[发明专利]一种基于自适应可变滤镜的地类变化预测方法

说明书

本发明一种基于自适应可变滤镜的地类变化预测方法属于土地利用预测领域；在本发明一种基于自适应可变滤镜的地类变化预测方法中，结合元胞自动机以及神经网络模型，建立一种自适应可变滤镜网络模型，针对特定大小区域内的土地类别数，创建多类数据集来训练不同参数的多个神经网络，可以成功预测未来土地变化的情况，这样就避免了训练单一网络时数据对网络权值的抵消，相比于传统的CA_Markov模型和CA_ANN模型，不仅总体精度提高了3％，各种地类转化精度提高了12.82％‑33.33％，模型训练时间也缩减了49.47％。

技术领域

本发明一种基于自适应可变滤镜的地类变化预测方法属于土地利用预测领域。

背景技术

土地利用变化反映了经济社会发展对土地资源利用的影响，是环境变化以及可持续发展的重点研究内容，同时也是全球土地利用领域研究的难点；近年来，对土地利用变化情况进行预测成为了LUCC(land use/cover change)的主要研究方向，得到了公众广泛的关注；客观地、科学地分析土地利用的变化趋势，不仅可以使土地的开发和建设更具有科学性，对自然环境的改善和保护更加符合大自然的客观规律，也可以为经济的可持续发展提供建设性的意见和建议；近十多年来，借助于计算机、遥感和GIS技术，无论是从统计土地利用信息方法，还是对于遥感影像进一步的处理技术都得随着“重振东北老工业基地”政策的提出，哈尔滨作为省会城市，整体土地利用格局发生了显著的变化，探索其中的变化规律，对于东北地区的土地格局规划有着重要的参考意义。

发明内容

针对上述问题，本发明公开了一种现代农业监管分析系统，本发明选取哈尔滨香坊地区为研究区域，对卫星遥感图像解析出栅格数据，采用人工神经网络(artificialneural network,ANN)与元胞自动机(cellular automata,CA)耦合模型，并加入了自适应可变滤镜，相比传统CA_ANN模型，各地类预测精度提升了12.82％-33.33％，模型训练时间也缩短了49.47％。

本发明的目的是这样实现的：

一种基于自适应可变滤镜的地类变化预测方法，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，如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；