CN107798357A - 一种基于knn的村庄用地复垦规划模拟方法 - Google Patents
一种基于knn的村庄用地复垦规划模拟方法 Download PDFInfo
- Publication number
- CN107798357A CN107798357A CN201711211756.0A CN201711211756A CN107798357A CN 107798357 A CN107798357 A CN 107798357A CN 201711211756 A CN201711211756 A CN 201711211756A CN 107798357 A CN107798357 A CN 107798357A
- Authority
- CN
- China
- Prior art keywords
- village
- land used
- knn
- reclamation
- reclamation planning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000011002 quantification Methods 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 12
- 230000003139 buffering effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000013467 fragmentation Methods 0.000 claims description 3
- 238000006062 fragmentation reaction Methods 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 230000009977 dual effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 206010068052 Mosaicism Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于KNN的村庄用地复垦规划模拟方法，步骤包括：获取待复垦规划研究区的村庄用地信息；建立研究区村庄用地的空间和属性数据库；对复垦规划相关环境变量进行量化并存储；对村庄用地的属性数据进行量化处理；通过对各相关因素进行迭代训练确定knn分类模型；使用knn分类模型对待规划村庄用地分类。本方法在自然、人文双重环境下，估计影响村庄复垦的各因素因子的不同权重，使用非参数的knn模拟，预测判断结果更合理科学。
Description
技术领域
本发明涉及一种基于KNN（k-Nearest Neighbor algorithm，K最邻近结点算法）的村庄用地复垦规划模拟方法，属于土地利用规划领域。
背景技术
村庄用地复垦，就是将低效、闲置村庄用地复垦成为耕地，以增加耕地面积。随着改革开放发展的不断深入，农村经济的迅速发展，农民生活水平的日益提高，农民对住房的要求也越来越高。在改善广大农民居住条件的同时，一方面是大量良田被占，耕地的日益减少；另一方面是大量旧宅基地被废弃，造成土地资源的浪费。因此，开展农村荒旧宅基地的复垦工作，特别是在当前耕地面积减少、粮食供需紧张的情势下，对于我国这个人地关系紧张的国家有着十分重要的意义。
一直以来,土地适宜性复垦规划方法是土地资源利用规划与调整的重要内容。它不仅是生态重建土地利用结构优化的有效技术向导,也是土地资源空间规划合理布局的理论支撑。目前的土地复垦规划方法主要可概括为基于决策者和基于计算机辅助两类。一方面基于决策者决策的方法具有一定的主观性,另一方面基于计算机辅助的评价方法对土壤类型等数据要求严格。因此针对土壤缺乏详细信息的情况,适宜性评价方法中过多的主观性因素的影响一直成为困扰决策者的难题。考虑到村庄生态重建的土地适宜性复垦规划是一个多层次、多目标的系统性问题,而且每个系统与因素之间的界限存在着不确定性和模糊性。
为达到充分协同各目标与各层次之间的联系，优化模型计算过程及降低决策者决策难度的目的，本发明旨在提供一种基于KNN（k-Nearest Neighbor algorithm，K最邻近结点算法）的村庄用地复垦规划方法,以实测数据为分析依据的土地复垦适宜性规划方法。
发明内容
本发明要解决的技术问题是：克服现有技术的上述不足，提供一种基于KNN的村庄用地复垦规划模拟方法。
为了解决以上技术问题，本发明提供的一种基于KNN的村庄用地复垦规划模拟方法，包括以下步骤：
步骤1. 获取研究区域最近时段村庄用地的复垦规划案例与现阶段待规划村庄用地信息；所述复垦规划案例中村庄用地的复垦规划结果为用地拆迁和用地保留；
步骤2. 获取村庄用地的分布数据，记录并存储村庄用地的空间数据和属性数据，并建立数据库；空间数据是指村庄空地的地理位置数据；属性数据包括村庄的面积；
步骤3. 步骤3. 依据对村庄用地的影响程度选定数个环境变量，并对环境变量进行量化处理，并以栅格图层形式存储入所述数据库中；所述环境变量包括自然因子和人为因子，自然因子包括：地形地貌变量、地表类型变量、气候变量；人为因子包括人文指标、生态指标、社会因素指标、政治因素指标和公众意愿指标；
步骤4. 对村庄用地进行空间邻域计算，获得村庄至主要公路的距离、村庄至主要河流的距离、村庄至城镇距离、村庄至其他村庄距离，对本步骤获取的数据加入村庄的属性数据中，并对村庄的属性数据进行量化处理后以栅格图层形式存储入所述数据库中；
步骤5. 根据对复垦规划结果影响程度设置各相关因素的权重，以复垦规划的结果作为类标号，使用knn分类算法对复垦规划案例的各相关因素进行迭代训练，获得最佳的k值，从而确定knn分类模型，所述相关因素是指村庄的属性数据和环境变量；
步骤6. 使用已确定的knn分类模型对待待规划村庄进行分类，得到基于knn的分类结果。
本发明还具有以下进一步的特征：
1、所述地形地貌变量包括：海拔、坡度、坡向、破碎度；所述地表类型变量包括：土地利用类型、植被、生态区类型、土壤类型；所述气候变量包括：年均温、年总降水、温度的季节变化、降水的季节变化、最低温、最高温、1月的最低温、1月的均温、1月的总降水、7月的最高温、7月的均温、7月的总降水。
2、所述人文指标包括：所在区域初级生产力、地区生产总值(GDP)、人口密度、道路密度、乡镇密度；所述生态指标：植被覆盖指数、河流密度。
3、步骤4中，通过空间分析还获取村庄50米缓冲区内的耕地面积、村庄200米缓冲区内的耕地面积、村庄50米缓冲区内的建设用地面积和村庄200米缓冲区内的建设用地面积，一同加入村庄的属性数据中。
3、步骤5中，使用-1和1分别表示保留和拆迁两种规划结果。
4、步骤5中，将复垦规划案例划分为两组，样本数量较多的一组用于模型训练，另一组用于建模精度进行评价，调整复垦规划案例的分组，将精度最高的分类模型所对应k值作为最佳的k值。
本发明有益效果如下：利用对多元因素因子间线性关系-knn模型，来解决拟合过程中村庄复垦用地的各影响因子之间的交互作用，实现不同自然、人文背景环境下规划村庄用地的复垦、保留这两类的科学、合理、快速判别，得以提高规划成果的科学性，提高工作效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明方法流程图。
具体实施方式
下面根据附图详细说明本发明，本发明的目的和效果将变得更加明显。
如图1所示，为本实施例基于KNN的村庄用地复垦规划模拟方法流程图。具体包括以下步骤：
步骤1.获取研究区域村庄用地最近一段时间的村庄用地的复垦规划案例与现阶段待规划村庄用地信息。首先应确立研究区域，研究区应包括已做出复垦规划和待复垦规划的两类村庄用地。其中具体的复垦规划即为用地拆迁或用地保留，已做出复垦规划的村庄是指用地拆迁与用地保留这两种村庄。本步骤中调研并搜集整理研究区内不同种类村庄用地信息，按需求目的确定最近时段的时间尺度（一般5年内或10年内）。
步骤2.获取村庄用地的分布数据，建立相应数据库，记录并存储村庄用地的空间和属性数据。前期获取数据的方式涉及实地调研与遥感监测方法，建立数据库的主要步骤在ArcGIS软件中完成，具体为对村庄用地各项指标数据进行数字化，并建立数据库将空间和属性等数据存储完善，方便后续步骤的操作处理。
步骤3. 确定并获取相关环境变量，对环境变量进行量化处理，在数据库中以栅格图层形式存储。原则是对村庄用地影响程度比较可观的因素选入为环境变量。所述环境变量中自然因子进一步包括地形地貌变量、土地类型变量、气候变量等，具体说明如下：
地形地貌变量：海拔、坡度、坡向、破碎度；
地表类型变量：土地利用类型、植被、生态区类型、土壤类型；
气候变量：年均温、年总降水、温度的季节变化、降水的季节变化、最低温、最高温、1月的最低温、1月的均温、1月的总降水、7月的最高温、7月的均温、7月的总降水。
所述人为因子包括人文指标、生态指标等，具体说明如下：
人文指标：所在区域初级生产力、地区生产总值(GDP)、人口密度、道路密度、乡镇密度；
生态指标：植被覆盖指数、河流密度。
此步骤主要操作部分同步骤2类似，在ArcGIS软件中完成，将关系复垦规划的环境变量量化后，以栅格图层形式与步骤2中的村庄用地空间和属性数据一并存储在村庄数据库中。
此外，人为因子还包括社会因素指标、政治因素指标和公众意愿指标。
社会因素指标包括：包括社会制度因素指标，社会群体因素指标，社会交往因素指标，道德规范因素指标，国家法律因素指标，社会舆论因素指标，以及风俗习惯因素。
政治因素指标包括政局因素指标和政策因素指标。
公众意愿指标是指公众对复垦规划意愿的强烈程度，可通过对强烈程度进行分级，然后用数值来进行表示。
上述各指标对复垦规划影响程度进行分级量化后进行处理。
步骤4.基于村庄用地的空间与属性数据以及环境变量，计算并获得复垦规划需考虑的因素对应指标的数值。主要涉及在ArcGIS软件中对各项数据进行空间分析和运算。利用软件进行空间运算，对村庄用地进行空间邻域计算，获得村庄至主要公路的距离、村庄至主要河流的距离、村庄至城镇距离、村庄至其他村庄距离、村庄50米缓冲区内的耕地面积、村庄200米缓冲区内的耕地面积、村庄50米缓冲区内的建设用地面积和村庄200米缓冲区内的建设用地面积，作为复垦规划的依据。对本步骤获取的数据加入村庄的属性数据中，并对村庄的属性数据进行量化处理后以栅格图层形式存储入所述数据库中。
步骤5. 根据对复垦规划结果影响程度设置各相关因素的权重，以复垦规划的结果作为类标号(使用-1和1分别表示保留和拆迁两种规划结果)，使用knn分类算法对复垦规划案例的各相关因素进行迭代训练，获得最佳的k值，从而确定knn分类模型，所述相关因素是指村庄的属性数据和环境变量。
本步骤中，将复垦规划案例划分为两组，样本数量较多的一组用于模型训练，另一组用于建模精度进行评价，调整复垦规划案例的分组，将精度最高的分类模型所对应k值作为最佳的k值。
步骤6. 使用已确定的knn分类模型对待待规划村庄进行分类，得到基于knn的分类结果。
除上述实施例外，本发明还可以有其他实施方式。凡采用分割对象中心点聚类等形式的耕地信息提取技术方案，均落在本发明要求的保护范围。
Claims (6)
1.一种基于KNN的村庄用地复垦规划模拟方法，包括以下步骤：
步骤1. 获取研究区域最近时段村庄用地的复垦规划案例与现阶段待规划村庄用地信息；所述复垦规划案例中村庄用地的复垦规划结果为用地拆迁和用地保留；
步骤2. 获取村庄用地的分布数据，记录并存储村庄用地的空间数据和属性数据，并建立数据库；空间数据是指村庄空地的地理位置数据；属性数据包括村庄的面积；
步骤3. 依据对村庄用地的影响程度选定数个环境变量，并对环境变量进行量化处理，并以栅格图层形式存储入所述数据库中；所述环境变量包括自然因子和人为因子，自然因子包括：地形地貌变量、地表类型变量、气候变量；人为因子包括人文指标、生态指标、社会因素指标、政治因素指标和公众意愿指标；
步骤4. 对村庄用地进行空间邻域计算，获得村庄至主要公路的距离、村庄至主要河流的距离、村庄至城镇距离、村庄至其他村庄距离，对本步骤获取的数据加入村庄的属性数据中，并对村庄的属性数据进行量化处理后以栅格图层形式存储入所述数据库中；
步骤5. 根据对复垦规划结果影响程度设置各相关因素的权重，以复垦规划的结果作为类标号，使用knn分类算法对复垦规划案例的各相关因素进行迭代训练，获得最佳的k值，从而确定knn分类模型，所述相关因素是指村庄的属性数据和环境变量；
步骤6. 使用已确定的knn分类模型对待待规划村庄进行分类，得到基于knn的分类结果。
2.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：所述地形地貌变量包括：海拔、坡度、坡向、破碎度；所述地表类型变量包括：土地利用类型、植被、生态区类型、土壤类型；所述气候变量包括：年均温、年总降水、温度的季节变化、降水的季节变化、最低温、最高温、1月的最低温、1月的均温、1月的总降水、7月的最高温、7月的均温、7月的总降水。
3.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：所述人文指标包括：所在区域初级生产力、地区生产总值、人口密度、道路密度、乡镇密度；所述生态指标：植被覆盖指数、河流密度。
4.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：步骤4中，通过空间分析还获取村庄50米缓冲区内的耕地面积、村庄200米缓冲区内的耕地面积、村庄50米缓冲区内的建设用地面积和村庄200米缓冲区内的建设用地面积，一同加入村庄的属性数据中。
5.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：步骤5中，使用-1和1分别表示保留和拆迁两种规划结果。
6.根据权利要求1所述的基于KNN的村庄用地复垦规划模拟方法，其特征在于：步骤5中，将复垦规划案例划分为两组，样本数量较多的一组用于模型训练，另一组用于建模精度进行评价，调整复垦规划案例的分组，将精度最高的分类模型所对应k值作为最佳的k值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711211756.0A CN107798357A (zh) | 2017-11-28 | 2017-11-28 | 一种基于knn的村庄用地复垦规划模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711211756.0A CN107798357A (zh) | 2017-11-28 | 2017-11-28 | 一种基于knn的村庄用地复垦规划模拟方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107798357A true CN107798357A (zh) | 2018-03-13 |
Family
ID=61536850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711211756.0A Pending CN107798357A (zh) | 2017-11-28 | 2017-11-28 | 一种基于knn的村庄用地复垦规划模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798357A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059766A (zh) * | 2019-04-26 | 2019-07-26 | 兰州大学 | 一种运用k临近算法进行降水类型分类的方法 |
| CN111783516A (zh) * | 2020-03-27 | 2020-10-16 | 南京大学 | 一种基于深度学习的耕地质量自然等级评价方法 |
| CN114041360A (zh) * | 2021-12-13 | 2022-02-15 | 国家能源投资集团有限责任公司 | 一种人工复垦植物固碳量化方法 |
| CN115660296A (zh) * | 2022-12-27 | 2023-01-31 | 吉奥时空信息技术股份有限公司 | 一种基于机器学习的不合规项目建议方案自动出具方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995952A (zh) * | 2014-03-19 | 2014-08-20 | 中国矿业大学(北京) | 一种改进的矿业废弃地复垦适宜性模糊综合评价方法 |
| CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
-
2017
- 2017-11-28 CN CN201711211756.0A patent/CN107798357A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995952A (zh) * | 2014-03-19 | 2014-08-20 | 中国矿业大学(北京) | 一种改进的矿业废弃地复垦适宜性模糊综合评价方法 |
| CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴静: "基于判别系统的矿区废弃地复垦为农用地潜力评价研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059766A (zh) * | 2019-04-26 | 2019-07-26 | 兰州大学 | 一种运用k临近算法进行降水类型分类的方法 |
| CN111783516A (zh) * | 2020-03-27 | 2020-10-16 | 南京大学 | 一种基于深度学习的耕地质量自然等级评价方法 |
| CN114041360A (zh) * | 2021-12-13 | 2022-02-15 | 国家能源投资集团有限责任公司 | 一种人工复垦植物固碳量化方法 |
| CN114041360B (zh) * | 2021-12-13 | 2022-11-25 | 国家能源投资集团有限责任公司 | 一种人工复垦区植物固碳量化方法 |
| CN115660296A (zh) * | 2022-12-27 | 2023-01-31 | 吉奥时空信息技术股份有限公司 | 一种基于机器学习的不合规项目建议方案自动出具方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sui et al. | Modeling the dynamics of landscape structure in Asia’s emerging desakota regions: a case study in Shenzhen | |
| Lidberg et al. | Using machine learning to generate high-resolution wet area maps for planning forest management: A study in a boreal forest landscape | |
| Li et al. | Discovering and evaluating urban signatures for simulating compact development using cellular automata | |
| Sánchez-Lozano et al. | GIS-based photovoltaic solar farms site selection using ELECTRE-TRI: Evaluating the case for Torre Pacheco, Murcia, Southeast of Spain | |
| CN107798357A (zh) | 一种基于knn的村庄用地复垦规划模拟方法 | |
| Aliani et al. | Land evaluation for ecotourism development—an integrated approach based on FUZZY, WLC, and ANP methods | |
| Wickramasuriya et al. | The dynamics of shifting cultivation captured in an extended Constrained Cellular Automata land use model | |
| CN102289991B (zh) | 一种基于视觉变量的地图注记自动分类配置方法 | |
| Li et al. | Pattern of spatial evolution of rural settlements in the Jizhou District of China during 1962–2030 | |
| CN110288202A (zh) | 一种城市公园绿地设施状态评估优化方法 | |
| Li et al. | Bringing conservation priorities into urban growth simulation: An integrated model and applied case study of Hangzhou, China | |
| CN108304978A (zh) | 一种基于数据聚类理论的中期地区电力负荷预测方法 | |
| Wang et al. | Spatiotemporal dynamics and evolution relationships between land-use/land cover change and landscape pattern in response to rapid urban sprawl process: A case study in Wuhan, China | |
| CN108875242A (zh) | 一种城市元胞自动机情景模拟方法、终端设备及存储介质 | |
| Keinath et al. | Range and modeled distribution of Wyoming’s species of greatest conservation need | |
| CN106909899A (zh) | 一种湿地景观演变过程的分析方法及分析系统 | |
| CN104200387A (zh) | 一种顾及地理实体语义相似度的土地用途分区方法 | |
| Karimi et al. | Urban expansion modeling using an enhanced decision tree algorithm | |
| Xia et al. | Exploring the effects of partitioned transition rules upon urban growth simulation in a megacity region: A comparative study of cellular automata-based models in the Greater Wuhan Area | |
| CN111445116A (zh) | 国土空间规划辅助编制系统 | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| CN113282572B (zh) | 一种耕地网格化划分的方法、系统及终端设备 | |
| Qi et al. | Land intensification use scenarios based on urban land suitability assessment of the national park | |
| CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
| Kumar et al. | Geostatistical and visualization analysis of crop suitability for diversification in sub-mountain area of Punjab, North-West India |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |
|
| RJ01 | Rejection of invention patent application after publication |