[发明专利]一种基于自适应可变滤镜的地类变化预测方法

权利要求书

1.一种基于自适应可变滤镜的地类变化预测方法，其特征在于，根据历史土地类别变化数据，预测若干年后土地类别分布包括以下步骤：

步骤a，将某一地区内等间隔年份，以2000年、2005年、2010年、2015年为例，的土地利用类型按照土地覆盖变化标准划分为耕地、林地、草地、城镇用地、农村居民点、其它建设用地和未利用地7类；

步骤b，将上述各年份该地区范围内所有的土地利用类型划分为7类后，对数据预处理操作，将该地区划分为由若干栅格组成，每一个栅格为长30m，宽30m的正方形，即为一个元胞，选取相邻的五行五列也就是，5×5，25个元胞大小的区域作为滤镜，用滤镜截取该区域内所有滤镜大小的范围，然后判断，每一个滤镜中的25个元胞内包含土地类型的类数，根据类数分别存入不同的数据集中作为训练数据集，将每一个元胞的土地类型表示方法为设定为“0-1“即：

耕地：1000000；

草地：0100000；

林地：0010000；

以此类推，这样编码的目的是为了区分各个地类；

每一个元胞编码都有7位，5×5大小的滤镜内所有元胞，就是5×5×7，即为175个，神经网络输入层神经元个数为175，设置隐藏层为16个，输出层7个，表示下一时刻5×5区域内中心位置进行土地类别的预测结果；

步骤c，将2000年数据输入，参考分析2005年数据，训练出初始网络模型，将所有训练数据都输入训练，上述训练不只训练一个模型，要根据滤镜内土地类别数，训练多个模型，该地区所有滤镜范围内存在一类、二类、三类、四类，所述是一类、二类、三类、四类的类型是土地利用类型划分为7类后的前四种类型，将上述类别模型训练四个权重不同的模型；

步骤d，用2005数据作为输入，输出数据和2010比较分析，分别调整这多个网络模型的权重；

步骤e，用2010年数据作为输入，输出数据和2010年数据进行比较分析，再次调整网络权重，得出最后的网络模型；

步骤f，将2015年数据当作输入，使待预测数据自动适应网络模型，模型会自动计算待预测地区每一个滤镜下的5×5区域内土地类别数目，将其输入到对应的训练好的网络中，预测2020年的土地利用分布类型。

2.根据权利要求1所述的一种基于自适应可变滤镜的地类变化预测方法，其特征在于，所述步骤b中，预处理操作包括以下步骤：

步骤a1，利用卫星进行遥感数据获取；

步骤b1，对利用卫星获取的遥感数据利用ENVI5.1进行数据的校正拼接；

步骤c1，对上述拼接数据进行ArcGIS10.2解析；

步骤d1，利用解析后数据按照LUCC标准对土地利用类别数目进行分类；

步骤e1，将2000-2015年土地预测区域所有5×5大小的区域内筛选出存在四种土地利用类别数目，分别是一类、二类、三类和四类，将四类数据分别对应存入数据集1、数据集2、数据集3、数据集4，建立好四个数据集作为训练样本；

步骤g1，分别取四个数据集五年后对应5×5区域内的中心位置数据作为目标样本，训练出四个参数各异的网络模型。

3.根据权利要求1所述的一种基于自适应可变滤镜的地类变化预测方法，其特征在于，根据滤镜范围内土地类别数目，训练权重不同的网络，预测时滤镜内不同土地类别数目的数据输入到相对应的网络模型中预测，输出自适应分析结果。

4.根据权利要求1所述的一种基于自适应可变滤镜的地类变化预测方法，其特征在于，将行政区域划分为多个矩形区域，所述步骤b、步骤c、步骤d和步骤f中数据采用所述矩形形状内包含的全部行政区域范围。