CN112163742A - 一种宅基地整治潜力预测方法 - Google Patents

一种宅基地整治潜力预测方法 Download PDF

Info

Publication number
CN112163742A
CN112163742A CN202010964387.8A CN202010964387A CN112163742A CN 112163742 A CN112163742 A CN 112163742A CN 202010964387 A CN202010964387 A CN 202010964387A CN 112163742 A CN112163742 A CN 112163742A
Authority
CN
China
Prior art keywords
area
grid
homestead
project
potential
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
Application number
CN202010964387.8A
Other languages
English (en)
Other versions
CN112163742B (zh
Inventor
赵翔
王静
江平
孔雪松
刘殿锋
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010964387.8A priority Critical patent/CN112163742B/zh
Publication of CN112163742A publication Critical patent/CN112163742A/zh
Application granted granted Critical
Publication of CN112163742B publication Critical patent/CN112163742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明属于农村土地整治工程技术领域，公开了一种宅基地整治潜力预测方法，将高分辨率遥感技术和GIS空间分析技术引入农村宅基地整治潜力预测领域，利用单分类支持向量机算法和区域历史土地整治工程数据来实现区域农民决策行为与偏好的自适应模拟。本发明解决了现有技术中宅基地整治潜力预测技术无法对农民拆旧复垦意愿进行智能化、定量化建模仿真，无法预测宅基地整治潜力的地理位置空间分布的问题，本发明使得宅基地整治潜力预测结果更具有指导性和可操作性，并提高了预测精度。

Description

一种宅基地整治潜力预测方法
技术领域
本发明涉及农村土地整治工程技术领域，尤其涉及一种宅基地整治潜力预测方法。
背景技术
近年来，随着我国城市化进程的不断推进，农村人口大量向城镇地区转移，导致农村地区宅基地低效和闲置现象普遍存在。另一方面，城市化建设、基础设施建设和新农村建设的占用了大量优质农田，对我国耕地保护和粮食安全产生了重要威胁。开展农村宅基地整治工程，将农村闲置和低效利用的宅基地复垦为耕地、园地和林地等农业用地，不仅有助于缓解地区“人地矛盾”、保障区域粮食安全，同时也助于改善农村人居环境、提高农民收入、修复农村生态环境。如何准确、科学、合理的预测区域农村宅基地的整治潜力及地理空间分布，将有助于增强国土空间规划方案的合理性，降低规划方案的实施成本，同时能够为农村土地综合整治、城乡建设用地增减挂钩工程的实施提供基本依据，提高相关工程实施的效率。
目前有关农村宅基地整治潜力预测的方法可以分为以下几类：(1)人均建设用地指标法、(2)户均建设用地指标法、(3)融合地理信息系统(GIS)技术的多因素综合评价法、(4)高分辨率遥感图像分析法、(5)实地调研法以及上述同时融合上述几种方法的宅基地整治潜力预测技术。现有的农村宅基地整治潜力预测技术研究还存在一定不足和局限性，主要表现为：
(1)缺乏对农民决策行为模式的定量化建模与仿真。现有研究大多基于村镇规划相关的国家技术标准中规定的人均建设用地指标、户均建设用地指标来估计农村宅基地整治的理论潜力。此外，通过多因素综合评价的方法不能直接对拆旧区农民的决策行为模式进行建模和仿真，预测结果缺乏必要的实证依据。预测出来的潜力结果往往因为过于理想化、主观化而不具有说服力。预测结果和真实情况相去甚远，不具有可操作性。
(2)无法预测宅基地整治潜力在地理位置上的分布特征。现有的方法大多只能以行政区域(县、镇、村等)为基本单位评估各行政区域总体的潜力数量指标，而不能预测整治工程实施的潜力地块的地理位置分布，因而无法为城乡建设用地增减挂钩、拆旧复垦等工程实施提供实质性的技术指导。基于GIS和遥感技术的潜力预测方法，尽管能够较为准确的识别出村庄内老旧建筑物，但依然无法对潜力整治复垦工程中农民的复垦意愿等决策行为进行定量的建模和模拟仿真。
总体上看，现有的宅基地整治潜力预测技术由于无法对农民拆旧复垦意愿进行智能化、定量化建模仿真，也无法预测宅基地整治潜力的地理位置空间分布，预测结果往往不具有可操作性，不能为城乡建设用地增减挂钩、拆旧复垦等工程的规划实施和项目选址提供技术指导。
发明内容
本发明通过提供一种宅基地整治潜力预测方法，解决了现有技术中宅基地整治潜力预测技术无法对农民拆旧复垦意愿进行智能化、定量化建模仿真，无法预测宅基地整治潜力的地理位置空间分布的问题。
本发明提供一种宅基地整治潜力预测方法，包括以下步骤：
步骤1、获取项目区在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围、所述项目区对应的决策模拟环境信息；
步骤2、获取所述项目区对应的高分辨率遥感图像，基于所述高分辨率遥感图像提取所述项目区内宅基地上的废旧建筑区，得到建筑区分类结果信息；将建筑区内标记为废旧建筑区的区域作为待预测区；
步骤3、基于所述建筑区分类结果信息，统计所述待预测区中各建筑区像元对应的邻域土地利用信息；
步骤4、将项目区范围内在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围内的像元作为正向样本，根据所述项目区对应的决策模拟环境信息、所述项目区对应的邻域土地利用信息作为正向样本的特征参数，训练单分类支持向量机分类器；
步骤5、获取所述待预测区对应的决策模拟环境信息、所述待预测区对应的邻域土地利用信息，利用训练好的分类器，得到待预测区对应的宅基地整治潜力预测结果信息。
优选的，所述步骤1包括以下子步骤：
获取项目区范围内在第一时间内已实施宅基地整治工程被整治的废旧宅基地边界范围内的地形坡度栅格数据，所述地形坡度栅格数据根据第一空间分辨率将项目区的空间范围划分为R行、C列的栅格图像；栅格图像上的每个栅格像元均代表地理空间上一个单元区域，每个栅格像元的数值代表对应单元区域的地形坡度取值；
利用GIS软件，计算项目区内各处与道路之间的距离，并保存为第一栅格文件Dr；计算项目区内各处与小学之间的距离，并保存为第二栅格文件Ds；所述第一栅格文件Dr和所述第二栅格文件Ds采用的空间分辨率、空间范围、地理坐标系统参数均与所述地形坡度栅格数据保持一致。
优选的，所述步骤2包括以下子步骤：
获取所述项目区内的第一遥感图像；
基于所述项目区的土地利用现状调查数据库，查询所有地类名称为“农村宅基地”的多边形，利用所述多边形，通过GIS软件裁切所述第一遥感图像，得到第二遥感图像；
基于废旧建筑、新建建筑具备的不同纹理颜色特征，对所述第二遥感图像进行自动分类，得到第一分类栅格数据；
对所述第一分类栅格数据进行人工目视检查，得到第二分类栅格数据；
通过GIS软件将所述第二分类栅格数据按照所述地形坡度栅格数据采用的空间分辨率、地理坐标系统参数、空间范围进行重采样，得到分类结果栅格数据，记为Ob；其中，Ob中取值为1的区域表示废旧建筑区，Ob中取值为0的区域表示新建建筑区。
优选的，所述步骤3包括以下子步骤：
按行在所述项目区内遍历R行、C列个栅格像元，获得每个栅格像元的摩尔邻域土地利用信息；
统计所有栅格像元的摩尔邻域土地利用信息，得到邻域土地利用统计结果。
优选的，所述获得每个栅格像元的摩尔邻域土地利用信息的具体实现方式为：
对于第i行、第j列的栅格像元Cij，若该栅格像元对应的空间位置被所述分类结果栅格数据Ob中的废旧建筑区所覆盖，或者，若该栅格像元对应的空间位置被正向样本所覆盖，则按照如下公式计算栅格像元Cij的邻域土地利用信息：
Figure BDA0002681715280000031
式中，Pi表示第i种土地利用类型对应的邻域土地利用占比，N表示栅格像元Cij的k级摩尔邻域落在项目区内的栅格像元的总数，Ni表示N个邻域像元中第i种土地利用类型的栅格像元个数；
对于第i行、第j列的栅格像元Cij，若该栅格像元对应的空间位置没有被所述分类结果栅格数据Ob中的废旧建筑区所覆盖，并且该栅格像元对应的空间位置没有被正向样本所覆盖，则该栅格像元处无需计算邻域土地利用信息；
所述邻域土地利用统计结果包括：
耕地统计结果Prox1、园地统计结果Prox2、林地统计结果Prox3、交通用地统计结果Prox4、废旧建筑区统计结果Prox5、新建建筑区统计结果Prox6，均保存为具有R行、C列的栅格像元。
优选的，所述步骤4包括以下子步骤：
获得项目区在第一时间内已实施宅基地整治工程中被整治的废旧宅基地的范围图斑数据；
按照所述地形坡度栅格数据的空间分辨率、空间范围、地理坐标系统参，将所述范围图斑数据转换为栅格数据，将项目区在第一时间内已实施宅基地整治工程中的被整治的废旧宅基地覆盖的每个栅格像元作为一个正向样本；
在GIS软件中通过叠置，获取每个正向样本在所述邻域土地利用统计结果、所述第一栅格文件Dr、所述第二栅格文件Ds、所述地形坡度栅格数据对应行列上的像元取值，并作为该正向样本的特征参数；
从所述第二遥感图像上选取第一比例的新建房屋区域作为负向样本；
在GIS软件中通过叠置，获取每个负向样本在所述邻域土地利用统计结果、所述第一栅格文件Dr、所述第二栅格文件Ds、所述地形坡度栅格数据对应行列上的像元取值作为该负向样本的特征参数；
按照第一比例的负向样本、第二比例的正向样本构建训练样本集，并对单分类支持向量机分类器进行训练，得到训练好的分类器。
优选的，所述步骤4还包括：得到训练好的分类器后，将训练好的分类器的预测结果与真实结果进行对比分析，得到分类器的预测精度评估信息。
优选的，所述步骤5包括以下子步骤：
获取待预测区对应的地形坡度栅格数据、待预测区对应的第一栅格文件Dr和所述第二栅格文件Ds、待预测区对应的邻域土地利用统计结果、待预测区对应的分类结果栅格数据；
利用所述训练好的分类器，根据所述待预测区对应的分类结果栅格数据中每个代表废旧建筑区的栅格像元在所述待预测区对应的邻域土地利用统计结果、所述待预测区对应的第一栅格文件Dr和所述第二栅格文件Ds、所述待预测区对应的地形坡度栅格数据对应行列位置上的特征取值，得到待预测区中每个代表废旧建筑区的栅格像元对应的拆旧复垦意愿预测结果；
其中，将每个栅格像元对应的标记值作为所述拆旧复垦意愿预测结果，所述标记值的取值范围为[-1,1]；所述标记值为“1”表明该栅格像元对应的区域能够被整治的可能性极大，所述标记值为“-1”表明该栅格像元对应的区域能够被整治的可能性极小。
优选的，所述步骤5还包括：获得所述拆旧复垦意愿预测结果后，在GIS软件中将所有标记值为1的栅格像元且空间上相邻、连片的区域转换为潜力矢量多边形，并计算所述各个潜力矢量多边形的面积。
优选的，所述步骤5还包括：获得所述各个潜力矢量多边形的面积后，根据预设的面积标准阈值，删除小于所述面积标准阈值的多边形后，得到废弃宅基地整治潜力面积和潜力图斑的地理位置分布。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
在发明中，提供的一种宅基地整治潜力预测方法首先获取项目区在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围、项目区对应的决策模拟环境信息；获取项目区对应的高分辨率遥感图像，基于高分辨率遥感图像提取项目区内宅基地上的废旧建筑区，得到建筑区分类结果信息；将建筑区内标记为废旧建筑区的区域作为待预测区；基于建筑区分类结果信息，统计待预测区中各建筑区像元对应的邻域土地利用信息；然后将项目区范围内在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围内的像元作为正向样本，根据项目区对应的决策模拟环境信息、项目区对应的邻域土地利用信息作为正向样本的特征参数，训练单分类支持向量机分类器；最后获取待预测区对应的决策模拟环境信息、待预测区对应的邻域土地利用信息，利用训练好的分类器，得到待预测区对应的宅基地整治潜力预测结果信息。本发明将高分辨率遥感技术和GIS空间分析技术引入农村宅基地整治潜力预测领域，利用单分类支持向量机算法和区域历史土地整治工程数据来实现区域农民决策行为与偏好的自适应模拟，使得宅基地整治潜力预测结果更具有指导性和可操作性，并提高了预测精度。
附图说明
图1为单分类支持向量机算法的基本原理示意图；
图2为本发明实施例提供的一种宅基地整治潜力预测方法的流程示意图；
图3为本发明实施例提供的一种宅基地整治潜力预测方法中地形坡度栅格数据；
图4为本发明实施例提供的一种宅基地整治潜力预测方法中项目区内各处与道路之间的距离的栅格数据、项目区内各处与小学之间的距离的栅格数据；
图5为本发明实施例提供的一种宅基地整治潜力预测方法中废旧建筑物、新建建筑物在遥感图像上的典型纹理特征；
图6为本发明实施例提供的一种宅基地整治潜力预测方法中栅格像元的k级邻域示意图；
图7为本发明实施例提供的一种宅基地整治潜力预测方法中通过OCSVM算法预测获得的废旧宅基地整治潜力图斑分布示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
为便于理解起见，首先解释本发明的理论基础：
单分类支持向量机(One-Class SVM,OCSVM)算法被广泛应用于单分类问题的求解。OCSVM算法的基本原理见附图1，通过大量的正向样本进行训练，获取正向样本的分类特征，并根据样本特征构建最小超球面，将整个样本空间划分为已识别的正向样本和负向样本空间。落在超球面内的被认为是正向样本，而落在超球面外的为非正向样本。相对于二分类和多分类算法，由OCSVM训练出的分类器只关注于从待分类样本中根据正向样本训练获得的单类分类特征，识别出感兴趣正向对象，而对其他对象统一标注为非正向类。
对于农村废旧宅基地的复垦潜力预测问题，农民作为一个群体，其拆旧复垦意愿和决策行为在一定程度上也是可以预测的。另一方面，项目区近期已经实施的宅基地复垦工程均得到了废旧宅基地权属人的同意。从理论上来看，已经实施的宅基地复垦地块实际上反映了项目区农民拆旧决策行为，并为项目区农民的决策行为模拟提供了良好的正向的训练样本。此外，项目区内尚未进行拆旧复垦的废弃宅基地并不意味着那些区域就必然不能被农民要求或同意复垦。对于宅基地复垦意愿模拟来说，正向样本是可以明确、大量的获取的，而负向样本则是含糊和难以获取的。因此，本发明将项目区第一时间(例如近5年)内已实施的废旧宅基地整治工程的整治地块边界数据作为正向样本，利用单分类支持向量机(OCSVM)算法对待预测区域的农民宅基地拆旧复垦意愿进行模拟。
本发明实施例提供的一种宅基地整治潜力预测方法，包括以下步骤，参见附图2：
步骤一、获取项目区在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围、项目区对应的决策模拟环境信息。
具体的，获取项目区的地形、学校和路网等影响农民拆旧复垦意愿的决策模拟环境数据和项目区第一时间(例如近5年)内已实施宅基地整治工程中被整治的废旧宅基地边界范围，并进行预处理，从而为OCSVM算法提供基本的样本特征数据。具体流程如下：
(1)通过无人机航测或者从自然资源管理部门采集覆盖项目区第一空间分辨率(例如5米分辨率)的地形坡度栅格数据(记为Slope)；设地形坡度栅格数据(即该栅格图像)将整个项目区划分为R行，C列。则栅格上每个像元均代表地理空间上的一个5米*5米的区域。栅格像元的数值则表明了该处的地形坡度取值，数值越大表明该处地形起伏越大；反之，则表示地形越平缓。具体效果见附图3。
(2)利用GIS软件，分别计算项目区内各处与道路、小学的欧氏距离，分别记为Dr和Ds，并保存为栅格文件。Dr和Ds可以在许多GIS软件中计算得到，例如ArcGIS软件中的欧式距离(Euclidean Distance)工具等。计算结果同样以栅格数据进行存储，并且保证栅格数据的空间分辨率、空间范围(行、列数)和坐标系统参数均与坡度栅格数据保持一致。具体效果见附图4。
步骤二、获取项目区对应的高分辨率遥感图像，基于高分辨率遥感图像提取项目区内宅基地上的废旧建筑区，得到建筑区分类结果信息；将建筑区内标记为废旧建筑区的区域作为待预测区。
步骤二主要包括：获取项目区内的第一遥感图像；基于项目区的土地利用现状调查数据库，查询所有地类名称为“农村宅基地”的多边形，利用所述多边形，通过GIS软件裁切所述第一遥感图像，得到第二遥感图像；基于废旧建筑、新建建筑具备的不同纹理颜色特征，对第二遥感图像进行自动分类，得到第一分类栅格数据；对第一分类栅格数据进行人工目视检查，得到第二分类栅格数据；通过GIS软件将第二分类栅格数据按照地形坡度栅格数据采用的空间分辨率、地理坐标系统参数、空间范围进行重采样，得到分类结果栅格数据，记为Ob；其中，Ob中取值为1的区域表示废旧建筑区，Ob中取值为0的区域表示新建建筑区。
具体实施时，可获取项目区内空间分辨率优于1米的最新的遥感图像，按照如下步骤提取项目区内的宅基地上的废旧建筑区：
(1)从项目区最新的土地利用现状调查矢量数据库中查询出所有地类名称为“农村宅基地”的所有多边形，并利用这些多边形在GIS软件中裁切遥感图像：仅保留落在农村宅基地多边形内部的遥感图像内容，去掉多边形外部的遥感图像信息以提高算法效率。其中，土地利用现状调查数据库由自然资源管理部门(自然资源局等)按照土地利用现状分类和国土调查相关的国家标准和技术规程进行建设得到。
(2)针对裁剪后的遥感图像，利用遥感技术中的面向对象分类技术，提取出废旧建筑区和新建建筑区。由于废旧建筑区和新建建筑区在高分辨率遥感图像上表现出截然不同的纹理特征(见附图5)：例如，废旧建筑多采用砖木结构，并使用黑色的瓦面屋顶，在遥感图像上表现为黑色或者深色；而新建的楼房则大量采用水泥等建筑材料，大多屋顶为平房，没有瓦面，在遥感图像上表现为灰色或者较亮的颜色。由于两者的纹理和颜色均存在较大差异，因此可以通过计算机自动分类的方式在遥感图像分类软件中进行自动识别，得到的分类结果同样以栅格数据进行存储，并标记为Classified。
(3)针对计算机自动分类得到的Classified栅格图像，进行人工目视检查，纠正可能存在的错误分类，并将项目区内的农村宅基地多边形划分为新建建筑区和废旧建筑区两类。在此基础上，在GIS软件中将Classified栅格图像按照Slope栅格图像的空间分辨率、地理坐标系统和空间范围进行重采样，得到本步骤的栅格结果数据，并记为Ob。其中，Ob中取值为1的区域表示为废旧建筑区，0表示新建建筑区。农村宅基地多边形以外的区域标记为“NoData”。
步骤三、基于建筑区分类结果信息，统计待预测区中各建筑区像元对应的邻域土地利用信息。
按行在所述项目区内遍历R行、C列个栅格像元，获得每个栅格像元的摩尔邻域土地利用信息；统计所有栅格像元的摩尔邻域土地利用信息，得到邻域土地利用统计结果。
农民对某个具体土地的利用行为会受到与之相邻的土地的利用状况的影响。按照如下步骤统计每个像元区域的k级摩尔邻域内耕地、园地、林地、交通用地、废旧建筑区和新建建筑区共6类用途的占比。其中，摩尔邻域的内涵见附图6。在本实施案例中，参数k取值为10，即：统计像元周围200米摩尔邻域内各类用地的占比。具体实施步骤如下：
(1)按行在项目区内遍历R行，C列个栅格像元。对于任意当前的第i行、第j列的栅格像元Cij，若该栅格像元对应的空间位置被Ob中的废旧建筑区所覆盖，或被项目区在第一时间内已实施宅基地整治工程中整治地块(正向样本)所覆盖，则按照如下公式计算像元Cij的邻域土地利用情况：
Figure BDA0002681715280000091
公式中，Pi表示第i种土地利用类型对应的邻域土地利用占比，N表示像元Cij的k级摩尔邻域落在项目区内的栅格像元的总数，Ni表示N个邻域像元中第i种土地利用类型的像元个数。
对于第i行、第j列的栅格像元Cij，若该栅格像元对应的空间位置没有被所述分类结果栅格数据Ob中的废旧建筑区所覆盖，并且该栅格像元对应的空间位置没有被正向样本所覆盖，则该栅格像元处无需计算邻域土地利用信息。
(2)按照上一步骤，统计所有满足要求的Cij的邻域土地利用统计值，并将结果保存为栅格文件，分别命名为Prox1(耕地统计结果)，Prox2(园地统计结果)，Prox3(林地统计结果)，Prox4(交通用地统计结果)，Prox5(废旧建筑区统计结果)和Prox6(新建建筑区统计结果)，用于存储区域被Ob中的废旧建筑物或区域近年宅基地整治潜力工程中潜力整治地块所覆盖的像元邻域土地利用统计结果。栅格图像Prox1～Prox6中，栅格像元的取值表示了该栅格像元处的邻域土地利用状况统计结果。
步骤四、将项目区范围内在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围内的像元作为正向样本，根据项目区对应的决策模拟环境信息、项目区对应的邻域土地利用信息作为正向样本的特征参数，训练单分类支持向量机分类器。
利用项目区在第一时间内已实施宅基地整治工程中的整治地块(例如项目区近5年实施的废旧宅基地正式地块数据)作为正向训练样本，输入单分类支持向量机分类器，以提取区域农民废旧宅基地复垦决策行为偏好。具体步骤如下：
(1)获取项目区在第一时间内已实施宅基地整治工程被整治的废旧宅基地的范围图斑数据，按照所述地形坡度栅格数据的空间分辨率、空间范围、地理坐标系统参，将所述范围图斑数据转换为栅格数据，将项目区在第一时间内已实施宅基地整治工程中的整治地块覆盖的每个栅格像元作为一个正向样本。
例如，将项目区近5年内实施的宅基地整治工程被整治的废旧宅基地的范围图斑数据，按照坡度栅格数据的空间分辨率、空间范围和坐标系统参数，转换为栅格数据。转换后被整治地块覆盖区域的每个栅格像元就是一个正向的样本。
(2)在GIS中通过叠置，获取每个正向样本在Prox1，Prox2，Prox3，Prox4，Prox5,Prox6，Dr，Ds，Slope栅格对应行列上的像元取值作为该正向样本的特征参数。
(3)根据OCSVM算法的基本要求，按照95:5的关系，从遥感图像上选取少量近年已经新建房屋的区域作为负向样本，即按照95％的正向样本，5％的负向样本构建算法训练的样本全集。按照与正向样本同样的方式获得负向样本的特征参数。与二分类、多分类算法不同，输入OCSVM算法的样本不标记类型，即OCSVM算法无需事先知道样本中哪些是正向样本，哪些是负向样本。通过样本训练过程，OCSVM算法将从样本特征参数中自动学习获得农民拆旧复垦意愿及决策行为规则。
(4)OCSVM算法预测精度评估。利用OCSVM对训练样本进行预测，预测结果为1的表明该样本被分类器判定为正向样本，即该区域被农民同意进行拆旧复垦；预测结果为-1的，表明该样本被分类器判定为负向样本，即农民不同意拆旧复垦。通过将OCSVM算法预测的结果与真实情况进行对比分析，即可得到分类器的预测精度。
步骤五、获取待预测区对应的决策模拟环境信息、待预测区对应的邻域土地利用信息，利用训练好的分类器，得到待预测区对应的宅基地整治潜力预测结果信息。
利用训练好的分类器，基于待预测区域对应的废旧建筑区识别结果、环境数据和邻域土地利用统计结果数据来预测整个待预测区域的宅基地整治潜力。具体步骤如下：
(1)叠加待预测区域的Ob栅格和Prox1，Prox2，Prox3，Prox4，Prox5，Prox6，Dr，Ds，Slope。利用步骤四获得的训练好的分类器，根据Ob栅格上每个废旧建筑区像元在Prox1，Prox2，Prox3，Prox4，Prox5,Prox6，Dr，Ds，Slope栅格对应行列位置上的特征取值，分别预测农民在每个废旧建筑区像元上的拆旧复垦意愿，所述标记值的取值范围为[-1,1]。预测结果为1的，表明该区域能够被整治的可能性极大，预测结果为负1的，表明该区域能被整治的可能性极小。
(2)为了便于统计图斑面积，在GIS软件中将所有标记为1的栅格像元且空间上相邻、连片的区域转换为矢量多边形。即，所有栅格取值为1，且行列相邻的像元组成一个多边形，并在GIS软件中计算各潜力矢量多边形的面积。
(3)按照统一的面积筛选阈值Smin去掉那些面积过小的多边形。面积过小的多边形，例如独栋的宅基地，往往由于规模过小而不便于施工或者施工成本过高，难以形成真实有效的整治潜力。因此，在现实工程施工中，不同地方会根据各地的实际情况确定不同的面积筛选阈值Smin。在平原地区，农村宅基地往往呈现出聚集分布，因此Smin的取值相对较大；而在山区和丘陵地区，由于宅基地往往呈现为零星独立分布，Smin的取值相对较小。在本实施例中，Smin的取值为1000平方米。即，只有面积大于1000平方米的潜力多边形才能形成有效的整治潜力。按照上述原则，汇总区域内面积大于1000平方米的潜力多边形即可得到待预测区域全部的废弃宅基地整治潜力面积和潜力图斑的地理位置分布。
为说明本技术方案的实施效果，选取某镇农村宅基地整治潜力预测问题作为案例。本案例中，全镇的行政区划面积约为192.36平方公里。根据自然资源局提供的最新土地利用现状调查数据，截至2019年末，该镇拥有农村宅基地面积343.8公顷，约合5155.5亩。此外，截至2019年末，该镇拥有户籍农村人口14194户，共64118人；户均宅基地面积约242平方米/人，人均宅基地面积53.6平方米/人，高于国家规定的人均和户均用地面积标准。此外，根据抽样调查，常年在该区域实际居住的农村人口仅占户籍人口总量的61.93％。2019年，该区域实施了废旧宅基地整治工程，在征得拆旧复垦农民的完全同意的基础上，共整治和复垦了废旧宅基地105.85公顷，约合1587.77亩。收集项目区相应的数据资料，并按照本发明设计的数据处理方法，首先根据高分辨率遥感图像，将区域宅基地划分为废旧建筑区和新建建筑区。获得废旧建筑区的面积为103.96公顷，约合1559.36亩，占该区域宅基地总面积的30.2％。此外，将该区域2019年的整治地块作为正向样本输入OCSVM算法进行训练。则本发明实施例中，OCSVM算法的总体预测精度为96.36％，正向样本的预测精度为96.88％，负向样本的预测精度为80.14％。精度评估结果是满意的，即利用OCSVM算法在本发明实施例中对农民的拆旧复垦意愿行为模拟的结果总体是可靠的。在此基础上，利用训练好的分类器预测区域废旧宅基地的整治潜力，形成备选的潜力图斑。按照整治图斑面积大于1000平方米的原则，对满足要求潜力图斑进行筛选，共得到区域最终的废旧宅基地整治潜力规模约36.02公顷，约合540亩，占废旧建筑区总面积的34.6％。经OCSVM算法预测可以作为废旧宅基地整治潜力的图斑分布见附图7。
综上，本发明拟融合遥感技术、GIS空间分析技术，基于区域农村宅基地整治工程项目历史数据，利用人工智能算法，对区域农民拆旧复垦和综合整治的决策行为进行智能化、定量化建模，从而实现对农村宅基地整治潜力的规模和地理空间分布位置进行预测。
本发明实施例提供的一种宅基地整治潜力预测方法至少包括如下技术效果：
(1)将高分辨率遥感技术和GIS空间分析技术引入农村宅基地整治潜力预测领域，预测结果能够精确到具体的某个图斑或地块，使得预测结果更具有指导性和可操作性，从而能够降低土地整治工程实施的规划设计和实施成本。
(2)利用单分类支持向量机算法和区域历史土地整治工程数据来实现区域农民决策行为与偏好的自适应模拟，提高了预测结果的精度和可操作性。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种宅基地整治潜力预测方法，其特征在于，包括以下步骤：
步骤1、获取项目区在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围、所述项目区对应的决策模拟环境信息；
步骤2、获取所述项目区对应的高分辨率遥感图像，基于所述高分辨率遥感图像提取所述项目区内宅基地上的废旧建筑区，得到建筑区分类结果信息；将建筑区内标记为废旧建筑区的区域作为待预测区；
步骤3、基于所述建筑区分类结果信息，统计所述待预测区中各建筑区像元对应的邻域土地利用信息；
步骤4、将项目区范围内在第一时间内已实施宅基地整治工程中被整治的废旧宅基地边界范围内的像元作为正向样本，根据所述项目区对应的决策模拟环境信息、所述项目区对应的邻域土地利用信息作为正向样本的特征参数，训练单分类支持向量机分类器；
步骤5、获取所述待预测区对应的决策模拟环境信息、所述待预测区对应的邻域土地利用信息，利用训练好的分类器，得到待预测区对应的宅基地整治潜力预测结果信息。
2.根据权利要求1所述的宅基地整治潜力预测方法，其特征在于，所述步骤1包括以下子步骤：
获取项目区范围内在第一时间内已实施宅基地整治工程被整治的废旧宅基地边界范围内的地形坡度栅格数据，所述地形坡度栅格数据根据第一空间分辨率将项目区的空间范围划分为R行、C列的栅格图像；栅格图像上的每个栅格像元均代表地理空间上一个单元区域，每个栅格像元的数值代表对应单元区域的地形坡度取值；
利用GIS软件，计算项目区内各处与道路之间的距离，并保存为第一栅格文件Dr；计算项目区内各处与小学之间的距离，并保存为第二栅格文件Ds；所述第一栅格文件Dr和所述第二栅格文件Ds采用的空间分辨率、空间范围、地理坐标系统参数均与所述地形坡度栅格数据保持一致。
3.根据权利要求2所述的宅基地整治潜力预测方法，其特征在于，所述步骤2包括以下子步骤：
获取所述项目区内的第一遥感图像；
基于所述项目区的土地利用现状调查数据库，查询所有地类名称为“农村宅基地”的多边形，利用所述多边形，通过GIS软件裁切所述第一遥感图像，得到第二遥感图像；
基于废旧建筑、新建建筑具备的不同纹理颜色特征，对所述第二遥感图像进行自动分类，得到第一分类栅格数据；
对所述第一分类栅格数据进行人工目视检查，得到第二分类栅格数据；
通过GIS软件将所述第二分类栅格数据按照所述地形坡度栅格数据采用的空间分辨率、地理坐标系统参数、空间范围进行重采样，得到分类结果栅格数据，记为Ob；其中，Ob中取值为1的区域表示废旧建筑区，Ob中取值为0的区域表示新建建筑区。
4.根据权利要求3所述的宅基地整治潜力预测方法，其特征在于，所述步骤3包括以下子步骤：
按行在所述项目区内遍历R行、C列个栅格像元，获得每个栅格像元的摩尔邻域土地利用信息；
统计所有栅格像元的摩尔邻域土地利用信息，得到邻域土地利用统计结果。
5.根据权利要求4所述的宅基地整治潜力预测方法，其特征在于，所述获得每个栅格像元的摩尔邻域土地利用信息的具体实现方式为：
对于第i行、第j列的栅格像元Cij，若该栅格像元对应的空间位置被所述分类结果栅格数据Ob中的废旧建筑区所覆盖，或者，若该栅格像元对应的空间位置被正向样本所覆盖，则按照如下公式计算栅格像元Cij的邻域土地利用信息：
Figure FDA0002681715270000021
式中，Pi表示第i种土地利用类型对应的邻域土地利用占比，N表示栅格像元Cij的k级摩尔邻域落在项目区内的栅格像元的总数，Ni表示N个邻域像元中第i种土地利用类型的栅格像元个数；
对于第i行、第j列的栅格像元Cij，若该栅格像元对应的空间位置没有被所述分类结果栅格数据Ob中的废旧建筑区所覆盖，并且该栅格像元对应的空间位置没有被正向样本所覆盖，则该栅格像元处无需计算邻域土地利用信息；
所述邻域土地利用统计结果包括：
耕地统计结果Prox1、园地统计结果Prox2、林地统计结果Prox3、交通用地统计结果Prox4、废旧建筑区统计结果Prox5、新建建筑区统计结果Prox6，均保存为具有R行、C列的栅格像元。
6.根据权利要求5所述的宅基地整治潜力预测方法，其特征在于，所述步骤4包括以下子步骤：
获得项目区在第一时间内已实施宅基地整治工程中被整治的废旧宅基地的范围图斑数据；
按照所述地形坡度栅格数据的空间分辨率、空间范围、地理坐标系统参，将所述范围图斑数据转换为栅格数据，将项目区在第一时间内已实施宅基地整治工程中的被整治的废旧宅基地覆盖的每个栅格像元作为一个正向样本；
在GIS软件中通过叠置，获取每个正向样本在所述邻域土地利用统计结果、所述第一栅格文件Dr、所述第二栅格文件Ds、所述地形坡度栅格数据对应行列上的像元取值，并作为该正向样本的特征参数；
从所述第二遥感图像上选取第一比例的新建房屋区域作为负向样本；
在GIS软件中通过叠置，获取每个负向样本在所述邻域土地利用统计结果、所述第一栅格文件Dr、所述第二栅格文件Ds、所述地形坡度栅格数据对应行列上的像元取值作为该负向样本的特征参数；
按照第一比例的负向样本、第二比例的正向样本构建训练样本集，并对单分类支持向量机分类器进行训练，得到训练好的分类器。
7.根据权利要求6所述的宅基地整治潜力预测方法，其特征在于，所述步骤4还包括：得到训练好的分类器后，将训练好的分类器的预测结果与真实结果进行对比分析，得到分类器的预测精度评估信息。
8.根据权利要求7所述的宅基地整治潜力预测方法，其特征在于，所述步骤5包括以下子步骤：
获取待预测区对应的地形坡度栅格数据、待预测区对应的第一栅格文件Dr和所述第二栅格文件Ds、待预测区对应的邻域土地利用统计结果、待预测区对应的分类结果栅格数据；
利用所述训练好的分类器，根据所述待预测区对应的分类结果栅格数据中每个代表废旧建筑区的栅格像元在所述待预测区对应的邻域土地利用统计结果、所述待预测区对应的第一栅格文件Dr和所述第二栅格文件Ds、所述待预测区对应的地形坡度栅格数据对应行列位置上的特征取值，得到待预测区中每个代表废旧建筑区的栅格像元对应的拆旧复垦意愿预测结果；
其中，将每个栅格像元对应的标记值作为所述拆旧复垦意愿预测结果，所述标记值的取值范围为[-1,1]；所述标记值为“1”表明该栅格像元对应的区域能够被整治的可能性极大，所述标记值为“-1”表明该栅格像元对应的区域能够被整治的可能性极小。
9.根据权利要求8所述的宅基地整治潜力预测方法，其特征在于，所述步骤5还包括：获得所述拆旧复垦意愿预测结果后，在GIS软件中将所有标记值为1的栅格像元且空间上相邻、连片的区域转换为潜力矢量多边形，并计算所述各个潜力矢量多边形的面积。
10.根据权利要求9所述的宅基地整治潜力预测方法，其特征在于，所述步骤5还包括：获得所述各个潜力矢量多边形的面积后，根据预设的面积标准阈值，删除小于所述面积标准阈值的多边形后，得到废弃宅基地整治潜力面积和潜力图斑的地理位置分布。
CN202010964387.8A 2020-09-15 2020-09-15 一种宅基地整治潜力预测方法 Active CN112163742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010964387.8A CN112163742B (zh) 2020-09-15 2020-09-15 一种宅基地整治潜力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010964387.8A CN112163742B (zh) 2020-09-15 2020-09-15 一种宅基地整治潜力预测方法

Publications (2)

Publication Number Publication Date
CN112163742A true CN112163742A (zh) 2021-01-01
CN112163742B CN112163742B (zh) 2024-02-02

Family

ID=73859157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010964387.8A Active CN112163742B (zh) 2020-09-15 2020-09-15 一种宅基地整治潜力预测方法

Country Status (1)

Country Link
CN (1) CN112163742B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971312A (zh) * 2014-05-27 2014-08-06 武汉大学 一种村镇网络节点辐射域导向的农村居民点整治分区方法
CN106105470A (zh) * 2016-07-26 2016-11-16 中国科学院地理科学与资源研究所 一种基于农村空废土地整治的健康土体营造方法
CN108009694A (zh) * 2016-10-27 2018-05-08 中国科学院遥感与数字地球研究所 空心村整治潜力分级评估系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971312A (zh) * 2014-05-27 2014-08-06 武汉大学 一种村镇网络节点辐射域导向的农村居民点整治分区方法
CN106105470A (zh) * 2016-07-26 2016-11-16 中国科学院地理科学与资源研究所 一种基于农村空废土地整治的健康土体营造方法
CN108009694A (zh) * 2016-10-27 2018-05-08 中国科学院遥感与数字地球研究所 空心村整治潜力分级评估系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘殿峰等: ""Spatial optimization of rural settlement relocation by incorporating inter‐village social connections under future policy scenarios"", 《WILEY》 *
张英: ""高山峡谷区农村居民点信息提取与布局优化研究"", 中国优秀硕士学位论文全文数据库 基础科学》 *

Also Published As

Publication number Publication date
CN112163742B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Aburas et al. Land suitability analysis of urban growth in Seremban Malaysia, using GIS based analytical hierarchy process
Petschko et al. Assessing the quality of landslide susceptibility maps–case study Lower Austria
Pijanowski et al. Urban expansion simulation using geospatial information system and artificial neural networks
US10830750B2 (en) Functional soil maps
Eyoh et al. Modelling and predicting future urban expansion of Lagos, Nigeria from remote sensing data using logistic regression and GIS
CN110991262A (zh) 生态服务价值预测的多带宽地理加权回归元胞自动机方法
Esch et al. Urban remote sensing–how can earth observation support the sustainable development of urban environments?
CN106485360A (zh) 基于全局夜光遥感的局部社会经济指标预测方法及系统
Bharath et al. Status and future transition of rapid urbanizing landscape in central Western Ghats-CA based approach
CN115660217A (zh) 一种智慧城市垃圾清扫量预测方法和物联网系统
CN114414491B (zh) 一种草原生态动态监测与分析系统
CN114331206B (zh) 点位选址方法、装置、电子设备及可读存储介质
CN116595121A (zh) 一种基于遥感技术数据显示监测系统
CN117408495B (zh) 一种基于土地资源综合管理的数据分析方法及系统
Kumar et al. Urban modelling and forecasting of landuse using SLEUTH model
AU2021100350A4 (en) Method for Predicting Reclamation Potential of Homestead
Quintal et al. Forecasting urban expansion in the Seven Lakes area in San Pablo City, Laguna, the Philippines using the land transformation model
CN116703004B (zh) 一种基于预训练模型的水系流域智慧巡护方法和装置
Aithal et al. Prediction of spatial patterns of urban dynamics in Pune, India
Fura Analysing and modelling urban land cover change for run-off modelling in Kampala, Uganda
CN112163742A (zh) 一种宅基地整治潜力预测方法
KR20050063615A (ko) 지리 정보 시스템에서의 지면 거칠기 지도 제공 방법
CN115423173A (zh) 智慧城市绿化管理方法和系统及存储介质、装置
MOHAMMADY et al. A Spatio-Temporal Urban Growth Modelling. Case Study: Tehran Metropolis.
CN117371830B (zh) 基于gis技术的智慧城市的城市生态管控方法及系统

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