一种基于非支配排序遗传算法和FLUS模型的多目标土地利用模拟系统与方法

一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法
技术领域
1.本发明涉及土地利用模拟、地理信息科学技术领域，更具体地，涉及一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法。


背景技术：

2.土地利用优化的综合可持续性是维持经济发展、环境保护、资源有效利用和社会公平之间的复杂平衡，如何进行土地利用优化配置是当今社会的重要课题。由于不同地区或同一地区的不同发展阶段有着不同的目标要求，其核心问题就是如何进行多目标之间的权衡。
3.在实际工作中，规划师多凭借自身经验、喜好来制定规则，有较强的主观性。相关研究人员基于土地利用问题数据量巨大的特点，将遗传算法应用到土配置问题中，借助遗传算法的全局优化搜索功能和自适应能力强的特点，取得了较好的效果。但遗传算法收敛速度较慢、局部搜索能力较弱，缺少精英策略，因此存在对多目标的支持不足的问题。
4.flus模型是用于模拟人类活动与自然影响下的土地利用变化以及未来土地利用情景的模型。该模型的原理源自元胞自动机并在传统元胞自动机的基础上做了较大的改进。首先，模型采用神经网络算法从一期土地利用数据与包含人为活动与自然效应的多种驱动力因子中获取各类用地类型在研究范围内的适宜性概率。其次，模型采用从一期土地利用分布数据中采样的方式，能较好的避免误差传递的发生。此外，在土地变化模拟过程中，模型提出了一种基于轮盘赌选择的自适应惯性竞争机制，该机制能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化时的不确定性与复杂性，使得flus模型具有较高的模拟精度并且能获得与现实土地利用分布相似的结果。但其在进行土地利用模拟时需输入科学的未来土地利用数据来确保模拟结果的合理性。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供了一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法，通过nsga-ii算法，获取多目标下的土地利用模拟数量结构方案，可适应不同区域的特征、发展阶段和规划目标，并为flus模型进行土地利用空间分布模拟时提供未来土地利用的输入数据。
6.一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法，包括两个阶段：通过利用nsga-ii算法实现多目标土地利用数量结构优化；依据flus模型将变化斑块合理分布，从而实现土地利用空间结构优化。
7.具体步骤为：
8.s1：获取初始土地影像并进行预处理，对预处理后的影像监督分类得到分类后的影像，并得到初始土地利用数据；
9.s2：选取若干影响土地利用变化的驱动力因子，并在arcgis中进行掩膜提取、计算
欧式距离等处理，组成驱动力数据；
10.s3：利用nsga-ii算法，将不同地类的栅格数量作为变量，将多种规划目标作为目标函数及约束条件，得到一组pareto最优解，根据目标偏好选择最优的数量组合；
11.s4：根据历年土地利用数据利用马尔科夫模型及趋势分析得到自然发展条件下的土地利用数量作对照；
12.s5：将不同目标偏好对应的地类栅格数量组合以及驱动力数据作为flus模型的输入数据，并进行相应的参数设置，得到不同发展目标下的土地利用空间分布。
13.进一步的，所述步骤s1中，对土地影像进行监督分类并得到初始土地利用数据，即将其分为建设用地、耕地、林地、水域、草地和未利用地6大类，并统计各地类的空间栅格数量。
14.进一步的，所述步骤s2中，影响土地利用变化的驱动力因子包括自然因素、区位因素、社会经济因素：
15.其中，所述自然因素包括高程因子、坡度因子、土壤质地因子；所述区位因素包括与道路的距离因子、与公园的距离因子、与市中心的距离因子、与学校的距离因子；所述社会经济因素包括政府规划因子和区域生产总值因子。
16.进一步的，所述步骤s2中，在arcgis中计算欧式距离即利用空间欧式距离公式计算空间栅格到驱动力因子的距离，计算公式为：
[0017][0018]
其中，(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dis表示欧式距离。
[0019]
进一步的，所述步骤s2中，驱动力因子数据要进行归一化处理，确保量纲的统一性，归一化处理公式为：
[0020][0021]
其中，x
max
与x
min
分别为该驱动力因子数据的最大值和最小值。
[0022]
进一步的，所述步骤s3中，nsga-ii算法由遗传算法改进而来，其本质在于先将优化问题的一组潜在解集作为初始化种群，每个解对应一条染色体，根据染色体之间的支配与非支配关系将种群分为若干等级，然后计算同一等级中个体的拥挤距离，根据适应度值选择染色体两两配对，并根据精英策略，同时从父代和子代中选择最优的个体作为下一次的父代，最后经过一定概率的交叉和变异产生子代。算法不断重复上述过程，设定终止循环条件，求得最优结果。
[0023]
将nsga-ii算法用于土地利用数量结构优化中，即将各地类面积的不同组合作为染色体，根据目标函数值确定各条染色体之间支配与被支配的关系，经过分级、计算拥挤距离后，根据pareto等级从高到低选取个体，保留父代与子代中优秀个体不断迭代，最终得到一组多目标函数的pareto最优解集。
[0024]
进一步的，所述步骤s3中，设定多种规划目标，包括：经济效益最大化目标、生态效益最大化目标和社会效益最大化目标。其中：
[0025]
经济效益最大化目标的目标函数为：
[0026][0027]
其中，f1为区域土地利用经济效益，万元；xi为区域i地类土地利用面积， km2；bi为i地类单位面积的gdp，万元/km2。规划期的bi值可通过该地区历年的统计年鉴等数据，采用灰色预测模型、时间序列、趋势模型等方法求得。
[0028]
生态效益最大化目标的目标函数为：
[0029][0030]
其中，f2为区域土地利用生态效益，万元；xi为区域i地类土地利用面积，km2；ci为区域i地类生态效益系数，万元/km2。规划期的ci值通过参考谢高地 2015年制定的中国各类生态系统的生态服务价值当量表，并结合区域粮食生产及市场价值情况进行估算。
[0031]
社会效益最大化目标的约束条件为：
[0032]
土地面积总量约束、耕地面积约束、建设用地面积约束、生态平衡约束和未利用地面积约束。
[0033]
进一步的，根据权利要求1所述的一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法，其特征在于，所述步骤s3中，目标偏好包括3种发展模式，分别是：经济发展优先、生态发展优先、均衡发展。
[0034]
进一步的，所述步骤s5中，flus模型的原理包括：
[0035]
(1)模型采用神经网络算法(artificial neural network,ann)从一期土地利用数据与包含人为活动与自然效应的多种驱动力因子中获取各类用地类型在研究范围内的适宜性概率。其中，模型采用从一期土地利用分布数据中采样的方式，能较好的避免误差传递的发生。
[0036]
(2)基于土地利用现状图和适宜性图层，在土地变化模拟过程中，模型采用基于轮盘赌选择的自适应惯性竞争机制，该机制能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化时的不确定性与复杂性，最终获取精度较高的土地利用模拟图。
[0037]
进一步的，所述步骤s5中，flus模型的参数设置包括：转换成本矩阵、邻域因子参数；其中：
[0038]
根据不同地类之间是否可以相互转化设置转化成本矩阵，当一种用地类型不允许向另一种转化时，将矩阵的对应值设为0；允许转化时设为1。
[0039]
各类土地利用类型的邻域因子参数范围为0～1，越接近1代表该土地类型的扩张能力越强。
[0040]
从上述技术方案可以看出本发明具有以下优点：因地制宜，具有较好的适用性，即可以根据研究区域自然特征、人文特性和发展阶段选取不同的影响因子预测其土地利用变化趋势，另外，根据研究区域的范围大小或规划的不同级别可以选择不同分辨率的数据使模拟结果尺度恰当；nsga-ii算法可以综合考虑多种优化目标得出一组最优解集，决策者可根据规划目标进一步选择需要的数量组合并作为flus模型的输入参数以取得恰当的模拟结果；将nsga-ii算法与flus 模型结合使用，能高效的对研究区域不同发展情景下的土地
[0058]
社会效益最大化约束条件包括：
[0059]
(1)土地总面积约束。各地类面积之和应等于徐州市总面积，即x1 x2 x3 x4 x5 x6＝11765。
[0060]
(2)建设用地面积约束。徐州市2020年建设用地面积约2612.3km2，参考相关调查研究，整合交通设施、民生设施、重大项目平台等各项需求，到2035 年全市基于需求的理想新增用地面积约需560km2，即建设用地面积2612《x1《 3172。
[0061]
(3)耕地面积约束。徐州市永久基本农田保护面积为5202.4km2,目前的耕地面积约为6111.5km2，土地利用规划应严守耕地保护红线，确保耕地质量不降低，布局更集中；又根据徐州市历年年末实有耕地面积及增长速度，即耕地面积 6057《x2《6130。
[0062]
(4)生态平衡约束。徐州市当前的林地面积约为798.8km2，根据徐州市历年的林地面积，设定到2035年其变化率为
±
5％，即758《x3《839；水域、草地则根据徐州市历年的土地利用类型变化率并适当扩大变化范围，即1665《 x4《2022，51《x5《67。
[0063]
(5)未利用地面积约束。根据徐州市历年未利用地面积，208《x6《217。
[0064]
所述nsga-ii算法获取pareto最优解，即在matlab中编程并经过多次调试，选取种群大小为200、最大进化代数为200、交叉概率0.85、变异概率为0.35；实码交叉分布指数取20，实码变异分布指数取40，算法实现过程如图4所示。程序运行可得到一组pareto解集，从中根据不同的优先发展目标挑选出3个最具代表性的发展方案，分别是：经济发展优先、生态发展优先、均衡发展。
[0065]
第4步：根据历年土地利用数据利用马尔科夫模型及趋势分析得到自然发展条件下的土地利用数量作对照。结合上步所述的发展方案，得到统计表，如表1 所示。
[0066]
表1：不同发展情景下面积、变化面积、面积变化比例的对比(km2,％)
[0067][0068]
第5步：将不同目标偏好对应的地类栅格数量组合以及驱动力数据作为 flus模型的输入数据，并进行相应的参数设置，得到不同发展目标下的土地利用空间分布。
[0069]
所述flus模型进行土地利用模拟，主要分为两部分：
[0070]
(1)将徐州市2020年初始地类数量以及驱动力数据模型作为输入数据，采用神经网络算法获取各类用地类型在研究范围内的适宜性概率，输出适宜性图层。
[0071]
(2)基于土地利用现状图和适宜性图层，输入不同发展目标下的未来土地利用数据并在flus模型中进行相应的参数设置，获取土地利用模拟图，如图5 所示。