CN116976526B - 耦合ViViT和ANN的土地利用变化预测方法 - Google Patents
耦合ViViT和ANN的土地利用变化预测方法 Download PDFInfo
- Publication number
- CN116976526B CN116976526B CN202311215724.3A CN202311215724A CN116976526B CN 116976526 B CN116976526 B CN 116976526B CN 202311215724 A CN202311215724 A CN 202311215724A CN 116976526 B CN116976526 B CN 116976526B
- Authority
- CN
- China
- Prior art keywords
- land utilization
- land
- data
- year
- change prediction
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008878 coupling Effects 0.000 title claims abstract description 35
- 238000010168 coupling process Methods 0.000 title claims abstract description 35
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 138
- 238000006243 chemical reaction Methods 0.000 claims description 75
- 238000000605 extraction Methods 0.000 claims description 49
- 238000010606 normalization Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 230000007704 transition Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 20
- 108091026890 Coding region Proteins 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000001413 cellular effect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000490494 Arabis Species 0.000 description 1
- 244000197975 Solidago virgaurea Species 0.000 description 1
- 235000000914 Solidago virgaurea Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种耦合ViViT和ANN的土地利用变化预测方法,涉及计算机技术领域,方法包括:获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;将时序土地利用分类图和驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;将各时序土地利用数据和驱动因子数据输入土地利用变化预测模型,得到土地利用变化预测模型输出的目标区域在预测年份对应的土地利用变化预测结果;预测年份与至少两个年份的最后一个年份之间存在预设时间间隔。通过土地利用变化预测模型,提升目标区域在预测年份对应的土地利用变化预测结果的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种耦合ViViT和ANN的土地利用变化预测方法。
背景技术
土地利用方式的变化,不仅对自然环境造成重要的影响,也直接关系到人类社会的可持续发展。基于此,土地利用变化的研究已经成为当今世界的热门话题之一。
现阶段,土地利用模型主要包含系统动力学模型、元胞自动机模型、马尔可夫模型、土地利用转换(Conversion of Land Use and its Effects,CLUES)/土地覆盖变化(CLUMONDO)模型、代理人基模型(Agent-Based Model,ABM)等。其中,元胞自动机模型凭借其强大的空间运算能力可以模拟复杂的城市系统,同时,元胞自动机模型具备良好的扩展性和兼容性,可以有效地和其他数据挖掘技术进行耦合,同时输出精度高,且能较好地刻画土地利用变化。因而该模型也被广泛土地利用变化模拟的情景预测。
相关技术中,在土地利用变化模拟模型计算时,主要是通过人工神经网络、逻辑回归、随机森林、蚁群算法和卷积神经网络进行计算,着重于空间尺度上的表达,却缺乏对时间尺度上的考量,导致土地利用变化模拟预测的精度低。
发明内容
本发明提供一种耦合ViViT和ANN的土地利用变化预测方法,用以解决现有技术中土地利用变化模拟预测的精度低的问题。
本发明提供一种耦合ViViT和ANN的土地利用变化预测方法,包括:
获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;
将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔。
根据本发明提供的一种耦合ViViT和ANN的土地利用变化预测方法,所述土地利用变化预测模型包括时空特征提取模块、人工神经网络模块和元胞自动机;
所述将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在所述预测年份对应的土地利用变化预测结果,包括:
将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量;
将所述时空特征向量、所述驱动因子数据和所述元胞自动机的每个元胞的初始状态输入至所述人工神经网络模块,得到所述人工神经网络模块输出的各所述子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率;
基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
根据本发明提供的一种耦合ViViT和ANN的土地利用变化预测方法,所述时空特征提取模块包括至少一个转换编码器、第一层归一化、全局平均池化层和全连接层;
所述将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量,包括:
对各所述时序土地利用数据进行词嵌入表示并接入位置信息,得到包括位置信息的编码序列;
将所述包括位置信息的编码序列输入至第一转换编码器,得到所述第一转换编码器输出的第一特征向量;
将所述第一特征向量输入至第二转换编码器,得到所述第二转换编码器输出的第二特征向量,并重复执行将特征向量输入转换编码器的步骤;
将最后一个转换编码器输出的第三特征向量输入至所述第一层归一化,得到所述第一层归一化输出的第四特征向量;
将所述第四特征向量输入至所述全局平均池化层,得到所述全局平均池化层输出的第五特征向量;
将所述第五特征向量输入至所述全连接层,得到所述全连接层输出的各所述子区域对应的所述时空特征向量。
根据本发明提供的一种耦合ViViT和ANN的土地利用变化预测方法,所述基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果,包括:
基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态;
基于各所述土地利用状态,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
根据本发明提供的一种耦合ViViT和ANN的土地利用变化预测方法,所述基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态,包括:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;所述邻域条件表示邻域范围内每个元胞对应每种土地利用类型的土地利用状态的数量占据所述邻域范围内所有元胞对应每种土地利用类型的土地利用状态的总数量的比例;所述随机扰动因子表示每个元胞对应每种土地利用类型的土地利用状态的变化;所述转换限制条件表示每个元胞对应每种土地利用类型的转换条件。
根据本发明提供的一种耦合ViViT和ANN的土地利用变化预测方法,所述基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态,包括:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,采用公式(1)确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;
(1)
其中,表示第i个元胞在(t+1)年份对应的土地利用类型的土地利用状态,表示第i个元胞在t年份对应的土地利用类型的土地利用状态,/>表示每个元胞的初始状态,/>表示所述驱动因子数据,/>表示所述时空特征向量,/>表示第i个元胞在所述邻域范围内的邻域条件,/>表示所述转换限制条件,R表示所述随机扰动因子,表示第i个元胞对应的各所述初始转换概率,ANN表示所述人工神经网络模块。
根据本发明提供的一种耦合ViViT和ANN的土地利用变化预测方法,所述驱动因子数据包括以下至少一项:交通驱动因子数据、区位驱动因子数据、地形驱动因子数据。
本发明还提供一种土地利用变化预测装置,包括:
获取模块,用于获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
处理模块,用于将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;
预测模块,用于将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述耦合ViViT和ANN的土地利用变化预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述耦合ViViT和ANN的土地利用变化预测方法。
本发明提供的耦合ViViT和ANN的土地利用变化预测方法,通过获取目标区域在预设时间间隔的至少两个年份的时序土地利用分类图和驱动因子图,将时序土地利用分类图和驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;子区域与栅格一一对应;再将各时序土地利用数据和驱动因子数据输入土地利用变化预测模型,得到土地利用变化预测模型输出的目标区域在预测年份对应的土地利用变化预测结果;土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;土地利用变化预测模型用于对目标区域在预测年份对应的土地利用变化预测结果进行预测;预测年份与至少两个年份的最后一个年份之间存在预设时间间隔。通过土地利用变化预测模型,实现了时间尺度和空间尺度的综合考量,能够提升土地利用变化预测模型的预测精度,从而提升目标区域在预测年份对应的土地利用变化预测结果的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的耦合ViViT和ANN的土地利用变化预测方法的流程示意图之一;
图2是本发明提供的时空特征提取模块的结构示意图;
图3是本发明提供的耦合ViViT和ANN的土地利用变化预测方法的流程示意图之二;
图4是本发明提供的耦合ViViT和ANN的土地利用变化预测装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
研究土地利用变化,对于环境保护、生态建设,气候变化、农业生产、粮食安全、城市化和区域发展等意义重大。伴随着社会经济的高速发展和城市化进程的迅猛推进,正面临严峻的土地资源供需不平衡的问题,与此同时,还将发生持续、深刻的土地变化。基于以上,建立合理的用地策略,科学精准的规划土地布局,对经济发展和城市化进程具有极为重要的意义。
下面结合图1-图3描述本发明的耦合ViViT和ANN的土地利用变化预测方法。
图1是本发明提供的耦合ViViT和ANN的土地利用变化预测方法的流程示意图之一,如图1所示,方法包括:步骤101-步骤103;其中,
步骤101,获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔。
需要说明的是,本发明提供的耦合ViViT和ANN的土地利用变化预测方法适用于区域土地利用变化的模拟预测的场景中,该方法的执行主体可以为耦合ViViT和ANN的土地利用变化预测装置,例如电子设备、或者该耦合ViViT和ANN的土地利用变化预测装置中的用于执行耦合ViViT和ANN的土地利用变化预测方法的控制模块。
具体地,目标区域为预测土地利用变化预测的区域,即研究区;预设时间间隔为根据实际情况设定的时间间隔,例如,预设时间间隔为5年。时序土地利用分类图的时间跨度尽可能长,且相邻年份的土地利用分类图跨度应该一致,驱动因子图为至少两个年份中的最后一个年份的驱动因子图或者与最后一个年份接近的驱动因子图,即驱动因子图的年份尽量和预测年份之前的土地利用分类图的年份接近。
步骤102,将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应。
具体地,将获取的时序土地利用分类图和驱动因子图进行处理,处理为栅格行列数完全对应相同的栅格数据,得到目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;其中,子区域表示对目标区域划分的栅格,每个子区域对应一个栅格。实现空间分辨率的统一、空间范围的统一和空间坐标系的统一。
可选地,所述驱动因子数据包括以下至少一项:交通驱动因子数据、区位驱动因子数据、地形驱动因子数据。其中,交通驱动因子,以来自于高德地图的兴趣点(Point ofInterest,POI)数据和来自开放街道地图(OpenStreetMap)的路网数据为基础;区位驱动因子,以来自于行政边界区划图为数据基础;地形驱动因子,以来自地理空间数据云的公开地形和坡度数据为数据基础。
步骤103,将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔。
具体地,将各时序土地利用数据和驱动因子数据输入土地利用变化预测模型,可以得到土地利用变化预测模型输出的目标区域在预测年份对应的土地利用变化预测结果。
土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;土地利用变化预测模型用于对目标区域在预测年份对应的土地利用变化预测结果进行预测。土地利用类型标签数据为5种土地利用类型,采用0-4表示,其中,0表示耕地,1表示植被,2表示水体,3表示裸地,4表示不透水面。
预测年份与至少两个年份的最后一个年份之间存在预设时间间隔,例如,至少两个年份分别为1990年、1995年、2000年、2005年、2010年和2015年,则预测年份为2020年。
本发明提供的耦合ViViT和ANN的土地利用变化预测方法,通过获取目标区域在预设时间间隔的至少两个年份的时序土地利用分类图和驱动因子图,将时序土地利用分类图和驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;子区域与栅格一一对应;再将各时序土地利用数据和驱动因子数据输入土地利用变化预测模型,得到土地利用变化预测模型输出的目标区域在预测年份对应的土地利用变化预测结果;土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;土地利用变化预测模型用于对目标区域在预测年份对应的土地利用变化预测结果进行预测;预测年份与至少两个年份的最后一个年份之间存在预设时间间隔。通过土地利用变化预测模型,实现了时间尺度和空间尺度的综合考量,能够提升土地利用变化预测模型的预测精度,从而提升目标区域在预测年份对应的土地利用变化预测结果的准确性。
可选地,所述土地利用变化预测模型包括时空特征提取模块、人工神经网络模块和元胞自动机;上述步骤103的具体实现方式包括:
(1)将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量。
具体地,时空特征提取模块用于提取时序土地利用数据的时空特征,该时空特征为能够反应土地利用变化的时空性质的特征向量。例如,时空特征提取模块可以为视频视觉转换器(Video Vision Transformer,ViViT)。
将各时序土地利用数据输入至时空特征提取模块,时空特征提取模块对各时序土地利用数据进行处理,可以得到时空特征提取模块输出的各子区域对应的时空特征向量,即目标区域对应的时空特征向量,该时空特征向量为一个高维特征向量。
(2)将所述时空特征向量、所述驱动因子数据和所述元胞自动机的每个元胞的初始状态输入至所述人工神经网络模块,得到所述人工神经网络模块输出的各所述子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率。
具体地,人工神经网络(Artificial Neural Network,ANN)模块用于对各子区域的每个元胞在预测年份对应每种土地利用类型的初始转换概率进行预测。每个元胞的初始状态表示至少两个年份的最后一个年份的土地利用分类图中每个元胞的像素值,每个元胞的初始状态采用0至5表示每个元胞对应的初始土地利用类型。例如,每个元胞的初始状态为2015年的土地利用分类图中每个元胞的像素值。
将时空特征模块输出的时空特征向量、驱动因子数据和元胞自动机的每个元胞的初始状态输入至人工神经网络模块,可以得到人工神经网络模块输出的各子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率。初始转换概率可以采用公式(2)表示:
(2)
其中,表示初始转换概率,/>表示每个元胞的初始状态,/>表示驱动因子数据,/>表示时空特征向量。
(3)基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
具体地,根据每个元胞分别在预测年份对应每种土地利用类型的初始转换概率,可以进一步确定目标区域在预测年份对应的土地利用变化预测结果。
本发明提供的耦合ViViT和ANN的土地利用变化预测方法,以时序土地利用数据和驱动因子数据为数据基础,通过耦合时空特征提取模块、人工神经网络模块和元胞自动机的土地利用变化预测模型,其中,时空特征提取模块提取土地利用变化过程中的时空特征,人工神经网络模块反应土地利用变化过程中的驱动机制,结合元胞自动机强大的空间运算能力,实现了目标区域在预测年份对应的土地利用变化预测结果的准确预测,提升了土地利用变化预测结果的准确性,进而快速响应土地变化。
可选地,所述时空特征提取模块包括至少一个转换编码器、第一层归一化、全局平均池化层和全连接层;所述将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量,包括:
(a)对各所述时序土地利用数据进行词嵌入表示并接入位置信息,得到包括位置信息的编码序列。
具体地,时空特征提取模块包括至少一个转换编码器(Transformer Encoder),转换编码器的数量根据实际情况进行设定,例如,转换编码器的数量N为8。转换编码器包括第二层归一化(Layer Norm)、第三层归一化、多头注意力层(Multi-Head Attention)、第一跳跃连接模块、第二跳跃连接模块和多层感知机(Multilayer Perceptron,MLP);其中,层归一化用于对包括位置信息的编码序列进行归一化处理,能够减少协变量的偏移,提升时空特征提取模块的训练速度和泛化精度;多头注意力层用于多头注意力计算,得到多头注意力向量,多头注意力层将输入序列映射成多个查询、键和值向量,并且将它们之间的相互作用表示为多个加权和。多头注意力可以考虑多个不同的相互作用,而不是仅仅关注全局的相似度,多头注意力机制可以更好的捕捉输入序列中的结构信息;第一跳跃连接模块用于将多头注意力向量和包括位置信息的编码序列对应的向量进行跳跃连接,存在防止出现梯度消失问题,从而提高模型在任务上的表现能力;第二跳跃连接模块用于将第一跳跃连接模块输出的结果和多层感知机的输出结果进行跳跃连接;多层感知机是一种基于前馈神经网络的结构,用于将多头注意力层输出的结果和层归一化的结果进行拼接之后进行非线性变换,以增强模型表达能力,提升模型性能。
(b)将所述包括位置信息的编码序列输入至第一转换编码器,得到所述第一转换编码器输出的第一特征向量。
具体地,将包括位置信息的编码序列输入至第一转换编码器,可以得到第一转换编码器输出的第一特征向量。
实际中,将包括位置信息的编码序列输入至第一转换编码器中的第二层归一化,得到第二层归一化输出的第六特征向量;将第六特征向量输入至多头注意力层,得到多头注意力层输出的多头注意力向量;其中,多头注意力向量和包括位置信息的编码序列对应向量的维度相同;将多头注意力向量和包括位置信息的编码序列对应的向量输入至第一跳跃连接模块,得到第一跳跃连接模块输出的第七特征向量;将第七特征向量输入至第三层归一化,得到第三层归一化输出的第八特征向量;将第八特征向量输入至多层感知机,得到多层感知机输出的第九特征向量;将第九特征向量和第七特征向量输入至第二跳跃连接模块,得到第二跳跃连接模块输出的第一特征向量。
(c)将所述第一特征向量输入至第二转换编码器,得到所述第二转换编码器输出的第二特征向量,并重复执行将特征向量输入转换编码器的步骤。
具体地,将第一特征向量输入至第二转换编码器,可以得到第二转换编码器输出的第二特征向量,再将第二特征向量输入至第三转换编码器,得到第三转换编码器输出的第十特征向量,将第十特征向量输入至第四转换编码器,得到第四转换编码器输出的第十一特征向量,基于上述步骤,重复执行将特征向量输入转换编码器的步骤,直至执行至最后一个转换编码器结束。
(d)将最后一个转换编码器输出的第三特征向量输入至所述第一层归一化,得到所述第一层归一化输出的第四特征向量。
具体地,将最后一个转换编码器输出的第三特征向量输入至第一层归一化,可以得到第一层归一化输出的第四特征向量。
(e)将所述第四特征向量输入至所述全局平均池化层,得到所述全局平均池化层输出的第五特征向量。
具体地,将第四特征向量输入至全局平均池化层,可以得到全局平均池化层输出的第五特征向量。
(f)将所述第五特征向量输入至所述全连接层,得到所述全连接层输出的各所述子区域对应的所述时空特征向量。
具体地,将第五特征向量输入至全连接层,可以得到全连接层输出的各子区域对应的时空特征向量。
可选地,时空特征提取模块还包括归一化层(softmax),归一化层用于对全连接层输出的时空特征向量进行分裂,输出目标的分类类别,即将时空特征向量输入至归一化层,得到归一化层输出的第十二特征向量,第十二特征向量表示土地利用类型的类别。
图2是本发明提供的时空特征提取模块的结构示意图,如图2所示,时空特征提取模块包括N个转换编码器201、第一层归一化202、全局平均池化层203和全连接层204;其中,转换编码器201包括第二层归一化2011、多头注意力层2012、第一跳跃连接模块2013、第三层归一化2014、多层感知机2015和第二跳跃连接模块2016。
对各时序土地利用数据进行词嵌入表示并接入位置信息,得到包括位置信息的编码序列。
将包括位置信息的编码序列输入至第一转换编码器201中的第二层归一化2011,得到第二层归一化2011输出的第六特征向量;将第六特征向量输入至多头注意力层2012,得到多头注意力层2012输出的多头注意力向量;其中,多头注意力向量和包括位置信息的编码序列对应向量的维度相同;将多头注意力向量和包括位置信息的编码序列对应的向量输入至第一跳跃连接模块2013,得到第一跳跃连接模块2013输出的第七特征向量;将第七特征向量输入至第三层归一化2014,得到第三层归一化2014输出的第八特征向量;将第八特征向量输入至多层感知机2015,得到多层感知机2015输出的第九特征向量;将第九特征向量和第七特征向量输入至第二跳跃连接模块2016,得到第二跳跃连接模块2016输出的第一特征向量。
将第一特征向量输入至第二转换编码器201,得到第二转换编码器201输出的第二特征向量,并重复执行将特征向量输入转换编码器的步骤。
将最后一个转换编码器201输出的第三特征向量输入至第一层归一化202,得到第一层归一化202输出的第四特征向量;将第四特征向量输入至全局平均池化层203,得到全局平均池化层203输出的第五特征向量;将第五特征向量输入至全连接层204,得到全连接层204输出的各子区域对应的时空特征向量。
可选地,空特征提取模块200还包括归一化层205,将时空特征向量输入至归一化层205,得到归一化层205输出的第十二特征向量。
可选地,所述基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果,包括:
1)基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态。
具体地,根据每个元胞分别在预测年份对应每种土地利用类型的初始转换概率,可以进一步确定各子区域的每个元胞分别在预测年份对应的土地利用类型的土地利用状态。
2)基于各所述土地利用状态,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
具体地,根据每个元胞分别在预测年份对应的土地利用类型的土地利用状态,可以确定目标区域在预测年份对应的土地利用变化预测结果,即目标区域在预测年份的土地利用类型是否发生变化。
可选地,所述基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态,包括:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;所述邻域条件表示邻域范围内每个元胞对应每种土地利用类型的土地利用状态的数量占据所述邻域范围内所有元胞对应每种土地利用类型的土地利用状态的总数量的比例;所述随机扰动因子表示每个元胞对应每种土地利用类型的土地利用状态的变化;所述转换限制条件表示每个元胞对应每种土地利用类型的转换条件。
具体地,邻域条件表示邻域范围内每个元胞对应每种土地利用类型的土地利用状态的数量占据邻域范围内所有元胞对应每种土地利用类型的土地利用状态的总数量的比例。邻域条件采用公式(3)表示:
(3)
其中,表示第i个元胞在邻域范围内的邻域条件,/>表示第i个元胞对应每种土地利用类型的土地利用状态,m表示邻域大小,k表示土地利用类型。
随机扰动因子表示每个元胞对应每种土地利用类型的土地利用状态的变化,随机扰动因子采用公式(4)表示:
(4)
其中,表示随机扰动因子;/>和/>表示控制参数,用于控制随机扰动因子,/>的取值为0到1,/>的取值为0到5。
转换限制条件(CONS)表示每个元胞对应每种土地利用类型的转换条件,例如,城市用地禁止转换为非城市用地,即城市用地的转换概率为0。
根据各初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,可以确定各子区域的每个元胞分别在预测年份对应的土地利用类型的土地利用状态,进而得到目标区域在预测年份对应的土地利用变化预测结果。
可选地,所述基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态,包括:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,采用公式(1)确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;
(1)
其中,表示第i个元胞在(t+1)年份对应的土地利用类型的土地利用状态,表示第i个元胞在t年份对应的土地利用类型的土地利用状态,/>表示每个元胞的初始状态,/>表示所述驱动因子数据,/>表示所述时空特征向量,/>表示第i个元胞在所述邻域范围内的邻域条件,/>表示所述转换限制条件,R表示所述随机扰动因子,表示第i个元胞对应的各所述初始转换概率,ANN表示所述人工神经网络模块。
可选地,土地利用变化预测模型是基于以下步骤训练得到的:
步骤1,获取目标区域的样本时序土地利用分类图和样本驱动因子图。例如,获取中国生命周期基础数据库(Chinese Life Cycle Database,CLCD)中的样本时序土地利用分类图,选用1985年、1990年、1995年、2000年、2005年、2010年、2015年和2020年的样本时序土地利用分类图。样本时序土地利用分类图包括6种土地利用类型,空间分辨率为30m。样本驱动因子图主要考虑了三大类:交通驱动因子,以来自于高德地图的POI数据和来自OpenStreetMap的路网数据为基础,例如,交通驱动因子为到达地铁站的距离、到达火车站的距离、到达机场的距离;区位驱动因子,以来自于行政边界区划图为数据基础,例如,区位驱动因子为到县区中心的距离、到乡镇中心的距离;地形驱动因子,以来自地理空间数据云的公开地形和坡度数据为数据基础,例如,地形驱动因子为海拔高度驱动因子和坡度驱动因子。
步骤2,确定数据集。对获取的样本时序土地利用分类图和样本驱动因子图进行处理,处理为标签图像文件格式(TaggedImageFileFormat,TIF)的栅格数据,得到样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据。其中,全球定位系统(WorldGeodetic System 1984,WGS84)作为大地基准,投影方式为阿尔伯斯等面积投影(AlbersEqual Area projection),空间分辨率为100m,空间范围为以行政边界地图为基准。
步骤3,将数据集划分为训练集和测试集。按照设定的元胞大小和时间长度T在训练集中进行采样,以每个元胞在时间长度T对应的多个年份中的终止年份的下一年(T+1年)的中心元胞的土地利用类型作为标签数据。例如,时间跨度T=6,采样的训练集为1985年、1990年、1995年、2000年、2005年和2010年的训练数据,标签数据为2015年的样本土地利用分类图中每个元胞的土地利用类型。需要说明的是,在时间长度T不同的情况下,数据集的划分方式有所不同。
步骤4,训练阶段。以时间长度为T的样本时序土地利用数据作为初始土地利用变化预测模型中时空特征提取模块(例如ViViT模型)的输入,得到时空特征提取模块输出的时空特征向量。
将时空特征向量、样本驱动因子数据和元胞自动机中每个元胞的初始状态输入至初始土地利用变化预测模型中人工神经网络模块f ann ,得到人工神经网络模块输出的每个元胞的每种土地利用类型的初始转换概率。
根据每个元胞的每种土地利用类型的初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,计算出每个元胞的最终转换概率,并通过转换规则,得到每个元胞在预测年份的土地利用状态。再根据每个元胞在预测年份的土地利用状态,得到最终的土地利用变化预测结果。
根据最终的土地利用变化预测结果和标签数据进行比对,调整时空特征提取模块和人工神经网络模块的参数,直至时空特征提取模块和人工神经网络模块预测的土地利用变化预测结果的精度达到要求,此时训练结束。
步骤5,测试阶段。将训练好的土地利用变化预测模型用于测试集进行测试。
例如,测试阶段是以2015年为终止年份的时间长度为T的时序土地利用数据作为输入数据,即1985年、1990年、1995年、2000年、2005年、2010年和2015年的测试数据输入训练好的土地利用变化预测模型中的时空特征提取模块,得到时空特征提取模块输出的2020年的时空特征向量。将时空特征向量、测试集中的驱动因子数据和每个元胞的初始状态(2015年的土地利用分类图中的每个元胞对应的土地利用类型)输入土地利用变化预测模型中的人工神经网络模块,得到人工神经网络模块输出的每个元胞的每种土地利用类型的初始转化概率。进而根据初始转化概率、每个元胞的邻域条件、随机扰动因子和转换限制条件得到2020年的土地利用变化预测结果。
图3是本发明提供的耦合ViViT和ANN的土地利用变化预测方法的流程示意图之二,如图3所示,将各时序土地利用数据输入至土地利用变化预测模型中的时空特征提取模块,得到时空特征提取模块输出的各子区域对应的时空特征向量;将时空特征向量、驱动因子数据和元胞自动机的每个元胞的初始状态输入至土地利用变化预测模型中的人工神经网络模块,得到人工神经网络模块输出的各子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率;基于各初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,计算出每个元胞的最终转换概率;再根据转换规则得到每个元胞分别在预测年份对应的土地利用类型的土地利用状态。
本发明提供的耦合ViViT和ANN的土地利用变化预测方法,通过集成目标区域的时序土地利用变化数据和驱动因子数据,可以有效提取目标区域内的土地利用变化的时空特征,进而提升土地利用变化预测模型的预测精度。另外,本发明也可以灵活适应估算区域范围和位置的变化,满足区域变化监测与分析要求,输出不同区域、不同空间精度的土地利用变化预测结果。
下面对本发明提供的耦合ViViT和ANN的土地利用变化预测装置进行描述,下文描述的耦合ViViT和ANN的土地利用变化预测装置与上文描述的耦合ViViT和ANN的土地利用变化预测方法可相互对应参照。
图4是本发明提供的耦合ViViT和ANN的土地利用变化预测装置的结构示意图,如图4所示,耦合ViViT和ANN的土地利用变化预测装置400包括:获取模块401、处理模块402和预测模块403;其中,
获取模块401,用于获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
处理模块402,用于将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;
预测模块403,用于将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔。
本发明提供的耦合ViViT和ANN的土地利用变化预测装置,通过获取目标区域在预设时间间隔的至少两个年份的时序土地利用分类图和驱动因子图,将时序土地利用分类图和驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;子区域与栅格一一对应;再将各时序土地利用数据和驱动因子数据输入土地利用变化预测模型,得到土地利用变化预测模型输出的目标区域在预测年份对应的土地利用变化预测结果;土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;土地利用变化预测模型用于对目标区域在预测年份对应的土地利用变化预测结果进行预测;预测年份与至少两个年份的最后一个年份之间存在预设时间间隔。通过土地利用变化预测模型,实现了时间尺度和空间尺度的综合考量,能够提升土地利用变化预测模型的预测精度,从而提升目标区域在预测年份对应的土地利用变化预测结果的准确性。
可选地,所述土地利用变化预测模型包括时空特征提取模块、人工神经网络模块和元胞自动机;
所述预测模块403,具体用于:
将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量;
将所述时空特征向量、所述驱动因子数据和所述元胞自动机的每个元胞的初始状态输入至所述人工神经网络模块,得到所述人工神经网络模块输出的各所述子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率;
基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
可选地,所述时空特征提取模块包括至少一个转换编码器、第一层归一化、全局平均池化层和全连接层;
所述预测模块403,还用于:
对各所述时序土地利用数据进行词嵌入表示并接入位置信息,得到包括位置信息的编码序列;
将所述包括位置信息的编码序列输入至第一转换编码器,得到所述第一转换编码器输出的第一特征向量;
将所述第一特征向量输入至第二转换编码器,得到所述第二转换编码器输出的第二特征向量,并重复执行将特征向量输入转换编码器的步骤;
将最后一个转换编码器输出的第三特征向量输入至所述第一层归一化,得到所述第一层归一化输出的第四特征向量;
将所述第四特征向量输入至所述全局平均池化层,得到所述全局平均池化层输出的第五特征向量;
将所述第五特征向量输入至所述全连接层,得到所述全连接层输出的各所述子区域对应的所述时空特征向量。
可选地,所述预测模块403,还用于:
基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态;
基于各所述土地利用状态,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
可选地,所述预测模块403,还用于:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;所述邻域条件表示邻域范围内每个元胞对应每种土地利用类型的土地利用状态的数量占据所述邻域范围内所有元胞对应每种土地利用类型的土地利用状态的总数量的比例;所述随机扰动因子表示每个元胞对应每种土地利用类型的土地利用状态的变化;所述转换限制条件表示每个元胞对应每种土地利用类型的转换条件。
可选地,所述预测模块403,还用于:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,采用公式(1)确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;
(1)
其中,表示第i个元胞在(t+1)年份对应的土地利用类型的土地利用状态,表示第i个元胞在t年份对应的土地利用类型的土地利用状态,/>表示每个元胞的初始状态,/>表示所述驱动因子数据,/>表示所述时空特征向量,/>表示第i个元胞在所述邻域范围内的邻域条件,/>表示所述转换限制条件,R表示所述随机扰动因子,表示第i个元胞对应的各所述初始转换概率,ANN表示所述人工神经网络模块。/>
可选地,所述驱动因子数据包括以下至少一项:交通驱动因子数据、区位驱动因子数据、地形驱动因子数据。
图5是本发明提供的一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行耦合ViViT和ANN的土地利用变化预测方法,该方法包括:
获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;
将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的耦合ViViT和ANN的土地利用变化预测方法,该方法包括:
获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;
将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种耦合ViViT和ANN的土地利用变化预测方法,其特征在于,包括:
获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;所述驱动因子数据包括以下至少一项:交通驱动因子数据、区位驱动因子数据、地形驱动因子数据;子区域表示对目标区域划分的栅格,栅格数据为标签图像文件格式的数据;子区域对应的时序土地利用数据表示子区域对应的所述时序土地利用分类图所表示的数据;
将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔;
所述土地利用变化预测模型包括时空特征提取模块、人工神经网络模块和元胞自动机;所述时空特征提取模块为视频视觉转换器ViViT,所述人工神经网络模块为人工神经网络ANN;所述将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在所述预测年份对应的土地利用变化预测结果,包括:
将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量;
将所述时空特征向量、所述驱动因子数据和所述元胞自动机的每个元胞的初始状态输入至所述人工神经网络模块,得到所述人工神经网络模块输出的各所述子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率;
基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果;
所述时空特征提取模块包括至少一个转换编码器、第一层归一化、全局平均池化层和全连接层;所述将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量,包括:
对各所述时序土地利用数据进行词嵌入表示并接入位置信息,得到包括位置信息的编码序列;
将所述包括位置信息的编码序列输入至第一转换编码器,得到所述第一转换编码器输出的第一特征向量;
将所述第一特征向量输入至第二转换编码器,得到所述第二转换编码器输出的第二特征向量,并重复执行将特征向量输入转换编码器的步骤;
将最后一个转换编码器输出的第三特征向量输入至所述第一层归一化,得到所述第一层归一化输出的第四特征向量;
将所述第四特征向量输入至所述全局平均池化层,得到所述全局平均池化层输出的第五特征向量;
将所述第五特征向量输入至所述全连接层,得到所述全连接层输出的各所述子区域对应的所述时空特征向量。
2.根据权利要求1所述的耦合ViViT和ANN的土地利用变化预测方法,其特征在于,所述基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果,包括:
基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态;
基于各所述土地利用状态,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果。
3.根据权利要求2所述的耦合ViViT和ANN的土地利用变化预测方法,其特征在于,所述基于各所述初始转换概率,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的土地利用状态,包括:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;所述邻域条件表示邻域范围内每个元胞对应每种土地利用类型的土地利用状态的数量占据所述邻域范围内所有元胞对应每种土地利用类型的土地利用状态的总数量的比例;所述随机扰动因子表示每个元胞对应每种土地利用类型的土地利用状态的变化;所述转换限制条件表示每个元胞对应每种土地利用类型的转换条件。
4.根据权利要求3所述的耦合ViViT和ANN的土地利用变化预测方法,其特征在于,所述基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态,包括:
基于各所述初始转换概率、每个元胞的邻域条件、随机扰动因子和转换限制条件,采用公式(1)确定各所述子区域的每个元胞分别在所述预测年份对应的土地利用类型的所述土地利用状态;
(1)
其中,表示第i个元胞在(t+1)年份对应的土地利用类型的土地利用状态,/>表示第i个元胞在t年份对应的土地利用类型的土地利用状态,/>表示每个元胞的初始状态,/>表示所述驱动因子数据,/>表示所述时空特征向量,/>表示第i个元胞在所述邻域范围内的邻域条件,/>表示所述转换限制条件,R表示所述随机扰动因子,表示第i个元胞对应的各所述初始转换概率,ANN表示所述人工神经网络模块。
5.一种耦合ViViT和ANN的土地利用变化预测装置,其特征在于,包括:
获取模块,用于获取目标区域在至少两个年份的时序土地利用分类图和驱动因子图;所述至少两个年份之间存在预设时间间隔;
处理模块,用于将所述时序土地利用分类图和所述驱动因子图处理为栅格行列数完全对应相同的栅格数据,得到所述目标区域的多个子区域对应的时序土地利用数据和驱动因子数据;所述子区域与所述栅格一一对应;所述驱动因子数据包括以下至少一项:交通驱动因子数据、区位驱动因子数据、地形驱动因子数据;子区域表示对目标区域划分的栅格,栅格数据为标签图像文件格式的数据;子区域对应的时序土地利用数据表示子区域对应的所述时序土地利用分类图所表示的数据;
预测模块,用于将各所述时序土地利用数据和所述驱动因子数据输入土地利用变化预测模型,得到所述土地利用变化预测模型输出的所述目标区域在预测年份对应的土地利用变化预测结果;所述土地利用变化预测模型是基于样本时序土地利用数据、样本驱动因子数据和土地利用类型标签数据训练得到的;所述土地利用变化预测模型用于对所述目标区域在所述预测年份对应的土地利用变化预测结果进行预测;所述预测年份与所述至少两个年份的最后一个年份之间存在所述预设时间间隔;
所述土地利用变化预测模型包括时空特征提取模块、人工神经网络模块和元胞自动机;所述时空特征提取模块为视频视觉转换器ViViT,所述人工神经网络模块为人工神经网络ANN;所述预测模块,具体用于:
将各所述时序土地利用数据输入至所述时空特征提取模块,得到所述时空特征提取模块输出的各所述子区域对应的时空特征向量;
将所述时空特征向量、所述驱动因子数据和所述元胞自动机的每个元胞的初始状态输入至所述人工神经网络模块,得到所述人工神经网络模块输出的各所述子区域的每个元胞分别在预测年份对应每种土地利用类型的初始转换概率;
基于各所述初始转换概率,确定所述目标区域在所述预测年份对应的所述土地利用变化预测结果;
所述时空特征提取模块包括至少一个转换编码器、第一层归一化、全局平均池化层和全连接层;所述预测模块,还用于:
对各所述时序土地利用数据进行词嵌入表示并接入位置信息,得到包括位置信息的编码序列;
将所述包括位置信息的编码序列输入至第一转换编码器,得到所述第一转换编码器输出的第一特征向量;
将所述第一特征向量输入至第二转换编码器,得到所述第二转换编码器输出的第二特征向量,并重复执行将特征向量输入转换编码器的步骤;
将最后一个转换编码器输出的第三特征向量输入至所述第一层归一化,得到所述第一层归一化输出的第四特征向量;
将所述第四特征向量输入至所述全局平均池化层,得到所述全局平均池化层输出的第五特征向量;
将所述第五特征向量输入至所述全连接层,得到所述全连接层输出的各所述子区域对应的所述时空特征向量。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述耦合ViViT和ANN的土地利用变化预测方法。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述耦合ViViT和ANN的土地利用变化预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215724.3A CN116976526B (zh) | 2023-09-20 | 2023-09-20 | 耦合ViViT和ANN的土地利用变化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215724.3A CN116976526B (zh) | 2023-09-20 | 2023-09-20 | 耦合ViViT和ANN的土地利用变化预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976526A CN116976526A (zh) | 2023-10-31 |
CN116976526B true CN116976526B (zh) | 2023-12-15 |
Family
ID=88479873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311215724.3A Active CN116976526B (zh) | 2023-09-20 | 2023-09-20 | 耦合ViViT和ANN的土地利用变化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976526B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780089A (zh) * | 2016-12-27 | 2017-05-31 | 广州蓝图地理信息技术有限公司 | 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 |
AU2018101946A4 (en) * | 2018-11-07 | 2019-01-17 | Wuhan University | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton |
CN110991497A (zh) * | 2019-11-15 | 2020-04-10 | 同济大学 | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 |
CN112131731A (zh) * | 2020-09-15 | 2020-12-25 | 同济大学 | 一种基于空间特征向量滤波的城市生长元胞模拟方法 |
CN112163367A (zh) * | 2020-08-20 | 2021-01-01 | 同济大学 | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 |
CN112597948A (zh) * | 2020-12-29 | 2021-04-02 | 同济大学 | 一种城市土地利用变化预测方法 |
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 |
-
2023
- 2023-09-20 CN CN202311215724.3A patent/CN116976526B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780089A (zh) * | 2016-12-27 | 2017-05-31 | 广州蓝图地理信息技术有限公司 | 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 |
AU2018101946A4 (en) * | 2018-11-07 | 2019-01-17 | Wuhan University | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton |
CN110991497A (zh) * | 2019-11-15 | 2020-04-10 | 同济大学 | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 |
CN112163367A (zh) * | 2020-08-20 | 2021-01-01 | 同济大学 | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 |
CN112131731A (zh) * | 2020-09-15 | 2020-12-25 | 同济大学 | 一种基于空间特征向量滤波的城市生长元胞模拟方法 |
CN112597948A (zh) * | 2020-12-29 | 2021-04-02 | 同济大学 | 一种城市土地利用变化预测方法 |
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 |
Non-Patent Citations (3)
Title |
---|
基于ANN_CA模型的安徽省淮北市土地利用变化模拟;刘斌寅;卢宏亮;;黑龙江工程学院学报(第03期);全文 * |
基于ANN-CA模型的滨海新区土地利用预测;白新萍;;安徽农业科学(第12期);全文 * |
基于城镇化背景下的城郊土地利用模拟研究――以广州市花都区为例;张志鹏;谭尔斯;余洋;田磊;何培雍;;国土资源导刊(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976526A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | RSOD: Real-time small object detection algorithm in UAV-based traffic monitoring | |
Ma et al. | A hybrid CNN-LSTM model for aircraft 4D trajectory prediction | |
Yin et al. | Airport detection based on improved faster RCNN in large scale remote sensing images | |
Ali et al. | Leveraging spatio-temporal patterns for predicting citywide traffic crowd flows using deep hybrid neural networks | |
CN106981198B (zh) | 用于旅行时间预测的深度学习网络模型及其建立方法 | |
CN110991497B (zh) | 一种基于bsvc方法的城市土地利用变化模拟元胞自动机方法 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN110795522B (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
CN115393745A (zh) | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 | |
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 | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
CN114385611A (zh) | 一种基于人工智能算法和知识图谱的降水预测方法和系统 | |
CN116976526B (zh) | 耦合ViViT和ANN的土地利用变化预测方法 | |
Alsaedi et al. | Spatial and temporal data analysis with deep learning for air quality prediction | |
CN116543603A (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
Joseph et al. | Investigation of deep learning methodologies in intelligent green transportation system | |
Shi et al. | A novel model based on deep learning for Pedestrian detection and Trajectory prediction | |
Zhou et al. | UGRoadUpd: An Unchanged-Guided Historical Road Database Updating Framework Based on Bi-Temporal Remote Sensing Images | |
Chen | Exemplification on Potential Applications and Scenarios for GeoAI | |
Li et al. | MGC-GAN: Multi-graph convolutional generative adversarial networks for accurate citywide traffic flow prediction | |
KR20220089205A (ko) | 딥 러닝을 위한 이동 경로 임베딩 방법 및 이를 이용한 이동 경로 예측 방법 | |
Ma et al. | Vehicle Trajectory Prediction in Expressway Merging Areas Based on Self-Supervised Mechanism | |
Wang | Remote sensing image semantic segmentation network based on ENet | |
Qiu et al. | Lane Change Trajectory Prediction Based on Chinese Highway Ramp Scenarios |
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 |