CN113297998A - 国土空间规划问题的识别方法、装置、设备及存储介质 - Google Patents
国土空间规划问题的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113297998A CN113297998A CN202110605999.2A CN202110605999A CN113297998A CN 113297998 A CN113297998 A CN 113297998A CN 202110605999 A CN202110605999 A CN 202110605999A CN 113297998 A CN113297998 A CN 113297998A
- Authority
- CN
- China
- Prior art keywords
- land
- question
- area
- survey
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000011835 investigation Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 14
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 230000009193 crawling Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims 2
- 238000005192 partition Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种国土空间规划问题的识别方法、装置、设备及存储介质，涉及空间规划领域，该国土空间规划识别方法包括：得到目标区域的多个土地特征区域；获取针对土地特征区域中需关注的多个问题；获取每个问题对应的多个调查对象针对土地特征区域中每个问题的调查结果；根据多个调查对象针对每个问题的调查结果，确定土地特征区域内存在风险的目标问题。通过本方法，可以准确识别出目标区域中各个土地特征区域中存在风险的目标问题，提高国土空间规划问题识别的效率以及识别精准度。
Description
技术领域
本发明涉及空间划分领域，具体而言，涉及一种国土空间规划问题的识别方法、装置、设备及存储介质。
背景技术
随着网络的高速发展，国土空间规划与问题的识别已经与人们的生活息息相关，一份精准的空间规划与问题识别可以极大的帮助从事人们相关的生产活动，在人们的日常生活和劳作中，国土空间规划的高效性和精准性直接影响到了人们的日常生活和劳作效率。
在相关技术中，工作人员对国土空间的规划与问题的是通过查阅现有资料和指标计算的方法进行规划或者通过现版“两规”，及其他重要专项类空间规划相关核心内容进行的规划实施评估来发现问题的。
但是，相关技术中，通过人工查阅现有资料和指标计算的方法进行规划或者通过现版“两规”，及其他重要专项类空间规划相关核心内容进行的规划实施评估，难以准备识别出目标区域中存在的问题，从而导致国土空间规划的低效性和延迟性，无法保证高效、精准的国土空间规划，从而对人们的生活产生一定程度上的影响。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种国土空间规划问题的识别方法、装置、设备及存储介质，以准确识别出目标区域中各个土地特征区域中存在风险的目标问题，提高国土空间规划问题识别的效率以及识别精准度。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种国土空间规划问题的识别方法，所述方法包括：
对目标区域进行土地特征划分，得到所述目标区域的多个土地特征区域；
获取针对所述土地特征区域中需关注的多个问题；
获取每个问题对应的多个调查对象针对所述土地特征区域中所述每个问题的调查结果；
根据所述多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题。
可选的，所述方法还包括：
在所述目标区域的地形图上所述土地特征区域内标注所述目标问题，得到所述目标区域的问题识别底图。
可选的，所述对目标区域进行土地特征划分，得到所述目标区域的多个土地特征区域，包括：
获取所述目标区域的遥感影像；
采用预先训练的解译模型，对所述遥感影像进行解译处理，得到所述目标区域的目标区域的特征分区结果，所述特征分区结果用于指示所述多个土地特征区域。
可选的，所述采用预先训练的解译模型，对所述遥感影像进行解译处理，得到所述目标区域的目标区域的特征分区结果，所述特征分区结果用于指示所述多个土地特征区域之前，所述方法还包括：
获取预设区域的遥感影像，其中，所述预设区域的遥感影像上预先标注有所述预设区域内的各土地特征区域；
根据所述预设区域的遥感影像，进行模型训练，得到所述解译模型。
可选的，所述获取针对所述土地特征区域中需关注的多个问题，包括：
爬取所述目标区域中所述土地特征区域的公告文件；
识别所述公告文件的标题，得到所述土地特征区域中需关注的所述多个问题。
可选的，所述根据所述多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题，包括：
根据所述多个调查对象针对所述每个问题的调查结果，得到所述土地特征区域内所述每个问题的调查得分；
确定所述多个问题中调查得分大于或等于预设风险得分阈值的问题为所述目标问题。
可选的，所述根据所述多个调查对象针对所述每个问题的调查结果，得到所述土地特征区域内所述每个问题的调查得分，包括：
根据预设的所述每个问题下各个调查结果的类别，以及预设的各类别的参数，分别得到所述多个调查对象针对所述每个问题的调查得分；
根据所述多个调查对象的预设权重值，对所述多个调查对象针对所述每个问题的调查问题得分进行加权和运算，得到所述土地特征区域内所述每个问题的调查得分。
第二方面，本申请实施例还提供一种国土空间规划问题的识别装置，所述装置包括：
划分模块，用于对目标区域进行土地特征划分，得到所述目标区域的多个土地特征区域；
第一获取模块，用于获取针对所述土地特征区域中需关注的多个问题；
第二获取模块，用于获取每个问题对应的多个调查对象针对所述土地特征区域中所述每个问题的调查结果；
确定模块，用于根据所述多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题。
第三方面，本申请实施例还提供一种计算机设备，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的国土空间规划问题的识别方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一项所述的国土空间规划问题的识别方法。
本发明的有益效果是：
本申请实施例提供一种国土空间规划问题的识别方法，本方法可通过先对目标区域进行土地特征划分，得到目标区域的多个土地特征区域，保证了不同土地特征区域的不同特性，精准的定位了多个土地特征区域的实际属性与用途，针对每个土地特征区域分别获取其需关注的多个问题，并获取每个问题对应的多个调查对象针对土地特征区域中每个问题的调查结果，保证了对每个土地特征区域关注的每个问题的调查结果的全面性，同时也确保了不同土地特征区域所对应的问题的精准化，根据多个调查对象针对每个问题的调查结果，确定土地特征区域内存在风险的目标问题，实现了目标区域中每个土地特征区域中存在风险的目标问题的准确识别，无需基于现有资料和算法进行主观的评估，既提高国土空间规划问题识别的效率，还提高了问题的识别精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种国土空间规划问题的识别方法的流程图；
图2为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图；
图3为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图；
图4为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图；
图5为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图；
图6为本申请实施例提供的国土空间规划问题识别装置的示意图；
图7为本申请实施例提供的计算机设备的方框示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
为提高国土空间规划问题的识别效率，以及识别准确度，本申请通过多个实施例提供了国土空间规划问题的识别方法的多种可能实现方式。如下结合附图通过多个实施例对本申请实施例提供的国土空间规划问题的识别方法进行示例说明。
图1为本申请实施例提供的一种国土空间规划问题的识别方法的流程图。该国土空间规划问题的识别方法各个步骤的执行顺序不受本实施例所公开的顺序限制。该国土空间规划问题的识别方法可由安装并运行有预设识别程序的计算机设备实现，该计算机设备例如可以为笔记本电脑、台式电脑、平板电脑等任一具有计算处理功能的设备。如图1所示，该国土空间规划问题的识别方法，包括：
S100、对目标区域进行土地特征划分，得到目标区域的多个土地特征区域。
在可能的实现方式中，对根据预设的土地特征划分规则，对该目标区域进行土地特征划分。该土地特征划分规则例如可以为基于预设的至少一种土地特征区域的记载资料得到，该土地特征划分规则也可集成在预设的神经网络模型中，通过该神经网络模型对目标区域进行土地特征划分。
该多个土地特征区域可以为该目标区域中不同的多个土地使用需求的区域，每个土地特征区域可对应一个土地使用需求。该多个土地特征区域例如可包括如下至少两个土地特征区域：农田区域、牧区、林区、城镇区域、村庄区域、工矿区域、景区、生态区域、文化遗产区域等。
在对目标区域进行土地特征划分之后，还可在该目标区域的地形图上对划分得到的多个土地特征区域进行标识显示，以使得用户进行人工检查。例如在地形图上以文字、线条、图形或者颜色形式进行标识显示，以指示划分后的多个土地特征区域对应的范围。示例的，可在地形图中对于不同的土地特征区域，采用不同的颜色进行标识显示。
在对目标区域进行土地特征划分之后，也可以将目标区域的土地特征区域的划分结果，通过图表的形式进行展示，若采用图表形式，则针对不同的土地特征区域，可采用不同的图表绘制。
S120、获取针对土地特征区域中需关注的多个问题。
在具体实现中，针对该土地特征区域，获取的该多个问题为预先设置的关注问题，也可通过收集该土地特征区域的相关资料，进行分析得到该多个问题。其中，收集该土地特征区域的相关资料例如可以是接收到的针对该土地特征区域收集的关注问题如接收到的线上或线下的关注问题的问卷调查表，也可以是该土地特征区域的历史问题资料，还可以是线上爬取的网络资料。
获取到的土地特征区域和需关注的多个问题的对应关系例如可为如下表1所示。
表1
S130、获取每个问题对应的多个调查对象针对土地特征区域中每个问题的调查结果。
在获取到土地特征区域中需关注的多个问题之后，针对每个问题，还需确定每个问题对应的多个调查对象，使得后续的问题调查更有针对性，也更全面。
例如，针对各土地特征区域，每个问题和调查对象的对应关系例如可为如下表2所示。
表2
每个问题的调查结果例如可以是针对土地特征区域中需要关注的问题，对每个问题的各调查对象进行实地调查的方式得到，如具体调查方法可采用问卷调查、座谈会、舆情分析、实地走访调查等。
针对收集到的问题，可以以土地特征区域作为区分的标准，对不同的土地特征区域所对应的多个问题进行汇总，可以通过确定权重-赋值统计-加权得分的方式对收集到的问题进行衡量，得到每个问题的调查结果。
针对获取每个问题对应的多个调查对象针对土地特征区域中每个问题的调查结果，将收集到的不同结果进行整合，整合的方式可以是人工的方式进行统计，由于收集到的结果多且杂，通过人工收集的优点在于可以人为的进行筛选，将收集到的结果进行筛选后统计，使结果更加具有准确性，更加确保了国土空间规划识别方法的准确性；也可以通过计算机进行统计，计算机可以将大量的结果进行统计，统计的结果更加具有普适性，且离目标土地特征区域的问题更加近，且计算机的工作速度远高于人工，所以，也大大提高了国土空间识别方法的效率，使其具有高效性。
S140、根据多个调查对象针对每个问题的调查结果，确定土地特征区域内存在风险的目标问题。
每个调查对象针对每个问题的调查结果例如可以包括：问题反馈得分，针对多个调查对象，可根据多个调查对象针对每个问题的调查结果中的问题反馈得分计算该每个问题的问题反馈得分，从而得到多个问题的问题反馈得分。如此，可确定该多个问题中，问题反馈得分大于或等于预设的反馈得分阈值的问题确定为该土地特征区域中存在风险的目标问题。
针对根据多个调查对象针对每个问题的调查结果，确定土地特征区域内存在风险的目标问题，可以根据直接统计出的结果来确定土地特征区域内存在风险的目标问题，直接统计的结果更加具有直观性。也可以通过计算机统计、整合的方式来判断土地特征区域的存在风险的目标问题，计算机统计的样本比较大，通过计算机进行土地特征区域内风险的目标问题判断会更加接近土地的实际情况。
本申请实施例提供的国土空间规划问题的识别方法，首先对目标土地特征区域进行划分，针对不同的土地特征区域，得到不同的土地特征区域的划分，根据不同的划分，去聚焦关注不同的问题，根据不同的问题去获取到不同的问题所对应的结果，在对结果进行分析判断后，最后确定土地特征区域内存在的风险目标问题，通过多个步骤，将动作细分，且获取到大量的样本，保证了国土空间规划的高效性和精确性。
可选的，在上述图1的所示的方法的基础上，本申请实施例还提供另一种国土空间规划问题的识别方法的可能实现示例，如下结合附图进行说明。图2为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图。该国土空间规划问题识别的方法各个步骤的执行顺序不受本实施例所公开的顺序限制。如图2所示，该国土空间规划问题的识别方法还包括：
S140、在目标区域的地形图上土地特征区域内标注目标问题，得到目标区域的问题识别底图。
将目标区域的地形图上土地特征区域内标注目标问题，得到目标区域的问题识别底图，使得国土空间规划更加直观，可以直接通过观察目标区域而得到问题识别底图。
可选的，该方法中还包括：对地形图进行坐标转换，使得转换后的地形图满足预设的大地坐标系的要求和预设的高程基准要求。
通过满足预设标准要求的地形图，可以作为标准地形图，对土地特征区域进行校验，检验的方式可以是通过地形图对土地特征区域进行对比，保证土地特征区域满足预设的地形图标准要求，保证土地特征区域的准确性。
本申请实施例提供的国土空间规划问题的识别方法将目标区域的问题识别底图进行了展示，更加直观的反映了国土空间规划问题的情况，方便了用户直观观察，表述、传导的信息更加快捷。
可选的，在上述图1的所示的方法的基础上，本申请实施例还提供另一种国土空间规划问题的识别方法的可能实现示例，如下结合附图进行说明。图3为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图。该国土空间规划问题识别的方法各个步骤的执行顺序不受本实施例所公开的顺序限制。如图3所示,上述方法中S100中对目标区域进行土地特征划分，得到目标区域的多个土地特征区域，可包括：
S103、获取目标区域的遥感影像。
该目标区域的遥感影像为该目标区域的最新遥感影像，其可采用下述三种实现方式来获取。
在一种实现方式中，针对获取目标区域的遥感影像，随着无人机技术的逐渐成熟，可以通过无人机航拍进行遥感影像的获取，通过无人机航拍进行遥感影像的获取时，由于无人机的体积较小，其具有灵活性和便利性，可以进入一些难以进入的地方，保证了遥感影像获取的完整性，且一些具有高危险的地区也可以通过无人机进行遥感影像的收集，在保证了人员安全性的前提下，进行遥感影像的获取，更加具有安全性。
在另一种实现方式中，针对获取目标区域的遥感影像也可以通过直升机航拍进行遥感影像的获取，通过直升机载人，工作人员进行航拍，由于人工进行航拍的机器较好，所以得到的影像像素较高，细节较完善，从而可以得到比较精确地遥感影像，更加利于对土地特征区域特征的划分。
在另一种实现方式中，针对获取目标区域的遥感影像还可以通过卫星进行遥感影像收集，通过卫星进行遥感影像收集，可以一次性进行大范围的收集，遥感影像的收集效率较高，节省了国土空间规划所需的时间。
S104、采用预先训练的解译模型，对遥感影像进行解译处理，得到目标区域的目标区域的特征分区结果，特征分区结果用于指示多个土地特征区域。
预先训练的解译模型可以是人工智能神经网络模型。
采用预先训练的解译模型，对遥感影像进行解译处理，得到目标区域的目标区域的特征分区结果，可保证特征分区结果的准确度，同时也简化了特征分区的实现。
可选的，在上述S104中采用预先训练的解译模型，对遥感影像进行解译处理，得到目标区域的目标区域的特征分区结果之前，可采用预设的样本进行模型训练，如下具体描述该解译模型的训练过程。该解译模型的训练过程可包括：
S101、获取预设区域的遥感影像，其中，预设区域的遥感影像上预先标注有该预设区域内的各土地特征区域。
该预设区域可以为区域范围小于或等于预设范围阈值的区域，即该预设区域的范围较小。获取的该预设区域的遥感影像可以是针对该预设区域，遥感影像的质量可满足预设的影像条件。
在获取该预设区域的遥感影像的情况下，可对该预设区域的遥感影像进行土地特征区域的标注，例如由人工进行标注，实现了该预设区域的遥感影像的人工解译。当然，也可采用其它的标注方式，本申请对此不进行限制。
由于区域范围小于或等于预设范围阈值的区域，那么对该预设区域的遥感影像进行土地特征区域的标注工作量较小，也可在一定程度上保证了标注的准确度，保证了预设区域的遥感影像的可靠度。
S102、根据预设区域的遥感影像，进行模型训练，得到解译模型。
在预设区域的遥感影像之后，可对该预设区域的遥感影像进行数据全自动样本分析，得到待训练的样本数据，继而根据该样本数据进行模型训练，得到解译模型。
解译模型可通过多次模型训练得到，在每次模型训练之后，可对解译模型的解译准确度进行检测，若准确度不满足预设要求，则再次进行模型训练，直至解译模型的解译准确度满足预设要求，或者模型训练的次数达到预设次数阈值。
解译模型可以是通过人工智能神经网络进行多次训练，通过人工智能慢慢学习改善最终输出的解译模型，通过进行多次训练后得到比较正确的解译模型，通过解译模型对遥感影像进行解译后，得到对目标区域的特征分区结果，通过成熟的人工智能平台进行目标区域特征分区，保证了分区结果的可靠性和高效性。提高了国土空间规划的效率与精准度。
本申请实施例提供的国土空间规划问题的识别方法通过训练人工智能对土地特征区域进行分区，保证了国土空间划分的高效性，同时，人工智能进行长时间的学习之后，其准确度也得到了大大的提升，所以，本申请的可靠性、效率和准确度都有一定程度的提升。
可选的，在上述图1的所示的方法的基础上，本申请实施例还提供另一种国土空间规划问题的识别方法的可能实现示例，如下结合附图进行说明。图4为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图。所述国土空间规划问题识别的方法各个步骤的执行顺序不受本实施例所公开的顺序限制。如图4所示，所述针对所述土地特征区域中需关注的多个问题，包括：
S111、爬取目标区域中土地特征区域的公告文件。
针对爬取目标区域中土地特征区域的公告文件可以是采用网页数据采集抓取工具对政府网站中有关目标区域中的土地特征区域的相关政策法规和通知公告进行爬取。
S112、识别公告文件的标题，得到土地特征区域中需关注的多个问题。
在爬取到公告文件之后，可通过识别公告文件的标题中的重点关键字识别出土地特征区域需关注的多个问题。
本申请实施例提供的国土空间规划问题的识别方法通过网页爬取工具对相关文件进行爬取，再通过预先制定的规则，对文件进行判断、删选，获得土地特征区域中需关注的问题，因为网页爬取数据基础比较大，在对重点方向进行判断的时候，有大量的数据做支撑，保证了重点方向的准确性，也使得土地特征区域需关注的问题更加与土地特征相贴合。
可选的，在上述图1的所示的方法的基础上，本申请实施例还提供另一种国土空间规划问题的识别方法的可能实现示例，如下结合附图进行说明。图5为本申请实施例提供的另一种国土空间规划问题的识别方法的流程图。所述国土空间规划问题识别的方法各个步骤的执行顺序不受本实施例所公开的顺序限制。如图5所示，如上方法中国土空间规划问题的识别方法根据多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题，可包括：
S133、根据多个调查对象针对每个问题的调查结果，得到土地特征区域内每个问题的调查得分。
可根据每个调查对象针对每个问题的调查结果得到，每个调查对象针对每个问题的调查得分，继而对该多个调查对象针对每个问题的调查得分进行累加，计算得到该土地特征区域内每个问题的调查得分，即该多个调查对象对该每个问题的总调查得分。
S134、确定多个问题中调查得分大于或等于预设风险得分阈值的问题为目标问题。
针对多个问题，分别确定每个问题对应的预设风险得分阈值。
若目标问题得分大于或者等于目标问题阈值的情况下，则可以确定该问题为目标问题，通过设置阈值，避免了一些存在但不严重的问题干扰国土空间的规划，保证了国土空间规划更加具有合理性。
若目标问题得分小于目标问题阈值的情况下，则可以确定该问题非目标问题。
根据多个调查对象针对每个问题的调查结果，得到土地特征区域内每个问题的调查得分，包括：
S131、根据预设的每个问题下各个调查结果的类别，以及预设的各类别的参数，分别得到多个调查对象针对每个问题的调查得分。
S132、根据多个调查对象的预设权重值，对多个调查对象针对每个问题的调查问题得分进行加权和运算，得到土地特征区域内每个问题的调查得分。
根据目标问题的多个调查对象，对每个对象设置一定的权重值，通过调查问题的得分，计算出得分的平均值，对得分平均值通过每个对象设置的权重值进行加权求和，得到土地特征区域内每个问题的调查得分。
例如，以土地特征区域为村庄区域，其关注问题中的生活污水问题为例：生活污水问题对应的多个调查对象为农村居民、村委会、生态环境局，针对农村居民、村委会、生态环境局，各自的权重值例如可以为0.4、0.4、0.2。各个调查结果的类别可根据存在的情况分为：非常严重、严重、一般严重、不严重、未出现五类，该五类问题其对应的参数分别为5、4、3、2、1，分别统计农村居民、村委会、生态环境局对生活污水问题赋值的平均值；对平均值进行加权求和，计算出生活污水问题的总得分。
通过对多个调查对象的预设权重值，对多个调查对象针对每个问题的调查问题得分进行加权和运算，得到土地特征区域内每个问题的调查得分，将问题的情况进行指标量化，强调了指标的相对重要程度，是的最终统计的结果更加准确。
本申请实施例提供的国土空间规划问题的识别方法通过对多个对象的每个问题进行调查，通过设置权重进行加权运算的方式对问题的总得分进行排序，以此反映不同分区内问题的严重程度并识别出各分区存在的重点问题，直观地反映出重点问题的空间分布特征及其严重程度，有助于发现国土空间治理问题，更好地开展国土空间规划编制工作。
下述对用以执行的本申请实施例提供的一种国土空间问题的识别方法的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图6为本申请实施例提供的一种国土空间问题的识别装置10的示意图，如图6所示，该国土空间问题的识别装置10可包括：
划分模块11，用于对目标区域进行土地特征划分，得到目标区域的多个土地特征区域；
第一获取模块12，用于获取针对土地特征区域中需关注的多个问题；
第二获取模块13，用于获取每个问题对应的多个调查对象针对土地特征区域中每个问题的调查结果；
确定模块14，用于根据多个调查对象针对每个问题的调查结果，确定土地特征区域内存在风险的目标问题。
可选的，国土空间问题的识别装置10还包括：
标注模块，用于在目标区域的地形图上土地特征区域内标注目标问题，得到目标区域的问题识别底图。
可选的，划分模块11具体用于获取目标区域的遥感影像；采用预先训练的解译模型，对遥感影像进行解译处理，得到目标区域的目标区域的特征分区结果，特征分区结果用于指示所述多个土地特征区域。
可选的，国土空间问题的识别装置10还包括：
模型训练模块，用于获取预设区域的遥感影像，其中，预设区域的遥感影像上预先标注有预设区域内的各土地特征区域；根据预设区域的遥感影像，进行模型训练，得到解译模型。
可选的，第一获取模块12，具体用于爬取目标区域中土地特征区域的公告文件；识别公告文件的标题，得到土地特征区域中需关注的所述多个问题。
可选的，确定模块14，具体用于根据多个调查对象针对每个问题的调查结果，得到土地特征区域内每个问题的调查得分；确定多个问题中调查得分大于或等于预设风险得分阈值的问题为目标问题。
可选的，确定模块14，具体用于根据预设的每个问题下各个调查结果的类别，以及预设的各类别的参数，分别得到多个调查对象针对每个问题的调查得分；根据多个调查对象的预设权重值，对多个调查对象针对每个问题的调查问题得分进行加权和运算，得到土地特征区域内每个问题的调查得分。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图7为本申请实施例提供的计算机设备的示意图。该计算机设备100包括：存储器101、处理器102。存储器101和处理器102通过总线连接。
存储器101用于存储程序，处理器102调用存储器101存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种国土空间规划问题的识别方法，其特征在于，所述方法包括：
对目标区域进行土地特征划分，得到所述目标区域的多个土地特征区域；
获取针对所述土地特征区域中需关注的多个问题；
获取每个问题对应的多个调查对象针对所述土地特征区域中所述每个问题的调查结果；
根据所述多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题。
2.根据权利要求1所述方法，其特征在于，还包括：
在所述目标区域的地形图上所述土地特征区域内标注所述目标问题，得到所述目标区域的问题识别底图。
3.根据权利要求1所述的方法，其特征在于，所述对目标区域进行土地特征划分，得到所述目标区域的多个土地特征区域，包括：
获取所述目标区域的遥感影像；
采用预先训练的解译模型，对所述遥感影像进行解译处理，得到所述目标区域的目标区域的特征分区结果，所述特征分区结果用于指示所述多个土地特征区域。
4.根据权利要求3所述的方法，其特征在于，所述采用预先训练的解译模型，对所述遥感影像进行解译处理，得到所述目标区域的目标区域的特征分区结果，所述特征分区结果用于指示所述多个土地特征区域之前，所述方法还包括：
获取预设区域的遥感影像，其中，所述预设区域的遥感影像上预先标注有所述预设区域内的各土地特征区域；
根据所述预设区域的遥感影像，进行模型训练，得到所述解译模型。
5.根据权利要求1所述的方法，其特征在于，所述获取针对所述土地特征区域中需关注的多个问题，包括：
爬取所述目标区域中所述土地特征区域的公告文件；
识别所述公告文件的标题，得到所述土地特征区域中需关注的所述多个问题。
6.根据权利要求1-5中任一所述的方法，其特征在于，所述根据所述多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题，包括：
根据所述多个调查对象针对所述每个问题的调查结果，得到所述土地特征区域内所述每个问题的调查得分；
确定所述多个问题中调查得分大于或等于预设风险得分阈值的问题为所述目标问题。
7.根据权利要求6所述的方法，其特征在于，所述根据所述多个调查对象针对所述每个问题的调查结果，得到所述土地特征区域内所述每个问题的调查得分，包括：
根据预设的所述每个问题下各个调查结果的类别，以及预设的各类别的参数，分别得到所述多个调查对象针对所述每个问题的调查得分；
根据所述多个调查对象的预设权重值，对所述多个调查对象针对所述每个问题的调查问题得分进行加权和运算，得到所述土地特征区域内所述每个问题的调查得分。
8.一种国土空间规划问题的识别装置，其特征在于，所述装置包括：
划分模块，用于对目标区域进行土地特征划分，得到所述目标区域的多个土地特征区域；
第一获取模块，用于获取针对所述土地特征区域中需关注的多个问题；
第二获取模块，用于获取每个问题对应的多个调查对象针对所述土地特征区域中所述每个问题的调查结果；
确定模块，用于根据所述多个调查对象针对所述每个问题的调查结果，确定所述土地特征区域内存在风险的目标问题。
9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的国土空间规划问题的识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-7任一项所述的国土空间规划问题的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110605999.2A CN113297998B (zh) | 2021-05-31 | 2021-05-31 | 国土空间规划问题的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110605999.2A CN113297998B (zh) | 2021-05-31 | 2021-05-31 | 国土空间规划问题的识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113297998A true CN113297998A (zh) | 2021-08-24 |
| CN113297998B CN113297998B (zh) | 2024-04-26 |
Family
ID=77326482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110605999.2A Active CN113297998B (zh) | 2021-05-31 | 2021-05-31 | 国土空间规划问题的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113297998B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140270442A1 (en) * | 2013-03-15 | 2014-09-18 | Wake Forest University Health Sciences | Vascular territory segmentation using mutual clustering information from image space and label space |
| CN110210438A (zh) * | 2019-06-10 | 2019-09-06 | 南京林业大学 | 北方土石山区水土流失监测土地利用/覆盖分类方法 |
| WO2019184118A1 (zh) * | 2018-03-26 | 2019-10-03 | 平安科技（深圳）有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
| CN111882243A (zh) * | 2020-08-06 | 2020-11-03 | 中国环境科学研究院 | 一种喀斯特地区国土空间开发适宜性评价方法及系统 |
| CN112084243A (zh) * | 2020-08-03 | 2020-12-15 | 广州市城市规划勘测设计研究院 | 构建国土空间规划“一张图”的方法、装置及存储介质 |
| CN112085636A (zh) * | 2020-08-12 | 2020-12-15 | 马琦伟 | 一种城市功能性收缩分析方法、装置及存储介质 |
| CN112232171A (zh) * | 2020-10-10 | 2021-01-15 | 中煤航测遥感集团有限公司 | 基于随机森林的遥感影像信息提取方法、装置及存储介质 |
| CN112348324A (zh) * | 2020-10-23 | 2021-02-09 | 中国科学院城市环境研究所 | 一种冲突空间识别方法、终端设备及存储介质 |
-
2021
- 2021-05-31 CN CN202110605999.2A patent/CN113297998B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140270442A1 (en) * | 2013-03-15 | 2014-09-18 | Wake Forest University Health Sciences | Vascular territory segmentation using mutual clustering information from image space and label space |
| WO2019184118A1 (zh) * | 2018-03-26 | 2019-10-03 | 平安科技（深圳）有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
| CN110210438A (zh) * | 2019-06-10 | 2019-09-06 | 南京林业大学 | 北方土石山区水土流失监测土地利用/覆盖分类方法 |
| CN112084243A (zh) * | 2020-08-03 | 2020-12-15 | 广州市城市规划勘测设计研究院 | 构建国土空间规划“一张图”的方法、装置及存储介质 |
| CN111882243A (zh) * | 2020-08-06 | 2020-11-03 | 中国环境科学研究院 | 一种喀斯特地区国土空间开发适宜性评价方法及系统 |
| CN112085636A (zh) * | 2020-08-12 | 2020-12-15 | 马琦伟 | 一种城市功能性收缩分析方法、装置及存储介质 |
| CN112232171A (zh) * | 2020-10-10 | 2021-01-15 | 中煤航测遥感集团有限公司 | 基于随机森林的遥感影像信息提取方法、装置及存储介质 |
| CN112348324A (zh) * | 2020-10-23 | 2021-02-09 | 中国科学院城市环境研究所 | 一种冲突空间识别方法、终端设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘健枭: "基于景观格局的海岸带县域生态风险与土地利用关联性研究——以福建省霞浦县为例", 《中国优秀硕士学位论文全文数据库》, no. 08, pages 027 - 839 * |
| 封殿波;: "地理信息系统在国土空间规划中的应用分析", 智能城市, no. 08, pages 155 - 156 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113297998B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hermosilla et al. | Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics | |
| Aburas et al. | Land suitability analysis of urban growth in Seremban Malaysia, using GIS based analytical hierarchy process | |
| Goodchild | Integrating GIS and remote sensing for vegetation analysis and modeling: methodological issues | |
| Congalton | A review of assessing the accuracy of classifications of remotely sensed data | |
| Pietsch | Contribution of connectivity metrics to the assessment of biodiversity–Some methodological considerations to improve landscape planning | |
| Bone et al. | Integrating high resolution remote sensing, GIS and fuzzy set theory for identifying susceptibility areas of forest insect infestations | |
| Sapena et al. | Identifying urban growth patterns through land-use/land-cover spatio-temporal metrics: Simulation and analysis | |
| CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
| Triantakonstantis et al. | A spatially heterogeneous expert based (SHEB) urban growth model using model regionalization | |
| Walter et al. | Evaluation and optimisation of crowd-based collection of trees from 3D point clouds | |
| CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
| CN114677015A (zh) | 一种基于网格化管理的智慧城市安全管控平台及管控方法 | |
| Walter et al. | Measuring the wisdom of the crowd: How many is enough? | |
| CN114511432A (zh) | 一种基于区块链的数字乡村管理服务系统 | |
| Selim et al. | Determination of the optimum number of sample points to classify land cover types and estimate the contribution of trees on ecosystem services using the I‐Tree Canopy tool | |
| CN110716998A (zh) | 一种精细尺度人口数据空间化方法 | |
| Gulyukin et al. | Epizootogical geo-information systems | |
| CN116992294A (zh) | 卫星测控训练评估方法、装置、设备及存储介质 | |
| JP2002342690A (ja) | 野生生物の生態情報の解析方法 | |
| Mansour et al. | Problems of spatial linkage of a geo-referenced Demographic and Health Survey (DHS) dataset to a population census: A case study of Egypt | |
| CN113297998B (zh) | 国土空间规划问题的识别方法、装置、设备及存储介质 | |
| CN114113487B (zh) | 一种挥发性有机物在线监测系统及方法 | |
| CN115795052A (zh) | 一种产业链地图构建方法、装置及电子设备 | |
| Yusandi et al. | Biomass estimation model for mangrove forest using medium-resolution imageries in BSN Co Ltd concession area, West Kalimantan | |
| CN114443790A (zh) | 一种耕地数据集成方法、设备、存储介质 |
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 |