CN115859765B - 城市扩张的预测方法、装置、设备及存储介质 - Google Patents
城市扩张的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115859765B CN115859765B CN202211202032.0A CN202211202032A CN115859765B CN 115859765 B CN115859765 B CN 115859765B CN 202211202032 A CN202211202032 A CN 202211202032A CN 115859765 B CN115859765 B CN 115859765B
- Authority
- CN
- China
- Prior art keywords
- target
- pixel
- driving force
- building
- area
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 28
- 230000001360 synchronised effect Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 41
- 238000011161 development Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 description 37
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 235000012771 pancakes Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种城市扩张的预测方法、装置、设备及存储介质，涉及城市规划技术领域，能够提高城市扩张预测的准确性。具体方案包括：获取目标城市历史时刻下的土地利用数据，土地利用数据包括各像元以及各像元对应的区域的土地类型；获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素；获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素；根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。
Description
技术领域
本申请涉及城市规划技术领域，尤其涉及一种城市扩张的预测方法、装置、设备及存储介质。
背景技术
城市作为人类文明的集中体现，自工业革命后得到了高速的发展，随着城市用地面积不断扩大，城市的内部结构以及城市地区的气候条件都发生了巨大变化。城市扩张的预测模拟，可以更好地理解未来城市的空间演变，以及城市化对环境和人类健康的影响，对未来城市空间规划，同时促进城市可持续发展等提供理论支持和科学依据。
目前，城市扩张模型主要是对城市水平扩张方向的模拟，但现代城市增长已由过去“摊大饼式”的二维蔓延转变为“立体式”的三维扩张。城市的发展除了水平方向的二维扩张外，也包括了新增建筑物垂直方向高度的增加，且城市垂直扩张与城市气候、能源需求以及污染都息息相关。而目前的城市扩张的预测模拟方法，忽略了对城市新增建筑物垂直方向高度的增加的预测，导致对城市扩张的预测模拟不够准确。同时在已有的三维城市扩张模型中，存在建筑物高度模型简化，模拟扩张水平方向和垂直方向割裂，仅以二维土地利用面积为需求限制模拟三维城市扩张等问题，与城市实际三维扩张的逻辑不相符。
发明内容
本申请提供一种城市扩张的预测方法、装置、设备及存储介质，能够提高城市扩张预测的准确性。
为达到上述目的，本申请采用如下技术方案：
本申请实施例第一方面，提供一种城市扩张的预测方法，该方法包括：
获取目标城市历史时刻下的土地利用数据，土地利用数据包括各像元以及各像元对应的区域的土地类型，各像元为在历史时刻下目标城市的图像的像元；
获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素；
获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素；
根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。
在一个实施例中，根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果，包括：
根据土地利用数据和各第一驱动力因子，预测目标区域的平面上的建筑物面积，目标区域为包括目标城市的区域；
根据各建筑物高度和各第二驱动力因子，预测目标区域的建筑物高度；
根据建筑物面积和建筑物高度确定目标区域的当前迭代下的建筑物体积；
若建筑物体积大于预设的目标体积值，则得到目标城市的扩张结果，若建筑物体积小于预设的目标体积值，则继续迭代直至建筑物体积大于预设的目标体积值，得到目标城市的扩张结果。
在一个实施例中，根据土地利用数据和第一驱动力因子，预测目标区域的平面上的建筑物面积，包括：
将各像元和各像元对应的第一驱动力因子输入至预设的基于参数自适应神经网络算法的目标模型中，预测得到各像元针对不同土地类型的适宜性发展概率；其中，基于参数自适应神经网络的目标模型是根据多个采样像元、多个采样像元对应的土地类型和第一驱动力因子训练得到的；
根据各像元针对不同土地类型的适宜性发展概率，预测得到各像元的土地类型；
将土地类型为建设用地像元确定为目标像元，根据各目标像元对应的区域得到目标城市的在平面上的建筑物面积。
在一个实施例中，根据各像元针对不同土地利用类型的适宜性概率，预测得到各像元的土地类型，包括：
获取各像元的邻域大小、转换成本和惯性系数，邻域大小为像元在所属的预设区域中各土地类型的占比、转换成本用于指示像元对应区域的土地类型变化的难易程度，惯性系数是根据目标体积值确定的；
根据像元针对不同土地利用类型的适宜性发展概率、邻域大小、转换成本和惯性系数得到像元针对不同土地类型的目标总体发展概率；
根据像元针对不同土地类型的目标总体发展概率和预设的轮盘选择算法，预测得到各像元的土地类型。
在一个实施例中，根据像元针对不同土地类型的目标总体发展概率和预设的轮盘选择算法，预测得到各像元的土地类型之后，方法还包括：
将各目标像元输入至训练好的基于随机森林算法的模型中，预测得到目标像元的功能区类型；
其中，基于随机森林算法的模型是根据采样目标像元和采样目标像元对应的第三驱动力因子训练得到的，第三驱动力因子，用于指示采样目标像元对应的区域形成不同功能区类型的影响因素。
在一个实施例中，根据各建筑物高度和各第二驱动力因子，预测目标区域的建筑物高度，包括：
针对各目标像元，将各目标像元和目标像元对应的的功能区类型和第二驱动力因子分别输入至预设的基于极端梯度提升算法的目标模型中，预测得到各目标像元对应区域的参考建筑物高度；
其中，基于极端梯度提升算法的目标模型是根据采用目标像元和采样目标像元对应的第二驱动力因子训练得到的；
根据参考建筑物高度，预测目标区域的建筑物高度。
在一个实施例中，根据参考建筑物高度，预测目标区域的建筑物高度，包括：
获取各目标像元对应的区域的建筑物高度的领域影响值；
根据各目标像元的参考建筑物高度和领域影响值，预测得到目标区域的建筑物高度。
本申请实施例第二方面，提供了一种城市扩张的预测装置，该装置包括：
第一获取模块，用于获取目标城市历史时刻下的历史土地利用数据，历史土地利用数据包括各像元以及各像元对应的区域的土地类型，各像元为在历史时刻下目标城市的图像的像元；
第二获取模块，用于获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素；
第三获取模块，用于获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素；
预测模块，用于根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。
本申请实施例第三方面，提供了一种电子设备，该设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面中的城市扩张的预测方法。
本申请实施例第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面中的城市扩张的预测方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的城市扩张的预测方法，通过获取目标城市历史时刻下的土地利用数据，土地利用数据包括各像元以及各像元对应的区域的土地类型，各像元为在历史时刻下目标城市的图像的像元；获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素；获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素；根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。本申请实施例提供的城市扩张的预测方法，在预测过程中可以同时进行水平方向和垂直方向上的模拟，避免了二维扩张和垂直扩张的割裂，同时可以解决仅以二维土地利用面积为需求限制模拟三维情景的问题，进而可以提高城市三维扩张模拟的准确性。
附图说明
图1为本申请实施例提供的一种电子设备的结构示意图；
图2为本申请实施例提供的一种城市扩张的预测方法的流程图；
图3为本申请实施例提供的土地利用数据的示意图；
图4为本申请实施例提供的第一驱动力因子的示意图；
图5为本申请实施例提供的第二驱动力因子的示意图；
图6为本申请实施例提供的第三驱动力因子的示意图；
图7为本申请实施例提供的基于参数自适应神经网络算法的目标模型的样本空间分布示意图；
图8为本申请实施例提供的模拟结果和真实土地利用结果对比的空间分布示意图；
图9为本申请实施例提供的模拟的高度结果和真实高度值的对比图；
图10为本申请实施例提供的一种城市扩张的预测装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
另外，“基于”或“根据”的使用意味着开放和包容性，因为“基于”或“根据”一个或多个条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出的值。
城市作为人类文明的集中体现，自工业革命后得到了高速的发展，随着城市用地面积不断扩大，城市的内部结构以及城市地区的气候条件都发生了巨大变化。城市扩张的预测模拟，可以更好地理解未来城市的空间演变，以及城市化对环境和人类健康的影响，对未来城市空间规划，同时促进城市可持续发展等提供理论支持和科学依据。
目前，城市扩张模型主要是对城市水平扩张方向的模拟，但现代城市增长已由过去“摊大饼式”的二维蔓延转变为“立体式”的三维扩张。城市的发展除了水平方向的二维扩张外，也包括了新增建筑物垂直方向高度的增加，且城市垂直扩张与城市气候、能源需求以及污染都息息相关。而目前的城市扩张的预测模拟方法，忽略了对城市新增建筑物垂直方向高度的增加的预测，导致对城市扩张的预测模拟不够准确。同时在已有的三维城市扩张模型中，存在建筑物高度模型简化，模拟扩张水平方向和垂直方向割裂，仅以二维土地利用面积为需求限制模拟三维城市扩张等问题，与城市实际三维扩张的逻辑不相符。
为了解决上述问题，本申请实施例提供了一种城市扩张的预测方法，通过获取目标城市历史时刻下的土地利用数据，土地利用数据包括各像元以及各像元对应的区域的土地类型，各像元为在历史时刻下目标城市的图像的像元；获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素；获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素；根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。本申请实施例提供的城市扩张的预测方法，在预测过程中可以同时进行水平方向和垂直方向上的模拟，避免了二维扩张和垂直扩张的割裂，同时可以解决仅以二维土地利用面积为需求限制模拟三维情景的问题，进而可以提高城市三维扩张模拟的准确性。
本申请实施例提供的城市扩张的预测方法的执行主体可以为电子设备，具体的，该电子设备可以为计算机设备、终端设备，或者服务器，其中，终端设备可以为车载终端、各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等，本申请对比不作具体限定。
图1执行主体为电子设备为例示出，图1为本申请实施例提供的一种电子设备的内部结构示意图。如图1所示，该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例提供的一种城市扩张的预测方法的步骤。内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的城市扩张的预测方法的限定，具体的城市扩张的预测方法可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
基于上述执行主体，本申请实施例提供一种城市扩张的预测方法。如图2所示，该方法包括以下步骤：
步骤201、获取目标城市历史时刻下的土地利用数据。
其中，土地利用数据包括各像元以及各像元对应的区域的土地类型，各像元为在历史时刻下目标城市的图像的像元。其中，历史时刻为当前时刻或者当前时刻之前的某一时刻。如图3所示，为本申请实施例提供的土地利用数据的示意图，其中以目标城市2009年的土地利用数据和2019年的土地利用数据为例示出。
可选的，可以利用分类影像对目标城市历史时刻下的图像进行解译，得到目标城市历史时刻下的土地利用数据。其中，土地类型包括：建设用地或非建设用地，具体的建设用地又包括多个功能区类型，例如：公共管理服务用地、商业用地、居住用地和工业用地等。
步骤202、获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素。
其中，第一驱动力因子为影响像元对应的区域的土地类型变化的因素。该第一驱动力因子可以为：地形、坡度和社会经济等。第一驱动力因子可以通过欧式距离和分布密度计算得到。如图4所示，为本申请实施例提供的第一驱动力因子的示意图。
步骤203、获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素。
其中，第二驱动力因子为影响像元对应区域的建筑物高度变化的因素。该第二驱动力因子可以为娱乐设施分布密度、餐饮分布密度、人口密度、房价等，具体如图5所示。第二驱动力因子可以通过欧式距离和分布密度计算得到。
同时，还需要获取像元对应的第三驱动力因子，第三驱动力因子，用于指示采样目标像元对应的区域形成不同功能区类型的影响因素。其中，第三驱动力因子如图6所示。
也就是说，当预测的像元为建设用地时，接下来采用训练好的基于随机森林算法的模型对建设用地进行具体分类得到不同功能区类型，该功能区类型包括包括公共用地、工业用地、居住用地和商业用地等用地类型，然后对该像元上的建筑物高度进行预测。
在实际执行过程中，可以根据模拟区域建筑物的实际情况，将建筑物高度矢量数据处理成栅格数据后，通过求固定网格单元上的建筑物的平均层数作为建筑物高度数据，为了和水平方向的土地利用数据尺度相吻合；同时获取区域中每一像元所对应的影响建筑物高度变化的空间因素数据。
本实例中采取的高度尺度转换公式如下：
其中，Ci是建筑物i的层数，Ai为建筑物i的占地面积，在本实例中为5m×5m的建筑物的基地面积，P为研究单元的总面积，本实例中为30m×30m栅格大小的面积。
步骤204、根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。
本申请实施例提供的城市扩张的预测方法，通过获取目标城市历史时刻下的土地利用数据，土地利用数据包括各像元以及各像元对应的区域的土地类型，各像元为在历史时刻下目标城市的图像的像元；获取各像元的第一驱动力因子，第一驱动力因子用于指示影响像元对应区域的土地类型变化的因素；获取各像元对应的区域的建筑物高度和各像元的第二驱动力因子，第二驱动力因子用于指示影响像元对应区域的建筑物高度变化的因素；根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。本申请实施例提供的城市扩张的预测方法，在预测过程中可以同时进行水平方向和垂直方向上的模拟，避免了二维扩张和垂直扩张的割裂，同时可以解决仅以二维土地利用面积为需求限制模拟三维情景的问题，进而可以提高城市三维扩张模拟的准确性。
可选的，根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的扩张进行预测，得到目标城市的扩张结果，包括：根据土地利用数据和各第一驱动力因子，预测目标区域的平面上的建筑物面积，目标区域为包括目标城市的区域，然后根据各建筑物高度和各第二驱动力因子，预测目标区域的建筑物高度，最后根据建筑物面积和建筑物高度确定目标区域的当前迭代下的建筑物体积；若建筑物体积大于预设的目标体积值，则得到目标城市的扩张结果，若建筑物体积小于预设的目标体积值，则继续迭代直至建筑物体积大于预设的目标体积值，得到目标城市的扩张结果。
需要说明的是，本申请提供的城市扩张预测方法是对模拟区域内的所有像元进行计算，直至迭代完一幅影像的全部有效像元，然后刷新影像进入下一次迭代，直至满足预设的目标体积値后，停止迭代输出结果，得到目标城市的扩张结果。
每一次迭代过程中的建筑物体积的计算方法如下：
其中，Volumek为功能区k类型的建筑物总体量，p代表该功能区中特定的一个单元网格，hp是该网格上的建筑物总层数，Sp是该网格的面积，n是该功能区的单元网格的总个数，C为常数，代表一层建筑物的平均高度，通常认为是3m。
在实际执行过程中，可以先获取到目标体积值，该目标体积值为要预测未来目标时刻的目标城市的建筑物总体积的预估值。可选的，可以通过未来目标时刻的模拟区域的未来不同SSP情境下人口总数，以及根据模拟区域的规划政策获得的模拟区域不同功能区的人均建筑面积，估算出未来不同的SSP情境下不同功能区所需的建筑物总体积，进而可以得到该目标体积值。
具体的，可以采用如下公式得到目标体积值：
其中，C为常数，代表一层建筑物的平均高度，通常认为是3m。P为某一SSP情境下的某一时刻的人口总数，S代表该功能用地k在某一时刻的人均建筑面积。
可选的，根据土地利用数据和第一驱动力因子，预测目标区域的平面上的建筑物面积，包括：
将各像元和各像元对应的第一驱动力因子输入至预设的基于参数自适应神经网络算法的目标模型中，预测得到各像元针对不同土地类型的适宜性发展概率；其中，基于参数自适应神经网络的目标模型是根据多个采样像元、多个采样像元对应的土地类型和第一驱动力因子训练得到的；根据各像元针对不同土地类型的适宜性发展概率，预测得到各像元的土地类型；将土地类型为建设用地像元确定为目标像元，根据各目标像元对应的区域得到目标城市的在平面上的建筑物面积。
在实际执行过程中，可以在第一驱动力因子与土地利用数据上进行随机点采样，获得采样数据，用采样数据对基于参数自适应神经网络算法的模型进行训练，得到基于参数自适应神经网络算法的目标模型，将土地利用数据以及驱动力因子数据输入至基于参数自适应神经网络算法的目标模型中，预测出土地利用类型在模拟区域的每一像元中的适宜性发展概率，也就是得到各像元针对不同土地类型的概率。
需要说明的是，本发明实例中，使用均匀采样策略使得建设用地和非建设用地两种土地类型的采样点一致，用采样点提取土地利用数据和第一驱动力因子数据。通过采样点抽取80000个第一驱动力因子以及其采样点对应的土地利用类型。图7为基于参数自适应神经网络算法的目标模型的样本空间分布图。
具体的，在将采样数据输入到神经网络中进行训练之前，还包括：对采样数据进行归一化处理，归一化处理可使用公式表示如下：
其中maxw和minw分别是第w个第一驱动力因子的最大和最小值。
参数自适应神经网络算法包括输入层、隐藏层和输出层。输入层每一个神经元对应一个变量，即对应一个驱动因子，用数学公式表示为：
X＝[x1,x2,...,xn]T
其中，xi代表输入层的第i个神经元，n为输入层总神经元个数。
输入层传递信号到隐藏层，隐藏层通过代表神经元之间的关系的权重值和代表传输规则的激活函数将信号传出给输出层，计算公式如下：
其中j代表隐藏层的第j个神经元，p为某一特定网格单元。netj(p，t)为t时刻在网格单元p上，j神经元所接受到的来自输入层的所有神经元的信号，xi(p，t)是输入神经元i接收的输入信号，wi，j是输入层与隐层之间的自适应权值，在训练过程中对其进行校正。sigmoid激活函数为连接隐藏层和输出层之间的激活函数。
最后由输出层处理接收到的信号，输出层的每一个神经元对应一种土地类型，其输出的值的范围在0-1之间，代表该土地类型对应的适宜性概率大小。值越大，代表该土地类型的发展概率越大。对于土地类型k其发展概率公式如下：
其中wj,k是隐含层与输出层之间的自适应权值，同样在训练过程中对其进行校正。通过建立神经网络模型，并训练wj,k和wi,j的值可以得到每一个栅格像元p上不同土地类型的发展概率。
可选的，根据各像元针对不同土地利用类型的概率，预测得到各像元的土地类型，包括：
获取各像元的邻域大小、转换成本和惯性系数，邻域大小为像元在所属的预设区域中各土地类型的占比、转换成本用于指示像元对应区域的土地类型变化的难易程度，惯性系数是根据目标体积值确定的；
根据像元针对不同土地利用类型的概率、邻域大小、转换成本和惯性系数得到像元针对不同土地类型的目标概率；
根据像元针对不同土地类型的目标概率和预设的轮盘选择算法，预测得到各像元的土地类型。
在实际执行过程中，本发明实施例中目标城市影像像元为30m，邻域范围选择3×3摩尔邻域，通过邻域大小构建一个扫描窗口，然后统计扫描窗口内的各类像元的数量，进而来衡量每一像元所在的邻域内各土地利用类型的占比，具体公式如下：
其中wk是不同土地类型的权重值，表示在N×N的窗口内，土地类型k在上一次迭代时间t-1所占用的网格总数。
本发明实施例中的惯性系数表示原有土地利用类型的继承，根据未来土地利用需求和当前土地利用数量的差异进行迭代变化。在三维城市模拟模型中，该惯性系数主要根据未来建设用地的建筑物体积值来制定，数学公式如下：
式中，Dt-1 k表示在t-1时刻未来目标体积值与当前建筑物体积值的差异。在不同迭代时刻根据建筑体积的变化可以对惯性系数大小做出适时调整，直到与未来目标体积值相匹配。
本发明实施例中的转化成本conc→k是针对一个网格单元的某一个土地类型，向另一个土地类型转换的难易程度，通过对非建设用地的类别进行详细的划分，例如草地、林地、耕地、园地等。利用层次分析法(AHP)计算每一种非建设用地转化为建设用地的转化成本值越大代表转化难度越大。
本发明实施例中得到每个网格单元的每一种土地利用类型k的总体概率，之后通过轮盘选择确定像元属于建设用地或者非建设用地。具体公式如下：
可选的，根据像元针对不同土地类型的目标概率和预设的轮盘选择算法，预测得到各像元的土地类型之后，方法还包括：
将各目标像元输入至训练好的基于随机森林算法的模型中，预测得到目标像元的功能区类型；
其中，基于随机森林算法的模型是根据采样目标像元和采样目标像元对应的第三驱动力因子训练得到的，第三驱动力因子，用于指示采样目标像元对应的区域形成不同功能区类型的影响因素。
也就是说，当预测的像元为建设用地时，接下来采用训练好的基于随机森林算法的模型对建设用地进行具体分类得到不同功能区类型，该功能区类型包括包括公共用地、工业用地、居住用地和商业用地等用地类型，然后对该像元上的建筑物高度进行预测。
需要说明的是，使用均匀采样策略使得各类功能区类型的采样点一致，用采样点提取功能区类型和第三驱动力因子。通过采样点抽取80000个不同功能区类型的采样点，以及各功能区类型的第三驱动力因子以及其采样点对应的功能用地类型。
利用随机森林分类算法实现对建设用地类别分类，主要评价指标为：总体精度(Overall Accuracy，OA)、Kappa系数、用户精度(User’s Accuracy，UA)和制图精度(Producer’s Accuracy，PA)。公式表示为：
PAi＝Ni/Nai
UAi＝Ni/Npi
OA＝∑iNi/∑iNai
kappa＝(OA-Pe)/(1-Pe)
其中Ni是土地利用类型i中正确分类的像元个数；Nai和Npi分别是真实的像元总个数和预测的像元总个数，Pe为对所有类别所对应的实际与预测的总像元数的乘积求和，再与样本总数的平方之比。以上指标值越高，分类的效果就越好。在本发明实施例中测试集的多数功能区的用户精度和制图精度达到80％以上，总体精度为83.09％，Kappa系数为0.7725，证明预测值和模拟之间有较好的一致性。
可选的，根据各建筑物高度和各第二驱动力因子，预测目标区域的建筑物高度，包括：
针对各目标像元，将各目标像元和目标像元对应的的功能区类型和第二驱动力因子分别输入至预设的基于极端梯度提升算法的目标模型中，预测得到各目标像元对应区域的参考建筑物高度；其中，基于极端梯度提升算法的目标模型是根据采用目标像元和采样目标像元对应的第二驱动力因子训练得到的；根据参考建筑物高度，预测目标区域的建筑物高度。
其中，极端梯度提升算法为XGBoost算法。利用XGBoost回归算法预测高度，主要评价指标为：包括决定系数R、均方根误差RMSE、平均绝对误差MAE，公式表示为：
其中，yi为第i个建筑单元的真实建筑高度，为第i个建筑单元的预测建筑高度，为所有建筑单元真实高度的平均值，所有高度的单位都为层数；n为所有建筑物的数目。R的值越大，预测效果越好。RMSE和MAE的值越小，代表预测结果和真实结果的差距越小，预测效果越好。
在实际执行过程中，从优化第一棵树开始，通过不断添加新的树学习一个新的函数f(x)来拟合上一次迭代中模型的残差，公式如下：
XGBoost算法的目标函数计算公式如下：
其中，l为度量样本真实标签yi与样本预测标签之间的误差的损失函数，Ω为度量模型的复杂度的正则化项，其中T为叶子的节点数，λ为惩罚系数，u为叶子节点的分数组成的集合。在此基础上对目标函数进行二次泰勒展开，利用最值可以求得最优的目标函数，最后利用贪心算法确定树的结构。
可选的，根据参考建筑物高度，预测目标区域的建筑物高度，包括：获取各目标像元对应的区域的建筑物高度的领域影响值；根据各目标像元的参考建筑物高度和领域影响值，预测得到目标区域的建筑物高度。
具体的，通过邻域函数构建一个扫描窗口，然后利用地理空间自相关性统计扫描窗口内的一个像元周围的建筑总高度的平均值，并对该像元的建筑物的高度做出调整，可以在一定程度上消除不确定性带来的误差，具体公式如下：
其中，ht neighbor，p表示在t时刻，周围建筑物对特定网格p上的建筑物高度的影响大小。∑N×NHt-1(H>0)表示在t-1次迭代时间里，在N×N的窗口内高度值不为0的所有建筑物的总高度值，M表示高度值不为0的所有建筑物的总个数。
像元的最终建筑物高度值为建筑物的XGBoost算法预测的高度值和邻域影响值加权回归的结果，具体公式如下：
其中，ht neighbor，p表表示在t时刻在网格单元p位置建筑物高度邻域影响值，hp表示在网格单元p位置的适宜性高度结果，w1，w2代表不同的权重值。
在本发明实施例中，通过2009年目标城市的土地利用数据来模拟预测2019年目标城市的扩张结果，并将模拟预测的2019年的目标城市的扩张结果与2019年目标城市的实际扩张结果进行比对验证。
主要采取总体精度(OA)、Kappa系数和FoM指数来定量化评估模型的模拟结果，FoM指数计算公式如下：
其中，A为真实情况变化但模拟不变的数量；B是真实情况变化，以及模拟也发生变化的数量；C是真实情况变化但模拟的变化不正确的数量；D是真实情况未改变但模拟改变的数量。本文模拟的结果FoM值为0.3473，总体精度结果为95.14％，Kappa系数为0.8879，证明该模型在二维空间位置的模拟结果较好。
图8为2019年模拟结果和真实土地利用结果对比的空间分布图。图9是2019年模拟结果和真实高度值的对比图。在本发明实施例中，针对从2009年到2019年二维扩张位置完全正确的像元，统计每个像元的建筑物体量值，计算各个功能区真实建筑物体积和模拟建筑物体积相对误差大小小于等于10％，所以模拟结果误差较小。由此可知，本申请实施例提供的城市扩张预测方法可以提高城市扩张的预测准确性。
如图10所示，本申请实施例还提供了一种城市扩张的预测装置，该装置包括：
第一获取模块11，用于获取目标城市历史时刻下的土地利用数据，所述土地利用数据包括各像元以及各像元对应的区域的土地类型，各所述像元为在所述历史时刻下所述目标城市的图像的像元；
第二获取模块12，用于获取各所述像元的第一驱动力因子，所述第一驱动力因子用于指示影响所述像元对应区域的土地类型变化的因素；
第三获取模块13，用于获取各所述像元对应的区域的建筑物高度和各所述像元的第二驱动力因子，所述第二驱动力因子用于指示影响所述像元对应区域的建筑物高度变化的因素；
预测模块14，用于根据土地利用数据、各第一驱动力因子、各建筑物高度和各第二驱动力因子对目标城市的水平扩张和垂直扩张进行同步迭代预测，直至目标城市的扩张体积满足预设条件，得到目标城市的扩张结果。
在一个实施例中，预测模块模块14具体用于：
根据土地利用数据和各第一驱动力因子，预测目标区域的平面上的建筑物面积，目标区域为包括目标城市的区域；
根据各建筑物高度和各第二驱动力因子，预测目标区域的建筑物高度；
根据建筑物面积和建筑物高度确定目标区域的当前迭代下的建筑物体积；
若建筑物体积大于预设的目标体积值，则得到目标城市的扩张结果，若建筑物体积小于预设的目标体积值，则继续迭代直至建筑物体积大于预设的目标体积值，得到目标城市的扩张结果。
在一个实施例中，预测模块模块14具体用于：
将各像元和各像元对应的第一驱动力因子输入至预设的基于参数自适应神经网络算法的目标模型中，预测得到各像元针对不同土地类型的适宜性发展概率；其中，基于参数自适应神经网络的目标模型是根据多个采样像元、多个采样像元对应的土地类型和第一驱动力因子训练得到的；
根据各像元针对不同土地类型的适宜性发展概率，预测得到各像元的土地类型；
将土地类型为建设用地像元确定为目标像元，根据各目标像元对应的区域得到目标城市的在平面上的建筑物面积。
在一个实施例中，预测模块模块14具体用于：
获取各像元的邻域大小、转换成本和惯性系数，邻域大小为像元在所属的预设区域中各土地类型的占比、转换成本用于指示像元对应区域的土地类型变化的难易程度，惯性系数是根据目标体积值确定的；
根据像元针对不同土地利用类型的适宜性发展概率、邻域大小、转换成本和惯性系数得到像元针对不同土地类型的目标总体发展概率；
根据像元针对不同土地类型的目标总体发展概率和预设的轮盘选择算法，预测得到各像元的土地类型。
在一个实施例中，预测模块模块14具体用于：
将各所述目标像元输入至训练好的基于随机森林算法的模型中，预测得到所述目标像元的功能区类型；
其中，所述基于随机森林算法的模型是根据采样目标像元和所述采样目标像元对应的第三驱动力因子训练得到的，所述第三驱动力因子，用于指示所述采样目标像元对应的区域形成不同功能区类型的影响因素。
在一个实施例中，预测模块模块14具体用于：
针对各所述目标像元，将各所述目标像元和所述目标像元对应的的功能区类型和第二驱动力因子分别输入至预设的基于极端梯度提升算法的目标模型中，预测得到各所述目标像元对应区域的参考建筑物高度；
其中，所述基于极端梯度提升算法的目标模型是根据采用目标像元和所述采样目标像元对应的第二驱动力因子训练得到的；
根据所述参考建筑物高度，预测所述目标区域的建筑物高度。
在一个实施例中，预测模块模块14具体用于：
获取各所述目标像元对应的区域的建筑物高度的领域影响值；
根据各所述目标像元的参考建筑物高度和领域影响值，预测得到所述目标区域的建筑物高度。
本实施例提供的城市扩张的预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再多加赘述。
关于城市扩张的预测装置的具体限定可以参见上文中对于城市扩张的预测方法的限定，在此不再赘述。上述城市扩张的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请的另一实施例中，还提供一种电子设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现如本申请实施例的城市扩张的预测方法的步骤。
本申请另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本申请实施例的城市扩张的预测方法的步骤。
本申请另一实施例中，还提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在城市扩张的预测装置上运行时，使得城市扩张的预测装置执行上述方法实施例所示的方法流程中城市扩张的预测方法执行的各个步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种城市扩张的预测方法，其特征在于，所述方法包括：
获取目标城市历史时刻下的土地利用数据，所述土地利用数据包括各像元以及各像元对应的区域的土地类型，各所述像元为在所述历史时刻下所述目标城市的图像的像元；
获取各所述像元的第一驱动力因子，所述第一驱动力因子用于指示影响所述像元对应区域的土地类型变化的因素；
获取各所述像元对应的区域的建筑物高度和各所述像元的第二驱动力因子，所述第二驱动力因子用于指示影响所述像元对应区域的建筑物高度变化的因素；
根据所述土地利用数据、各所述第一驱动力因子、各所述建筑物高度和各所述第二驱动力因子对所述目标城市的水平扩张和垂直扩张进行同步迭代预测，直至所述目标城市的扩张体积满足预设条件，得到所述目标城市的扩张结果；
其中，所述垂直扩张迭代预测的过程包括：针对各目标像元，将各所述目标像元和所述目标像元对应的的功能区类型和第二驱动力因子分别输入至预设的基于极端梯度提升算法的目标模型中，预测得到各所述目标像元对应区域的参考建筑物高度；其中，所述基于极端梯度提升算法的目标模型是根据采用目标像元和采样目标像元对应的第二驱动力因子训练得到的；所述目标像元用于指示土地类型为建设用地的像元；
获取各所述目标像元对应的区域的建筑物高度的领域影响值，根据各所述目标像元的参考建筑物高度和领域影响值，预测得到目标区域的建筑物高度，根据预测得到的各区域的建筑物高度得到垂直扩张预测结果，其中，领域影响值用于指示周围建筑物对当前建筑物的高度的影响大小；
其中，获取各所述目标像元对应的区域的建筑物高度的领域影响值，包括：
通过邻域函数构建一个扫描窗口，获取所述扫描窗口内的高度值不为0的所有建筑物的总高度值以及建筑物的总个数以及所述目标像元的适宜高度值；将所述总高度值、所述总个数、所述适宜高度值和预设的权重值输入至预设的高度计算模型中，得到所述目标区域的建筑物高度；
所述高度计算模型为：
其中，Hp表示目标区域的建筑物高度，ht neighbor，p表表示在t时刻在网格单元p位置建筑物高度邻域影响值，∑N×NHt-1(H>0)表示在t-1次迭代时间里，在扫描窗口内高度值不为0的所有建筑物的总高度值，M表示在扫描窗口内高度值不为0的所有建筑物的总个数，hp表示在目标像元p位置的适宜性高度结果，w1，w2代表不同的权重值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述土地利用数据、各所述第一驱动力因子、各所述建筑物高度和各所述第二驱动力因子对所述目标城市的水平扩张和垂直扩张进行同步迭代预测，直至所述目标城市的扩张体积满足预设条件，得到所述目标城市的扩张结果，包括：
根据所述土地利用数据和各所述第一驱动力因子，预测目标区域的平面上的建筑物面积，所述目标区域为包括所述目标城市的区域；
根据各所述建筑物高度和各所述第二驱动力因子，预测所述目标区域的建筑物高度；
根据所述建筑物面积和所述建筑物高度确定所述目标区域的当前迭代下的建筑物体积；
若所述建筑物体积大于预设的目标体积值，则得到所述目标城市的扩张结果，若所述建筑物体积小于预设的目标体积值，则继续迭代直至所述建筑物体积大于预设的目标体积值，得到所述目标城市的扩张结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述土地利用数据和各所述第一驱动力因子，预测目标区域的平面上的建筑物面积，包括：
将各所述像元和各所述像元对应的第一驱动力因子输入至预设的基于参数自适应神经网络算法的目标模型中，预测得到各所述像元针对不同土地类型的适宜性发展概率；其中，所述基于参数自适应神经网络的目标模型是根据多个采样像元、所述多个采样像元对应的土地类型和第一驱动力因子训练得到的；
根据各所述像元针对不同土地类型的适宜性发展概率，预测得到各所述像元的土地类型；
将所述土地类型为建设用地像元确定为目标像元，根据各所述目标像元对应的区域得到所述目标城市的在平面上的建筑物面积。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述像元针对不同土地类型的适宜性发展概率，预测得到各所述像元的土地类型，包括：
获取各像元的邻域大小、转换成本和惯性系数，所述邻域大小为所述像元在所属的预设区域中各土地类型的占比、所述转换成本用于指示所述像元对应区域的土地类型变化的难易程度，所述惯性系数是根据所述目标体积值确定的；
根据所述像元针对不同土地类型的适宜性发展概率、所述邻域大小、所述转换成本和所述惯性系数得到所述像元针对不同土地类型的目标总体发展概率；
根据所述像元针对不同土地类型的目标总体发展概率和预设的轮盘选择算法，预测得到各所述像元的土地类型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述像元针对不同土地类型的目标总体发展概率和预设的轮盘选择算法，预测得到各所述像元的土地类型之后，所述方法还包括：
将各所述目标像元输入至训练好的基于随机森林算法的模型中，预测得到所述目标像元的功能区类型；
其中，所述基于随机森林算法的模型是根据采样目标像元和所述采样目标像元对应的第三驱动力因子训练得到的，所述第三驱动力因子用于指示所述采样目标像元对应的区域形成不同功能区类型的影响因素。
6.根据权利要求5所述的方法，其特征在于，所述根据各所述建筑物高度和各所述第二驱动力因子，预测所述目标区域的建筑物高度，包括：
针对各所述目标像元，将各所述目标像元和所述目标像元对应的的功能区类型和第二驱动力因子分别输入至预设的基于极端梯度提升算法的目标模型中，预测得到各所述目标像元对应区域的参考建筑物高度；
其中，所述基于极端梯度提升算法的目标模型是根据采用目标像元和所述采样目标像元对应的第二驱动力因子训练得到的；
根据所述参考建筑物高度，预测所述目标区域的建筑物高度。
7.根据权利要求6所述的方法，其特征在于，所述根据所述参考建筑物高度，预测所述目标区域的建筑物高度，包括：
获取各所述目标像元对应的区域的建筑物高度的领域影响值；
根据各所述目标像元的参考建筑物高度和领域影响值，预测得到所述目标区域的建筑物高度。
8.一种城市扩张的预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标城市历史时刻下的历史土地利用数据，所述历史土地利用数据包括各像元以及各像元对应的区域的土地类型，各所述像元为在所述历史时刻下所述目标城市的图像的像元；
第二获取模块，用于获取各所述像元的第一驱动力因子，所述第一驱动力因子用于指示影响所述像元对应区域的土地类型变化的因素；
第三获取模块，用于获取各所述像元对应的区域的建筑物高度和各所述像元的第二驱动力因子，所述第二驱动力因子用于指示影响所述像元对应区域的建筑物高度变化的因素；
预测模块，用于根据所述土地利用数据、各所述第一驱动力因子、各所述建筑物高度和各所述第二驱动力因子对所述目标城市的水平扩张和垂直扩张进行同步迭代预测，直至所述目标城市的扩张体积满足预设条件，得到所述目标城市的扩张结果；
所述预测模块，具体用于：针对各目标像元，将各所述目标像元和所述目标像元对应的的功能区类型和第二驱动力因子分别输入至预设的基于极端梯度提升算法的目标模型中，预测得到各所述目标像元对应区域的参考建筑物高度；其中，所述基于极端梯度提升算法的目标模型是根据采用目标像元和采样目标像元对应的第二驱动力因子训练得到的；所述目标像元用于指示土地类型为建设用地的像元；
获取各所述目标像元对应的区域的建筑物高度的领域影响值，根据各所述目标像元的参考建筑物高度和领域影响值，预测得到目标区域的建筑物高度，根据预测得到的各区域的建筑物高度得到垂直扩张预测结果，其中，领域影响值用于指示周围建筑物对当前建筑物的高度的影响大小；
所述预测模块，具体用于：
通过邻域函数构建一个扫描窗口，获取所述扫描窗口内的高度值不为0的所有建筑物的总高度值以及建筑物的总个数以及所述目标像元的适宜高度值；将所述总高度值、所述总个数、所述适宜高度值和预设的权重值输入至预设的高度计算模型中，得到所述目标区域的建筑物高度；
所述高度计算模型为：
其中，Hp表示目标区域的建筑物高度，ht neighbor，p表表示在t时刻在网格单元p位置建筑物高度邻域影响值，∑N×NHt-1(H>0)表示在t-1次迭代时间里，在扫描窗口内高度值不为0的所有建筑物的总高度值，M表示在扫描窗口内高度值不为0的所有建筑物的总个数，hp表示在目标像元p位置的适宜性高度结果，w1，w2代表不同的权重值。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至7任一项所述的城市扩张的预测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的城市扩张的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211202032.0A CN115859765B (zh) | 2022-09-29 | 2022-09-29 | 城市扩张的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211202032.0A CN115859765B (zh) | 2022-09-29 | 2022-09-29 | 城市扩张的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859765A CN115859765A (zh) | 2023-03-28 |
| CN115859765B true CN115859765B (zh) | 2023-12-08 |
Family
ID=85661266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211202032.0A Active CN115859765B (zh) | 2022-09-29 | 2022-09-29 | 城市扩张的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859765B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116151490B (zh) * | 2023-04-19 | 2023-06-27 | 北京师范大学 | 土地变化预测方法、装置、电子设备和存储介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663528A (zh) * | 2012-04-28 | 2012-09-12 | 清华大学 | 一种基于城市容度控制技术的城市规划方法 |
| CN104463836A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于移动窗口的城市绿色空间遥感度量方法 |
| CN109579784A (zh) * | 2018-11-26 | 2019-04-05 | 青岛国测海遥信息技术有限公司 | 基于数字表面模型的城市地区建筑物高度的自动获取方法 |
| CN110674996A (zh) * | 2019-09-27 | 2020-01-10 | 河南大学 | 一种城市交通噪声预测方法 |
| CN110909924A (zh) * | 2019-11-12 | 2020-03-24 | 同济大学 | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 |
| CN111199185A (zh) * | 2019-11-26 | 2020-05-26 | 广州地理研究所 | 基于XGBoost学习算法的地表温度降尺度方法、系统及设备 |
| CN111767597A (zh) * | 2020-06-18 | 2020-10-13 | 软通动力信息技术有限公司 | 一种城市模型验证方法、装置、设备及存储介质 |
| CN112639882A (zh) * | 2019-09-12 | 2021-04-09 | 华为技术有限公司 | 定位方法、装置及系统 |
| CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
| CN113051638A (zh) * | 2021-02-19 | 2021-06-29 | 中国科学院空天信息创新研究院 | 一种建筑高度优化配置方法及装置 |
| CN113515798A (zh) * | 2021-07-05 | 2021-10-19 | 中山大学 | 一种城市三维空间扩张模拟方法及装置 |
| CN113705125A (zh) * | 2021-08-30 | 2021-11-26 | 安徽建筑大学城市建设学院 | 一种高层建筑局域风场cfd模拟分析方法 |
| CN113744845A (zh) * | 2021-09-17 | 2021-12-03 | 平安好医投资管理有限公司 | 基于人工智能的医学影像处理方法、装置、设备及介质 |
| CN113743013A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种基于XGBoost气温预测数据修正的方法 |
| CN113902793A (zh) * | 2021-11-05 | 2022-01-07 | 长光卫星技术有限公司 | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 |
| CN114091140A (zh) * | 2021-10-13 | 2022-02-25 | 上海大学 | 一种城市空间密度数据的网络构建方法 |
| CN114241145A (zh) * | 2021-12-10 | 2022-03-25 | 中国民航科学技术研究院 | 机场净空区建筑物高度监测方法 |
| CN114580691A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油天然气股份有限公司 | 燃气使用需求的预测方法、装置、计算机设备及存储介质 |
| CN114723149A (zh) * | 2022-04-14 | 2022-07-08 | 北京市农林科学院信息技术研究中心 | 土壤墒情预测方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816581A (zh) * | 2019-01-25 | 2019-05-28 | 东南大学 | 一种综合业态大数据与建筑形态的城市用地自动识别系统 |
| WO2020238819A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
-
2022
- 2022-09-29 CN CN202211202032.0A patent/CN115859765B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663528A (zh) * | 2012-04-28 | 2012-09-12 | 清华大学 | 一种基于城市容度控制技术的城市规划方法 |
| CN104463836A (zh) * | 2014-09-03 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于移动窗口的城市绿色空间遥感度量方法 |
| CN109579784A (zh) * | 2018-11-26 | 2019-04-05 | 青岛国测海遥信息技术有限公司 | 基于数字表面模型的城市地区建筑物高度的自动获取方法 |
| CN112639882A (zh) * | 2019-09-12 | 2021-04-09 | 华为技术有限公司 | 定位方法、装置及系统 |
| CN110674996A (zh) * | 2019-09-27 | 2020-01-10 | 河南大学 | 一种城市交通噪声预测方法 |
| CN110909924A (zh) * | 2019-11-12 | 2020-03-24 | 同济大学 | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 |
| CN111199185A (zh) * | 2019-11-26 | 2020-05-26 | 广州地理研究所 | 基于XGBoost学习算法的地表温度降尺度方法、系统及设备 |
| CN111767597A (zh) * | 2020-06-18 | 2020-10-13 | 软通动力信息技术有限公司 | 一种城市模型验证方法、装置、设备及存储介质 |
| CN114580691A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油天然气股份有限公司 | 燃气使用需求的预测方法、装置、计算机设备及存储介质 |
| CN113051638A (zh) * | 2021-02-19 | 2021-06-29 | 中国科学院空天信息创新研究院 | 一种建筑高度优化配置方法及装置 |
| CN112926795A (zh) * | 2021-03-22 | 2021-06-08 | 西安建筑科技大学 | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 |
| CN113515798A (zh) * | 2021-07-05 | 2021-10-19 | 中山大学 | 一种城市三维空间扩张模拟方法及装置 |
| CN113705125A (zh) * | 2021-08-30 | 2021-11-26 | 安徽建筑大学城市建设学院 | 一种高层建筑局域风场cfd模拟分析方法 |
| CN113743013A (zh) * | 2021-09-08 | 2021-12-03 | 成都卡普数据服务有限责任公司 | 一种基于XGBoost气温预测数据修正的方法 |
| CN113744845A (zh) * | 2021-09-17 | 2021-12-03 | 平安好医投资管理有限公司 | 基于人工智能的医学影像处理方法、装置、设备及介质 |
| CN114091140A (zh) * | 2021-10-13 | 2022-02-25 | 上海大学 | 一种城市空间密度数据的网络构建方法 |
| CN113902793A (zh) * | 2021-11-05 | 2022-01-07 | 长光卫星技术有限公司 | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 |
| CN114241145A (zh) * | 2021-12-10 | 2022-03-25 | 中国民航科学技术研究院 | 机场净空区建筑物高度监测方法 |
| CN114723149A (zh) * | 2022-04-14 | 2022-07-08 | 北京市农林科学院信息技术研究中心 | 土壤墒情预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| "Learning from urban form to predict building heights";Nikola Milojevic-Dupont .etc;《PLOS ONE》;1-22 * |
| "基于CA模型的城镇扩张模拟与分析";张亦汉 等;《中山大学学报(自然科学版)》;第56卷(第3期);140-147 * |
| Linfeng Zhao .etc."Three-Dimensional Simulation Model for Synergistically Simulating Urban Horizontal Expansion and Vertical Growth".《remote sensing》.2022,1-24. * |
| 李柳华.基于随机森林模型的城市扩张三维特征时空变化及机制分析.地理与地理信息科学.2019,第35卷(第2期),53-60. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859765A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
| Feng et al. | Modeling dynamic urban growth using cellular automata and particle swarm optimization rules | |
| CN110059385B (zh) | 一种耦合异速生长的网格动力学情景模拟方法及终端设备 | |
| CN109902222A (zh) | 一种推荐方法及装置 | |
| CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
| CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN115859765B (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
| CN115409671B (zh) | 社区居民人口微观数据合成方法、装置、终端及存储介质 | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| CN111695046A (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
| Ma et al. | Fuzzy hybrid framework with dynamic weights for short‐term traffic flow prediction by mining spatio‐temporal correlations | |
| CN116522565B (zh) | 一种基于bim的电力工程设计配电网规划方法及计算机设备 | |
| Xu et al. | Federated learning for interpretable short-term residential load forecasting in edge computing network | |
| CN110633890A (zh) | 一种土地利用效率判断方法和系统 | |
| CN117010480A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
| CN112418508B (zh) | 基于物理空间与社交网络空间交互的人口分布预测方法 | |
| CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
| CN114911157A (zh) | 基于部分可观测强化学习的机器人导航控制方法及系统 | |
| CN114049374A (zh) | 一种基于迁移学习-角点预测的图注意目标跟踪方法 | |
| CN114048886A (zh) | 基于神经网络的有效泊位组合预测方法、终端及存储介质 | |
| CN112184753A (zh) | 目标光流法确定方法、装置、计算机设备和存储介质 | |
| Zeng et al. | An urban cellular automata model based on a spatiotemporal non-stationary neighborhood | |
| Wang et al. | A short-term hybrid wind speed prediction model based on decomposition and improved optimization algorithm |
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 |