CN109886103A - 城市贫困分布测度方法 - Google Patents
城市贫困分布测度方法 Download PDFInfo
- Publication number
- CN109886103A CN109886103A CN201910032850.2A CN201910032850A CN109886103A CN 109886103 A CN109886103 A CN 109886103A CN 201910032850 A CN201910032850 A CN 201910032850A CN 109886103 A CN109886103 A CN 109886103A
- Authority
- CN
- China
- Prior art keywords
- index
- target area
- distribution characteristics
- data
- corresponding index
- 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 31
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 4
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 3
- 238000013316 zoning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000288113 Gallirallus australis Species 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据的城市贫困分布测度方法,其包括:确定城市内部目标区域的物理环境分布特征对应的指标、社会服务水平分布特征对应的指标、经济生活水平分布特征对应的指标;确定目标区域的综合贫困指数GDI;将物理环境分布特征对应的指标、社会服务水平分布特征对应的指标和经济生活水平分布特征对应的指标作为自变量,GDI作为参考变量,使用随机森林算法的机器学习构建预测模型,实现对目标区域贫困分布的测度。与现有技术相比,本发明使用随机森林机器学习的方法计算区域贫困分布测度,能够根据社会经济的实际变动情况进行自我调整,提高了对贫困分布变动情况进行实时测度的准确度。
Description
技术领域
本发明涉及计算机软件技术领域,更具体地,涉及一种基于多源数据的城市贫困分布测度方法。
背景技术
随着贫困概念的扩展,贫困的测度也由单一维度的经济指标,拓展到社会、文化等各个领域,经历了从绝对贫困测度到相对贫困测度的发展历程。
传统的贫困分布测度方法存在测度指标选择较单一,致使测度结果无法全面反映现代社会经济的实际发展状况的问题。同时,传统方法测度结果精度和及时性不高,且不能根据社会经济的实际变动情况进行自我调整,未能对人口流动、经济发展迅速的城市的贫困分布变动情况进行实时、精准的预测。
有鉴于此,有必要提供一种能够解决上述技术问题的基于多源数据的城市贫困分布测度方法。
发明内容
本发明的目的在于:克服现有技术的不足,提供一种能够适应现代社会经济快速发展的、对城市贫困分布进行实时精准测度的方法。
为了实现上述目的,本发明提供了一种基于多源数据的城市贫困分布测度方法,其包括以下步骤:
使用多源开放平台获取数据;
根据所获取的数据确定目标区域的物理环境分布特征对应的指标、社会服务水平分布特征对应的指标、经济生活水平分布特征对应的指标;
根据所获取的数据确定目标区域的综合贫困指数GDI;
将物理环境分布特征对应的指标、社会服务水平分布特征对应的指标和经济生活水平分布特征对应的指标作为自变量,GDI作为参考变量,使用随机森林算法的机器学习构建预测模型,实现对目标区域贫困分布的测度。
优选地,所述确定目标区域的物理环境分布特征对应的指标,包括:
从目标区域的卫星遥感影像中提取四种单波段遥感影像Greenband3、NIRband5、Redband4和SWIRband6,按如下公式计算植被覆盖指数NDVI、建筑覆盖指数NDBI、水体覆盖指数NDWI,
NDWI=(Greenband3-NIRband5)/(Greenband3+NIRband5)
NDVI=(NIRband5-Redband4)/(NIRband5+Redband4)
NDBI=(SWIRband6-NIRband5)/(SWIRband6+NIRband5)
从所述卫星遥感影像中提取结构纹理特征,计算用于反映内部地物多样性程度的复杂度指标,将所述NDVI、NDBI、NDWI和复杂度指标作为目标区域的物理环境分布特征对应的指标。
优选地,所述确定目标区域的社会服务水平分布特征对应的指标,包括:
将目标区域的地图兴趣点POI数据按照人造建筑设施的用途的类型进行划分,计算对应于各人造建筑设施类型的POI密度,将该POI密度作为目标区域的社会服务水平分布特征对应的指标。
优选地,所述将目标区域的地图兴趣点POI数据按照人造建筑设施的用途的类型进行划分,包括:
将目标区域的地图兴趣点POI数据按照基础教育、商业、企业、医疗、地铁站的人造建筑设施类型进行划分。
优选地,所述计算对应于各人造建筑设施类型的POI密度,包括:
分别计算对应于各人造建筑设施类型的POI的核密度,核密度分析使用二次核函数进行,计算中使用Silver-man's rule-of-thumb自动决定距离衰减阈值,并进行min-max标准化处理。
优选地,所述确定目标区域的经济生活水平分布特征对应的指标,包括:
选取目标区域若干幅不同时间的夜间灯光遥感图像以生成新图像,新图像中每个像素取该若干幅夜间灯光遥感图像对应像素的中间值,将新图像按以下公式计算得到的平均夜间灯光亮度值ANLI作为目标区域的经济生活水平分布特征对应的指标,
其中,TNLI为区域内灯光亮度值之和,n为区域内像元数。
优选地,所述若干幅不同时间的夜间灯光遥感图像为12幅不同时间的夜间灯光遥感图像。
优选地,所述确定目标区域的经济生活水平分布特征对应的指标,包括:
将目标区域内的房屋租金除以相应的房屋面积得到单位面积房租点状数据作为目标区域的经济生活水平分布特征对应的指标。
优选地,所述将目标区域内的房屋租金除以相应的房屋面积得到单位面积房租点状数据作为目标区域的经济生活水平分布特征对应的指标,包括:
将目标区域内的房屋租金除以相应的房屋面积得到单位面积房租点状数据,以SVR作为元分类器集成SVR、GPR、k-NN三个分类器,构建预测模型,估计数据缺失区域的单位面积房租,将完整的单位面积房租点状数据作为目标区域的经济生活水平分布特征对应的指标。
优选地,所述确定目标区域的综合贫困指数GDI,包括:
在目标区域的全国人口普查数据中选取收入、就业、教育及住房四个维度的多个指标构建综合贫困指数指标体系,采用因子分析方法对指标进行降维处理,按如下公式计算得到综合贫困指数GDI,
其中,Rik是地理单元i在最大主因子k的得分,Rj是其他几个主因子的得分,p是主因子的个数。
与现有技术相比,本发明的技术效果包括但不限于:通过已有多种公开渠道获取多源数据,选取多个不同方面的特征指标作为自变量,并以贫困综合指数GPI作为参考变量,使用随机森林机器学习的方法计算区域贫困分布测度,能够社会经济的实际变动情况进行自我调整,提高了对贫困分布变动情况进行实时测度的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明区域贫困分布测度方法的流程图。
图2为本发明区域贫困分布测度方法处理过程的示意图。
图3为本发明实施例植被覆盖指数的示意图。
图4为本发明实施例建筑覆盖指数的示意图。
图5为本发明实施例水体覆盖指数的示意图。
图6为本发明实施例复杂度指数的示意图。
图7为本发明实施例POI设施密度的示意图。
图8为本发明实施例夜间灯光亮度值的示意图。
图9为本发明实施例单位面积房租的示意图。
图10为本发明实施例综合贫困指数GDI的示意图。
图11为本发明实施例多源数据贫困指数的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本领域技术人员在没有作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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
请参阅图1,图1示出了本发明城市贫困分布测度方法的步骤。
步骤101,使用多源开放平台获取数据;
步骤102,根据所获取的数据确定目标区域的物理环境分布特征对应的指标、社会服务水平分布特征对应的指标、经济生活水平分布特征对应的指标;
步骤103,根据所获取的数据确定目标区域的综合贫困指数GDI;
步骤104,将物理环境分布特征对应的指标、社会服务水平分布特征对应的指标和经济生活水平分布特征对应的指标作为自变量,GDI作为参考变量,使用随机森林算法的机器学习构建预测模型,实现对目标区域贫困分布的测度。
本发明主要由指标体系构建和机器学习预测两部分构成,其方案主要包括:
S1:对卫星遥感影像,例如Landsat8遥感影像进行预处理,基于高分辨遥感影像,选取构建NDVI(植被覆盖指数)、NDBI(建筑覆盖指数)、NDWI(水体覆盖指数)、复杂度四个指标,表征城市社区的物理环境分布特征;
S2:使用POI(Points of Interest,地图兴趣点)数据指标。收集范围内交通、企业、商业服务、公共服务等与居民日常工作、生活紧密相关的各类人造建筑设施类型的POI数据,表征城市社区的社会服务水平;
S3:使用夜间灯光数据提取夜间灯光亮度值构建夜间灯光指数指标,用在线房租数据获得单位房租数据指标,表征城市社区的经济生活水平;
S4:基于全国人口普查数据,例如第六次全国人口普查数据,选取收入、就业、教育及住房四个维度的多个(例如13个)指标构建综合贫困指数,并将前面获得的七个指标作为自变量,以综合贫困指数作为参考变量,通过机器学习构建随机森林预测模型,最终得到多源平台数据的贫困指数,从而实现对城市内部贫困空间的精准预测。
步骤S1中,基于Landsat8高分辨遥感影像,选取不同波段影像构建NDVI(植被覆盖指数)、NDBI(建筑覆盖指数)、NDWI(水体覆盖指数)等指标,并通过图像特征值提取软件FETEX2.0提取一系列结构纹理特征,计算复杂度指标。以上四个指标用于表征城市社区的物理环境分布特征,公式如下:
NDWI=(Greenband3-NIRband5)/(Greenband3+NIRband5)
NDVI=(NIRband5-Redband4)/(NIRband5+Redband4)
NDBI=(SWIRband6-NIRband5)/(SWIRband6+NIRband5)
式中,Greenband3,NIRband5,Redband4和SWIRband6分别对应Landsat8中不同波段的遥感影像。
步骤S2中,如表1所示,将POI数据划分为对应于基础教育、企业、商业建筑、医院和地铁站等不同设施类型的数据,计算每种类型POI的核密度,核密度分析使用二次核函数进行,计算中使用Silver-man's rule-of-thumb自动决定距离衰减阈值。进行min-max标准化处理后,计算每类POI密度在社区层面的平均值。
表1基础设施类别及设施类型
类别 | 设施 |
基础教育 | 小学、中学 |
商业 | 菜市场、餐饮、超市、购物中心、药店、银行、邮局 |
企业 | 商务办公、商务写字楼 |
医疗 | 医院、诊所 |
地铁站 | 地铁站 |
步骤S3中,通过VIIRS(Visible infrared Imaging Radiometer,可见光红外成像辐射仪)夜间灯光遥感图像叠合以排除暂时性的灯光,每个像素取12幅图像的中间值(median values),生成新的图像。对新图像进行排除异常值处理,经过处理,统计获得研究范围内各社区的灯光亮度值,计算公式如下:
式中,ANLI为某一区域的平均夜间灯光亮度值,TNLI为区域内灯光亮度值之和,n为区域内像元数。
步骤S3中,使用从安居客平台在线收集的房租数据,计算单位面积的房屋租金(即房屋租金除以房屋面积),并基于数据挖掘工作平台WEKA,采用堆栈集成方法,以SVR作为元分类器集成SVR、GPR、k-NN三个分类器,构建预测模型,估计数据缺失区域的单位面积房租,最后得到完整的单位面积房租点状数据。
步骤S4中,从第六次全国人口普查数据中选取收入、就业、教育及住房四个维度共13个指标,构建综合贫困指数的指标体系,采用因子分析方法对指标进行降维处理,并计算综合贫困指数(General deprivation index,GDI),计算公式如下:
其中,Rik是地理单元i在最大主因子k的得分,Rj是其他几个主因子的得分,p是主要因子的个数。
步骤S4中,将前面获得的七个指标,NDVI(植被覆盖指数)、NDBI(建筑覆盖指数)、NDWI(水体覆盖指数)、复杂度、POI密度、夜间灯光亮度值、单位面积房租点状数据作为自变量,以GDI贫困指数作为参考变量,构建随机森林(Random Forest)预测模型。随机森林是属于集成学习的一种组合分类算法,表现性能好,与其他算法相比有着很大优势,最终输出结果即为基于多源平台数据的贫困指数。
以下给出本发明具体应用的示例。
应用实例位于珠三角腹地的广州市,以其内城核心及相对外围区域为主要对象,社区类型主要为城市社区及城市向乡村过渡的边缘性社区。根据区位、分区职能、发展阶段等因素,可将广州市域划分为三个圈层。其中内城核心区域包括越秀区、荔湾、海珠和天河,承载着广州市的行政中心、文化中心、商贸中心等职能;相对外围区域包括黄埔、萝岗、白云和番禺,该区域在广州市经济转型和产业调整过程中做出了巨大贡献;外围区域包括从化、增城、花都和南沙,城镇化水平和经济发展水平相对较低。2010年第六次全国人口普查数据显示,研究范围内共有1735个居委会/村委会,常住人口942.1万人,占全市总人口的77.83%。
请参阅图2,具体实施可以通过以下步骤来实现。
第1步:对Landsat8遥感影像进行预处理,获得本研究区域中的四种单波段遥感影像,分别为Greenband3,NIRband5,Redband4和SWIRband6。根据计算公式,分别得出植被覆盖指数(NDVI)、建筑覆盖指数(NDBI)、水体覆盖指数(NDWI),社区行政边界矢量数据,计算社区层面的各个指数平均值,见图3、图4和图5。
第2步:将2015年1月3日Landsat8遥感影像及完成坐标系对接的社区边界数据共同输入FETEX2.0软件,提取一系列纹理和结构特征值。在此基础上,通过因子分析的方法进行降维处理,并利用因子载荷及各主成分的贡献率计算最终得分。最终得分在一定程度上可以反映居委会单元内部地物的多样性程度,可以命名为复杂度,见图6。
第3步:将POI数据划分为对应于基础教育、企业、商业建筑、医院和地铁站等不同设施类型的数据,计算每类设施POI的核密度,核密度分析使用二次核函数进行,计算中使用Silver-man's rule-of-thumb自动决定距离衰减阈值。进行min-max标准化处理后,计算每类POI密度在社区层面的平均值,见图7。
第4步:将2015年1月-12月的VIIRS夜间灯光遥感图像叠合以排除暂时性的灯光,每个像素取12幅图像的中间值(median values),生成新的图像。对新图像进行排除异常值处理,将DN值为负数的像素赋值为0,城市核心的最高灯光数据作为最大灯光阈值(DNmax),若某像素的DN值超过阈值,则被赋予新的值,新的值取该像素邻近8个像素的最大值。经过处理,统计获得研究范围内各社区的灯光亮度值,见图8。
第5步:从安居客收集的房租数据,计算单位面积租金(即房屋租金除以房屋面积),将数据归并到各社区,获得各社区的单位面积租金,集合后发现部分社区缺少单位面积租金数据。基于数据挖掘工作平台WEKA,采用堆栈集成方法,以SVR作为元分类器集成SVR、GPR、k-NN三个分类器,构建预测模型,估计数据缺失区域的单位面积房租。见图9。
第6步:结合数据的可获取性,从第六次全国人口普查数据中选取收入、就业、教育及住房四个维度共13个指标,构建综合贫困指数的指标体系,采用因子分析方法对指标进行降维处理,并计算综合贫困指数(General deprivation index,GDI),见图10。
第7步:将前面获得的七个指标作为自变量,以GDI贫困指数作为参考变量,构建随机森林(Random Forest)预测模型。随机森林是属于集成学习的一种组合分类算法,表现性能好,与其他算法相比有着很大优势,最终输出结果即为基于多源平台数据的贫困指数,见图11。
结合以上对本发明的详细描述可以看出,与现有技术相比,本发明至少具有以下有益的技术效果:
第一,通过选取多个不同方面的特征指标作为自变量,并以贫困综合指数GPI作为参考变量,使用随机森林机器学习的方法计算城市贫困分布测度,能够社会经济的实际变动情况进行自我调整,提高了对贫困分布变动情况进行实时测度的准确度。
第二,传统的贫困空间测度方法存在数据来源单一、更新周期长、可获得性低等不足,本发明在多源开放平台数据构建贫困指标体系的过程中,充分利用了开放平台数据实时、精准、可获得性强的特点,通过对高清遥感影像、地图兴趣点、在线房租等平台数据进行整合构建,并且由于采用了随机森林的机器学习算法,可以使得开放平台数据测度城市内部贫困空间的精度大大提高。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明的方法进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于多源数据的城市贫困分布测度方法,其特征在于:所述方法包括以下步骤:
使用多源开放平台获取数据;
根据所获取的数据确定目标区域的物理环境分布特征对应的指标、社会服务水平分布特征对应的指标、经济生活水平分布特征对应的指标;
根据所获取的数据确定目标区域的综合贫困指数GDI;
将物理环境分布特征对应的指标、社会服务水平分布特征对应的指标和经济生活水平分布特征对应的指标作为自变量,GDI作为参考变量,使用随机森林算法的机器学习构建预测模型,实现对目标区域贫困分布的测度。
2.如权利要求1所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述确定目标区域的物理环境分布特征对应的指标,包括:
从目标区域的卫星遥感影像中提取四种单波段遥感影像Greenband3、NIRband5、Redband4和SWIRband6,按如下公式计算植被覆盖指数NDVI、建筑覆盖指数NDBI、水体覆盖指数NDWI,
NDWI=(Greenband3-NIRband5)/(Greenband3+NIRband5)
NDVI=(NIRband5-Redband4)/(NIRband5+Redband4)
NDBI=(SWIRband6-NIRband5)/(SWIRband6+NIRband5)
从所述卫星遥感影像中提取结构纹理特征,计算用于反映内部地物多样性程度的复杂度指标,将所述NDVI、NDBI、NDWI和复杂度指标作为目标区域的物理环境分布特征对应的指标。
3.如权利要求1所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述确定目标区域的社会服务水平分布特征对应的指标,包括:
将目标区域的地图兴趣点POI数据按照人造建筑设施的用途的类型进行划分,计算对应于各人造建筑设施类型的POI密度,将该POI密度作为目标区域的社会服务水平分布特征对应的指标。
4.如权利要求3所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述将目标区域的地图兴趣点POI数据按照人造建筑设施的用途的类型进行划分,包括:
将目标区域的地图兴趣点POI数据按照基础教育、商业、企业、医疗、地铁站的人造建筑设施类型进行划分。
5.如权利要求3所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述计算对应于各人造建筑设施类型的POI密度,包括:
分别计算对应于各人造建筑设施类型的POI的核密度,核密度分析使用二次核函数进行,计算中使用Silver-man′srule-of-thumb自动决定距离衰减阈值,并进行min-max标准化处理。
6.如权利要求1所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述确定目标区域的经济生活水平分布特征对应的指标,包括:
选取目标区域若干幅不同时间的夜间灯光遥感图像以生成新图像,新图像中每个像素取该若干幅夜间灯光遥感图像对应像素的中间值,将新图像按以下公式计算得到的平均夜间灯光亮度值ANLI作为目标区域的经济生活水平分布特征对应的指标,
其中,TNLI为区域内灯光亮度值之和,n为区域内像元数。
7.如权利要求6所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述若干幅不同时间的夜间灯光遥感图像为12幅不同时间的夜间灯光遥感图像。
8.如权利要求1所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述确定目标区域的经济生活水平分布特征对应的指标,包括:
将目标区域内的房屋租金除以相应的房屋面积得到单位面积房租点状数据作为目标区域的经济生活水平分布特征对应的指标。
9.如权利要求8所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述将目标区域内的房屋租金除以相应的房屋面积得到单位面积房租点状数据作为目标区域的经济生活水平分布特征对应的指标,包括:
将目标区域内的房屋租金除以相应的房屋面积得到单位面积房租点状数据,以SVR作为元分类器集成SVR、GPR、k-NN三个分类器,构建预测模型,估计数据缺失区域的单位面积房租,将完整的单位面积房租点状数据作为目标区域的经济生活水平分布特征对应的指标。
10.如权利要求1所述的基于多源数据的城市贫困分布测度方法,其特征在于:所述确定目标区域的综合贫困指数GDI,包括:
在目标区域的全国人口普查数据中选取收入、就业、教育及住房四个维度的多个指标构建综合贫困指数指标体系,采用因子分析方法对指标进行降维处理,按如下公式计算得到综合贫困指数GDI,
其中,Rik是地理单元i在最大主因子k的得分,Rj是其他几个主因子的得分,p是主因子的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032850.2A CN109886103A (zh) | 2019-01-14 | 2019-01-14 | 城市贫困分布测度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032850.2A CN109886103A (zh) | 2019-01-14 | 2019-01-14 | 城市贫困分布测度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886103A true CN109886103A (zh) | 2019-06-14 |
Family
ID=66925980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910032850.2A Pending CN109886103A (zh) | 2019-01-14 | 2019-01-14 | 城市贫困分布测度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886103A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689230A (zh) * | 2019-09-02 | 2020-01-14 | 平安科技(深圳)有限公司 | 一种区域的贫困程度确定方法、电子装置及存储介质 |
CN111415057A (zh) * | 2019-12-04 | 2020-07-14 | 信阳师范学院 | 一种区域贫困程度分级图的生成方法及装置 |
CN111937016A (zh) * | 2020-06-09 | 2020-11-13 | 中山大学 | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 |
CN112347926A (zh) * | 2020-11-06 | 2021-02-09 | 天津市勘察设计院集团有限公司 | 基于建筑形态分布的高分辨率影像城中村检测方法 |
CN113139455A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 一种基于夜间灯光指数的城市化水平测度方法 |
CN113158579A (zh) * | 2021-05-06 | 2021-07-23 | 防灾科技学院 | 基于夜间灯光数据的社会统计参量预测方法 |
CN114282934A (zh) * | 2021-03-30 | 2022-04-05 | 华南理工大学 | 一种基于手机信令数据的城市低收入人群分布预测方法、系统及存储介质 |
CN115690576A (zh) * | 2022-10-17 | 2023-02-03 | 武汉大学 | 基于夜光影像多特征的贫困率估算方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463836A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于移动窗口的城市绿色空间遥感度量方法 |
CN104850853A (zh) * | 2015-06-02 | 2015-08-19 | 中国地质大学(武汉) | 城市快速提取方法及装置 |
CN106991529A (zh) * | 2017-03-28 | 2017-07-28 | 武汉大学 | 基于跨域多维大数据的城市夜间灯光经济指数评价方法 |
CN107256452A (zh) * | 2017-05-23 | 2017-10-17 | 国家地理空间信息中心 | 基于高分卫星遥感数据的城镇化水平评价系统 |
CN107368922A (zh) * | 2017-07-20 | 2017-11-21 | 华中师范大学 | 基于夜间灯光强度的城市住宅平均房价预估方法 |
US20180053110A1 (en) * | 2016-08-22 | 2018-02-22 | The Catholic University Of Korea Industry-Academic Cooperation Foundation | Method of predicting crime occurrence in prediction target region using big data |
CN109189917A (zh) * | 2018-06-27 | 2019-01-11 | 华南师范大学 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
-
2019
- 2019-01-14 CN CN201910032850.2A patent/CN109886103A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463836A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于移动窗口的城市绿色空间遥感度量方法 |
CN104850853A (zh) * | 2015-06-02 | 2015-08-19 | 中国地质大学(武汉) | 城市快速提取方法及装置 |
US20180053110A1 (en) * | 2016-08-22 | 2018-02-22 | The Catholic University Of Korea Industry-Academic Cooperation Foundation | Method of predicting crime occurrence in prediction target region using big data |
CN106991529A (zh) * | 2017-03-28 | 2017-07-28 | 武汉大学 | 基于跨域多维大数据的城市夜间灯光经济指数评价方法 |
CN107256452A (zh) * | 2017-05-23 | 2017-10-17 | 国家地理空间信息中心 | 基于高分卫星遥感数据的城镇化水平评价系统 |
CN107368922A (zh) * | 2017-07-20 | 2017-11-21 | 华中师范大学 | 基于夜间灯光强度的城市住宅平均房价预估方法 |
CN109189917A (zh) * | 2018-06-27 | 2019-01-11 | 华南师范大学 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
Non-Patent Citations (2)
Title |
---|
袁媛等: "基于遥感影像及在线房租数据的城市内部贫困空间测度研究――以广州市内城核心区为例", 《人文地理》 * |
陈烨烽等: "中国贫困村测度与空间分布特征分析", 《地理研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689230A (zh) * | 2019-09-02 | 2020-01-14 | 平安科技(深圳)有限公司 | 一种区域的贫困程度确定方法、电子装置及存储介质 |
CN110689230B (zh) * | 2019-09-02 | 2024-01-09 | 平安科技(深圳)有限公司 | 一种区域的贫困程度确定方法、电子装置及存储介质 |
CN111415057A (zh) * | 2019-12-04 | 2020-07-14 | 信阳师范学院 | 一种区域贫困程度分级图的生成方法及装置 |
CN111415057B (zh) * | 2019-12-04 | 2024-02-20 | 信阳师范学院 | 一种区域贫困程度分级图的生成方法及装置 |
WO2021248335A1 (zh) * | 2020-06-09 | 2021-12-16 | 中山大学 | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 |
CN111937016A (zh) * | 2020-06-09 | 2020-11-13 | 中山大学 | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 |
CN112347926A (zh) * | 2020-11-06 | 2021-02-09 | 天津市勘察设计院集团有限公司 | 基于建筑形态分布的高分辨率影像城中村检测方法 |
CN112347926B (zh) * | 2020-11-06 | 2023-05-23 | 天津市勘察设计院集团有限公司 | 基于建筑形态分布的高分辨率影像城中村检测方法 |
CN114282934A (zh) * | 2021-03-30 | 2022-04-05 | 华南理工大学 | 一种基于手机信令数据的城市低收入人群分布预测方法、系统及存储介质 |
CN113139455A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 一种基于夜间灯光指数的城市化水平测度方法 |
CN113158579A (zh) * | 2021-05-06 | 2021-07-23 | 防灾科技学院 | 基于夜间灯光数据的社会统计参量预测方法 |
CN115690576A (zh) * | 2022-10-17 | 2023-02-03 | 武汉大学 | 基于夜光影像多特征的贫困率估算方法及系统 |
CN115690576B (zh) * | 2022-10-17 | 2024-05-31 | 武汉大学 | 基于夜光影像多特征的贫困率估算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886103A (zh) | 城市贫困分布测度方法 | |
Zheng et al. | A new source of multi-spectral high spatial resolution night-time light imagery—JL1-3B | |
Cai et al. | Using multi-source geospatial big data to identify the structure of polycentric cities | |
Patino et al. | A review of regional science applications of satellite remote sensing in urban settings | |
Myint et al. | Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery | |
Zhang et al. | Detecting horizontal and vertical urban growth from medium resolution imagery and its relationships with major socioeconomic factors | |
CN107274419A (zh) | 一种基于全局先验和局部上下文的深度学习显著性检测方法 | |
Shirowzhan et al. | Spatial compactness metrics and Constrained Voxel Automata development for analyzing 3D densification and applying to point clouds: A synthetic review | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
Ranjbar et al. | A GIS-based approach for earthquake loss estimation based on the immediate extraction of damaged buildings | |
Li et al. | A room with a view: Automatic assessment of window views for high-rise high-density areas using City Information Models and deep transfer learning | |
CN108304536A (zh) | 一种耦合地缘环境要素的地缘环境模拟与预测平台 | |
CN109255357A (zh) | 一种rgbd图像协同显著性检测方法 | |
CN103761526A (zh) | 一种基于特征位置优选整合的城区检测方法 | |
WO2021248335A1 (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
CN112101189A (zh) | 基于注意力机制的sar图像目标检测方法及测试平台 | |
Nurkarim et al. | Building footprint extraction and counting on very high-resolution satellite imagery using object detection deep learning framework | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
Shirowzhan et al. | Developing metrics for quantifying buildings’ 3D compactness and visualizing point cloud data on a web-based app and dashboard | |
Jony et al. | Ensemble classification technique for water detection in satellite images | |
Sharma et al. | Urban Green Space Planning and Development in Urban Cities Using Geospatial Technology: A Case Study of Noida | |
Meedeniya et al. | Land‐Use Classification with Integrated Data | |
Mazhi et al. | Site selection of retail shop based on spatial analysis and machine learning |
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: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |