CN115270904B - 一种义务教育阶段适龄常住人口空间化方法和系统 - Google Patents
一种义务教育阶段适龄常住人口空间化方法和系统 Download PDFInfo
- Publication number
- CN115270904B CN115270904B CN202210385430.4A CN202210385430A CN115270904B CN 115270904 B CN115270904 B CN 115270904B CN 202210385430 A CN202210385430 A CN 202210385430A CN 115270904 B CN115270904 B CN 115270904B
- Authority
- CN
- China
- Prior art keywords
- town
- screening
- area
- hierarchical clustering
- built
- 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
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000012216 screening Methods 0.000 claims abstract description 198
- 230000000877 morphologic effect Effects 0.000 claims abstract description 95
- 238000007417 hierarchical cluster analysis Methods 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 47
- 238000010606 normalization Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 11
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种义务教育阶段适龄常住人口空间化方法和系统,包括以下步骤:对地貌筛选县进行层次聚类分析筛选出社会经济筛选县并组成一级筛选镇;对各像元的各波段数据进行层次聚类分析获得初始建成区图斑;剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;根据形状指标对成果建成区图斑进行层次聚类分析获得形状分类;根据统计指标对一级筛选镇进行层次聚类分析获得形态分类;提取出与待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练建立空间化模型。基于形态分类引入统计指标进行形状分类,提高了影响因素的相关性,使空间化模型的拟合度和准确度更高。
Description
技术领域
本发明属于数据统计处理技术领域,具体涉及一种义务教育阶段适龄常住人口空间化方法和系统。
背景技术
人口数据通常以行政区划为调查单元,普查、抽样逐级汇总而得,不能准确揭示区域内部人口实际分布和空间差异。人口空间化旨在揭示人口在地理空间上的分布信息和数量大小,呈现人口统计数据的地理学空间含义,其研究已经成为人口学、地理学、GIS领域研究的热点。人口数据的空间分布是反映人类活动最直观也是最便捷的指标,获取高精度的人口空间分布信息对于正确认识人口分布规律,分析人口、资源、环境和社会经济发展的相互作用机制,提高人口、资源和环境的综合管理能力有着重大的意义。
现有相关技术中,国内外研究人口空间化的方法大都是使用统计模型法,其基本思路是利用和人口分布相关的影响因子与统计人口数据之间的关系建立数学模型,通过将这些已知影响因子引入模型从而完成对统计人口数据的空间化。在统计模型法中,选取指标多变,缺少影响因子间相关性分析,融合权重确定较为主观,造成建立的人口空间化模型所预测的人口数量与实际人口分布偏差较大。
发明内容
本发明的目的是要解决上述的技术问题,提供一种义务教育阶段适龄常住人口空间化方法和系统,解决了现有技术中统计模型法获得的人口空间化模型所预测的人口数量与实际人口分布偏差较大的问题。
为了解决上述问题,本发明按以下技术方案予以实现的:
第一方面,本发明提供了一种义务教育阶段适龄常住人口空间化方法,所述方法用于待空间化镇的人口空间化,包括以下步骤:
基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素;
提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量
结合第一方面,本发明还提供了第一方面的第1种实施方式,基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,具体包括:
以待空间化镇为中心,将预设范围内全部县级单元作为初始周围县;
根据地形阶梯数据将初始周围县内的各个县级单元划分为若干阶梯类型;
选取与所述待空间化镇为同一阶梯类型的县级单元作为地貌筛选县;
基于HAC层次聚类法,对地貌筛选县中每个县级单元的预设社会经济指标进行层次聚类分析,获得若干种经济分类;所述预设社会经济指标包括:去年户籍人口密度、年末常住人口密度、年末乡村人口密度、去年人均GDP和去年人均储蓄存款余额;
选取地貌筛选县中与所述待空间化镇属于同一经济分类的县级单元作为社会经济筛选县。
结合第一方面,本发明还提供了第一方面的第2种实施方式,从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑,具体包括:
将卫星遥感栅格数据中各像元转换为点要素,并提取各像元的波段数据;
基于DBSCAN聚类法,根据波段数据对点要素进行聚类分析,获得若干种地表分类,并将分类结果附着于对应的点要素中;
将不同种类的地表分类与对应的卫片进行对比,识别超过预设比例的地表分类,并标记为建成区;
融合所有标记为建成区的像元并进行矢量化处理,以获得初始建成区图斑。
结合第一方面,本发明还提供了第一方面的第3种实施方式,剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑,具体包括:
选取初始建成区图斑中面积小于面积阈值的微面积区域;
从初始建成区图斑中剔除微面积区域作为剩余面积区域;
对剩余面积区域做缓冲区处理得到处理面积区域;
将所述处理面积区域和所述微面积区域融合生成成果建成区图斑。
结合第一方面,本发明还提供了第一方面的第4种实施方式,对剩余面积区域做缓冲区处理得到处理面积区域,具体包括:
以剩余面积区域的轮廓线作为基准线,对剩余面积区域进行预设距离的负缓冲处理得到负缓冲面积区域;
以负缓冲面积区域的轮廓线作为基准线,对负缓冲面积区域进行正缓冲处理得到正缓冲面积区域;
融合正缓冲面积区域与微面积区域作为处理面积区域。
结合第一方面,本发明还提供了第一方面的第5种实施方式,基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,具体包括:
获得成果建成区图斑的若干形状指标;所述形状指标包括:面积、周长、高度、宽度、主轴长度、次轴长度、欧拉数、离心率、细长度、矩形度、方向和紧凑度;
基于HAC层次聚类法,根据成果建成区图斑中每个形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,并将分类结果附着于对应的成果建成区图斑中。
结合第一方面,本发明还提供了第一方面的第6种实施方式,基于层次聚类法对一级筛选镇的统计指标进行层次聚类分析,获得若干种形态分类,具体包括:
获取一级筛选镇的若干统计指标;所述统计指标包括所述形状分类下的若干形态因素和每个一级筛选镇的形态因素,每个形状分类下的形态因素包括:总面积、面积占比、总数量、数量占比、类图斑聚合度,每个一级筛选镇的形态因素包括总图斑聚合度;
基于HAC层次聚类法,根据一级筛选镇的中每个统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类,并将分类结果附着于对应的一级筛选镇中。
结合第一方面,本发明还提供了第一方面的第7种实施方式,通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,具体为:
选择待空间化镇内需空间化的目标区域,并采集目标区域的若干统计指标;
获取形态筛选镇内每个镇级单位的义务教育阶段适龄常住人口总数;
以形态筛选镇内每个镇级单位作为训练集,目标区域的若干统计指标作为输入层数据,每个镇级单位的义务教育阶段适龄常住人口总数作为样本值,通过BP神经网络对训练集进行训练建立空间化模型。
结合第一方面,本发明还提供了第一方面的第8种实施方式,通过BP神经网络模型对训练集进行训练建立空间化模型,具体包括:
对输入层数据进行归一化处理;
利用归一化处理后的输入层数据构建BP神经网络模型;
训练BP神经网络模型直至达到目标误差得到空间化模型。
第二方面,本发明提供了一种义务教育阶段适龄常住人口空间化系统,所述系统用于待空间化镇的人口空间化,包括:
一级筛选镇构建模块,所述一级筛选镇构建模块用于基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
初始建成区图斑获得模块,所述初始建成区图斑获得模块用于获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
成果建成区图斑获得模块,所述成果建成区图斑获得模块用于剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
形状分类获得模块,所述形状分类获得模块用于基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
形态分类获得模块,所述形态分类获得模块用于基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素;
形态筛选镇提取模块,所述形态筛选镇提取模块用于提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
空间化模型建立模块,所述空间化模型建立模块用于通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量。
与现有技术相比,本发明的有益效果是:
本申请实施例中,通过社会经济状况对作为建模样本的县级单位进行筛选,提高了样本的近似性,通过引入形态指标进行形状分类,并基于形态分类引入统计指标进行形状分类,提高了影响因素的相关性,细化了形态筛选镇的区分度,使通过形态筛选镇建立的空间化模型的拟合度和准确度更高,通过该空间化模型预测的人口数量更精确。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1是本发明的一种义务教育阶段适龄常住人口空间化方法的流程示意图;
图2是本发明的一级筛选镇的面积分布示意图;
图3是本发明的初始建成区图斑的面积分布示意图;
图4是本发明的一种义务教育阶段适龄常住人口空间化系统的结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本发明所述的一种义务教育阶段适龄常住人口空间化方法,所述方法用于待空间化镇的人口空间化,包括以下步骤:
S1:基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
S2:获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
S3:剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
S4:基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
S5:基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素;
S6:提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
S7:通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量。
本实施例公布了一种义务教育阶段适龄常住人口空间化方法,通过社会经济状况对作为建模样本的县级单位进行筛选,提高了样本的近似性,通过引入形态指标进行形状分类,并基于形态分类引入统计指标进行形状分类,提高了影响因素的相关性,细化了形态筛选镇的区分度,使通过形态筛选镇建立的空间化模型的拟合度和准确度更高,通过该空间化模型预测的人口数量更精确。
步骤S1:基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇。
本实施例中,通过经济状况对样本进行筛选获得一级筛选镇,提高了一级筛选镇与待空间化镇的近似性,可使建立的空间化模型的准确度更高。
在一优选实施例中,基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,具体包括:
步骤S101:以待空间化镇为中心,将预设范围内全部县级单元作为初始周围县。
本实施例中,以待空间化镇为中心,选取周围500km范围内的县级单元,作为初始周围县,初始周围县内该区域的经济状况和文化差异较小,能够准确反应待空间化镇的真实生活水平,估算所得的义务教育阶段适龄常住人口数目较为符合实际情况。
步骤S102:根据地形阶梯数据将初始周围县内的各个县级单元划分为若干阶梯类型。
步骤S103:选取与所述待空间化镇为同一阶梯类型的县级单元作为地貌筛选县。
在步骤S102和步骤S103中,根据中国三级阶梯地形的地形分类,将初始周围县中的各县级单位根据它们所属的地形分为三类,保留其中与待空间化镇处于同一阶梯的县级单位,作为地貌筛选县,由于地理位置较接近时,位于同一阶梯的县级单位,经济状况和文化差异较小,进一步提高了样本的近似性。
步骤S104:基于HAC层次聚类法,对地貌筛选县中每个县级单元的预设社会经济指标进行层次聚类分析,获得若干种经济分类;所述预设社会经济指标包括:去年户籍人口密度、年末常住人口密度、年末乡村人口密度、去年人均GDP和去年人均储蓄存款余额。
步骤S105:选取地貌筛选县中与所述待空间化镇属于同一经济分类的县级单元作为社会经济筛选县。
在步骤S104和步骤S105中,根据《中国城市统计数据》、《中国县级统计数据》与各县级单位统计局公布的数字,收集地貌筛选县中各县级单元的5项社会经济指标,包括:去年户籍人口密度(人/平方千米)、年末常住人口密度(人/平方千米)、年末乡村人口密度(人/平方千米)、去年人均GDP(元/人)、去年人均储蓄存款余额(元/人)。
使用HAC层次聚类法,根据社会经济指标将地貌筛选县中各县分为2-6类。具体操作为:先对各县级单元的5项社会经济指标分别进行数据Z得分标准化处理,其公式为Z=(x-μ)/σ,式中,Z为每个县级单位的Z得分,x为变量值,μ为各项社会经济指标的均值,σ为各项社会经济指标的标准差。以组间联接法为聚类方法、以平方欧氏距离作为距离测量方法,设置最小聚类数为2,最大聚类数为6,进行层次聚类分析,并使聚类结果附加到地貌筛选县中。根据聚类结果提取其中与待空间化镇属于同一类的县,作为社会经济筛选县。
在HAC层次聚类法中,将地貌筛选县中每个县级单位当做一个聚类,通过平方欧式距离计算每两个聚类之间的距离,将距离符合合并条件的两个聚类进行合并,重复计算合并后的聚类之间的距离并合并,终止条件为当前聚类数是合并前聚类数的10%,即聚类中90%的聚类都被合并了,可防止过度合并带来的误差。
如图2所示,本实施例以广州市花都区狮岭镇为例,根据中国三级阶梯地形的地形分类,狮岭镇属于第三阶梯,以狮岭镇为中心,提取其周围500km的与狮岭镇同为第三阶梯的389个县级单位作为地貌筛选县,根据5项社会经济指标通过HAC层次聚类法将389个县级单位分为6类,其中狮岭镇所述的花都区属于分类二,提取389个县级单位中同为分类二的59个县级单位作为社会经济筛选县,构成59个社会经济筛选县的859个乡镇行政单元即为一级筛选镇。
步骤S2:获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑。
本实施例中,收集一级筛选镇范围内的Landsat8(美国陆地卫星)或哨兵卫星遥感数据,遥感数据包括栅格数据,栅格数据就是将空间分割成有规律的网格,每一个网格称为一个单元,并在各单元上赋予相应的属性值来表示实体的一种数据形式,卫星影像是栅格数据中的一种,卫星影像是记录有各种地物电磁波大小的胶片或照片,其通常有三种显示方式:灰度图像显示、伪彩色图像显示和真彩色图像显示,真彩色图像显示中RGB三个通道分别对应于RGB波段的值,每个波段对应有相应的像素信息。在栅格数据集中,每个栅格称为一个像元,每个像元都有一个值,用来表达是所描绘的现象,如类别、高度、量级或光谱等等。其中的类别则可以是草地、森林或道路等土地利用类;高度(距离)则可表示平均海平面以上的表面高程,可以用来派生出坡度、坡向和流域属性;量级可以表示重力、噪声污染或降雨百分比;光谱可在卫星影像和航空摄影中表示光反射系数和颜色。
在一优选实施例中,从卫星遥感栅格数据中提取像素信息,基于层次聚类法对像素信息进行层次聚类分析获得初始建成区图斑,具体包括:
步骤S201:将卫星遥感栅格数据中各像元转换为点要素,并提取各像元的波段数据;
在步骤S201中,利用ArcGIS转换工具将遥感栅格数据转换成点要素,再利用ArcGIS提取工具提取影像中各个波段的像素信息,再将像素信息的属性列表导出至表格。
步骤S202:基于DBSCAN聚类法,根据波段数据对点要素进行聚类分析,获得若干种地表分类,并将分类结果附着于对应的点要素中;
在步骤S202中,DBSCAN为python的sklearn库中的一种基于密度的空间聚类算法,该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合。具体操作为:对各点要素的波段数据分别进行数据Z得分标准化处理,其公式为Z=(x-μ)/σ,式中,Z为每个波段数据的Z得分,x为变量值,μ为各像素信息的均值,σ为各像素信息的标准差。本实施例选用Landsat8的遥感数据,选取第4、6、7栅格波段进行聚类分析,通过调节eps(邻域阈值)和min_samples(点数阈值)的参数,可获得30个地表分类。
步骤S204:将不同种类的地表分类与对应的卫片进行对比,识别超过预设比例的地表分类,并标记为建成区;
在步骤S204中,将不同种类的地表分类与对应的卫片进行目测对比,若某分类中约90%以上像元为人工建造表面,则该分类可标记为建成区。
步骤S205:融合所有标记为建成区的像元并进行矢量化处理,以获得初始建成区图斑。
如图3所示,本实施例以广州市狮岭镇所在的花都区为例,使用DBSCAN聚类法可将花都区划分为39个地表分类,经过与卫片进行目测对比,其中初始建成区图斑的面积约320km2。
在一优选实施例中,对初始建成区图斑进行简化处理,包括以下步骤:
步骤S021:去除初始建成区图斑中的噪点;
在初始建成区图斑中包括若干建筑物多边形,建筑物多边形是由一系列环组成,环则由一串首尾相同的点构造而成;噪点为建成区图斑上的若干面积较小的多边形环,这些噪点由于面积较小,明显不属于建筑物多边形。
步骤S022:剔除冗余点;
取建筑物多边形环上的的像素点中临近的三个像素点组成多边形单元;若中间像素点与相连两像素点连线之间的夹角小于角度阈值,则该点为冗余点并将该点剔除掉,并以相连两像素点和另一相邻像素点重新组成多边形单元;若中间像素点与相连两像素点连线之间的夹角大于或等于角度阈值,则保留该中间像素点。遍历重复上述步骤,直至初始建成区图斑中冗余点被完全去除干净。
步骤S3:剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑。
在一优选实施例中,剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑,具体包括:
步骤S301:选取初始建成区图斑中面积小于面积阈值的微面积区域;
步骤S302:从初始建成区图斑中剔除微面积区域作为剩余面积区域;
步骤S303:对剩余面积区域做缓冲区处理得到处理面积区域;
步骤S304:将所述处理面积区域和所述微面积区域融合生成成果建成区图斑。
在一优选实施例中,在步骤S303中,对剩余面积区域做缓冲区处理得到处理面积区域,具体包括:
步骤S3031:以剩余面积区域的轮廓线作为基准线,对剩余面积区域进行预设距离的负缓冲处理得到负缓冲面积区域;
步骤S3032:以负缓冲面积区域的轮廓线作为基准线,对负缓冲面积区域进行正缓冲处理得到正缓冲面积区域;
步骤S3033:融合正缓冲面积区域与微面积区域作为处理面积区域。
在步骤S301-S304中,从初始建成区图斑中选取面积小于8000平方米的区域作为微面积区域,从初始建成区图斑中剔除微面积区域作为剩余面积区域,对剩余面积区域先作负50米缓冲区处理得到负缓冲区域,然后再作正50米的缓冲区处理得到正缓冲区域,然后将正缓冲区域与剩余得到处理面积区域,即可消解掉连接各建设区中的高速公路图斑,然后将所述处理面积区域和所述微面积区域融合并生成成果建成区图斑。由于高速公路图斑通常为细长的条状,其宽度通常小于100m,对剩余面积区域先作负50米缓冲区处理,然后再作正50米的缓冲区处理,即可剔除掉高速公路图斑,且可使初始建成区图斑的形状和面积大小基本保持不变。
步骤S4:基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类。
在一优选实施例中,基于层次聚类法对成果建成区图斑的形状指标进行层次聚类分析,获得若干种形状分类,具体包括:
步骤S401:获得成果建成区图斑的若干形状指标;所述形状指标包括:面积、周长、高度、宽度、主轴长度、次轴长度、欧拉数、离心率、细长度、矩形度、方向和紧凑度;
步骤S402:基于HAC层次聚类法,根据成果建成区图斑中每个形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,并将分类结果附着于对应的成果建成区图斑中。
在步骤S401和步骤S402中,使用测量软件程序对各建成区图斑的面积、周长、高度、宽度、主轴长度、次轴长度、欧拉数、离心率、细长度、矩形度、方向、紧凑度等12项形状指标进行衡量,并加以记录。先对12项形状指标分别进行数据Z得分标准化处理,其公式为Z=(x-μ)/σ,Z为每个建成区图斑的Z得分,x为形状指标的变量值,μ为形状指标的均值,σ为形状指标的标准差。以组间联接法为聚类方法、以平方欧氏距离作为距离测量方法,设置最小聚类数为6,最大聚类数为10,进行层次聚类分析,可形成6-10种形状分类,并使聚类结果附加到各建成区图斑中。
步骤S5:基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素。
在一优选实施例中,基于层次聚类法对一级筛选镇的统计指标进行层次聚类分析,获得若干种形态分类,具体包括:
步骤S501:获取一级筛选镇的若干统计指标;所述统计指标包括所述形状分类下的若干形态因素和每个一级筛选镇的形态因素,每个形状分类下的形态因素包括:总面积、面积占比、总数量、数量占比、类图斑聚合度,每个一级筛选镇的形态因素包括总图斑聚合度;
步骤S502:基于HAC层次聚类法,根据一级筛选镇的中每个统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类,并将分类结果附着于对应的一级筛选镇中。
在步骤S501和步骤S502中,以镇级单位为基本单位,对一级筛选镇的各镇级行政单位的6种形状分类以下5个形态因素进行统计:每种形状的总面积、面积占比、总数量、数量占比、各类图斑的聚合度。从而得到6*5=30个统计指标。此外应统计各镇内全部成果建成区图斑的聚合度。所以每一个镇域应当形成31个统计指标。
使用HAC层次聚类法,根据31项统计指标对一级筛选镇内的各镇进行进行聚合分类。形成n种形态分类(n宜取2-4之间的整数,这里示例取3)。先对31项统计指标分别进行数据Z得分标准化处理,其公式为Z=(x-μ)/σ,式中,Z为每个一级筛选镇的Z得分,x为统计指标的变量值,μ为统计指标的均值,σ为统计指标的标准差。以组间联接法为聚类方法、以平方欧氏距离作为距离测量方法,设置最小聚类数为2,最大聚类数为4,进行层次聚类分析,并使聚类结果附加到各一级筛选镇中。
步骤S6:提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇。
步骤S7:通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量。
本实施例中,通过引入BP神经网络模型训练并建立空间化模型,由于BP神经网络模型具有较强的非线性映射能力,其可以任意精度逼近任何非线性连续函数,具有较好的拟合度;并且BP神经网络模型具有高度的自学习和自适应能力,在多次训练后可提高空间化模型的准确性。
在一优选实施例中,通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,具体为:
步骤S701:选择待空间化镇内需空间化的目标区域,并采集目标区域的若干统计指标;
步骤S702:获取形态筛选镇内每个镇级单位的义务教育阶段适龄常住人口总数;
步骤S703:以形态筛选镇内每个镇级单位作为训练集,目标区域的若干统计指标作为输入层数据,每个镇级单位的义务教育阶段适龄常住人口总数作为样本值,通过BP神经网络对训练集进行训练建立空间化模型。
在步骤S701-S703中,作为优选实施例,参照步骤S501采集目标范围的12项统计指标,12项统计指标为6种形状分类下的总面积和总数量,根据各统计局的人口统计数据或教育局的教育事业统计数据,收集形态筛选镇内各镇的义务教育阶段适龄常住人口总数。以形态筛选镇的各镇为训练集、以12项统计指标作为输入层数据、以各镇的义务教育阶段适龄常住人口为样本值,使用BP神经网络对训练集进行学习与训练。训练完毕后,使用BP神经网络根据目标范围的内的义务教育阶段适龄常住人口进行预测,得到预测值。如此实现了对目标范围的内的义务教育阶段适龄常住人口的估算。
在步骤S703中,通过BP神经网络模型对训练集进行训练建立空间化模型,具体包括:
步骤S7031:对输入层数据进行归一化处理;
在步骤S7031中,本实施例以6种形状分类的总面积和总数量作为统计指标,对这12项统计指标进行归一化处理,以消除不同量纲之间的影响,并记录归一化处理前后的逻辑关系。其中归一化处理的公式为:X=[x-xmin]/[xmax-xmin],其中,X为处理后的数据值,x为输入的统计指标的值,xmin为每一类统计指标中的最小值,xmax为每一类统计指标中的最大值。
步骤S7032:利用归一化处理后的输入层数据构建BP神经网络模型;
步骤S7033:训练BP神经网络模型直至达到目标误差得到空间化模型。
在步骤S7032和步骤S7033中,利用归一化处理之后的数据,构建BP神经网络模型,总共设置三个神经层,分别为输入层、隐层和输出层,输入层、隐层和输出层分别有3,8,2个神经元,然后对网络模型进行训练,训练为每十次展示一次结果,最大训练次数为10000次,训练网络所要达到的目标误差为0.000005时即可获得空间化模型。
在BP神经网络模型中,输入层和输出层选用的函数为purelin函数(线性传递函数),激励函数为Log-Sigmoid函数,其公式为:f(x)=1/(1+e-x),其中,x为归一化处理之后的数据值,f(x)为计算所得的训练值。
在一优选实施例中,为了验证空间化模型的可靠性,先将输入层数据分为两部分,分别为因子集和变量集,将变量集归一化处理后作为输入层数据构建BP神经网络模型,然后将因子集归一化处理后,代入BP神经网络模型得到一输出结果,然后根据因子集归一化处理的逻辑关系将输出结果进行反归一化处理得到一预测结果,然后将预测结果与变量集构建相关系数矩阵,以计算将预测结果与变量集之间的相关关系,若相关关系的结果均在0.9以上,则说明该BP神经网络模型较为可靠。例如,将输入层数据分为因子集A和变量集B,将变量集B归一化处理后得到b,并利用b作为输入层数据构建BP神经网络模型G(b),将因子集A归一化处理后得到a,将a输入BP神经网络模型G(b)获得一输出结果G(a),然后根据因子集A归一化处理的逻辑关系,将输出结果G(a)进行反归一化处理获得预测结果A0,然后将预测结果A0和变量集B构建相关系数矩阵[A0]=y[B],若相关系数y的值在0.9以上,即可证明该BP神经网络模型可靠性较好。
最后,根据归一化处理公式将要待空间化镇的统计指标作为输入,通过空间化模型计算即可预测待空间化镇内的义务教育阶段适龄常住人口数量,本实施例优选取10次预测值的平均值作为预测结果。同时,也可将预测结果根据归一化处理公式进行反归一化处理,可测量空间化模型的可靠性。
本实施例所述一种义务教育阶段适龄常住人口空间化方法的其他步骤参见现有技术。
实施例2
如图4所示,第二方面,本发明公开了一种义务教育阶段适龄常住人口空间化系统,包括一级筛选镇构建模块M1、初始建成区图斑获得模块M2、成果建成区图斑获得模块M3、形状分类获得模块M4、形态分类获得模块M5、形态筛选镇提取模块M6和空间化模型建立模块M7。
一级筛选镇构建模块M1用于基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
初始建成区图斑获得模块M2用于获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
成果建成区图斑获得模块M3用于剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
形状分类获得模块M4用于基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
形态分类获得模块M5用于基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素;
形态筛选镇提取模块M6用于提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
空间化模型建立模块M7用于通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量。
综上所述,本实施例所述装置在运行时,通过实施实施例1中所述的义务教育阶段适龄常住人口空间化方法的全部步骤,以实现实施例1中所达到的技术效果。
本实施例所述义务教育阶段适龄常住人口空间化系统的其它结构参见现有技术。
实施例3
本发明还公开一种电子设备,至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,所述至少一个处理器执行指令时,具体实现以下的步骤:
基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素;
提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量。
实施例4
本发明还公开一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时,具体实现以下步骤:
基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个级筛选镇的形态因素;
提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,上述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Java等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
以上已经描述了本公开的各实施方式,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。
Claims (7)
1.一种义务教育阶段适龄常住人口空间化方法,其特征在于,所述方法用于待空间化镇的人口空间化,包括以下步骤:
基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个一级筛选镇的形态因素;
提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量;
其中,基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,具体包括:
以待空间化镇为中心,将预设范围内全部县级单元作为初始周围县;
根据地形阶梯数据将初始周围县内的各个县级单元划分为若干阶梯类型;
选取与所述待空间化镇为同一阶梯类型的县级单元作为地貌筛选县;
基于HAC层次聚类法,对地貌筛选县中每个县级单元的预设社会经济指标进行层次聚类分析,获得若干种经济分类;所述预设社会经济指标包括:去年户籍人口密度、年末常住人口密度、年末乡村人口密度、去年人均GDP和去年人均储蓄存款余额;
选取地貌筛选县中与所述待空间化镇属于同一经济分类的县级单元作为社会经济筛选县;
其中,基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,具体包括:
获得成果建成区图斑的若干形状指标;所述形状指标包括:面积、周长、高度、宽度、主轴长度、次轴长度、欧拉数、离心率、细长度、矩形度、方向和紧凑度;
基于HAC层次聚类法,根据成果建成区图斑中每个形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,并将分类结果附着于对应的成果建成区图斑中;
其中,基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类,具体包括:
获取一级筛选镇的若干统计指标;所述统计指标包括所述形状分类下的若干形态因素和每个一级筛选镇的形态因素,每个形状分类下的形态因素包括:总面积、面积占比、总数量、数量占比、类图斑聚合度,每个一级筛选镇的形态因素包括总图斑聚合度;
基于HAC层次聚类法,根据一级筛选镇的中每个统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类,并将分类结果附着于对应的一级筛选镇中。
2.根据权利要求1所述的一种义务教育阶段适龄常住人口空间化方法,其特征在于,从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑,具体包括:
将卫星遥感栅格数据中各像元转换为点要素,并提取各像元的波段数据;
基于DBSCAN聚类法,根据波段数据对点要素进行聚类分析,获得若干种地表分类,并将分类结果附着于对应的点要素中;
将不同种类的地表分类与对应的卫片进行对比,识别超过比例的地表分类,并标记为建成区;
融合所有标记为建成区的像元并进行矢量化处理,以获得初始建成区图斑。
3.根据权利要求1所述的一种义务教育阶段适龄常住人口空间化方法,其特征在于,剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑,具体包括:
选取初始建成区图斑中面积小于面积阈值的微面积区域;
从初始建成区图斑中剔除微面积区域作为剩余面积区域;
对剩余面积区域做缓冲区处理得到处理面积区域;
将所述处理面积区域和所述微面积区域融合生成成果建成区图斑。
4.根据权利要求3所述的一种义务教育阶段适龄常住人口空间化方法,其特征在于,对剩余面积区域做缓冲区处理得到处理面积区域,具体包括:
以剩余面积区域的轮廓线作为基准线,对剩余面积区域进行预设距离的负缓冲处理得到负缓冲面积区域;
以负缓冲面积区域的轮廓线作为基准线,对负缓冲面积区域进行正缓冲处理得到正缓冲面积区域;
融合正缓冲面积区域与微面积区域作为处理面积区域。
5.根据权利要求1所述的一种义务教育阶段适龄常住人口空间化方法,其特征在于,通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,具体为:
选择待空间化镇内需空间化的目标区域,并采集目标区域的若干统计指标;
获取形态筛选镇内每个镇级单位的义务教育阶段适龄常住人口总数;
以形态筛选镇内每个镇级单位作为训练集,目标区域的若干统计指标作为输入层数据,每个镇级单位的义务教育阶段适龄常住人口总数作为样本值,通过BP神经网络模型对训练集进行训练建立空间化模型。
6.根据权利要求5所述的一种义务教育阶段适龄常住人口空间化方法,其特征在于,通过BP神经网络模型对训练集进行训练建立空间化模型,具体包括:
对输入层数据进行归一化处理;
利用归一化处理后的输入层数据构建BP神经网络模型;
训练BP神经网络模型直至达到目标误差得到空间化模型。
7.一种义务教育阶段适龄常住人口空间化系统,其特征在于,所述系统用于待空间化镇的人口空间化,包括:
一级筛选镇构建模块,所述一级筛选镇构建模块用于基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,并将所有构成社会经济筛选县的乡镇组成一级筛选镇;
初始建成区图斑获得模块,所述初始建成区图斑获得模块用于获取一级筛选镇的卫星遥感栅格数据,并从卫星遥感栅格数据中提取各像元的各波段数据,基于层次聚类法对各像元进行层次聚类分析获得初始建成区图斑;
成果建成区图斑获得模块,所述成果建成区图斑获得模块用于剔除初始建成区图斑中高速公路图斑,获得成果建成区图斑;
形状分类获得模块,所述形状分类获得模块用于基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类;
形态分类获得模块,所述形态分类获得模块用于基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类;其中,所述统计指标包括所述形状分类下若干形态因素和每个一级筛选镇的形态因素;
形态筛选镇提取模块,所述形态筛选镇提取模块用于提取出与所述待空间化镇属于同一形态分类的镇级单位作为形态筛选镇;
空间化模型建立模块,所述空间化模型建立模块用于通过BP神经网络模型对形态筛选镇内的人口数据信息进行训练,建立空间化模型,所述空间化模型用于预测所述待空间化镇内目标区域的义务教育阶段适龄常住人口数量;
其中,基于层次聚类法对地貌筛选县进行层次聚类分析筛选出社会经济筛选县,具体包括:
以待空间化镇为中心,将预设范围内全部县级单元作为初始周围县;
根据地形阶梯数据将初始周围县内的各个县级单元划分为若干阶梯类型;
选取与所述待空间化镇为同一阶梯类型的县级单元作为地貌筛选县;
基于HAC层次聚类法,对地貌筛选县中每个县级单元的预设社会经济指标进行层次聚类分析,获得若干种经济分类;所述预设社会经济指标包括:去年户籍人口密度、年末常住人口密度、年末乡村人口密度、去年人均GDP和去年人均储蓄存款余额;
选取地貌筛选县中与所述待空间化镇属于同一经济分类的县级单元作为社会经济筛选县;
其中,基于层次聚类法根据成果建成区图斑的形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,具体包括:
获得成果建成区图斑的若干形状指标;所述形状指标包括:面积、周长、高度、宽度、主轴长度、次轴长度、欧拉数、离心率、细长度、矩形度、方向和紧凑度;
基于HAC层次聚类法,根据成果建成区图斑中每个形状指标对成果建成区图斑进行层次聚类分析,获得若干种形状分类,并将分类结果附着于对应的成果建成区图斑中;
其中,基于层次聚类法根据一级筛选镇的统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类,具体包括:
获取一级筛选镇的若干统计指标;所述统计指标包括所述形状分类下的若干形态因素和每个一级筛选镇的形态因素,每个形状分类下的形态因素包括:总面积、面积占比、总数量、数量占比、类图斑聚合度,每个一级筛选镇的形态因素包括总图斑聚合度;
基于HAC层次聚类法,根据一级筛选镇的中每个统计指标对一级筛选镇进行层次聚类分析,获得若干种形态分类,并将分类结果附着于对应的一级筛选镇中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385430.4A CN115270904B (zh) | 2022-04-13 | 2022-04-13 | 一种义务教育阶段适龄常住人口空间化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385430.4A CN115270904B (zh) | 2022-04-13 | 2022-04-13 | 一种义务教育阶段适龄常住人口空间化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115270904A CN115270904A (zh) | 2022-11-01 |
CN115270904B true CN115270904B (zh) | 2023-04-18 |
Family
ID=83758211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385430.4A Active CN115270904B (zh) | 2022-04-13 | 2022-04-13 | 一种义务教育阶段适龄常住人口空间化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152381B (zh) * | 2023-03-02 | 2024-03-26 | 昆明理工大学 | Gis数据中按参考图层拟合的条带状图斑绘制的方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5129799B2 (ja) * | 2009-11-24 | 2013-01-30 | 株式会社エヌ・ティ・ティ・ドコモ | 需要予測装置及び需要予測方法 |
CN108871286B (zh) * | 2018-04-25 | 2021-02-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
CN109948697B (zh) * | 2019-03-19 | 2022-08-26 | 中南大学 | 利用众源数据辅助遥感影像分类提取城市建成区的方法 |
CN110704565B (zh) * | 2019-09-27 | 2022-12-20 | 泉州师范学院 | 一种基于遥感与gis的人口统计数据网格化建模方法 |
CN111274700B (zh) * | 2020-01-20 | 2022-12-02 | 中国测绘科学研究院 | 一种基于矢量数据的生境网络构建方法 |
CN111506879B (zh) * | 2020-04-16 | 2023-06-09 | 广州大学 | 一种基于多源感知数据的人口空间化测算方法、装置 |
CN112989985B (zh) * | 2021-03-08 | 2022-04-15 | 武汉大学 | 一种融合夜间灯光数据与Landsat8 OLI影像的城市建成区提取方法 |
-
2022
- 2022-04-13 CN CN202210385430.4A patent/CN115270904B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115270904A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xing et al. | Integrating landscape metrics and socioeconomic features for urban functional region classification | |
CN111242493B (zh) | 一种街道品质评价方法、装置、系统及存储介质 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN111666918A (zh) | 一种基于多因素的海岸线变化识别方法 | |
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 | |
Silvan-Cardenas et al. | Assessing fine-spatial-resolution remote sensing for small-area population estimation | |
Nduwayezu et al. | Modeling urban growth in Kigali city Rwanda | |
Doupe et al. | Equitable development through deep learning: The case of sub-national population density estimation | |
Huang et al. | Sensing population distribution from satellite imagery via deep learning: Model selection, neighboring effects, and systematic biases | |
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 | |
CN115270904B (zh) | 一种义务教育阶段适龄常住人口空间化方法和系统 | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
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 | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
Sapena et al. | Empiric recommendations for population disaggregation under different data scenarios | |
Šimbera | Neighborhood features in geospatial machine learning: the case of population disaggregation | |
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 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
Liu et al. | Airborne laser scanning point clouds filtering method based on the construction of virtual ground seed points | |
Sun et al. | GABLE: A first fine-grained 3D building model of China on a national scale from very high resolution satellite imagery | |
Chen et al. | Built-Up Area Extraction Combing Densely Connected Dual-Attention Network and Multiscale Context | |
CN110298253B (zh) | 一种基于人口大数据的城市建筑体虚拟显示方法及系统 |
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 |