CN115879594A - 一种基于地理探测器的城市定居人口分布趋势预测方法 - Google Patents
一种基于地理探测器的城市定居人口分布趋势预测方法 Download PDFInfo
- Publication number
- CN115879594A CN115879594A CN202211082813.0A CN202211082813A CN115879594A CN 115879594 A CN115879594 A CN 115879594A CN 202211082813 A CN202211082813 A CN 202211082813A CN 115879594 A CN115879594 A CN 115879594A
- Authority
- CN
- China
- Prior art keywords
- perception
- urban
- factor
- interpretation
- settlement
- 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
Images
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
本申请提供了一种基于地理探测器的城市定居人口分布趋势预测方法,包括:获取研究区域的全景街景数据;进行语义分割,得到视觉感知要素,建立视觉感知因子;通过不同出行方式下的不同设施类型的可达性,建立空间感知因子;使用地理探测器,计算所述视觉感知因子和空间感知因子对定居人口分布密度的解释率;获得若干个高解释率感知因子,基于判断矩阵,得到对应的权重,建立定居意向指数,用于预测城市定居人口分布趋势。本申请的预测方法,以人对真实城市环境的感知为基础,兼顾了评价的主观性和客观性,对有关城市定居人口分布的城市规划具有较高的参考价值。
Description
技术领域
本发明涉及城市遥感技术领域,特别涉及一种基于地理探测器的城市定居人口分布趋势预测方法。
背景技术
城市化伴随的大型人口迁移活动不断更新着城市中的人口结构,大规模的人口迁入给有限的城市资源和环境容量造成了巨大压力。目前定居人口的精细尺度分布预测仍是尚未解决的一个重要问题。
人们对于城市环境的感知深刻影响着定居选择的优先性和居住的稳定性。城市环境的公共空间品质、服务设施建设积极影响着人们的定居意愿,与居住人口的分布关系密切。人口定居的研究多基于问卷调查数据分析人们对于城市环境的居住偏好,对城市环境感知的定量测度研究尚不完备。地理空间数据的信息类型的增加及处理技术的发展极大丰富了人视角观察下对于以上城市环境特征的刻画方法。近年来,新兴数据被广泛应用于与人类活动有关的城市环境刻画研究中,如:POI(point of information OR point ofinterest,地图上任何非地理意义的有意义的点)常被用于城市形态刻画、城市功能区识别、网格化人口制图;街景数据被广泛用于街道品质评价与城市功能形态的刻画;此外,网络位置服务平台是当前的可达性研究的重要补充,POI存在的意义是在用户对地理位置及周边的信息认知不准确的情况下,将用户与地理上具有意义的点进行连接,并进行下一步行为的转化。。
定居人口数据多依赖于人工调查,无法满足空间连续性且难以进行在短时间内进行大范围的采集。当下空间人口分布预测对象主要为总人口,没有考虑定居人口与流动人口。人口制图使用的网格单元不能与人生活的不规则形状街区单元匹配。由于保护隐私或地域单元划分边界不清晰等问题,人口普查数据往往在较大的范围总人口数据。以中国为例,与人类活动有关的城市研究的空间精度多局限在街道尺度,即人口普查的最高精度。随着城市环境研究精度的提升,街区逐渐作为城市内部的精细研究单元的代表用于城市景观、城市规划方面的分析中。街区作为由道路网络划分的具有相对同质的社会经济功能的土地单元,是城市结构的基本组成单位,也是人口活动有关的重要划分单元。
综上所述,针对多样、复杂的城市环境,亟需一套基于定量分析的精细尺度的城市定居人口分布的趋势预测方法,以更科学、客观地指导城市规划,助力城市可持续发展。
发明内容
本申请的目的在于解决现有技术存在的缺陷。
针对现有研究在城市定居人口空间分布研究定量程度不够的问题,本申请的目的在于提出一种基于地理探测器的城市定居人口分布趋势预测方法。在对城市环境感知因子和城市定居人口分布之间开展定量分析的基础上,构建兼顾主观性和客观性的定居意向指数。
第一方面,本申请提供了一种基于地理探测器的城市定居人口分布趋势预测方法,包括:获取研究区域的全景街景数据;对所述全景街景数据进行语义分割,得到视觉感知要素,建立至少一个城市环境视觉感知因子;基于所述全景街景数据,得到至少一种出行方式下的至少一种设施类型的可达性(可达性在图论中,是指在图中从一个顶点到另一个顶点的容易程度,在无向图中,可以通过识别图的连接分量来确定所有顶点对之间的可达性),建立至少一个城市环境空间感知因子;使用地理探测器,计算所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子对定居人口分布密度的解释率;基于所述解释率,从所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子中,确定至少一个高解释率感知因子,基于判断矩阵,得到所述高解释率感知因子对应的权重;基于所述高解释率感知因子以及对应的权重,建立定居意向指数,用于预测城市定居人口分布趋势。
在一个可行的实施例中,所述获取研究区域的全景街景数据,包括:通过设置等间距或者不等间距的采样点,获取研究区域的全景街景数据。
在一个可行的实施例中,所述通过设置等间距或者不等间距的采样点,获取研究区域的全景街景数据,包括:通过设置路网200m等间距采样点,获取研究区百度街景全景数据,并对垂直方向上的中间1/3进行裁剪提取。
在一个可行的实施例中,所述对所述全景街景数据进行语义分割,得到视觉感知要素,建立至少一个城市环境视觉感知因子,包括:使用神经网络模型,对所述全景街景数据进行语义分割,得到视觉感知要素;基于视觉感知要素的类型与多样性特征,建立至少一个城市环境视觉感知因子。
在一个可行的实施例中,所述使用神经网络模型,对所述全景街景数据进行语义分割,得到视觉感知要素,包括:利用Cityscape训练集训练的DeepLabV3模型,对所述全景街景数据进行语义分割,得到视觉感知要素。
在一个可行的实施例中,所述基于视觉感知要素的类型与多样性特征,建立至少一个城市环境视觉感知因子,包括:基于视觉感知要素的类型与多样性特征,建立绿化、开放性、围合度、机动化、人性化程度、SIDI多样性与SHDI多样性共7个城市环境视觉感知因子。
在一个可行的实施例中,所述基于所述全景街景数据,得到至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子,包括:基于所述全景街景数据,获取等时出行范围,得到至少一种出行方式下的至少一种设施类型的可达性;基于所述至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子。
在一个可行的实施例中,所述基于所述全景街景数据,获取等时出行范围,得到至少一种出行方式下的至少一种设施类型的可达性,包括:调用Isochrone API获取各街区在步行、骑行、驾车三种出行方式下的15min等时出行范围;统计各等时出行范围内部各类型POI点位数量,基于累计机会法计算街区的不同出行方式下针对不同设施类型的可达性。
在一个可行的实施例中,所述基于所述至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子,包括:基于不同的出行方式与设施类型,分别计算步行、骑行、驾车3种出行方式下,办公、交通、商业、住宅、科学教育和健康及绿地与广场6类服务设施的可达性,共18个城市环境空间感知因子。
在一个可行的实施例中,所述基于所述解释率,确定至少一个高解释率感知因子,基于判断矩阵,得到所述高解释率感知因子对应的权重,包括:从所述至少一个城市环境视觉感知因子和至少一个城市环境空间感知因子中选取至少一个高解释率感知因子用于构建层次模型;根据解释率差异的大小,确定对应的感知因子两两之间的判断矩阵标度,得到所述高解释率感知因子的判断矩阵;通过解算所述判断矩阵,得到所述高解释率感知因子对应的权重。
第二方面,本申请提供了一种基于地理探测器的城市定居人口分布趋势预测方法的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种基于地理探测器的城市定居人口分布趋势预测方法。
第三方面,本申请提供了一种基于地理探测器的城市定居人口分布趋势预测方法的介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的一种基于地理探测器的城市定居人口分布趋势预测方法。
本申请提出通过地理探测器对城市定居人口分布进行定量分析,并据此构建综合多个城市环境感知因子的用于预测城市定居人口分布趋势的人口定居意向指标(Settlement Intention Index,SII)。针对现有研究在城市定居人口空间分布研究定量程度不够的问题,本申请的目的在于提出一种基于地理探测器的城市定居人口分布趋势预测方法。在对城市环境感知因子和城市定居人口分布之间开展定量分析的基础上,构建兼顾主观性和客观性的定居意向指数。
本申请提出了一种地理探测器的城市定居人口分布趋势预测方法,以人为出发点的各类感知因子对定居人口空间分布的解释率可通过地理探测器模型获得,并以此为参考,构建定居意向指数。该方法以对人对真实城市环境的感知进行定量研究为基础的,兼顾了评价的主观性和客观性,对有关城市定居人口分布的城市规划具有较高的参考价值。
附图说明
图1为本发明实施例的一种基于地理探测器的城市定居人口分布趋势预测方法的流程示意图;
图2为本发明实施例的北京市研究区的百度街景全景的示意图;
图3为本发明实施例的北京市研究区的城市环境视觉感知因子的计算示意图;
图4为本发明实施例的北京市研究区的不同出行方式下的设施类型可达性的等时出行范围的示意图;
图5为本发明实施例的北京市研究区的定居意向指数SII指数及环线间分区分布、冷热点分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。基于本发明中的实施例,本技术领域的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。
为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
图1为本发明实施例的一种基于地理探测器的城市定居人口分布趋势预测方法的流程示意图,如图1所示,本发明实施例提供了一种基于地理探测器的城市定居人口分布趋势预测方法,主要包括以下步骤:
步骤S110,获取研究区域的全景街景数据;
步骤S120,对所述全景街景数据进行语义分割,得到视觉感知要素,建立至少一个城市环境视觉感知因子;
步骤S130,基于所述全景街景数据,得到至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子;
步骤S140,使用地理探测器,计算所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子对定居人口分布密度的解释率;
步骤S150,基于所述解释率,从所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子中,确定至少一个高解释率感知因子,基于判断矩阵,得到所述高解释率感知因子对应的权重;
步骤S160,基于所述高解释率感知因子以及对应的权重,建立定居意向指数,用于预测城市定居人口分布趋势。
在步骤S110中,通过设置路网等间距采样点获取百度全景街景数据,设置路网200m等间距采样点获取研究区百度街景全景数据,并对垂直方向上的中间1/3进行裁剪提取。
在步骤S120中,利用语义分割对街景图像内景观信息进行提取,利用Cityscape训练集训练的DeepLabV3模型对街景数据进行语义分割。将语义分割提取的视觉感知要素占比结果导出。基于视觉感知要素类型与多样性特征,计算绿化、开放性、围合度、机动化、人性化程度、SIDI多样性与SHDI多样性共7个视觉感知因子。
在步骤S130中,首先,提取研究区域中各街区内部的质心为代表最小街区单元的出发点。其次,调用Isochrone API获取各街区在步行、骑行、驾车三种出行方式下的15min等时出行范围。最后,统计各等时圈内部各类型POI点位数量,基于累计机会法计算街区的不同出行方式下针对不同设施类型的可达性。
基于出行方式与设施类型,分别计算步行、骑行、驾车3种出行方式下,办公、交通、商业、住宅、科学教育和健康及绿地与广场6类服务设施的可达性,共18个空间感知因子。
在步骤S140中,首先,采用Pearson相关分析确定各感知因子对城市定居人口分布影响的方向,再应用地理探测器的因子探测模块来度量各类感知因子对城市定居人口分布造成的空间异质性程度,可以通过q统计量实现定量描述:
式1中,N和σ2分别代表研究单元数及Y(定居人口分布密度)在整个研究区的方差;总体Y有L个分层(h=1,2,…,L),层h由Nh个单元组成,σh 2代表层h内Y值的方差。q的取值为[0,1],q=0表示Y和X(各感知因子)之间不存在耦合关系;q=1说明Y完全由解释因子X决定;q的值为(0,1)表示X解释了100q%的Y。
在步骤S150中,从所有感知因子(包括视觉感知和空间感知)中选取若干个q值最高的指数用于构建层次模型,并根据q值差异的大小,参考层次分析的1-9量表法确定景观指数两两之间的判断矩阵标度,得到所有感知因子的判断矩阵。通过解算所述判断矩阵,得到各感知因子的权重。
表1判断矩阵标度意义
在步骤S160中,基于所述若干个q值最高的指数(感知因子)以及各景观指数对应的权重,构建定居意向指数。
本发明实施例还提供定量分析的城市定居人口分布趋势预测的电子设备,包括至少一个处理器,所述处理器用于执行存储器中存储的程序,当所述程序被执行时,使得所述装置执行步骤S110至步骤S160的所述预测方法。
本发明实施例还提供一种定量分析的城市定居人口分布趋势预测的非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现步骤S110至步骤S160的所述预测方法。
实施例1
以北京市研究区为例,作进一步阐述说明。
(一)视觉感知要素提取
首先,设置路网200m等间距采样点获取如图2所示的研究区百度街景全景数据,并对垂直方向上的中间1/3进行裁剪提取。其次,利用Cityscape训练集训练的DeepLabV3模型对街景数据进行语义分割,语义分割结果如图3所示。最后,将语义分割提取的要素占比结果导出。
(二)空间感知要素提取
首先,提取研究区中各街区内部的质心为代表最小街区单元的出发点。其次,调用Isochrone API获取各街区在步行、骑行、驾车三种出行方式下的15min等时出行范围。最后,统计各等时圈内部各类型POI点位数量,如图4所示,基于累计机会法计算街区的不同出行方式下针对不同设施类型的可达性。
(三)感知因子构建
基于视觉感知要素类型与多样性特征,计算绿化、开放性、围合度、机动化、人性化程度、SIDI多样性与SHDI多样性共7个视觉感知因子。
基于出行方式与设施类型,分别计算步行、骑行、驾车3种出行方式下,办公、交通、商业、住宅、科学教育和健康及绿地与广场6类服务设施的可达性,共18个空间感知因子。
(四)地理探测器定量分析
首先采用Pearson相关分析确定各感知因子对城市定居人口分布影响的方向,再应用地理探测器的因子探测模块来度量各类感知因子对城市定居人口分布造成的空间异质性程度,可以通过q统计量实现定量描述。
(五)定居意向指数构建
从所有感知因子(包括视觉感知和空间感知)中选取若干个q值最高的指数用于构建如表2的层次模型,并根据q值差异的大小,参考层次分析的1-9量表法确定景观指数两两之间的判断矩阵标度,得到如表3的判断矩阵。通过解算判断矩阵,得到如表2的各景观指数权重,构建如公式2的定居意向指数SII。
表2评价指标层次模型
表3评价指标判断矩阵
消除量纲的影响,进行SII计算时,所有人视角感知因子在输入前均需标准化至0到1范围内。
针对现有研究在城市定居人口空间分布研究定量程度不够的问题,本发明实施例的目的在于提出一种基于地理探测器的城市定居人口分布趋势预测方法。在对城市环境感知因子和定居人口分布之间开展定量分析的基础上,构建兼顾主观性和客观性的定居意向指数。本发明实施例的目的通过以下技术步骤实现:设置路网等间距采样点获取百度全景街景数据,利用语义分割对街景图像内景观信息进行提取;利用Isochrone API和POI提取步行、骑行、驾车出行方式下的各类服务设施可达性;基于景观类型、比例以及多样性建立城市环境视觉感知因子,基于出行方式与服务设施类型差异建立城市环境空间感知因子;以街区为各感知因子计算单元,统计街道单元因子均值作为自变量,与基于人口普查数据的“本地人口,定居于此”的街道级人口密度进行地理探测器的因子探测,计算各感知因子对城市定居人口分布的解释率q;根据解释率q开展层次分析法层次结构构建及元素优先级判别,通过解算判断矩阵,得到各感知因子权重,构建定居意向指数。
不仅限于本发明实施例的,采集的SVI可能来自不同季节,因此而导致的城市景观差异是城市公共空间视觉感知量化的重要误差来源。本发明实施例的技术方案具有很强的区域适用性,然而基于地理探测器定量分析而构建的SII指标计算模型,仅适用于当前研究区。该缺陷可以通过在多个不同类型的研究区进行实验来解决:探索城市环境特征的作用机制,归纳总结通用的或适配于特定城市类型的指标计算模型。
不仅限于本发明实施例的,计算用于分析的空间感知因子时,可达性测度的出发点应采用可划分的最小尺度(如街区、建筑物)的质点,也可以在更精细的道路间隔上设置街景采样点;构建SII计算模型的感知因子可根据应用目的和城市景观规划特点进行增加或删减,可根据因子探测结果中各因子的q值差异调整建立判断矩阵的原则。
不仅限于本发明实施例的,利用开源数据与自动化处理工具对人视角感知到的城市环境进行精细的全面的刻画。DeepLabV3和Isochrone API扩展了街景和POI的使用场景,实现了感知因子的自动化大规模定量计算。通过因子探测和Pearson相关系数指导AHP的判断矩阵的建立,巧妙避免了主观性过强导致的权重计算误差,增加了指标构建的可信度与客观性。
伴随城市化而来的人口迁移,导致城市人口大量增加,然而,精细尺度的城市定居人口分布仍然缺乏定量研究。人们对城市环境的主观感知情况直接影响他们的定居选择。为量化人类感知因子对定居人口分布的影响,本研究基于地理探测器定量分析提出了一种预测城市定居人口分布趋势的方法。该方法包括如下步骤:1)以街区为单元,进行街景图像的语义分割和基于Isochrone API与POI的可达性计算分别获取人们感知的城市环境的视觉和空间特征并构建人类感知因子;2)计算街道单元内街区因子计算结果的均值,利用地理探测器探测各人类感知因子对定居人口分布的解释率q;3)根据解释率q,利用层次分析法,构建判断矩阵,获取各感知因子权重,构建城市人口定居意向指数。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所以理解的是,以上所述仅为本发明的具体实施方式之一而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做出的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于地理探测器的城市定居人口分布趋势预测方法,其特征在于,包括:
获取研究区域的全景街景数据;
对所述全景街景数据进行语义分割,得到视觉感知要素,建立至少一个城市环境视觉感知因子;
基于所述全景街景数据,得到至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子;
使用地理探测器,计算所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子对定居人口分布密度的解释率;
基于所述解释率,从所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子中,确定至少一个高解释率感知因子,基于判断矩阵,得到所述高解释率感知因子对应的权重;
基于所述高解释率感知因子以及对应的权重,建立定居意向指数,用于预测城市定居人口分布趋势。
2.根据权利要求1所述的预测方法,其特征在于,所述获取研究区域的全景街景数据,包括:
通过设置等间距或者不等间距的采样点,获取研究区域的全景街景数据。
3.根据权利要求2所述的预测方法,其特征在于,所述通过设置等间距或者不等间距的采样点,获取研究区域的全景街景数据,包括:
通过设置路网200m等间距采样点,获取研究区百度街景全景数据,并对垂直方向上的中间1/3进行裁剪提取。
4.根据权利要求1所述的预测方法,其特征在于,所述对所述全景街景数据进行语义分割,得到视觉感知要素,建立至少一个城市环境视觉感知因子,包括:
使用神经网络模型,对所述全景街景数据进行语义分割,得到视觉感知要素;
基于视觉感知要素的类型与多样性特征,建立至少一个城市环境视觉感知因子。
5.根据权利要求4所述的预测方法,其特征在于,所述使用神经网络模型,对所述全景街景数据进行语义分割,得到视觉感知要素,包括:
利用Cityscape训练集训练的DeepLabV3模型,对所述全景街景数据进行语义分割,得到视觉感知要素;
所述基于视觉感知要素的类型与多样性特征,建立至少一个城市环境视觉感知因子,包括:
基于视觉感知要素的类型与多样性特征,建立绿化、开放性、围合度、机动化、人性化程度、SIDI多样性与SHDI多样性共7个城市环境视觉感知因子。
6.根据权利要求1所述的预测方法,其特征在于,所述基于所述全景街景数据,得到至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子,包括:
基于所述全景街景数据,获取等时出行范围,得到至少一种出行方式下的至少一种设施类型的可达性;
基于所述至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子。
7.根据权利要求6所述的预测方法,其特征在于,所述基于所述全景街景数据,获取等时出行范围,得到至少一种出行方式下的至少一种设施类型的可达性,包括:
调用Isochrone API获取各街区在步行、骑行、驾车三种出行方式下的15min等时出行范围;
统计各等时出行范围内部各类型POI点位数量,基于累计机会法计算街区的不同出行方式下针对不同设施类型的可达性;
所述基于所述至少一种出行方式下的至少一种设施类型的可达性,建立至少一个城市环境空间感知因子,包括:
基于不同的出行方式与设施类型,分别计算步行、骑行、驾车3种出行方式下,办公、交通、商业、住宅、科学教育和健康及绿地与广场6类服务设施的可达性,共18个城市环境空间感知因子。
8.根据权利要求1所述的预测方法,其特征在于,所述基于所述解释率,从所述至少一个城市环境视觉感知因子和所述至少一个城市环境空间感知因子中,确定至少一个高解释率感知因子,基于判断矩阵,得到所述高解释率感知因子对应的权重,包括:
从所述至少一个城市环境视觉感知因子和至少一个城市环境空间感知因子中选取至少一个高解释率感知因子用于构建层次模型;
根据解释率差异的大小,确定对应的感知因子两两之间的判断矩阵标度,得到所述高解释率感知因子的判断矩阵;
通过解算所述判断矩阵,得到所述高解释率感知因子对应的权重。
9.一种基于地理探测器的城市定居人口分布趋势预测方法的电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述的预测方法。
10.一种基于地理探测器的城市定居人口分布趋势预测方法的介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8任一项所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082813.0A CN115879594A (zh) | 2022-09-06 | 2022-09-06 | 一种基于地理探测器的城市定居人口分布趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082813.0A CN115879594A (zh) | 2022-09-06 | 2022-09-06 | 一种基于地理探测器的城市定居人口分布趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879594A true CN115879594A (zh) | 2023-03-31 |
Family
ID=85769757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082813.0A Pending CN115879594A (zh) | 2022-09-06 | 2022-09-06 | 一种基于地理探测器的城市定居人口分布趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415499A (zh) * | 2023-04-07 | 2023-07-11 | 广州市城市规划勘测设计研究院 | 一种社区舒适感模拟预测方法 |
-
2022
- 2022-09-06 CN CN202211082813.0A patent/CN115879594A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415499A (zh) * | 2023-04-07 | 2023-07-11 | 广州市城市规划勘测设计研究院 | 一种社区舒适感模拟预测方法 |
CN116415499B (zh) * | 2023-04-07 | 2024-02-27 | 广州市城市规划勘测设计研究院 | 一种社区舒适感模拟预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jat et al. | Modelling of urban growth using spatial analysis techniques: a case study of Ajmer city (India) | |
CN112949413B (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
CN111242493B (zh) | 一种街道品质评价方法、装置、系统及存储介质 | |
Bishop et al. | Prediction of scenic beauty using mapped data and geographic information systems | |
Pham et al. | Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam | |
Goovaerts et al. | Detection of temporal changes in the spatial distribution of cancer rates using local Moran’s I and geostatistically simulated spatial neutral models | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
Xu et al. | Population mapping in China with Tencent social user and remote sensing data | |
CN110597932B (zh) | 一种基于遥感影像的环境综合评估预测方法 | |
CN109541172A (zh) | 土壤属性值的计算方法及装置 | |
Ren et al. | The accuracy of LCZ maps generated by the world urban database and access portal tools (WUDAPT) method: A case study of Hong Kong | |
CN113591700A (zh) | 一种潜在滑坡堵江预测方法 | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
CN107798418A (zh) | 一种基于交通分析小区的交通事故频次预测方法 | |
CN112561401A (zh) | 一种基于多源大数据的城市活力测度与表征方法及系统 | |
EP4287214A1 (en) | Information processing device, water resource managing method, information processing method, and recording medium | |
CN115879594A (zh) | 一种基于地理探测器的城市定居人口分布趋势预测方法 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及系统 | |
Li et al. | Automated bridge crack detection based on improving encoder–decoder network and strip pooling | |
Zhou et al. | Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches | |
CN111506879B (zh) | 一种基于多源感知数据的人口空间化测算方法、装置 |
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 |