[发明专利]一种顾及空间分区的土地利用适宜性概率生成方法

权利要求书

1.一种顾及空间分区的土地利用适宜性概率生成方法，其特征在于：包括以下步骤：

S1、土地利用数据预处理：将土地利用数据重新分类，耕地的编码设置为1；林地的编码设置为2；灌木和草地的编码设置为3；水体的编码设置为4；建设用地的编码设置为5，建设用地包括不透水面；未利用地的编码设置为6，未利用地包括雪地、冰面、湿地以及裸地；

S2、构建多个土地利用面积信息的100m×100m分辨率土地利用数据；

S3、驱动因素数据预处理：选取12个驱动因素构建驱动因素数据集，驱动因素数据集包括自然地理驱动因素和社会经济驱动因素，自然地理驱动因素设置为3个，分别为高程、坡度以及距离水体的距离；社会经济驱动因素设置为9个，分别为距离政府的距离、人口、GDP、高速公路、主干道、一级道路、二级道路、三级道路以及铁路；根据高速公路、主干道、一级道路、二级道路、三级道路以及铁路，构建土地利用变化社会经济驱动因素的交通可达性数据集；选取距离政府构建区域兴趣点的欧式距离数据；对驱动因素数据集进行重采样，并对结果进行归一化处理，其数学形式如下所示：

式中，表示归一化后的交通可达性，d表示当前元胞距离上述驱动因素的欧式距离，和分别表示当前元胞距离上述驱动因素的欧式距离的最小值和最大值；

S4、基于土地利用变化视角和景观格局变化视角的空间划分：根据研究区的关键时间节点，生成土地利用变化数据集，从土地利用变化和景观格局变化两个视角，对研究区域进行空间划分；

S5、选取驱动因素；

S6、基于CNN网络构建土地利用驱动机制，配合混合元胞自动机，对用地适宜性概率进行训练；

S7、计算适宜性概率，其数学形式如下所示：

式中，表示元胞状态，即用地类型，表示元胞转换为的概率，表示元胞状态的适宜性概率，表示累积概率；

S8、按照空间分区计算各用地基于混淆矩阵的卷积网络训练结果，并输出各土地利用类型一致的多波段适宜性概率训练结果图；

步骤S4中，从土地利用变化和景观格局变化两个视角，对研究区域进行空间划分的方法包括以下步骤：

S4.1、从土地利用变化视角对研究区域进行空间划分：根据土地利用程度和土地利用程度变化率进行分区，分为第一梯队、第二梯队以及第三梯队；

S4.2、从景观格局变化视角对研究区域进行空间划分：选取最大斑块指数LPI和边缘密度ED作为评估指标，将空间划分为主城区和远城区；

步骤S6中，用地适宜性概率的训练方法包括以下步骤：

S6.1、卷积层：卷积网络模型输入数据首先经过卷积层，通过卷积核学习输入变量的特征表示，卷积网络模型通过多个卷积层，逐步解析图像不同维度的抽象特征，获取更深层的特征表示，卷积层的数学形式如下所示：

式中，表示第l层卷积层的第i维输入变量，和分别表示第l层卷积层中第j个卷积核组的权重向量和偏置项，表示第l层卷积层中第j个卷积核对应的输出变量，n表示第l层卷积层输入变量的总维数，f表示非线性激活函数；

S6.2、池化层：对卷积提取后的数据特征进行选择，根据信息量的不同筛选出符合要求的特征，对不重要特征进行剔除，同时降低数据维度并避免过拟合，对池化区域内的数据特征计算函数值，通过均值池化将区域中所有元素的算术平均值作为输出，通过最大值池化提取局域特征平面的最显著的特征值作为输出，以用于浅层特征的提取，池化层的数学形式如下所示：

式中，表示第l池化层的第i维输入变量，和分别表示第l池化层中第j维变量的乘法偏置项和加法偏置项，表示第l池化层中第j维变量的输出变量，down表示池化函数；

S6.3、全连接层：卷积网络通过逐层的特征提取和过滤，将原始输入数据的抽象表达输入到全连接层中进行特征融合，并形成与目标空间对应的一维特征向量，全连接层的数学形式如下所示：

式中，表示第l层全连接层的第i维神经元，表示第l层卷积层中神经元i到神经元j的权重，表示第l层卷积层中神经元i到神经元j的偏置项，表示第l层卷积层中第j个卷积核对应的输出变量，n表示全连接层输入神经元的总数，f表示非线性激活函数；

S6.4、激活层：将混合元胞的用地覆盖比作为卷积网络训练目标，全连接层采用的激活函数设置为Sigmoid激活函数，其数学形式如下所示：

式中，表示激活层的输入。