基于自适应可变滤镜的地类变化预测模型研究

发布时间：2020-06-14 21:27

【摘要】：随着经济的发展和人口的增长,土地开发建设规模也在不断扩大,土地利用情况也在逐年发生变化。准确预测土地利用的发展趋势,可以为本地区的土地利用规划提供科学合理的依据,提升本地区的土地利用效率,使得该地区的土地利用更加合理。本文选取的研究区域为哈尔滨市香坊以及平房地区,提取三年的土地利用情况进行动态变化分析,构建多个模型来预测2020年这两个地区土地利用情况,主要研究方案如下:选取2005年、2010年和2015年的Landsat遥感影像为基础数据,应用ENVI5.1和ArcGIS10.2把数据解译成为分辨率为30-100米的栅格形式,并将研究区域分为耕地、林地、草地、城镇用地、农村居民地、其他建设用地和未利用地七大类,按区域范围外的矩形框的范围剪裁栅格数据作为训练数据,即将待预测区域及待预测区域周围的数据作为输入数据,在得到模型预测结果之后,使用该地区的矢量文件对结果再次剪裁,这可以提高数据的使用效率,消除由于数据缺失对预测边界区域准确率的影响。传统方法一般采用CA_Markov、ANN以及CA_ANN模型进行预测,存在训练时间长、预测精度不足、缺乏说服力等问题。本文针对上述问题,建立一种自适应可变滤镜网络模型,针对特定大小区域内的土地类别数,创建多类数据集来训练参数不同的多个神经网络,该模型不仅可以成功预测未来土地变化的情况,而且避免了训练单一网络时数据对网络权值的抵消。实验结果表明,相比于传统的CA_Markov模型和CA_ANN模型,新方法总体预测精度提高了4.46%,各种地类转化预测精度提高了2.93%-13.87%,模型训练时间也缩减了66.39%,新提出的自适应可变滤镜模型最初是基于哈尔滨市香坊地区的土地利用数据通过机器训练构建的,相比其它模型,不仅可以更准确的预测未来土地利用情况,并且训练模型耗时更短。在实验中我们又将新模型应用于平房区的土地变化预测,实验测试得到的准确率与香坊区接近,从而表明该模型具有良好的可推广性能。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F301.2;TP751;TP183

【参考文献】