CN114943897B - 基于超像素分割的城镇开发边界划定方法 - Google Patents
基于超像素分割的城镇开发边界划定方法 Download PDFInfo
- Publication number
- CN114943897B CN114943897B CN202210611113.XA CN202210611113A CN114943897B CN 114943897 B CN114943897 B CN 114943897B CN 202210611113 A CN202210611113 A CN 202210611113A CN 114943897 B CN114943897 B CN 114943897B
- Authority
- CN
- China
- Prior art keywords
- boundary
- town
- expansion
- super
- constraint
- 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
- 238000011161 development Methods 0.000 title claims abstract description 49
- 230000018109 developmental process Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于超像素分割的城镇开发边界划定方法,属于信息自动化技术领域。该方法执行如下步骤:步骤1)数据准备;步骤2)对步骤1)得到结果进行SLIC超像素分割;步骤3)将所述超像素分为显著超像素和非显著超像素,并确定扩展边界与约束边界;步骤4)边界协调与优化,划定城镇开发边界。本发明根据计算的城镇扩展潜力评价和阻隔约束评价,分割提取扩展边界和约束边界,耦合形成最终的城镇开发边界,避免了划分工作对用地规模预测的依赖。根据协调和优化调整规则,经过协调耦合,最终划定城镇开发边界。该方法适应性强,使用本方法可以精确且快速的划定城镇开发边界,满足实际生产的需要,相比传统的城镇开发边界划定方法更实用性。
Description
技术领域
本发明涉及基于超像素分割的城镇开发边界划定方法,属于信息自动化技术领域。
背景技术
城镇作为人类生产生活的重要场所,是非农经济社会要素高度密集的综合体。然而随着城镇化进程快速推进,城镇建设用地规模急剧膨胀的弊端日益显现。“摊大饼”式的扩展带来了耕地资源被侵占、生态空间流失等问题,同时城镇规划的不合理和城镇边界的不明确,也带来了建设用地资源浪费等问题,严重影响城镇空间管理工作的有效展开。城镇开发边界作为一种控制城镇扩展蔓延的技术手段和政策工具,如何科学划定城镇开发边界、优化国土空间开发结构已成为中国新型城镇化建设中的重要内容之一。
在城镇开发边界划定研究方面,国内外各地的实践丰富了划定城镇开发边界的理论和方法,目前的城镇开发边界划定方法主要分为三种类型:增长模拟法、生态约束法和综合模型法。2015年,Sakieh等在“Journal of Housing&the Built Environment”上发表“Simulating Urban Expansion and Scenario Prediction Using A Cellular AutomataUrban Growth Model,SLEUTH,through A Case Study of Karaj City,Iran”,利用SLEUTH模型从紧凑和粗放两种情景预测城镇建设用地扩展情况,将二者结合划定城镇开发边界。2012年,王玉国等在“城市发展研究”上发表“基于土地生态适宜性评价的城市空间增长边界划定——以深汕特别合作区为例”,采用生态适宜性评价的方法,对土地的生态适宜性程度进行分级评析,进而确定城镇刚性增长边界和弹性增长边界。2016年,Jiang等在“Annalsof the American Association of Geographers”上发表“Using Urban DevelopmentBoundaries to Constrain Uncontrolled Urban Sprawl in China”,模拟研究区城镇建设用地扩展情况,考虑土地承载力评价结果和土地利用总体规划中划定的管制区范围,勾画出研究区的城镇开发边界。
然而现有的城镇开发边界划定方法,较多的是基于目标年城镇建设用地规模预测和城镇扩展模拟结果进行划定,划定的结果过于依赖对未来城镇用地规模的预测和模拟的精度,这种依赖极大的影响了城镇开发边界划定的结果。并且模拟形成的城镇建设用地需要通过外围勾勒形成城镇开发边界,不能自动提取生成结果。
发明内容
本发明要解决的技术问题是:如图实现减少对城镇规模预测的依赖性、实现城镇开发边界的自动提取的城镇开发边界划定方法。
为了解决上述技术问题,本发明提出的技术方案是:基于超像素分割的城镇开发边界划定方法,执行如下步骤:
步骤1)、数据准备;量化城镇扩展驱动因子和城镇扩展约束因子分别用于进行城镇扩展潜力评价和城镇扩展阻隔约束评价;
步骤2)、对步骤1)得到评价结果的数字图像进行SLIC超像素分割,并设定分割的超像素个数以及紧凑度;
步骤3)、以步骤1)评价结果的统计分布图的分布特征规律选择阈值,将所述超像素分为显著超像素和非显著超像素,并以城镇扩展潜力评价和城镇扩展阻隔约束评价所对应的显著超像素所形成的区域分别确定扩展边界与约束边界;
步骤4)、边界协调与优化;先按照协调规则进行协调,再以城镇空间分布、政策规定划定的生态资源保护区和禁止建设区分布对协调后的边界进行优化,并划定城镇开发边界;
所述协调规则,扩展边界在内,约束边界在外,取扩展边界;扩展边界在外,约束边界在内,取约束边界;扩展边界与约束边界重合,取扩展边界。
上述技术方案的改进是:步骤2)中的SLIC超像素分割以分割精度和破碎度为参考,择优选择所述超像素个数;所述紧凑度以分割得到近似均质量的超像素为参考进行选择。
上述技术方案的改进是:步骤3)以所述城镇的实际发展需求和资源保护需求,设定M±K×σ为显著超像素的阈值,其中M为众数,σ为标准差,K为所述城镇发展情景的参数;城镇扩展潜力评价值大于M+K×σ的超像素所形成的区域的边界为扩展边界,城镇扩展阻隔约束评价值小于M-K×σ的超像素所形成的区域的边界为约束边界。
上述技术方案的改进是:步骤4)遵循优化规则一,统计每个超像素区域的现状城镇建设用地占比,当占比大于等于50%时,将该超像素定义为建设主导型超像素,如果建设主导型超像素处于协调后城镇边界内或边界边缘,则纳入城镇开发边界;
步骤4)遵循优化规则二,优先度低于优化规则一,将协调后边界与重要生态资源保护区和禁止建设区进行叠加分析,则占用生态资源保护区或禁止建设区的超像素为保护主导型超像素,比对所述城镇最新遥感影像,
若不存在集中连片现状城镇建设用地,则去除当前超像素,更新城镇开发边界;
若存在集中连片现状城镇建设用地的,则将属于现状城镇建设用地的超像素纳入城镇开发边界,其他去除。
本发明的有益效果是:本发明根据计算的城镇扩展潜力评价和阻隔约束评价,分割提取扩展边界和约束边界,耦合形成最终的城镇开发边界,避免了划分工作对用地规模预测的依赖。本发明根据协调和优化调整规则,扩展边界和约束边界经过协调耦合,最终划定城镇开发边界。本发明方法适应性强,经实践证明,使用本发明方法可以精确且快速的划定城镇开发边界,能够满足实际生产的需要,相比传统的城镇开发边界划定方法具有更强实用性。
附图说明
图1是本发明实施例的基于超像素分割的城镇开发边界划定方法实施例流程图。
图2是本发明实施例的协调与优化的流程示意图。
具体实施方式
实施例
本实施例的基于超像素分割的城镇开发边界划定方法,如图1所示,执行如下步骤:
步骤1)、数据准备;量化城镇扩展驱动因子和城镇扩展约束因子分别用于进行城镇扩展潜力评价和城镇扩展阻隔约束评价;
本实施例以长沙市行政区划、区级行政中心、交通路网数据;影像数据:NPP-VIIRS夜间灯光数据和数字高程模型;互联网大数据:长沙市范围内公交站点、地铁站点、医疗机构、教育机构和商业服务点的POI数据;规划和经济社会数据:长沙市土地利用总体规划、城市总体规划、基本农田划定、常住人口和GDP等,均已经过预处理。
量化城镇扩展驱动因子,作为自变量输入回归模型,进行城镇空间扩展潜力评价。选取经济、人口、区位和基础设施作为城镇扩张的驱动因素,根据夜间灯光数据反演GDP变化和常住人口密度,得到经济和人口驱动因子;计算距市中心和距县(区)中心的欧式距离、根据各方位城镇边界年均扩展强度差异形成方位扩展强度,得到区位驱动因子;计算距主干道距离、公交站点密度、地铁站点密度、教育机构密度、医疗机构密度和商业服务店密度,得到基础设施驱动因子。消除驱动因子的多重共线性后,一个像元发生城镇建设用地转变的概率为p,根据Logistic回归模型建立回归方程,确定回归系数。
根据回归结果计算城镇空间扩展潜力,并对结果进行归一化处理。
量化城镇扩展的约束因子,采用熵值法确定权重,进行城镇扩展阻隔约束评价。实施例中从地形、水域、耕地和生态四个方面选取指标,根据重要水资源、基本农田现状、植被覆盖度和自然保护区分布,计算高程、坡度、距水源地距离、耕地占用成本和生态阻隔约束评价。根据熵值法计算指标的权重,对阻隔约束进行综合性评价。
步骤2)、对步骤1)得到评价结果的数字图像进行SLIC超像素分割,并设定分割的超像素个数以及紧凑度;根据初始聚类种子点计算其他像素到种子点的距离,并将像素标记为和它最近的种子点相同的类,形成超像素区域,并根据最新的种子点多次迭代得到稳定的分割结果。其中的SLIC超像素分割以分割精度和破碎度为参考,择优选择所述超像素个数;所述紧凑度以分割得到近似均质量的超像素为参考进行选择。
初始化种子点(聚类中心):按照设定的超像素个数,在图像内均匀的分配种子点。假设图片总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离(步长)近似为
在种子点的n*n邻域内重新选择种子点(一般取n=3)。具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。
在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)。和标准的k-means在整张图中搜索不同,SLIC的搜索范围限制为2S*2S。期望的超像素尺寸为S*S,搜索范围是2S*2S。
距离度量。包括颜色距离和空间距离。对于每个搜索到的像素点,分别计算它和该种子点的距离。由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
迭代优化。理论上上述步骤不断迭代直到误差收敛(可以理解为每个像素点聚类中心不再发生变化为止),实践发现10次迭代对绝大部分图片都可以得到较理想效果,所以一般迭代次数取10。
步骤3)、以步骤1)评价结果的统计分布图的分布特征规律选择阈值,将所述超像素分为显著超像素和非显著超像素,并以城镇扩展潜力评价和城镇扩展阻隔约束评价所对应的显著超像素所形成的区域分别确定扩展边界与约束边界;
以所述城镇的实际发展需求和资源保护需求,设定M±K×σ为显著超像素的阈值,其中M为众数,σ为标准差,K为所述城镇发展情景的参数;城镇扩展潜力评价值大于M+K×σ的超像素所形成的区域的边界为扩展边界,城镇扩展阻隔约束评价值小于M-K×σ的超像素所形成的区域的边界为约束边界。
步骤4)、边界协调与优化;如图2所示,先按照协调规则进行协调,再以城镇空间分布、政策规定划定的生态资源保护区和禁止建设区分布对协调后的边界进行优化,并划定城镇开发边界;
所述协调规则,扩展边界在内,约束边界在外,取扩展边界;扩展边界在外,约束边界在内,取约束边界;扩展边界与约束边界重合,取扩展边界。
优化规则一,统计每个超像素区域的现状城镇建设用地占比,当占比大于等于50%时,将该超像素定义为建设主导型超像素,如果建设主导型超像素处于协调后城镇边界内或边界边缘,则纳入城镇开发边界;
优化规则二,优先度低于优化规则一,将协调后边界与重要生态资源保护区和禁止建设区进行叠加分析,则占用生态资源保护区或禁止建设区的超像素为保护主导型超像素,比对所述城镇最新遥感影像,
若不存在集中连片现状城镇建设用地,则去除当前超像素,更新城镇开发边界;
若存在集中连片现状城镇建设用地的,则将属于现状城镇建设用地的超像素纳入城镇开发边界,其他去除。
Claims (1)
1.基于超像素分割的城镇开发边界划定方法,其特征在于执行如下步骤:
步骤1)、数据准备;量化城镇扩展驱动因子和城镇扩展约束因子分别用于进行城镇扩展潜力评价和城镇扩展阻隔约束评价;
步骤2)、对步骤1)得到评价结果的数字图像进行SLIC超像素分割,并设定分割的超像素个数以及紧凑度;
步骤3)、以步骤1)评价结果的统计分布图的分布特征规律选择阈值,将所述超像素分为显著超像素和非显著超像素,并以城镇扩展潜力评价和城镇扩展阻隔约束评价所对应的显著超像素所形成的区域分别确定扩展边界与约束边界;
在选择阈值时,以所述城镇的实际发展需求和资源保护需求,设定M±K×σ为显著超像素的阈值,其中M为众数,σ为标准差,K为所述城镇发展情景的参数;城镇扩展潜力评价值大于M+K×σ的超像素所形成的区域的边界为扩展边界,城镇扩展阻隔约束评价值小于M-K×σ的超像素所形成的区域的边界为约束边界;
步骤4)、边界协调与优化;先按照协调规则进行协调,再以城镇空间分布、政策规定划定的生态资源保护区和禁止建设区分布对协调后的边界进行优化,并划定城镇开发边界;
所述协调规则,扩展边界在内,约束边界在外,取扩展边界;扩展边界在外,约束边界在内,取约束边界;扩展边界与约束边界重合,取扩展边界;
优化规则一,统计每个超像素区域的现状城镇建设用地占比,当占比大于等于50%时,将该超像素定义为建设主导型超像素,如果建设主导型超像素处于协调后城镇边界内或边界边缘,则纳入城镇开发边界;
优化规则二,优先度低于优化规则一,将协调后边界与重要生态资源保护区和禁止建设区进行叠加分析,则占用生态资源保护区或禁止建设区的超像素为保护主导型超像素,比对所述城镇最新遥感影像,
若不存在集中连片现状城镇建设用地,则去除当前超像素,更新城镇开发边界;
若存在集中连片现状城镇建设用地的,则将属于现状城镇建设用地的超像素纳入城镇开发边界,其他去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611113.XA CN114943897B (zh) | 2022-05-31 | 2022-05-31 | 基于超像素分割的城镇开发边界划定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611113.XA CN114943897B (zh) | 2022-05-31 | 2022-05-31 | 基于超像素分割的城镇开发边界划定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943897A CN114943897A (zh) | 2022-08-26 |
CN114943897B true CN114943897B (zh) | 2023-11-24 |
Family
ID=82908758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210611113.XA Active CN114943897B (zh) | 2022-05-31 | 2022-05-31 | 基于超像素分割的城镇开发边界划定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943897B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013116793A2 (en) * | 2012-02-03 | 2013-08-08 | Eagle View Technologies, Inc | Systems and methods for estimation of building floor area |
KR20140132795A (ko) * | 2013-05-06 | 2014-11-19 | 서울시립대학교 산학협력단 | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 |
CN104899649A (zh) * | 2015-05-22 | 2015-09-09 | 东南大学 | 城市要素区位迁移与城市建成区扩张的空间关联测度方法 |
CN104992041A (zh) * | 2015-08-06 | 2015-10-21 | 武汉大学 | 一种基于空间句法的城市扩张边界预测方法 |
CN110070545A (zh) * | 2019-03-20 | 2019-07-30 | 重庆邮电大学 | 一种城镇纹理特征密度自动提取城镇建成区的方法 |
CN112035584A (zh) * | 2020-08-28 | 2020-12-04 | 北京清华同衡规划设计研究院有限公司 | 空间规划情景模拟方法及系统 |
CN113095697A (zh) * | 2021-04-20 | 2021-07-09 | 华南师范大学 | 城市边缘区三生空间评价分析方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705866B2 (en) * | 2010-12-07 | 2014-04-22 | Sony Corporation | Region description and modeling for image subscene recognition |
US8472718B2 (en) * | 2011-04-27 | 2013-06-25 | Sony Corporation | Superpixel segmentation methods and systems |
-
2022
- 2022-05-31 CN CN202210611113.XA patent/CN114943897B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013116793A2 (en) * | 2012-02-03 | 2013-08-08 | Eagle View Technologies, Inc | Systems and methods for estimation of building floor area |
KR20140132795A (ko) * | 2013-05-06 | 2014-11-19 | 서울시립대학교 산학협력단 | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 |
CN104899649A (zh) * | 2015-05-22 | 2015-09-09 | 东南大学 | 城市要素区位迁移与城市建成区扩张的空间关联测度方法 |
CN104992041A (zh) * | 2015-08-06 | 2015-10-21 | 武汉大学 | 一种基于空间句法的城市扩张边界预测方法 |
CN110070545A (zh) * | 2019-03-20 | 2019-07-30 | 重庆邮电大学 | 一种城镇纹理特征密度自动提取城镇建成区的方法 |
CN112035584A (zh) * | 2020-08-28 | 2020-12-04 | 北京清华同衡规划设计研究院有限公司 | 空间规划情景模拟方法及系统 |
CN113095697A (zh) * | 2021-04-20 | 2021-07-09 | 华南师范大学 | 城市边缘区三生空间评价分析方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Improved VHR Urban Area Mapping Exploiting Object Boundaries;Paolo Gamba 等;《IEEE》;全文 * |
Modelling urban expansion guided by land ecological suitability: A case study of Changzhou City, China;Lang Xu 等;《ELSEVIER》;全文 * |
基于景观生态安全格局构建的 城镇空间扩展模式研究 —以江苏沿海地区为例.《地理科学》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114943897A (zh) | 2022-08-26 |
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 | |
CN109919944B (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
WO2023168781A1 (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
CN110021072B (zh) | 面向全息测绘的多平台点云智能处理方法 | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN110111343A (zh) | 一种基于改进模糊c均值的中智学图像分割方法及装置 | |
CN113505999A (zh) | 应用于城市空间质量评估的指标计算方法 | |
Yao et al. | A time series of urban extent in China using DSMP/OLS nighttime light data | |
CN115482355A (zh) | 一种众源数据驱动的lod2级城市建筑物模型增强建模算法 | |
CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
CN115391882A (zh) | 一种多元数据融合全息空间系统的构建方法 | |
CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
CN113743659A (zh) | 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用 | |
CN114943897B (zh) | 基于超像素分割的城镇开发边界划定方法 | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN117351162A (zh) | 一种基于数字孪生的实景三维规划设计方法 | |
CN115273645B (zh) | 一种室内面要素自动聚类的地图制图方法 | |
Zhai et al. | Using spatial heterogeneity to strengthen the neighbourhood effects of urban growth simulation models | |
Xu et al. | Analysis of the spatiotemporal expansion and pattern evolution of urban areas in Anhui Province, China, based on nighttime light data | |
Chen et al. | Mapping urban functional areas using multi-source remote sensing images and open big data | |
CN105808715B (zh) | 一种位置一张图的构建方法 | |
Aqbelaghi et al. | Environmental approach in modelling of urban growth: Tehran City, Iran | |
CN115018014A (zh) | 基于多源信息的机器学习辅助的通信场景分类方法 | |
Fu et al. | Study on adaptive parameter determination of cluster analysis in urban management cases |
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 |