一种基于邻域权重矩阵获得土地利用变化模拟结果的方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及土地利用变化趋势技术领域，尤其涉及一种基于邻域权重矩阵获得土地利用变化模拟结果的方法及装置。背景技术：2.土地利用变化模拟是分析和研究土地利用变化趋势和效应的重要工具，一直以来都是土地利用/覆被变化研究领域的核心内容。其原理在于基于自然环境和人类活动等驱动因子共同作用的影响下挖掘土地利用变化机理，同时考虑各土地利用类型之间的竞争和协调机制，从而实现土地利用动态模拟。通过构建合理的土地利用变化模拟模型，可以更精确的预测未来土地利用格局变化趋势，为未来土地利用格局发展方向以及生态环境效应分析提供依据。3.现在常用的是元胞自动机模型(cellular automata，ca)，该模型是土地利用变化空间配置模拟的常用模型，具有简单、灵活、自下而上进行反馈以及反映土地利用格局时空依赖性的特点。其由空间、状态、时间步长、邻域效应和转化规则五个部分构成，其中转化规则和邻域效应是确定ca模型模拟结果的两个关键组成部分。通过分析土地利用变化与其驱动因子之间的相互作用关系，计算元胞转换概率作为转换规则，但是存在不可观测或潜在的驱动因子影响土地利用变化，难以通过数学模型进行定量分析获取准确的转化规则，潜在的驱动因子包括不同时段不同土地利用方式在空间上的关联信息、土地利用类型时空聚类信息等；邻域效应由不同土地利用类型的数值比例以及邻域权重系数来表示，但是上述方法仅考虑单个地类的邻域作用强度，忽略了土地利用类型之间邻域作用强度差异；并且邻域权重参数设定具有较强的主观性和较低的泛用性，难以体现各研究区未来的土地利用变化情况。技术实现要素：4.本发明目的在于提供一种基于邻域权重矩阵获得土地利用变化模拟结果的方法及装置，以解决上述问题。5.为实现上述目的，本发明提供一种基于邻域权重矩阵获得土地利用变化模拟结果的方法，包括：6.基于空间同位模式挖掘，获得土地利用变化类型之间的关联信息；7.根据所述关联信息，获得土地利用变化模拟中的邻域权重矩阵；8.根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果。9.可选的，基于空间同位模式的挖掘，获得土地利用变化类型之间的关联信息，包括：10.获得土地利用变化类型实例对；11.将所述土地利用变化类型实例对存储于哈希表内，并将所述哈希表内的所述土地利用变化类型实例对作为二阶候选同位模式；12.根据所述二阶候选同位模式，获得频繁二阶同位模式；13.根据所述频繁二阶同位模式，计算所述频繁二阶同位模式的置信度，所述置信度用于表示不同土地利用变化类型之间关联强弱。14.可选的，获得土地利用变化类型实例对，包括：15.基于各时间段的土地利用变化图生成随机点；16.将摩尔邻域大小作为邻近距离阈值；17.根据所述邻近距离阈值和所述随机点，得到所述土地利用变化类型实例对。18.可选的，根据所述二阶候选同位模式，获得频繁二阶同位模式，包括：19.定义最小参与指数；20.通过计算所述二阶候选同位模式的参与指数，筛选出大于所述最小参与指数的二阶候选同位模式；21.通过将所述大于所述最小参与指数的二阶候选同位模式组合，获得所述频繁二阶同位模式。22.可选的，根据所述关联信息，获得土地利用变化模拟中的邻域权重矩阵，包括：23.根据所述频繁二阶同位模式的置信度，获得各时间段内各土地利用类型变化的置信度；24.基于各时间段的土地利用转移矩阵，获得各土地利用变化类型的面积占比；25.根据所述各时间段内各土地利用类型变化的置信度和所述各土地利用变化类型的面积占比，获得各土地类变化的邻域权重系数；26.整合所述各土地类变化的邻域权重系数，获得所述各时间段的邻域权重矩阵。27.可选的，根据所述各时间段内各土地利用类型变化的置信度和所述各土地利用变化类型的面积占比，获得各土地类变化的邻域权重系数，包括：通过以下公式获得各土地类变化的邻域权重系数，[0028][0029]其中，ωi→k是i→k土地利用类型变化的邻域权重矩阵系数；confidencei→k表示i→k变化类型的置信度；si→k/sk表示i→k类面积变化占转化为k类的总面积比例。[0030]可选的，根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果，包括：[0031]将所述邻域权重矩阵输入ann机器学习模型，获取土地利用地类的转化规则；[0032]获得改进的ca模型中的邻域效应；[0033]整合所述土地利用地类的转化规则和所述改进的ca模型中的邻域效应，获得土地利用变化组合概率；[0034]根据所述土地利用变化组合概率，获得所述土地利用变化模拟结果。[0035]可选的，通过以下公式获得所述改进的ca模型中的邻域效应，[0036][0037]其中，表示在t-2与t-1次迭代中的n×n摩尔窗口中由地类i转化为地类k的元胞数量，ωi→k表示是i→k土地利用类型变化的邻域权重矩阵系数，其值越大代表该地类变化类型的邻域作用越强。[0038]可选的，所述方法还包括：通过对所述土地利用变化模拟结果和实际的土地利用情况进行定量分析，验证所述土地利用变化模拟结果的精准度。[0039]可选的，采用fom系数行定量分析，所述fom系数通过以下公式获得，[0040][0041]其中，a是由于观察到的变化被预测为持久性而导致的区域，b是由于观察到的变化被预测为变化而导致的准确性区域，c是由于观察到的变化被预测为错误类别的区域，d是由于观察到的持久性被预测为的变化区域。[0042]本发明还提供一种基于邻域权重矩阵获得土地利用变化模拟结果的装置，包括：[0043]信息获得单元，用于基于空间同位模式挖掘，获得土地利用变化类型之间的关联信息；[0044]矩阵获得单元，用于根据所述关联信息，获得土地利用变化模拟中的邻域权重矩阵；[0045]结果获得单元，用于根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果。[0046]本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器执行所述程序时实现如上述任一项所述方法。[0047]本发明还提供一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如上述任一项所述方法。[0048]本发明的技术效果和优点：[0049]本发明提供一种基于邻域权重矩阵获得土地利用变化模拟结果的方法，包括：基于空间同位模式挖掘，获得土地利用变化类型之间的关联信息；根据所述关联信息，获得土地利用变化模拟中的邻域权重矩阵；根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果。通过结合空间同位模式挖掘的理论，发现潜在的土地利用变化之间的空间关联信息，能够更精确的预测土地利用变化规律。[0050]本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。附图说明[0051]图1为基于邻域权重矩阵获得土地利用变化模拟结果的方法流程图；[0052]图2为基于邻域权重矩阵参数的ann-ca土地利用变化模拟结果图；[0053]图3为基于邻域权重矩阵获得土地利用变化模拟结果的装置结构图；[0054]图4为电子设备图。具体实施方式[0055]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0056]为解决现有技术的不足，本发明公开了一种基于邻域权重矩阵获得土地利用变化模拟结果的方法，如图1所示。该方法包括：基于空间同位模式挖掘，获得土地利用变化类型之间的关联信息；根据所述关联信息，获得土地利用变化模拟中的邻域权重矩阵；根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果。通过结合空间同位模式挖掘的理论，发现潜在的土地利用变化之间的空间关联信息，能够更精确的预测土地利用变化规律。[0057]为了更好地理解本方案，以下对基于邻域权重矩阵获得土地利用变化模拟结果的方法进行详细介绍。[0058]本发明是基于现有基于ca土地利用模拟的不足，在此基础上结合了空间同位模式挖掘的特点和的优势，从而发现邻域内土地利用变化关联规律，应用至土地利用模拟中。主要步骤如下：[0059]1.基于空间同位模式挖掘，获取土地利用变化之间的关联信息。[0060]空间同位模式挖掘是时空关联模式挖掘的一个重要分支。它旨在发现多个布尔空间特征的依赖结构。其中空间同位模式是指一个空间事件或类型的集合，这些事件或类型的实例通常在定义的邻近范围内。[0061]空间关联信息是指土地利用变化类型等分类变量在空间上相似的排列方式，即使在去除驱动因子变量对土地利用模型影响的基础上，这种空间关联同样会对土地利用演化产生一定的影响。土地利用变化的空间关联信息是指土地利用变化类型在邻域内相似的排列方式，从侧面反映了土地利用同变化规律。本案例中基于空间同位模式的方法挖掘不同时间段邻近范围内的土地利用类型变化的集合，以发现多类型用地的协同变化规律，过程如下：[0062](1)基于各时间段的土地利用变化图生成随机点，每个随机点被视为一个实例对象，其组织结构为《实例id、土地利用变化类型fi、location(x,y)》。[0063](2)根据邻近距离阈值(采用摩尔邻域大小作为邻近距离阈值)得到土地利用变化类型实例对。[0064](3)建立一个size-2实例表t用来存储土地利用变化类型实例对，并以哈希表结构和土地利用变化类型作为索引，t中这些土地利用变化类型对被视为二阶候选同位模式。[0065](4)定义最小参与指数(min-pi)，计算二阶候选同位模式的参与指数(pi),然后提取出大于所定义的最小参与指数(min-pi)的二阶候选同位模式，组成频繁二阶同位模式(size-2cp)，最后计算频繁二阶同位模式的置信度，其大小表示不同土地利用变化类型之间关联强弱。[0066]同位模式(cp)的pi值计算如下：[0067][0068]pr(c,fi)＝|n(c,fi)|/|n(fi)|[0069]其中，参与度指数pi(c)来衡量同位模式的流行度，pr(c,fi)表示给定同位模式c中第fi类土地利用变化类型实例的参与率，n(c,fi)表示模式c实例群中fi的数量，n(fi)表示fi类特征土地利用变化类型总数。[0070]同时空间同位模式也可以用关联规则的形式表示，条件概率cp的计算公式为：[0071][0072]其中，cp(ci→cj)表示在土地利用变化类型ci空间邻域范围内发现土地利用变化类型cj的置信度，置信度含义是ci在一定邻近距离内发现cj的条件概率，以此表示第i类地类与第j类用地之间的关联情况，n(ci∪cj)表示两类土地利用变化类型共同出现的次数，n(ci)表示土地利用变化类型ci单独出现的次数。[0073]2.基于关联信息，获取土地利用模拟中的邻域权重矩阵。[0074]域权重系数是邻域效应中一部分，同时也是基于ca的土地利用变化模拟中的一个重要参数。邻域权重矩阵的参数表示该土地利用变化类型的扩张强度，表示在研究区内各变化类型在外界驱动因子或自身土地利用配置的情况下扩张的能力，阈值范围0到1，值越接近1则代表该类型的扩张能力越强。[0075]在以往方法中通过面积扩张规律获取该系数，并且忽略了不同土地利用类型之间的扩张强度差异。针对上述缺陷，本方法将表示单个土地利用类型的邻域权重系数改进为表示各土地利用类型变化的邻域权重系数，具体步骤为：[0076](1)根据所述频繁二阶同位模式的置信度，获得各时间段内各土地利用类型变化的置信度，其大小代表不同土地利用类型在摩尔邻域大小范围内的关联程度。[0077](2)基于各时间段的土地利用转移矩阵，计算不同土地利用变化类型的面积占比。[0078](3)将各地类变化的置信度和面积变化占比相乘，获得各地类变化的邻域权重系数。[0079](4)最后将各地类变化的邻域权重系数整合为邻域权重矩阵。邻域权重系数计算公式为：[0080][0081]其中，confidencei→k表示i→k变化类型的置信度；si→k/sk表示i→k地类面积变化占转化为k类的总面积比例；ωi→k是i→k土地利用类型变化的邻域权重系数。[0082]3.根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果。[0083]ann(artificial neural network)是一种受生物神经网络启发的机器学习模型，属于非线性动力系统，能够较好的实现非线性函数逼近，具有自学习、自组织、自适应的特点，可以有效融合不同数据类型，实现多变量、复杂信息并行处理。因此，它可以协同整合自然、社会、经济等多类驱动因子，并结合土地利用现状模拟在预设情景下各土地类型的适宜性分布概率，从而建立起不同用地类型同驱动因子之间的关联。[0084]根据上述土地利用系统动力学模型获取的土地利用需求数量，将"自上而下"的宏观土地利用需求和"自下而上"元胞自动机模型空间分配机制相结合，可以更好地处理多类型用地在自然、社会、经济协同作用下发生变化的不确定性和复杂性，最后实现高精度的多情景土地利用模拟。首先基于人工神经网络模型获取土地利用地类的转化规则；然后依据ca模型“自上而下”的机制，整合转化规则和邻域效应获取土地利用变化组合概率，通过相应的数学过程对未来各地类像元需求量在空间上合理分配，最后得到土地利用变化模拟结果，并与实际土地利用观测图进行比较以验证模拟精度，具体为：[0085](1)基于ann模型获取土地利用地类的转化规则，ann模型包含一个输入层，一个隐含层和一个输出层。输入层包括土地利用数据以及一系列经过归一化处理的驱动因子数据，可表示为x＝[x1,x2,.....,xn]，其中xi为输入层的第i个神经元。[0086]在隐含层中，第j个神经元接收到的信号的计算公式如下：[0087][0088]其中，aj表示隐藏层第j个神经元的输入信号；ωji表示第j个隐含层神经元与输入层的第i个神经元之间的自适应权重；n为输入层神经元的个数。[0089]选取sigmoid作为激活函数，则隐含层第j个神经元的输出信号的计算公式为：[0090][0091]其中，zj表示隐藏层中的第j个神经元的输出信号，aj表示隐藏层第j个神经元的输入信号。[0092]输出层的计算结果为各个单元格内各个地类的适应性概率，即转化规则，其计算公式为：[0093][0094]其中，ωkj表示输出层的第k个神经元与隐藏层的第j个神经元之间的自适应权重，pk表示各个网格单元中每种土地利用类型的适宜性概率。[0095](2)ca模型的空间分配[0096]通过整合转化规则、邻域效应以及约束条件等获取各像元的土地利用变化组合概率，每个像元将转变为具有最高组合概率的土地利用类型。总概率计算公式如下所示：[0097][0098]其中，表示第t次迭代时元胞i上从原始地类转化至k地类的总概率；pi,k表示元胞i上地类k的发展概率，即转化规则；表示迭代时间上元胞i的邻域效应；表示时间t时k类用地的自适应惯性系数。[0099]考虑到不同土地利用类型的邻域作用强度差异，本发明改进了ca模型中的邻域效应，使用上述获取的邻域权重矩阵参数代表未来土地利用模拟中的邻域扩张强度，以其体现邻域内不同土地利用变化类型之间的相互作用。改进的邻域效应公式为：[0100][0101]其中，表示在t-2与t-1次迭代中的n×nmoore(摩尔)窗口中由地类i转化为地类k的元胞数量，以体现土地利用变化之间的相互作用，注意i与k可以相等表示地类在两个时间段内没有发生变化。ωi→k表示不同土地利用变化类型的邻域权重矩阵系数，其值越大代表该地类变化类型的邻域作用越强。因此，将ωk变为ωi→k不仅能够体现各土地利用类型的邻域作用强度，还体现了各土地利用类型之间的差异性。[0102](3)模拟精度评价[0103]将历史模拟的结果与实际的土地利用情况进行比较分析，验证模型的分类模拟精度。定量评价精度方法主要有三种，分别是混淆矩阵、kappa系数和fom系数。混淆矩阵中对角线的值表示正确模拟的像元数量。两个系数的计算公式为：[0104][0105]kappa系数是根据混淆矩阵计算而来的。其中po是总体分类精度，通过每类正确模拟的土地利用类型像元数量之和除以总像元数量。pe是所有地类的“实际与预测数量的乘积”的总和，除以“样本总数的平方”。[0106][0107]fom系数在评估土地利用变化模拟结果的准确性方面优于kappa系数。其中，a是由于观察到的变化被预测为持久性而导致区域，b是由于观察到的变化被预测为变化而导致的准确性区域，c是由于观察到的变化被预测为错误类别的区域，d是由于观察到的持久性被预测为变化区域。[0108]为了更好地解释本发明，下面还提供了以武汉市为研究区的模拟结果。[0109]1.空间同位模式挖掘获取土地利用变化类型之间的关联信息。[0110]2.基于关联信息获取土地利用模拟中的邻域权重矩阵，如表1所示。[0111]表1：邻域权重矩阵[0112][0113]3.整合邻域权重矩阵的ann-ca土地利用变化模拟，2020年土地利用模拟结果与2020年实际土地利用格局如图2所示。为了对模拟结果进行定量分析，构建模拟结果与实际土地利用格局的逐格混淆矩阵如表2所示。[0114]表2：2020年实际与模拟的混淆矩阵[0115][0116]本发明还提供一种基于邻域权重矩阵获得土地利用变化模拟结果的装置，如图3所示。该装置包括：信息获得单元，用于基于空间同位模式挖掘，获得土地利用变化类型之间的关联信息；矩阵获得单元，用于根据所述关联信息，获得土地利用变化模拟中的邻域权重矩阵；结果获得单元，用于根据所述邻域权重矩阵和ann机器学习模型，获得土地利用变化模拟结果。[0117]由于该装置保护的内容与上述方法保护的内容相类似，所以，在此不做过多介绍，详细请参考上述方法的阐释部分。[0118]本发明还提供一种设备，如图4所示。该电子设备，包括：至少一个处理器，至少一个通信接口，至少一个存储器和至少一个通信总线；可选的，通信接口可以为通信模块的接口，如gsm模块的接口；处理器可能是处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。存储器可能包含高速ram存储器，也可能还包括非易失性存储(non-volatile memory)，例如至少一个磁盘存储器。其中，存储器存储有程序，处理器调用存储器所存储的程序，以执行本技术上述实施例中提供的方法。[0119]与本技术上述方法相对应的，本技术还提供一种计算机存储介质。所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，以执行本技术上述实施例中提供的方法。[0120]最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!