CN114186889A - 一种基于层次分析的城市绿地景观评价方法 - Google Patents
一种基于层次分析的城市绿地景观评价方法 Download PDFInfo
- Publication number
- CN114186889A CN114186889A CN202111549078.5A CN202111549078A CN114186889A CN 114186889 A CN114186889 A CN 114186889A CN 202111549078 A CN202111549078 A CN 202111549078A CN 114186889 A CN114186889 A CN 114186889A
- Authority
- CN
- China
- Prior art keywords
- landscape
- green land
- green
- urban
- land landscape
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 241001464837 Viridiplantae Species 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000008635 plant growth Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000012010 growth Effects 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 8
- 230000018109 developmental process Effects 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于层次分析的城市绿地景观评价方法,包括步骤一、城市绿地景观区域分布图的获取和范围等级划分,步骤二、获取每一等级的代表性绿地景观实景图并基于深度卷积神经网络模型进行语义分割和层次划分,步骤三、获取城市所有绿地景观的实景图和空间结构,步骤四、建立评价模型并对城市绿地景观进行评价,步骤五、城市绿地景观规划的均衡化调整;本发明从城市绿地景观分布范围划分等级,并在同等级内进行内部层次化评价,有效的降低了城市绿地景观的偏向发展,为绿地景观均衡规划发展提供了很好的参考,同时基于语义分割对绿地景观图像进行处理,获得了更加精确的层次评价指标,使得评价更具有说服力。
Description
技术领域
本发明涉及城市绿地景观评价技术领域,尤其涉及一种基于层次分析的城市绿地景观评价方法。
背景技术
城市绿地景观是人工与自然耦合的城市景观之一,是城市景观的重要组成部分,是人类改善城市环境的重要手段,城市绿地景观包括公园绿地、街头绿地、道路绿地、庭院绿地、河湖绿地等,这些绿地保留了城市一定的非市场价值空间,改善着城市环境质量,公园绿地是在自然残存斑块的基础上引进新的人工斑块,并长时间人为干扰而形成的人工景观,道路绿地和河湖绿地属于人类塑造的一种特殊的绿色廊道,绿色廊道交织构成的网络为实现城市生态景观性质的再次转换、城市环境的彻底改变,以及“园林城市”、“生态城市”的逐步实现提供了可能;
目前城市绿地景观大多是围绕居住地和商业圈集中分布,导致城市绿地景观分布集中,且对于绿地景观的评价也都是围绕中心地带进行规划评价,进一步加重绿地景观的偏向发展,影响城市的均衡发展,因此,本发明提出一种基于层次分析的城市绿地景观评价方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种基于层次分析的城市绿地景观评价方法,该基于层次分析的城市绿地景观评价方法从城市绿地景观分布范围划分等级,并在同等级内进行内部层次化评价,有效的降低了城市绿地景观的偏向发展,为绿地景观均衡规划发展提供了很好的参考,同时基于语义分割对绿地景观图像进行处理,获得了更加精确的层次评价指标,使得评价更具有说服力。
为实现本发明的目的,本发明通过以下技术方案实现:一种基于层次分析的城市绿地景观评价方法,包括以下步骤:
步骤一、获取城市绿地景观区域分布图,并按照分布图将绿地景观进行范围和等级划分,获得绿地景观等级分布图;
步骤二、在绿地景观等级分布图的每个等级中选取一个具有代表性的绿地景观获取实景图像并结合空间结构进行语义分割和层次划分,以代表性的绿地景观划分的层次为标准得到绿地景观层次评价指标;
步骤三、获取城市绿地景观分布区域图并采集绿地景观全方位实景图像,同时采集各区域绿地景观的空间结构元素;
步骤四、利用绿地景观层次评价指标建立层次化评价模型,并将城市各区域的绿地景观实景图像和空间结构元素输入至评价模型中得出评价结果;
步骤五、根据不同等级的绿地景观分布特点和绿植生长趋势和环境特点,结合景观生态学的空间分析方法对各个区域的绿地景观未来规划进行系统性评价,并根据评价做出对应均衡化调整。
进一步改进在于:所述步骤一中绿地景观的范围和等级划分是按照城市的道路堤岸走向、居住区的分布、公共设施的分布及绿地景观的面积和密度进行划分,划分后在城市地图上进行标记标注。
进一步改进在于:所述步骤一中城市绿地景观区域分布图是通过无人机组高空扫描获取,所述步骤二和步骤三中的绿地景观实景图像是在无人机组获取绿地景观区域分布图时控制无人机低空拍摄获取。
进一步改进在于:所述步骤二和步骤三中空间结构是基于遥感技术和地理信息系统技术获取的,所述空间结构的指标包括多样性、均匀度、景观优势度、聚集度、分离度、破碎度、绿地廊道密度和分形维度八个指标。
进一步改进在于:所述空间结构的指标计算方法如下
聚集度指标
式中m为绿地景观类型总数,Pi为第i级绿地景观类型所占面积比例,Hmax为给定多样性指标条件下景观最大均匀度,P(i,j)表示同j级元素相邻的i级元素所占的比例,C为复杂性指数,Cmax为C的最大可能值,Fi为绿地景观i级的分离度指标,Ni表示绿地景观等级中第i级绿化区域的个数,Ai为第i级绿地景观类型的总面积,A为城市绿地景观总面积,S为城市总面积,∑Ni为区域中所有景观类型的总个数,L为城市廊道长度。
进一步改进在于:所述步骤二中是基于深度卷积神经网络对获取的实景图像进行语义分割,具体为将采集的绿地景观图像输入深度卷积神经网络模型中进行像素化处理,再由深度卷积神经网络根据像素之间的颜色差别预测判断所属的语义类别,最后将预测出相同类别的像素块区域融合后进行语义分割证实并输出。
进一步改进在于:所述步骤四中层次化评价模型是利用历史绿地景观实景图像评价数据库中的数据进行训练,所述步骤五中均衡化调整包括根据步骤二中划分的标准结合绿植生长趋势对绿地景观规划的区域进行调整,并对绿地景观的生长环境进行限定控制。
本发明的有益效果为:本发明从城市绿地景观分布范围划分等级,并在同等级内进行内部层次化评价,有效的降低了城市绿地景观的偏向发展,为绿地景观均衡规划发展提供了很好的参考,同时基于语义分割对绿地景观图像进行处理,获得了更加精确的层次评价指标,使得评价更具有说服力,适合推广。
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简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一评价流程图。
图2为本发明实施例二评价流程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例一
根据图1所示,本实施例提供了一种基于层次分析的城市绿地景观评价方法,包括以下步骤:
步骤一、通过无人机组高空扫描获取城市绿地景观区域分布图,并按照分布图将绿地景观进行范围和等级划分,获得绿地景观等级分布图;
划分是按照城市的道路堤岸走向、居住区的分布、公共设施的分布及绿地景观的面积和密度进行划分,划分后在城市地图上进行标记标注;
步骤二、在绿地景观等级分布图的每个等级中选取一个具有代表性的绿地景观获取实景图像并结合空间结构进行语义分割和层次划分,以代表性的绿地景观划分的层次为标准得到绿地景观层次评价指标;
其中获取的实景图像的语义分割是基于深度卷积神经网络进行的,具体为将采集的绿地景观图像输入深度卷积神经网络模型中进行像素化处理,再由深度卷积神经网络根据像素之间的颜色差别预测判断所属的语义类别,最后将预测出相同类别的像素块区域融合后进行语义分割证实并输出;
绿地景观实景图像是在无人机组获取绿地景观区域分布图时控制无人机低空拍摄获取,空间结构是基于遥感技术和地理信息系统技术获取的;
步骤三、获取城市绿地景观分布区域图并采集绿地景观全方位实景图像,同时采集各区域绿地景观的空间结构元素;
空间结构元素的指标包括多样性、均匀度、景观优势度、聚集度、分离度、破碎度、绿地廊道密度和分形维度八个指标,计算方法如下
聚集度指标
式中m为绿地景观类型总数,Pi为第i级绿地景观类型所占面积比例,Hmax为给定多样性指标条件下景观最大均匀度,P(i,j)表示同j级元素相邻的i级元素所占的比例,C为复杂性指数,Cmax为C的最大可能值,Fi为绿地景观i级的分离度指标,Ni表示绿地景观等级中第i级绿化区域的个数,Ai为第i级绿地景观类型的总面积,A为城市绿地景观总面积,S为城市总面积,∑Ni为区域中所有景观类型的总个数,L为城市廊道长度;
步骤四、利用绿地景观层次评价指标建立层次化评价模型,利用历史绿地景观实景图像评价数据库中的数据进行训练,并将城市各区域的绿地景观实景图像和空间结构元素输入至评价模型中得出评价结果;
步骤五、根据不同等级的绿地景观分布特点和绿植生长趋势和环境特点,结合景观生态学的空间分析方法对各个区域的绿地景观未来规划进行系统性评价,并根据评价做出对应均衡化调整,具体为根据步骤二中划分的标准结合绿植生长趋势对绿地景观规划的区域进行调整,并对绿地景观的生长环境进行限定控制。
实施例二
根据图2所示,本实施例提供了一种基于层次分析的城市绿地景观评价方法,包括以下步骤:
步骤一、通过无人机组高空扫描获取城市绿地景观区域分布图,并按照分布图将绿地景观进行范围和等级划分,获得绿地景观等级分布图;
划分是按照城市的道路堤岸走向、居住区的分布、公共设施的分布及绿地景观的面积和密度进行划分,划分后在城市地图上进行标记标注;
步骤二、在绿地景观等级分布图的每个等级中选取一个具有代表性的绿地景观获取实景图像并结合空间结构进行语义分割和层次划分,以代表性的绿地景观划分的层次为标准得到绿地景观层次评价指标;
其中获取的实景图像的语义分割是基于多尺度特征提取进行的,具体为利用不同尺度的图像作为输出提取不同尺度图像的特征,在进行特征融合完成图像语义分割。
绿地景观实景图像是在无人机组获取绿地景观区域分布图时控制无人机低空拍摄获取,空间结构是基于遥感技术和地理信息系统技术获取的;
步骤三、获取城市绿地景观分布区域图并采集绿地景观全方位实景图像,同时采集各区域绿地景观的空间结构元素;
空间结构的指标包括多样性、均匀度、景观优势度、聚集度、分离度、破碎度、绿地廊道密度和分形维度八个指标,计算方法如下
聚集度指标
式中m为绿地景观类型总数,Pi为第i级绿地景观类型所占面积比例,Hmax为给定多样性指标条件下景观最大均匀度,P(i,j)表示同j级元素相邻的i级元素所占的比例,C为复杂性指数,Cmax为C的最大可能值,Fi为绿地景观i级的分离度指标,Ni表示绿地景观等级中第i级绿化区域的个数,Ai为第i级绿地景观类型的总面积,A为城市绿地景观总面积,S为城市总面积,∑Ni为区域中所有景观类型的总个数,L为城市廊道长度;
步骤四、利用绿地景观层次评价指标建立层次化评价模型,利用历史绿地景观实景图像评价数据库中的数据进行训练,并将城市各区域的绿地景观实景图像和空间结构元素输入至评价模型中得出评价结果;
步骤五、根据不同等级的绿地景观分布特点和绿植生长趋势和环境特点,结合景观生态学的空间分析方法对各个区域的绿地景观未来规划进行系统性评价,并根据评价做出对应均衡化调整,具体为根据步骤二中划分的标准结合绿植生长趋势对绿地景观规划的区域进行调整,并对绿地景观的生长环境进行限定控制。
以上显示和描述了本发明的基本原理、主要特征和优点。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。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于层次分析的城市绿地景观评价方法,其特征在于,包括以下步骤:
步骤一、获取城市绿地景观区域分布图,并按照分布图将绿地景观进行范围和等级划分,获得绿地景观等级分布图;
步骤二、在绿地景观等级分布图的每个等级中选取一个具有代表性的绿地景观获取实景图像并结合空间结构进行语义分割和层次划分,以代表性的绿地景观划分的层次为标准得到绿地景观层次评价指标;
步骤三、获取城市绿地景观分布区域图并采集绿地景观全方位实景图像,同时采集各区域绿地景观的空间结构元素;
步骤四、利用绿地景观层次评价指标建立层次化评价模型,并将城市各区域的绿地景观实景图像和空间结构元素输入至评价模型中得出评价结果;
步骤五、根据不同等级的绿地景观分布特点和绿植生长趋势和环境特点,结合景观生态学的空间分析方法对各个区域的绿地景观未来规划进行系统性评价,并根据评价做出对应均衡化调整。
2.根据权利要求1所述的一种基于层次分析的城市绿地景观评价方法,其特征在于:所述步骤一中绿地景观的范围和等级划分是按照城市的道路堤岸走向、居住区的分布、公共设施的分布及绿地景观的面积和密度进行划分,划分后在城市地图上进行标记标注。
3.根据权利要求1所述的一种基于层次分析的城市绿地景观评价方法,其特征在于:所述步骤一中城市绿地景观区域分布图是通过无人机组高空扫描获取,所述步骤二和步骤三中的绿地景观实景图像是在无人机组获取绿地景观区域分布图时控制无人机低空拍摄获取。
4.根据权利要求1所述的一种基于层次分析的城市绿地景观评价方法,其特征在于:所述步骤二和步骤三中空间结构是基于遥感技术和地理信息系统技术获取的,所述空间结构的指标包括多样性、均匀度、景观优势度、聚集度、分离度、破碎度、绿地廊道密度和分形维度八个指标。
5.根据权利要求4所述的一种基于层次分析的城市绿地景观评价方法,其特征在于:所述空间结构的指标计算方法如下
聚集度指标
式中m为绿地景观类型总数,Pi为第i级绿地景观类型所占面积比例,Hmax为给定多样性指标条件下景观最大均匀度,P(i,j)表示同j级元素相邻的i级元素所占的比例,C为复杂性指数,Cmax为C的最大可能值,Fi为绿地景观i级的分离度指标,Ni表示绿地景观等级中第i级绿化区域的个数,Ai为第i级绿地景观类型的总面积,A为城市绿地景观总面积,S为城市总面积,∑Ni为区域中所有景观类型的总个数,L为城市廊道长度。
6.根据权利要求1所述的一种基于层次分析的城市绿地景观评价方法,其特征在于:所述步骤二中是基于深度卷积神经网络对获取的实景图像进行语义分割,具体为将采集的绿地景观图像输入深度卷积神经网络模型中进行像素化处理,再由深度卷积神经网络根据像素之间的颜色差别预测判断所属的语义类别,最后将预测出相同类别的像素块区域融合后进行语义分割证实并输出。
7.根据权利要求1所述的一种基于层次分析的城市绿地景观评价方法,其特征在于:所述步骤四中层次化评价模型是利用历史绿地景观实景图像评价数据库中的数据进行训练,所述步骤五中均衡化调整包括根据步骤二中划分的标准结合绿植生长趋势对绿地景观规划的区域进行调整,并对绿地景观的生长环境进行限定控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549078.5A CN114186889A (zh) | 2021-12-17 | 2021-12-17 | 一种基于层次分析的城市绿地景观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549078.5A CN114186889A (zh) | 2021-12-17 | 2021-12-17 | 一种基于层次分析的城市绿地景观评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186889A true CN114186889A (zh) | 2022-03-15 |
Family
ID=80544275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111549078.5A Pending CN114186889A (zh) | 2021-12-17 | 2021-12-17 | 一种基于层次分析的城市绿地景观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186889A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881461A (zh) * | 2022-05-06 | 2022-08-09 | 合肥市紫蓬园林工程有限公司 | 一种园林绿化管理方法和绿化管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10198269A (ja) * | 1997-01-07 | 1998-07-31 | Fujita Corp | 環境評価システム |
CN102521511A (zh) * | 2011-12-14 | 2012-06-27 | 中国科学院科技政策与管理科学研究所 | 城镇绿地生态综合评估信息系统 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
CN113505494A (zh) * | 2021-07-29 | 2021-10-15 | 上海海洋大学 | 蓝绿融合的空间模型及指标评价方法 |
-
2021
- 2021-12-17 CN CN202111549078.5A patent/CN114186889A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10198269A (ja) * | 1997-01-07 | 1998-07-31 | Fujita Corp | 環境評価システム |
CN102521511A (zh) * | 2011-12-14 | 2012-06-27 | 中国科学院科技政策与管理科学研究所 | 城镇绿地生态综合评估信息系统 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
CN113505494A (zh) * | 2021-07-29 | 2021-10-15 | 上海海洋大学 | 蓝绿融合的空间模型及指标评价方法 |
Non-Patent Citations (1)
Title |
---|
余雪琴: "基于景观格局和AHP的上海市区绿道规划", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, 15 December 2009 (2009-12-15), pages 4 - 44 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881461A (zh) * | 2022-05-06 | 2022-08-09 | 合肥市紫蓬园林工程有限公司 | 一种园林绿化管理方法和绿化管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN111598101B (zh) | 基于遥感影像场景分割的城区智能提取方法、系统及设备 | |
Yang et al. | Using a time series of satellite imagery to detect land use and land cover changes in the Atlanta, Georgia metropolitan area | |
Trinder et al. | Assessing environmental impacts of urban growth using remote sensing | |
CN108710875A (zh) | 一种基于深度学习的航拍公路车辆计数方法及装置 | |
CN109635748B (zh) | 高分辨率影像中道路特征的提取方法 | |
CN108846334A (zh) | 一种云类别自动识别方法及系统 | |
CN109657602A (zh) | 基于街景数据和迁移学习的自动城市功能分区方法及系统 | |
CN111339947A (zh) | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 | |
CN107491758A (zh) | 长江流域水体信息提取及其空间编码方法 | |
Meinel et al. | The potential use of very high resolution satellite data for urban areas—First experiences with IKONOS data, their classification and application in urban planning and environmental monitoring | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN113486136B (zh) | 一种地理实体服务按需组装的方法及系统 | |
CN113158807B (zh) | 一种遥感影像的模型自训练和优化系统 | |
CN108564588A (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
CN113343858B (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
Xu et al. | Multi-structure joint decision-making approach for land use classification of high-resolution remote sensing images based on CNNs | |
CN111599007B (zh) | 一种基于无人机航拍的智慧城市cim道路贴图方法 | |
CN114187532B (zh) | 一种遥感影像时空样本生成与智能迭代分类方法及系统 | |
Swetanisha et al. | Land use/land cover classification using machine learning models. | |
CN114186889A (zh) | 一种基于层次分析的城市绿地景观评价方法 | |
Jiang et al. | AGD-Linknet: a road semantic segmentation model for high resolution remote sensing images integrating attention mechanism, gated decoding block and dilated convolution | |
CN116561845A (zh) | 数字技术赋能的城市屋顶绿化多情景模拟方法及系统 | |
CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
CN113392704B (zh) | 一种山地道路边线位置检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220315 |
|
RJ01 | Rejection of invention patent application after publication |