CN110728440B - 一种基于空间相关性的措施图斑抽样处理方法和装置 - Google Patents
一种基于空间相关性的措施图斑抽样处理方法和装置 Download PDFInfo
- Publication number
- CN110728440B CN110728440B CN201910927865.5A CN201910927865A CN110728440B CN 110728440 B CN110728440 B CN 110728440B CN 201910927865 A CN201910927865 A CN 201910927865A CN 110728440 B CN110728440 B CN 110728440B
- Authority
- CN
- China
- Prior art keywords
- measure
- spot
- nearest neighbor
- spots
- distance
- 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.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于空间相关性的措施图斑抽样处理方法和装置,具体为获取数据;从措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;计算每个措施图斑的质心坐标;计算各个措施图斑之间的可达能力值;计算目标图斑集中各个措施图斑之间的最短路径,并将最短路径转换为最近邻距离;计算平均最近邻指数;如果平均最近邻指数大于或等于预设指数阈值,则为目标图斑集重新选择措施图斑,并返回到计算质心坐标步骤;如果平均最近邻指数小于预设指数阈值,则将目标图斑集作为结果输出。由于本方案在进行抽样时基于空间相关性,从中排除掉相关性弱的措施图斑进入目标图斑集,从而提高了抽样结果的质量。
Description
技术领域
本发明属于水土保持领域,涉及一种空间抽样方法,特别是涉及一种基于空间相关性的措施图斑抽样处理方法和装置。
背景技术
目前,我国水土保持、生态环境、自然资源等行业都要求进行图斑化管理,具体要求是以图斑为单元,对措施布局、复核、核查、验收、实施效果评估等全过程进行管理。
抽样调查是用抽样数据对全部调查研究对象做出估计和推断的一种调查方法,这一技术已广泛应用于资源、环境、经济和社会等调查之中。抽样调查既满足了时间性能的要求,又通过样本数据代替总体数据,可以达到观一叶而知天下秋的效果。但是抽样也有一定的局限性,也存在不稳定性。因此,如何抽取出足够好的样本,使样本数据在满足随机性和代表性的同时,又能满足特定的需求,使用什么方法进行抽样需要深入研究。
措施图斑抽样是开展复核、检查、验收工作的第一步,也是非常重要的一步,抽样结果质量的好坏会直接影响复核、检查、验收工作的进度,如果抽出的措施图斑在地理位置上分布过于分散,交通上难以到达,会给外业复核、检查、验收工作带来诸多不便,如周期长、效率低、经费开支大。
发明内容
有鉴于此,本发明提供了一种基于空间相关性的措施图斑抽样处理方法和装置,以解决提高抽样结果的质量。
为了解决上述问题,本发明公开了一种基于空间相关性的措施图斑抽样处理方法,包括步骤:
获取数据,所述数据包括预设范围的行政区划、措施图斑集合和交通网络数据;
根据预设的图斑抽样约束条件从所述措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;
计算所述目标图斑集中每个措施图斑的质心坐标;
根据所述质心坐标计算所述目标图斑集中各个措施图斑之间的可达能力值;
以所述可达能力值计算所述目标图斑集中各个措施图斑之间的最短路径,并将所述最短路径转换为最近邻距离;
根据所述最近邻距离计算所述目标图斑集的平均最近邻指数;
对所述平均最近邻指数进行判断;
如果所述平均最近邻指数大于或等于预设指数阈值,则为所述目标图斑集重新选择措施图斑,并返回到所述计算所述目标图斑集中每个措施图斑的质心坐标步骤;
如果所述平均最近邻指数小于所述预设指数阈值,则将所述目标图斑集作为结果输出。
可选的,所述根据所述质心坐标计算所述目标图斑集中各个措施图斑之间的可达能力值,包括步骤:
设定所述措施图斑的对象缓冲距离;
根据所述对象缓冲距离计算各个所述措施图斑的图斑可达能力值;
对于任意两个所述措施图斑,选定所述任意两个所述措施图斑中图斑可达能力值较小的值作为所述任意两个措施图斑之间的可达能力值。
可选的,所述根据所述对象缓冲距离计算各个所述措施图斑的图斑可达能力值,包括:
根据所述对象缓冲距离建立缓冲区;
将带有所述缓冲区的所述措施图斑与交通网络数据的铁路图层做空间叠加运算,将结果记为RailR;
如果RailR不为空,根据与所述措施图斑相交叉的铁路的等级确定所述措施图斑的可达能力值;
如果RailR为空,将带有所述缓冲区的所述措施图斑进一步与道路图层做空间叠加运算,结果记为RoadR;
如果RoadR不为空,则将与所述措施图斑相交叉的道路的等级所对应的可达能力值确定为所述措施图斑的可达能力值;
如果RoadR为空,则将所述措施图斑的可达能力值确定为预设最小可达能力值。
可选的,所述以所述可达能力值计算所述目标图斑集中各个措施图斑之间的最短路径,并将所述最短路径转换为最近邻距离,包括:
选择所述可达能力值作为相对应的措施图斑之间的道路权重,根据所述道路权重以Dijkstra算法计算措施图斑之间的最短路径;
计算所述最短路径经过的地理距离,将所述地理距离作为所述措施图斑之间的最近邻距离;
根据所有最近邻距离计算平均最近邻距离。
可选的,所述根据所述最近邻距离计算所述目标图斑集的平均最近邻指数,包括:
利用预设公式对所述多个措施图斑所处的行政区划的面积和所述多个措施图斑中所述措施图斑的数量进行计算,得到所述措施图斑在所述行政区划内随机分布的平均距离;
利用预设公式对所述平均距离和所述平均最近邻距离进行计算,得到所述平均最近邻指数。
还提供了一种基于空间相关性的措施图斑抽样处理装置,包括:
数据获取模块,被配置为获取数据,所述数据包括预设范围的行政区划、措施图斑集合和交通网络数据;
图斑抽取模块,被配置为根据预设的图斑抽样约束条件从所述措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;
第一计算模块,被配置为计算所述目标图斑集中每个措施图斑的质心坐标;
第二计算模块,被配置为根据所述质心坐标计算所述目标图斑集中各个措施图斑之间的可达能力值;
第三计算模块,被配置为以所述可达能力值计算所述目标图斑集中各个措施图斑之间的最短路径,并将所述最短路径转换为最近邻距离;
第四计算模块,被配置为根据所述最近邻距离计算所述目标图斑集的平均最近邻指数;
指数判断模块,被配置为对所述平均最近邻指数进行判断;
返回处理模块,被配置为如果所述平均最近邻指数大于或等于预设指数阈值,则为所述目标图斑集重新选择措施图斑,并返回到所述计算所述目标图斑集中每个措施图斑的质心坐标步骤;
结果输出模块,被配置为如果所述平均最近邻指数小于所述预设指数阈值,则将所述目标图斑集作为结果输出。
可选的,所述第二计算模块包括:
距离设定单元,被配置为设定所述措施图斑的对象缓冲距离;
第一计算单元,被配置为根据所述对象缓冲距离计算各个所述措施图斑的图斑可达能力值;
数值选定单元,被配置为对于任意两个所述措施图斑,选定所述任意两个所述措施图斑中图斑可达能力值较小的值作为所述任意两个措施图斑之间的可达能力值。
可选的,所述第一计算单元包括:
缓冲区建立子单元,被配置为根据所述对象缓冲距离建立缓冲区;
第一计算子单元,被配置为将带有所述缓冲区的所述措施图斑与交通网络数据的铁路图层做空间叠加运算,将结果记为RailR;不为空,
第一确定子单元,被配置为如果RailR不为空,根据与所述措施图斑相交叉的铁路的等级确定所述措施图斑的可达能力值;
第二确定子单元,被配置为如果RailR为空,将带有所述缓冲区的所述措施图斑进一步与道路图层做空间叠加运算,结果记为RoadR;
第三确定子单元,被配置为如果RoadR不为空,则将与所述措施图斑相交叉的道路的等级所对应的可达能力值确定为所述措施图斑的可达能力值;如果RoadR为空,则将所述所述措施图斑的可达能力值确定为预设最小可达能力值。
可选的,所述第三计算模块包括:
权重选定单元,被配置为选择所述可达能力值作为相对应的措施图斑之间的道路权重,根据所述道路权重以Dijkstra算法计算措施图斑之间的最短路径;
第二计算单元,被配置为计算所述最短路径经过的地理距离,将所述地理距离作为所述措施图斑之间的最近邻距离;
第三计算单元,被配置为根据所有最近邻距离计算平均最近邻距离。
可选的,所述第三计算模块包括:
第四计算单元,被配置为利用预设公式对所述多个措施图斑所处的行政区划的面积和所述多个措施图斑中所述措施图斑的数量进行计算,得到所述措施图斑在所述行政区划内随机分布的平均距离;
第五计算单元,被配置为利用预设公式对所述平均距离和所述平均最近邻距离进行计算,得到所述平均最近邻指数。
从上述技术方案可以看出,本发明提供了一种基于空间相关性的措施图斑抽样处理方法和装置,具体为获取数据;根据预设的图斑抽样约束条件从措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;计算目标图斑集中每个措施图斑的质心坐标;根据质心坐标计算目标图斑集中各个措施图斑之间的可达能力值;以可达能力值计算目标图斑集中各个措施图斑之间的最短路径,并将最短路径转换为最近邻距离;根据最近邻距离计算目标图斑集的平均最近邻指数;对平均最近邻指数进行判断;如果平均最近邻指数大于或等于预设指数阈值,则为目标图斑集重新选择措施图斑,并返回到计算目标图斑集中每个措施图斑的质心坐标步骤;如果平均最近邻指数小于预设指数阈值,则将目标图斑集作为结果输出。由于本方案在进行抽样时基于空间相关性,从中排除掉相关性弱的措施图斑进入目标图斑集,因此使目标图斑集中的措施图斑避免了位置上过于分散、交通上难以到达的问题,提高了抽样结果的质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,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为本申请实施例的一种基于空间相关性的措施图斑抽样处理方法的流程图;
图2为本申请实施例的一种基于空间相关性的措施图斑抽样处理装置的框图。
具体实施方式
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。
实施例一
图1为本申请实施例的一种基于空间相关性的措施图斑抽样处理方法的流程图。
空间相关性是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性,从另一个角度而言,空间相关性研究的是同一种现象的聚集和分散程度。对于本申请来说,空间相关性是指措施图斑之间的空间距离以及交通可达情况。
参照图1所示,本申请中提供的措施图斑抽样处理办法包括如下步骤:
S1、获取数据。
这里数据的包括预设范围的行政区划,例如县级行政区划(County.shp)、由多个措施图斑(TB.shp)构成的措施图斑集合、交通网络数据(Road.shp、Railway.shp)。
另外,计算该县级行政区划投影面积记为A,其投影面积可以通过公式计算或其他公开途径获得。县级行政区划数据来源于全国1:400万县级行政区划图;措施图斑通过信息填报系统由各地方上报;交通网络数据(包括公路网和铁路网)来源于第三方导航路网数据。
S2、根据预设的图斑抽样约束条件从措施图斑集合中随机抽取多个措施图斑,构成目标图斑集。
将随机抽样方法抽取的多个措施图斑结果记为TR,并将其称为目标图斑集。随机抽样方法为行业内公知方法,不做详细描述;这里的图斑抽取约束条件为:
抽样措施图斑面积之和不小于措施总面积的1%,主要措施类型每类型不少于1个
S3、计算目标图斑集中各个措施图斑的质心坐标。
求质心坐标(Xi,Yi)的方法为行业内公知方法,这里不做详细描述。
S4、计算目标图斑集中各个措施图斑之间的可达能力值。
具体来说,本申请通过如下步骤计算该可达能力值:
S41、设置措施图斑的对象缓冲距离。
例如,该对象缓冲距离可选定为100米。
S42、分别计算每个措施图斑的可达能力值,即图斑可达能力值。
即根据对象缓冲距离计算每个措施图斑的可达能力值。
S43、选定可达能力值。
即对于任意两个措施图斑来说,因为已经得到每个措施图斑的图斑可达能力值,所以这里就有两个图斑可达能力值,我们将数值较小的图斑可达能力值选定为该任意两个措施图斑的可达能力值。
具体来说,本申请中采用如下办法计算图斑可达能力值:
S421、根据对象缓冲距离建立缓冲区。
S422、与铁路图层进行空间运算,结果记为RailR。
具体来说,是将建立有缓冲区的措施图斑与交通网络数据的铁路图层进行空间运算。
S423、如果RailR不等于空,根据铁路等级设置措施图斑的图斑可达能力值;相反,如果该RailR等于空,则执行S424。
S424、和道路图层做空间叠加运算,结果记为RoadR;
具体来说,是将建立有缓冲区的措施图斑与交通网络数据的道路图层进行空间运算。
S425、如果RoadR不等于空,根据道路等级设置图斑可达能力值;相反,则将该措施图斑的图斑可达能力值设定为预设最小可达能力值,如20。
对于各种道路类型,可以设定相应的可达能力,具体如表1所示。
道路类型 | 高速铁路 | 铁路 | 高速公路 | 国道 | 省道 | 县道 | 乡道 | 乡村道路 |
可达能力值(km/h) | 350 | 90 | 100 | 60 | 60 | 40 | 30 | 20 |
表1
S5:根据可达能力值计算各个措施图斑之间的最近邻距离。
具体来说,是以各个措施图斑之间的可达能力值作为道路权重进行计算,从而得到两个措施图斑之间的最短路径,并将该最短路径转换为最近邻距离。
具体来说,通过如下步骤得到最近邻矩阵
S51、选择可达能力值作为相对应的措施图斑之间的道路权重,利用Dijkstra算法(优先选择道路权重最大的节点)计算两措施图斑之间的最短路径。
Dijkstra算法是荷兰计算机科学家E.W.Dijkstra于1959年提出的一个最短路径算法,也是目前公认的求解最短路径问题的最经典的算法。其基本思想是用逐点增长的方法构造一个路径树,从而得到从该树的根节点(即起点)到其他所有节点的最优路径。
S52、计算最短路径经过的地理距离,作为两点间的最近邻距离;
S6、计算平均最近邻指数。
具体来说,是通过如下方法计算该平均最近邻指数R。
S7、判断平均最近邻指数是否大于或等于预设指数阈值。
这里预设指数阈值可以选1。如果平均最近邻指数大于或等于该1则执行步骤S8,如果该平均最近邻指数小于1,则执行步骤S9。
S8、为目标图斑集重新选择措施图斑。
即在平均最近邻指数大于或等于1的情况下,重新进行抽样,为该目标图斑集更换至少一部分措施图斑,并返回到步骤S3。
S9、输出目标图斑集。
即在该平均最近邻指数小于1时,结束循环,将该目标图斑集作为抽样结果。
从上述技术方案可以看出,本申请提供了一种基于空间相关性的措施图斑抽样处理方法,具体为获取数据;根据预设的图斑抽样约束条件从措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;计算目标图斑集中每个措施图斑的质心坐标;根据质心坐标计算目标图斑集中各个措施图斑之间的可达能力值;以可达能力值计算目标图斑集中各个措施图斑之间的最短路径,并将最短路径转换为最近邻距离;根据最近邻距离计算目标图斑集的平均最近邻指数;对平均最近邻指数进行判断;如果平均最近邻指数大于或等于预设指数阈值,则为目标图斑集重新选择措施图斑,并返回到计算目标图斑集中每个措施图斑的质心坐标步骤;如果平均最近邻指数小于预设指数阈值,则将目标图斑集作为结果输出。由于本方案在进行抽样时基于空间相关性,从中排除掉相关性低的措施图斑进入目标图斑集,因此使目标图斑集中的措施图斑避免了位置上过于分散、交通上难以到达的问题,提高了抽样结果的质量。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例二
图2为本申请实施例的一种基于空间相关性的措施图斑抽样处理装置的框图。
参照图2所示,本申请中提供的措施图斑抽样处理装置包括数据获取模块10、图斑抽取模块20、第一计算模块30、第二计算模块40、第三计算模块50、第四计算模块60、指数判断模块70、返回处理模块80和结果输出模块90。
数据获取模块10用于获取数据。
这里数据的包括预设范围的行政区划,例如县级行政区划(County.shp)、由多个措施图斑(TB.shp)构成的措施图斑集合、交通网络数据(Road.shp、Railway.shp)。
另外,计算该县级行政区划投影面积记为A,其投影面积可以通过公式计算或其他公开途径获得。县级行政区划数据来源于全国1:400万县级行政区划图;措施图斑通过信息填报系统由各地方上报;交通网络数据(包括公路网和铁路网)来源于第三方导航路网数据。
图斑抽取模块20用于根据预设的图斑抽样约束条件从措施图斑集合中随机抽取多个措施图斑,构成目标图斑集。
将随机抽样方法抽取的多个措施图斑结果记为TR,并将其称为目标图斑集。随机抽样方法为行业内公知方法,不做详细描述;这里的图斑抽取约束条件为:
抽样措施图斑面积之和不小于措施总面积的1%,主要措施类型每类型不少于1个
第一计算模块30用于计算目标图斑集中各个措施图斑的质心坐标。
求质心坐标(Xi,Yi)的方法为行业内公知方法,这里不做详细描述。
第二计算模块40用于计算目标图斑集中各个措施图斑之间的可达能力值。
具体来说,本申请中第二计算模块包括距离设定单元、第一计算单元和数值选定单元。
距离设定单元用于设置措施图斑的对象缓冲距离。
例如,该对象缓冲距离可选定为100米。
第一计算单元用于分别计算每个措施图斑的可达能力值,即图斑可达能力值。
即根据对象缓冲距离计算每个措施图斑的可达能力值。
数值选定单元用于选定可达能力值。
即对于任意两个措施图斑来说,因为已经得到每个措施图斑的图斑可达能力值,所以这里就有两个图斑可达能力值,我们将数值较小的图斑可达能力值选定为该任意两个措施图斑的可达能力值。
具体来说,本申请中第一计算单元具体包括缓冲区建立子单元、第一计算子单元、第一确定子单元、第二确定子单元和第三确定子单元。
缓冲区建立子单元用于根据对象缓冲距离建立缓冲区。
第一计算子单元用于与铁路图层进行空间运算,结果记为RailR。
具体来说,是将建立有缓冲区的措施图斑与交通网络数据的铁路图层进行空间运算。
第一确定子单元用于如果RailR不等于空,根据铁路等级设置措施图斑的图斑可达能力值;相反,如果该RailR等于空,则执行S424。
第二确定子单元用于和道路图层做空间叠加运算,结果记为RoadR;
具体来说,是将建立有缓冲区的措施图斑与交通网络数据的道路图层进行空间运算。
第三确定子单元用于如果RoadR不等于空,根据道路等级设置图斑可达能力值;相反,则将该措施图斑的图斑可达能力值设定为预设最小可达能力值,如20。
对于各种道路类型,可以设定相应的可达能力,具体如表1所示。
道路类型 | 高速铁路 | 铁路 | 高速公路 | 国道 | 省道 | 县道 | 乡道 | 乡村道路 |
可达能力值(km/h) | 350 | 90 | 100 | 60 | 60 | 40 | 30 | 20 |
表1
第三计算模块50用于根据可达能力值计算各个措施图斑之间的最近邻距离。
具体来说,是以各个措施图斑之间的可达能力值作为道路权重进行计算,从而得到两个措施图斑之间的最短路径,并将该最短路径转换为最近邻距离。
具体来说,该模块具体包括权重选定单元、第二计算单元和第三计算单元。
权重选定单元用于选择可达能力值作为相对应的措施图斑之间的道路权重,利用Dijkstra算法(优先选择道路权重最大的节点)计算两措施图斑之间的最短路径。
Dijkstra算法是荷兰计算机科学家E.W.Dijkstra于1959年提出的一个最短路径算法,也是目前公认的求解最短路径问题的最经典的算法。其基本思想是用逐点增长的方法构造一个路径树,从而得到从该树的根节点(即起点)到其他所有节点的最优路径。
第二计算单元用于计算最短路径经过的地理距离,作为两点间的最近邻距离;
第四计算模块60用于计算平均最近邻指数。
具体来说,该模块具体包括第四计算单元和第五计算单元。
指数判断模块70用于判断平均最近邻指数是否大于或等于预设指数阈值。
这里预设指数阈值可以选1。
返回处理模块80用于为目标图斑集重新选择措施图斑。
即在平均最近邻指数大于或等于1的情况下,重新进行抽样,为该目标图斑集更换至少一部分措施图斑,并返回到步骤S3。
结果输出模块90用于输出目标图斑集。
即在该平均最近邻指数小于1时,结束循环,将该目标图斑集作为抽样结果。
从上述技术方案可以看出,本申请提供了一种基于空间相关性的措施图斑抽样处理装置,具体为获取数据;根据预设的图斑抽样约束条件从措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;计算目标图斑集中每个措施图斑的质心坐标;根据质心坐标计算目标图斑集中各个措施图斑之间的可达能力值;以可达能力值计算目标图斑集中各个措施图斑之间的最短路径,并将最短路径转换为最近邻距离;根据最近邻距离计算目标图斑集的平均最近邻指数;对平均最近邻指数进行判断;如果平均最近邻指数大于或等于预设指数阈值,则为目标图斑集重新选择措施图斑,并返回到计算目标图斑集中每个措施图斑的质心坐标步骤;如果平均最近邻指数小于预设指数阈值,则将目标图斑集作为结果输出。由于本方案在进行抽样时基于空间相关性,从中排除掉相关性弱的措施图斑进入目标图斑集,因此使目标图斑集中的措施图斑避免了位置上过于分散、交通上难以到达的问题,提高了抽样结果的质量。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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)
1.一种基于空间相关性的措施图斑抽样处理方法,其特征在于,包括步骤:
获取数据,所述数据包括预设范围的行政区划、措施图斑集合和交通网络数据;
根据预设的图斑抽样约束条件从所述措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;
计算所述目标图斑集中每个措施图斑的质心坐标;
根据所述质心坐标计算所述目标图斑集中各个措施图斑之间的可达能力值;
以所述可达能力值计算所述目标图斑集中各个措施图斑之间的最短路径,并将所述最短路径转换为最近邻距离;
根据所述最近邻距离计算所述目标图斑集的平均最近邻指数;
对所述平均最近邻指数进行判断;
如果所述平均最近邻指数大于或等于预设指数阈值,则为所述目标图斑集重新选择措施图斑,并返回到所述计算所述目标图斑集中每个措施图斑的质心坐标步骤;
如果所述平均最近邻指数小于所述预设指数阈值,则将所述目标图斑集作为结果输出。
2.如权利要求1所述的措施图斑抽样处理方法,其特征在于,所述根据所述质心坐标计算所述目标图斑集中各个措施图斑之间的可达能力值,包括步骤:
设定所述措施图斑的对象缓冲距离;
根据所述对象缓冲距离计算各个所述措施图斑的图斑可达能力值;
对于任意两个所述措施图斑,选定所述任意两个所述措施图斑中图斑可达能力值较小的值作为所述任意两个措施图斑之间的可达能力值。
3.如权利要求2所述的措施图斑抽样处理方法,其特征在于,所述根据所述对象缓冲距离计算各个所述措施图斑的图斑可达能力值,包括:
根据所述对象缓冲距离建立缓冲区;
将带有所述缓冲区的所述措施图斑与交通网络数据的铁路图层做空间叠加运算,将结果记为RailR;
如果RailR不为空,根据与所述措施图斑相交叉的铁路的等级确定所述措施图斑的可达能力值;
如果RailR为空,将带有所述缓冲区的所述措施图斑进一步与道路图层做空间叠加运算,结果记为RoadR;
如果RoadR不为空,则将与所述措施图斑相交叉的道路的等级所对应的可达能力值确定为所述措施图斑的可达能力值;
如果RoadR为空,则将所述措施图斑的可达能力值确定为预设最小可达能力值。
4.如权利要求1所述的措施图斑抽样处理方法,其特征在于,所述以所述可达能力值计算所述目标图斑集中各个措施图斑之间的最短路径,并将所述最短路径转换为最近邻距离,包括:
选择所述可达能力值作为相对应的措施图斑之间的道路权重,根据所述道路权重以Dijkstra算法计算措施图斑之间的最短路径;
计算所述最短路径经过的地理距离,将所述地理距离作为所述措施图斑之间的最近邻距离;
根据所有最近邻距离计算平均最近邻距离。
5.如权利要求4所述的措施图斑抽样处理方法,其特征在于,所述根据所述最近邻距离计算所述目标图斑集的平均最近邻指数,包括:
利用预设公式对所述多个措施图斑所处的行政区划的面积和所述多个措施图斑中所述措施图斑的数量进行计算,得到所述措施图斑在所述行政区划内随机分布的平均距离;
利用预设公式对所述平均距离和所述平均最近邻距离进行计算,得到所述平均最近邻指数。
6.一种基于空间相关性的措施图斑抽样处理装置,其特征在于,包括:
数据获取模块,被配置为获取数据,所述数据包括预设范围的行政区划、措施图斑集合和交通网络数据;
图斑抽取模块,被配置为根据预设的图斑抽样约束条件从所述措施图斑集合中随机抽取多个措施图斑,构成目标图斑集;
第一计算模块,被配置为计算所述目标图斑集中每个措施图斑的质心坐标;
第二计算模块,被配置为根据所述质心坐标计算所述目标图斑集中各个措施图斑之间的可达能力值;
第三计算模块,被配置为以所述可达能力值计算所述目标图斑集中各个措施图斑之间的最短路径,并将所述最短路径转换为最近邻距离;
第四计算模块,被配置为根据所述最近邻距离计算所述目标图斑集的平均最近邻指数;
指数判断模块,被配置为对所述平均最近邻指数进行判断;
返回处理模块,被配置为如果所述平均最近邻指数大于或等于预设指数阈值,则为所述目标图斑集重新选择措施图斑,并返回到所述计算所述目标图斑集中每个措施图斑的质心坐标步骤;
结果输出模块,被配置为如果所述平均最近邻指数小于所述预设指数阈值,则将所述目标图斑集作为结果输出。
7.如权利要求6所述的措施图斑抽样处理装置,其特征在于,所述第二计算模块包括:
距离设定单元,被配置为设定所述措施图斑的对象缓冲距离;
第一计算单元,被配置为根据所述对象缓冲距离计算各个所述措施图斑的图斑可达能力值;
数值选定单元,被配置为对于任意两个所述措施图斑,选定所述任意两个所述措施图斑中图斑可达能力值较小的值作为所述任意两个措施图斑之间的可达能力值。
8.如权利要求7所述的措施图斑抽样处理装置,其特征在于,所述第一计算单元包括:
缓冲区建立子单元,被配置为根据所述对象缓冲距离建立缓冲区;
第一计算子单元,被配置为将带有所述缓冲区的所述措施图斑与交通网络数据的铁路图层做空间叠加运算,将结果记为RailR;不为空,
第一确定子单元,被配置为如果RailR不为空,根据与所述措施图斑相交叉的铁路的等级确定所述措施图斑的可达能力值;
第二确定子单元,被配置为如果RailR为空,将带有所述缓冲区的所述措施图斑进一步与道路图层做空间叠加运算,结果记为RoadR;
第三确定子单元,被配置为如果RoadR不为空,则将与所述措施图斑相交叉的道路的等级所对应的可达能力值确定为所述措施图斑的可达能力值;如果RoadR为空,则将所述措施图斑的可达能力值确定为预设最小可达能力值。
9.如权利要求6所述的措施图斑抽样处理装置,其特征在于,所述第三计算模块包括:
权重选定单元,被配置为选择所述可达能力值作为相对应的措施图斑之间的道路权重,根据所述道路权重以Dijkstra算法计算措施图斑之间的最短路径;
第二计算单元,被配置为计算所述最短路径经过的地理距离,将所述地理距离作为所述措施图斑之间的最近邻距离;
第三计算单元,被配置为根据所有最近邻距离计算平均最近邻距离。
10.如权利要求9所述的措施图斑抽样处理装置,其特征在于,所述第四计算模块包括:
第四计算单元,被配置为利用预设公式对所述多个措施图斑所处的行政区划的面积和所述多个措施图斑中所述措施图斑的数量进行计算,得到所述措施图斑在所述行政区划内随机分布的平均距离;
第五计算单元,被配置为利用预设公式对所述平均距离和所述平均最近邻距离进行计算,得到所述平均最近邻指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927865.5A CN110728440B (zh) | 2019-09-27 | 2019-09-27 | 一种基于空间相关性的措施图斑抽样处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927865.5A CN110728440B (zh) | 2019-09-27 | 2019-09-27 | 一种基于空间相关性的措施图斑抽样处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728440A CN110728440A (zh) | 2020-01-24 |
CN110728440B true CN110728440B (zh) | 2023-07-04 |
Family
ID=69219560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910927865.5A Active CN110728440B (zh) | 2019-09-27 | 2019-09-27 | 一种基于空间相关性的措施图斑抽样处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728440B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962923B (zh) * | 2021-07-19 | 2023-03-10 | 中国科学院地理科学与资源研究所 | 一种抽样对象确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN109062934A (zh) * | 2018-06-14 | 2018-12-21 | 北京地拓科技发展有限公司 | 一种措施图斑的搜索方法、装置和移动终端 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110210576A (zh) * | 2019-06-14 | 2019-09-06 | 北京师范大学 | 一种地图数据的图斑相似性计算方法及系统 |
CN110222959A (zh) * | 2019-05-23 | 2019-09-10 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
-
2019
- 2019-09-27 CN CN201910927865.5A patent/CN110728440B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527014A (zh) * | 2017-07-20 | 2017-12-29 | 武汉珈和科技有限公司 | 县级作物种植面积遥感统计抽样调查方案设计方法 |
CN109062934A (zh) * | 2018-06-14 | 2018-12-21 | 北京地拓科技发展有限公司 | 一种措施图斑的搜索方法、装置和移动终端 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110222959A (zh) * | 2019-05-23 | 2019-09-10 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
CN110210576A (zh) * | 2019-06-14 | 2019-09-06 | 北京师范大学 | 一种地图数据的图斑相似性计算方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于图斑特征的农村居民点整理分区研究——以宜兴市为例;何翔宇等;江西农业大学学报;第40卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110728440A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Helbich et al. | Comparative spatial analysis of positional accuracy of OpenStreetMap and proprietary geodata | |
Bhatta et al. | Urban sprawl measurement from remote sensing data | |
CN106355166A (zh) | 一种基于监控视频与遥感图像的灰霾扩散路径绘制与来源确定方法 | |
Zhang et al. | Measuring the accessibility of public green spaces in urban areas using web map services | |
CN109325085A (zh) | 一种城市用地功能识别与变化检测方法 | |
CN110222959B (zh) | 一种基于大数据的城市就业可达性测算方法及系统 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN103336894B (zh) | 一种城市容积率自动分区方法 | |
Niemi et al. | Airborne LiDAR-derived elevation data in terrain trafficability mapping | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
Chu et al. | An improved method for watershed delineation and computation of surface depression storage | |
CN102902893A (zh) | 一种基于dem的汇水区降雨积水深度的计算方法 | |
CN107730496A (zh) | 一种基于影像块的多时相遥感影像建筑物变化检测方法 | |
CN105355047B (zh) | 多交通检测源动态时间粒度的数据融合处理方法 | |
CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
CN113340286B (zh) | 一种土地规划勘察勘测项目测绘信息数据分析方法、设备及计算机存储介质 | |
Wang et al. | From quantity to quality: enhanced understanding of the changes in urban greenspace | |
CN104679942A (zh) | 一种基于数据挖掘的建设用地承载效率测度方法 | |
CN103823951B (zh) | 一种量化路网特征及其土地利用效应的方法 | |
CN110728440B (zh) | 一种基于空间相关性的措施图斑抽样处理方法和装置 | |
CN107229742A (zh) | 一种基于遥感大数据确定城市易涝点的方法 | |
CN106910218B (zh) | 基于大区域栅格数字高程模型的地表表面面积计算方法 | |
Tassinari et al. | Wide-area spatial analysis: A first methodological contribution for the study of changes in the rural built environment | |
CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN103971312A (zh) | 一种村镇网络节点辐射域导向的农村居民点整治分区方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |