CN113780459A - 一种基于空间谱系的城乡聚落类型自动识别的方法与系统 - Google Patents

一种基于空间谱系的城乡聚落类型自动识别的方法与系统 Download PDF

Info

Publication number
CN113780459A
CN113780459A CN202111110313.9A CN202111110313A CN113780459A CN 113780459 A CN113780459 A CN 113780459A CN 202111110313 A CN202111110313 A CN 202111110313A CN 113780459 A CN113780459 A CN 113780459A
Authority
CN
China
Prior art keywords
urban
rural settlement
rural
information
space
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
CN202111110313.9A
Other languages
English (en)
Other versions
CN113780459B (zh
Inventor
杨俊宴
史宜
陈代俊
顾杰
史北祥
郑屹
夏歌阳
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202111110313.9A priority Critical patent/CN113780459B/zh
Publication of CN113780459A publication Critical patent/CN113780459A/zh
Application granted granted Critical
Publication of CN113780459B publication Critical patent/CN113780459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于空间谱系的城乡聚落类型自动识别的方法与系统，包括以下步骤：城乡聚落数据采集与基本信息平台搭建；通过加载城乡聚落空间特征指标计算模块，识别城乡聚落空间特征，形成城乡聚落空间特征信息库；基于因子分析进行城乡聚落空间关键特征信息提取；根据城乡聚落空间关键特征信息进行聚类，获得城乡聚落空间类型，计算关键特征信息的层级顺序和值域范围构建城乡聚落空间谱系；搭建城乡聚落空间谱系信息平台，输入目标城乡聚落地理信息数据实现城乡聚落类型自动识别。解决了传统城乡聚落类型识别方法指标考虑不充分，精度不足，效率不高的问题，提升了城乡聚落类型识别的精准度和有效度，提高了规划师的工作效率。

Description

一种基于空间谱系的城乡聚落类型自动识别的方法与系统
技术领域
本发明涉及城乡规划领域，具体是一种基于空间谱系的城乡聚落类型自动识别的方法与系统。
背景技术
我国城乡聚落形态特征体现着中国因地制宜的传统营建思想，因此不同地区的城乡聚落往往会呈现出不同的形态特征。但在快速城市化背景下，一系列聚落建设照搬城市的营建模式，埋没了聚落自身地区的传统特色，也带来了一系列如布局散乱、环境污染等问题。因此，需要对城乡聚落进行分类指导，保留其乡土特色。但是现有的城乡聚落分类技术无法准确快速地识别城乡聚落空间特征，并且存在着指标考虑不充分，分类结果不精确的问题，使城乡聚落的规划建设出现定位模糊和定位偏差，最后导致原本城乡聚落特色的丧失。
发明内容
本发明的目的在于提供一种基于空间谱系的城乡聚落类型自动识别的方法与系统，基于城乡聚落的现状空间地理信息数据和规划信息数据，构建城乡聚落基本信息平台，再通过加载信息平台中的城乡聚落空间特征指标计算模块，识别城乡聚落空间特征，形成城乡聚落空间特征信息库。针对信息库中的城乡聚落空间特征因子，通过因子分析对城乡聚落空间特征信息进行降维，提取城乡聚落空间关键特征信息并聚类，获得城乡聚落空间类型。接着，通过Duncan多重比较法分析各关键特征信息对城乡聚落各类型的影响程度，并根据影响程度进行排序，再提取对各类型有影响的关键特征信息值域范围作为类型划分标准，最后结合层级顺序和值域范围构建城乡聚落空间谱系，形成城乡聚落空间谱系信息平台，通过输入目标城乡聚落地理信息数据可实现城乡聚落类型自动识别，提升了城乡聚落类型识别的精准度和有效度，提高了规划师的效率。
本发明的目的可以通过以下技术方案实现：
一种基于空间谱系的城乡聚落类型自动识别的方法与系统，包括以下步骤：
S1、城乡聚落数据采集与基本信息平台搭建
用于获取城乡聚落的现状空间地理信息数据和规划信息数据，构建城乡聚落基本信息平台；
S2、城乡聚落空间特征识别
通过加载城乡聚落空间特征指标计算模块，识别城乡聚落空间特征，形成城乡聚落空间特征信息库；
S3、基于因子分析进行城乡聚落空间关键特征信息提取
根据城乡聚落空间特征信息库，通过因子分析对城乡聚落空间特征信息进行降维，提取城乡聚落空间关键特征信息；
S4、城乡聚落空间谱系构建，具体包括：
S41、根据城乡聚落空间关键特征信息进行聚类，获得城乡聚落空间类型；
S42、通过Duncan多重比较法分析各关键特征信息对城乡聚落各类型的影响程度；
S43、计算城乡聚落各关键特征信息影响程度均值大小，
S44、根据均值大小确定城乡聚落空间谱系中关键特征信息层级的先后顺序；
S45、提取对各类型有影响的关键特征信息值域范围作为类型划分标准；
S46、通过关键特征信息的层级顺序和值域范围构建城乡聚落空间谱系；
S5、城乡聚落空间谱系信息平台搭建与类型自动识别
搭建城乡聚落空间谱系信息平台，通过输入目标城乡聚落地理信息数据实现城乡聚落类型自动识别，并通过同类型城乡聚落链接信息供规划人员参考，最后输出结果。
进一步地，所述S1包括以下步骤：
S11、采集城乡聚落现状空间数据，搭建城乡聚落基本信息平台
通过建筑矢量数据端口、道路矢量数据端口、土地利用矢量数据端口、地形矢量数据端口、行政边界矢量数据端口获取中国八大区域城乡聚落现状空间地理信息数据，每个区域城乡聚落数据采集数量为2000个以上，并采用搭载像素为2000万以上的测绘无人机采集的三维倾斜摄影数据对建筑矢量数据、道路矢量数据、土地利用矢量数据和地形矢量数据进行校对，将校对后的地理信息数据转换至统一坐标系，进行空间地理坐标与投影坐标对位，构建城乡聚落基本信息平台。
所述八大区域为华北、华东、东北、华南、华中、西南、西北以及港澳台区域。
S12、城乡聚落规划信息数据采集与嵌入
通过内置数据采集模块，将城乡聚落纸质规划文件中栅格格式的图文信息识别为矢量图形和矢量文字，形成城乡聚落规划信息数据库；通过语义识别，根据城乡聚落名称信息将城乡聚落规划信息数据库嵌入至城乡聚落基本信息平台。
进一步地，所述建筑矢量数据端口导入数据包括闭合的建筑轮廓线、建筑层数信息和建筑功能信息。
所述道路矢量数据端口导入数据包括道路类型、道路宽度和道路中心线信息。
所述地形矢量数据端口导入数据包括地形要素、高程和坐标信息。
所述土地利用数据库端口导入数据包括用地类型信息和用地边界线信息。
所述行政边界矢量数据端口导入数据包括城乡聚落边界信息和城乡聚落名称和编号信息。
进一步地，所述S2包括以下步骤：
S21、城乡聚落空间指标库构建
根据城乡规划中对城乡聚落空间特征研究和实践需求，确定城乡聚落空间特征基础变量，并构建城乡聚落空间指标库；
S22、城乡聚落空间特征识别
所述城乡聚落空间指标库，通过加载城乡聚落空间特征指标计算模块，识别城乡聚落空间特征，形成城乡聚落空间特征信息库。
进一步地，所述基础变量包括建筑面积、建筑朝向、建筑长宽比、建筑间距、建筑高度、建筑密度、建筑功能比例、道路长度、道路宽度、道路密度、道路交叉口、道路数量、道路间距、道路类型比例、用地类型面积、用地类型数量、用地类型密度、用地类型边界、用地类型比例、用地边界和山水最邻近距离。
进一步地，所述S3包括以下步骤：
S31、数据检验
所述城乡聚落空间特征信息库，采用KMO检验来比较原始变量间简单相关系数和偏相关系数，并采用Bartlett’s球状检验完成适用性检验；所述KMO＞0.5且Bartlett’s球状检验值p＜0.05，则数据集适合于因子分析；反之，则返回S2重新选择基础变量。
S32、基于因子分析进行城乡聚落空间关键特征信息提取
采用因子分析对城乡聚落空间特征信息进行降维，得到城乡聚落空间关键特征信息数量为n，作为城乡聚落空间谱系构建依据。
采用因子分析对20个城乡聚落空间特征信息进行降维，假设城乡聚落空间特征的指标值为x！(i＝1,2,…,p)，称为原始变量，p为指标个数，将x！标准化后得到新变量z！，则可以建立因子分析模型如下：z！＝a！1F1+a！1F2+…+a！mFm+c！U！(i＝1,2,…,p)其中Fj(j＝1,2,…,m)称为公共因子，U！(i＝1,2,…,p)仅与变量z！有关，称为特殊因子，系数a！j,c！称为因子载荷，A＝(a！j)称为因子载荷矩阵。m个公共因子对第i个变量方差的贡献称为第i共同度，这里记为h！ 2，h！ 2＝a！1 2+a！2 2+…+a！m 2。采用最大方差法对因子载荷矩阵进行正交旋转，突出原始变量和公共因子之间的关系，使载荷矩阵每行或列的元素平方值向0和1两级分化，简化因子载荷阵结构。
Figure BDA0003270439860000051
已知变量z！的公因子方差(即贡献率)为
Figure BDA0003270439860000052
称V(A)为因子载荷矩阵A的总方差：
Figure BDA0003270439860000053
当公共因子数为2时，即m＝2时，正交矩阵一般选择：
Figure BDA0003270439860000054
遍历旋转角度
Figure BDA0003270439860000055
使AΓ的总方差达到最大。
最后，使用原始变量的线性组合表示公因子，得到城乡聚落空间关键特征信息数量为n，其因子得分函数：
Fj＝bj1z1+…+bjpzp(j＝1，2，...，m)
进一步地，所述S4包括以下步骤：
S41、城乡聚落空间关键特征信息层级性确定
根据S32识别的n个城乡聚落空间关键特征信息，采用k-means对城乡聚落进行聚类，获得相应的城乡聚落类型为m；将类型m视为因变量，关键特征信息n视为要素，通过Duncan多重比较法分析每个类型mk中每个关键特征信息nk的影响程度
Figure BDA0003270439860000061
首先通过显著性检验判断nk是否对mk有影响，将每个对mk有影响的关键特征信息的影响程度均值
Figure BDA0003270439860000062
大小作为关键特征信息n的层级性确定依据，
Figure BDA0003270439860000063
越大，层级性越高；
S42、城乡聚落空间类型划分
根据S41聚类得到的城乡聚落类型m，提取每个关键特征信息nk影响的类型mk，识别每个类型mk中nk的值域pk，判断p1、p2、……、pk之间是否存在重叠，若不存在重叠，则将p1、p2、……、pk作为关键特征信息nk的类型划分依据，若存在重叠，则提取重叠部分的城乡聚落样本，构建基于合并法分类模型对其进行分类，直至无重叠部分，并将重新分类后的值域作为关键特征信息nk的类型划分依据。
所述合并法分类模型指将重叠的城乡聚落样本作为一个新的类“N”。将“N”类别的城乡聚落样本进行K分类学习以获得第一个分类模型M1。然后对分入重叠区域的样本继续进行(K-1)分类学习以获得第二个分类模型M2，其中，K为类型数量。将每一个城乡聚落样本首先通过M1进行分类，如果分类结果为“N”类，则继续通过M2进行分类，直至无重叠部分，则分类结束。
S43、城乡聚落空间谱系构建
根据S41和S42中的关键特征信息nk的层级性以及类型划分依据pk，采用nk+pk的命名方式，对城乡聚落类型mk进行命名，构建城乡聚落空间谱系，形成城乡聚落空间谱系信息库。
进一步地，所述城乡聚落空间谱系信息库包括城乡聚落空间布局信息、城乡聚落空间特征信息、城乡聚落空间类型信息和城乡聚落所在空间谱系位置信息。
进一步地，所述S5包括以下步骤：
S51、城乡聚落空间谱系信息平台搭建
将城乡聚落空间谱系信息库，嵌入至城乡聚落基本信息平台，形成城乡聚落空间谱系信息平台；
S52、城乡聚落类型自动识别
通过将目标城乡聚落地理信息数据输入城乡聚落空间谱系信息平台，对城乡聚落类型进行自动识别，并且通过点击同类型城乡聚落链接，查询同类型城乡聚落空间信息，并且，规划人员通过城乡聚落编码查询目标城乡聚落同类型城乡聚落规划信息数据，对目标城乡聚落实施规划进行参考；
S53、方案结果输出
将S52中包括城乡聚落空间谱系信息和同类型城乡聚落规划信息的目标城乡聚落平面图，通过分辨率不小于4800dpi彩色打印机将其打印为纸质图纸，供规划工作人员进一步设计和优化。
本发明的有益效果：
1、本发明根据城乡聚落空间特征信息库，通过因子分析对城乡聚落空间特征信息进行降维，提取城乡聚落空间关键特征信息，用统计学将繁多复杂的城乡聚落空间特征信息通过进行简化，用同一套标准描述城乡聚落空间特征,有效统一了分类标准，改善了分类标准不一的问题；
2、本发明采用k-means方法和Duncan多重比较法分析确定城乡聚落空间关键特征信息的层级性，明确了各关键特征信息对描述城乡聚落空间特征的贡献程度，有效提高了城乡聚落类型结果的精确度；
3、本发明搭建城乡聚落空间谱系信息平台，通过将城乡聚落基础地理信息输入平台，便可以快速识别城乡聚落类型，提高规划师工作效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于空间谱系的城乡聚落类型自动识别的方法流程图；
图2是本发明城乡聚落空间谱系图；
图3是本发明城乡聚落空间谱系信息平台示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种基于空间谱系的城乡聚落类型自动识别的方法与系统，包括城乡聚落数据采集与基本信息平台搭建、城乡聚落空间特征识别、基于因子分析进行城乡聚落空间关键特征信息提取、城乡聚落空间谱系构建和城乡聚落空间谱系信息平台搭建与类型自动识别。如图1所示，具体流程步骤如下：
S1、城乡聚落数据采集与基本信息平台搭建
1.1、通过建筑矢量数据端口、道路矢量数据端口、土地利用矢量数据端口、地形矢量数据端口、行政边界矢量数据端口获取中国八大区域城乡聚落现状空间地理信息数据，每个区域城乡聚落数据采集数量为2000个以上，并采用搭载像素为2000万以上的测绘无人机采集的三维倾斜摄影数据对建筑矢量数据、道路矢量数据、土地利用矢量数据和地形矢量数据进行校对，将校对后的地理信息数据转换至统一坐标系，进行空间地理坐标与投影坐标对位，构建城乡聚落基本信息平台。
其中，所述八大区域为华北、华东、东北、华南、华中、西南、西北以及港澳台区域；
其中，建筑矢量数据端口导入数据包括闭合的建筑轮廓线、建筑层数信息和建筑功能信息；道路矢量数据端口导入数据包括道路类型、道路宽度和道路中心线信息；地形矢量数据端口导入数据包括地形要素、高程和坐标信息；土地利用数据库端口导入数据包括用地类型信息和用地边界线信息；行政边界矢量数据端口导入数据包括城乡聚落边界信息和城乡聚落名称和编号信息；
1.2、通过内置数据采集模块，将番禺城乡聚落的纸质规划文件中栅格格式的图文信息识别为矢量图形和矢量文字，形成城乡聚落规划信息数据库；通过语义识别，根据城乡聚落名称信息将城乡聚落规划信息数据库嵌入至城乡聚落基本信息平台。
S2、城乡聚落空间特征识别
2.1、根据城乡规划中对城乡聚落空间特征研究和实践需求，确定城乡聚落空间特征20个基础变量为：建筑面积、建筑朝向、建筑长宽比、建筑间距、建筑高度、建筑密度、建筑功能比例、道路长度、道路宽度、道路密度、道路交叉口、道路数量、道路间距、道路类型比例、用地类型面积、用地类型数量、用地类型密度、用地类型边界、用地类型比例、用地边界和山水最邻近距离，并构建番禺城乡聚落空间指标库；
2.2、基于步骤2.1的城乡聚落空间指标库，通过加载城乡聚落空间特征指标计算模块，识别番禺城乡聚落空间特征，形成番禺城乡聚落空间特征信息库。
S3、基于因子分析进行城乡聚落空间关键特征信息提取
3.1、基于步骤2.2的城乡聚落空间特征信息库，采用KMO检验来比较原始变量间简单相关系数和偏相关系数，并采用Bartlett’s球状检验完成适用性检验，若KMO＞0.5，Bartlett’s球状检验值p＜0.05，则数据集适合于因子分析。反之，则返回步骤S2重新选择基础变量。
3.2、采用因子分析对步骤S2的20个城乡聚落空间特征信息进行降维，得到5个城乡聚落空间关键特征信息，以此作为城乡聚落空间谱系构建依据，分别为建筑面积、建筑间距、建筑密度、建筑功能比例和道路间距。其中所述因子分析，指假设城乡聚落空间特征的指标值为x！(i＝1,2,…,20)，称为原始变量，将x！标准化后得到新变量z！，则可以建立因子分析模型如下：z！＝a！1F1+a！1F2+…+a！mFm+c！U！(i＝1,2,…,20)，其中Fj(j＝1,2,…,m)称为公共因子；U！(i＝1,2,…,20)仅与变量z！有关，称为特殊因子；系数a！j,c！称为因子载荷，A＝(a！j)称为因子载荷矩阵。m个公共因子对第i个变量方差的贡献称为第i共同度，这里记为h！ 2，h！ 2＝a！1 2+a！2 2+…+a！m 2。采用最大方差法对因子载荷矩阵进行正交旋转，突出原始变量和公共因子之间的关系，使载荷矩阵每行或列的元素平方值向0和1两级分化，简化因子载荷阵结构。
Figure BDA0003270439860000101
已知变量z！的公因子方差(即贡献率)为
Figure BDA0003270439860000102
称V(A)为因子载荷矩阵A的总方差：
Figure BDA0003270439860000111
当公共因子数为2时，即m＝2时，正交矩阵一般选择：
Figure BDA0003270439860000112
遍历旋转角度
Figure BDA0003270439860000113
使AΓ的总方差达到最大。
最后，使用原始变量的线性组合表示公因子，得到城乡聚落空间关键特征信息数量为5，其因子得分函数：
Fj＝bj1z1+…+bj20z20(j＝1，2，...，m)
S4、城乡聚落空间谱系构建
4.1、根据步骤3.2识别的5个城乡聚落空间关键特征信息，采用k-means对城乡聚落进行聚类，获得相应的4种城乡聚落类型；将4种类型视为因变量，5个关键特征信息视为要素，通过Duncan多重比较法分析4种类型中各关键特征信息的影响程度
Figure BDA0003270439860000114
首先通过显著性检验判断各关键特征信息是否对类型确定有影响，将每个对类型确定有影响的关键特征信息的影响程度均值
Figure BDA0003270439860000115
大小作为5个关键特征信息的层级性确定依据，
Figure BDA0003270439860000116
越大，层级性越高，最终确定5个关键特征信息的层级性由高到低为建筑功能比例、道路间距、建筑间距、建筑密度和建筑高度。
4.2、根据步骤4.1聚类得到的4种城乡聚落类型，提取每个关键特征信息影响的类型，识别每个类型中关键特征信息的值域pk(k＝1，2，3，4)，K为类型数量，判断p1、p2、p3和p4之间是否存在重叠，若不存在重叠，则将p1、p2、p3和p4作为关键特征信息的类型划分依据，若存在重叠，则提取重叠部分的城乡聚落样本，构建基于合并法分类模型对其进行分类，直至无重叠部分，并将重新分类后的值域作为关键特征信息的类型划分依据。
其中，步骤4.2中合并法分类模型指将重叠的城乡聚落样本作为一个新的类“N”。将“N”类别的城乡聚落样本进行四分类学习以获得第一个分类模型M1。然后对分入重叠区域的样本继续进行三分类学习以获得第二个分类模型M2。将每一个城乡聚落样本首先通过M1进行分类，如果分类结果为“N”类，则继续通过M2进行分类，直至无重叠部分，则分类结束。
4.3、根据步骤4.1和步骤4.2的5个关键特征信息的层级性以及类型划分依据pk，采用关键特征信息名称nk+pk的命名方式，对4种城乡聚落类型进行命名，构建城乡聚落空间谱系，形成城乡聚落空间谱系信息库。其中，所述城乡聚落空间谱系信息库包括城乡聚落空间布局信息、城乡聚落空间特征信息、城乡聚落空间类型信息以及城乡聚落所在空间谱系位置信息。
S5、城乡聚落空间谱系信息平台搭建与类型自动识别
5.1、将步骤4.3中生成的城乡聚落空间谱系信息库，嵌入至城乡聚落基本信息平台，形成城乡聚落空间谱系信息平台。
5.2、通过将番禺城乡聚落地理信息数据输入城乡聚落空间谱系信息平台，对番禺的城乡聚落类型进行自动识别，并且可通过点击同类型城乡聚落链接，查询同类型城乡聚落空间信息，并且，规划人员可通过城乡聚落编码查询番禺城乡聚落同类型城乡聚落规划信息数据，对番禺城乡聚落实施乡村规划进行参考。
5.3、将步骤5.2中包括番禺城乡聚落空间谱系信息和同类型城乡聚落规划信息的目标城乡聚落平面图，通过分辨率不小于4800dpi彩色打印机将其打印为纸质图纸，供规划工作人员。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，包括以下步骤：
S1、城乡聚落数据采集与基本信息平台搭建
用于获取城乡聚落的现状空间地理信息数据和规划信息数据，构建城乡聚落基本信息平台；
S2、城乡聚落空间特征识别
通过加载城乡聚落空间特征指标计算模块，识别城乡聚落空间特征，形成城乡聚落空间特征信息库；
S3、基于因子分析进行城乡聚落空间关键特征信息提取
根据城乡聚落空间特征信息库，通过因子分析对城乡聚落空间特征信息进行降维，提取城乡聚落空间关键特征信息；
S4、城乡聚落空间谱系构建，具体包括：
S41、根据城乡聚落空间关键特征信息进行聚类，获得城乡聚落空间类型；
S42、通过Duncan多重比较法分析各关键特征信息对城乡聚落各类型的影响程度；
S43、计算城乡聚落各关键特征信息影响程度均值大小，
S44、根据均值大小确定城乡聚落空间谱系中关键特征信息层级的先后顺序；
S45、提取对各类型有影响的关键特征信息值域范围作为类型划分标准；
S46、通过关键特征信息的层级顺序和值域范围构建城乡聚落空间谱系；
S5、城乡聚落空间谱系信息平台搭建与类型自动识别
搭建城乡聚落空间谱系信息平台，通过输入目标城乡聚落地理信息数据实现城乡聚落类型自动识别，并通过同类型城乡聚落链接信息供规划人员参考，最后输出结果。
2.根据权利要求1所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述S1包括以下步骤：
S11、采集城乡聚落现状空间数据，搭建城乡聚落基本信息平台
通过建筑矢量数据端口、道路矢量数据端口、土地利用矢量数据端口、地形矢量数据端口、行政边界矢量数据端口获取中国八大区域城乡聚落现状空间地理信息数据，每个区域城乡聚落数据采集数量为2000个以上，并采用测绘无人机采集的三维倾斜摄影数据对建筑矢量数据、道路矢量数据、土地利用矢量数据和地形矢量数据进行校对，将校对后的地理信息数据转换至统一坐标系，进行空间地理坐标与投影坐标对位，构建城乡聚落基本信息平台；
所述八大区域为华北、华东、东北、华南、华中、西南、西北以及港澳台区域；
S12、城乡聚落规划信息数据采集与嵌入
通过内置数据采集模块，将城乡聚落纸质规划文件中栅格格式的图文信息识别为矢量图形和矢量文字，形成城乡聚落规划信息数据库；通过语义识别，根据城乡聚落名称信息将城乡聚落规划信息数据库嵌入至城乡聚落基本信息平台。
3.根据权利要求2所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述建筑矢量数据端口导入数据包括闭合的建筑轮廓线、建筑层数信息和建筑功能信息；
所述道路矢量数据端口导入数据包括道路类型、道路宽度和道路中心线信息；
所述地形矢量数据端口导入数据包括地形要素、高程和坐标信息；
所述土地利用数据库端口导入数据包括用地类型信息和用地边界线信息；
所述行政边界矢量数据端口导入数据包括城乡聚落边界信息和城乡聚落名称和编号信息。
4.根据权利要求1所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述S2包括以下步骤：
S21、城乡聚落空间指标库构建
根据城乡规划中对城乡聚落空间特征研究和实践需求，确定城乡聚落空间特征基础变量，并构建城乡聚落空间指标库；
S22、城乡聚落空间特征识别
所述城乡聚落空间指标库，通过加载城乡聚落空间特征指标计算模块，识别城乡聚落空间特征，形成城乡聚落空间特征信息库。
5.根据权利要求4所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述基础变量包括建筑面积、建筑朝向、建筑长宽比、建筑间距、建筑高度、建筑密度、建筑功能比例、道路长度、道路宽度、道路密度、道路交叉口、道路数量、道路间距、道路类型比例、用地类型面积、用地类型数量、用地类型密度、用地类型边界、用地类型比例、用地边界和山水最邻近距离。
6.根据权利要求4所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述S3包括以下步骤：
S31、数据检验
所述城乡聚落空间特征信息库，采用KMO检验来比较原始变量间简单相关系数和偏相关系数，并采用Bartlett’s球状检验完成适用性检验；
S32、基于因子分析进行城乡聚落空间关键特征信息提取
采用因子分析对城乡聚落空间特征信息进行降维，得到城乡聚落空间关键特征信息数量为n，作为城乡聚落空间谱系构建依据。
7.根据权利要求6所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述KMO＞0.5且Bartlett's球状检验值p＜0.05，则数据集适合于因子分析；反之，则返回S2重新选择基础变量。
8.根据权利要求1所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述S4包括以下步骤：
S41、城乡聚落空间关键特征信息层级性确定
根据S32识别的n个城乡聚落空间关键特征信息，采用k-means对城乡聚落进行聚类，获得相应的城乡聚落类型为m；将类型m视为因变量，关键特征信息n视为要素，通过Duncan多重比较法分析每个类型mk中每个关键特征信息nk的影响程度
Figure FDA0003270439850000043
首先通过显著性检验判断nk是否对mk有影响，将每个对mk有影响的关键特征信息的影响程度均值
Figure FDA0003270439850000041
大小作为关键特征信息n的层级性确定依据，
Figure FDA0003270439850000042
越大，层级性越高；
S42、城乡聚落空间类型划分
根据S41聚类得到的城乡聚落类型m，提取每个关键特征信息nk影响的类型mk，识别每个类型mk中nk的值域pk，判断p1、p2、.......、pk之间是否存在重叠，若不存在重叠，则将p1、p2、.......、pk作为关键特征信息nk的类型划分依据，若存在重叠，则提取重叠部分的城乡聚落样本，构建基于合并法分类模型对其进行分类，直至无重叠部分，并将重新分类后的值域作为关键特征信息nk的类型划分依据；
S43、城乡聚落空间谱系构建
根据S41和S42中的关键特征信息nk的层级性以及类型划分依据pk，采用mk+pk的命名方式，对城乡聚落类型mk进行命名，构建城乡聚落空间谱系，形成城乡聚落空间谱系信息库。
9.根据权利要求8所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述城乡聚落空间谱系信息库包括城乡聚落空间布局信息、城乡聚落空间特征信息、城乡聚落空间类型信息和城乡聚落所在空间谱系位置信息。
10.根据权利要求8所述的一种基于空间谱系的城乡聚落类型自动识别的方法与系统，其特征在于，所述S5包括以下步骤：
S51、城乡聚落空间谱系信息平台搭建
将城乡聚落空间谱系信息库，嵌入至城乡聚落基本信息平台，形成城乡聚落空间谱系信息平台；
S52、城乡聚落类型自动识别
将目标城乡聚落地理信息数据输入城乡聚落空间谱系信息平台，对城乡聚落类型进行自动识别，通过点击同类型城乡聚落链接，查询同类型城乡聚落空间信息，并且，规划人员通过城乡聚落编码查询目标城乡聚落同类型城乡聚落规划信息数据，对目标城乡聚落实施规划进行参考；
S53、方案结果输出
将城乡聚落空间谱系信息和同类型城乡聚落规划信息的目标城乡聚落平面图，打印为图纸，供规划工作人员进一步设计和优化。
CN202111110313.9A 2021-09-18 2021-09-18 一种基于空间谱系的城乡聚落类型自动识别的方法与系统 Active CN113780459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111110313.9A CN113780459B (zh) 2021-09-18 2021-09-18 一种基于空间谱系的城乡聚落类型自动识别的方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111110313.9A CN113780459B (zh) 2021-09-18 2021-09-18 一种基于空间谱系的城乡聚落类型自动识别的方法与系统

Publications (2)

Publication Number Publication Date
CN113780459A true CN113780459A (zh) 2021-12-10
CN113780459B CN113780459B (zh) 2022-10-28

Family

ID=78852665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111110313.9A Active CN113780459B (zh) 2021-09-18 2021-09-18 一种基于空间谱系的城乡聚落类型自动识别的方法与系统

Country Status (1)

Country Link
CN (1) CN113780459B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399118A (zh) * 2022-01-18 2022-04-26 东南大学 一种城乡聚落体系的数字化识别方法及介质
CN116340788A (zh) * 2022-12-22 2023-06-27 中国科学院空天信息创新研究院 一种聚落聚类方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214358A (zh) * 2010-04-09 2011-10-12 杨存建 基于知识发现的quickbird影像乡村聚落单元信息提取技术
CN112819033A (zh) * 2021-01-12 2021-05-18 华中科技大学 一种乡村聚落分类方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214358A (zh) * 2010-04-09 2011-10-12 杨存建 基于知识发现的quickbird影像乡村聚落单元信息提取技术
CN112819033A (zh) * 2021-01-12 2021-05-18 华中科技大学 一种乡村聚落分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔志华等: "基于GIS的城市洲岛乡村聚落空间演变特征及影响机制分析――以南京市八卦洲为例", 《现代城市研究》 *
蒋雪中等: "云南漾弓江流域城乡聚落形态信息提取与分形分析", 《遥感学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399118A (zh) * 2022-01-18 2022-04-26 东南大学 一种城乡聚落体系的数字化识别方法及介质
CN116340788A (zh) * 2022-12-22 2023-06-27 中国科学院空天信息创新研究院 一种聚落聚类方法及装置

Also Published As

Publication number Publication date
CN113780459B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
US7660441B2 (en) System and method for fusing geospatial data
CN113780459B (zh) 一种基于空间谱系的城乡聚落类型自动识别的方法与系统
Zhang et al. Heuristic sample learning for complex urban scenes: Application to urban functional-zone mapping with VHR images and POI data
CN111598048B (zh) 一种融合高分遥感影像和街景影像的城中村识别方法
CN109684428A (zh) 空间数据建设方法、装置、设备及存储介质
CN113360587B (zh) 一种基于gis技术的土地测绘设备及测绘方法
CN111985389A (zh) 一种基于流域属性距离的流域相似判别方法
CN102521624A (zh) 一种土地利用类型分类的方法和系统
CN111242223B (zh) 一种基于街景影像多特征融合的街道空间品质评价方法
Truax Comparing spectral and object based approaches for classification and transportation feature extraction from high resolution multispectral imagery
CN115563493A (zh) 一种基于聚类算法划分乡村景观生态单元的方法
Aljumaily et al. Voxel change: Big data–based change detection for aerial urban LiDAR of unequal densities
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
CN111325235B (zh) 面向多语种的通用地名语义相似度计算方法及其应用
CN114170441B (zh) 基于地理国情数据和影像分类的路旁树自动提取方法
CN115270904B (zh) 一种义务教育阶段适龄常住人口空间化方法和系统
CN110837920A (zh) 一种基于gis的垃圾填埋场选址方法及选址装置
CN115457386A (zh) 一种村庄用地信息化生成方法
CN114782681A (zh) 一种基于深度学习的暴露垃圾及满溢垃圾检测方法
CN113327032A (zh) 基于陆海统筹的国土空间规划双评价人机交互调整方法
CN111625549A (zh) 一种不动产登记空间数据户落幢快速模糊匹配方法
CN113111691B (zh) 一种基于遥感图片与兴趣点数据的城市用地功能识别方法
Münzinger et al. Mapping the Urban Forest in Detail: From LiDAR Point Clouds to 3D Tree Models
CN108241593B (zh) 一种空间抽样目标定位方法及系统

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