Hadoop下基于CA-Markov模型的土地利用变化预测方法研究

摘要

研究不同时空下的土地利用/土地覆被状况，预测未来土地利用变化，可为土地资源合理分配提供参考。土地利用变化预测面对的数据种类较多，有遥感影像、DEM影像、各类驱动因子数据等，其中遥感影像数据已成为一种海量数据。大规模数据下传统串行的基于CA-Markov模型的土地利用变化预测算法运行时间较长，而Hadoop云计算平台在大数据处理方面具有性能与成本优势。因此，论文以杭州市为例，围绕Hadoop下基于CA-Markov模型的土地利用变化预测算法（CLOUD-LUCP）的设计展开了如下工作： （1）研究依据CLOUD-LUCP算法所需的土地利用分类影像、驱动因子等数据的数据结构与算法的运算方式，设计算法输入数据在HDFS中的组织与存储方法，以便基于MapReduce编程模型开发的CLOUD-LUCP算法能够获取并解析数据。 （2）研究基于MapReduce编程模型对传统CA-Markov模型串行预测算法进行分布式并行化设计，得到了CLOUD-LUCP算法，算法分为云环境下Markov模型并行算法与云环境下土地利用变化综合评价算法两部分。CLOUD-LUCP算法用以计算土地利用面积转移矩阵、转移概率矩阵、元胞土地利用综合评价值，再依据以上数据进行元胞状态转换方向确定，从而实现土地利用变化预测。 （3）对比不同数据量下CLOUD-LUCP预测算法与串行预测算法运行效率。实验结果表明，在本文所采用的集群环境与测试数据集下，云环境下Markov模型并行算法与云环境下土地利用变化综合评价算法的加速比与节省的运算耗时随数据量增大而提高，两部分算法加速比分别于3.43和1.86时达到最高。 （4）研究对2013年的土地利用变化进行了模拟，并对模拟结果进行分析与精度评价。模拟结果的自然保留地、建设用地、农用地Kappa系数分别可达0.86，0.68和0.66，表明研究区模拟结果可信，可在此基础上对2020年土地利用变化进行预测与结果分析。 研究结果表明，CLOUD-LUCP算法与传统串行预测算法相比，在大规模数据下具有一定的效率优势。同时，模拟结果可信度较高，算法采用的驱动因子及权重参数适用于研究区，可用于研究区的土地利用变化预测。

目录

声明

第一章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 主要研究内容

1.4 论文组织结构

第二章 Hadoop平台技术及CA-Markov模型理论

2.1 Hadoop云平台

2.2 CA-Markov模型基本理论

2.3 本章小结

第三章Hadoop下土地利用变化预测算法设计

3.1 Hadoop下土地利用变化预测总体设计

3.2 多准则评价因子确定

3.3 算法输入数据组织与解析

3.4 CLOUD-Markov算法设计

3.5 CLOUD-CELUC算法设计

3.6 元胞状态转换方向确定

3.7 模拟次数界定

3.8 本章小结

第四章 实例分析

4.1 Hadoop平台环境搭建

4.2 研究区数据收集处理

4.3 CLOUD-LUCP算法效率分析

4.4 土地利用变化模拟与评价

4.5 2020年土地利用变化预测应用

4.6 本章小结

第五章 结论与展望

5.1 论文总结

5.2 未来展望

参考文献

附录

附录A DataOganization类部分代码

致谢

攻读学位期间的研究成果