一种基于FLUS模型的土地利用模拟方法

摘要

本发明公开了一种基于FLUS模型的土地利用模拟方法，属于土地利用率模拟技术领域，包括基于FLUS模型的土地利用模拟方法，包括以下步骤：获取历史土地利用数据；获取包括产业因子在内的驱动因子；获取第一发展适宜性数据；获取第二发展适宜性数据；根据第二发展适宜数据，输出土地利用需求。该基于FLUS模型的土地利用模拟方法，通过引入产业因子作为一项驱动因子改进了现有的FLUS模型，从而使得各个土地覆盖类型改进的模型的模拟结果更高，更加接近实际值，且本发明的模型相较于现有的传统模型更加符合未来政策下的土地覆盖扩张需求，模拟结果的空间布局的精度更准确。

说明书

技术领域

本发明属于土地利用率模拟技术领域，尤其涉及一种基于FLUS 模型的土地利用模拟方法。

背景技术

随着我国经济的高速增长，城市人口数量的持续增多，城市扩张规模逐步增大。现如今的新数据环境下的数据体量大、数据类别多、数据尺度覆盖更广、更新更快、时效性更强、精度更高、且更具人文性。而城市规模的演变受到社会经济、基础设施、人口等多方面的作用，因此城市演进过程具有很高的复杂性。在对未来土地利用的变化进行预测时，需要对土地的开发、利用、整治和保护在时间和空间上做出预先安排，这对于区域土地资源的配置和可持续利用具有重要的现实意义。

且随着大数据、物联网等技术的普及和成熟，现今在进行城市规划时，需要依据城市的人群动向、城市的交通态势、用地变迁、运营情况、社交网络、城市业态信息进行更合理的规划。

因此，需要通过建立土地利用变化模型来进行数据展示，以达到更好的土地利用预测效果以及土地利用规划效果。为此，我们提出来一种基于FLUS模型的土地利用模拟方法解决上述问题。

发明内容

申请的目的在于提供一种基于FLUS模型的土地利用模拟方法，通过引入产业因子作为一项驱动因子实现改进现有的FLUS模型，从而使得各个土地覆盖类型改进的模型的模拟结果更高，更加接近实际值，且相较于现有的传统模型更加符合未来政策下的土地覆盖扩张需求，模拟结果的空间布局的精度更准确。

为了实现上述目的，本发明采用了如下技术方案：

一种基于FLUS模型的土地利用模拟方法，包括以下步骤：

S1、获取历史土地利用数据；

S2、获取包括产业因子在内的驱动因子；

S3、获取第一发展适宜性数据；

S4、获取第二发展适宜性数据；

S5、根据第二发展适宜数据，输出土地利用需求。

作为进一步的优选方案，所述S1包括：

S101、获取等间隔年份的历史土地利用数据，并对历史土地利用数据进行投影校正统一、矢量裁剪和重采样栅格对齐校正；

S102、建立土地利用数据分类标准，并结合数据特征对所述S101 中的历史土地利用数据进行分类编码处理，以用于根据特征提取使用。

作为进一步的优选方案，所述S2中所获取的驱动因子步骤主要包括：

S201、获取自然因子；

S202、获取社会因子；

S203、获取交通因子；

S204、获取产业因子；

作为进一步的优选方案，所述201中，选择的自然因子包括本质上决定土地利用类型的DEM数据、坡度和坡向数据，以及影响植被对水分和温度的需求进而导致土地覆盖变化的气候数据，且气候数据包括年均气温和降水数据。

作为进一步的优选方案，所述S202中，选择的社会因子包括人均GDP和人口密度数据。

作为进一步的优选方案，所述S203中，选择的交通因子包括水系、国道、公路、高速、县道、铁路距离数据。

作为进一步的优选方案，所述S204中，选择的产业因子包括碳汇项目的公司以及“”研究院所，且通过计算研究区栅格至规划产业平台的距离，并将此作为产业驱动因子引入模型。

作为进一步的优选方案，所述S3为，将历史土地利用数据与驱动因子输入至FLUS模型中，以获得第一发展适宜性数据。

作为进一步的优选方案，所述S4包括：

S401、获取自然植被的叶面积覆盖比例；

S402、基于自然植被的叶面积覆盖比例获得第二发展适宜性数据。

作为进一步的优选方案，所述S401为，通过获取自然数据，并输入至动态植被模型中，以获得自然植被的叶面积覆盖比例，且所述 S402为根据所得叶面积覆盖比例，通过预设的算法对所述第一发展适宜性数据进行加权计算，获得第二发展适宜性数据。

综上所述，本发明的技术效果和优点：

该基于FLUS模型的土地利用模拟方法，通过引入产业因子作为一项驱动因子改进了现有的FLUS模型，从而使得各个土地覆盖类型改进的模型的模拟结果更高，更加接近实际值。

该基于FLUS模型的土地利用模拟方法，从整体空间布局的模拟精度上来看，本发明的模型与现有传统模型之间进行对比，两个模型 Kappa系数均大于0.75，但本发明的改进型模型的Kappa系数和OA 值均大于现有的传统模型的值，因此，本发明的改进的模型在引入产业因子更加符合未来政策下的土地覆盖扩张需求，模拟结果的空间布局的精度更准确。

该基于FLUS模型的土地利用模拟方法，通过引入产业因子作为FLUS模型的驱动力因子，实现更加符合目前背景的模型改进，且模拟出来的结果均比现有的传统模型更加接近实际值，具有较高的可行性。

附图说明

图1为本发明的方法流程示意框图；

图2为本发明的方法中驱动因子的结构示意图

图3为本发明的实施例中2010年实际土地覆盖图；

图4为本发明的实施例中2020年实际土地覆盖图；

图5为本发明的实施例中采用现有的传统模型得到的模拟图；

图6为本发明的实施例中采用本申请的改进型模型得到的模拟图；

图7为本发明的实施例中研究区2020年土地利用模拟结果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：参照图1与图2，一种基于FLUS模型的土地利用模拟方法，主要包括以下步骤：

步骤一：获取历史土地利用数据，具体实施时，包括：

S101、获取等间隔年份的历史土地利用数据，并对历史土地利用数据进行投影校正统一、矢量裁剪和重采样栅格对齐校正；

S102、建立土地利用数据分类标准，并结合数据特征对所述S101 中的历史土地利用数据进行分类编码处理，以用于根据特征提取使用。

步骤二：获取包括产业因子在内的驱动因子，具体实施时，主要包括：

S201、获取自然因子：选择本质上决定土地利用类型的DEM数据、坡度和坡向数据，以及影响植被对水分和温度的需求进而导致土地覆盖变化的气候数据作为自然因子，且其中气候数据主要包括年均气温数据以及降水数据。

S202、获取社会因子：由于GDP(国内生产总值)影响固定资产投资的变化，从而带动各种土地利用类型的经济投资，且人口部门会导致其他部门的相应变化，也至关重要，因此，选择人均GDP和人口密度数据作为社会因子。

S203、获取交通因子：由于交通网络及水资源分布对土地利用影响十分显著，因此，选取到水系、国道、公路、高速、县道、铁路距离数据作为交通因子。

S204、获取产业因子：选取碳汇项目的公司和研究院所，并计算研究区栅格至规划产业平台的距离，并将此作为产业驱动因子引入模型。

步骤三：获取第一发展适宜性数据，具体实施时，将历史土地利用数据与驱动因子输入至FLUS模型中，获得第一发展适宜性数据，且第一发展适宜性数据包括：林地历史发展适宜性、草地历史发展适宜性和裸地历史发展适宜性。

步骤四：获取第二发展适宜性数据，具体实施时，包括：

S401、获取自然植被的叶面积覆盖比例。本实施例中，具体实施方法：通过获取自然数据，并输入至动态植被模型中，以获得自然植被的叶面积覆盖比例。

S402、基于自然植被的叶面积覆盖比例获得第二发展适宜性数据。本实施例中，具体实施方法：根据所得叶面积覆盖比例，通过预设的算法对所述第一发展适宜性数据进行加权计算，获得第二发展适宜性数据。

综上所述，具体的，根据预设的物理过程参数和预设的化学过程参数，输入至动态植被模型中，计算获得个体叶面积指数。并根据所述气候数据和所述自然背景数据，输入至动态植被模型中，获得生长速率和死亡速率，从而获得种群密度。同时，根据所述种群密度、所述个体叶面积指数以及冠层面积，计算获得不同植被功能类型的叶面积覆盖率FPC。

步骤五：根据上述获得的第二发展适宜数据，输出土地利用需求。具体实施时，根据所述第二发展适宜性数据，利用预设的转换规则，进行目标土地利用类型的迭代转换，以获得不同网格对应的土地利用类型，直到获得的土地利用类型的数量达到预设值后，停止迭代并输出未来土地利用需求。

综上所述，本发明通过引入产业因子作为一项驱动因子来对 FLUS模型进行了改进。具体的，根据图3、图4、图5与图6进行参照对比，在本实施例中，利用研究区域2010年的土地覆盖数据模拟 2020年的土地覆盖情况，在驱动因子选择上，分别引入带入产业驱动因子等14个驱动因子改进模型和不带产业驱动因子的13 个驱动因子的原模型进行模拟并对比模拟结果。

其中，上述原模型的ANN适宜性计算中均方根误差为0.205324，而改进模型的均方根误差为0.203282，比原模型均方根误差小了 0.2042个百分点。

配合图7，将原模型和改进模型模拟出来的结果同2020年实际土地覆盖类型的栅格数进行对比，可知各个土地覆盖类型改进的模型的模拟结果更高，更加接近实际值。其中，林地的模拟精度最高，与实际值的误差只有1.0616％。改进模型模拟绿色空间比原模型模拟误差减小了0.0421％，非绿色空间模拟误差缩小了0.1085％。

同时，从整体空间布局的模拟精度上来看，两个模型Kappa系数均大于0.75，添加产业因子改进的模型的kappa系数为0.86378， OA系数为0.915729，原模型的kappa系数为0.86344，OA系数为 0.915527，改进后的模型的Kappa系数和OA值均大于原模型的值。改进的模型引入产业因子更加符合未来政策下的土地覆盖扩张需求，模拟结果的空间布局的精度更准确。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。