傳統(tǒng)土地利用變化預(yù)測方法通常效率低,無法滿足土地利用變化大數(shù)據(jù)分析和處理的需求。采用MapReduce編程模型對元胞自動機(jī)-馬爾可夫模型進(jìn)行并行化擴(kuò)展,設(shè)計(jì)了基于Hadoop的土地利用變化預(yù)測方法（land-use change prediction method based on cloud computing,Cloud-CMLP）,并選取杭州市進(jìn)行實(shí)驗(yàn),包括:①不同數(shù)據(jù)量下Cloud-CMLP核心算法的運(yùn)行效率實(shí)驗(yàn);②利用Cloud-CMLP方法模擬杭州2013年土地利用變化,并將模擬結(jié)果與2013年遙感影像解譯結(jié)果進(jìn)行對比分析,驗(yàn)證了預(yù)測方法的正確性;③杭州2020年的土地利用變化模擬預(yù)測分析,研究區(qū)中心地帶受發(fā)達(dá)交通系統(tǒng)影響,建設(shè)用地面積整體呈快速上升趨勢,且主要來源于農(nóng)業(yè)用地的轉(zhuǎn)換。 

【文章來源】：武漢大學(xué)學(xué)報(信息科學(xué)版). 2020,45(07)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

基于MapReduce的CA‐Markov并行算法

從實(shí)驗(yàn)結(jié)果可知，Cloud-Markov相對串行Markov模型加速比為3.27時增長趨向于平穩(wěn)，為3.43時達(dá)到最高，Cloud-CELUC相對于串行CELUC為1.77時增長趨向于平穩(wěn)，為1.86時達(dá)到最高。圖3 Cloud‐Markov與串行Markov加速比

Cloud‐Markov與串行Markov加速比

【參考文獻(xiàn)】：
期刊論文
[1]云環(huán)境下海量空間矢量數(shù)據(jù)并行劃分算法[J]. 姚曉闖,楊建宇,李林,葉思菁,鄖文聚,朱德海.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2018(07)
[2]GPU-CA模型及大尺度土地利用變化模擬[J]. 李丹,黎夏,劉小平,陳逸敏,李少英,劉凱,喬紀(jì)綱,鄭奕鐘,張亦漢,勞春華.  科學(xué)通報. 2012(11)
[3]全球環(huán)境變化研究的核心領(lǐng)域──土地利用／土地覆被變化的國際研究動向[J]. 李秀彬.  地理學(xué)報. 1996(06)
[4]多準(zhǔn)則評價方法的評價[J]. 吳翼平.  決策與決策支持系統(tǒng). 1994(01)



本文編號：3464546