一种基于自适应元胞算法的LULC预测方法技术

本发明专利技术提供了一种基于自适应元胞算法的LULC预测方法，涉及机器学习技术领域。本发明专利技术所述的基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试。本发明专利技术所述的技术方案，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。

【技术实现步骤摘要】
一种基于自适应元胞算法的LULC预测方法
本专利技术涉及机器学习
，具体而言，涉及一种基于自适应元胞算法的LULC预测方法。
技术介绍
常规神经网络在处理长时间序列数据时会产生巨大的计算开销，而且会由于记忆能力无法得出最后的结果，在目前计算能力下，无法实现高效地对LULC的变化进行预测，因此如何准确高效地对LULC(theland-use/land-cover土地利用和土地覆盖)的变化进行预测仍然是个难题，尤其是对遥感数据的处理。
技术实现思路
本专利技术解决的问题是如何准确高效地对LULC的变化进行预测。为解决上述问题，本专利技术提供一种基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试。本专利技术所述的基于自适应元胞算法的LULC预测方法，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。优选地，所述对所述遥感数据分类包括：采用贝叶斯算法对所述遥感数据分类以将所述遥感数据转化为向量元组。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过贝叶斯算法对所述遥感数据分类，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。优选地，所述将所述遥感数据转化为向量元组包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。本专利技术所述的基于自适应元胞算法的LULC预测方法，将遥感数据转化为向量元组，有效提高了模型的预测精度。优选地，所述对所述遥感数据分类包括：采用最大似然估计对遥感数据分类。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过采用最大似然估计对遥感数据分类，有效提高了模型的预测精度。优选地，所述基将所述经分类的遥感数据与城市数据融合，形成融合数据包括：基于最大最小归一化算法将所述城市数据限定为一维城市数据，将所述一维向量与所述一维城市数据融合得到一维的时序序列数据。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过将一维向量与一维城市数据融合得到一维的时序序列数据，有效提高了模型的预测精度。优选地，所述城市数据包括天气数据，经济数据和建筑数据。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过设置城市数据包括天气数据，经济数据和建筑数据，提高了城市数据的适用广泛度，有效提高了模型的预测精度。优选地，所述天气数据包括城市温度变化、城市空气污染和城市降雨分布，所述经济数据包括工业生产价值分布和居民消费分布，所述建筑数据包括建筑物平面数据、建筑物高度数据和建筑物表面纹理数据。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过设置天气数据，经济数据和建筑数据的具体数据项目，提高了城市数据的适用广泛度，有效提高了模型的预测精度。优选地，所述基于自适应元胞算法的LULC预测方法还包括：对所述融合数据归一化处理，根据归一化后的融合数据建模并进行测试。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过对融合数据归一化处理，根据归一化后的融合数据建模并进行测试，有效提高了模型的预测精度。优选地，所述根据所述融合数据建模并进行测试具体包括：将所述融合数据分为训练集和测试集，根据所述训练集建立LSTM预测模型，根据所述测试集对所述LSTM预测模型进行测试。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过训练集建立LSTM预测模型，根据测试集对LSTM预测模型进行测试，避免了长序列依赖带来的梯度指数级变化导致的消失问题，具有高效的长时序序列数据的处理能力，有效提高了模型的预测精度。优选地，所述对所述融合数据归一化处理包括：应用MMN归一化算法对所述融合数据归一化处理。本专利技术所述的基于自适应元胞算法的LULC预测方法，通过MMN归一化算法对融合数据归一化处理，防止对后续的模拟和预测产生严重的影响，从而有效提高模型的预测精度。附图说明图1为本专利技术实施例所述的基于自适应元胞算法的LULC预测方法的流程图；图2为本专利技术实施例所述的LSTM单元结构；图3为本专利技术实施例所述的遗忘门结构；图4为本专利技术实施例所述的输入门结构；图5为本专利技术实施例所述的输出门结构。具体实施方式为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。如图1所示，本专利技术提供一种基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对所述遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将所述经分类的遥感数据与城市数据融合，形成融合数据；根据所述融合数据建模并进行测试。具体地，在本实施例中，基于自适应元胞算法的LULC预测方法，包括：获取遥感数据；对遥感数据分类；基于自适应元胞算法将经分类的遥感数据转化为一维向量；将遥感数据与城市数据融合，形成融合数据；根据融合数据建模并进行测试。其中，对遥感数据分类可以将遥感数据的RGB值转化成类别标签，将三维RGB数据转化为一维标签数据；遥感数据转化为一维向量后与城市数据融合，对该融合数据建模，模型既体现遥感数据特点，也综合了城市数据，因此能够将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，从而有效增加预测精度；LULC指theland-use/land-cover，即土地利用和土地覆盖。本实施例中，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且效增加了预测精度。在本实施例中，将城市数据作为城市LULC变化的模拟预测建模参数，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。优选地，所述对所述遥感数据分类包括：采用贝叶斯算法对所述遥感数据分类，以将所述遥感数据转化为向量元组。具体地，在本实施例中，采用贝叶斯算法对遥感数据分类以将遥感数据转化为向量元组。其中，贝叶斯算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快，因此将贝叶斯算法应用在对城市土地的利用和城市的覆盖情况进行预测，能够有效增加预测精度。本实施例中，通过贝叶斯算法对遥感数据分类，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。在本实施例中，通过贝叶斯算法对所述遥感数据分类，实现对城市土地的利用和城市的覆盖情况进行预测，且有效增加了预测精度。优选地，所述将所述遥感数据转化为向量元组具体包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。具体地，在本实施例中，将遥感数据转化为向量元组具体包括：用分类结果的一维类别数据替代三维RGB数据本文档来自技高网...

【技术保护点】
1.一种基于自适应元胞算法的LULC预测方法，其特征在于，包括：/n获取遥感数据；/n对所述遥感数据分类；/n基于自适应元胞算法将经分类的遥感数据转化为一维向量；/n将所述经分类的遥感数据与城市数据融合，形成融合数据；/n根据所述融合数据建模并进行测试。/n

【技术特征摘要】
1.一种基于自适应元胞算法的LULC预测方法，其特征在于，包括：
获取遥感数据；
对所述遥感数据分类；
基于自适应元胞算法将经分类的遥感数据转化为一维向量；
将所述经分类的遥感数据与城市数据融合，形成融合数据；
根据所述融合数据建模并进行测试。


2.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述对所述遥感数据分类包括：采用贝叶斯算法对所述遥感数据分类，以将所述遥感数据转化为向量元组。


3.根据权利要求2所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述将所述遥感数据转化为向量元组包括：用分类结果的一维类别数据替代三维RGB数据，用三维遥感数据替代五维遥感数据。


4.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述对所述遥感数据分类包括：采用最大似然估计对所述遥感数据分类。


5.根据权利要求1所述的基于自适应元胞算法的LULC预测方法，其特征在于，所述将所述经分类的遥感数据与城市数据融合，形成融合数据包括：
基于最大最小归一化算法将所述城市数据限定为一维城市数据，将所述一维向量与所述...

【专利技术属性】
技术研发人员：王力哲，陈小岛，李浩，王玥玮，牟林，邓泽，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42