CN116645012A - 一种城市边缘区空间范围的高精度动态识别方法 - Google Patents
一种城市边缘区空间范围的高精度动态识别方法 Download PDFInfo
- Publication number
- CN116645012A CN116645012A CN202310926439.6A CN202310926439A CN116645012A CN 116645012 A CN116645012 A CN 116645012A CN 202310926439 A CN202310926439 A CN 202310926439A CN 116645012 A CN116645012 A CN 116645012A
- Authority
- CN
- China
- Prior art keywords
- index
- urban
- land
- area
- space
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000007670 refining Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 23
- 238000011161 development Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/165—Land development
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种城市边缘区空间范围的高精度动态识别方法,属于空间范围识别领域,包括以下步骤:S1、通过城市边缘区综合特征指数、综合线性加权与空间自相关方法,获取城市边缘区特征空间单元;S2、借助机器学习对城市边缘区空间边界的分辨率细化。本发明采用上述城市边缘区空间范围的高精度动态识别方法,可在面积精简的同时,丰富边界信息量。
Description
技术领域
本发明涉及空间范围识别技术领域,尤其涉及一种城市边缘区空间范围的高精度动态识别方法。
背景技术
快速城市化引起城市边缘区的无序发展,土地浪费和生态衰退等问题。城市边缘区的空间复杂性与边界模糊性导致难以准确界定其空间范围,成为国土空间规划实践的焦点和难点。
城市边缘区空间识别的核心技术包括空间特征刻画、提取空间单元和定量判别模型,即选取指标对城市地域结构抽象和量化,并在特定空间单元上判定其是否属于城市边缘区。
在空间特征刻画方面,既有研究已经形成很多城市边缘区的识别指标体系,但是相关识别指标体系的构建普遍缺乏系统性,大多围绕单一维度(例如土地覆被指标、经济指标、人口指标等)进行特征刻画,不能完整的反映城市边缘区的空间特点,进而导致识别误差。另一方面,广泛应用的静态线性加权聚合法仅适用于对较短周期内城市边缘区发展状态的识别,在长时序动态对比的应用情境中表达效果不佳。
在提取空间单元方面,单元的识别精度受限于基础数据的可获取性难以提升,例如基于政府管理逻辑的行政单元常被用于城市边缘区的识别,虽然便于提取各类社会经济统计数据,但是存在采样粒度过大问题,对城市化过程的空间异质性考虑不足引起识别结果的较大偏差。另一方面,也有研究采用较小的空间网格进行信息采样,但是当网格尺度过小则会导致结果的碎片化以及可用数据不足等问题,导致识别结果科学性不足。
在定量判别模型方面,多数研究将城市抽象为一个单中心圆形结构,通过中心径向模型对城市边缘区进行判别,代表性的方法是从城市中心向外划定若干采样线,并与人工阈值、突变检验、引力模型等方法配合使用界定城市边缘区的内边缘和外边缘位置。然而,该方法在带状、多中心、组团状等复杂城市结构的边缘区识别中计算量巨大,并且误差明显。
发明内容
为解决上述问题,本发明提供一种城市边缘区空间范围的高精度动态识别方法,增强了空间特征刻画指标的系统性和动态性,优化了提取空间单元的灵活性,提高了定量判别模型对复杂城市识别的准确性,可在精简城市边缘区识别范围面积的同时,丰富边界信息量。
为实现上述目的,本发明提供了一种城市边缘区空间范围的高精度动态识别方法,包括以下步骤:
S1、通过城市边缘区综合特征指数、综合线性加权与空间自相关方法,获取城市边缘区特征空间单元;
步骤S1具体包括以下步骤:
S11、以土地利用数据、遥感影像和经济社会指标为基础进行城市边缘区综合特征指数的空间采集;
S12、采用指标综合线性加权的方法计算城市边缘区综合特征指数各二级、三级指标的权重;
S13、基于得到的城市边缘区综合特征指数识别城市边缘区特征空间单元;
S2、借助机器学习对城市边缘区空间边界的分辨率细化;
步骤S2具体包括以下步骤:
S21、基于城市边缘区综合特征指数进行机器学习,得到城市边缘区的相似概率栅格;
S22、基于城市边缘区的相似概率栅格进行城市边缘区空间范围的分辨率优化。
优选的,步骤S11具体包括以下步骤:
S111、对待识别区域划分矢量方格网进行采样;
S112、基于采样格网对待识别区域的各时期土地利用栅格数据进行计算,得到香农多样性指数、边缘密度、最大斑块指数三个指标的空间分布栅格数据;
S113、以步骤S111划分的采样格网为单元,利用土地利用程度综合指数模型,在计算中排除城镇用地类别,得到土地的开发强度梯度指标,土地利用程度综合指数模型的计算公式如下:
(1)
式中,为土地的开发强度梯度指标;/>为土地利用分级指数,其中/> ,n =4,未利用土地=1,林地、草地和水体=2,耕地=3,其他建设用地=4;/>为对应土地类别的面积比例;
S114、计算待识别区域的各时期的空间分布栅格到城镇用地距离,计算城镇影响力的空间格局,以采样格网进行均值统计取样,得到城镇影响力梯度指标,计算公式如下:
(2)
式中,为城镇影响力梯度指标,/>为比例系数,r为空间分布栅格到城镇用地的距离,b为距离衰减速率取值;
S115、以采样网格为单元,采用综合土地利用动态度公式计算各时期相对前一时间截面的土地利用演变速度,得到土地利用动态指标,计算公式如下:
(3)
式中,为土地利用动态度,/>为研究时段长度;/>为/>时间段内/>类土地变为/>类土地的面积,其中/>;/>代表初研究期/>类土地面积;
S116、计算各时期NDVI相对前一时间截面的年平均变化幅度,得到植被覆盖动态指标,计算公式如下:
(4)
式中,为第a年相对前一时间截面的年平均变化幅度,/>为第a年的NDVI值,为第a年前一时间截面的NDVI值。
优选的,步骤S12具体包括以下步骤:
S121、对各项指标进行标准化,计算公式如下:
正向指标:(5)
负向指标:(6)
式中:表示原始数据/>的标准化值,/>表示第m项指标的最小值,/>表示第m项指标的最大值;
S122、进行专家赋权,基于异质性、过渡性和动态性三个二级指标,通过李克特五分量表法为二级指标的重要性打分,进而汇总得到权重值;
S123、利用熵权法对二级指标的权重进一步分解得到三级指标权重,假设某个二级指标下共有k个三级指标,其中第v个三级指标权重计算公式如下:
(7)
(8)
(9)
式中,为第v个三级指标取值占全部三级指标取值总和的比重;/>表示第v个三级指标取值;/>为各指标的信息熵。
优选的,在步骤S122中,异质性指标包括由香农多样性指数、边缘密度、最大斑块指数组成的三级指标,过渡性指标包括由开发强度梯度、城镇影响力梯度组成的三级指标,动态性包括由土地利用动态和植被覆盖动态组成的三级指标。
优选的,步骤S13具体包括以下步骤:
S131、计算Getis-Ord Gi*,在一阶Queen邻接空间权重下完成计算,得到每个采样网格计算的标准差倍数Z得分及其对应在90%、95%、99%置信区间的P值,计算公式如下:
(10)
(11)
式中,为热点分析指数,/>为空间单元/>处的城市边缘区特征指数,/>为空间权重矩阵,/>和/>分别为/>的期望和方差,/>为标准化的结果,/>为采样网格的数量;
S132、将热点分析结果与遥感影像底图比对,剔除因自然景观演替产生的零星热点区后,得到城市边缘区特征空间单元。
优选的,步骤S21具体包括以下步骤:
S211、通过采样网格生成中心采样点,对城市边缘区特征指标体系中各三级指标采用克里金法进行空间差值,得到分辨率为30m的栅格数据,同时将城市边缘区特征空间单元的矢量数据转换为30m的栅格数据;
S212、随机提取城市边缘区特征空间单元内有效像元数的5%作为训练样本,3%作为测试数据,并设置模型的全局误差达到0.001时停止训练;
S213、利用训练数据获取模型的参数,输入到模拟模块进行运算;输入层各个神经元对应每个栅格单元的土地利用类型(具体包括城市边缘区和非城市边缘区两类),以及相应的香农多样性指数、边缘密度、最大斑块指数、开发强度梯度、城镇影响梯度、土地利用动态和植被覆盖动态六个空间变量,采用Sigmoid函数约束模型的输出,具体计算公式如下:
(12)
(13)
(14)
式中,表示空间单元/>在/>时刻出现土地利用类型/>的概率;/>为Sigmoid函数约束模型中隐藏层和输出层之间的自适应权重;/>表示输入层/>上的空间单元/>在/>时刻向神经元/>发出的信号,即/>时刻第/>类土地中的空间单元/>发生变化的强度;/>表示输入层和隐藏层之间的自适应权重关系,/>是/>时刻变量/>同输入层神经元/>中空间单元/>的关系函数,得到城市边缘区的相似概率。
优选的,步骤S22具体包括以下步骤:
S221、基于自然断点法对城市边缘区概率栅格数据进行二分类计算,得到城市边缘区高概率区域和低概率区域两类空间范围,提取城市边缘区高概率区域作为城市边缘区初步识别范围;
S222、将城市边缘区初步识别范围通过Arc GIS 10.2软件转换为矢量格式,剔除城市边缘区初步识别范围外部独立零碎斑块后,通过Arc GIS 10.2软件的“平滑面”工具处理得到30m分辨率的城市边缘区最终识别范围。
本发明具有以下有益效果:
与1 km分辨率的城市边缘区范围相比,通过本发明识别得到的城市边缘区面积比优化前缩减了1.11%,周长比优化前增加了23.52%,可见在面积精简的同时,边界信息量更加丰富。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的一种城市边缘区空间范围的高精度动态识别方法的流程图;
图2是本发明的实验例中城市边缘区空间采样网格图;
图3a是本发明实验例中1990年城市边缘区特征指数热点和冷点空间分布图;
图3b是本发明实验例中2000年城市边缘区特征指数热点和冷点空间分布图;
图3c是本发明实验例中2010年城市边缘区特征指数热点和冷点空间分布图;
图3d是本发明实验例中2018年城市边缘区特征指数热点和冷点空间分布图;
图4a是本发明实验例中1990年城市边缘区的特征空间单元图;
图4b是本发明实验例中2000年城市边缘区的特征空间单元图;
图4c是本发明实验例中2010年城市边缘区的特征空间单元图;
图4d是本发明实验例中2018年城市边缘区的特征空间单元图;
图5是本发明实验例中城市边缘区的相似概率模拟结果图;
图6是本发明实验例中30m栅格城市边缘区最终识别范围图。
具体实施方式
以下将结合附图对本发明作进一步的描述,需要说明的是,本实施例以本技术方案为前提,给出了详细的实施方式和具体的操作过程,但本发明的保护范围并不限于本实施例。
图1为本发明的一种城市边缘区空间范围的高精度动态识别方法的流程图,如图1所示,一种城市边缘区空间范围的高精度动态识别方法,包括以下步骤:
S1、通过城市边缘区综合特征指数、综合线性加权与空间自相关方法,获取城市边缘区特征空间单元;
需要说明的是,本实施例中的城市边缘区综合特征指数是定量刻画城市边缘区空间特征的核心指标(其为一级指标),其通过异质性、过渡性和动态性三项二级指标提取符合城市边缘区特征的城乡空间。本实施例中的综合线性加权指通过主观经验赋权与客观数理求权结合的权重确定方式。
优选的,步骤S1具体包括以下步骤:
S11、以土地利用数据、遥感影像和经济社会指标为基础进行城市边缘区综合特征指数的空间采集;
优选的,步骤S11具体包括以下步骤:
S111、对待识别区域划分矢量方格网进行采样;以1000 m×1000 m作为基本分析网格,形成采样区;
S112、通过Fragstats 4.2软件基于采样格网对待识别区域的各时期土地利用栅格数据进行计算,得到香农多样性指数、边缘密度、最大斑块指数三个指标的空间分布栅格数据;本实施例中的采样格网指用于提取土地覆被信息以及后期城市边缘区空间范围识别的正方形空间网格。
S113、以步骤S111划分的采样格网为单元,利用土地利用程度综合指数模型,在计算中排除城镇用地类别,得到土地的开发强度梯度指标,土地利用程度综合指数模型的计算公式如下:
(1)
式中,为土地的开发强度梯度指标;/>为土地利用分级指数,其中/> ,n =4,未利用土地=1,林地、草地和水体=2,耕地=3,其他建设用地=4;/>为对应土地类别的面积比例;
S114、通过Arc GIS 10.2软件的“欧氏距离”工具计算待识别区域的各时期的空间分布栅格到城镇用地距离,根据Clark负指数函数模型计算城镇影响力的空间格局,以采样格网进行均值统计取样,得到城镇影响力梯度指标,计算公式如下:
(2)
式中,为城镇影响力梯度指标,/>为比例系数,r为空间分布栅格到城镇用地的距离,b为距离衰减速率取值;
S115、以采样网格为单元,采用综合土地利用动态度公式计算各时期相对前一时间截面的土地利用演变速度,得到土地利用动态指标,计算公式如下:
(3)
式中,为土地利用动态度,/>为研究时段长度;/>为/>时间段内/>类土地变为/>类土地的面积,其中/>;/>代表初研究期/>类土地面积;
S116、通过Arc GIS 10.2软件的“栅格计算器”工具计算各时期NDVI(NDVI指归一化植被指数,可以用于反映植被长势和营养信息。)相对前一时间截面的年平均变化幅度,得到植被覆盖动态指标,计算公式如下:
(4)
式中,为第a年相对前一时间截面的年平均变化幅度,/>为第a年的NDVI值,为第a年前一时间截面的NDVI值。
S12、采用指标综合线性加权的方法计算城市边缘区综合特征指数各二级、三级指标的权重;
优选的,步骤S12具体包括以下步骤:
S121、对各项指标进行标准化,计算公式如下:
正向指标:(5)
负向指标:(6)
式中:表示原始数据/>的标准化值,/>表示第m项指标的最小值,/>表示第m项指标的最大值;
S122、进行专家赋权,基于异质性、过渡性和动态性三个二级指标,向来自地理学、生态学和城乡规划学三个学科背景的10位专家进行咨询,通过李克特五分量表法为二级指标的重要性打分,进而汇总得到权重值;
优选的,在步骤S122中,异质性指标包括由香农多样性指数、边缘密度、最大斑块指数组成的三级指标,过渡性指标包括由开发强度梯度、城镇影响力梯度组成的三级指标,动态性包括由土地利用动态和植被覆盖动态组成的三级指标。
S123、利用熵权法对二级指标的权重进一步分解得到三级指标权重,假设某个二级指标下共有k个三级指标,其中第v个三级指标权重计算公式如下:
(7)
(8)
(9)
式中,为第v个三级指标取值占全部三级指标取值总和的比重;/>表示第v个三级指标取值;/>为各指标的信息熵。
S13、基于得到的城市边缘区综合特征指数识别城市边缘区特征空间单元。
优选的,步骤S13具体包括以下步骤:
S131、通过Arc GIS 10.2软件的“热点分析“工具计算Getis-Ord Gi*(Getis-OrdGi*是表达某一指标在地理空间中自相关程度的指标,用于识别具有统计显著性的空间热点或冷点。即热点分析),在一阶Queen邻接空间权重下完成计算,得到每个采样网格计算的标准差倍数Z得分及其对应在90%、95%、99%置信区间的P值,计算公式如下:
(10)
(11)
式中,为热点分析指数,/>为空间单元/>处的城市边缘区特征指数,/>为空间权重矩阵,/>和/>分别为/>的期望和方差,/>为标准化的结果,/>为采样网格的数量;
S132、将热点分析结果与遥感影像底图比对,剔除因自然景观演替产生的零星热点区后,得到城市边缘区特征空间单元。
S2、借助机器学习对城市边缘区空间边界的分辨率细化。
优选的,步骤S2具体包括以下步骤:
S21、基于城市边缘区综合特征指数进行机器学习,得到城市边缘区的相似概率栅格;
优选的,步骤S21具体包括以下步骤:
S211、通过1000 m×1000 m采样网格生成中心采样点,通过采样网格生成中心采样点,对城市边缘区特征指标体系中各三级指标以及城市边缘区特征空间单元范围采用克里金法进行空间差值,得到分辨率为30m的栅格数据,同时将城市边缘区特征空间单元的矢量数据转换为30m的栅格数据;
S212、随机提取城市边缘区特征空间单元内有效像元数的5%作为训练样本,3%作为测试数据,并设置模型的全局误差达到0.001时停止训练;
S213、利用训练数据获取模型的参数,输入到模拟模块进行运算;输入层各个神经元对应每个栅格单元的土地利用类型(具体包括城市边缘区和非城市边缘区两类),以及相应的香农多样性指数、边缘密度、最大斑块指数、开发强度梯度、城镇影响梯度、土地利用动态和植被覆盖动态六个空间变量,采用Sigmoid函数约束模型的输出,具体计算公式如下:
(12)
(13)
(14)
式中,表示空间单元/>在/>时刻出现土地利用类型/>的概率;/>为Sigmoid函数约束模型中隐藏层和输出层之间的自适应权重;/>表示输入层/>上的空间单元/>在/>时刻向神经元/>发出的信号,即/>时刻第/>类土地中的空间单元/>发生变化的强度;/>表示输入层和隐藏层之间的自适应权重关系,/>是/>时刻变量/>同输入层神经元/>中空间单元/>的关系函数,得到城市边缘区的相似概率。
S22、基于城市边缘区的相似概率栅格进行城市边缘区空间范围的分辨率优化。
优选的,步骤S22具体包括以下步骤:
S221、基于自然断点法对城市边缘区概率栅格数据进行二分类计算,得到城市边缘区高概率区域和低概率区域两类空间范围,提取城市边缘区高概率区域作为城市边缘区初步识别范围;
S222、将城市边缘区初步识别范围通过Arc GIS 10.2软件转换为矢量格式,剔除城市边缘区初步识别范围外部独立零碎斑块后,通过Arc GIS 10.2软件的“平滑面”工具处理得到30m分辨率的城市边缘区最终识别范围。
实验例:
步骤1:通过城市边缘区综合特征指数、综合线性加权与空间自相关方法,获取城市边缘区特征空间单元,其具体实现包括以下子步骤:
步骤1.1:以福建省厦门市1980年、1990年、2000年、2010年和2018年土地利用数据、遥感影像图和经济社会指标为基础,采集城市边缘区的典型特征指标;
表1城市边缘区综合特征指数评价指标(注:单项指标计算结果均以分辨率1000 m的栅格数据呈现,1990年动态性指标的计算以1980年为基准)
步骤1.1.1:通过对研究区域划分矢量方格网进行采样,以1000 m×1000 m作为基本采样单元,形成2037个城市边缘区空间采样网格如图2所示;
基于厦门市1980年、1990年、2000年、2010年和2018年的遥感影像图,在Arc GIS10.2软件中提取城市边缘区的典型特征指标,其具体实现包括以下子步骤:
步骤1.1.2:通过Fragstats 4.2软件基于采样格网对各时期土地利用栅格数据进行计算,得到香农多样性指数、边缘密度、最大斑块指数三个指标空间分布栅格数据;
步骤1.2.3:以采样格网为单元,利用土地利用程度综合指数模型,在计算中排除城镇用地类别,得到各时期土地的开发强度梯度指标,土地利用程度综合指数模型的计算公式如下:
中,/>为土地利用分级指数,未利用地=1,林地、草地和水体=2,耕地=3,建设用地=4,/>为对应地类的面积比例;
步骤1.2.4:通过Arc GIS 10.2软件的“欧氏距离”工具计算各时期到城镇用地距离,借鉴Clark负指数函数模型计算城镇影响力的空间格局,以采样格网进行均值统计取样,得到城镇影响力梯度指标,计算公式如下:
;
其中,为城镇影响力,/>为比例系数,r为到城镇用地的距离,b为距离衰减速率取值,1990年、2000年、2010年、2018年分别取0.3、0.2、0.15与0.1;
步骤1.2.5:以采样网格为单元,采用综合土地利用动态度公式计算各时期相对前一时间截面的土地利用演变速度,得到土地利用动态指标,计算公式如下:
;
其中,为土地利用动态度,/>为研究时段长度;/>代表研究期初i类土地面积;/>为/>时间段内i类土地变为j类土地的面积,其中i≠j;
步骤1.2.6:通过Arc GIS 10.2软件的“栅格计算器”工具计算各时期NDVI相对前一时间截面的年平均变化幅度,计算公式如下:
;
其中,为第a年相对前一时间截面的年平均变化幅度,/>为第a年的NDVI值,为第a年前一时间截面的NDVI值。
步骤1.2:计算厦门市城市边缘区综合特征指数评价指标权重,其具体实现包括以下子步骤:
步骤1.2.1:对各项指标进行标准化以消除量纲影响,计算公式如下:
正向指标:;
负向指标:;
其中:表示原始数据/>的标准化值,/>表示第m项指标的最小值,/>表示第m项指标的最大值;
步骤1.2.2:进行专家赋权,针对异质性、过渡性和动态性三个二级指标,向来自地理学、生态学和城乡规划学三个学科背景的10位专家进行咨询,通过李克特五分量表法为二级指标的重要性打分进而汇总得到权重值;
步骤1.2.3:利用熵权法对二级指标的权重进一步分解得到三级指标权重,假设某二级指标对应k个三级指标,其中第v个三级指标取值占全部三级指标取值总和的比重的计算公式如下:
;
其中,表示第v个三级指标取值;
步骤1.2.4:求各指标的信息熵,计算公式如下:
;
步骤1.2.5:通过信息熵计算第v个三级指标的权重,计算公式如下:
;
表2为城市边缘区综合特征指数权重
步骤1.3:进行城市边缘区特征空间单元的识别,其具体实现包括以下子步骤:
步骤1.3.1:运用Arc GIS 10.2软件的“栅格计算器”工具,将步骤1.2中计算的城市边缘区特征指数根据权重加权求和得到城市边缘区综合特征指数空间分布图;
步骤1.3.2:运用Arc GIS 10.2软件的“热点分析”工具计算Getis-Ord Gi*,在一阶Queen邻接空间权重下完成各时期的分析计算,可得到每个采样网格计算的标准差倍数Z得分及其对应在90%、95%、99%置信区间的P值,结果如图3所示,计算公式如下:
;
;
其中,为热点分析指数,/>为空间单元/>处的城市边缘区特征指数,/>为空间权重矩阵,/>和/>分别为/>的期望和方差,/>为标准化的结果,/>为采样网格的数量;
步骤1.3.3:将分析结果(图3a、图3b、图3c、图3d)与遥感影像底图比对,利用ArcGIS 10.2软件的“擦除”工具剔除部分因自然景观演替产生的零星热点区后,逐年划定城市边缘区特征空间单元。结果如图4a、图4b、图4c、图4d所示;
步骤2:以厦门市2018年为例,基于城市边缘区特征指数进行机器学习,其具体实现包括以下子步骤:
步骤2.1:基于城市边缘区综合特征指数进行机器学习,得到城市边缘区的相似概率栅格;
步骤2.1.1:运用Arc GIS 10.2软件的“面转栅格”工具,将城市边缘区特征单元(图4)转换为30m分辨率的栅格数据,栅格包括城市边缘区和非城市边缘区两种取值;
步骤2.1.2:运用Arc GIS 10.2软件的“要素转点”工具,通过1000m采样网格中心生成2037个采样点;
步骤2.1.3:运用Arc GIS 10.2软件的“克里金法”工具,对2018年的6个三级指标进行空间插值,搜索范围为12个点,差值的分辨率为30m,得到30m分辨率的栅格数据;
步骤2.1.4:运用Arc GIS 10.2软件的“创建随机点”工具,随机提取城市边缘区特征空间单元(图4)内有效像元数的5%作为训练样本,3%作为测试数据进行样本训练,设置模型的全局误差达到0.001时停止训练;
步骤2.1.5:利用训练数据获取模型的参数,输入到模拟模块进行运算。输入层各个神经元对应每个栅格单元的空间要素信息以及空间类型等若干变量,采用Sigmoid函数约束模型的输出,具体计算公式如下:
;
;
;
其中,表示空间单元/>在/>时刻出现土地利用类型/>的概率;/>为Sigmoid函数约束模型中隐藏层和输出层之间的自适应权重;/>表示输入层/>上的空间单元/>在/>时刻向神经元y发出的信号,即/>时刻第i类土地中的空间单元/>发生变化的强度;/>表示输入层和隐藏层之间的自适应权重关系,/>是/>时刻变量/>同输入层神经元/>中空间单元/>的关系函数,得到城市边缘区的相似概率。
步骤2.2:如图5所示,基于城市边缘区的相似概率进行城市边缘区的识别与优化,其具体实现包括以下子步骤:
步骤2.2.1:基于自然断点法对城市边缘区概率栅格数据进行二分类计算,得到城市边缘区高概率区域和低概率区域两类空间范围,运用Arc GIS 10.2软件的“按属性提取”工具将高概率部分提取,得到30m栅格城市边缘区初步识别范围;
步骤2.2.2:运用Arc GIS 10.2软件的“平滑面”工具对局部褶皱边界平滑处理,并运用Arc GIS 10.2软件的“擦除”工具剔除外部零碎斑块后得到如图6所示的30m栅格城市边缘区最终识别范围。
因此,本发明采用上述城市边缘区空间范围的高精度动态识别方法,可在面积精简的同时,丰富边界信息量。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (7)
1.一种城市边缘区空间范围的高精度动态识别方法,其特征在于:包括以下步骤:
S1、通过城市边缘区综合特征指数、综合线性加权与空间自相关方法,获取城市边缘区特征空间单元;
步骤S1具体包括以下步骤:
S11、以土地利用数据、遥感影像和经济社会指标为基础进行城市边缘区综合特征指数的空间采集;
S12、采用指标综合线性加权的方法计算城市边缘区综合特征指数各二级、三级指标的权重;
S13、基于得到的城市边缘区综合特征指数识别城市边缘区特征空间单元;
S2、借助机器学习对城市边缘区空间边界的分辨率细化;
步骤S2具体包括以下步骤:
S21、基于城市边缘区综合特征指数进行机器学习,得到城市边缘区的相似概率栅格;
S22、基于城市边缘区的相似概率栅格进行城市边缘区空间范围的分辨率优化。
2.根据权利要求1所述的一种城市边缘区空间范围的高精度动态识别方法,其特征在于:步骤S11具体包括以下步骤:
S111、对待识别区域划分矢量方格网进行采样;
S112、基于采样格网与Fragstats 4.2软件对待识别区域的各时期土地利用栅格数据进行计算,得到香农多样性指数、边缘密度、最大斑块指数三个指标的空间分布栅格数据;
S113、以步骤S111划分的采样格网为单元,利用土地利用程度综合指数模型,在计算中排除城镇用地类别,得到土地的开发强度梯度指标,土地利用程度综合指数模型的计算公式如下:
(1)
式中,为土地的开发强度梯度指标;/>为土地利用分级指数,其中/> ,n=4,未利用土地=1,林地、草地和水体=2,耕地=3,其他建设用地=4;/>为对应土地类别的面积比例;
S114、计算待识别区域的各时期的空间分布栅格到城镇用地距离,计算城镇影响力的空间格局,以采样格网进行均值统计取样,得到城镇影响力梯度指标,计算公式如下:
(2)
式中,为城镇影响力梯度指标,/>为比例系数,/>为空间分布栅格到城镇用地的距离,/>为距离衰减速率取值;
S115、以采样网格为单元,采用综合土地利用动态度公式计算各时期相对前一时间截面的土地利用演变速度,得到土地利用动态指标,计算公式如下:
(3)
式中,为土地利用动态度,/>为研究时段长度;/>为/>时间段内/>类土地变为/>类土地的面积,其中/>,/>代表初研究期/>类土地面积;
S116、计算各时期NDVI相对前一时间截面的年平均变化幅度,得到植被覆盖动态指标,计算公式如下:
(4)
式中,为第/>年相对前一时间截面的年平均变化幅度,/>为第/>年的NDVI值,为第/>年前一时间截面的NDVI值。
3.根据权利要求2所述的一种城市边缘区空间范围的高精度动态识别方法,其特征在于:步骤S12具体包括以下步骤:
S121、对各项指标进行标准化,计算公式如下:
正向指标:(5)
负向指标:(6)
式中:表示原始数据/>的标准化值,/>表示第/>项指标的最小值,/>表示第/>项指标的最大值;
S122、进行专家赋权,基于异质性、过渡性和动态性三个二级指标,通过李克特五分量表法为二级指标的重要性打分,进而汇总得到权重值;
S123、利用熵权法对二级指标的权重进一步分解得到三级指标权重,假设某个二级指标下共有k个三级指标,其中第v个三级指标权重计算公式如下:
(7)
(8)
(9)
式中,为第v个三级指标取值占全部三级指标取值总和的比重;/>表示第v个三级指标取值;/>为各指标的信息熵。
4.根据权利要求3所述的一种城市边缘区空间范围的高精度动态识别方法,其特征在于:在步骤S122中,异质性指标包括由香农多样性指数、边缘密度、最大斑块指数组成的三级指标,过渡性指标包括由开发强度梯度、城镇影响力梯度组成的三级指标,动态性包括由土地利用动态和植被覆盖动态组成的三级指标。
5.根据权利要求4所述的一种城市边缘区空间范围的高精度动态识别方法,其特征在于:步骤S13具体包括以下步骤:
S131、计算Getis-Ord Gi*,在一阶Queen邻接空间权重下完成计算,得到每个采样网格计算的标准差倍数Z得分及其对应在90%、95%、99%置信区间的P值,计算公式如下:
(10)
(11)
式中,为热点分析指数,/>为空间单元/>处的城市边缘区特征指数,/>为空间权重矩阵,/>和/>分别为/>的期望和方差,/>为标准化的结果;/>为采样网格的数量;
S132、将热点分析结果与遥感影像底图比对,剔除因自然景观演替产生的零星热点区后,得到城市边缘区特征空间单元。
6.根据权利要求5所述的一种城市边缘区空间范围的高精度动态识别方法,其特征在于:步骤S21具体包括以下步骤:
S211、通过采样网格生成中心采样点,对城市边缘区特征指标体系中各三级指标采用克里金法进行空间差值,得到分辨率为30m的栅格数据,同时将城市边缘区特征空间单元的矢量数据转换为30m的栅格数据;
S212、随机提取城市边缘区特征空间单元内有效像元数的5%作为训练样本,3%作为测试数据,并设置模型的全局误差达到0.001时停止训练;
S213、利用训练数据获取模型的参数,输入到模拟模块进行运算;输入层各个神经元对应每个栅格单元的土地利用类型,以及相应的香农多样性指数、边缘密度、最大斑块指数、开发强度梯度、城镇影响梯度、土地利用动态和植被覆盖动态六个空间变量,采用Sigmoid函数约束模型的输出,具体计算公式如下:
(12)
(13)
(14)
式中,表示空间单元/>在/>时刻出现土地利用类型/>的概率;/>为Sigmoid函数约束模型中隐藏层和输出层之间的自适应权重;/>表示输入层/>上的空间单元/>在/>时刻向神经元/>发出的信号,即/>时刻第/>类土地中的空间单元/>发生变化的强度;表示输入层和隐藏层之间的自适应权重关系,/>是/>时刻变量/>同输入层神经元/>中空间单元/>的关系函数,得到城市边缘区的相似概率。
7.根据权利要求6所述的一种城市边缘区空间范围的高精度动态识别方法,其特征在于:步骤S22具体包括以下步骤:
S221、基于自然断点法对城市边缘区概率栅格数据进行二分类计算,得到城市边缘区高概率区域和低概率区域两类空间范围,提取城市边缘区高概率区域作为城市边缘区初步识别范围;
S222、将城市边缘区初步识别范围通过Arc GIS 10.2软件转换为矢量格式,剔除城市边缘区初步识别范围外部独立零碎斑块后,通过Arc GIS 10.2软件的“平滑面”工具处理得到30m分辨率的城市边缘区最终识别范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926439.6A CN116645012B (zh) | 2023-07-27 | 2023-07-27 | 一种城市边缘区空间范围的高精度动态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926439.6A CN116645012B (zh) | 2023-07-27 | 2023-07-27 | 一种城市边缘区空间范围的高精度动态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645012A true CN116645012A (zh) | 2023-08-25 |
CN116645012B CN116645012B (zh) | 2023-10-10 |
Family
ID=87625144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926439.6A Active CN116645012B (zh) | 2023-07-27 | 2023-07-27 | 一种城市边缘区空间范围的高精度动态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645012B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598513A (zh) * | 2019-05-24 | 2019-12-20 | 南京大学 | 一种基于sleuth模型的城市开发边界预测方法 |
CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN113554221A (zh) * | 2021-07-08 | 2021-10-26 | 同济大学 | 一种“流空间”视角下的城镇开发边界模拟预测方法 |
CN114266138A (zh) * | 2021-11-29 | 2022-04-01 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN115937892A (zh) * | 2022-11-24 | 2023-04-07 | 上海市园林科学规划研究院 | 一种城市绿地生态网络重要生态源地的识别方法 |
CN116310853A (zh) * | 2022-12-07 | 2023-06-23 | 陕西地建土地工程技术研究院有限责任公司 | 一种基于多源数据的中小城市边缘区提取方法 |
-
2023
- 2023-07-27 CN CN202310926439.6A patent/CN116645012B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598513A (zh) * | 2019-05-24 | 2019-12-20 | 南京大学 | 一种基于sleuth模型的城市开发边界预测方法 |
CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN113554221A (zh) * | 2021-07-08 | 2021-10-26 | 同济大学 | 一种“流空间”视角下的城镇开发边界模拟预测方法 |
CN114266138A (zh) * | 2021-11-29 | 2022-04-01 | 西南大学 | 一种利用云端数据进行城市边缘区识别与验证方法 |
CN115937892A (zh) * | 2022-11-24 | 2023-04-07 | 上海市园林科学规划研究院 | 一种城市绿地生态网络重要生态源地的识别方法 |
CN116310853A (zh) * | 2022-12-07 | 2023-06-23 | 陕西地建土地工程技术研究院有限责任公司 | 一种基于多源数据的中小城市边缘区提取方法 |
Non-Patent Citations (1)
Title |
---|
梁晨: "城乡交错带的三维动态识别及空间演变机制—以厦门市为例", 《地理研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645012B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598029B (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
Feng et al. | A cellular automata model based on nonlinear kernel principal component analysis for urban growth simulation | |
CN106919680A (zh) | 一种利用poi数据进行地表覆盖分类的方法及系统 | |
Eadi Stringari et al. | Deep neural networks for active wave breaking classification | |
Li et al. | A comparison of deep learning methods for airborne lidar point clouds classification | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
Zhang et al. | A global dataset of daily near-surface air temperature at 1-km resolution (2003–2020) | |
Mu et al. | A climate downscaling deep learning model considering the multiscale spatial correlations and chaos of meteorological events | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN116699096A (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
Rosier et al. | Predicting ocean-induced ice-shelf melt rates using deep learning | |
CN116645012B (zh) | 一种城市边缘区空间范围的高精度动态识别方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
Chen et al. | DGCNN network architecture with densely connected point pairs in multiscale local regions for ALS point cloud classification | |
Liu et al. | CALC-2020: A new baseline land cover map at 10 m resolution for the circumpolar Arctic | |
Szapiro et al. | TPVTrack v1. 0: A watershed segmentation and overlap correspondence method for tracking tropopause polar vortices | |
CN106952251B (zh) | 一种基于吸附模型的图像显著性检测方法 | |
CN114241470A (zh) | 一种基于注意力机制的自然场景文字检测方法 | |
Wu et al. | Change Detection Enhanced by Spatial-temporal Association for Bare Soil Land Using Remote Sensing Images | |
Cui | Research on garden landscape reconstruction based on geographic information system under the background of deep learning | |
Miao et al. | A Multivariable Convolutional Neural Network for Forecasting Synoptic-Scale Sea Surface Temperature Anomalies in the South China Sea |
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 |