CN112732843B - 一种村庄功能类型的识别方法及装置 - Google Patents
一种村庄功能类型的识别方法及装置 Download PDFInfo
- Publication number
- CN112732843B CN112732843B CN202110059231.XA CN202110059231A CN112732843B CN 112732843 B CN112732843 B CN 112732843B CN 202110059231 A CN202110059231 A CN 202110059231A CN 112732843 B CN112732843 B CN 112732843B
- Authority
- CN
- China
- Prior art keywords
- village
- land
- type
- data
- vector 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 238000007670 refining Methods 0.000 claims abstract description 9
- 230000010354 integration Effects 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 100
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 238000012512 characterization method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005266 casting Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种村庄功能类型的识别方法及装置,该方法包括:收集并校核村庄土地利用类型矢量数据;逐级归并提炼土地利用类型矢量数据,测算归并后的土地利用类型矢量数据的功能强度;对村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型。通过本发明避免了因建构指标体系中指标选取、权重赋值种主观性较强的问题;提高了村庄功能类型识别精准度;避免了传统村庄分类中指标选取维度交叉、数据获取难度大等问题,提高了村庄功能类型识别效率;在进行数据整理时,对城、乡地域空间和村域内生产、生活空间进行有效区分,村域内生产和生活地域空间有效区分,使村庄外部主导功能的研究更为精准,对现实指导意义更大。
Description
技术领域
本发明属于村庄功能分类技术领域,特别涉及一种村庄功能类型的识别方法及装置。
背景技术
目前对乡村功能的研究多采用评价法,首先根据学者的认知对乡村功能类型进行自上而下的预判,根据各功能类型特征分别选择定量评价指标,构建评价指标体系,通过AHP或熵值法为各指标赋权重,通过综合计算获得村庄各类功能强度值。虽此技术可实现村庄功能的定量评价,但由于功能类型预判、评价指标选取、指标权重赋值等均较为主观,受研究者个人因素影响较大;且由于数据的可获取性,研究多以县域为最小研究单元,无法有效区分城乡空间,致使村庄功能较为复合,尚未有一种较为便捷快速的定量识别村庄的有效方法。
“空间的生产”理论认为“任何空间都是社会的产物”,空间既是人类实践活动的场域,也是人类实践活动的产物,其实质是改变物质资料在物理空间中的分配和结合方式以满足人的特定生活需求。基于此认为农村功能是不同类型、数量的资本对拥有不同资源禀赋的自然地理空间进行再生产后,地域空间功能重构的综合表征,是资本和乡村地域耦合后的对外服务呈现。因土地既是一切空间生产的载体,也是一切空间生产的对象,本发明认为土地利用类型是村庄一切功能在地表空间的映射,农村土地利用结构和功能强度即为空间生产的最终产物,是资本和乡村地域特征耦合后的对外服务结果呈现,即为乡村功能表征。基于此,本发明以村庄土地利用数据作为基准数据,从功能的外部性角度出发,以非城区一般型村庄为分析单元,以村域生产空间为功能识别对象,通过综合对比村庄土地利用结构及其对外服务强度后,利用机器学习方法定量识别村庄功能类型。
发明内容
针对上述问题,本发明提出了一种村庄功能类型的识别方法,该方法包括:
收集并校核村庄土地利用类型矢量数据;
逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度;
对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型。
进一步的,所述收集并校核村庄土地利用类型矢量数据,包括:
以行政村为研究分析的空间单元,收集并整理研究范围内所述行政村的土地利用类型汇总数据,所述土地利用类型汇总数据的要素与GIS工作底图的匹配,得到所述土地利用类型矢量数据。
进一步的,所述收集并校核村庄土地利用类型矢量数据,进一步包括:
收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的所述土地利用类型汇总数据;
以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据。
进一步的,所述收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的土地利用类型汇总数据中,
根据GIS数据库的基础信息,收集各村庄土地利用斑块数据,并以行政村为单位,将各行政村土地利用斑块数据按照所属土地利用类型进行分类汇总;或者,
根据基础数据,收集各村庄土地利用类型汇总数据,并以行政村为单位进行数据汇总;
所述以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据中,
根据GIS数据库的基础信息,以行政村为单位,提取各村庄行政地域边界信息,作为村庄功能分类的工作底图,将行政村的所述土地利用类型汇总数据与所述工作底图在GIS中进行匹配,得到行政村所述土地利用类型矢量数据;以及
根据村庄行政地域边界,定量识别行政村村域面积,用所述村域面积对行政村所述土地利用类型矢量数据进行校验,对所述土地利用类型矢量数据进行修正,其中,若各个所述土地利用类型矢量数据相差较大且所述土地利用类型汇总数据无法补充完善,则将该行政村不纳入分类研究中。
进一步的,所述逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度,包括:
基于所述土地利用类型矢量数据,科学识别乡村地域单元和村庄生产空间地域单元对所述土地利用类型矢量数据提炼,分别对提炼后的所述土地利用类型矢量数据根据性质同质性和功能协同性进行逐级归并,测算归并后的所述土地利用类型矢量数据的功能强度。
进一步的,所述逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度,进一步包括:
根据城乡分类,提取非城区一般型村庄;
按照通用土地利用性质,对所述非城区一般型村庄的所述土地利用类型矢量数据进行类型归并整理,得到所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据;
将所述非城区一般型村庄划分为生产空间和生活空间,对所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据进行生产空间部分数据提取,得到所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据;
按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理,得到所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据;
计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值。
进一步的,所述非城区一般型村庄中,将与居住性质紧密相关的用地类型作为所述生活空间,提取非居住性质用地类型作为所述生产空间;
所述按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理中,采用主成分因子分析方法测度各类所述土地利用类型矢量数据之间的协同相关性,采用方差最大化旋转法将多个原始变量经过旋转,根据旋转后成分矩阵中各地类对新因子的载荷贡献值,对所述土地利用类型矢量数据进一步归并,提取关键功能类型划分主因子地类,并进行命名;
所述计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值中,采用所述区位熵作为村庄各类功能强度的测度指标,其中,所述区位熵计算公式为:
式中:Qij表示j村的i类用地在研究区域内的区位熵,qij表示j村的i类用地总量;qj表示j村所有用地总量;qi表示在研究区域内i类用地总量;q表示研究区域所有用地总量。
进一步的,所述对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型,包括:
根据各村庄土地利用类型结构和功能强度的相似性,对村庄各类功能强度值进行聚类分析,划分得到若干种村庄功能类型方案;
对若干种所述村庄功能类型方案进行判别分析,得到最优的所述村庄功能类型分类方案;
提取最优的所述村庄功能类型分类方案中各类村庄土地利用类型结构和功能强度特征,识别得到村庄功能类型名称。
进一步的,所述提取最优的所述村庄功能类型分类方案中各类村庄土地利用类型结构和功能强度特征,识别得到村庄功能类型名称中,
将村庄土地利用类型的区位熵表征村庄土地利用类型结构和功能强度作为村庄功能特征提取要素;以及
分类汇总村庄土地利用类型的区位熵的平均值,通过类间横向对比,以区位熵均值最大土地利用类型作为该类型村庄的主导功能类型,并以区位熵均值最大土地利用类型名称作为该类型功能村庄命名依据。
另一方面,本发明提出了一种村庄功能类型的识别装置,该装置包括:
收集和校核单元,用于收集并校核村庄土地利用类型矢量数据;
测算单元,用于逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度;
识别单元,用于对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型。
进一步的,所述收集和校核单元,包括:
收集和整理单元,用于收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的所述土地利用类型汇总数据;
校核单元,用于以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据。
进一步的,所述测算单元,包括:
第一提取单元,用于根据城乡分类,提取非城区一般型村庄;
第一归并单元,用于按照通用土地利用性质,对所述非城区一般型村庄的所述土地利用类型矢量数据进行类型归并整理,得到所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据;
第二提取单元,用于将所述非城区一般型村庄划分为生产空间和生活空间,对所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据进行生产空间部分数据提取,得到所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据;
第二归并单元,用于按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理,得到所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据;
计算单元,用于计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值。
本发明的有益效果:通过该方法及装置达到了:避免了因建构指标体系中指标选取、权重赋值种主观性较强的问题;提高了村庄功能类型识别精准度;采用了村庄土地利用分类汇总数据,维度较为单一且数据获取容易,避免了传统村庄分类中指标选取维度交叉、数据获取难度大等问题,提高了村庄功能类型识别效率;提供了一种较为快速的村庄功能类型识别方法,应用范围广,可为村庄规划编制和分区管控、资源保护与传承、乡村振兴精准施策等提供强有力支撑;在进行数据整理时,对城、乡地域空间和村域内生产、生活空间进行有效区分,其中城乡地域空间有效区分,使城乡二元结构背景下乡村主导功能的研究更为纯粹,村域内生产和生活地域空间有效区分,使村庄外部主导功能的研究更为精准,对现实指导意义更大;从数据支撑和技术方法上为村庄地域功能类型识别提供了一种新的思路和方向,方法原理清晰,操作简单,极易理解掌握,伴随着信息化时代的快速发展,诸如手机信令数据、网络开放数据等多元数据将为村庄功能类型划分提供更多的思路和方法。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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1示出了根据本发明实施例的一种村庄功能类型的识别方法的流程框图;
图2示出了根据本发明实施例的一种村庄功能类型的识别装置的结构示意图;
图3示出了根据本发明实施例的收集和校核单元的结构示意图;
图4示出了根据本发明实施例的测算单元的结构示意图;
图5示出了根据本发明实施例的土地利用类型归并图;
图6示出了根据本发明实施例的实验区位置图;
图7示出了根据本发明实施例的村庄功能类型空间分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种村庄功能类型的识别方法,该方法包括:
步骤S1:收集并校核村庄土地利用类型矢量数据。
步骤S2:逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度。
步骤S3:对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型。
在本发明的一些实施例中,所述收集并校核村庄土地利用类型矢量数据,包括:
以行政村为研究分析的空间单元,收集并整理研究范围内所述行政村的土地利用类型汇总数据,所述土地利用类型汇总数据的要素与GIS工作底图的匹配,得到所述土地利用类型矢量数据,其中,GIS表示地理信息系统。
收集并校核村庄土地利用类型矢量数据,进一步包括:
步骤S11:收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的所述土地利用类型汇总数据。
例如,收集国土部门土地利用斑块数据或统计部门土地利用类型汇总数据。根据国土部门GIS数据库的基础信息,收集各村庄土地利用斑块数据,并以行政村为单位,将各行政村土地利用斑块数据按照所属土地利用类型数据进行数据分类汇总;或根据统计部门的基础数据,收集各村庄土地利用类型汇总数据,并以行政村为单位进行数据汇总。
步骤S12:以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据。
例如,根据国土部门GIS数据库的基础信息,以行政村为单位,提取各村庄行政地域边界信息,作为村庄功能分类的工作底图,并计算各行政村村域面积。将整理好的以行政村为单位的各类土地利用类型汇总数据与工作底图在GIS(地理信息系统)中以村庄名称作为唯一关键字段进行匹配,匹配完成后,用各行政村村域面积对各行政村各土地利用类型汇总数据进行校核,并对各土地利用类型数据进行修正,同时剔除数据相差较大,且土地利用类型汇总数据无法补充完善的行政村,不纳入分类研究中,将完成校核的村庄土地利用分类汇总数据作为村庄功能类型划分的基础数据。
在本发明的一些实施例中,所述收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的土地利用类型汇总数据中,
根据GIS数据库的基础信息,收集各村庄土地利用斑块数据,并以行政村为单位,将各行政村土地利用斑块数据按照所属土地利用类型进行分类汇总;或者,
根据基础数据,收集各村庄土地利用类型汇总数据,并以行政村为单位进行数据汇总。
在本发明的一些实施例中,所述以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据中,
根据GIS数据库的基础信息,以行政村为单位,提取各村庄行政地域边界信息,作为村庄功能分类的工作底图,将各行政村的所述土地利用类型汇总数据与所述工作底图在GIS中进行匹配,得到各行政村所述土地利用类型矢量数据;以及
根据各村庄行政地域边界,定量识别各行政村村域面积,用所述村域面积对各行政村各所述土地利用类型矢量数据进行校验,对所述土地利用类型矢量数据进行修正,其中,若各个所述土地利用类型矢量数据相差较大且所述土地利用类型汇总数据无法补充完善,则将该行政村不纳入分类研究中。
在本发明的一些实施例中,所述逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度,包括:
基于所述土地利用类型矢量数据,科学识别乡村地域单元和村庄生产空间地域单元对所述土地利用类型矢量数据提炼,分别对提炼后的所述土地利用类型矢量数据根据性质同质性和功能协同性进行逐级归并,测算归并后的所述土地利用类型矢量数据的功能强度。
逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度,进一步包括:
步骤S21:根据城乡分类,提取非城区一般型村庄,其中,本发明主要依据国家统计局《统计用区划代码和城乡划分代码库》(2019),根据城乡分类代码划分依据,提取其中城乡分类代码为121、122、210、220等类型地域单元作为典型乡村地域功能单元进行分析,其中121为镇中心区所在村庄、122代表镇乡结合区所在村庄、210为乡中心区所在村庄、220为一般型村庄。
步骤S22:按照通用土地利用性质,对所述非城区一般型村庄的所述土地利用类型矢量数据进行类型归并整理,得到所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据。
例如,依据同性质土地的外向服务内容一致性原则,将外在功能性质表现一致的土地利用二级类归并整理成一级类。具体为:将乔木林地、灌木林地、竹林地、其它林地、其它草地归并为林地,将果园、茶园、其它园地归并为园地,将河流水面、水库、水工建筑用地、湖泊、内陆滩涂、坑塘水面、养殖坑塘、干渠、沟渠归并为水面及其附属建筑用地,将公路用地、铁路用地、交通服务场站用地、管道运输用地、港口码头用地归并为交通用地,将科教文卫用地、高教用地归并为科教文卫用地,将城镇住宅用地、城镇村道路用地归并为城镇住宅及内部道路用地,将农村宅基地、农村道路归并为村庄宅基地及村内道路用地,将裸土地、裸岩石砾地、沙地、空闲地归并为未利用地,保留旱地、水田、水浇地、设施农用地、矿业用地、机关团体新闻出版用地、公用设施用地、广场用地、公园与绿地、商业服务业设施用地、工业用地、物流仓储用地和风景名胜设施用地类型。
步骤S23:将所述非城区一般型村庄划分为生产空间和生活空间,对所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据进行生产空间部分数据提取,得到所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据。
例如,根据村庄用地功能性质,将村庄划分为生产空间和生活空间两部分,因城镇住宅及内部道路用地、村庄宅基地及村内道路用地从性质上来看,主要承担村庄生活功能,是村庄生活功能的空间表征单元,为体现村庄功能的外部性,将该两类用地数据进行剔除,提取非居住性质用地类型作为生产空间单元表征进行类型划分。
步骤S24:按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理,得到所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据。
例如,因村庄某一功能是由多类用地协同作用的结果,采用主成分因子分析方法,测度各类土地利用类型矢量数据间的协同相关性,采用方差最大化旋转法将多个原始变量经过旋转,根据旋转后成分矩阵中各土地利用类型矢量数据对新因子的载荷贡献值,将土地利用类型矢量数据二次归并成特征明显、关联紧密、数量更少的几种土地利用类型矢量数据,对土地利用类型数据进一步归并整理,并将各村庄按性质整合归并后土地利用规模数据按协同性整合后新的土地利用类型矢量数据进行合并计算。
在本发明的一些实施例中,如图5、7所示,根据协同相关性情况,将机关团体新闻出版用地、科教文卫用地、公用设施用地、广场用地、公园与绿地、商业服务业设施用地二次归并为公共服务与管理用地;将工业用地、物流仓储用地、交通用地二次归并工业仓储用地;将林地、园地二次归并林园地,将旱地、矿业用地、未利用地二次归并旱地及矿业用地,将水田、水面及其附属建筑用地二次归并水田及水域用地;将水浇地、设施农用地二次归并水浇地。
步骤S25:计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值。
例如,因区位熵是反映某一部门的专业化程度和某一区域在高层次区域的地位和作用的指标,可用用地规模计算得出,区位熵涵盖了用地结构和规模意义,是理想的功能外部性,即功能强度表征指标,具体测算各村庄经二次归并后的各类用地的区位熵,以表征村庄该类功能强度。
在本发明的一些实施例中,所述非城区一般型村庄中,将与居住性质紧密相关的用地类型作为所述生活空间,提取非居住性质用地类型作为所述生产空间。
在本发明的一些实施例中,所述按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理中,采用主成分因子分析方法测度各类所述土地利用类型矢量数据之间的协同相关性,采用方差最大化旋转法将多个原始变量经过旋转,根据旋转后成分矩阵中各地类对新因子的载荷贡献值,对所述土地利用类型矢量数据进一步归并,提取关键功能类型划分主因子地类,并进行命名。
在本发明的一些实施例中,所述计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值中,采用所述区位熵作为村庄各类功能强度的测度指标,其中,所述区位熵计算公式为:
式中:Qij表示j村的i类用地在研究区域内的区位熵,qij表示j村的i类用地总量;qj表示j村所有用地总量;qi表示在研究区域内i类用地总量;q表示研究区域所有用地总量。
对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型,包括:
步骤S31:根据各村庄土地利用类型结构和功能强度的相似性,对村庄各类功能强度值进行聚类分析,划分得到若干种村庄功能类型方案;
步骤S32:对若干种所述村庄功能类型方案进行判别分析,得到最优的所述村庄功能类型分类方案;
步骤S33:提取最优的所述村庄功能类型分类方案中各类村庄土地利用类型结构和功能强度特征,识别得到村庄功能类型名称。
在本发明的一些实施例中,所述根据各村庄土地利用类型结构和功能强度的相似性,对村庄各类功能强度值进行聚类分析,划分得到若干种村庄功能类型方案中,
采用ward′s method凝聚法进行对村庄土地利用类型划分,采用欧式距离度量划分后的村庄土地利用类型间的距离,根据各村庄功能表征相似性的距离来测度各村庄功能表征相似度,将相似度由高到低排序,自动生成树状层次结构图,根据所述树状层次结构图分析得出村庄功能类型分类方案。
在本发明的一些实施例中,所述对若干种所述村庄功能类型方案进行判别分析,得到最优的所述村庄功能类型分类方案中,采用Fisher判别法,构造至少一个线性判别函数,根据村庄土地利用类型类内的相似性和村庄土地利用类型类间的差异化水平,确定最优功能类型分类方案。
在本发明的一些实施例中,所述提取最优的所述村庄功能类型分类方案中各类村庄土地利用类型结构和功能强度特征,识别得到村庄功能类型名称中,将村庄土地利用类型的区位熵表征村庄土地利用类型结构和功能强度作为村庄功能特征提取要素;以及
分类汇总村庄土地利用类型的区位熵的平均值,通过类间横向对比,以区位熵均值最大土地利用类型作为该类型村庄的主导功能类型,并以区位熵均值最大土地利用类型名称作为该类型功能村庄命名依据。
如图2所示,另一方面,提供了一种村庄功能类型的识别装置,该装置包括:
收集和校核单元,用于收集并校核村庄土地利用类型矢量数据;
测算单元,用于逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度;
识别单元,用于对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型。
如图3所示,在本发明的一些实施例中,所述收集和校核单元,包括:
收集和整理单元,用于收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的所述土地利用类型汇总数据;
校核单元,用于以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据。
如图4所示,在本发明的一些实施例中,所述测算单元,包括:
第一提取单元,用于根据城乡分类,提取非城区一般型村庄;
第一归并单元,用于按照通用土地利用性质,对所述非城区一般型村庄的所述土地利用类型矢量数据进行类型归并整理,得到所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据;
第二提取单元,用于将所述非城区一般型村庄划分为生产空间和生活空间,对所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据进行生产空间部分数据提取,得到所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据;
第二归并单元,用于按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理,得到所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据;
计算单元,用于计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值。
实施例:
本实施例是选择了山东省泰安市作为实地区域进行实验研究,如图6所示,泰安市位于属于鲁中山区一部分,地势自东北向西南倾斜,地貌类型多样,山地、丘陵、平原、洼地、湖泊兼而有之,三次产业结构与山东省较为相似,地域功能类型较为丰富,一定程度能够反映一般地区的乡村。本实例基于泰安市3760个村的第三次国土调查数据,在科学识别乡村地域单元和村庄生产空间地域单元的基础上,将土地利用类型数据根据性质同质性和功能协同性等进行逐级归并,用各类用地区位熵值作为村庄功能强度表征指标,利用层次聚类和判别分析,实现对村庄功能类型的识别。研究主要包括基础数据收集与校核、地域功能单元与土地利用数据整理、村庄功能类型识别与判定三个部分。
1、基础数据收集与校核
1.1收集并整理数据
本实例以土地利用斑块GIS数据为数据源,通过查阅资料共收集到2017年泰安市3760个行政村的403766个土地斑块数据,如图6所示;以行政村为单位,将各行政村土地利用斑块数据按照所属土地利用类型进行分类汇总,汇总为45种土地利用类型,分别为旱地、水田、水浇地、养殖坑塘、设施农用地、乔木林地、灌木林地、竹林地、其它林地、其它草地、果园、茶园、其它园地、农村道路、农村宅基地、采矿用地、工业用地、物流仓储用地、高教用地、城镇村道路用地、城镇住宅用地、铁路用地、公路用地、交通服务场站用地、管道运输用地、机关团体新闻出版用地、科教文卫用地、公用设施用地、广场用地、公园与绿地、商业服务业设施用地、河流水面、内陆滩涂、水库、水工建筑用地、湖泊、干渠、坑塘水面、沟渠、港口码头用地、裸土地、裸岩石砾地、沙地、空闲地、特殊用地等。
1.2匹配并校核数据
根据相关部门GIS数据库的基础信息,以行政村为单位,提取各村庄行政地域边界信息,作为村庄功能分类的工作底图,并计算各行政村村域面积。用各行政村村域面积对各行政村各土地利用类型汇总数据进行校核,并对各土地利用类型数据进行修正,同时剔除数据相差较大,且土地利用类型汇总数据无法补充完善的105个行政村,不纳入分类研究中,将完成校核的3655个村庄土地利用分类汇总数据作为村庄功能类型划分的基础数据。
2、地域功能单元提取与土地利用数据归并
2.1提取乡村地域单元
为有效区分城乡地域功能差异,提取乡村地域空间单元,最终提取3068个乡村地域单元进行功能类型分类研究;
2.2按性质归并土地利用类型
依据同性质土地的外向服务内容一致性原则,将外在功能性质表现一致的土地利用二级类归并整理成一级类,具体归并为旱地、水田、水浇地、设施农用地、林地、园地、村庄宅基地及村内道路用地、矿业用地、工业用地、物流仓储用地、城镇住宅及内部道路用地、交通用地、机关团体新闻出版用地、科教文卫用地、公用设施用地、广场用地、公园与绿地、商业服务业设施用地、水面及其附属建筑用地、未利用地、特殊用地等21种土地利用类型。
2.3提取乡村生产空间地域单元
根据村庄用地功能性质,将村庄划分为生产空间和生活空间两部分,因城镇住宅及内部道路用地、村庄宅基地及村内道路用地从性质上来看,主要承担村庄生活功能,是村庄生活功能的空间表征单元,特殊用地主要为军事、监教、宗教等非本村意志型用地,为体现村庄功能的外部性,将该三类用地数据进行剔除,提取18种非居住性质用地类型作为生产空间单元表征进行类型划分。
2.4按功能协同性归并土地利用类型
对3068个村庄的18种土地利用类型规模数据进行因子分析,根据地类之间的相关性和协同性对土地利用类型进行二次归并,以凸显村庄主导功能,采用主成分因子分析法,最大收敛性迭代次数设定为250次,采用最大方差法进行旋转,最大收敛性迭代次数同样设定为250次,经运算,共凝聚成6个主因子,方差累积贡献率为60.57%,KMO取样适切性量数值为0.789,显著性检验值为0.000。
根据旋转后成分矩阵中各地类对新因子的载荷贡献值,将地类二次归并成特征明显、关联紧密、数量更少的6种地类,对土地利用类型数量进一步归并整理并命名,根据协同相关性情况,将机关团体新闻出版用地、科教文卫用地、公用设施用地、广场用地、公园与绿地、商业服务业设施用地二次归并为公共服务与管理用地,将工业用地、物流仓储用地、交通用地二次归并工业仓储用地,将林地、园地二次归并林园地,将旱地、矿业用地、未利用地二次归并旱地及矿业用地,将水田、水面及其附属建筑用地二次归并水田及水域用地,将水浇地、设施农用地二次归并水浇地,并将各村庄按性质整合归并后土地利用规模数据按协同性整合后新地类进行合并计算。
2.5测算土地利用功能强度
对重新汇总后的6种土地利用类型数据进行区位熵值计算,区位熵在衡量某一区域要素的空间分布情况,反映某一产业部门的专业化程度,以及某一区域在高层次区域的地位和作用等方面表现突出,在村庄功能研究中,运用该指标分析区域主导乡村功能情况,以测度各村各类地域功能的对外服务强度。
3、村庄功能类型识别
3.1划分村庄功能类型
为实现对村庄根据功能组合相似度进行分类,以3068个村庄6种用地区位熵值为分类数据,采用层次聚类法(Hierarchical Cluster),具体使用ward′s method凝聚法,采用欧式距离度量类间距离,通过测度各村庄功能表征相似性的距离,并按相似度由高到低排序,建构树状层次结构,根据组内相关性和组间异质性,经过机器学习,将村庄汇自动聚成2-23类。
3.2判别村庄功能类型数
为科学判定最佳村庄功能分类数量,对上述2-23类划分方案逐个进行优度判定,采用Fisher判别法,借助方差分析思想,构造多个线性判别函数,判定何种分类方案的类内相似性和类间差异化水平最显著,经判别发现,当村庄功能类型划分为6类时,Wilks′Lambda函数检验所有分类的显著性水平均为0.000,且村庄分类验证通过率最高,达86.1%,因此,选定6类为泰安市村庄功能类型划分的最适宜数,其中,Wilks′lambda是组内平方和与总平方和之比。以表征村庄土地利用结构和强度的区位熵作为村庄功能特征提取的关键要素,提取6类村庄功能特征并命名,将各村庄的隶属类型进行确定,分别计算各类型所有村庄所有地类的区位熵均值,通过类间横向对比,以区位熵均值最大地类作为该类村庄的主导功能类型,并以区位熵均值最大地类名称作为该类功能村庄命名依据,分别将6类村庄功能类型定义为工业用地主导型、公共服务与管理用地主导型、水浇地及设施农用地主导型、水田水域用地主导型、林园地主导型、旱地及矿业用地主导型,空间分布如图7所示。
通过该方法及装置达到了:避免了因建构指标体系中指标选取、权重赋值种主观性较强的问题;提高了村庄功能类型识别精准度;采用了村庄土地利用分类汇总数据,维度较为单一且数据获取容易,避免了传统村庄分类中指标选取维度交叉、数据获取难度大等问题,提高了村庄功能类型识别效率;提供了一种较为快速的村庄功能类型识别方法,应用范围广,可为村庄规划编制和分区管控、资源保护与传承、乡村振兴精准施策等提供强有力支撑;在进行数据整理时,对城、乡地域空间和村域内生产、生活空间进行有效区分,其中城乡地域空间有效区分,使城乡二元结构背景下乡村主导功能的研究更为纯粹,村域内生产和生活地域空间有效区分,使村庄外部主导功能的研究更为精准,对现实指导意义更大;从数据支撑和技术方法上为村庄地域功能类型识别提供了一种新的思路和方向,方法原理清晰,操作简单,极易理解掌握,伴随着信息化时代的快速发展,诸如手机信令数据、网络开放数据等多元数据将为村庄功能类型划分提供更多的思路和方法。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种村庄功能类型的识别方法,其特征在于,包括:
收集并校核村庄土地利用类型矢量数据;
逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度;
对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型;其中,
所述收集并校核村庄土地利用类型矢量数据,包括:
收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的所述土地利用类型汇总数据;
以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据;
所述逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度,包括:
根据城乡分类,提取非城区一般型村庄;
按照通用土地利用性质,对所述非城区一般型村庄的所述土地利用类型矢量数据进行类型归并整理,得到所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据;
将所述非城区一般型村庄划分为生产空间和生活空间,对所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据进行生产空间部分数据提取,得到所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据;其中,所述非城区一般型村庄中,将与居住性质紧密相关的用地类型作为所述生活空间,提取非居住性质用地类型作为所述生产空间;
按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理,得到所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据;
计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值。
2.根据权利要求1所述的一种村庄功能类型的识别方法,其特征在于,所述收集并校核村庄土地利用类型矢量数据,包括:
以行政村为研究分析的空间单元,收集并整理研究范围内所述行政村的土地利用类型汇总数据,所述土地利用类型汇总数据的要素与GIS工作底图的匹配,得到所述土地利用类型矢量数据。
3.根据权利要求1所述的一种村庄功能类型的识别方法,其特征在于,所述收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的土地利用类型汇总数据中,
根据GIS数据库的基础信息,收集各村庄土地利用斑块数据,并以行政村为单位,将各行政村土地利用斑块数据按照所属土地利用类型进行分类汇总;或者,
根据基础数据,收集各村庄土地利用类型汇总数据,并以行政村为单位进行数据汇总;
所述以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据中,根据GIS数据库的基础信息,以行政村为单位,提取各村庄行政地域边界信息,作为村庄功能分类的工作底图,将行政村的所述土地利用类型汇总数据与所述工作底图在GIS中进行匹配,得到行政村所述土地利用类型矢量数据;以及
根据村庄行政地域边界,定量识别行政村村域面积,用所述村域面积对行政村所述土地利用类型矢量数据进行校验,对所述土地利用类型矢量数据进行修正,其中,若各个所述土地利用类型矢量数据相差较大且所述土地利用类型汇总数据无法补充完善,则将该行政村不纳入分类研究中。
4.根据权利要求1所述的一种村庄功能类型的识别方法,其特征在于,所述逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度,包括:
基于所述土地利用类型矢量数据,科学识别乡村地域单元和村庄生产空间地域单元对所述土地利用类型矢量数据提炼,分别对提炼后的所述土地利用类型矢量数据根据性质同质性和功能协同性进行逐级归并,测算归并后的所述土地利用类型矢量数据的功能强度。
5.根据权利要求1所述的一种村庄功能类型的识别方法,其特征在于,所述非城区一般型村庄中,将与居住性质紧密相关的用地类型作为所述生活空间,提取非居住性质用地类型作为所述生产空间;
所述按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理中,采用主成分因子分析方法测度各类所述土地利用类型矢量数据之间的协同相关性,采用方差最大化旋转法将多个原始变量经过旋转,根据旋转后成分矩阵中各地类对新因子的载荷贡献值,对所述土地利用类型矢量数据进一步归并,提取关键功能类型划分主因子地类,并进行命名;
所述计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值中,采用所述区位熵作为村庄各类功能强度的测度指标,其中,所述区位熵计算公式为:
式中:Qij表示j村的i类用地在研究区域内的区位熵,qij表示j村的i类用地总量;qj表示j村所有用地总量;qi表示在研究区域内i类用地总量;q表示研究区域所有用地总量。
6.根据权利要求1所述的一种村庄功能类型的识别方法,其特征在于,所述对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型,包括:
根据各村庄土地利用类型结构和功能强度的相似性,对村庄各类功能强度值进行聚类分析,划分得到若干种村庄功能类型方案;
对若干种所述村庄功能类型方案进行判别分析,得到最优的所述村庄功能类型分类方案;
提取最优的所述村庄功能类型分类方案中各类村庄土地利用类型结构和功能强度特征,识别得到村庄功能类型名称。
7.根据权利要求6所述的一种村庄功能类型的识别方法,其特征在于,所述提取最优的所述村庄功能类型分类方案中各类村庄土地利用类型结构和功能强度特征,识别得到村庄功能类型名称中,
将村庄土地利用类型的区位熵表征村庄土地利用类型结构和功能强度作为村庄功能特征提取要素;以及
分类汇总村庄土地利用类型的区位熵的平均值,通过类间横向对比,以区位熵均值最大土地利用类型作为该类型村庄的主导功能类型,并以区位熵均值最大土地利用类型名称作为该类型功能村庄命名依据。
8.一种村庄功能类型的识别装置,其特征在于,包括:
收集和校核单元,用于收集并校核村庄土地利用类型矢量数据;
测算单元,用于逐级归并提炼所述土地利用类型矢量数据,测算归并后的所述土地利用类型矢量数据的功能强度;
识别单元,用于对所述村庄土地利用类型功能强度进行聚类分析和判别分析,定量识别村庄功能类型;其中,
所述收集和校核单元,包括:
收集和整理单元,用于收集土地利用斑块数据或各村庄土地利用类型汇总数据,整理成以行政村为统计单元的所述土地利用类型汇总数据;
校核单元,用于以GIS数据库的行政村地域边界为工作底图,将所述土地利用类型汇总数据与所述工作底图进行匹配,进行所述土地利用类型汇总数据校核,得到准确的所述村庄土地利用类型矢量数据;
所述测算单元,包括:
第一提取单元,用于根据城乡分类,提取非城区一般型村庄;
第一归并单元,用于按照通用土地利用性质,对所述非城区一般型村庄的所述土地利用类型矢量数据进行类型归并整理,得到所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据;
第二提取单元,用于将所述非城区一般型村庄划分为生产空间和生活空间,对所述非城区一般型村庄土地利用性质整合后的所述土地利用类型矢量数据进行生产空间部分数据提取,得到所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据;
其中,所述非城区一般型村庄中,将与居住性质紧密相关的用地类型作为所述生活空间,提取非居住性质用地类型作为所述生产空间;
第二归并单元,用于按照所述土地利用类型矢量数据的协同相关性,将所述非城区一般型村庄生产空间土地利用性质整合后的所述土地利用类型矢量数据进一步归并整理,得到所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据;
计算单元,用于计算各所述非城区一般型村庄生产空间土地利用性质、功能协同性整合后的所述土地利用类型矢量数据的各类用地的区位熵,得到所述非城区一般型村庄各类功能强度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059231.XA CN112732843B (zh) | 2021-01-15 | 2021-01-15 | 一种村庄功能类型的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059231.XA CN112732843B (zh) | 2021-01-15 | 2021-01-15 | 一种村庄功能类型的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112732843A CN112732843A (zh) | 2021-04-30 |
CN112732843B true CN112732843B (zh) | 2024-03-01 |
Family
ID=75591848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110059231.XA Active CN112732843B (zh) | 2021-01-15 | 2021-01-15 | 一种村庄功能类型的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732843B (zh) |
Families Citing this family (2)
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 |
CN114493346B (zh) * | 2022-02-16 | 2023-04-07 | 重庆大学 | 一种乡村产业集聚化布局方法、系统、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809350A (zh) * | 2016-03-10 | 2016-07-27 | 广东省城乡规划设计研究院 | 面向建设用地整治的自然村空心化程度及类型识别方法 |
WO2016150407A1 (zh) * | 2015-03-23 | 2016-09-29 | 华南理工大学 | 一种基于地址解析数据的建设用地类型快速识别方法 |
CN107730132A (zh) * | 2017-10-25 | 2018-02-23 | 广州市城市规划勘测设计研究院 | 一种村庄土地集约节约利用评估方法及装置 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016012139A1 (de) * | 2016-10-10 | 2018-04-12 | Niveen Raafat Adib Ghattas | Toolbox zur Nachhaltigkeitsanalyse der Landnutzung (Eine Toolbox zur Auswertung der Landnutzungsstruktur kleiner städtischer Wohngebiete) |
-
2021
- 2021-01-15 CN CN202110059231.XA patent/CN112732843B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016150407A1 (zh) * | 2015-03-23 | 2016-09-29 | 华南理工大学 | 一种基于地址解析数据的建设用地类型快速识别方法 |
CN105809350A (zh) * | 2016-03-10 | 2016-07-27 | 广东省城乡规划设计研究院 | 面向建设用地整治的自然村空心化程度及类型识别方法 |
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 |
CN107730132A (zh) * | 2017-10-25 | 2018-02-23 | 广州市城市规划勘测设计研究院 | 一种村庄土地集约节约利用评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于"三生空间"演化模拟的村庄类型识别研究――以湖南省常宁市为例;杨浩;卢新海;;中国土地科学(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112732843A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gerstenberg et al. | Hot routes in urban forests: The impact of multiple landscape features on recreational use intensity | |
Liu et al. | Influential factors and classification of cultivated land fragmentation, and implications for future land consolidation: A case study of Jiangsu Province in eastern China | |
Brown et al. | Guidelines for phytosociological classifications and descriptions of vegetation in southern Africa: checklist | |
CN110472882B (zh) | 基于主成分分析的城市开发用地适宜性评价方法 | |
Perpiña et al. | Multicriteria assessment in GIS environments for siting biomass plants | |
CN112732843B (zh) | 一种村庄功能类型的识别方法及装置 | |
CN106599601A (zh) | 生态系统脆弱性遥感评估方法和系统 | |
Bach et al. | Revisiting land use classification and spatial aggregation for modelling integrated urban water systems | |
Li et al. | Identification of landscape character types for trans-regional integration in the Wuling Mountain multi-ethnic area of southwest China | |
Antos et al. | The morphology of African cities | |
Alexiou et al. | A classification of multidimensional open data for urban morphology | |
CN116308956B (zh) | 一种城市区域主导功能与规划用途差异检测的方法 | |
Mahon et al. | Identifying high-value greenspace prior to land development | |
Nouri et al. | Comparing multi-criteria decision-making (MCDM) tool and Huff model to determine the most appropriate method for selecting mountain tourism sites. | |
Wardell-Johnson et al. | A floristic classification of the Walpole-Nornalup national park, Western Australia | |
CN111401683A (zh) | 古村落传统性的测算方法及装置 | |
Mandal et al. | Assessing the suitability of a reservoir site in a water-stressed area in Purulia, India, using AHP-TOPSIS | |
CN114943377A (zh) | 一种村镇空间形态与格局演变识别方法 | |
Oluseyi et al. | Comparative analysis of spatial extent and population sizes of cities in Nigeria: Implications for urban space administration | |
Blanco et al. | Visual landscape classification in the coastal strip of Santander (Spain) | |
Klimanek et al. | The statistical picture of population aging in towns of Wielkopolskie Province: TERYT and DEGURBA perspectives | |
Yasouri | A survey of regional inequality status in Khorasan Razavi province | |
Li et al. | Spatial suitability evaluation based on multisource data and random forest algorithm: A case study of Yulin, China | |
Qiu et al. | Accessibility of rehabilitation facility: evaluation based on spatial big data in xiamen | |
Hou et al. | Differential characteristics and driving forces of the spatial distribution of heritage trees in Luoyang, an ancient capital of China |
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 |