基于土地利用变化的高精度未来水文过程耦合模型及构建方法技术

本发明专利技术公开了一种基于土地利用变化的高精度未来水文过程（LUWAT）耦合模型及构建方法，用来模拟、预测、优化并显示全球尺度下基于土地利用变化的未来高精度水文要素在时间上持续变化或周期变化的动态过程。本发明专利技术的优点在于：耦合了土地利用变化、水文变化、气候变化三类全球要素，构建出LUWAT耦合模型；实现了全球尺度下高精度全球水文要素变化的模拟和预测，结合了土地利用变化和人类活动影响，进一步提高了模拟结果的精度和可靠性。

【技术实现步骤摘要】
基于土地利用变化的高精度未来水文过程耦合模型及构建方法
本专利技术属于地理信息科学
，具体涉及一种基于土地利用变化的高精度未来水文过程耦合模型及构建方法以下称LUWAT耦合模型，用来模拟、预测、优化并显示全球尺度下基于土地利用变化的未来高精度水文要素在时间上持续变化或周期变化的动态过程。
技术介绍
快速城市化导致的土地利用类型变化会对流域水文以及城市环境的水文过程造成严重影响。研究表明，近几十年来的大规模城市化大幅改造了自然环境，土地利用/覆被变化导致城市集水区水文过程和生态环境发生了显著变化，致使城市洪水灾害发生频率和强度增加。尤其是在具有相对较低海拔的沿海城市和人口高度集中的城市，更扩大了洪水的危害性。由此可见，未来土地利用变化、水资源变化、气候变化将会对人类生活和社会经济造成严重影响。针对全球变化，综合考虑多种全球变化要素建模已成为亟待解决的关键问题。目前，已有研究越来越多地依赖全球水文模型来评估和预测人类活动和气候变化对水资源的影响。虽然现有全球尺度水文模型中，不乏对人类活动影响的考虑，如DBH、H08、PCR-G本文档来自技高网...

【技术保护点】
1.一种基于土地利用变化的高精度未来水文过程耦合模型的构建方法，其特征在于，该方法具体包括如下步骤：/n步骤1：设置初始状态，包括开始模拟的日期及输入变量的路径；/n设置目标状态，包括目标建模区域、结束模拟的日期、输出变量的存储路径、输出的水文要素类型、输出时间步长参数及输出时间序列类型；其中，所述时间序列类型包括每天、每月、平均月、月末、每年、平均年、年末及总平均数；/n步骤2：从单期初始土地利用数据的分布上采样，使用BP-ANN训练和评估每个栅格土地利用类型的分布适宜性概率；/n步骤3：计算邻域影响、自适应惯性系数和转换成本矩阵后与步骤2得到的分布适宜性概率取乘积确定土地利用转化总概率；设...

【技术特征摘要】
1.一种基于土地利用变化的高精度未来水文过程耦合模型的构建方法，其特征在于，该方法具体包括如下步骤：
步骤1：设置初始状态，包括开始模拟的日期及输入变量的路径；
设置目标状态，包括目标建模区域、结束模拟的日期、输出变量的存储路径、输出的水文要素类型、输出时间步长参数及输出时间序列类型；其中，所述时间序列类型包括每天、每月、平均月、月末、每年、平均年、年末及总平均数；
步骤2：从单期初始土地利用数据的分布上采样，使用BP-ANN训练和评估每个栅格土地利用类型的分布适宜性概率；
步骤3：计算邻域影响、自适应惯性系数和转换成本矩阵后与步骤2得到的分布适宜性概率取乘积确定土地利用转化总概率；设置约束用地变化的限制数据、迭代的次数、邻域范围大小、模型加速因子、模拟用地转换的数量目标、成本矩阵以及各类用地的邻域因子并进行参数优化；根据轮盘赌机制确定土地利用类型之间的竞争并对土地利用变化进行模拟，得到高精度的未来土地利用变化目标结果，空间分辨率为1km；即模型模拟结果；
步骤4：将高精度的未来土地利用变化目标结果转换为包括森林、草地、灌溉用地、非灌溉用地、城市及水的六种土地覆盖类型，并与潜在蒸发、雨雪消融、需水量、植被、地下水、湖泊与水库和河流路径共同作为输入变量，得到基于未来土地利用变化的CWAT模型；设置融雪系数、作物因素、土壤深度因子、优先路径流量、渗透能力参数、互穿系数、径流浓度、正常存储限制及湖泊河流蒸发因子并进行参数优化，根据目标所需的某一种或数种水文要素对应的计算方法进行模拟，得到在时间上持续变化或周期变化的高精度的未来水文要素变化过程，空间分辨率为1km；即所述高精度未来水文过程耦合模型。


2.根据权利要求1所述的耦合模型的构建方法，其特征在于，步骤2所述的BP-ANN由一个输入层、一个或多个隐藏层和一个输出层构成，输入层的神经元对应输入的土地利用变化的驱动因子即人类活动和自然效应，隐藏层根据区域特点、土地利用类型、驱动因子个数以及专家经验确定，隐藏层到输出层的激励函数被定义为Sigmoid(·)，输出层的每个神经元则对应相应的土地利用类型；输入层神经元被定义为xi，且在第i个神经元在像元p和训练时间t上所接收到的信号被定义为xi(p,t)；隐藏层神经元被定义为netj，且在第j个神经元在像元p和训练时间t上所接收到的信号被定义为netj(p,t)；wi,j是输入层与隐藏层间的信号；具体训练流程通过以下公式实现：
X＝[x1,x2,x3,…,xn]T(1)
netj(p,t)＝∑iwi,j×xi(p,t)(2)






其中X为输入层神经元的集合，[x1,x2,x3,…,xn]T中T表示矩阵[x1,x2,x3,…,xn]的转置，wj,k是隐藏层与输出层间的权值，sp(p,k,t)表示第k种土地利用类型在像元p和时间t上的适宜性概率，且恒有1＝∑ksp(p,k,t)。


3.根据权利要求1所述的耦合模型的构建方法，其特征在于，步骤3所述计算邻域影响、自适应惯性系数和转换成本矩阵后与步骤2得到的分布适宜性概率取乘积确定土地利用转化总概率，具体计算流程通过以下公式实现，式中为邻域影响、为自适应惯性系数、scc→k为转换成本矩阵、sp(p,k,t)为得到的分布适宜性概率、为土地利用转化总概率：



其中代表在N×N大小的窗口上，迭代(t-1)次结束后第k种土地利用类型的像元总个数，wk是对不同土地利用类型的邻域作用强度不一样而设定的不同权重值；



其中和分别表示前一次和前两次迭代时，第k种土地利用类型的像元数与需求数之差；





4.根据权利要求1所述的耦合模型的构建方法，其特征在于，步骤4所述计算得到连续...

【专利技术属性】
技术研发人员：黎夏，李梦雅，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31