CN115457386A - 一种村庄用地信息化生成方法 - Google Patents
一种村庄用地信息化生成方法 Download PDFInfo
- Publication number
- CN115457386A CN115457386A CN202211033990.XA CN202211033990A CN115457386A CN 115457386 A CN115457386 A CN 115457386A CN 202211033990 A CN202211033990 A CN 202211033990A CN 115457386 A CN115457386 A CN 115457386A
- Authority
- CN
- China
- Prior art keywords
- village
- land
- classification
- remote sensing
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000265 homogenisation Methods 0.000 claims abstract description 3
- 238000010276 construction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000003643 water by type Substances 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000287127 Passeridae Species 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种村庄用地信息化生成方法，涉及大数据处理技术领域，包括以下步骤：获取高分辨率遥感影像，并针对遥感影像进行预处理；确定村庄用地信息提取目标，建立分类体系；调整均质因子、波段权重和分割尺度，针对遥感影像进行影像分割，获取不同类型的分割影像；将所述分割影像与村庄土地利用现状图进行对照，对所述分割影像按照所述分类体系进行分类，选择样本；从样品对比、总体分类效果与遥感影像对比两个层面进行分类效果评价；将分类后的影像重新定位，获取地类分布现状图、房屋分布现状图、综合图；建立村庄基础数据库。本发明可提高信息提取精度，实现村庄用地信息化及可视化。
Description
技术领域
本发明属于大数据处理技术领域，具体涉及一种村庄用地信息化生成方法。
背景技术
随着农村经济的进一步发展，快速城镇化和工业化进程加快了我国空心村现象的演进，空心村表现在农村村庄建新不拆旧、违法占地现象严重，新建住宅逐渐向外围扩展导致村庄聚落形态变成沿道路两侧带状分布，村庄建设用地规模不断扩大，但是其中空置、废弃房屋较多，村庄内部出现了不同规模额土地闲置和空心化现象，造成土地资源的极大浪费，引起社会的广泛关注。因此，针对空心村这类特殊又普遍的地域单元，针对村庄用地信息进行数据提取，进行空心村庄识别，开展空心村整治工作，既是解决中国农村空心化所引发的农村资源、环境、社会、经济诸多问题的现实要求，也是推进新农村建设和美丽乡村建设的战略选择。
申请号为CN201610136913.5的中国专利提供了一种面向建设用地整治的自然村空心化程度及类型识别方法，包括将自然村庄建设用地斑块与政务地图进行校核；收集研究范围内各自然村庄的人口数量、公共服务设施数量、土地出让情况、主要道路空间分布情况以及居民用电数据，通过数据筛选与校核，实现各类数据要素与GIS工作底图的匹配；通过熵值赋权法计算各类数据要素的权重关系，分别对麻雀村、空心村和偏远村进行初步判别，并进一步形成村庄改造的综合评价；根据村庄改造的综合评价，结合相关规划文件的指导建议和各村镇政府主管部门的改造建议，得到乡村建设用地斑块改造潜力，并建立实时的规划实施反馈机制。该识别方法通过利用居民用电数据与其他传统规划调查数据相结合的方式，从多维角度提出一种麻雀村、空心村和偏远村的村庄类型识别方法，实现对自然村庄空心化程度的判别和村庄土地改造潜力的综合评价，但是该类识别方法需要收集大量信息，无法直观的进行农村建筑物信息提取。
目前针对农村建筑物提取方面，采用基于高分辨率遥感影像的建筑物提取技术方的研究较多，这些提取方法主要根据建筑物的几何特征、光谱特征，结合边缘检测等获取的辅助信息等进行构建。如朱俊杰和范湘涛通过研究发现建筑物的几何特征比其光谱特征更加典型，这些几何特征包括:面积特征、矩形拟合度特征、长宽比特征、走向特征等；杨林和盛业华等，探讨了在影像辅助下基于地面的建筑物几何特征精细提取方法该方法主要在利用影像与点云配准关系将建筑物影像特征线映射到三维点云空间，即获得影像三维空间坐标的辅助下，通过估算点云法向曲率，得到精细的几何特征；张庆云和赵冬，在介绍高空间分辨率遥感影像中建筑物的特点的基础上，总结了基于高空间分辨率遥感影像中建筑物自动提取的四种主要方法的优缺点，包括多尺度分割提取方法、基于边缘和角点检测与匹配的提取方法、基于区域分割的提取方法和基于数学工具、新理论以及多种方法结合的提取方法。
上述提取方法可以提高信息提取精度，但是目前针对空心村整治信息提取方面的研究较少，且主要停留在定性的层面，定量的研究较为缺乏，因此需要提供一套可推广的、快速的村庄用地信息化提取方法，提取农村建筑物，建立成套空心村基础数据库。
发明内容
基于以上问题，本发明的目的是针对上述问题提供一种村庄用地信息化生成方法。
为实现上述目的，本发明提供如下技术方案：
一种村庄用地信息化生成方法，包括以下步骤：
第一步、获取高分辨率遥感影像，并针对遥感影像进行预处理；
第二步、确定村庄用地信息提取目标，建立分类体系；
第三步、调整均质因子、波段权重和分割尺度，针对遥感影像进行影像分割，获取不同类型的分割影像；
第四步、将所述分割影像与村庄土地利用现状图进行对照，对所述分割影像按照所述分类体系进行分类，选择样本；
第五步、从样品对比、总体分类效果与遥感影像对比两个层面进行分类效果评价；
第六步、将分类后的影像重新定位，获取地类分布现状图、房屋分布现状图、综合图；
第七步、建立村庄基础数据库。
优选地，所述分类体系至少包括以下类别：水域、建筑用地、道路、耕地、林地、草地、裸地和绿化用地。
优选地，所述均质因子包括形状参数和紧致度参数，所述形状参数的取值为0.2；所述紧致度参数取值范围为0.3-0.5。
优选地，针对所述分类体系中的类别设置对应的分割尺度，所述分割尺度的取值范围为50-300。
优选地，根据分割尺度的数值大小进行排序，按照自小到大的顺序进行尺度分割。
优选地，对所述分割影像按照所述分类体系进行分类，设所述分割影像的影像集合为{V1,V2,…,Vm}，分类体系中的类别为{S1,S2,…,Sn}；其中一个分割影像Vi的分类方法为，寻找Vi的M个临近影像样本并判断该M个临近影像样本的属于各类别的隶属度，其中属于Si的隶属度最大，则Vi的类别为Si。
优选地，若所述该M个临近影像样本的在各类别的隶属度均低于隶属度阈值，则该分割影像Vi不被分类。
优选地，从样品对比层面进行分类效果评价，具体评价方法为：
建立误差矩阵E，其中E为n行n列的矩阵，n代表所述分类体系中类别的数量；其中pij是分类体系中第i类和实测数据中第j类所占的组成成分；
定义分类效果评价指标K
其中n代表所述分类体系中类别的数量，xii是误差矩阵E中第i行第i列上像元数量；xi+和x+i分别为第i行和第i列的总像元数量；N是总的用于分类效果评价的像元数量。
优选地，从样品对比层面进行分类效果评价，具体评价方法为决策树分析。
优选地，所述村庄基础数据库采用分层的方法进行管理，其中数据库层至少包括：基础地理数据、遥感数据和村庄技术信息数据。
与现有技术相比，本发明有以下优势：
基于空心村整治规划用地调查需求，结合遥感影像数据信息提取结果，制定村庄土地利用分类体系。在村庄用地信息提取的基础上，根据高分辨率遥感影像中农村建筑物的光谱特征、几何特征、纹理特征等，在影像分割、最优尺度分割判断的基础上，选择最邻近分类法、决策树等分类方法，对分割后的影像对象进行分类，并利用混淆矩阵等对分类结果进行评价，建立成套空心村基础数据库。
利用遥感技术进行影像分割，结合混淆矩阵和决策树从两个层面进行分类评价，提高信息提取精度，实现村庄用地信息化及可视化；基础数据库的建立实现了空心村多源信息的分类采集技术、处理与更新技术，为空心村数据采集标准化软件系统数据的导入和编辑提供了数据平台；同时，该数据库的建设，实现了不同属性来源、不同空间尺度和格式的多源数据的统一规范化管理，为实现功能匹配、解决多源难题提供了有效的平台。
附图说明
图1为本发明一种村庄用地信息化生成方法的流程示意图；
图2为本发明一种村庄用地信息化生成方法中数据库的结构示意图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例，对本发明的技术方案进行清楚、完整地描述。
如图1和图2所示，本发明提供了一种村庄用地信息化生成方法，包括以下步骤：
第一步、获取高分辨率遥感影像，并针对遥感影像进行预处理；
第二步、确定村庄用地信息提取目标，建立分类体系；所述分类体系至少包括以下类别：水域、建筑用地、道路、耕地、林地、草地、裸地和绿化用地。其中水域有细分为水体和沟渠，建筑用地包括工矿用地和住宅，道路包括铁路、公路和农村道路。具体分类体系如表1中所示。
表1村庄用地信息提取分类体系
第三步、调整均质因子、波段权重和分割尺度，针对遥感影像进行影像分割，获取不同类型的分割影像。
影像分割是将遥感影像通过参数设置，将影像分割成一个个对象的过程，是面向对象信息提取技术的基础。由于红绿蓝三个波段为表征地类特性的三个基础波段，因此本研究在分割过程中将三个波段的权重值均设置为1。影像分割结果是均质因子(包括形状参数和紧致度参数)、波段权重以及分割尺度三者共同作用的结果。影像分割结果是否满足要求，要根据用地调查需求而定。
基于eCognition软件的影像分割考虑地表信息在影像上不同的尺度有不同的表现，根据地物的不同尺度大小按多种尺度进行分割。多尺度分割算法是基于区域合并技术的，从任一个像素开始合并直至形成一个对象(影像区域)。相邻对象的合并是基于两个可量测的异质性变化因子：光谱异质性变化因子和形状异质性变化因子，它们决定了影像分割生成的对象内部同质性和相邻对象异质性的适宜程度。
分割必须遵循两个原则:(1)在满足必要的精细的条件下，尽量以最大的可能分割尺度来区分不同的影像区域获得影像对象；(2)在满足必要的形状标准的前提下，尽可能采用颜色标准。原因是影像数据中最重要的信息是光谱信息，形状标准的权重太高会降低分割结果的质量。
由于利用遥感手段判别地物，最主要的还是以光谱特征作为依据，对于高分辨率的影像，当研究的地物目标形状特征较为突出时，可适当的加大形状参数的比重。经过对比研究，本次实施例所用的形状参数的最优值为0.2；分别假设紧致度参数曲志伟0.5/0.4/0.3，经对比研究后，本次实施例所用的紧致度参数的最优值为0.3。
在分割尺度的选择上，不同的地物类型匹配于不同的尺度，研究中同质性参数设置按照上面的最优参数进行取值，分割尺度设置为50，100，200，300，其中尺度较大的分割是在尺度较小的分割的基础上完成的(即先进行50尺度的分割，在此基础上进行100尺度的分割，以此类推)，并不都是以主影像为目标进行分割的。经过不同尺度的比较，为了能够获得更好的分类效果。采用不同的地物类型对应于不同的尺度。结果如下表2所示。
表2地物类型与分割尺度之间的确定
| 类别 | 适宜分割尺度 |
| 耕地 | 300 |
| 林地 | 300 |
| 水域 | 300 |
| 建筑用地 | 200 |
| 道路 | 200 |
| 草地 | 200 |
| 裸地 | 100 |
| 绿化用地 | 100 |
| 房屋 | 50 |
第四步、将所述分割影像与村庄土地利用现状图进行对照，对所述分割影像按照所述分类体系进行分类，选择样本；
根据空心村整治地类调查需求，结合实地调研经验，并将影像与土地利用现状图反复对照，建立了各地类解译标志，如表3所示：
表3地物类型影像解释
根据表2和表3的内容，首先在尺度参数为300的尺度上，选择耕地、林地、水域的样本；在以上基础上，在尺度200的基础上选择草地、建筑用地的样本；在以上基础上，在尺度100的基础上选择裸地、绿化用地的样本；在以上基础上，在尺度50的基础上选择房屋的样本。
对所述分割影像按照所述分类体系进行分类，设所述分割影像的影像集合为{V1,V2,…,Vm}，分类体系中的类别为{S1,S2,…,Sn}；其中一个分割影像Vi的分类方法为，寻找Vi的M个临近影像样本并判断该M个临近影像样本的属于各类别的隶属度，其中属于Si的隶属度最大，则Vi的类别为Si。
若所述该M个临近影像样本的在各类别的隶属度均低于隶属度阈值，则该分割影像Vi不被分类。
第五步、从样品对比、总体分类效果与遥感影像对比两个层面进行分类效果评价；对于分类效果的检验，可采用混淆矩阵以及kappa系数进行分析。由于我们是基于样本进行的分类，因此精度评定可以从样本对比、总体分类效果与遥感影像对比两个层面进行。
从样本层面，采用混淆矩阵以及kappa系数方法的具体评价方法为：
建立误差矩阵E，其中E为n行n列的矩阵，n代表所述分类体系中类别的数量；其中pij是分类体系中第i类和实测数据中第j类所占的组成成分；
定义分类效果评价指标K
其中n代表所述分类体系中类别的数量，xii是误差矩阵E中第i行第i列上像元数量；xi+和x+i分别为第i行和第i列的总像元数量；N是总的用于分类效果评价的像元数量。
从样本层面，还可采用决策树方法进行评价，具体评价方法为：
CART(Classification And Regression Tree)是通过对由测试变量和目标变量构成的训练数据集的循环二分形成二叉树形式的决策树结构。该算法既可以用于分类，也可以用于连续变量的预测。当目标变量为离散的分类类别值时称为分类树；当目标变量为连续值时称为回归树。在土地利用/覆被分类中，目标变量是土地利用/覆被的类型值，测试变量为所利用的分类特征。CART分析在决策树生长过程中,采用经济学领域中的基尼(Gini)系数作为选择最佳测试变量和分割阈值的准则。基尼系数的数学定义如下：
其中，
式中，p(j|h)是从训练样本集中随机抽取一个样本，当某一测试变量值为h时属于第j类的概率，nj(h)为训练样本中该测试变量值为h时属于第j类的样本个数，n(h)为训练样本中该测试变量值为h的样本个数，j为类别个数。
从总体分类效果与遥感影像对比这个层面进行评价，则需要将将分类结果图与遥感影像对比，由于分割的原因，可能会出现错分、漏分的现象，例如：部分道路与建筑用地没有完全分隔开，而是一个整体，以至于在后续的分类中将建筑用地分为道路；有道路被错分为裸地等。可以及时进行调整。
第六步、通过对分类结果的分析，后处理得到研究区所有村庄的分类数据，针对不同的要求，将分类结果重新定位为地类分布现状图，房屋分布现状图，综合图三种类型；
第七步、建立村庄基础数据库。空心村基础数据库的建立实现了空心村多源信息的分类采集技术、处理与更新技术，为空心村数据采集标准化软件系统数据的导入和编辑提供了数据平台；同时，该数据库的建设，实现了不同属性来源、不同空间尺度和格式的多源数据的统一规范化管理，为实现功能匹配、解决多源难题提供了有效的平台。
所述村庄基础数据库采用分层的方法进行管理，其中数据库层至少包括：基础地理数据、遥感数据和村庄技术信息数据。其中，基础地理数据包括行政区划数据、地类图斑数据、地形数据、遥感影像等,空心村基础信息数据包括实地采集样本、人口、生态移民规划、整治项目(主要包括废弃闲置房屋统计表)、村庄用地信息提取技术获取用地信息等数据。再次，进行数据的采集、检查、入库；其中数据采集过程包括矢量、栅格、属性、元数据的采集；数据检查过程包括位置精度、逻辑性、正确性、齐全性检查；数据入库过程包括入库前检查、建立数据字典、建立图幅索引、建立元数据库、运行测试；通过以上流程，最终完成数据库的建设。
村庄基础数据库采用分层的方法进行管理，具体分层方式如表4所示。
表4村庄基础数据库层及各层要素
以上仅为本发明的部分实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些显而易见的替换形式均属于本发明的保护范围。
Claims (10)
1.一种村庄用地信息化生成方法，其特征在于：包括以下步骤：
第一步、获取高分辨率遥感影像，并针对遥感影像进行预处理；
第二步、确定村庄用地信息提取目标，建立分类体系；
第三步、调整均质因子、波段权重和分割尺度，针对遥感影像进行影像分割，获取不同类型的分割影像；
第四步、将所述分割影像与村庄土地利用现状图进行对照，对所述分割影像按照所述分类体系进行分类，选择样本；
第五步、从样品对比、总体分类效果与遥感影像对比两个层面进行分类效果评价；
第六步、将分类后的影像重新定位，获取地类分布现状图、房屋分布现状图、综合图；
第七步、建立村庄基础数据库。
2.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：所述分类体系至少包括以下类别：水域、建筑用地、道路、耕地、林地、草地、裸地和绿化用地。
3.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：所述均质因子包括形状参数和紧致度参数，所述形状参数的取值为0.2；所述紧致度参数取值范围为0.3-0.5。
4.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：针对所述分类体系中的类别设置对应的分割尺度，所述分割尺度的取值范围为50-300。
5.根据权利要求4所述的一种村庄用地信息化生成方法，其特征在于：根据分割尺度的数值大小进行排序，按照自小到大的顺序进行尺度分割。
6.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：对所述分割影像按照所述分类体系进行分类，设所述分割影像的影像集合为{V1,V2,…,Vm}，分类体系中的类别为{S1,S2,…,Sn}；其中一个分割影像Vi的分类方法为，寻找Vi的M个临近影像样本并判断该M个临近影像样本的属于各类别的隶属度，其中属于Si的隶属度最大，则Vi的类别为Si。
7.根据权利要求6所述的一种村庄用地信息化生成方法，其特征在于：若所述该M个临近影像样本的在各类别的隶属度均低于隶属度阈值，则该分割影像Vi不被分类。
8.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：从样品对比层面进行分类效果评价，具体评价方法为：
建立误差矩阵E，其中E为n行n列的矩阵，n代表所述分类体系中类别的数量；
其中pij是分类体系中第i类和实测数据中第j类所占的组成成分；
定义分类效果评价指标K，
其中n代表所述分类体系中类别的数量，xii是误差矩阵E中第i行第i列上像元数量；xi+和x+i分别为第i行和第i列的总像元数量；N是总的用于分类效果评价的像元数量。
9.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：从样品对比层面进行分类效果评价，具体评价方法为决策树分析。
10.根据权利要求1所述的一种村庄用地信息化生成方法，其特征在于：所述村庄基础数据库采用分层的方法进行管理，其中数据库层至少包括：基础地理数据、遥感数据和村庄技术信息数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211033990.XA CN115457386A (zh) | 2022-08-26 | 2022-08-26 | 一种村庄用地信息化生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211033990.XA CN115457386A (zh) | 2022-08-26 | 2022-08-26 | 一种村庄用地信息化生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115457386A true CN115457386A (zh) | 2022-12-09 |
Family
ID=84300371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211033990.XA Pending CN115457386A (zh) | 2022-08-26 | 2022-08-26 | 一种村庄用地信息化生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457386A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993282A (zh) * | 2023-06-28 | 2023-11-03 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种村庄规划成果自动生成方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
| CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
| CN106934072A (zh) * | 2017-04-27 | 2017-07-07 | 广州全成多维信息技术有限公司 | 基于农业地理信息共享数据整理入库方法 |
| CN111160799A (zh) * | 2019-12-31 | 2020-05-15 | 内蒙古自治区地图院 | 一种自然资源数据库构建方法 |
-
2022
- 2022-08-26 CN CN202211033990.XA patent/CN115457386A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
| CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
| CN106934072A (zh) * | 2017-04-27 | 2017-07-07 | 广州全成多维信息技术有限公司 | 基于农业地理信息共享数据整理入库方法 |
| CN111160799A (zh) * | 2019-12-31 | 2020-05-15 | 内蒙古自治区地图院 | 一种自然资源数据库构建方法 |
Non-Patent Citations (4)
| Title |
|---|
| 何欢乐;李景玉;赵紫阳;王曼曼;: "农村土地基础数据库建设", vol. 25, no. 12, pages 63 - 67 * |
| 徐嘉兴等著: "《典型平原矿区土地生态演变及评价研究：以徐州矿区为例》", 徐州：中国矿业大学出版社, pages: 30 - 43 * |
| 陈冬梅;冯策元;周建民;杨华;马鑫;李兰兰;李东;: "面向对象的农村用地信息遥感提取技术应用――以宁夏西吉为例", no. 09, pages 127 - 132 * |
| 陈冬梅等: "面向对象的农村用地信息遥感提取技术应用", vol. 24, no. 9, pages 127 - 132 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993282A (zh) * | 2023-06-28 | 2023-11-03 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 一种村庄规划成果自动生成方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
| CN108871286B (zh) | 空间大数据协同的城市建成区人口密度估算方法和系统 | |
| Niu et al. | Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou | |
| CN110348506B (zh) | 基于遥感图像的土地利用分类方法、存储介质和计算设备 | |
| Zhang et al. | Heuristic sample learning for complex urban scenes: Application to urban functional-zone mapping with VHR images and POI data | |
| CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
| CN103235952B (zh) | 一种基于高分辨率遥感影像的城市绿度空间的度量方法 | |
| CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
| CN108898096B (zh) | 一种面向高分影像的信息快速精确提取方法 | |
| Elberink et al. | Detection of collapsed buildings by classifying segmented airborne laser scanner data | |
| CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
| CN113468982A (zh) | 一种城市功能区分类方法、装置及存储介质 | |
| Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
| CN113780459A (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 | |
| CN116595121A (zh) | 一种基于遥感技术数据显示监测系统 | |
| CN115712634A (zh) | 一种基于空间熵的城市更新单元边界划定方法及展示平台 | |
| CN117036939A (zh) | 一种基于图卷积网络的多源数据协同的城市功能区识别方法 | |
| CN115457386A (zh) | 一种村庄用地信息化生成方法 | |
| CN109740504B (zh) | 一种基于遥感影像提取海域资源的方法 | |
| Vaidya et al. | Classifying heterogeneous urban form into local climate zones using supervised learning and greedy clustering incorporating Landsat dataset | |
| CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
| Lin et al. | Slope unit-based genetic landform mapping on Tibetan plateau-a terrain unit-based framework for large spatial scale landform classification | |
| Almeida et al. | Multilevel object-oriented classification of quickbird images for urban population estimates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221209 |
|
| RJ01 | Rejection of invention patent application after publication |