CN109359166A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109359166A CN109359166A CN201811181170.9A CN201811181170A CN109359166A CN 109359166 A CN109359166 A CN 109359166A CN 201811181170 A CN201811181170 A CN 201811181170A CN 109359166 A CN109359166 A CN 109359166A
- Authority
- CN
- China
- Prior art keywords
- driving force
- force factors
- error
- land use
- neural network
- 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.)
- Granted
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000001413 cellular effect Effects 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000008901 benefit Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 66
- 238000005070 sampling Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 30
- 230000007246 mechanism Effects 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 240000000233 Melia azedarach Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,本发明集成了元胞自动机模型(CA)模拟复杂***时空演化过程的能力和神经网络(ANN)准确的智能计算土地利用分布概率的优势,通过优势整合克服了传统元胞自动机模型在城市土地利用变化模拟中的一些固有缺陷;本发明改进了传统的神经网络(ANN)算法使其能够精确度量空间变量重要性,克服了传统神经网络算法的“黑箱机制”,能够准确透明识别以及计算影响每种土地利用的驱动力因子;并且相对于传统模型具有精度更高、适合多尺度、数据需求低、参数少、操作简便、速度快等实用优点。
Description
技术领域
本发明涉及地理信息科学技术领域,具体涉及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及装置。
背景技术
精细用地空间增长变化的模拟已经逐渐引起人们的关注,因为它能给决策者和政策制定者提供详细的城市数字化信息。以往的方法大多集中在改善城市内部模拟的方法效率上,但对于如何解释精细用地空间增长变化的驱动力因子尚没有一个成熟的方法来很好的解决。事实上,对于城市规划者来说,他们最关心的是城市内部结构是如何形成的以及它们是如何运作的,所以这就需要在进行城市土地利用模拟的同时,准确、便捷的计算出城市土地利用的驱动力因子贡献度。
在城市土地利用变化模拟中,元胞自动机(CA)模型是土地利用变化模拟研究中的主流模型。元胞自动机是一种具有很强的空间运算能力的时空离散动力学模型,在复杂性科学中占有重要的地位。经常被运用于自组织分析过程。元胞自动机着眼于微观,自下而上,充分体现了复杂***的个体与局部的行为会产生全局有序的模式的理念。元胞自动机能更准确、清楚、完整的模拟自然的复杂现象,模拟出复杂***的不可预测的行为,做到方程式模型做不到的模拟效果。能用比数学方程更加容易理解的方式模拟不规则的复杂的现象,能用计算机进行精度无损的建模,可以模拟任何可能的自然***行为且不能再简约。
地理元胞自动机的网格空间通常为正方形的二维网格,正方形网格直观简便,特别适合用计算机内存环境存储表达和编程处理。邻域是元胞自动机的动态成分,与元胞自动机的规则直接相关。在地理元胞自动机中,邻域窗口每次迭代都要扫描全图,得到每个元胞自动机的邻域信息,并根据邻域信息和转换规则刷新元胞状态。使得每次迭代都有新的地理状态输入。一个元胞下一时间段的所有可能状态与其转换规则构造了一种简单的、空间上离散的微观局部物理成分,是元胞自动机的规则,也是元胞自动机的状态转移函数。
本发明分析元胞自动机模型和神经网络模型的优势和局限,整合两个模型的优点,融合两个模型优势,互补两个模型间对应的劣势,提出了一种引入神经网络算法模型和元胞自动机模型的城市土地利用动态模拟并同步计算驱动了因子贡献度的方法。通过采样点提取土地利用类别与对应的土地利用驱动力数据并用神经网络算法(ANN)计算各类用地的分布概率,实现多种土地利用类型变化的同步模拟,并在计算分步概率的同时计算出空间变量的重要性进而转化为驱动力因子的贡献度。本方法的这些改进使得模型产生较少的中间数据,元胞的微观控制和预设宏观数量目标的结合使得模型适合各种尺度、多类别、各种分辨率的土地利用变化模拟;本方法在计算驱动力因子贡献度时能获得所有种类土地利用的驱动力因子贡献度不同的排序,找出影响不同土地利用的不同的关键因子。并具有较快的运行速度,参数较少的特点也更适合于实际应用。
发明内容
本发明实施例所要解决的技术问题在于,提供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,能够针对两类和多类别土地利用变化模拟问题并集成之前模型的优势,耦合智能算法,使得方法能同步的、精确的挖掘驱动力因子与土地利用变化之间的关系,更真实的反映土地利用变化过程,并能更精确的模拟精细用地空间增长的形态。
为解决上述问题,本发明的一个实施例提供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,在于构建一个精细用地空间增长动态模拟并能同步计算驱动力因子贡献度的模型,包括驱动力因子计算模块和土地利用迭代模拟模块,其特征在于,所述同步计算方法包括以下步骤:
驱动力因子计算模块计算驱动力因子阶段:
S1.对影像进行预处理后,对城市初始土地利用分类高分影像进行解译,获取初始土地利用数据;选取若干影响土地利用变化的驱动力因子组成驱动力数据;
S2.根据初始土地利用分类影像规定模拟区域的范围与标准栅格影像大小,采用欧式距离公式计算区域内栅格到土地利用变化驱动因子的距离,生成与标准栅格影像图幅大小一致的栅格距离数据;
S3.在驱动力数据与初始土地利用数据上进行随机点采样,获得采样数据并形成采样数据表;
S4.根据采样数据对神经网络算法进行训练,并将全体驱动力数据输入训练好的神经网络算法,计算神经网络算法的训练误差并输出为Error0以及每种土地利用类型在区域内的分布概率;
S5.改变采样数据表中第一个驱动力因子的值,将其值设置为随机数,将改变后的采样数据表输入已训练的神经网络算法,得到一个改变后的训练误差,记为Error1;
S6.重复S5步骤,直至改变所有驱动力因子的值并得到对应的训练误差,如总计N个驱动力因子,则本步骤可以得到N个训练误差,并记录为Error1,Error2,…,ErrorN;
S7.依次计算N个训练误差与整体训练误差Error0差值的绝对值,并依次记录绝对值为error1,error2,…,errorN;并对得到的每个error值进行大小排序,输出差值排序表,该排序表为驱动力因子贡献度排序输出表,表中的每个error即为对应每个驱动力因子的贡献度数值;
土地利用迭代模拟模块迭代输出阶段:
S8.将S4输出的分布概率数据与S1中的初始土地利用数据输入土地利用迭代模拟模块;迭代前设定邻域大小、每种用地类型的像元个数与转换限制矩阵;
S9.迭代扫描初始土地利用数据的像元,计算该像元在邻域内包含的土地利用类型和在邻域内所占的比例,与S4输出的分布概率、转换限制矩阵共同合成该像元上各类土地利用类型的总分布概率;
S10.转到S9,直至迭代完一幅影像的全部有效像元,然后返回S8刷新初始影像进入下一次迭代,计算到目标像元数目的差值;到达迭代次数R或者达到目标像元数目后,停止迭代输出结果。
进一步地,所述步骤S2中,采用空间欧式距离公式计算空间栅格到驱动力因子的距离:
其中(x0,y0)为驱动力因子的坐标,(xn,yn)为空间栅格的坐标,dise为计算出的欧式距离。
进一步地,使用采样数据对输入神经网络算法进行训练之前,需要对采样数据进行归一化处理,归一化处理可使用公式表示如下:
其中maxw和minw分别是第w个驱动力因子的最大值和最小值。
进一步地,所述参数自适应神经网络算法表示如下:
其中η(n)为第n次迭代的学习率,E(n)和E(n-1)为相邻两次迭代的神经网络输出的均方根误差,a、b和c均为常数,取值范围分别为(1,2)、(0,1)、[1,1.1]。
进一步地,所述参数自适应神经网络算法包括输入层、隐藏层和输出层,步骤S4中,全体驱动力数据通过输入层输入训练好的神经网络,驱动力数据经输入层、隐藏层和输出层依次处理后,获得每种土地利用类型在模拟区域内的分布概率;
设输入层接收的驱动力数据为xw'(l),则隐藏层第v个神经元所收到的信号公式为:
其中netv(l)为隐藏层第v个神经元所收到的信号;ω(w,v)为输入层和隐藏层之间一一对应的参数,即两个层级间的权重值;
隐藏层对netv(l)进行处理,然后将处理结果sig modv输出至输出层,其对netv(l)进行处理的具体过程如下:
输出层第q个神经元所收到的信号表示为:
θ(v,q)为隐藏层和输出层之间的权重参数,输出层接收到信号之后,对这些信号产生响应,该响应值通过下式生成分布概率p(l,q):
进一步地,所述步骤S7中,通过邻域函数构建一个扫描窗口,统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响,邻域函数的定义如下:
其中,Ck为元胞K所属土地利用类别,为一个判断函数,判断在t时刻元胞k的土地利用类别是否为l,若是则值为1,若否则值为0。为邻域函数,表示在t时刻时,以第k个元胞所在的像元为中心的n×n窗口中的第l类土地利用类型所占的比例。
因此,该模块合成的元胞总分布概率表示为:
其中P(k,t)为总分布概率,Pg(k,t,l)为神经网络输出的第k个元胞所在像元上第l种土地利用类型的分布概率,Rs为转换限制矩阵。
进一步地,所述的神经网络算法输出的驱动力因子贡献度方法为本模型通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算。
进一步地,所述本模型通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算具体步骤为,
假设每个训练样本存在V个输入变量,在ANN第一次训练完成后得到一个训练误差error1,根据不同训练样本训练均得到一个训练误差error;
设V个空间变量即对应V个驱动力因子,对v=1,2,...,V重复该过程;
基于增加每个训练样本中的第V个变量的值,计算额外的训练误差(表示为error2);
根据对比error1和error2之间的区别得到差异的量化结果,表示为第V个变量的重要性(第V个驱动力因子的贡献度)。
本发明的一个实施例还提供了一种空间增长动态模拟与驱动力因子贡献度同步计算装置,其特征在于,包括:
驱动力因子计算模块,用于对影像进行预处理后根据神经网络算法计算驱动力因子;
土地利用迭代模拟模块,用于将所述驱动力因子计算模块输出的分布概率数据与初始土地利用数据输入土地利用迭代模拟模块后迭代输出结果。
进一步地,所述通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算具体步骤为,
假设每个训练样本存在V个输入变量,在ANN第一次训练完成后得到一个训练误差error1,根据不同训练样本训练均得到一个训练误差error;
设V个空间变量即对应V个驱动力因子,对v=1,2,...,V重复该过程;
基于增加每个训练样本中的第V个变量的值,计算额外的训练误差(表示为error2);
根据对比error1和error2之间的区别得到差异的量化结果,表示为第V个变量的重要性(第V个驱动力因子的贡献度)。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的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及装置,本发明集成了元胞自动机模型(CA)模拟复杂***时空演化过程的能力和神经网络(ANN)准确的智能计算土地利用分布概率的优势,通过优势整合克服了传统元胞自动机模型在城市土地利用变化模拟中的一些固有缺陷;本发明改进了传统的神经网络(ANN)算法使其能够精确度量空间变量重要性,克服了传统神经网络算法的“黑箱机制”,能够准确透明识别以及计算影响每种土地利用的驱动力因子;并且相对于传统模型具有精度更高、适合多尺度、数据需求低、参数少、操作简便、速度快等实用优点。
附图说明
图1是本发明实施例提供的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的流程示意图;
图2是本发明实施例提供的一种多尺度多类别土地利用变化模拟方法的流程示意图;
图3是本发明实施例提供的2010年初始土地利用分类图;
图4是本发明实施例提供的各类土地利用变化的驱动力因子的示意图;
图5是本发明实施例提供的一种神经网络输出的各类用地的分布概率的示意图;
图6是本发明实施例提供的一种模拟结果图;
图7是本发明实施例提供的输出的精细用地增长驱动因子贡献度计算结果图。
具体实施方式
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。
首先介绍本发明可以提供的应用场景,如空间增长动态模拟与驱动力因子贡献度同步计算。
由于目前尚没有一个成熟的方法在对精细用地空间增长进行模拟的同时,同步的解释精细用地空间增长变化的驱动力因子。事实上,对于城市规划者来说,他们最关心的是城市内部结构是如何形成的以及它们是如何运作的,所以这就需要在进行城市土地利用模拟的同时,准确、便捷的计算出城市土地利用的驱动力因子贡献度。因此本发明创新性的提出了一种在动态模拟精细用地空间增长的同时同步计算驱动力因子贡献度的方法,为提高土地利用变化模拟的效率,简化模拟所需的数据、参数,解释城市内部结构的形成与构造、提高模拟的速度等方面提供了较好的解决方案。
本发明实施例:
请参阅图1-7。
本发明实施例中的研究对象为位于广东省南部的惠州市,陆地面积1.12万平方公里,占珠江三角洲经济区的四分之一。我们所研究的主要区域为惠州市中心城区,其位于惠州市的中心区——惠城区,包括桥东街道办、桥西街道办、龙丰街道办、江南街道办、江北街道办、河南岸街道办、小金口街道办共7个街道,是珠江三角洲外圈层重要的增长极,是珠江三角洲向内陆地区传递区域辐射带动力的重要门户,也是惠州市城市建设用地增长的代表区域和空间规划关注的重点区域。因而以惠州中心城区作为精细用地空间增长机制的研究区域较为理想。本文所采用的惠州市中心城区2000年、2005年、2010年和2015年的土地利用现状图通过综合研究区域不同时期的SPOT、Quickbird和Worldview2等遥感卫星影像数据,结合通过爬虫程序获取的各类POI数据,根据我国《城市用地分类与规划建设用地标准》(GB50137-2011),进行人工解译,将城市用地类型细分成交通设施用地、卫生用地、教育用地、行政机关用地、体育用地、商业用地、文化用地、居住用地、村庄建设用地、高层小区用地、公用设施用地、工业用地、物流仓储用地和非建设用地共计14小类,得到最终反映惠州中心城区不同年份详细用地情况的用地分类图。另外,从规划部门获取了惠州市的道路交通、生态控制线、人口、高程、规划用地等数据。所有的区域数据文件都要被统一成同尺度的栅格影像以方便进行像元尺度上的同质分析。根据土地利用变化模拟的研究经验结合惠州市的历史数据和现有数据,本文对精细用地空间增长的驱动机制研究的重点在城市空间中非建设用地栅格转变为某类建设用地和驱动力因素之间的关系。为了尽可能科学合理地对惠州中心城区城市用地空间布局驱动力进行研究,本文广泛收集各类相关数据,将惠州中心城区空间布局驱动力指标体系分为两级,其中,一级指标为自然因素、交通因素、区位因素、人口与用地现状因素和POI邻近因素五大类,二级为更具体的21小类因子。具体驱动因子包括:自然因素(高程、坡度、距水域距离);交通因素(距交通主干道(国道、省道、高速公路)距离、距市区主要道路距离、距市区其他小路距离和距公交站点距离);区位因素(距市中心距离、距集市中心距离);人口与用地现状因素(人口增量、规划用地分布);POI邻近因素(商业点、工业点、公共服务设施点、行政机构点、餐饮点、停车设施点、娱乐设施点、中小学等的点密度)。
本发明实施例中研究对象选择惠州市的原因主要在于:州市地处珠江三角洲东北端,南临南海大亚湾,毗邻深圳、香港,北连河源市,东接汕尾市,西邻惠州市和广州市,管辖惠城区、惠阳区、惠东县、博罗县、龙门县等2区3县,并设有两个国家级开发区:大亚湾经济技术开发区、仲恺高新技术产业开发区。至2014年,全市实现地区生产总值(GDP)3000.7亿元,增长10.0%,人均GDP为63665元。由于具备丰富的自然资源、优越的区位条件以及社会经济发展的良好态势,惠州市近年来城市化发展速度较快,发展后劲十足,各类城市建设用地持续扩张。
如图1-2所示,本实施例提供的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,在于构建一个精细用地空间增长动态模拟并能同步计算驱动力因子贡献度的模型,包括驱动力因子计算模块和土地利用迭代模拟模块,其特征在于,所述同步计算方法包括以下步骤:
驱动力因子计算模块计算驱动力因子阶段:
S1.对影像进行预处理后,对城市初始土地利用分类高分影像进行解译,获取初始土地利用数据;选取若干影响土地利用变化的驱动力因子组成驱动力数据;
可以理解的是,对影像进行预处理,用初始土地利用分类影像规定好模拟区域的范围与标准栅格影像大小,用欧式距离公式计算区域内栅格到土地利用变化驱动因子的距离。生成与便准栅格影像图幅大小一致的栅格距离数据。其中,欧氏距离是像元中心与源像元的中心的直线距离。其距离公式如下:
其中(x0,y0)为源的坐标,(xn,yn)为空间栅格的坐标,dise为搜索的欧式距离。
S2.根据初始土地利用分类影像规定模拟区域的范围与标准栅格影像大小,采用欧式距离公式计算区域内栅格到土地利用变化驱动因子的距离,生成与标准栅格影像图幅大小一致的栅格距离数据;
可以理解的是,如图3-4所示,图3为搜集的初始土地利用变化数据,图4为欧式距离计算的驱动因子以及地形和坡度驱动因子。从两期解译数据中提取出5类用地:1、居住用地;2、工业用地;3、商业用地;4、公共服务设施用地;5、非城市用地。驱动力因子包括:自然因素(高程、坡度、距水域距离);交通因素(距交通主干道(国道、省道、高速公路)距离、距市区主要道路距离、距市区其他小路距离和距公交站点距离);区位因素(距市中心距离、距集市中心距离);人口与用地现状因素(人口增量、规划用地分布);POI邻近因素(商业点、工业点、公共服务设施点、行政机构点、餐饮点、停车设施点、娱乐设施点、中小学等的点密度)。
S3.在驱动力数据与初始土地利用数据上进行随机点采样,获得采样数据并形成采样数据表;
可以理解的是,在驱动力数据与初始土地利用分类影像上用随机点采样,根据初始土地利用数据的特点选择采样方式。模型提供两种采样方式:1、均匀采样策略;2、比例采样策略。均匀采样策略使得各类土地利用类型的采样点一致,适用于不同土地利用类型面积差异较大的区域;比例采样法使得各类土地利用类型的采样点占总采样点的比例与各类初始土地利用类型与区域面积的比例一致,计算量较小,适合较大尺度区域采样。
本实施例中使用均匀采样策略使得各类土地利用类型的采样点一致,用采样点提取图3中的土地利用变化数据和图4中的驱动力数据。通过采样点抽取m=2000个土地利用变化影响因子以及其采样点对应的土地利用类型。采样后的样本公式表示为:
X(l)=[x1(l),x2(l),x3(l),...,xm(l)]T,
xw(l)为第l个采样点抽取的第w个土地利用变化影响因子的变量,T为转置。神经网络训练之前,需要将xw(l)做归一化处理,统一各个变量的量纲。归一化公式表示为:
其中maxw和minw分别是在第w个因子上的最大最小值。
S4.根据采样数据对神经网络算法进行训练,并将全体驱动力数据输入训练好的神经网络算法,计算神经网络算法的训练误差并输出为Error0以及每种土地利用类型在区域内的分布概率;
可以理解的是,把全体驱动力数据输入训练好的神经网络,输出每种土地利用类型在区域内的分布概率。
本实施例中p(l,u)为采样点训练神经网络的输出。网络训练完毕后,将所有土地利用变化驱动因子图层叠加并全图输入训练好的神经网络,将p(l,q)中的l转化成为像元的坐标(i,j),得到如下公式:
p(i,j,q)为神经网络输出的第(i,j)个像元上第q种用地类型的分布概率。
S5.改变采样数据表中第一个驱动力因子的值,将其值设置为随机数,将改变后的采样数据表输入已训练的神经网络算法,得到一个改变后的训练误差,记为Error1;
S6.重复S5步骤,直至改变所有驱动力因子的值并得到对应的训练误差,如总计N个驱动力因子,则本步骤可以得到N个训练误差,并记录为Error1,Error2,…,ErrorN;
S7.依次计算N个训练误差与整体训练误差Error0差值的绝对值,并依次记录绝对值为error1,error2,…,errorN;并对得到的每个error值进行大小排序,输出差值排序表,该排序表为驱动力因子贡献度排序输出表,表中的每个error即为对应每个驱动力因子的贡献度数值。
可以理解的是,使用采样数据对神经网络算法进行训练,将全体驱动力数据输入训练好的神经网络算法,计算神经网络算法的训练误差并输出为Error0。只改变采样数据表中第一个驱动力因子的值,将其值设置为随机数,将改变后的采样数据表输入训练好的神经网络算法,得到一个改变后的训练误差,记为Error1。重复第4步步骤,直到改变所有驱动力因子的值并得到对应的袋外误差,如总计N个驱动力因子,则本步骤可以得到N个训练误差,并记录为Error1,Error2,…,ErrorN。依次计算N个训练误差与整体训练误差Error0差值的绝对值,并依次记录绝对值为error1,error2,…,errorN。并对得到的每个error值进行大小排序,输出差值排序表,该排序表为驱动力因子贡献度排序输出表,表中的每个error即为对应每个驱动力因子的贡献度数值。
土地利用迭代模拟模块迭代输出阶段:
S8.将S4输出的分布概率数据与S1中的初始土地利用数据输入土地利用迭代模拟模块;迭代前设定邻域大小、每种用地类型的像元个数与转换限制矩阵;
可以理解的是,通过神经网络算法自动输出每种土地利用的分布概率。本实例中神经网络的输出为图5所示的5种土地利用类型的分布概率。
将分布概率数据与初始土地利用数据输入迭代模拟模块,设定好邻域大小和转换限制矩阵,并根据每种土地利用类型的需求面积设定目标像元个数,即各类用地需要达到的像元数。
本实施例中的惠州地区影像像元为10m,因而邻域范围选择3×3摩尔邻域。本实例模拟的时间为:从2010年模拟到2015年,因而目标像元个数与2015年的各类别土地利用分类影像一致,迭代次数设为100次。转换限制矩阵限制为城市不能转换为非城市用地。
S9.迭代扫描初始土地利用数据的像元,计算该像元在邻域内包含的土地利用类型和在邻域内所占的比例,与S4输出的分布概率、转换限制矩阵共同合成该像元上各类土地利用类型的总分布概率;
可以理解的是,如图5所示,迭代扫描初始土地利用数据的像元,计算该像元在邻域内包含的土地利用类型和在领域内所占的比例,与第5步输出的分布概率数据、转换限制矩阵共同合成该像元上各类土地利用类型的的总分布概率。
本实例中,本模型通过邻域函数构建一个扫描窗口,然后统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响,邻域函数如下表示:
因此,最终得到的元胞总分布概率可表示为下:
其中P(k,t)表示总分布概率,Pg(k,t,l)表示神经网络输出的第k个元胞所在像元上第l种土地利用类型的分布概率,Rs表示转换限制矩阵。
S10.转到S9,直至迭代完一幅影像的全部有效像元,然后返回S8刷新初始影像进入下一次迭代,计算到目标像元数目的差值;到达迭代次数R或者达到目标像元数目后,停止迭代输出结果。
可以理解的是,迭代完一幅影像的全部有效像元,返回第7步刷新初始影像进入下一次迭代,计算到目标像元数目的差值。到达迭代次数或者达到目标像元数目,停止迭代输出结果。
对比2015年惠州市模拟结果与真实结果,进行精度验证,计算混淆矩阵、Kappa系数及整体精度。
如图6-7所示,图6为最终输出的土地利用模拟图,图7为精细用地增长驱动力因子的贡献度排序。
本发明的实施例还提供了一种一种空间增长动态模拟与驱动力因子贡献度同步计算装置,包括:
驱动力因子计算模块,用于对影像进行预处理后根据神经网络算法计算驱动力因子;
土地利用迭代模拟模块,用于将所述驱动力因子计算模块输出的分布概率数据与初始土地利用数据输入土地利用迭代模拟模块后迭代输出结果。
具体的,所述通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算具体步骤为,
假设每个训练样本存在V个输入变量,在ANN第一次训练完成后得到一个训练误差error1,根据不同训练样本训练均得到一个训练误差error;
设V个空间变量即对应V个驱动力因子,对v=1,2,...,V重复该过程;
基于增加每个训练样本中的第V个变量的值,计算额外的训练误差(表示为error2);
根据对比error1和error2之间的区别得到差异的量化结果,表示为第V个变量的重要性(第V个驱动力因子的贡献度)。
本实施例提供的一种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及装置,本发明集成了元胞自动机模型(CA)模拟复杂***时空演化过程的能力和神经网络(ANN)准确的智能计算土地利用分布概率的优势,通过优势整合克服了传统元胞自动机模型在城市土地利用变化模拟中的一些固有缺陷;本发明改进了传统的神经网络(ANN)算法使其能够精确度量空间变量重要性,克服了传统神经网络算法的“黑箱机制”,能够准确透明识别以及计算影响每种土地利用的驱动力因子;并且相对于传统模型具有精度更高、适合多尺度、数据需求低、参数少、操作简便、速度快等实用优点。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种空间增长动态模拟与驱动力因子贡献度同步计算方法,在于构建一个精细用地空间增长动态模拟并能同步计算驱动力因子贡献度的模型,包括驱动力因子计算模块和土地利用迭代模拟模块,其特征在于,所述同步计算方法包括以下步骤:
驱动力因子计算模块计算驱动力因子阶段:
S1.对影像进行预处理后,对城市初始土地利用分类高分影像进行解译,获取初始土地利用数据;选取若干影响土地利用变化的驱动力因子组成驱动力数据;
S2.根据初始土地利用分类影像规定模拟区域的范围与标准栅格影像大小,采用欧式距离公式计算区域内栅格到土地利用变化驱动因子的距离,生成与标准栅格影像图幅大小一致的栅格距离数据;
S3.在驱动力数据与初始土地利用数据上进行随机点采样,获得采样数据并形成采样数据表;
S4.根据采样数据对神经网络算法进行训练,并将全体驱动力数据输入训练好的神经网络算法,计算神经网络算法的训练误差并输出为Error0以及每种土地利用类型在区域内的分布概率;
S5.改变采样数据表中第一个驱动力因子的值,将其值设置为随机数,将改变后的采样数据表输入已训练的神经网络算法,得到一个改变后的训练误差,记为Error1;
S6.重复S5步骤,直至改变所有驱动力因子的值并得到对应的训练误差,如总计N个驱动力因子,则本步骤可以得到N个训练误差,并记录为Error1,Error2,...,ErrorN;
S7.依次计算N个训练误差与整体训练误差Error0差值的绝对值,并依次记录绝对值为error1,error2,...,errorN;并对得到的每个error值进行大小排序,输出差值排序表,该排序表为驱动力因子贡献度排序输出表,表中的每个error即为对应每个驱动力因子的贡献度数值;
土地利用迭代模拟模块迭代输出阶段:
S8.将S4输出的分布概率数据与S1中的初始土地利用数据输入土地利用迭代模拟模块;迭代前设定邻域大小、每种用地类型的像元个数与转换限制矩阵;
S9.迭代扫描初始土地利用数据的像元,计算该像元在邻域内包含的土地利用类型和在邻域内所占的比例,与S4输出的分布概率、转换限制矩阵共同合成该像元上各类土地利用类型的总分布概率;
S10.转到S9,直至迭代完一幅影像的全部有效像元,然后返回S8刷新初始影像进入下一次迭代,计算到目标像元数目的差值;到达迭代次数R或者达到目标像元数目后,停止迭代输出结果。
2.根据权利要求1所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,所述步骤S2中,采用空间欧式距离公式计算空间栅格到驱动力因子的距离:
其中(x0,y0)为驱动力因子的坐标,(xn,yn)为空间栅格的坐标,dise为计算出的欧式距离。
3.根据权利要求1所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,使用采样数据对输入神经网络算法进行训练之前,需要对采样数据进行归一化处理,归一化处理可使用公式表示如下:
其中maxw和minw分别是第w个驱动力因子的最大值和最小值。
4.根据权利要求1所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,所述参数自适应神经网络算法表示如下:
其中η(n)为第n次迭代的学习率,E(n)和E(n-1)为相邻两次迭代的神经网络输出的均方根误差,a、b和c均为常数,取值范围分别为(1,2)、(0,1)、[1,1.1]。
5.根据权利要求4所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,所述参数自适应神经网络算法包括输入层、隐藏层和输出层,步骤S4中,全体驱动力数据通过输入层输入训练好的神经网络,驱动力数据经输入层、隐藏层和输出层依次处理后,获得每种土地利用类型在模拟区域内的分布概率;
设输入层接收的驱动力数据为xw′(l),则隐藏层第v个神经元所收到的信号公式为:
其中netv(l)为隐藏层第v个神经元所收到的信号;ω(W,v)为输入层和隐藏层之间一一对应的参数,即两个层级间的权重值;
隐藏层对netv(l)进行处理,然后将处理结果sig modv输出至输出层,其对netv(l)进行处理的具体过程如下:
输出层第q个神经元所收到的信号表示为:
θ(v,q)为隐藏层和输出层之间的权重参数,输出层接收到信号之后,对这些信号产生响应,该响应值通过下式生成分布概率p(1,q):
6.根据权利要求5所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,步骤S7中,通过邻域函数构建一个扫描窗口,统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响,邻域函数的定义如下:
其中,Ck为元胞K所属土地利用类别,为一个判断函数,判断在t时刻元胞k的土地利用类别是否为l,若是则值为1,若否则值为0。为邻域函数,表示在t时刻时,以第k个元胞所在的像元为中心的n×n窗口中的第l类土地利用类型所占的比例。
因此,该模块合成的元胞总分布概率表示为:
其中P(k,t)为总分布概率,Pg(k,t,l)为神经网络输出的第k个元胞所在像元上第l种土地利用类型的分布概率,Rs为转换限制矩阵。
7.根据权利要求1所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,所述的神经网络算法输出的驱动力因子贡献度方法为本模型通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算。
8.根据权利要求1所述的空间增长动态模拟与驱动力因子贡献度同步计算方法,其特征在于,所述本模型通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算具体步骤为,
假设每个训练样本存在V个输入变量,在ANN第一次训练完成后得到一个训练误差error1,根据不同训练样本训练均得到一个训练误差error;
设V个空间变量即对应V个驱动力因子,对v=1,2,...,V重复该过程;
基于增加每个训练样本中的第V个变量的值,计算额外的训练误差(表示为error2);
根据对比error1和error2之间的区别得到差异的量化结果,表示为第V个变量的重要性(第V个驱动力因子的贡献度)。
9.一种空间增长动态模拟与驱动力因子贡献度同步计算装置,其特征在于,包括:
驱动力因子计算模块,用于对影像进行预处理后根据神经网络算法计算驱动力因子;
土地利用迭代模拟模块,用于将所述驱动力因子计算模块输出的分布概率数据与初始土地利用数据输入土地利用迭代模拟模块后迭代输出结果。
10.根据权利要求9所述的一种空间增长动态模拟与驱动力因子贡献度同步计算装置,其特征在于,所述通过改进神经网络算法使其具有变量重要性评估的功能并继而进行驱动力因子贡献度的计算具体步骤为,
假设每个训练样本存在V个输入变量,在ANN第一次训练完成后得到一个训练误差error1,根据不同训练样本训练均得到一个训练误差error;
设V个空间变量即对应V个驱动力因子,对v=1,2,...,V重复该过程;
基于增加每个训练样本中的第V个变量的值,计算额外的训练误差(表示为error2);
根据对比error1和error2之间的区别得到差异的量化结果,表示为第V个变量的重要性(第V个驱动力因子的贡献度)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181170.9A CN109359166B (zh) | 2018-10-10 | 2018-10-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181170.9A CN109359166B (zh) | 2018-10-10 | 2018-10-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359166A true CN109359166A (zh) | 2019-02-19 |
CN109359166B CN109359166B (zh) | 2020-11-10 |
Family
ID=65349061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811181170.9A Active CN109359166B (zh) | 2018-10-10 | 2018-10-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359166B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069885A (zh) * | 2019-05-05 | 2019-07-30 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
CN111768366A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像***、bi-rads分级方法及模型训练方法 |
CN112069573A (zh) * | 2020-08-24 | 2020-12-11 | 深圳大学 | 一种基于元胞自动机的城市群空间模拟方法、***及设备 |
CN112651661A (zh) * | 2021-01-11 | 2021-04-13 | 中国科学院空天信息创新研究院 | 一种村镇聚落空间发展数字模拟方法及*** |
CN112668448A (zh) * | 2020-12-24 | 2021-04-16 | 中国科学院地理科学与资源研究所 | 一种生态进程变化分析方法、装置、介质及终端设备 |
CN114819112A (zh) * | 2022-06-30 | 2022-07-29 | 南京北斗创新应用科技研究院有限公司 | 一种顾及空间分区的土地利用适宜性概率生成方法 |
WO2022237822A1 (zh) * | 2021-05-11 | 2022-11-17 | 维沃移动通信有限公司 | 训练数据集获取方法、无线传输方法、装置及通信设备 |
CN116994405A (zh) * | 2023-09-26 | 2023-11-03 | 广州蓝图地理信息技术有限公司 | 一种智能灾变预警方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447235A (zh) * | 2015-11-12 | 2016-03-30 | 中山大学 | 一种土地未来利用情景动态模拟方法 |
US20160125645A1 (en) * | 2014-11-05 | 2016-05-05 | Umm Al-Qura University | Grading and monitoring of a geographical region |
CN106780089A (zh) * | 2016-12-27 | 2017-05-31 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
CN107423811A (zh) * | 2017-07-04 | 2017-12-01 | 河海大学 | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 |
-
2018
- 2018-10-10 CN CN201811181170.9A patent/CN109359166B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125645A1 (en) * | 2014-11-05 | 2016-05-05 | Umm Al-Qura University | Grading and monitoring of a geographical region |
CN105447235A (zh) * | 2015-11-12 | 2016-03-30 | 中山大学 | 一种土地未来利用情景动态模拟方法 |
CN106780089A (zh) * | 2016-12-27 | 2017-05-31 | 广州蓝图地理信息技术有限公司 | 基于神经网络元胞自动机模型的永久性基本农田划定方法 |
CN107423811A (zh) * | 2017-07-04 | 2017-12-01 | 河海大学 | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 |
Non-Patent Citations (4)
Title |
---|
BASSE ET AL.: "Land use changes modelling using advanced methods: Cellular automata and artificial neural networks. The spatial and explicit representation of land cover dynamics at the cross-border region scale", 《APPLIED GEOGRAPHY》 * |
张正明,程保银,杜阳: "GeoCA模型在城市土地利用预测中的应用研究", 《城市勘测》 * |
李永梅,张立根,海云端,董越: "基于BP神经网络的宁夏耕地资源动态变化及预测", 《湖南农业科学》 * |
杨静,师学义,荣联伟: "PCA-BP模型在城乡建设用地规模预测中的应用", 《江苏农业科学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069885A (zh) * | 2019-05-05 | 2019-07-30 | 重庆师范大学 | 一种基于外部生态功能定位的“三生”空间优化方法 |
CN111768366A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像***、bi-rads分级方法及模型训练方法 |
CN112069573A (zh) * | 2020-08-24 | 2020-12-11 | 深圳大学 | 一种基于元胞自动机的城市群空间模拟方法、***及设备 |
CN112668448A (zh) * | 2020-12-24 | 2021-04-16 | 中国科学院地理科学与资源研究所 | 一种生态进程变化分析方法、装置、介质及终端设备 |
CN112668448B (zh) * | 2020-12-24 | 2021-08-10 | 中国科学院地理科学与资源研究所 | 一种生态进程变化分析方法、装置、介质及终端设备 |
CN112651661A (zh) * | 2021-01-11 | 2021-04-13 | 中国科学院空天信息创新研究院 | 一种村镇聚落空间发展数字模拟方法及*** |
CN112651661B (zh) * | 2021-01-11 | 2024-06-18 | 中国科学院空天信息创新研究院 | 一种基于道路与土地互动的村镇聚落数字模拟方法及*** |
WO2022237822A1 (zh) * | 2021-05-11 | 2022-11-17 | 维沃移动通信有限公司 | 训练数据集获取方法、无线传输方法、装置及通信设备 |
CN114819112A (zh) * | 2022-06-30 | 2022-07-29 | 南京北斗创新应用科技研究院有限公司 | 一种顾及空间分区的土地利用适宜性概率生成方法 |
CN116994405A (zh) * | 2023-09-26 | 2023-11-03 | 广州蓝图地理信息技术有限公司 | 一种智能灾变预警方法及*** |
CN116994405B (zh) * | 2023-09-26 | 2023-12-15 | 广州蓝图地理信息技术有限公司 | 一种智能灾变预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109359166B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359166A (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 | |
CN105447235B (zh) | 一种土地未来利用情景动态模拟方法 | |
CN109410575B (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
Basse et al. | Land use changes modelling using advanced methods: Cellular automata and artificial neural networks. The spatial and explicit representation of land cover dynamics at the cross-border region scale | |
Li et al. | Data mining of cellular automata's transition rules | |
CN113222316B (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 | |
CN110348506B (zh) | 基于遥感图像的土地利用分类方法、存储介质和计算设备 | |
CN110619282A (zh) | 一种无人机正射影像建筑物自动提取方法 | |
Pijanowski et al. | Modelling urbanization patterns in two diverse regions of the world | |
Maithani | A neural network based urban growth model of an Indian city | |
Ballestores Jr et al. | An integrated parcel-based land use change model using cellular automata and decision tree | |
CN107122701A (zh) | 一种基于图像显著性和深度学习的交通道路标志识别方法 | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其*** | |
CN110458333A (zh) | 一种基于POIs数据的人口空间分布预测方法及*** | |
CN114943965B (zh) | 基于课程学习的无监督域自适应遥感图像语义分割方法 | |
Singh | Modelling land use land cover changes using cellular automata in a geo-spatial environment | |
CN104361255B (zh) | 一种改进元胞自动机城市扩张模拟方法 | |
CN109117894A (zh) | 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法 | |
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
CN104850677A (zh) | 基于地理信息***的深度学习元胞自动机仿真分析方法 | |
CN113807278A (zh) | 一种基于深度学习的土地利用分类及变化预测方法 | |
CN116976692A (zh) | 一种基于适应性循环路径的传统村落分类分区保护控制方法 | |
CN114511061A (zh) | 基于深度神经网络的岸滨地区海雾能见度预报方法 | |
CN106251014A (zh) | 基于svm‑gca的城市空间发展模拟及预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |