地区，如果估计的城市土地需求小于现有的已建土地面积，则不模拟任何变化；空间驱动因素在未来城市土地扩张预测中保持不变；
S3-4，确定土地转移潜力：
为了结合不同土地类型的竞争，在每次迭代中，通过轮盘选择机制来决定细胞的目标类别；像元的不同土地类型的总开发概率根据总和为1的比例进行归一化；
目标土地类型通过从概率分布中取样来确定，该概率分布由轮盘选择中不同土地类型的总开发概率构成；这样大概率的类型更容易发展，小概率的类型也有发展机会；此外，这里没有模拟城市收缩，因此限制了城市单元向其他类型的转换；
S4，精度检验与模拟未来土地动态，具体包括：
S4-1，精度检验：
将2000年GLC_FCS30土地覆盖数据作为初始状态，并使用相同的空间驱动因素和转换规则，利用FLUS模型来模拟2020年的土地利用状况；
最后使用FigureofMerit(FoM)指标评估模拟和观测的土地利用之间的一致性。
结果显示，2001-2020年模拟的每种土地利用类型的平均FoM值范围为18.54-41.77％，平均值为27.96％。与之前的研究的12-18％相比23,45，这是可接受的。
在四种未来情景的土地需求约束下，利用FLUS模型进行了分区域土地利用模拟。该模拟是在2020-2100年以30m的分辨率进行的，时间间隔为10年。
以上仅是本发明的优选实施方式，只是用于帮助理解本申请的方法及其核心思想，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
本发明从整体上解决了现有技术中对于土地未来需求及数据预估方面的技术空白，通过基于土地数据、利用模型覆盖各种土地类型并做出未来土地需求及潜力的数据集的制作方法，极大提高了对于土地利用的经济方面的参考价值，为未来几十年的土地续预估、政策导向等提供了有效的参考依据。

Claims (1)

1.一种SSP-RCP情景下城市建成区土地利用数据集制作方法，其特征在于，包括以下步骤：
S1，数据收集，具体包括：
S1-1，土地覆被/利用数据收集：全球30米地表覆盖精细分类产品GLC_FCS30、GCAM土地覆被/利用数据、全球未来城市土地扩张数据集；
所述GCAM为全球变化评估模型；
S1-2，空间驱动数据收集：社会经济即国内生产总值GDP、夜间灯光、到市中心和道路网的距离、物理因素即温度、降水、坡度和土壤质量；
S1-3，其他数据：GCAM 5.2版本中中国的24个区域矢量数据和耦合模型相互比较项目的第6阶段即CMIP6中的4个情景，所述情景包括SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5；
所述CMIP6为第六次耦合模式比较计划；
所述SSP1-2.6为低社会脆弱性和辐射强迫情景；
所述SSP2-4.5为中等社会脆弱性和辐射强迫情景；
所述SSP3-7.0为中高社会脆弱性和辐射强迫情景；
所述SSP5-8.5为高社会脆弱性和辐射强迫情景；
S2，未来城市土地估算，具体包括：
S2-1，将GCAM的土地分类映射到模拟中使用的分类即森林、草地、灌木、耕地、水域、城市、荒地和冰，该分类基于全球土地覆盖产品GLC_FCS30，其中所述冰在模拟中保持不变；
S2-2，调整GCAM得出的未来土地需求，具体公式为：
所述A(t+1)k是第t+1年土地类型k的校准面积，是由GCAM计算的第t+1年土地类型k的面积，/>是GLC_FCS30数据中第t年的土地类型k的面积；
S2-3，编制未来情景和区域的土地需求趋势统计数据，根据未来城市土地扩张数据集计算了不同SSP-RCP情景下中国246个城市所处13个区域中的地级市的城市面积，并将其用于更新未来城市土地需求，然后使用以下公式按比例调整其余土地利用类型的面积：
所述Aadjust(t)k是第t年城市侵占土地类型k的面积，A(t)U是第t年城市土地的预计面积，A(O)U是某年城市的原始面积，n是土地类型的数量，所述数量排除城市和冰，所述是城市侵占土地类型k损失的经验比例，所有土地类型/>之和均为1；
S2-4，设置土地转移标准：首先设置大型水体保持不变以减小水体转换的误差；其次使用不同年份的GLC_FCS30数据来计算因城市侵占每种土地类型而造成的土地损失比例，并得出每个区域的最后结合城市土地数据集，以调整其他土地类型的需求；
S3，计算土地转移潜力：
S3-1，使用优化FLUS模型来计算土地转移潜力，具体公式为：
TPij＝Pgij×neighborij×intetiaij×consk→j；
所述FLUS模型为未来土地利用模拟模型；
所述TPij表示网格单元i变为土地类型j的总概率，所述intetiaij表示j类土地的自适应惯性系数，所述consk→j表示从当前土地类型k改变为土地类型j的约束，即当允许这种转换时，其值为1，否则为0；所述土地类型的改变不包括城市土地；
S3-2，空间驱动因素训练和评估：
所有空间驱动因素都被重新采样到30m的分辨率；使用简化的残差网络SRes-Net作为模型，用于土地利用变化的数据挖掘，所述SRes-Net模型包含2个模块；
第一个模块是卷积层，后面的六个模块是卷积层组成的残差块；其余模块包括一个最大池层、一个全连接层、两个丢弃层和一个Softmax分类器，所述SRes-Net的所有激活函数都是校正线性单元ReLU以增加网络层之间的非线性关系，所述ReLU可以在不损失网络精度的情况下降低梯度消失的概率，所述SRes-Net的第一个模块由64个卷积核组成7×7内核大小和3×3零填充操作，以确保特征图的比例保持不变，直到残差块；
所述SRes-Net模型的第二个模块是脱落层；
所述SRes-Net模型可分为两类；每组残差块由一个卷积块和两个相同块组成：
第一组残差块中的三个卷积核的信道数量被设置为64、64和256；第二组的信道数量被设置为256、256和1024；
最终的特征地图被展平并馈入完全连接的层，每个单元的结果可以从Softmax分类器中获得，为了避免网络的过度拟合，SRes-Net设置50％的丢弃层来随机丢弃网络神经元；
S3-3，模型假设：
首先对于任何地区，如果估计的城市土地需求小于现有的已建土地面积，则不模拟任何变化；空间驱动因素在未来城市土地扩张预测中保持不变；
S3-4，确定土地转移潜力：
为了结合不同土地类型的竞争，在每次迭代中，通过轮盘选择机制来决定细胞的目标类别；像元的不同土地类型的总开发概率根据总和为1的比例进行归一化；
目标土地类型通过从概率分布中取样来确定，该概率分布由轮盘选择中不同土地类型的总开发概率构成；这样大概率的类型更容易发展，小概率的类型也有发展机会；此外，这里没有模拟城市收缩，因此限制了城市单元向其他类型的转换；S4，精度检验与模拟未来土地动态，具体包括：
S4-1，精度检验：
将某年份GLC_FCS30土地覆盖数据作为初始状态，并使用相同的空间驱动因素和转换规则，利用FLUS模型来模拟未来年份的土地利用状况；
最后使用Figure of Merit即FoM指标评估模拟和观测的土地利用之间的一致性；S4-2，模拟未来土地动态：
在四种未来情景的土地需求约束下，利用FLUS模型进行了分区域土地利用模拟。
CN202310883246.7A 2023-07-18 2023-07-18 一种ssp-rcp情景下城市建成区土地利用数据集制作方法 Active CN116934026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310883246.7A CN116934026B (zh) 2023-07-18 2023-07-18 一种ssp-rcp情景下城市建成区土地利用数据集制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310883246.7A CN116934026B (zh) 2023-07-18 2023-07-18 一种ssp-rcp情景下城市建成区土地利用数据集制作方法

Publications (2)

Publication Number Publication Date
CN116934026A CN116934026A (zh) 2023-10-24
CN116934026B true CN116934026B (zh) 2024-02-27

Family

ID=88374975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310883246.7A Active CN116934026B (zh) 2023-07-18 2023-07-18 一种ssp-rcp情景下城市建成区土地利用数据集制作方法

Country Status (1)

Country Link
CN (1) CN116934026B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111080070A (zh) * 2019-11-19 2020-04-28 同济大学 一种基于空间误差的城市土地利用模拟元胞自动机方法
CN111783360A (zh) * 2020-07-06 2020-10-16 中国科学院沈阳应用生态研究所 高分辨率土地利用及森林景观过程耦合模拟系统及方法
CN113222316A (zh) * 2021-01-15 2021-08-06 中山大学 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN113221443A (zh) * 2021-04-20 2021-08-06 深圳市数字城市工程研究中心 一种集成SDGs和美丽指标的土地利用建模与模拟方法
CN115271373A (zh) * 2022-07-04 2022-11-01 华南理工大学 城市群弹性开发边界划定方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111080070A (zh) * 2019-11-19 2020-04-28 同济大学 一种基于空间误差的城市土地利用模拟元胞自动机方法
CN111783360A (zh) * 2020-07-06 2020-10-16 中国科学院沈阳应用生态研究所 高分辨率土地利用及森林景观过程耦合模拟系统及方法
CN113222316A (zh) * 2021-01-15 2021-08-06 中山大学 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN113221443A (zh) * 2021-04-20 2021-08-06 深圳市数字城市工程研究中心 一种集成SDGs和美丽指标的土地利用建模与模拟方法
CN115271373A (zh) * 2022-07-04 2022-11-01 华南理工大学 城市群弹性开发边界划定方法及系统

Also Published As

Publication number Publication date
CN116934026A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
Zhong et al. A city-scale estimation of rooftop solar photovoltaic potential based on deep learning
Chen et al. Exploring the spatial differentiation of urbanization on two sides of the Hu Huanyong Line--based on nighttime light data and cellular automata
Liu et al. Regional differences of China’s urban expansion from late 20th to early 21st century based on remote sensing information
CN104200484B (zh) 基于云团特征分析的分布式光伏系统超短期出力预测方法
Su et al. Simulation of a forest-grass ecological network in a typical desert oasis based on multiple scenes
CN105243435A (zh) 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN102222313B (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
Luo et al. Dynamics of landscape patterns in an inland river delta of Central Asia based on a cellular automata-Markov model
CN113902580B (zh) 一种基于随机森林模型的历史耕地分布重建方法
Biard et al. Automated detection of weather fronts using a deep learning neural network
Lu et al. A vector-based Cellular Automata model for simulating urban land use change
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
Pan et al. Spatiotemporal dynamics of electricity consumption in China
CN201716727U (zh) 基于遥感与gis的地理模拟系统
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
Tian et al. Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review
Lai et al. Sub-region division based short-term regional distributed PV power forecasting method considering spatio-temporal correlations
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN116934026B (zh) 一种ssp-rcp情景下城市建成区土地利用数据集制作方法
CN102880753B (zh) 基于分形维数的土地利用空间特征尺度转换方法
CN117273200A (zh) 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法
Zhang et al. A data transfer method based on one dimensional convolutional neural network for cross-building load prediction
CN108154221B (zh) 一种面向“三线”协同优化的粒子群改进算法
Hou et al. Prediction of solar irradiance using convolutional neural network and attention mechanism-based long short-term memory network based on similar day analysis and an attention mechanism
CN115840261A (zh) 一种台风降水短临预测模型优化及预测方法

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