[发明专利]一种基于自适应可变滤镜的地类变化预测方法

摘要

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％。

主权项

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。