空间统计模型在土地利用与覆被变化模拟与预测中的应用——以Logistic-CA-Markov模型为例

近30年来,随着对地观测技术、资源调查与信息传输技术的增强,地里国情各领域积累了海量的空间数据。在时间序列内对海量空间数据处理分析,为环境变化预测、生态恢复重建、资源合理开发提供科学的数据参考。国家对土地资源普查监测频次逐年提高,以此来了解资源现状、以及变化情况。传统模型对数据处理分析存在一定限制。在此背景下,选取黑河上游山区作为实验区,构建Logistic-CA-Markov(LCM)模拟与预测模型,探讨其对实验区LUCC(land use and cover change)的模拟效果,以及预测未来30年实验区LUCC情况。结果表明,对时空数据的时间序列变化与空间维度演化,LCM模型具有较强的模拟能力。     

土地利用/土地覆盖变化情景模拟研究进展

土地利用/土地覆盖变化(Land-Use and Land-Cover Change,简称LUCC)是全球变化的重要组成部分,LUCC模拟模型是研究土地利用演变的重要方法.开展土地利用时空演变和预测模拟的研究,对合理规划土地利用,促进土地资源可持续发展具有重要意义.文中以LUCC为研究对象,综合近年来LUCC动态监测方面的相关研究,对各模型的应用及优缺点进行了详细论述,同时对LUCC的研究现状进行了总结,并对其发展趋势进行了展望.研究发现:1)LUCC预测模型由数量预测向空间预测、由单一模型向耦合模型发展;2)各模型有其优势及适用范围;3)多模型、多技术的综合应用是LUCC发展的必然趋势;4)LUCC模型缺乏对时间多尺度和长时间序列的研究;5)各系统之间的反馈关系以及"人类-环境"关系是LUCC的研究重点.     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有...     

空间线性组合模拟模型及其实证

空间分布的模拟精度与采用的模型密切相关.针对具有空间自相关时空数据的空间分布模拟问题,将时空数据看成为时间序列数据与横截面数据的组合,分别建立横截面数据一阶空间自回归[SAR(1)]模拟模型和克立格(Kriging)方法模拟模型,时间序列数据的遗传神经网络(GABP)模拟模型,在这些模型研究的基础上建立空间线性组合模拟(SLCS)模型.应用这些模型对2002年福建部分县市人均GDP水平空间变异进行实证模拟研究,结果表明空间线性组合模型模拟效果较好.     

基于CA-Markov模型的吉林省西部土地利用/覆被变化研究及预测

为探明吉林省西部土地资源利用的状况与问题,基于Globalland30数据集,运用GIS(geographic information system)分析2000年、2010年与2020年各地类的分布与变化,并运用CA-Markov模型,预测2030年土地格局的变化趋势,结果表明:近20年内,耕地是主要地类,面积占比最大并持续增加;草地面积占比第二;其他地类面积较小,分布相对集中.在2000—2010年间,研究区土地利用/覆被变化(land use/cover change,LUCC)总体比较稳定,裸地增加和草地减少是该时段LUCC的显著特征,其他地类面积变化不明显.在2010—2020年间,LUCC变得活跃,耕地增加与草地进一步减少是该时段LUCC的显著特征,人造地表面积继续保持增长,林地、草地与湿地面积进一步减少.根据预测,在2020—2030年间,吉林省西部生态状况改善,城镇将进一步扩张,耕地数量变化趋于稳定,空间变化依旧活跃.     

基于元胞自动机模型的城市空间变化模拟研究进展

元胞自动机(CA)是一种时间、空间、状态都离散,空间的相互作用及时间上的因果关系皆局部的网格动力学模型,其“自下而上”的研究思路,强大的复杂计算功能、固有的平行计算能力、高度动态以及具有空间概念等特征,使得它在模拟空间复杂系统的时空动态演变方面具有很强的能力.在城市空间动态变化的模拟研究方面,CA模型已应用到除非洲、南极洲的所有大洲的城市模拟研究当中.CA模型和G IS的集成,一方面增强G IS的空间模型运算及分析能力,另一方面,G IS提供的强大空间处理能力可以为CA模型准备数据和定义有效的元胞转换规则以及对模拟结果进行可视化.同时CA模型还可以与神经网络、主成分分析、遗传算法、模糊逻辑以及其他研究方法相结合,以增强其在城市空间变化模拟研究方面的能力.将CA与MAS技术相结合,建立一个能够模拟多个不同参与因子(自然系统)、不同决策者(人文系统)共同影响下的城市发展模型,以此来模拟与预测城市发展的真实状况,将是CA模型在城市空间变化模拟与预测研究中的未来发展趋势.     

基于空间马尔科夫模型对兴隆山自然保护区土地利用/覆盖变化趋势的研究

在模拟兴隆山自然保护区近20年来土地利用/覆盖变化(land use and land cover change,LUCC)的过程中,提出了按照驱动力差异将研究区划分成不同亚区后分别进行模拟的思路.首先将研究区划分成了4个亚区,并对分区的合理性进行了检验,然后采用空间马尔科夫模型预测了研究区的土地利用变化趋势.结果表明:1)对于山地景观,因为局部地形影响以及水热条件组合的不同,LUCC驱动力表现出较大差异,因此在进行山地LUCC预测时需要按照驱动力的差异将研究区划分成不同亚区后分别进行预测;2)4个亚区的演化趋势并不一致,说明在兴隆山自然保护区今后的保育过程中应该针对具体区域具体分析,对不同亚区采取不同的保护措施;3)研究区林地面积趋于减少,耕地面积趋于增加,因此,应严格执行保护区管理条例,加强林地管护.     

元胞自动机模型的尺度敏感性分析

以深圳市龙华镇为案例区,构建了土地利用/覆被变化的元胞自动机模型,从时间和空间两个方面定量研究了LUCC模型的尺度效应。通过改变模型输入数据的空间分辨率和模型模拟的时间长度,探讨了尺度对土地利用变化模型的影响。分别采用龙华镇1990年30,60,90,120,150,180,210和240 m空间分辨率的土地利用数据作...     

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测:经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值...     

高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。     

生态环境数据预测方法研究

大规模生态环境数据的处理和统计分析为环境保护和预测提供重要依据,其分析和预测方法成为数据处理的研究重点。在对海量生态环境数据的分类整理和综合处理基础上,基于时间序列的指数平滑法建立了一种动态二次指数生态环境数据预测模型。该模型针对生态环境的实时变化特征,利用二次指数平滑方法实现了静态参数的动态优化处理。以云南大理生态环境数据为样本,通过实验仿真测试和模型分析,结果验证了该模型的适用性和准确性。     

基于GM(1,1)与AR模型的轨道不平顺状态预测

反映轨道几何状态变化的轨道几何检测数据是一个随时间变化的时间序列,具有随机性特点.本文将经过普遍适应性改进的灰色GM(1,1)与随机线性AR模型相结合,研究轨道水平不平顺状态在点、单元区段范围随时间变化趋势,并对GM(1,1)预测的残差进行修正,从轨道水平的几何状态变化的随机数据序列中找寻变化规律.用得到的几何状态变化模型分别对轨道的短期、中长期状态进行预测分析,预测结果表明模型是有效的,满足预定精度的要求.     

非等间隔灰色预测模型的二次优化

为提高非等间隔序列数据的预测精度,采用一种新的加权方法对非等间隔序列数据进行处理,将其化为等间隔序列,在此基础之上使用初始条件的自适应性寻优函数对模型进行二次优化,得到最终的灰色预测模型.并用此模型对实测数据进行建模、分析和预测,计算残差平方和的平均数MSE的来比较该模型与其他模型的精度情况.研究结果表明:该模型在非等间隔数据处理中具有较好的预测精度.     

基于季节性时间序列模型的林业产值预测分析

【目的】针对林业产值预测,提出一种基于季节性时间序列的方法,为林业部门制定合理规划提供重要依据。【方法】对林业产值序列采用CH检验方法检验其平稳性,考虑序列的周期性和趋势性特点,建立基于季节性时间序列的林业产值预测模型,并与传统的GM(1,1)模型进行对比分析。【结果】与传统的GM(1,1)模型相比,季节性时间序列模型不仅可以预测以年度数据为单位的经济序列,而且可以预测以季度数据和月度数据为单位甚至是每日数据为单位的经济序列,且具有更高的预测精度。【结论】季节性时间序列模型可有效地预测林业产值的周期性和趋势性,且可大幅度提高预测精度,可用于林业部门对林业产值的预测和规划。     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂，时间序列数据中可能存在异常值和噪声的特点，提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段，对原始序列运用X12季节加法模型消除季节性的影响，采用LOF方法检测季节调整后序列的异常值，并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值，新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段，首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声，然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例，通过与ARIMA、LSSVM等模型比较，表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

基于云模型的时间序列预测

在日常生活中广泛存在着各种时间序列数据,发现时间序列知识、对时间序列进行预测正成为数据挖掘与知识发现的重要内容.首先提出了基于云模型的时间序列预测机制,该机制以云理论为知识表示的理论基础,提出了两种预测知识:准周期变化规律和当前趋势,并综合两种不同粒度的预测知识实现了时间序列的预测.然后着重于运用云模型进行知识表达、定量数值与定性知识的转换以及综合不同时间粒度的知识进行时间序列预测.     

土地利用/土地覆被变化模型方法分析

土地利用／土地覆被变化(LUCC)是研究全球变化问题中的一个热点，模型方法作为研究土地利用／土地覆被变化的重要方法之一．在区域土地利用变化规律总结上发挥了重要作用．本文对LUCC模型的发展趋势、模型构成和模型分类作了系统的介绍．并将当前广泛使用的模型从变化的程度、变化的方向和变化的空间形式分析等角度加以分析．最后指出了LUCC模型存在的问题，提出了相应的建议。     

基于ARIMA-Kalman滤波混合模型的网络负载预测方法

由于目前对网络负载预测的研究主要运用单一模型进行预测,忽略了其他因素对网络资源的内在作用,导致数据隐含信息丢失量大、预测结果不准确,故提出一种基于ARIMA-Kalman滤波混合模型预测方法.该方法首先利用ARIMA模型建立一个能反映负载时间序列数据变化规律的低阶模型,然后将Kalman滤波模型的预测方程与其结合,推导出其状态方程和测量方程,最后利用Kalman滤波的预测迭代方程对工作负载所需资源进行预测.实验结果表明,与单一的时间序列预测方法相比,该方法具有更高的预测精度,有效地提高了资源利用率和虚拟机资源的按需调度效率.     

Fea2Lab:基于多标记学习的特征到标签生成模型

传统多标记学习方法通常只考虑和示例相关联的单个特征向量以及无差别地预测全体标签,从而忽视了与示例相似的其他示例及隐含的标签属性,造成输入空间特征信息较少、标签属性被忽略和对大标记空间预测效果差等问题.为解决以上问题,文章转化传统多标记学习任务为多标记学习的序列到序列任务,并由此提出新的多标记学习标签生成神经网络模型(Fea2Lab模型):通过交错的顺序排列示例和相似示例形成链式特征向量序列,来增加输入空间特征信息;通过挖掘标签属性来有差别地预测标签;通过在解码流程中使用全局标签信息,来缓解预测过程中出现的错误标签级联问题.在多个数据集上的实验结果和消融实验表明转化任务和Fea2Lab模型的合理性、可行性及有效性.     

中国民用汽车拥有量时间序列动态模型研究

本研究以中国民用汽车拥有量54年年度数据为研究材料,通过计算机模拟对比,筛选出直线方程、指数函数曲线方程、幂函数曲线方程3类6种时间序列最优动态模型。从利用其中两种模型对未来3年预测结果看,最近时间段动态模型优于总时间序列动态模型,预测时间外延年份越长误差越大而精度越低。