CN117195602A - 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法 - Google Patents
耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法 Download PDFInfo
- Publication number
- CN117195602A CN117195602A CN202311469451.5A CN202311469451A CN117195602A CN 117195602 A CN117195602 A CN 117195602A CN 202311469451 A CN202311469451 A CN 202311469451A CN 117195602 A CN117195602 A CN 117195602A
- Authority
- CN
- China
- Prior art keywords
- land
- land system
- target
- model
- type
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 127
- 230000008859 change Effects 0.000 title claims abstract description 121
- 230000008878 coupling Effects 0.000 title claims abstract description 44
- 238000010168 coupling process Methods 0.000 title claims abstract description 44
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims description 46
- 239000002689 soil Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000007704 transition Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000007477 logistic regression Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001983 electron spin resonance imaging Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，涉及数据处理技术领域；方法包括：获取目标区域的土地利用现状数据；将土地利用现状数据输入土地变化模拟模型中，得到土地变化模拟模型输出的目标区域在未来目标时刻的土地变化模拟结果；土地变化模拟模型包括MaxEnt模型及CLUmondo模型；土地变化模拟模型中配置的目标参数包括以下至少一项：土地系统；土地系统供给能力；土地适应性；土地系统需求量；起始年份到目标年份的转换矩阵；弹性系数；土地转化顺序。通过上述方法，提高了土地变化模拟模型的模拟精度、预测结果可信度，保留了土地信息、衡量土地利用强度，为区域空间规划提供决策支持。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法。
背景技术
在理解人类对土地改造、合理规划土地资源过程中，土地变化模拟尤为重要。土地变化模型是深刻理解人地耦合系统、土地利用/覆盖变化、在景观格局及其潜在机制之间建立深刻关系的有效工具。
相关技术中，通常使用CLUMondo模型进行土地利用变化模拟。CLUMondo模型中引入Logistic回归分析判断每个地块转换为何种土地类型。
然而，Logistic回归具有局限性，最显著的是其回归变量之间应相互独立。这在面向具有空间相关属性的地理空间数据时通常不成立，影响模拟结果的准确性。
因此，如何提高对土地变化模拟的准确性，是亟待解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法。
本发明提供一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，包括：
获取目标区域的土地利用现状数据；
将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；
其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：
土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；
土地系统供给能力，用于表征每种土地系统类型的量化需求；
土地适应性，用于表征每一种土地系统类型的出现概率；
土地系统需求量，用于表征每一种土地系统服务的需求量；
起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；
弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；
土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
可选地，所述方法还包括：
获取所述目标区域的原始土地覆盖数据、驱动因子数据及核心生态区数据，并对所述原始土地覆盖数据、所述驱动因子数据及所述核心生态区数据进行预处理。
可选地，所述土地系统，通过以下方式构建：
将所述原始土地覆盖数据从所述目标区域关联的原始像素空间扩大至至少一个目标像素空间；各所述目标像素空间的空间分辨率大于所述原始像素空间的空间分辨率；
针对每一个目标像素空间，基于所述目标像素空间中各类型的所述原始土地覆盖数据所占的比值，确定所述目标像素空间的土地系统类型，以及所述土地系统类型对应的覆盖密度等级。
可选地，所述土地系统供给能力，通过以下公式（1）确定：
（1）
其中，表示第/>类所述土地系统的所述土地系统供给能力；/>类所述土地系统的所述土地系统供给能力；/>表示第/>类所述土地系统的像素总数；/>表示所述土地系统的空间分辨率；/>表示第/>类所述土地系统的第/>个单元重叠的特定土地系统服务单元总数。
可选地，所述土地适应性，通过以下方式确定：
基于目标土地系统类型所在点位及所述驱动因子数据，确定所述目标土地系统类型的所述土地适应性；所述目标土地系统类型为所述每一种土地系统类型中任一土地系统类型。
可选地，所述土地系统需求量，通过以下公式（2）确定：
（2）
其中，表示所述土地系统需求量；/>表示所述土地系统类型的总数；/>表示第/>类所述土地系统，第/>种土地系统服务的供给能力；/>表示第/>类所述土地系统的像素总数。
可选地，在所述起始年份到目标年份的转换矩阵中，列为所述起始年份的每种土地系统类型，行为所述目标年份的每种土地系统类型；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第一值的情况下，表示存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第二值的情况下，表示不存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素。
可选地，所述弹性系数，通过以下公式（3）确定：
（3）
其中，表示第/>类所述土地系统的所述弹性系数；/>表示起始年份到目标年份的土地系统中，土地系统类型保持不变的像素占比；/>表示起始年份中第/>类土地类型在目标年份转换为第/>类土地类型的像素占比。
本发明还提供一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置，包括：
第一获取模块，用于获取目标区域的土地利用现状数据；
输入模块，用于将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；
其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：
土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；
土地系统供给能力，用于表征每种土地系统类型的量化需求；
土地适应性，用于表征每一种土地系统类型的出现概率；
土地系统需求量，用于表征每一种土地系统服务的需求量；
起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；
弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；
土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
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最大熵MaxEnt模型与CLUMondo的土地变化模拟方法。
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最大熵MaxEnt模型与CLUMondo的土地变化模拟方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法。
本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，通过耦合最大熵MaxEnt模型与CLUMondo模型得到土地变化模拟模型，然后设置土地变化模拟模型所需各项目标参数，包括土地系统、土地系统供给能力、土地适应性、土地系统需求量、起始年份到目标年份的转换矩阵、弹性系数、土地转化顺序；通过在土地变化模型中设置上述各目标参数，提高了土地变化模拟模型的模拟精度、预测结果可信度，同时最大程度保留土地信息、衡量土地利用强度，为区域空间规划提供决策支持。
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最大熵MaxEnt模型与CLUMondo的土地变化模拟方法的流程示意图；
图2是本发明提供的对研究区域A进行土地变化模拟的验证结果示意图；
图3是本发明提供的对研究区域B进行土地变化模拟的验证结果示意图；
图4是本发明提供的对研究区域C进行土地变化模拟的验证结果示意图；
图5是本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置的结构示意图；
图6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。
为了便于更加清晰地理解本申请各实施例，首先对一些相关的知识进行如下介绍。
人类对土地的开发和利用已经成为地球表层尤其是陆地表层变化的主要原因，这些对土地改造所造成的环境风险和资源短缺问题已经威胁到人类自身的生存和发展。在理解人类对土地改造、合理规划土地资源过程中，土地变化模拟尤为重要。
土地变化模型是深刻理解人地耦合系统、土地利用/覆盖变化、在景观格局及其潜在机制之间建立深刻关系的有效工具。在土地变化模拟研究所使用的土地变化模型中，土地利用变化及其空间效应（The Conversion of Land Use and its Effect，CLUE）系列模型备受关注。
CLUE模型能够实现同时对多种土地类型的变化进行模拟；CLUE-S在CLUE的框架上将土地类型与生物物理、社会经济因素之间的定量关系尝试使用Logistic回归分析计算得到；CLUMondo能够同时满足多种外生需求驱动土地变化，以土地系统为研究单元，根据需求和区域自然、社会、经济空间特征模拟土地系统变化。CLUMondo模型自提出以来在全球、国家及省市等不同空间尺度均得到应用。
CLUMondo模型中引入Logistic回归分析判断每个地块转换为何种土地类型。然而，有充分研究表明Logistic回归具有局限性，其中最显著的是其基本假设，即回归变量之间应相互独立。这一假设在面向具有空间相关属性的地理空间数据时通常不成立。
因此，为了提高土地变化模型的模拟精度，尝试通过将Logistic回归模块替换为其他模型的运算结果来改进原始土地变化模型。
在替换Logistic的模型中，最大熵（Maximum Entropy，MaxEnt）模型的表现尤为突出。最大熵模型可以理解为是计算最优（最大熵）概率分布的模型。在本发明实施例中，使用最大熵模型替换Logistic回归模块，计算每个地块转换为每种土地类型的概率，以期改进后模型能够提高模拟精度。
本发明的目的是通过耦合最大熵MaxEnt模型与CLUMondo模型，得到一个模拟精度更高的土地变化模拟模型，称为MaxEnt-CLUMondo模型，即建立一套反映土地覆盖密度变化的土地系统。
在本发明实施例中，MaxEnt模型的输出结果Logistic回归在空间中的应用结果在表达含义和数据格式相同。因此，本发明实施例使用MaxEnt模型替换Logistic回归在空间中的应用结果。
下面对耦合最大熵MaxEnt模型与CLUMondo模型的理论依据进行介绍。
1、基于CLUMondo原理详细剖析的耦合点寻找：MaxEnt模型的耦合点在于对土地适应性结果的替换，这是由CLUMondo对土地适应性结果的接受形式决定的。
当将Logistic回归计算结果应用于每一个空间地块，即将每个地块上驱动因子的属性值代入以下公式（4），可得到每个地块成为每种土地系统类型的概率，这样可得到指定空间内一种土地系统类型的概率分布图，为栅格数据形式。
（4）
其中，表示地块/>转换为第/>种土地系统类型的概率；/>表示第/>个驱动因子在地块/>上的数值；系数/>是通过回归模型估计而得，表示针对第/>种土地系统类型的回归方程中第/>个驱动因子对应项的系数；/>为常数。
由上述公式（4）可知，在二元Logistic模型的支持下，给定地块上驱动因子的数值/>，便能快速地计算出该地块转换为各种土地系统类型的概率/>。
2、找到MaxEnt模型替换CLUMondo模型中回归模块的方法：MaxEnt模型的输出结果为目标事物出现的空间概率分布图，为栅格数据。Logistic回归的输出结果为进入回归方程的协变量（即驱动因子）的回归系数和常数值。
将Logistic回归结果进一步应用于空间，可计算出每个地块成为每种土地系统类型的概率，即得到成为每种土地系统类型的空间概率分布图，同为栅格数据。鉴于最大熵模型与Logistic回归结果在空间中的应用结果含义相同，且CLUMondo可接受栅格数据形式的土地适应性结果。
因此，MaxEnt模型计算出的概率分布图可代替Logistic回归结果在空间上的应用结果，为CLUMondo模型所使用。
下面结合图1至图4对本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法进行具体描述。图1是本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法的流程示意图，参见图1所示，该方法包括步骤101-步骤102，其中：
步骤101、获取目标区域的土地利用现状数据。
首先需要说明的是，本发明的执行主体可以是能够实现土地变化模拟的任何电子设备，例如可以为智能手机、智能手表、台式电脑、手提电脑等任何一种。
具体地，目标区域是指需要进行土地变化模拟的土地，也即研究区。土地利用现状数据表征当前目标区域的土地使用情况，土地可以分为多种类型，例如耕地、林地、草地、灌木地、湿地、水体、苔原、人造地表、裸地和雪/冰。
步骤102、将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数。
所述目标参数包括以下至少一项：
a）土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级。
b）土地系统供给能力，用于表征每种土地系统类型的量化需求；
c）土地适应性，用于表征每一种土地系统类型的出现概率。
d）土地系统需求量，用于表征每一种土地系统服务的需求量。
土地系统服务是指某种土地类型的面积或者是土地提供的商品或服务（例如，粮食产量）。
e）起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换。
f）弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度。
a）土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
在本发明实施例中，针对土地转化顺序，通过设置土地转化顺序，可以表达土地系统类型提供特定土地系统服务供给能力的强弱。其中，土地系统服务是指不同类型的土地所提供的使用服务，例如包括森林、草地/牧场、灌木地、耕地等。
其数值可为“-1”或非负整数（0，1，2...），数值含义如下：
“-1”：当前土地系统类型无法提供特定的土地系统服务（即没有供给能力），或在模拟中不考虑使用当前土地系统类型提供特定的土地系统服务。
例如，城市用地的增多无法满足粮食增产的需求；或者尽管城市用地中提供了微少的粮食产量，但在模拟过程中被认为不会用于满足粮食增产的需求。
“0，1，2...”：当前土地系统类型能够提供特定的土地系统服务（即对特定服务有供给能力）。这一数值越高，表示提供的特定土地系统服务越多（即供给能力越强，越有能力满足特定的需求）。
需要说明的是，在对土地变化进行模拟的过程中，在满足正向需求时（即特定土地系统服务需求量增加时），会将在该土地系统服务下的转换顺序值为非负整数的土地系统类型转换为在该土地系统服务下的转换顺序值更高的其他土地系统类型。其中，两种土地系统类型针对特定土地系统服务的转换顺序允许为相同的数值，表示在满足该土地系统服务的需求时，这两种土地系统类型不会发生相互转换。
本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，通过耦合最大熵MaxEnt模型与CLUMondo模型得到土地变化模拟模型，然后设置土地变化模拟模型所需各项目标参数，包括土地系统、土地系统供给能力、土地适应性、土地系统需求量、起始年份到目标年份的转换矩阵、弹性系数、土地转化顺序；通过在土地变化模型中设置上述各目标参数，提高了土地变化模拟模型的模拟精度、预测结果可信度，同时最大程度保留土地信息、衡量土地利用强度，为区域空间规划提供决策支持。
可选地，在构建土地变化模拟模型之前，还需要执行以下步骤：
获取所述目标区域的原始土地覆盖数据、驱动因子数据及核心生态区数据，并对所述原始土地覆盖数据、所述驱动因子数据及所述核心生态区数据进行预处理。
在本发明实施例中，原始土地覆盖数据包括土地覆盖类型，例如耕地、深林、海水等。驱动因子在涵盖社会经济、可达性、土壤等；核心生态区数据指6种生态核心区1:100万比例尺面要素矢量数据。
在本发明实施例中，需要使用高空间分辨率的土地覆盖数据。当前国际常用的高分辨率土地覆盖数据包括a）30m分辨率的GlobeLand 30、10m；b）30m分辨率的土地覆盖数据集FROM-GLC10；c）10m分辨率的ESRI数据集。而10m分辨率的数据集相比于30m更加细致、丰富地反映出真实地块的覆盖类型分布。其次，基于过往土地数据集验证土地变化模型的模拟效果，要求土地覆盖数据需要有多期、有相同分辨率。另外，在数据准确性上，ESRI数据集的准确度更高。因此，本发明实施例使用ESRI数据集作为后续数据基础。
在获取到目标区域的原始土地覆盖数据、驱动因子数据及核心生态区数据之后，需要借助ArcGIS Pro软件和Python、Matlab对原始土地覆盖数据、驱动因子数据及核心生态区数据进行批量处理。
具体地，需要将上述原始土地覆盖数据、驱动因子数据及核心生态区数据统一为空间分辨率一致，投影坐标系一致，像素个数、行列数在同一研究区完全一致。使用到的工具包括但不限于“重采样”、“重分类”、“栅格计算器”、“裁剪”、“按掩膜提取”。
针对驱动因子数据，本发明进行了归一化、剔除高相关性因子的预处理。由于驱动因子数据的类型和数值范围具有差异，为得到更好的回归效果，本发明对所有备选驱动因子数据进行了归一化处理，将每种驱动因子的数值限制在[-1,1]之间。
其次，回归分析要求驱动因子之间相互独立，因此需要在归一化处理后再对驱动因子进行相关性分析，去除高相关性驱动因子对中的一个驱动因子。
相关系数的选择及剔除策略如下：
由于驱动因子数值是连续数据，但不满足正态分布以及存在观测值并不相互独立。因此本发明实施例选择了适用范围更广的spearman相关系数计算驱动因子之间的相关性。
当任意两个驱动因子（即驱动因子对）之间的相关系数高于预设阈值（例如0.8）时，剔除掉驱动因子对中相关系数值总和更大的驱动因子。也就是说，当相关系数高于预设阈值的情况下，确定驱动因子对中每个驱动因子与其他每一个驱动因子的相关系数累加值，剔除累加值更大的驱动因子。
在上述实施方式中，通过获取目标区域的原始土地覆盖数据、驱动因子数据及核心生态区数据，并进行预处理，有助于提高土地变化模型的预测精度。
可选地，所述土地系统，通过以下方式构建，具体包括步骤1）-步骤2）：
步骤1）、将所述原始土地覆盖数据从所述目标区域关联的原始像素空间扩大至至少一个目标像素空间；各所述目标像素空间的空间分辨率大于所述原始像素空间的空间分辨率；
步骤2）、针对每一个目标像素空间，基于所述目标像素空间中各类型的所述原始土地覆盖数据所占的比值，确定所述目标像素空间的土地系统类型，以及所述土地系统类型对应的覆盖密度等级。
具体地，首先，将原始土地覆盖数据从目标区域关联的原始像素空间扩大至至少一个目标像素空间。
例如，将原始10m空间分辨率的ESRI土地覆盖数据集升尺度至1km空间分辨率，每一个1km×1km目标像素空间均对应10000个1m×10m小像素。
然后，确定每个目标像素空间中各类型的原始土地覆盖数据所占的比值，将占比最大的土地覆盖类型确定为目标像素空间的土地系统类型。
最后，针对每一个目标像素空间，基于占比最大土地覆盖类型的具体所占比重值，将目标像素空间中土地系统类型对应的覆盖密度等级，包括高、中、低三个密度等级。
在本发明实施例中，构建的土地系统共24种类型，具体为排除掉非土地类型的“云层”后，在8种土地覆盖类型的基础上细分为高、中、低密度的24种土地系统类型。
用于划分3个密度级别的2个阈值由指定分类数为3的自然间断点得来，分别为0.66和0.87。
也就是说，在确定土地系统类型对应的覆盖密度时，占比最大土地覆盖类型的具体所占比重值大于0.87，则确定为高密度等级；大于等于0.66，小于等于0.87，则确定为中密度等级；小于0.66，则确定为低密度等级。
可选地，当土地系统服务为土地覆盖面积时，CLUMondo依然可呈现其多对多供需关系这一优势。
计算土地系统供给能力，即量化需求的方法如下：每种土地覆盖类型需求的计算方法相同。特定需求的土地系统服务被量化为每种土地系统类型的单个像素所包含的与特定需求对应的土地类型面积。
在本发明实施例中，所述土地系统供给能力，通过以下公式（1）确定：
（1）
其中，表示第/>类所述土地系统的所述土地系统供给能力，单位为km2/km2；/>表示所述原始土地覆盖数据的空间分辨率；/>表示第/>类所述土地系统的像素总数；/>表示所述土地系统的空间分辨率；/>表示第/>类所述土地系统的第/>个单元重叠的特定土地系统服务单元总数。
需要说明的是，“第j个单元”是指：在栅格数据中，每个土地系统被分成的若干个小单元中的第j个单元。
可选地，所述土地适应性，通过以下方式确定：
基于目标土地系统类型所在点位及所述驱动因子数据，确定所述目标土地系统类型的所述土地适应性；所述目标土地系统类型为所述每一种土地系统类型中任一土地系统类型。
土地适应性的计算采用MaxEnt模型，计算目标区域内每种土地系统类型的出现概率。
在本发明实施例中，将各土地系统类型所在点位（矢量数据）及驱动因子数据（栅格数据）输入土地变化模拟模型中的MaxEnt模型，得到MaxEnt模型输出的各土地系统类型的出现概率，以及各驱动因子的相对贡献大小。其中，土地系统的空间分布概率图即可直接作为CLUMondo土地适应性模块的结果。
可选地，若某年份的土地系统空间分布已知，则可计算某种土地系统的需求量。
所述土地系统需求量，通过以下公式（2）确定：
（2）
其中，表示所述土地系统需求量；/>表示所述土地系统类型的总数；/>表示第/>类所述土地系统，第/>种土地系统服务的供给能力；/>表示第/>类所述土地系统的像素总数。
可选地，在所述起始年份到目标年份的转换矩阵中，列为所述起始年份的每种土地系统类型，行为所述目标年份的每种土地系统类型；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第一值的情况下，表示存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第二值的情况下，表示不存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素。
具体地，在本发明实施例中，转换矩阵在CLUMondo中用于设置起始年份到目标年份之间，任意两种土地系统类型是否允许转换的矩阵，第一值（例如“1”或其他值，第一值可以自定义）表示允许转换，第二值（例如“0”或其他值，第二值可以自定义）表示不允许转换。
需要说明的是，转换矩阵的设置思路为：
首先，制作出目标区域范围起始年份和目标年份两期土地系统数据，像素大小相同且完全对齐。
其次，统计出起始年份所有像素位置上每种土地类型转换为目标年份相同位置上同一或另一种土地类型的个数。
最后，制作土地转换矩阵，列为起始年份每种土地类型、行为目标年份年每种土地类型，矩阵中的第i行j列的值表示起始年份类型i是否存在像素在目标年份转换为类型j。若存在，则值为1；若不存在，则值为0。
可选地，本发明实施例提供的弹性系数数值，由起始年份至目标年份土地系统变化情况计算得到。
首先，制作出研究区范围起始年份和目标年份两期土地系统数据，像素大小相同且完全对齐；
其次，统计两期土地系统数据的混淆矩阵，即每种土地系统类型转换为其他土地系统类型或未改变的比例；最后，基于如下公式（3）确定弹性系数：
（3）
其中，表示第/>类所述土地系统的所述弹性系数；/>表示起始年份到目标年份的土地系统中，土地系统类型保持不变的像素占比；/>表示起始年份中第/>类土地类型在目标年份转换为第/>类土地类型的像素占比。
本发明针对土地变化模拟研究中，土地覆盖密度数据和土地变化模型的使用，提出耦合MaxEnt模型与CLUMondo的土地变化模拟模型MaxEnt-CLUMondo。该模型使用MaxEnt模型替换Logistic回归在空间中的应用结果。
另一方面，本发明设置MaxEnt-CLUMondo所需各项目标参数。设计土地系统分类规则并制作出反映土地覆盖密度的土地系统，量化土地系统类型与多个土地系统服务之间的对应关系，设置指导模型进行土地变化模拟的各项参数，包括设置弹性系数、土地转换矩阵、土地转换顺序等，以科学预测土地覆盖密度空间分布。
另外，高、中、低密度的土地系统类型合理反映出区域不同土地覆盖类型的密度分布。每种土地系统服务主要由对应类别的土地系统提供，且供给能力从低密度到高密度逐渐增加，证明了土地系统服务的计算思路合理、土地系统的分类体系符合现实。
下面结合图2至图4，示出使用CLUMondo和MaxEnt-CLUMondo模型模拟目标年份研究区域的土地变化情况，并使用目标年份的真实空间分布，利用FoM指标对模拟结果进行验证的示意图。
其中，图2是本发明提供的对研究区域A进行土地变化模拟的验证结果示意图。图3是本发明提供的对研究区域B进行土地变化模拟的验证结果示意图。图4是本发明提供的对研究区域C进行土地变化模拟的验证结果示意图。
由上述图2至图4可知，使用MaxEnt-CLUMondo模型模拟目标年份土地变化的模拟精度，明显高于使用CLUMondo模型模拟目标年份土地变化的模拟精度。
下面对本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置进行描述，下文描述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置与上文描述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法可相互对应参照。图5是本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置的结构示意图，如图5所示，该耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置500包括：第一获取模块501、输入模块502，其中：
第一获取模块501，用于获取目标区域的土地利用现状数据；
输入模块502，用于将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；
其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：
土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；
土地系统供给能力，用于表征每种土地系统类型的量化需求；
土地适应性，用于表征每一种土地系统类型的出现概率；
土地系统需求量，用于表征每一种土地系统服务的需求量；
起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；
弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；
土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
本发明提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置，通过耦合最大熵MaxEnt模型与CLUMondo模型得到土地变化模拟模型，然后设置土地变化模拟模型所需各项目标参数，包括土地系统、土地系统供给能力、土地适应性、土地系统需求量、起始年份到目标年份的转换矩阵、弹性系数、土地转化顺序；通过在土地变化模型中设置上述各目标参数，提高了土地变化模拟模型的模拟精度、预测结果可信度，同时最大程度保留土地信息、衡量土地利用强度，为区域空间规划提供决策支持。
可选地，所述装置还包括：
第二获取模块，用于获取所述目标区域的原始土地覆盖数据、驱动因子数据及核心生态区数据，并对所述原始土地覆盖数据、所述驱动因子数据及所述核心生态区数据进行预处理。
可选地，所述土地系统，通过以下方式构建：
将所述原始土地覆盖数据从所述目标区域关联的原始像素空间扩大至至少一个目标像素空间；各所述目标像素空间的空间分辨率大于所述原始像素空间的空间分辨率；
针对每一个目标像素空间，基于所述目标像素空间中各类型的所述原始土地覆盖数据所占的比值，确定所述目标像素空间的土地系统类型，以及所述土地系统类型对应的覆盖密度等级。
可选地，所述土地系统供给能力，通过以下公式（1）确定：
（1）
其中，表示第/>类所述土地系统的所述土地系统供给能力；/>表示所述原始土地覆盖数据的空间分辨率；/>表示第/>类所述土地系统的像素总数；/>表示所述土地系统的空间分辨率；/>表示第/>类所述土地系统的第/>个单元重叠的特定土地系统服务单元总数。
可选地，所述土地适应性，通过以下方式确定：
基于目标土地系统类型所在点位及所述驱动因子数据，确定所述目标土地系统类型的所述土地适应性；所述目标土地系统类型为所述每一种土地系统类型中任一土地系统类型。
可选地，所述土地系统需求量，通过以下公式（2）确定：
（2）
其中，表示所述土地系统需求量；/>表示所述土地系统类型的总数；/>表示第/>类所述土地系统，第/>种土地系统服务的供给能力；/>表示第/>类所述土地系统的像素总数。
可选地，在所述起始年份到目标年份的转换矩阵中，列为所述起始年份的每种土地系统类型，行为所述目标年份的每种土地系统类型；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第一值的情况下，表示存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第二值的情况下，表示不存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素。
可选地，所述弹性系数，通过以下公式（3）确定：
（3）
其中，表示第/>类所述土地系统的所述弹性系数；/>表示起始年份到目标年份的土地系统中，土地系统类型保持不变的像素占比；/>表示起始年份中第/>类土地类型在目标年份转换为第/>类土地类型的像素占比。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，该方法包括：获取目标区域的土地利用现状数据；将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；土地系统供给能力，用于表征每种土地系统类型的量化需求；土地适应性，用于表征每一种土地系统类型的出现概率；土地系统需求量，用于表征每一种土地系统服务的需求量；起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
此外，上述的存储器630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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，该方法包括：获取目标区域的土地利用现状数据；将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；土地系统供给能力，用于表征每种土地系统类型的量化需求；土地适应性，用于表征每一种土地系统类型的出现概率；土地系统需求量，用于表征每一种土地系统服务的需求量；起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
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最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，该方法包括：获取目标区域的土地利用现状数据；将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；土地系统供给能力，用于表征每种土地系统类型的量化需求；土地适应性，用于表征每一种土地系统类型的出现概率；土地系统需求量，用于表征每一种土地系统服务的需求量；起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
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 (10)
1.一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，包括：
获取目标区域的土地利用现状数据；
将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；
其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：
土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；
土地系统供给能力，用于表征每种土地系统类型的量化需求；
土地适应性，用于表征每一种土地系统类型的出现概率；
土地系统需求量，用于表征每一种土地系统服务的需求量；
起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；
弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；
土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
2.根据权利要求1所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，所述方法还包括：
获取所述目标区域的原始土地覆盖数据、驱动因子数据及核心生态区数据，并对所述原始土地覆盖数据、所述驱动因子数据及所述核心生态区数据进行预处理。
3.根据权利要求2所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，所述土地系统，通过以下方式构建：
将所述原始土地覆盖数据从所述目标区域关联的原始像素空间扩大至至少一个目标像素空间；各所述目标像素空间的空间分辨率大于所述原始像素空间的空间分辨率；
针对每一个目标像素空间，基于所述目标像素空间中各类型的所述原始土地覆盖数据所占的比值，确定所述目标像素空间的土地系统类型，以及所述土地系统类型对应的覆盖密度等级。
4.根据权利要求2所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，所述土地系统供给能力，通过以下公式（1）确定：
（1）
其中，表示第/>类所述土地系统的所述土地系统供给能力；/>表示所述原始土地覆盖数据的空间分辨率；/>表示第/>类所述土地系统的像素总数；/>表示所述土地系统的空间分辨率；/>表示第/>类所述土地系统的第/>个单元重叠的特定土地系统服务单元总数。
5.根据权利要求2所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，所述土地适应性，通过以下方式确定：
基于目标土地系统类型所在点位及所述驱动因子数据，确定所述目标土地系统类型的所述土地适应性；所述目标土地系统类型为所述每一种土地系统类型中任一土地系统类型。
6.根据权利要求1至4中任一项所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，所述土地系统需求量，通过以下公式（2）确定：
（2）
其中，表示所述土地系统需求量；/>表示所述土地系统类型的总数；/>表示第/>类所述土地系统，第/>种土地系统服务的供给能力；/>表示第/>类所述土地系统的像素总数。
7.根据权利要求1至4中任一项所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，在所述起始年份到目标年份的转换矩阵中，列为所述起始年份的每种土地系统类型，行为所述目标年份的每种土地系统类型；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第一值的情况下，表示存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素；
在所述起始年份到目标年份的转换矩阵中的第行第/>列的值为第二值的情况下，表示不存在所述起始年份中第/>类土地类型在所述目标年份转换为第/>类土地类型的像素。
8.根据权利要求1至4中任一项所述的耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法，其特征在于，所述弹性系数，通过以下公式（3）确定：
（3）
其中，表示第/>类所述土地系统的所述弹性系数；/>表示起始年份到目标年份的土地系统中，土地系统类型保持不变的像素占比；/>表示起始年份中第/>类土地类型在目标年份转换为第/>类土地类型的像素占比。
9.一种耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟装置，其特征在于，包括：
第一获取模块，用于获取目标区域的土地利用现状数据；
输入模块，用于将所述土地利用现状数据输入土地变化模拟模型中，得到所述土地变化模拟模型输出的所述目标区域在未来目标时刻的土地变化模拟结果；
其中，所述土地变化模拟模型包括最大熵MaxEnt模型及CLUmondo模型；所述土地变化模拟模型中配置有目标参数，所述目标参数包括以下至少一项：
土地系统，包括所述目标区域的土地系统类型及每一种土地系统类型对应的覆盖密度等级；
土地系统供给能力，用于表征每种土地系统类型的量化需求；
土地适应性，用于表征每一种土地系统类型的出现概率；
土地系统需求量，用于表征每一种土地系统服务的需求量；
起始年份到目标年份的转换矩阵，用于判断任意两种土地系统类型是否允许转换；
弹性系数，用于表征每一种土地系统类型转换为其他土地系统类型的难易程度；
土地转化顺序，用于表征每一种土地系统类型提供特定土地系统服务供给能力的强弱程度。
10.一种电子设备，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8任一项所述耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311469451.5A CN117195602A (zh) | 2023-11-07 | 2023-11-07 | 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311469451.5A CN117195602A (zh) | 2023-11-07 | 2023-11-07 | 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117195602A true CN117195602A (zh) | 2023-12-08 |
Family
ID=89000188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311469451.5A Pending CN117195602A (zh) | 2023-11-07 | 2023-11-07 | 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195602A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116258019A (zh) * | 2023-05-06 | 2023-06-13 | 北京师范大学 | 土地利用/覆被变化的模拟方法、装置、设备及存储介质 |
| CN116384157A (zh) * | 2023-05-26 | 2023-07-04 | 北京师范大学 | 土地利用变化模拟方法 |
-
2023
- 2023-11-07 CN CN202311469451.5A patent/CN117195602A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116258019A (zh) * | 2023-05-06 | 2023-06-13 | 北京师范大学 | 土地利用/覆被变化的模拟方法、装置、设备及存储介质 |
| CN116384157A (zh) * | 2023-05-26 | 2023-07-04 | 北京师范大学 | 土地利用变化模拟方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZIYUN SUN 等: "Land System Simulation of Ruoergai Plateau by Integrating MaxEnt and Boltzmann Entropy into CLUMondo", LAND, pages 1 - 23 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6962263B2 (ja) | ３次元点群ラベル学習装置、３次元点群ラベル推定装置、３次元点群ラベル学習方法、３次元点群ラベル推定方法、及びプログラム | |
| CN112819157B (zh) | 神经网络训练的方法及装置、智能行驶控制的方法及装置 | |
| CN116384157B (zh) | 土地利用变化模拟方法 | |
| CN106228235B (zh) | 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 | |
| CN114723142A (zh) | 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法 | |
| CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
| Ruishan et al. | Land use dynamics and landscape patterns in Shanghai, Jiangsu and Zhejiang | |
| CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
| CN114490618A (zh) | 基于蚁狮算法的数据填补方法、装置、设备及存储介质 | |
| CN118095620A (zh) | 一种基于遗传算法的城市建设用地规划方法 | |
| CN116720614B (zh) | 一种土地布局优化方法 | |
| Shao et al. | An improved artificial bee colony-based approach for zoning protected ecological areas | |
| CN109190450A (zh) | 基于分布式计算平台的人工智能遥感影像数据提取方法 | |
| CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
| CN116703002A (zh) | 一种海岸带土地利用优化方法及设备 | |
| CN117195602A (zh) | 耦合最大熵MaxEnt模型与CLUMondo的土地变化模拟方法 | |
| CN116051961A (zh) | 一种目标检测模型训练方法、目标检测方法、设备及介质 | |
| CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 | |
| CN105844110B (zh) | 一种基于gpu的自适应邻域禁忌搜索求解软硬件划分方法 | |
| CN108985493A (zh) | 一种基于自适应可变滤镜的地类变化预测方法 | |
| CN105050096B (zh) | 基于雪堆博弈进化的复杂网络节点覆盖方法 | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN102306353A (zh) | 一种仿真系统可信性评估方法及系统 | |
| Liu et al. | Dilated residual network based on dual expectation maximization attention for semantic segmentation of remote sensing images | |
| CN113642773A (zh) | 城市绿地格局优化方法、装置、电子设备及存储介质 |
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 |