基于ca和sar的海岸帶土地利用變化模擬方法
【專利摘要】本發(fā)明涉及一種基于CA和SAR的海岸帶土地利用變化模擬方法，包括以下步驟：1)對土地利用初始年份和結束年份進行遙感分類，基于矢量地圖數(shù)據(jù)和衛(wèi)星遙感影像獲得影響土地利用轉化的各空間變量因子數(shù)據(jù)；2)獲取土地利用初始年份狀態(tài)值、結束年份狀態(tài)值以及各因子樣本數(shù)據(jù)；3)對有效樣本點建立CA規(guī)則轉換，產(chǎn)生空間變量影響下土地的轉化概率圖；4)建立基于SAR的地理SARCA模型；5)利用已建立的SARCA模型進行土地利用變化的模擬和預測，并輸出土地利用變化的模擬結果；6)對SARCA分別從規(guī)則擬合精度及模擬結果兩方面進行模擬精度的評定；7)輸出并保存模擬結果。與現(xiàn)有技術相比，本發(fā)明具有模擬效果好等優(yōu)點。
【專利說明】
基于CA和SAR的海岸帶±地利用變化模擬方法
技術領域
[0001] 本發(fā)明設及一種海岸帶±地利用變化模擬方法，尤其是設及一種基于CA(元胞自 動機)與SAR(空間自回歸）的海岸帶±地利用變化模擬方法。
【背景技術】
[0002] 對±地利用變化模擬的方法一般如下：
[0003] 元胞自動機(CA)是一種能夠"自下而上"自動演化的模型，常用于模擬地理復雜系 統(tǒng)及其動態(tài)演變過程，在城市擴展和±地利用變化領域尤其受到重視。國內(nèi)外文獻從轉換 規(guī)則、元胞鄰域、尺度影響、模型評價、案例應用、精度評定等多角度進行研究。元胞下一時 刻的狀態(tài)由轉換規(guī)則決定的，因此轉換規(guī)則是CA建模的核屯、和難點、地理系統(tǒng)模擬科學問 題之所在，該規(guī)則直接決定了 CA模型的特征并影響其模擬性能。
[0004] 目前有很多方法可W用來獲取轉換規(guī)則，簡單地歸納為兩類：顯性規(guī)則和隱性規(guī) 貝1J。顯性規(guī)則指的是CA參數(shù)可W類比為空間變量的權重或規(guī)則具有明確的物理意義，通過 運些權重能夠清晰了解每一個變量對±地利用變化的貢獻，Logistic回歸是其典型代表； 隱性規(guī)則指的是構建CA規(guī)則的參數(shù)沒有明確的物理意義，神經(jīng)網(wǎng)絡是其典型代表。除了 Logi St i C回歸，顯性規(guī)則還包括主成分分析、偏最小二乘回歸、核方法、粗集、模糊集和案例 推理等，也包括全局最優(yōu)化方法，如遺傳算法、粒子群算法和模擬退火算法等。除了神經(jīng)網(wǎng) 絡，隱性規(guī)則還包括蟻群智能、免疫智能、支持向量機、系統(tǒng)動力學、CA-Markov等。國內(nèi)外文 獻中設及的CA模型遠不止上述所列，運些模型各有其優(yōu)勢與適用性，成功地應用在國內(nèi)外 不同區(qū)域，實質性地推動了 CA理論與應用的發(fā)展。
[0005] 空間實體之間存在空間自相關特性，±地利用與城市格局也不例外。地理學第一 定律表明，相鄰的地理實體有較高的相似性，距離較遠的實體相似性較小。運意味著±地利 用在空間上可能存在聚類簇，在運些聚類簇內(nèi)±地利用與空間變量之間的關系是高度相似 的。因此，構建CA模型時如果考慮空間自相關因素，所建立的模型則能很好地體現(xiàn)相關性及 距離因素的影響?？臻g自回歸(Spatial AutoRegression,SAR)是一種考慮空間自相關特性 的統(tǒng)計學方法，在±地利用變化分析中已經(jīng)得到應用，將其用于CA規(guī)則的獲取能夠使建立 的模型融合空間自相關特性。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種模擬效果好的 基于CA和SAR的海岸帶±地利用變化模擬方法，采用的影響因素主要為空間距離變量，且采 用的空間自回歸的地理CA模型SARCA的模擬效果優(yōu)于傳統(tǒng)的LogCA模型，且能較好的完成對 海岸帶±地利用變化的模擬。
[0007] 本發(fā)明的目的可W通過W下技術方案來實現(xiàn)：
[000引一種基于CA和SAR的海岸帶±地利用變化模擬方法，包括W下步驟：
[0009] 1)對±地利用初始年份和結束年份進行遙感分類，基于矢量地圖數(shù)據(jù)和衛(wèi)星遙感 影像獲得影響±地利用轉化的各空間變量因子數(shù)據(jù)；
[0010] 2)通過采樣獲取研究區(qū)域有效樣本點，獲取±地利用初始年份狀態(tài)值、結束年份 狀態(tài)值W及各因子樣本數(shù)據(jù)；
[0011] 3)根據(jù)步驟1)和2)的數(shù)據(jù)對有效樣本點建立CA規(guī)則轉換，產(chǎn)生空間變量影響下± 地的轉化概率圖；
[001 ^ 4)利用已建立的轉換規(guī)則，建立基于SAR的地理SARCA模型；
[0013] 5)利用已建立的SARCA模型進行±地利用變化的模擬和預測，并輸出±地利用變 化的模擬結果；
[0014] 6)對SARCA分別從規(guī)則擬合精度及模擬結果兩方面進行模擬精度的評定；
[0015] 7)輸出并保存模擬結果。
[0016] 所述的步驟1)具體為：
[0017] 11)利用兩期遙感圖像，基于馬氏距離監(jiān)督分類方法獲取初始年份和結束年份的 遙感分類±地利用圖；
[0018] 12)選取影響±地利用變化的空間變量因子，包括到市中屯、、區(qū)中屯、、主干道、農(nóng)用 地、中環(huán)線、外環(huán)線的距離；
[0019] 13)通過遙感圖像數(shù)據(jù)、行政區(qū)劃圖、道路交通圖在ArcGIS中利用歐幾里德距離獲 取到市中屯、、區(qū)中屯、、主干道、農(nóng)用地、中環(huán)線、外環(huán)線距離的變量。
[0020] 所述的步驟2)具體為：
[0021] 14)設定采樣分辨率，對±地利用圖、因子圖層進行采樣，通過ArcGIS生成Fishnet 采樣點，獲取上地利用初始年份狀態(tài)值、結束年份狀態(tài)值W及各因子樣本數(shù)據(jù)，為CA規(guī)則轉 換提供可靠數(shù)據(jù)。
[0022] 所述的步驟3)具體為；
[0023] 15)利用空間自回歸方法SAR，對獲取的有效采樣點數(shù)據(jù)W及空間變量因子數(shù)據(jù)訓 練CA轉換規(guī)則；
[0024] 16)利用已建立的CA轉換規(guī)則，在30m空間分辨率下獲取空間變量影響下的±地轉 化概率Pdi分布。
[0025] 所述的獲取±地轉化概率數(shù)據(jù)方法如下：
[00%]假定y表示元胞狀態(tài)是否轉變，從時間t到t+1元胞狀態(tài)從非城市Non-urban轉變?yōu)?城市Urban, y記為1;從時間巧ljt+1元胞狀態(tài)未發(fā)生改變，則y記為0。利用獲取的空間變量數(shù) 據(jù)進行±地轉化概率的測算。
[0027]所述的步驟4)具體為；
[002引17)基于步驟16)的數(shù)據(jù)建立基于SAR的地理CA模型：
[0029] 任意元胞i在時刻t+1的狀態(tài)由其在時刻t的狀態(tài)和元胞鄰域決定，則非城市Non- urban 元胞轉化為城市化 ban 元胞的全局概率表達為Pgi, t ， 可表達為：
[0030] Pgi't = PdiXPw'tXConXR (1)
[0031] 式中，Pdi是由空間變量決定的±地利用轉化概率，PNi,t是半徑為N的鄰域影響，Con 是限制因素，R是隨機因素；
[0032] 對于鄰域影響的評估，CA模型采用正方形或圓形的規(guī)則鄰域，mXm的Moore鄰域表 達為：
[0033]
(2)
[0034] 式中，中屯、元胞巧參與計算，Sfxm 口,',t=化帕n)表示mxm鄰域范圍內(nèi)城市元胞的 總數(shù)，選取Moore 5 X 5作為元胞鄰域；
[0035] 限制因素Con表示元胞受到某種限制而不能發(fā)展并轉化為城市元胞，運種限制包 括大面積水體、基本農(nóng)田、生態(tài)保護區(qū)、W及公園和綠地，Con表達為：
[0036] Con = Bin(celli(t)~available) (3)
[0037] 式中，Con取值0或1，0表示該元胞不可W發(fā)展為城市元胞，1表示可W發(fā)展為城市 元胞；
[0038] 隨機因素R用于模擬不確定因素導致的元胞狀態(tài)轉變，某元胞在附近沒有城市元 胞的狀態(tài)下通過隨機因素提高發(fā)展概率，從非城市狀態(tài)轉化為城市狀態(tài)；隨機因素R表達 為：
[0039] R=i+(lnr)a (4)
[0040] 式中，r是0到1之間的隨機數(shù)，a是隨機因素R的控制參數(shù)，取值是0和10之間的整 數(shù)；
[0041] 由空間變量決定的轉化概率Pdt是轉換規(guī)則的核屯、部分，代表了運些因素對±地利 用的影響，并通過概率的方式影響到下一時刻的元胞狀態(tài)，概率Pdt表達為：
[00創(chuàng)
巧)
[0043] 式中，Zi是空間變量對±地利用轉變的影響，Z述過logistic回歸獲取，Z康達為：
[0044]
巧）
[0045] 式中，曰日是常數(shù)，aj是CA轉換規(guī)則的參數(shù)，亦即空間變量Xj的權重，其中j = 1， 2，...，k;
[0046] 如果利用空間自回歸(SAR)去獲取CA參數(shù)，則Zi表達為：
[0047]
(7)
[004引式中，W是Zi的標準化空間權重矩陣，P是空間滯后Wzi的參數(shù)，X= (Xi，..，Xk)是向 量形式的空間變量，e是空間變量X的參數(shù)向量，即空間變量的權重向量，其意義等同于式 (6)中的a八哺In分別是殘差項e的方差和空間自相關系數(shù);基于空間鄰接關系定義空間權 重W，具體地采用1階Q鄰接(如een Contiguity)權重矩陣；
[0049] 通過式(7)得到式（1)等式右側的4項，即可測算元胞i的全局轉化概率Pgi,t;在實 際計算中，logistic回歸用R語言(RGu i)實現(xiàn)，SAR則用GeoDa實現(xiàn)。
[0050] 計算得到元胞全局轉換概率Pgi,之后，與設定的闊值Pthd(其值在0~1之間）進行 比較，W確定元胞i在下一時刻的狀態(tài)是否發(fā)生轉變，當元胞i的轉換概率Pgi,t大于設定闊 值Pthd時轉化為城市類型，否則元胞保持狀態(tài)不變：
[0化 1 ]
(8)
[0化2]
[0053] 所述的步驟5)具體為；
[0054] 18)采用GeoDa實現(xiàn)SAR，選用某年的±地利用格局為初始狀態(tài)利用SARCA模型運行 M次(初始與結束的年份差)得到±地利用變化的模擬及預測結果；
[0055] 19)將基于兩種模型模擬W及預測的±地利用變化結果輸出。
[0056] 所述的步驟6)具體為；
[0057] 20)對SARCA模型模擬的±地利用結果分別從規(guī)則擬合精度及模擬結果兩方面進 行模擬精度的評定；
[0058] 首先通過與遙感分類的±地利用格局進行比較，對模擬結果進行精度計算，主要 指標有總體精度（Overall Accuracy)、Ka卵a系數(shù)和景觀指數(shù)(Xandscape Mehics)等。將 總體精度分解為城市化it)和非城市（Correct Rejection)兩類、將錯誤分解為忽略性 (Mi SS或Omi ssion)和替代性(化Ise或Commi SS ion)兩類，利用化ntius方法將錯誤同時分解 為數(shù)量錯誤(如antity化ror)和位置錯誤(Allocation Error)。忽略性錯誤指的是實際為 城市但模擬為非城市，即CA模型未能捕捉到的城市元胞;替代性錯誤指的是實際為非城市 但模擬為城市，即CA模型錯誤地增加的城市元胞；
[0059] 將模擬結果與遙感分類結果進行疊加，疊加結果包含5類:實際和模擬均為城市 化it)、實際為非城市模擬為城市(False)、實際為城市模擬為非城市(Miss)、實際和模擬均 為非城市(CR)、W及水體(Water)。根據(jù)目視判別顯示，SARCA模型的模擬結果與實際分類結 果的差異。
[0060] 與現(xiàn)有技術相比，本發(fā)明能夠利用空間變量因子數(shù)據(jù)W及CA規(guī)則轉換建立SARCA 模型對±地利用變化進行模擬結果預測，同時為檢測SARCA模型的性能，利用Logistic回歸 建立CA模型化OgCA)并模擬同時期±地利用變化，在規(guī)則擬合精度及模擬結果兩方面與 SARCA模型進行比較。CA規(guī)則的擬合結果表明，SAR在AIC、殘差的描述性統(tǒng)計量和空間自相 關指標等方面均優(yōu)于Logistic回歸。因此SARCA模型在模擬W及預測±地利用變化結果方 面具有較高的合理性。
【附圖說明】
[0061] 圖1為本發(fā)明的流程圖；
[0062] 圖2為實施例案例研究區(qū)域圖；
[0063] 圖3為空間變量決定的±地利用轉化概率Pdi示意圖；
[0064] 圖4為LogCA和SARCA兩種模型下2015年的預測結果示意圖。
【具體實施方式】
[0065] 下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例是本發(fā)明的一部分實施例，而不是全部實施例?；诒景l(fā) 明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實 施例，都應屬于本發(fā)明保護的范圍。
[0066] W2005-2015年間上海城市±地利用為案例區(qū)域，本案例區(qū)域位置如圖2所示。為 驗證SARCA模型在±地利用變化模擬上的有效性，案例中將基于Logi St ic回歸的CA模型 化OgCA)作為比較對象，也模擬了上海市同期城市±地利用變化過程，結果表明SARCA的模 擬效果優(yōu)于傳統(tǒng)LogCA模型。基于元胞自動機與空間自回歸的海岸帶±地利用變化模擬模 型方法，包括W下步驟：
[0067] 1)首先選擇上海市2005、2015年的遙感圖像數(shù)據(jù)，W及行政區(qū)劃圖、道路交通圖， 作為訓練CA規(guī)則轉換W及獲取±地轉變概率的基礎數(shù)據(jù)；
[0068] 2)根據(jù)遙感圖像數(shù)據(jù)利用系統(tǒng)抽樣方法對每Ikm2網(wǎng)絡抽取一個點，獲取各空間變 量的值、±地利用初始年份和結束年份狀態(tài)值，上海全域共獲有6701個有效樣本點；
[0069] 3)利用各年遙感圖像W及行政區(qū)劃圖層、道路交通圖層、然后利用空間分析工具 中的歐幾里德距離化UClidean Distance)計算出各區(qū)域到市中屯、、到區(qū)中屯、、到主干道路、 到農(nóng)用地、到中環(huán)線W及到外環(huán)線的距離數(shù)據(jù)；
[0070] 4)在ENVI軟件中利用監(jiān)督分類中的最大似然分類法，對上海遙感圖像進行監(jiān)督分 類從而對±地利用格局進行解譯；
[0071] 5)利用系統(tǒng)抽樣方法得到的有效樣本點W及各空間變量值，在實際計算中，用R語 言進行Logistic回歸的實現(xiàn)，用GeoDa來實現(xiàn)SAR分別獲取±地轉變概率。表1顯示了兩種模 型的擬合優(yōu)度，表明SARCA模型更好，表2顯示了兩種模型下的轉換規(guī)則參數(shù)，圖3顯示了兩 種模型下的±地轉變；
[0072] 6)利用獲取的±地轉變概率W及CA轉換規(guī)則建立基于SAR的地理CA模型和LogCA 模型；
[0073] 7)^2005年狀態(tài)為初始值分別利用SARCA模型W及LogCA模型運行10次進行從而 預測2015年±地利用變化；
[0074] 8)將模擬預測后的±地利用變化值在ArcGIS中加載，得到2015年圖4的±地利用 變化圖，同時模擬結果的精度顯示SARCA顯著優(yōu)于傳統(tǒng)LogCA模型；
[0075] 9)輸出并保存可視化的結果。
[0076] 表1 CA轉換規(guī)則獲取的擬合效果
[0080] 表3 2015年兩種模型的預測精度
[0077]
[007引
[0079]
[0081]
[0082] W上所述，僅為本發(fā)明的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何 熟悉本技術領域的技術人員在本發(fā)明掲露的技術范圍內(nèi)，可輕易想到各種等效的修改或替 換，運些修改或替換都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應W權利 要求的保護范圍為準。
【主權項】
1. 一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在于，包括以下步驟： 1) 對土地利用初始年份和結束年份進行遙感分類，基于矢量地圖數(shù)據(jù)和衛(wèi)星遙感影像 獲得影響土地利用轉化的各空間變量因子數(shù)據(jù)； 2) 通過采樣獲取研究區(qū)域有效樣本點，獲取土地利用初始年份狀態(tài)值、結束年份狀態(tài) 值以及各因子樣本數(shù)據(jù)； 3) 根據(jù)步驟1)和2)的數(shù)據(jù)對有效樣本點建立CA規(guī)則轉換，產(chǎn)生空間變量影響下土地的 轉化概率圖； 4) 利用已建立的轉換規(guī)則，建立基于SAR的地理SARCA模型； 5) 利用已建立的SARCA模型進行土地利用變化的模擬和預測，并輸出土地利用變化的 模擬結果； 6) 對SARCA分別從規(guī)則擬合精度及模擬結果兩方面進行模擬精度的評定； 7) 輸出并保存模擬結果。2. 根據(jù)權利要求1所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的步驟1)具體為： 11) 利用兩期遙感圖像，基于馬氏距離監(jiān)督分類方法獲取初始年份和結束年份的遙感 分類土地利用圖； 12) 選取影響土地利用變化的空間變量因子，包括到市中心、區(qū)中心、主干道、農(nóng)用地、 中環(huán)線、外環(huán)線的距離； 13) 通過遙感圖像數(shù)據(jù)、行政區(qū)劃圖、道路交通圖在ArcGIS中利用歐幾里德距離獲取到 市中心、區(qū)中心、主干道、農(nóng)用地、中環(huán)線、外環(huán)線距離的變量。3. 根據(jù)權利要求2所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的步驟2)具體為： 14) 設定采樣分辨率，對土地利用圖、因子圖層進行采樣，獲取土地利用初始年份狀態(tài) 值、結束年份狀態(tài)值以及各因子樣本數(shù)據(jù)，為CA規(guī)則轉換提供可靠數(shù)據(jù)。4. 根據(jù)權利要求3所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的步驟3)具體為； 15) 利用空間自回歸方法SAR，對獲取的有效采樣點數(shù)據(jù)以及空間變量因子數(shù)據(jù)訓練CA 轉換規(guī)則； 16) 利用已建立的CA轉換規(guī)則，在30m空間分辨率下獲取空間變量影響下的土地轉化概 率Pdi分布。5. 根據(jù)權利要求4所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的獲取土地轉化概率數(shù)據(jù)方法如下： 假定y表示元胞狀態(tài)是否轉變，從時間t到t+Ι元胞狀態(tài)從非城市Non-urban轉變?yōu)槌鞘?Urban，y記為1;從時間t到t+Ι元胞狀態(tài)未發(fā)生改變，則y記為0。利用獲取的空間變量數(shù)據(jù)進 行土地轉化概率的測算。6. 根據(jù)權利要求4所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的步驟4)具體為； 17) 基于步驟16)的數(shù)據(jù)建立基于SAR的地理CA模型： 任意元胞i在時刻t+Ι的狀態(tài)由其在時刻t的狀態(tài)和元胞鄰域決定，則非城市Non-urban 元胞轉化為城市Urban元胞的全局概率表達為Pgl, t，可表達為： Pgi, t = Pdi X Pni, t X Con X R (1) 式中，Pd1是由空間變量決定的土地利用轉化概率，PNl,t是半徑為N的鄰域影響，Con是限 制因素，R是隨機因素； 對于鄰域影響的評估，C A模型采用正方形或圓形的規(guī)則鄰域，m X m的M ο 〇 r e鄰域表達 為：(2)式中，中心元胞i不參與計算， I示mXm鄰域范圍內(nèi)城市元胞的總 數(shù)，選取Moore 5 X 5作為元胞鄰域； 限制因素 Con表示元胞受到某種限制而不能發(fā)展并轉化為城市元胞，這種限制包括大 面積水體、基本農(nóng)田、生態(tài)保護區(qū)、以及公園和綠地，Con表達為： Con = Bin(celli⑴~available) (3) 式中，Con取值0或1，0表示該元胞不可以發(fā)展為城市元胞，1表示可以發(fā)展為城市元胞； 隨機因素 R用于模擬不確定因素導致的元胞狀態(tài)轉變，某元胞在附近沒有城市元胞的 狀態(tài)下通過隨機因素提高發(fā)展概率，從非城市狀態(tài)轉化為城市狀態(tài);隨機因素 R表達為： R=l+(lnr)a (4) 式中，r是0到1之間的隨機數(shù)，α是隨機因素 R的控制參數(shù)，取值是0和10之間的整數(shù)； 由空間變量決定的轉化概率Pdt是轉換規(guī)則的核心部分，代表了這些因素對土地利用的 影響，并通過概率的方式影響到下一時刻的元胞狀態(tài)，概率Pdt表達為：CS) 式中，Z i是空間變量對十地利用轉變的影響，Z i通過logistic回歸獲取，Z i表達為：(6) 式中，aQ是常數(shù)，aj是CA轉換規(guī)則的參數(shù)，亦即空間變量Xj的權重，其中j = l，2, ...，k; 如果利用空間自回歸（SAR)去獲取CA參數(shù)，則zi表達為：(7) 式中，W是Zi的標準化空間權重矩陣，P是空間滯后Wzi的參數(shù)，X=(xi，...，xk)是向量形 式的空間變量，β是空間變量X的參數(shù)向量，即空間變量的權重向量，其意義等同于式(6)中 的^，〇 2和In分別是殘差項ε的方差和空間自相關系數(shù);基于空間鄰接關系定義空間權重W; 通過式(7)得到式(1)等式右側的4項，即可測算元胞i的全局轉化概率Pgl,t; 計算得到元胞全局轉換概率Pgl, t之后，與設定的閾值Pthd進行比較，以確定元胞i在下一 時刻的狀態(tài)是否發(fā)生轉變，當元胞i的轉換概率Pgl,t大于設定閾值Pthd時轉化為城市類型， 否則元胞保持狀態(tài)不變： (8) ,7. 根據(jù)權利要求6所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的步驟5)具體為； 18) 采用GeoDa實現(xiàn)SAR，選用某年的土地利用格局為初始狀態(tài)利用SARCA模型運行M次 得到土地利用變化的模擬及預測結果； 19) 將基于兩種模型模擬以及預測的土地利用變化結果輸出。8. 根據(jù)權利要求7所述的一種基于CA和SAR的海岸帶土地利用變化模擬方法，其特征在 于，所述的步驟6)具體為； 20) 對SARCA模型模擬的土地利用結果分別從規(guī)則擬合精度及模擬結果兩方面進行模 擬精度的評定； 首先通過與遙感分類的土地利用格局進行比較，對模擬結果進行精度計算，指標包括 總體精度Overall Accuracy、Kappa系數(shù)和景觀指數(shù)Landscape Metrics; 將總體精度分解為城市Hit和非城市Correct Rejection兩類、將錯誤分解為忽略性和 替代性兩類，利用Pontius方法將錯誤同時分解為數(shù)量錯誤和位置錯誤;其中忽略性錯誤指 的是實際為城市但模擬為非城市，即CA模型未能捕捉到的城市元胞;替代性錯誤指的是實 際為非城市但模擬為城市，即CA模型錯誤地增加的城市元胞； 將模擬結果與遙感分類結果進行疊加，疊加結果包含5類:實際和模擬均為城市、實際 為非城市模擬為城市、實際為城市模擬為非城市、實際和模擬均為非城市、以及水體;根據(jù) 目視判別顯示，SARCA模型的模擬結果與實際分類結果的差異。
【文檔編號】G06F17/50GK106021751SQ201610356499
【公開日】2016年10月12日
【申請日】2016年5月26日
【發(fā)明人】馮永玖, 楊倩倩
【申請人】上海海洋大學