CN1987906B - 土地利用变化动态预测的方法 - Google Patents
土地利用变化动态预测的方法 Download PDFInfo
- Publication number
- CN1987906B CN1987906B CN200510022704XA CN200510022704A CN1987906B CN 1987906 B CN1987906 B CN 1987906B CN 200510022704X A CN200510022704X A CN 200510022704XA CN 200510022704 A CN200510022704 A CN 200510022704A CN 1987906 B CN1987906 B CN 1987906B
- Authority
- CN
- China
- Prior art keywords
- land
- model
- data
- soil
- landuse
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及土地利用变化动态预测的方法。GeoCA-Landuse模型模拟土地利用变化的基本思想是引入土地单元的生命特征,模拟土地利用类型的动态演变;从两个时相土地利用专题图的叠加分析和转移分析入手,结合土地利用变化的计量模型,分析土地利用动态变化特征,依据研究区水系和交通图分析模型控制因素,构建控制因素层,并结合社会经济数据调整模型参数,确定合理的邻居及转换规则根据历史土地利用的变化过程,集合GIS强大的空间数据处理分析功能,对土地利用变化趋势进行模拟和预测。本发明实现了对土地利用变化的动态趋势与演化规律的模拟,为科学决策提供科学依据。
Description
技术领域
本发明涉及地理建模的技术领域,具体说是土地利用变化动态预测的方法。
背景技术
土地利用变化模型是在对土地利用变化状况分析的基础上揭示土地利用变化的幅度和速度以及空间分布等特征,是对土地利用驱动因素及其相互关系进行分析,探求土地利用变化的机制,预测未来土地利用变化的趋势及其对生态环境和社会经济发展的影响。可以将目前土地利用趋势预测的背景技术归纳为以下几种,其都具有各自的优缺点:
1)回归预测法,是利用表明变量之间相互关系的数学方程式,由其它变量中的已知值推断预测变量的数值进行预测的一种方法。该方法适用于各个变量之间具有较强相关性的标准变量组。由于不同土地利用类型之间相互影响,相互制约,所以该方法常被用来研究土地利用变化与人文因素之间的关系。该模型的不足之处在于不适合大范围的预测以及因经济因子难以定量化造成的预测值的误差。
2)马尔可夫过程,运用马尔柯夫过程模拟土地利用动态变化首先要确定土地利用类型的初始状态矩阵和转移概率矩阵。该预测模型优点在于计算和实现比较简单,可以揭示不同土地利用类型之间的数量转化规律和总体变化趋势。模型运算只需要考虑土地利用的现状信息,而无需考虑土地利用变化的内在机制,不足之处在于模型缺乏揭示土地动态变化驱动机制的能力及缺乏空间表达能力,该模型适用于土地利用变化驱动力变化机制不清及预测短期土地利用变化的状况。
3)人工神经网络,能模拟人的部分形象思维能力,预测的过程就是利用不同时期获取的信息源,在对它们进行综合分析和对比的基础上,发现土地变化的区域和变化类型。该模型的优点在于能够对动态数据进行分析,并根据历史资料归纳规律,不足之处是受预测区域范围大小和时间长短的限制,一些主要因素特征难以确定,预测结果并不十分精确。
4)灰色系统动态模型,GM(n,h)是依据灰色系统理论原理,利用系统的离散采集数据建立其动态微分方程,以灰色模块为基础,微观拟合分析为核心的建模方法。土地利用系统本质上是一个灰色系统,运用灰色模型可在土地资料不完整的情况下对中长期的土地利用结构进行过程分析。
发明内容
本发明的目的是提供一种基于地理元胞自动机和GIS的土地利用变化动态预测的方法,为土地利用可持续发展提供决策依据。
本发明的基本内容是针对土地利用变化预测的要求构造一种随机型元胞自动机模型,即一种转换规则受概率函数控制的特殊的CA模型。模型中,由于许多规则都是基于概率的随机过程,所以本发明广泛应用了蒙特卡罗方法,通过有关的随机变量或随机过程的随机抽样,来求解复杂随机现象,以模拟这样的随机过程。同时由于土地利用很强的区域性,本发明在模型中引入了控制因素层作为元胞变化的外部环境,这样土地利用的CA规则随空间、时间的变化对于模拟真实的土地利用变化具有重要意义。
本发明的技术特征是:引入土地单元的生命特征,每一种土地单元都有青年、中年、老年和衰亡这样的生命周期,根据每种土地类型自身的年龄及生存的环境来决定其繁殖、成熟、死亡等行为,模拟土地利用类型的动态演变。
本发明所采用的技术方案具体如下:
1、收集研究区各种社会统计数据、土地利用变化的历史系列数据、地形、河流、交通等控制要素数据,其主要作用是用以分析确定模型运行的初始状态,模型参数以及控制因素层。本发明中主要用到的数据包括:阿克苏河流域1:100000的土地利用专题图;阿克苏河流域1:500000的DLG图5幅,DLG图包括的图层有行政边界、居民地、等高线、交通、河流等。
2、由于图件格式是ARC/INFO COVERRAGE & ARC/INFO E00,矢量文件投影方式又不同,不能满足GeoCA-Landuse模型对数据的要求,因此本发明借助于GIS软件对数据进行预处理,包括空间范围统一、矢量数据转为栅格数据、数据指标归并等,具体步骤如下:
1)空间范围统一
由于以上所有数据在空间范围上大多是以行政区划为边界,与研究区范围存在一定的差距,因此需要对这些数据进行必要的处理,统一到与研究区一致的范围内。
第一步,地图拼接。由于1:500000的DLG是分层存放专题要素的,交通、水系、行政边界处在不同的图层,将以上地理要素分层提取并且拼接在一起,采用arctools的append命令,最终形成交通、水系、行政边界等的专题图层。
第二步,投影转换。在数据处理的时候采用的投影类型为高斯克吕格投影,而DLG图采用的是geographic投影,所以首先需要进行投影转换,参数选择与土地利用专题图的参数保持一致,运用Arcinfo软件,在arctools的command tools命令下选择edit-coordinates-project coverage,输入投影参数。
第三步,地图裁减。在土地利用图及DLG图为相同投影的前提下,再采用arcinfo软件的clip命令,依据研究区范围将它们裁减为范围一致的图。
2)矢量数据转栅格数据
由于GeoCA—Landuse模型处理的空间数据是栅格型数据格式,因而需要将土地利用图、交通图、水系图进行从矢量到栅格的数据转换。对于土地利用图可以将土地利用类型值代码为Value item值,从而实现从矢量数据向栅格数据的转化。空间分辨率(即栅格单元大小)可根据研究区的实际情况以及模型运算效率考虑,本发明划分为200×200m。运用ArcInfo软件的command tools-conversion-togrid-Poly to grid命令,cell Size选择200。从而将阿克苏河流域土地利用图及各个专题图层划分为1023×2127个栅格单元。
模型运行的前提条件是要确保同一地区的数据,在空间范围和栅格数目上完全一致,只有这样才能保证每个土地利用单元和控制因素层栅格单元一一对应。
3)数据指标归并
本发明涉及的土地利用类型主要包含农用地(耕地、林地、牧草地)、建设用地(居民点及独立工矿用地、水利设施用地)、未利用地(未利用土地、其它土地)三大类共7个二级土地类型,而现有土地利用数据是按照国家土地利用分类标准的三级分类进行的,因此,需要对土地利用的空间数据以及相关的统计数据分类指标进行适当的归并处理。
3、在对空间数据进行叠加分析和转移分析的基础上,分析土地利用变化的规律,建立土地利用变化的GeoCA-Landuse模型及软件系统;
1)构造土地利用转移矩阵
将不同时期的土地利用图叠合相减,就可以求得该时期内土地类型转化的数据,构造出土地利用转移矩阵。从而针对某一种土地利用类型,通过矩阵表计算出其流向百分比,便于分出促使该类型土地变化的主导类型和次要类型,进而以此为突破口,分析解释类型变化的原因,为建立元胞自动机模型模拟和预测土地利用类型变化的趋势做准备。
2)构模方法
GeoCA-Landuse模型模拟土地利用变化的基本思想是引入土地单元的生命特征,每一种土地单元都有青年、中年、老年和衰亡这样的生命周期,根据每种土地类型自身的年龄及生存的环境来决定其繁殖、成熟、死亡等行为,反映了土地利用动态演变的过程。
GeoCA-Landuse模型由两部分组成,第一部分是土地利用层面;第二部分是控制因素层面。它们通过统一空间分辨率的栅格结构相互联系在一起,与GIS中的栅格数据层相类似。
第一部分土地利用层是模型的核心部分,它是一个基于多种土地利用类型的Geo-CA模型。
第二部分是控制因素层,它对模型当中各个土地单元的变化起着重要的抑制或促进作用,出于对模型性能及数据掌握情况等方面的考虑,目前模型中主要由交通和水系两个控制因素层组成,分别影响和控制土地利用单元的行为。
3)GIS与GeoCA-Landuse模型集成
采取GIS与GeoCA-Landuse模型松散耦合的方式,模型与GIS之间相互并行、独立,各自拥有独立的数据结构和用户界面。它们之间通过文本文件等中间文件或相互提供读写标准实现相互数据通信。二者可以拥有各自的数据结构、分析过程和用户界面。
本发明针对土地利用变化的复杂性,结合土地利用变化的规律,采用“自下而上”的研究思路,建立GeoCA-Landuse模型,将土地利用类型对应为元胞的状态,定义不同的生命周期,根据一定的演化规则模拟土地利用演化规律。
附图说明
图1为基于GIS和地理元胞自动机的土地利用模型分析方法框图;
图2为地理元胞自动机模型。
具体实施方式
按照图1和图2给出的地理元胞自动机模型结构以及与GIS的集合方法,下面对本发明的技术方案做进一步的说明。
一、GeoCA-Landuse模型构建步骤
1、设定模型空间大小
设定模型空间大小就是创建元胞生长的空间,这是模型运行的首要条件。受到内存及CPU速度的限制,模型支持5000×5000以下的计算。本发明中模型选择的元胞大小为200×200m,模型空间为1023×2127。
2、模型种子点的引入
在该模型中,种子点是研究区土地利用发展的初始状态,土地利用变化是基于种子点的,种子点就是土地利用变化的增长点。因此,种子点的分布应当真实的反映研究区土地变化的格局。
3、控制因素层的产生
控制因素层一般由地形图、土地利用图、交通图、水系图等各种数据分析得出。通过对土地利用变化的分析,认为控制层的控制对模型中元胞的成活概率起到至关重要的作用。也就是说离控制层距离越近则新生单元成活的概率越大,而超过某一距离新生单元成活的概率就越小。对于新生土地单元的成活概率,遵循以下公式:
K是这个新生单元的土地利用类型,属于耕地、林地等7种类型中的一种;ak,bk是系数;lij表示这个单元距离最近河流(或交通线)的平均距离;Pij表示在这个位置上的该土地单元在这种控制条件下的成活率。ak,bk可以通过研究土地利用类型与控制层的关系得到。
4、模型参数的确定和调整
GeoCA-Landuse模型中存在大量的参数,每个参数都与模型的运行有着直接的关系,因而参数的设置和调整是系统的核心功能,系统采用交互式界面,使用户可以灵活调整各种土地单元的发展变化参数。本发明确定模型参数的方法是通过已知两年的数据来优选模型参数。具体过程是:已知1990年和2000年的土地利用数据,在一定的参数条件下让模型运行,当土地单元的总数与检验数据中土地单元的总数约相等时,停止模型运行,对模型运行的结果与检验数据进行比较,对耕地、林地、居民点及独立工矿用地、水利设施用地的空间分布进行比较,同时观察各自的发展速度,根据模拟数据与经验数据的比较结果来调整模型参数,用调整后的参数再次进行运算,对模拟的结果再进行分析,通过不断的比较、分析、调整参数,最后确定一套较为合适的模型运算参数。
二、GeoCA-Landuse模型构建方法
1、元胞状态
按照土地利用类型划分标准,对元胞状态进行扩展,对于每一类土地利用类型,定义不同的生命周期,在模型初始化时随机给出各个单元的年龄值,根据各单元的年龄情况,按照制定好的土地年龄划分标准将各个土地单元划归为青年、中年、老年三种状态中的一种,也就是说在土地利用的元胞自动机模型中,元胞状态是一个多元变量。
2、元胞空间
模型中元胞空间的概念可以理解为迪卡尔坐标体系下的地理空间,同时包含有空间尺度的概念,一个元胞的大小对应于空间分辨率。对元胞空间的划分采用四方网格,四方网格的优点是直观而简单,而且特别适合在现有计算机环境下进行显示。
3、邻居定义
在标准的CA模型中,邻居定义具有齐性,所有的元胞邻居范围定义一致。然而,在GeoCA-Landuse模型中,基于对元胞对象的扩展,有可能根据不同的地理实体类型而定义不同的邻居构型,邻居形式或者邻居半径各不相同,这常常是在模拟地理复杂现象时所需要的。例如对于耕地、居民点及独立工矿用地、牧草地等不同土地类型的元胞,其邻居半径就可能有所不同。对于邻居的类型,模型中采用了摩尔型邻居,采用这种邻居的优点在于可以使不同类型的土地单元、不同的控制因素采用不同的邻居半径,同时也易于计算机实现。
4、演化规则
土地利用元胞自动机模型的演化规则可以简化成以下形式:
if condition then act
condition是指单元发生改变的条件,可以是土地单元的邻居条件、可以是土地单元的控制层条件,也可以是两者共同作用的结果。act是在满足(或未满足)发生改变的条件时土地单元的行为,表现为某种类型土地单元消亡的概率或者是某种类型土地单元生存的概率。
5、时间
同标准CA模型一样,GeoCA—Landuse模型中时间概念同样是一个离散尺度。在模型中确定其对应关系的方法为根据已有的历史数据系列来训练构建好的土地利用模型,由模型模拟结果与历史数据的对应关系来推理模型中一个循环所对应的实际时间,从而确定模型的运行时间。
三、GeoCA—Landuse模型的演化规则的建立
1、确定土地单元活力值
土地的活力值不是一个静态的概念,它随着土地单元“年龄”的增长而变化,对于一个土地利用类型到底处于哪个阶段,在本模型中采取确定性方式,即定义明确的青年土地单元、中年土地单元的年龄上限,根据土地单元活力值所在的年龄区间确定其到底属于哪一个阶段。
代表t时刻,j土地单元的年龄;
τj代表j土地单元产生的时刻;
Ti定义为青年土地单元的年龄上限;
Tm定义为中年土地单元的年龄上限;
2、检查邻居定义及邻居条件
邻居是元胞自动机最重要的核心概念之一,在土地利用元胞自动机模型中采用了摩尔型邻居类型,邻居的半径不固定,其数学定义为:
NMoore′={vi=(vix,viy)‖vix-vox|+|viy-voy|≤r,(vix,viy)∈Z2}
vix,viy表示邻居元胞的行列坐标值,vox表示中心元胞的行列坐标值。此时,对于四方网格,在维数为2时,一个元胞的邻居个数为(32-1)=8。
在模型中,任何元胞的行为都受到周围邻居状态的影响。对于不同的限制因素,需要采用不同的邻居半径,制定不同的规则。邻居半径的确定要根据控制因素作用的特征,通过参数调整等方法进行确定。
3、产生新生土地单元
新生单元产生的过程包含两个部分:一是新生单元类型的确定;二是新生单元位置的确定。
在本发明中,对于土地利用的变化简化为“衰变”和“扩张”两种形式。“衰变”是指一种土地利用方式由于其赖以生存的条件不能满足,而由一种利用方式向另一种利用方式发生改变;“扩张”是指在一定条件下,某种土地利用方式对周围的土地单元产生吸引,使原有的土地利用方式发生改变。这两种方式没有绝对的界限,往往一个区域某种土地利用方式的改变是由这两种方式共同作用的结果。
(1)新生单元类型的确定
在GeoCA-Landuse模型中对土地利用变化的模拟是通过土地单元状态的改变来实现的,根据对土地利用变化方式的简化,模型中新单元的产生有两种情况:
①在消亡的土地单元位置上产生新的单元
这种情况对应于土地利用变化方式中的第一种方式——衰变,在消亡的土地单元上产生新生土地单元的类型可以由该土地单元的邻居及控制因素层共同决定。根据对区域土地利用变化特征的分析,得到区域土地利用变化的规律,根据这些规律制定规则。
②当土地单元活力值为青年,并且满足了一定的条件,它作为一个“母体”,就可以在附近产生一个新生的土地单元,这个新生单元就是它的“子单元”。
在这种情况下,本发明认为新产生的土地利用单元和原单元类型一致,不存在变异。虽然一个新生土地单元产生时也有可能产生和原单元不同利用类型的单元,但一方面这种可能性比较小,为了减小模型的复杂程度,可以不考虑产生不同类型的单元;另一方面该单元在一段时间后有可能发生衰变,转变为其他土地类型,同样实现了土地类型的转变。这时新生土地单元类型的确定遵循相同的规则。
(2)新生土地单元位置的确定
在模型中,新生土地单元的位置主要依据以下原则:
①在不考虑控制因素的条件下,新生土地单元的绝对位置由该土地单元相对于母体单元的位置来确定。
②如果产生新生土地单元,则新生土地单元必定产生在以母体单元为中心的摩尔邻居中。
③新生单元在某个单元位置产生的概率仅与其和母体单元的距离有关,随着距离的增大而产生的概率逐渐减小,减小的趋势符合随距离增大产生新生单元的概率呈线性衰减的规律。
假定产生新生土地单元的概率随距离衰减的速率为K,邻居半径内任意一个单元可以表示为C(i,j),i,j不能同时为0,则邻居内任意一个单元产生新单元的概率为p(i,j),p(i,j)=-k·d(i,j)+b,其中,b是常数,
则p(i,j)=-k·(i2+j2)1/2+b
当i=j=r+1时,p(i,j)=0
b=1.414k·(r+1)
当i<>0andj<>0时,∑p'(i,j)=1
邻居内任意一个单元产生新单元的概率为:p'(i,j)=p(i,j)/∑p(i,j)
至此可以采用蒙特卡罗方法来确定土地单元产生的位置。这种方式的前提是假设各个土地单元的增长在不同方向上的概率是一致的,也就是没有考虑增长的方向问题。现实土地利用的变化,在方向上是有差别的,为了处理这类问题,模型中通过引入控制因素层,使单元的增长表现出一定的方向性。
4、新生土地单元生存条件的检查与控制
在新生土地单元的位置和类型都确定了之后,还必须经过生存条件的检查,最终判定一个新生单元是否可以“成活”。任何一个条件不满足,整个过程就会结束,新生单元也不会生存。
①检查新生土地单元的邻居状况
首先要考虑该土地单元在土地利用层的邻居状况,对于新生的居民地单元,当其周围邻居范围内的未利用土地单元的密度大于一定阀值,则认为这个新生土地单元的产生是不合理的,从而宣告这次新生土地单元的行为结束。
②检查控制层的控制条件
对于新生土地单元的控制层检验条件的选择,要通过分析土地利用与各控制因素之间的关系,从中总结规律尽可能的定量化土地利用与各控制因素之间的关系。需要特别说明的是控制层的控制作用体现在生存概率的大小,不是当达不到控制层要求时所有的新生单元都不能成活,达到控制层要求时所有的新生单元都能成活,当条件限制较大时,新单元成活的概率就小,当条件适宜时,新单元成活的概率就大。若概率值为1.0,则表示该位置对这种土地类型单元生存没有限制,当概率介于0.0-1.0之间时,概率值越接近于1,说明该位置越适宜于发展这种土地利用类型。
在新生土地单元经过了以上2项检验以后,才能宣告新生单元出生,土地单元的年龄为1,并且参与下一轮的土地演化。
Claims (2)
1.基于地理元胞自动机和GIS的土地利用变化动态预测的方法,其特征在于:所述的方法包括以下步骤:
(1)、收集研究区各种社会统计数据、土地利用变化的历史系列数据、地形、河流、交通控制要素数据,其主要作用是用以分析确定模型运行的初始状态,模型参数以及控制因素层;
(2)、由于图件格式是ARC/INFO COVERAGE & ARC/INFO E00,矢量文件投影方式又不同,不能满足GeoCA-Landuse模型对数据的要求,因此借助于GIS软件对数据进行预处理,包括空间范围统一、矢量数据转为栅格数据、数据指标归并,具体步骤如下:
1)空间范围统一
由于以上所有数据在空间范围上大多是以行政区划为边界,与研究区范围存在一定的差距,因此需要对这些数据进行必要的处理,统一到与研究区一致的范围内;
第一步,地图拼接;由于1∶500000的DLG是分层存放专题要素的,交通、水系、行政边界处在不同的图层,将以上地理要素分层提取并且拼接在一起,采用arctools的append命令,最终形成交通、水系、行政边界的专题图层;
第二步,投影转换;在数据处理的时候采用的投影类型为高斯克吕格投影,而DLG图采用的是geographic投影,所以首先需要进行投影转换,参数选择与土地利用专题图的参数保持一致,运用Arcinfo软件,在arctools的command tools命令下选择edit-coordinates-project coverage,输入投影参数;
第三步,地图裁减;在土地利用图及DLG图为相同投影的前提下,再采用arcinfo软件的clip命令,依据研究区范围将它们裁减为范围一致的图;
2)矢量数据转栅格数据
由于GeoCA-Landuse模型处理的空间数据是栅格型数据格式,因而需要将土地利用图、交通图、水系图进行从矢量到栅格的数据转换;对于土地利用图将土地利用类型值代码为Value item值,从而实现从矢量数据向栅格数据的转化;空间分辨率,即栅格单元大小,根据研究区的实际情况以及模型运算效率考虑,划分为200×200m;运用ArcInfo软件的command tools-conversion-to grid-Poly togrid命令,cell Size选择200;从而将阿克苏河流域土地利用图及各个专题图层划分为1023×2127个栅格单元;
模型运行的前提条件是要确保同一地区的数据,在空间范围和栅格数目上完全一致,只有这样才能保证每个土地利用单元和控制因素层栅格单元一一对应;
3)数据指标归并
涉及的土地利用类型主要包含耕地、林地、牧草地、居民点及独立工矿用地、水利设施用地、未利用土地,而现有土地利用数据是按照国家土地利用分类标准的三级分类进行的,因此,需要对土地利用的空间数据以及相关的统计数据分类指标进行适当的归并处理;
(3)、在对空间数据进行叠加分析和转移分析的基础上,分析土地利用变化的规律,建立土地利用变化的GeoCA-Landuse模型及软件系统;
1)构造土地利用转移矩阵
将不同时期的土地利用图叠合相减,就求得该时期内土地类型转化的数据,构造出土地利用转移矩阵,从而针对某一种土地利用类型,通过矩阵表计算出其流向百分比,便于分出促使该类型土地变化的主导类型和次要类型,进而以此为突破口,分析解释类型变化的原因,为建立元胞自动机模型模拟和预测土地利用类型变化的趋势做准备;
2)构模方法
GeoCA-Landuse模型模拟土地利用变化的基本思想是引入土地单元的生命特征,每一种土地单元都有青年、中年、老年和衰亡这样的生命周期,根据每种土地类型自身的年龄及生存的环境来决定其繁殖、成熟、死亡的行为,反映了土地利用动态演变的过程;
GeoCA-Landuse模型由两部分组成,第一部分是土地利用层面;第二部分是控制因素层面;它们通过统一空间分辨率的栅格结构相互联系在一起,与GIS中的栅格数据层相类似;
第一部分土地利用层是模型的核心部分,它是一个基于多种土地利用类型的Geo-CA模型;
第二部分是控制因素层,它对模型当中各个土地单元的变化起着重要的抑制或促进作用,出于对模型性能及数据掌握情况方面的考虑,目前模型中主要由交通和水系两个控制因素层组成,分别影响和控制土地利用单元的行为;
3)GIS与GeoCA-Landuse模型集成
采取GIS与GeoCA-Landuse模型松散耦合的方式,模型与GIS之间相互并行、独立,各自拥有独立的数据结构和用户界面;它们之间通过文本文件中间文件或相互提供读写标准实现相互数据通信,二者拥有各自的数据结构、分析过程和用户界面。
2.根据权利要求1所述的基于地理元胞自动机和GIS的土地利用变化动态预测的方法中,
GeoCA-Landuse模型构建步骤如下:
1、设定模型空间大小
设定模型空间大小就是创建元胞生长的空间,这是模型运行的首要条件;受到内存及CPU速度的限制,模型支持5000×5000以下的计算,模型选择的元胞大小为200×200m,模型空间为1023×2127;
2、模型种子点的引入
在该模型中,种子点是研究区土地利用发展的初始状态,土地利用变化是基于种子点的,种子点就是土地利用变化的增长点;因此,种子点的分布应当真实的反映研究区土地变化的格局;
3、控制因素层的产生
控制因素层一般由地形图、土地利用图、交通图、水系图各种数据分析得出;通过对土地利用变化的分析,认为控制层的控制对模型中元胞的成活概率起到至关重要的作用;也就是说离控制层距离越近则新生单元成活的概率越大,而超过某一距离新生单元成活的概率就越小,对于新生土地单元的成活概率,遵循以下公式:
K是这个新生单元的土地利用类型,属于耕地、林地7种类型中的一种;ak,bk是系数;lij表示这个单元距离最近河流或交通线的平均距离;Pij表示在这个位置上的该土地单元在这种控制条件下的成活率,ak,bk通过研究土地利用类型与控制层的关系得到;
4、模型参数的确定和调整
GeoCA-Landuse模型中存在大量的参数,每个参数都与模型的运行有着直接的关系,因而参数的设置和调整是系统的核心功能,系统采用交互式界面,使用户灵活调整各种土地单元的发展变化参数;确定模型参数的方法是通过已知两年的数据来优选模型参数,具体过程是:已知1990年和2000年的土地利用数据,在一定的参数条件下让模型运行,当土地单元的总数与检验数据中土地单元的总数约相等时,停止模型运行,对模型运行的结果与检验数据进行比较,对耕地、林地、居民点及独立工矿用地、水利设施用地的空间分布进行比较,同时观察各自的发展速度,根据模拟数据与经验数据的比较结果来调整模型参数,用调整后的参数再次进行运算,对模拟的结果再进行分析,通过不断的比较、分析、调整参数,最后确定一套较为合适的模型运算参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200510022704XA CN1987906B (zh) | 2005-12-22 | 2005-12-22 | 土地利用变化动态预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200510022704XA CN1987906B (zh) | 2005-12-22 | 2005-12-22 | 土地利用变化动态预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1987906A CN1987906A (zh) | 2007-06-27 |
CN1987906B true CN1987906B (zh) | 2010-10-13 |
Family
ID=38184694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200510022704XA Expired - Fee Related CN1987906B (zh) | 2005-12-22 | 2005-12-22 | 土地利用变化动态预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1987906B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045884A (zh) * | 2015-07-23 | 2015-11-11 | 河南大学 | 一种制备逐年土地利用数据的方法 |
CN105184215A (zh) * | 2015-07-23 | 2015-12-23 | 河南大学 | 一种融合大尺度蒸散和植被指数的蒸散降尺度方法 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100982237B1 (ko) * | 2008-06-24 | 2010-09-14 | 인하대학교 산학협력단 | 공간영상정보와 지아이에스 기반의 하천 시계열 분석시스템 및 그 방법 |
CN101807218B (zh) * | 2009-09-18 | 2013-04-03 | 中国科学院地理科学与资源研究所 | 基于异构网络的土地格局演替仿真系统 |
CN101877034B (zh) * | 2009-11-19 | 2012-02-29 | 武汉大学 | 一种土地利用自动分区方法 |
CN102184328A (zh) * | 2011-05-10 | 2011-09-14 | 南京大学 | 一种土地利用演化ca模型转换规则优化方法 |
CN102208027B (zh) * | 2011-05-31 | 2012-11-07 | 武汉理工大学 | 基于间隙度维数的土地利用空间格局评价方法 |
CN102254106A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于元胞自动机的城市扩展模拟方法 |
CN102254105B (zh) * | 2011-08-10 | 2013-06-05 | 武汉大学 | 一种基于云模型元胞自动机的城市扩展预测方法 |
CN102509172B (zh) * | 2011-10-25 | 2015-07-08 | 南京大学 | 一种基于gis技术的土地利用碳排放减量化控制优化方法 |
CN102622503B (zh) * | 2011-12-31 | 2016-03-09 | 武汉理工大学 | 城市土地利用变化模拟方法 |
CN102646164B (zh) * | 2012-02-28 | 2015-08-19 | 黄波 | 一种结合空间滤波的土地利用变化建模方法及其系统 |
JP6117513B2 (ja) * | 2012-10-30 | 2017-04-19 | 株式会社日立ソリューションズ | 流動農地シミュレーション装置 |
CN103218496A (zh) * | 2013-04-24 | 2013-07-24 | 中国科学院东北地理与农业生态研究所 | 一种利用ARCGIS Desktop软件解译土地利用动态的方法 |
CN103544390B (zh) * | 2013-10-18 | 2017-01-04 | 西南交通大学 | 基于元胞自动机的溃决洪水快速演进模拟分析方法 |
CN103984839B (zh) * | 2014-05-29 | 2017-02-15 | 河南理工大学 | 一种基于元胞自动机的地表下沉仿真方法及系统 |
CN105184048B (zh) * | 2015-07-23 | 2018-04-13 | 河南大学 | 一种基于多源数据的逐年土地利用空间数据的制备方法 |
CN105046456B (zh) * | 2015-09-18 | 2017-05-10 | 武汉市土地利用和城市空间规划研究中心 | 一种基于gis的土地全生命周期智慧监管方法 |
CN105976113A (zh) * | 2016-05-09 | 2016-09-28 | 江苏省城市规划设计研究院 | 一种建设用地集约利用的预警控制方法及系统 |
CN106548017B (zh) * | 2016-10-25 | 2019-01-22 | 中国科学院地理科学与资源研究所 | 一种基于lu数据和ndvi数据的生态建设数据处理方法 |
CN108287974A (zh) * | 2018-02-02 | 2018-07-17 | 华中师范大学 | 面向土地利用变化元胞自动机模拟精度的耦合评价方法 |
CN108428007A (zh) * | 2018-02-07 | 2018-08-21 | 广东省生态环境技术研究所 | 一种土地利用变化驱动力的识别方法、系统和装置 |
CN110580539B (zh) * | 2018-06-11 | 2021-07-30 | 深圳市数字城市工程研究中心 | 基于土地时空模型反馈土地利用变化的方法及系统 |
CN108876210A (zh) * | 2018-08-08 | 2018-11-23 | 广东省生态环境技术研究所 | 一种土地系统变化因果结构的识别方法、系统和装置 |
CN109544423A (zh) * | 2018-10-16 | 2019-03-29 | 重庆金融资产交易所有限责任公司 | 资产管理方法、装置及计算机可读存储介质 |
CN110737745B (zh) * | 2019-10-15 | 2022-03-01 | 中国地质大学(北京) | 一种土地利用动态变化地图的构建方法 |
CN112287059B (zh) * | 2020-11-05 | 2021-06-15 | 重庆市规划和自然资源信息中心 | 根据空间大数据获取土地利用变化的空间预测分析方法 |
CN112651661B (zh) * | 2021-01-11 | 2024-06-18 | 中国科学院空天信息创新研究院 | 一种基于道路与土地互动的村镇聚落数字模拟方法及系统 |
CN114676568B (zh) * | 2022-01-17 | 2022-09-23 | 中国地质大学(北京) | 一种基于元胞自动机的区域地质构造演化方法及装置 |
CN114414744A (zh) * | 2022-01-26 | 2022-04-29 | 北京航天泰坦科技股份有限公司 | 生态环境遥感监测指标的时空动态分析方法、装置和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584932A (zh) * | 2004-06-10 | 2005-02-23 | 西安煤航遥感信息有限责任公司 | 用于图像转图形中边界线追踪的优化方法 |
-
2005
- 2005-12-22 CN CN200510022704XA patent/CN1987906B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584932A (zh) * | 2004-06-10 | 2005-02-23 | 西安煤航遥感信息有限责任公司 | 用于图像转图形中边界线追踪的优化方法 |
Non-Patent Citations (4)
Title |
---|
卢中正、谭克龙、雷建年、高会军.遥感技术和地理信息系统在神府-东胜地区环境综合评价中的应用.国土资源遥感 44.2000,17(44),全文. |
卢中正、谭克龙、雷建年、高会军.遥感技术和地理信息系统在神府-东胜地区环境综合评价中的应用.国土资源遥感 44.2000,17(44),全文. * |
薛小杰,谭克龙.元胞自动机模型在地学中的研究进展.中国煤田地质17 3.2005,17(44),全文. |
薛小杰,谭克龙.元胞自动机模型在地学中的研究进展.中国煤田地质17 3.2005,17(44),全文. * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045884A (zh) * | 2015-07-23 | 2015-11-11 | 河南大学 | 一种制备逐年土地利用数据的方法 |
CN105184215A (zh) * | 2015-07-23 | 2015-12-23 | 河南大学 | 一种融合大尺度蒸散和植被指数的蒸散降尺度方法 |
CN105184215B (zh) * | 2015-07-23 | 2019-01-08 | 河南大学 | 一种融合大尺度蒸散和植被指数的蒸散降尺度方法 |
CN105045884B (zh) * | 2015-07-23 | 2019-02-01 | 河南大学 | 一种制备逐年土地利用数据的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN1987906A (zh) | 2007-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1987906B (zh) | 土地利用变化动态预测的方法 | |
Liu et al. | A multi-type ant colony optimization (MACO) method for optimal land use allocation in large areas | |
Shafizadeh-Moghadam et al. | Sensitivity analysis and accuracy assessment of the land transformation model using cellular automata | |
Haque et al. | Optimizing urban land use allocation for planners and real estate developers | |
Johnson et al. | Optimization by simulated annealing: An experimental evaluation; part I, graph partitioning | |
Lin et al. | Modeling urban vertical growth using cellular automata—Guangzhou as a case study | |
Torrens et al. | Geographic automata systems | |
Johnson et al. | Optimization by simulated annealing: an experimental evaluation; part II, graph coloring and number partitioning | |
CN102750732A (zh) | 基于gis系统的土地资源利用变化动态预测模型及其使用方法 | |
CN102750411B (zh) | 基于多智能体离散选择模型城市动态微观仿真方法 | |
Dahal et al. | An agent-integrated irregular automata model of urban land-use dynamics | |
Kala | Rapidly exploring random graphs: motion planning of multiple mobile robots | |
Xu et al. | Urban expansion in Auckland, New Zealand: a GIS simulation via an intelligent self-adapting multiscale agent-based model | |
He et al. | Simultaneously simulate vertical and horizontal expansions of a future urban landscape: A case study in Wuhan, Central China | |
CN101419623B (zh) | 地理模拟优化系统 | |
Wang et al. | Simulating urban dynamics by coupling top-down and bottom-up strategies | |
Osman et al. | An integrated land use change model to simulate and predict the future of greater Cairo metropolitan region | |
Singh | Modelling land use land cover changes using cellular automata in a geo-spatial environment | |
White et al. | Planning scenario visualization and assessment: a cellular automata based integrated spatial decision support system | |
Xia et al. | Exploring the effects of partitioned transition rules upon urban growth simulation in a megacity region: A comparative study of cellular automata-based models in the Greater Wuhan Area | |
CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
Cao | 1.17 Spatial optimization for sustainable land use planning | |
Dey et al. | Modeling long-term groundwater levels by exploring deep bidirectional long short-term memory using hydro-climatic data | |
Liang et al. | Modeling urban growth in the middle basin of the Heihe River, northwest China | |
Setturu et al. | Modeling landscape dynamics of policy interventions in Karnataka State, India |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101013 Termination date: 20131222 |