CN111797190A - 一种图斑提取方法及装置 - Google Patents

一种图斑提取方法及装置 Download PDF

Info

Publication number
CN111797190A
CN111797190A CN202010640836.3A CN202010640836A CN111797190A CN 111797190 A CN111797190 A CN 111797190A CN 202010640836 A CN202010640836 A CN 202010640836A CN 111797190 A CN111797190 A CN 111797190A
Authority
CN
China
Prior art keywords
layer
area
overlapped
spot
overlapping
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
Application number
CN202010640836.3A
Other languages
English (en)
Inventor
马品
郭三杰
陈超
申曦
戴春莉
巴特
黄旺
刘云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yun Nanshengshenjiting
Yun Nanshengdituyuan
Original Assignee
Yun Nanshengshenjiting
Yun Nanshengdituyuan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yun Nanshengshenjiting, Yun Nanshengdituyuan filed Critical Yun Nanshengshenjiting
Priority to CN202010640836.3A priority Critical patent/CN111797190A/zh
Publication of CN111797190A publication Critical patent/CN111797190A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本申请公开了一种图斑提取方法及装置，对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，第一图层指示永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比。确定重叠图斑的筛选因子，筛选因子包括形状、面积、地类区域、以及地类区域的面积占比。依据预设的约束条件，选取目标重叠图斑，目标重叠图斑为，筛选因子满足约束条件的重叠图斑。可见，本实施例将形状、面积、地类区域、以及地类区域的面积占比，作为重叠图斑的筛选因子，能够依据预设的约束条件，针对性地从各个重叠图斑中筛选出目标重叠图斑，效率高，适用性强。

Description

一种图斑提取方法及装置
技术领域
本申请涉及测绘地理信息领域，尤其涉及一种图斑提取方法及装置。
背景技术
永久基本农田作为耕地资源中的优质部分，在划定的过程中由于受到政策因素和人为因素的影响，因此，更多的是考虑数量指标，而忽略了质量指标以及空间分布的合理性。公益林对维护和改善生态环境，保持生态平衡，保护生物多样性，开展水土保持等方面发挥着重要的作用。然而，在现实生活中存在永久基本农田与公益林图斑重叠的情况，如何快速提取永久基本农田与公益林重叠图斑，有利于决策者认识该区域的生态环境现状，进而采取积极措施，实现该区域的可持续发展。
目前，利用地理信息系统(Geographic Information System，GIS)的空间分析技术，将统一坐标系下的两种图层进行叠加相交分析，获得公共相交部分图斑，即将永久基本农田图层与公益林图层进行空间叠加相交分析，从而获得两图层间重叠的图斑。但是，通过空间叠加相交分析之后，会产生碎小图斑、图斑形状狭长、图斑数量多等情况，因此，需要针对性地提取图斑，在提取图斑的过程中，现有技术通常采用：将重叠图斑结合遥感影像底图的方式进行人工挑选。明显的，在重叠图斑数量较多的情况下，人工挑选重叠图斑的方式，图斑提取的效率低。
发明内容
本申请提供了一种图斑提取方法及装置，目的在于提高重叠图斑的筛选效率。
为了实现上述目的，本申请提供了以下技术方案：
一种图斑提取方法，包括：
对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，所述第一图层指示所述永久基本农田图层和所述公益林图层在空间位置上的各个重叠图斑；
计算各个所述重叠图斑的形状、面积、所包含的地类区域、以及各种所述地类区域的面积占比；
确定所述重叠图斑的筛选因子，所述筛选因子包括所述形状、所述面积、所述地类区域、以及所述地类区域的所述面积占比；
依据预设的约束条件，选取目标重叠图斑，所述目标重叠图斑为，所述筛选因子满足所述约束条件的所述重叠图斑。
可选的，所述计算各个所述重叠图斑的形状，包括：
基于预设脚本，调用最小外接矩形算法，计算各个所述重叠图斑的最小外接矩形、以及所述最小外接矩形的长和宽，得到各个所述重叠图斑各自所属的最小外接矩形图层；
针对每个所述最小外接矩形图层，判断所述最小外接矩形的所述长和所述宽的比值是否大于预设阈值；
在所述长和所述宽的比值大于所述预设阈值的情况下，将所述最小外接矩形图层中所述重叠图斑的形状，标识为狭长多边形；
在所述长和所述宽的比值不大于所述预设阈值的情况下，将所述最小外接矩形图层中所述重叠图斑的形状，标识为非狭长多边形。
可选的，计算各个所述重叠图斑的所述面积、所包含的所述地类区域、以及各种所述地类区域的所述面积占比，包括：
将预设的地理国情监测数据和所述第一图层进行空间叠加相交分析，得到第二图层，所述第二图层指示所述第一图层中各个所述重叠图斑所包含的各种地类区域；
基于预设脚本，调用空间查询算法，计算各个所述重叠图斑的第一面积和第二面积，所述第一面积指示所述重叠图斑的面积，所述第二面积指示所述重叠图斑所包含的所述地类区域的面积；
针对每个所述重叠图斑的每种所述地类区域，计算所述第二面积与所述第一面积的比值，得到各个所述重叠图斑中各种所述地类区域的面积占比。
可选的，还包括：
基于预设的数字高程模型，计算各个所述重叠图斑的坡度均值；
所述筛选因子还包括：
所述坡度均值。
可选的，所述基于预设的数字高程模型，计算各个所述重叠图斑的坡度均值，包括：
确定所述第一图层中各个所述重叠图斑，与预设的数字高程模型所指示的格网之间的重叠区域内的各个点；
针对每个所述点，基于邻域点的高程和预设的三阶反距离平方权算法模型，求解得到所述点的坡度值；
集合所述重叠区域内的各个所述点的所述坡度值，得到坡度数据层；
对所述坡度数据层和所述第一图层进行空间叠加，确定各个所述重叠图斑的多个所述坡度值；
针对每个所述重叠图斑，对多个所述坡度值进行均值统计，得到所述重叠图斑的坡度均值。
可选的，依据预设的约束条件，选取目标重叠图斑，包括：
获取预设的约束条件，所述约束条件用于指示所述筛选因子的取值范围；
依据所述筛选因子的所述取值范围，构建查询语句；
调用所述查询语句，从各个所述重叠图斑中筛选得到目标重叠图斑。
可选的，所述对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，包括：
获取初始数据，所述初始数据至少包括永久基本农田数据、以及公益林数据；
对所述永久基本农田数据、以及所述公益林数据进行坐标系统一；
对坐标系统一后的所述永久基本农田图层和所述公益林图层进行空间叠加相交分析，得到所述第一图层。
一种图斑提取装置，包括：
分析单元，用于对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，所述第一图层指示所述永久基本农田图层和所述公益林图层在空间位置上的各个重叠图斑；
计算单元，用于计算各个所述重叠图斑的形状、面积、所包含的地类区域、以及各种所述地类区域的面积占比；
筛选单元，用于确定所述重叠图斑的筛选因子，所述筛选因子包括所述形状、所述面积、所述地类区域、以及所述地类区域的所述面积占比；
选取单元，用于依据预设的约束条件，选取目标重叠图斑，所述目标重叠图斑为，所述筛选因子满足所述约束条件的所述重叠图斑。
一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行所述的图斑提取方法。
一种图斑提取设备，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行所述的图斑提取方法。
本申请提供的技术方案，对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，第一图层指示永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比。确定重叠图斑的筛选因子，筛选因子包括形状、面积、地类区域、以及地类区域的面积占比。依据预设的约束条件，选取目标重叠图斑，目标重叠图斑为，筛选因子满足约束条件的重叠图斑。可见，本实施例将形状、面积、地类区域、以及地类区域的面积占比，作为重叠图斑的筛选因子，能够依据预设的约束条件，针对性地从各个重叠图斑中筛选出目标重叠图斑，效率高，适用性强。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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1a为本申请实施例提供的一种图斑提取方法的示意图；
图1b为本申请实施例提供的一种局部移动窗口示意图；
图1c为本申请实施例提供的一种重叠区域内各个点的坡度值的示意图；
图1d为本申请实施例提供的一种坡度数据层的示意图；
图1e为本申请实施例提供的一种目标重叠图斑的示意图；
图2为本申请实施例提供的另一种图斑提取方法的示意图；
图3为本申请实施例提供的一种计算各个重叠图斑的形状的流程示意图；
图4为本申请实施例提供的一种计算各个重叠图斑的面积、所包含的地类区域、以及各种地类区域的面积占比的流程示意图；
图5为本申请实施例提供的一种计算各个重叠图斑的坡度均值的流程示意图；
图6为本申请实施例提供的一种选取目标重叠图斑的流程示意图；
图7为本申请实施例提供的一种图斑提取装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1a所示，为本申请实施例提供的一种图斑提取方法的示意图，包括如下步骤：
S101：获取初始数据，并对初始数据进行坐标系统一，得到地理坐标系相同的永久基本农田图层和公益林图层。
其中，初始数据包括永久基本农田数据、公益林数据、数字高程模型 (DigitalElevation Model，DEM)数据(DEM为使用一组有序数值阵列形式表示地面高程的一种实体地面模型，属于栅格数据模型的一种，在本实施例中，DEM的数据组织表达形式为格网大小为10m×10m的规则矩形格网，规则矩形格网中的点表示点的属性，即高程)、以及地理国情监测数据(是一种现有的用于反映各类资源、环境、生态、经济要素的空间分布及其发展规律的监测数据，例如，在地理图层上将某区域标识为“林地”、或者“耕地”等地类)。
需要说明的是，由于永久基本农田数据、公益林数据、以及地理国情监测数据各自所属的地理坐标系互不相同，因此，需要将永久基本农田数据、国家/省级公益林数据、以及地理国情监测数据各自所属的地理坐标系，统一成唯一的地理坐标系，即永久基本农田图层、公益林图层和地理国情监测数据同属于唯一的地理坐标系。在本实施例中，唯一的地理坐标系可以是 CGCS2000地理坐标系。
此外，将永久基本农田数据、公益林数据、以及地理国情监测数据各自所属的地理坐标系，统一成唯一的地理坐标系的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
S102：对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层。
其中，第一图层用于指示，永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。
需要说明的是，对永久基本农田图层和公益林图层进行空间叠加相交分析的具体实现过程，为本领域技术人员所熟悉的公知常识，例如，可以采用 GIS的空间分析技术，实现空间叠加相交分析。
S103：利用3×3局部移动窗口，遍历第一图层与DEM所指示的格网之间的重叠区域，得到重叠区域内的各个点，针对每个点，基于邻域点的高程和三阶反距离平方权算法模型，求解得到点的坡度值，集合重叠区域内的各个点的坡度值，得到坡度数据层。
其中，在本实施例中，可以采用3×3局部移动窗口，因此，中心点具体指的是局部移动窗口正中心的点，邻域点具体指的是局部移动窗口边界处的点。以图1b示出的3×3局部移动窗口为例，中心点为z5，邻域点为 z1,z2,z3,z4,z6,z7,z8,z9。
三阶反距离平方权算法模型如公式(1)所示：
Figure RE-GDA0002629209500000071
在公式(1)中，fx代表点在格网x方向上的偏导数，fy代表点在格网y 方向上的偏导数，g代表格网的分辨率，zi(i＝1,2,...,9)分别表示邻域点的高程。
需要说明的是，基于公式(1)得到fx和fy之后，将fx和fy代入公式(2)，计算得到点的坡度值。
Figure RE-GDA0002629209500000072
在公式(2)中，Percent代表点的坡度值。
具体的，计算得到重叠区域内的各个点的坡度值，如下述图1c所示，集合重叠区域内的各个点的坡度值，得到坡度数据层，如下述图1d所示。
S104：对坡度数据层和第一图层进行空间叠加，确定每个重叠图斑的多个坡度值。
具体的，以图1c示出的格网为例，图1c中的灰色区域代表重叠图斑，则重叠图斑覆盖下的各个格点内的坡度值，均为重叠图斑的坡度值。
S105：针对每个重叠图斑，对多个坡度值进行均值统计，得到每个重叠图斑的坡度均值。
其中，对多个坡度值进行均值统计的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
S106：基于预设的Python脚本，调用GIS的最小外接矩形算法，计算第一图层中每个重叠图斑的最小外接矩形、以及最小外接矩形的长和宽，得到每个重叠图斑所属的最小外接矩形图层。
其中，采用GIS的最小外接矩形算法，计算第一图层中重叠图斑的最小外接矩形、以及最小外接矩形的长和宽的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
S107：针对每个最小外接矩形图层，判断最小外接矩形的长和宽的比值是否大于预设阈值。
其中，若最小外接矩形的长和宽的比值大于预设阈值，则执行S108，否则执行S109。
需要说明的是，长和宽的比值的计算过程如公式(3)所示：
Figure RE-GDA0002629209500000081
在公式(3)中，Sh代表重叠图斑的狭长度，L代表最小外接矩形的长，W 代表最小外接矩形的宽。
S108：将最小外接矩形图层中重叠图斑的形状，标识为狭长多边形。
在执行S108之后，继续执行S110。
S109：将最小外接矩形图层中重叠图斑的形状，标识为非狭长多边形。
在执行S109之后，继续执行S110。
需要说明的是，在本实施例中，可以采用字段值标识重叠图斑的形状，例如，字段值为“1”，表示重叠图斑的形状为狭长多边形，字段值为“0”，表示重叠图斑的形状为非狭长多边形。
S110：将每个重叠图斑的形状标识，关联到第一图层中。
其中，将每个重叠图斑的形状标识，关联到第一图层中的具体实现过程，为本领域技术人员所熟悉的公知常识，例如，可以采用GIS的空间属性关联功能，建立各个最小外接矩形图层与第一图层之间的联系，使得第一图层中各个重叠图斑具备形状标识的属性。
需要说明的是，将每个重叠图斑的形状标识，关联到第一图层后，能够直观地获悉第一图层中每个重叠图斑的形状。
S111：对地理国情监测数据和第一图层进行空间叠加相交分析，得到第二图层。
其中，第二图层用于指示，第一图层中各个重叠图斑所包含的各种地类区域。例如，某一重叠图斑中包含三种地类区域，分别是“林地”区域、“耕地”区域、以及“水田”区域。
需要说明的是，在本实施例中，可以采用地理国情监测分类码表示地类区域的类型，例如，地理国情监测分类码“03％”表示“林地”。
S112：基于预设的Python脚本，调用GIS的空间查询算法，计算第二图层中每个重叠图斑的面积、以及每个重叠图斑所包含的地类区域的面积。
其中，采用GIS的空间查询算法，计算第二图层中每个重叠图斑的面积、以及每个重叠图斑所包含的地类区域的面积的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
S113：针对第二图层中每个重叠图斑的每种地类区域，计算重叠图斑所包含的地类区域的面积与重叠图斑的面积的比值，得到各个重叠图斑中各种地类区域的面积占比。
其中，计算重叠图斑所包含的地类区域的面积，与重叠图斑的面积的比值的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
S114：获取预设的约束条件，并依据约束条件，构建查询语句。
其中，约束条件用于指示坡度均值、面积、形状、地类区域、以及地类区域的面积占比各自的取值范围。具体的，依据坡度均值、面积、形状、地类区域、以及地类区域的面积占比各自的取值范围，构建查询语句。
需要说明的是，在本实施例中，查询语句的具体格式可以为空间SQL查询语句(一种现有的查询语句格式)。构建查询语句的具体实现过程为本领域技术人员所熟悉的公知常识，这里不再赘述。另外，获取预设的约束条件具体可以是：接收用户基于预设界面发送的约束条件信息，约束条件信息包括坡度均值、面积、形状、地类区域、以及地类区域的面积占比各自的取值范围。
具体的，所谓的空间SQL查询语句的实现原理为：创建重叠图斑的预设表，预设表存储有重叠图斑的各个属性(即坡度均值、面积、形状标识、所包含的地类区域、以及各种地类区域的面积占比)，设置约束条件，约束条件定义了预设表中各个属性的取值范围，例如，重叠图斑包含地理国情监测分类码为“03％”的地类区域，“03％”对应的地类区域的面积占比大于70％，重叠图斑的形状标识为狭长多边形，重叠图斑的坡度均值大于25度，重叠图斑的面积大于2000平方米。
相应的，针对上述举例的约束条件，空间SQL查询语句具体可以为：
CC_Code LIKE'03％'AND CodeScale>0.7AND hwScale＝'0'AND MEAN>25AND MJ>2000。
需要说明的是，CC_Code代表地理国情监测分类码，03％代表林地， CodeScale代表地类区域的面积占比，hwScale代表重叠图斑的形状标识是否狭长多边形，MEAN代表重叠图斑的坡度均值，MJ代表重叠图斑的面积。
此外，构建空间SQL查询语句的具体实现过程，为本领域技术人员所熟悉的公知常识，这里不再赘述。
S115：调用查询语句，从各个重叠图斑中筛选得到目标重叠图斑。
其中，目标重叠图斑为各个重叠图斑中，坡度均值、面积、形状标识、所包含的地类区域、以及地类区域的面积占比，满足约束条件所指示的取值范围的重叠图斑。
以“CC_Code LIKE'03％'AND CodeScale>0.7AND hwScale＝'0'AND MEAN>25ANDMJ>2000”的空间SQL查询语句为例，在调用空间SQL查询语句后，得到的目标重叠图斑，如图1e所示。
综上所述，基于预设的数字高程模型，计算每个重叠图斑的坡度均值。基于每个重叠图斑的最小外接矩形，确定每个重叠图斑的形状。基于地理国情监测数据，确定每个重叠图斑所包含的地类区域，并计算每个重叠图斑的面积、以及每个重叠图斑中各种地类区域的面积占比。获取预设的约束条件，并依据约束条件，构建查询语句。调用查询语句，从各个重叠图斑中筛选得到目标重叠图斑，目标重叠图斑为各个重叠图斑中，坡度均值、面积、形状标识、所包含的地类区域、以及地类区域的面积占比，满足约束条件所指示的取值范围的重叠图斑。可见，本实施例将形状、面积、地类区域、以及地类区域的面积占比，作为重叠图斑的筛选因子，能够依据预设的约束条件，针对性地从各个重叠图斑中筛选出目标重叠图斑，效率高，适用性强。
需要说明的是，上述实施例示出的流程，可以概括为图2示出的步骤。
如图2所示，为本申请实施例提供的另一种图斑提取方法的示意图，包括如下步骤：
S201：对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层。
其中，第一图层指示永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。
可选的，在本实施例中，会预先获取初始数据，初始数据至少包括永久基本农田数据、以及公益林数据，而后对永久基本农田数据、以及公益林数据进行坐标系统一，得到地理坐标系相同的永久基本农田图层和公益林图层。最后，对坐标系统一后的永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层。
S202：计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比。
其中，计算各个重叠图斑的形状的具体实现过程，可以参见下述图3示出的步骤、以及步骤的解释说明。
另外，计算各个重叠图斑的面积、所包含的地类区域、以及各种地类区域的面积占比的具体实现过程，可以参见下述图4示出的步骤、以及步骤的解释说明。
可选的，在本实施例中，还可以基于预设的数字高程模型，计算各个重叠图斑的坡度均值。
需要说明的是，基于预设的数字高程模型，计算各个重叠图斑的坡度均值的具体实现过程，可以参见下述图5示出的步骤、以及步骤的解释说明。
S203：确定重叠图斑的筛选因子。
其中，筛选因子包括形状、面积、地类区域、以及地类区域的面积占比。
可选的，筛选因子还包括坡度均值。
S204：依据预设的约束条件，选取目标重叠图斑。
其中，目标重叠图斑为，筛选因子满足约束条件的重叠图斑。
需要说明的是，依据预设的约束条件，选取目标重叠图斑的具体实现过程，可以参见下述图6示出的步骤、以及步骤的解释说明。
综上所述，对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，第一图层指示永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比。确定重叠图斑的筛选因子，筛选因子包括形状、面积、地类区域、以及地类区域的面积占比。依据预设的约束条件，选取目标重叠图斑，目标重叠图斑为，筛选因子满足约束条件的重叠图斑。可见，本实施例将形状、面积、地类区域、以及地类区域的面积占比，作为重叠图斑的筛选因子，能够依据预设的约束条件，针对性地从各个重叠图斑中筛选出目标重叠图斑，效率高，适用性强。
如图3所示，为本申请实施例提供的一种计算各个重叠图斑的形状的流程示意图，包括如下步骤：
S301：基于预设脚本，调用最小外接矩形算法，计算各个重叠图斑的最小外接矩形、以及最小外接矩形的长和宽，得到各个重叠图斑各自所属的最小外接矩形图层。
其中，上述实施例提及的Python脚本，为本实施例所述预设脚本的一种具体表现方式。
S302：针对每个最小外接矩形图层，判断最小外接矩形的长和宽的比值是否大于预设阈值。
其中，若长和宽的比值大于预设阈值，则执行S303，否则执行S304。
S303：将最小外接矩形图层中重叠图斑的形状，标识为狭长多边形。
S304：将最小外接矩形图层中重叠图斑的形状，标识为非狭长多边形。
综上所述，本实施例通过调用最小外接矩形算法，能够有效计算得到各个重叠图斑的形状。
如图4所示，为本申请实施例提供的一种计算各个重叠图斑的面积、所包含的地类区域、以及各种地类区域的面积占比的流程示意图，包括如下步骤：
S401：将预设的地理国情监测数据和第一图层进行空间叠加相交分析，得到第二图层。
其中，第二图层指示第一图层中各个重叠图斑所包含的各种地类区域。
S402：基于预设脚本，调用空间查询算法，计算各个重叠图斑的第一面积和第二面积。
其中，第一面积指示重叠图斑的面积，第二面积指示重叠图斑所包含的地类区域的面积。
需要说明的是，上述实施例提及的GIS的空间查询算法，为本实施例所述空间查询算法的一种具体表现方式。S402的具体执行过程和实现原理，与上述S112的具体执行过程和实现原理一致，这里不再赘述。
S403：针对每个重叠图斑中的每种地类区域，计算第二面积与第一面积的比值，得到各个重叠图斑中各种地类区域的面积占比。
其中，S403的具体执行过程和实现原理，与上述S113的具体执行过程和实现原理一致，这里不再赘述。
综上所述，将预设的地理国情监测数据和第一图层进行空间叠加相交分析，得到第二图层。调用空间查询算法，计算各个重叠图斑的第一面积和第二面积，并计算第二面积与第一面积的比值。可见，本实施例能够利用地理国情监测数据和空间查询算法，有效计算得到各个重叠图斑的面积、所包含的地类区域、以及各种地类区域的面积占比。
如图5所示，为本申请实施例提供的一种计算各个重叠图斑的坡度均值的流程示意图，包括如下步骤：
S501：确定第一图层中各个重叠图斑，与预设的数字高程模型所指示的格网之间的重叠区域内的各个点。
其中，上述实施例中提及的利用3×3局部移动窗口，遍历第一图层与 DEM所指示的格网之间的重叠区域，得到重叠区域内的各个点，为S501的一种具体表现方式。
S502：针对每个点，基于邻域点的高程和预设的三阶反距离平方权算法模型，求解得到点的坡度值。
其中，邻域点为以点为中心、预设范围内的其他点。上述实施例提及的3 ×3局部移动窗口，为本实施例所述预设范围的一种具体表现方式。
需要说明的是，S502的具体执行过程和实现原理，与上述S103的具体执行过程和实现原理一致，这里不再赘述。
S503：集合重叠区域内的各个点的坡度值，得到坡度数据层。
S504：对坡度数据层和第一图层进行空间叠加，确定各个重叠图斑的多个坡度值。
S505：针对每个重叠图斑，对多个坡度值进行均值统计，得到重叠图斑的坡度均值。
综上所述，利用预设的数字高程模型和三阶反距离平方权算法模型，本实施例能够有效计算得到各个重叠图斑的坡度均值。
如图6所示，为本申请实施例提供的一种选取目标重叠图斑的流程示意图，包括如下步骤：
S601：获取预设的约束条件。
其中，约束条件用于指示筛选因子的取值范围。
S602：依据筛选因子的取值范围，构建查询语句。
其中，S602的具体执行过程和实现原理，与上述S114的具体执行过程和实现原理一致，这里不再赘述。
S603：调用查询语句，从各个重叠图斑中筛选得到目标重叠图斑。
综上所述，预先针对筛选因子，预先设置约束条件，而后构建各个查询语句，在进行重叠图斑提起过程是，调用目标查询语句，从各个重叠图斑中筛选得到目标重叠图斑。可见，本实施例无需人工筛选目标重叠图斑，效率高。
与上述实施例提供的图斑提取方法相对应，本申请还提供了一种图斑提取装置。
如图7所示，为本申请实施例提供的一种图斑提取装置的结构示意图，包括：
分析单元100，用于对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，第一图层指示永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。
其中，分析单元100对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层的具体实现过程包括：获取初始数据，初始数据至少包括永久基本农田数据、以及公益林数据。对永久基本农田数据、以及公益林数据进行坐标系统一，得到地理坐标系相同的永久基本农田图层和公益林图层。对坐标系统一后的永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层。
计算单元200，用于计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比。
其中，计算单元200计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比的具体实现过程包括：基于预设脚本，调用最小外接矩形算法，计算各个重叠图斑的最小外接矩形、以及最小外接矩形的长和宽，得到各个重叠图斑各自所属的最小外接矩形图层。针对每个最小外接矩形图层，判断最小外接矩形的长和宽的比值是否大于预设阈值。在长和宽的比值大于预设阈值的情况下，将最小外接矩形图层中重叠图斑的形状，标识为狭长多边形。在长和宽的比值不大于预设阈值的情况下，将最小外接矩形图层中重叠图斑的形状，标识为非狭长多边形。将预设的地理国情监测数据和第一图层进行空间叠加相交分析，得到第二图层，第二图层指示第一图层中各个重叠图斑所包含的各种地类区域。基于预设脚本，调用空间查询算法，计算各个重叠图斑的第一面积和第二面积，第一面积指示重叠图斑的面积，第二面积指示重叠图斑所包含的地类区域的面积。针对每个重叠图斑的每种地类区域，计算第二面积与第一面积的比值，得到各个重叠图斑中各种地类区域的面积占比。
另外，计算单元200还用于基于预设的数字高程模型，计算各个重叠图斑的坡度均值。
在本实施例中，计算单元200基于预设的数字高程模型，计算各个重叠图斑的坡度均值的具体实现过程包括：确定第一图层中各个重叠图斑，与预设的数字高程模型所指示的格网之间的重叠区域内的各个点。针对每个点，基于邻域点的高程和预设的三阶反距离平方权算法模型，求解得到点的坡度值，邻域点为以点为中心、预设范围内的其他点。集合重叠区域内的各个点的坡度值，得到坡度数据层。对坡度数据层和第一图层进行空间叠加，确定各个重叠图斑的多个坡度值。针对每个重叠图斑，对多个坡度值进行均值统计，得到重叠图斑的坡度均值。
筛选单元300，用于确定重叠图斑的筛选因子，筛选因子包括形状、面积、地类区域、以及地类区域的面积占比。
另外，筛选因子还包括坡度均值。
选取单元400，用于依据预设的约束条件，选取目标重叠图斑，目标重叠图斑为，筛选因子满足约束条件的重叠图斑。
其中，选取单元400依据预设的约束条件，选取目标重叠图斑的具体实现过程包括：获取预设的约束条件，约束条件用于指示筛选因子的取值范围。依据筛选因子的取值范围，构建查询语句。调用查询语句，从各个重叠图斑中筛选得到目标重叠图斑。
综上所述，对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，第一图层指示永久基本农田图层和公益林图层在空间位置上的各个重叠图斑。计算各个重叠图斑的形状、面积、所包含的地类区域、以及各种地类区域的面积占比。确定重叠图斑的筛选因子，筛选因子包括形状、面积、地类区域、以及地类区域的面积占比。依据预设的约束条件，选取目标重叠图斑，目标重叠图斑为，筛选因子满足约束条件的重叠图斑。可见，本实施例将形状、面积、地类区域、以及地类区域的面积占比，作为重叠图斑的筛选因子，能够依据预设的约束条件，针对性地从各个重叠图斑中筛选出目标重叠图斑，效率高，适用性强。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述本申请提供的图斑提取方法。
本申请还提供了一种图斑提取设备，包括：处理器、存储器和总线。处理器与存储器通过总线连接，存储器用于存储程序，处理器用于运行程序，其中，程序运行时执行上述本申请提供的图斑提取方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种图斑提取方法，其特征在于，包括：
对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，所述第一图层指示所述永久基本农田图层和所述公益林图层在空间位置上的各个重叠图斑；
计算各个所述重叠图斑的形状、面积、所包含的地类区域、以及各种所述地类区域的面积占比；
确定所述重叠图斑的筛选因子，所述筛选因子包括所述形状、所述面积、所述地类区域、以及所述地类区域的所述面积占比；
依据预设的约束条件，选取目标重叠图斑，所述目标重叠图斑为，所述筛选因子满足所述约束条件的所述重叠图斑。
2.根据权利要求1所述的方法，其特征在于，所述计算各个所述重叠图斑的形状，包括：
基于预设脚本，调用最小外接矩形算法，计算各个所述重叠图斑的最小外接矩形、以及所述最小外接矩形的长和宽，得到各个所述重叠图斑各自所属的最小外接矩形图层；
针对每个所述最小外接矩形图层，判断所述最小外接矩形的所述长和所述宽的比值是否大于预设阈值；
在所述长和所述宽的比值大于所述预设阈值的情况下，将所述最小外接矩形图层中所述重叠图斑的形状，标识为狭长多边形；
在所述长和所述宽的比值不大于所述预设阈值的情况下，将所述最小外接矩形图层中所述重叠图斑的形状，标识为非狭长多边形。
3.根据权利要求1所述的方法，其特征在于，计算各个所述重叠图斑的所述面积、所包含的所述地类区域、以及各种所述地类区域的所述面积占比，包括：
将预设的地理国情监测数据和所述第一图层进行空间叠加相交分析，得到第二图层，所述第二图层指示所述第一图层中各个所述重叠图斑所包含的各种地类区域；
基于预设脚本，调用空间查询算法，计算各个所述重叠图斑的第一面积和第二面积，所述第一面积指示所述重叠图斑的面积，所述第二面积指示所述重叠图斑所包含的所述地类区域的面积；
针对每个所述重叠图斑的每种所述地类区域，计算所述第二面积与所述第一面积的比值，得到各个所述重叠图斑中各种所述地类区域的面积占比。
4.根据权利要求1所述的方法，其特征在于，还包括：
基于预设的数字高程模型，计算各个所述重叠图斑的坡度均值；
所述筛选因子还包括：
所述坡度均值。
5.根据权利要求4所述的方法，其特征在于，所述基于预设的数字高程模型，计算各个所述重叠图斑的坡度均值，包括：
确定所述第一图层中各个所述重叠图斑，与预设的数字高程模型所指示的格网之间的重叠区域内的各个点；
针对每个所述点，基于邻域点的高程和预设的三阶反距离平方权算法模型，求解得到所述点的坡度值；
集合所述重叠区域内的各个所述点的所述坡度值，得到坡度数据层；
对所述坡度数据层和所述第一图层进行空间叠加，确定各个所述重叠图斑的多个所述坡度值；
针对每个所述重叠图斑，对多个所述坡度值进行均值统计，得到所述重叠图斑的坡度均值。
6.根据权利要求1所述的方法，其特征在于，依据预设的约束条件，选取目标重叠图斑，包括：
获取预设的约束条件，所述约束条件用于指示所述筛选因子的取值范围；
依据所述筛选因子的所述取值范围，构建查询语句；
调用所述查询语句，从各个所述重叠图斑中筛选得到目标重叠图斑。
7.根据权利要求1-6任意一项所述的方法，其特征在于，所述对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，包括：
获取初始数据，所述初始数据至少包括永久基本农田数据、以及公益林数据；
对所述永久基本农田数据、以及所述公益林数据进行坐标系统一；
对坐标系统一后的所述永久基本农田图层和所述公益林图层进行空间叠加相交分析，得到所述第一图层。
8.一种图斑提取装置，其特征在于，包括：
分析单元，用于对永久基本农田图层和公益林图层进行空间叠加相交分析，得到第一图层，所述第一图层指示所述永久基本农田图层和所述公益林图层在空间位置上的各个重叠图斑；
计算单元，用于计算各个所述重叠图斑的形状、面积、所包含的地类区域、以及各种所述地类区域的面积占比；
筛选单元，用于确定所述重叠图斑的筛选因子，所述筛选因子包括所述形状、所述面积、所述地类区域、以及所述地类区域的所述面积占比；
选取单元，用于依据预设的约束条件，选取目标重叠图斑，所述目标重叠图斑为，所述筛选因子满足所述约束条件的所述重叠图斑。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1-7任意一项所述的图斑提取方法。
10.一种图斑提取设备，其特征在于，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-7任意一项所述的图斑提取方法。
CN202010640836.3A 2020-07-06 2020-07-06 一种图斑提取方法及装置 Pending CN111797190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010640836.3A CN111797190A (zh) 2020-07-06 2020-07-06 一种图斑提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010640836.3A CN111797190A (zh) 2020-07-06 2020-07-06 一种图斑提取方法及装置

Publications (1)

Publication Number Publication Date
CN111797190A true CN111797190A (zh) 2020-10-20

Family

ID=72811310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010640836.3A Pending CN111797190A (zh) 2020-07-06 2020-07-06 一种图斑提取方法及装置

Country Status (1)

Country Link
CN (1) CN111797190A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765296A (zh) * 2021-01-14 2021-05-07 武汉光庭信息技术股份有限公司 一种网格化图斑核查方法及系统
CN113377891A (zh) * 2021-06-30 2021-09-10 中国测绘科学研究院 一种面向空间矢量数据图斑面积的平差方法
CN117392550A (zh) * 2023-12-11 2024-01-12 天津市勘察设计院集团有限公司 基于高分辨率遥感影像的自然要素提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636870A (zh) * 2018-12-04 2019-04-16 中国测绘科学研究院 一种狭长图斑分块融解方法及装置
CN111127634A (zh) * 2019-12-20 2020-05-08 山东省国土测绘院 土地利用数据的图斑叠加方法、装置、设备及存储介质
CN111583359A (zh) * 2020-06-01 2020-08-25 云南省地图院 一种农田面状图斑的坡度信息提取方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636870A (zh) * 2018-12-04 2019-04-16 中国测绘科学研究院 一种狭长图斑分块融解方法及装置
CN111127634A (zh) * 2019-12-20 2020-05-08 山东省国土测绘院 土地利用数据的图斑叠加方法、装置、设备及存储介质
CN111583359A (zh) * 2020-06-01 2020-08-25 云南省地图院 一种农田面状图斑的坡度信息提取方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
关明;胡耀崇;: "基于ArcGIS实现第三次国土调查项目自主举证图斑的提取", 经纬天地 *
和万荣;罗志青;李和忠;: "DEM数据提取图斑坡度值精度研究", 昆明冶金高等专科学校学报 *
林祥国;张继贤;: "面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用", 测绘学报 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765296A (zh) * 2021-01-14 2021-05-07 武汉光庭信息技术股份有限公司 一种网格化图斑核查方法及系统
CN112765296B (zh) * 2021-01-14 2022-05-27 武汉光庭信息技术股份有限公司 一种网格化图斑核查方法及系统
CN113377891A (zh) * 2021-06-30 2021-09-10 中国测绘科学研究院 一种面向空间矢量数据图斑面积的平差方法
CN113377891B (zh) * 2021-06-30 2023-11-03 中国测绘科学研究院 一种面向空间矢量数据图斑面积的平差方法
CN117392550A (zh) * 2023-12-11 2024-01-12 天津市勘察设计院集团有限公司 基于高分辨率遥感影像的自然要素提取方法

Similar Documents

Publication Publication Date Title
CN111797190A (zh) 一种图斑提取方法及装置
Sakieh et al. Evaluating the strategy of decentralized urban land-use planning in a developing region
JP6141393B2 (ja) 目標位置を確定するための方法及び装置
US20200118075A1 (en) Method and apparatus for dividing delivery regions, electronic device, and computer-readable storage medium
CN110765219B (zh) 地理围栏生成方法、装置、计算机设备和存储介质
Miranda et al. Evidence-based mapping of the wildland-urban interface to better identify human communities threatened by wildfires
Rosan et al. A multi-data assessment of land use and land cover emissions from Brazil during 2000–2019
Dendoncker et al. A statistical method to downscale aggregated land use data and scenarios
Adhikari et al. Inventory and characterization of new populations through ecological niche modelling improve threat assessment
CN105188030A (zh) 一种移动网络数据进行地理栅格映射的方法
CN101593210A (zh) 一种提高空间分辨率和更新速度的人口统计方法及系统
Liang et al. Connecting urban area with rural hinterland: A stepwise ecological security network construction approach in the urban–rural fringe
CN109598056B (zh) 城市建设用地形态紧凑度的测度方法、系统及存储介质
Shen et al. A multi-scale analysis framework of different methods used in establishing ecological networks
Sharafi et al. Integrating environmental gap analysis with spatial conservation prioritization: A case study from Victoria, Australia
de Sousa Miranda et al. Combining connectivity and species distribution modeling to define conservation and restoration priorities for multiple species: a case study in the Eastern Amazon
CN113240257A (zh) 一种基于最小累积阻力模型的国土空间分区方法和装置
Yu et al. Low-elevation endemic Rhododendrons in China are highly vulnerable to climate and land use change
Yin et al. Identifying multispecies dispersal corridor priorities based on circuit theory: A case study in Xishuangbanna, Southwest China
CN112887910B (zh) 异常覆盖区域的确定方法、装置和计算机可读存储介质
CN116721781A (zh) 虫媒传染病传播风险的预测方法、装置、电子设备及介质
CN113205042B (zh) 一种城市多层次边界的识别方法及系统
CN115908318A (zh) 电力线弧垂确定方法、装置、设备、介质和产品
Cui et al. Structural Evolution and Stability Simulation of Wetland Ecological Network: A Case Study of Wuhan City, China
CN115588086A (zh) 地图划分方法、装置、计算机可读存储介质及处理器

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