一种适宜性动态调整的土地利用变化模拟方法

本发明属于地理信息，具体涉及一种适宜性动态调整的土地利用变化模拟方法。

背景技术：

1、土地利用/覆被变化(land use/cover change，lucc)是指地球表面土地的利用方式和覆盖情况在时间上发生变化的现象。为更深刻地理解和预测这些变化的原因和影响，模拟lucc的过程显得尤为重要。元胞自动机(ca)由于其简单性、灵活性和直观性，在模拟动态lucc时得到广泛应用。在面向lucc模拟的ca的模型中，精确计算转换规则是决定模型预测能力的关键因素。目前lucc模拟方法在预测未来长时期的用地情况时，通常是基于预先确定的静态的土地开发适宜性，这意味着适宜性在整个模拟期间都是固定的。实际上，在较长时期内用地变化的驱动因子是动态变化的，即用地的区位条件是变化的，因此固定的适宜性在模拟中可能导致模拟结果逐渐失真。此外，lucc是一个涉及复杂时空依赖性的动态地理过程，传统的基于ca的lucc模拟模型通常基于马尔可夫假设。这种简化方法在捕捉lucc时空特征上存在不足，导致提取的转换规则精度较低，进而影响模拟的准确性。

技术实现思路

1、针对现有技术存在的不足，本发明提出了一种适宜性动态调整的土地利用变化模拟方法，该方法包括：

2、s1：采集模拟区域内基期年至末期年的土地利用数据和驱动因子数据；

3、s2：将当前期的驱动因子序列输入到训练好的arima-gru模型中，得到下一期的驱动因子数据；

4、s3：合并当前到当前期以及下一期的驱动因子数据，将合并数据输出到训练好的vst模型中，得到当前开发适宜性图；

5、s4：将当前开发适宜性图和当前土地利用数据输入到ca，得到下一期的土地利用结果；

6、s5：将土地利用结果作为新的土地利用数据，将下一期的驱动因子数据作为当前期的驱动因子数据，重复步骤s2～s4，直到得到预测目标时期的土地利用结果。

7、优选的，驱动因子数据包括：研究区域高程、坡度、距主干道的距离、距铁路的距离、距火车站的距离、距镇中心的距离、距河流的距离、夜间灯光数据、人口密度和兴趣点密度，兴趣点包括医院、学校和生活设施。

8、优选的，arima-gru模型的训练过程包括：

9、采用arima模型对驱动因子数据中的线性特征进行拟合预测，得到线性预测值；根据线性预测值和实际驱动因子计算残差；

10、采用gru模型对残差的非线性特征进行拟合，得到非线性预测值；

11、将线形预测值和非线性预测值之和作为预测结果；

12、根据预测结果和实际驱动因子数据调整模型参数，得到训练好的arima-gru模型。

13、进一步的，gru模型对残差的非线性特征进行拟合的公式为：

14、

15、其中，表示当前步的非线性预测值，f表示关系函数，εt表示当前步的随机误差，et-m表示当前步的前m步的残差。

16、优选的，合并数据的大小为t×h×w×n，t表示数据步数，h表示将模拟区域的驱动因子数据绘制成栅格图后图像的高度，w表示将模拟区域的驱动因子数据绘制成栅格图后图像的宽度，n表示驱动因子数量。

17、进一步的，所述vst模型包括：视频帧预处理部分3d patch partition层、四个stage和全连接层；其中，第一个stage由linear embedding层和vst模块组成，其余stage由patch merging层和vst模块组成；每个vst模块由3d窗口多头自注意力机制模块和3d滑动窗口多头自注意力机制模块交替组成。

18、优选的，vst模型的训练过程包括：将驱动因子训练集作为模型输入，土地利用数据作为标签进行模型训练，在训练过程中更新模型参数，使其逐渐收敛到最佳状态；采用驱动因子测试集对当前轮次训练后的模型进行测试模拟，得到开发适宜性图；将开发适宜性图和土地利用数据输入到ca中进行处理，得到模拟土地利用结果；根据模拟土地利用结果和实际土地利用情况计算kappa系数和fom指数，判断kappa系数和fom指数是否达到阈值，若达到阈值，保存模型参数，得到训练好的vst模型，否则，继续训练。

19、进一步的，计算kappa系数的公式为：

20、

21、其中，r表示开发适宜性图中模拟正确的栅格数量，t表示栅格的总数，n表示土地利用类型数量；ai表示实际观测数据中土地利用类型i的栅格数量；bi表示预测结果中类型i的栅格数量。

22、进一步的，计算fom指数的公式为：

23、

24、其中，a表示实际发生变化但预测时没有发生变化的栅格数量，b表示实际发生变化且预测时捕捉到实际变化的栅格数量，c表示实际发生变化并且捕捉到变化，但预测错误的栅格数量，d表示实际没有发生变化但预测发生变化的栅格数量。

25、本发明的有益效果为：

26、本发明通过采用vst来提取各土地利用类型的开发适宜性，从而更准确地捕捉时空依赖性，生成更精确的开发适宜性图，为后续的模拟提供了更稳健的基础。本发明通过采用arima-gru预测未来驱动因子，以解决驱动因子难以获取的问题。在整体迭代模拟过程中通过动态调整开发适宜性，来修正未来长时期模拟时误差；本发明可准确的动态模拟未来土地利用变化情况，实用性高。

技术特征：

1.一种适宜性动态调整的土地利用变化模拟方法，其特征在于，包括：

2.根据权利要求1所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，所述驱动因子数据包括：研究区域高程、坡度、距主干道的距离、距铁路的距离、距火车站的距离、距镇中心的距离、距河流的距离、夜间灯光数据、人口密度和兴趣点密度，兴趣点包括医院、学校和生活设施。

3.根据权利要求1所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，arima-gru模型的训练过程包括：

4.根据权利要求3所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，gru模型对残差的非线性特征进行拟合的公式为：

5.根据权利要求1所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，合并数据的大小为t×h×w×n，t表示数据步数，h表示将模拟区域的驱动因子数据绘制成栅格图后图像的高度，w表示将模拟区域的驱动因子数据绘制成栅格图后图像的宽度，n表示驱动因子数量。

6.根据权利要求1所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，所述vst模型包括：视频帧预处理部分3d patch partition层、四个stage和全连接层；其中，第一个stage由linear embedding层和vst模块组成，其余stage由patch merging层和vst模块组成；每个vst模块由3d窗口多头自注意力机制模块和3d滑动窗口多头自注意力机制模块交替组成。

7.根据权利要求1所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，vst模型的训练过程包括：将驱动因子训练集作为模型输入，土地利用数据作为标签进行模型训练，在训练过程中更新模型参数，使其逐渐收敛到最佳状态；采用驱动因子测试集对当前轮次训练后的模型进行测试模拟，得到开发适宜性图；将开发适宜性图和土地利用数据输入到ca中进行处理，得到模拟土地利用结果；根据模拟土地利用结果和实际土地利用情况计算kappa系数和fom指数，判断kappa系数和fom指数是否达到阈值，若达到阈值，保存模型参数，得到训练好的vst模型，否则，继续训练。

8.根据权利要求7所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，计算kappa系数的公式为：

9.根据权利要求7所述的一种适宜性动态调整的土地利用变化模拟方法，其特征在于，计算fom指数的公式为：

技术总结
本发明属于地理信息技术领域，具体涉及一种适宜性动态调整的土地利用变化模拟方法；包括：采集模拟区域内基期年至末期年的土地利用数据和驱动因子数据；将当前期的驱动因子输入到训练好的ARIMA‑GRU模型中，得到下一期的驱动因子数据；合并当前期以及下一期的驱动因子数据，将合并数据输出到训练好的VST模型中，得到当前开发适宜性图；将当前开发适宜性图和当前土地利用数据输入到CA，得到下一期的土地利用结果；将土地利用结果作为新的土地利用数据，将下一期的驱动因子数据作为当前期的驱动因子数据，更新开发适宜性图和土地利用结果，直到得到预测目标时期的土地利用结果；本发明可准确的动态模拟未来土地利用变化情况。

技术研发人员：刘明皓,罗庆喜,孙令博
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/6/2