[發(fā)明專利]一種結(jié)合空間濾波的土地利用變化建模方法及其系統(tǒng)

無效

• 申請?zhí)枺?/td>: 201210046117.4
• 申請日: 2012-02-28
• 公開（公告）號: CN102646164A
• 公開（公告）日: 2012-08-22
• 發(fā)明（設(shè)計）人: 黃波;章欣欣
• 申請（專利權(quán)）人: 黃波
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明屬于地理信息科學(xué)技術(shù)領(lǐng)域，具體內(nèi)容為引入一種空間濾波算法，用于消除土地利用變化空間數(shù)據(jù)由于自身空間自相關(guān)性影響而無法同傳統(tǒng)統(tǒng)計學(xué)模型相結(jié)合的缺陷，使經(jīng)過濾波處理的數(shù)據(jù)能更好用于土地利用變化建模的方法以及系統(tǒng)。

背景技術(shù)

目前，土地利用變化建模的方法依其研究角度大體分為兩類：第一類為從宏觀調(diào)控角度出發(fā)的具有“自上而下”特點(diǎn)的計量數(shù)學(xué)模型，如系統(tǒng)動力學(xué)模型、馬爾科夫鏈模型以及一些針對地理空間特性進(jìn)行變換后的數(shù)學(xué)統(tǒng)計模型等。第二類則是具有“自下而上”的人工智能模型，其原理為根據(jù)土地利用變化的現(xiàn)象抽象出一系列符合實際變化現(xiàn)象的轉(zhuǎn)化規(guī)則，使土地利用變化按照轉(zhuǎn)化規(guī)則隨時間自主演化的，該類模型的代表包括元胞自動機(jī)、智能體和多智能體模型等。

以上兩類研究方法的主要區(qū)別在于對地理數(shù)據(jù)的理解程度不同，計量數(shù)學(xué)模型側(cè)重從全局變化中挖掘內(nèi)在隱含的變化機(jī)制，并利用所獲得的評價模型對單體樣本進(jìn)行預(yù)測，符合統(tǒng)計學(xué)的思路。而人工智能模型則突出個體單元的主體變化特征和它們之間變化的差異，試圖通過對個體的解釋來反映宏觀變化情況。雖然出發(fā)點(diǎn)不同，但兩種方法都考慮到土地利用變化過程中的時空分異特性：例如在時間維度上，前者可以通過人為選取發(fā)展模式進(jìn)行控制，后者則通過在轉(zhuǎn)化規(guī)則中增加限定條件實現(xiàn)；在空間分布特征上，前者通常計算土地利用變化的轉(zhuǎn)移矩陣以及輔助一定的變化限制圖層加以實現(xiàn)，后者則通常引入鄰域規(guī)則或者規(guī)劃控制條件進(jìn)行限制；而有關(guān)預(yù)測的處理二者則都是通過迭代進(jìn)行擬合控制。

以上所示的兩類建模方法都具有各自的不足和缺陷：計量數(shù)學(xué)模型采用傳統(tǒng)的數(shù)學(xué)模型，缺乏對地理數(shù)據(jù)時空特性的深入研究。如傳統(tǒng)的邏輯回歸方法進(jìn)行建模，其前提要保證樣本的無偏性和獨(dú)立性，而由于直接獲得的土地利用變化數(shù)據(jù)自身具有空間位置信息，一般情況下會受到周圍鄰域的影響而具有一定的空間自相關(guān)特征，導(dǎo)致模型整體的準(zhǔn)確度以及靈敏度下降，進(jìn)而使土地類別的評價結(jié)果產(chǎn)生偏差；同樣的，對于人工智能方法，由于土地變化牽涉的因素復(fù)雜，同各驅(qū)動力因子之間通常是互相影響和制約，一些人文因素如政治、經(jīng)濟(jì)等難以直接量化處理，使得算法在規(guī)則設(shè)定上常常不能面面俱到，一些算法即使獲得很好的模擬結(jié)果，但其自身對于整體因果聯(lián)系的解釋性不足。值得注意的是雖然兩種方法對于土地利用變化的內(nèi)在驅(qū)動力機(jī)制都有各自的闡述方法，但研究發(fā)現(xiàn)邏輯回歸算法或作為概率計算核心模塊，或作為變化規(guī)則輔助模塊，都有存在一定的應(yīng)用案例，表明該方法在解釋因子驅(qū)動力機(jī)制方面具有一定的優(yōu)勢。

發(fā)明內(nèi)容

針對以上土地利用變化建模方法存在的不足，本發(fā)明的目的是提供一種結(jié)合空間濾波的土地利用變化建模方法以及系統(tǒng)，具有易于構(gòu)建和高效率計算等優(yōu)點(diǎn)，可以為土地利用和土地規(guī)劃決策提供更為可靠的輔助信息。

本發(fā)明的基本內(nèi)容包括兩個部分：其一，針對土地利用變化的建模，采用普遍公認(rèn)的邏輯回歸方法：邏輯回歸方法指的是通過一條擬合的邏輯曲線反映事件發(fā)生的概率，由于此方法的自變量類型可以是數(shù)值類型或者分類數(shù)目，這種優(yōu)勢使可應(yīng)用于解釋土地利用變化和驅(qū)動力因子之間的關(guān)系。在本發(fā)明中，以土地類別作為模型的應(yīng)變量，計算其隨著驅(qū)動力因子即自變量的影響在某時間過程的變化概率。其二，本發(fā)明提供一種空間濾波方法，用于消除土地利用變化數(shù)據(jù)自身所具有的空間自相關(guān)性，使處理后的數(shù)據(jù)符合傳統(tǒng)邏輯回歸方法需要樣本無偏和獨(dú)立的前提條件，提高該方法在土地利用變化建模的模擬精度。

本發(fā)明為實現(xiàn)上述目的采用如下技術(shù)方案：。

步驟1：收集土地利用變化模型所需的原始數(shù)據(jù)并進(jìn)行預(yù)處理，如矢量數(shù)據(jù)、遙感柵格數(shù)據(jù)、經(jīng)濟(jì)統(tǒng)計數(shù)據(jù)進(jìn)行預(yù)處理?；舅悸肥前凑胀恋乩米兓臅r間節(jié)點(diǎn)作為參照標(biāo)記，在每一個時間節(jié)點(diǎn)均構(gòu)建一套對應(yīng)的土地利用變化數(shù)據(jù)集，包括土地利用現(xiàn)狀圖以及相關(guān)的驅(qū)動力因子數(shù)據(jù)集（主要包括空間化后的人口、經(jīng)濟(jì)、自然、政治因子）。

步驟2：對處理后的土地現(xiàn)狀圖和驅(qū)動力數(shù)據(jù)，以柵格像元為單位進(jìn)行樣本采集，完成后對樣本數(shù)據(jù)采用Pearson相關(guān)系數(shù)做相關(guān)性檢驗，排除相關(guān)性明顯（大于0.7）的驅(qū)動力因子，隨后引入空間濾波方法，在不改變采樣數(shù)目的情況下，對自變量（土地利用現(xiàn)狀圖）以及應(yīng)變量（驅(qū)動力因子圖層）做空間濾波處理，排除空間自相關(guān)性的影響。濾波結(jié)果即把變量所描述的信息分拆為兩個部分，為空間特征分量和非空間特征分量。

步驟3：把空間濾波處理后的樣本數(shù)據(jù)引入邏輯回歸模型進(jìn)行計算，獲得每一個驅(qū)動力因子的模型參數(shù)以及土地利用變化模型，并驗證模型預(yù)測的精度。