CN111984701A - 乡村聚落演化的预测方法、装置、设备及存储介质 - Google Patents
乡村聚落演化的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111984701A CN111984701A CN202010830468.9A CN202010830468A CN111984701A CN 111984701 A CN111984701 A CN 111984701A CN 202010830468 A CN202010830468 A CN 202010830468A CN 111984701 A CN111984701 A CN 111984701A
- Authority
- CN
- China
- Prior art keywords
- target
- settlement unit
- rural
- village
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000009471 action Effects 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000011160 research Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012732 spatial analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000803 paradoxical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种乡村聚落演化的预测方法、装置、设备及存储介质，属于城乡规划技术领域。该方法包括：获取待研究的目标乡村聚落单元的时空属性数据；从目标乡村聚落单元的多个潜力驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子；根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小；根据作用大小，获取目标乡村聚落单元的预测信息；根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型。本申请可以提高对乡村聚落单元演变类型预测的准确性，并实现多目标规划情景下的乡村聚落单元演变预测。
Description
技术领域
本申请涉及城乡规划技术领域，具体而言，涉及一种乡村聚落演化的预测方法、装置、设备及存储介质。
背景技术
快速城镇化、工业化、信息化背景下，目前乡村聚落面临资源环境约束、区域发展不平衡、人口流失严重、地域文化衰微等突出问题，迫切需要乡村振兴，对乡村聚落演化进行预测，可以预防上述出现的问题。
现有研究对于乡村聚落演化驱动力机制主要从静态角度出发，忽视了长时段的驱动力以及聚落之间的空间异质性，所选取的驱动因子忽视了不同自然条件、发展基础等背景下不同地区驱动力的内涵和目标的差异，不能体现驱动力的时空差异性，因此，对乡村聚落演化的预测相对不够准确。
发明内容
本申请的目的在于提供一种乡村聚落演化的预测方法、装置、设备及存储介质，可以提高对乡村聚落单元的演变类型预测的准确性。
本申请的实施例是这样实现的：
本申请实施例的一方面，提供一种乡村聚落演化的预测方法，包括：
获取待研究的目标乡村聚落单元的时空属性数据；时空属性数据包括：目标乡村聚落单元的多个潜力驱动因子，以及目标乡村聚落单元的面积变化值；
从目标乡村聚落单元的多个潜力驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子；
根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小；
根据作用大小，获取目标乡村聚落单元的预测信息；
根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型。
可选地，获取待研究的目标乡村聚落单元的时空属性数据，包括：
根据预设地理范围提取多个历史时期的乡村聚落空间分布矢量数据，从预设地理范围内确定目标乡村聚落单元；
根据预设地理范围的多源时空数据，对目标乡村聚落单元进行时空属性信息的时空匹配，确定目标乡村聚落单元的时空属性数据；其中，多源时空数据包括：多个数据源的时空数据。
可选地，多个数据源的时空数据包括：非空间数据，和空间数据；
根据预设地理范围的多源时空数据，对目标乡村聚落单元进行时空属性信息的时空匹配，确定目标乡村聚落单元的时空属性数据，包括：
将非空间数据和空间数据进行关联；
根据目标乡村聚落单元的空间位置，将对应空间位置的空间数据以及对应非空间数据进行匹配，得到目标乡村聚落单元的时空属性数据；目标乡村聚落单元的时空属性数据包括：与目标乡村聚落单元的空间位置匹配的空间数据和非空间数据。
可选地，时空属性数据为面板数据格式的时空属性数据；从多个驱动因子中确定满足预设条件的驱动因子为乡村聚落单元的目标驱动因子，包括：
采用面板回归模型，对面板数据格式的多个驱动因子以及乡村聚落单元的面积变化值进行处理，得到每个驱动因子的第一回归系数；
根据多个驱动因子的第一回归系数，从多个驱动因子中确定满足预设条件的驱动因子为目标驱动因子。
可选地，根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小，包括：
基于地理时空加权回归模型，对目标驱动因子以及乡村聚落单元的面积变化值进行处理，得到多个时空信息下的目标驱动因子的第二回归系数；
根据多个时空信息下的目标驱动因子的第二回归系数，确定作用大小。
可选地，根据作用大小，获取目标乡村聚落单元的预测信息，包括：
基于作用大小以及预存的规划调控文件，得到乡村聚落单元的最优驱动组合，最优驱动组合包括：目标驱动因子中的多个驱动因子；
相应的，根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型，包括：
根据最优驱动组合，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
可选地，根据作用大小，获取目标乡村聚落单元的预测信息，包括：
基于作用大小以及预存的乡村聚落面积规模的历史数据趋势，模拟预测乡村聚落单元的未来面积规模大小；
相应的，根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型，包括：
根据乡村聚落单元的未来面积规模大小，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
本申请实施例的另一方面，提供一种乡村聚落演化的预测装置，该预测装置包括：获取模块、确定模块；
获取模块，用于获取待研究的目标乡村聚落单元的时空属性数据；时空属性数据包括：目标乡村聚落单元的多个潜力驱动因子，以及目标乡村聚落单元的面积变化值；
确定模块，用于从目标乡村聚落单元的多个潜力驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子；
确定模块，还用于根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小；
获取模块，还用于根据作用大小，获取目标乡村聚落单元的预测信息；
确定模块，还用于根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型。
可选地，获取模块，具体用于根据预设地理范围提取多个历史时期的乡村聚落空间分布矢量数据，从预设地理范围内确定目标乡村聚落单元；根据预设地理范围的多源时空数据，对目标乡村聚落单元进行时空属性信息的时空匹配，确定目标乡村聚落单元的时空属性数据；其中，多源时空数据包括：多个数据源的时空数据。
可选地，多个数据源的时空数据包括：非空间数据，和空间数据；确定模块，具体用于将非空间数据和空间数据进行关联；根据目标乡村聚落单元的空间位置，将对应空间位置的空间数据以及对应非空间数据进行匹配，得到目标乡村聚落单元的时空属性数据；目标乡村聚落单元的时空属性数据包括：与目标乡村聚落单元的空间位置匹配的空间数据和非空间数据。
可选地，时空属性数据为面板数据格式的时空属性数据；确定模块，具体用于采用面板回归模型，对面板数据格式的多个驱动因子以及乡村聚落单元的面积变化值进行处理，得到每个驱动因子的第一回归系数；根据多个驱动因子的第一回归系数，从多个驱动因子中确定满足预设条件的驱动因子为目标驱动因子。
可选地，确定模块，具体用于基于地理时空加权回归模型，对目标驱动因子以及乡村聚落单元的面积变化值进行处理，得到多个时空信息下的目标驱动因子的第二回归系数；根据多个时空信息下的目标驱动因子的第二回归系数，确定作用大小。
可选地，获取模块，具体用于基于作用大小以及预存的规划调控文件，得到乡村聚落单元的最优驱动组合，最优驱动组合包括：目标驱动因子中的多个驱动因子；相应地，确定模块，具体用于根据最优驱动组合，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
可选地，获取模块，具体用于基于作用大小以及预存的乡村聚落面积规模的历史数据趋势，模拟预测乡村聚落单元的未来面积规模大小；相应地，确定模块，具体用于根据乡村聚落单元的未来面积规模大小，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
本申请实施例的另一方面，提供一种计算机设备，包括：存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述乡村聚落演化的预测方法的步骤。
本申请实施例的另一方面，提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现上述乡村聚落演化的预测方法的步骤。
本申请实施例的有益效果包括：
本申请实施例提供的一种乡村聚落演化的预测方法、装置、设备及存储介质，可以获取待研究的目标乡村聚落单元的时空属性数据并从多个潜力驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子，进而可以根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小，并根据作用大小，获取目标乡村聚落单元的预测信息，根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型，综合考虑了时空间因素的影响，提高了对乡村聚落单元的演变类型预测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的乡村聚落演化的预测方法的流程示意图；
图2为本申请实施例提供的获取时空属性数据的流程示意图；
图3为本申请实施例提供的确定目标乡村聚落单元的时空属性数据的流程示意图；
图4为本申请实施例提供的确定目标驱动因子的流程示意图；
图5为本申请实施例提供的确定作用大小的流程示意图；
图6为本申请实施例提供的获取目标乡村聚落单元的预测信息的流程示意图；
图7为本申请实施例提供的获取目标乡村聚落单元的预测信息的另一流程示意图；
图8为本申请实施例提供的乡村聚落演化的预测装置的结构示意图；
图9为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。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，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请基于不同乡村聚落在不同时期、不同发展阶段驱动机制不同、演化趋势的规律不同，构建跨时空尺度的三维驱动体系，因时因地动态模拟乡村聚落未来发展趋势，针对我国不同地域、不同类型乡村聚落的自然环境、资源禀赋、社会发展以及空间形态存在普遍区域差异性的问题，揭示我国乡村聚落的地域差异性特征及其演化驱动影响因素。此外，现有研究主要面向乡村聚落的“过去”总结演化规律，本申请以时空驱动模拟技术，面向“现在”和“未来”的乡村聚落，总结和预测乡村聚落空间演变的未来趋势以及现时段对其调整的必要性和合理性，为相关政策的制定立据。
传统的定量驱动力分析方法常采用多元线性回归和逻辑回归，这些传统回归方法主要是基于观测值独立的假定理论上建立，然而，观测值独立在现实生活中尤其是遇到空间数据时并不是普遍存在的。而面板回归兼具横截面数据和时间序列数据的特征，能够明确考虑对象的异质性，即可以考虑某一对象随着时间变化的信息，其能够更好地检测和度量纯粹使用截面数据或时间序列数据所无法观测到的影响，但其无法考虑空间上两个个体互相影响的作用。本申请采用面板回归模型，确定了乡村聚落演变的显著驱动因子，为之后不同时段不同区域驱动因子模拟提供支撑。
空间计量经济学模型的空间自回归模型(包括空间滞后模型和空间误差模型)、地理加权回归模型可较好地纠正传统回归统计方法的误差。空间自回归模型是在一般回归分析理论的基础上引入了空间依赖性理论和技术，但模型忽略了空间分异性特征，假设同一个驱动力因子作用大小相同，从而影响了评价的精确性。故要综合评价推动乡村聚落空间演变的机制，还需从局部进行评价。地理加权回归模型观察值的权重在回归过程中不再维持不变，而是通过与位置i的邻接程度来进行加权，探讨每一个观测点的驱动力因素与乡村聚落演变的关系，但该模型方法没有从历史性角度考虑驱动模拟机制。时间演变过程反映了人类经济活动在一定地域上的空间组织形式和相互关系，体现了乡村聚落形成、发展及其空间格局的共性特征与区域差异。因此，乡村聚落驱动模拟技术需要考虑回归系数不仅随着位置变化而变化，也随时间而发生变化，选取更有效的驱动模拟方法来预测未来乡村聚落规模演变的类型。
针对现有研究时空尺度单一、驱动要素的系统性不强、模型精简度不够等问题，为了克服上述技术的不足，本申请基于数据融合及信息挖掘，设计乡村聚落时空演化基础信息数据库架构，在基于面板回归模型的基础上，筛选具有显著影响作用的驱动因子，并通过时空地理加权回归模型考虑时空因素的影响，为评价不同时段乡村聚落规模演变的主导驱动力因素提供切实有效的方法，从历时性层面分析乡村聚落的形成与演化过程，并预测未来乡村聚落发展趋势，揭示乡村聚落体系演化的脉络规律。
下面通过具体的实施例来解释本申请中提供的乡村聚落演化的预测方法的具体流程。
图1为本申请实施例提供的乡村聚落演化的预测方法的流程示意图，请参照图1，该预测方法包括：
S110：获取待研究的目标乡村聚落单元的时空属性数据。
其中，时空属性数据包括：目标乡村聚落单元的多个潜力驱动因子，以及目标乡村聚落单元的面积变化值。
需要说明的是，待研究的目标乡村聚落单元可以是本申请中需要进行预测研究的乡村聚落单元，每个乡村聚落单元可以是自然划分或者人为划分的乡村地区人类各种形式的居住场所(即村落)，可以包括村庄和乡村集镇等。本申请的实施例中，乡村聚落单元可以是通过按照一定规律采样所得到的。
潜力驱动因子可以是对该乡村聚落单元的面积发展产生驱动作用的因素，例如：地理位置、水流因素、气候条件等。
目标乡村聚落单元的面积变化值可以是该驱动因子对乡村聚落面积产生影响而导致的面积发生变化的大小。目标乡村聚落单元可以是一个乡村聚落单元也可以是多个乡村聚落单元，根据待研究的数量来确定乡村聚落单元的具体数量多少。
S120：从目标乡村聚落单元的多个潜力驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子。
需要说明的是，可以从上述多个潜力驱动因子中按照一定筛选规则，筛选出满足预设条件的驱动因子，作为目标乡村聚落单元的目标驱动因子。可选地，预设条件可以是该驱动因子对目标乡村聚落单元具有显著性驱动影响的驱动因子，将这类驱动因子作为目标驱动因子。相应地，上述筛选规则也可以是对驱动因子的显著性进行筛选，显著性的驱动因子即为可以有效驱动面积变化的驱动因子。
S130：根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小。
需要说明的是，多个时空信息下的目标驱动因子可以是不同的时间和空间下的目标驱动因子。可选地，可以是同一空间的不同历史时间的目标驱动因子、也可以是同一时间的不同地理空间的目标驱动因子、也可以是时间空间都不相同的目标驱动因子，在此不作限制。
作用大小可以是对目标乡村聚落单元的面积变化影响的相对大小，可选地，可以分别分析同一空间的不同历史时间的目标驱动因子对目标乡村聚落单元的面积变化影响的作用大小、同一时间的不同地理空间的目标驱动因子对目标乡村聚落单元的面积变化影响的作用大小。
S140：根据作用大小，获取目标乡村聚落单元的预测信息。
需要说明的是，根据得到的目标驱动因子的作用大小，采用预设的预测信息计算方式，可以获取目标乡村聚落单元的预测信息；其中，目标乡村聚落单元的预测信息可以是用于对目标乡村聚落单元未来面积变化发展的预测参考信息。
S150：根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型。
需要说明的是，可以对目标乡村聚落单元进行分类，将目标乡村聚落单元分为多种演变类别，包括：稳定型、快速收缩型、衰落型、成长型、快速扩张型等，可以根据预测信息中对目标乡村聚落单元未来面积变化发展的情况来具体判定目标乡村聚落单元的演变类别。
本申请实施例提供的一种乡村聚落演化的预测方法，可以获取待研究的目标乡村聚落单元的时空属性数据并从多个驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子，进而可以根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小，并根据作用大小，获取目标乡村聚落单元的预测信息，根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型，综合考虑了时空间因素的影响，提高了对乡村聚落单元的演变类型预测的准确性。
下面通过具体的实施例来解释本申请中获取时空属性数据的具体过程。
图2为本申请实施例提供的获取时空属性数据的流程示意图，请参照图2，S110：获取待研究的目标乡村聚落单元的时空属性数据，包括：
S210：根据预设地理范围提取多个历史时期的乡村聚落空间分布矢量数据，从预设地理范围内确定目标乡村聚落单元。
需要说明的是，可以基于GIS(Geographic Information System，地理信息系统)平台，例如：ArcGIS平台，从多个不同时期的土地利用/土地覆盖遥感监测数据库中，通过查询筛选属性表的方式提取乡村聚落的地类图斑，进而获取多个历史时期的乡村聚落空间分布矢量数据。
在预设地理范围内进行采样以及空间关联可以获取目标乡村聚落单元。可选地，采样方法可以按照四年一期以每一个乡村聚落的最大边界，提取每一个乡村聚落单元，从而确定该聚落随着时间发生的空间演变。通过预处理，例如：叠加、消除等操作，并结合目视判别，提取在可识别精度范围内面积发生变化的乡村聚落单元，这些乡村聚落单元即为待研究的目标乡村聚落单元。
S220：根据预设地理范围的多源时空数据，对目标乡村聚落单元进行时空属性信息的时空匹配，确定目标乡村聚落单元的时空属性数据。
其中，多源时空数据包括：多个数据源的时空数据。
需要说明的是，可以将预设地理范围的多源时空数据的时空属性信息转化为目标乡村聚落单元的时空属性信息，其中，时空匹配前可以将预设地理范围的多源时空数据的地理坐标系与目标乡村聚落单元地理坐标系转换，以实现多源数据的数字化叠合。
可选地，可以将上述预设地理范围的多源时空数据的地理坐标系与目标乡村聚落单元地理坐标系转换为同一坐标系，以实现二者的相互转换，并可以对这些坐标系进行存储，例如：SHP格式的文件。
下面通过具体的实施例来解释本申请中提供的确定目标乡村聚落单元的时空属性数据具体过程。
图3为本申请实施例提供的确定目标乡村聚落单元的时空属性数据的流程示意图，请参照图3，多个数据源的时空数据包括：非空间数据，和空间数据；S220：根据预设地理范围的多源时空数据，对目标乡村聚落单元进行时空属性信息的时空匹配，确定目标乡村聚落单元的时空属性数据，包括：
S310：将非空间数据和空间数据进行关联。
需要说明的是，可以将多个数据源的时空数据中的非空间数据和空间数据进行关联，根据空间数据、非空间数据的数据类型的不同，可以采取不同的方式，具体如下：
(1)对于栅格数据属性的空间数据(例如：数字高程模型)，可以采用ArcGIS空间分析工具(Spatial Analyst Tools)中的区域统计，进行矢量数据与栅格数据的叠加运算，提取乡村聚落上的栅格属性信息。
(2)对于点状矢量数据(例如：信息点)和线状矢量数据(例如：河流、道路)的空间数据，可以对信息点(POI，Point of Information)进行分类提取，例如：火车站点、地市/区县/乡镇级处理地方所在的空间分布等，还可以采用空间分析工具中的邻域分析，计算每个乡村聚落到最近的各类POI空间分布的直线距离，以及每个乡村聚落到最近的线状矢量空间分布的垂直距离。
(3)对于面状矢量数据的空间数据(例如：行政区划)，由于个别区县边界有所变化，统一以最近年份中国行政区划为匹配基准，对研究时间段内涉及行政区划调整的县级行政单元进行归并、对应匹配等操作。
(4)对于非空间数据(例如：社会经济和统计数据)，可以统一同一年鉴在整个时间序列内的统计口径，以及统一不同年鉴之间的统计口径；如果因撤县立市和撤县立区导致后期年鉴中没有关于该市、区的统计数据，则删除该县，如果有相关的区(市)数据，则保留，并改成统一的区县名字。最后，可以建立社会经济数据库及其与行政区划空间属性数据的匹配连接。
S320：根据目标乡村聚落单元的空间位置，将对应空间位置的空间数据以及对应非空间数据进行匹配，得到目标乡村聚落单元的时空属性数据。
其中，目标乡村聚落单元的时空属性数据包括：与目标乡村聚落单元的空间位置匹配的空间数据和非空间数据。
需要说明的是，可以基于叠加分析，对提取好的乡村聚落单元进行时空属性信息的时空匹配，按照乡村聚落单元的空间位置，将对应空间位置的时空数据以及对应的非空间数据进行匹配，使得每个乡村聚落单元均有对应的时空数据，从而形成各个乡村聚落单元的历史特征数据集。
可以对上述历史特征数据集进行清洗，并删除其中数据不全的乡村聚落斑块，最终得到n个目标乡村聚落单元。对匹配到乡村聚落空间上的时空数据进行标准化处理，可以采用指标数值与参考值相除对各指标数据进行标准化处理。具体执行如下所示：
其中，
式中Xi为第i个乡村聚落指标标准化后的值；xi为第i个乡村聚落指标标准化前的值；
为指标的所有数据均值；s为指标的所有数据的标准差。需要说明的是，上述每个指标数据对应一个驱动因子，标准化处理得到的Xi即为第i个驱动因子的值。
下面通过具体的实施例来解释本申请中提供的确定目标驱动因子的具体流程。
图4为本申请实施例提供的确定目标驱动因子的流程示意图，请参照图4，时空属性数据为面板数据格式的时空属性数据；S120：从多个驱动因子中确定满足预设条件的驱动因子为乡村聚落单元的目标驱动因子，包括：
S410：采用面板回归模型，对面板数据格式的多个驱动因子以及乡村聚落单元的面积变化值进行处理，得到每个驱动因子的第一回归系数。
需要说明的是，上述S320得到的目标乡村聚落单元的时空属性数据，可以存储为面板数据格式的数值，将时空属性数据中的多个驱动因子以及乡村聚落单元的面积变化值导入面板回归模型，具体过程如下：
其中，i＝1,2,3,...,N，表示N个目标乡村聚落的数量；t＝1,2,3,...,T，表示已知的T个时点。yit为被解释变量(乡村聚落单元的面积变化值)对乡村聚落i在时间t上的观测值，xitk是第k个非随机解释变量(驱动因子)对于乡村聚落i在t时的观测值，βk是待估计的各驱动因子的第一回归系数，uit是随机误差项。
根据上式可以计算出各驱动因子的第一回归系数βk。
S420：根据多个驱动因子的第一回归系数，从多个驱动因子中确定满足预设条件的驱动因子为目标驱动因子。
需要说明的是，确定多个驱动因子的第一回归系数之后，可以计算每个回归系数的t值统计量，t值统计量可以用于从多个驱动因子中筛选出目标驱动因子。
t值计算公式如下：
其中，s为回归标准误差，pjj为正规方程系数矩阵P＝XTX矩阵的逆矩阵(XTX)-1矩阵中的j行j列元素，
即为上述S410计算得到的第一回归系数的估计值。矩阵P中的第j行第k列元素可表示为：
根据t分布表，双侧检验中显著性为5％时，判断自由度为n-k-1时t值大小是否通过检验，通过检验的驱动因子表明在研究时段内对研究区域的乡村聚落的演变具有显著的驱动作用，并将通过检验的驱动因子作为目标驱动因子。
下面通过具体的实施例来解释本申请中提供的确定作用大小的具体过程。
图5为本申请实施例提供的确定作用大小的流程示意图，请参照图5，S130：根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小，包括：
S510：基于地理时空加权回归模型，对目标驱动因子以及乡村聚落单元的面积变化值进行处理，得到多个时空信息下的目标驱动因子的第二回归系数。
需要说明的是，确定目标驱动因子后，可以将目标驱动因子与乡村聚落单元的面积变化值导入地理时空加权回归模型进行计算，地理时空加权回归模型具体如下：
其中，yi是第i个乡村聚落的面积变化值，(ui,vi,ti)为第i个乡村聚落的时空间坐标(u为经度、v为纬度、t为年份)，βk(ui,vi,ti)是第i个乡村聚落的第k个目标驱动因子的第二回归系数，由第i个乡村聚落的时空信息所决定。εi为第i个样本点的随机误差，满足正态分布，数学期望为0，方差为σ2。
S520：根据多个时空信息下的目标驱动因子的第二回归系数，确定作用大小。
需要说明的是，可以通过以下方式来确定作用的大小：
(1)对于同一个聚落空间i，可以将k个驱动因子历年的回归系数值生成柱状图，直观观察每一个驱动因子随时间变化作用力增强或减弱的趋势；将同一年份的各驱动因子回归系数值生成柱状图，比较同一年份各驱动力的作用大小，识别出不同年份对于此乡村聚落演变的主导驱动因素，并分析随着时间推移，最重要的驱动力因素变化情况。
(2)对于n个不同的聚落空间，可以将某一年的某一个驱动回归系数值分级设色，从空间上分析k个驱动因子的作用力在哪些区域影响力比较大；对每一年驱动回归系数进行区域性统计，计算驱动因子所有聚落的回归系数平均值，从时间上分析驱动因子对聚落的平均作用大小逐年变化。
下面通过具体的实施例来解释本申请中提供的获取目标乡村聚落单元的预测信息的流程示意图。
图6为本申请实施例提供的获取目标乡村聚落单元的预测信息的流程示意图，请参照图6，S140：根据作用大小，获取目标乡村聚落单元的预测信息，包括：
S610：基于作用大小以及预存的规划调控文件，得到乡村聚落单元的最优驱动组合。
其中，最优驱动组合包括：目标驱动因子中的多个驱动因子。
需要说明的是，可以基于上述520确定的作用大小，以及基于研究单元的地方规划政策文件等，依据驱动因子关键词检索，识别并筛选出规划文件中各驱动因子和乡村聚落规模的刚性规划值。通过地方规划已知驱动因子和乡村聚落未来规模大小，根据模型拟合得到弹性驱动因子指标的组合β0,β1(ui,vi,ti),…,βm(ui,vi,ti)。通过调整弹性规划指标值，找到能够满足落实规划的最优驱动因子的组合方案。若弹性驱动因子中所有组合都不能满足规划目标，则说明此乡村聚落单元属于规划预警区，需要加强空间治理强度。
相应的，S150：根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型，包括：
S620：根据最优驱动组合，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
可以根据上述最优驱动组合的结果将乡村聚落单元进行类别的划分，根据上述最优驱动组合的下的乡村聚落的面积变化率，可以确定乡村聚落单元的演变类型。
下面通过具体的实施例来解释本申请中提供的获取目标乡村聚落单元的预测信息的另一流程示意图。
图7为本申请实施例提供的获取目标乡村聚落单元的预测信息的另一流程示意图，请参照图7，S140：根据作用大小，获取目标乡村聚落单元的预测信息，包括：
S710：基于作用大小以及预存的乡村聚落面积规模的历史数据趋势，模拟预测乡村聚落单元的未来面积规模大小。
需要说明的是，可以基于上述S520确定的作用大小，以及各驱动因子的历史数据，建立各指标的点状图，并根据散点发展趋势拟合方程，通过拟定方程计算得到未来驱动指标数值x2，根据历史数据以求出乡村聚落i的k个驱动力的回归系数β0,…,βk(ui,vi,tt)。设定初始时间t1及初始的驱动力指标数值、乡村聚落i初始面积变化值y1、t1时刻乡村聚落i的面积为s1。将第i个乡村聚落的空间位置及未来时间t2、各驱动力的未来设定值x2，通过上述地理时空加权回归模型得到第i个乡村聚落在t2时的预测面积变化值y2，此时乡村聚落的面积为s2。通过趋势外推情景预测，可以判断乡村聚落一般演化趋势。
相应的，S150：根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型，包括：
S720：根据乡村聚落单元的未来面积规模大小，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
需要说明的是，可以采用以下公式计算其中某一个乡村聚落的面积变化率d：
当-10≤d≤10，乡村聚落演变属于稳定型；当-50≤d＜-10，为快速收缩型；当d＜-50，为极速衰落型；当10＜d≤50，为快速成长型；当d＞50，为极速扩张型。
可选地，可以在以上分类结果以不同的颜色进行分级显示，从空间上可视化n个乡村聚落未来发展的类型。
可选地，可以比较两种情境下乡村聚落的未来发展类型：当S610-S620与S710-S720分类结果一致时，说明此乡村聚落未来重构类型为一致扩张型或一致收缩型，表明当前乡村聚落发展趋势能够满足未来的规划调控各指标要求，乡村聚落的未来重构方向与规划调控方向呈一致态势；当S610-S620与S710-S720分类结果相悖时，说明此乡村聚落未来重构类型为相互矛盾型，表明当前乡村聚落一般发展趋势与规划目标冲突，按照当前的趋势发展不能够满足规划调控指标。从两种情景下的预测结果比较，相互矛盾型的重构类型需要重点预警，这类区域的规划可能难以实施，实际重构的策略需要依据当前情况优化，可以重点加强这类区域的空间治理强度和管理。
本申请基于不同乡村聚落在不同时期、不同发展阶段驱动机制不同、演化趋势的规律不同，挖掘与处理多源时空数据，通过面板回归+地理时空加权回归双模型检验背景下，判断不同时段主导驱动力的“决定力”大小，为乡村聚落未来空间治理提供优化方向。基于趋势外推和规划调控两种情景确定各驱动因子的预期值，预测当前乡村聚落的未来发展类型；根据两种情景下的未来乡村聚落演化类型的差异，得到各乡村聚落重构类型并用于指导重构方向和策略，重点加强重构相互矛盾型区域的空间治理。本发明克服传统驱动模型考虑维度不全面、只面向“过去”维度静态分析和一刀切研究等缺点，面向乡村聚落“现在”与“未来”因时因地模拟驱动演变，能够通过此技术为乡村聚落空间治理优化和相关政策的制定立据，为规划设计市场提供技术支撑，提高专业设计人员效率，具有广阔的产业化推广应用前景。
本申请提供的乡村聚落演化的预测方法，可以综合处理多源时空大数据，结合长时间序列高分辨率遥感影像数据、夜间灯光数据解译方法、时空拓扑关联算法等高效智能地识别并提取计算各指标。由于我国频繁变化的城乡划分标准，导致多期统计数据可比性差，而城乡划分标准的前后不一致也直接导致我国“城市-乡村”空间数据不具备时间连续性；此外，“城市-乡村”空间数据可获取性差，只掌握在官方手中，民众以及科研工作者无法获取。特别是在我国乡村发展规划缺乏的情况下，乡村、尤其是“自然村”(乡村聚落)空间边界的获取尤为困难。而遥感数据是进行乡村聚落空间边界提取的主要数据源，本发明选择基于遥感影像提取的乡村聚落组作为研究单元，以保证多期数据的连续性以及城乡划分标准的一致性即数据的可比性。还可以从通过面板回归和地理时空加权回归双模型检验，筛选出显著的驱动因子，并用于地理时空加权回归，评价不同空间不同时段主导驱动力的“决定力”大小。还可以基于时空地理加权回归模型，通过设定各驱动力未来期望值，预测乡村聚落未来演变趋势并对结果进行分类。根据两种情景下的未来乡村聚落演化类型的差异，得到各乡村聚落重构类型并用于指导重构方向和策略，对相互矛盾型的重构类型需要重点预警，加强这类区域的空间治理强度和管理。还可以通过标准化方法处理驱动因子，将处理后的驱动因子用于时空加权回归，提高乡村聚落演变与驱动因子之间关系的准确性。
图8为本申请实施例提供的乡村聚落演化的预测装置的结构示意图，请参照图8，该预测装置包括：获取模块810、确定模块820。
获取模块810，用于获取待研究的目标乡村聚落单元的时空属性数据；时空属性数据包括：目标乡村聚落单元的多个潜力驱动因子，以及目标乡村聚落单元的面积变化值；
确定模块820，用于从目标乡村聚落单元的多个潜力驱动因子中确定满足预设条件的驱动因子为目标乡村聚落单元的目标驱动因子；
确定模块820，还用于根据目标驱动因子和目标乡村聚落单元的面积变化值，确定多个时空信息下目标驱动因子对目标乡村聚落单元的面积变化的作用大小；
获取模块810，还用于根据作用大小，获取目标乡村聚落单元的预测信息；
确定模块820，还用于根据预测信息对目标乡村聚落单元进行分类，以确定目标乡村聚落单元的演变类型。
可选地，获取模块810，具体用于根据预设地理范围提取多个历史时期的乡村聚落空间分布矢量数据，从预设地理范围内确定目标乡村聚落单元；根据预设地理范围的多源时空数据，对目标乡村聚落单元进行时空属性信息的时空匹配，确定目标乡村聚落单元的时空属性数据；其中，多源时空数据包括：多个数据源的时空数据。
可选地，多个数据源的时空数据包括：非空间数据，和空间数据；确定模块820，具体用于将非空间数据和空间数据进行关联；根据目标乡村聚落单元的空间位置，将对应空间位置的空间数据以及对应非空间数据进行匹配，得到目标乡村聚落单元的时空属性数据；目标乡村聚落单元的时空属性数据包括：与目标乡村聚落单元的空间位置匹配的空间数据和非空间数据。
可选地，时空属性数据为面板数据格式的时空属性数据；确定模块820，具体用于采用面板回归模型，对面板数据格式的多个驱动因子以及目标乡村聚落单元的面积变化值进行处理，得到每个驱动因子的第一回归系数；根据多个驱动因子的第一回归系数，确定从多个驱动因子中确定满足预设条件的驱动因子为目标驱动因子。
可选地，确定模块820，具体用于基于地理时空加权回归模型，对目标驱动因子以及乡村聚落单元的面积变化值进行处理，得到多个时空信息下的目标驱动因子的第二回归系数；根据多个时空信息下的目标驱动因子的第二回归系数，确定作用大小。
可选地，获取模块810，具体用于基于作用大小以及预存的规划调控文件，得到乡村聚落单元的最优驱动组合，最优驱动组合包括：目标驱动因子中的多个驱动因子；相应地，确定模块820，具体用于根据最优驱动组合，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
可选地，获取模块810，具体用于基于作用大小以及预存的乡村聚落面积规模的历史数据趋势，模拟预测乡村聚落单元的未来面积规模大小；相应地，确定模块820，具体用于根据乡村聚落单元的未来面积规模大小，对乡村聚落单元进行分类，以确定乡村聚落单元的演变类型。
图9为本申请实施例提供的计算机设备的结构示意图，请参照图9，该计算机设备包括：存储器910、处理器920，存储器910中存储有可在处理器920上运行的计算机程序，处理器920执行计算机程序时，实现上述乡村聚落演化的预测方法的步骤。
本申请实施例的另一方面，还提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现上述乡村聚落演化的预测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，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。
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，在本申请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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种乡村聚落演化的预测方法，其特征在于，包括：
获取待研究的目标乡村聚落单元的时空属性数据；所述时空属性数据包括：所述目标乡村聚落单元的多个潜力驱动因子，以及所述目标乡村聚落单元的面积变化值；
从所述目标乡村聚落单元的多个潜力驱动因子中确定满足预设条件的驱动因子为所述目标乡村聚落单元的目标驱动因子；
根据所述目标驱动因子和所述目标乡村聚落单元的面积变化值，确定多个时空信息下所述目标驱动因子对所述目标乡村聚落单元的面积变化的作用大小；
根据所述作用大小，获取所述目标乡村聚落单元的预测信息；
根据所述预测信息对所述目标乡村聚落单元进行分类，以确定所述目标乡村聚落单元的演变类型。
2.如权利要求1所述的预测方法，其特征在于，所述获取待研究的目标乡村聚落单元的时空属性数据，包括：
根据预设地理范围提取多个历史时期的乡村聚落空间分布矢量数据，从所述预设地理范围内确定所述目标乡村聚落单元；
根据所述预设地理范围的多源时空数据，对所述目标乡村聚落单元进行时空属性信息的时空匹配，确定所述目标乡村聚落单元的时空属性数据；其中，所述多源时空数据包括：多个数据源的时空数据。
3.如权利要求2所述的预测方法，其特征在于，所述多个数据源的时空数据包括：非空间数据，和空间数据；
所述根据所述预设地理范围的多源时空数据，对所述目标乡村聚落单元进行时空属性信息的时空匹配，确定所述目标乡村聚落单元的时空属性数据，包括：
将所述非空间数据和所述空间数据进行关联；
根据所述目标乡村聚落单元的空间位置，将对应空间位置的空间数据以及对应非空间数据进行匹配，得到所述目标乡村聚落单元的时空属性数据；所述目标乡村聚落单元的时空属性数据包括：与所述目标乡村聚落单元的空间位置匹配的空间数据和非空间数据。
4.如权利要求1所述的预测方法，其特征在于，所述时空属性数据为面板数据格式的时空属性数据；所述从所述多个潜力驱动因子中确定满足预设条件的驱动因子为所述乡村聚落单元的目标驱动因子，包括：
采用面板回归模型，对面板数据格式的多个驱动因子以及所述乡村聚落单元的面积变化值进行处理，得到每个驱动因子的第一回归系数；
根据所述多个驱动因子的第一回归系数，从所述多个驱动因子中确定满足预设条件的驱动因子为所述目标驱动因子。
5.如权利要求1所述的预测方法，其特征在于，所述根据所述目标驱动因子和所述目标乡村聚落单元的面积变化值，确定多个时空信息下所述目标驱动因子对所述目标乡村聚落单元的面积变化的作用大小，包括：
基于地理时空加权回归模型，对所述目标驱动因子以及所述乡村聚落单元的面积变化值进行处理，得到所述多个时空信息下的所述目标驱动因子的第二回归系数；
根据所述多个时空信息下的所述目标驱动因子的第二回归系数，确定所述作用大小。
6.如权利要求1所述的预测方法，其特征在于，所述根据所述作用大小，获取所述目标乡村聚落单元的预测信息，包括：
基于所述作用大小以及预存的规划调控文件，得到乡村聚落单元的最优驱动组合，所述最优驱动组合包括：所述目标驱动因子中的多个驱动因子；
相应的，所述根据所述预测信息对所述目标乡村聚落单元进行分类，以确定所述目标乡村聚落单元的演变类型，包括：
根据所述最优驱动组合，对所述乡村聚落单元进行分类，以确定所述乡村聚落单元的演变类型。
7.如权利要求1所述的预测方法，其特征在于，所述根据所述作用大小，获取所述目标乡村聚落单元的预测信息，包括：
基于所述作用大小以及预存的乡村聚落面积规模的历史数据趋势，模拟预测所述乡村聚落单元的未来面积规模大小；
相应的，所述根据所述预测信息对所述目标乡村聚落单元进行分类，以确定所述目标乡村聚落单元的演变类型，包括：
根据所述乡村聚落单元的未来面积规模大小，对所述乡村聚落单元进行分类，以确定所述乡村聚落单元的演变类型。
8.一种乡村聚落演化的预测装置，其特征在于，所述预测装置包括：获取模块、确定模块；
所述获取模块，用于获取待研究的目标乡村聚落单元的时空属性数据；所述时空属性数据包括：所述目标乡村聚落单元的多个驱动因子，以及所述目标乡村聚落单元的面积变化值；
所述确定模块，用于从所述目标乡村聚落单元的多个驱动因子中确定满足预设条件的驱动因子为所述目标乡村聚落单元的目标驱动因子；
所述确定模块，还用于根据所述目标驱动因子和所述目标乡村聚落单元的面积变化值，确定多个时空信息下所述目标驱动因子对所述目标乡村聚落单元的面积变化的作用大小；
所述获取模块，还用于根据所述作用大小，获取所述目标乡村聚落单元的预测信息；
所述确定模块，还用于根据所述预测信息对所述目标乡村聚落单元进行分类，以确定所述目标乡村聚落单元的演变类型。
9.一种计算机设备，其特征在于，包括：存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述权利要求1至7任一项所述的方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010830468.9A CN111984701B (zh) | 2020-08-17 | 2020-08-17 | 乡村聚落演化的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010830468.9A CN111984701B (zh) | 2020-08-17 | 2020-08-17 | 乡村聚落演化的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111984701A true CN111984701A (zh) | 2020-11-24 |
| CN111984701B CN111984701B (zh) | 2024-06-28 |
Family
ID=73435757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010830468.9A Active CN111984701B (zh) | 2020-08-17 | 2020-08-17 | 乡村聚落演化的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111984701B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536432A (zh) * | 2021-07-20 | 2021-10-22 | 合肥工业大学 | 基于预测网络的村落房屋布局方法、存储介质及终端设备 |
| CN113610346A (zh) * | 2021-07-02 | 2021-11-05 | 华南农业大学 | 基于多源数据的村庄发展潜力评价及村庄分类方法及装置 |
| CN113987893A (zh) * | 2021-12-29 | 2022-01-28 | 北京大学深圳研究生院 | 一种村镇聚落体系衍化的网络分析系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214358A (zh) * | 2010-04-09 | 2011-10-12 | 杨存建 | 基于知识发现的quickbird影像乡村聚落单元信息提取技术 |
| KR20140132795A (ko) * | 2013-05-06 | 2014-11-19 | 서울시립대학교 산학협력단 | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 |
| CN104318116A (zh) * | 2014-10-30 | 2015-01-28 | 同济大学 | 乡村-城市变迁指数的评价方法 |
| CN105761192A (zh) * | 2016-02-19 | 2016-07-13 | 北京舜土国源信息技术有限公司 | 村镇区域土地利用规划智能化方法和智能化集成系统 |
| CN109165835A (zh) * | 2018-08-14 | 2019-01-08 | 苏州科技大学 | 传统村落乡村性的测算方法及装置 |
-
2020
- 2020-08-17 CN CN202010830468.9A patent/CN111984701B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214358A (zh) * | 2010-04-09 | 2011-10-12 | 杨存建 | 基于知识发现的quickbird影像乡村聚落单元信息提取技术 |
| KR20140132795A (ko) * | 2013-05-06 | 2014-11-19 | 서울시립대학교 산학협력단 | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 |
| CN104318116A (zh) * | 2014-10-30 | 2015-01-28 | 同济大学 | 乡村-城市变迁指数的评价方法 |
| CN105761192A (zh) * | 2016-02-19 | 2016-07-13 | 北京舜土国源信息技术有限公司 | 村镇区域土地利用规划智能化方法和智能化集成系统 |
| CN109165835A (zh) * | 2018-08-14 | 2019-01-08 | 苏州科技大学 | 传统村落乡村性的测算方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610346A (zh) * | 2021-07-02 | 2021-11-05 | 华南农业大学 | 基于多源数据的村庄发展潜力评价及村庄分类方法及装置 |
| CN113536432A (zh) * | 2021-07-20 | 2021-10-22 | 合肥工业大学 | 基于预测网络的村落房屋布局方法、存储介质及终端设备 |
| CN113536432B (zh) * | 2021-07-20 | 2024-05-14 | 合肥工业大学 | 基于预测网络的村落房屋布局方法、存储介质及终端设备 |
| CN113987893A (zh) * | 2021-12-29 | 2022-01-28 | 北京大学深圳研究生院 | 一种村镇聚落体系衍化的网络分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111984701B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Niu et al. | Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou | |
| CN112949413B (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
| Pontius et al. | Comparing the input, output, and validation maps for several models of land change | |
| CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
| CN111984701B (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
| Yao et al. | Discovering the homogeneous geographic domain of human perceptions from street view images | |
| Chevalier et al. | Data integration methods to account for spatial niche truncation effects in regional projections of species distribution | |
| Ren et al. | The accuracy of LCZ maps generated by the world urban database and access portal tools (WUDAPT) method: A case study of Hong Kong | |
| CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| Xie et al. | A multilevel stratified spatial sampling approach for the quality assessment of remote-sensing-derived products | |
| CN111784022A (zh) | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN115984044A (zh) | 一种旅游发展高潜力村落的挖掘方法 | |
| CN116485239A (zh) | 一种针对城市绿道建设成效的综合评价系统和方法 | |
| Yuan et al. | Using street view images and a geographical detector to understand how street-level built environment is associated with urban poverty: A case study in Guangzhou | |
| CN117522652B (zh) | 人居环境脆弱性评价方法、系统、智能终端及存储介质 | |
| Broderick et al. | An analysis of the synoptic and climatological applicability of circulation type classifications for Ireland | |
| Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
| Swietek et al. | Visual Capital: Evaluating building-level visual landscape quality at scale | |
| CN112700055A (zh) | 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、存储介质及店铺选址系统 | |
| Yue et al. | Simulation and prediction of land use change in Dongguan of China based on ANN cellular automata-Markov chain model | |
| Zhou et al. | Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches | |
| CN115879594A (zh) | 一种基于地理探测器的城市定居人口分布趋势预测方法 | |
| CN115186074A (zh) | 基于Meta分析的模拟土壤pH值空间分布格局的方法 |
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 |