一种集成GCAM和CA的全球土地利用和土地覆被序列空间化方法与流程
本发明涉及元胞自动机土地利用建模领域，尤其是一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法。
背景技术：
全球土地利用和土地覆盖变化(lucc)对于理解人类活动与全球环境变化(如生物多样性和碳循环)之间的相互作用至关重要。已有的研究表明，构建lucc模型已经成为一种揭示全球lucc变化的驱动机制、研究过去以及未来年份的全球lucc时空变化的重要工具，全球尺度的lucc模型已经成为针对全球性问题进行综合评价的关键部分。尽管在许多情况下需要全球尺度的土地利用与土地变化建模，但由于其复杂性，目前很少有全球尺度的lucc模型存在。
目前，已有的针对全球lucc构建的模型主要有全球环境综合评估模型(image)，空间分辨率为0.5°(赤道约55公里)；luss模型和clumondo模型，空间分辨率为5弧分(赤道约10公里)。这些模型空间分辨率粗糙，很大程度地损失了土地利用和土地覆被的空间细节，对全球不同区域的土地利用模式产生了严重的扭曲。
元胞自动机(ca)以其简单而小规模的组织单元，可以获取其转换规则而用作模拟大尺度复杂的空间现象，这一特性适用于高空间分辨率的土地利用和土地覆盖的模拟。近几十年来，ca已经被用于模拟各种城市与区域尺度的lucc变化。例如，区域尺度的geomod模型、大陆尺度的dynaclue模型、以及大陆-全球尺度的landshift模型等。ca还可以用作模拟全球评估模型预测下的地类需求约束的全球尺度的lucc变化。例如，flus整个了ca与image模型来模拟全球尺度的lucc变化结果，其空间分辨率达到了1km。空间分辨率的极大提高，大大增强了土地利用与土地变化的模拟效果。
然而，已有的全球规模lucc模型，忽略了土地利用和土地覆盖的空间异质性。土地利用和土地覆盖的空间异质性在全球影响评估中起着重要作用。例如，一个农业生态区域内部可能具有相同的气候带，湿度条件，土壤类型和地貌，但由于该区域又属于不同国家，而具有不同的土地利用和土地覆盖空间特征。同样，一个国家的邻域范围内具有相同的地缘政治和社会经济条件，但由于气候、水分、土壤或地貌的变化，其土地利用和土地覆盖仍具有显着的空间异质性。在全球评估模型中，gcam模型较好地反映出了土地利用和土地覆盖的空间异质性，gcam模型在温度带，湿度与政治经济分区的基础上，综合18个农业生态区(aez)与32个经济政治区，形成全球283个子区域，来预测这283个子区域的土地利用和土地覆盖需求，综合神经网络初始概率、邻域影响、各子区域的地类转变权重矩阵和规划约束条件，得到各子区域地类的综合转变概率，对各子区域的土地利用和土地覆被进行序列空间化。本发明通过整合gcam和ca来构建全球尺度的土地利用序列空间化gcam-ca模型。
技术实现要素：
本发明所要解决的技术问题在于，提供一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法，具备实现生产高分辨率全球lucc产品的能力，推动了全球尺度下高分辨率土地利用模型构建的研究。
为解决上述技术问题，本发明提供一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法，包括如下步骤：
(1)综合考虑农业生态区划和地缘政治经济区划，将全球陆地划分为283个子区域，获取283个子区域不同地类的土地利用需求；
(2)结合全球土地利用变化的驱动因素，获取12个空间变量，使用神经网络获取初始地类转变概率，分区域获取不同土地利用类型之间转换规则；
(3)计算全球283个子区域的地类转变权重矩阵；
(4)计算全球283个子区域综合转变概率；
(5)基于(4)步骤的综合转变概率进行空间化；
(6)针对全球未来三种发展情景，采取5年的步长，对全球283个区域的空间化结果进行拼接，得到全球土地利用空间化序列结果；
(7)针对2010年的模拟结果进行精度评价与模拟评价，验证模型有效性与实用性。
优选的，步骤(2)中，12个空间变量包括：2000年、2010年的两期glc30全球土地利用数据、全球gdp数据、人口数据、到主要城市点的距离、到道路的距离、到铁路的距离、dem数据、坡度数据、土壤含沙比例、土壤含泥比例、土壤含黏土比例、ph数据、温度与降水12类栅格数据，空间分辨率均为1km。
优选的，步骤(2)中，使用神经网络获取初始地类转变概率，分区域获取不同土地利用类型之间转换规则具体为：针对每一个子区域，采用多层感知机，预测十类用地类型变化的概率，输入层为每一个子区域2000年的12个空间变量和土地利用类，隐藏层包含15个神经元，输出层为该子区域2010年的十类土地利用类型，激活函数为logistics函数，学习率为0.01。
优选的，步骤(3)中，计算全球283个子区域的地类转变权重矩阵具体为：地类转换权重矩阵的值的大小表示当前土地利用类型转换为特定的目标土地利用类型的概率大小，在土地利用空间化过程中，283个世界区域的地类转换权重矩阵各不同，所有类型土地利用的转换权重矩阵随时间变化，特定其余的权重矩阵每隔5年进行一次计算一次。
优选的，步骤(4)中，计算全球283个子区域综合转变概率具体为：综合考虑由ann计算的初始概率，邻域效应，转换权重矩阵和条件约束，计算特定区域某一网格将被特定土地利用类型覆盖的组合概率，计算方法见公式(1)：
其中，
优选的，步骤(5)中，基于(4)步骤的综合转变概率进行空间化具体为：针对每一个世界子区域，根据gcam提供的未来不同发展情景下的面积变化预测序列，综合神经网络提供的初始土地类型转变概率、随模拟年份动态变化的土地类型转变权重矩阵，以及邻域对未来的土地利用影响，进行不同情景下的未来全球土地利用与土地覆被空间化。
优选的，步骤(6)中，对全球283个区域的空间化结果进行拼接，得到全球土地利用空间化序列结果具体为：2015年至2100年的共18期全球土地利用与土地覆被空间化结果图，时间分辨率为5年，空间分辨率为1km。
本发明的有益效果为：本发明主要应用于未来不同发展情景下的全球土地利用变化与覆被建模，具备实现生产高分辨率全球lucc产品的能力，推动了全球尺度下高分辨率土地利用模型构建的研究。
附图说明
图1为本发明的基本框架结构示意图。
图2为本发明gcam-ca模型空间化基本流程示意图。
图3为本发明gcam-ca模型中神经网络模型结构示意图。
具体实施方式
一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法，包括如下步骤：
(1)综合考虑农业生态区划和地缘政治经济区划，将全球陆地划分为283个子区域，获取283个子区域不同地类的土地利用需求；
(2)结合全球土地利用变化的驱动因素，获取12个空间变量，使用神经网络获取初始地类转变概率，分区域获取不同土地利用类型之间转换规则；
(3)计算全球283个子区域的地类转变权重矩阵；
(4)计算全球283个子区域综合转变概率；
(5)基于(4)步骤的综合转变概率进行空间化；
(6)针对全球未来三种发展情景，采取5年的步长，对全球283个区域的空间化结果进行拼接，得到全球土地利用空间化序列结果；
(7)针对2010年的模拟结果进行精度评价与模拟评价，验证模型有效性与实用性。
本发明提供一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法，本方法包含两个部分，如图1所示。第一部分为全球283个区域各地类面积变化序列预测，第二部分为全球283个区域土地利用序列空间化，此部分流程图如图2所示。
一种集成gcam和ca的全球土地利用和土地覆被序列空间化方法基本框架，如图1所示，包括两部分：
(1)获取不同情景下的283个世界子区域的土地利用变化面积预测的过程。
(11)gcam模型输出283个全球区域分区，综合了32个经济政治区与18个农业生态区，这一分区结果考虑了社会经济发展因素和温度降水等自然因素。
(12)针对glc30模型、gcam模型、image模型、flus模型这四个模型土地利用分类体系的区别，提出一套地类合并规则，将后三类模型的地类统一为glc30数据的地类标准，以进行产品输出与精度评价。
(13)通过gcam模型的农业土地利用模块(aglu)，根据气候，社会经济条件，历史土地利用和技术进步等驱动因素，以5年为间隔输出283个世界子区域的各地类面积变化序列数据预测。
(14)将gcam模型的输出全球283个区域各地类面积变化结果进行校正和转换，得到适用于gcam-ca模型的面积变化趋势，作为gcam-ca模型的面积变化控制模块的输入。
(15)根据gcam模型动态地输出序列gdp和人口数据，利用多元逻辑回归，依据gdp与人口数据修正城市用地需求预测，得到城市用地面积序列预测。
(21)进行不同情景下、全球283个区域土地利用序列空间化的过程。
(21)对全球283个子区域12个空间变量和两期glc30土地利用数据进行采集与处理，空间分辨率均重采样1km。
(22)充分考虑283个区域地类组成的差异性特点，提出一种新的按原有地类比例进行采样点分层抽取的方法，获取用于神经网络训练的数据集。
(23)分别针对283个区域训练神经网络模型，并综合神经网络初始概率、邻域影响、各子区域的地类转变权重矩阵和规划约束条件，得到各子区域地类的综合转变概率，获取283个不同区域的ca空间化规则。
(24)根据各子区域地类的综合转变概率，在gcam预测的三种未来发展情景序列面积约束下，对全球各子区域的土地利用和土地覆盖进行空间化，空间分辨率为1km，时间分辨率为5年。
(25)对不同情景下的283个世界子区域的各地类空间化结果进行投影转换、拼接、存储，从而得到全球土地利用空间化序列产品数据。
第一部分是全球283个区域各地类面积变化序列预测，具体实施步骤包含以下内容：
gcam模型输出包含不同政策影响情景下未来土地利用和土地变化的面积数据，该数据是每一个区域单元的统计数据。由于gcam、glc30地类分类体系差异，需结合真实的全球30米分辨率的数据，确定2010-2100每隔5年的地类面积变化量，从而落实在全球空间上，以进行空间化处理与分析。另外，与本模型对比的image和flus模型的地类体系也存在差异，因此提出一种不同模型之间地类合并的判定标准，如表1所示。
表1glc30、gcam、image和flus之间的地类合并规则
gcam模型生成序列土地利用需求预测的核心在于农业土地利用模块。gcam模型下的农业土地利用模块决定了农产品的供需，该模型与气候政策链接，共同决定了生物能源的供需以及生产生物能源土地面积的变化。农业土地利用模型包括一个需求市场和一个供应市场，两个市场之间通过价格、税收和供给来达到市场均衡；需求端有人口和经济决定，供应端依据气候，技术和生物能源的需求来决定；供应端与需求端通过国际市场这一手段进行贸易。基于这样的市场机制，该模块模拟输出未来各种土地利用类型的数量变化、所有农产品价格、产量以及生物能源的可供应量等。基于此，gcam模型下的农业土地利用模块根据气候，社会经济条件，历史土地利用和技术进步等驱动因素，以5年为间隔预测283个世界子区域的土地利用需求。
第二部分是对全球283个区域分别进行土地利用和土地覆被序列空间化，拼接形成不同情景下、全球土地利用序列产品。具体实施步骤包括以下内容：
(1)全球283个子区域12个空间变量和两期土地利用数据的采集与处理；
2000年和2010年的glc30全球土地利用原始数据有10种地类，空间率为30米。在本模型中，最初的30米分辨率重采样为1km，以创建ca模型的初始土地利用数据。两期真实土地利用数据用于校准gcam-ca模型。同时，全球土地利用和土地覆盖变化还受到人为和自然驱动因素的影响，在本方法中，12个空间变量(见表2)被选定为土地利用变化的驱动因子。在模型中，所有空间数据和变量的空间分辨率重采样至1km，投影方式为world_goode_homolosine_land。
(2)神经网络训练；
针对283个世界区域、10种土地利用类型，使用分层随机抽样方法提取训练样本，训练样本占整个全球数据集的百分之五，共有6,792,283个样本，用于训练和验证识别土地利用和土地覆盖类型的神经网络。采用三层神经网络模型(如图3所示)，输入层为每一个子区域2000年的12个空间变量和土地利用类，输出层为该子区域2010年的十类土地利用类型。使用训练好的283个对应的神经网络模型计算每个子区域各地类转变的初始概率。
(3)地类转换权重矩阵计算；
不同土地类型的转换权重矩阵表明两种土地利用类型之间转换的可能性，也是影响土地利用空间化的另一个重要因素。地类转换权重矩阵的值的大小表示当前土地利用类型转换为特定的目标土地利用类型的概率大小。在土地利用空间化过程中，283个世界区域的地类转换权重矩阵各不同。所有类型土地利用的转换权重矩阵随时间变化，特定其余的权重矩阵每隔5年进行一次计算一次，如表3所示，显示了编号为223的子区域2000年到2010年地类转变成本。
表32000年到2010年地类转变成本矩阵(223区域)
(4)综合转变概率计算
综合考虑由ann计算的初始概率，邻域效应，转换权重矩阵和条件约束，计算特定区域某一网格将被特定土地利用类型覆盖的组合概率，计算方法见公式(1)：
其中，
(5)gcam模型与ca的集成；
gcam-ca模型中，gcam模型根据气候，社会经济条件，历史土地利用和技术进步，以5年为间隔预测283个世界子区域的土地利用需求。在迭代过程中，gcam输出的283个世界区域的土地利用需求预测被用作土地利用的约束条件，推动ca模型中土地利用和土地覆盖类型的空间化过程。同时，使用gcam模型输出的gdp和人口数据，采用多元回归的方法，校准gcam模型输出中未改变的城市土地面积的预测需求。2010年至2100年的gdp和人口数据系列也被用作ca模型的输入空间变量。此外，ca模型中的全球土地利用和土地覆盖数据与gcam模型相结合，确保gcam模型预测的土地利用面积需求与观测到的土地利用面积之间的一致性。
本发明针对glc30数据、gcam模型、image模型、flus模型这四个模型土地利用分类体系的区别，提出一套地类合并规则，将后三类模型的地类统一为glc30数据的地类标准，以进行产品输出与精度评价。
- 还没有人留言评论。精彩留言会获得点赞！