CN115239156A - 城镇化指标对水系结构的影响警示方法 - Google Patents
城镇化指标对水系结构的影响警示方法 Download PDFInfo
- Publication number
- CN115239156A CN115239156A CN202210892972.0A CN202210892972A CN115239156A CN 115239156 A CN115239156 A CN 115239156A CN 202210892972 A CN202210892972 A CN 202210892972A CN 115239156 A CN115239156 A CN 115239156A
- Authority
- CN
- China
- Prior art keywords
- index
- urbanization
- water system
- system structure
- value
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000013485 heteroscedasticity test Methods 0.000 claims description 4
- 238000001792 White test Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 claims description 2
- 230000008092 positive effect Effects 0.000 claims description 2
- 238000012827 research and development Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005054 agglomeration Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000008080 stochastic effect Effects 0.000 description 3
- 238000001174 Hausman test Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis 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
-
- 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
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种城镇化指标对水系结构的影响警示方法,基于城镇化评价指标体系,从统计年鉴数据获取目标区域的城镇化指标值,基于地表径流漫流模型,从DEM数据中提取目标区域的河网数据,再利用遥感影像数据和土地利用分类数据修正河网数据,从修正后河网数据中提取水系结构指标值,并对城镇化指标值和水系结构指标值分别进行加权求和,根据城镇化的综合指数和水系结构的综合指数来构建拟合模型,根据拟合模型拟合的双指数曲线获取城镇化的综合指数阈值,在目标区域的城镇化的综合指数超过城镇化的综合指数阈值时发出警示信号,便于政府部门制定相应的防涝抗洪策略,提高目标区域的抗灾能力。
Description
技术领域
本发明涉及遥感影像领域,尤其是涉及一种城镇化指标对水系结构的影响警示方法。
背景技术
流域水系作为水资源的主要载体和自然生态环境的重要组成部分,在流域水循环中起着重要作用,也是社会经济发展的重要基础,与人类社会的起源和发展密切相关。水系形态结构和连通状况作为河流发育和演化的基础,决定着流域水资源的空间分布特征,对流域系统调洪蓄水能力、水资源配置能力、水安全保障能力以及当地的社会经济发展等有着重要影响。
城镇化进程中,人为地重新配置各项土地资源,导致水网格局发生巨大变化。传统的城镇化对水系结构的影响的研究,往往需要多项数据进行复杂的分析计算,将分析计算结果结合技术人员的判断,来确定城镇化指标对水系结构的影响关系,该过程复杂且耗时耗力,准确率较低。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种城镇化指标对水系结构的影响警示方法,可以得到准确的城镇化指标对水系结构的影响关系。
本申请的第一方面,提供了一种城镇化指标对水系结构的影响警示方法,包括以下步骤:
获取目标区域的统计年鉴数据、DEM数据、遥感影像数据和土地利用分类数据;
基于城镇化评价指标体系,根据所述统计年鉴数据获取目标区域的城镇化指标值;其中,所述城镇化评价指标体系包括至少一个城镇化指标;
基于地表径流漫流模型,从所述DEM数据中提取目标区域的河网数据;利用所述遥感影像数据和土地利用分类数据对所述目标区域的河网数据进行修正,基于水系结构评价指标体系,从修正后的河网数据中提取目标区域的水系结构指标值;其中,所述水系结构评价指标体系包括至少一个水系结构指标;
对至少一个城镇化指标值进行加权求和,获取城镇化的综合指数;
对至少一个水系结构指标值进行加权求和,获取水系结构的综合指数;
根据城镇化的综合指数和水系结构的综合指数,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,获取所述拟合模型拟合的双指数曲线;
根据所述拟合模型拟合的双指数曲线,获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号。
本申请的第二方面,提供了一种城镇化指标对水系结构的影响关系获取装置,包括:
数据获取模块,用于获取目标区域的统计年鉴数据、DEM数据、遥感影像数据和土地利用分类数据;
城镇化指标获取模块,用于基于城镇化评价指标体系,根据所述统计年鉴数据获取目标区域的城镇化指标值;其中,所述城镇化评价指标体系包括至少一个城镇化指标;
水系结构指标获取模块,用于基于地表径流漫流模型,从所述DEM数据中提取目标区域的河网数据;利用所述遥感影像数据和土地利用分类数据对所述目标区域的河网数据进行修正,基于水系结构评价指标体系,从修正后的河网数据中提取目标区域的水系结构指标值;其中,所述水系结构评价指标体系包括至少一个水系结构指标;
第一指数获取模块,用于对至少一个城镇化指标值进行加权求和,获取城镇化的综合指数;
第二指数获取模块,用于对至少一个水系结构指标值进行加权求和,获取水系结构的综合指数;
双指数曲线获取模块,用于根据城镇化的综合指数和水系结构的综合指数,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,获取所述拟合模型拟合的双指数曲线;
警示模块,用于根据所述拟合模型拟合的双指数曲线,获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号。
本申请的第三方面,提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的城镇化指标对水系结构的影响警示方法的步骤。
本申请的第四方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的城镇化指标对水系结构的影响警示方法的步骤。
在本申请实施例中,基于城镇化评价指标体系,从统计年鉴数据获取目标区域的城镇化指标值,基于地表径流漫流模型,从DEM数据中提取目标区域的河网数据,再利用遥感影像数据和土地利用分类数据修正河网数据,从修正后河网数据中提取得到准确的水系结构指标值,并对城镇化指标值和水系结构指标值分别进行加权求和,根据得到的城镇化的综合指数和水系结构的综合指数来构建拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,根据拟合模型拟合的双指数曲线获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号,便于政府部门根据目标区域的城镇化水平和水系结构特征制定相应的防涝抗洪策略,提高目标区域的抗灾能力。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明一个实施例中一种城镇化指标对水系结构的影响警示方法的流程图;
图2为本发明一个实施例中水系分级的示意图;
图3为本发明一个实施例中河链的示意图;
图4为本发明一个实施例中一种城镇化指标对水系结构的影响关系获取装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,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,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,本申请提供了一种城镇化指标对水系结构的影响警示方法,包括以下步骤:
S101:获取目标区域的统计年鉴数据、DEM数据、遥感影像数据和土地利用分类数据;
目标区域为设定的一片地表区域。
DEM数据(Digital Elevation Model,数字高程模型)是通过有限的地形高程实现对地形曲面的数字化模拟或者说是地形表面形态的数字化表示。
统计年鉴数据可以从统计网站或者经大数据处理抓取到的目标区域的统计年鉴数据。
S102:基于城镇化评价指标体系,根据所述统计年鉴数据获取目标区域的城镇化指标值;其中,所述城镇化评价指标体系包括至少一个城镇化指标;
城镇化评价指标体系可用于评价目标区域的城镇化水平,城镇化评价指标体系包括至少一个城镇化指标。具体地,城镇化指标可以为用户从人口城镇化、经济城镇化、社会城镇化与政策等多个角度设置的评价指标。
如表1所示,其为一个实施例中城镇化评价指标体系,城镇化评价指标体系包括多个一级城镇化指标和多个二级城镇化指标;每一个一级城镇化指标包括至少一个二级城镇化指标;
其中,一级城镇化指标包括人口城镇化、经济城镇化、社会城镇化和政策城镇化;
人口城镇化对应的二级城镇化指标包括人口密度、第二产业从业人员比重、第三产业从业人员比重、人口机械增长量、每万人大学生人口数、每万人规模以上工业企业研究和发展人员(R&D人员)数;
经济城镇化对应的二级城镇化指标包括地区生产总值、第二产业增加值占GDP比重、第三产业增加值占GDP比重、人均生产总值、人均规模以上工业总产值和地区生产总值增长率;
社会城镇化对应的二级城镇化指标包括城镇常住居民人均可支配收入、城镇常住居民人均可支配收入增长率、每万人拥有医疗卫生机构床位数、人均社会消费品零售总额和人均固定资产投资额。
政策城镇化对应的二级城镇化指标包括财政支出占地区GDP的比重、科技投入占GDP的比重和环保投入占GDP的比重。
表1城镇化评价指标体系
其中,目标区域的城镇化指标值可以通过查阅国家统计局的人口统计数据、经济统计数据、医疗卫生机构统计数据、收入数据、财政支出数据等数据得到。
城镇化指标值可以同时具有时间与空间(样本)维度,例如,城镇化指标值可以是某一年的某个地区的某个城镇化指标值。城镇化指标值可以视为若干个样本在不同时间的截面数据,或者各个指标的时间序列,结合城镇化指标值的时间和空间维度,形成三维立体数据,提高城镇化指标对水系结构的影响关系获取的准确性。
S103:基于地表径流漫流模型,从所述DEM数据中提取目标区域的河网数据;利用所述遥感影像数据和土地利用分类数据对所述目标区域的河网数据进行修正,基于水系结构评价指标体系,从修正后的河网数据中提取目标区域的水系结构指标值;其中,所述水系结构评价指标体系包括至少一个水系结构指标;
由于DEM误差以及一些真实地形的存在,DEM表面往往存在着一些凹陷区域。由于这些区域的存在,在进行水流方向提取时会得到不合理的甚至错误的结果。因此,在一个优选的实施例中,在从所述DEM数据中提取目标区域的河网数据步骤之前,还包括以下步骤:
对所述DEM数据进行填洼处理,得到无洼地的DEM数据。
在提取目标区域的河网数据时,首先,在无洼地的DEM数据上利用最大坡降法得到每一个栅格的水流方向;然后,依据自然水流由高处往低处的自然规律,计算出每一个栅格在水流方向上累积的栅格数,即汇流累积量。假设每一个栅格携带一份水流,那么栅格的汇流累积量就代表该栅格的水流量。基于上述思想,当汇流量达到一定值的时候,就会产生地表水流,所有汇流量大于临界值的栅格就是潜在的水流路径,由这些水流路径构成的网络,就是河网。
在提取到目标区域的河网数据后,根据遥感影像数据和土地利用分类数据确定实际水系情况,并对目标区域的河网数据进行修正,得到修正后的河网数据。
河网数据可以包括水系分级,具体地,可以利用strahler分级法根据河网数据获取目标区域的水系分级。
如图2所示,strahler分级法将直接发源于河源的河流为1级河流;同级的两条河流交汇形成的河流的等级比原来增加1级;不同等级的两条河流交汇形成的河流的等级等于原来河流中等级较高者。
水系结构评价指标体系可用于评价目标区域的流域水资源分布情况、调洪蓄水能力、水资源配置能力和水安全保障能力。水系结构指标可以为河流长度、面积、数量等河流基本特征以及河网水系密度、河流等级等水系结构特征。
如表2所示,其为一个实施例中水系结构评价指标体系,水系结构评价指标体系包括多个一级水系结构指标和多个二级水系结构指标;每一个一级水系结构指标包括至少一个二级水系结构指标。
表2水系结构评价指标体系
其中,一级水系结构指标包括基本特征、水系形态结构和连通性;
基本特征对应的二级水系结构指标包括水面积、河网长度和河链数;
如图3所示,河源与相邻节点之间的连接的河段,或者相邻两个节点之间的连接河段,或者出口与相邻节点之间的连接河段,称为链。
本申请实施例中,水面积、河网长度、河链数据可以基于目标区域的土地利用数据与河网数据提取得到。
水系形态结构对应的二级水系结构指标包括水面率、河网密度和河网复杂度,可以基于基于目标区域的土地利用数据与河网数据提取得到。
其中,水面率可用于表征河湖面积发育程度,可以根据多年平均水位下河道水体的实际水面积与区域总面积之比得到:
Wp=(Aw/A)×100%
其中,Aw为水域面积,A为目标区域总面积,Wp为水面率。
河网密度是指单位流域面积上的河流长度,可用于表征河流长度发育程度,可以根据河网总长度和区域总面积之比得到:
Rd=L/A
式中,A为目标区域总面积,L为河网总长度,Rd为河网密度。
河网复杂度表征河网层次的丰富程度,数值越大,说明该地区河网构成的层次越丰富,支撑干流的支流水系越发达。
具体地,按照以下方式,获取河网复杂度:
CR=N0(L/Lm)
式中,L为河网总长度;Lm为主干河流长度;N0为河流等级数,可以由目标区域的水系分级确定,CR为河网复杂度。
连通性对应的二级水系结构指标包括连接率、实际结合度、相似邻接性指数、散布与并列指数和凝聚度量,可以基于目标区域的河网数据和土地利用数据提取得到。
其中,连接率在景观生态学中是用来表示网络结构中廊道与节点间通达程度,在本申请实施例中,利用连接率表示河网的通达度,具体地,按照以下方式,获取连接率:
β=Lc/N
其中,β为连接率,0<β<3,Lc为河网中的河链数,N为河网节点数。
连接率β反映了每个节点平均所连的河链数,当β小于1时,水系为树状结构;当β大于1时,水系为格状结构或回路结构。
实际结合度在景观生态学中是用来度量廊道在空间上的连续程度,基于实际的河链数与最大可能连接河链数之比得到,以便描述河网各结点被连接的程度。具体地,按照以下方式,获取实际结合度:
γ=Lc/3(N-2)
其中,γ为连接率,0≤γ≤1,γ为河网中实际连接线数与最大可能连接线数之比,反映了河网水系各河道间实际连通程度,取值在0~1之间、接近1/3时,水系为树状结构;接近1时,水系各节点间都相互连通。
相似邻接性指数、散步与并列指数、斑块结合度指数用于表征水系连通性,相似邻接性指数、散步与并列指数、斑块结合度指数可以基于研究区土地利用数据,通过Fragstats软件计算得到结果。
具体地,散布与并列指数(IJI)用于描述景观中某一种斑块类型与其他斑块类型的邻近状况,取值范围为0~100。当某一种斑块类型只与其他一种斑块类型邻近,则值趋于0,而当某一种斑块类型与景观中其他所有斑块类型都邻近时,值等于100。具体地,按照以下方式,获取散布与并列指数:
其中,LIJ为散布与并列指数,eik为斑块类型i和k之间的边缘总长度,m为景观中存在的斑块类型的数量,包括景观边界。
相似邻接性指数(PLADJ)用于度量同一类型斑块的聚集程度,相似邻接性指数针对i块斑块类型其相似邻近(连接)的像元数除以i斑块类型与k斑块类型间邻近(连接)的像元总数,并换算为百分比,针对某一种斑块类型,其斑块极度分散不连接,则相似邻接性指数值为0,当景观中只有一种斑块类型,则相似邻接性指数值为100。具体地,相似邻接性指数可以按照以下方式获取:
其中,gii表示基于双重计数法的斑块类型i的像元之间的相似邻接(连接)的数量,gik表示基于双重计数法的斑块类型i和k的像元之间的相邻关系(连接)的数量,m为斑块类型数量。
凝聚度量(又称斑块结合度指数),凝聚度量在类型水平尺度上,取值范围为0~100,当景观中某斑块类型的比例降低并且不断细化,连通性降低时,其值趋近于0;随着景观中该斑块类型组成比例提高,其值相应增加。
具体地,按照以下方式,获取凝聚度量值:
水系结构指标值可以同时具有时间与空间(样本)维度,例如,水系结构指标值可以是某一年的某个地区的某个水系结构指标值。水系结构指标值可以视为若干个样本在不同时间的截面数据,或者各个指标的时间序列,结合水系结构指标值的时间和空间维度,形成三维立体数据,提高城镇化指标对水系结构的影响关系获取的准确性。
优选地,由于本申请的城镇化指标值和水系结构指标值所涉及的数据量较大,可能存在部分数据缺失的情况。对于缺失的数据,可以采用插值法、指数平滑法、以及趋势外推法等方法对缺失的数据进行估算,从而保证获取的城镇化指标值和水系结构指标值的完整性和全面性,提高城镇化指标对水系结构的影响关系评价精度。
对于城镇化指标值和水系结构指标值存在的异常偏离值或者缺失值,还可以根据该异常偏离值或者缺失值间隔预设时长的前后时间的数据来进行推断和估算,例如,利用根据该异常偏离值或者缺失值间隔预设时长的前后10年的数据进行估算,或者,对于数值缺失比较多的指标,还可以根据统计年鉴寻找可替代指标。
S104:对所述至少一个城镇化指标值进行加权求和,获取城镇化的综合指数;
城镇化指标值的权重可以根据该城镇化指标与城镇化的影响程度确定,例如,对与城镇化的影响程度越高的城镇化指标,赋予更高的权重,对于对与城镇化的影响程度低的城镇化指标,赋予低权重。
在一个实施例中,对所述城镇化指标进行加权求和的步骤包括:
按照以下方式,获取第k年地区i的第j项城镇化指标的在第j项城镇化指标中所占的比重:
按照以下方式,获取第j项城镇化指标的熵值:
其中,ej为第j项城镇化指标的熵值;
按照以下方式,获取第j项城镇化指标的熵冗余度:
dj=1-ej
其中,dj为第j项城镇化指标的熵冗余度;
按照以下方式,获取第j项城镇化指标的权重:
其中,wj为第j项城镇化指标的权重,n为城镇化指标的个数;
按照以下方式,对所述城镇化指标进行加权求和:
其中,Uki为第k年地区i城镇化的综合指数,X′kij为第k年地区i的第j个城镇化指标值。
S105:对所述至少一个水系结构指标值进行加权求和,获取水系结构的综合指数;
水系结构指标值的权重可以根据该水系结构指标与水系结构的调洪蓄水能力、水资源配置能力和水安全保障能力的影响程度确定,影响程度越高,其权重越大。
在一个实施例中,为了避免各指标量纲和量级差异过大影响聚类过程的准确性,可以对城镇化指标值和水系结构指标值进行无量纲化标准化处理,从而避免量级很大的数据与其他常量级数据造成误解级影响,提升模型效率。
具体地,在对所述城镇化指标进行加权求和之前,还包括以下步骤:
根据所述城镇化指标对城镇化的影响关系,确定所述城镇化指标为正向指标或负向指标;其中,正向指标对城镇化具有正向作用,负向指标对城镇化具有负向作用;
其中,城镇化指标对城镇化为正向影响或负向影响可以通过现有的城镇化指标对城镇化研究资料确定,正向指标的数值越大,对应的城镇化水平越高;负向指标的数值越大,对应的城镇化水平越低。
当所述城镇化指标为正向指标,按照以下方式,对所述城镇化指标进行标准化:
当所述城镇化指标为负向指标,按照以下方式,对所述城镇化指标进行标准化:
其中,X′kij为标准化后的第k年地区i的第j个城镇化指标值,其取值范围为[0,1],Xkij为第k年地区i的第j个城镇化指标初始值,min(kij)为城镇化指标的最小值,maxkij)为城镇化指标的最大值。
在对所述至少一个水系结构指标值进行加权求和之前,同样也可根据水系结构指标值与水系结构之间的影响关系确定水系结构指标为正向指标或负向指标;对正向指标和负向指标分别采用不同的标准化公式进行水系结构指标值的标准化。
需要说明的是,本申请中水系结构指标值的标准化公式与城镇化指标值的标准化公式相同,对于水系结构指标值的标准化过程可以参照城镇化指标值的标准化过程的描述,在此不再赘述。
本申请实施例中,通过对城镇化指标值和水系结构指标值进行标准化,降低拟合模型的数据运算量,提高拟合模型拟合效率。
在一个实施例中,对所述水系结构指标值进行加权求和的步骤包括:
按照以下方式,获取第k年地区i的第r项水系结构指标的在第r项水系结构指标中所占的比重:
按照以下方式,获取第r项水系结构指标的熵值:
其中,er为第r项水系结构指标的熵值;
按照以下方式,获取第r项水系结构指标的熵冗余度:
dr=1-er
其中,dr为第r项水系结构指标的熵冗余度;
按照以下方式,获取第r项水系结构指标的权重:
其中,ψr为第r项水系结构指标的权重,p为水系结构指标的个数;
按照以下方式,对所述水系结构指标进行加权求和:
其中,Wki为第k年地区i水系结构的综合指数,Y′kir为第k年地区i的第r个水系结构指标值。
S106:根据城镇化的综合指数和水系结构的综合指数,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,获取所述拟合模型拟合的双指数曲线;
在一个实施例中,所述构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型的步骤具体包括:
按照以下方式,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型:
其中,W*为水系结构的综合指数,U*为城镇化综合指数,N、P、A、B为拟合模型的拟合参数,M为水系结构综合指数的阈值。
优选地,在构建拟合模型后,还可以对拟合模型进行精度验证,以提高拟合模型的拟合精度。
精度验证用于验证拟合模型对观测值的拟合程度,在本申请实施例中,利用测定系数R2对拟合模型进行精度验证,其中,测定系数R2越接近于1,表示拟合模型的拟合优度越高。本申请可以设置一个测定系数阈值,当测定系数大于该测定系数阈值时,确定拟合模型通过精度验证。
S107:根据所述拟合模型拟合的双指数曲线,获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号。
现有的研究资料指出城镇化与水系结构演变存在负相关关系,城镇化速率越高的地区,水系结构衰减越快,但水系结构衰减的指标需要因地而异,等级越低的河流受到城镇化的影响越大,城镇的建设使得大量的低等级河道被填埋,许多细小的河流甚至消失,河网单一化和骨干化的趋势愈来愈明显,河流的防洪能力也随之降低,但城镇化的整体水平较高时,水系的特征值变化会趋于稳定或出现略微的增长。可以发现,城镇化进程中人为地重新配置各项土地资源,将导致水网格局发生巨大变化,影响地区的防洪能力;现有技术缺乏对两者之间的关联关系的评估,不利于政府部门制定地区的管理与规划方案。
本申请的城镇化指标对水系结构的影响警示方法可以运行在计算机设备中,当计算机设备检测到目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,向用户预先绑定的终端发出警示信号,例如,可以是向管理员等用户预先绑定的手机号发送警示短信等。
在一个实施例中,在获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号,便于研究人员快速了解当前的目标区域的城镇化水平和水系结构特征,便于政府部门根据目标区域的城镇化水平和水系结构特征制定相应的防涝抗洪策略,提高目标区域的抗灾能力。
在本申请实施例中,基于城镇化评价指标体系,从统计年鉴数据获取目标区域的城镇化指标值,基于地表径流漫流模型,从DEM数据中提取目标区域的河网数据,再利用遥感影像数据和土地利用分类数据修正河网数据,从修正后河网数据中提取得到准确的水系结构指标值,并对城镇化指标值和水系结构指标值分别进行加权求和,根据得到的城镇化的综合指数和水系结构的综合指数来构建拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,根据拟合模型拟合的双指数曲线获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过城镇化的综合指数阈值时,发出警示信号,便于政府部门根据目标区域的城镇化水平和水系结构特征制定相应的防涝抗洪策略,提高目标区域的抗灾能力。
由于本申请的城镇化指标值和水系结构指标值所涉及的数据量较大,在拟合计算时效率较低,针对上述问题,在一个优选的实施例中,在对所述至少一个城镇化指标值进行加权求和的步骤之前,还包括以下步骤:
以水系结构的综合指数作为被解释变量,以城镇化指标与水系结构指标作为解释变量,建立回归模型:
其中,Wki为第k年地区i的水系结构的综合指数,X′kij为第k年地区i的第j个城镇化指标值,n为城镇化指标的个数,Y′kir为第k年地区i的第r个水系结构指标值,p为水系结构指标的个数,αij为城镇化指标值X′kij对应的回归系数,βir为水系结构指标值Y′kir对应的回归系数,εki为随机常数项,μki为随机干扰项;
利用F检验和Hausma检验对所述回归模型进行验证;
若所述回归模型通过所述F检验和Hausma检验,基于所述回归模型,对各个城镇化指标值和水系结构指标值进行显著性检验,获取与水系结构的综合指数的关联性大于预设阈值的城镇化指标和水系结构指标;
获取所述与水系结构的综合指数的关联性大于预设阈值的城镇化指标和水系结构指标对应的城镇化指标值和水系结构指标值;
对所述至少一个城镇化指标值进行加权求和,获取城镇化的综合指数。
根据统计学与计量经济学知识可知,回归模型可分为混合效应模型、固定效应模型和随机效应模型。其中,混合效应模型表示所有的解释变量对被解释变量的边际影响与个体无关,固定效应模型表示个体影响与解释变量相关,随机效应模型表示个体影响与解释变量不相关。
因此,本申请中分别通过F检验和Hausman检验来确定回归模型为固定效应模型或混合效应模型。
具体地,本申请先对回归模型进行F检验,设定原假设为“H0:不同横截面的模型截距项相同(混合效应模型)”,备择假设为“H1:不同横截面的模型截距项不同(固定效应模型)”。
按照以下方式,获取F统计值:
其中,F为F统计值,SSEr和SSEit分别为混合效应模型的残差平方和与固定效应模型的残差平方和,z为所有指标的个数,m为地区个数,d为时间维度。
若F统计值的显著性水平小于预设的置信度水平(例如0.05)则不接受原假设,确定回归模型为固定效应模型,也即各地区的城镇化指标与水系结构指标对水系结构综合指数的影响大致不同。否则,确定回归模型为混合效应模型并结束步骤,也即城镇化指标与水系结构指标对水系结构综合指数的影响大致相同。
当回归模型通过F检验,也即回归模型为固定效应模型时,利用Hausman检验进一步确定回归模型为固定效应模型或随机效应模型。
具体地,确定原假设为“H0:随机效应模型中个体影响与解释变量不相关(随机效应模型)”,备择假设为“H1:随机效应模型中个体影响与解释变量相关(固定效应模型)”
按照以下方式,获取统计量:
若得到的统计量h的显著性水平小于置信度水平0.05,则不接受原假设,选择固定效应模型,说明随机干扰项与解释变量存在相关性,即该模型存在自相关现象,需要对数据作差分处理,否则选择随机效应模型,说明随机干扰项与解释变量均不相关。
对于通过F检验和Hausma检验的回归模型进行显著性检验,获取各个解释变量的t检验值,在0.1的置信水平下,若t检验得到的p值小于0.1,说明解释变量在该模型中满足显著性水平。
对满足显著性的回归模型,分析各解释变量对应的回归系数,若回归系数为正值,说明解释变量城镇化指标Xj与水系结构指标Yr对被解释变量水系结构综合指数W起正向作用,反之则为负向作用;回归系数的大小则反映解释变量城镇化指标Xj与水系结构指标Yr对被解释变量水系结构综合指数的影响程度的大小。回归系数越大,表示解释变量城镇化指标Xj与水系结构指标Yr对被解释变量水系结构综合指数W的影响程度越大,反之影响程度越小。
具体地,可以根据回归系数的大小选取与水系结构的综合指数的关联性大于预设阈值的城镇化指标和水系结构指标,例如,可以选取回归系数大于预设阈值的城镇化指标和水系结构指标作为本申请的城镇化指标和水系结构指标,并执行步骤S103-S106以获取城镇化指标对水系结构的影响关系。
优选地,在基于所述回归模型,对各个城镇化指标值和水系结构指标值进行显著性检验之前,还包括以下步骤:
基于方差膨胀因子VIF检验方法,对所述回归模型的个体效应项进行多重共线性验证,获取方差扩大因子值;
若方差扩大因子值大于预设阈值,利用对数处理法修正所述回归模型;
基于white检验法,对回归模型的随机干扰项进行异方差检验,若回归模型存在异方差,用对数处理法修正所述回归模型。
多重共线性验证用于确定回归模型的个体效应项εi是否是满足独立性,即解释变量之间是否存在着多重共线性现象。
具体地,按照以下步骤,对所述回归模型的个体效应项进行多重共线性验证:
当存在多重共线性的变量比较少时,可以通过剔除存在多重共线性的变量减弱多重共线性;当存在多重共线性的变量比较多时,使用对数处理法进行修正。
对数处理法是指对原始数据取对数,可以是对解释变量取对数,或者对被解释变量取对数,或者同时对解释变量和被解释变量取对数,通过对数处理法可以压缩变量的尺度,使数据更加平稳,削弱模型的共线性和异方差性。
异方差检验用于检验回归模型的随机干扰项是否满足正态分布,即解释变量是否存在异方差现象。
具体地,以任意一个二元一次回归模型为例,对本申请是如何使用white检验法进行说明:
Df=e1+e2E2f+e3E3f+zf
其中,E2f、E3f分别为任意两个解释变量,Df为被解释变量;e1,e2,e3、zf分别为二元一次回归模型的模型参数。
利用普通最小二乘法估计模型,获得残差σf。
构造辅助回归模型:
计算得到辅助回归函数的可决系数R2,根据实际情况的自由度去判断统计量χ2分布,如果d为解释变量个数,a表示显著水平,可以通过查阅χ2分布表获得,则拒绝原假设,表明模型中存在异方差。否则,则认为不存在异方差。
若模型存在异方差,使用对数处理法进行修正。
本申请实施例中,分别对回归模型的个体效应项和随机干扰项进行检验,并针对存在较多多重共线性的变量情况以及存在异方差的情况,通过对数处理法消除影响,提高模型的精度。
请参阅图4,本发明还提供了一种城镇化指标对水系结构的影响关系获取装置,所述装置包括:
数据获取模块101,用于获取目标区域的统计年鉴数据、DEM数据、遥感影像数据和土地利用分类数据;
城镇化指标获取模块102,用于基于城镇化评价指标体系,根据所述统计年鉴数据获取目标区域的城镇化指标值;其中,所述城镇化评价指标体系包括至少一个城镇化指标;
水系结构指标获取模块103,用于基于地表径流漫流模型,从所述DEM数据中提取目标区域的河网数据;利用所述遥感影像数据和土地利用分类数据对所述目标区域的河网数据进行修正,基于水系结构评价指标体系,从修正后的河网数据中提取目标区域的水系结构指标值;其中,所述水系结构评价指标体系包括至少一个水系结构指标;
第一指数获取模块104,用于对至少一个城镇化指标值进行加权求和,获取城镇化的综合指数;
第二指数获取模块105,用于对至少一个水系结构指标值进行加权求和,获取水系结构的综合指数;
双指数曲线获取模块106,用于根据城镇化的综合指数和水系结构的综合指数,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,获取所述拟合模型拟合的双指数曲线;
警示模块107,用于根据所述拟合模型拟合的双指数曲线,获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号。
需要说明的是,上述实施例提供的城镇化指标对水系结构的影响关系获取装置在执行城镇化指标对水系结构的影响警示方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的城镇化指标对水系结构的影响关系获取装置与城镇化指标对水系结构的影响警示方法属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述城镇化指标对水系结构的影响警示方法的步骤。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述城镇化指标对水系结构的影响警示方法的步骤。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种城镇化指标对水系结构的影响警示方法,其特征在于,包括以下步骤:
获取目标区域的统计年鉴数据、DEM数据、遥感影像数据和土地利用分类数据;
基于城镇化评价指标体系,根据所述统计年鉴数据获取目标区域的城镇化指标值;其中,所述城镇化评价指标体系包括至少一个城镇化指标;
基于地表径流漫流模型,从所述DEM数据中提取目标区域的河网数据;利用所述遥感影像数据和土地利用分类数据对所述目标区域的河网数据进行修正,基于水系结构评价指标体系,从修正后的河网数据中提取目标区域的水系结构指标值;其中,所述水系结构评价指标体系包括至少一个水系结构指标;
对至少一个城镇化指标值进行加权求和,获取城镇化的综合指数;
对至少一个水系结构指标值进行加权求和,获取水系结构的综合指数;
根据城镇化的综合指数和水系结构的综合指数,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,获取所述拟合模型拟合的双指数曲线;
根据所述拟合模型拟合的双指数曲线,获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号。
2.根据权利要求1所述的城镇化指标对水系结构的影响警示方法,其特征在于,在对所述城镇化指标进行加权求和之前,还包括以下步骤:
根据所述城镇化指标对城镇化的影响关系,确定所述城镇化指标为正向指标或负向指标;其中,正向指标对城镇化具有正向作用,负向指标对城镇化具有负向作用;
当所述城镇化指标为正向指标,按照以下方式,对所述城镇化指标进行标准化:
当所述城镇化指标为负向指标,按照以下方式,对所述城镇化指标进行标准化:
其中,X′kij为标准化后的第k年地区i的第j个城镇化指标值,Xkij为第k年地区i的第j个城镇化指标初始值,min(Xkij)为城镇化指标的最小值,max(Xkij)为城镇化指标的最大值。
3.根据权利要求2所述的城镇化指标对水系结构的影响警示方法,其特征在于,对所述城镇化指标进行加权求和的步骤包括:
按照以下方式,获取第k年地区i的第j项城镇化指标的在第j项城镇化指标中所占的比重:
按照以下方式,获取第j项城镇化指标的熵值:
其中,ej为第j项城镇化指标的熵值;
按照以下方式,获取第j项城镇化指标的熵冗余度:
dj=1-ej
其中,dj为第j项城镇化指标的熵冗余度;
按照以下方式,获取第j项城镇化指标的权重:
其中,wj为第j项城镇化指标的权重,n为城镇化指标的个数;
按照以下方式,对所述城镇化指标进行加权求和:
其中,Uki为第k年地区i的城镇化的综合指数,X′kij为第k年地区i的第j个城镇化指标值。
5.根据权利要求1所述的城镇化指标对水系结构的影响警示方法,其特征在于,在对所述至少一个城镇化指标值进行加权求和的步骤之前,还包括以下步骤:
以水系结构的综合指数作为被解释变量,以城镇化指标与水系结构指标作为解释变量,建立回归模型:
其中,Wki为第k年地区i的水系结构的综合指数,X′kij为第k年地区i的第j个城镇化指标值,n为城镇化指标的个数,Y′kir为第k年地区i的第r个水系结构指标值,p为水系结构指标的个数,αij为城镇化指标值X′kij对应的回归系数,βir为水系结构指标值Y′kir对应的回归系数,εki为随机常数项,μki为随机干扰项;
利用F检验和Hausma检验对所述回归模型进行验证;
若所述回归模型通过所述F检验和Hausma检验,基于所述回归模型,对各个城镇化指标值和水系结构指标值进行显著性检验,获取与水系结构的综合指数的关联性大于预设阈值的城镇化指标和水系结构指标;
根据所述与水系结构的综合指数的关联性大于预设阈值的城镇化指标和水系结构指标获取城镇化指标值和水系结构指标值;
对所述至少一个城镇化指标值进行加权求和,获取城镇化的综合指数。
6.根据权利要求5所述的城镇化指标对水系结构的影响警示方法,其特征在于,在基于所述回归模型,对各个城镇化指标值和水系结构指标值进行显著性检验之前,还包括以下步骤:
基于方差膨胀因子VIF检验方法,对所述回归模型的个体效应项进行多重共线性验证,获取方差扩大因子值;
若方差扩大因子值大于预设阈值,利用对数处理法修正所述回归模型;
基于white检验法,对回归模型的随机干扰项进行异方差检验,若回归模型存在异方差,用对数处理法修正所述回归模型。
7.根据权利要求1-6任一项所述的城镇化指标对水系结构的影响警示方法,其特征在于,所述城镇化评价指标体系包括多个一级城镇化指标和多个二级城镇化指标;每一个一级城镇化指标包括至少一个二级城镇化指标;
其中,一级城镇化指标包括人口城镇化、经济城镇化、社会城镇化和政策城镇化;
人口城镇化对应的二级城镇化指标包括人口密度、第二产业从业人员比重、第三产业从业人员比重、人口机械增长量、每万人大学生人口数和每万人规模以上工业企业研究和发展人员数;
经济城镇化对应的二级城镇化指标包括地区生产总值、第二产业增加值占GDP比重、第三产业增加值占GDP比重、人均生产总值、人均规模以上工业总产值和地区生产总值增长率;
社会城镇化对应的二级城镇化指标包括城镇常住居民人均可支配收入、城镇常住居民人均可支配收入增长率、每万人拥有医疗卫生机构床位数、人均社会消费品零售总额和人均固定资产投资额;
政策城镇化对应的二级城镇化指标包括财政支出占地区GDP的比重、科技投入占GDP的比重和环保投入占GDP的比重;
所述水系结构评价指标体系包括多个一级水系结构指标和多个二级水系结构指标;每一个一级水系结构指标包括至少一个二级水系结构指标;
其中,一级水系结构指标包括基本特征、水系形态结构和连通性;
基本特征对应的二级水系结构指标包括水面积、河网长度和河链数;
水系形态结构对应的二级水系结构指标包括水面率、河网密度和河网复杂度;其中,河网复杂度用于反映河网数量和长度的发育程度;
连通性对应的二级水系结构指标包括连接率、实际结合度、相似邻接性指数、散布与并列指数和凝聚度量。
8.一种城镇化指标对水系结构的影响关系获取装置,其特征在于,包括:
数据获取模块,用于获取目标区域的统计年鉴数据、DEM数据、遥感影像数据和土地利用分类数据;
城镇化指标获取模块,用于基于城镇化评价指标体系,根据所述统计年鉴数据获取目标区域的城镇化指标值;其中,所述城镇化评价指标体系包括至少一个城镇化指标;
水系结构指标获取模块,用于基于地表径流漫流模型,从所述DEM数据中提取目标区域的河网数据;利用所述遥感影像数据和土地利用分类数据对所述目标区域的河网数据进行修正,基于水系结构评价指标体系,从修正后的河网数据中提取目标区域的水系结构指标值;其中,所述水系结构评价指标体系包括至少一个水系结构指标;
第一指数获取模块,用于对至少一个城镇化指标值进行加权求和,获取城镇化的综合指数;
第二指数获取模块,用于对至少一个水系结构指标值进行加权求和,获取水系结构的综合指数;
双指数曲线获取模块,用于根据城镇化的综合指数和水系结构的综合指数,构建用于拟合城镇化的综合指数和水系结构的综合指数的双指数曲线的拟合模型,获取所述拟合模型拟合的双指数曲线;
警示模块,用于根据所述拟合模型拟合的双指数曲线,获取水系结构的综合指数最大时的城镇化的综合指数阈值,当目标区域的城镇化的综合指数超过所述城镇化的综合指数阈值时,发出警示信号。
9.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-7任意一项所述的城镇化指标对水系结构的影响警示方法的步骤。
10.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的城镇化指标对水系结构的影响警示方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892972.0A CN115239156B (zh) | 2022-07-27 | 2022-07-27 | 一种城镇化指标对水系结构的影响警示方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892972.0A CN115239156B (zh) | 2022-07-27 | 2022-07-27 | 一种城镇化指标对水系结构的影响警示方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239156A true CN115239156A (zh) | 2022-10-25 |
CN115239156B CN115239156B (zh) | 2023-08-29 |
Family
ID=83678011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210892972.0A Active CN115239156B (zh) | 2022-07-27 | 2022-07-27 | 一种城镇化指标对水系结构的影响警示方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239156B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390884A (zh) * | 2023-11-01 | 2024-01-12 | 四川大学 | 一种通过优化连通性改善水网结构的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764675A (zh) * | 2018-05-17 | 2018-11-06 | 河海大学 | 一种水系连通性评价方法 |
CN110914300A (zh) * | 2017-04-03 | 2020-03-24 | 安康乐济股份有限公司 | 使用ps靶向抗体与免疫肿瘤学药剂治疗癌症的方法 |
CN113139151A (zh) * | 2021-04-13 | 2021-07-20 | 武汉理工大学 | 一种城市化与生态环境近远程耦合协调水平的测度方法 |
CN113869689A (zh) * | 2021-09-18 | 2021-12-31 | 陇东学院 | 一种基于遥感和地理信息系统的生态环境动态监测方法 |
-
2022
- 2022-07-27 CN CN202210892972.0A patent/CN115239156B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110914300A (zh) * | 2017-04-03 | 2020-03-24 | 安康乐济股份有限公司 | 使用ps靶向抗体与免疫肿瘤学药剂治疗癌症的方法 |
CN108764675A (zh) * | 2018-05-17 | 2018-11-06 | 河海大学 | 一种水系连通性评价方法 |
CN113139151A (zh) * | 2021-04-13 | 2021-07-20 | 武汉理工大学 | 一种城市化与生态环境近远程耦合协调水平的测度方法 |
CN113869689A (zh) * | 2021-09-18 | 2021-12-31 | 陇东学院 | 一种基于遥感和地理信息系统的生态环境动态监测方法 |
Non-Patent Citations (1)
Title |
---|
云小鹏: ""黄河流域城镇化与生态环境耦合协调测度及交互关系研究"", 《经济问题》, no. 8, pages 86 - 95 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390884A (zh) * | 2023-11-01 | 2024-01-12 | 四川大学 | 一种通过优化连通性改善水网结构的方法 |
CN117390884B (zh) * | 2023-11-01 | 2024-04-19 | 四川大学 | 一种通过优化连通性改善水网结构的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115239156B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Di Febbraro et al. | Expert-based and correlative models to map habitat quality: Which gives better support to conservation planning? | |
Salman et al. | Selection of gridded precipitation data for Iraq using compromise programming | |
CN106651211B (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
Yahaya et al. | Multicriteria analysis for flood vulnerable areas in Hadejia-Jama’are River basin, Nigeria | |
Wang et al. | A new copula-based standardized precipitation evapotranspiration streamflow index for drought monitoring | |
Ferreira et al. | Nature, socioeconomics and adaptation to natural disasters: new evidence from floods | |
CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
Nicholson et al. | A spatial regression and clustering method for developing place-specific social vulnerability indices using census and social media data | |
CN111523088A (zh) | 一种基于dpsir模型的生态环境评价方法 | |
CN113033997A (zh) | 基于改进集对分析的城市水质等级确定方法、装置及介质 | |
Zahmatkesh et al. | An uncertainty-based framework to quantifying climate change impacts on coastal flood vulnerability: Case study of New York City | |
CN111639810A (zh) | 一种基于防汛需求的降雨预报精度评估方法 | |
Moishin et al. | Development of Flood Monitoring Index for daily flood risk evaluation: case studies in Fiji | |
CN115239156B (zh) | 一种城镇化指标对水系结构的影响警示方法和装置 | |
Yisehak et al. | Characteristics of hydrological extremes in Kulfo River of southern Ethiopian Rift Valley basin | |
Asrari et al. | GIS overlay analysis for hazard assessment of drought in Iran using Standardized Precipitation Index (SPI) | |
CN105590034A (zh) | 防汛减灾能力评价模型 | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
CN110443468B (zh) | 一种山洪灾害脆弱性多测度评估方法 | |
Abatan et al. | Statistics of multi‐year droughts from the method for object‐based diagnostic evaluation | |
Liu et al. | An improved typhoon risk model coupled with mitigation capacity and its relationship to disaster losses | |
Antomi et al. | Model habitat quality in the future in padang city | |
Hedayat et al. | Drought risk assessment: The importance of vulnerability factors interdependencies in regional drought risk management | |
Chinh et al. | An analysis of the relative variable importance to flood fatality using a machine learning approach | |
Sen | Climate variability and migration in Bihar: An empirical analysis |
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 |