CN114707785A - 基于深度学习的农村居民点多尺度空间特征分析方法 - Google Patents
基于深度学习的农村居民点多尺度空间特征分析方法 Download PDFInfo
- Publication number
- CN114707785A CN114707785A CN202111462957.4A CN202111462957A CN114707785A CN 114707785 A CN114707785 A CN 114707785A CN 202111462957 A CN202111462957 A CN 202111462957A CN 114707785 A CN114707785 A CN 114707785A
- Authority
- CN
- China
- Prior art keywords
- area
- residential
- research
- rural
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000011160 research Methods 0.000 claims abstract description 106
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000002093 peripheral effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 230000018109 developmental process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 235000006694 eating habits Nutrition 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012876 topography Methods 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
- G06F18/21—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
- 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
- G06N3/08—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的农村居民点多尺度空间特征分析方法,包括以下步骤:S1、选取研究区,在合适的地理位置处选取研究区,以研究区为整体单位,以研究区下辖的乡、镇、街道为研究片区,进行研究区的选取之前,进行大数据的采集,以相应地理位置、地理环境、周边影响作为选择依据,预选出多个研究预选区,然后综合各项数据进行分析对比,在研究预选区中选择最终研究区。本发明有益效果是:采用该种方法进行农村居民点的多尺度空间特征分析与评价,可以快速获得不同尺度农村居民点的空间特征,充分揭示不同区域的分化特征,并且能够保障分析、评价结果的客观性和真实性,可以得出最符合结论的规律。
Description
技术领域
本发明涉及多尺度空间特征分析技术领域,特别涉及基于深度学习的农村居民点多尺度空间特征分析方法。
背景技术
农村居民点的规模、布局及形态可以体现不同地区、不同阶段的人地关系。从多尺度的空间视角分析农村居民点空间特征对制定差别化政策具有重要意义,也是乡村地理学的重要发展方向。为了更好地进行深度学习,通常需要对农村居民点进行多尺度空间进行数据采集和分析,当前对农村居民点的研究主要集中在农村居民点用地结构、布局、演变及驱动力、类型划分等方面,而在空间分析方面主要集中在大规模的农村居民点空间划分,缺乏对不同尺度下空间形态机制特征的比较研究。从数据角度,当前研究主要依据测绘、调研成果数据展开,数据获取难度大、时效性不强,并且传统的方法进行数据分析检测时,最终分析、评价结果差异较大,使用存在一定的局限性,为此提出基于深度学习的农村居民点多尺度空间特征分析方法。
发明内容
本发明的主要目的在于提供基于深度学习的农村居民点多尺度空间特征分析方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
基于深度学习的农村居民点多尺度空间特征分析方法,包括以下步骤:
S1、选取研究区,在合适的地理位置处选取研究区,以研究区为整体单位,以研究区下辖的乡、镇、街道为研究片区,进行研究区的选取之前,进行大数据的采集,以相应地理位置、地理环境、周边影响作为选择依据,预选出多个研究预选区,然后综合各项数据进行分析对比,在研究预选区中选择最终研究区;
S2、数据收集,当步骤S1完成之后,选取覆盖研究区0.5m空间分辨率的影像数据,对原始遥感影像进行预处理,形成研究区遥感数据,进行预处理过程中,根据遥感影像的特点进行识别处理,同时对处理后的影像进行总结分类,以保证后续研究时的可靠性以及准确度,收集研究片区行政区划数据,满足农村居民区不同尺度空间特征分析,收集总体规划数据库中城市开发便捷控制线数据,用于区分乡村及城镇居民点,收集人口、农户数、数字高程等数据,用于辅助分析;
S3、实验影像数据的采集,在步骤S2完成后,以城市开发边界控制线数据为掩膜,对研究区0.5m空间分辨率的遥感影像进行提取,保留传统乡村分布区影像,作为研究区实验影像数据;
S4、训练集制作,自行标注一定规模的遥感图像数据集作为训练集和测试集,具体类别为农村居民点和非居民,采用的是滑动窗口方式选取样本;
S5、数据增强,在步骤S4完成之后,对获取的训练集图片进行了旋转,镜像及光照调整等数据增强处理;
S6、构建神经网络模型,利用多层非线性结构,从低到高逐层提取数据特征,建立的学习模型是基于神经网络的遥感语义分割模型;
S7、模型训练,模型训练中采用了批处理的方式,将训练集中所有图片每8张作为一个批次输入进行训练,将训练数据集输入到搭建好的神经网络模型中,训练出针对农村居民区的提取模型,将研究区实验影像数据输入提取模型,进行模型预测,形成农村居民区的数据;
S8、识别精度评价,使用混淆矩阵作为结果评价方式,对识别精度进行评价计算;
S9、农村居民点空间特征评价,在步骤S8完成之后,分别对研究区进行全域尺度、区块尺度和地块尺度进行计算;
S10、实验结果与分析,在步骤S9完成之后,对农村居民区进行识别,通过对训练集反复迭代、训练,得到农村宅基地的深度学习模型,对研究区全域进行模型预测,可识别出研究区宅基地图斑数据,以测试图斑为农村居民区识别精度评价数据基础,通过计算准确率、召回率及FlScore三项指标作为评价依据,计算出全域尺度、区块尺度和地块尺度;
S11、得出结论,在步骤S10完成之后,探索将深度学习应用到农村居民区研究中,并进一步从全域、区块、地块三个尺度,“规模特征、集聚程度、空间形态”三个维度分析农村居民区的空间分布特征,通过三个尺度数据和三个维度分析出来的农村居民区的空间分布特征得出最终结论。
优选的,所述步骤S1中,在进行研究片区的划分时,根据不同的饮食习惯、说话口音进行划分,保证研究结果的统一性和合理性,所述步骤S3中,选择合适的研究区,对研究区的地理位置、地势走向、季候变化以及温湿度进行初步调查。
优选的,所述步骤S3中,对研究区进行遥感影像提取时,在保留传统乡村分布区影像的同时,保留部分新型城乡结合分布区的影响,保留的新型成型分布区作为研究区对比数据,所述步骤S7中,训练时使用了已有的房屋识别模型作为基础模型进行训练,训练时设定了遍历训练集10轮。
优选的,所述步骤S8中,进行精度识别评价时,根据每个像素的预测结果与真实值情况可分为四种情况:真阳性TP(True Positive),假阳性FP (False Positive),真阴性TN(TrueNegative),假阴性FN(False Negative),混淆矩阵即为该四种情况的矩阵表达方式:准确率可根据公式定义为:召回率可根据公式定义为:进而可根据准确率及召回率进行加权平衡计算出FlScore,公式定义为:
优选的,所述步骤S9中,全域即研究区范围,选取居民区总面积、居民区面积占全域面积比例、户均宅基地面积、人均宅基地面积四项指标,居民点占全域面积比例计算公式如下:C=Az/AQ×100%,式中,Az代表居民点面积,AQ代表长兴县行政区划面积,居民区范围内用地包括宅基地、绿化植被用地、道路用地等,户均宅基地面积计算公式如下:HZ=Az*0.21/HS,式中,HZ代表户均宅基地面积,Az代表居民点面积,HS代表研究区农户数,人均宅基地面积计算公式如下:RZ=Az*0.21/RS,式中,RZ代表人均宅基地面积,Az代表居民区面积,RS代表研究区乡村人口数。
优选的,所述步骤S9中,区块是通过空间分析方法,将研究区全域划分为具有一定特征的几个区块,并对不同区块进行对比分析,区块尺度包括核密度分析和热点分析。
优选的,所述核密度分析用于计算每个空间位置周围要素的密度,包括点密度分析和线密度分析,采用点密度分析方法,以宅基地中心点数据为输入计算整个区域居民点分布状况,核密度估值越大则居民点空间分布越集中,公式如下:式中,f(x,y)为位于(x,y)处核密度估计值, n为居民点总数量,h为带宽,K()为核函数,di为第i居民区中心点距离(x,y) 处的距离。
优选的,所述热点分析中,过对居民区图斑数据热点分析,将研究区分为大面积居民区集聚区、小面积居民区集聚区和一般区域,以此作为区块划分依据并进行分析,热点分析采用空间自相关分析模型,具体模型如下:式中,G(d)为空间集聚型检验系数, wij(d)为依据空间距离定义的空间权重,xi和xj分别为区域i和j的观测值,即宅基地面积,式中,Z(G)为G(d)的归一化计算,E(G)为G(d)的期望值,var(G)为G(d)的方差,G(d)和Z(G)两个值结合判断空间相关性,当G(d)值为正,Z(G)得分高且为正时存在高值聚类,当G(d) 值为负,Z(G)得分高且为负时存在低值聚类。
优选的,所述地块尺度中,地块是指农村居民区图斑,从地块尺度分析宅基地的空间形态,包括农村居民区图斑面积、形状指数,形状指数计算公式:式中,LSI代表居民区形状指数,D代表图斑周长, A代表图斑面积。LSI反映图斑与正方形接近程度,数值越接近1代表该图斑越规整。
与现有技术相比,本发明具有如下有益效果:采用该种方法进行农村居民点的多尺度空间特征分析与评价,可以快速获得不同尺度农村居民点的空间特征,充分揭示不同区域的分化特征,并且能够保障分析、评价结果的客观性和真实性,可以得出最符合结论的规律。
附图说明
图1为本发明基于深度学习的农村居民点多尺度空间特征分析方法的流程示意图
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例1
基于深度学习的农村居民点多尺度空间特征分析方法,包括以下步骤:
S1、选取研究区,在合适的地理位置处选取研究区,以研究区为整体单位,以研究区下辖的乡、镇、街道为研究片区,进行研究区的选取之前,进行大数据的采集,以相应地理位置、地理环境、周边影响作为选择依据,预选出多个研究预选区,然后综合各项数据进行分析对比,在研究预选区中选择最终研究区;
S2、数据收集,当步骤S1完成之后,选取覆盖研究区0.5m空间分辨率的影像数据,对原始遥感影像进行预处理,形成研究区遥感数据,进行预处理过程中,根据遥感影像的特点进行识别处理,同时对处理后的影像进行总结分类,以保证后续研究时的可靠性以及准确度,收集研究片区行政区划数据,满足农村居民区不同尺度空间特征分析,收集总体规划数据库中城市开发便捷控制线数据,用于区分乡村及城镇居民点,收集人口、农户数、数字高程等数据,用于辅助分析;
S3、实验影像数据的采集,在步骤S2完成后,以城市开发边界控制线数据为掩膜,对研究区0.5m空间分辨率的遥感影像进行提取,保留传统乡村分布区影像,作为研究区实验影像数据;
S4、训练集制作,自行标注一定规模的遥感图像数据集作为训练集和测试集,具体类别为农村居民点和非居民,采用的是滑动窗口方式选取样本;
S5、数据增强,在步骤S4完成之后,对获取的训练集图片进行了旋转,镜像及光照调整等数据增强处理;
S6、构建神经网络模型,利用多层非线性结构,从低到高逐层提取数据特征,建立的学习模型是基于神经网络的遥感语义分割模型;
S7、模型训练,模型训练中采用了批处理的方式,将训练集中所有图片每8张作为一个批次输入进行训练,将训练数据集输入到搭建好的神经网络模型中,训练出针对农村居民区的提取模型,将研究区实验影像数据输入提取模型,进行模型预测,形成农村居民区的数据;
S8、识别精度评价,使用混淆矩阵作为结果评价方式,对识别精度进行评价计算;
S9、农村居民点空间特征评价,在步骤S8完成之后,分别对研究区进行全域尺度、区块尺度和地块尺度进行计算;
S10、实验结果与分析,在步骤S9完成之后,对农村居民区进行识别,通过对训练集反复迭代、训练,得到农村宅基地的深度学习模型,对研究区全域进行模型预测,可识别出研究区宅基地图斑数据,以测试图斑为农村居民区识别精度评价数据基础,通过计算准确率、召回率及FlScore三项指标作为评价依据,计算出全域尺度、区块尺度和地块尺度;
S11、得出结论,在步骤S10完成之后,探索将深度学习应用到农村居民区研究中,并进一步从全域、区块、地块三个尺度,“规模特征、集聚程度、空间形态”三个维度分析农村居民区的空间分布特征,通过三个尺度数据和三个维度分析出来的农村居民区的空间分布特征得出最终结论。
其中,所述步骤S1中,在进行研究片区的划分时,根据不同的饮食习惯、说话口音进行划分,保证研究结果的统一性和合理性,步骤S3中,选择合适的研究区,对研究区的地理位置、地势走向、季候变化以及温湿度进行初步调查,步骤S3中,对研究区进行遥感影像提取时,在保留传统乡村分布区影像的同时,保留部分新型城乡结合分布区的影响,保留的新型成型分布区作为研究区对比数据,步骤S7中,训练时使用了已有的房屋识别模型作为基础模型进行训练,训练时设定了遍历训练集10轮。
其中,步骤S8中,进行精度识别评价时,根据每个像素的预测结果与真实值情况可分为四种情况:真阳性TP(True Positive),假阳性FP(False Positive),真阴性TN(TrueNegative),假阴性FN(False Negative),混淆矩阵即为该四种情况的矩阵表达方式:准确率可根据公式定义为:召回率可根据公式定义为:进而可根据准确率及召回率进行加权平衡计算出FlScore,公式定义为:
其中,步骤S9中,全域即研究区范围,选取居民区总面积、居民区面积占全域面积比例、户均宅基地面积、人均宅基地面积四项指标,居民点占全域面积比例计算公式如下:C=Az/AQ×100%,式中,Az代表居民点面积, AQ代表长兴县行政区划面积,居民区范围内用地包括宅基地、绿化植被用地、道路用地等,户均宅基地面积计算公式如下:HZ=Az*0.21/HS,式中,HZ 代表户均宅基地面积,Az代表居民点面积,HS代表研究区农户数,人均宅基地面积计算公式如下:RZ=Az*0.21/RS,式中,RZ代表人均宅基地面积, Az代表居民区面积,RS代表研究区乡村人口数。
其中,步骤S9中,区块是通过空间分析方法,将研究区全域划分为具有一定特征的几个区块,并对不同区块进行对比分析,区块尺度包括核密度分析和热点分析,核密度分析用于计算每个空间位置周围要素的密度,包括点密度分析和线密度分析,采用点密度分析方法,以宅基地中心点数据为输入计算整个区域居民点分布状况,核密度估值越大则居民点空间分布越集中,公式如下:式中,f(x,y)为位于(x,y)处核密度估计值, n为居民点总数量,h为带宽,K()为核函数,di为第i居民区中心点距离(x,y)处的距离,热点分析中,过对居民区图斑数据热点分析,将研究区分为大面积居民区集聚区、小面积居民区集聚区和一般区域,以此作为区块划分依据并进行分析,热点分析采用空间自相关分析模型,具体模型如下: 式中,G(d)为空间集聚型检验系数,wij(d) 为依据空间距离定义的空间权重,xi和xj分别为区域i和j的观测值,即宅基地面积,式中,Z(G)为G(d)的归一化计算,E(G) 为G(d)的期望值,var(G)为G(d)的方差,G(d)和Z(G)两个值结合判断空间相关性,当G(d)值为正,Z(G)得分高且为正时存在高值聚类,当G(d)值为负, Z(G)得分高且为负时存在低值聚类,地块尺度中,地块是指农村居民区图斑,从地块尺度分析宅基地的空间形态,包括农村居民区图斑面积、形状指数,形状指数计算公式:式中,LSI代表居民区形状指数,D 代表图斑周长,A代表图斑面积。LSI反映图斑与正方形接近程度,数值越接近1代表该图斑越规整。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.基于深度学习的农村居民点多尺度空间特征分析方法,其特征在于,包括以下步骤:
S1、选取研究区,在合适的地理位置处选取研究区,以研究区为整体单位,以研究区下辖的乡、镇、街道为研究片区,进行研究区的选取之前,进行大数据的采集,以相应地理位置、地理环境、周边影响作为选择依据,预选出多个研究预选区,然后综合各项数据进行分析对比,在研究预选区中选择最终研究区;
S2、数据收集,当步骤S1完成之后,选取覆盖研究区0.5m空间分辨率的影像数据,对原始遥感影像进行预处理,形成研究区遥感数据,进行预处理过程中,根据遥感影像的特点进行识别处理,同时对处理后的影像进行总结分类,以保证后续研究时的可靠性以及准确度,收集研究片区行政区划数据,满足农村居民区不同尺度空间特征分析,收集总体规划数据库中城市开发便捷控制线数据,用于区分乡村及城镇居民点,收集人口、农户数、数字高程等数据,用于辅助分析;
S3、实验影像数据的采集,在步骤S2完成后,以城市开发边界控制线数据为掩膜,对研究区0.5m空间分辨率的遥感影像进行提取,保留传统乡村分布区影像,作为研究区实验影像数据;
S4、训练集制作,自行标注一定规模的遥感图像数据集作为训练集和测试集,具体类别为农村居民点和非居民,采用的是滑动窗口方式选取样本;
S5、数据增强,在步骤S4完成之后,对获取的训练集图片进行了旋转,镜像及光照调整等数据增强处理;
S6、构建神经网络模型,利用多层非线性结构,从低到高逐层提取数据特征,建立的学习模型是基于神经网络的遥感语义分割模型;
S7、模型训练,模型训练中采用了批处理的方式,将训练集中所有图片每8张作为一个批次输入进行训练,将训练数据集输入到搭建好的神经网络模型中,训练出针对农村居民区的提取模型,将研究区实验影像数据输入提取模型,进行模型预测,形成农村居民区的数据;
S8、识别精度评价,使用混淆矩阵作为结果评价方式,对识别精度进行评价计算;
S9、农村居民点空间特征评价,在步骤S8完成之后,分别对研究区进行全域尺度、区块尺度和地块尺度进行计算;
S10、实验结果与分析,在步骤S9完成之后,对农村居民区进行识别,通过对训练集反复迭代、训练,得到农村宅基地的深度学习模型,对研究区全域进行模型预测,可识别出研究区宅基地图斑数据,以测试图斑为农村居民区识别精度评价数据基础,通过计算准确率、召回率及FlScore三项指标作为评价依据,计算出全域尺度、区块尺度和地块尺度;
S11、得出结论,在步骤S10完成之后,探索将深度学习应用到农村居民区研究中,并进一步从全域、区块、地块三个尺度,“规模特征、集聚程度、空间形态”三个维度分析农村居民区的空间分布特征,通过三个尺度数据和三个维度分析出来的农村居民区的空间分布特征得出最终结论。
2.根据权利要求1所述的基于深度学习的农村居民点多尺度空间特征分析方法,其特征在于:所述步骤S1中,在进行研究片区的划分时,根据不同的饮食习惯、说话口音进行划分,保证研究结果的统一性和合理性,所述步骤S3中,选择合适的研究区,对研究区的地理位置、地势走向、季候变化以及温湿度进行初步调查。
3.根据权利要求1所述的基于深度学习的农村居民点多尺度空间特征分析方法,其特征在于:所述步骤S3中,对研究区进行遥感影像提取时,在保留传统乡村分布区影像的同时,保留部分新型城乡结合分布区的影响,保留的新型成型分布区作为研究区对比数据,所述步骤S7中,训练时使用了已有的房屋识别模型作为基础模型进行训练,训练时设定了遍历训练集10轮。
5.根据权利要求1所述的基于深度学习的农村居民点多尺度空间特征分析方法,其特征在于:所述步骤S9中,全域即研究区范围,选取居民区总面积、居民区面积占全域面积比例、户均宅基地面积、人均宅基地面积四项指标,居民点占全域面积比例计算公式如下:C=Az/AQ×100%,式中,Az代表居民点面积,AQ代表长兴县行政区划面积,居民区范围内用地包括宅基地、绿化植被用地、道路用地等,户均宅基地面积计算公式如下:HZ=Az*0.21/HS,式中,HZ代表户均宅基地面积,Az代表居民点面积,HS代表研究区农户数,人均宅基地面积计算公式如下:RZ=Az*0.21/RS,式中,RZ代表人均宅基地面积,Az代表居民区面积,RS代表研究区乡村人口数。
6.根据权利要求1所述的基于深度学习的农村居民点多尺度空间特征分析方法,其特征在于:所述步骤S9中,区块是通过空间分析方法,将研究区全域划分为具有一定特征的几个区块,并对不同区块进行对比分析,区块尺度包括核密度分析和热点分析。
8.根据权利要求6所述的基于深度学习的农村居民点多尺度空间特征分析方法,其特征在于:所述热点分析中,过对居民区图斑数据热点分析,将研究区分为大面积居民区集聚区、小面积居民区集聚区和一般区域,以此作为区块划分依据并进行分析,热点分析采用空间自相关分析模型,具体模型如下:式中,G(d)为空间集聚型检验系数,wij(d)为依据空间距离定义的空间权重,xi和xj分别为区域i和j的观测值,即宅基地面积,式中,Z(G)为G(d)的归一化计算,E(G)为G(d)的期望值,var(G)为G(d)的方差,G(d)和Z(G)两个值结合判断空间相关性,当G(d)值为正,Z(G)得分高且为正时存在高值聚类,当G(d)值为负,Z(G)得分高且为负时存在低值聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111462957.4A CN114707785A (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的农村居民点多尺度空间特征分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111462957.4A CN114707785A (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的农村居民点多尺度空间特征分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707785A true CN114707785A (zh) | 2022-07-05 |
Family
ID=82167727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111462957.4A Pending CN114707785A (zh) | 2021-12-03 | 2021-12-03 | 基于深度学习的农村居民点多尺度空间特征分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707785A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563073A (zh) * | 2023-04-10 | 2023-08-08 | 四川师范大学 | 自适宜农村居民点布局方法 |
CN118228936A (zh) * | 2024-05-23 | 2024-06-21 | 北京建筑大学 | 一种城市健康社区空间智能评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN111950823A (zh) * | 2019-05-15 | 2020-11-17 | 河南理工大学 | 基于空间适宜性和内在特征的农村居民点调控分级方法 |
CN112580453A (zh) * | 2020-12-08 | 2021-03-30 | 成都数之联科技有限公司 | 一种基于遥感影像和深度学习的土地利用分类方法及系统 |
CN112733237A (zh) * | 2021-01-11 | 2021-04-30 | 四川师范大学 | 一种基于乡村聚落空间形态模型的构建方法 |
-
2021
- 2021-12-03 CN CN202111462957.4A patent/CN114707785A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
CN111950823A (zh) * | 2019-05-15 | 2020-11-17 | 河南理工大学 | 基于空间适宜性和内在特征的农村居民点调控分级方法 |
CN112580453A (zh) * | 2020-12-08 | 2021-03-30 | 成都数之联科技有限公司 | 一种基于遥感影像和深度学习的土地利用分类方法及系统 |
CN112733237A (zh) * | 2021-01-11 | 2021-04-30 | 四川师范大学 | 一种基于乡村聚落空间形态模型的构建方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563073A (zh) * | 2023-04-10 | 2023-08-08 | 四川师范大学 | 自适宜农村居民点布局方法 |
CN116563073B (zh) * | 2023-04-10 | 2024-04-26 | 四川师范大学 | 自适宜农村居民点布局方法 |
CN118228936A (zh) * | 2024-05-23 | 2024-06-21 | 北京建筑大学 | 一种城市健康社区空间智能评估方法及系统 |
CN118228936B (zh) * | 2024-05-23 | 2024-08-16 | 北京建筑大学 | 一种城市健康社区空间智能评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949413B (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
CN109409261B (zh) | 一种农作物分类方法及系统 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN114707785A (zh) | 基于深度学习的农村居民点多尺度空间特征分析方法 | |
CN101789005A (zh) | 一种基于感兴趣区域的图像检索方法 | |
CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN109145885B (zh) | 一种大尺度农作物遥感分类方法及系统 | |
CN114331031B (zh) | 一种建筑传统特征识别评价方法和系统 | |
CN113887517B (zh) | 基于并行注意力机制的农作物遥感图像语义分割方法 | |
CN112561401A (zh) | 一种基于多源大数据的城市活力测度与表征方法及系统 | |
CN106951828A (zh) | 一种基于卫星影像和网络的城市区域功能属性的识别方法 | |
CN111984701A (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
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 | |
CN117746221A (zh) | 一种基于街景图像的城市街道空间更新成效评估方法 | |
CN115205528A (zh) | 一种用于面向地理对象影像分析的特征选择方法 | |
CN108764527A (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
CN107608938A (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN117910698A (zh) | 基于全景语义分割和自适应模型的生态出行指数估算方法 | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN116415499B (zh) | 一种社区舒适感模拟预测方法 | |
CN112597907A (zh) | 基于深度学习的柑橘红蜘蛛虫害的识别方法 | |
CN117391487A (zh) | 基于机器学习对社区运营匹配性评估诊断和规划的方法 | |
CN111401683A (zh) | 古村落传统性的测算方法及装置 |
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 |