一种结合空间滤波的土地利用变化建模方法及其系统

摘要

本发明公开了一种结合空间滤波的土地利用变化建模方法及其系统，涉及地理信息科学领域。方法侧重于消除土地利用变化建模过程中数据的空间自相关性影响，步骤包括：收集原始数据并进行预处理，生成数据集序列；采用变异函数判定空间滤波的最佳距离，随后采用一种基于

说明书

技术领域

本发明属于地理信息科学技术领域，具体内容为引入一种空间滤波算法，用于消除土地利用变化空间数据由于自身空间自相关性影响而无法同传统统计学模型相结合的缺陷，使经过滤波处理的数据能更好用于土地利用变化建模的方法以及系统。

背景技术

目前，土地利用变化建模的方法依其研究角度大体分为两类：第一类为从宏观调控角度出发的具有“自上而下”特点的计量数学模型，如系统动力学模型、马尔科夫链模型以及一些针对地理空间特性进行变换后的数学统计模型等。第二类则是具有“自下而上”的人工智能模型，其原理为根据土地利用变化的现象抽象出一系列符合实际变化现象的转化规则，使土地利用变化按照转化规则随时间自主演化的，该类模型的代表包括元胞自动机、智能体和多智能体模型等。

以上两类研究方法的主要区别在于对地理数据的理解程度不同，计量数学模型侧重从全局变化中挖掘内在隐含的变化机制，并利用所获得的评价模型对单体样本进行预测，符合统计学的思路。而人工智能模型则突出个体单元的主体变化特征和它们之间变化的差异，试图通过对个体的解释来反映宏观变化情况。虽然出发点不同，但两种方法都考虑到土地利用变化过程中的时空分异特性：例如在时间维度上，前者可以通过人为选取发展模式进行控制，后者则通过在转化规则中增加限定条件实现；在空间分布特征上，前者通常计算土地利用变化的转移矩阵以及辅助一定的变化限制图层加以实现，后者则通常引入邻域规则或者规划控制条件进行限制；而有关预测的处理二者则都是通过迭代进行拟合控制。

以上所示的两类建模方法都具有各自的不足和缺陷：计量数学模型采用传统的数学模型，缺乏对地理数据时空特性的深入研究。如传统的逻辑回归方法进行建模，其前提要保证样本的无偏性和独立性，而由于直接获得的土地利用变化数据自身具有空间位置信息，一般情况下会受到周围邻域的影响而具有一定的空间自相关特征，导致模型整体的准确度以及灵敏度下降，进而使土地类别的评价结果产生偏差；同样的，对于人工智能方法，由于土地变化牵涉的因素复杂，同各驱动力因子之间通常是互相影响和制约，一些人文因素如政治、经济等难以直接量化处理，使得算法在规则设定上常常不能面面俱到，一些算法即使获得很好的模拟结果，但其自身对于整体因果联系的解释性不足。值得注意的是虽然两种方法对于土地利用变化的内在驱动力机制都有各自的阐述方法，但研究发现逻辑回归算法或作为概率计算核心模块，或作为变化规则辅助模块，都有存在一定的应用案例，表明该方法在解释因子驱动力机制方面具有一定的优势。

发明内容

针对以上土地利用变化建模方法存在的不足，本发明的目的是提供一种结合空间滤波的土地利用变化建模方法以及系统，具有易于构建和高效率计算等优点，可以为土地利用和土地规划决策提供更为可靠的辅助信息。

本发明的基本内容包括两个部分：其一，针对土地利用变化的建模，采用普遍公认的逻辑回归方法：逻辑回归方法指的是通过一条拟合的逻辑曲线反映事件发生的概率，由于此方法的自变量类型可以是数值类型或者分类数目，这种优势使可应用于解释土地利用变化和驱动力因子之间的关系。在本发明中，以土地类别作为模型的应变量，计算其随着驱动力因子即自变量的影响在某时间过程的变化概率。其二，本发明提供一种空间滤波方法，用于消除土地利用变化数据自身所具有的空间自相关性，使处理后的数据符合传统逻辑回归方法需要样本无偏和独立的前提条件，提高该方法在土地利用变化建模的模拟精度。

本发明为实现上述目的采用如下技术方案：。

步骤1：收集土地利用变化模型所需的原始数据并进行预处理，如矢量数据、遥感栅格数据、经济统计数据进行预处理。基本思路是按照土地利用变化的时间节点作为参照标记，在每一个时间节点均构建一套对应的土地利用变化数据集，包括土地利用现状图以及相关的驱动力因子数据集（主要包括空间化后的人口、经济、自然、政治因子）。

步骤2：对处理后的土地现状图和驱动力数据，以栅格像元为单位进行样本采集，完成后对样本数据采用Pearson相关系数做相关性检验，排除相关性明显（大于0.7）的驱动力因子，随后引入空间滤波方法，在不改变采样数目的情况下，对自变量（土地利用现状图）以及应变量（驱动力因子图层）做空间滤波处理，排除空间自相关性的影响。滤波结果即把变量所描述的信息分拆为两个部分，为空间特征分量和非空间特征分量。

步骤3：把空间滤波处理后的样本数据引入逻辑回归模型进行计算，获得每一个驱动力因子的模型参数以及土地利用变化模型，并验证模型预测的精度。

步骤4：评估步骤3所构建的土地利用变化模型的模拟精度，在精度达到要求后采用马尔可夫链方法或者自定变化模式对未来土地利用变化进行模拟。

本发明的有益效果：对于涉及土地利用变化的数据预处理流方法和具体操作步骤进行说明，提供了一套针对多源数据的实现方案；针对土地利用变化数据的时空特性，在传统统计学方法不能直接应用的前提下，引入一种空间滤波的处理方案，用于排除地理数据本身的空间自相关性，提高模型的整体拟合精度；本发明提供了一套完整的土地利用变化建模系统，具体包括土地数据从预处理、输入、分析、采用、建模、评估到最终预测的详细解决方案，同现有技术相比，本发明所提供的系统功能全面、专业性强，且易于操作，有利于提高相关产业的工作效率。

附图说明

图1是本发明实施例的土地利用变化建模方法流程图。

图2是本发明实施例的地理数据预处理流程图。

图3是本发明实施例的人口密度图层经过GS+软件计算后所得的结果。

图4是土地利用变化模型结果对比。

图5是本发明实施例的土地利用变化系统流程图。

具体实施方式

下面结合附图和实施图，对本发明的具体实施方式做进一步详细描述。本发明实施例的数据为深圳市1996-2008年的土地利用变化的建模过程，此数据不限制本发明的范围。该实施例包括三个主要组成部分，即地理数据的预处理和数据集构建、结合空间滤波的逻辑回归模型构建、利用土地利用变化模型进行预测。

步骤1：地理数据的预处理和数据集构建流程如图2所示，遵循如下几个要求：

首先需要采用同一土地利用分类体系，其目的是保证模型分析的便利和数据之间的联系。如本实施例采用2003年国家颁发了新的土地分类制度，即“三级分类，三大类别”。依据此标准需要对于之前不符合的土地分类标准数据需要进行重分类整理。本实施例将土地利用类型分为6个类别，即耕地、绿地、建设用地、水域、未利用土地等，其中绿地为园地、林地、草地的合并。针对二类逻辑回归模型把处理后的分类数据进行重新采样为二类数据，即建设用地和非建设用地（除建设用地之外的其它土地类别进行合并）。同时，针对城市建设用地这一反映城市变化的关键类别，其地类中包含有不同用途的景观设施。由于这些设施是研究土地利用变化驱动力影响的主要内容，因此有必要将建设用地进一步细分为商业用地、金融保险用地、工业用地、仓储用地、教育用地、医疗卫生用地、城镇住宅及混合住宅用地、农村住宅用地等8个子类型，为随后构建因子图层做准备。

其次，对于不同格式的数据，其预处理方法也有针对性的区别：

矢量数据：矢量数据主要为深圳市1:2000的土地利用变更调查数据，为了使其同遥感影像数据进行结合，以保证分类体系的统一，需要对原始数据进行处理。具体的处理流程包括：

根据地物单元的分类编号，按照所构建的分类体系进行重新分类并赋值，具体划分为耕地、绿地、建设用地、未利用地、水域五个类别。此外，对建设用地中包含的一系列景观地物进行各自的专题信息提取，另外生成原始的驱动力因素专题图层。对新分类后的矢量数据构建统一的投影坐标，单位为米。并利用空间分析进行误差检验和图形纠正，排除一些形态明显不符合实际的错误地类。最后利用GIS工具对矢量图层进行栅格化处理，并按照20米精度生成土地利用现状栅格数据。

遥感数据：遥感数据信息的提取过程首先需要对数据进行预处理，详细步骤包括辐射增强、波段融合、几何纠正、数据融合、镶嵌、匀色、正射纠正等，目的是为使图像变为接近平面投影的影像，并要求影像的色彩丰富、美观，为后期影像判读和制作镶嵌图做好准备。预处理完成之后，采用人工交互遥感判读的方法进行影像数据的分类处理。首先根据波段特征设定判断分类和标志，之后选取一定数量的遥感判读训练样本，通过相关信息覆合和综合推理的人工交互方法判读勾划出土地变化的相应地类 ，最后在GIS中进行拓扑关系检查，完成土地数据地块制图综合、成图。

驱动力因子数据：最后需要整理的是土地利用变化驱动力因子的特征要素数据。对于因子的选定必须首先保证其全面、客观、准确的描述驱动力信息，例如McNeill等将土地利用变化驱动力因子分为政治、经济、人口和自然环境：自然环境因子主要描述的自然界，包括大气、水文、土地覆盖等自然条件。对实施例中的深圳市而言，影响较为直接的自然因素主要为高程、坡度、坡向等地形因素；经济因子可以泛指那些涉及到人类活动与土地变化趋势之间关系的驱动力因子，在城市土地变化中一般起主导作用。这些因子有的是实际存在于客观世界中，例如同城市建设用地扩展方向和空间有重要关联的城市交通因素、对于一些带动周边土地变化的中心地物景观，这些因素对于土地利用变化的驱动过程影响机制常为中心向外的辐射模式，对其所产生的驱动效应可以通过距离进行度量处理；人口因素同政治因素是人类活动直接影响土地变化机制问题的两个不同侧面。人口因素是从微观角度，基于个体的生活需求和期望分析其对土地利用变化所产生的影响；而政治因素则相反从宏观的角度出发，通过制定政策、制度、土地规划等对土地利用及其结构的调整做导向性的影响。 [0023] 综合考虑，实施例从不同方面的土地利用变化驱动力因素中选取一些具有代表意义的因素并对其进行量化，其中包括反映自然因素的坡度、高程值、反映人口随地理位置变化的人口密度值、反映地理中心辐射效应的公路距离、铁路距离、反映景观影响的教育中心距离、商业中心距离以及工业中心距离。这些数据的处理方式大体可分为三种：（1）地形因子；（2）状态因子；（3）距离因子。地形因子对应土地高程或者坡度数据，用于反映研究区域的自然特征面貌，通过等高线生成TIN后获得数字高程数据，并利用GIS数据进一步获得坡度数据；状态因子指的是当前空间位置的地物类所具有的各种状态变量，通过对经济统计数据进行空间化和配准方法获得各区面积的密度分布，之后采用Kriging空间插值提取，获得人口分布密度数据；距离因子是指当前地物类到某特定地物的距离，包括商业中心、金融中心、工业中心、教育设施、铁路设施、公路街道等直接影响土地利用选址和分布的要素。这些因素的处理方式则根据对之前土地利用现状图中所提取的特征要素进行空间插值获得。

步骤2：在数据集构建完毕后，以栅格数据像元为单位对数据进行空间滤波和数据采样，空间滤波的计算公式如下：

                                                                                             

式中，x_i⁰为滤波后变量，x_i为原始观测值，W_i则为空间权重矩阵的和，W_i/(n-1)为G_i(d)的数学期望，G_i(d)则为根据Getis原理获得的空间自相关值，其计算公式为：

                                         

空间滤波方法最为关键的问题在于对距离d的确定以及权重矩阵的选取。对于距离的判定方法有两种：一种是通过自相关统计值进行判断，空间自相关值随距离的关系呈先增后减的变化，距离可以选择在这个变化的拐点。另外一种方法则是变异函数（半方差），其公式为：

                                       

式中，r(h)为半方差值，h为点对的距离，N(h)为距离含有的点对数目。而对于矩阵形式的确定则有多种方式，较为常见的如Rook（四方向）、Queen（八方向）、Distance（距离幂指数）和K-nearest（最邻近）。把计算获得的空间过滤后的自变量和应变量中，即可得到空间不相关的逻辑回归模型，公式如下：

                                            

式中，Y为自变量原始观测值，X^*为过滤后的自变量值，L_Y为过滤后的应变量值空间自相关因素，ε为误差项。由于变化后新的自变量排除了空间自相关性，而应变量的空间自相关性则通过L_Y进行描述，因此变量之间不存在空间自相关，可以直接运用逻辑回归方法计算。具体的操作可以结合GS+软件进行半方差函数曲线的拟合，如图3为本发明实施例通过软件计算人口密度图层所得的结果，可以看出空间自相关性在像素距离为40个单位时大部分被过滤。

步骤3逻辑回归模型的构建：逻辑回归模型根据因变量类别的多少可以分为两种，即二元逻辑回归模型和多元逻辑回归模型，其计算公式如下：

                                                                         

式中z表示与某土地利用类别相关的驱动力因子所产生的贡献综合评价指数。其中₀为常数项，而β₁、β₂、β₃…β_k为待确定的回归系数，通过Newton-Raphson或者最大似然估计等方法进行求解。x₁、x₂、x₃…x_k表示为驱动力因子的指数信息，f(z)为逻辑回归变换函数，由f(z)函数可知转换后的取值范围为0到1之间，可以表示为土地利用类型转移的概率值，自变量z的取值可以为正无穷到负无穷。利用逻辑回归模型的值以及回归系数序列，可评价土地利用变化发生的概率以及和同土地变化发生相关的诸多因子之间的驱动关系。

 通过本发明的土地利用变化模型可以进行模型的构建和精度评价，以二类逻辑回归模型为例，图4所示为一般逻辑回归模型和结合本发明之空间滤波的逻辑回归模型结果对比。由图可知，在显著因子水平为0.05情况下，铁路因子同建设用地变化关系不大，其余因子的系数同之前结果相似。对于空间过滤后的逻辑回归模型系数而言，在显著性水平0.05情况下，能反映出相关关系的因子有坡度、工业用地距离、教育用地距离以及过滤系数。高程、人口以及交通因子在去除空间相关性影响后，对土地利用的变化情况无明显关系。影响程度最高的为土地利用本身的空间过滤因子，其值为-1299.02，结合非建设用地值为1，建设用地值为2，表明如果样本点周围被高值（建设用地）所包围，则此样本变化为建设用地的概率有明显提高。模型结果中的似然值和Nagelkerke指数评价表明引入空间滤波的土地利用变化模型，其拟合精度有提升明显。

步骤4：土地利用变化建模的最终目的是为了实现对未来土地利用变化情况和趋势的预测，为政府部门制定土地利用的规划和政策提供依据和参考，实现土地资源的优化配置。例如实施例在模型构建完毕后就可采用马尔可夫链或者自定变化模式两种不同方法进行未来土地利用变化的预测。前者原理是一种描述离散时间的随机过程方法，通过历史数据推演未来的变化趋势；后者则是通过专家知识或者规划方案进行人为设定，在实际操作中可以根据不同需求进行选取。

如图5所示，本发明的实施例提供了一种结合空间滤波的土地利用变化建模系统。系统可包括以下几个模块：土地现状图添加模块，用于设定年份标签，使得每个图层对应于一个时间节点；变化类别设定模块，通过对前面设定的年份因子图层进行遍历搜索，获得土地利用发生变化的类别，用户可以根据自身需求和下面的采样阶段结果进行设定和修改；驱动力因子添加模块，主要是把与土地变化相关的如地理数据、经济数据、自然环境数据添加作为自变量以建立逻辑回归模型；模型采样模块，用于设定采样距离以及空间滤波距离，遍历所有数据，进行采样和空间滤波；土地利用变化建模模块，此模块是对采样后的数据建立逻辑回归模型，用极大似然估计方法计算方程组并求得模型的回归因子系数，而后通过所求参数带入样本数据进行检验获得精度表以供用户评价和修改，选择性进行模型的整体反演；土地利用变化预测模块，当用户确定回归模型参数后，利用此模块对未来土地利用变化的趋势进行预测。