智能预测土地利用动态变化―基于GIS和神经网络模型

【摘要】随着全球环境不断变化，土地资源的合理利用率成为一个关键问题，其中模拟和预测土地利用变化是重要的一部分。本文首先介绍了地理信息系统（简称GIS）技术以及神经网络，其次基于GIS技术建立的土地转换模型经过神经网络分析后，最后预测土地利用动态变化。这种方法充分结合了GlS和神经网络的优点，更好的预测出土地利用的趋势，为土地管理和城市规划等相关部门提供一手依据。

【关键词】GIS；神经网络；土地利用

引言

土地是人类目前生活发展过程中最基本、最重要的间接资源之一。运用科学合理的管理、发展土地的方法有着重要意义。土地利用是当今全球环境变化的重要原因之一，开展典型区域的个案研究是认识全球环境变化的必要途径，也是区域可持续发展研究的关键。目前土地管理中实现了文字信息与地图信息一体化的自动管理模式。土地利用动态变化预测是土地管理工作中的重要部分，直接关系到国家的可持续发展。因而研究土地利用的变化对提高土地利用率有着深远的意义。

1. 土地利用变化预测模型现状

早期的土地利用变化模型重点是理解静态的空间格局，1990以来，首先是时间动态模型在空间格局分析的基础上与地理信息系统的结合；其次是遥感技术的被广泛发展，遥感数据具有相对客观性和高分辨率的特点，对于识别和分析土地利用变化发挥着至关重要的作用；最后是21世纪出现的地理信息系统（（Geographic Information System，简称GIS），GIS是一门十分复杂的综合叉学科，并且和众多学科相结合，例如与地理学、地图学以及遥感技术等学科相结合，在不同的领域范围中应用广泛，除可以对空间信息进行分析以及预处理之外，还能够把视觉化的地图和地理数据分析功能，连同一般的数据库操作等集成到一起来分析。

2.神经网络

从神经网络的输入层到其隐含层实现这一过程，其实是一个非线性映射的过程，然而，从隐含层到输出层这一过程却是线性映射；神经网络强大的处理功能相当于从高维空间到低维空间的映射。神经元是对神经网络模型操作处理的基本单位，同时也是神经网络设计的最基本的基础，如图所示为神经元基础模型。

神经元模型一般含有三种基本元素：

（1）突触或连接链，每一个都存在其权值，因此可以被看作为特征。

（2）加法器，用于求解输入神经元相应突触加权所产生的和。

（3）激活函数用来限制神经元输出振幅。贴近得到任意的函数形式。但是，如果信息中含有某些敏感点，那么这些敏感点，很有可能造成神经网络在学习和练习的过程中陷入局部最小值。如果只利用神经网络去对土地利用变化分析，毋庸置疑存在缺点，所以我们利用GIS和神经网络相结合方法对土地利用变化进行模型。

3. GIS和神经网络相结合土地利用变化预测模型

3.1模型的优化结构

土地利用变化研究需要基于大量的数据的前提 ，遥感是数据存储和处理的工具，我们通过神经网络模型和GIS相结合方式，预测出土地利用的变化。模型分为两个部分――神经网络训练和神经网络模拟。其中神经网络的练习经常使用算法为反向传播。通过对两期遥感影像的土地利用图进行分类，随机选择出测试样本以及训练样本，用ThinksPro操作软件创建该神经网络模型，反复进行训练目的是获取神经网络的权值参数以及偏置参数。在我们确定自由参数以后，就可以用已知的数据进行预测土地利用变化规律，需要反复预测过程，通过给定的回合数确定预测的时间。

3.2 获取空间数据

神经网络的输入数据功能，一般是用来存储一系列数据层或者解决数据问题的，其中最根本的数据图层便是土地利用分类图层，因此我们需要对每一种数据进行编码，用来表示对预测单元的影响大小，这些编码以后便作为输人变量的初始值。

3.3 处理遥感数据

遥感数据是主要数据来源对土地利用变化研究来说，通过软件对遥感影像进行处

理，遥感数据处理的过程有以下几各步骤：

（1）合成遥感影像数据

（2）对影像几何精校正

（3）图像效果增强处理

（4）图像的镶嵌

（5）对研究区裁减

（6）遥感影像的分类

（7）对分类结果评价

3.4 GIS空间分析

由模型可知，模型可以很好的c栅格数据相结合，采用GIS软件空间分析是重要数据生成一种方法，在这里我们用作为空间分析的重要工具。

空间缓冲区分析，即再实体周围创建相互存在一定间隔的带状区域，用来区别这些实体对附近对象所产生的辐射大小。因此，空间缓冲区分析，首先要确定出分析源，在实际应用中，随着距离的不断增大，其产生的影响就会缓慢减弱。在本文中，笔者主要通过空间缓冲区分析这一功能，从而获得各实体对其缓冲区产生的影响结果。

4.结语

用神经网络进行预测方法充分利用了其复杂映射能力，很强的自组织等长处，此外，通过使用GIS数据辅助训练样本的选择，达到了对样本点的自动化选取目的，从而大大提高了选取训练样本的效率，节省了宝贵的时间；另外神经网络存在大量的缺点：例如特别容易陷入局部最小、学习收敛速度慢等一系列缺点，以及忽略一些重要影响因素的特征，所以我们预测结果并非特别精确，我相信在不远的将来，我们一定可以通过更好的模型预测出更加精确的土地利用动态变化。

参考文献

[1]张明媛.基于GIS模拟土地利用变化[J] .燕山大学学报.2014.

[2]毛先成.GIS支持下的县域土地利用动态变化分析[J] .中南大学学报.2015.

[3]王国杰.基于GIS的土地利用变化动态分析[J] .青海省西宁市国土资源局.2014.