CN107665376A - 一种湿地空间分布变化格局模拟与预测方法 - Google Patents
一种湿地空间分布变化格局模拟与预测方法 Download PDFInfo
- Publication number
- CN107665376A CN107665376A CN201710682511.XA CN201710682511A CN107665376A CN 107665376 A CN107665376 A CN 107665376A CN 201710682511 A CN201710682511 A CN 201710682511A CN 107665376 A CN107665376 A CN 107665376A
- Authority
- CN
- China
- Prior art keywords
- wetland
- distribution
- space
- type
- distribution pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种湿地空间分布变化格局模拟与预测方法。解决现有技术中存在的空间尺度单一、精度不高、预测情景单一的技术问题。方法,步骤包括对已知年份的湿地空间分布信息进行提取,获得湿地类型分布格局图;根据湿地类型分布格局图对湿地空间分布变化进行模拟;在多种情景下对湿地空间分布进行预测;预测结构进行精度评价。本发明的优点是提供了一种多时空多情景下湿地分布格局模拟预测方法,利用CA‑Markov模型提高对湿地需求面积的预测,提高了湿地空间分布格局模拟预测精度,具有较高的区域适应性,使得通过模拟模型对湿地未来空间分布格局的模拟预测能稳定运行。
Description
技术领域
本发明涉及一种湿地时空演变研究技术领域,尤其是涉及一种湿地空间分布变化格局模拟与预测方法。
背景技术
现有湿地时空演变研究主要针对湿地演变及景观格局分析,对于湿地空间分布格局模拟预测研究为缺乏。主要方法有:
1、***动力学;
2、马尔科夫模型;
3、元胞自动机模型;
4、多智能体***。
早期的数量预测模型着重于定性描述土地利用的***变化,分析地物类型的数量和面积的变化,以及其变化的速率等,这类模型通常为数学模型,通过固定的数学公式利用计算机计算得出结果,如Logistic回归模型、灰色预测模型(Gary Forecast Model)、马尔科夫(Markov)模型等。还有使用较广的动力学模型,其中代表性的有自下而上的基于微分方程的***动力学模型(SD:System Dynamics)和神经网络模型(ANN:Artificial NeuralNetwork)。然而,在实际模拟演变过程中,以上所述模型仍存在着不足。模拟结果只是在数量和面积上的变化,无法分析空间上的格局变化。如SD模型缺乏对空间因素的处理能力和各要素在空间上的反馈;Markov数量转移方面具备优势,却无法得知地物类型在空间上的变化程度。其次,受到研究者主观性的影响。如Logistic回归模型和SD模型在建模时,模型结构和参数的设定、影响因子的选取都是人为主观确定。空间分布格局的预测研究很好的解决了数量预测模型所存在的不足,大量学者开始转向对湿地空间分布格局的研究,结合近年来飞速发展的遥感和GIS技术,开展了对湿地在多时空尺度上的演变,各***间的相互作用,以及近年来备受关注的“人类—环境”的关系等一系列研究。如元胞自动机模型、土地利用变化及效应模型、多智能体***等单一的模型难以满足湿地时空格局的复杂变化,多模型的综合应用是必然发展趋势。数量模型与空间模型的耦合、多个空间模型间的综合利用等,如CA-Markov模型、Logistic-CA-Markov、Markov-CLUES、LUSD(Land Use ScenarioDynamics model)等。由于土地利用***的复杂性,难以建立一个能量化一切的普适性模型。不同的模型有其优势以及适用的范围,对不同的研究区进行预测时需根据特定要求选取合适的模型或选择多个模型综合应用。
现有的这些湿地时空演变研究方法具有以下缺陷:
(1)只考虑湿地类型在数量上的变化,而无法预知空间位置上的分布变化;
(2)只考虑时间尺度下的变化,未考虑针对研究区域进行的多空间尺度的研究;
(3)只考虑单一湿地演变趋势,未考虑湿地在多种情景下的可能发展趋势。
多数预测模型都土地利用演变及城市发展的预测,用于湿地时空演变的模型及案例较少。湿地空间分布格局模拟预测方法还处于起步阶段,其模拟尺度与情景设置较为单一,模拟精度大大下降。。
发明内容
本发明主要是解决现有技术中存在的空间尺度单一、精度不高、预测情景单一的技术问题,提供了一种湿地空间分布变化格局模拟与预测方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种湿地空间分布变化格局模拟与预测方法,包括以下步骤:
S1.对已知年份的湿地空间分布信息进行提取,获得湿地类型分布格局图;
S2.根据湿地类型分布格局图对湿地空间分布变化进行模拟;
S3.在多种情景下对湿地空间分布进行预测。
本发明提供了一种多时空多情景下湿地分布格局模拟预测方法,提高了湿地空间分布格局模拟预测精度,具有较高的区域适应性,使得通过模拟模型对湿地未来空间分布格局的模拟预测能稳定运行。
本发明方法通过空间适宜性即各个湿地类型在空间上的分布概率判断及确定每个栅格位置的湿地类型。初始年份湿地空间分布格局图为栅格数据,由一个一个的像元构成。每个像元在初始湿地类型的基础上,通过预测数据集中各参数的设置分析,得到每个湿地类型在该像元位置的适宜性大小,通过不断迭代,将空间适宜性最高的湿地类型分配到该像元位置。
作为一种优选方案,步骤S1中信息提取的具体过程包括:
S11.获取研究区域若干年的遥感影像,根据制备覆盖情况和影像资料对影像进行筛选;
S12.根据湿地特征对湿地进行分类,建立湿地分类体系;
S13.根据各湿地类型在遥感影像上呈现的特征,获取每种湿地类型的解译标志,建立湿地遥感解译标志数据库;这里根据各湿地类型在遥感影像上呈现的特征,以及通过实地野外采样调查,获取每种湿地类型的解译标志,该原理为现有技术,可参考《遥感导论》中第五章:遥感图像目视解译与制图。
S14.将遥感影像进行几何校正处理,并裁剪成研究区域大小;
S15.根据湿地分类体系和湿地遥感解译标志数据库对遥感影像中各类湿地进行提取,获得湿地类型分布格局图。
作为一种优选方案,步骤2中变化的模拟过程包括:
S21.根据已有年份的湿地类型分布格局图,设置各年份的转换弹性系数与转换规则矩阵,确定不同湿地类型间的转换设置;
S22.利用CA-Markov模型通过对已有年份的湿地分布格局模拟获得预测年份湿地需求面积;根据已知年份和预测年份的湿地需求面积,对其进行多项回归分析,利用线性内插法确定从起始年份到预测年份每一年的湿地需求面积;
S23.确定驱动因子,驱动因子包括自然因子、社会因子、距离因子;自然因子包括高程、坡度、坡向;社会因子包括当地人口密度、GDP;距离因子包括距海域、道路、河流、城市距离。
S24.将驱动因子与实地类型进行Auto-logistics回归分析,确定各个湿地类型在空间上的分布概率。
作为一种优选方案,步骤S3中湿地空间分布预测过程为:
S31.确定主要参数,包括确定行列号、空间坐标、像元大小、湿地类型个数、驱动因子个数、初始年份与预测年份、迭代系数;
S32.根据空间政策和限制区域,选择快速转变的湿地类型,根据弹性系数与转换规则矩阵,确定不同湿地类型间的转变;根据驱动因子及回归关系、以及不同湿地类型的面积需求量,通过空间分配概率将湿地类型分配到相应栅格位置;通过不断迭代,至栅格最大平均差异与最大个体差异低于设定迭代系数,停止迭代,得到未来湿地空间分布格局图;
S33.设置模拟模型优化实验,保证其它参数不变,设置空间尺度梯度,在多空间尺度下进行平行实验,确定研究区域最佳空间模拟尺度;
S34.根据湿地未来发展的多种趋势,设置湿地多情景模拟,确定不同情景下的参数设置,进行空间迭代分配,得到多种发展趋势下湿地未来空间分布格局图。
作为一种优选方案,还包括S4.预测结构进行精度评价;其具体过程为:
S41.比较预测的湿地空间分布格局图与实际的空间分布格局图,统计出误差矩阵表;具体采用IDRISI软件统计得到误差矩阵表,该原理为已知技术,参考《遥感应用分析原理与方法》中6.5节,误差分析和精度评级。
S42.根据湿地预测空间分布格局与实际空间分布格局误差矩阵表,获取湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率;
误差矩阵表中对角线数据表示湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率,表示每个湿地类型预测的吻合度,作为精度评价标准之一;从表中提取这些数据获得湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率。
S43.计算每个湿地类型的图斑栅格重叠率的总和和与实测总和的比值,计算制图精度、用户精度、漏分误差以及错分误差,最终计算得到Kappa系数。比值结果即为湿地预测空间分布格局的总体精度,作为湿地预测空间分布格局是总体精度评价标准。
作为一种优选方案,步骤S32的具体过程包括:
S321.将湿地类型分布格局图划分成若干栅格单元,确定允许发生变化的栅格单元;
S322.计算每个栅格单元上各湿地类型的概率:
TPROi,u=Pi,u+ELASu+ITERu,
其中TPROi,u表示湿地类型u在i栅格单元上的总概率,Pi,u是Logistic回归模型计算出的空间分布概率,ELASu为湿地类型u的转换弹性系数,ITERu为湿地类型u的迭代变量值;
S323.将相同迭代变量值ITERu分配给各湿地类型,然后计算出每一栅格单元上的湿地类型分布总概率TPROi,u,按从大到小对各栅格的湿地类型进行初次分配;
S324.对比各湿地类型初次分配的面积和土地需求面积的大小,若初次分配的面积比需求面积大,则减小迭代变量ITERu的值,相反则增大ITERu的值;
S325.重复步骤S322-S324,直到分配面积等于需求面积,保存改年份的最终分配图,并继续进行下一年湿地类型的分配,得到未来湿地分布格局图。
因此,本发明的优点是:提供了一种多时空多情景下湿地分布格局模拟预测方法,利用CA-Markov模型提高对湿地需求面积的预测,提高了湿地空间分布格局模拟预测精度,具有较高的区域适应性,使得通过模拟模型对湿地未来空间分布格局的模拟预测能稳定运行。
附图说明
附图1是本发明的一种流程示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
请根据该段的说明对下面实施例的具体步骤进行补充下。
实施例:
本实施例一种湿地空间分布变化格局模拟与预测方法,包括以下步骤:
S1.对已知年份的湿地空间分布信息进行提取,获得湿地类型分布格局图;S1中信息提取的具体过程包括:
S11.获取研究区域若干年的遥感影像,根据制备覆盖情况和影像资料对影像进行筛选;本实施例中获取1986年至2016年的遥感影像数据为例,根据植被覆盖情况和影像质量对获取影像进行筛选,剔除云量大、植被覆盖度小的影像。并选择同一时间相隔五年为周期的影像数据。最后获得影像数据为2006、2011、2016年3期Landsat系列数据。
S12.根据湿地特征对湿地进行分类,建立湿地分类体系;
根据湿地分类国际标准与中国湿地分类国家标准,将研究区域湿地进行划分。湿地分成海洋和海岸湿地、内陆湿地、人工湿地和非湿地,其中海洋和海岸湿地具体分为浅海水域、沿海滩涂,内陆湿地具体分为河流湿地、湖泊湿地、森林湿地,人工湿地分为运河、水塘、耕地、围垦滩涂,非湿地包括道路、建筑用地。
S13.根据各湿地类型在遥感影像上呈现的特征,以及实地野外采样点调查,获取每种湿地类型的解译标志,建立湿地遥感解译标志数据库;原理参照《遥感导论》中第五章:遥感图像目视解译及制图。
S14.将遥感影像进行几何校正处理,并裁剪成研究区域大小;
S15.根据湿地分类体系和湿地遥感解译标志数据库对遥感影像中各类湿地进行提取,获得湿地类型分布格局图。
湿地的形成和演变有着独特的规律,水分条件是湿地定义与分类最基本也是最重要的因子。湿地信息提取分为两步:水体提取和非水体湿地提取。
水体提取以遥感水体指数为基础,利用空间聚类和阈值分割方法提取水体信息。首先利用改进的归一化指数模型(MNDWI)计算出遥感水体指数,对提取出的图像进行聚类统计,运用领域形态学算子将相邻的区域合并最后得到影像水体结果图。其中利用改进的归一化指数模型(MNDWI)采用已知技术,可参见文献:徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报.2005,(5):589-595。领域形态学算子为现有技术,可参考文献:刘旭拢,钟凯文,陈志良,黄建明,刘万侠.基于tm影像的珠江三角洲河道快速提取方法研究[J].遥感技术与研究.2008:57-61。
非水体湿地提取根据湿地解译标志,叠合不同时期水体信息结构和遥感影像,获得非湿地区域。
S2.根据湿地类型分布格局图对湿地空间分布变化进行模拟;
步骤2中变化的模拟过程包括:
S21.根据已知年份的湿地类型分布格局图,设置各年份的转换弹性系数与转换规则矩阵,确定不同湿地类型间的转换设置;
转换弹性系数与湿地类型变化的可逆性有关,弹性系数值在0-1之间,值越接近1表示该湿地的稳定性越高,转换为别的类型的可能性越小。高资本投资的湿地类型很难向其他土地类型转换,如住宅,其值设置趋近于1;低成本投资的湿地类型则很容易转换为其他土地类型,如耕地转变为建设用地,其值设置趋近于0。各个湿地类型之间的转换矩阵决定了不同湿地类型之间是否可以进行转换,1代表可以发生转换,0代表不可以发生转换。如河流湿地可以向建筑发生转变,因此设置为1;而建筑不向河流湿地发生转变,因此设置为0。将各个湿地类型之间转换弹性系数对应列出表就形成转换规则矩阵,规则矩阵表如下所示,
其中数字0-10表示:0浅海水域,1沿海滩涂,2河流湿地,3湖泊湿地,4森林沼泽,5运河,6水塘,7耕地,8围垦滩涂,9道路,10建筑用地。
S22.利用CA-Markov模型通过对已有年份的湿地分布格局模拟获得预测年份湿地需求面积;根据已知年份和预测年份的湿地需求面积,对其进行多项回归分析,利用线性内插法确定从起始年份到预测年份每一年的湿地需求面积;
CA-Markov模型是一个动态***,其中T+1时刻的状态概率分布由T时刻决定,而不是由T时刻之前的状态决定。在湿地动态变化中,不同湿地类型之间相互转化,而转化过程的不可预测性无法用函数来准确表达,因此该模型适宜于湿地动态变化的模拟。
利用CA-Markov模型之前需要得到转移概率矩阵,转移概率矩阵表达式如下:
其中Pij表示第i个湿地类型从上一个状态到下一个状态的第j个湿地类型的变换概率,n是研究区域的湿地类型总数。Pij满足以下要求:
0≤Pij≤1(i,j=1,2,3…n)
式中Pn为任意时刻的状态概率,Pn-1为此时刻之前的状态概率。原理可以根据以下文献得知DongJie Guan;HaiFeng Li;Takuro Inohae;Weici Su;Tadashi Nagaie;Kazunori Hokao.Modeling urban land use change by the integration of cellularautomaton and Markov model[J].Ecological Modelling.2011,Vol.222(No.20-22):3761-3772。根据例子,2006-2011年湿地类型转移概率矩阵表如下:
利用CA-Markov模型通过对已有年份的湿地分布格局模拟获得2016年的湿地需求面积,根据2006-2011年湿地类型转移概率矩阵,以2011年湿地类型需求量为基础,利用CA-Markov模型得到2016年的湿地类型需求面积,在通过线性内插得到2012-2016年的湿地类型需求面积,如下表;
同理,在预测2021年的湿地类型需求面积时,以2016年湿地需求量为基础,基于2011-2016年湿地类型的转移概率矩阵,利用CA-Markov模型以2021年的湿地类型需求面积,再通过线性内插得到2017-2021年的湿地类型需求面积,如下表:
其中数字0-10表示:0浅海水域,1沿海滩涂,2河流湿地,3湖泊湿地,4森林沼泽,5运河,6水塘,7耕地,8围垦滩涂,9道路,10建筑用地。
S23.确定驱动因子,驱动因子包括自然因子、社会因子、距离因子;自然因子包括高程、坡度、坡向;社会因子包括当地人口密度、GDP;距离因子包括距海域、道路、河流、城市距离。
S24.将驱动因子与实地类型进行Auto-logistics回归分析,确定各个湿地类型在空间上的分布概率。
S3.在多种情景下对湿地空间分布进行预测;
步骤S3中湿地空间分布预测过程为:
S31.确定主要参数,包括确定行列号、空间坐标、像元大小、湿地类型个数、驱动因子个数、初始年份与预测年份、迭代系数;
S32.根据空间政策和限制区域,选择快速转变的湿地类型,根据弹性系数与转换规则矩阵,确定不同湿地类型间的转变;根据驱动因子及回归关系、以及不同湿地类型的面积需求量,通过空间分配概率将湿地类型分配到相应栅格位置;通过不断迭代,至栅格最大平均差异与最大个体差异低于设定迭代系数,停止迭代,得到未来湿地空间分布格局图;
步骤S32的具体过程又包括:
S321.将湿地类型分布格局图划分成若干栅格单元,确定允许发生变化的栅格单元;
S322.计算每个栅格单元上各湿地类型的概率:
TPROi,u=Pi,u+ELASu+ITERu,
其中TPROi,u表示湿地类型u在i栅格单元上的总概率,Pi,u是Logistic回归模型计算出的空间分布概率,ELASu为湿地类型u的转换弹性系数,ITERu为湿地类型u的迭代变量值;
S323.将相同迭代变量值ITERu分配给各湿地类型,然后计算出每一栅格单元上的湿地类型分布总概率TPROi,u,按从大到小对各栅格的湿地类型进行初次分配;
S324.对比各湿地类型初次分配的面积和土地需求面积的大小,若初次分配的面积比需求面积大,则减小迭代变量ITERu的值,相反则增大ITERu的值;
S325.重复步骤S322-S324,直到分配面积等于需求面积,保存改年份的最终分配图,并继续进行下一年湿地类型的分配,得到未来湿地分布格局图。
S33.设置模拟模型优化实验,保证其它参数不变,设置空间尺度梯度,在多空间尺度下进行平行实验,确定研究区域最佳空间模拟尺度;
S34.根据湿地未来发展的多种趋势,设置湿地多情景模拟,确定不同情景下的参数设置,进行空间迭代分配,得到多种发展趋势下湿地未来空间分布格局图。
本实施例以在1.自然增长情景,2.经济发展情景,3.生态建设情景三种情景下为例。
考虑多时空尺度下的湿地演变,其中包括时间尺度与空间尺度的研究,对于不同研究区域,适用时间间隔尺度与空间模拟尺度不同,需进行优化实验对确定研究区域的最佳时空模拟尺度。对于湿地演变趋势,根据不同的情景模拟,充分考虑湿地未来多种发展趋势。
S4.预测结构进行精度评价。其具体过程为:
S41.比较预测的湿地空间分布格局图与实际的空间分布格局图,采用IDRISI软件统计出误差矩阵表;如下表所示,
其中n为误差矩阵中的总列数即总的类别数;xii为误差矩阵中第i行、第i列上的像元数量即正确分类的数目;xi+和x+i分别为第i行和第i列的总像元数量;N为总的用于精度评估的像元数量。
S42.根据湿地预测空间分布格局与实际空间分布格局误差矩阵表,获取湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率;
误差矩阵表中对角线数据表示湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率如上表所示,其中X11、X22。。。Xnn表示湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率,表示每个湿地类型预测的吻合度,作为精度评价标准之一;从表中提取这些数据获得湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率。
S43.计算每个湿地类型的图斑栅格重叠率的总和和与实测总和的比值,计算制图精度、用户精度、漏分误差以及错分误差,最终计算得到Kappa系数。比值为:(X11、X22。。。Xnn)/N,比值结果即为湿地预测空间分布格局的总体精度,作为湿地预测空间分布格局是总体精度评价标准。
Kappa系数用来对图像分类进行精度评价。本实施采用Kappa系数评估模型准确性,表达式为:
其中P(a)是模拟图和真实图(即被评价的图像和参考的图像)观察到的一致率,P(e)是期望达到的一致率。如果模拟图和真实图完全一致,则K值为1,K值高于0.8表示两个图之间一致性很强;0.6-0.8的K值代表一致性较高,K值范围从0.4-0.6表示中度一致,如果K值低于0.4,则一致性很差。
误差矩阵是计算K值的核心,误差矩阵显示模拟图与真实图湿地类型分布的差别。因此Kappa系数的计算公式为:
其中r为误差矩阵中湿地类型数,xii为误差矩阵中第i行、第i列上的像元数量;xi+和x+i分别为第i行和第i列的总像元数量;N为总的用于精度评估的像元数量。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种湿地空间分布变化格局模拟与预测方法,其特征在于:包括以下步骤:
S1.对已知年份的湿地空间分布信息进行提取,获得湿地类型分布格局图;
S2.根据湿地类型分布格局图对湿地空间分布变化进行模拟;
S3.在多种情景下对湿地空间分布进行预测。
2.根据权利要求1所述的一种湿地空间分布变化格局模拟与预测方法,其特征是步骤S1中信息提取的具体过程包括:
S11.获取研究区域若干年的遥感影像,根据制备覆盖情况和影像资料对影像进行筛选;
S12.根据湿地特征对湿地进行分类,建立湿地分类体系;
S13.根据各湿地类型在遥感影像上呈现的特征,获取每种湿地类型的解译标志,建立湿地遥感解译标志数据库;
S14.将遥感影像进行几何校正处理,并裁剪成研究区域大小;
S15.根据湿地分类体系和湿地遥感解译标志数据库对遥感影像中各类湿地进行提取,获得湿地类型分布格局图。
3.根据权利要求1所述的一种湿地空间分布变化格局模拟与预测方法,其特征是步骤2中变化的模拟过程包括:
S21.根据已有年份的湿地类型分布格局图,设置各年份的转换弹性系数与转换规则矩阵,确定不同湿地类型间的转换设置;
S22.利用CA-Markov模型通过对已有年份的湿地分布格局模拟获得预测年份湿地需求面积;根据已知年份和预测年份的湿地需求面积,对其进行多项回归分析,利用线性内插法确定从起始年份到预测年份每一年的湿地需求面积;
S23.确定驱动因子,驱动因子包括自然因子、社会因子、距离因子;
S24.将驱动因子与实地类型进行Auto-logistics回归分析,确定各个湿地类型在空间上的分布概率。
4.根据权利要求3所述的一种湿地空间分布变化格局模拟与预测方法,其特征是步骤S3中湿地空间分布预测过程为:
S31.确定主要参数,包括确定行列号、空间坐标、像元大小、湿地类型个数、驱动因子个数、初始年份与预测年份、迭代系数;
S32.根据空间政策和限制区域,选择快速转变的湿地类型,根据弹性系数与转换规则矩阵,确定不同湿地类型间的转变;根据驱动因子及回归关系、以及不同湿地类型的面积需求量,通过空间分配概率将湿地类型分配到相应栅格位置;通过不断迭代,至栅格最大平均差异与最大个体差异低于设定迭代系数,停止迭代,得到未来湿地空间分布格局图;
S33.设置模拟模型优化实验,保证其它参数不变,设置空间尺度梯度,在多空间尺度下进行平行实验,确定研究区域最佳空间模拟尺度;
S34.根据湿地未来发展的多种趋势,设置湿地多情景模拟,确定不同情景下的参数设置,进行空间迭代分配,得到多种发展趋势下湿地未来空间分布格局图。
5.根据权利要求1所述的一种湿地空间分布变化格局模拟与预测方法,其特征是还包括S4.预测结果进行精度评价;其具体过程为:
S41.比较预测的湿地空间分布格局图与实际的空间分布格局图,统计出误差矩阵表;
S42.根据湿地预测空间分布格局与实际空间分布格局误差矩阵表,获取湿地预测空间分布格局与实际空间分布格局的每个湿地类型的图斑栅格重叠率;
S43.计算每个湿地类型的图斑栅格重叠率的总和和与实测总和的比值,计算制图精度、用户精度、漏分误差以及错分误差,最终计算得到Kappa系数。
6.根据权利要求4所述的一种湿地空间分布变化格局模拟与预测方法,其特征是步骤S32的具体过程包括:
S321.将湿地类型分布格局图划分成若干栅格单元,确定允许发生变化的栅格单元;
S322.计算每个栅格单元上各湿地类型的概率:
TPROi,u=Pi,u+ELASu+ITERu,
其中TPROi,u表示湿地类型u在i栅格单元上的总概率,Pi,u是Logistic回归模型计算出的空间分布概率,ELASu为湿地类型u的转换弹性系数,ITERu为湿地类型u的迭代变量值;
S323.将相同迭代变量值ITERu分配给各湿地类型,然后计算出每一栅格单元上的湿地类型分布总概率TPROi,u,按从大到小对各栅格的湿地类型进行初次分配;
S324.对比各湿地类型初次分配的面积和土地需求面积的大小,若初次分配的面积比需求面积大,则减小迭代变量ITERu的值,相反则增大ITERu的值;
S325.重复步骤S322-S324,直到分配面积等于需求面积,保存改年份的最终分配图,并继续进行下一年湿地类型的分配,得到未来湿地分布格局图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710682511.XA CN107665376A (zh) | 2017-08-10 | 2017-08-10 | 一种湿地空间分布变化格局模拟与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710682511.XA CN107665376A (zh) | 2017-08-10 | 2017-08-10 | 一种湿地空间分布变化格局模拟与预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107665376A true CN107665376A (zh) | 2018-02-06 |
Family
ID=61097202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710682511.XA Pending CN107665376A (zh) | 2017-08-10 | 2017-08-10 | 一种湿地空间分布变化格局模拟与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665376A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146165A (zh) * | 2018-08-09 | 2019-01-04 | 安徽建筑大学 | 一种徽州景观聚落的趋向性聚类分析方法 |
CN109345445A (zh) * | 2018-09-03 | 2019-02-15 | 中国电子科技集团公司第二十八研究所 | 一种地理数据区域化迁移方法及*** |
CN109948662A (zh) * | 2019-02-27 | 2019-06-28 | 浙江工业大学 | 一种基于K-means和MMD的人脸图像深度聚类方法 |
CN110334412A (zh) * | 2019-06-14 | 2019-10-15 | 中国科学院东北地理与农业生态研究所 | 一种无遥感数据时期湿地景观格局的重建方法 |
CN114782824A (zh) * | 2022-06-16 | 2022-07-22 | 国家林业和草原局林草调查规划院 | 基于解译标志的湿地边界划定方法及装置、可读存储介质 |
CN115049158A (zh) * | 2022-08-12 | 2022-09-13 | 北京大学 | 城市***运行状态的预测方法、***、存储介质及终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160150494A (ko) * | 2015-06-22 | 2016-12-30 | 대한민국(산림청 국립산림과학원장) | 토석류 위험도를 예측하기 위한 장치 및 그 방법 |
-
2017
- 2017-08-10 CN CN201710682511.XA patent/CN107665376A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160150494A (ko) * | 2015-06-22 | 2016-12-30 | 대한민국(산림청 국립산림과학원장) | 토석류 위험도를 예측하기 위한 장치 및 그 방법 |
Non-Patent Citations (2)
Title |
---|
崔敬涛: ""基于Logistic-CA-Markov模型的临沂市土地利用变化模拟预测研究"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
陆汝成等: ""基于CLUE-S和Markov模型的土地利用情景模拟研究——以江苏省还太湖地区为例"", 《中国土地学会2008年学术年会论文集》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146165A (zh) * | 2018-08-09 | 2019-01-04 | 安徽建筑大学 | 一种徽州景观聚落的趋向性聚类分析方法 |
CN109345445A (zh) * | 2018-09-03 | 2019-02-15 | 中国电子科技集团公司第二十八研究所 | 一种地理数据区域化迁移方法及*** |
CN109345445B (zh) * | 2018-09-03 | 2022-11-25 | 中国电子科技集团公司第二十八研究所 | 一种地理数据区域化迁移方法及*** |
CN109948662A (zh) * | 2019-02-27 | 2019-06-28 | 浙江工业大学 | 一种基于K-means和MMD的人脸图像深度聚类方法 |
CN110334412A (zh) * | 2019-06-14 | 2019-10-15 | 中国科学院东北地理与农业生态研究所 | 一种无遥感数据时期湿地景观格局的重建方法 |
CN110334412B (zh) * | 2019-06-14 | 2022-08-12 | 中国科学院东北地理与农业生态研究所 | 一种无遥感数据时期湿地景观格局的重建方法 |
CN114782824A (zh) * | 2022-06-16 | 2022-07-22 | 国家林业和草原局林草调查规划院 | 基于解译标志的湿地边界划定方法及装置、可读存储介质 |
CN115049158A (zh) * | 2022-08-12 | 2022-09-13 | 北京大学 | 城市***运行状态的预测方法、***、存储介质及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
Grekousis et al. | Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area | |
Quan et al. | GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea) | |
You | Quantifying megacity growth in response to economic transition: A case of Shanghai, China | |
He et al. | Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
CN105243435A (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其*** | |
CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
CN109671003A (zh) | 一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法 | |
Gao et al. | Clustering urban multifunctional landscapes using the self-organizing feature map neural network model | |
Jiang et al. | Application of back propagation neural network in the classification of high resolution remote sensing image: take remote sensing image of Beijing for instance | |
Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
Hatim et al. | Addressing challenges and demands of intelligent seasonal rainfall forecasting using artificial intelligence approach | |
Al-Dousari et al. | Land use land cover change detection and urban sprawl prediction for Kuwait metropolitan region, using multi-layer perceptron neural networks (MLPNN) | |
Agga et al. | Short-term load forecasting: based on hybrid CNN-LSTM neural network | |
Matsui et al. | Spatially explicit residential and working population assumptions for projecting and assessing natural capital and ecosystem services in Japan | |
Kovalchuk et al. | Towards ensemble simulation of complex systems | |
Li et al. | Urban land price assessment based on GIS and deep learning | |
Tsai et al. | From parameter calibration to parameter learning: Revolutionizing large-scale geoscientific modeling with big data | |
Rocha et al. | Modelling coastal and land use evolution patterns through neural network and cellular automata integration | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |
|
RJ01 | Rejection of invention patent application after publication |