CN116703182B - 一种基于大数据的数字化乡村建设综合服务系统 - Google Patents
一种基于大数据的数字化乡村建设综合服务系统 Download PDFInfo
- Publication number
- CN116703182B CN116703182B CN202310974842.6A CN202310974842A CN116703182B CN 116703182 B CN116703182 B CN 116703182B CN 202310974842 A CN202310974842 A CN 202310974842A CN 116703182 B CN116703182 B CN 116703182B
- Authority
- CN
- China
- Prior art keywords
- resident
- data
- village
- merging
- network
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005067 remediation Methods 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地域规划技术领域,公开了一种基于大数据的数字化乡村建设综合服务系统,包括:数据采集模块,其用于采集村镇数据和土地利用规划图;数据预处理模块,其用于生成区域数据网络;数据提取模块,其用于提取第一网络数据和第二网络数据;模型训练模块,其用于对合并预测模型进行训练;合并结果预测模块,其用于根据村合并计划生成村合并之后的土地利用规划图,然后使用训练好的合并预测模型输出村合并前后的耕地应用效率差;本发明能够准确的判断村合并计划实施后的耕地应用效率的差值,为选择更优的村合并计划提供直接的支持。
Description
技术领域
本发明涉及地域规划技术领域,更具体地说,它涉及一种基于大数据的数字化乡村建设综合服务系统。
背景技术
公开号为CN108009694A,名称为空心村整治潜力分级评估系统的中国发明专利公开了以下内容:本发明的空心村综合整治潜力评价系统可以全面评价我国各地区空心村综合整治后的土地整治潜力,分析得到空心村综合整治补充耕地的最大潜力及空间分布状况进行可视化表达,这将为推动我国空心村治理、管理及其合理规划提供科学的依据;
空心村综合整治潜力是指一定生产力水平下,规划期年内采用一系列措施对现有农村居民点用地进行拆村并点,内部挖潜和加以改造再利用可能增加的有效耕地面积。按整治潜力的可实现程度,可分为理论整治潜力和现实整治潜力。理论潜力是在一定的假设条件下,采用既定人均农村居民点用地标准,在理论上通过农村居民点整治可以增减的耕地面积;现实潜力是指在目前的自然环境、经济和技术发展水平、制度供给等约束条件下,在一定时期内可以实现的新增耕地面积的潜力,它代表了农村居民点整理的可能性和农村居民点在整治过程中投资需求的强度等;
本研究在考虑空心村综合整治的理论潜力时,实际上是侧重考虑农村居民点整治潜力,其增地潜力主要是通过对现在分散的农村居民点改造、迁村并点、生态移民,可增加的有效耕地及其他宜耕后备的土地进行整理获得。
上述发明公开了通过人均宅基地、人均建设用地等指标来计算区域内的增地潜力,但是耕地效益受到细碎化程度、劳动力等因素的综合影响,单纯的区域内增地潜力并不能代表拆村并点能够提供的耕地效益增长,而且在区域内进行拆村并点时不同的村合并计划所能发挥的增地潜力是不同的,上述发明的方法无法为村合并计划的选择提供具体的指导。
发明内容
本发明提供一种基于大数据的数字化乡村建设综合服务系统,解决相关技术中无法为村合并计划的选择提供具体的指导的技术问题。
本发明提供了一种基于大数据的数字化乡村建设综合服务系统,包括:
数据采集模块,其用于采集村镇数据和土地利用规划图;
数据预处理模块,其用于生成区域数据网络,区域数据网络包括节点以及连接节点的边,节点表示村、居民户、常住居民、非常住居民,节点之间存在边表示节点之间存在联系;并为节点生成节点特征;
数据提取模块,其用于提取第一网络数据和第二网络数据,第一网络数据是村合并之前的区域数据网络的数据,第二网络数据是村合并之后的区域数据网络的数据,第一网络数据和第二网络数据均包括邻接矩阵和节点特征序列,其中邻接矩阵表示区域数据网络的节点的连接关系,节点特征序列由区域数据网络的节点的节点特征排列组成;
模型训练模块,其用于对合并预测模型进行训练,合并预测模型包括第一隐藏层、第一卷积层、第一逻辑层、第二逻辑层和全连接层,其中第一隐藏层的两个通道分别输入第一网络数据和第二网络数据,输出更新后的第一网络数据和第二网络数据,第一逻辑层从更新后的第一网络数据和第二网络数据中提取表示居民户的节点特征进行拼接,生成区域特征向量;
第一卷积层输入村合并之前的土地利用规划图,输出第一特征图;第一卷积层输入村合并之后的土地利用规划图,输出第二特征图;第二逻辑层对第一特征图和第二特征图进行求差获得第三特征图,然后对第三特征图进行向量化获得特征图向量,之后将特征图向量与区域特征向量进行拼接之后输入全连接层;全连接层输出村合并前后的耕地应用效率差;
合并结果预测模块,其用于根据村合并计划生成村合并之后的土地利用规划图,然后使用训练好的合并预测模型输出村合并前后的耕地应用效率差;
计划选择模块,其用于选择耕地应用效率差最大的村合并计划作为待实施的村合并计划。
进一步地,村镇数据包括村的数据、每户居民的数据、每个居民的数据。
进一步地,村的节点与属于该村的所有居民户之间存在联系,居民户的节点与属于该居民户的常住居民之间存在联系,常住居民的节点与非常住居民之间存在联系表示该常住居民与该非常住居民之间存在亲属关系;常住居民的节点与常住居民之间存在联系表示这两个常住居民之间存在亲属关系。
进一步地,第a个村的节点特征表示为:/>,其中/>表示第a个村的居民总数,/>表示第a个村的常住居民总数,/>表示第a个村的户数,/>表示第a个村的宅基地面积,/>表示第a个村的种植耕地面积;
第b个居民户的节点特征表示为:/>,其中/>表示第b个居民户的居民数,/>表示第b个居民户的常住居民数,/>表示第b个居民户的非常住居民数,/>表示第b个居民户的宅基地面积,/>表示第b个居民户的种植耕地面积;
第c个常住居民的节点特征表示为:/>,其中/>表示第c个常住居民的种植耕地面积,/>表示第c个常住居民的年龄,/>表示第c个常住居民的非务农年收入;
第d个非常住居民的节点特征表示为:/>,其中/>表示第d个非常住居民的承包地面积,/>表示第d个非常住居民的年龄,/>表示第d个非常住居民的非务农年收入。
进一步地,第一隐藏层的计算公式为:
;
其中,/>,/>,/>表示更新之后的第一网络数据或第二网络数据的第i个节点的节点特征,/>和/>分别表示更新之前的第一网络数据或第二网络数据的第i个和j个节点的节点特征,/>表示/>线性变换得到的中间特征,/>表示/>线性变换得到的中间特征,/>表示第一隐藏层的权重参数,/>表示第一隐藏层的权重矢量,/>表示与第i个节点存在边连接的节点的集合,/>表示激活函数,/>表示注意力权重。
进一步地,第一卷积层输入的土地利用规划图包括区域数据网络的区域。
进一步地,全连接层输出表示耕地应用效率差的值或类别标签,如果输出类别标签,则全连接层的分类空间的类别标签映射耕地应用效率差的值域的点值。
进一步地,第三特征图的第v行第s列的元素等于第二特征图第v行第s列的元素与第一特征图第v行第s列的元素的差值。
进一步地,合并预测模型进行训练时的村合并之后的区域数据网络是根据历史数据生成的;合并预测模型进行预测时的村合并之后的区域数据网络是根据需要进行预测的村合并计划和当前的村镇数据生成的。
本发明的有益效果在于:本发明利用深度学习的方法对村镇数据进行处理,能够准确的判断村合并计划实施后的耕地应用效率的差值,为选择更优的村合并计划提供直接的支持。
附图说明
图1是本发明的一种基于大数据的数字化乡村建设综合服务系统的模块示意图一;
图2是本发明的一种基于大数据的数字化乡村建设综合服务系统的模块示意图二。
图中:数据采集模块101,数据预处理模块102,数据提取模块103,模型训练模块104,合并结果预测模块105,计划选择模块106。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种基于大数据的数字化乡村建设综合服务系统,包括:
数据采集模块101,其用于采集村镇数据和土地利用规划图,村镇数据包括村的数据、每户居民的数据、每个居民的数据。
数据预处理模块102,其用于生成区域数据网络,区域数据网络包括节点以及连接节点的边,节点表示村、居民户、常住居民、非常住居民,节点之间存在边表示节点之间存在联系;并为节点生成节点特征;
以上数据可以通过走访调研等方式获得。
在本发明的一个实施例中,村的节点与属于该村的所有居民户之间存在联系,居民户的节点与属于该居民户的常住居民之间存在联系,常住居民的节点与非常住居民之间存在联系表示该常住居民与该非常住居民之间存在亲属关系;常住居民的节点与常住居民之间存在联系表示这两个常住居民之间存在亲属关系。
区域数据网络的区域可以是以乡或县的行政区域。
常住居民并非仅通过户口进行统计,每年居住时间超过6个月的才定义为常住居民。
第a个村的节点特征表示为:/>,其中/>表示第a个村的居民总数,/>表示第a个村的常住居民总数,/>表示第a个村的户数,/>表示第a个村的宅基地面积,/>表示第a个村的种植耕地面积。
第b个居民户的节点特征表示为:/>,其中/>表示第b个居民户的居民数,/>表示第b个居民户的常住居民数,/>表示第b个居民户的非常住居民数,/>表示第b个居民户的宅基地面积,/>表示第b个居民户的种植耕地面积。
第c个常住居民的节点特征表示为:/>,其中/>表示第c个常住居民的种植耕地面积,/>表示第c个常住居民的年龄,/>表示第c个常住居民的非务农年收入;
第d个非常住居民的节点特征表示为:/>,其中/>表示第d个非常住居民的承包地面积,/>表示第d个非常住居民的年龄,/>表示第d个非常住居民的非务农年收入。
节点特征的分量的值均来源于采集的村镇数据,另外本发明并不排除其他通过村镇数据构建节点特征的方式。
数据提取模块103,其用于提取第一网络数据和第二网络数据,第一网络数据是村合并之前的区域数据网络的数据,第二网络数据是村合并之后的区域数据网络的数据,第一网络数据和第二网络数据均包括邻接矩阵和节点特征序列,其中邻接矩阵表示区域数据网络的节点的连接关系,节点特征序列由区域数据网络的节点的节点特征排列组成;
邻接矩阵的第k行第l列的元素表示第k个和第l个节点的连接关系,如果第k个和第l个节点之间存在边,则该元素的值为1,否则该元素的值为0;节点特征序列的第k个序列单元表示第k个节点的节点特征。
模型训练模块104,其用于对合并预测模型进行训练,合并预测模型包括第一隐藏层、第一卷积层、第一逻辑层、第二逻辑层和全连接层,其中第一隐藏层的两个通道分别输入第一网络数据和第二网络数据,输出更新后的第一网络数据和第二网络数据,第一逻辑层从更新后的第一网络数据和第二网络数据中提取表示居民户的节点特征进行拼接,生成区域特征向量;
第一卷积层输入村合并之前的土地利用规划图,输出第一特征图;第一卷积层输入村合并之后的土地利用规划图,输出第二特征图;第二逻辑层对第一特征图和第二特征图进行求差获得第三特征图,然后对第三特征图进行向量化获得特征图向量,之后将特征图向量与区域特征向量进行拼接之后输入全连接层;
第三特征图的第v行第s列的元素等于第二特征图第v行第s列的元素与第一特征图第v行第s列的元素的差值。
对第三特征图进行向量化是将第三特征图的行向量按行的顺序拼接。
从更新后的第一网络数据和第二网络数据中提取表示居民户的节点特征进行拼接的方法是:先将更新后的第一网络数据的表示居民户的节点特征按顺序进行拼接生成第一区域向量,将更新后的第二网络数据的表示居民户的节点特征按顺序进行拼接生成第二区域向量,然后将第一区域向量与第二区域向量进行拼接获得区域特征向量。
在本发明的一个实施例中,建立第一网络数据和第二网络数据时为每个居民户的节点赋予ID,按照ID的顺序进行拼接。
全连接层输出村合并前后的耕地应用效率差。
第一隐藏层的计算公式为:;
其中,/>,/>,/>表示更新之后的第一网络数据或第二网络数据的第i个节点的节点特征,/>和/>分别表示更新之前的第一网络数据或第二网络数据的第i个和j个节点的节点特征,/>表示/>线性变换得到的中间特征,/>表示/>线性变换得到的中间特征,/>表示第一隐藏层的权重参数,/>表示第一隐藏层的权重矢量,/>表示与第i个节点存在边连接的节点的集合,/>表示激活函数,/>表示注意力权重;
第一卷积层可以采用LetNet、AlexNet或ResNet。
在本发明的一个实施例中,第一卷积层输入的土地利用规划图包括区域数据网络的区域。
在本发明的一个实施例中,全连接层输出表示耕地应用效率差的值或类别标签,如果输出类别标签,则全连接层的分类空间的类别标签映射耕地应用效率差的值域的点值。
耕地应用效率差等于村合并之后的耕地应用效率与村合并之前的耕地应用效率的差值;
训练时的耕地应用效率的计算公式如下:
其中为第j个居民户的效率值,/>为第j个居民户的种植耕地面积,/>为统计区域内的总种植耕地面积,m为统计区域内的居民户的总数。
其中,/>,/>为第j个居民户的第i项投入项的投入值,/>为第j个居民户的第r项产出项的产出值,/>和/>分别为第r个产出项与第i个投入项的权重,/>表示第j个产出项的权重,s和n分别为产出项与投入项的个数,/>为第j个居民户的效率值。
合并结果预测模块105,其用于根据村合并计划生成村合并之后的土地利用规划图,然后使用训练好的合并预测模型输出村合并前后的耕地应用效率差。
合并预测模型进行训练时的村合并之后的区域数据网络是根据历史数据生成的,历史数据指已经进行村合并之后的村镇的村镇数据;合并预测模型进行预测时的村合并之后的区域数据网络是根据需要进行预测的村合并计划和当前的村镇数据生成的。例如村合并之后可以根据村合并计划来对居民户的归属进行调整,需要说明的是村合并计划是人为规划的村合并计划。
如图2所示,在本发明的一个实施例中,一种基于大数据的数字化乡村建设综合服务系统还包括计划选择模块106,用于选择耕地应用效率差最大的村合并计划作为待实施的村合并计划。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (6)
1.一种基于大数据的数字化乡村建设综合服务系统,其特征在于,包括:
数据采集模块,其用于采集村镇数据和土地利用规划图;
数据预处理模块,其用于生成区域数据网络,区域数据网络包括节点以及连接节点的边,节点表示村、居民户、常住居民、非常住居民,节点之间存在边表示节点之间存在联系;并为节点生成节点特征;
村的节点与属于该村的所有居民户之间存在联系,居民户的节点与属于该居民户的常住居民之间存在联系,常住居民的节点与非常住居民之间存在联系表示该常住居民与该非常住居民之间存在亲属关系;常住居民的节点与常住居民之间存在联系表示这两个常住居民之间存在亲属关系;
第a个村的节点特征表示为:/>,其中/>表示第a个村的居民总数,/>表示第a个村的常住居民总数,/>表示第a个村的户数,/>表示第a个村的宅基地面积,/>表示第a个村的种植耕地面积;
第b个居民户的节点特征表示为:/>,其中/>表示第b个居民户的居民数,/>表示第b个居民户的常住居民数,/>表示第b个居民户的非常住居民数,/>表示第b个居民户的宅基地面积,/>表示第b个居民户的种植耕地面积;
第c个常住居民的节点特征表示为:/>,其中/>表示第c个常住居民的种植耕地面积,/>表示第c个常住居民的年龄,/>表示第c个常住居民的非务农年收入;
第d个非常住居民的节点特征表示为:/>,其中/>表示第d个非常住居民的承包地面积,/>表示第d个非常住居民的年龄,/>表示第d个非常住居民的非务农年收入;
数据提取模块,其用于提取第一网络数据和第二网络数据,第一网络数据是村合并之前的区域数据网络的数据,第二网络数据是村合并之后的区域数据网络的数据,第一网络数据和第二网络数据均包括邻接矩阵和节点特征序列,其中邻接矩阵表示区域数据网络的节点的连接关系,节点特征序列由区域数据网络的节点的节点特征排列组成;
模型训练模块,其用于对合并预测模型进行训练,合并预测模型包括第一隐藏层、第一卷积层、第一逻辑层、第二逻辑层和全连接层,其中第一隐藏层的两个通道分别输入第一网络数据和第二网络数据,输出更新后的第一网络数据和第二网络数据,第一逻辑层从更新后的第一网络数据和第二网络数据中提取表示居民户的节点特征进行拼接,生成区域特征向量;
第一隐藏层的计算公式为:;
其中,/>,/>,/>表示更新之后的第一网络数据或第二网络数据的第i个节点的节点特征,/>和/>分别表示更新之前的第一网络数据或第二网络数据的第i个和j个节点的节点特征,/>表示/>线性变换得到的中间特征,/>表示/>线性变换得到的中间特征,/>表示第一隐藏层的权重参数,/>表示第一隐藏层的权重矢量,/>表示与第i个节点存在边连接的节点的集合,/>表示激活函数,/>表示注意力权重;
第一卷积层输入村合并之前的土地利用规划图,输出第一特征图;第一卷积层输入村合并之后的土地利用规划图,输出第二特征图;第二逻辑层对第一特征图和第二特征图进行求差获得第三特征图,然后对第三特征图进行向量化获得特征图向量,之后将特征图向量与区域特征向量进行拼接之后输入全连接层;全连接层输出村合并前后的耕地应用效率差;
合并结果预测模块,其用于根据村合并计划生成村合并之后的土地利用规划图,然后使用训练好的合并预测模型输出村合并前后的耕地应用效率差;
计划选择模块,其用于选择耕地应用效率差最大的村合并计划作为待实施的村合并计划。
2.根据权利要求1所述的一种基于大数据的数字化乡村建设综合服务系统,其特征在于,村镇数据包括村的数据、每户居民的数据、每个居民的数据。
3.根据权利要求1所述的一种基于大数据的数字化乡村建设综合服务系统,其特征在于,第一卷积层输入的土地利用规划图包括区域数据网络的区域。
4.根据权利要求1所述的一种基于大数据的数字化乡村建设综合服务系统,其特征在于,全连接层输出表示耕地应用效率差的值或类别标签,如果输出类别标签,则全连接层的分类空间的类别标签映射耕地应用效率差的值域的点值。
5.根据权利要求1所述的一种基于大数据的数字化乡村建设综合服务系统,其特征在于,第三特征图的第v行第s列的元素等于第二特征图第v行第s列的元素与第一特征图第v行第s列的元素的差值。
6.根据权利要求1所述的一种基于大数据的数字化乡村建设综合服务系统,其特征在于,合并预测模型进行训练时的村合并之后的区域数据网络是根据历史数据生成的;合并预测模型进行预测时的村合并之后的区域数据网络是根据需要进行预测的村合并计划和当前的村镇数据生成的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310974842.6A CN116703182B (zh) | 2023-08-04 | 2023-08-04 | 一种基于大数据的数字化乡村建设综合服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310974842.6A CN116703182B (zh) | 2023-08-04 | 2023-08-04 | 一种基于大数据的数字化乡村建设综合服务系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703182A CN116703182A (zh) | 2023-09-05 |
CN116703182B true CN116703182B (zh) | 2023-10-20 |
Family
ID=87832544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310974842.6A Active CN116703182B (zh) | 2023-08-04 | 2023-08-04 | 一种基于大数据的数字化乡村建设综合服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703182B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512661A (zh) * | 2015-11-25 | 2016-04-20 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
CN107248007A (zh) * | 2017-06-02 | 2017-10-13 | 武汉大学 | 一种双层域导向的农村居民点智能优化配置方法 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
CN113469226A (zh) * | 2021-06-16 | 2021-10-01 | 中国地质大学(武汉) | 一种基于街景图像的土地利用分类方法及系统 |
CN113987893A (zh) * | 2021-12-29 | 2022-01-28 | 北京大学深圳研究生院 | 一种村镇聚落体系衍化的网络分析系统 |
CN115526418A (zh) * | 2022-10-17 | 2022-12-27 | 东南大学 | 一种基于贝叶斯网络的乡村生态空间预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220036198A1 (en) * | 2020-07-28 | 2022-02-03 | International Business Machines Corporation | Fixed, random, recurrent matrices for increased dimensionality in neural networks |
-
2023
- 2023-08-04 CN CN202310974842.6A patent/CN116703182B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512661A (zh) * | 2015-11-25 | 2016-04-20 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
CN107248007A (zh) * | 2017-06-02 | 2017-10-13 | 武汉大学 | 一种双层域导向的农村居民点智能优化配置方法 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
CN113469226A (zh) * | 2021-06-16 | 2021-10-01 | 中国地质大学(武汉) | 一种基于街景图像的土地利用分类方法及系统 |
CN113987893A (zh) * | 2021-12-29 | 2022-01-28 | 北京大学深圳研究生院 | 一种村镇聚落体系衍化的网络分析系统 |
CN115526418A (zh) * | 2022-10-17 | 2022-12-27 | 东南大学 | 一种基于贝叶斯网络的乡村生态空间预测方法 |
Non-Patent Citations (2)
Title |
---|
Jiankai Zuo 等.Artificial Intelligence Prediction and Decision Evaluation Model Based on Deep Learning .2019 International Conference on Electronic Engineering and Informatics (EEI).2020,全文. * |
耕地保护政策的社会福利分析:基于选择实验的非市场价值评估;姚柳杨;赵敏娟;徐涛;;农业经济问题(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703182A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sánchez-Lozano et al. | GIS-based photovoltaic solar farms site selection using ELECTRE-TRI: Evaluating the case for Torre Pacheco, Murcia, Southeast of Spain | |
Medvedev et al. | Medium-term analysis of agroecosystem sustainability under different land use practices by means of dynamic crop simulation | |
Geem et al. | A new heuristic optimization algorithm: harmony search | |
Wang et al. | A GIS-based approach in support of spatial planning for renewable energy: A case study of Fukushima, Japan | |
Wichmann et al. | Homelands of the world’s language families: A quantitative approach | |
CN106355334A (zh) | 农田建设区域判定方法 | |
CN104732322B (zh) | 电力通信网机房移动运维方法 | |
CN110162872B (zh) | 一种融合样地数据与森林资源清查数据的生物量估算方法 | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
Haklay et al. | Geometry and architectural planning at Göbekli Tepe, Turkey | |
CN107680018A (zh) | 一种基于大数据及人工智能的高考志愿填报系统及方法 | |
CN110298520A (zh) | 一种农田建设难度确定方法 | |
Kim et al. | A study of an agricultural ontology model for an intelligent service in a vertical farm | |
CN105095591A (zh) | 一种多尺度城市扩张关联规则提取方法 | |
CN116703182B (zh) | 一种基于大数据的数字化乡村建设综合服务系统 | |
CN106844642A (zh) | 一种基于gis计算路网网格中人口密度的方法 | |
CN117291000A (zh) | 一种国土空间规划大数据分析辅助模型 | |
Guo et al. | Evaluation of the perception and experience of rural natural landscape among youth groups: An empirical analysis from three villages around Hefei | |
Maikhuri et al. | Does the outreach programme make an impact? A case study of medicinal and aromatic plant cultivation in Uttaranchal | |
Phoksawat et al. | Knowledge and integrated data management model for personalized intercropping in rubber plantation. | |
CN114863272A (zh) | 一种确定城市植被对城市综合活力影响强度的方法和系统 | |
Phoksawat et al. | Intercropping in Rubber Plantation Ontology for a Decision Support System. | |
Villanueva et al. | Assessment of neighborhood and spillover effects on technical efficiency of irrigated rice farmers | |
CN109815374A (zh) | 低压配电网台区名称相似性匹配方法及匹配系统 | |
Podstawka et al. | Assessment of the level of economic and social development of regions using the Hellwig taxonomic development measure |
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 |