一种基于自适应可变滤镜的地类变化预测方法技术

本发明专利技术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；在本发明专利技术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％。

【技术实现步骤摘要】
一种基于自适应可变滤镜的地类变化预测方法
本专利技术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。
技术介绍
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(landuse/coverchange)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。
技术实现思路
针对上述问题，本专利技术公开了一种现代农业监管分析系统，本专利技术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(artificialneuralnetwork,ANN)与元胞自动机(cellularautomata,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％。本专利技术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；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。上述的一种基于自适应可变滤镜的地类变化预测方法，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。上述的一种基于自适应可变滤镜的地类变化预测方法，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。上述的一种基于自适应可变滤镜的地类变化预测方法，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。有益效果：在本专利技术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，训练多个网络可以对各种不用土地类型分布地区的预测更有针对性，训练模型时不会受到其它不相关地类分布区域的影响，可以显著提升预测结果的精度，相比于训练单一模型，自适应可变滤镜方法可以减少“过学习”的现象，不需要对一个网络模型训练到很深的成度，这样就大大节省了模型训练时间，通过多次试验可以得出结果：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％。具体实施方式下面对本专利技术具体实施方式作进一步详细描述。具体实施例一本实施例是一种基于自适应可变滤镜的地类变化预测方法的具体实施例。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，上述训练不只本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
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2...

【专利技术属性】
技术研发人员：柳长源，刘鹏，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23