(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210756949.9 (22)申请日 2022.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 114819112 A (43)申请公布日 2022.07.29 (73)专利权人 南京北斗创新应用科技研究院有 限公司 地址 211599 江苏省南京市六合区龙池街 道虎跃东路8号 (72)发明人 杜志强　李柏延　王超　李沐春　 王伟　 (74)专利代理 机构 南京佰腾智 信知识产权代理 事务所(普通 合伙) 32509 专利代理师 胡杰(51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06Q 50/16(2012.01) G06Q 50/26(2012.01) G06V 10/82(2022.01) G06V 10/771(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) 审查员 刘穗君 (54)发明名称 一种顾及空间分区的土地利用适宜性概率 生成方法 (57)摘要 本发明公开了一种顾及空间分区的土地利 用适宜性概率生成方法， 顾及土地利用变化驱动 机制的空间差异性， 定量描述土地利用变化建模 中各驱动因素的贡献度， 有助于了解各驱动因素 对于土地利用变化的影响； 还围绕空间分区、 驱 动因素数据集的构建、 各驱动因素贡献度的计算 以及适宜性概率的训练， 解决了土地利用变化模 拟中由于时空异质性考虑不充分导致模拟精度 降低的问题； 基于卷积神经网络， 构建了自然地 理和社会经济驱动因素与土地利用变化的复杂 非线性关联， 进而获得各土地利用的适宜性概 率， 有助于加深对研究区域土地利用变化时空异 质性的理解， 提高对邻域空间内多土地利用驱动 因素的感知能力， 也为长时序的土地利用变化时 空模拟和预测做准备。 权利要求书3页 说明书9页 附图5页 CN 114819112 B 2022.09.16 CN 114819112 B 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10 0m×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， 获取更深层的权　利　要　求　书 1/3 页 2 CN 114819112 B 2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Sigmo id激活函数， 其数 学形式如下 所示： 式中， 表示激活层的输入。 2.根据权利要求1所述的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： 所述步骤S2中， 多个土地利用面积信息的100m ×100m分辨率土地利用数据的构建方 法包括以下步骤： S2.1、 选取10 0m×100m的分辨 率作为土地利用变化模拟的基础； S2.2、 基于 30m×30m原始分辨率的土地利用数据， 构建10 0m×100m分辨率的渔网；权　利　要　求　书 2/3 页 3 CN 114819112 B 3