文摘
随着城市化的快速发展,土地利用率已成为关注的焦点。遥感技术可以提供大量数据的预测城市土地。这也是一个棘手的问题找到土地变化的复杂数据之间的相关性。神经网络技术具有明显的优势找到高维非线性数据之间的映射关系。本文结合了城市土地的动态变化和神经网络方法分析城市土地的利用率和覆盖范围。本文通过遥感技术获得的数据规范化和集群对不同类型的城市土地进行分类。卷积神经网络和long-short-term记忆神经网络用于提取城市土地利用时空动态特征。研究结果表明,本文中所使用的聚类方法可以合理地分类不同城市土地类型,尤其是建筑的分类。的方法预测未来土地利用的趋势,也符合土地利用的动态过程。最大的预测误差来自于建筑的预测,最大误差仅为2.56%,这是一个合理的误差范围。 The smallest error does not exceed 1%, and the correlation coefficient between the real and predicted values of urban land use types reaches 0.9698.
1。介绍
近年来,随着国家政策的发展,城市化进程的加速。然而,一个城市固有的土地面积不变,导致严重的问题,如交通拥堵,住房紧张,缺乏公共设施(1]。同时,土地覆盖率和土地利用率是随时间不断变化的。城市土地使用之间有很强的相关性和其他社会因素,如经济发展、社会政策等。很难完全依赖人力发展(2]。这需要强大的科技力量的支持。遥感技术可以提供大量的动态类型的城市土地利用数据,不仅包括土地利用时间信息,而且空间信息。这些数据包含大量的隐式信息。神经网络技术是善于发现非线性数据之间的关系3]。
传统土地数据采集方法有缺点,如长时间,可怜的时机,精度低,不能提供有用的信息数据实时或及时4]。土地的使用将发生重大的变化随着时间的推移,这需要技术,可以处理实时数据。土地对人类是非常重要的资源,甚至生物,它是人类生产的基础,发展和生存5]。土地利用的变化直接影响人类社会的进步和发展也有重要的对自然资源的开发和分布的影响。也为国家的发展有意义的把握和预测信息,如土地利用和及时报道6]。合理的城市土地利用分类中扮演一个重要的角色在城市基础设施规划,社会经济进步、自然灾害预防和危机管理(7]。然而,我们消耗大量人力和物理每10年城市土地集约利用进行调查。这种方法不仅耗时,而且很难分类数据和发现法(8]。根据大数据技术的快速发展和科学信息技术在当前的时代,寻找一个方法适合城市土地的高效分类是研究的一个关键问题。
随着人工智能技术和遥感技术的快速发展,已经取得了更大进展在城市土地利用的过程。陈等人。9]使用土地的模糊遥感数据集提取影响光谱特征和纹理特征进行数据预处理,然后利用支持向量机分类的特性集实现土地利用分类,精度和分类指数达到了很好的分类效果。Zhang et al。10)使用了SMC编码方法来提取特征和分类土地获得的图像数据从远程遥感技术,最后验证的准确性SMC的提取和分类编码测量土地的土地分类的准确性的影响。徐et al。11)充分利用推理应用程序的方法来研究这种方法的可行性在土地利用分类视角的土地图像特征提取,土地,和土地结构相似性基于全球视界2号卫星遥感图像数据带来的。裂缝的et al。12)相比,支持向量机的精度和最大似然机器在土地利用分类。数据来自陆地卫星遥感图像。他证明了支持向量机SVM具有较高的分类精度。Anugraha et al。13)结合土地遥感数据与人类社会第一次的感知行为,然后利用决策树和随机森林方法来评估土地利用分类的准确性。精度可以达到83%和86%。楚et al。14)提出了迭代自适应superpixel分割(LCPP-ISSS)技术对土地遥感数据分类,可以提供高分辨率的土地覆盖信息。与此同时,他还提出了一个土地覆盖分类方法与补丁的复杂性。LCPP-ISSS方法的准确性为10%高于条件随机域的方法。Zhang et al。15)提出了一个土地利用分类方法对多光谱遥感数据基于概率模型,并把它跟接合部方法研究土地利用分类方法的不确定性。这种方法增加了29.4%的准确性比传统的最大似然方法。Hashim et al。16)指出,监督学习方法有更高的精度和可行性比非监督学习方法在土地利用分类任务。与此同时,他利用最大似然法的准确性,支持向量机和神经网络方法的分类任务。这一结论指出,支持向量机方法具有更好的精度。Ekim et al。17)提出了一个土地遥感数据分类方法基于语义分割方法。使用深层神经网络技术在遥感数据分类、数据集可以来自多个类型的目标遥感数据源。的数据来源NWPU-RESISC45表明,该方法提高了土地利用分类的准确性。
遥感技术可以提供实时的土地变化动态与更高的分辨率和长途(18]。它使用神经网络技术进行分类在同一时期,不同类型的土地或土地类型进行分类在同一类别的不同时期,具有巨大的社会意义的高效综合利用土地(19]。在当前阶段,土地覆盖和土地利用的分类仍然是一个在遥感领域的研究热点。同样,合理分类基于遥感数据的土地利用环境监测的意义深远,分析城市空间利用和自然灾害的预测(20.]。一个合理、准确的土地利用和土地覆盖分类不仅是充分利用土地的基础但也有一个大的影响城市发展的总体规划21]。然而,遥感数据而言,存在问题等的高频细节,模糊边界,和有限的空间信息重建功能,使边界分类精度不高22]。在人工智能领域,卷积神经网络可以充分提取特征,和超限分辨技术可以重建丢失的信息,它提供了更大的技术支持土地利用遥感数据分类(23]。
这项研究是由5个部分组成的。第一部分介绍了土地利用和土地覆盖分类的发展和土地利用遥感数据分类的重要性。第二部分介绍了神经网络技术的意义的来源和构成土地利用分类和学习的数据集,第三部分介绍了分类方法和神经网络模型用于土地利用。第四部分主要分析了土地利用分类方法的精度和误差。同时,相关系数等统计参数用于定量分析的精度和泛化能力,神经网络技术在土地利用分类。第五部分是本文的总结部分。
2。人工智能的重要性在处理土地遥感数据
2.1。土地利用数据预测的重要性
虽然有大量的遥感数据的城市土地,遥感数据的分类是一项具有挑战性的任务(24]。由于遥感数据问题,如部分数据丢失,低分辨率,和不明显的边界,需要更高级的学习算法分类和预测未来土地利用趋势(25]。遥感数据包含复杂的数据,如住宅用地和荒地,和有一个特定的时间相关性,这给城市土地利用的分类带来困难(26]。遥感技术是一种远距离非接触,宽领域,实时检测方法。它可以实时收集土地利用时空数据,提供数据支持,神经网络技术在土地应用分类(27]。虽然有高纬度地区遥感数据之间和非线性特征,神经网络技术可以处理的关系。和当前的分类方法,如决策树、聚类,和随机森林技术,可以根据距离或密度(土地利用分类28]。相比之下,一个广阔的区域内,城市土地的使用更加复杂。实时分类和预测在政府决策也起着重要的作用。遥感技术可以提供空间数据,会随着时间而改变。更合理的如果这些数据可以用来发现土地利用之间的时间和空间关系(29日,30.]。城市土地包括住宅用地、工业用地和土地景观。这不仅是土地利用的空间分布密切相关但也有一个明显的与经济发展战略之间的关系。和一个城市的经济的发展密切相关,所以还有一个在城市土地利用时间相关。神经网络模型具有良好的性能在预测时间特征和空间特征(31日]。如果神经网络预测技术的时空特征的优点可以结合城市土地利用的遥感数据,城市土地类型将更准确的分类,它会有一个更好的预测性能为城市土地利用类型。因此,可以看出神经网络可靠的预测未来土地利用的趋势和对不同时间和不同土地类型进行分类。
2.2。数据集组成和收购
一个合理的数据集有一个重要的影响预测精度和泛化能力。神经网络技术是一种映射方法的输入和输出之间的特性关系(32]。如果遥感数据本身有大量缺陷,这将严重影响城市土地利用的分类。同时,选择也应归一化的数据特征。否则,神经网络的重量会更偏向大的特性,导致土地利用分类的泛化能力差。目前,土地利用各种数据信息,还有大量的不断更新实时数据,这有利于本文的研究。地理空间的云数据库具有丰富的实时数据。地球资源观测卫星8 OLI_TIRS卫星数字产品数据被选中来提取遥感数据。同时,为了更直观地说明了神经网络的精度和泛化能力提出了在本文中,选择北京作为本文的研究数据对象。数据图来自网址www gscloud cn。图1和图2显示一个原理图的卫星在海淀区,北京。它可以清楚地看到从图1土地类型在这个领域非常复杂,如湖泊、住宅用地、教育用地,工业用地,土地利用密度也不一致。北京地区人口密集,土地使用情况是复杂的,在这个地区和土地利用类型更新很快。如果这个模型能更好地预测土地利用趋势在这个领域,它具有更好的泛化能力对其他相对稀疏的土地,更有说服力。对于这样复杂的数据,有必要通过神经网络提取特征,如纹理提取神经网络可以需要的类型的数据并做好标记。
3所示。引入神经网络方法和流程
3.1。分类的方法
机器学习技术的发展,有许多先进的分类方法在这个阶段,如决策树,随机森林、集群、支持向量机等。这些分类方法可用于不同的分类对象根据不同的分类原则。最常用的分类方法在城市土地利用分类的支持向量机方法。对城市土地利用分类的问题,这种方法是找一个超平面分类不同类型的土地类型。超平面代表最好的准确性和最好的泛化能力。这一分类方法的可行性已经证明了在以前的文件。为了结合卷积神经网络的优点,本文采用聚类的方法对土地利用类型进行分类。聚类是一种分类基于距离或密度,也是使用最广泛的分类。k - means是一个距离,基于特征的分类方法是一个简单的和广泛适用的聚类方法。有很大的不同在不同的城市的土地利用。为了提高神经网络模型的泛化能力,k - means方法作为城市土地利用分类的任务。
3.2。卷积神经网络
卷积神经网络是一种特殊类别的BP神经网络。这也是主要由正向传播和反向传播两个过程。寻找最优权重的过程也是不断减少损失函数的过程。卷积神经网络的区别和全连接神经网络权重的共享阶段,减少了操作参数的数量,可以构建大规模的网络。全连接神经网络需要每两个权重之间的矩阵运算,这不仅增加的计算量也增加成本的消耗资源。因为数据的遥感技术是动态进行的,和它的覆盖面积大,包含的信息更为复杂。如果使用一个完全连接的神经网络,它将不可避免地导致大量的参数计算和在同一时间,会导致大量的浪费资源。对城市土地利用的预测,计算卷积神经网络可以提取有用的特性,减少了参数的数量。重量卷积神经网络做了处理共享,这是唯一的选择计算的权重矩阵,减少了参数的数量计算的神经网络,它允许网络层更深的发展。近年来,卷积神经网络等领域都取得了极大的成功特征提取和图像识别。 Figure3介绍了卷积神经网络的工作原理。输入的神经网络聚类后的土地利用类型和气象信息,这是一个时间序列包含时间信息。输入是下一阶段的土地利用类型。
卷积神经网络是一个监督学习方法。输入层首先经过卷积层、汇聚层,并激活函数的计算,然后是预测值与真实值的损失函数,最后,通过反向。传播方法最小化损失函数值;也就是说,它发现损失函数的梯度下降方向。感知器的基本过程方程所示(1),标志在哪里激活功能,重量,b是偏见。 在哪里是神经网络权重,b是神经网络的偏见。这个标志是激活函数。所示(2),它可以添加偏置参数 ,和激活的激励价值函数卷积的输出参数层。
所示(3),这个函数的函数重塑的形状吗一样的形状 ,以促进卷积操作。
所示(4),这个函数是和特征值。然后添加一个偏见根据激活输出函数。
所示(5),代表上述池层函数的导数(5)的卷积的内核,是吗是重量参数。
所示(6),(6)显示偏差参数的导数 ,这是一个参数矩阵的形式。
3.3。长时间运行和短时间记忆神经网络
通过前面的回顾,可以发现有一个时间相关的预测土地利用、和分布的变化也会影响城市土地利用和土地覆盖的变化。尽管卷积神经网络在空间特征提取等领域都取得了极大的成功,也有时间相关数据特性,如语音识别领域的。
时间之间的关系意味着过去时刻的特点影响,甚至会影响未来时刻的特点很长一段时间,这就需要某些特征的基因保存。长时间运行和短时间记忆循环神经网络取得了巨大的成功在处理问题的时间特征。随着城市土地使用的变化随着时间的推移,它的使用类型将会改变更快比农村土地或相对空旷地区,这是由经济政策和人口结构的变化等因素。因此,时间特征处理时应充分考虑城市土地利用和土地覆盖预测问题。多空记忆神经网络用于提取土地利用的时间特性,和它维护的时间特性,并有很强的相关性,这将进一步提高城市土地利用和土地覆盖预测的准确性。图4显示了操作过程的长期和短期记忆神经网络。遥感数据的时间序列特性首先通过LSTM的时间特征提取,然后通过CNN空间特征提取。
LSTM细胞状态的核心部分。它有能力添加或删除信息到细胞状态。这是一个门控制状态。一个门是一种控制方法,允许部分信息通过选择性。它由一个s形的函数和矩阵运算。忘记(所示的计算过程7),是忘记门的权重矩阵,的偏差矩阵忘记门。
输入的控制变量门也来自输入和输出。双曲正切非线性函数可实现输入1 - 1,见以下方程:
经过忘记门和记忆门得到当前时间变量,由以下公式,可以刷新变量所示(10),的特征值是廉价的时刻,是电流的特征值的时刻。的是信息保留的因素。
门的输出等于0时,输出关闭,LSTM的内存是完全切断,不能作为输出。当门的输出等于1,输出是完全开放,激活函数,重量,表示前一时刻状态值。
3.4。数据预处理和标准化
获得的数据通过遥感卫星地球资源观测卫星8 OLI_TIRS航空是一个三通道的影响。可以从北京地区的地图,它包含了复杂的特性,比如汽车,植被、湖泊、河流和建筑物。与此同时,建筑可以分为居民区和工业区。,Business district, etc. For neural networks, this is a remote sensing satellite data map with complex features. Compared with the classification of buildings, the characteristics of lakes and rivers are relatively obvious, which is easy to classify and distinguish. For the classification of buildings, a preprocessing process of data enhancement is required. This paper uses the model of the final connection for classification training, and all data features of different categories need to be classified. There are obvious magnitude differences between data with different characteristics, which requires data standardization processing, and the data is uniformly processed into input data conforming to the normal distribution, and the size value is between intervals [0,1]. The normalization method StandardScaler is used as the data normalization process in this article. The equation for normalization is shown as follows: 在哪里数据集的均值,是数据集的方差。
4所示。结果的分析和讨论
首先,它将分析聚类方法的可行性从城市土地利用类型分类的角度。图5显示了预测值和实际对比曲线在不同的时间。城市土地使用情况下,神经网络的预测价值是在良好的协议与真正的一个。土地利用误差相对较大的前两个月,但它也在可接受的范围之内的。这主要是由于错误引起的临时政策和样本分布不均匀造成的相对稀疏数据集在这部分。在接下来的两个月的城市土地利用预测误差相对较小,峰值变化和下行趋势有很好的一致性。预测的不同土地类型、不同的是明显的峰值和山谷的趋势。预计值更准确的土地类型与小湖泊和植被等动态变化。土地类型建筑物的相对贫穷的预测主要是由于政策的变化和经济发展的需要,以及相对较大的住宅和工业领域的动态变化。一般来说,更好的预测趋势的土地类型。图6显示了预测值和实际对比曲线在不同的时间。根据遥感数据地图和城市土地布局,有大梯度变化预测中央地区的住宅和商业领域。然而,在周围土地利用植被等领域和工业领域,预测的梯度差异很小。一般来说,虽然有不同的预测不同土地类型的错误,这些错误通常是在一个可接受的范围内。土地和建筑等大型动态变化类型,可以添加更多的功能来提高预测精度。
图7显示轮廓变化在不同地区的预测价值。同样,与较大的地形、山脉或植被动力学很穷,因此其预测精度较高。对于较低的住宅用地的地形,它的动力学影响经济活动和社会活动等综合因素,及其动力学相对强劲,因此其预测精度较低。误差随时间的波动比较明显,这也进一步证明了城市土地利用时间具有明显的特征。与前面的结论一致,错误的预测土地利用类型在前面几个月都相对较小。不过,随着时间的推移错误将继续增加。图8显示错误的比例偏离真实价值。可以看出错误基本上是分布式两岸的真正价值,和距离偏差很小,这表明,预测值和真实值已经达到一个很好的协议。
图9显示了在不同时期城市土地使用错误。一般来说,错误是在可接受的范围内,最大误差仅为2.56%,足够令人信服的城市土地利用的分类和预测。这个数字9反映了土地类型的变化趋势随着时间的推移在居民区。可以看出,前几个月的错误是相对较小,仅为1%左右。这可能是相对近期的发展时间间隔有关地方政府决策、经济发展和居民生活水平。然而,在后来的一段时间,土地类型在居民区的预测结果相对较差,误差超过1.5%。这是造成的累积误差的时间和强烈的动态变化在居民区的土地类型。住宅用地类型的预测精度可以提高通过训练数据集的这一部分单独或通过数据增强。图10显示了城市土地利用类型的线性相关系数图预测。它可以清楚地看到从图10预测值是在良好的协议与实际土地类型和数值点分布两岸的线性函数。甚至其线性相关系数达到了0.96,这表明,该神经网络模型具有良好的精度和可行性预测城市土地利用预测,这是一个令人信服的网络结构。图11显示了湖土地类型的预测,误差也相对较小。
5。研究的结论
随着城市化进程的不断深化,城市土地的使用已被证明是特别重要的。通过遥感技术获得的数据包含大量的非线性、高维数据,很难通过人工方法过程。神经网络技术可以更好地处理这些非线性数据和更好地预测城市土地利用的发展趋势。这也直接关系到居民的经济发展,自然灾害的预防,和社会的发展。遥感技术是一种实时、远程技术手段监控城市土地的动态变化。它可以提供大量的数据。如何合理使用遥感数据进行分类和预测城市土地利用和覆盖的关键是使用这些有价值的数据。
提出了一种时空使用遥感数据的方法来预测城市土地利用分类和预测。首先,使用聚类的方法对遥感数据进行分类,尤其是建筑的分类,这也是复杂的分类特征。然后使用卷积神经网络提取土地利用的空间特点,长期和短期记忆神经网络用于提取城市土地利用的动态进展,最后城市土地利用的未来趋势预测。土地类型具有明显特色如湖泊、河流、植被、分类和预测结果的准确性高,因为这些土地类型有一个相对较小的动态过程。虽然建设用地类型的分类和预测有很大的错误,最大误差仅为2.56%,这是一个可以接受的预测误差。这主要是由于相对较大的动态过程。最小的误差仅为0.942%,预测的小湖泊等土地类型和植被。从错误的角度来看,城市土地利用类型的分类和使用取得了很好的结果,这有很好的参考意义的决策功能部分。从的角度统计参数的线性相关系数,它们的值超过0.96,这是足够可靠的预测城市土地使用。聚类方法和时空预测神经网络模型提出了城市土地的动态使用有很高的信誉。
数据可用性
本文中使用的数据可以获得合理的请求。
的利益冲突
没有利益冲突的研究。
确认
本文得到了项目“土地利用研究沿习一个地铁3号线在托德的概念”陕西省教育部门(不:18 jk1121)在2018年。