CN108428007A - 一种土地利用变化驱动力的识别方法、系统和装置 - Google Patents
一种土地利用变化驱动力的识别方法、系统和装置 Download PDFInfo
- Publication number
- CN108428007A CN108428007A CN201810120621.1A CN201810120621A CN108428007A CN 108428007 A CN108428007 A CN 108428007A CN 201810120621 A CN201810120621 A CN 201810120621A CN 108428007 A CN108428007 A CN 108428007A
- Authority
- CN
- China
- Prior art keywords
- land use
- data
- use change
- identification model
- driven factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013439 planning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000265 homogenisation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 235000013372 meat Nutrition 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种土地利用变化驱动力的识别方法、系统和装置，该方法包括以下步骤：获取研究区域内的驱动因子的数据；根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行M次迭代优化，得到驱动力识别模型；根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率，该系统和装置用于执行土地利用变化驱动力的识别方法。本发明采用随机梯度提升法来对预测模型进行迭代优化，而随机梯度提升法集成分类树和提升法，其能够通过迭代不断地减小预测模型的偏差，从而获得高精度的驱动力识别模型。本发明可以广泛应用于环境建模技术领域。
Description
技术领域
本发明涉及环境建模技术领域，尤其是一种土地利用变化驱动力的识别方法、系统和装 置。
背景技术
土地利用变化建模是土地科学研究的重点，针对土地利用变化机制的研究是土地利用变 化模型的基础，是土地变化问题的研究核心。因而土地利用变化归因极为重要，是探讨土地 利用驱动机制、支持城市规划与政策制定以及评估土地利用对生态环境影响的重要工具。
土地利用变化归因模型是通过分析土地利用时间和空间格局的变化，以及各种影响土地 利用变化的因素及其作用方式，揭示土地利用变化的特征并阐明土地利用变化的过程。目前 土地利用变化归因模型主要采用经验统计模型，该模型利用线性相关表明变量之间关系的数 学方程式，以土地利用变化类别值作为因变量，驱动力因子组成自变量，通过回归方程系数 值来反映土地利用变化的关系，该方法简单实用，扩展性强，可进行单一模拟。然而在复杂 的人地关系地域系统中,众多的社会、经济、技术与自然环境条件之间的相互作用并非是一 种简单的线性关系。线性模型得到的因果范式难以表达区域土地属性受临界值域、突变或随 机因素影响的非线性变化现象，因此模型的模拟精度较低。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种模拟精度高的土地利用变化驱动力 的识别方法、系统和装置。
本发明所采取的第一种技术方案是：
一种土地利用变化驱动力的识别方法，包括以下步骤：
获取研究区域内的驱动因子的数据；
根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行M次迭代优化，得到 驱动力识别模型；
根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率。
进一步，所述驱动力识别模型的表达式为：
其中，FM(x)代表经过M次迭代优化后的预测模型，即驱动力识别模型，M代表迭代的 次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，I代表样本。
进一步，还包括以下步骤：
对获取到的驱动因子的数据进行分辨率均一化处理。
进一步，还包括以下步骤：
利用偏相关分析土地利用变化与单一驱动因子间的相关关系。
进一步，还包括以下步骤：
验证驱动力识别模型的拟合度，以及使用十折交叉检验法验证驱动力识别模型的精度。
进一步，所述驱动因子的数据包括自然地理数据和社会经济数据，其中：
所述自然地理数据包括地形、水文和气象数据中的至少一种；
所述社会经济数据包括土地利用类型图、土地利用规划图、区位信息、土地政策、国民 生产总值、人均国民生产总值、社会零售品销售总额、第一产业国民生产总值、第二产业国 民生产总值、第三产业国民生产总值、人均粮食产量、人均肉类产量、固定资产投资总额、 恩格尔系数、基尼指数、城镇居民人均工资、乡村居民人均工资、总人口密度和城镇人口密 度中的至少一种。
进一步，所述根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率，这一步 骤具体为：
根据驱动力识别模型进行权重计算，提取驱动因子的权重得分，从而获取驱动因子的贡 献率。
本发明所采取的第二种技术方案是：
一种土地利用变化驱动力的识别系统，包括：
获取模块，用于获取研究区域内的驱动因子的数据；
迭代模块，用于根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行M次 迭代优化，得到驱动力识别模型；
计算模块，用于根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率。
进一步，所述驱动力识别模型的表达式为：
其中，M代表迭代的次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，I代表样本。
本发明所采取的第三种技术方案是：
一种土地利用变化驱动力的识别装置，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行土地利用变化驱动力的方法。
本发明的有益效果是：本发明采用随机梯度提升法来对预测模型进行迭代优化，而随机 梯度提升法集成分类树和提升法，其够通过迭代不断地减小预测模型的偏差，从而获得高精 度的驱动力识别模型。
附图说明
图1为本发明一种土地利用变化驱动力的识别方法的流程图；
图2为本发明一种具体实施例的土地利用变化驱动力的识别方法的流程图；
图3为本发明一种具体实施例中某省农田变化与其驱动因子贡献率的统计图；
图4为本发明一种具体实施例中某省建设用地的主要驱动因子贡献率的统计图。
具体实施方式
参照图1，一种土地利用变化驱动力的识别方法，包括以下步骤：
获取研究区域内的驱动因子的数据；
根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行M次迭代优化，得到 驱动力识别模型；
根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率。
进一步，所述驱动力识别模型的表达式为：
其中，FM(x)代表经过M次迭代优化后的预测模型，即驱动力识别模型，M代表迭代的 次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，I代表样本。其中，预测模型以F(x)，F(x)的具体表达式，本领域技术人员可以根据实际需要灵活设置。如F(x)＝A1x+A2x+A3x+……+Anx； F(x)＝W0+W1x1+W2x2+…+Wnxn。
进一步作为优选的实施方式，还包括以下步骤：
对获取到的驱动因子的数据进行分辨率均一化处理。
进一步作为优选的实施方式，还包括以下步骤：
利用偏相关分析土地利用变化与单一驱动因子间的相关关系。
进一步作为优选的实施方式，还包括以下步骤：
验证驱动力识别模型的拟合度，以及使用十折交叉检验法验证驱动力识别模型的精度。
进一步作为优选的实施方式，所述驱动因子的数据包括自然地理数据和社会经济数据， 其中：
所述自然地理数据包括地形、水文和气象数据中的至少一种；
所述社会经济数据包括土地利用类型图、土地利用规划图、区位信息、土地政策、国民 生产总值、人均国民生产总值、社会零售品销售总额、第一产业国民生产总值、第二产业国 民生产总值、第三产业国民生产总值、人均粮食产量、人均肉类产量、固定资产投资总额、 恩格尔系数、基尼指数、城镇居民人均工资、乡村居民人均工资、总人口密度和城镇人口密 度中的至少一种。
进一步作为优选的实施方式，所述根据驱动力识别模型计算不同土地利用变化的驱动因 子的贡献率，这一步骤具体为：
根据驱动力识别模型进行权重计算，提取驱动因子的权重得分，从而获取驱动因子的贡 献率。
一种与图1中的方法所对应的土地利用变化驱动力的识别系统，包括：
获取模块，用于获取研究区域内的驱动因子的数据；
迭代模块，用于根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行M次 迭代优化，得到驱动力识别模型；
计算模块，用于根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率。
进一步作为优选的实施方式，所述驱动力识别模型的表达式为：
其中，M代表迭代的次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，I代表样本。
一种与图1中的方法所对应的土地利用变化驱动力的识别装置，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行土地利用变化驱动力的方法。
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
参照图2，本实施例公开了一种土地利用变化驱动力的识别方法，该方法包括以下步骤：
S1、获取研究区域内的驱动因子的数据。
首先确定研究区域，搜集研究区内历史土地利用变化、政治、经济、人口、自然等方面 统计及空间要素数据，建立研究区域内土地利用地理信息数据集，所述地理信息数据集包括 自然地理和社会经济二类数据：自然地理数据包括：地形、水文、气象数据；社会经济数据 包括土地利用类型图、土地利用规划图、区位信息、土地政策、国民生产总值、人均国民生 产总值、社会零售品销售总额、第一产业国民生产总值、第二产业国民生产总值、第三产业 国民生产总值、人均粮食产量、人均肉类产量、固定资产投资总额、恩格尔系数、基尼指数、 城镇居民人均工资、乡村居民人均工资、总人口密度、城镇人口密度等数据。
S2、对获取到的驱动因子的数据进行分辨率均一化处理。例如，气象因子中的气温和降 雨数据一般是栅格数据或者基于气象站点的测量值，土地利用数据可能是基于栅格的或者地 块的，国民生产总值，人均国民生产总值和社会零售品销售总额数据可能是基于镇、县、市 或者更大区域尺度的，总人口密度和城镇人口密度一般是基于栅格的数据，固定资产投资总 额、恩格尔系数、基尼指数和城镇居民人均工资一般来自基于县域的年鉴数据，这些数据分 辨率存在很大差异：基于气象站点、基于栅格、地块、或基于县和市的数据需要进行时间和 空间尺度统一再进行土地利用变化归因分析。数据预处理即是实现分辨率均一化，一般对基 于气象站点的数据采用空间插值方法；对基于栅格、地块、或基于县和市的数据采用以最大 区域为标准区域计算区域平均的方法(比如：市>县>镇>地块，以市为标准区域计算一个市 内所有县的平均值)。不同分辨率时间尺度数据也是采用以最大时间尺度为标准时间计算该时 间段内平均的方法，比如年>季节>月>天，以年为标准时间计算一年内所有季节的平均值。 这样就得到了时间和空间分辨率均一化的驱动因子数据。由于异常值的存在会对空间变异函 数具有显著的影响，本研究采用域法识别异常值，即样本平均值加减3倍标准差，在此区间 以外的数据均定为异常值，然后分别用正常的最大和最小值代替异常值从而控制数据的质量。 通过本步骤，能够提升模型的精度以及模型的生成效率。
S3、根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行M次迭代优化， 得到驱动力识别模型。其中该步骤具体如下：
在本实施例中，以F(x)表示预测模型，然后计算样本点在F(x)下的最小的损失函数， 算法每次迭代生成一棵新的回归树，对于N个样本点可导损失函数的表达式为： L(yi,F(xi))，用M表示迭代的次数，m＝{1，2，3，……，M}，经过M次迭代后得到 的回归预测函数以FM(x)表示，即驱动力识别模型。
首先，初始化回归树估计一个使损失函数极小化的 长数值，此时该回归树是只有一个点的树，接着迭代建立M棵回归树：残差的估算值，见下 面表达式。
从m＝1到M(即第一层循环)，i＝1到N(即第二层循环)，计算损失函数在负梯度在当 前模型的值，并将它作为残差的估算值：所述残差的估算值表达式为：
其中，γim表示残差估算值，L(yi,F(xi))表示损失函数，F(x)表示预测函数， 经过M-1次迭代后得到的回归预测函数以FM-1(x)表示。由梯度下降法得知，损失函数L的负 梯度在当前模型F(xi)的值时，L将最快下降,也就是最优化模型的过程。
对于γim拟合的回归树，得到第m棵树的叶节点区域Rjm，其中J为叶节点的数量， j＝1,2,3，……，J。
j＝1到J(二层循环)，计算：
其中，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，对j＝1，2，…J， 即对该树上的每个叶节点，利用线性搜索，估算每个叶节点对应类的输出值，使损失函数最 小化，并且更新FM(x)；
得到
最终的模型可以表达为：
其中，M代表迭代的次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，I代表样本。
S4、根据驱动力识别模型进行权重计算，提取驱动因子的权重得分，从而获取驱动因子 的贡献率。
在步骤S4中，通过在残差减少的梯度方向上建立一个个新的模型，根据损失函数最小的 最终模型的权重计算，提取权重得分，获得不同土地利用类别变化的驱动因子贡献率；利用 建立好的最优精度模型精确地筛选和识别不同土地利用类别变化的关键驱动因子；然后根据 特征土地利用类别及其关键驱动因子的贡献率，确定该特征土地利用类别的关键驱动因子类 型及其影响程度。
S5、利用偏相关分析土地利用变化与单一驱动因子间的相关关系。偏相关是在排除了其 他变量的影响下分析土地利用变化与单一驱动因子间的相关关系，利用迭代法分析每个驱动 因子与特征土地利用类别变化的非线性关系，最显著相关的一组驱动因子与特征土地利用类 别变化间的交互作用。
S6、验证驱动力识别模型的拟合度，以及使用十折交叉检验法验证驱动力识别模型的精 度。在本步骤中，为了得到可靠稳定的模型，应用十折交叉检验估计随机梯度提升模型的算 法精度。模型拟合优度用Pesudo R平方度量。Pesudo R平方的值越接近1，说明模型的拟合 程度越好；反之，Pesudo R平方的值越小，说明模型的拟合程度越差。
本实施例结合谋生的土地利用变化进行研究。
数据来源：1.土地利用数据使用12景覆盖某省landsat卫星的遥感数据(分辨率为30m)， 1995年和2005年二期共24景遥感图像，经过图像预处理、地理配准、辐射校正、图像拼接 等遥感图像处理过程后，进行监督分类，解译获得六类土地利用类型：农田、森林、草地、 水体、裸地和建设用地。因此，获得了1995年和2005年土地利用现状数据。2.土地利用变 化驱动因子数据：1995年和2005年，自然地理因子数据包括：气温(SAT)和海拔(ELE)。社会经济因子数据包括：土地利用规划、土地政策(policy)、国民生产总值(GDP)，人均国民生产总值(GDPC)、社会零售品销售总额(TRSCG)、第一产业国民生产总值(GDPP)、第二产业国民生产总值(GDPS)、第三产业国民生产总值(GDPT)、恩格尔系数(EC)、乡村居民人均收入(TIRI)、总人口密度(TPOP)。
然后根据土地利用和驱动因子数据，计算土地利用变化转移率和驱动因子变化率。土地 利用变化转移率作为随机梯度提升模型的因变量，驱动因子变化率为自变量。其中土地利用 变化转移率和驱动因子变化率计算借助EXCEL，随机梯度提升模型模拟借助R语言编辑的程 序完成。
本实施例的分析结果如下：
图3表明某省1995至2005年间农田变化的主要驱动因子是土地政策(policy)和乡村人均 收入(TIRI)，贡献率分别为42.9％和39.7％，累计贡献率达到82.6％。其它自然地理和社会经 济因子贡献率较低。社会经济因子是江西省农田变化的关键驱动因子。偏相关分析表明，农 田变化与土地政策、乡村人均收入、人口密度和第一产业国民生产总值呈正相关，随着土地 政策、乡村人均收入、人口密度和第一产业国民生产总值的增加，农田变化呈现先不变再增 加最后保持恒定。
图4表明某省1995至2005年间建设用地变化的主要驱动因子是恩格尔系数(EC)、第三 产业国民生产总值(GDPT)、国民生产总值(GDP)和乡村人均收入(TIRI)，贡献率分别为 40.1％、10.9％、10.5％和7.7％，累计贡献率达到69.2％。其它自然地理和社会经济因子贡献 率较低。社会经济因子是江西省建设用地变化的关键驱动因子。偏相关分析表明，建设用地 变化与恩格尔系数和第二产业国民生产总值呈负相关，随着恩格尔系数和第二产业国民生产 总值的增加，建设用地变化呈现先不变再下降最后保持恒定；建设用地变化与国民生产总值 和乡村人均收入呈正相关，随着国民生产总值和乡村人均收入的增加，农田变化呈现先不变 再增加最后保持恒定。
最后对模型进行检验，检验表明农田和建设用地随机梯度提升回归模型的拟合精度均较 高，pseudo R平方分别为0.82和0.89。
综上所述，本发明具有以下优点：
(1)对多元共线性不敏感，结果对缺失数据和离群值比较稳健，可以高效地处理不同类 型的土地利用变化驱动因子和多达几千个潜在驱动因子的作用。
(2)不需要复杂的模型假设就可以很好的拟合土地利用变化与其驱动因子的关系。
(3)具备分析土地利用变化与其驱动因子交互作用的能力，克服了传统土地利用变化归 因方法因交互作用的复杂性在其他模型中经常被忽略的缺陷。
(4)不易产生对数据的过度拟合。
因此，可应用随机梯度提升模型识别土地利用变化的驱动因子及其影响程度，精确地筛 选土地利用变化的关键驱动因子并定量计算其贡献率，并分析因子间的交互作用。基于随机 梯度提升算法的模型方法为土地利用变化归因研究开启了全新视角。
对于实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何 限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领 域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的 变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种土地利用变化驱动力的识别方法，其特征在于：包括以下步骤：
获取研究区域内的驱动因子的数据；
根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行迭代优化，得到驱动力识别模型；
根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率。
2.根据权利要求1所述的一种土地利用变化驱动力的识别方法，其特征在于：所述驱动力识别模型的表达式为：
其中，FM(x)代表经过M次迭代优化后的预测模型，M代表迭代的次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，I代表样本。
3.根据权利要求1所述的一种土地利用变化驱动力的识别方法，其特征在于，还包括以下步骤：
对获取到的驱动因子的数据进行分辨率均一化处理。
4.根据权利要求1所述的一种土地利用变化驱动力的识别方法，其特征在于，还包括以下步骤：
利用偏相关分析土地利用变化与单一驱动因子间的相关关系。
5.根据权利要求1所述的一种土地利用变化驱动力的识别方法，其特征在于，还包括以下步骤：
验证驱动力识别模型的拟合度，以及使用十折交叉检验法验证驱动力识别模型的精度。
6.根据权利要求1所述的一种土地利用变化驱动力的识别方法，其特征在于：所述驱动因子的数据包括自然地理数据和社会经济数据，其中：
所述自然地理数据包括地形、水文和气象数据中的至少一种；
所述社会经济数据包括土地利用类型图、土地利用规划图、区位信息、土地政策、国民生产总值、人均国民生产总值、社会零售品销售总额、第一产业国民生产总值、第二产业国民生产总值、第三产业国民生产总值、人均粮食产量、人均肉类产量、固定资产投资总额、恩格尔系数、基尼指数、城镇居民人均工资、乡村居民人均工资、总人口密度和城镇人口密度中的至少一种。
7.根据权利要求1所述的一种土地利用变化驱动力的识别方法，其特征在于：所述根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率，这一步骤具体为：
根据驱动力识别模型进行权重计算，提取驱动因子的权重得分，从而获取驱动因子的贡献率。
8.一种土地利用变化驱动力的识别系统，其特征在于：包括：
获取模块，用于获取研究区域内的驱动因子的数据；
迭代模块，用于根据获取的驱动因子的数据，使用随机梯度提升法对预测模型进行迭代优化，得到驱动力识别模型；
计算模块，用于根据驱动力识别模型计算不同土地利用变化的驱动因子的贡献率。
9.根据权利要求8所述的一种土地利用变化驱动力的识别系统，其特征在于：所述驱动力识别模型的表达式为：
其中，M代表迭代的次数，J代表叶节点的数量，Rjm代表第m棵树的叶节点区域，Cjm代表使预测模型的损失函数最小化的叶节点对应的输出值，I代表样本。
10.一种土地利用变化驱动力的识别装置，其特征在于：包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行如权利要求1所述的土地利用变化驱动力的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810120621.1A CN108428007A (zh) | 2018-02-07 | 2018-02-07 | 一种土地利用变化驱动力的识别方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810120621.1A CN108428007A (zh) | 2018-02-07 | 2018-02-07 | 一种土地利用变化驱动力的识别方法、系统和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108428007A true CN108428007A (zh) | 2018-08-21 |
Family
ID=63156781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810120621.1A Pending CN108428007A (zh) | 2018-02-07 | 2018-02-07 | 一种土地利用变化驱动力的识别方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428007A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987906A (zh) * | 2005-12-22 | 2007-06-27 | 中国煤炭地质总局航测遥感局 | 土地利用变化动态预测的方法 |
| CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网系统电压稳定预测装置及方法 |
| CN102646164A (zh) * | 2012-02-28 | 2012-08-22 | 黄波 | 一种结合空间滤波的土地利用变化建模方法及其系统 |
| KR101703972B1 (ko) * | 2015-09-30 | 2017-02-22 | 한국지질자원연구원 | 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 |
| US20170091641A1 (en) * | 2015-09-30 | 2017-03-30 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
| CN107220732A (zh) * | 2017-05-31 | 2017-09-29 | 福州大学 | 一种基于梯度提升树的停电投诉风险预测方法 |
| CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
-
2018
- 2018-02-07 CN CN201810120621.1A patent/CN108428007A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987906A (zh) * | 2005-12-22 | 2007-06-27 | 中国煤炭地质总局航测遥感局 | 土地利用变化动态预测的方法 |
| CN102082433A (zh) * | 2010-11-29 | 2011-06-01 | 沈阳工业大学 | 一种风电并网系统电压稳定预测装置及方法 |
| CN102646164A (zh) * | 2012-02-28 | 2012-08-22 | 黄波 | 一种结合空间滤波的土地利用变化建模方法及其系统 |
| KR101703972B1 (ko) * | 2015-09-30 | 2017-02-22 | 한국지질자원연구원 | 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 |
| US20170091641A1 (en) * | 2015-09-30 | 2017-03-30 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
| CN107220732A (zh) * | 2017-05-31 | 2017-09-29 | 福州大学 | 一种基于梯度提升树的停电投诉风险预测方法 |
| CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周双: "丘陵山区农田土壤有机碳密度影响因素与制图研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A feature selection and multi-model fusion-based approach of predicting air quality | |
| Gigović et al. | Testing a new ensemble model based on SVM and random forest in forest fire susceptibility assessment and its mapping in Serbia’s Tara National Park | |
| Khoshnood Motlagh et al. | Analysis and prediction of land cover changes using the land change modeler (LCM) in a semiarid river basin, Iran | |
| Quan et al. | GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea) | |
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| Wong et al. | High-resolution calculation of the urban vegetation fraction in the Pearl River Delta from the Sentinel-2 NDVI for urban climate model parameterization | |
| Ma et al. | Evaluating carbon fluxes of global forest ecosystems by using an individual tree-based model FORCCHN | |
| CN102646164A (zh) | 一种结合空间滤波的土地利用变化建模方法及其系统 | |
| CN110956412A (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
| Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
| Ohana-Levi et al. | Using satellite thermal-based evapotranspiration time series for defining management zones and spatial association to local attributes in a vineyard | |
| Zoraghein et al. | A spatial population downscaling model for integrated human-environment analysis in the United States | |
| CN108763673A (zh) | 基于lasso回归的土地利用变化驱动力筛选方法和装置 | |
| Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
| Jamshidi et al. | Disaggregation of conventional soil map by generating multi realizations of soil class distribution (case study: Saadat Shahr plain, Iran) | |
| CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Hales et al. | Bias correcting discharge simulations from the GEOGloWS global hydrologic model | |
| Momm et al. | Automated watershed subdivision for simulations using multi-objective optimization | |
| CN117290684B (zh) | 基于Transformer的高温干旱天气预警方法、电子设备 | |
| CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| CN113239112B (zh) | 基于gis系统的第三产业增长量可视化方法及装置 | |
| CN108428007A (zh) | 一种土地利用变化驱动力的识别方法、系统和装置 | |
| Irwin | Assessment of the regionalization of precipitation in two Canadian climate regions: A fuzzy clustering approach | |
| CN113254554B (zh) | 基于地图抓取与聚类学习的城市街区热岛建模方法及系统 | |
| CN116011319A (zh) | 一种基于驱动因子分析的城市扩张模拟方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Tianhe District Tianyuan road Guangzhou City, Guangdong province 510650 No. 808 Applicant after: Institute of ecological environment and soil, Guangdong Academy of Sciences Address before: Guangzhou City, Guangdong province 510650 Tianyuan Road No. 808 Applicant before: GUANGDONG INSTITUTE OF ECO-ENVIRONMENT AND SOIL SCIENCES |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |
|
| RJ01 | Rejection of invention patent application after publication |