一种土地利用变化分析预测方法与流程

本发明涉及土地利用变化分析技术领域，具体涉及一种土地利用变化分析预测方法。

背景技术：

土地利用监测是利用遥感遥测技术，对一个国家或地区土地利用状况的动态变化进行定期或不定期的监视和测定。其目的在于为国家和地区有关部门提供准确的土地利用变化情况，便于及时进行土地利用数据更新与对比分析，以及编制土地利用变化图件等。它是开展土地利用动态变化预测，农作物产量预测，自然灾害防治及合理组织土地利用，加强土地管理与保护的一项不可缺少的基础性工作。

现有技术中，通常采用航天遥感技术对土地利用进行分析，航天遥感技术以其宏观性、周期性，地理信息系统以其对空间数据管理的有效性己在“小比例尺、低精度、大范围、调查性”的资源动态监测工作中得到了广泛应用。利用遥感影响，通过预测模型对土地利用进行分析预测，常见的模型包括ca模型、系统动力学模型、clue-s模型、agent模型、markov模型、空间logistic模型、sleuth模型等。

但是，在以“大比例尺、高精度”为特点的工作中，预测模型中转换规则的设置具有一定的缺陷，导致预测精度较低。

技术实现要素：

为解决上述问题，本发明提供了一种土地利用变化分析预测方法，可以显著提高预测结果的精确度。

为实现上述目的，本发明采取的技术方案为：

一种土地利用变化分析预测方法，包括如下步骤：

s1、获取若干个历史年份的土地遥感影像数据；

s2、按遥感影像数据的pos数据完成遥感影像数据的拼接，获取每一时间点该区域的整体遥感影像图；

s3、基于yolt模型实现整体遥感影像图中各种土地类型区域的识别和标记；

s4、实现各种土地类型区域形状的识别和尺寸的测量；

s5、根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；

s6、选取若干个驱动因子构建markov-ca预测模型；

s7、根据历史年份的土地利用时空变化特征和规律，利用markov-ca预测模型获取未来目标年份的土地利用空间格局。

进一步地，所述步骤s3中,在标记时，采用标注框携带地理位置信息超链接的方式进行标注，每一块土地类型区域均携带其对应的土地类型标记和地理位置信息超链接，地理位置信息超链接采用锁定模式。

进一步地，所述步骤s4中,采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，并基于连通分量外接矩形的长宽比进行各种土地类型区域形状的识别和尺寸的测量。

进一步地，步骤s5中，首先完成地理位置信息超链接的解锁操作，通过读取地理位置信息超链接信息实现每块土地类型区域所在地理信息的获取，然后根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化。

进一步地，所述选取若干个驱动因子构建markov-ca预测模型，具体包括：

选取若干个驱动因子；

根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；

利用所有的分布概率适宜图获取元胞自动机ca模型的转换规则；

根据马尔科夫markov模型和ca模型的转换规则，构建markov-ca预测模型。

进一步地，所述土地类型至少包括农业用地、商业用地、建筑用地、旅游用地、居民住宅地和未开发土地，每种土地类型对应一个yolt模型。

进一步地，所述驱动因子至少包括高程、坡度、坡向、距商业中心距离、距行政中心距离、最接近居民住宅地距离、相邻地块类型。

进一步地，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。

进一步地，所述选取若干个驱动因子构建markov-ca预测模型之后，还包括：

利用历史年份的土地遥感影像数据，对markov-ca预测模型的精度和适用性进行验证。

本发明具有以下有益效果：

基于yolt模型实现整体遥感影像图中各种土地类型区域的识别和标记，大大提高了土地类型区域识别的效率。

基于每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，同时每一块土地类型区域均携带其自身的地理信息，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律，大大提高了后续所构建模型的精确度。

引入针对不同地类的驱动因子构建markov-ca预测模型，进一步提高了土地利用变化分析预测的精度。

附图说明

图1为本发明实施例1一种土地利用变化分析预测方法的流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

实施例1

一种土地利用变化分析预测方法，包括如下步骤：

s1、获取若干个历史年份的土地遥感影像数据；

s2、按遥感影像数据的pos数据完成遥感影像数据的拼接，获取每一时间点该区域的整体遥感影像图；可以很好的避免由于土地遥感影像数据包含土地类型区域都不完整、重复等情况影响后续数据的准确性；

s3、基于yolt模型实现整体遥感影像图中各种土地类型区域的识别和标记；所述土地类型至少包括农业用地（耕地、园地、林地、水域）、商业用地、建筑用地、旅游用地、居民住宅地和未开发土地，每种土地类型对应一个yolt模型；基于hadoop同时运行多个yolt模型实现完成整体遥感影像图中的各种土地类型区域的识别和标记；

s4、实现各种土地类型区域形状的识别和尺寸的测量；具体的，采用迭代自适应阈值分割法进行图像二值化处理，基于连通分量的形态学区域特征去除小面积杂点噪声，并基于连通分量外接矩形的长宽比进行各种土地类型区域形状的识别和尺寸的测量；测量结果以excl表格的形式汇总统计；

s5、根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化，进而分析不同时期土地的动态变化，归纳历史年份的土地利用时空变化特征和规律；

s6、选取若干个驱动因子构建markov-ca预测模型；

s7、根据历史年份的土地利用时空变化特征和规律，利用markov-ca预测模型获取未来目标年份的土地利用空间格局。

本实施例中，所述步骤s3中,在标记时，采用标注框携带地理位置信息超链接的方式进行标注，每一块土地类型区域均携带其对应的土地类型标记和地理位置信息超链接，地理位置信息超链接采用锁定模式。

本实施例中，步骤s5中，首先完成地理位置信息超链接的解锁操作，通过读取地理位置信息超链接信息实现每块土地类型区域所在地理信息的获取，然后根据每一时间点该区域的各种土地类型区域的形状和尺寸数据计算土地变化幅度、动态度、空间变化。

本实施例中，所述选取若干个驱动因子构建markov-ca预测模型，具体包括：

选取若干个驱动因子；

根据所述若干个驱动因子，生成每一种土地利用类型的分布概率适宜图；

利用所有的分布概率适宜图获取元胞自动机ca模型的转换规则；

根据马尔科夫markov模型和ca模型的转换规则，构建markov-ca预测模型。

本实施例中，所述驱动因子至少包括高程、坡度、坡向、距商业中心距离、距行政中心距离、最接近居民住宅地距离、相邻地块类型。

本实施例中，所述土地利用时空变化特征和规律至少包括：土地利用总体变化、变化幅度、动态度和变化空间。

本实施例中，所述选取若干个驱动因子构建markov-ca预测模型之后，还包括：

利用历史年份的土地遥感影像数据，对markov-ca预测模型的精度和适用性进行验证。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。