技術(shù)特征：

1.一種基于神經(jīng)網(wǎng)絡(luò)元胞自動(dòng)機(jī)模型的永久性基本農(nóng)田劃定方法，其特征在于：該方法包括以下步驟：

S1.獲取基礎(chǔ)地理信息數(shù)據(jù)，對(duì)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(jí)的指標(biāo)體系，選取若干影響農(nóng)田質(zhì)量的影響因子，并計(jì)算植被經(jīng)初級(jí)生產(chǎn)力表征農(nóng)作物生產(chǎn)力水平，作為影響農(nóng)田質(zhì)量的重要指標(biāo)，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(luò)模型中，構(gòu)建神經(jīng)網(wǎng)絡(luò)；

S3.根據(jù)神經(jīng)網(wǎng)絡(luò)模型的全局概率結(jié)果和已有建設(shè)用地?cái)?shù)據(jù)，構(gòu)建元胞自動(dòng)機(jī)城市增長(zhǎng)模型，進(jìn)行城市擴(kuò)張的模擬；

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

S5.采用層次分析法確定影響農(nóng)田等級(jí)的每個(gè)因子的權(quán)重，并設(shè)定閾值得到滿足基本農(nóng)田判斷標(biāo)準(zhǔn)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(dòng)窗口掃描法，對(duì)農(nóng)田數(shù)據(jù)進(jìn)行掃描，并結(jié)合改進(jìn)的模糊紋理指數(shù)，計(jì)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(jì)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.將適合劃入的農(nóng)田和城市擴(kuò)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(jìn)行空間疊加，篩選出最終應(yīng)劃入永久基本農(nóng)田的耕地。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟S1中，對(duì)獲取的遙感影像進(jìn)行預(yù)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(diǎn)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。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟S2中，輸入數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，從而構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，輸出得到不同土地利用類型的概率。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述神經(jīng)網(wǎng)絡(luò)包括三層：輸入層、隱藏層和輸出層，將提取的多因子的m個(gè)影像數(shù)據(jù)經(jīng)標(biāo)準(zhǔn)化后輸入神經(jīng)網(wǎng)絡(luò)，對(duì)應(yīng)輸入層的m個(gè)變量，它們決定了每個(gè)柵格在t時(shí)間上的土地利用轉(zhuǎn)換的概率，其表達(dá)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(shí)間t時(shí)的第i個(gè)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(gè)單元收到的信號(hào)表示為：

${\mathrm{net}}_j(k,t)=\underset{i}{\Σ}{w}_{i,j}{x}_i(k,t)$

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

隱藏層會(huì)對(duì)所接收到的信號(hào)net_i(k,t)進(jìn)行處理，產(chǎn)生對(duì)應(yīng)的響應(yīng)值并輸出到輸出層；對(duì)接收信號(hào)進(jìn)行處理的響應(yīng)函數(shù)為：

$sig{\mathrm{mod}}_j(k,t)=\frac{1}{1+e^{-{\mathrm{net}}_j(k,t)}}$

則輸出層中某一個(gè)單元收到的信號(hào)表示為：

${\mathrm{net}}_l(k,t)=\underset{j}{\Σ}{w}_{j,l}sig{\mathrm{mod}}_j(k,t)$

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

最后，輸出層會(huì)對(duì)所接收到的信號(hào)net_l(k,t)后會(huì)對(duì)該信號(hào)產(chǎn)生對(duì)應(yīng)的響應(yīng)值，即轉(zhuǎn)換概率，公式如下：

$p(k,t,l)=\frac{1}{1+e^{-{\mathrm{net}}_l(k,t)}}$

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

5.根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟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(luò)輸出的轉(zhuǎn)換概率，輸入到元胞自動(dòng)機(jī)模型中，進(jìn)行計(jì)算和模擬，得到未來(lái)某一年的建設(shè)用地發(fā)展情況，表征城市的擴(kuò)張情況。

6.根據(jù)權(quán)利要求1或5所述的方法，其特征在于：在步驟S3中，利用神經(jīng)網(wǎng)絡(luò)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(guò)鄰域函數(shù)建立n×n的掃描窗口，計(jì)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)表示為：

${\mathrm{\Ω}}_{k,q}^t=\frac{{\mathrm{\Σ}}_{n\×n}con(s_k=q)}{n\×n-1}$

式中：是領(lǐng)域函數(shù)，表示的是第t次迭代時(shí)，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(dāng)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(dāng)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(kuò)展過(guò)程中包含的不確定性，增加隨機(jī)項(xiàng)RA，則最終的發(fā)展概率表達(dá)式為：

$p(k,t,l)=\frac{1}{1+e^{-{\mathrm{net}}_l(k,t)}}\×{\mathrm{\Ω}}_{k,q}^t\×RA$

對(duì)于每一次循環(huán)，神經(jīng)網(wǎng)絡(luò)的輸出層計(jì)算對(duì)應(yīng)l種不同土地利用類型的轉(zhuǎn)換概率，通過(guò)比較這些轉(zhuǎn)換概率的大小，確定土地利用轉(zhuǎn)換類型。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟S5中，對(duì)每個(gè)因子賦權(quán)重前，對(duì)各個(gè)因子進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化處理使用公式表示如下：

$x_w\left(l\right)=\frac{x_w\left(l\right)-{\min }_w}{{\max }_w-{\min }_w},(0\<w\<m,w\∈D)$

其中max_w和min_w分別是第w個(gè)驅(qū)動(dòng)力因子的最大和最小值；

利用層次分析法(AHP)確定每個(gè)因子的權(quán)重后，將每個(gè)因子乘以權(quán)重并加和，進(jìn)行每個(gè)像元的綜合評(píng)價(jià)分值計(jì)算，用公式表示如下：

$y=\underset{i=1}{\overset{n}{\Σ}}{x}_i\×A_i$

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

8.根據(jù)權(quán)利要求1所述的方法，其特征在于：在步驟S6中，嘗試多個(gè)窗口半徑大小，進(jìn)行移動(dòng)窗口掃描，從左上角開(kāi)始，每移動(dòng)一個(gè)柵格，計(jì)算每個(gè)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；

連片度指標(biāo)采用改進(jìn)的模糊紋理定量指數(shù)的方法，其在N×N滑動(dòng)窗口中公式如下：

$IWL=\frac{A_j}{A}(1-\frac{P_j}{P_{\max }})=\frac{A_j}{N^2}(1-\frac{P_j}{4n})$

式中，假設(shè)窗口中有n個(gè)耕地像元，A_j為N×N滑動(dòng)窗口中第j類用地耕地的面積；A為N×N滑動(dòng)窗口的總面積,其取值為N²；P_j為N×N滑動(dòng)窗口中第j類用地耕地的周長(zhǎng)；P_max為N×N窗口內(nèi)n個(gè)第j類用地耕地像元，其分部理論達(dá)到的最大周長(zhǎng)值，取值為4n；IWL為改進(jìn)的模糊紋理指數(shù)，其值域?yàn)?到0之間，1為窗口內(nèi)全是等別為j的地塊，0為沒(méi)有類別為j的地塊。