CN113222288B - 村镇社区空间发展图谱的分类演化及预测方法 - Google Patents
村镇社区空间发展图谱的分类演化及预测方法 Download PDFInfo
- Publication number
- CN113222288B CN113222288B CN202110612044.XA CN202110612044A CN113222288B CN 113222288 B CN113222288 B CN 113222288B CN 202110612044 A CN202110612044 A CN 202110612044A CN 113222288 B CN113222288 B CN 113222288B
- Authority
- CN
- China
- Prior art keywords
- village
- year
- town
- map
- force
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Abstract
本发明涉及城乡规划领域,提供一种村镇社区空间发展图谱的分类演化及预测方法,包括:对n‑i年的遥感影像空间数据分类提取,获取其历史数据并进行划分,根据贝叶斯定理,对第n‑i年的每个子村镇社区空间发展图谱变化的多维驱动力和多维约束力的交互作用赋值;采用卷积神经网络模型,赋值后的多维驱动力或多维约束力的交互作用模拟测算,得出该子图谱第n‑i+1年的驱动力和约束力;通过驱动力矢量化和约束力栅格化后归一化模拟出第n‑i+1年指针向量,得出该子图谱第n‑i+1年变化结果,预测该子图谱;反向合并为第n‑i+1年的村镇空间社区发展图谱;依此类推,测算n+1年未来村镇社区空间发展图谱。
Description
技术领域
本发明涉及城乡规划领域,具体的说,涉及村镇社区空间发展图谱的分类演化及预测方法。
背景技术
城乡规划是城乡建设空间布局、资源环境与历史文化保护、人居环境改善的重要依据,是城乡实现经济社会全面可持续发展的重要手段。城乡规划调查是城乡规划编制中十分重要的环节,较大程度上决定了所编制规划的科学性和可实施性。
现阶段,对城乡未来发展的管理方法相对较少,虽然有相关定量评价研究,但是主要集中在单因素影响分析、忽略了多因素的交互作用和动态变化,导致预测结果的准确性低;
传统模型中的乡村发展变化驱动力为单一维度、仅体现纵向数值增量,而忽视了横向约束力的栅格化影响效应以及多维矢量驱动力与栅格约束力之间的组合矩阵作用,从而导致预测模型不准确;不具有反馈和自优化机制的传统模型,从而未得出科学、公认、令人信服的标准性结论;并且城乡规划对未来长远的城乡发展阶段的预期和演算明显不足,而且操作流程和方法十分复杂,设备间协调性较差,所获取的数据无法与现有自然经济社会数据叠合,普适性较低;传统模型专注于解决预测乡村未来某个特定属性,而本申请提供一种预测乡村未来生产、生活、生态三个方面以及此三方面的精细划分后的各级分支图谱的多属性模型。如申请号为202010830468.9的中国发明专利申请文件《乡村聚落演化的预测方法、装置、设备及存储介质》所记载。
发明内容
本发明要解决的技术问题是现有技术中的传统模型关于乡村未来发展预测模型中忽略矢量化约束力的栅格化影响效应以及多维矢量驱动力与栅格约束力之间的组合矩阵作用、村镇空间图谱发展变化中的动态指针向量之间的交互作用;传统模型和方法对未来长远的城乡发展阶段预测和演算不足,操作流程和方法复杂;传统模型只能预测乡村发展的单一属性。
本发明的目的是提供一种村镇社区空间发展图谱的分类演化及预测方法,其具体技术方案如下:基于卷积神经网络特征分类的村镇空间图谱构建及识别方法,以提高对村镇空间发展图谱预测的准确度,包括以下步骤:
第一步,设置今年为第n年,明年为第n+1年,去年为第n-1年,以此类推,第n-i年为距今i年前的历史当年,n、i为≥1的整数,且i<n;
第二步,通过对第n-i年的遥感影像的空间数据分类提取,结合实地调研踏勘、空间影像数据提取、现状土地利用等相关数据,提取某研究区域内的村镇社区空间第n-i年的空间发展图谱,将村镇社区空间历史空间发展图谱按照生产图谱、生活图谱、生态图谱划分为三大类,每一类包含m个树状空间发展图谱,m为≥1的整数,每个树状村镇社区空间发展图谱的树状子村镇社区空间发展图谱为j个,j为≥1的整数;
第三步,将每个子空间发展图谱的影响力分为驱动力和约束力,所述驱动力为推动该子空间发展图谱不受空间特征限制的影响力;所述约束力为子村镇社区空间发展图谱受空间特征约束的影响力;
第四步,根据贝叶斯定理,通过获取的实际子村镇社区空间发展图谱对第n-i年的每个子村镇社区空间发展图谱变化的多维驱动力和多维约束力的交互作用进行赋值;
第五步,采用卷积神经网络模型,对每个子村镇社区空间发展图谱第n-i年初始赋值后的所述多维驱动力或所述多维约束力的交互作用进行模拟测算,得出该对应子村镇社区空间发展图谱第n-i+1年的所述驱动力和所述约束力;
第六步,通过人工势能场理论确定矢量驱动力的影响范围和方向,将第n-i+1年的子村镇社区空间发展图谱的所述驱动力和所述约束力模拟测算出第n-i+1年的对应子村镇社区空间发展图谱的指针向量,得出该对应子村镇社区空间发展图谱第n-i+1年的变化结果,预测出第n-i+1年的该子村镇社区空间发展图谱;将预测出的各个子村镇社区空间发展图谱按照所述第二步中的分类方法,反向归类合并为第n-i+1年的村镇社区空间发展图谱;
第七步,按照所述第二步到第六步的方法,以第n-i+1年的预测子村镇社区空间发展图谱测算第n-i+2年的相应子村镇社区空间发展图谱,并进行反向归类合并,从而得到第n-i+2年的该子村镇社区空间发展图谱;
第八步,按照所述第三步到第六步的方法,以第n年之前i年的子村镇社区空间发展图谱的迭代优化参数来测算第n+1年的子村镇社区空间发展图谱,并进行反向归类合并,从而得到第n+1年的村镇社区空间发展图谱;
第九步,按照所述第三步到第六步的方法,以第n+i-1年的预测子村镇社区空间发展图谱测算第n+i年的子村镇社区空间空间发展图谱,并进行反向归类合并,从而得到第n+i年的村镇社区空间发展图谱。
进一步地,第n-i+1年的所述指针向量的构建方法为,通过人工势能场理论确定所述矢量驱动力的影响范围和方向,将第n-i+1年的每个子村镇社区空间发展图谱的所述驱动力[Ci]矢量化处理,即所述驱动力向量矩阵[Ci]与矢量化权重[nj]的向量矩阵相乘得到矢量驱动力[Ci]×[nj];将所述约束力[Bi]栅格化处理,即所述约束力向量矩阵[Bi]与栅格化权重[mj]的向量矩阵相乘得到栅格约束力[Bi]×[mj],所述矢量驱动力矩阵和所述栅格约束力矩阵作用的归一化系数为[ki];所述矢量驱动力矩阵和所述栅格约束力矩阵交互作用归一化结果为{[Bi]×[mj]}×{[Ci]×[nj]}×[ki],该子村镇社区空间发展图谱的所述指针向量P*=[Ai]×{[Bi]×[mj]}×{[Ci]×[nj]}×[ki]。
进一步地,所述矢量驱动力的归一化数值为多个维度驱动力的归一化投影权重,表示村镇社区空间发展图谱的的演化增减量;分布上的所述栅格约束力是村镇社区空间发展图谱演化增减量的空间方位,所述栅格约束力是基于遥感影像的村镇社区空间发展图谱的变化分布点位,它受到当地地理环境(水文地质、地形地貌等)等空间刚性约束力之外,还受当地气候条件、资源禀赋、农作特色等柔性约束力影响,通过卷积神经网络进行算法的优化学习来提高模拟预测的准确度,刚性约束是不同地域间的硬性约束,在空间分布特征时应加以考量。
进一步地,所述驱动力和所述约束力之间的交互作用包括至少一个所述驱动力与至少一个所述驱动力之间的交互作用、至少一个所述驱动力与至少一个所述约束力之间的交互作用、至少一个所述约束力与至少一个所述约束力之间的交互作用。
所述矢量驱动力包括正向矢量驱动力和负向矢量驱动力,所述栅格约束力包括正向栅格驱动力和负向栅格驱动力。
所述子村镇社区空间发展图谱的变化结果包括矢量变化结果和栅格变化结果,所述矢量变化结果为所述子村镇社区空间发展图谱的演化增减量,所述栅格变化结果为图谱演化量增减的空间方位。
本发明的有益效果包括:
1、本发明的目的是提供一种村镇社区空间发展图谱的分类演化及预测方法,可以获取待研究的村镇社区空间发展图谱,并从多级、多个驱动力或约束力对动态变化和这些驱动力或约束力之间的交互作用确定村镇社区空间发展图谱的指针向量,预测的准确性高;
2、通过历史当年的村镇社区空间发展图谱,输入卷积神经网络模型,即可获得对应乡村未来村镇社区空间发展图谱;无需复杂的设备协调、算法和操作流程;
3、通过村镇社区空间发展图谱的分类演化及预测方法可演算出多维度、多属性的乡村未来村镇社区空间发展图谱,而不局限于得到未来乡村规模或类别的单一性结果。
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的介绍,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说,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为本发明XX村镇社区空间发展图谱的分类演化及预测方法流程示意图;
图2为“三生”形态下的村镇社区空间发展图谱分类;
图3为XX村镇社区空间发展图谱指针向量的计算方法。
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制来布置和设计。
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再没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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。
本申请基于不同结构、形态的乡村不同时期、不同发展阶段的驱动力或约束力不同,指针向量亦不相同,针对不同的村镇社区的生产、生活、生态形态的普遍性差异特征和演化驱动与约束力,得出卷积神经网络模型。现有技术主要面向乡村的“过去”总结演化规律,本发明的技术方案是基于“过去”,面向“现在”和“未来”的演化模型,为乡村的发展交替演化提供理论支撑。
下面通过具体实施例来解释本申请中提供的村镇社区空间发展图谱的分类演化及预测方法具体步骤:
图1为本发明实施例提供的村镇社区空间发展图谱的分类演化及预测方法构建流程示意图,该方法包括,
S100、设置今年为第n年,明年为第n+1年,去年为第n-1年,以此类推,第n-i年为距今i年前的历史当年,n、i为≥1的整数,且i<n;
具体地说,设置今年为第n年,历史当年为自今年起向过去推算n年,本发明所涉及的乡村未来发展模型是立足今年,利用过去n年以前至今的历史数据建立推演模型并通过自n年以前至今所走访调研得到的实际数据对所建立的模型进行对比,使预测模型进行自优化。
S200、通过对第n-i年的遥感影像的空间数据分类提取,结合实地调研踏勘、空间影像数据提取、现状土地利用等相关数据,提取某研究区域内第n-i年的村镇社区空间发展图谱,将村镇社区历史空间发展图谱按照生产图谱、生活图谱、生态图谱划分为三大类,每一类包含m个树状村镇社区空间发展图谱,m为≥1的整数,每个树状村镇社区空间发展图谱的树状子村镇社区空间发展图谱为j个,j为≥1的整数;
具体地说,如图2,获取某研究区域内的村镇空间的历史结构数据包括生产图谱、生态图谱、生活图谱,某研究区域可以是一个特定乡村、还可以是多个地理近邻乡村组成的村落集、还可以是多个具有相似历史数据和演变规律的非近邻乡村组成的乡村集合,还可以是按照特定规律形成的乡村集合。将历史村镇社区空间发展图谱按照生产、生活、生态分别划分为m个树状村镇社区空间发展图谱的方法为,将乡村遥感影像历史数据首先按照生产、生活、生态图谱划分为三大类图谱,接下来每一个大类图谱按照遥感影像提取并进一步划分为至少一个子村镇社区空间发展图谱;例如,生态图谱的划分按照遥感影像依据国土空间规划的“山水林田湖草”划分成至少一个二级子图谱;生产图谱的划分按照遥感影像依据产业结构“一二三产”形态划分为至少一个二级子村镇社区空间发展图谱,涉及到生活服务业的三产归并到生活图谱分类中;生活图谱的划分按照“吃穿住行医学养娱”依据对遥感影像的识别划分为至少一个二级子村镇社区空间发展图谱,每一个二级子村镇社区空间发展图谱继续划分为至少一个三级子村镇社区空间发展图谱,依次类推,将村镇空间历史数据按照树状图划分为多级别、多因素的子村镇社区空间发展图谱。例如,如图2所示,将某村镇或社区的历史结构数据划分为生产、生活、生态三大类;其中,生产结构图谱划分为一产产业图谱、二产产业图谱、三产产业图谱三个二级子图谱;其中,一产产业二级子图谱划分为渔业捕捞图谱、水产养殖图谱、畜牧养殖图谱、设施大棚图谱、大田种植图谱、林果种植图谱、食用菌业图谱七个三级子村镇社区空间发展图谱;其中,水产养殖三级子图谱划分为虾蟹养殖图谱、鱼类养殖图谱、两栖养殖三个四级子村镇社区空间发展图谱;其中鱼类养殖四级子图谱划分为海水养殖图谱和淡水养殖图谱两个五级子村镇社区空间发展图谱。
S300、将每个子村镇社区空间发展图谱的影响力分为驱动力和约束力,所述驱动力为推动该子村镇社区空间发展图谱不受空间特征限制的影响力;所述约束力为子村镇社区空间发展图谱受空间特征约束的影响力;
具体地说,对于每个子村镇社区空间发展图谱的演化发展有直接或间接关系的因素都是该对应子村镇社区空间发展图谱的影响力。按照该对应影响力对该对应子村镇社区空间发展图谱的作用效果,将该影响力划分为驱动力和约束力,驱动力表明图谱演化的增减量,约束力表明图谱演化增减量的空间方位。驱动力或约束力可以为相同时间和空间下的驱动力或约束力、也可以是同一时间的不同地理空间的驱动力或约束力、也可以是同一空间的不同历史时期的驱动力或约束力、也可以是时间空间都不相同的驱动力或约束力。驱动力或约束力既包括该乡村区域内的驱动力或约束力,也包括该乡村区域以外的、对该区域的空间社区发展图谱发展有直接或间接关联性的驱动力或约束力。
S400、根据贝叶斯定理,通过获取的实际子村镇社区空间发展图谱对第n-i年的每个子村镇社区空间发展图谱变化的多维驱动力和多维约束力的交互作用进行赋值;
具体地说,该初始赋值的方式可以为随机赋值或根据实际走访调研的数据结果进行赋值,无论采取哪种赋值方式,算法模型经过有限次迭代均会达到同一收敛值,因此初始赋值只是为模型提供初始状态数据,不会影响测算结果。
S500、采用卷积神经网络模型,对每个子村镇社区空间发展图谱第n-i年初始赋值后的所述多维驱动力或所述多维约束力的交互作用进行模拟测算,得出该对应子村镇社区空间发展图谱第n-i+1年的所述驱动力和所述约束力;
具体地说,多维驱动力和多维约束力的交互作用得到初始赋值后,卷积神经网络模型将多维驱动力和多维约束力的初始值输入模型算法中进行深度学习的卷积计算,模型算法对多维驱动力和多维约束力的交互作用进行进一步分析测算,计算出下一年的驱动力和约束力。
S600、通过人工势能场理论确定矢量驱动力的影响范围和方向,将第n-i+1年的子村镇社区空间发展图谱的所述驱动力和所述约束力模拟测算出第n-i+1年的对应子村镇社区空间发展图谱的指针向量,得出该对应子村镇社区空间发展图谱第n-i+1年的变化结果,预测出第n-i+1年的该子村镇社区空间发展图谱;将预测出的各个子村镇社区空间发展图谱按照所述第二步中的分类方法,反向归类合并为第n-i+1年的村镇社区空间发展图谱;
具体地说,指针向量是第n-i+1年相对于第n-i年,该子村镇社区空间发展图谱的变化,而人工势能场理论用于模拟计算得出该指针向量,该指针向量可用于在已知的第n-i年实际子村镇社区空间发展图谱的基础上,预测第n-i+1年的该子村镇社区空间发展图谱。上述获得的历史村镇社区空间发展图谱的指针向量为多种驱动力或约束力的指标函数,例如,大田种植图谱的指针向量为多种驱动力或约束力的指标函数,这些驱动力或约束力指标包括当地农产品当年产量,当年农产品市场价格,周边市场需求,当地政府政策,当年种子化肥价格,当年当地劳动力成本,当年农机化水平等多个驱动力或约束力影响,上述这些指标按照影响权重和交互作用,以比值的形势进行归一化,将上述指针向量输入卷积神经网络模型,经卷积神经网络模型的模拟测算,从而得出指针向量每年度的变化。基于这些测算数据,卷积神经网络模型进一步分析指针向量对空间结构数据的影响或改变调节机制,进行模拟测算,得到与驱动力正相关的指针向量群、与驱动力负相关的指针向量群以及他们之间的动态相互作用等的指针向量,从而演算得出下一年度的村镇社区空间发展图谱。以上过程中,卷积神经网络模型计算得到与驱动力正相关的指针向量、与驱动力负相关的指针向量以及他们之间的动态相互作用等的指针向量。
S700,按照所述S200到S600的方法,以第n-i+1年的预测子村镇社区空间发展图谱测算第n-i+2年的相应子村镇社区空间发展图谱,并进行反向归类合并,从而得到第n-i+2年的该子村镇社区空间发展图谱;
S800,按照所述S300到S600的方法,以第n年之前i年的子村镇社区空间发展图谱的迭代优化参数来测算第n+1年的子村镇社区空间发展图谱,并进行反向归类合并,从而得到第n+1年的村镇社区空间发展图谱;
S900,按照所述S300到S600的方法,以第n+i-1年的预测子村镇社区空间发展图谱测算第n+i年的子村镇社区空间空间发展图谱,并进行反向归类合并,从而得到第n+i年的村镇社区空间发展图谱。
具体地说,基于第n年的子村镇社区空间发展图谱,采用卷积神经网络模型,对每个子村镇社区空间发展图谱第n年的多维驱动力和多维约束力的交互作用进行模拟测算,得出第n+1年的驱动力和约束力,采用人工势能场理论测算第n+1年的指针向量,得出该对应子村镇社区空间发展图谱的第n+1年的变化结果;接下来,继续采用卷积神经网络模型,在第n+1年子村镇社区空间发展图谱的基础上,预测n+2年的子村镇社区空间发展图谱,依次类推,利用卷积神经网络模型预测出第n+x(x≥1)年的对应子村镇社区空间发展图谱,本发明的技术方案客服了传统模型中面向过去和未来近年的预测方式,而是更精确地面向未来长远多年发展的预测,为乡村未来发展治理优化和相关政策的制定提供理论依据和更精确的理论模型。
进一步地,第n-i+1年的所述指针向量的构建方法为,通过人工势能场理论确定矢量驱动力的影响范围和方向,将第n-i+1年的每个子村镇社区空间发展图谱的所述驱动力[Ci]矢量化处理,即所述驱动力向量矩阵[Ci]与矢量化权重[nj]的向量矩阵相乘得到矢量驱动力[Ci]×[nj];将所述约束力[Bi]栅格化处理,即约束力向量矩阵[Bi]与栅格化权重[mj]的向量矩阵相乘得到栅格约束力[Bi]×[mj],矢量驱动力矩阵和栅格约束力矩阵作用的归一化系数为[ki];矢量驱动力矩阵和栅格约束力矩阵交互作用归一化结果为{[Bi]×[mj]}×{[Ci]×[nj]}×[ki],该子村镇社区空间发展图谱的指针向量P*=[Ai]×{[Bi]×[mj]}×{[Ci]×[nj]}×[ki],如图3所示。
进一步地,所述矢量驱动力的归一化数值为多个维度驱动力的归一化投影权重,表示村镇社区空间发展图谱的的演化增减量;分布上的所述栅格约束力是村镇社区空间发展图谱演化增减量的空间方位,所述栅格约束力是基于遥感影像的村镇社区空间发展图谱的变化分布点位,它受到当地地理环境,例如水文地质、地形地貌等空间刚性约束力之外,还受当地气候条件、资源禀赋、农作特色等柔性约束力影响,通过卷积神经网络进行算法的优化学习来提高模拟预测的准确度,刚性约束是不同地域间的硬性约束,在空间分布特征时应加以考量。
进一步地,驱动力和约束力之间的交互作用包括至少一个驱动力与至少一个驱动力之间的交互作用、至少一个驱动力与至少一个约束力之间的交互作用、至少一个约束力与至少一个约束力之间的交互作用。
进一步地,矢量驱动力包括正向矢量驱动力和负向矢量驱动力,所述栅格约束力包括正向栅格驱动力和负向栅格驱动力。
进一步地,子村镇社区空间发展图谱的变化结果包括矢量变化结果和栅格变化结果,所述矢量变化结果为所述子村镇社区空间发展图谱的演化增减量,所述栅格变化结果为图谱演化量增减的空间方位。
具体地说,子村镇社区空间发展图谱的变化结果包括驱动力的矢量变化结果和约束力的栅格变化结果,矢量变化结果为子村镇社区空间发展图谱的演化增减量,栅格变化结果为子村镇社区空间发展图谱演化量增减的空间方位;例如:在M1区域大田种植图谱中的XX作物种类变化、种植面积变化、地域尺寸变化、产量变化,M1区域(包括A[面积|种类|尺寸|产量]、B[面积|种类|尺寸|产量]、C[面积|种类|尺寸|产量]、D[面积|种类|尺寸|产量]),经测算以后,演化成M2区域(包括A1[面积1|种类1|尺寸1|产量1]、B1[面积1|种类1|尺寸1|产量1]、C1[面积1|种类1|尺寸1|产量1]、D1[面积1|种类1|尺寸1|产量1])。
以M1区域内的地块元素[Ai]为例,驱动力的矢量变化结果和约束力的栅格变化结果的 测算的过程是:约束力矩阵[Bi]包括地形优势、土壤肥力、水利灌溉、户主素质等,其栅格化 权重分别为[mj],约束力矩阵的栅格化处理为矩阵向量乘积[Bi]×[mj];驱动力向量矩阵[Ci]包 括市场价格、当地政策、耕作技术、农资价格等,其矢量化权重为[nj],驱动力矩阵的矢量化 处理为矩阵向量乘积[Ci]×[nj];矢量驱动力矩阵和栅格约束力矩阵作用的归一化系数为[ki]; 矢量驱动力矩阵和栅格约束力矩阵交互作用归一化结果为{[Bi]×[mj]}×{[Ci]×[nj]}×[ki], XX作物的村镇社区空间发展图谱的指针向量P*=[Ai]×{[Bi]×[mj]}×{[Ci]×[nj]}×[ki],如图 3所示,另外,矢量化权重[nj]、栅格化权重[mj]都是通过卷积神经网络模型测算出来的。
以上所述仅为本发明的优选实施例,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。凡是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 (5)
1.一种村镇社区空间发展图谱的分类演化及预测方法,以提高对村镇社区空间发展图谱预测的准确度,包括以下步骤:
第一步,设置今年为第n年,明年为第n+1年,去年为第n-1年,以此类推,第n-i年为距今i年前的历史当年,n、i为≥1的整数,且i<n;
第二步,通过对第n-i年的遥感影像的空间数据分类提取,结合实地调研踏勘、空间影像数据提取、现状土地利用相关数据,提取某研究区域内的村镇社区空间第n-i年的空间发展图谱,将村镇社区空间历史空间发展图谱按照生产图谱、生活图谱、生态图谱划分为三大类,每一类包含m个树状空间发展图谱,m为≥1的整数,每个树状村镇社区空间发展图谱的树状子村镇社区空间发展图谱为j个,j为≥1的整数;
第三步,将每个子空间发展图谱的影响力分为驱动力和约束力,所述驱动力为推动该子空间发展图谱不受空间特征限制的影响力;所述约束力为子村镇社区空间发展图谱受空间特征约束的影响力;
第四步,根据贝叶斯定理,通过获取的实际子村镇社区空间发展图谱对第n-i年的每个子村镇社区空间发展图谱变化的多维驱动力和多维约束力的交互作用进行赋值;
第五步,采用卷积神经网络模型,对每个子村镇社区空间发展图谱第n-i年初始赋值后的所述多维驱动力或所述多维约束力的交互作用进行模拟测算,得出该对应子村镇社区空间发展图谱第n-i+1年的所述驱动力和所述约束力;
第六步,通过人工势能场理论确定矢量驱动力的影响范围和方向,将第n-i+1年的子村镇社区空间发展图谱的所述驱动力和所述约束力模拟测算出第n-i+1年的对应子村镇社区空间发展图谱的指针向量,得出该对应子村镇社区空间发展图谱第n-i+1年的变化结果,预测出第n-i+1年的该子村镇社区空间发展图谱;将预测出的各个子村镇社区空间发展图谱按照所述第二步中的分类方法,反向归类合并为第n-i+1年的村镇社区空间发展图谱;
第七步,按照所述第二步到第六步的方法,以第n-i+1年的预测子村镇社区空间发展图谱测算第n-i+2年的相应子村镇社区空间发展图谱,并进行反向归类合并,从而得到第n-i+2年的该子村镇社区空间发展图谱;
第八步,按照所述第三步到第六步的方法,以第n年之前i年的子村镇社区空间发展图谱的迭代优化参数来测算第n+1年的子村镇社区空间发展图谱,并进行反向归类合并,从而得到第n+1年的村镇社区空间发展图谱;
第九步,按照所述第三步到第六步的方法,以第n+i-1年的预测子村镇社区空间发展图谱测算第n+i年的子村镇社区空间空间发展图谱,并进行反向归类合并,从而得到第n+i年的村镇社区空间发展图谱;
第n-i+1年的所述指针向量的构建方法为,通过人工势能场理论确定所述矢量驱动力的影响范围和方向,将第n-i+1年的每个子村镇社区空间发展图谱的所述驱动力[Ci]矢量化处理,即所述驱动力向量矩阵[Ci]与矢量化权重[nj]的向量矩阵相乘得到矢量驱动力[Ci]×[nj];将所述约束力[Bi]栅格化处理,即所述约束力向量矩阵[Bi]与栅格化权重[mj]的向量矩阵相乘得到栅格约束力[Bi]×[mj],所述矢量驱动力矩阵和所述栅格约束力矩阵作用的归一化系数为[ki];所述矢量驱动力矩阵和所述栅格约束力矩阵交互作用归一化结果为{[Bi]×[mj]}×{[Ci]×[nj]}×[ki],该子村镇社区空间发展图谱的所述指针向量P*=[Ai]×{[Bi]×[mj]}×{[Ci]×[nj]}×[ki];
所述矢量驱动力的归一化数值为多个维度驱动力的归一化投影权重,表示村镇社区空间发展图谱的的演化增减量;分布上的所述栅格约束力是村镇社区空间发展图谱演化增减量的空间方位,所述栅格约束力是基于遥感影像的村镇社区空间发展图谱的变化分布点位,它受到当地地理环境空间刚性约束力之外,还受当地气候条件、资源禀赋、农作特色柔性约束力影响,通过卷积神经网络进行算法的优化学习来提高模拟预测的准确度,刚性约束是不同地域间的硬性约束,在空间分布特征时应加以考量。
2.根据权利要求1中所述的村镇社区空间发展图谱的分类演化及预测方法,其特征在于,所述驱动力和所述约束力之间的交互作用包括至少一个所述驱动力与至少一个所述驱动力之间的交互作用、至少一个所述驱动力与至少一个所述约束力之间的交互作用、至少一个所述约束力与至少一个所述约束力之间的交互作用。
3.根据权利要求1中所述的村镇社区空间发展图谱的分类演化及预测方法,其特征在于,所述矢量驱动力包括正向矢量驱动力和负向矢量驱动力,所述栅格约束力包括正向栅格驱动力和负向栅格驱动力。
4.根据权利要求2中所述的村镇社区空间发展图谱的分类演化及预测方法,其特征在于,所述矢量驱动力包括正向矢量驱动力和负向矢量驱动力,所述栅格约束力包括正向栅格驱动力和负向栅格驱动力。
5.根据权利要求1或4中所述的村镇社区空间发展图谱的分类演化及预测方法,其特征在于,所述子村镇社区空间发展图谱的变化结果包括矢量变化结果和栅格变化结果,所述矢量变化结果为所述子村镇社区空间发展图谱的演化增减量,所述栅格变化结果为图谱演化量增减的空间方位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612044.XA CN113222288B (zh) | 2021-06-02 | 2021-06-02 | 村镇社区空间发展图谱的分类演化及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612044.XA CN113222288B (zh) | 2021-06-02 | 2021-06-02 | 村镇社区空间发展图谱的分类演化及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222288A CN113222288A (zh) | 2021-08-06 |
CN113222288B true CN113222288B (zh) | 2022-05-17 |
Family
ID=77082557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110612044.XA Active CN113222288B (zh) | 2021-06-02 | 2021-06-02 | 村镇社区空间发展图谱的分类演化及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222288B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987893B (zh) * | 2021-12-29 | 2022-03-18 | 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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4659541A (en) * | 1985-05-01 | 1987-04-21 | Westinghouse Electric Corp. | Nuclear fuel rod support grid with improved multiple dimple arrangement |
CN110766046A (zh) * | 2019-09-16 | 2020-02-07 | 华北电力大学 | 一种双通道卷积神经网络集成学习的空气质量测量方法 |
CN111191583A (zh) * | 2019-12-30 | 2020-05-22 | 郑州科技学院 | 基于卷积神经网络的空间目标识别系统及方法 |
CN111985850A (zh) * | 2020-09-04 | 2020-11-24 | 吉林大学 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
-
2021
- 2021-06-02 CN CN202110612044.XA patent/CN113222288B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4659541A (en) * | 1985-05-01 | 1987-04-21 | Westinghouse Electric Corp. | Nuclear fuel rod support grid with improved multiple dimple arrangement |
CN110766046A (zh) * | 2019-09-16 | 2020-02-07 | 华北电力大学 | 一种双通道卷积神经网络集成学习的空气质量测量方法 |
CN111191583A (zh) * | 2019-12-30 | 2020-05-22 | 郑州科技学院 | 基于卷积神经网络的空间目标识别系统及方法 |
CN111985850A (zh) * | 2020-09-04 | 2020-11-24 | 吉林大学 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113222288A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cunha et al. | A scalable machine learning system for pre-season agriculture yield forecast | |
Chen et al. | Performance evaluation of GIS-based new ensemble data mining techniques of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA), differential evolution (DE), and particle swarm optimization (PSO) for landslide spatial modelling | |
Ehteram et al. | An improved model based on the support vector machine and cuckoo algorithm for simulating reference evapotranspiration | |
Recknagel | Ecological informatics: understanding ecology by biologically-inspired computation | |
Roodposhti et al. | Towards automatic calibration of neighbourhood influence in cellular automata land-use models | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
Bagherzadeh et al. | Land suitability modeling by parametric-based neural networks and fuzzy methods for soybean production in a semi-arid region | |
Joseph et al. | Rainfall prediction using data mining techniques | |
Sekertekin et al. | Short-term air temperature prediction by adaptive neuro-fuzzy inference system (ANFIS) and long short-term memory (LSTM) network | |
Farooque et al. | Forecasting daily evapotranspiration using artificial neural networks for sustainable irrigation scheduling | |
Feoli et al. | Spatial pattern of ecological processes: the role of similarity in GIS applications for landscape analysis | |
Goyal et al. | A review of the Artificial Intelligence (AI) based techniques for estimating reference evapotranspiration: Current trends and future perspectives | |
Ranjani et al. | Crop yield prediction using machine learning algorithm | |
CN113222288B (zh) | 村镇社区空间发展图谱的分类演化及预测方法 | |
Bazrafshan et al. | Evaluation and uncertainty assessment of wheat yield prediction by multilayer perceptron model with bayesian and copula bayesian approaches | |
Nguyen | Multi-objective automatic calibration of hydrodynamic models-development of the concept and an application in the Mekong Delta | |
Sharma et al. | Hybrid deep learning techniques for estimation of daily crop evapotranspiration using limited climate data | |
CN110222133A (zh) | 一种考虑景观指数的多类土地利用模拟预测方法及装置 | |
CN115049160B (zh) | 时空大数据的平原工业型城市碳排放量评估方法及系统 | |
Kosicki et al. | Cuckoo density as a predictor of functional and phylogenetic species richness in the predictive modelling approach: extension of Tryjanowski and Morelli (2015) paradigm in the analytical context | |
Khan et al. | Irrigation water requirement prediction through various data mining techniques applied on a carefully pre-processed dataset | |
Pawar et al. | A Novel Hybrid AI Federated ML/DL Models for Classification of Soil Components | |
Govindarajan et al. | A scalable algorithm for dispersing population | |
Madhuri et al. | Big Data Analytics-Based Agro Advisory System for Crop Recommendation Using Spark Platform | |
Alam et al. | A review of recent advances and future prospects in calculation of reference evapotranspiration in Bangladesh using soft computing models |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210806 Assignee: Beijing Yuncheng Haina Cleaning Technology Co.,Ltd. Assignor: SHANDONG JIANZHU University Contract record no.: X2023370000004 Denomination of invention: Classification evolution and prediction methods of spatial development map for rural communities Granted publication date: 20220517 License type: Common License Record date: 20230531 |