一种土地利用变化模拟预测方法、装置、设备及介质制造方法及图纸

本公开涉及一种土地利用变化模拟预测方法、装置、设备及介质，所述方法包括：采集地理信息兴趣点数据以及手机信令大数据并提取得到土地利用数据；提取土地模拟变量模型中的基期年数据作为驱动因子；将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果。本公开的方法精度高，相对于现有的基于Logistic

【技术实现步骤摘要】
一种土地利用变化模拟预测方法、装置、设备及介质


[0001]本申请涉及预测分析
，更为具体来说，本公开涉及一种土地利用变化模拟预测方法、装置、设备及介质。

技术介绍

[0002]Logistic回归又称Logistic回归分析，是一种广义的线性回归分析模型。Logistic 回归拟合的方程为:。式中，表示每个网格可能出现某一土地利用类型 i 的概率，β是自变量的回归系数，X表示所选驱动因子的数据。运用Logistic逐步回归对每一个网格可能出现某一地类的概率进行诊断，可以筛选出对土地覆盖格局影响较为显著的因素，并确定它们间定量关系和作用的相对大小。元胞自动机(cellular automata，CA) 是基于转换规则模拟复合现象时空演化过程的一种网格统计动力模型。采用元胞自动机（CA）模拟复杂系统空间变化的能力，改变元胞的状态，对土地利用格局进行动态模拟和预测。
[0003]传统城市土地利用模拟的变量数据以静态数据为主，只能反映某一时刻，而且空间精度较差。比如人口变量数据多依赖于中科院的人口网格数据，依托传统的人口调查数据，以5年为一周期更新，而且由于网格化的成本较高，在空间上只做到了1km网格尺度，空间精度欠缺。
[0004]现有的技术并没有做到动态模拟，每一个网格的用地概率设为恒定，算法在逻辑上并不合理。使用2000年的土地利用数据和变量数据通过Logistic 回归方程得出2000年各土地利用类型的空间分布概率适宜性图（某一地类出现在每个的网格单元的概率），然后在预测2015年的土地利用分布时，直接使用2000年的土地利用分布适宜性图集作为2015土地利用分布适宜性图集带入模型，但事实上每一个网格的变量数据都在不断变化，以人口变量来说，2000年的人口和2015年的人口变量相差巨大，这样的方法只是真实情况的简化，逻辑上并不合理。
[0005]传统土地利用模拟分类比较粗放，不适合用于城市土地利用模拟。传统土地利用模拟中采用LUCC分类，土地被分为耕地、林地、草地、水域、城乡居民点及工矿和未利用地几大类，无法对城市内部的建设用地演变进行模拟。
[0006]传统土地利用模拟的变量体系和约束条件难以满足城市土地模拟的需要。在理论上，传统土地利用模拟较少考虑城市内部的变量，比如由于职住失衡，就业人口对城市土地利用的影响与常住人口同等重要，还有TOD理论的兴起，地铁站点对土地利用变化有着重大的影响，因此需要补充新的变量。而且每一类城市用地受到了坡度、规划控制线、工程条件等约束，这些在传统的土地利用模型中罕有涉及。

技术实现思路

[0007]为解决现有技术的当前城市土地利用变化模拟技术存在的实时动态性差、算法逻
辑不合理、变量体系陈旧、空间精度低等关键技术瓶颈的及技术问题，本公开提供了一种应用便捷、精度高、满足城市精细化管理需求，基于多源时空大数据模拟预测城市土地利用变化的方法技术。
[0008]为实现上述技术目的，本公开提供了一种模拟预测方法，包括：采集手机信令大数据以及地理信息兴趣点数据并提取得到土地利用数据；提取土地模拟变量模型中的基期年数据作为驱动因子；将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果；将所述土地模拟预测结果以图形显示或以消息的形式推送给用户。
[0009]进一步，所述土地利用数据具体包括：居住用地、商业服务业设施用地、公共管理与公共服务用地、公用设施用地、绿地与广场用地、道路与交通设施用地、工业用地和/或非建设用地。
[0010]进一步，所述并进行计算得到土地模拟预测结果之前，所述方法还包括：利用土地模拟约束条件对土地模拟预测结果进行修正。
[0011]进一步，所述土地模拟约束条件为：当坡度临界值时，可开发为对应地类的概率为0，否则为1；；式中，为不同用地的坡度临界值。
[0012]进一步，所述提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果具体包括：将研究区划分成250m网格单元，对每一个网格单元中每一类用地的地理信息兴趣点数据的频数密度和类别比例进行统计计算，选择类别比例最大的用地类型作为城市用地的主导类型；计算公式为：；其中，频数密度是网格单元内第i类地理信息兴趣点数据占该类地理信息兴趣点数据总量的比例；ni为网格单元内第i类地理信息兴趣点点的数量，是研究区第i类地理信息兴趣点的总数；类别比例是网格单元内第i类地理信息兴趣点数据的频数密度占该单元内所有类别地理信息兴趣点数据频数密度的比例；同时采用遥感卫星数据识别非建设用地，将卫星识别的非建设用地占比达到80%
以上的网格识别为非建设用地，叠加在POI识别的用地上，形成最后的城市土地利用图；对于某一网格性质转变为某一地类的总体概率值为：；为局部转换概率，即在t时刻城市用地单元i转化为其他性质用地的概率，计算公式为：；式中，，其中，γ0，γ1，
……
，γ
n
为权重系数，，，
……
，为土地利用转换的各项驱动因子；为邻域作用，计算公式为：；是条件函数，若中心元胞以外的邻域元胞状态为v，则赋值为1，否则为0，之后求和表示所有邻域元胞中状态为v的数量；为用地转换系数，表示某一种土地类型向其他土地利用类型转换的固有难度；为惯性系数，表示当前元胞的土地利用类型为k时，在第t次迭代时仍为k的继承性，与分别表示第t
‑
1次和第t
‑
2次迭代中土地利用类型k的宏观需求与实际分配数量的差值，初始惯性系数均设为1，计算公式为：。
[0013]进一步，所述手机信令大数据具体包括：年龄标签、性别标签、驻留信息、居住地网格编号、网格居住人口数量等信息识别分类型常住人口、人口居住地分布和/或人口迁移情况数据。
[0014]为实现上述技术目的，本公开还能够提供一种模拟预测在装置，包括：数据采集模块，用于采集手机信令大数据以及地理信息兴趣点数据并提取得到土地利用数据；数据提取模块，用于提取土地模拟变量模型中的基期年数据作为驱动因子；标定模块，用于将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；计算模块，用于提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果。
[0015]进一步，还包括：
修正模块，用于利用土地模拟约束条件对土地模拟预测结果进行修正。
[0016]为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的模拟预测方法的步骤。
[0017]为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的模拟预测方法的步骤。
[0018]本公开的有益效果为：基于多源动态大数据的城市土地利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空大数据的土地利用变化模拟预测方法，其特征在于，包括：采集地理信息兴趣点数据以及手机信令大数据并提取得到土地利用数据；提取土地模拟变量模型中的基期年数据作为驱动因子；将所述土地利用数据和所述驱动因子输入逻辑回归模型并标定各驱动因子的影响系数；提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果；将所述土地模拟预测结果以图形显示或以消息的形式推送给用户。2.根据权利要求1所述的方法，其特征在于，所述土地利用数据具体包括：居住用地、商业服务业设施用地、公共管理与公共服务用地、公用设施用地、绿地与广场用地、道路与交通设施用地、工业用地和/或非建设用地。3.根据权利要求1所述的方法，其特征在于，所述并进行计算得到土地模拟预测结果之后，所述方法还包括：利用土地模拟约束条件对土地模拟预测结果进行修正。4.根据权利要求3所述的方法，其特征在于，所述土地模拟约束条件为：当坡度临界值时，可开发为对应地类的概率为0，否则为1；；式中，为不同用地的坡度临界值。5.根据权利要求1所述的方法，其特征在于，所述提取土地模拟变量模型中的动态预测年数据代入所述逻辑回归模型，并进行计算得到土地模拟预测结果具体包括：将研究区划分成250m网格单元，对每一个网格单元中每一类用地的地理信息兴趣点数据的频数密度和类别比例进行统计计算，选择类别比例最大的用地类型作为城市用地的主导类型；计算公式为：；其中，频数密度是网格单元内第i类地理信息兴趣点数据占该类地理信息兴趣点数据总量的比例；ni为网格单元内第i类地理信息兴趣点点的数量，是研究区第i类地理信息兴趣点的总数；类别比例是网格单元内第i类地理信息兴趣点数据的频数密度占该单元内所有类别地理信息兴趣点数据频数密度的比例；对于某一网格性质转变为某一地类的总体概率值为：
；其中，为局部转换概率，即在t时刻城市用地单元i转化为其他性质用地的概率，计算公式为：；式中，，其中，γ0，γ1，
……

【专利技术属性】
技术研发人员：赵鹏军，卢业勤，陈霄依，万婕，万丹，
申请(专利权)人：北京大学，
类型：发明
国别省市：