[发明专利]一种集成GCAM和CA的全球土地利用和土地覆被序列空间化方法

权利要求书

1.一种集成GCAM和CA的全球土地利用和土地覆被序列空间化方法，其特征在于，包括如下步骤：

(1)综合考虑农业生态区划和地缘政治经济区划，将全球陆地划分为283个子区域，获取283个子区域不同地类的土地利用需求；

(2)结合全球土地利用变化的驱动因素，获取12个空间变量，使用神经网络获取初始地类转变概率，分区域获取不同土地利用类型之间转换规则；针对每一个子区域，采用多层感知机，预测十类用地类型变化的概率，输入层为每一个子区域2000年的12个空间变量和土地利用类，隐藏层包含15个神经元，输出层为该子区域2010年的十类土地利用类型，激活函数为logistics函数，学习率为0.01；

(3)计算全球283个子区域的地类转变权重矩阵；地类转换权重矩阵的值的大小表示当前土地利用类型转换为特定的目标土地利用类型的概率大小，在土地利用空间化过程中，283个世界区域的地类转换权重矩阵各不同，所有类型土地利用的转换权重矩阵随时间变化，特定其余的权重矩阵每隔5年进行一次计算一次；

(4)计算全球283个子区域综合转变概率；具体为：综合考虑由ANN计算的初始概率，邻域效应，转换权重矩阵和条件约束，计算特定区域某一网格将被特定土地利用类型覆盖的组合概率，计算方法见公式(1)：

其中，是t时刻元胞i从原始地类转变为目标地类k的综合概率；是t时刻元胞i从原始地类转变为目标地类k的初始概率，由神经网络计算得到；是邻域影响，这里采用7×7摩尔邻域，在每一次迭代过程中动态计算；con_c→k是原始地类c转变为目标地类k的地类转换权重，P_cons是地类转变过程中的限制条件；

(5)基于(4)步骤的综合转变概率进行空间化；具体为：针对每一个世界子区域，根据GCAM提供的未来不同发展情景下的面积变化预测序列，综合神经网络提供的初始土地类型转变概率、随模拟年份动态变化的土地类型转变权重矩阵，以及邻域对未来的土地利用影响，进行不同情景下的未来全球土地利用与土地覆被空间化；

(6)针对全球未来三种发展情景，采取5年的步长，对全球283个区域的空间化结果进行拼接，得到全球土地利用空间化序列结果；2015年至2100年的共18期全球土地利用与土地覆被空间化结果图，时间分辨率为5年，空间分辨率为1km；

(7)针对2010年的模拟结果进行精度评价与模拟评价，验证模型有效性与实用性。

2.如权利要求1所述的集成GCAM和CA的全球土地利用和土地覆被序列空间化方法，其特征在于，步骤(2)中，12个空间变量包括：2000年、2010年的两期GLC30全球土地利用数据、全球GDP数据、人口数据、到主要城市点的距离、到道路的距离、到铁路的距离、DEM数据、坡度数据、土壤含沙比例、土壤含泥比例、土壤含黏土比例、pH数据、温度与降水12类栅格数据，空间分辨率均为1km。