動(dòng)力數(shù)據(jù)經(jīng)輸入層、隱藏層和輸出 層依次處理后，獲得每種±地利用類型在模擬區(qū)域內(nèi)的分布概率；
[0037]設(shè)輸入層接收的驅(qū)動(dòng)力數(shù)據(jù)為xw'（1)，則隱藏層第V個(gè)神經(jīng)元所收到的信號(hào)公式 為：
[003引
[0039] 其中netv(l)為隱藏層第V個(gè)神經(jīng)元所收到的信號(hào)；w(w,v)為輸入層和隱藏層之間 一一對(duì)應(yīng)的參數(shù)，也就是兩個(gè)層級(jí)間的權(quán)重值；
[0040] 隱藏層對(duì)netv(l)進(jìn)行處理，然后將處理結(jié)果sigmodv輸出至輸出層，其對(duì)netv(l) 進(jìn)行處理的具體過程如下：
[0041]
[0042] 而輸出層第q個(gè)神經(jīng)元所收到的信號(hào)表示為：
[0043]
[0044] 0(v,q)是隱藏層和輸出層之間的權(quán)重參數(shù)，輸出層接收到信號(hào)之后，會(huì)對(duì)運(yùn)些信號(hào) 產(chǎn)生響應(yīng)，該響應(yīng)值通過下式生成分布概率P (1, q);
[0045]
[0046] 優(yōu)選地，步驟S7中，通過鄰域函數(shù)構(gòu)建一個(gè)掃描窗口，然后統(tǒng)計(jì)掃描窗口內(nèi)的各類 像元的數(shù)量來衡量各種±地利用類型在空間上的相互影響，鄰域函數(shù)的定義如下：
[0047]
[004引其中是鄰域函數(shù)，表示第t次迭代時(shí)，W影像中位于第i行、第j列的像元為中 屯、的ηΧη窗口中的第q類±地利用類型所占的比例；Con是條件函數(shù)，Sk表示鄰域內(nèi)的當(dāng)前 被掃描的像元，該像元屬于第時(shí)巾±地利用類型;Con(Sk = q)表示檢測(cè)鄰域內(nèi)的當(dāng)前±地利 用像元類型是否為第q類;即構(gòu)成輪盤賭的全局總概率合成公式為：
[0049]
[0050] 表示總分布概率，p(i，j，q)表示神經(jīng)網(wǎng)絡(luò)輸出的第（i，j)個(gè)像元上第9種±地 利用類型的分布概率，C(i'，j'）表示轉(zhuǎn)換限制矩陣，i'，j'表示轉(zhuǎn)換限制矩陣的坐標(biāo)。
[0051] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0052] 傳統(tǒng)的±地利用變化模擬所采用的模型會(huì)因?yàn)檎`差傳遞，因子現(xiàn)實(shí)意義不明確， 選取了±地變化相關(guān)性較低的驅(qū)動(dòng)力因素，W及缺乏±地競(jìng)爭(zhēng)等局限而導(dǎo)致模擬的精度下 降。本發(fā)明提出的一種未來上地利用情景動(dòng)態(tài)模擬方法集成了舊模型的優(yōu)勢(shì)，消除了誤差 傳遞、改良了模型的內(nèi)部的現(xiàn)實(shí)意義不明確的參數(shù)；引入神經(jīng)網(wǎng)絡(luò)算法計(jì)算各類用地的分 布概率，再使用輪盤賭機(jī)制引入上地利用類型的競(jìng)爭(zhēng)，實(shí)現(xiàn)了智能算法(ANN)和不確定性模 型(賭輪)的結(jié)合并同時(shí)應(yīng)用于未來±地利用情景預(yù)測(cè)中；最終用更少的數(shù)據(jù)、更少的參數(shù)、 更快的速度獲取了精確度度比舊模型更高的模擬結(jié)果。
【附圖說明】
[0053] 圖1是利用本發(fā)明實(shí)施多尺度多類別±地利用變化模擬方法的流程圖。
[0054] 圖2是2000年初始±地利用分類圖。
[0055] 圖3各類±地利用變化的驅(qū)動(dòng)力因子的示意圖。
[0056] 圖4是神經(jīng)網(wǎng)絡(luò)輸出的各類用地的分布概率的示意圖。
[0057] 圖5是本發(fā)明的模擬結(jié)果圖。
[0058] 圖6是本發(fā)明的模擬結(jié)果與舊模型的模擬結(jié)果和2006年真實(shí)±地利用變化分布對(duì) 比示意圖。
[0059] 圖7是本發(fā)明的模擬精度和就模型的模擬精度對(duì)比圖。
【具體實(shí)施方式】
[0060] 附圖僅用于示例性說明，不能理解為對(duì)本專利的限制；
[0061] W下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的闡述。
[0062] 實(shí)施例1
[0063] 本發(fā)明中的研究對(duì)象為位于廣東省南部的東競(jìng)市，市區(qū)域總面積約2465平方公 里，是廣東省第4大城市。本研究區(qū)域中所采用的測(cè)試數(shù)據(jù)為:2001年的東競(jìng)市的±地利用 數(shù)據(jù)作為模擬的初始數(shù)據(jù)，由TM影像解譯而成。采用東競(jìng)市2006年的TM影像解譯的±地利 用變化數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，2001年東競(jìng)市±地利用變化數(shù)據(jù)與2006年的數(shù)據(jù)具有相同的± 地利用分類系統(tǒng)。所有的區(qū)域數(shù)據(jù)文件都要被統(tǒng)一成同尺度的柵格影像W方便進(jìn)行像元尺 度上的同質(zhì)分析。根據(jù)±地利用變化模擬的研究經(jīng)驗(yàn)結(jié)合東競(jìng)市的歷史數(shù)據(jù)和現(xiàn)有數(shù)據(jù)， 本次實(shí)例共選取八種上地利用/上地覆蓋變化的驅(qū)動(dòng)力因子。驅(qū)動(dòng)力因子分別為:東競(jìng)市高 程，東競(jìng)市高速公路線狀矢量，東競(jìng)市鐵路線狀矢量，東競(jìng)市交通主干道矢量，東競(jìng)鎮(zhèn)中屯、 點(diǎn)，東競(jìng)市中屯、點(diǎn)。
[0064] 本發(fā)明中研究對(duì)象選擇東競(jìng)市的原因主要在于:位于珠江口東岸，經(jīng)濟(jì)總量在珠 Ξ角的排位僅次于廣州、深圳和佛山，是珠 Ξ角東岸的節(jié)點(diǎn)城市。東競(jìng)的公路交通系統(tǒng)非常 發(fā)達(dá)完善，全市的通車?yán)锍坛^2759千米。道路在市區(qū)內(nèi)形成環(huán)形放射性路網(wǎng)。隨著城市化 進(jìn)程的加快，東競(jìng)市的城鎮(zhèn)用地?cái)U(kuò)展從之前的點(diǎn)狀為主的分散發(fā)展模式，發(fā)展到交通干線、 組團(tuán)擴(kuò)展為主的連續(xù)擴(kuò)展模式。東競(jìng)市早年由于發(fā)展模式較為粗放、跳躍、低效，導(dǎo)致了現(xiàn) 今東競(jìng)市的城鎮(zhèn)用地結(jié)構(gòu)分散、混雜分布的城鎮(zhèn)格局。而且東競(jìng)市的城市發(fā)展和空間擴(kuò)張 的進(jìn)程中，其受交通區(qū)位因素的影響較大。在東競(jìng)市目前的發(fā)展模式下，預(yù)測(cè)未來發(fā)展趨 勢(shì)，規(guī)劃東競(jìng)市未來的城市形態(tài)對(duì)東競(jìng)市的地區(qū)的交通安全、城市建設(shè)有重要的意義。
[0065] 圖1為本發(fā)明的方法流程圖，如圖1所示，方法主要包括W下幾個(gè)步驟：
[0066] 第1步:開始，對(duì)影像進(jìn)行預(yù)處理，用初始±地利用分類影像規(guī)定好模擬區(qū)域的范 圍與標(biāo)準(zhǔn)柵格影像大小，用歐式距離公式計(jì)算區(qū)域內(nèi)柵格到±地利用變化驅(qū)動(dòng)因子的距 離。生成與便準(zhǔn)柵格影像圖幅大小一致的柵格距離數(shù)據(jù)。其中，歐氏距離是像元中屯、與源像 元的中屯、的直線距離。其距離公式如下：
[0067]
[0068] 其中，（XO，y〇)是源的坐標(biāo)，（Xn，yn)是范圍內(nèi)的柵格坐標(biāo)，dise是捜索到的歐式距 離。
[0069] 圖2為捜集的初始±地利用變化數(shù)據(jù)，圖3為歐式距離計(jì)算的驅(qū)動(dòng)因子W及地形和 坡度驅(qū)動(dòng)因子。從兩期解譯數(shù)據(jù)中提取出5類用地:1、建設(shè)用地;2、水體;3、果園;4、水域;5、 森林。驅(qū)動(dòng)力因子分別為:東競(jìng)市高程，到高速公路距離，到鐵路距離，到東競(jìng)市交通主干道 距離，到東競(jìng)鎮(zhèn)中屯、點(diǎn)距離，到東競(jìng)市中屯、點(diǎn)距離。
[0070] 第2步:在驅(qū)動(dòng)力數(shù)據(jù)與初始±地利用分類影像上用隨機(jī)點(diǎn)采樣，根據(jù)初始±地利 用數(shù)據(jù)的特點(diǎn)選擇采樣方式。模型提供兩種采樣方式：1、均勻采樣策略;2、比例采樣策略。 均勻采樣策略使得各類±地利用類型的采樣點(diǎn)一致，適用于不同±地利用類型面積差異較 大的區(qū)域;比例采樣法使得各類±地利用類型的采樣點(diǎn)占總采樣點(diǎn)的比例與各類初始±地 利用類型與區(qū)域面積的比例一致，計(jì)算量較小，適合較大尺度區(qū)域采樣。
[0071] 本實(shí)例中使用均勻采樣策略使得各類±地利用類型的采樣點(diǎn)一致，用采樣點(diǎn)提取 圖2中的±地利用變化數(shù)據(jù)和圖3中的驅(qū)動(dòng)力數(shù)據(jù)。通過采樣點(diǎn)抽取111 = 2000個(gè)±地利用變 化影響因子W及其采樣點(diǎn)對(duì)應(yīng)的±地利用類型。采樣后的樣本公式表示為：
[0072] X(1) = [X1(1),X2(1)，X3(1), . . .，Xm(l)]T
[0073] xw(l)為第1個(gè)采樣點(diǎn)抽取的第*個(gè)±地利用變化影響因子的變量，Τ為轉(zhuǎn)置。神經(jīng) 網(wǎng)絡(luò)訓(xùn)練之前，需要將Xw(l)做歸一化處理，統(tǒng)一各個(gè)變量的量綱。歸一化公式表示為：
[0074]
[0075 ] maxw和mi nw分別是在第W個(gè)因子上的最大最小值。
[0076]第3步：用參數(shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練采樣數(shù)據(jù)，設(shè)定好隱藏神經(jīng)元數(shù)目與采樣 點(diǎn)數(shù)，然后對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
[OOW]采用了參數(shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型對(duì)采樣數(shù)據(jù)進(jìn)行訓(xùn)練，使得模型能達(dá)到更快的訓(xùn) 練速度和訓(xùn)練精度。其自適應(yīng)公式如下：
[007 引
[0079] ri(n)是第η次迭代的學(xué)習(xí)率，E(n)和E(n-l)是相鄰兩次迭代的神經(jīng)網(wǎng)絡(luò)輸出的均 方根誤差，a，b，c是常數(shù)，取值范圍（1，2)，（0，1)，[1，1.1]。
[0080] 根據(jù)本發(fā)明的實(shí)施例。神經(jīng)網(wǎng)絡(luò)的輸入層接收標(biāo)準(zhǔn)化的±地利用變化因子后，將 它們輸出到隱藏層。本實(shí)例中設(shè)隱藏層數(shù)為h=13,隱藏層第V個(gè)神經(jīng)元所收到的信號(hào)公式 為：
[0081]
[0082] netv(l)為隱藏層第V個(gè)神經(jīng)元所收到的信號(hào)；w(w,v)為輸入層和隱藏層之間一一 對(duì)應(yīng)的參數(shù)，也就是兩個(gè)層級(jí)間的權(quán)重值。隱藏層會(huì)對(duì)信號(hào)進(jìn)行處理，處理后輸出到下一 層，也就是最后的輸出層。處理數(shù)據(jù)的函數(shù)通常為sigmod函數(shù)：
[0083]
[0084] 隱藏層輸出函數(shù)與輸出層輸出函數(shù)間也有權(quán)值一一對(duì)應(yīng)，輸出層數(shù)數(shù)目U與實(shí)例 模擬的±地利用類別相等，±地利用類型共有5類即11 = 5,假設(shè)在第q個(gè)輸出層中，那么輸出 層的數(shù)據(jù)處理函數(shù)為：
[0085]
[0086] netq(l)為輸出層第q個(gè)神經(jīng)元所收到的信號(hào)；e(v,q)是為隱藏層和輸出層之間的權(quán) 重參數(shù)，輸出層會(huì)對(duì)運(yùn)些信號(hào)產(chǎn)生響應(yīng)，該響應(yīng)值會(huì)通過下式生成分布概率。
[0087]
[0088] 第4步:把全體驅(qū)動(dòng)力數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，輸出每種±地利用類型在區(qū)域 內(nèi)的分布概率。
[0089] 實(shí)例中p(l，u)為采樣點(diǎn)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸出。網(wǎng)絡(luò)訓(xùn)練完畢后，將所有±地利用 變化驅(qū)動(dòng)