智能預測土地利用動態變化—基于GIS和神經網絡模型

劉青豪+楊鑫梅+張新行

【摘要】隨著全球環境不斷變化，土地資源的合理利用率成為一個關鍵問題，其中模擬和預測土地利用變化是重要的一部分。本文首先介紹了地理信息系統（簡稱GIS）技術以及神經網絡，其次基于GIS技術建立的土地轉換模型經過神經網絡分析后，最后預測土地利用動態變化。這種方法充分結合了GlS和神經網絡的優點，更好的預測出土地利用的趨勢，為土地管理和城市規劃等相關部門提供一手依據。

【關鍵詞】GIS；神經網絡；土地利用

引言

土地是人類目前生活發展過程中最基本、最重要的間接資源之一。運用科學合理的管理、發展土地的方法有著重要意義。土地利用是當今全球環境變化的重要原因之一，開展典型區域的個案研究是認識全球環境變化的必要途徑，也是區域可持續發展研究的關鍵。目前土地管理中實現了文字信息與地圖信息一體化的自動管理模式。土地利用動態變化預測是土地管理工作中的重要部分，直接關系到國家的可持續發展。因而研究土地利用的變化對提高土地利用率有著深遠的意義。

1. 土地利用變化預測模型現狀

早期的土地利用變化模型重點是理解靜態的空間格局，1990以來，首先是時間動態模型在空間格局分析的基礎上與地理信息系統的結合；其次是遙感技術的被廣泛發展，遙感數據具有相對客觀性和高分辨率的特點，對于識別和分析土地利用變化發揮著至關重要的作用；最后是21世紀出現的地理信息系統（（Geographic Information System，簡稱GIS），GIS是一門十分復雜的綜合性交叉學科，并且和眾多學科相結合，例如與地理學、地圖學以及遙感技術等學科相結合，在不同的領域范圍中應用廣泛，除可以對空間信息進行分析以及預處理之外，還能夠把視覺化的地圖和地理數據分析功能，連同一般的數據庫操作等集成到一起來分析。

2.神經網絡

從神經網絡的輸入層到其隱含層實現這一過程，其實是一個非線性映射的過程，然而，從隱含層到輸出層這一過程卻是線性映射；神經網絡強大的處理功能相當于從高維空間到低維空間的映射。神經元是對神經網絡模型操作處理的基本單位，同時也是神經網絡設計的最基本的基礎，如圖所示為神經元基礎模型。

神經元模型一般含有三種基本元素：

（1）突觸或連接鏈，每一個都存在其權值，因此可以被看作為特征。

（2）加法器，用于求解輸入神經元相應突觸加權所產生的和。

（3）激活函數用來限制神經元輸出振幅。貼近得到任意的函數形式。但是，如果信息中含有某些敏感點，那么這些敏感點，很有可能造成神經網絡在學習和練習的過程中陷入局部最小值。如果只利用神經網絡去對土地利用變化分析，毋庸置疑存在缺點，所以我們利用GIS和神經網絡相結合方法對土地利用變化進行模型。

3. GIS和神經網絡相結合土地利用變化預測模型

3.1模型的優化結構

土地利用變化研究需要基于大量的數據的前提 ，遙感是數據存儲和處理的工具，我們通過神經網絡模型和GIS相結合方式，預測出土地利用的變化。模型分為兩個部分——神經網絡訓練和神經網絡模擬。其中神經網絡的練習經常使用算法為反向傳播。通過對兩期遙感影像的土地利用圖進行分類，隨機選擇出測試樣本以及訓練樣本，用ThinksPro操作軟件創建該神經網絡模型，反復進行訓練目的是獲取神經網絡的權值參數以及偏置參數。在我們確定自由參數以后，就可以用已知的數據進行預測土地利用變化規律，需要反復預測過程，通過給定的回合數確定預測的時間。

3.2 獲取空間數據

神經網絡的輸入數據功能，一般是用來存儲一系列數據層或者解決數據問題的，其中最根本的數據圖層便是土地利用分類圖層，因此我們需要對每一種數據進行編碼，用來表示對預測單元的影響大小，這些編碼以后便作為輸人變量的初始值。

3.3 處理遙感數據

遙感數據是主要數據來源對土地利用變化研究來說，通過軟件對遙感影像進行處

理，遙感數據處理的過程有以下幾各步驟：

（1）合成遙感影像數據

（2）對影像幾何精校正

（3）圖像效果增強處理

（4）圖像的鑲嵌

（5）對研究區裁減

（6）遙感影像的分類

（7）對分類結果評價

3.4 GIS空間分析

由模型可知，模型可以很好的與柵格數據相結合，采用GIS軟件空間分析是重要數據生成一種方法，在這里我們用作為空間分析的重要工具。

空間緩沖區分析，即再實體周圍創建相互存在一定間隔的帶狀區域，用來區別這些實體對附近對象所產生的輻射大小。因此，空間緩沖區分析，首先要確定出分析源，在實際應用中，隨著距離的不斷增大，其產生的影響就會緩慢減弱。在本文中，筆者主要通過空間緩沖區分析這一功能，從而獲得各實體對其緩沖區產生的影響結果。

4.結語

用神經網絡進行預測方法充分利用了其復雜映射能力，很強的自組織等長處，此外，通過使用GIS數據輔助訓練樣本的選擇，達到了對樣本點的自動化選取目的，從而大大提高了選取訓練樣本的效率，節省了寶貴的時間；另外神經網絡存在大量的缺點：例如特別容易陷入局部最小、學習收斂速度慢等一系列缺點，以及忽略一些重要影響因素的特征，所以我們預測結果并非特別精確，我相信在不遠的將來，我們一定可以通過更好的模型預測出更加精確的土地利用動態變化。

參考文獻

[1]張明媛.基于GIS模擬土地利用變化[J] .燕山大學學報.2014.

[2]毛先成.GIS支持下的縣域土地利用動態變化分析[J] .中南大學學報.2015.

[3]王國杰.基于GIS的土地利用變化動態分析[J] .青海省西寧市國土資源局.2014.