[发明专利]一种基于深度学习的城市扩展预测方法及系统

权利要求书

1.一种基于深度学习的城市扩展预测方法，其特征在于，包括以下步骤：

获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；

选取预设时间序列的不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型；

将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度；

根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图；

将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型的步骤包括：

根据下列公式，构建所述LSTM-RNN模型的表达式：

impert+1＝F(ft,ft-1,…ft0)，

其中，ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)；

采用均方误差作为该模型的损失函数：

其中，imper_i()表示t时刻的实际不透水面盖度，表示t时刻预测的不透水面盖度，i表示像元数目；

设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；

利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数，其中，所述验证数据集为除去训练集后剩余时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。

2.根据权利要求1所述的基于深度学习的城市扩展预测方法，其特征在于：所述获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据的步骤具体包括：

获取若干时间序列城市的遥感数据和人类活动统计数据；其中所述遥感数据包括：Landsat 5、Landsat 8遥感影像、地形、城市道路数据；所述人类活动统计数据包括相应时间序列的人口、GDP、能源消耗、用电消耗数据；

将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat 5/8空间分辨率一致的网格数据；

计算每个网格单元离市中心的距离和离道路的距离，得到离市中心的距离和离道路的距离数据；

利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度。

3.根据权利要求1所述的基于深度学习的城市扩展预测方法，其特征在于：所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤之前，还包括：

对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。

4.根据权利要求1所述的基于深度学习的城市扩展预测方法，其特征在于：所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤包括：

按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：

其中，和分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差；

按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：

其中，θ为椭圆方位角，ω_i为待测时间段的城市不透水面盖度，σ_x和σ_y分别为沿x轴和y轴的标准差。