因子圖層疊加并全圖輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將P(l，q)中的1轉(zhuǎn)化成為像元的坐 標(biāo)(i，j)，得到如下公式：
[0090]
[0091] P(i，j，q)為神經(jīng)網(wǎng)絡(luò)輸出的第(i，j)個(gè)像元上第q種用地類型的分布概率。本實(shí)例 中神經(jīng)網(wǎng)絡(luò)的輸出為圖5所示的5種±地利用類型的分布概率。
[0092] 第5步:將分布概率數(shù)據(jù)與初始±地利用數(shù)據(jù)輸入迭代模擬模塊，設(shè)定好鄰域大小 和轉(zhuǎn)換限制矩陣，并根據(jù)每種±地利用類型的需求面積設(shè)定目標(biāo)像元個(gè)數(shù)，即未來各類用 地需要達(dá)到的像元數(shù)。
[0093] 本實(shí)例中的東競地區(qū)影像像元為100m，因而鄰域范圍選擇3 X 3摩爾鄰域。本實(shí)例 模擬的時(shí)間為:從2000年模擬到2006年，因而目標(biāo)像元個(gè)數(shù)與2006年的各類別±地利用分 類影像一致，迭代次數(shù)設(shè)為100次。轉(zhuǎn)換限制矩陣限制為城市不能轉(zhuǎn)換為其他用地。
[0094] 第6步:迭代掃描初始±地利用數(shù)據(jù)的像元，計(jì)算該像元在鄰域內(nèi)包含的±地利用 類型和在領(lǐng)域內(nèi)所占的比例，與S4輸出的分布概率數(shù)據(jù)、轉(zhuǎn)換限制矩陣共同合成該像元上 各類±地利用類型的的總分布概率。
[0095] 本實(shí)例中，通過鄰域函數(shù)構(gòu)建一個(gè)掃描窗口，統(tǒng)計(jì)窗口內(nèi)的各類像元的數(shù)量并衡 量各個(gè)不同±地利用類型在空間上的相互影響，鄰域規(guī)則的定義如下：
[0096]
[0097] 式中，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)表示檢測鄰域內(nèi)的當(dāng)前±地利 用像元類型是否為第q類。實(shí)例中取n = 3,構(gòu)建摩爾鄰域。
[0098] 根據(jù)本發(fā)明的實(shí)施例，在步驟S7中構(gòu)成輪盤賭的全局總概率合成公式為：
[0099]
[0100] 巧^是總分布概率，C(i'，j'）是參數(shù)中加載±地轉(zhuǎn)換先驗(yàn)限定的轉(zhuǎn)換限制矩陣， i '，j '分別是轉(zhuǎn)換限制矩陣的坐標(biāo)。
[0101] 第7步:合成像元上的各類±地利用類型的總分布概率后，利用總分布概率構(gòu)成輪 盤，通過采用輪盤賭的方法，使區(qū)域內(nèi)各種±地利用類型在像元上競爭。競爭獲勝的±地利 用類型占據(jù)該像元。
[0102] 第8步:迭代完一幅影像的全部有效像元，返回第五步刷新初始影像進(jìn)入下一次迭 代，計(jì)算到目標(biāo)像元數(shù)目的差值。到達(dá)迭代次數(shù)或者達(dá)到目標(biāo)像元數(shù)目，停止迭代輸出結(jié) 果。
[0103] 圖6為最終輸出的±地利用模擬圖，圖7為新的模型和之前舊模型的模擬結(jié)果對(duì) 比，參與對(duì)比的模型有：邏輯回歸模型（城市-非城市系統(tǒng)）、神經(jīng)網(wǎng)絡(luò)元胞自動(dòng)機(jī)模型、 CLUE-S 模型。
[0104] 顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對(duì) 本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可 W做出其它不同形式的變化或變動(dòng)。運(yùn)里無需也無法對(duì)所有的實(shí)施方式予W窮舉。凡在本 發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求 的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種土地未來利用情景動(dòng)態(tài)模擬方法，在于構(gòu)建動(dòng)態(tài)模擬模型對(duì)土地未來利用情景 進(jìn)行模擬，所述動(dòng)態(tài)模擬模型包括分布概率計(jì)算模塊和迭代模擬模塊，其特征在于:所述動(dòng) 態(tài)模擬方法包括以下步驟： 分布概率計(jì)算模塊計(jì)算分布概率階段：51. 對(duì)初始土地利用分類影像進(jìn)行解譯，獲取初始土地利用數(shù)據(jù);然后選取若干影響土 地利用/ 土地覆蓋變化的驅(qū)動(dòng)力因子，組成驅(qū)動(dòng)力數(shù)據(jù);根據(jù)規(guī)劃的未來土地利用面積數(shù)據(jù) 或歷史土地利用面積數(shù)據(jù)外推，確定未來土地利用變化的需求面積；52. 使用初始土地利用分類影像規(guī)定好模擬區(qū)域的范圍與標(biāo)準(zhǔn)柵格影像大小，然后計(jì) 算模擬區(qū)域內(nèi)空間柵格到各個(gè)驅(qū)動(dòng)力因子的距離;生成與標(biāo)準(zhǔn)柵格影像圖幅大小一致的柵 格距離數(shù)據(jù)；53. 在驅(qū)動(dòng)力數(shù)據(jù)與初始土地利用數(shù)據(jù)上進(jìn)行隨機(jī)點(diǎn)采樣，獲得采樣數(shù)據(jù)；54. 使用采樣數(shù)據(jù)對(duì)參數(shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練；55. 將全體驅(qū)動(dòng)力數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)計(jì)算獲得每種土地利用 類型在模擬區(qū)域內(nèi)的分布概率； 迭代模擬模塊迭代輸出階段：56. 將S5輸出的分布概率與S1中的初始土地利用數(shù)據(jù)輸入迭代模擬模塊;迭代前設(shè)定 好鄰域大小和轉(zhuǎn)換限制矩陣，并根據(jù)每種土地利用類型的需求面積設(shè)定目標(biāo)像元個(gè)數(shù)，即 未來各類用地需要達(dá)到的像元數(shù)；57. 迭代掃描初始土地利用數(shù)據(jù)的像元，計(jì)算該像元在鄰域內(nèi)包含的土地利用類型和 在鄰域內(nèi)所占的比例，與S5輸出的分布概率、轉(zhuǎn)換限制矩陣共同合成該像元上各類土地利 用類型的總分布概率；58. 該像元上的各類土地利用類型的總分布概率構(gòu)成輪盤，通過采用輪盤賭的方法，使 區(qū)域內(nèi)各種土地利用類型在像元上競爭，競爭獲勝的土地利用類型占據(jù)該像元；59. 轉(zhuǎn)到S7，直至迭代完一幅影像的全部有效像元，然后返回S6刷新初始影像進(jìn)入下一 次迭代，計(jì)算到目標(biāo)像元數(shù)目的差值;到達(dá)迭代次數(shù)R或者達(dá)到目標(biāo)像元數(shù)目后，停止迭代 輸出結(jié)果。2. 根據(jù)權(quán)利要求1所述的土地未來利用情景動(dòng)態(tài)模擬方法，其特征在于：所述步驟S2 中，采用空間歐式距離公式計(jì)算空間柵格到驅(qū)動(dòng)力因子的距離：其中（XQ，yQ)表示驅(qū)動(dòng)力因子的坐標(biāo)，（Xn，yn)表示空間柵格的坐標(biāo)，dis肩示計(jì)算到的 歐式距離。3. 根據(jù)權(quán)利要求1所述的土地未來利用情景動(dòng)態(tài)模擬方法，其特征在于：步驟S3中，采 用均勻采樣策略或比例采樣策略對(duì)驅(qū)動(dòng)力數(shù)據(jù)與初始土地利用數(shù)據(jù)進(jìn)行隨機(jī)點(diǎn)采樣，采樣 后的樣本公式表示為： X(1) = [X1(1)，X2(1)，X3(1)，…，Xw(l)，· · ·，Xm(l)]T 其中Xw(l)表示第1個(gè)采樣點(diǎn)抽取的第w個(gè)驅(qū)動(dòng)力因子的變量，T為轉(zhuǎn)置。4. 根據(jù)權(quán)利要求3所述的土地未來利用情景動(dòng)態(tài)模擬方法，其特征在于:使用采樣數(shù)據(jù) 對(duì)輸入?yún)?shù)自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練之前，需要對(duì)采樣數(shù)據(jù)進(jìn)行歸一化處理，歸一化 處理可使用公式表示如下其中maxw和minw分別是第w個(gè)驅(qū)動(dòng)力因子的最大和最小值。5. 根據(jù)權(quán)利要求1所述的土地未來利用情景動(dòng)態(tài)模擬方法，其特征在于:所述參數(shù)自適 應(yīng)神經(jīng)網(wǎng)絡(luò)算法可表示如下：其中n(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)，取值范圍分別為(1，2)、（0，1)、[1，1.1]。6. 根據(jù)權(quán)利要求5所述的土地未來利用情景動(dòng)態(tài)模擬方法，其特征在于:所述參數(shù)自適 應(yīng)神經(jīng)網(wǎng)絡(luò)算法包括輸入層、隱藏層和輸出層，步驟S5中，全體驅(qū)動(dòng)力數(shù)據(jù)通過輸入層輸入 訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，驅(qū)動(dòng)力數(shù)據(jù)經(jīng)輸入層、隱藏層和輸出層依次處理后，獲得每種土地利用 類型在模擬區(qū)域內(nèi)的分布概率； 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：其中netv(l)為隱藏層第v個(gè)神經(jīng)元所收到的信號(hào)；co(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：而輸出層第q個(gè)神經(jīng)元所收到的信號(hào)表示為：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)這些信號(hào)產(chǎn)生 響應(yīng)，該響應(yīng)值通過下式生成分布概率p(l，q):7. 根據(jù)權(quán)利要求6所述的土地未來利用情景動(dòng)態(tài)模擬方法，其特征在于：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)量來衡量各種土地利 用類型在空間上的相互影響，鄰域函數(shù)的定義如下：其中是鄰域函數(shù)，表示第t次迭代時(shí)，以影像中位于第i行、第j列的像元為中心的η Χη窗口中的第q類土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k種土地利用類型;Con (Sk = q)表示檢測鄰域內(nèi)的當(dāng)前土地利用像元 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：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q種土地利用 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)。
【專利摘要】本發(fā)明提出并公開了一種土地未來利用情景動(dòng)態(tài)模擬方法，該方法集成了元胞自動(dòng)機(jī)(CA)模擬復(fù)雜系統(tǒng)時(shí)空演化過程的能力和CLUE-S模型模擬多類別土地利用類型競爭的優(yōu)勢，通過優(yōu)勢整合克服了傳統(tǒng)元胞自動(dòng)機(jī)或單純CLUE-S模型的一些固有缺陷；另外采用了神經(jīng)網(wǎng)絡(luò)(ANN)算法實(shí)現(xiàn)了分布概率的智能計(jì)算，引入輪盤賭的競爭機(jī)制實(shí)現(xiàn)多種土地利用變化的同步模擬，使得新方法更適合多種類別的土地利用數(shù)據(jù)；并且相對(duì)于傳統(tǒng)模型具有精度更高、適合多尺度、數(shù)據(jù)需求低、參數(shù)少、操作簡便、速度快等實(shí)用優(yōu)點(diǎn)；該方法有效的將智能算法(ANN)和不確定性模型(賭輪)結(jié)合，同時(shí)應(yīng)用于未來土地利用情景預(yù)測中。
【IPC分類】G06F17/50
【公開號(hào)】CN105447235
【申請(qǐng)?zhí)枴緾N201510780066
【發(fā)明人】劉小平, 梁迅, 黎夏, 陳逸敏, 姚堯, 許曉聰, 李丹
【申請(qǐng)人】中山大學(xué)
【公開日】2016年3月30日
【申請(qǐng)日】2015年11月12日