CN110458371A - 土地利用变化分析预测方法及装置 - Google Patents

土地利用变化分析预测方法及装置 Download PDF

Info

Publication number
CN110458371A
CN110458371A CN201910774636.4A CN201910774636A CN110458371A CN 110458371 A CN110458371 A CN 110458371A CN 201910774636 A CN201910774636 A CN 201910774636A CN 110458371 A CN110458371 A CN 110458371A
Authority
CN
China
Prior art keywords
land use
land
markov
spatial
change
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.)
Withdrawn
Application number
CN201910774636.4A
Other languages
English (en)
Inventor
张宏睿
张庆现
刁习
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN201910774636.4A priority Critical patent/CN110458371A/zh
Publication of CN110458371A publication Critical patent/CN110458371A/zh
Withdrawn legal-status Critical Current

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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (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

本发明实施例公开了一种土地利用变化分析预测方法及装置，所述方法包括：获取若干个历史年份的土地遥感影像数据；利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；选取若干个驱动因子构建Markov‑CA预测模型；根据历史年份的土地利用时空变化特征和规律，利用Markov‑CA预测模型获取未来目标年份的土地利用空间格局。本发明实施例公开的土地利用变化分析预测方法及装置，通过引入针对不同地类的驱动因子构建Markov‑CA预测模型，提高了土地利用变化分析预测的精度。

Description

土地利用变化分析预测方法及装置
技术领域
本发明实施例涉及遥感信息技术领域，具体涉及一种土地利用变化分析预测方法及装置。
背景技术
土地利用监测是利用遥感遥测技术，对一个国家或地区土地利用状况的动态变化进行定期或不定期的监视和测定。其目的在于为国家和地区有关部门提供准确的土地利用变化情况，便于及时进行土地利用数据更新与对比分析，以及编制土地利用变化图件等。它是开展土地利用动态变化预测，农作物产量预测，自然灾害防治及合理组织土地利用，加强土地管理与保护的一项不可缺少的基础性工作。
现有技术中，通常采用航天遥感技术对土地利用进行分析，航天遥感技术以其宏观性、周期性，地理信息***以其对空间数据管理的有效性己在“小比例尺、低精度、大范围、调查性”的资源动态监测工作中得到了广泛应用。利用遥感影响，通过预测模型对土地利用进行分析预测，常见的模型包括CA模型、***动力学模型、CLUE-S模型、Agent模型、Markov模型、空间Logistic模型、SLEUTH模型等。
但是，在以“大比例尺、高精度”为特点的工作中，预测模型中转换规则的设置具有一定的缺陷，导致预测精度较低。
发明内容
为此，本发明实施例提供一种土地利用变化分析预测方法及装置，以解决现有技术中由于预测模型中转换规则的设置具有一定的缺陷而导致的预测精度较低的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面提供一种土地利用变化分析预测方法，包括：
获取若干个历史年份的土地遥感影像数据；
利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
选取若干个驱动因子构建Markov-CA预测模型；
根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
进一步地，所述选取若干个驱动因子构建Markov-CA预测模型，具体包括：
选取若干个驱动因子；
根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；
利用所有的分布概率适宜图获取元胞自动机CA模型的转换规则；
根据马尔科夫Markov模型和CA模型的转换规则，构建Markov-CA预测模型。
进一步地，所述土地类型至少包括草地、耕地、林地、水域、建筑用地和未利用土地。
进一步地，所述驱动因子至少包括高程、坡度、坡向、距公路距离和距行政中心距离。
进一步地，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。
进一步地，所述选取若干个驱动因子构建Markov-CA预测模型之后，还包括：
利用历史年份的土地遥感影像数据，对Markov-CA预测模型的精度和适用性进行验证。
根据本发明实施例的第二方面提供一种土地利用变化分析预测装置，包括：
获取模块，用于获取若干个历史年份的土地遥感影像数据；
分类矢量图绘制模块，用于利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
特征提取模块，用于根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
模型构建模块，用于选取若干个驱动因子构建Markov-CA预测模型；
预测模块，用于根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以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，所述处理器执行所述计算机程序时，实现上述方法的步骤。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。
本发明实施例具有如下优点：
本发明实施例公开的土地利用变化分析预测方法及装置，通过引入针对不同地类的驱动因子构建Markov-CA预测模型，提高了土地利用变化分析预测的精度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的土地利用变化分析预测方法示意图；
图2为本发明实施例提供的土地利用变化分析预测原理示意图；
图3为本发明实施例提供的土地利用变化分析预测装置示意图；
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
图1为本发明实施例提供的土地利用变化分析预测方法示意图，如图1所示，本发明实施例提供一种土地利用变化分析预测方法，其执行主体为土地利用变化分析预测装置，该方法包括：
步骤S101、获取若干个历史年份的土地遥感影像数据；
步骤S102、利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
步骤S103、根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
步骤S104、选取若干个驱动因子构建Markov-CA预测模型；
步骤S105、根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
基于上述任一实施例，进一步地，所述选取若干个驱动因子构建Markov-CA预测模型，具体包括：
选取若干个驱动因子；
根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；
利用所有的分布概率适宜图获取元胞自动机CA模型的转换规则；
根据马尔科夫Markov模型和CA模型的转换规则，构建Markov-CA预测模型。
基于上述任一实施例，进一步地，所述土地类型至少包括草地、耕地、林地、水域、建筑用地和未利用土地。
基于上述任一实施例，进一步地，所述驱动因子至少包括高程、坡度、坡向、距公路距离和距行政中心距离。
基于上述任一实施例，进一步地，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。
基于上述任一实施例，进一步地，所述选取若干个驱动因子构建Markov-CA预测模型之后，还包括：
利用历史年份的土地遥感影像数据，对Markov-CA预测模型的精度和适用性进行验证。
本发明实施例公开的土地利用变化分析预测方法，通过引入针对不同地类的驱动因子构建Markov-CA预测模型，提高了土地利用变化分析预测的精度。
下面以一个具体的例子对本发明进行说明：
本专利以天津市滨海新区为研究区，应用遥感信息提取技术分别获取2005年、2010年、2015年三期Landsat遥感影像数据，预处理后利用Envi 5.2和ArcGis10.2软件进行影像分类，利用Google Earth与项目组已有的矢量数据进行人工修编与精度评价，而后提取分析2005年—2015年期间土地利用变化信息，然后分析其土地资源利用转移概率矩阵和空间分布规律，在IDEISI 17.0软件中构建Markov-CA模型，预测2025年研究区土地利用空间格局，为了验证精度是否具有科学性，坚持科学调查应具备的严谨性和适用性原则，引入混下矩阵与Kappa系数进行精度评价。最后，本文将结合《天津市滨海新区土地利用总体规划(2015-2020)》、《天津市土地整治规划(2016-2020)》土地资源利用相关政策，在相对较大的空间和时间跨度下从宏观上分析土地资源现状以及未来趋势，以期为天津市滨海新区土地资源的持续发展与生态环境的保护治理提供科学的指导建议。
图2为本发明实施例提供的土地利用变化分析预测原理示意图，如图2所示，具体步骤包括：
(1)基于ArcGis软件技术，借助Landsat遥感影像，利用人机交互解译的方法，对天津市滨海新区2005年、2010年、2015年三期数据进行分类，分为以下6类：(1)草地、(2)耕地、(3)林地、(4)水域、(5)建设用地、(6)未利用地，并绘制出分类矢量图。将其与生产实习野外数据和Google Earth影像结合，引入Kappa系数做精度分析，经过人机目视解译修编后，得到的分类精度能够满足论文研究所需。
(2)通过对比分析天津市滨海新区三期土地分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳研究区的土地利用时空变化特征和规律。
(3)基于IDRISI软件中的Markov模块，分别得到天津市滨海新区2005年-2010年和2005年-2015年土地利用转移面积矩阵。选取高程、坡度、坡向、距公路距离、距行政中心距离5个驱动因子，生成每一种土地利用类型的分布概率适宜图，将所有图组成适宜性图集，参与定义元胞自动机模型的转换规则。利用Markov-CA模块预测2015年研究区土地利用空间格局，将其与2015年实际分类数据叠加，验证模型的精度和适用性。精度满足预测要求，预测2025年天津市滨海新区土地利用空间格局。
(4)根据2005年、2010年、2015年土地利用变化与2025年的预测空间格局，与《天津市滨海新区土地利用总体规划(2015-2020)》、《天津市土地整治规划(2016-2020)》土地资源利用相关政策相结合，为天津市滨海新区土地资源的持续发展与生态环境的保护治理提供科学的指导建议。
本文以Landsat为数据源，首先采用人机交互解译的方法，通过与野外验证点和GoogleEarth的影像进行对比对解译结果进行人工修编，然后根据分类结果计算土地变化指标、土地利用动态度、土地转换矩阵。之后在IDRISI 17.0软件中构建Markov-CA模型，将驱动因子标准化后确定转换规则，用以预测研究区2015年的土地利用状态，与2015年的分类结果进行对比，进行预测结果的精度验证，最终预测2025年土地利用空间格局。
本发明的关键点如下：
(1)提取遥感信息进行相应分类和精度评价。
(2)土地利用变化分析：土地利用总体变化分析、变化幅度、动态度提取、变化空间。
(3)土地利用空间格局预测分析：选取驱动因子，预测及精度评价。
基于上述任一实施例，图3为本发明实施例提供的土地利用变化分析预测装置示意图，如图3所示，本发明实施例提供一种土地利用变化分析预测装置，包括获取模块301、分类矢量图绘制模块302、特征提取模块303、模型构建模块305和预测模块305，其中：
获取模块301用于获取若干个历史年份的土地遥感影像数据；分类矢量图绘制模块302用于利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；特征提取模块303用于根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；模型构建模块304用于选取若干个驱动因子构建Markov-CA预测模型；预测模块305用于根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
本发明实施例提供一种土地利用变化分析预测装置，用于执行上述任一实施例中所述的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。
本发明实施例公开的土地利用变化分析预测装置，通过引入针对不同地类的驱动因子构建Markov-CA预测模型，提高了土地利用变化分析预测的精度。
图4为本发明实施例提供的电子设备的结构示意图，如图4所示，所述设备包括：处理器(processor)401、存储器(memory)402和总线403；
其中，处理器401和存储器402通过所述总线403完成相互间的通信；
处理器401用于调用存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
获取若干个历史年份的土地遥感影像数据；
利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
选取若干个驱动因子构建Markov-CA预测模型；
根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
获取若干个历史年份的土地遥感影像数据；
利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
选取若干个驱动因子构建Markov-CA预测模型；
根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
获取若干个历史年份的土地遥感影像数据；
利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
选取若干个驱动因子构建Markov-CA预测模型；
根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种土地利用变化分析预测方法，其特征在于，包括：
获取若干个历史年份的土地遥感影像数据；
利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
选取若干个驱动因子构建Markov-CA预测模型；
根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
2.根据权利要求1所述的土地利用变化分析预测方法，其特征在于，所述选取若干个驱动因子构建Markov-CA预测模型，具体包括：
选取若干个驱动因子；
根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；
利用所有的分布概率适宜图获取元胞自动机CA模型的转换规则；
根据马尔科夫Markov模型和CA模型的转换规则，构建Markov-CA预测模型。
3.根据权利要求1所述的土地利用变化分析预测方法，其特征在于，所述土地类型至少包括草地、耕地、林地、水域、建筑用地和未利用土地。
4.根据权利要求1所述的土地利用变化分析预测方法，其特征在于，所述驱动因子至少包括高程、坡度、坡向、距公路距离和距行政中心距离。
5.根据权利要求1所述的土地利用变化分析预测方法，其特征在于，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。
6.根据权利要求1所述的土地利用变化分析预测方法，其特征在于，所述选取若干个驱动因子构建Markov-CA预测模型之后，还包括：
利用历史年份的土地遥感影像数据，对Markov-CA预测模型的精度和适用性进行验证。
7.一种土地利用变化分析预测装置，其特征在于，包括：
获取模块，用于获取若干个历史年份的土地遥感影像数据；
分类矢量图绘制模块，用于利用人机交互解译的方法提取历史年份的土地遥感影像数据中的土地类型，绘制出分类矢量图；
特征提取模块，用于根据所述分类矢量图，计算土地变化幅度，动态度，空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；
模型构建模块，用于选取若干个驱动因子构建Markov-CA预测模型；
预测模块，用于根据历史年份的土地利用时空变化特征和规律，利用Markov-CA预测模型获取未来目标年份的土地利用空间格局。
8.一种电子设备，其特征在于，包括：存储器和处理器；
所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至6任一所述的方法。
CN201910774636.4A 2019-08-21 2019-08-21 土地利用变化分析预测方法及装置 Withdrawn CN110458371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910774636.4A CN110458371A (zh) 2019-08-21 2019-08-21 土地利用变化分析预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910774636.4A CN110458371A (zh) 2019-08-21 2019-08-21 土地利用变化分析预测方法及装置

Publications (1)

Publication Number Publication Date
CN110458371A true CN110458371A (zh) 2019-11-15

Family

ID=68488292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910774636.4A Withdrawn CN110458371A (zh) 2019-08-21 2019-08-21 土地利用变化分析预测方法及装置

Country Status (1)

Country Link
CN (1) CN110458371A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652195A (zh) * 2020-07-14 2020-09-11 宁夏回族自治区自然资源勘测调查院 一种土地利用变化分析预测方法
CN112287059A (zh) * 2020-11-05 2021-01-29 重庆市规划和自然资源信息中心 根据空间大数据获取土地利用变化的空间预测分析方法
CN113792942A (zh) * 2021-11-15 2021-12-14 江西省国土空间调查规划研究院 一种国土空间开发利用生态效应动态模拟预测***
CN113807278A (zh) * 2021-09-23 2021-12-17 华中师范大学 一种基于深度学习的土地利用分类及变化预测方法
CN114565178A (zh) * 2022-03-14 2022-05-31 江苏恒月地理信息技术有限公司 一种基于地理信息勘测***的时态数据监测及管理方法
CN115859596A (zh) * 2022-11-24 2023-03-28 中国科学院生态环境研究中心 城-郊梯度区域土壤重金属累积过程时空模拟方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652195A (zh) * 2020-07-14 2020-09-11 宁夏回族自治区自然资源勘测调查院 一种土地利用变化分析预测方法
CN111652195B (zh) * 2020-07-14 2023-06-09 宁夏回族自治区自然资源勘测调查院 一种土地利用变化分析预测方法
CN112287059A (zh) * 2020-11-05 2021-01-29 重庆市规划和自然资源信息中心 根据空间大数据获取土地利用变化的空间预测分析方法
CN113807278A (zh) * 2021-09-23 2021-12-17 华中师范大学 一种基于深度学习的土地利用分类及变化预测方法
CN113792942A (zh) * 2021-11-15 2021-12-14 江西省国土空间调查规划研究院 一种国土空间开发利用生态效应动态模拟预测***
CN113792942B (zh) * 2021-11-15 2022-02-08 江西省国土空间调查规划研究院 一种国土空间开发利用生态效应动态模拟预测***
CN114565178A (zh) * 2022-03-14 2022-05-31 江苏恒月地理信息技术有限公司 一种基于地理信息勘测***的时态数据监测及管理方法
CN114565178B (zh) * 2022-03-14 2024-06-04 江苏恒月地理信息技术有限公司 一种基于地理信息勘测***的时态数据监测及管理方法
CN115859596A (zh) * 2022-11-24 2023-03-28 中国科学院生态环境研究中心 城-郊梯度区域土壤重金属累积过程时空模拟方法

Similar Documents

Publication Publication Date Title
CN110458371A (zh) 土地利用变化分析预测方法及装置
Lu et al. Environmental informatics for solid and hazardous waste management: advances, challenges, and perspectives
Chen GIS-based multi-criteria analysis for land use suitability assessment in City of Regina
Lehtomäki et al. Methods and workflow for spatial conservation prioritization using Zonation
Oguanobi et al. Scalable business models for startups in renewable energy: strategies for using GIS technology to enhance SME scaling
Lee et al. ICT Co-evolution and Korean ICT strategy—An analysis based on patent data
Huang et al. Consolidating the layout of rural settlements using system dynamics and the multi-agent system
CN105898762A (zh) 基站优化及部署方法和装置
Ikram et al. A novel swarm intelligence: cuckoo optimization algorithm (COA) and SailFish optimizer (SFO) in landslide susceptibility assessment
CN111950942A (zh) 基于模型的水污染风险评估方法、装置和计算机设备
CN102646164A (zh) 一种结合空间滤波的土地利用变化建模方法及其***
CN109816226A (zh) 一种公园绿地防灾避险能力的评价方法及***
Mohammad et al. Urban growth simulation through cellular automata (CA), analytic hierarchy process (AHP) and GIS; case study of 8th and 12th municipal districts of Isfahan
Rabehi et al. Spatiotemporal monitoring of coastal urbanization dynamics: Case study of Algiers’ Bay, Algeria
Dai et al. Agent-based model of land system: Theory, application and modelling framework
Feng et al. Urban expansion simulation and scenario prediction using cellular automata: comparison between individual and multiple influencing factors
CN110442659A (zh) 一种区域划分方法和装置
Zheng et al. An exact algorithm for solving the bilevel facility interdiction and fortification problem
Dell’Ovo et al. How to support cultural heritage-led development in Italian inner areas: a multi-methodological evaluation approach
CN108182496A (zh) 一种城市互联网开放数据获取处理分析方法
Weerasena et al. A hierarchical approach to designing compact ecological reserve systems
Li et al. A machine learning approach to the simulation of intercity corporate networks in mainland China
CN116862315A (zh) 一种低效工业用地绩效评分方法、装置、设备及存储介质
Gao et al. Determining the weights of influencing factors of construction lands with a neural network algorithm: a case study based on Ya’an City
Chakraborti et al. Assessing dynamism of urban built-up growth and landuse change through spatial metrics: a study on Siliguri and its surroundings

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191115