CN114861277A - 一种长时序国土空间功能与结构模拟方法 - Google Patents
一种长时序国土空间功能与结构模拟方法 Download PDFInfo
- Publication number
- CN114861277A CN114861277A CN202210560897.8A CN202210560897A CN114861277A CN 114861277 A CN114861277 A CN 114861277A CN 202210560897 A CN202210560897 A CN 202210560897A CN 114861277 A CN114861277 A CN 114861277A
- Authority
- CN
- China
- Prior art keywords
- space
- land
- time
- sequence
- territorial
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种长时序国土空间功能与结构模拟方法,首先,基于地理信息大数据平台Google Earth Engine(GEE)平台,采用随机森林算法对长时序影像进行国土空间功能初始分类。其次,构建像素级的时空立方体,进行时空一致性功能纠正,在时空立方体分割与填充的基础上,利用集成森林算法,模拟长时序各目标年份的不同功能用地总量参数。最后,由“双评价”结果衍生出不同功能用地的空间转换规则和空间约束,利用自适应元胞自动机对目标年份国土空间功能与结构进行模拟分析。该方法提高了国土空间功能与结构的识别和模拟精度,适用于长时序、高密度、大范围的国土空间功能与结构识别与模拟,尤其是适用于国土空间规划与空间治理的辅助决策。
Description
技术领域
本发明涉及一种地理信息大数据平台Google Earth Engine(GEE)支持下的长时序国土空间功能与结构模拟方法,特别是涉及一种基于时空立方体分割和集成森林算法的长时序国土空间功能与结构模拟方法。
背景技术
国土空间功能是指一定地域在更大的地域范围内,在自然资源和生态环境***中、在人类生产生活***中所履行的综合职能和发挥的客观作用。与土地利用功能等不同的是,国土空间功能是在人地关系地域***理论指导下,将人类对地表的利用功能与地表自然生态***保护功能进行综合集成研究,通过地理格局的优化促进了开发和保护协调的可持续过程,更具有宏观到中微观功能传导的***性和对区域可持续发展的指导作用。在更加具体的微观尺度,国土空间功能就越来越接近于土地利用功能。国土空间结构是指不同开发与保护指向的国土空间功能的面积、比例关系及相互作用在空间上的组织规律,包括空间集聚、空间分异、拓扑结构、近远程相互作用等。国土空间功能与结构理论方法直接支撑了中国主体功能区划、生产生活生态空间结构、“双评价”(资源环境承载能力与国土空间开发适宜性评价)等一些代表性应用成果,且在不断创新发展中,因此在全球可持续发展研究、我国生态文明建设决策与应用中,越来越受到国内外学者和决策管理层的重视。2021年3月《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出优化国土空间布局,形成主体功能明显、优势互补、高质量发展的国土空间开发保护新格局,其本质是国土空间功能与结构的优化。
以往国土空间功能与结构模拟预测方法研究,主要来源于土地利用变化模拟研究领域。现有主要模型包括逻辑回归(Logistic Regression)、马尔科夫模型(Markov)、***动力学模型(System Dynamics,SD)、元胞自动机(Cellular Automata,CA)、CLUE-S模型(conversion of land use and its effects at small region extent)、多主体模型(Agent-Based Model,ABM)、FLUS模型(Future Land Use Simulation)等,实现了从数量模拟到时空格局的模拟。如张亦汉等在《中国科学:地球科学》第50卷第3期撰文“基于最大熵的CA模型及其城市扩张模拟”,将最大熵模型(Maxent)与元胞自动机(CA)耦合,提出一种新的城市扩张模型(Maxent-CA)并对中国区域进行实证分析;2020年***等在《地球信息科学学报》第24卷第1期撰文“耦合FLUS和Markov的快速发展城市土地利用空间格局模拟方法”,构建了耦合FLUS和Markov的城市土地利用格局拟合框架,模拟深圳市不同发展情景下的未来城市土地利用空间格局。然而,现有研究普遍存在以下技术问题:(1)土地利用变化模拟研究中常使用的数据包括两大类:土地利用历史数据和驱动因子数据,其中土地利用历史数据主要来源于遥感技术产品和野外调查数据,这些数据本身存在的误差和不确定性在一定程度上降低了预测结果的准确性;(2)由于缺少长时序、高密度的年际国土空间功能用地产品,以往的研究主要采用多时相的数量估算和模拟方法,导致预测参数的准确性降低,不确定性增大;(3)随着新时期国土空间规划的开展,“双评价”作为一项国土空间规划的基础工作,将作为未来空间管控的重要依据,如何将“双评价”结果纳入模型,是提高未来国土空间功能与结构模拟的必要基础。
针对以上现阶段国土空间功能与结构模拟存在的主要问题,本发明提出了一种长时序国土空间功能与结构模拟预测方法,基于长时序遥感影像分类构建高精度功能用地分类的时空立方体,利用时空立方体分割和基于集成森林的预测方法,对未来系列年份节点不同功能用地参数进行测算,并结合正在开展的“双评价”结果,基于自适应元胞自动机进行国土空间功能与结构模拟。该技术方法突出了长时序、高密度、大数据量的国土空间功能分类数据,以及表征未来国土空间管控真实方向的“双评价”集成结果的衍生参数,在未来国土空间功能与结构模拟方面的精度与效率优势。
发明内容
本发明要解决技术问题是:针对以往国土空间功能与结构模拟存在的功能用地参数误差和不确定性、且与自然承载力和未来空间治理趋势脱钩的问题,依托地理信息大数据平台Google Earth Engine(GEE),提出一种长时序国土空间功能与结构模拟方法,以保证长时间序列国土空间功能与结构的时空变化一致性,提高空间模拟的精度。
为了解决上述技术问题,本发明提出的长时序国土空间功能与结构模拟方法,包括以下步骤:
步骤1:国土空间功能用地分类分级体系构建;
步骤2:基于地理信息大数据GEE平台的国土空间功能分类:借助GEE平台收集指定时间范围和研究范围的所有云量少于15%的Landsat数据,以及VIIRS夜间灯光数据、和数字高程数据,进行影像拼接与裁剪的处理,采用随机森林算法实现长时序影像分类并进行分类精度计算;
步骤3:基于长时序影像初始分类结果构建像素级的时空立方体,按照时序累加的顺序,将长时序影像初始分类结果进行合成,各行各列像素一一对应,构建像素级的时空立方体,一个时空立方体即为指定范围所有像元的时间序列集合;
步骤4:基于时空立方体的时空一致性校正,根据影像分类精度评价结果,构建时空立方体的滑动窗口wm和种子窗口ws,滑动窗口wm的初始位置位于紧邻于对应的种子窗口wz的外侧,对研究区长时序国土空间功能分类进行一致性校正,具体步骤如下:
4.1确定起始种子窗口ws位置:根据分类结果精度,设置时序步长y,统计y年内平均分类精度最高的年份区间,平均分类精度最高的年份区间所对应的窗口为起始种子窗口;
4.2设置双向滑动窗口wm:其平面长、宽均为n个像元大小的空间邻域窗口尺寸,高为时间序列长度x,n为不等于1的正奇数,x为大于零0的自然数;将滑动窗口wm置于种子窗口ws紧邻的外侧;
4.3计算滑动窗口wm内的主导地类fm,滑动窗口wm内某地类出现频率高于r则称该地类为该滑动窗口wm的主导地类fm;若滑动窗口内所有地类出现频率均低于r,则该滑动窗口没有主导地类,r取值在0.6-0.8;
4.4判断种子窗口ws内地物类型fs与紧邻的滑动检测窗口wm内的主导地类fm是否一致,若一致,则将滑动检测窗口wm内首尾主导地类栅格之间所有地类均置为fs,并将种子窗口位置移动到滑动窗口内最后出现主导地类fs的栅格位置,转至步骤4.3直至时序首或尾年份,处理完整个时空立方体;若不一致,则将种子窗口向内移动一位,转至步骤4.3直至时序首或尾年份,处理完整个时空立方体;
步骤5:时空立方体的空间网格化分割与填充,根据研究区国土空间结构特征,对时空立方体进行格网分割,作为以下分析预测的基本单元,对于缺乏数据的时间节点,利用线性插值或拉格朗日插值方法进行插值处理,由现有功能用地结构特征参数进行数值填充,构建格网单元用地结构参数时间序列;
步骤6:基于集成森林的不同功能用地参数预测,针对各个时空立方体分块,采用基于集成森林的预测算法对每一类功能用地进行预测,汇总得到长时序各目标年份的不同功能用地的总量参数;
步骤7:基于自适应元胞自动机的国土空间功能模拟,通过对研究区域主要功能用地变化的影响因素分析,确定驱动因子与空间转化成本,形成国土空间转化可能性栅格,结合目标年份的不同功能用地的总量参数,利用自适应元胞自动机对目标年份国土空间功能进行模拟。
进一步的,还包括步骤8、国土空间功能与结构模拟结果的分析与应用:根据国土空间功能空间模拟结果,以行政区或空间分析单元作为基本单元,测算基本单元内不同功能用地比例关系,分析空间结构模拟结果的特征参数;并将基准年与目标年份的国土空间功能与结构的结果进行对比分析,作为国土空间格局优化与空间调控的重要依据。
本发明方法采用大数据处理方法,实现对长时序国土空间功能的快速分类,通过构建时空立方体以及分割技术,结合基于森林的不同功能用地参数模拟以及基于自适应元胞自动机的空间模拟方法,能够快速、准确地模拟长时序国土空间功能与结构演变。该方法适用于长时序、高密度、大范围的国土空间功能与结构识别与模拟,尤其是适用于对未来国土空间规划不同情景的国土空间功能与结构的模拟分析与可持续调控。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明实施例研究区概况图。
图2是本发明方法的总体流程图。
图3是1987-2019年国土空间功能的时空立方体构建图。
图4是基于集成森林的2035年国土空间功能用地预测曲线图。
图5是2035年国土空间功能空间模拟结果。
图6是2020-2035年国土空间功能与结构的变化分析结果。
具体实施方式
本实验采用的实验数据包括:1987—2019年间32年的Landsat系列影像,地表反射率产品,30m分辨率;VIIRS夜间灯光数据(Nighttime Day/Night Band CompositesVersion 1),500m分辨率;数字高程数据(SRTM),30m分辨率;2020年度乡镇、行政村的行政区划数据。
研究区选取青海省湟水流域,位于36°02′~37°28′N,100°42′~103°04′E,流域面积约16200km2。如图1所示。由湟水干流区和支流大通河流域组合,涉及西宁市、海东市及海北州三个地级行政区,包括西宁市城中区、城东区、城西区、城北区、湟源县、湟中区、大通县,海东市乐都区、平安区、民和县、互助县、化隆县,海北州海晏县共13个区县单元。流域上游为源头至西纳川汇入点,涉及区县主要为海晏县与湟源县;中游为西纳川汇入点至引胜沟汇入处,主要涉及西宁市市区、大通县、湟中区、平安区、乐都区;下游为引胜沟以下区域,主要涉及乐都区、民和县。在全球气候变化的大背景下,近30年自然环境变化和人类活动扩张都对湟水流域产生了较为显著的影响,表现为年均降水量呈现小幅增长且引灌溉水工程不断网络化,人口、重化工企业等进一步向湟水谷地集聚,以及上游农牧区旅游人口与经济的不断增长。这些都促使湟水流域的国土空间结构产生巨大变化,导致城镇建设、农牧生产与生态功能用地矛盾日益尖锐,上下游国土空间演变结构失衡,同时为流域发展也带来了很多不可持续的影响。
本技术方法在地理信息大数据平台Google Earth Engine(GEE)上完成对长时序影像分类,使用JavaScript语言实现基于时空立方体的时空一致性校正、时空立方体分割与填充以及基于集成森林的不同功能用地参数预测。国土空间功能空间模拟借助于GeoSOS-FLUS模型实现,其他操作在本地用Python处理,版本3.6。
本发明实施例一种长时序国土空间功能与结构模拟方法,包括以下步骤,如图2所示:
步骤1:构建国土空间功能用地分类分级体系。根据湟水流域的区域特点,参考自然资源部《国土空间调查、规划、用途管制用地用海分类指南(试行)》,将国土空间划分为生态用地、农业用地、建设用地3类一级基本功能,并进一步细分为草地、森林、灌木、水体、裸地、耕地、不透水面7类二级基本功能分类。
步骤2:基于GEE平台的国土空间功能分类。利用GEE平台收集1987-2019年覆盖湟水流域的所有云量少于15%的Landsat数据,共筛选1249景影像,并完成影像拼接、裁剪处理。同时下载湟水流域夜间灯光数据(Nighttime Day/Night Band Composites Version1)、数字高程数据(SRTM)。按照以下步骤进行影像分类处理:
2.1样本点选取。借助于高分辨率影像选取2019年不同功能类型地物的样本点,并以此年为基准年,切换2018年参考影像,逐点比对,对地物类别发生改变的样本点进行增删修改,从而得到2018年的样本点,以此类推,直到完成全部年份的样本点选取。
2.2计算所有影像中各像元的特征变量并进行组合,特征变量包括:归一化植被指数NDVI、归一化建筑指数NDBI、归一化差水指数NDWI、VIIRS夜间灯光数据和数字高程数据SRTM;将上述的特征变量进行不同方式的组合作为随机森林分类器的输入参数,使用步骤2.3方法进行影像分类,并利用步骤2.4对不同随机森林分类器的分类结果进行精度评价,对比不同特征变量组合方式下随机森林分类器的精度结果,筛选出重要性较高的特征变量作为随机森林分类器最终的输入参数。
2.3基于分类器的长时序初始分类,将每幅影像的样本点按比例随机划分为训练集和验证集(将80%的样本点作为训练样本点,20%作为验证样本点),使用GEE内置随机函数对训练样本点进行30次随机位置分布,取精度最高的结果,作为最终训练样本;用历年训练集对分类器进行训练,训练完成后,使用随机森林分类器对1987-2019年的影像分别进行功能分类。
2.4精度计算,选取完整率和正确率两个指标,使用验证样本对分类结果进行精度评价,其中完整率为某地类分类所得像元数与地类实际像元总数之比;正确率为正确分类像元数与地类实际像元总数之比;当完整率达到预设指标时,以正确率作为分类精度,将正确率最高的特征变量组合作为随机森林分类器最终选定的输入参数。经过计算,1987-2019年影像功能分类的平均完整率为87.83%,平均正确率为93.62%,较初始分类分别提升了4.26%、5.67%。
步骤3:基于长时序影像初始分类结果构建像素级的时空立方体,按照时序累加的顺序,将长时序影像初始分类结果进行合成,各行各列像素一一对应,构建像素级的时空立方体,一个时空立方体即为指定范围所有像元的时间序列集合。
步骤4:基于时空立方体的时空一致性校正。根据影像分类精度评估结果,统计平均分类精度最高的年份区间,确定区间内精度极大值年份,将其作为时空立方体的种子起始位置,基于国土空间功能概率函数,对研究区长时序国土空间功能分类进行一致性校正。具体步骤如下:
4.1确定起始种子窗口ws:以时序步长为n=5进行滑动操作,计算该窗口内国土空间功能分类的平均精度。计算时序步长为n=5内国土空间功能分类的平均分类精度(本例中为2009-2013年),其中2010年为该区间内的精度极大值,取2010年为起始种子窗口ws,并构造平面长、宽均为3个像元大小的空间邻域窗口尺寸,作为时空立方体的中心面。
4.2设置双向滑动窗口wm:其平面长、宽均为n(n=3)个像元大小的空间邻域窗口尺寸,同种子窗口ws。高为时间序列长度x=5;将滑动窗口wm置于种子窗口ws紧邻的外侧。其中n和x为预设值,n为不等于1的正奇数,x为大于零0的自然数。一般n取值为3、5、7或9。
4.3计算滑动窗口wm内的主导地类fm,滑动窗口wm内某地类出现频率高于r则称该地类为该滑动窗口wm的主导地类fm;若滑动窗口内所有地类出现频率均低于r,则该滑动窗口没有主导地类,r取值在0.6-0.8,本例中r取值为0.7。
4.4判断种子窗口ws内地物类型fs与紧邻的滑动检测窗口wm内的主导地类fm是否一致,若一致,则将滑动检测窗口wm内首尾主导地类栅格之间所有地类均置为fs,并将种子窗口位置移动到滑动窗口内最后出现主导地类fs的栅格位置,转至步骤4.3直至1987年,然后以同样的方式处理至2020年,处理完整个时空立方体;若不一致,则将种子窗口向内移动一位,转至步骤4.3直至1987年,然后以同样的方式处理至2020年,处理完整个时空立方体。
测试序列:[1,1,1,3,1,1,1,3,1,1,1,2,2,2,1,2,2,1,2,2,3,2,2,2,2,2]
输出序列:[1,1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2]
其中,1代表耕地,2代表建设用地,3代表草地。可见在测试序列中,某一地块的草地混淆在长时序的耕地序列和建设用地序列中,这与现实的逻辑是不符的,而经过时空一致性校正后,功能的长时间变化符合现实逻辑。
本步骤中时空一致性校正方法可参见CN113255808A中的步骤6。区别在于:
1、专利CN113255808A中,滑动窗口的初始位置时间序列的两侧,并且向中间滑动;而本发明中,选择平均分类精度最高的年份区间所对应的窗口为起始种子窗口,然后滑动窗口从起始种子窗口向两侧滑动;
2、专利CN113255808A中,时间序列是像素级别的,而本发明中像元大小为n*n,n=3、5、7、9。可见本发明依次可处理n*n个像素串,处理效率更高。
步骤5:时空立方体的空间网格化分割与填充。根据研究区国土空间结构特征,选取2公里格网单元尺寸,对时空立方体进行分割,作为以下分析预测的基本单元。对于缺乏数据或数据质量较差的1988年、1990年、1992年、1993年、1995年、1998年、2003年与2012年8个时间节点,利用线性插值或拉格朗日插值方法进行插值处理,由现有功能用地结构特征参数进行数值填充,构建2公里格网单元用地结构参数时间序列。
步骤6:基于集成森林的不同功能用地参数预测,针对各个时空立方体分块,采用基于集成森林的预测算法对每一类功能用地进行预测,汇总得到长时序各目标年份的不同功能用地的总量参数。主要步骤如下:
6.1以时空立方体格网单元的用地结构参数时间序列作为训练样本,基于随机森林算法,以25%的时间序列数据训练建立集成森林,训练学习各类用地的特征参数演化特征,并选取3-5个训练样本后的节点数据对学习结果进行精度评价与修正;
6.2基于训练完毕的集成森林,以现有用地结构参数时间序列为基础数据源,对若干时间步长的参数进行模拟,模拟的最大限度范围为基础数据源时间长度的50%;
6.3确定未来系列年份的不同功能用地参数,对不同功能用地分别执行步骤6.1和6.2操作,汇总得到2020-2035年每一年的不同功能用地预测的总量参数。经过计算,2035年建设用地、耕地、林地、灌木、草地、水体、裸地的总像元,分别为165.97×106、452.26×106、33.48×106、278.74×106、1193.46×106、10.45×106、75.60×106。
步骤7:基于自适应元胞自动机的国土空间功能空间模拟。通过对研究区域主要功能用地变化的影响因素分析,确定驱动因子与空间转化成本,形成国土空间转化可能性栅格。结合2020-2035年每一年的不同功能用地的总量参数,利用自适应元胞自动机对2020-2035年湟水流域国土空间功能与结构进行模拟。主要步骤如下:
7.1基于地域功能成因学原理,根据研究区具体情况,选取海拔、坡度、距主要城镇距离、距西宁市市区成本路径、距主要河流距离、距铁路距离、距主要公路距离共7个可定量化驱动因子,进行定量化指标计算,并对计算结果进行归一化处理;
7.2对“双评价”结果进行集成分析,依次提取生态保护极重要区、农业生产保障区作为空间腌膜。生态保护极重要区取生态保护适宜性评价的最高等级,农业生产保障区取生态保护极重要区以外、农业生产适宜性等级最高、且斑块集中连片面积大于1200平方米的区域。将生态极重要区内森林、灌木、草地、水体、裸地之间的转换成本均为1,其他类型之间设置为0。农业生产保障区内耕地、建设用地向其他类型功能用地转换成本设置为0,其余均设置为1。腌膜外其他区域内除建设用地向其他类型功能用地转换成本设置为0以外,其他用地转换成本矩阵参数均设置为1。
例如,空间腌膜外的用地转换成本矩阵如:
7.3对“双评价”结果进行集成分析,提取城镇建设适宜区作为空间腌膜。采用1989年、1994年、1999年、2004年、2009年、2014年、2019年共7个年份的土地利用数据,计算各相邻参考年份之间的像元数目差值与斑块数目差值,对计算得出的像元数目差值与斑块数目差值进行离差标准化处理,并按各个类型分别计算离差标准化值的平均值,得出邻域影响权重值。
邻域权重 | 建设用地 | 森林 | 耕地 | 灌木 | 草地 | 水体 | 裸土地 |
数值 | 0.83 | 0.44 | 0.43 | 0.60 | 0.60 | 0.57 | 0.67 |
7.4以2035年不同功能用地模拟总量参数为目标参数,将归一化的驱动因子纳入,将用地转换成本矩阵与邻域影响矩阵为阻力因子,作为输入参量输入自适应元胞自动机中,由基准年份2019年的国土空间功能与结构向目标结果进行不断迭代,模拟生成2035年的国土空间功能与结构模拟结果,如图5所示。
步骤8:国土空间功能与结构模拟结果分析与应用。以不同功能用地比例为主要指标,针对2019年基准年和2035年模拟年份,分别计算统计距离湟水主干流和北川河及南川河两条主要支流1公里至5公里范围内不同功能用地的比例关系,如图6所示。通过对比分析,可以发现,5公里范围内建设用地均有显著的增加,其中1公里范围内建设用地比重提高最为显著,从2019年的37.03%增加到2035年的45.14%,增加了8.10%,作为未来用地管控的重要参数。通过2019年和2035年国土空间功能与结构的叠加分析,能够识别国土空间功能与结构不稳定区域,作为空间管控的重点关注区域。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (10)
1.一种长时序国土空间功能与结构模拟方法,包括以下步骤:
步骤1:国土空间功能用地分类分级体系构建;
步骤2:基于地理信息大数据GEE平台的国土空间功能分类:借助GEE平台收集指定时间范围和研究范围的所有云量少于15%的Landsat数据,以及VIIRS夜间灯光数据、和数字高程数据,进行影像拼接与裁剪的处理,采用随机森林算法实现长时序影像分类并进行分类精度计算;
步骤3:基于长时序影像初始分类结果构建像素级的时空立方体,按照时序累加的顺序,将长时序影像初始分类结果进行合成,各行各列像素一一对应,构建像素级的时空立方体,一个时空立方体即为指定范围所有像元的时间序列集合;
步骤4:基于时空立方体的时空一致性校正,根据影像分类精度评价结果,构建时空立方体的滑动窗口wm和种子窗口ws,滑动窗口wm的初始位置位于紧邻于对应的种子窗口ws的外侧,对研究区长时序国土空间功能分类进行一致性校正,具体步骤如下:
4.1确定起始种子窗口ws位置:根据分类结果精度,设置时序步长y,统计y年内平均分类精度最高的年份区间,平均分类精度最高的年份区间所对应的窗口为起始种子窗口;
4.2 设置双向滑动窗口wm:其平面长、宽均为n个像元大小的空间邻域窗口尺寸,高为时间序列长度x,其中n和x为预设值,n为不等于1的正奇数,x为大于零0的自然数;将滑动窗口wm置于种子窗口ws紧邻的外侧;
4.3 计算滑动窗口wm内的主导地类f m ,滑动窗口wm内某地类出现频率高于r则称该地类为该滑动窗口wm的主导地类f m ;若滑动窗口内所有地类出现频率均低于r,则该滑动窗口没有主导地类,r取值在0.6-0.8;
4.4 判断种子窗口ws内地物类型f s 与紧邻的滑动检测窗口wm内的主导地类f m 是否一致,若一致,则将滑动检测窗口wm内首尾主导地类栅格之间所有地类均置为f s ,并将种子窗口位置移动到滑动窗口内最后出现主导地类f s 的栅格位置,转至步骤4.3直至时序首或尾年份,处理完整个时空立方体;若不一致,则将种子窗口向内移动一位,转至步骤4.3 直至时序首或尾年份,处理完整个时空立方体;
步骤5:时空立方体的空间网格化分割与填充,根据研究区国土空间结构特征,对时空立方体进行格网分割,作为以下分析预测的基本单元,对于缺乏数据的时间节点,利用线性插值或拉格朗日插值方法进行插值处理,由现有功能用地结构特征参数进行数值填充,构建格网单元用地结构参数时间序列;
步骤6:基于集成森林的不同功能用地参数预测,针对各个时空立方体分块,采用基于集成森林的预测算法对每一类功能用地进行预测,汇总得到长时序各目标年份的不同功能用地的总量参数;
步骤7:基于自适应元胞自动机的国土空间功能模拟,通过对研究区域主要功能用地变化的影响因素分析,确定驱动因子与空间转化成本,形成国土空间转化可能性栅格,结合目标年份的不同功能用地的总量参数,利用自适应元胞自动机对目标年份国土空间功能进行模拟。
2.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:步骤1中,国土空间功能用地分类包括至少两级功能分类,其中,一级分类划分为生态用地、农业用地和建设用地,二级分类参考现有国土调查数据对一级分类进行细分。
3.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:所述步骤2按照以下步骤进行处理:
2.1样本点选取,借助于高分辨率影像选取指定时间范围内最后一年不同功能地物的样本点,并以此年为基准年,切换上一年参考影像,逐点比对,对地物类别发生改变的样本点进行增删修改,从而得到上一年的样本点,以此类推,直到完成全部年份的样本点选取;
2.2计算所有影像中各像元的特征变量并进行组合,特征变量包括:归一化植被指数NDVI、归一化建筑指数NDBI、归一化差水指数NDWI、VIIRS夜间灯光数据和数字高程数据SRTM;将上述的特征变量进行不同方式的组合作为分类器的输入参数,使用步骤2.3方法进行影像分类,并利用步骤2.4对不同分类器的分类结果进行精度评价,对比不同特征变量组合方式下分类器的精度结果,筛选出重要性较高的特征变量作为随机森林分类器最终的输入参数;
2.3基于分类器的长时序初始分类,将每幅影像的样本点按比例随机划分为训练集和验证集,用历年训练集对分类器进行训练,训练完成后,使用分类器对对应年份的影像进行分类;
2.4精度计算,选取完整率和正确率两个指标,使用验证样本对分类结果进行精度评价,其中完整率为某地类分类所得像元数与地类实际像元总数之比;正确率为正确分类像元数与地类实际像元总数之比;当完整率达到预设指标时,以正确率作为分类精度,将正确率最高的特征变量组合作为随机森林分类器最终选定的输入参数。
4.根据权利要求3所述的一种长时序国土空间功能与结构模拟方法,其特征在于:步骤2中的分类器选用随机森林分类器。
5.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:步骤4.2中,r的取值范围为[0.6,0.8]。
6.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:步骤5中,格网分割的格网单元尺寸为1KM-10KM。
7.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:步骤6的具体步骤如下:
6.1以时空立方体格网单元的用地结构参数时间序列作为训练样本,基于随机森林算法,以25%的时间序列数据训练建立集成森林,训练学习各类用地的特征参数演化特征,并选取3-5个训练样本后的节点数据对学习结果进行精度评价与修正;
6.2基于训练完毕的集成森林,以现有用地结构参数时间序列为基础数据源,对若干时间步长的参数进行模拟,模拟的最大限度范围为基础数据源时间长度的50%;
6.3确定未来系列年份的不同功能用地参数,对不同功能用地分别执行步骤6.1和6.2操作,汇总得到未来某个年份节点的不同功能用地参数。
8.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:步骤7的执行过程如下:
7.1基于地域功能成因学原理,根据研究区具体情况,选取可定量化驱动因子,进行定量化指标计算,并对计算结果进行归一化处理;
7.2 对“双评价”结果进行集成分析,依次提取生态保护极重要区、农业生产保障区作为空间腌膜;生态保护极重要区取生态保护适宜性评价的最高等级,农业生产保障区取生态保护极重要区以外、农业生产适宜性等级最高、且斑块集中连片面积大于1200平方米的区域;将生态极重要区内森林、灌木、草地、水体、裸地之间的转换成本均为1,其他类型之间设置为0;农业生产保障区内耕地、建设用地向其他类型功能用地转换成本设置为0,其余均设置为1;腌膜外其他区域内除建设用地向其他类型功能用地转换成本设置为0以外,其他用地转换成本矩阵参数均设置为1;
7.3 对“双评价”结果进行集成分析,提取城镇建设适宜区作为空间腌膜;采用1989年、1994年、1999年、2004年、2009年、2014年、2019年共7个年份的土地利用数据,计算各相邻参考年份之间的像元数目差值与斑块数目差值,对计算得出的像元数目差值与斑块数目差值进行离差标准化处理,并按各个类型分别计算离差标准化值的平均值,得出邻域影响权重值;
7.4将7.1操作得到的驱动因子的归一化结果作为输入参数,将7.2操作设置好的用地转换成本矩阵和邻域影响权重作为阻力因子,目标年份的用地规模模拟结果为目标参数,利用元胞自动机模型由基准年份的国土空间结构向目标结果进行模拟,生成目标年份的国土空间结构模拟结果。
9.根据权利要求8所述的一种长时序国土空间功能与结构模拟方法,其特征在于:三个区域的优先级排列如下:生态保护极重要区>农业生产保障区>城镇建设适宜区。
10.根据权利要求1所述的一种长时序国土空间功能与结构模拟方法,其特征在于:还包括步骤8、国土空间功能与结构模拟结果的分析与应用:根据国土空间功能空间模拟结果,以行政区或空间分析单元作为基本单元,测算基本单元内不同功能用地比例关系,分析空间结构模拟结果的特征参数;并将基准年与目标年份的国土空间功能与结构的结果进行对比分析,作为国土空间格局优化与空间调控的重要依据;所述空间分析单元包括距离河流主要干支流、距离中心城区特定空间距离形成的缓冲区范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560897.8A CN114861277B (zh) | 2022-05-23 | 2022-05-23 | 一种长时序国土空间功能与结构模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560897.8A CN114861277B (zh) | 2022-05-23 | 2022-05-23 | 一种长时序国土空间功能与结构模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861277A true CN114861277A (zh) | 2022-08-05 |
CN114861277B CN114861277B (zh) | 2022-11-15 |
Family
ID=82639791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560897.8A Active CN114861277B (zh) | 2022-05-23 | 2022-05-23 | 一种长时序国土空间功能与结构模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861277B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116384157A (zh) * | 2023-05-26 | 2023-07-04 | 北京师范大学 | 土地利用变化模拟方法 |
CN117436767A (zh) * | 2023-12-15 | 2024-01-23 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、***及存储介质 |
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用***及云平台 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN113240219A (zh) * | 2021-07-13 | 2021-08-10 | 北京建筑大学 | 一种土地利用模拟及预测方法 |
CN113255808A (zh) * | 2021-06-03 | 2021-08-13 | 中国科学院地理科学与资源研究所 | 基于大数据的长时序国土空间地域功能结构变化检测方法 |
CN113515798A (zh) * | 2021-07-05 | 2021-10-19 | 中山大学 | 一种城市三维空间扩张模拟方法及装置 |
CN113971769A (zh) * | 2021-12-09 | 2022-01-25 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
CN114357879A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
CN114398951A (zh) * | 2021-12-14 | 2022-04-26 | 华中师范大学 | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 |
CN114417724A (zh) * | 2022-01-20 | 2022-04-29 | 河海大学 | 一种山地城市土地利用演变的模拟方法 |
-
2022
- 2022-05-23 CN CN202210560897.8A patent/CN114861277B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
CN113255808A (zh) * | 2021-06-03 | 2021-08-13 | 中国科学院地理科学与资源研究所 | 基于大数据的长时序国土空间地域功能结构变化检测方法 |
CN113515798A (zh) * | 2021-07-05 | 2021-10-19 | 中山大学 | 一种城市三维空间扩张模拟方法及装置 |
CN113240219A (zh) * | 2021-07-13 | 2021-08-10 | 北京建筑大学 | 一种土地利用模拟及预测方法 |
CN113971769A (zh) * | 2021-12-09 | 2022-01-25 | 中国科学院地理科学与资源研究所 | 基于多源大数据的海岸带地域功能长时序识别方法 |
CN114398951A (zh) * | 2021-12-14 | 2022-04-26 | 华中师范大学 | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 |
CN114357879A (zh) * | 2021-12-31 | 2022-04-15 | 中山大学 | 一种未来土地利用模拟方法、装置、存储介质及终端设备 |
CN114417724A (zh) * | 2022-01-20 | 2022-04-29 | 河海大学 | 一种山地城市土地利用演变的模拟方法 |
Non-Patent Citations (2)
Title |
---|
李敏: "基于随机森林的土地利用分类与景观格局分析", 《地理空间信息》 * |
陈逸敏: "机器学习在城市空间演化模拟中的应用与新趋势", 《武汉大学学报(信息科学版) 》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116384157A (zh) * | 2023-05-26 | 2023-07-04 | 北京师范大学 | 土地利用变化模拟方法 |
CN116384157B (zh) * | 2023-05-26 | 2023-08-18 | 北京师范大学 | 土地利用变化模拟方法 |
CN117436767A (zh) * | 2023-12-15 | 2024-01-23 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、***及存储介质 |
CN117436767B (zh) * | 2023-12-15 | 2024-04-09 | 云南师范大学 | 基于近远程耦合协调模型的评估方法、***及存储介质 |
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用***及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN114861277B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | A novel hybrid approach for landslide susceptibility mapping integrating analytical hierarchy process and normalized frequency ratio methods with the cloud model | |
CN114861277B (zh) | 一种长时序国土空间功能与结构模拟方法 | |
Das et al. | Assessment of urban sprawl using landscape metrics and Shannon’s entropy model approach in town level of Barrackpore sub-divisional region, India | |
Estoque et al. | Examining the potential impact of land use/cover changes on the ecosystem services of Baguio city, the Philippines: A scenario-based analysis | |
Motlagh et al. | Spatial modeling of land-use change in a rapidly urbanizing landscape in central Iran: Integration of remote sensing, CA-Markov, and landscape metrics | |
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 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
Sharma et al. | Performance comparison of adoptive neuro fuzzy inference system (ANFIS) with loading simulation program C++ (LSPC) model for streamflow simulation in El Niño Southern Oscillation (ENSO)-affected watershed | |
Zhang et al. | Application and research progress of geographic information system (GIS) in agriculture | |
Joorabian Shooshtari et al. | Land use and cover change assessment and dynamic spatial modeling in the Ghara-su Basin, Northeastern Iran | |
Guru et al. | Comparison of probabilistic and expert-based models in landslide susceptibility zonation mapping in part of Nilgiri District, Tamil Nadu, India | |
Shi et al. | An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China | |
Guo et al. | RETRACTED ARTICLE: Sponge city plant planning and urban construction based on high-resolution remote sensing images | |
Mosaffaie et al. | Landslide risk assessment based on susceptibility and vulnerability | |
Chao et al. | A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating | |
Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
Dehingia et al. | Decadal Transformation of Land Use-Land Cover and Future Spatial Expansion in Bangalore Metropolitan Region, India: Open-Source Geospatial Machine Learning Approach | |
Patil et al. | GIS-based multi-criteria decision-making for ranking potential sites for centralized rainwater harvesting | |
Vafaei et al. | Simulating the expansion of built-up areas using the models of logistic regression, artificial neural network, and geo-mod in Marivan City, Iran | |
Maithani et al. | An artificial neural network based approach for modelling urban spatial growth | |
Jiang et al. | Analysis of prediction algorithm for forest land spatial evolution trend in rural planning | |
CN113239112B (zh) | 基于gis***的第三产业增长量可视化方法及装置 | |
Rukhsana et al. | Modelling of potential sites for residential development at South East Peri-Urban of Kolkata | |
Jia et al. | Evaluation of suitability areas for maize in china based on GIS and its variation trend on the future climate Condition | |
Attaallah | Modeling of built-up lands expansion in Gaza Strip, Palestine using Landsat data and CA-Markov model |
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 |