面向土地资源特征学习的自适应深度计算模型研究

With the continuous development of urbanization, the contradiction between people and land has become increasingly prominent in China. So the effective protection and efficient use of land resources catch widespread attention. The methods that use the existing land related data to support land planning and decision making are considered to be a promising choice. However, the land resource data has the characteristics of multi-source, heterogeneous, real-time, massive, and safety, which make the existing single modal property analytic models inapplicable. For the complexity and variability of the factors that affecting the land resources, the direct use of the existing methods would result in low accuracy of analysis results. Aiming at the characteristics of land resource data and the shortcomings of the existing methods, this project propose to research on adaptive deep computation models for land resource feature learning. Specially, it includes following threefold: (1) For the multi-source and heterogeneous characteristics of land resource data, we construct high order auto-encoder model based on tensor unified representation, which approaches unsupervised learning to extract the multilayer feature of heterogeneous data. (2) In allusion to the real-time update characteristic of land resource data, we study on incremental deep computation models that could learn the dynamic features of land resource data. (3) According to the large scale and low security characteristics of land resource data, we research on privacy preserving deep computation model, which could enhance the velocity and security of data processing. By applying the proposed deep computation models, the rapid growth and dynamic change data of land resource is managed and processed efficiently. Moreover, we can fully analyze the massive land resource data, effectively extract the data features, and predict the factors of land development. As a result, the land planning, evaluation, classification and prediction can be supported significantly, thus to maximize the benefits of the use of land resources.

土地资源的有效保护与高效利用受到社会各界的广泛关注，分析土地相关数据，支撑土地规划决策，具有重要意义。然而，土地资源数据具有多源异构、实时、海量和安全等特点，现有单模态属性分析模型难以适应土地影响因素的复杂性与多变性，致使分析结果精度较低。本项目针对土地数据的特点和现有方法的不足，提出面向土地资源数据特征学习的自适应深度计算模型，具体包括：（1）针对土地资源数据多源异构特性，构建基于张量表示的高阶自动编码机模型，采用无监督的方式对异构数据的多层特征进行学习、提取；（2）针对土地资源数据实时更新与动态变化的特性，研究支持增量更新的深度计算模型，实时学习动态变化的土地特征；（3）针对土地资源数据规模巨大、安全性低的特点，研究云端安全深度计算模型，提升深度计算的实时性和数据处理的安全性。通过上述模型对快速增长与动态变化的土地资源数据进行充分分析与特征提取，实现土地的有效规划、评估、定级与预测。

土地数据包含丰富的土地特征信息，有效挖掘土地特征信息需要了解土地资源的数据特性。土地资源数据具有多源异构、实时、海量和安全等特点，异构多样化、地理分散、语义丰富等特征，这使得数据维度和复杂程度不断增加。土地资源的持续开发和应用环境的不断变化使得海量数据动态生长，土地资源数据容量达到TB级甚至PB级。与此同时，用户对不断更新的数据多样性特征和面向具体应用的数据变化需求日趋增加。因此，土地资源海量、广泛、多维数据的管理与特征信息计算面临着许多重大挑战。针对土地数据的上述特点和现有方法的不足，本项目提出面向土地资源数据特征学习的自适应深度计算模型。首先，针对海量土地资源数据的异构性特点，本课题设计基于张量异构数据统一表示的深度计算模型，将多模态异构土地数据进行统一表示，分析、挖掘异构数据间隐藏的关系，学习单模态及单结构数据不具有的异构数据深度特征；其次，针对土地资源数据实时更新特点与实时处理要求，本课题研究支持增量更新的大数据深度计算模型，对模型的参数与结构进行实时更新与优化，实时学习新数据的多层特征；再次，针对土地资源数据云端处理的安全保护要求，本课题研究支持隐私保护的云端安全深度计算模型，采用全同态加密方案匹配云端深度计算模型，实现大数据特征的高效学习与云计算环境下的数据安全保证；最后，构建基于Spark的分布式数据处理验证平台，调度、验证本研究提出的各模型，支撑广东省部分土地资源的规划决策。项目依托广东省三旧改造数据库中已入库的三旧改造数据和第二次全国土地调查数据、遥感影像数据，通过上述模型对快速增长与动态变化的土地资源数据进行充分分析与特征提取，实现土地的有效规划、评估、定级与预测，支撑土地科学规划决策，实现土地资源的有效保护与高效利用，达到土地资源利用的效益最大化。