将多时相卫星遥感图像叠加技术与GIS空间分析方法相结合,对研究防城港海岸线演变特征及预测海岸线变化趋势具有重要的现实意义。首先,对防城港2000年11月及2010年10月获取的2个时相TM图像进行预处理、海岸线特征信息提取及空间分析;然后...将多时相卫星遥感图像叠加技术与GIS空间分析方法相结合,对研究防城港海岸线演变特征及预测海岸线变化趋势具有重要的现实意义。首先,对防城港2000年11月及2010年10月获取的2个时相TM图像进行预处理、海岸线特征信息提取及空间分析;然后,根据相关控制因素及相应的邻居规则建立元胞自动机(cellular automa-ta,CA)模型,利用蒙特.卡罗方法(Monte Carlo method)结合控制因素进行判断,最终确定元胞的转化状态。通过2010年实际海岸线与预测海岸线的叠置分析得知,2010年预测海岸线的数量精度为83.65%,空间位置精度为93.45%,都在误差允许范围内,证明利用蒙特.卡罗CA模型预测海岸线的方法是可行的。最后,结合CA模型算法及Matlab仿真技术实现了对2020年防城港海岸线的预测。展开更多
利用长沙市中心城区2015—2019年PM_(2.5)质量浓度监测数据,结合SPSS多元线性逐步回归功能和Arc GIS空间分析功能,构建土地利用回归(Land Use Regression,LUR)模型模拟长沙市2020年PM_(2.5)质量浓度空间分布。各季节的LUR模型拟合效果...利用长沙市中心城区2015—2019年PM_(2.5)质量浓度监测数据,结合SPSS多元线性逐步回归功能和Arc GIS空间分析功能,构建土地利用回归(Land Use Regression,LUR)模型模拟长沙市2020年PM_(2.5)质量浓度空间分布。各季节的LUR模型拟合效果均较理想,模型的自变量可解释70%以上的PM_(2.5)质量浓度变化;在构建土地利用回归模型中,研究区内的耕草地和气温对PM_(2.5)质量浓度影响最大,餐饮和道路次之;利用构建的LUR模型对研究区PM_(2.5)质量浓度进行2020年空间尺度的预测模拟,在空间上整体则呈现出由城中心区域向四周逐渐降低的态势。展开更多
土地利用需求在不同发展目标定位下有所不同,科学合理调控土地利用变化是实现珠三角城市群土地资源高效利用、生态-发展-经济协调发展的重要基石。该文基于1990年、2000年、2010年和2020年4期珠三角城市群土地利用数据,利用Markov-FLUS(...土地利用需求在不同发展目标定位下有所不同,科学合理调控土地利用变化是实现珠三角城市群土地资源高效利用、生态-发展-经济协调发展的重要基石。该文基于1990年、2000年、2010年和2020年4期珠三角城市群土地利用数据,利用Markov-FLUS(Markov-future land use simulation)模型,基于自然发展情景、生态保护情景和发展优先情景3种情景,预测了2035年珠三角城市群土地利用的数量和空间变化,并比较了3种情景下土地利用变化的差异。在此基础上,对2035年土地利用进行模拟分析,以满足流域不同发展目标导向下的国土空间优化配置。研究结果表明:①珠三角城市群建设用地利用变化显著,1990—2020年,城市用地、基础设施用地和其他建设用地面积增加了4945.25 km^(2),增长了2.8倍。②在3种不同土地利用情景的模拟和预测下,城市土地面积在2035年之前将保持增长趋势,但在发展优先情景下其扩张速度将受到限制。在2种不同土地利用场景的模拟和预测下,到2035年,林地、草地和水域等生态用地面积将保持增长趋势。③1990—2020年,耕地面积减少了3759.5 km^(2)。在3种不同土地利用情景的模拟预测下,耕地面积将持续减少,但2020—2035年,减少趋势将放缓。在发展情景中,建设用地面积持续增加,耕地面积减少趋势得到一定遏制,草原和林地面积的减少更加严重。实验结果可为珠三角地区今后城市发展、规划、保护提出建议和对策。展开更多
The number of bamboo stem at different ages and the mean diameter at breast height(DBH)which are the important target in evaluating productivity of bamboo stand were investigated in 50 plots established in Jianou city...The number of bamboo stem at different ages and the mean diameter at breast height(DBH)which are the important target in evaluating productivity of bamboo stand were investigated in 50 plots established in Jianou city, Fujian Province in this paper, and the authors selected the method of artificial neural network to biuld the simulative and predictive model of mean DBH for bamboo stands. Artificial neural network is a good method in handling the overall nonlinear mapping problems between input variables and output ones, which has a wide application in many research fields, such as system simulating, automation controlling, paralleled data processing and so on. In this paper, the input variables were the number of different age and the total number of stand, the output variable was mean DBH for bamboo stands, the number of neurons of hide level( M ) was M=2L+1=3 according to the last document ( L is the number of factors of input level), and the network activity function is Sigmiod function as follows: F(x)=1/(1+e -x ). Using the built BP network, the samples were trained until E j(W 1 lm ,W 2 mn )=Nn=1(O nj -Y nj ) 2 =min, where O nj and Y nj are output values of network and really values of DBH for bamboo stands respectively, N is the number of trained samples, and E j is sum of square deviation of BP network. If E j didn’t converge, the weights and thresholds of BP network were adjusted as follow: ΔW ij (n+1)=βλ jX i+αΔW ij (n) and Δη j(n+1)=-βλ j+αΔη j(n) .. The results showed that the mean simulative accuracy and the mean predictive accuracy of mean D.B.H BP model for bamboo stands were all satisfactory, which were 89 95% and 89 26% respectively. Therefore, it provided a scientific basis for evaluating the productivity and realizing high yield for bamboo stands.展开更多
文摘将多时相卫星遥感图像叠加技术与GIS空间分析方法相结合,对研究防城港海岸线演变特征及预测海岸线变化趋势具有重要的现实意义。首先,对防城港2000年11月及2010年10月获取的2个时相TM图像进行预处理、海岸线特征信息提取及空间分析;然后,根据相关控制因素及相应的邻居规则建立元胞自动机(cellular automa-ta,CA)模型,利用蒙特.卡罗方法(Monte Carlo method)结合控制因素进行判断,最终确定元胞的转化状态。通过2010年实际海岸线与预测海岸线的叠置分析得知,2010年预测海岸线的数量精度为83.65%,空间位置精度为93.45%,都在误差允许范围内,证明利用蒙特.卡罗CA模型预测海岸线的方法是可行的。最后,结合CA模型算法及Matlab仿真技术实现了对2020年防城港海岸线的预测。
文摘利用长沙市中心城区2015—2019年PM_(2.5)质量浓度监测数据,结合SPSS多元线性逐步回归功能和Arc GIS空间分析功能,构建土地利用回归(Land Use Regression,LUR)模型模拟长沙市2020年PM_(2.5)质量浓度空间分布。各季节的LUR模型拟合效果均较理想,模型的自变量可解释70%以上的PM_(2.5)质量浓度变化;在构建土地利用回归模型中,研究区内的耕草地和气温对PM_(2.5)质量浓度影响最大,餐饮和道路次之;利用构建的LUR模型对研究区PM_(2.5)质量浓度进行2020年空间尺度的预测模拟,在空间上整体则呈现出由城中心区域向四周逐渐降低的态势。
文摘土地利用需求在不同发展目标定位下有所不同,科学合理调控土地利用变化是实现珠三角城市群土地资源高效利用、生态-发展-经济协调发展的重要基石。该文基于1990年、2000年、2010年和2020年4期珠三角城市群土地利用数据,利用Markov-FLUS(Markov-future land use simulation)模型,基于自然发展情景、生态保护情景和发展优先情景3种情景,预测了2035年珠三角城市群土地利用的数量和空间变化,并比较了3种情景下土地利用变化的差异。在此基础上,对2035年土地利用进行模拟分析,以满足流域不同发展目标导向下的国土空间优化配置。研究结果表明:①珠三角城市群建设用地利用变化显著,1990—2020年,城市用地、基础设施用地和其他建设用地面积增加了4945.25 km^(2),增长了2.8倍。②在3种不同土地利用情景的模拟和预测下,城市土地面积在2035年之前将保持增长趋势,但在发展优先情景下其扩张速度将受到限制。在2种不同土地利用场景的模拟和预测下,到2035年,林地、草地和水域等生态用地面积将保持增长趋势。③1990—2020年,耕地面积减少了3759.5 km^(2)。在3种不同土地利用情景的模拟预测下,耕地面积将持续减少,但2020—2035年,减少趋势将放缓。在发展情景中,建设用地面积持续增加,耕地面积减少趋势得到一定遏制,草原和林地面积的减少更加严重。实验结果可为珠三角地区今后城市发展、规划、保护提出建议和对策。
文摘The number of bamboo stem at different ages and the mean diameter at breast height(DBH)which are the important target in evaluating productivity of bamboo stand were investigated in 50 plots established in Jianou city, Fujian Province in this paper, and the authors selected the method of artificial neural network to biuld the simulative and predictive model of mean DBH for bamboo stands. Artificial neural network is a good method in handling the overall nonlinear mapping problems between input variables and output ones, which has a wide application in many research fields, such as system simulating, automation controlling, paralleled data processing and so on. In this paper, the input variables were the number of different age and the total number of stand, the output variable was mean DBH for bamboo stands, the number of neurons of hide level( M ) was M=2L+1=3 according to the last document ( L is the number of factors of input level), and the network activity function is Sigmiod function as follows: F(x)=1/(1+e -x ). Using the built BP network, the samples were trained until E j(W 1 lm ,W 2 mn )=Nn=1(O nj -Y nj ) 2 =min, where O nj and Y nj are output values of network and really values of DBH for bamboo stands respectively, N is the number of trained samples, and E j is sum of square deviation of BP network. If E j didn’t converge, the weights and thresholds of BP network were adjusted as follow: ΔW ij (n+1)=βλ jX i+αΔW ij (n) and Δη j(n+1)=-βλ j+αΔη j(n) .. The results showed that the mean simulative accuracy and the mean predictive accuracy of mean D.B.H BP model for bamboo stands were all satisfactory, which were 89 95% and 89 26% respectively. Therefore, it provided a scientific basis for evaluating the productivity and realizing high yield for bamboo stands.
