CN116630111A - 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 - Google Patents

Abstract

本公开提出了一种基于大数据的城市绿地空间优化中的数据处理方法及装置，涉及大数据技术领域，该方法包括：获取各个子区域对应的绿地分布信息，以及遥感数据；获取每个子区域的绿地投资信息、品质评估信息和居民满意度信息；根据遥感数据和绿地分布信息，计算每个子区域对应的绿量评估得分；根据绿地分布信息，计算居民享用绿地评估得分；根据绿地投资信息、品质评估信息和居民满意度信息，计算公平性量化得分；根据绿量评估得分、居民享用绿地评估得分和公平性量化得分和对应的参考得分，计算综合规划得分；确定城市绿地规划策略。在对城市绿地进行规划时，可以消减绿地空间分配不公，提高居民均等地享用城市绿地资源所提供的各项服务的可能。

Description

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

技术领域

本公开涉及大数据技术领域，尤其涉及一种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。

背景技术

随着全球可持续发展战略的实施，联合国制定了可持续发展目标，迫切需要各国为实现该目标付出努力，以增进人类福祉。“减少不公”是17个可持续发展目标之一，对于经济、社会、环境的可持续发展至关重要。研究表明，在发展中国家和发达国家,普遍存在城市绿地分布不公的现象。近年来，几乎所有针对我国城市绿地空间公平性的研究，都报告了不同程度的绿地分布不公现象。城市绿地的空间公平性，则揭示了居民是否能够均等地享用城市绿地资源所提供的各项服务。

因而，在对城市绿地进行规划时，消减绿地空间分配不公，提高居民均等地享用城市绿地资源所提供的各项服务的可能性，是目前需要解决的问题。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

本公开第一方面实施例提出了一种基于大数据的城市绿地空间优化中的数据处理方法，包括：

获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据；

获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息；

根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分；

根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分；

根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分；

根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分；

基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。

本公开第二方面实施例提出了一种基于大数据的城市绿地空间优化中的数据处理装置，包括：

第一获取模块，用于获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据；

第二获取模块，用于获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息；

第一计算模块，用于根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分；

第二计算模块，用于根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分；

第三计算模块，用于根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分；

第四计算模块，用于根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分；

第一确定模块，用于基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。

本公开第三方面实施例提出了一种计算机设备，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，实现如本公开第一方面实施例提出的基于大数据的城市绿地空间优化中的数据处理方法。

本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的基于大数据的城市绿地空间优化中的数据处理方法。

本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本公开第一方面实施例提出的基于大数据的城市绿地空间优化中的数据处理方法。

本公开第一方面实施例提供的基于大数据的城市绿地空间优化中的数据处理方法，存在如下有益效果：

本公开实施例中，可以首先获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据，然后获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息，之后根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分，然后根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分，之后根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分，然后根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分，最后基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。由此，融合了遥感数据和绿地分布信息的多维特征，通过关键参数和输出结果的传递，可以兼顾绿地属性与空间特性进行公平性量化，并细分了每个子区域，颗粒度更细，对每个子区域进行了的空间公平性量化，为城市绿地规划提供理论与技术支持，有助于改善人居环境，促进城市可持续发展，消减绿地空间分配不公，提高居民均等地享用城市绿地资源所提供的各项服务的可能性。

本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开第一实施例所提供的基于大数据的城市绿地空间优化中的数据处理方法的流程示意图；

图2为本公开第二实施例所提供的基于大数据的城市绿地空间优化中的数据处理系统的结构框图；

图3示出了适于用来实现本公开实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

下面参考附图描述本公开实施例的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。

本公开实施例以该基于大数据的城市绿地空间优化中的数据处理方法被配置于基于大数据的城市绿地空间优化中的数据处理装置中，其可以为任一电子设备，比如计算机设备，服务器，分布式服务器，在此不做限定。

图1为本公开第一实施例所提供的基于大数据的城市绿地空间优化中的数据处理方法的流程示意图。

如图1所示，该基于大数据的城市绿地空间优化中的数据处理方法可以包括以下步骤：

步骤101，获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及待优化城市绿地空间的遥感数据。

其中，绿地分布信息中至少包括有子区域的绿地分布鸟瞰图像、绿地面积、人均绿地面积、归一化植被指数、土地覆盖指数、绿地距离、绿地周长和绿地服务半径。

其中，待优化城市绿地空间可以为当前待分析的城市的绿地空间。

其中，归一化植被指数（NDVI）可以为通过遥感技术获取的指标，用于衡量地表覆盖的植被状况，反映绿化程度。

其中，绿地分布鸟瞰图像可以为从空中拍摄的绿地图像，用于展示绿地在城市中的分布情况和规模大小。

其中，绿地面积可以为城市中绿地的总面积，包括公园、广场、绿化带等。

其中，人均绿地面积可以为指城市中每个居民可享受的平均绿地面积，是衡量城市绿化水平的一个重要指标。

其中，土地覆盖指数（LCI）可以为通过遥感技术获取的指标，用于衡量地表覆盖类型的分布情况，包括建筑、绿地、水域等。

其中，绿地距离可以为城市中任意两个绿地之间的距离，可以用于评估城市绿地的连通性。

其中，绿地周长可以为指绿地边界线的总长度，可以用于评估绿地形状的复杂度和周围环境的影响。

其中，绿地服务半径可以为绿地对周边环境产生影响的范围，包括空气净化、水源涵养、气候调节等服务。

需要说明的是，本公开实施例中，可以将待优化城市绿地空间划分为多个绿地空间子区域，具体的，可以根据城市规划图、空间分析和绿地分布特征等因素，将城市绿地空间划分为多个相对独立的子区域。每个子区域的范围可以是预先考虑到地形、交通、土地利用等因素的影响所划分的。

具体的，在得到各个子区域的绿地分布信息之后，可以进行数据清洗、数据格式转换、数据合并等步骤。例如，对于总体的绿地面积数据，可以将其划分为多个不同子区域的数据。进一步地，还可以对绿地分布信息进行校验，主要包括数据的正确性、可靠性和合理性。例如，可以检查数据是否存在错误、是否存在缺失值、数据是否符合实际情况等。同时，也可以采用交叉验证等方法，进一步验证数据的可靠性。

进一步地，还可以采用可视化方法，将绿地分布信息的分析结果以图表等形式呈现出来，便于更直观地理解绿地分布情况。例如，可以绘制绿地面积分布图、绿地类型统计图等。通过以上的方法，可以对采集到的城市绿地分布的相关数据进行整合、分析和校验，为城市绿地规划和管理提供科学依据。

其中，遥感数据可以包括高分辨率遥感影像、热红外遥感数据、高程数据等，从高分辨率遥感影像可以获取城市中绿地的分布情况和空间位置，包括绿地面积、绿地类型、绿化率、植被覆盖度。高程数据可以反映城市地形变化情况，为城市绿地规划提供高程基础数据。热红外遥感数据可以反映绿地和非绿地地表温度差异，为城市绿地热环境评估提供数据。这些遥感数据可以通过卫星、无人机等遥感技术获得。其中，高分辨率遥感影像和NDVI等数据可通过卫星遥感获取，而土地覆盖分类数据、高程数据和热红外遥感数据等则需要通过无人机或其他航空遥感技术获取。

步骤102，获取每个子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息。

其中，绿地投资信息可以用于衡量绿地项目经济效益，可以从绿地管理部门、城市规划部门等获取。需要说明的是，城市绿地空间的每个子区域都有一定的绿地项目。本公开实施例中，可以获取每个子区域对应的投资绿地项目所需要的成本，包括土地购置费用、建设费用、绿化费用、维护费用，以及投资回报率，也即绿地项目的投资回报情况，包括投资回收期、净现值、内部收益率等指标，反映绿地项目的经济效益和投资风险。另外，还可以包括城市中每个子区域的绿地在城市中的使用率，包括绿地的日均人流量、使用频率等，反映绿地项目的社会接受度和利用价值。

其中，居民满意度信息可以是预先使每个子区域中各个居民填写调查问卷，从而分析得出的居民对城市绿地空间的绿化满意度得分。

需要说明的是，品质评估信息可以是预先通过聘请专业的景观设计师、生态学家、环境评估师等专业人员，对城市绿地进行评估和分析，得出品质评估信息，或者，还可以通过问卷调查居民对绿地的需求和评价，以及对绿地品质的评估，得出品质评估信息。需要说明的是，品质评估信息可以是通过对绿地的场地勘测、环境调查、植被覆盖度、景观特色等方面进行综合评估得到的信息。可以理解的是，绿地投资信息、品质评估信息和居民满意度信息均可以是从大数据的数据库中获取得到的，并可以通过上述步骤101中的步骤对数据进行数据清洗、数据格式转换、数据合并，检查数据是否存在错误、是否存在缺失值、数据是否符合实际情况等等处理。

步骤103，根据遥感数据和绿地分布信息，计算每个子区域对应的绿量评估得分。

需要说明的是，可以利用绿地分布信息和遥感数据，可以计算出绿地的面积，进而计算每个子区域对应的绿地覆盖率。其中，绿地覆盖率是指绿地面积占总面积的比例，可以通过绿地面积和总面积计算得出。

进一步地，可以根据绿地分布信息中的根据绿地覆盖率、归一化植被指数和土地覆盖指数等指标，以及预设的评估标准，并根据实际情况进行权重设置，计算出绿量评估得分。

比如说，可以首先确定好绿地覆盖率、归一化植被指数和土地覆盖指数对应的多个区间，以及每个区间对应的评分，之后根据每个子区域当前所在的区间，确定对应的评分，再将每个子区域对应的绿地覆盖率、归一化植被指数和土地覆盖指数乘以对应的权重值，得到每个子区域对应的绿量评估得分。

需要说明的是，若绿地覆盖率越高、归一化植被指数和土地覆盖指数越大，绿量评估得分越高。也即绿量评估得分和绿地覆盖率、归一化植被指数和土地覆盖指数的值成正比。

步骤104，根据绿地分布信息，计算每个子区域对应的居民享用绿地评估得分。

可选的，可以基于第一预设映射表，确定与每个子区域对应的绿地距离对应的第一得分，然后基于第二预设映射表，确定与每个子区域对应的人均绿地面积对应的第二得分，之后基于第三预设映射表，确定与每个子区域对应的绿地周长对应的第三得分，然后基于第四预设映射表，确定与每个子区域对应的绿地服务半径对应的第四得分，然后根据绿地分布鸟瞰图像、绿地面积、归一化植被指数和土地覆盖指数，确定第五得分，最后将第一得分、第二得分、第三得分、第四得分和第五得分进行加权相加，以得到每个子区域对应的居民享用绿地评估得分。

需要说明的是，可以预先通过大量的专家评估和行业的先验数据，通过各种渠道，比如历史遥感数据、历史测量数据、历史评估数据，确定好绿地分布信息对应的不同特征与目标得分的关系。可以理解的是，绿地距离越大，则说明城市绿地的连通性越好，因而第一得分越高。若人均绿地面积越大，则说明每个居民可享受的平均绿地面积越大，因而第二得分越高。

绿地周长是指绿地的边界线长度，通常用周长长度单位（如米）来表示，可以反映绿地形状的复杂程度和曲率，以及绿地边界的长度和曲线程度。同时，绿地周长还可以用来评估绿地的连通性和可达性，以及绿地边缘生态系统的稳定性和可持续性。

若绿地周长越大，则说明城市绿地的布局和格局越好，以及绿地与城市其他用地的关系越紧密，可以确保城市绿地的功能和景观效果，因而第三得分越高。绿地服务半径是指一个绿地在空间上所能提供服务的范围，通常用半径长度（如米）来表示。绿地服务半径是绿地空间规划和设计中的一个关键指标，它可以反映绿地的服务范围和功能，以及绿地对周边居民的影响程度。 在城市规划和设计中，绿地服务半径常常被用来评估城市绿地的服务能力和覆盖范围，以确保城市居民的基本绿地需求得到满足。

需要说明的是，若绿地服务半径越高，则说明城市绿地的服务能力和覆盖范围越大，因而城市居民的基本绿地需求得到满足，第四得分越大。

进一步地，可以根据绿地分布鸟瞰图像、绿地面积、归一化植被指数和土地覆盖指数，确定第五得分。

其中，绿地分布鸟瞰图像是指从空中拍摄的绿地分布情况的图像。这种图像通常是使用无人机或卫星等高空设备拍摄而成，可以清晰地显示出地面上绿地的分布情况，如公园、树林、草地等。通过对每个绿地分布鸟瞰图像进行分析，可以对城市绿化情况进行评估和监测。

需要说明的是，可以将归一化植被指数、土地覆盖指数、绿地分布鸟瞰图像、绿地面积等特征进行处理，如标准化、归一化，进一步地，可以将将处理后的数据分成训练集和测试集，利用线性回归模型对训练集进行训练，并对测试集进行预测，通过对测试集的预测结果进行评估，如计算均方误差等指标，来评估模型的性能，然后可以利用模型的系数来确定归一化植被指数、土地覆盖指数、绿地分布鸟瞰图像、绿地面积对绿地评分的权重，系数越大，对应的特征权重越高，之后可以基于归一化植被指数、土地覆盖指数、绿地分布鸟瞰图像、绿地面积分别对应的评分和对应的权重，计算第五得分。

具体的，可以将第一得分、第二得分、第三得分、第四得分和第五得分进行加权相加，以得到每个子区域对应的居民享用绿地评估得分。

需要说明的是，第一得分、第二得分、第三得分、第四得分和第五得分对应的权重不相同，通过将第一得分、第二得分、第三得分、第四得分和第五得分分别乘以对应的权重，可以得到每个子区域对应的居民享用绿地评估得分。

步骤105，根据绿地投资信息、品质评估信息和居民满意度信息，计算每个子区域对应的公平性量化得分。

可选的，可以基于预设的评估指标，将每个所述子区域对应的所述绿地投资信息、品质评估信息和居民满意度信息划分为第一类别的数据和第二类别的数据，之后基于所述第一类别的数据和第二类别的数据，绘制ROC曲线，其中，所述ROC曲线的横轴为假阳性率，纵轴为真阳性率，所述ROC曲线的面积为AUC值，然后根据所述AUC值，计算每个所述子区域对应的公平性量化得分。

其中，第一类别的数据为正样本数据，也即符合公平性标准的绿地投资信息、品质评估信息和居民满意度信息，第二类别的数据为负样本数据，也即不满足公平性标准的绿地投资信息、品质评估信息和居民满意度信息。

具体的，可以计算每个样本的预测概率值和真实标签。举例来说，居民满意度信息的预测概率值可以根据该子区域内的居民满意度大于预设阈值的人数与总人数的比例来计算，真实标签可以根据该区域是否符合公平性标准来确定，然后可以将预测概率值从大到小排序，并以此作为分类的阈值，将样本分为正类和负类两部分，也即第一类别的数据和第二类别的数据。

进一步地，可以计算在当前阈值下的真阳性率（True Positive Rate，即TPR）和假阳性率（False Positive Rate，即FPR）。其中TPR表示被正确分类的正类样本占所有正类样本的比例，FPR表示被错误地分类为正类的负类样本占所有负类样本的比例。然后可以绘制ROC曲线。将TPR作为纵坐标，FPR作为横坐标，绘制ROC曲线。

具体的，可以首先对绿地投资信息、品质评估信息和居民满意度信息进行标准化处理，比如可以采用min-max标准化、z-score标准化等方法。

然后可以对绿地投资信息、品质评估信息和居民满意度信息进行分类，将其分为第一类别的数据和第二类别的数据。

其中，ROC曲线可以用于评估城市绿地空间的公平性。

需要说明的是，可以计算ROC曲线下的面积AUC（Area Under Curve，曲线下面积），以此作为城市绿地空间公平性量化得分的评估依据。AUC的取值范围在0.5-1之间，数值越接近1，代表城市绿地空间的公平性越高。需要注意的是，在进行ROC曲线的绘制和AUC的计算时，应该根据实际情况进行调整，如设置合适的分类阈值、考虑不同评估指标之间的相关性等因素，以达到更准确、更全面的评估结果。

步骤106，根据每个子区域对应的绿量评估得分、居民享用绿地评估得分和公平性量化得分和对应的参考得分，计算待优化城市绿地空间对应的综合规划得分。

可选的，可以首先获取指定历史时期每个子区域对应的历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线，之后从大数据中获取与每个子区域匹配度大于预设阈值的参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，然后根据历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线和参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，确定参考得分，参考得分包括参考绿量评估得分、参考居民享用绿地评估得分和参考公平性量化得分。

其中，指定历史时期为过去十年。

其中，历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线可以为历史时期对应的横坐标为时间，纵坐标分别为绿量评估得分、居民享用绿地评估得分、和公平性量化得分的曲线。

其中，参考子区域用于表征与子区域的用途、功能、面积比较接近的子区域，其中，参考子区域可以是从其他城市的子区域中选取的。

其中，参考绿量信息可以为参考子区域当前的绿量信息。

其中，参考居民享用绿地评估信息可以为参考子区域当前的居民享用绿地评估信息。

其中，参考公平量化信息可以为参考子区域当前的公平量化信息。

进一步地，可以基于各个子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，以及历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线，确定参考得分。

可选的，可以根据参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，计算每个参考子区域对应的第一参考绿量评估得分、第一参考居民享用绿地评估得分和第一参考公平性量化得分，然后可以根据历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线的变化趋势，预测当前时间段对应的第二参考绿量评估得分、第二参考居民享用绿地评估得分和第三参考公平性量化得分。之后，可以将第一参考绿量评估得分和第二参考绿量评估得分的平均值作为参考绿量评估得分，同理，将第一参考居民享用绿地评估得分和第二参考居民享用绿地评估得分的平均值作为参考绿量评估得分，第一参考平性量化得分和第二参考公平性量化得分的平均值作为参考绿量评估得分。

可选的，可以根据绿量评估得分、居民享用绿地评估得分和公平性量化得分分别和对应的参考得分之间的差值，确定对应的第一评估得分，第二评估得分和第三评估得分。需要说明的是，可以将绿量评估得分减去参考得分，计算之间的差值，若差值越小，比如为负值，则对应的第一评估得分比较低，若差值大于等于0，则对应的第一评估得分比较高。需要说明的是，第一评估得分的大小与差值的大小成正比。具体的，可以根据预设的映射关系，确定与差值对应的第一评估得分。同理，可以计算出第二评估得分和第三评估得分。

进一步地，可以将第一评估得分、第二评估得分和第三评估得分相加，从而得到待优化城市绿地空间对应的综合规划得分。

步骤107，基于预设的映射关系，确定与综合规划得分对应的城市绿地规划策略。

下面对城市绿地规划策略进行说明。

其中，待优化城市绿地空间中的每个子区域可以子区域对应的用途和功能进行建设，如公园、广场、绿带、街头绿化等，若综合规划得分比较低，则需要增加城市绿地覆盖面积，以满足城市人口的基本需求和生态系统的要求。

需要说明的是，由于综合规划得分考虑到了绿地距离、绿地周长和绿地服务半径，因而在城市规划中，考虑到了绿地的分布和连通性，可以从景观、环境、设施等方面的改善和提升。

需要说明的是，可以预先获取各个参考城市（国内和国外）的城市绿地规划，以及对应的参考综合规划得分，从而可以通过比较当前待优化城市绿地空间对应的综合规划得分，基于预设的映射关系，选择对应的城市绿地规划策略。

其中，城市绿地规划策略可以是提前从各个渠道获取收集的，并做好与综合规划得分之间的映射关系。

可选的，还可以将每个子区域对应的所述绿地分布信息、绿地投资信息、品质评估信息和居民满意度信息输入至预先构建的神经网络模型中，以输出待优化城市绿地空间对应的各个子区域的绿地特征，之后根据每两个绿地特征之间的相似度，确定待优化城市绿地空间对应的绿地分布评分，最后基于绿地分布评分，对城市绿地规划策略进行修正。

具体的，首先需要对绿地分布信息、绿地投资信息、品质评估信息和居民满意度信息进行数据清洗、缺失值处理、标准化等预处理操作，使其符合神经网络模型的要求。构建神经网络模型：根据需求和数据特征，选择合适的神经网络模型，如前馈神经网络、循环神经网络、卷积神经网络等，在此不做限定。在模型构建过程中，需要确定输入层、隐藏层和输出层的节点数、激活函数、优化算法等参数。训练神经网络模型：将经过预处理的数据输入到神经网络模型中，通过反向传播算法训练模型，不断调整模型参数，使得模型的损失函数最小化。在训练过程中，可以使用交叉验证、正则化等方法提高模型的泛化能力。特征提取：利用已经训练好的神经网络模型，将绿地分布信息、绿地投资信息、品质评估信息和居民满意度信息输入到模型中，得到模型的输出。利用模型的隐藏层或输出层的神经元值，可以得到特征表示，即对原始数据进行特征提取的结果。特征分析：对提取出的特征进行分析和解释，确定哪些特征对于城市绿地空间公平性有重要影响，哪些特征可以用于建立预测模型。特征分析可以采用相关性分析、主成分分析、聚类分析等方法。

进一步地，可以计算每两个绿地特征之间的相似度，确定待优化城市绿地空间对应的绿地分布评分，最后基于绿地分布评分，对城市绿地规划策略进行修正。

需要说明的是，可以计算每两个子区域对应的绿地特征之间的相似度，需要说明的是，若相似度比较高，则说明待优化城市绿地空间整体的连通性较强，也即是说，各个子区域之间的相似度较高，绿地分布比较均衡。需要说明的是，若绿地分布评分越高，则说明待优化城市绿地空间在绿地分布、绿地投资、品质评估和居民满意度等各个方面都比较均衡，整体性较好。

比如，待优化城市绿地空间包括子区域A和B，其中，A和B分别与绿地分布信息、绿地投资信息、品质评估信息和居民满意度信息对应的绿地特征为A1、A2、A3、A4和B1、B2、B3、B4，之后，可以计算A1和B1、A2和B2、A3和B3、A4和B4的相似度t1、t2、t3、t4，之后将t1、t2、t3、t4的和作为绿地分布评分。需要说明的是，若绿地分布评分小于预设阈值，比如60%，则需要在对待优化城市绿地空间进行绿地规划时，考虑更多的均衡待优化城市绿地空间的策略，比如加强绿地距离较小、绿地周长和绿地服务半径较短和绿地覆盖面积较少的子区域的绿化建设。

本公开实施例中，可以首先获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据，然后获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息，之后根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分，然后根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分，之后根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分，然后根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分，最后基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。由此，融合了遥感数据和绿地分布信息的多维特征，通过关键参数和输出结果的传递，可以兼顾绿地属性与空间特性进行公平性量化，并细分了每个子区域，颗粒度更细，对每个子区域进行了的空间公平性量化，为城市绿地规划提供理论与技术支持，有助于改善人居环境，促进城市可持续发展，消减绿地空间分配不公，提高居民均等地享用城市绿地资源所提供的各项服务的可能性。

图2为本公开第二实施例所提供的基于大数据的城市绿地空间优化中的数据处理系统的结构示意图。

如图2所示，该基于大数据的城市绿地空间优化中的数据处理系统200可以包括：

第一获取模块210，用于获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据；

第二获取模块220，用于获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息；

第一计算模块230，用于根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分；

第二计算模块240，用于根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分；

第三计算模块250，用于根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分；

第四计算模块260，用于根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分；

第一确定模块270，用于基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。

可选的，所述第二计算模块，具体用于：

基于第一预设映射表，确定与每个所述子区域对应的绿地距离对应的第一得分；

基于第二预设映射表，确定与每个所述子区域对应的人均绿地面积对应的第二得分；

基于第三预设映射表，确定与每个所述子区域对应的绿地周长对应的第三得分；

基于第四预设映射表，确定与每个所述子区域对应的绿地服务半径对应的第四得分；

根据所述绿地分布鸟瞰图像、所述绿地面积、所述归一化植被指数和所述土地覆盖指数，确定第五得分；

将所述第一得分、所述第二得分、所述第三得分、所述第四得分和所述第五得分进行加权相加，以得到每个所述子区域对应的居民享用绿地评估得分。

可选的，所述第四计算模块，还用于：

获取指定历史时期每个所述子区域对应的历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线；

从大数据中获取与每个所述子区域匹配度大于预设阈值的参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息；

根据所述历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线和所述参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，确定参考得分，所述参考得分包括参考绿量评估得分、参考居民享用绿地评估得分和参考公平性量化得分。

可选的，所述第三计算模块，具体用于：

基于预设的评估指标，将每个所述子区域对应的所述绿地投资信息、品质评估信息和居民满意度信息划分为第一类别的数据和第二类别的数据；

基于所述第一类别的数据和第二类别的数据，绘制ROC曲线，其中，所述ROC曲线的横轴为假阳性率，纵轴为真阳性率，所述ROC曲线的面积为AUC值；

根据所述AUC值，计算每个所述子区域对应的公平性量化得分。

可选的，该系统，还包括：

输出模块，用于将每个所述子区域对应的所述绿地分布信息、所述绿地投资信息、品质评估信息和居民满意度信息输入至预先构建的神经网络模型中，以输出所述待优化城市绿地空间对应的各个子区域的绿地特征；

第二确定模块，用于根据每两个所述绿地特征之间的相似度，确定所述待优化城市绿地空间对应的绿地分布评分；

修正模块，用于基于所述绿地分布评分，对所述城市绿地规划策略进行修正。

本公开实施例中，可以首先获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据，然后获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息，之后根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分，然后根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分，之后根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分，然后根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分，最后基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。由此，融合了遥感数据和绿地分布信息的多维特征，通过关键参数和输出结果的传递，可以兼顾绿地属性与空间特性进行公平性量化，并细分了每个子区域，颗粒度更细，对每个子区域进行了的空间公平性量化，为城市绿地规划提供理论与技术支持，有助于改善人居环境，促进城市可持续发展，消减绿地空间分配不公，提高居民均等地享用城市绿地资源所提供的各项服务的可能性。

为了实现上述实施例，本公开还提出一种计算机设备，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，处理器执行程序时，实现如本公开前述实施例提出的基于大数据的城市绿地空间优化中的数据处理方法。

为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如本公开前述实施例提出的基于大数据的城市绿地空间优化中的数据处理方法。

为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的基于大数据的城市绿地空间优化中的数据处理方法。

图3示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图3显示的计算机设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry StandardArchitecture；以下简称：ISA）总线，微通道体系结构（Micro Channel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（Video Electronics StandardsAssociation；以下简称：VESA）局域总线以及外围组件互连（Peripheral ComponentInterconnection；以下简称：PCI）总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图3未显示，通常称为“硬盘驱动器”）。尽管图3中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如：光盘只读存储器（Compact Disc Read OnlyMemory；以下简称：CD-ROM）、数字多功能只读光盘（Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM）或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本公开各实施例的功能。

具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（Local Area Network；以下简称：LAN），广域网（Wide Area Network；以下简称：WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，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至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于大数据的城市绿地空间优化中的数据处理方法，其特征在于，包括：

获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据；

获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息；

根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分；

根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分；

根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分；

根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分；

基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。

2.根据权利要求1所述的方法，其特征在于，所述根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分，包括：

基于第一预设映射表，确定与每个所述子区域对应的绿地距离对应的第一得分；

基于第二预设映射表，确定与每个所述子区域对应的人均绿地面积对应的第二得分；

基于第三预设映射表，确定与每个所述子区域对应的绿地周长对应的第三得分；

基于第四预设映射表，确定与每个所述子区域对应的绿地服务半径对应的第四得分；

根据所述绿地分布鸟瞰图像、所述绿地面积、所述归一化植被指数和所述土地覆盖指数，确定第五得分；

将所述第一得分、所述第二得分、所述第三得分、所述第四得分和所述第五得分进行加权相加，以得到每个所述子区域对应的居民享用绿地评估得分。

3.根据权利要求1所述的方法，其特征在于，在所述根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分之前，还包括：

获取指定历史时期每个所述子区域对应的历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线；

从大数据中获取与每个所述子区域匹配度大于预设阈值的参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息；

根据所述历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线和所述参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，确定参考得分，所述参考得分包括参考绿量评估得分、参考居民享用绿地评估得分和参考公平性量化得分。

4.根据权利要求1所述的方法，其特征在于，所述根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分，包括：

基于预设的评估指标，将每个所述子区域对应的所述绿地投资信息、品质评估信息和居民满意度信息划分为第一类别的数据和第二类别的数据；

基于所述第一类别的数据和第二类别的数据，绘制ROC曲线，其中，所述ROC曲线的横轴为假阳性率，纵轴为真阳性率，所述ROC曲线的面积为AUC值；

根据所述AUC值，计算每个所述子区域对应的公平性量化得分。

5.根据权利要求1所述的方法，其特征在于，还包括：

将每个所述子区域对应的所述绿地分布信息、所述绿地投资信息、品质评估信息和居民满意度信息输入至预先构建的神经网络模型中，以输出所述待优化城市绿地空间对应的各个子区域的绿地特征；

根据每两个所述绿地特征之间的相似度，确定所述待优化城市绿地空间对应的绿地分布评分；

基于所述绿地分布评分，对所述城市绿地规划策略进行修正。

6.一种基于大数据的城市绿地空间优化中的数据处理系统，其特征在于，包括：

第一获取模块，用于获取待优化城市绿地空间中各个子区域对应的绿地分布信息，以及所述待优化城市绿地空间的遥感数据；

第二获取模块，用于获取每个所述子区域当前对应的绿地投资信息、品质评估信息和居民满意度信息；

第一计算模块，用于根据所述遥感数据和所述绿地分布信息，计算每个所述子区域对应的绿量评估得分；

第二计算模块，用于根据所述绿地分布信息，计算每个所述子区域对应的居民享用绿地评估得分；

第三计算模块，用于根据所述绿地投资信息、品质评估信息和居民满意度信息，计算每个所述子区域对应的公平性量化得分；

第四计算模块，用于根据每个所述子区域对应的所述绿量评估得分、所述居民享用绿地评估得分和所述公平性量化得分和对应的参考得分，计算所述待优化城市绿地空间对应的综合规划得分；

第一确定模块，用于基于预设的映射关系，确定与所述综合规划得分对应的城市绿地规划策略。

7.根据权利要求6所述的系统，其特征在于，所述第二计算模块，具体用于：

基于第一预设映射表，确定与每个所述子区域对应的绿地距离对应的第一得分；

基于第二预设映射表，确定与每个所述子区域对应的人均绿地面积对应的第二得分；

基于第三预设映射表，确定与每个所述子区域对应的绿地周长对应的第二得分；

基于第四预设映射表，确定与每个所述子区域对应的绿地服务半径对应的第四得分；

根据所述绿地分布鸟瞰图像、所述绿地面积、所述归一化植被指数和所述土地覆盖指数，确定第五得分；

将所述第一得分、所述第二得分、所述第三得分、所述第四得分和所述第五得分进行加权相加，以得到每个所述子区域对应的居民享用绿地评估得分。

8.根据权利要求6所述的系统，其特征在于，所述第四计算模块，还用于：

获取指定历史时期每个所述子区域对应的历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线；

从大数据中获取与每个所述子区域匹配度大于预设阈值的参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息；

根据所述历史绿量评估曲线、历史居民享用绿地评估曲线和历史公平性量化曲线和所述参考子区域对应的参考绿量信息、参考居民享用绿地评估信息和参考公平量化信息，确定参考得分，所述参考得分包括参考绿量评估得分、参考居民享用绿地评估得分和参考公平性量化得分。

9.根据权利要求6所述的系统，其特征在于，所述第三计算模块，具体用于：

基于预设的评估指标，将每个所述子区域对应的所述绿地投资信息、品质评估信息和居民满意度信息划分为第一类别的数据和第二类别的数据；

基于所述第一类别的数据和第二类别的数据，绘制ROC曲线，其中，所述ROC曲线的横轴为假阳性率，纵轴为真阳性率，所述ROC曲线的面积为AUC值；

根据所述AUC值，计算每个所述子区域对应的公平性量化得分。

10.根据权利要求6所述的系统，其特征在于，还包括：

输出模块，用于将每个所述子区域对应的所述绿地分布信息、所述绿地投资信息、品质评估信息和居民满意度信息输入至预先构建的神经网络模型中，以输出所述待优化城市绿地空间对应的各个子区域的绿地特征；

第二确定模块，用于根据每两个所述绿地特征之间的相似度，确定所述待优化城市绿地空间对应的绿地分布评分；

修正模块，用于基于所述绿地分布评分，对所述城市绿地规划策略进行修正。