[发明专利]一种基于深度学习的城市扩展预测方法及系统

说明书

本发明涉及一种基于深度学习的城市扩展预测方法及系统，发明将城市不透水面盖度数据与遥感数据和人类活动统计数据相结合，利用LSTM‑RNN模型得到待测时间段的城市不透水面盖度，以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的方式，得到该待测时间段的城市扩展预测图。相对于现有技术，本发明利用LSTM‑RNN模型对输入的不透水面盖度、遥感数据和人类活动统计数据等多项变量进行选择，根据每个变量的相关性更新输出的预测值，以提高待测时间段的城市不透水面盖度预测的精度。

技术领域

本发明涉及地理信息技术领域，尤其是涉及一种基于深度学习的城市扩展预测方法及系统。

背景技术

我国城市化进程正处于加速期，由快速城市化引发的城市水环境与生态问题日益突出。城市扩展的特征之一是城市不透水面面积的增加。城市不透水面现已变成了城市环境变化和人地相互作用的指示器与重要驱动力，是城市生态环境规划与保护的关键依据。不透水面的面积大小、空间布局分布等指标在城市化进程及环境质量评估中具有重要意义，准确估算与提取不透水面信息可以为中国新型城镇化的建设以及一系列生态城市、海绵城市的建设提供数据层面的支撑，特别是对城市规划、城市扩展研究等有重要意义。

目前，城市扩展模拟主要利用土地理由类型结合元胞自动机模型进行。然而，城市元胞自动机模型的转换阈值直接影响城市扩张模拟的精度。另外，基于土地利用类型的元胞自动机模拟主要是基于像元尺度的模拟，不能精细刻画每个像元城市建设用地的面积。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种利用城市不透水面盖度来反应出城市扩展规模与方向的基于深度学习的城市扩展预测方法及系统。

一种基于深度学习的城市扩展预测方法，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；

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；

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。

相对于现有技术，本发明将预设时间内的城市不透水面盖度数据、遥感数据和人类活动数据相结合，构建基于地表环境参数和人类活动统计数据的LSTM-RNN模型，利用LSTM-RNN模型对输入的不透水面盖度、遥感数据和人类活动统计数据等多项变量进行选择，根据每个变量的相关性更新输出的预测值，以提高待测时间段的城市不透水面盖度预测的精度，并且，根据城市不透水面盖度构建该城市的标准差椭圆，通过对标准差椭圆的长短轴及中心点的计算，可直观反映出待测时间段的城市扩展格局。

在本发明一个实施例中，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不透水面盖度、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。

在本发明一个实施例中，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：