CN120217062A 一种土地利用驱动模式挖掘方法及相关设备

(71)申请人深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心)地址518000广东省深圳市福田区香蜜湖街道红荔西路8007号土地房产交易大厦2楼申请人中南大学(72)发明人王达石岩汪晓龙李明辉阳致远岳琮翔(74)专利代理机构长沙轩荣专利代理有限公司专利代理师齐超(54)发明名称一种土地利用驱动模式挖掘方法及相关设备(57)摘要本发明提供了一种土地利用驱动模式挖掘方法及相关设备，对获取的研究区域的原始栅格数据进行处理，得到处理后的栅格数据；对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利步骤1,获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作步骤1,获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据步骤2,对原始栅格数据进行处理，得到处理后的栅格数据步骤3,对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征步骤4,将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到选代后的贝叶斯网络，分区结果根据选代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果2步骤1,获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据；步骤2,对所述原始栅格数据进行处理，得到处理后的栅格数据；步骤3,对处理后的栅格数据进行计算，得到所述研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；步骤4,将处理后的栅格数据、所述土地利用变化特征、所述邻域土地利用特征和所述土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用所述分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，所述分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出所述研究区域的最佳分区结构以及所述最佳分区结构中每个分区的贝叶斯网络作为所述研究区域的土地利用驱动模式挖掘结果。2.根据权利要求1所述的土地利用驱动模式挖掘方法，其特征在于，所述步骤2包括：对所述原始栅格数据中土地利用分类数据进行重采样，得到多个网格单元；按时空位置将所述原始栅格数据中的社会经济数据、自然数据和交通数据对齐到每个对每个网格单元中的社会经济数据、自然数据和交通数据进行离散化，得到离散化后的社会经济数据、自然数据和交通数据；将对齐后的网格单元和离散化后的社会经济数据、自然数据和交通数据作为处理后的栅格数据。3.根据权利要求2所述的土地利用驱动模式挖掘方法，其特征在于，所述步骤3包括：统计每个对齐后的网格单元中的土地利用分类众数作为所述研究区域的土地利用特利用所述土地利用特征计算多年份的土地利用特征变化向量，得到所述研究区域的土地利用变化特征；通过最近邻算法计算每个对齐后的网格单元的邻域，并统计每个邻域内土地利用特征的众数，得到所述研究区域中每个网格单元的邻域土地利用特征；将每个对齐后的网格单元中的土地利用分类数据转换为矢量数据后生成缓冲区，并对所述缓冲区进行重映射后赋值给每个对齐后的网格单元，得到所述研究区域的土地利用场景特征。4.根据权利要求3所述的土地利用驱动模式挖掘方法，其特征在于，在将处理后的栅格数据、所述土地利用变化特征、所述邻域土地利用特征和所述土地利用场景特征输入生成基于每个对齐后的网格单元，通过三角网建立初始空间邻接图，并对所述初始空间邻接图中的边进行随机赋值，生成用于表征无向图的权重矩阵，基于所述权重矩阵，得到空间邻接图；利用Kruskal算法在所述空间邻接图上生成初始最小生成树，所述初始最小生成树包括n-1条边，n表示对齐后的网格单元的数量。5.根据权利要求4所述的土地利用驱动模式挖掘方法，其特征在于，基于更新算子，利用所述分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，所述分区结果根3据迭代后的贝叶斯网络进行优化。6.根据权利要求5所述的土地利用驱动模式挖掘方法，其特征在于，所述更新算子包第一更新算子，用于随机在所述分区结果中选择一个分区分裂为两个子分区；第二更新算子，用于随机在所述分区结果中选择两个邻近分区合并为一个分区；第三更新算子，用于随机在所述分区结果中选择一个分区分裂为两个子分区，再选择两个邻近分区合并为一个分区；第四更新算子，用于对位于相同分区的边权重在0~1之间随机赋值，重新生成最小生成7.根据权利要求1所述的土地利用驱动模式挖掘方法，其特征在于，所述迭代终止条件包括：迭代次数达到预设总迭代次数；连续若干次迭代中不存在优于前一次迭代的分区结果和贝叶斯网络。获取模块，用于获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据；处理模块，用于对所述原始栅格数据进行处理，得到处理后的栅格数据；计算模块，用于对处理后的栅格数据进行计算，得到所述研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；迭代模块，用于将处理后的栅格数据、所述土地利用变化特征、所述邻域土地利用特征和所述土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用所述分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，所述分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出所述研究区域的最佳分区结构以及所述最佳分区结构中每个分区的贝叶斯网络作为所述研究区域的土地利用驱动模式挖掘结果。9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的土地利用驱动模式挖掘方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的土地利用驱动模式挖掘方法。4一种土地利用驱动模式挖掘方法及相关设备技术领域[0001]本发明涉及空间数据挖掘技术领域，特别涉及一种土地利用驱动模式挖掘方法及相关设备。背景技术[0002]随着城市化进程和社会经济的发展，土地利用驱动机制的精准识别已成为土地变化科学研究的重点和难点问题，土地利用变化是一个复杂的空间过程，受到自然环境、社会经济和政策制度等多方面因素的共同影响，其驱动机制在不同地区和不同时期存在显著差异，准确揭示土地利用变化的驱动机制，对于制定科学的国土空间规划、推动区域可持续发展具有重要的理论和实践意义。[0003]然而，土地利用驱动力的空间异质性问题使得全局建模方法难以精准捕捉局部变异特征，影响了土地利用变化预测的准确性和政策制定的有效性，为了应对土地利用驱动力空间异质性问题，目前主要有三类空间分区方法：基于空间聚类的分区方法、基于空间优化的分区方法以及基于网络的分区方法。[0004]基于空间聚类的分区方法主要包括K-Means聚类方法、层次聚类算法和基于密度的空间数据聚类算法(Density-BasedSpatialClusteringofApplicationswithNoise,DBSCAN)等，通过将具有相似属性特征的空间单元聚集为同一区域；这类方法计算效率高，但通常忽略空间连续性约束，导致同一类别区域在空间上呈现分散状态，难以直接应用于区域规划和管理实践。[0005]基于空间优化的分区方法主要包括空间聚类方法(AutomatedZoningProcedure,AZP)和基于动态约束的区域聚类算法(Regionalizationwithdynamicallyconstrainedagglomerativeclusteringandpartitioning,REDCAP),通过设定空间连续性约束，优化区域划分以最大化区内同质性；该类方法能够保持空间连续性，但在处理大规模数据时计算效率较低，且易陷入局部最优解，同时，固定参数的优化函数难以捕捉非线性变化特征，导致边界识别精度下降。[0006]基于网络的分区方法利用图论中的网络结构表示空间关系，通过网络剪枝或社区发现等方法实现空间分区。其中，广泛应用的网络分区方法包括最小生成树(MinimumSpanningTree,MST)和聚类算法(Spatial'K’lusterAnalysisbyTreeEdgeRemoval,SKATER),虽然通过构建MST并剪枝生成空间分区，实现了空间连续性与属性相似此在城乡过渡带等异质性显著区域，SKATER可能因固定树结构生成次优分区，无法捕捉复杂的驱动机制空间变异。(1)忽略了空间连续性且分区过于刚性；传统聚类方法如K-Means忽略空间邻近性方法保持了空间连续性，但分区结构过于刚性，受限于初始树结构，难以适应复杂地理环境5中的驱动机制空间变异，尤其在城乡过渡带等区域表现不佳；(2)不确定性量化机制缺失；土地利用驱动力分析中的不确定性是制定政策的关键考量因素，现有分区方法多关注确定性模式提取，缺乏有效的不确定性量化机制，回归模型假设变量间的线性关系和独立性，难以捕捉复杂的非线性交互作用，关联规则挖掘主要关注事件共现频率，无法表达因果关系和不确定性；(3)驱动力分析与分区过程的割裂；现有方法通常将空间分区与驱动力分析视为两个独立过程，首先基于某些预设准则进行空间分区，然后在各分区内分别进行驱动力分析，这种割裂导致分区结果可能无法最优地服务于驱动机制的挖掘，影响后续分析准确性。发明内容[0008]本发明提供了一种土地利用驱动模式挖掘方法及相关设备，其目的是为了实现土地利用驱动模式的精准挖掘。[0009]为了达到上述目的，本发明提供了一种土地利用驱动模式挖掘方法，包括：步骤1,获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据；步骤2,对原始栅格数据进行处理，得到处理后的栅格数据；步骤3,对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；步骤4,将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果。对原始栅格数据中土地利用分类数据进行重采样，得到多个网格单元；按时空位置将原始栅格数据中的社会经济数据、自然数据和交通数据对齐到每个对每个网格单元中的社会经济数据、自然数据和交通数据进行离散化，得到离散化后的社会经济数据、自然数据和交通数据；将对齐后的网格单元和离散化后的社会经济数据、自然数据和交通数据作为处理后的栅格数据。统计每个对齐后的网格单元中的土地利用分类众数作为研究区域的土地利用特利用土地利用特征计算多年份的土地利用特征变化向量，得到研究区域的土地利用变化特征；通过最近邻算法计算每个对齐后的网格单元的邻域，并统计每个邻域内土地利用特征的众数，得到研究区域中每个网格单元的邻域土地利用特征；将每个对齐后的网格单元中的土地利用分类数据转换为矢量数据后生成缓冲区，6并对缓冲区进行重映射后赋值给每个对齐后的网格单元，得到研究区域的土地利用场景特[0012]进一步来说，在将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区之前，还包括：基于每个对齐后的网格单元，通过三角网建立初始空间邻接图，并对初始空间邻接图中的边进行随机赋值，生成用于表征无向图的权重矩阵，基于权重矩阵，得到空间邻接利用Kruskal算法在空间邻接图上生成初始最小生成树，初始最小生成树包括n-1条边，n表示对齐后的网格单元的数量。[0013]进一步来说，基于更新算子，利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化。第一更新算子，用于随机在分区结果中选择一个分区分裂为两个子分区；第二更新算子，用于随机在分区结果中选择两个邻近分区合并为一个分区；第三更新算子，用于随机在分区结果中选择一个分区分裂为两个子分区，再选择两个邻近分区合并为一个分区；第四更新算子，用于对位于相同分区的边权重在0~1之间随机赋值，重新生成最小生成树。迭代次数达到预设总迭代次数；连续若干次迭代中不存在优于前一次迭代的分区结果和贝叶斯网络。[0016]本发明还提供了一种土地利用驱动模式挖掘装置，包括：获取模块，用于获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据；处理模块，用于对原始栅格数据进行处理，得到处理后的栅格数据；计算模块，用于对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；迭代模块，用于将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果。[0017]本发明还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现土地利用驱动模式挖掘方法。[0018]本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现土地利用驱动模式挖掘方法。[0019]本发明的上述方案有如下的有益效果：本发明对获取的研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据进行处理，得到处理后的栅格数据；对处理后的栅格数据进行计算，7得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果；与现有技术相比，本发明将最小生成树和贝叶斯网络进行结合，在最小生成树每次完成分区后，立即通过贝叶斯网络评估分区质量，并指导最小生成树对前一次分区进行优化，这种紧密耦合的设计可以实现对土地利用驱动模式的精准挖掘。[0020]本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。附图说明[0021]图1为本发明实施例的流程示意图；图2为本发明实施例中贝叶斯网络的结构示意图；图3为本发明实施例中土地利用驱动模式挖掘装置的结构示意图；图4为本发明实施例中终端设备的结构示意图。具体实施方式[0022]为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。而不能理解为指示或暗示相对重要性。[0024]此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。[0025]本发明针对现有的问题，提供了一种土地利用驱动模式挖掘方法及相关设备。[0026]如图1所示，本发明的实施例提供了一种土地利用驱步骤1,获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据；步骤2,对原始栅格数据进行处理，得到处理后的栅格数据；步骤3,对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；步骤4,将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果；在本发明实施例中，最佳分区结构可以包括城镇区域、农业区域、山区，每个分区的贝叶斯网络用于展示分区内土地利用变化的驱动机制。8[0027]在本发明实施例中，土地利用分类数据使用了现有的Landsat影像解译产品，形测绘使命(ShuttleRadarTopographyMission)获取的数据制作的数字高程模型(DigitalElevationModel),并统一重采样值300米分辨率；交通数据是利用OpenStreetMap的路网数据和百度地图的兴趣点(POI)数据，计算目标区域到市中心距离都生成了300米分辨率的原始栅格数据。按时空位置将原始栅格数据中的社会经济数据、自[0029]在本发明实施例中，将原始栅格数据中土地利用分类数据重采样为300米的网格其中，LUType₃00m表示重采样结果，LUType₃0m表示土地利用分类数据，其中，Gridi表示第i个对齐后的网格单元，(xi,yi9示第个对齐后的网格单元中的第j个特征值。[0031]具体来说，本发明实施例通过决策树对每个网格单元中的社会经济数据、自然数据和交通数据进行离散化，决策树使用信息增益作为分裂的指标，离散化过程如下：给定连续特征F和目标变量(如土地利用变化类型)Y,计算信息增益的表达式为：IG(Y,FT)=H(Y)-H(Y|FT);其中，IG表示信息增益，FT为以阈值T离散化后的特征，H(Y)为目标变量熵，基于最优分裂点T*,选择使信息增益最大的阈值：在选择最佳分裂点时，基于熵的减少量来评估分裂的效果，在每一步分裂时，都尝试最大化信息增益，以自动找到了将连续数据转化为离散区间的“最佳”阈值，从而完成了离散化过程。统计每个对齐后的网格单元中的土地利用分类众数作为研究区域的土地利用特利用土地利用特征计算多年份的土地利用特征变化向量，得到研究区域的土地利其中，LUType_changei表示第i个对齐后的网格单元中的土地利用变化特征，表示第个对齐后的网格单元在第m年时的土地利用特征；通过最近邻算法计算每个对齐后的网格单元的邻域，并统计每个邻域内土地利用特征的众数，得到研究区域中每个网格单元的邻域土地利用特征，表达式为：其中，NLUTypei表示第i个对齐后的网格单元的邻域土地利用特征；将每个对齐后的网格单元中的土地利用分类数据转换为矢量数据后生成缓冲区，并对缓冲区进行重映射后赋值给每个对齐后的网格单元，得到研究区域的土地利用场景特[0033]在本发明实施例中，对缓冲区进行重映射为特征1~3,分别表示耕地核心区、城镇[0034]具体来说，在将处理后的栅格数据、土地利用变化特利用场景特征输入生成的最小生成树进行分区之前，还包括：基于每个对齐后的网格单元，通过三角网建立初始空间邻接图，并对初始空间邻接图中的边进行随机赋值，生成用于表征无向图的权重矩阵，基于权重矩阵，得到空间邻接利用Kruskal算法在空间邻接图上生成初始最小生成树，初始最小生成树包括然后针对Graph中的边随机赋值0～1,生成用于表征无向图的权重矩阵最后利用Kruskal算法生成边数为_n-1的初始最小生成树_mst0,其Emsto={ei₁,eizi₂,…,ein-1n-算子的接受概率等于操作概率比×贝叶斯网络适应度比值新算子的接受概率等于操作概率比×贝叶斯网络适应度比值程中，不仅接受能够提升适应度得分(通常意味着Scorenew在评分意义上优于或等于时，接受概率为1(确定接受);当Scorenew劣于Scorecurrent时，接受概率为当前得分绝对值与新得分绝对值之比的T次方，此处使用绝对值是为了处理评分可能[0044]其中，影响接受概率计算的关键参数T(其作用类似于模拟退火算法中的温度),其基准值Tbase(或直接影响T计算的其他相关参数)会随迭代次数iteration逐渐降低，[0045]算子对应的操作选择概率根据当前分区数量动态调整：分区数量为1时，设置为Pops=V/sum(V);即向量V中的每个元素分别除以V中所有元素之和。[0046]需要说明的是，本发明实施例针对每个分区C的数据集Dc,利用贝叶斯网络训练BIC评分和动态规划的精确结构学习方法以及相应的参数学习，构建一个能够最佳拟合该分区数据的局部贝叶斯网络模型Bc。然后比较操作后的所有分区集合Cafter与操作前的分区集合Cbefore,得到整体适应度得分Score。[0047]适应度计算方式的核心部分是对应于单个分区C的贡献，基于以下公式计算得其中，表示分区C内节点i取值为k且父节点配置为j的样本数，分区的该项贡献(或更准确地，是包含了模型复杂度惩罚的完整局部评分，如model_ftscore)累加，并可能应度得分Score,该适应度得分本质上度量了在当前分区方案下，整个数据集通过一系列迭代次数达到预设总迭代次数；连续若干次迭代中不存在优于前一次迭代的分区结果和贝叶斯网络。[0049]本发明实施例利用某城市区域在2015-2020年的土地利用分类数据对所提供的方法进行说明：首先选择某城市区域范围内的原始栅格数据，原始栅格数据包括土地利用分类数据、社会经济数据、自然数据和交通数据，原始栅格数据中土地利用分类数据的分辨率为30将30米分辨率的土地利用分类数据按10×10窗口重采样为300米网格单元，并将原始栅格数据中的社会经济数据、自然数据和交通数据对齐到每个网格单元内，并删除异常网格单元；统计对齐后的栅格单元中土地利用分类数据的众数作为土地利用特征，并计算2015-2020年间的土地利用特征年度变化序列作为土地利用变化特征，通过K8最近邻算法计算每个对齐后的栅格单元的邻近单元，并统计邻域内土地利用特征的众数作为邻域土地将所有对齐后的栅格单元转换为矢量数据，生成200m的内部缓冲区，识别耕地核针对连续型的自然数据、交通数据(如海拔、坡度、距离等),应用基于决策树的离散化方法，使用信息增益作为分裂指标；例如，将海拔值离散化为低海拔区(0-200m)、中海拔区(200-500m)和高海拔区(>500m),针对已离散的类别型因子(如土地利用类型),保留其原有的类别编码；基于对齐后的网格单元，通过Delaunay三角网建立空间邻接图Graph,为图中边随机赋予0-1的权重，生成权重矩阵adj_wmatrix,利用Kruskal算法在Graph上生成初始最小生成树mst0,共包含n-1条边(n为网格单元数量),对研究区域内的15,241个网格单元，初始最小生成树包含15,240条边；基于初始分区数据，训练贝叶斯网络模型并计算BDeu得分，使用动态规划算法优化网络结构搜索，初始训练得到的贝叶斯网络显示了研究区域内的土地利用变化主要受国内生产总值、交通数据和邻域土地利用数据影响，初始贝叶斯网络的BDeu评分为-368,分区迭代优化；设置初始基准值Tinitial=0.9,衰减率r=0.0005,预设迭代次数为15,000次，在优化过程中，根据当前分区数量动态调整四种更新算子(Birth、Death、Change、Hyper)的选择概率，在5,217次迭代后得到最优分区结构，包含5个空间连续分区，贝叶斯网络的BDeu评分提升至-256,389.2,相比初始贝叶斯网络改善了30.5%;结果评估；最优分区结构包含多个空间连续分区，分别为土地利用变化主要受人口密度数据和国内生产总值影响的城镇用地区、土地利用变化主要受自然数据中的水域分布影响的平原农业区、土地利用变化主要受坡度和海拔限制明显的山区。各分区的贝叶斯网络结构如图2所示，清晰展示了不同区域内土地利用变化的驱动机制差异；为进一步优化分区结构的连接方式，根据现有分区边界约束，重新采样边权重，位于相同分区的边权重在0-0.5范围内随机赋值，位于不同分区的边权重在0.5-1范围内随机赋值，利用Kruskal算法生成新的最小生成树，新生成的树结构保持了原有分区边界不变，同时优化了分区内部的连接关系，提高了模型的解释性和可视化效果。[0050]本发明实施例对获取的研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据进行处理，得到处理后的栅格数据；对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果；与现有技术相比，本发明实施例将最小生成树和贝叶斯网络进行结合，在最小生成树每次完成分区后，立即通过贝叶斯网络评估分区质量，并指导最小生成树对前一次分区进行优化，这种紧密耦合的设计可以实现对土地利用驱动模式的精准挖掘。[0051]对应于上文实施例所述的土地利用驱动模式挖掘方法，如图3所示，本发明实施例还提供了一种土地利用驱动模式挖掘装置100,该土地利用驱动模式挖掘装置100包括：获取模块101,用于获取研究区域的土地利用分类数据、社会经济数据、自然数据和交通数据作为原始栅格数据；处理模块102,用于对原始栅格数据进行处理，得到处理后的栅格数据；计算模块103,用于对处理后的栅格数据进行计算，得到研究区域的土地利用变化特征、邻域土地利用特征和土地利用场景特征；迭代模块104,用于将处理后的栅格数据、土地利用变化特征、邻域土地利用特征和土地利用场景特征输入生成的最小生成树进行分区，得到分区结果，并利用分区结果对初始贝叶斯网络进行迭代，得到迭代后的贝叶斯网络，分区结果根据迭代后的贝叶斯网络进行优化，直至满足迭代终止条件，输出研究区域的最佳分区结构以及最佳分区结构中每个分区的贝叶斯网络作为研究区域的土地利用驱动模式挖掘结果。[0052]需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。[0053]所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统[0054]本发明实施例还提供了一种终端设备，如图4所示，该实施例的终端设备D10包括：至少一个处理器D100(图4中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现上述的土地利用驱动模式挖掘方法。技术人员可以理解，图4仅仅是终端设备D10的举例，并不构成对终端设备D10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入[0056]所称处理器D100可以是中央处理单元(CPU,CentralProcessingUnit),该处理用集成电路(ASIC,ApplicationSpecificIntegratedCircuit)、现成可编程门阵列(FPGA,Field-ProgrammableGateArray)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0057]所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC,Smart存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部