CN112085636A - 一种城市功能性收缩分析方法、装置及存储介质 - Google Patents
一种城市功能性收缩分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112085636A CN112085636A CN202010809164.4A CN202010809164A CN112085636A CN 112085636 A CN112085636 A CN 112085636A CN 202010809164 A CN202010809164 A CN 202010809164A CN 112085636 A CN112085636 A CN 112085636A
- Authority
- CN
- China
- Prior art keywords
- cities
- areas
- data
- urban
- built
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000008602 contraction Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 8
- 239000000463 material Substances 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种城市功能性收缩分析方法、装置及存储介质,方法包括:确定多个城市待分析的基础数据,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。因此,采用本申请实施例,可以准确评估城市收缩过程中不同经济社会和物质空间要素之间的错配问题。
Description
技术领域
本发明涉及地理数据技术领域和国土空间规划领域,特别涉及一种城市功能性收缩分析方法、装置及存储介质。
背景技术
城市建设是城市管理的重要组成部分,城市建设以规划为依据,通过建设工程对城市人居环境进行改造,对城市系统内各物质设施进行建设,城市建设的内容包括城市系统内各个物质设施的实物形态,准确、合理的分析城市收缩中的经济社会和空间特征,是当前开展国土空间规划和管控的重要内容。
目前,准确、合理的分析城市收缩中的经济社会和空间特征时,传统上国土空间的规划人员和管理部门主要依靠经验和定性分析来大致估算,随着各类时空大数据的使用日益普遍,利用数据分析来测度城市收缩的方法逐渐开展,并取得了较好的效果。但是在现有的方法中,人们主要立足城市整体层面,通过人口、土地、城市功能等单项指标来评价城市收缩现象及其国土空间的使用效率,从而降低了评估的准确性。
发明内容
本申请实施例提供了一种城市功能性收缩分析方法、装置及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种城市功能性收缩分析方法,方法包括:
确定多个城市待分析的基础数据,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
可选的,基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果之后,还包括:
根据分析结果以及预设指标追溯城市功能性收缩地区对应的功能性收缩的驱动机制。
可选的,基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果,包括:
获取多个城市功能性收缩地区对应的景观形状系数和景观比例系数;
根据景观形状系数和景观比例系数从多个城市中选择预设数量的城市生成待评价城市集合;
采用聚类算法对待评价城市集合中各城市进行分类,生成多种类型的城市集合;
对多个城市以及多种类型的城市集合进行特征分析生成分析结果。
可选的,对多个城市以及多种类型的城市集合进行特征分析生成分析结果,包括:
将多个城市作为总体;
统计总体的功能性收缩地区内各类用地类型的占比,确定出总体的城市收缩特征;
分析多种类型的城市集合中各类城市的功能性收缩地区内各类用地的统计学特征,确定出不同的城市收缩特征;
将总体的城市收缩特征以及不同的城市收缩特征确定为分析结果。
可选的,确定多个城市待分析的基础数据,包括:
采集多个城市中人口活动强度数据以及遥感影像数据;
从多个城市中人口活动强度数据中提取人口活动强度最高区域;
从遥感影像数据中提取多个城市建成区的空间范围;
将人口活动强度高区域和多个城市建成区的空间范围确定为多个城市待分析的基础数据。
可选的,从多个城市中人口活动强度数据中提取人口活动强度高区域,包括:
对人口活动强度数据进行预处理,生成预处理的数据;
对预处理的数据进行平均化计算,获取多个城市各地点在预设时间内的日均人口活动强度数据;
采用预设地理统计法从日均人口活动强度数据中识别出活动强度最高区域。
可选的,从遥感影像数据中提取多个城市建成区的空间范围,包括:
对遥感影像数据进行预处理,生成预处理的数据;
采用人机交互法从处理的数据中获取多个兴趣区域,作为训练样本;
构建含若干个隐藏层的神经网络模型;
将训练样本输入神经网络模型中进行训练,训练结束后生成训练后的神经网络;
基于训练后的神经网络对遥感数据进行分类,生成分类后的数据;
将分类后的数据进行聚类,并采用二值化处理后生成遥感影像对应的建成区和非建成区;
对遥感影像对应的建成区和非建成区进行精度预测,生成预测结果;
当预测结果大于预设值时,将遥感影像对应的建成区和非建成区转换为shapefile格式文件并输出。
可选的,融合人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别后,得到多个城市功能性收缩地区,包括:
将人口活动强度最高区域与多个城市建成区进行叠加,以及
对人口活动强度最高区域与多个城市建成区进行差分处理,生成差异地区;
将差异地区作为多个城市功能性收缩地区。
第二方面,本申请实施例提供了一种城市功能性收缩分析装置,装置包括:
数据确定模块,用于确定多个城市待分析的基础数据,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
数据融合模块,用于融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
特征分析模块,用于基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,城市功能性收缩分析装置首先确定多个城市待分析的基础数据,其中待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,然后融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区,最后基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。由于本申请通过多源时空大数据识别出多个城市的功能性收缩地区,并针对功能性收缩地区的空间格局,进行总体特征评估,从而实现了以下效果,一是提升了收缩城市空间格局的分析和识别精度,使得城市内部不同地区之间国土空间使用绩效的评估和比较成为可能;二是实现了多项建成环境和经济社会因子的融合,更加全面的刻画城市收缩的特征;三是通过对比不同指标和因子之间的空间形态差异和统计数值差异,可以更好的追溯城市收缩现象背后的驱动因子和驱动机制。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种城市功能性收缩分析方法的流程示意图;
图2是本申请实施例提供的一种根据人口活动强度监测大数据提取人口活动强度显著较高地区的技术流程示意图;
图3是本申请实施例提供的一种根据遥感数据和遥感分析方法,提取城市建成区空间范围的技术流程示意图;
图4是本申请实施例提供的一种城市功能性收缩地区这一核心概念的识别原则和标准示意图;
图5是本申请实施例提供的一种产生的城市聚类分析结果示意图;
图6是本申请实施例提供的另一种城市功能性收缩分析方法的流程示意图;
图7是本申请实施例提供的一种识别功能性收缩地区的实际分析结果示意图;
图8是本申请实施例提供的一种城市功能性收缩分析过程的过程示意图;
图9是本申请实施例提供的一种城市功能性收缩分析总体技术流程示意图;
图10是本申请实施例提供的另一种城市功能性收缩分析装置的结构示意图;
图11是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。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。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止,准确、合理的分析城市收缩中的经济社会和空间特征时,传统上国土空间的规划人员和管理部门主要依靠经验和定性分析来大致估算,随着各类时空大数据的使用日益普遍,利用数据分析来测度城市收缩的方法逐渐开展,并取得了较好的效果。但是在现有的方法中,人们主要立足城市整体层面,通过人口、土地、城市功能等单项指标来评价城市收缩现象及其国土空间的使用效率,从而降低了评估的准确性。为此,本申请提供了一种城市功能性收缩分析方法、装置及存储介质,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请通过多源时空大数据识别出多个城市的功能性收缩地区,并针对功能性收缩地区的空间格局,进行总体特征评估,从而实现了以下效果,一是提升了收缩城市空间格局的分析和识别精度,使得城市内部不同地区之间国土空间使用绩效的评估和比较成为可能;二是实现了多项建成环境和经济社会因子的融合,更加全面的刻画城市收缩的特征;三是通过对比不同指标和因子之间的空间形态差异和统计数值差异,可以更好的追溯城市收缩现象背后的驱动因子和驱动机制,下面采用示例性实施例进行详细说明。
下面将结合附图1-附图9,对本申请实施例提供的城市功能性收缩分析方法进行详细介绍。
请参见图1,为本申请实施例提供了一种城市功能性收缩分析方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,确定多个城市待分析的基础数据,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
其中,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围。多个城市建成区的空间范围是采用神经网络分类法从遥感影像数据中提取出来的数据。人口活动强度最高区域是采用地理学指标从人口活动强度数据中提取出的数据。
在一种可能的实现方式中,当进行城市功能性收缩分析时,城市功能性收缩分析装置首先采集多个城市中人口活动强度数据以及遥感影像数据,再从多个城市中人口活动强度数据中提取人口活动强度最高区域,以及从遥感影像数据中提取多个城市建成区的空间范围,最后将人口活动强度高区域和多个城市建成区的空间范围确定为多个城市待分析的基础数据。
进一步地,从多个城市中人口活动强度数据中提取人口活动强度最高区域时,城市功能性收缩分析装置首先对人口活动强度数据进行预处理,生成预处理的数据,然后对预处理的数据进行平均化计算,获取多个城市各地点在预设时间内的日均人口活动强度数据,最后采用预设地理统计法从日均人口活动强度数据中识别出活动强度最高区域。
例如图2所示,图2为根据人口活动强度监测大数据提取人口活动强度显著较高地区的流程示意图,首先获取到人口活动强度检测数据,并对人口活动强度检测数据进行初步的清洗和处理,然后以天为单位,对经过预处理的数据进行平均化计算,取得每一个地点在一段时间内的日均人口活动强度数据,最后使用基于地理统计的方法如热点分析法、FlowAMOEBA等方法,从日均人口活动强度数据中识别出活动强度显著高于周边地区(一般置信度为99%)的地区。
进一步地,从遥感影像数据中提取多个城市建成区的空间范围时,城市功能性收缩分析装置首先对遥感影像数据进行预处理,生成预处理的数据,再采用人机交互法从处理的数据中获取多个兴趣区域,作为训练样本,再构建含若干个隐藏层的神经网络模型,然后将训练样本输入神经网络模型中进行训练,训练结束后生成训练后的神经网络,再基于训练后的神经网络对遥感数据进行分类,生成分类后的数据,再将分类后的数据进行聚类,并采用二值化处理后生成遥感影像对应的建成区和非建成区,最后对遥感影像对应的建成区和非建成区进行精度预测,生成预测结果,当预测结果大于预设值时,将遥感影像对应的建成区和非建成区转换为shapefile格式文件并输出。
例如图3所示,图3是根据遥感数据和遥感分析方法提取城市建成区空间范围的流程示意图,首先获取卫星遥感影像,再对原始遥感影像数据的初步校正和处理,减少噪声影响。校正和处理主要包括两个部分,一是辐射校正,二是大气校正,校正完成后在遥感影像图中采取人机交互的方式,圈选出一定数量的ROI(Region of Interest兴趣区域),将其作为监督分类的训练样本。构建一个含若干个隐藏层的神经网络模型,根据训练样本,对神经网络的参数进行计算。根据训练得到的神经网络,对遥感影像实施分类,将其分为水系、绿地开放空间、耕地、未利用土地、其他用地、城市建设用地6个类别。在此基础上对结果进行聚类,并采取二值化处理手段,最终将遥感影像分为建成区和非建成区两大类别。建成区和非建成区得到后,利用谷歌高分影像等其他数据源,采用目视解译的方法对监督分类的结果进行验证,评估其精度,最后将最终分类得到的结果转换为shapefile格式文件并输出备用。
S102,融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
在一种可能的实现方式中,基于步骤S101可得到多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,首先在得到多个城市的人口活动强度最高区域以及多个城市建成区的空间范围后,然后将人口活动强度最高区域与多个城市建成区进行叠加,以及对人口活动强度最高区域与多个城市建成区进行差分处理,生成差异地区,最后将差异地区作为多个城市功能性收缩地区。
例如图4所示,图4是本发明中城市功能性收缩地区这一核心概念的识别原则和标准,识别的分类分别包括功能性收缩地区、经济社会活动地区、建成区以及城市收缩的空间格局。在进行识别时,首先将人口活动强度显著较高的地区与城市建成区进行叠加,然后对两者的空间范围进行差分处理,即计算两者的差异地区,将其作为功能性收缩地区。
S103,基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
在本申请实施例中,在对多个城市功能性收缩地区的空间格局进行特征分析时,首先基于多项形态学指标,对城市进行基于功能性收缩地区格局的聚类,然后基于功能性收缩地区内各类城市用地的构成比例统计数据,对城市开展分类特征讨论和分析,最后根据各类城市的功能性收缩地区分布格局差异,以及功能性收缩地区内部的用地构成,结合城市实际的经济社会发展情况,深入探讨造成城市功能性收缩的驱动机制。
在一种可能的实现方式中,首先获取多个城市功能性收缩地区对应的景观形状系数和景观比例系数,再根据景观形状系数和景观比例系数从多个城市中选择预设数量的城市生成待评价城市集合,然后采用聚类算法对待评价城市集合中各城市进行分类,生成多种类型的城市集合,最后对多个城市以及多种类型的城市集合进行特征分析生成分析结果。
进一步地,在对多个城市以及多种类型的城市集合进行特征分析生成分析结果时,首先将多个城市作为总体,再统计总体的功能性收缩地区内各类用地类型的占比,确定出总体的城市收缩特征,然后分析多种类型的城市集合中各类城市的功能性收缩地区内各类用地的统计学特征,确定出不同的城市收缩特征,最后将总体的城市收缩特征以及不同的城市收缩特征确定为分析结果。
例如图5所示,图5是实施城市聚类的方法示意图,在进行城市聚类时,首先将各城市的功能性收缩地区对应的景观形状系数和景观比例系数作为变量,选择某一特定的聚类数量城市使用K-MEANS方法,将各城市分为指定数量的类别。然后选择一系列不同的聚类数量,循环执行上述操作,得到不同的聚类结果,并采用肘部系数法,将各类别内差异性最小的聚类方案,作为最终的聚类方案,最后将最终的聚类结果输出得到多种类型的城市集合。
在本申请实施例中,城市功能性收缩分析装置首先确定多个城市待分析的基础数据,其中待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,然后融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区,最后基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。由于本申请通过多源时空大数据识别出多个城市的功能性收缩地区,并针对功能性收缩地区的空间格局,进行总体特征评估,从而实现了以下效果,一是提升了收缩城市空间格局的分析和识别精度,使得城市内部不同地区之间国土空间使用绩效的评估和比较成为可能;二是实现了多项建成环境和经济社会因子的融合,更加全面的刻画城市收缩的特征;三是通过对比不同指标和因子之间的空间形态差异和统计数值差异,可以更好的追溯城市收缩现象背后的驱动因子和驱动机制。
请参见图6,为本申请实施例提供的一种城市功能性收缩分析方法的流程示意图。该城市功能性收缩分析方法可以包括以下步骤:
S201,采集多个城市中人口活动强度数据以及遥感影像数据;
S202,从多个城市中人口活动强度数据中提取人口活动强度最高区域;
S203,从遥感影像数据中提取多个城市建成区的空间范围;
S204,将人口活动强度高区域和多个城市建成区的空间范围确定为多个城市待分析的基础数据;
S205,将人口活动强度最高区域与多个城市建成区进行叠加,以及对人口活动强度最高区域与多个城市建成区进行差分处理,生成差异地区;
S206,将差异地区作为多个城市功能性收缩地区;
S207,获取多个城市功能性收缩地区对应的景观形状系数和景观比例系数;
S208,根据景观形状系数和景观比例系数从多个城市中选择预设数量的城市生成待评价城市集合;
S209,采用聚类算法对待评价城市集合中各城市进行分类,生成多种类型的城市集合;
S210,对多个城市以及多种类型的城市集合进行特征分析生成分析结果。
例如图7所示,图7是城市功能性收缩的统计学分析及溯因分析示意图,基于步骤S209可得到分类后的多种类型的城市集合,然后就可以分别分析多个城市总体的功能性收缩以及分类后的各类型城市功能性收缩。
在统计城市总体的功能性收缩时,首先将多个城市看作为一个总体,再统计总体城市全部功能性收缩地区内各类用地的占比,从而分析出总体的的功能性收缩特征。
在统计分类后的各类型城市功能性收缩时,首先进行功能性收缩地区内各类用地的统计学特征,从而分析各类城市不同的城市收缩特征。
最后根据总体的的功能性收缩特征以及各类城市不同的城市收缩特征,对城市收缩的特征进行更加详细的探讨,在探讨结果的基础上,结合规划和管理人员的经验和感性认知,进一步追溯城市功能性收缩的驱动机制。
例如图8所示,图8示出了根据本发明实施例的基于多源时空大数据的城市功能性收缩识别和评估方法的详细流程图,包括:A1、首先往城市功能性收缩装置中输入分析所需的多个城市遥感影像数据、人口活动强度数据等各类数据;A2、数据处理模块对遥感影像数据以及人口活动强度数据进行初步预处理,再分别对预处理的数据进行校正生成校正后的遥感影像数据和均值化处理后的人口活动强度数据;A3、对校正后的数据分别进行计算,从校正后的遥感影像数据中提取得到城市建成区边界数据,以及从校正后的人口活动强度数据中提取得到人口活动强度显著较高地区的边界;A4、将城市建成区边界数据以及人口活动强度显著较高地区的边界数据进行叠加,得到城市多因子空间关系;A5、提取建成区数据和人口活动强度显著较高地区数据之间的差异部分,即为多个城市的功能性收缩地区;A6、对多个城市功能性收缩地区进行形态学指标计算;A7.根据多个城市功能性收缩地区形态学指标,借助机器学习方法对城市进行分类;A8、根据多个城市功能性收缩地区内各类用地的统计特征,对城市功能性收缩的特征进行深入挖掘;A9、在数据分析的基础上,进一步追溯功能性收缩的成因;A10、输出分析结果;A11、结束。
在本申请实施例中,城市功能性收缩分析装置首先确定多个城市待分析的基础数据,其中待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,然后融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区,最后基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。由于本申请通过多源时空大数据识别出多个城市的功能性收缩地区,并针对功能性收缩地区的空间格局,进行总体特征评估,从而实现了以下效果,一是提升了收缩城市空间格局的分析和识别精度,使得城市内部不同地区之间国土空间使用绩效的评估和比较成为可能;二是实现了多项建成环境和经济社会因子的融合,更加全面的刻画城市收缩的特征;三是通过对比不同指标和因子之间的空间形态差异和统计数值差异,可以更好的追溯城市收缩现象背后的驱动因子和驱动机制。
为了便于理解本申请实施例提供的城市功能性收缩分析方法,下面结合附图9进行说明。如图9所示,一种城市功能性收缩分析方法,采用分层建模的方式,包括:
数据层为数据准备模块:负责对原始的经济社会活动监测大数据和遥感影像数据进行加工、计算。
识别评估层包括功能性收缩地区识别和总体评估模块:负责在基础数据的基础上识别功能性收缩地区,并对其格局进行总体评价。
聚类评价层包括城市聚类和驱动机制模块:负责根据各城市功能性收缩地区的形态学指标,采用机器学习方法对城市进行分类,并在此基础上结合用地的统计学指标,开展总体评价,并追溯其驱动机制。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图10,其示出了本发明一个示例性实施例提供的城市功能性收缩分析装置的结构示意图。该城市功能性收缩分析装置可以通过软件、硬件或者两者的结合实现成为设备的全部或一部分。该装置1包括数据确定模块10、数据融合模块20、特征分析模块30。
数据确定模块10,用于确定多个城市待分析的基础数据,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
数据融合模块20,用于融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
特征分析模块30,用于基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
需要说明的是,上述实施例提供的城市功能性收缩分析装置在城市功能性收缩分析方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的城市功能性收缩分析装置与城市功能性收缩分析方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,城市功能性收缩分析装置首先确定多个城市待分析的基础数据,其中待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,然后融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区,最后基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。由于本申请通过多源时空大数据识别出多个城市的功能性收缩地区,并针对功能性收缩地区的空间格局,进行总体特征评估,从而实现了以下效果,一是提升了收缩城市空间格局的分析和识别精度,使得城市内部不同地区之间国土空间使用绩效的评估和比较成为可能;二是实现了多项建成环境和经济社会因子的融合,更加全面的刻画城市收缩的特征;三是通过对比不同指标和因子之间的空间形态差异和统计数值差异,可以更好的追溯城市收缩现象背后的驱动因子和驱动机制。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的城市功能性收缩分析方法。本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的城市功能性收缩分析方法。
请参见图11,为本申请实施例提供了一种电子设备的结构示意图。如图11所示,电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图11所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及城市功能性收缩分析应用程序。
在图11所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的城市功能性收缩分析应用程序,并具体执行以下操作:
确定多个城市待分析的基础数据,待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
在一个实施例中,处理器1001在执行基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果之后时,还执行以下操作:
根据分析结果以及预设指标追溯城市功能性收缩地区对应的功能性收缩的驱动机制。
在一个实施例中,处理器1001在执行基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果时,具体执行以下操作:
获取多个城市功能性收缩地区对应的景观形状系数和景观比例系数;
根据景观形状系数和景观比例系数从多个城市中选择预设数量的城市生成待评价城市集合;
采用聚类算法对待评价城市集合中各城市进行分类,生成多种类型的城市集合;
对多个城市以及多种类型的城市集合进行特征分析生成分析结果。
在一个实施例中,处理器1001在执行对多个城市以及多种类型的城市集合进行特征分析生成分析结果时,具体执行以下操作:
将多个城市作为总体;
统计总体的功能性收缩地区内各类用地类型的占比,确定出总体的城市收缩特征;
分析多种类型的城市集合中各类城市的功能性收缩地区内各类用地的统计学特征,确定出不同的城市收缩特征;
将总体的城市收缩特征以及不同的城市收缩特征确定为分析结果。
在一个实施例中,处理器1001在执行对确定多个城市待分析的基础数据时,具体执行以下操作:
采集多个城市中人口活动强度数据以及遥感影像数据;
从多个城市中人口活动强度数据中提取人口活动强度最高区域;
从遥感影像数据中提取多个城市建成区的空间范围;
将人口活动强度高区域和多个城市建成区的空间范围确定为多个城市待分析的基础数据。
在一个实施例中,处理器1001在执行从多个城市中人口活动强度数据中提取人口活动强度高区域时,具体执行以下操作:
对人口活动强度数据进行预处理,生成预处理的数据;
对预处理的数据进行平均化计算,获取多个城市各地点在预设时间内的日均人口活动强度数据;
采用预设地理统计法从日均人口活动强度数据中识别出活动强度最高区域。
在一个实施例中,处理器1001在执行从遥感影像数据中提取多个城市建成区的空间范围时,具体执行以下操作:
对遥感影像数据进行预处理,生成预处理的数据;
采用人机交互法从处理的数据中获取多个兴趣区域,作为训练样本;
构建含若干个隐藏层的神经网络模型;
将训练样本输入神经网络模型中进行训练,训练结束后生成训练后的神经网络;
基于训练后的神经网络对遥感数据进行分类,生成分类后的数据;
将分类后的数据进行聚类,并采用二值化处理后生成遥感影像对应的建成区和非建成区;
对遥感影像对应的建成区和非建成区进行精度预测,生成预测结果;
当预测结果大于预设值时,将遥感影像对应的建成区和非建成区转换为shapefile格式文件并输出。
在一个实施例中,处理器1001在执行融合人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别后,得到多个城市功能性收缩地区时,具体执行以下操作:
将人口活动强度最高区域与多个城市建成区进行叠加,以及
对人口活动强度最高区域与多个城市建成区进行差分处理,生成差异地区;
将差异地区作为多个城市功能性收缩地区。
在本申请实施例中,城市功能性收缩分析装置首先确定多个城市待分析的基础数据,其中待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,然后融合多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区,最后基于多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。由于本申请通过多源时空大数据识别出多个城市的功能性收缩地区,并针对功能性收缩地区的空间格局,进行总体特征评估,从而实现了以下效果,一是提升了收缩城市空间格局的分析和识别精度,使得城市内部不同地区之间国土空间使用绩效的评估和比较成为可能;二是实现了多项建成环境和经济社会因子的融合,更加全面的刻画城市收缩的特征;三是通过对比不同指标和因子之间的空间形态差异和统计数值差异,可以更好的追溯城市收缩现象背后的驱动因子和驱动机制。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种城市功能性收缩分析方法,其特征在于,所述方法包括:
确定多个城市待分析的基础数据,所述待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
融合所述多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
基于所述多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
2.根据权利1所述的方法,其特征在于,所述基于所述多个城市功能性收缩地区的空间格局进行特征分析生成分析结果之后,还包括:
根据所述分析结果以及预设指标追溯所述城市功能性收缩地区对应的功能性收缩的驱动机制。
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个城市功能性收缩地区的空间格局进行特征分析生成分析结果,包括:
获取所述多个城市功能性收缩地区对应的景观形状系数和景观比例系数;
根据所述景观形状系数和景观比例系数从所述多个城市中选择预设数量的城市生成待评价城市集合;
采用聚类算法对所述待评价城市集合中各城市进行分类,生成多种类型的城市集合;
对所述多个城市以及多种类型的城市集合进行特征分析生成分析结果。
4.根据权利要求3所述的方法,其特征在于,所述对所述多个城市以及多种类型的城市集合进行特征分析生成分析结果,包括:
将所述多个城市作为总体;
统计所述总体的功能性收缩地区内各类用地类型的占比,确定出总体的城市收缩特征;
分析所述多种类型的城市集合中各类城市的功能性收缩地区内各类用地的统计学特征,确定出不同的城市收缩特征;
将所述总体的城市收缩特征以及不同的城市收缩特征确定为分析结果。
5.根据权利要求1所述的方法,其特征在于,所述确定多个城市待分析的基础数据,包括:
采集多个城市中人口活动强度数据以及遥感影像数据;
从所述多个城市中人口活动强度数据中提取人口活动强度最高区域;
从所述遥感影像数据中提取多个城市建成区的空间范围;
将所述人口活动强度高区域和多个城市建成区的空间范围确定为多个城市待分析的基础数据。
6.根据权利要求5所述的方法,其特征在于,所述从所述多个城市中人口活动强度数据中提取人口活动强度高区域,包括:
对所述人口活动强度数据进行预处理,生成预处理的数据;
对所述预处理的数据进行平均化计算,获取所述多个城市各地点在预设时间内的日均人口活动强度数据;
采用预设地理统计法从所述日均人口活动强度数据中识别出活动强度最高区域。
7.根据权利要求5所述的方法,其特征在于,所述从所述遥感影像数据中提取多个城市建成区的空间范围,包括:
对所述遥感影像数据进行预处理,生成预处理的数据;
采用人机交互法从所述处理的数据中获取多个兴趣区域,作为训练样本;
构建含若干个隐藏层的神经网络模型;
将所述训练样本输入所述神经网络模型中进行训练,训练结束后生成训练后的神经网络;
基于所述训练后的神经网络对所述遥感数据进行分类,生成分类后的数据;
将所述分类后的数据进行聚类,并采用二值化处理后生成遥感影像对应的建成区和非建成区;
对所述遥感影像对应的建成区和非建成区进行精度预测,生成预测结果;
当所述预测结果大于预设值时,将所述遥感影像对应的建成区和非建成区转换为shapefile格式文件并输出。
8.根据权利要求1或7所述的方法,其特征在于,所述融合所述人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别后,得到多个城市功能性收缩地区,包括:
将所述人口活动强度最高区域与所述多个城市建成区进行叠加,以及
对所述人口活动强度最高区域与所述多个城市建成区进行差分处理,生成差异地区;
将所述差异地区作为多个城市功能性收缩地区。
9.一种城市功能性收缩分析装置,其特征在于,所述装置包括:
数据确定模块,用于确定多个城市待分析的基础数据,所述待分析的基础数据包括多个城市的人口活动强度最高区域以及多个城市建成区的空间范围;
数据融合模块,用于融合所述多个城市的人口活动强度最高区域以及多个城市建成区的空间范围,并对融合后的数据进行识别,得到多个城市功能性收缩地区;
特征分析模块,用于基于所述多个城市功能性收缩地区的空间格局进行特征分析生成分析结果。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~8任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010809164.4A CN112085636B (zh) | 2020-08-12 | 一种城市功能性收缩分析方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010809164.4A CN112085636B (zh) | 2020-08-12 | 一种城市功能性收缩分析方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085636A true CN112085636A (zh) | 2020-12-15 |
CN112085636B CN112085636B (zh) | 2024-06-07 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297998A (zh) * | 2021-05-31 | 2021-08-24 | 中煤航测遥感集团有限公司 | 国土空间规划问题的识别方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
Non-Patent Citations (4)
Title |
---|
孙秀锋 等: "我国城市用地水平与合理性研究", 西南师范大学学报(自然科学版), no. 04 * |
张亚男 等: "基于多源遥感数据的城市扩张监测与分析", 山东国土资源, no. 05 * |
明雨佳 等: "基于大数据的山地城市活力评价――以重庆主城区为例", 资源科学, no. 04 * |
龙瀛 等: "中国城市化的几个现实问题:空间扩张、人口收缩、低密度人类活动与城市范围界定", 城市规划学刊, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297998A (zh) * | 2021-05-31 | 2021-08-24 | 中煤航测遥感集团有限公司 | 国土空间规划问题的识别方法、装置、设备及存储介质 |
CN113297998B (zh) * | 2021-05-31 | 2024-04-26 | 中煤航测遥感集团有限公司 | 国土空间规划问题的识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948497B (zh) | 一种物体检测方法、装置及电子设备 | |
CN113887515A (zh) | 一种基于卷积神经网络的遥感滑坡识别方法及系统 | |
CN110163111A (zh) | 基于人脸识别的叫号方法、装置、电子设备及存储介质 | |
CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN108369651A (zh) | 使用图像数据进行信息提取 | |
CN107506499A (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
WO2019167784A1 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN108961267A (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN112101189A (zh) | 基于注意力机制的sar图像目标检测方法及测试平台 | |
CN111159279B (zh) | 一种模型可视化方法、设备及存储介质 | |
CN114550169A (zh) | 细胞分类模型的训练方法、装置、设备及介质 | |
CN111653268A (zh) | 一种购物仓的人机语音交互系统及方法 | |
CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
Feng et al. | Automating parameter learning for classifying terrestrial LiDAR point cloud using 2D land cover maps | |
CN110097603A (zh) | 一种时尚图像主色调解析方法 | |
CN112990202A (zh) | 基于稀疏表示的场景图生成方法及系统 | |
CN112085636B (zh) | 一种城市功能性收缩分析方法、装置及存储介质 | |
CN112085636A (zh) | 一种城市功能性收缩分析方法、装置及存储介质 | |
CN115830381A (zh) | 基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件 | |
CN115861816A (zh) | 一种立体低涡识别方法、装置、存储介质及终端 | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
Ke et al. | An automatic instrument recognition approach based on deep convolutional neural network | |
US11966842B2 (en) | Systems and methods to train a cell object detector | |
CN115439928A (zh) | 一种操作行为识别方法及装置 |
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 |