基于综合多尺度特征决策树模型的土地利用变化分析

针对当前土地利用变化模型研究中较少考虑多尺度融合的问题,尝试构建综合空间多尺度特征的决策树模型(decision tree model,DTM),并与典型数据挖掘方法模拟效果进行对比。选取1995年、2000年和2005年的南京市土地利用现状为数据源,并以1995年和2000年两期数据为训练样本,以空间剖分的土地利用单位(9.5km2大小的格网单元)为模拟单元,构建综合模拟单元内部特征、邻域特征和全局特征的空间多尺度DTM,利用此模型对2000-2005年南京市土地利用变化进行模拟与分析,同时将该模型与朴素贝叶斯(naive Bayes,NB)、BP神经网络(back propagation neural network,BPNN)和支持向量机(support vector machine,SVM)模型进行模拟精度的对比。结果表明:DTM模拟精度为88.97%,高于NB、BPNN和SVM模型的模拟精度(分别为84.44%、87.13%和83.46%)。本文提出的综合多尺度特征的DTM具有与典型数据挖掘方法相类似或更好的精度,而且还具有运算效率高、可解释性强以及简单易扩展等突出特点,有利于LUCC模型的异地复用和决策支持。