CN111507648A - 一种国土空间规划评价系统 - Google Patents
一种国土空间规划评价系统 Download PDFInfo
- Publication number
- CN111507648A CN111507648A CN202010606619.2A CN202010606619A CN111507648A CN 111507648 A CN111507648 A CN 111507648A CN 202010606619 A CN202010606619 A CN 202010606619A CN 111507648 A CN111507648 A CN 111507648A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- data
- evaluation index
- evaluated
- index data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 183
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000010276 construction Methods 0.000 claims description 31
- 238000012271 agricultural production Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005488 sandblasting Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种国土空间规划评价系统，涉及国土空间规划和深度学习的技术领域，包括：多个子系统，每个子系统包括：数据处理模块，训练模块和评价模块；数据处理模块用于获取待评价区域的历史评价指标数据和预设评价指标集合，并基于历史评价指标数据和预设评价指标集合构建训练集；训练模块用于将训练集发送给神经网络模型，以使神经网络模型利用训练集进行训练，得到目标神经网络模型；评价模块用于将待评价区域的当前评价指标数据输入目标神经网络模型，得到当前评价指标数据的评价等级，解决了现有国土空间规划评价系统的复用性较差的技术问题。
Description
技术领域
本发明涉及国土空间规划和深度学习的技术领域，尤其是涉及一种国土空间规划评价系统。
背景技术
资源环境承载能力和国土空间开发适宜性评价的核心点是采用不同优势的评价方法。当前应用较多的是层次分析法、因子分析法、相关分析法、变异分析法的指标定量化筛选方法。
现有国土空间规划“双评价”的评价方法，都是首先选用一定的指标体系，然后在获得待评价区域的指标栅格数据的基础上，逐一的依据各个栅格点相应的指标数据集，对相应栅格点进行特定评价。从而，随着指标体系的变化和数据源的不确定，现有国土空间规划“双评价”的评价方法就需要做出相应的调整和修改，甚至是重建，使得开发出的国土空间规划“双评价”的评价系统复用率较低。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种国土空间规划评价系统，以缓解了现有国土空间规划评价系统的复用性较差的技术问题。
第一方面，本发明实施例提供了一种国土空间规划评价系统，包括：多个子系统，其中，每个所述子系统包括：数据处理模块，训练模块和评价模块；所述数据处理模块，用于获取待评价区域的历史评价指标数据和预设评价指标集合，并基于所述历史评价指标数据和所述预设评价指标集合构建训练集，其中，所述历史评价指标数据为用于表征所述待评价区域的资源环境承载能力和/或国土空间开发适宜性的数据；所述训练模块，用于将所述训练集发送给神经网络模型，以使所述神经网络模型利用所述训练集进行训练，得到目标神经网络模型；所述评价模块，用于将所述待评价区域的当前评价指标数据输入所述目标神经网络模型，得到所述当前评价指标数据的评价等级。
进一步地，所述多个子系统包括：生态保护重要性评价子系统，农业生产适宜性评价子系统，城镇建设适宜性评价子系统，农业生产承载规模评价子系统，城镇建设承载规模评价子系统。
进一步地，所述生态保护重要性评价子系统，用于对所述待评价区域的生态保护重要性进行评价，并生成所述待评价区域的生态保护重要性的评价等级；所述农业生产适宜性评价子系统，用于对所述待评价区域的农业生产适宜性进行评价，并生成所述待评价区域的农业生产适宜性的评价等级；所述城镇建设适宜性评价子系统，用于对所述待评价区域的城镇建设适宜性进行评价，并生成所述待评价区域的城镇建设适宜性的评价等级；所述农业生产承载规模评价子系统，用于对所述待评价区域的农业生产承载规模进行评价，并生成所述待评价区域的农业生产承载规模的评价等级；所述城镇建设承载规模评价子系统，用于对所述待评价区域的城镇建设承载规模进行评价，并生成所述待评价区域的城镇建设承载规模的评价等级。
进一步地，所述数据处理模块包括：指标数据处理单元，标签数据处理单元和构建单元，其中，所述指标数据处理单元，用于对所述历史评价指标数据进行预处理，得到标准化数据；所述标签数据处理单元，用于根据所述历史评价指标数据、所述历史评价指标数据的位置坐标和所述预设评价指标集合，确定出标签数据；所述构建单元，用于利用所述历史评价指标数据和所述标签数据构建所述训练集。
进一步地，所述指标数据处理单元包括：第一处理子单元和第二处理子单元，其中，所述第一处理子单元，用于根据所述历史评价指标数据的数据类型执行对应的处理操作，得到栅格数据，其中，所述数据类型包括：excel列表数据，矢量数据，栅格数据，所述处理操作包括：插值计算、矢量栅格化，数据重采样；所述第二处理子单元，根据所述栅格数据构建二阶张量，并将所述二阶张量确定为所述标准化数据，其中，所述二阶张量为（nSamples，m），nSamples采样点的个数，m为所述预设评价指标集合中评价指标的数量。
进一步地，所述指标数据处理单元还包括：第三处理子单元，用于在所述历史评价指标数据不包含目标指标数据的情况下，将所述目标指标数据设置为0，其中，所述目标指标数据为所述预设评价指标集合中任意一个评价指标对应的数据。
进一步地，所述标签数据处理单元包括：第四处理子单元和第五处理子单元，其中，所述第四处理子单元，用于根据所述历史评价指标数据的评价等级和所述历史评价指标数据的实地核查结果，确定出初始标签数据；所述第五处理子单元，用于对所述初始标签数据进行one-hot 编码，得到所述标签数据。
进一步地，所述训练集包括：训练子集和验证子集，则所述训练模块包括：训练单元和验证单元，其中，所述训练单元，用于将所述训练子集发送给所述神经网络模型，以使所述神经网络模型利用所述训练子集进行训练；所述验证子集，用于将所述验证子集发送给完成训练的神经网络模型，以确定所述完成训练的神经网络模型的准确性。
进一步地，所述神经网络模型包括：输入层，中间层，输出层和优化器；所述中间层包括2个relu激活的全连接层；所述优化器为rmsprop优化器；所述神经网络模型的损失函数为分类交叉熵函数。
进一步地，所述中间层的表达式为output = relu(dot(W，input) + b)，其中，input为输入的二阶张量，W为二阶变换张量，b为偏移向量，output为所述中间层的输出向量。
在本发明实施例中，包括多个子系统，其中，每个子系统包括：数据处理模块，训练模块和评价模块；数据处理模块，用于获取待评价区域的历史评价指标数据和预设评价指标集合，并基于历史评价指标数据和预设评价指标集合构建训练集，其中，历史评价指标数据为用于表征待评价区域的资源环境承载能力和/或国土空间开发适宜性的数据；训练模块，用于将训练集发送给神经网络模型，以使神经网络模型利用训练集进行训练，得到目标神经网络模型；评价模块，用于将待评价区域的当前评价指标数据输入目标神经网络模型，得到当前评价指标数据的评价等级。
在本发明实施例中，由于现有国土空间规划评价系统，都是首先选用一定的指标体系，然后在获得待评价区域的指标栅格数据的基础上，逐一的依据各个栅格点相应的指标数据集，对相应栅格点进行特定评价。但是，随着指标体系的变化和数据源的不确定，现有国土空间规划评价系统就需要做出相应的调整和修改，甚至是重建，使得开发出的国土空间规划评价系统复用率较低，本申请通过利用待评价区域的历史评价指标数据和预设评价指标集合对神经网络系统进行训练，当历史评价指标数据和预设评价指标集合发生改变时，本申请的国土空间规划评价系统，也能够正常工作，达到了对当前评价指标数据进行登记评价的目的，进而解决了现有国土空间规划评价系统的复用性较差的技术问题，从而实现了提高现有国土空间规划评价系统的复用性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种国土空间规划评价系统的示意图；
图2为本发明实施例提供的生态保护重要性评价子系统的预设评价指标集合的示意图；
图3为本发明实施例提供的一种子系统的示意图；
图4为本发明实施例提供的一种数据处理模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
实施例一：
根据本发明实施例，提供了一种国土空间规划评价系统的实施例。
图1是根据本发明实施例的一种国土空间规划评价系统的示意图，如图1所示，该系统包括多个子系统，其中，每个所述子系统包括：数据处理模块10，训练模块20和评价模块30；
需要说明的是，多个子系统包括：生态保护重要性评价子系统，农业生产适宜性评价子系统，城镇建设适宜性评价子系统，农业生产承载规模评价子系统，城镇建设承载规模评价子系统。
所述生态保护重要性评价子系统，用于对所述待评价区域的生态保护重要性进行评价，并生成所述待评价区域的生态保护重要性的评价等级；
所述农业生产适宜性评价子系统，用于对所述待评价区域的农业生产适宜性进行评价，并生成所述待评价区域的农业生产适宜性的评价等级；
所述城镇建设适宜性评价子系统，用于对所述待评价区域的城镇建设适宜性进行评价，并生成所述待评价区域的城镇建设适宜性的评价等级；
所述农业生产承载规模评价子系统，用于对所述待评价区域的农业生产承载规模进行评价，并生成所述待评价区域的农业生产承载规模的评价等级；
所述城镇建设承载规模评价子系统，用于对所述待评价区域的城镇建设承载规模进行评价，并生成所述待评价区域的城镇建设承载规模的评价等级。
所述数据处理模块10，用于获取待评价区域的历史评价指标数据和预设评价指标集合，并基于所述历史评价指标数据和所述预设评价指标集合构建训练集，其中，所述历史评价指标数据为用于表征所述待评价区域的资源环境承载能力和/或国土空间开发适宜性的数据；
所述训练模块20，用于将所述训练集发送给神经网络模型，以使所述神经网络模型利用所述训练集进行训练，得到目标神经网络模型；
所述评价模块30，用于将所述待评价区域的当前评价指标数据输入所述目标神经网络模型，得到所述当前评价指标数据的评价等级。
在本发明实施例中，由于现有国土空间规划评价系统，都是首先选用一定的指标体系，然后在获得待评价区域的指标栅格数据的基础上，逐一的依据各个栅格点相应的指标数据集，对相应栅格点进行特定评价。但是，随着指标体系的变化和数据源的不确定，现有国土空间规划评价系统就需要做出相应的调整和修改，甚至是重建，使得开发出的国土空间规划评价系统复用率较低，本申请通过利用待评价区域的历史评价指标数据和预设评价指标集合对神经网络系统进行训练，当历史评价指标数据和预设评价指标集合发生改变时，本申请的国土空间规划评价系统，也能够正常工作，达到了对当前评价指标数据进行登记评价的目的，进而解决了现有国土空间规划评价系统的复用性较差的技术问题，从而实现了提高现有国土空间规划评价系统的复用性的技术效果。
下面将以生态保护重要性评价子系统为例，对上述国土空间规划评价系统进行详细说明。
生态保护重要性评价子系统中的预设评价指标集合如图2所示，预设评价指标集合包含的30个指标数据，构成了一个具有30个通道的栅格数据集。已有的评价方法，均是通过每一个栅格点处的30个通道数据来确定当前栅格点的评价结果。指标自适应国土空间规划“双评价”系统和装置中，将这30个指标分为必选指标和可选指标两大类。必选指标和可选指标分别包含19个指标和11个指标。必选指标就是指系统的基础指标，无论指标体系的变化都必须提供的指标；可选指标是指数据不易采集、容易缺失的指标。可选指标在实际应用中，可以有一定的缺失，而不影响系统的正常运行。
在本发明实施中，如图3所示，所述数据处理模块10包括：指标数据处理单元11，标签数据处理单元12和构建单元13。
所述指标数据处理单元11，用于对所述历史评价指标数据进行预处理，得到标准化数据；
所述标签数据处理单元12，用于根据所述历史评价指标数据、所述历史评价指标数据的位置坐标和所述预设评价指标集合，确定出标签数据；
所述构建单元13，用于利用所述历史评价指标数据和所述标签数据构建所述训练集。
在本发明实施例中，如图4所示，所述指标数据处理单元包括：第一处理子单元111和第二处理子单元112，其中，
所述第一处理子单元111，用于根据所述历史评价指标数据的数据类型执行对应的处理操作，得到栅格数据，其中，所述数据类型包括：excel列表数据，矢量数据，栅格数据，所述处理操作包括：插值计算、矢量栅格化，数据重采样；
所述第二处理子单元112，根据所述栅格数据构建二阶张量，并将所述二阶张量确定为所述标准化数据，其中，所述二阶张量为（nSamples，m），nSamples采样点的个数，m为所述预设评价指标集合中评价指标的数量。
在本发明实施例中，由于各个指标数据具有不同的物理意义、不同的定义域和值域，并且可能是excel列表数据、矢量数据或者栅格数据，因此这些指标数据，需要经过插值计算、矢量栅格化或者数据重采样等操作，获得分辨率一致的栅格数据，最后，再通过数据标准化处理，将所有指标数据转变为标准化数值，从而得到标准化数据。
具体的，由于允许评价指标数量随着实际情况有一定的变动，从而，初始的生态保护重要性评价指标向量的长度nDim满足：23<=nDim<=30。在进行训练/验证和评价之前，历史评价指标数据需要经过进一步的预处理，将它们组装成（nSamples，30）型的二阶张量，其中：nSamples表示待指标向量个数。
首先，定义指标向量为30维的向量，序列{净初级生产力归一化指数、生境指数归一化指数、生境面积百分比、Shannon归一化指数、降雨量、地表径流量、蒸散发、生态系统面积、降雨侵蚀力因子、土壤可蚀性因子、坡长因子、坡度因子、植被覆盖因子、最大转移量、最大风蚀出现距离、气候因子、地表糙度因子、土壤结皮因子、干燥度指数、起沙风天数、土壤质地、植被覆盖度、碳酸岩出露面积百分比、蒸发量/降雨量、地下水矿化度、地下水埋深、海岸地貌类型、风暴潮最大增水、平均波高、海岸侵蚀速率}表示每一维对应的指标含义。
另外，所述指标数据处理单元还包括：第三处理子单元113，用于在所述历史评价指标数据不包含目标指标数据的情况下，将所述目标指标数据设置为0，其中，所述目标指标数据为所述预设评价指标集合中任意一个评价指标对应的数据。
然后，在组装指标向量时，当某一位可选指标数据（即，目标指标数据）缺失，则在其对应的位上置0，从而，获得30维的指标向量。
最后，将所有指标组装成30维的向量之后，得到训练集。
在本发明实施例中，如图4所示，所述标签数据处理单元12包括：第四处理子单元121和第五处理子单元122。
所述第四处理子单元121，用于根据所述历史评价指标数据的评价等级和所述历史评价指标数据的实地核查结果，确定出初始标签数据；
所述第五处理子单元122，用于对所述初始标签数据进行one-hot 编码，得到所述标签数据。
在本发明实施例中，根据历史评价指标数据的地理坐标，然后通过已有双评价系统获得的评价结果结合外业实地核查的方式，确定该坐标点的双评价生态系统评价分类，并通过one-hot 编码获得该指标数据相应的标签数据。
在本发明实施例中，所述训练集包括：训练子集和验证子集，则如图3所示，所述训练模块20包括：训练单元21和验证单元22。
所述训练单元21，用于将所述训练子集发送给所述神经网络模型，以使所述神经网络模型利用所述训练子集进行训练；
所述验证单元22，用于将所述验证子集发送给完成训练的神经网络模型，以确定所述完成训练的神经网络模型的准确性。
在本发明实施例中，通过将训练子集和验证子集传输至神经网络模型，并对神经网络模型反复迭代训练，最后输出训练好的生态保护重要性评价分类器。
另外，还需要说明的是，本申请中的神经网络模型包括：输入层，中间层，输出层和优化器；所述中间层包括2个relu激活的全连接层；所述优化器为rmsprop优化器；所述神经网络模型的损失函数为分类交叉熵函数。
其中，所述中间层的表达式为output = relu(dot(W，input) + b)，其中，input为输入的二阶张量，W为二阶变换张量，b为偏移向量，output为所述中间层的输出向量。
最后需要说明的是，农业生产适宜性评价子系统、城镇建设适宜性评价子系统、农业生产承载规模评价子系统和城镇建设承载规模评价子系统等4个子系统类似于生态保护重要性评价子系统，主要区别源于各个子系统具有各自的评预设价指标集合，在构建过程中，主要考虑设价指标集合的指标维度的不同，从而构造相应的深度学习模型，进而得到各个子系统。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
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。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，又例如，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通信接口，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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种国土空间规划评价系统，其特征在于，包括：多个子系统，其中，每个所述子系统包括：数据处理模块，训练模块和评价模块，任意两个个子系统所使用的预设评价指标集合不同；
所述数据处理模块，用于获取待评价区域的历史评价指标数据和预设评价指标集合，并基于所述历史评价指标数据和所述预设评价指标集合构建训练集，其中，所述评价指标数据为用于表征所述待评价区域的资源环境承载能力和/或国土空间开发适宜性的数据；
所述训练模块，用于将所述训练集发送给神经网络模型，以使所述神经网络模型利用所述训练集进行训练，得到目标神经网络模型；
所述评价模块，用于将所述待评价区域的当前评价指标数据输入所述目标神经网络模型，得到所述当前评价指标数据的评价等级。
2.根据权利要求1所述的系统，其特征在于，所述多个子系统包括：生态保护重要性评价子系统，农业生产适宜性评价子系统，城镇建设适宜性评价子系统，农业生产承载规模评价子系统，城镇建设承载规模评价子系统。
3.根据权利要求2所述的系统，其特征在于，
所述生态保护重要性评价子系统，用于对所述待评价区域的生态保护重要性进行评价，并生成所述待评价区域的生态保护重要性的评价等级；
所述农业生产适宜性评价子系统，用于对所述待评价区域的农业生产适宜性进行评价，并生成所述待评价区域的农业生产适宜性的评价等级；
所述城镇建设适宜性评价子系统，用于对所述待评价区域的城镇建设适宜性进行评价，并生成所述待评价区域的城镇建设适宜性的评价等级；
所述农业生产承载规模评价子系统，用于对所述待评价区域的农业生产承载规模进行评价，并生成所述待评价区域的农业生产承载规模的评价等级；
所述城镇建设承载规模评价子系统，用于对所述待评价区域的城镇建设承载规模进行评价，并生成所述待评价区域的城镇建设承载规模的评价等级。
4.根据权利要求3所述的系统，其特征在于，所述数据处理模块包括：指标数据处理单元，标签数据处理单元和构建单元，其中，
所述指标数据处理单元，用于对所述历史评价指标数据进行预处理，得到标准化数据；
所述标签数据处理单元，用于根据所述历史评价指标数据、所述历史评价指标数据的位置坐标和所述预设评价指标集合，确定出标签数据；
所述构建单元，用于利用所述历史评价指标数据和所述标签数据构建所述训练集。
5.根据权利要求4所述的系统，其特征在于，所述指标数据处理单元包括：第一处理子单元和第二处理子单元，其中，
所述第一处理子单元，用于根据所述历史评价指标数据的数据类型执行对应的处理操作，得到栅格数据，其中，所述数据类型包括：excel列表数据，矢量数据，栅格数据，所述处理操作包括：插值计算、矢量栅格化，数据重采样；
所述第二处理子单元，根据所述栅格数据构建二阶张量，并将所述二阶张量确定为所述标准化数据。
6.根据权利要求5所述的系统，其特征在于，所述指标数据处理单元还包括：
第三处理子单元，用于在所述历史评价指标数据不包含目标指标数据的情况下，将所述目标指标数据设置为0，其中，所述目标指标数据为所述预设评价指标集合中任意一个评价指标对应的数据。
7.根据权利要求4所述的系统，其特征在于，所述标签数据处理单元包括：第四处理子单元和第五处理子单元，其中，
所述第四处理子单元，用于根据所述历史评价指标数据的评价等级和所述历史评价指标数据的实地核查结果，确定出初始标签数据；
所述第五处理子单元，用于对所述初始标签数据进行one-hot 编码，得到所述标签数据。
8.根据权利要求1所述的系统，其特征在于，所述训练集包括：训练子集和验证子集，则所述训练模块包括：训练单元和验证单元，其中，
所述训练单元，用于将所述训练子集发送给所述神经网络模型，以使所述神经网络模型利用所述训练子集进行训练；
所述验证子集，用于将所述验证子集发送给完成训练的神经网络模型，以确定所述完成训练的神经网络模型的准确性。
9.根据权利要求1所述的系统，其特征在于，所述神经网络模型包括：输入层，中间层，输出层和优化器。
10.根据权利要求9所述的系统，其特征在于，
所述中间层包括2个relu激活的全连接层；
所述优化器为rmsprop优化器；
所述神经网络模型的损失函数为分类交叉熵函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010606619.2A CN111507648A (zh) | 2020-06-30 | 2020-06-30 | 一种国土空间规划评价系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010606619.2A CN111507648A (zh) | 2020-06-30 | 2020-06-30 | 一种国土空间规划评价系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507648A true CN111507648A (zh) | 2020-08-07 |
Family
ID=71875326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010606619.2A Pending CN111507648A (zh) | 2020-06-30 | 2020-06-30 | 一种国土空间规划评价系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507648A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626640A (zh) * | 2020-06-08 | 2020-09-04 | 中煤科工集团重庆研究院有限公司 | 基于中性参照对象的煤矿安全综合风险评价方法和系统 |
| CN113569323A (zh) * | 2021-08-03 | 2021-10-29 | 清华大学 | 实现规划情景模拟的国土空间规划系统动力学建模方法 |
| CN116128378A (zh) * | 2023-04-04 | 2023-05-16 | 北京佰信蓝图科技股份有限公司 | 一种城市体检评估方法、系统、存储介质及电子设备 |
| CN116258404A (zh) * | 2023-02-08 | 2023-06-13 | 广东省科学院广州地理研究所 | 基于机器学习的主体功能区识别方法以及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766825A (zh) * | 2017-10-27 | 2018-03-06 | 国家测绘地理信息局第航测遥感院 | 基于空间功能单元的陆域省市县空间规划三区识别方法 |
| CN110141220A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测方法 |
| CN110472817A (zh) * | 2019-07-03 | 2019-11-19 | 西北大学 | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 |
| CN111242063A (zh) * | 2020-01-17 | 2020-06-05 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
-
2020
- 2020-06-30 CN CN202010606619.2A patent/CN111507648A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766825A (zh) * | 2017-10-27 | 2018-03-06 | 国家测绘地理信息局第航测遥感院 | 基于空间功能单元的陆域省市县空间规划三区识别方法 |
| CN110141220A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测方法 |
| CN110472817A (zh) * | 2019-07-03 | 2019-11-19 | 西北大学 | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 |
| CN111242063A (zh) * | 2020-01-17 | 2020-06-05 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
Non-Patent Citations (2)
| Title |
|---|
| 杜蕾: "延长县资源环境承载力评价研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 程婷: "国土空间"三生功能"分区研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626640A (zh) * | 2020-06-08 | 2020-09-04 | 中煤科工集团重庆研究院有限公司 | 基于中性参照对象的煤矿安全综合风险评价方法和系统 |
| CN113569323A (zh) * | 2021-08-03 | 2021-10-29 | 清华大学 | 实现规划情景模拟的国土空间规划系统动力学建模方法 |
| CN116258404A (zh) * | 2023-02-08 | 2023-06-13 | 广东省科学院广州地理研究所 | 基于机器学习的主体功能区识别方法以及装置 |
| CN116128378A (zh) * | 2023-04-04 | 2023-05-16 | 北京佰信蓝图科技股份有限公司 | 一种城市体检评估方法、系统、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507648A (zh) | 一种国土空间规划评价系统 | |
| Adnan et al. | Improving spatial agreement in machine learning-based landslide susceptibility mapping | |
| Petschko et al. | Assessing the quality of landslide susceptibility maps–case study Lower Austria | |
| Tozer et al. | On the uncertainties associated with using gridded rainfall data as a proxy for observed | |
| Kyriakidis et al. | A geostatistical approach for mapping thematic classification accuracy and evaluating the impact of inaccurate spatial data on ecological model predictions | |
| Darabi et al. | Urban flood risk mapping using data-driven geospatial techniques for a flood-prone case area in Iran | |
| Drăguţ et al. | Optimization of scale and parametrization for terrain segmentation: An application to soil-landscape modeling | |
| Mesta et al. | Urban growth modelling and social vulnerability assessment for a hazardous Kathmandu Valley | |
| Casson et al. | Simulation and extremal analysis of hurricane events | |
| Zhang et al. | Comparative analysis of inundation mapping approaches for the 2016 flood in the Brazos River, Texas | |
| Nduwayezu et al. | Modeling urban growth in Kigali city Rwanda | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
| Anputhas et al. | Modelling spatial association in pattern based land use simulation models | |
| Gaul et al. | Data quantity is more important than its spatial bias for predictive species distribution modelling | |
| Beneyto et al. | New approach to estimate extreme flooding using continuous synthetic simulation supported by regional precipitation and non-systematic flood data | |
| Pandey et al. | Numerical modelling spatial patterns of urban growth in Chandigarh and surrounding region (India) using multi-agent systems | |
| CN111539904A (zh) | 一种基于降雨量的灾害易发性预测方法 | |
| Ekeu-Wei et al. | Catchment-scale flood modelling in data-sparse regions using open-access geospatial technology | |
| Momeni et al. | Pattern‐based calibration of cellular automata by genetic algorithm and Shannon relative entropy | |
| Johnson et al. | Landscape pattern analysis for assessing ecosystem condition | |
| CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| Zhang et al. | Modeling and mapping high water table for a coastal region in Florida using Lidar DEM data | |
| CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
| CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |