CN116070887B - 一种土地测绘数据智能分析管理系统 - Google Patents

一种土地测绘数据智能分析管理系统 Download PDF

Info

Publication number
CN116070887B
CN116070887B CN202310354834.1A CN202310354834A CN116070887B CN 116070887 B CN116070887 B CN 116070887B CN 202310354834 A CN202310354834 A CN 202310354834A CN 116070887 B CN116070887 B CN 116070887B
Authority
CN
China
Prior art keywords
land
model
actual measurement
remote sensing
agricultural land
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
Application number
CN202310354834.1A
Other languages
English (en)
Other versions
CN116070887A (zh
Inventor
张虎君
王扬
徐文斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pingyuan County Natural Resources Service Center
Original Assignee
Pingyuan County Natural Resources Service Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pingyuan County Natural Resources Service Center filed Critical Pingyuan County Natural Resources Service Center
Priority to CN202310354834.1A priority Critical patent/CN116070887B/zh
Publication of CN116070887A publication Critical patent/CN116070887A/zh
Application granted granted Critical
Publication of CN116070887B publication Critical patent/CN116070887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

本发明涉及土地测绘数据分析领域，涉及到一种土地测绘数据智能分析管理系统。本发明根据目标农业土地对应遥感影像模型和人工实测模型，筛选各异常区域，并根据各异常区域对应遥感影像模型与人工实测模型的重合比例指数得到对应目标模型，进而得到目标农业土地的整合模型，从而实现对目标农业土地进行多方面、多层次的测绘管理，提高农业土地模型的精确性，进而增加农业土地测绘数据的可靠性与准确性，为后期农业土地管理奠定良好基础。同时结合各待分配家庭的分配土地级别和分配优先系数，对各待分配家庭进行土地分配管理，从而提高农业土地的分配合理性和分配满意度，有利于农业土地管理部门的土地管理有效性和高效性。

Description

一种土地测绘数据智能分析管理系统
技术领域
本发明涉及土地测绘数据分析领域，涉及到一种土地测绘数据智能分析管理系统。
背景技术
土地测绘是指使用以计算机技术、光电技术、网络通讯技术、空间科学、信息科学为基础，以全球定位系统、遥感、地理信息系统为技术核心，将地面已有的特征点和界线，通过测量手段获得反映地面现状的图形和位置信息，供工程建设的规划设计和行政管理之用。
目前土地测量工程技术在经济快速发展的带动下，取得了很大的进步，在整个过程中，土地测绘的发挥作用逐渐突出起来。随着科技发展遥感影像一般也多用在农业土地测绘，相较于以前的卫星遥感，现在更多的使用无人机遥感测绘，这样得到相关农业土地的数据会更为高效。虽然现有的农业土地测绘技术通过无人机遥感而实现，但是现有方式的测绘都是根据测绘的遥感影像构建土地模型，其精确性差，不能有效对农业土地测绘数据起到主要的参考作用，导致无法使遥感测绘与实际测绘相契合，从而影响农业土地测绘的效果与精度，降低农业土地测绘数据的可靠性与准确性，进而无法确保测绘的农业土地模型能够更好地反应农业土地的实际情况。
土地分配是农业土地测绘管理极为关键的一步，测绘数据精度对于农业土地分配起到了至关重要的作用，若测绘数据精度不够，则难以保证农业土地分配时的公平公正，也不便于管理者对于农业土地的管理规划和使用。
发明内容
为解决上述技术问题，本发明是通过以下技术方案实现的：一种土地测绘数据智能分析管理系统，包括：农业土地模型构建模块，用于对目标农业土地区域进行测绘，构建目标农业土地对应遥感影像模型和人工实测模型。
模型异常区域筛选模块，用于根据目标农业土地对应遥感影像模型和人工实测模型，筛选目标农业土地模型对应各异常区域，得到各异常区域的模型数据。
农业土地模型整合模块，用于提取各异常区域的模型数据中重合模型体积
Figure SMS_2
、遥感影像模型体积/>
Figure SMS_3
和人工实测模型体积/>
Figure SMS_4
，/>
Figure SMS_5
，/>
Figure SMS_6
为各异常区域的编号，分析各异常区域对应遥感影像模型与人工实测模型的重合比例指数
Figure SMS_7
，/>
Figure SMS_8
为设定的遥感影像模型体积、人工实测模型体积占比权重因子，/>
Figure SMS_1
，并经过处理后得到目标农业土地的整合模型。
待分配人员信息获取模块，用于获取各待分配家庭的人员信息，得到各待分配家庭的分配土地级别和分配优先系数。
目标农业土地分配模块，将目标农业土地的整合模型分成各土地级别区域，进而对各待分配家庭进行土地分配管理。
根据本发明进一步的发明目的，所述农业土地模型构建模块对应具体内容为：对目标农业土地区域进行不同高度的遥感影像扫描，得到目标农业土地区域对应各高度的遥感测绘影像，并对目标农业土地区域对应各高度的遥感测绘影像进行预处理，进而构建目标农业土地对应遥感影像模型。
将目标农业土地区域按照道路分布情况划分成各土地子区域，对各土地子区域进行不同监测点的实测，得到各土地子区域对应的实测数据，其中实测数据包括轮廓和各监测点的位置，并对各土地子区域对应的实测数据进行解析，构建目标农业土地对应人工实测模型。
根据本发明进一步的发明目的，所述对各土地子区域对应的实测数据进行解析，具体包括：根据各土地子区域对应各监测点的位置，统计各土地子区域中各监测点对应各相邻监测点，将各土地子区域中各监测点的位置与其对应各相邻监测点的位置进行连接，得到各土地子区域中各监测点与其对应各相邻监测点的连线，同时将各土地子区域中各监测点与其对应各相邻监测点的连接进行消重处理，结合各土地子区域的轮廓构建各土地子区域的轮廓曲面，并将各土地子区域的轮廓曲面进行拼接处理，构成目标农业土地对应人工实测模型。
根据本发明进一步的发明目的，所述各异常区域的模型数据包括重合模型体积、遥感影像模型数据和人工实测模型数据，其中遥感影像模型数据包括轮廓曲面、轮廓边缘线和遥感影像模型体积，人工实测模型数据包括各检测点的位置和人工实测模型体积。
根据本发明进一步的发明目的，所述目标农业土地的整合模型处理方式为：若某异常区域对应遥感影像模型与人工实测模型的重合比例指数大于或等于设定的重合比例指数，则将该异常区域对应遥感影像模型体积与人工实测模型体积进行对比，筛选最小体积对应模型作为该异常区域的目标模型。
反之，则提取该异常区域的遥感影像模型数据和人工实测模型数据，分析该异常区域对应的遥感影像模型贴合度和人工实测模型贴合度，并进行相互对比，筛选最大贴合度对应模型作为该异常区域的目标模型，进而统计各异常区域的目标模型，并结合目标农业土地对应遥感影像模型与人工实测模型的重合部分，拼接得到目标农业土地的整合模型。
根据本发明进一步的发明目的，所述该异常区域对应的遥感影像模型贴合度分析方式为：提取该异常区域对应遥感影像模型数据中轮廓边缘线和轮廓曲面，将若干测试点布设在轮廓边缘线上，并将若干测试点进行两两连线，得到该异常区域对应的各测试线段，分别以各测试线段为切线对该异常区域对应轮廓曲面进行垂直切割，得到该异常区域对应各垂直截面的截面曲线，同时获取目标农业土地对应遥感影像模型中除该异常区域以外的其他区域，记为指定区域，同理以各测试线段为切线对指定区域对应轮廓曲面进行垂直切割，得到指定区域对应各垂直截面的两条截面曲线。
构建以单位距离为横轴，单位高度为纵轴的距离-高度曲线图，并将该异常区域对应各垂直截面的截面曲线和指定区域对应各垂直截面的两个截面曲线代入距离-高度曲线图中，得到该异常区域对应各垂直截面的截面曲线函数
Figure SMS_15
以及指定区域对应各垂直截面的第一截面曲线函数/>
Figure SMS_16
和第二截面曲线函数/>
Figure SMS_17
，/>
Figure SMS_18
，/>
Figure SMS_19
为各垂直截面的编号，分析该异常区域对应的遥感影像模型贴合度
Figure SMS_20
，/>
Figure SMS_21
为垂直截面数量，/>
Figure SMS_9
为设定的截面曲线函数斜率差值、截面曲线函数斜率比值对应权重，
Figure SMS_10
为设定常数，/>
Figure SMS_11
，/>
Figure SMS_12
为该异常区域对应第/>
Figure SMS_13
垂直截面的截面曲线函数以及指定区域对应第/>
Figure SMS_14
垂直截面的第一截面曲线函数和第二截面曲线函数求导后的导数值。
根据本发明进一步的发明目的，所述该异常区域对应的人工实测模型贴合度分析方式为：以目标农业土地对应人工实测模型中设定点作为原点，构建人工实测模型空间坐标系，根据该异常区域对应人工实测模型数据中各检测点的位置，得到各检测点的空间坐标，同时获取人工实测模型中除该异常区域以外的其他区域，记为标记区域，统计标记区域中各其他监测点的位置，筛选各检测点对应参考监测点的空间坐标，得到各检测点与其对应参考监测点之间的坡度值
Figure SMS_22
，/>
Figure SMS_23
，/>
Figure SMS_24
为各检测点的编号，分析该异常区域对应的人工实测模型贴合度
Figure SMS_25
，/>
Figure SMS_26
为检测点数量，/>
Figure SMS_27
为设定的坡度补偿修正因子，/>
Figure SMS_28
，/>
Figure SMS_29
为预设的允许坡度误差值，
Figure SMS_30
分别为第/>
Figure SMS_31
、/>
Figure SMS_32
个检测点与其对应参考监测点之间的坡度值，
Figure SMS_33
分别为各检测点与其对应参考监测点之间的坡度值对应最大值、最小值。
根据本发明进一步的发明目的，所述各待分配家庭的分配优先系数获取方式为：根据各待分配家庭中各人员的居家状况，筛选各待分配家庭中处于长期居家状况的人员数量，记为各待分配家庭的居家人员数量
Figure SMS_34
，/>
Figure SMS_35
，/>
Figure SMS_36
为各待分配家庭的编号，并统计各待分配家庭中各居家人员的年龄，记为/>
Figure SMS_37
，/>
Figure SMS_38
，/>
Figure SMS_39
为各居家人员的编号。
筛选各待分配家庭在对应分配土地级别中各其他待分配家庭，将其作为各参考家庭，统计各参考家庭中各居家人员的年龄，得到各待分配家庭的参考人员中值年龄
Figure SMS_40
和参考人员众值年龄/>
Figure SMS_41
，分析各待分配家庭的分配优先系数
Figure SMS_42
，/>
Figure SMS_43
为第/>
Figure SMS_44
待分配家庭的人员数量，
Figure SMS_45
为自然常数，/>
Figure SMS_46
为设定的人员中值年龄、人员众值年龄的影响权重因子。
根据本发明进一步的发明目的，所述目标农业土地分配模块具体包括：根据各待分配家庭的分配土地级别，统计各土地级别对应的家庭数量，并依据各土地级别对应的家庭数量将目标农业土地的整合模型划分成各土地级别区域，同时结合各待分配家庭的分配优先系数，筛选各待分配家庭在对应分配土地级别中的优先分配顺序，进而依次通过各待分配家庭人员进行对应级别土地挑选。
相对于现有技术，本发明具有以下有益效果：（1）本发明通过结合目标农业土地对应遥感影像模型和人工实测模型，处理得到目标农业土地的整合模型，从而实现对目标农业土地进行多方面、多层次的测绘管理，提高农业土地模型的精确性，进一步能够有效对农业土地测绘数据起到主要的参考作用，进而增加农业土地测绘数据的可靠性与准确性，为后期农业土地管理奠定良好基础。
（2）本发明通过筛选目标农业土地模型对应各异常区域，分析各异常区域对应遥感影像模型与人工实测模型的重合比例指数，进而统计各异常区域的目标模型，使得构建的农业土地模型与实际土地模型更加契合，实现农业土地测绘的效果与精度，进一步确保测绘的农业土地模型能够更好地反应农业土地的实际情况。
（3）本发明通过获取各待分配家庭的人员信息，得到各待分配家庭的分配土地级别和分配优先系数，从而提高后期农业土地的分配合理性和分配满意度，保证土地分配的公平公正，便于管理者对于农业土地的管理规划和使用。
（4）本发明通过将目标农业土地的整合模型分成各土地级别区域，进而对各待分配家庭进行土地分配管理，进而有利于农业土地管理部门的土地管理有效性和高效性，提高农业土地管理部门的土地分配服务质量和智能化服务水平。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块连接图。
图2为本发明中目标农业土地区域的划分方式示意图。
图3为本发明中异常区域对应遥感影像模型的示意简图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明一种土地测绘数据智能分析管理系统，包括农业土地模型构建模块、模型异常区域筛选模块、农业土地模型整合模块、待分配人员信息获取模块和目标农业土地分配模块。
所述农业土地模型构建模块与模型异常区域筛选模块连接，农业土地模型整合模块分别与模型异常区域筛选模块和目标农业土地分配模块连接，待分配人员信息获取模块与目标农业土地分配模块连接。
所述农业土地模型构建模块，用于对目标农业土地区域进行测绘，构建目标农业土地对应遥感影像模型和人工实测模型。
在一种优选的方案中，所述农业土地模型构建模块对应具体内容为：通过土地测绘无人机搭载的遥感探测仪对目标农业土地区域进行不同高度的遥感影像扫描，得到目标农业土地区域对应各高度的遥感测绘影像，并对目标农业土地区域对应各高度的遥感测绘影像进行预处理，进而构建目标农业土地对应遥感影像模型。
进一步地，所述对目标农业土地区域对应各高度的遥感测绘影像进行预处理，具体为：对各高度的遥感测绘影像进行图像降噪处理和图像增强处理，这样能够提高目标农业土地对应遥感测绘影像的清晰度和质量，并对处理后的各高度的遥感测绘影像进行拼接与重叠消除，进而构建目标农业土地对应遥感影像模型，这样通过不同高度的遥感测绘影像进行拼接，从而使得构建的农业土地遥感影像模型更加精准和真实，进一步提高农业土地测绘数据的可靠性与准确性。
请参阅图2所示，将目标农业土地区域按照道路分布情况划分成各土地子区域，通过人工携带的土地测绘设备对各土地子区域进行不同监测点的实测，得到各土地子区域对应的实测数据，其中实测数据包括轮廓和各监测点的位置，并对各土地子区域对应的实测数据进行解析，构建目标农业土地对应人工实测模型。
需要说明的是，所述对各土地子区域对应的实测数据进行解析，具体包括：根据各土地子区域对应各监测点的位置，统计各土地子区域中各监测点对应各相邻监测点，将各土地子区域中各监测点的位置与其对应各相邻监测点的位置进行连接，得到各土地子区域中各监测点与其对应各相邻监测点的连线，同时将各土地子区域中各监测点与其对应各相邻监测点的连接进行消重处理，结合各土地子区域的轮廓构建各土地子区域的轮廓曲面，并将各土地子区域的轮廓曲面进行拼接处理，构成目标农业土地对应人工实测模型。
在本发明的具体实施方式中，所述目标农业土地模型对应各异常区域筛选方式为：将目标农业土地对应遥感影像模型与人工实测模型进行重合对比，得到目标农业土地对应遥感影像模型与人工实测模型的不重合部分模型，将其记为目标农业土地对应的不重合部分模型，若不重合部分模型中存在多个闭环的区域，则将多个闭环的区域均作为异常区域，若不重合部分模型中只有一个闭环的区域，则将该区域作为异常区域，进而统计目标农业土地对应的不重合部分模型中各异常区域，将其记为目标农业土地模型对应各异常区域。
所述模型异常区域筛选模块，用于根据目标农业土地对应遥感影像模型和人工实测模型，筛选目标农业土地模型对应各异常区域，得到各异常区域的模型数据。其中各异常区域的模型数据包括重合模型体积、遥感影像模型数据和人工实测模型数据，其中遥感影像模型数据包括轮廓曲面、轮廓边缘线和遥感影像模型体积，人工实测模型数据包括各检测点的位置和人工实测模型体积。
所述农业土地模型整合模块，用于提取各异常区域的模型数据中重合模型体积
Figure SMS_47
、遥感影像模型体积/>
Figure SMS_48
和人工实测模型体积/>
Figure SMS_49
，/>
Figure SMS_50
，/>
Figure SMS_51
为各异常区域的编号，分析各异常区域对应遥感影像模型与人工实测模型的重合比例指数
Figure SMS_52
，/>
Figure SMS_53
为设定的遥感影像模型体积、人工实测模型体积占比权重因子，/>
Figure SMS_54
，并经过处理后得到目标农业土地的整合模型。
在一种优选的方案中，所述目标农业土地的整合模型处理方式为：若某异常区域对应遥感影像模型与人工实测模型的重合比例指数大于或等于设定的重合比例指数，则将该异常区域对应遥感影像模型体积与人工实测模型体积进行对比，筛选最小体积对应模型作为该异常区域的目标模型。
反之，则提取该异常区域的遥感影像模型数据和人工实测模型数据，分析该异常区域对应的遥感影像模型贴合度和人工实测模型贴合度，并进行相互对比，筛选最大贴合度对应模型作为该异常区域的目标模型，进而统计各异常区域的目标模型，并结合目标农业土地对应遥感影像模型与人工实测模型的重合部分，拼接得到目标农业土地的整合模型。
需要说明的是，本发明通过筛选目标农业土地模型对应各异常区域，分析各异常区域对应遥感影像模型与人工实测模型的重合比例指数，进而统计各异常区域的目标模型，使得构建的农业土地模型与实际土地模型更加契合，实现农业土地测绘的效果与精度，进一步确保测绘的农业土地模型能够更好地反应农业土地的实际情况。
请参阅图3所示，在本发明的一具体实施方式中，所述该异常区域对应的遥感影像模型贴合度分析方式为：提取该异常区域对应遥感影像模型数据中轮廓边缘线和轮廓曲面，将若干测试点布设在轮廓边缘线上，并将若干测试点进行两两连线，得到该异常区域对应的各测试线段，分别以各测试线段为切线对该异常区域对应轮廓曲面进行垂直切割，得到该异常区域对应各垂直截面的截面曲线，同时获取目标农业土地对应遥感影像模型中除该异常区域以外的其他区域，记为指定区域，同理以各测试线段为切线对指定区域对应轮廓曲面进行垂直切割，得到指定区域对应各垂直截面的两条截面曲线。
构建以单位距离为横轴，单位高度为纵轴的距离-高度曲线图，并将该异常区域对应各垂直截面的截面曲线和指定区域对应各垂直截面的两个截面曲线代入距离-高度曲线图中，得到该异常区域对应各垂直截面的截面曲线函数
Figure SMS_55
以及指定区域对应各垂直截面的第一截面曲线函数/>
Figure SMS_56
和第二截面曲线函数/>
Figure SMS_57
，/>
Figure SMS_59
，/>
Figure SMS_60
为各垂直截面的编号，分析该异常区域对应的遥感影像模型贴合度
Figure SMS_61
，/>
Figure SMS_63
为垂直截面数量，/>
Figure SMS_58
为设定的截面曲线函数斜率差值、截面曲线函数斜率比值对应权重，
Figure SMS_62
为设定常数，/>
Figure SMS_64
，/>
Figure SMS_65
为该异常区域对应第/>
Figure SMS_66
垂直截面的截面曲线函数以及指定区域对应第/>
Figure SMS_67
垂直截面的第一截面曲线函数和第二截面曲线函数求导后的导数值。
在本发明的又一具体实施方式中，所述该异常区域对应的人工实测模型贴合度分析方式为：以目标农业土地对应人工实测模型中设定点作为原点，构建人工实测模型空间坐标系，根据该异常区域对应人工实测模型数据中各检测点的位置，得到各检测点的空间坐标，同时获取人工实测模型中除该异常区域以外的其他区域，记为标记区域，统计标记区域中各其他监测点的位置，筛选各检测点对应参考监测点的空间坐标，得到各检测点与其对应参考监测点之间的坡度值
Figure SMS_73
，/>
Figure SMS_74
，/>
Figure SMS_75
为各检测点的编号，分析该异常区域对应的人工实测模型贴合度
Figure SMS_76
，/>
Figure SMS_77
为检测点数量，/>
Figure SMS_78
为设定的坡度补偿修正因子，/>
Figure SMS_79
，/>
Figure SMS_68
为预设的允许坡度误差值，
Figure SMS_69
分别为第/>
Figure SMS_70
、/>
Figure SMS_71
个检测点与其对应参考监测点之间的坡度值，
Figure SMS_72
分别为各检测点与其对应参考监测点之间的坡度值对应最大值、最小值。
在上述方案基础上，所述各检测点对应参考监测点的空间坐标筛选方式为：根据标记区域中各其他监测点的位置，获得标记区域中各其他监测点的空间坐标，记为
Figure SMS_80
，/>
Figure SMS_81
，/>
Figure SMS_82
为各其他监测点的编号，将各检测点的空间坐标与标记区域中各其他监测点的空间坐标进行对比，得到各检测点与各其他监测点的空间间距
Figure SMS_83
，其中/>
Figure SMS_84
为第/>
Figure SMS_85
个检测点的空间坐标，并将各检测点与各其他监测点的空间间距进行对比，筛选各检测点对应空间间距最小的其他监测点作为参考监测点，进而统计各检测点对应参考监测点的空间坐标。
进一步地，所述各检测点与其对应参考监测点之间的坡度值分析公式为
Figure SMS_86
，其中/>
Figure SMS_87
为第/>
Figure SMS_88
个检测点对应参考监测点的空间坐标。
需要说明的是，本发明通过结合目标农业土地对应遥感影像模型和人工实测模型，处理得到目标农业土地的整合模型，从而实现对目标农业土地进行多方面、多层次的测绘管理，提高农业土地模型的精确性，进一步能够有效对农业土地测绘数据起到主要的参考作用，进而增加农业土地测绘数据的可靠性与准确性，为后期农业土地管理奠定良好基础。
所述待分配人员信息获取模块，用于获取各待分配家庭的人员信息，其中人员信息包括人员数量和各人员对应的基本信息，其中基本信息为居家状况和年龄，居家状况分为长期居家状况和长期未居家状况，得到各待分配家庭的分配土地级别和分配优先系数。
在一种优选的方案中，所述各待分配家庭的分配优先系数获取方式为：根据各待分配家庭中各人员的居家状况，筛选各待分配家庭中处于长期居家状况的人员数量，记为各待分配家庭的居家人员数量
Figure SMS_89
，/>
Figure SMS_90
，/>
Figure SMS_91
为各待分配家庭的编号，并统计各待分配家庭中各居家人员的年龄，记为/>
Figure SMS_92
，/>
Figure SMS_93
，/>
Figure SMS_94
为各居家人员的编号；
筛选各待分配家庭在对应分配土地级别中各其他待分配家庭，将其作为各参考家庭，统计各参考家庭中各居家人员的年龄，得到各待分配家庭的参考人员中值年龄
Figure SMS_95
和参考人员众值年龄/>
Figure SMS_96
，分析各待分配家庭的分配优先系数
Figure SMS_97
，/>
Figure SMS_98
为第/>
Figure SMS_99
待分配家庭的人员数量，
Figure SMS_100
为自然常数，/>
Figure SMS_101
为设定的人员中值年龄、人员众值年龄的影响权重因子。
实施例一，所述各待分配家庭的分配土地级别获得方式为：提取各待分配家庭的人员信息中人员数量，将其与预设的目标农业土地中各土地级别对应的家庭人员数量进行对比，筛选各待分配家庭的分配土地级别。其中各土地级别包括一级土地、二级土地、三级土地、四级土地......，且一级土地面积<二级土地面积<三级土地面积<四级土地面积<......，同时一级土地对应家庭人员数量为一人或两人，二级土地对应家庭人员数量为三人，三级土地对应家庭人员数量为四人......。
实施例二，所述各待分配家庭的分配土地级别获得方式为：提取各待分配家庭的人员信息中人员数量和各人员的居家状况，若某人员的居家状况为长期居家状况，则该人员的居家状况影响土地分配因子为
Figure SMS_102
，若某人员的居家状况为长期未居家状况，则该人员的居家状况影响土地分配因子为/>
Figure SMS_103
，统计各待分配家庭中各人员的居家状况影响土地分配因子，通过求和公式计算得到各待分配家庭的人员居家状况影响土地分配因子/>
Figure SMS_104
。
分析各待分配家庭对应的土地分配影响权重系数
Figure SMS_105
，
Figure SMS_106
为预设的家庭人员数量占比对应土地分配修正因子，/>
Figure SMS_107
为待分配家庭数量，将各待分配家庭对应的土地分配影响权重系数与预设的目标农业土地中各土地级别对应的土地分配影响权重系数范围进行对比，筛选各待分配家庭对应的分配土地级别。
需要说明的是，本发明通过获取各待分配家庭的人员信息，得到各待分配家庭的分配土地级别和分配优先系数，从而提高后期农业土地的分配合理性和分配满意度，避免农业土地分配过程出现错误或纰漏的问题，进一步减少人员纠纷，保障他人与土地管理部门的利益。
所述目标农业土地分配模块，将目标农业土地的整合模型分成各土地级别区域，进而对各待分配家庭进行土地分配管理。
在一种优选的方案中，所述目标农业土地分配模块具体包括：根据各待分配家庭的分配土地级别，统计各土地级别对应的家庭数量，并依据各土地级别对应的家庭数量将目标农业土地的整合模型划分成各土地级别区域，同时结合各待分配家庭的分配优先系数，筛选各待分配家庭在对应分配土地级别中的优先分配顺序，进而依次通过各待分配家庭人员进行对应级别土地挑选。
需要说明的是，本发明通过将目标农业土地的整合模型分成各土地级别区域，进而对各待分配家庭进行土地分配管理，进而有利于农业土地管理部门的土地管理有效性和高效性，提高农业土地管理部门的土地分配服务质量和智能化服务水平。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种土地测绘数据智能分析管理系统，其特征在于，包括：
农业土地模型构建模块，用于对目标农业土地区域进行测绘，构建目标农业土地对应遥感影像模型和人工实测模型；
模型异常区域筛选模块，用于根据目标农业土地对应遥感影像模型和人工实测模型，筛选目标农业土地模型对应各异常区域，得到各异常区域的模型数据；
农业土地模型整合模块，用于提取各异常区域的模型数据中重合模型体积
Figure QLYQS_2
、遥感影像模型体积/>
Figure QLYQS_3
和人工实测模型体积/>
Figure QLYQS_4
，/>
Figure QLYQS_5
，/>
Figure QLYQS_6
为各异常区域的编号，分析各异常区域对应遥感影像模型与人工实测模型的重合比例指数
Figure QLYQS_7
，/>
Figure QLYQS_8
为设定的遥感影像模型体积、人工实测模型体积占比权重因子，/>
Figure QLYQS_1
，并经过处理后得到目标农业土地的整合模型；
待分配人员信息获取模块，用于获取各待分配家庭的人员信息，得到各待分配家庭的分配土地级别和分配优先系数；
目标农业土地分配模块，将目标农业土地的整合模型分成各土地级别区域，进而对各待分配家庭进行土地分配管理；
所述目标农业土地的整合模型处理方式为：
若某异常区域对应遥感影像模型与人工实测模型的重合比例指数大于或等于设定的重合比例指数，则将该异常区域对应遥感影像模型体积与人工实测模型体积进行对比，筛选最小体积对应模型作为该异常区域的目标模型；
反之，则提取该异常区域的遥感影像模型数据和人工实测模型数据，分析该异常区域对应的遥感影像模型贴合度和人工实测模型贴合度，并进行相互对比，筛选最大贴合度对应模型作为该异常区域的目标模型，进而统计各异常区域的目标模型，并结合目标农业土地对应遥感影像模型与人工实测模型的重合部分，拼接得到目标农业土地的整合模型；
所述该异常区域对应的遥感影像模型贴合度分析方式为：
提取该异常区域对应遥感影像模型数据中轮廓边缘线和轮廓曲面，将若干测试点布设在轮廓边缘线上，并将若干测试点进行两两连线，得到该异常区域对应的各测试线段，分别以各测试线段为切线对该异常区域对应轮廓曲面进行垂直切割，得到该异常区域对应各垂直截面的截面曲线，同时获取目标农业土地对应遥感影像模型中除该异常区域以外的其他区域，记为指定区域，同理以各测试线段为切线对指定区域对应轮廓曲面进行垂直切割，得到指定区域对应各垂直截面的两条截面曲线；
构建以单位距离为横轴，单位高度为纵轴的距离-高度曲线图，并将该异常区域对应各垂直截面的截面曲线和指定区域对应各垂直截面的两个截面曲线代入距离-高度曲线图中，得到该异常区域对应各垂直截面的截面曲线函数
Figure QLYQS_10
以及指定区域对应各垂直截面的第一截面曲线函数/>
Figure QLYQS_13
和第二截面曲线函数/>
Figure QLYQS_16
，/>
Figure QLYQS_18
，/>
Figure QLYQS_19
为各垂直截面的编号，分析该异常区域对应的遥感影像模型贴合度
Figure QLYQS_20
，/>
Figure QLYQS_21
为垂直截面数量，/>
Figure QLYQS_9
为设定的截面曲线函数斜率差值、截面曲线函数斜率比值对应权重，
Figure QLYQS_11
为设定常数，/>
Figure QLYQS_12
，/>
Figure QLYQS_14
为该异常区域对应第/>
Figure QLYQS_15
垂直截面的截面曲线函数以及指定区域对应第/>
Figure QLYQS_17
垂直截面的第一截面曲线函数和第二截面曲线函数求导后的导数值；
所述该异常区域对应的人工实测模型贴合度分析方式为：
以目标农业土地对应人工实测模型中设定点作为原点，构建人工实测模型空间坐标系，根据该异常区域对应人工实测模型数据中各检测点的位置，得到各检测点的空间坐标，同时获取人工实测模型中除该异常区域以外的其他区域，记为标记区域，统计标记区域中各其他监测点的位置，筛选各检测点对应参考监测点的空间坐标，得到各检测点与其对应参考监测点之间的坡度值
Figure QLYQS_23
，/>
Figure QLYQS_25
，/>
Figure QLYQS_27
为各检测点的编号，分析该异常区域对应的人工实测模型贴合度
Figure QLYQS_28
，/>
Figure QLYQS_31
为检测点数量，/>
Figure QLYQS_32
为设定的坡度补偿修正因子，/>
Figure QLYQS_33
，/>
Figure QLYQS_22
为预设的允许坡度误差值，
Figure QLYQS_24
分别为第/>
Figure QLYQS_26
、/>
Figure QLYQS_29
个检测点与其对应参考监测点之间的坡度值，
Figure QLYQS_30
分别为各检测点与其对应参考监测点之间的坡度值对应最大值、最小值。
2.根据权利要求1所述的一种土地测绘数据智能分析管理系统，其特征在于：所述农业土地模型构建模块对应具体内容为：
对目标农业土地区域进行不同高度的遥感影像扫描，得到目标农业土地区域对应各高度的遥感测绘影像，并对目标农业土地区域对应各高度的遥感测绘影像进行预处理，进而构建目标农业土地对应遥感影像模型；
将目标农业土地区域按照道路分布情况划分成各土地子区域，对各土地子区域进行不同监测点的实测，得到各土地子区域对应的实测数据，其中实测数据包括轮廓和各监测点的位置，并对各土地子区域对应的实测数据进行解析，构建目标农业土地对应人工实测模型。
3.根据权利要求2所述的一种土地测绘数据智能分析管理系统，其特征在于：所述对各土地子区域对应的实测数据进行解析，具体包括：
根据各土地子区域对应各监测点的位置，统计各土地子区域中各监测点对应各相邻监测点，将各土地子区域中各监测点的位置与其对应各相邻监测点的位置进行连接，得到各土地子区域中各监测点与其对应各相邻监测点的连线，同时将各土地子区域中各监测点与其对应各相邻监测点的连接进行消重处理，结合各土地子区域的轮廓构建各土地子区域的轮廓曲面，并将各土地子区域的轮廓曲面进行拼接处理，构成目标农业土地对应人工实测模型。
4.根据权利要求2所述的一种土地测绘数据智能分析管理系统，其特征在于：所述各异常区域的模型数据包括重合模型体积、遥感影像模型数据和人工实测模型数据，其中遥感影像模型数据包括轮廓曲面、轮廓边缘线和遥感影像模型体积，人工实测模型数据包括各检测点的位置和人工实测模型体积。
5.根据权利要求1所述的一种土地测绘数据智能分析管理系统，其特征在于：所述各待分配家庭的分配优先系数获取方式为：
根据各待分配家庭中各人员的居家状况，筛选各待分配家庭中处于长期居家状况的人员数量，记为各待分配家庭的居家人员数量
Figure QLYQS_34
，/>
Figure QLYQS_35
，/>
Figure QLYQS_36
为各待分配家庭的编号，并统计各待分配家庭中各居家人员的年龄，记为/>
Figure QLYQS_37
，/>
Figure QLYQS_38
，/>
Figure QLYQS_39
为各居家人员的编号；
筛选各待分配家庭在对应分配土地级别中各其他待分配家庭，将其作为各参考家庭，统计各参考家庭中各居家人员的年龄，得到各待分配家庭的参考人员中值年龄
Figure QLYQS_40
和参考人员众值年龄/>
Figure QLYQS_41
，分析各待分配家庭的分配优先系数
Figure QLYQS_42
，/>
Figure QLYQS_43
为第/>
Figure QLYQS_44
待分配家庭的人员数量，
Figure QLYQS_45
为自然常数，/>
Figure QLYQS_46
为设定的人员中值年龄、人员众值年龄的影响权重因子。
6.根据权利要求5所述的一种土地测绘数据智能分析管理系统，其特征在于：所述目标农业土地分配模块具体包括：
根据各待分配家庭的分配土地级别，统计各土地级别对应的家庭数量，并依据各土地级别对应的家庭数量将目标农业土地的整合模型划分成各土地级别区域，同时结合各待分配家庭的分配优先系数，筛选各待分配家庭在对应分配土地级别中的优先分配顺序，进而依次通过各待分配家庭人员进行对应级别土地挑选。
CN202310354834.1A 2023-04-06 2023-04-06 一种土地测绘数据智能分析管理系统 Active CN116070887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310354834.1A CN116070887B (zh) 2023-04-06 2023-04-06 一种土地测绘数据智能分析管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310354834.1A CN116070887B (zh) 2023-04-06 2023-04-06 一种土地测绘数据智能分析管理系统

Publications (2)

Publication Number Publication Date
CN116070887A CN116070887A (zh) 2023-05-05
CN116070887B true CN116070887B (zh) 2023-06-23

Family

ID=86180593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310354834.1A Active CN116070887B (zh) 2023-04-06 2023-04-06 一种土地测绘数据智能分析管理系统

Country Status (1)

Country Link
CN (1) CN116070887B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703681B (zh) * 2023-07-25 2024-02-20 南京智绘星图信息科技有限公司 一种基于数据分析的土地使用管控系统
CN117036986B (zh) * 2023-10-10 2023-12-22 北京佰信蓝图科技股份有限公司 一种以现状耕地空间分布预测农田集中连片度的方法
CN117351166B (zh) * 2023-12-04 2024-03-26 山东新科凯邦通信器材有限公司 一种基于大数据的土地管理绘测系统
CN117408495B (zh) * 2023-12-12 2024-03-29 菏泽市自然资源和规划局 一种基于土地资源综合管理的数据分析方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114518104A (zh) * 2022-03-14 2022-05-20 山东三津房地产评估有限公司 基于动态遥感监测技术的国土测绘方法、系统及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111156969A (zh) * 2020-02-07 2020-05-15 黄文超 一种宽幅遥感影像立体测绘方法及系统
CN111750838B (zh) * 2020-07-07 2022-06-28 中南民族大学 农业用地规划图的生成方法、装置、设备及存储介质
CN112116610B (zh) * 2020-08-24 2024-02-27 中国科学院深圳先进技术研究院 一种遥感影像分割方法、系统、终端以及存储介质
CN112357081A (zh) * 2020-09-14 2021-02-12 浙江省自然资源征收中心 土地征收中抢种抢载抢建监测数据采集方法
AU2020102682A4 (en) * 2020-10-12 2020-12-03 Xianguang Wang A prediction method of skarn deposit based on hyperspectral remote sensing images
CN112484704B (zh) * 2020-11-19 2022-06-03 苏州极目机器人科技有限公司 快速测绘方法和装置
CN113340286B (zh) * 2021-06-28 2022-03-08 广西国土资源规划设计集团有限公司 一种土地规划勘察勘测项目测绘信息数据分析方法、设备及计算机存储介质
CN114821375B (zh) * 2022-06-27 2022-09-06 江西省地矿测绘有限公司 基于多源遥感数据的成图方法、装置、存储介质及设备
CN115507828A (zh) * 2022-10-21 2022-12-23 辽宁工程技术大学 基于遥感图像的国土测绘方法及系统
CN115713694B (zh) * 2023-01-06 2023-05-12 东营国图信息科技有限公司 一种土地测绘信息管理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114518104A (zh) * 2022-03-14 2022-05-20 山东三津房地产评估有限公司 基于动态遥感监测技术的国土测绘方法、系统及存储介质

Also Published As

Publication number Publication date
CN116070887A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN116070887B (zh) 一种土地测绘数据智能分析管理系统
Biljecki et al. The variants of an LOD of a 3D building model and their influence on spatial analyses
Chrisman The accuracy of map overlays: a reassessment
CN107909260A (zh) 一种自然资源资产离任审计评价方法
CN109272364A (zh) 自动估值模型建模方法
CN110188927A (zh) 一种城市热岛主控因素的分析方法、装置及存储介质
CN113516305B (zh) 一种情景-目标交互的水网区水资源调度智能决策方法及系统
CN111311748B (zh) 室内立体图构建方法及装置、终端设备和存储介质
CN108375985A (zh) 一种土地三维规划设计平台及其设计方法
CN116486289A (zh) 一种多源数据和知识驱动下的燃气管道高后果区识别方法
KR20150014020A (ko) 탄소정보시스템
CN105116407B (zh) 一种利用手持型激光测距仪测量植被覆盖度的方法
Tan et al. The effect of population distribution measures on evaluating spatial accessibility of primary health-care institutions: A case study from China
CN116630111A (zh) 基于大数据的城市绿地空间优化中的数据处理方法及系统
CN111105124A (zh) 一种基于距离约束的多地标影响力的计算方法
CN115035340B (zh) 遥感影像分类结果验证方法
CN114662985B (zh) 一种基于倾斜摄影建模的山区电力工程选址方法、设备和计算机可读存储介质
CN115507828A (zh) 基于遥感图像的国土测绘方法及系统
CN114184179B (zh) 一种基于互联网的户外地理测绘管控系统
CN110232734A (zh) 一种在役管道数据的数字化处理方法
CN116384802A (zh) 一种基于公园绿地供给度量的绿地公平性评价方法及装置
CN115019216A (zh) 实时地物检测和定位计数方法、系统及计算机
CN109376158B (zh) 地籍测量数据处理方法
TWM624436U (zh) 房價評估設備
Borkowska et al. OpenStreetMap–building data completeness visualization in terms of “Fitness for purpose”

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