本發(fā)明屬于地理信息科學技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡元胞自動機模型的永久性基本農(nóng)田劃定方法，該方法利用元胞自動機模型模擬城市擴張情況，通過遙感技術(shù)方法，考慮多因素影響因子并結(jié)合改進的模糊指數(shù)識別優(yōu)質(zhì)連片農(nóng)田，與城市擴張數(shù)據(jù)進行空間疊加，以獲取城市周邊易被侵占的優(yōu)質(zhì)農(nóng)田，來解決永久性農(nóng)田的劃定問題。

背景技術(shù)：

基本農(nóng)田是以一定時期人口和社會經(jīng)濟發(fā)展對農(nóng)產(chǎn)品的需求以及對建設(shè)用地的預測為基礎(chǔ)進行劃定的耕地，主要用于保障一定時期內(nèi)商品糧的供應和轄區(qū)內(nèi)人口對糧食的需求。永久性基本農(nóng)田相比于基本農(nóng)田更突出了權(quán)威性和約束性，經(jīng)過劃定后長期不變，實行農(nóng)田用途管制。但對于目前基本農(nóng)田的劃定，存在多種問題，不僅沒有考慮城市發(fā)展與永久農(nóng)田保護的沖突和重疊，更偏重建設(shè)發(fā)展進行規(guī)劃，導致規(guī)劃不夠合理，而且傳統(tǒng)方法一般只考慮了耕地的質(zhì)量，忽略了農(nóng)田的生態(tài)功能、景觀功能和阻隔功能等。尤其在大城市郊區(qū)，因為其獨特的區(qū)位條件，基本農(nóng)田的保護遇到一些突出的問題，如建設(shè)用地擴張的需求更強烈，工業(yè)污染和水土流失等問題較為嚴重，承接了過多的農(nóng)田保護任務等，其永久基本農(nóng)田的保護和劃定需求更為迫切。導致這些不正當?shù)幕巨r(nóng)田保護的原因，除了一些地區(qū)不正確的土地規(guī)劃觀念外，更直接的是基本農(nóng)田的保護缺乏科學的硬性依據(jù)，缺少一種完善的農(nóng)田分級制度?，F(xiàn)在迫切需要一種新的永久農(nóng)田劃定方法，以保護城市郊區(qū)的優(yōu)質(zhì)農(nóng)田并根據(jù)城市區(qū)域的特點，綜合考慮社會經(jīng)濟和政治等多種因子，更綜合地實現(xiàn)永久基本農(nóng)田的劃定。

經(jīng)過十多年的發(fā)展，永久基本農(nóng)田的劃定仍存在一定的問題，但GIS的空間分析技術(shù)為其提供了一個新的思路方法。為解決城市發(fā)展與永久農(nóng)田的重疊沖突問題，需要模擬城市的發(fā)展情況以及時調(diào)整土地總體規(guī)劃。元胞自動機模型是土地利用變化模擬研究中的主流模型，除了具有強大的空間運算能力，還有強大的建模能力，能夠克服傳統(tǒng)城市模型的局限，從局部規(guī)則模擬出全局的復雜發(fā)展情況，得到與實際更為接近的結(jié)果。而采用神經(jīng)網(wǎng)絡的元胞自動機模型在土地利用模擬中具有重要的地位。神經(jīng)網(wǎng)絡算法用以模擬人腦的思維方式，對復雜度較大的分類問題提供了一個相對簡單的解決方案，被廣泛應用于人工智能的研究應用中。

為實現(xiàn)綜合的永久基本農(nóng)田劃定，需要從多種影響因素中制定出多個定量化的因子，以反映出農(nóng)田的真實情況，評定基本農(nóng)田的優(yōu)劣，選出合適劃入永久基本農(nóng)田的耕地以及排除不符合生態(tài)建設(shè)和環(huán)保要求的農(nóng)田。通常選取土壤肥力、坡度、連片性、交通區(qū)位和水利基礎(chǔ)設(shè)施水平等作為指標，來構(gòu)建農(nóng)田評價指標體系。由于各指標性質(zhì)和量綱不同，取值范圍有較大差異，不利于相互比較，還需要將所有指標賦以權(quán)重進行標準化。指標權(quán)重的確定方法很多，如特爾非法、層次分析法或回歸分析法等。

傳統(tǒng)基本農(nóng)田的劃定與城市擴張的沖突加劇，并缺乏科學的技術(shù)指導，劃定片面、不合理，存在多種弊端。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對以上要解決的技術(shù)問題，提供一種有效的永久性基本農(nóng)田劃分方法。

本發(fā)明利用作為主流的土地利用變化模擬模型的元胞自動機進行城市擴張模擬，綜合考慮了多種影響因子，進而提出了一種基于神經(jīng)網(wǎng)絡元胞自動機模型模擬城市擴張的多因子識別優(yōu)質(zhì)連片農(nóng)田的永久基本農(nóng)田劃定方法，為實現(xiàn)永久性基本農(nóng)田的劃定提供了科學的支持。

本發(fā)明的基本內(nèi)容是針對永久性基本農(nóng)田的劃定與城市發(fā)展之間的綜合性問題，分析了當前基本農(nóng)田的規(guī)劃缺點和局限，結(jié)合采用神經(jīng)網(wǎng)絡的元胞自動機和GIS多個影響因子空間疊加的優(yōu)點，提出一種基于神經(jīng)網(wǎng)絡元胞自動機模型的識別優(yōu)質(zhì)連片農(nóng)田與保護城市周邊農(nóng)田相結(jié)合的永久基本農(nóng)田劃定方法。神經(jīng)網(wǎng)絡元胞自動機模型可以通過自身強大的運算能力、建模能力和模擬復雜時空演化的能力，克服傳統(tǒng)的城市發(fā)展模型的局限，模擬出接近實際的城市發(fā)展預測結(jié)果。本發(fā)明對研究區(qū)域使用采用神經(jīng)網(wǎng)絡元胞自動機模型進行模擬，得到較合理的城市擴張結(jié)果，再與影響農(nóng)田質(zhì)量的多個因子以及連片度疊加考慮，使得計算機系統(tǒng)可以綜合多個因子求出最優(yōu)結(jié)果，得到最適宜劃分為永久性基本農(nóng)田的耕地分布情況。

其中，術(shù)語“連片度”是指同等級地塊的相連程度，地塊間的距離越近，連片性越高，農(nóng)田連片度越高越有助于耕地的優(yōu)質(zhì)集中管理。

本發(fā)明提出的識別優(yōu)質(zhì)連片農(nóng)田與保護城市周邊農(nóng)田相結(jié)合的永久性基本農(nóng)田劃定方法真實地模擬了未來城市擴張導致的土地利用變化情景和綜合地判定農(nóng)田的優(yōu)劣等級，具體地，本發(fā)明利用神經(jīng)網(wǎng)絡算法得到城市用地概率圖，輸入元胞自動機進行自動模擬，得到未來城市擴張情況，發(fā)現(xiàn)在城市擴張中被侵占風險較大的農(nóng)田。再將影響基本農(nóng)田劃定的多個因子與當前農(nóng)田數(shù)據(jù)進行空間疊加，使用層次分析法(AHP)賦以權(quán)重，從而識別出符合劃入條件的高產(chǎn)優(yōu)質(zhì)農(nóng)田等。并且考慮農(nóng)田的生態(tài)功能，利用移動窗口結(jié)合改進的模糊紋理指數(shù)(IWL)找出連片度較高的農(nóng)田。將所得數(shù)據(jù)進行疊加，最終實現(xiàn)連續(xù)連片的永久性基本農(nóng)田劃定。

本發(fā)明采用了如下技術(shù)方案：

一種基于神經(jīng)網(wǎng)絡元胞自動機模型的永久性基本農(nóng)田劃定方法，其包括以下步驟：

S1.獲取基礎(chǔ)地理信息數(shù)據(jù)，對柵格處理，統(tǒng)一分辨率；使用研究區(qū)邊界裁切數(shù)據(jù)；根據(jù)農(nóng)田分等定級的指標體系，選取若干影響農(nóng)田質(zhì)量的影響因子，并計算植被經(jīng)初級生產(chǎn)力(NPP)表征農(nóng)作物生產(chǎn)力水平，作為影響農(nóng)田質(zhì)量的重要指標，組成多因子數(shù)據(jù)，并將數(shù)據(jù)依次重采樣成統(tǒng)一的分辨率；

S2.提取多因子數(shù)據(jù)作為參數(shù)輸入到神經(jīng)網(wǎng)絡模型中，構(gòu)建神經(jīng)網(wǎng)絡；

S3.根據(jù)神經(jīng)網(wǎng)絡模型的全局概率結(jié)果和已有建設(shè)用地數(shù)據(jù)，構(gòu)建元胞自動機城市增長模型，進行城市擴張的模擬；

S4.根據(jù)模擬得到的城市擴張情景，與農(nóng)業(yè)用地數(shù)據(jù)進行疊加，得到城市擴張可能侵占農(nóng)田的分布情況；

S5.采用層次分析法(AHP)確定影響農(nóng)田等級的每個因子的權(quán)重，并設(shè)定閾值得到滿足基本農(nóng)田判斷標準的適宜和不適宜劃入永久基本農(nóng)田的耕地；

S6.考慮農(nóng)田的連片度和景觀功能，采用移動窗口掃描法，對農(nóng)田數(shù)據(jù)進行掃描，并結(jié)合改進的模糊紋理指數(shù)(IWL)，計算不適合劃入永久基本農(nóng)田的像元周邊與適合像元的鄰接程度，再按分區(qū)統(tǒng)計的方法將鄰接程度高的不適合農(nóng)田重新劃入永久基本農(nóng)田中；

S7.最后將適合劃入的農(nóng)田和城市擴張可能侵占的農(nóng)田以及坡度條件不適宜劃入的農(nóng)田進行空間疊加，篩選出最終應劃入永久基本農(nóng)田的耕地。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S1中，對獲取的遙感影像進行預處理，而其他基礎(chǔ)地理信息數(shù)據(jù)分別具有各自的特點和不同分辨率，要將多源數(shù)據(jù)整合利用需要重新采樣成統(tǒng)一的分辨率。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S2中，神經(jīng)網(wǎng)絡的構(gòu)建需要輸入一定的數(shù)據(jù)，進行訓練和驗證，構(gòu)建神經(jīng)網(wǎng)絡模型，輸出得到不同土地利用類型的概率。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S2中，提取的多因子的m個影像數(shù)據(jù)經(jīng)標準化后輸入神經(jīng)網(wǎng)絡，本神經(jīng)網(wǎng)絡包括三層：輸入層、隱藏層和輸出層，多因子對應輸入層的m個變量，它們決定了每個柵格在t時間上的土地利用轉(zhuǎn)換的概率，可以表達為：

X(k,t)＝[x₁(k,t),x₂(k,t),x₃(k,t),…,x_m(k,t)]^T

式中：x_i(k,t)表示柵格單元k在模擬時間t時的第i個變量；T表示轉(zhuǎn)置。

輸入層接收這些變量參數(shù)x_i(k,t)后，輸出到隱藏層，則隱藏層中某一個單元收到的信號可表示為：

式中：net_i(k,t)為隱藏層中中第j個柵格單元收到的信號，w_i,j為輸入層和隱藏層之間的權(quán)重值。

隱藏層會對所接收到的信號net_i(k,t)進行處理，產(chǎn)生對應的響應值并輸出到輸出層。對接收信號進行處理的響應函數(shù)為：

則輸出層中某一個單元收到的信號可表示為：

式中：net_l(k,t)為輸出層第l個柵格單元所收到的信號；w_j,l為隱藏層和輸出層之間的權(quán)重值。

最后，輸出層會對所接收到的信號net_l(k,t)后會對該信號產(chǎn)生對應的響應值，即轉(zhuǎn)換概率，公式如下：

式中：p(k,t,l)為柵格單元k在模擬時間t時，從當前土地利用類別轉(zhuǎn)換到第l個土地利用類別的轉(zhuǎn)換概率。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S3中，在已有的近期城市建設(shè)用地基礎(chǔ)上，采用神經(jīng)網(wǎng)絡輸出的轉(zhuǎn)換概率，輸入到元胞自動機模型中，進行計算和模擬，則可得到未來某一年的建設(shè)用地發(fā)展情況，表征城市的擴張情況。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S3中，利用神經(jīng)網(wǎng)絡輸出的轉(zhuǎn)換概率，考慮鄰域?qū)ν恋乩妙愋桶l(fā)展概率的影響，使土地利用趨向于緊湊防止空間布局的凌亂。通過鄰域函數(shù)建立n×n的掃描窗口，計算窗口內(nèi)各類像元數(shù)量，以表征土地利用在空間上的相互影響，鄰域函數(shù)可表示為：

式中：是領(lǐng)域函數(shù)，表示的是第t次迭代時，以k柵格單元為中心的n×n窗口中第k類土地利用類型所占的比例；con為條件函數(shù)，S_k為當前鄰域內(nèi)被掃描像元，且屬于第k類土地利用類型，條件函數(shù)判斷當前像元是否為第q類土地利用類型，而返回真或假；

考慮城市擴展過程中包含的不確定性，增加隨機項RA，則最終的發(fā)展概率表達式為：

對于每一次循環(huán)，神經(jīng)網(wǎng)絡的輸出層計算對應l種不同土地利用類型的轉(zhuǎn)換概率，通過比較這些轉(zhuǎn)換概率的大小，則可以確定土地利用轉(zhuǎn)換類型。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S5中，對每個因子賦權(quán)重前，需要對各個因子進行標準化，標準化處理使用公式表示如下：

其中max_w和min_w分別是第w個驅(qū)動力因子的最大和最小值。

利用層次分析法(AHP)確定每個因子的權(quán)重后，將每個因子乘以權(quán)重并加和，進行每個像元的綜合評價分值計算，可使用公式表示如下：

其中x_i為第i個因子的權(quán)重，A_i為第i個因子，y則為某一個像元的總分值，n為影響因子總數(shù)。

作為本發(fā)明的一種優(yōu)選實施方式，步驟S6中，嘗試多個窗口半徑大小，進行移動窗口掃描，從左上角開始，每移動一個柵格，計算每個窗口中的連片度，并賦值給中心柵格，最終得到連片度的空間分布柵格圖。

連片度是指同等級地塊的相連程度，地塊間的距離越近，連片性越高，農(nóng)田連片度越高越有助于耕地的優(yōu)質(zhì)集中管理。連片度指標采用改進的模糊紋理定量指數(shù)的方法，該方法公式在N×N滑動窗口中公式如下：

式中，假設(shè)窗口中有n個耕地像元，A_j為N×N滑動窗口中第j類用地(耕地)的面積；A為N×N滑動窗口的總面積,其取值為N²；P_j為N×N滑動窗口中第j類用地(耕地)的周長；P_max為N×N窗口內(nèi)n個第j類用地(耕地)像元，其分部理論可以達到的最大周長值，取值為4n；IWL為改進的模糊紋理指數(shù)(Improved WL)，其值域為1到0之間，1為窗口內(nèi)全是等別為j的地塊，0為沒有類別為j的地塊。

上述技術(shù)方案是采用了神經(jīng)網(wǎng)絡元胞自動機模型進行城市的擴張模擬，對研究區(qū)影像的每一個像元，考慮了多個影響耕地質(zhì)量的因子和連片度，利用GIS的空間疊加分析功能，得到符合條件的優(yōu)質(zhì)農(nóng)田分布，最終獲得應該保護的永久基本農(nóng)田范圍。其最大的優(yōu)點在于利用了神經(jīng)網(wǎng)絡元胞自動機模型進行城市擴張的模擬，充分利用神經(jīng)網(wǎng)絡和元胞自動機強大的建模和運算優(yōu)點，較真實地模擬城市的發(fā)展情況，最大可能地獲取城市發(fā)展可能侵占的優(yōu)質(zhì)農(nóng)田，綜合考慮了農(nóng)田分等定級的影響因子使得到的永久基本農(nóng)田更具有科學性和合理性。

本發(fā)明提出的方法是為更科學合理更有效地進行永久性基本農(nóng)田的劃定，利用神經(jīng)網(wǎng)絡元胞自動機模擬城市未來發(fā)展擴張，得到較符合實際情況的城市擴張結(jié)果，并識別出因城市擴張而被侵占的優(yōu)質(zhì)農(nóng)田。同時，通過遙感方法技術(shù)，使用一系列因子對農(nóng)業(yè)用地進行分等定級，選取出符合永久基本農(nóng)田的優(yōu)質(zhì)耕地，最終用空間疊加的方法，提取出需要進行保護的城市擴張可能占用的符合條件的優(yōu)質(zhì)耕地，得到永久性基本農(nóng)田的劃定方案。

附圖說明

圖1是根據(jù)本發(fā)明的永久基本農(nóng)田劃定方法的流程圖。

圖2是主要的使用數(shù)據(jù)。

圖3是神經(jīng)網(wǎng)絡得到的城市用地概率圖。

圖4是元胞自動機模擬得到的未來城市建設(shè)用地結(jié)果圖。

圖5是未來城市擴張可能侵占的農(nóng)田結(jié)果圖。

圖6是考慮農(nóng)田等級得到的適合和不適合劃分為永久基本農(nóng)田的耕地。

圖7是考慮農(nóng)田連片度要求后的得到的永久農(nóng)田劃定細節(jié)圖。

圖8是考慮農(nóng)田等級和連片度后得到的永久基本農(nóng)田初步方案圖。

圖9是整合永久基本農(nóng)田初步方案和城市可能侵占農(nóng)田以及地形坡度不適于劃入基本農(nóng)田后得到的最終永久基本農(nóng)田結(jié)果圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明進行詳細說明，應指出的是，附圖及所描述的示例目的僅在于更好地理解本發(fā)明，而沒有任何限定的作用，不能理解為對本發(fā)明技術(shù)方案的限制。

本發(fā)明中的研究對象位于廣東省中西部的四會市，全市總面積約為1163平方公里。本研究區(qū)域中所采用的數(shù)據(jù)為：四會市2012年土地利用現(xiàn)狀數(shù)據(jù)，2012年農(nóng)用地分等數(shù)據(jù)，高程數(shù)據(jù)(DEM)，2012年歸一化植被指數(shù)(NDVI)數(shù)據(jù)，太陽輻射數(shù)據(jù)，降水數(shù)據(jù)，平均溫度數(shù)據(jù)等和其他基本地理信息數(shù)據(jù)，包括市鎮(zhèn)中心、各級道路數(shù)據(jù)等。所有的區(qū)域數(shù)據(jù)都要統(tǒng)一在同一空間參考下，柵格數(shù)據(jù)需統(tǒng)一尺度以便于進行像元尺度上的疊加分析。根據(jù)土地利用變化模擬的研究經(jīng)驗結(jié)合永久基本農(nóng)田的定義和特點，本次實例共選取八種影響農(nóng)田分等定級的因子，分別為：農(nóng)田植被凈初級生產(chǎn)力，坡度，到河流水面、灘涂、水庫湖泊、溝渠的距離，到水渠的距離，農(nóng)田的類別，農(nóng)田的排水等級，和農(nóng)田的灌溉保證率以及農(nóng)田的等級數(shù)據(jù)。

本發(fā)明中研究對象選擇四會市的原因主要在于：四會市位于廣東省平原和山區(qū)的結(jié)合部，屬于珠江三角洲經(jīng)濟圈，市內(nèi)有“四水匯流”，水源豐富。周圍與佛山市三水區(qū)、鼎湖區(qū)和廣寧縣以及清遠市接壤，水陸交通便利，形成了以城區(qū)為中心，以國道和省道以及三茂鐵道、三江航道為骨架，鎮(zhèn)、村水泥公路為分支的水陸交通網(wǎng)絡，城市發(fā)展空間大。并且據(jù)人口普查數(shù)據(jù)對比，四會市年平均增長率為2.05％，2010年已有47萬人口，人口增加對農(nóng)田保護的需求更大。

圖1為本發(fā)明的方法流程圖，如圖1所示，本發(fā)明的方法主要包括以下幾個步驟：

第1步：利用研究區(qū)邊界數(shù)據(jù)對已準備好的數(shù)據(jù)進行裁切。利用植被NDVI時間序列數(shù)據(jù)和太陽總輻射數(shù)據(jù)等計算植被凈初級生產(chǎn)力(NPP)表征農(nóng)作物生產(chǎn)力水平，然后對所獲得的柵格數(shù)據(jù)配準并統(tǒng)一到標準的分辨率，選取影響農(nóng)田質(zhì)量的影響因子，并統(tǒng)一分辨率。對獲取的遙感影像進行預處理，而其他基礎(chǔ)地理信息數(shù)據(jù)分別具有各自的特點和不同分辨率，要將多源數(shù)據(jù)整合利用需要重新采樣成統(tǒng)一的分辨率。

利用四會市市界數(shù)據(jù)對已有的四會市2012年的土地利用現(xiàn)狀數(shù)據(jù)、農(nóng)用地分等數(shù)據(jù)、DEM數(shù)據(jù)等進行裁切。利用植被NDVI時間序列數(shù)據(jù)和太陽總輻射數(shù)據(jù)等計算植被凈初級生產(chǎn)力(NPP)，將柵格數(shù)據(jù)重采樣統(tǒng)一到30m分辨率。利用DEM數(shù)據(jù)求出坡度柵格圖，將四會市基礎(chǔ)地理信息數(shù)據(jù)插值生成農(nóng)田到河流水面、灘涂、水庫湖泊距離圖，農(nóng)田到水渠距離圖等，并統(tǒng)一分辨率。主要使用的數(shù)據(jù)見圖2。影響農(nóng)田質(zhì)量的因子分別為：NPP數(shù)據(jù)、坡度數(shù)據(jù)、農(nóng)田到面水體距離、農(nóng)田到水渠距離、農(nóng)田類別、農(nóng)田排水分級和灌溉保證率及農(nóng)田等級柵格數(shù)據(jù)。

第2步：提取多因子數(shù)據(jù)作為參數(shù)輸入到神經(jīng)網(wǎng)絡模型中，構(gòu)建神經(jīng)網(wǎng)絡。按設(shè)定比例隨機選取訓練數(shù)據(jù)和驗證數(shù)據(jù)，自動生成神經(jīng)網(wǎng)絡，輸出四會市城市用地概率圖，見圖3。

本實例中，所提取的多因子的m＝9個影像數(shù)據(jù)經(jīng)標準化后輸入神經(jīng)網(wǎng)絡，本神經(jīng)網(wǎng)絡包括三層：輸入層、隱藏層和輸出層，多因子對應輸入層的m個變量，它們決定了每個柵格在t時間上的土地利用轉(zhuǎn)換的概率，可以表達為：

X(k,t)＝[x₁(k,t),x₂(k,t),x₃(k,t),…,x_m(k,t)]^T

式中：x_i(k,t)表示柵格單元k在模擬時間t時的第i個變量；T表示轉(zhuǎn)置。

輸入層接收這些變量參數(shù)x_i(k,t)后，輸出到隱藏層，則隱藏層中某一個單元收到的信號可表示為：

式中：net_i(k,t)為隱藏層中中第j個柵格單元收到的信號，w_i,j為輸入層和隱藏層之間的權(quán)重值。

隱藏層會對所接收到的信號net_i(k,t)進行處理，產(chǎn)生對應的響應值并輸出到輸出層。對接收信號進行處理的響應函數(shù)為：

則輸出層中某一個單元收到的信號可表示為：

式中：net_l(k,t)為輸出層第l個柵格單元所收到的信號；w_j,l為隱藏層和輸出層之間的權(quán)重值。

最后，輸出層會對所接收到的信號net_l(k,t)后會對該信號產(chǎn)生對應的響應值，即轉(zhuǎn)換概率，公式如下：

式中：p(k,t,l)為柵格單元k在模擬時間t時，從當前土地利用類別轉(zhuǎn)換到第l個土地利用類別的轉(zhuǎn)換概率。

第3步：根據(jù)得到的四會市城市用地全局概率結(jié)果和已有的2012年四會市建設(shè)用地數(shù)據(jù)，輸入元胞自動機模型，模擬城市發(fā)展情況，得到未來2020年四會市擴張的建設(shè)用地結(jié)果圖，見圖4。

本實例中，利用神經(jīng)網(wǎng)絡輸出的轉(zhuǎn)換概率，考慮鄰域?qū)ν恋乩妙愋桶l(fā)展概率的影響，使土地利用趨向于緊湊防止空間布局的凌亂。通過鄰域函數(shù)建立n×n的掃描窗口，計算窗口內(nèi)各類像元數(shù)量，以表征土地利用在空間上的相互影響，鄰域函數(shù)可表示為：

式中：是領(lǐng)域函數(shù)，表示的是第t次迭代時，以k柵格單元為中心的n×n窗口中第k類土地利用類型所占的比例；con為條件函數(shù)，S_k為當前鄰域內(nèi)被掃描像元，且屬于第k類土地利用類型，條件函數(shù)判斷當前像元是否為第q類土地利用類型，而返回真或假；

考慮城市擴展過程中包含的不確定性，增加隨機項RA，則最終的發(fā)展概率表達式為：

對于每一次循環(huán)，神經(jīng)網(wǎng)絡的輸出層計算對應l種不同土地利用類型的轉(zhuǎn)換概率，通過比較這些轉(zhuǎn)換概率的大小，則可以確定土地利用轉(zhuǎn)換類型。

第4步：將得到的四會市未來建設(shè)用地結(jié)果圖與農(nóng)業(yè)用地數(shù)據(jù)進行空間疊加，選出容易因城市擴張而侵占的農(nóng)田數(shù)據(jù)，見圖5。

第5步：采用層次分析法(AHP)為影響農(nóng)田分等定級的多個因子確定權(quán)重，并將各因子值歸一化與權(quán)重相乘得到每個農(nóng)田像素的總分，根據(jù)設(shè)定的閾值區(qū)分出適宜和不適宜劃入永久基本農(nóng)田的耕地，見圖6。

八個因子NPP、坡度、到面水體距離、到水渠距離、農(nóng)田類別、排水等級和灌溉保證率及農(nóng)田等級，其權(quán)重設(shè)定為w₁至w₈。

根據(jù)本發(fā)明的實施例，步驟5中歸一化公式為：

其中max_w和min_w分別是第w個驅(qū)動力因子的最大和最小值。

總分計算公式為：

其中x_i為第i個因子的權(quán)重，A_i為第i個因子，y則為某一個像元的總分值，n為影響因子總數(shù)。

第6步：考慮農(nóng)田的連片度和景觀功能，采用移動窗口掃描法，嘗試多個窗口半徑大小，對農(nóng)田像元依次掃描，結(jié)合改進的模糊紋理指數(shù)(IWL)，計算每個像元與周圍其他適宜劃入永久性基本農(nóng)田像元的鄰接程度，得到農(nóng)田連片度的柵格圖，再按分區(qū)統(tǒng)計方法將鄰接度較高的不適宜劃入的耕地重新劃入永久基本農(nóng)田中，見圖7。得到初步的永久基本農(nóng)田劃定方案，如圖8。

本實例中，連片度是指同等級地塊的相連程度，地塊間的距離越近，連片性越高，農(nóng)田連片度越高越有助于耕地的優(yōu)質(zhì)集中管理。連片度指標采用改進的模糊紋理定量指數(shù)的方法，該方法公式在N×N滑動窗口中公式如下：

式中，假設(shè)窗口中有n個耕地像元，A_j為N×N滑動窗口中第j類用地(耕地)的面積；A為N×N滑動窗口的總面積,其取值為N²；P_j為N×N滑動窗口中第j類用地(耕地)的周長；P_max為N×N窗口內(nèi)n個第j類用地(耕地)像元，其分部理論可以達到的最大周長值，取值為4n；IWL為改進的模糊紋理指數(shù)(Improved WL)，其值域為1到0之間，1為窗口內(nèi)全是等別為j的地塊，0為沒有類別為j的地塊。

第7步：將適合劃入的農(nóng)田和城市擴張可能侵占的農(nóng)田以及坡度條件不適宜劃入的農(nóng)田進行空間疊加，篩選出最終應劃入永久基本農(nóng)田的耕地。地形坡度大于25度或田面坡度大于15度的耕地易受自然災害損毀，應禁止劃入基本農(nóng)田。將四會市未來擴張可能侵占的農(nóng)田結(jié)果圖、永久基本農(nóng)田初步方案圖和坡度圖進行空間疊加，提取出符合可能被城市侵占且屬于優(yōu)質(zhì)農(nóng)田以及不處于較大坡度的耕地，作為最終的四會市永久性基本農(nóng)田劃定方案，如圖9。

由最終永久基本農(nóng)田劃定方案圖可見，本發(fā)明使用了神經(jīng)網(wǎng)絡元胞自動機模型并考慮了多個因子，得到的永久基本農(nóng)田劃定更為科學合理，具有連續(xù)性。對未來四會市的農(nóng)業(yè)用地及城市規(guī)劃具有一定的指導意義，更利于農(nóng)田的生態(tài)保護。

本發(fā)明的上述實例僅為更清楚地描述本發(fā)明所作的例子，而不應該限定本發(fā)明的范圍或?qū)嵤┓绞?。對于所屬領(lǐng)域的普通技術(shù)人員來說，在本發(fā)明的基礎(chǔ)上還可進行其它形式的修改或替換。這里無需也無法對所有的實施方式進行舉例。只要在本發(fā)明的原則和精神之內(nèi)所做的變化或變動等，均應包含在本發(fā)明權(quán)利要求的保護范圍之內(nèi)。