CN116882780A - 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 - Google Patents
一种基于景观图片的乡村空间要素提取与地方性分类规划方法 Download PDFInfo
- Publication number
- CN116882780A CN116882780A CN202310817426.5A CN202310817426A CN116882780A CN 116882780 A CN116882780 A CN 116882780A CN 202310817426 A CN202310817426 A CN 202310817426A CN 116882780 A CN116882780 A CN 116882780A
- Authority
- CN
- China
- Prior art keywords
- rural
- type
- locality
- local
- 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 58
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 230000005012 migration Effects 0.000 claims abstract description 37
- 238000013508 migration Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000011160 research Methods 0.000 claims abstract description 10
- 230000001276 controlling effect Effects 0.000 claims abstract description 6
- 230000001105 regulatory effect Effects 0.000 claims abstract description 6
- 238000000844 transformation Methods 0.000 claims abstract 2
- 230000009257 reactivity Effects 0.000 claims description 58
- 238000011161 development Methods 0.000 claims description 24
- 230000018109 developmental process Effects 0.000 claims description 24
- 238000007477 logistic regression Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000002688 persistence Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001737 promoting effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000008929 regeneration Effects 0.000 claims description 4
- 238000011069 regeneration method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 230000001617 migratory effect Effects 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 19
- 238000007726 management method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 17
- 241000233855 Orchidaceae Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000009313 farming Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009342 intercropping Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000006225 natural substrate Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 235000010678 Paulownia tomentosa Nutrition 0.000 description 2
- 240000002834 Paulownia tomentosa Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- ALSTYHKOOCGGFT-KTKRTIGZSA-N (9Z)-octadecen-1-ol Chemical compound CCCCCCCC\C=C/CCCCCCCCO ALSTYHKOOCGGFT-KTKRTIGZSA-N 0.000 description 1
- 239000005995 Aluminium silicate Substances 0.000 description 1
- 241000228347 Monascus <ascomycete fungus> Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 235000012211 aluminium silicate Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于景观图片的乡村空间要素提取与地方性分类规划方法,基于研究范围内的取样点获取乡村景观图片来提取乡村空间要素,进行自由节点和树状节点编码,对应乡村二级、一级空间要素,再根据7类一级空间要素将乡村地方性归类为原生型、拼贴型和迁移型,将乡村地方性类型与各影响因素之间构建二元逻辑斯蒂回归模型,分析不同因素对三种地方性转化的关联关系。通过对影响因素的调控,实现不同类型乡村地方性的规划引导,获得乡村地方性分类的规划方案,促进乡村的特色性、宜居性与可持续性营建,为乡村的地方性规划建设和管控提供科学依据。
Description
技术领域
本发明涉及信息技术、城乡规划、土地管理等技术领域,尤其涉及一种基于景观图片的乡村空间要素提取与地方性分类规划方法。
背景技术
乡村是具有自然、社会、经济特征的地域综合体,兼具生产、生活、生态、文化等多重功能,与城镇互促互进。对于乡村来说,不同的生态资源禀赋以及人们的生活习性会形成具有不同地方性的乡村景观,乡村景观也是地域文化影响下的空间产物,体现出不同地域的特色性以及差异性。对于乡村景观来说,乡村景观是乡村空间的复合体,反映村庄所在区域的地理特征,以及村庄历史发展过程中所积累形成的地域文化,同时也是乡村活动的历史记录以及文化传承的载体。
因此,亟需通过规划建设手段,有效提取乡村地方性空间要素,有序引导乡村保留地方性的文化特色空间符号,尊重不同乡村由于历史发展而形成的地方性技术和文化特色差异,注重小区域和谐统一,跨区域各尽特色。同时,乡村规划建设也要适应乡村的现代发展需求,注意结合各乡村自然资源、乡土特色、传统美食等地方性资源,按照地方性进行分类引导,既要保留乡村原有的生态本底,又要改善提高村民的生活环境质量,这样才能科学精准规划美丽乡村建设,营造宜居宜业宜游的人居环境,走出特色化的乡村建设之路。
在乡村空间要素的提取方法方面,得益于遥感影像技术和计算机技术的成熟,乡村空间要素提取方法从传统的田野调查、半结构化访谈、地方志等定性研究方法发展到目前的定量分析方法,包括景观格局指数研究、遥感图像解译结合机器学习等方法。目前,对于乡村空间要素的提取方法大多从不同尺度区域,分析乡村景观现状、演变过程以及预测未来发展规律,为未来规划决策提供支持。通常采用的方法分为3类:(1)基于自然地理数据的乡村空间要素提取方法:该类方法从景观生态学理论出发,将乡村的不同土地利用类型识别为具有空间异质性的空间“斑块”或者是具有连通性的空间“廊道”,可以反映出不同要素的空间关联;(2)基于地方性文化知识的乡村空间要素提取方法:该类方法是建立在对地方性景观充分认知的基础上,包括有形的物质空间的文化遗存和无形的文化知识,如乡村的物质文化遗产和非物质文化遗产等;(3)基于综合指标体系的乡村空间要素提取方法:该类方法是通过主观调查与客观特征对乡村空间要素开展调查,例如英国景观特征评估指南(LCA)包括自然风景、娱乐机会、相关设施、景观质量、风景质量、景观价值、稀有度、历史性等综合指标体系。
随着3S技术的发展,遥感图像结合GIS的地理空间分析可以被运用于乡村空间要素特征识别和分类中。相比于卫星图像,无人机航拍图像能够以较低的拍摄成本和较高的灵活性获取高分辨率的照片,由于无人机航拍图像的俯视视角这一独特优势,使得其捕捉到的图像能够包含丰富的场景信息,应用于乡村地方性空间要素的识别提取具备一定的可行性。对于乡村地方性分类方法,传统方法大多采用的是内容分析法,即对地方性内容进行编码,这种方法依赖于具有一定主观性的人工分类。随着人工智能以及数据挖掘技术的进步,深度学习技术能够客观识别海量信息内容,通过传统人工分类生成训练集,采用机器学习技术对乡村空间要素的地方性进行分类,并将识别结果进行优化以提高模型的准确度。
总体来说,目前乡村空间要素提取和地方性分类规划方法需要解决的问题有:高精度数据获取、海量数据整理编码、问卷调查等途径的主观性过强、对象仅适用于部分乡村地区、难以精细到乡村微观尺度、乡村要素提取难以突出乡村景观特色等。目前,众多方法主要关注自然或人文单一维度的空间要素,或是传统的地理信息数据,或是以田野调查为主,难以客观标准化。这就需要一种技术方法结合海量大数据、无人机影像与地理空间分析技术,通过客观的一套定量化分析手段,以自然基底与社会人文为背景提取乡村空间要素,并对乡村景观的地方性类型进行划分,侧重于方法的普适性、乡村空间的特质性以及地方特色的辨识性。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供了一种基于景观图片的乡村空间要素提取与地方性分类规划方法,解决了规划方法主观性强、乡村高精度数据获取困难、地方特色要素难以提取、村庄发展特征难以全面反映、方法不具有通用价值等诸多问题,有利于归纳乡村空间的地方性特色空间要素,可根据提取的空间要素对我国众多乡村的转型发展提供分类引导,对促进提高乡村的特色性、宜居性与可持续性营建发挥重要作用,为乡村的地方性规划建设和管控提供科学依据。
本发明具体采用以下技术方案解决上述技术问题:
一种基于景观图片的乡村空间要素提取与地方性分类规划方法,包括以下步骤:
步骤1.设置研究范围内的乡村景观图片取样点,基于取样点的景观图片提取乡村空间要素,对乡村空间要素进行自由节点和树状节点编码,即对应乡村二级、一级空间要素进行编码,并分别统计不同乡村的空间要素频率;
步骤2.根据步骤1提取的乡村一级空间要素,从地方性角度对乡村一级空间要素进行重分类,进一步将乡村地方性归类为原生型地方性、拼贴型地方性和迁移型地方性;
步骤3.根据步骤2对乡村三种地方性的分类结果,分析不同因素对三种地方性的关联关系,构建二元逻辑斯蒂回归模型,计算乡村从原生型地方性转化为拼贴型地方性和迁移型地方性的影响因素的回归系数和优势比数值;
步骤4.综合步骤2得到的三种乡村地方性类型和步骤3得到的影响因素的回归系数和优势比数值,通过对正向和负向影响因素的调控,以实现对不同类型乡村地方性转化的规划引导,促进乡村原生型地方性的维系保持,拼贴型地方性的有序重构和迁移型地方性的再生提升,由此获得乡村地方性分类的规划方案。
进一步地,所述步骤1包括:
步骤1.1.确定取样点:将研究区域设置为一定宽度的渔网网格单元,每个渔网网格单元的中心即取样点,渔网网格单元宽度的设定要求所有乡村都有取样点,且邻近取样点之间特征值有明显变化。具体做法可以是,按照100m~1000m每隔100m设置不同宽度的渔网网格单元,每个渔网网格单元的中心则是取样点,导入到地理信息系统平台中作为空间参照。当渔网单元宽度过大时,取样点较少,面积较小的乡村无取样点,导致数据缺失;当渔网单元宽度过小时,取样点较多,相当一部分邻近的两个取样点间特征值一致,无明显变化。因此,选择合适宽度如500m为渔网网格单元宽度,取样点按照间隔500m的方式设置,剔除掉不在研究区域的取样点,仅保留属于乡村区域的取样点,研究区域共包含n个取样点。
步骤1.2.取样点的图像信息编码:首先,综合考虑气候、温度、地形、光照等自然因素,以行政村为单元,获取高精度清晰的乡村无人机航拍景观图片数据;其次,在n个取样点中随机挑选m个取样点,m小于n,将m个取样点的高精度无人机航拍乡村景观图片数据作为训练数据集,通过人工对空间要素范围和标签进行语义标注的形式,将无人机航拍乡村景观图片内的信息转换成乡村空间要素的最小信息单元;再次,使用基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库开源计算机视觉库(Open SourceComputer Vision Library,OpenCV),采用分水岭算法进行无人机航拍乡村景观图片的语义分割处理,提取图像中包含的全部空间要素;最后,再经过多次迭代计算,确保图像识别准确率达到95%以上,较精确地提取图像中的民居建筑、耕地、林地、工厂、各类场所等各类乡村空间要素,再将乡村景观图片导入到NVivo软件中进行开放式编码,乡村空间要素按照树状节点和自由节点进行轴心式编码,其中树状节点代表乡村一级空间要素,自由节点代表乡村二级空间要素。所述乡村一级空间要素包括以下7类:自然风光类、日常生活类、现代风貌类、传统农业类、商旅设施类、工业设施类、基建设施类。每一类一级空间要素包括多种二级空间要素。以下为本发明实施例中树状节点和自由节点的编码分类方式:
(1)自然风光类要素作为1号树状节点,包括11号黄河滩区、12号林地景观和13号坑塘沟渠3个自由节点,主要指乡村景观图片中黄河滩区、林地、沟渠水系和坑塘等空间要素;(2)日常生活类要素作为2号树状节点,包括21号传统民居、22号闲置土地和23号农家菜地3个自由节点,主要指乡村景观图片中当地具有传统特色的民居(包括经过修缮的旧宅)、无人居住的宅基地或是废弃的院落或自家的栽种菜地;(3)现代风貌类要素作为3号树状节点,包括31号新式楼房、32号硬质广场、33号城镇社区和34号新农村社区4个自由节点,主要指乡村景观图片中居民新建的洋房、修建的硬质道路以及政府统一规划建设的新式农村社区;(4)传统农业类要素作为4号树状节点,包括41号农作耕地、42号蔬菜大棚和43号农桐间作3个自由节点,主要指乡村景观图片中传统农业为主导的景观要素,包括当地特殊的农桐混合种植;(5)商旅设施类要素作为5号树状节点,包括51号服务设施、52号店铺超市、53号集散广场和54号游憩观光4个自由节点,主要指乡村景观图片中旅游服务设施、本地经营场所、集散广场或者是游憩观光场所;(6)工业设施类要素作为6号树状节点,包括61号工厂厂房、62号农场养殖、63号加油站和64号公司企业4个自由节点,主要指乡村景观图片中以第二产业为主导的设施,包括厂房、公司企业等;(7)基建设施类要素作为7号树状节点,包括71号风电设施、72号高速公路、73号办公场所和74号教育场所4个自由节点,主要指乡村景观图片中政府投资的基础设施建设,包括风力发电、高速公路等。
步骤1.3.统计乡村空间要素的自由节点和树状节点的频率:根据步骤1.2中对n个取样点乡村景观图片的节点编码,以乡村行政边界为统计范围,统计各乡村不同二级空间要素的频率,计算公式如下:
式(1)中,Pil为第i个乡村所有k个取样点第l类自由节点的频率;k为第i个乡村取样点的总数;Silq为第i个乡村第q个取样点第l类自由节点的图像面积占比(%)。选择第i个乡村所有自由节点中频率最高的类型,作为第i个乡村的主要空间要素类型,将其进行标记。再按照各乡村主要空间要素类型,即频率最高的自由节点进行树状节点的汇总统计,统计7类树状节点频率,计算公式如下:
式(2)中,Sir为第i个乡村第r类树状节点的频率;r′为第i个乡村第r类树状节点包含的自由节点l的类型数目;Pil为第i个乡村第l类自由节点的频率。乡村树状节点、自由节点的频率即分别为乡村一级、二级空间要素的频率。
进一步地,所述步骤2包括:
步骤2.1.基于地方性的乡村一级空间要素重分类:将步骤1的7类乡村一级空间要素,即7类树状节点,按照地方性的稳定性、地方性的延续发展性和非地方性三个方面,进行重分类,分别对应为自然风光型、传统存续型和现代更新型。划分规则如下:自然风光型包括自然风光类要素;传统存续型包括日常生活类要素和传统农业类要素;现代更新型包括现代风貌类要素、商旅设施类要素、工业设施类要素和基建设施类要素。自然风光型往往持久地存在于乡村空间中,短期内不会发生较大变化,是当地乡村地方性表征的稳定性空间要素;传统存续型代表乡村地方性的传统特色,最大限度保留乡村地域的民居特色以及耕作传统,是当地乡村地方性表征的延续发展性空间要素;现代更新型是指在城镇化的影响下,乡村空间部分呈现出现代化、城镇化发展的特征,展现出当地乡村非地方性的空间要素发展模式。
步骤2.2.计算地方性乡村空间要素的反应度:统计每个乡村内的三种地方性乡村空间要素(自然风光型、传统存续型和现代更新型)的频率,即地方性乡村空间要素的反应度,相关公式如下:
FYDa=∑na (3)
式中,FYDa为第a种地方性乡村空间要素的反应度;na为乡村一级空间要素属于第a种地方性乡村空间要素的累计频率;三种地方性乡村空间要素的反应度之和为1。
步骤2.3.基于地方性乡村空间要素反应度的地方性分类:基于步骤2.2中三种地方性乡村空间要素反应度的计算结果,通过自然断点法,将反应度由高到低分成3类:H代表高反应度、M代表中反应度、L代表低反应度。并通过三种地方性乡村空间要素反应度高中低的组合方式作为判断地方性类型的依据,乡村空间要素按照自然风光型、传统存续型和现代更新型的顺序进行编码,如HML型乡村的特征包括:高反应度(H)的自然风光型空间要素、中反应度(M)的传统存续型空间要素和低反应度(L)的现代更新型空间要素。根据公式(4),由于三种地方性乡村空间要素反应度之和为1,因此不包括HHH型、LLL型、HMH型、MHH型、HHM型、HHM型、HMH型和MHH型这8种类型,仅存在19种类型,具体分类方式如下:
(1)原生型地方性:HLL型、LHL型、MML型、HML型、MHL型、HHL型、MLL型和LML型,即为现代更新型的乡村空间要素属于低反应度(L)。原生型地方性较多保留了乡村的自然基底,以耕地为主,或发展现代高效农业、生态农业等;(2)拼贴型地方性:MLM型、LMM型、HLM型、LHM型、LHH型、MMM型和LLM型,即为现代更新型的乡村空间要素属于中反应度(M),或传统存续型和现代更新型的乡村空间要素均属于高反应度(H)。拼贴型地方性以位于城郊地区的乡村为代表,保留一定耕地,乡村往往发展不同类型的工业、旅游业等;(3)迁移型地方性:LLH型、MLH型、LMH型和HLH型,即为现代更新型的乡村空间要素属于高反应度(H),传统存续型的乡村空间要素属于中反应度或低反应度(M/L)。迁移型地方性是以新农村社区的联排别墅为代表,路面多为硬质铺装,呈现出现代化的面貌。
进一步地,所述步骤3包括:
步骤3.1.确定影响乡村地方性的因素指标:选择自然环境因子、经济发展因子、社会人文资本因子、土地利用因子和政策支持因子5类因素指标,将其作为自变量,导入到SPSS软件(社会科学统计软件包)中,建立多元线性回归模型,运用方差膨胀系数(VIF)诊断法对所有因素指标进行多重共线性检验,计算公式如下:
式中,VIFi为第i个自变量的方差膨胀系数;为第i个自变量与其余自变量做回归分析的判定系数。方差膨胀系数VIFi越大,说明自变量之间存在共线性的可能性越大。反之,若第i个自变量与其余自变量之间相关程度很低,VIFi就接近于1。一般来讲,如果方差膨胀因子超过5,则回归模型存在多重共线性。因此,仅选择方差膨胀系数不高于5的自变量作为影响乡村地方性的因素指标。
步骤3.2.构建乡村地方性转化与影响因素关联的二元逻辑斯蒂回归模型:选择步骤3.1中不存在共线性的乡村地方性影响因素指标作为自变量,因为三种地方性乡村空间要素的反应度之和为1,因此将拼贴型地方性和迁移型地方性乡村空间要素的反应度之和作为概率P(Y=1),将原生型地方性乡村空间要素的反应度作为概率(1-P),即概率P(Y=0)。将概率P(Y=1)和P(Y=0)作为因变量,由此建立与自变量之间的二项逻辑斯蒂回归模型,见公式(6)~(8)。
公式(6)~(8)经过数学变换推导出公式(9),那么原生型地方性乡村空间要素转化为拼贴型地方性和迁移型地方性的乡村空间要素发生的几率为即为乡村空间要素转化为拼贴型和迁移型地方性发生的概率与未转化保持原生型地方性发生的概率的比值。将拼贴型和迁移型两种地方性的乡村空间要素反应度与原生型地方性的乡村空间要素反应度之比的自然对数作为因变量,将乡村地方性影响因素作为自变量,由此构建二项逻辑斯蒂回归模型,衡量乡村空间要素由原生型地方性转化为拼贴型和迁移型地方性的影响因素及其影响程度,计算公式如下:
z=α0+α1x1+α2x2+…αnxn (8)
式中,z为乡村地方性的影响因素指标,即自变量x1,x2,…xn的线性函数;α0,α1,α2,…,αn为各个自变量的回归系数。公式(9)是对公式(6)和公式(7)中的P(Y=1)和P(Y=0)进行逻辑离散选择模型变换(Logit变换)。用极大似然估计法可以求得模型的参数估计系数α0,α1,α2,…,αn。在逻辑回归过程中,选用“WALD向前”方法进行自变量选择。计算每个影响因素指标的回归系数、标准误差等信息。
在二元逻辑斯蒂回归模型中,Exp(B)为自变量的优势比,即回归系数的指数次方,是用来反映自变量在回归方程中的重要程度,也称为效果值,实际意义是自变量每增加或减少一个单位时,乡村发生地方性类型转化的比值也对应增减一个单位。Exp(B)大于1则乡村发生地方性类型转化的比值增加,反之Exp(B)小于1则为减少,当Exp(B)为1时表明乡村不会发生地方性类型转化。选择通过0.05显著性水平检验,即显著性小于0.05的自变量,根据回归系数为正值或是负值,正值代表正向相关关系,负值代表负向相关关系。进一步,分析各个自变量的优势比,由此得到乡村发生地方性转化的因素影响程度。
根据模型回归系数和优势比数值结果,对正向和负向影响因素进行调控,以实现对不同类型乡村地方性的规划引导,促进乡村原生型地方性的维系保持,拼贴型地方性的有序重构和迁移型地方性的再生提升。
相比现有技术,本发明技术方案具有以下有益效果:
本发明提供了一种基于景观图片的乡村空间要素提取与地方性分类规划方法,解决了规划方法主观性强、乡村高精度数据获取困难、地方特色要素难以提取、村庄发展特征难以全面反映、方法不具有通用价值等诸多问题。具体如下:
(1)本发明通过景观图片为基础提取乡村空间要素,比起传统规划技术单纯从乡村经济社会发展的客观规律出发,排除了人脑思维选择等主观因素的干扰,可以更加客观地将自然景观、日常生活、传统农业、现代风貌、商旅设施、工业设施和基建设施等多重乡村空间要素纳入对乡村地方性分类规划的考虑范畴,可根据提取的空间要素对我国众多乡村的转型发展提供分类引导,更符合规划决策经验和实际的公平性,体现了容纳现实偶然性的决策理性。
(2)本发明提出了乡村地方性分类转化的影响因素,这些影响因素都是建设乡村地方性的关键,可以通过对影响因素的正向和负向规模调控改善乡村地方性发展,该技术对促进提高乡村的特色性、宜居性与可持续性营建发挥重要作用,为乡村的地方性规划建设和管控提供科学依据。
(3)本发明运用数字技术平台对乡村地方性三种类型和影响因素进行综合分析,这种从宏观视角出发和以大量乡村景观图片数据支撑的控制技术,可以有效避免乡村规划过分关注自身而与区域空间的地方性总体脱节的局限性,从而更加科学、有效地从宏观全局视角对乡村整体空间的地方性要素进行特色挖掘与建设,在规划管理实践中具有重要参考价值。
附图说明
图1是本发明提供的一种基于景观图片的乡村空间要素提取与地方性分类规划方法的流程框图。
图2是本发明实施例的兰考县渔网网格取样点设置示意图。
图3是本发明实施例的兰考县树状节点和自由节点频率统计图。
图4是本发明实施例的兰考县三种乡村地方性类型的空间分布图。
图5是本发明实施例的兰考县各个影响乡村地方性因素指标的二元逻辑斯蒂回归模型结果。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
以下结合河南省开封市兰考县的乡村空间要素提取和地方性分类规划案例来详细地说明本发明的技术方案。
如图1所示,本发明的一种基于景观图片的乡村空间要素提取与地方性分类规划方法包括如下步骤:
步骤1.选取了兰考县范围内426个乡村的4130个取样点,通过OpenCV深度学习技术,基于4130个取样点的无人机景观图片提取出25类兰考乡村空间要素,对应于25类自由节点和7类树状节点,导入到NVivo软件中进行节点编码,统计获得426个乡村的7类空间要素频率。
步骤1.1.确定取样点:在ArcGIS软件中设置了200m、500m、800m、1000m四种宽度的渔网网格,发现当长度为800m和1000m时,面积较小的村子无取样点,而间隔长度为200m时,取样点数量过多,且相当一部分的邻近两点无明显变化。因此设置500m宽度的渔网网格,提取渔网网格中心,共有4420个取样点,导入到地理信息系统平台作为空间参照。剔除掉不在兰考县范围和不属于乡村地区的取样点之后,共计4130个取样点,如图2所示。
步骤1.2.取样点的图像信息编码:首先,在4130个取样点中获得高精度清晰的乡村无人机航拍乡村景观图片数据,数据来自“全景视界”微信小程序,该程序提供的无人机影像能够基本实现对兰考县乡村的全覆盖;其次,在4130个取样点中随机选择20%的826个取样点数据作为训练数据集,将826个取样点的乡村景观图片进行要素范围划定和标签语义标注,包括黄河滩区、林地景观、坑塘沟渠、传统民居、闲置土地、农家菜地、新式楼房、硬质广场、城镇社区、新农村社区、农作耕地、蔬菜大棚、农桐间作、服务设施、店铺超市、集散广场、游憩观光、工厂厂房、农场养殖、加油站、公司企业、风电设施、高速公路、办公场所和教育场所;再次,基于OpenCV采用分水岭算法对剩余80%乡村景观图片做语义分割处理,经过多次参数调整和人工修改,确保所有乡村景观图片识别准确率达到95%以上;最后,再将乡村景观图片和图片标签导入到NVivo软件中进行开放式编码,乡村图片的语义标签即为25类自由节点名称,按照7类树状节点和25类自由节点的对应关系进行轴心式编码,以下为树状节点和自由节点的编码对应方式:
(1)自然风光类要素作为1号树状节点,包括11号黄河滩区、12号林地景观和13号坑塘沟渠3个自由节点;(2)日常生活类要素作为2号树状节点,包括21号传统民居、22号闲置土地和23号农家菜地3个自由节点;(3)现代风貌类要素作为3号树状节点,包括31号新式楼房、32号硬质广场、33号城镇社区和34号新农村社区4个自由节点;(4)传统农业类要素作为4号树状节点,包括41号农作耕地、42号蔬菜大棚和43号农桐间作3个自由节点;(5)商旅设施类要素作为5号树状节点,包括51号服务设施、52号店铺超市、53号集散广场和54号游憩观光4个自由节点;(6)工业设施类要素作为6号树状节点,包括61号工厂厂房、62号农场养殖、63号加油站和64号公司企业4个自由节点;(7)基建设施类要素作为7号树状节点,包括71号风电设施、72号高速公路、73号办公场所和74号教育场所4个自由节点。
步骤1.3.统计兰考县乡村空间要素的自由节点和树状节点的频率,即乡村二级、一级空间要素的频率:根据步骤1.2中对4130个取样点乡村景观图片的节点编码,以426个乡村行政边界为统计范围,统计各乡村不同空间要素的频率,如图3所示。在7类树状节点中,自然景观、日常生活、传统农业三类树状节点占据全部树状节点数量的88.23%,而现代风貌、商旅设施、工业设施以及基础设施总计占比仅为11.77%。在25类自由节点中,农作耕地占比49.2%,其次是传统民居和林地景观占比分别为11.62%、10.8%。从树状节点和自由节点的关系来看(见图3),自然风光类要素中林地景观及坑塘沟渠的占比较大;日常生活类要素中传统民居占比最大;新式楼房在现代风貌类要素中占比最大;农作耕地在传统农业类要素中占据绝对数量优势;工厂厂房在工业设施类要素中占比最大。
步骤2.根据步骤1提取的兰考县7类一级乡村空间要素,从地方性角度对乡村空间要素进行重分类,进一步将兰考县乡村地方性归类为原生型地方性、拼贴型地方性和迁移型地方性。
步骤2.1.基于地方性的兰考县乡村空间要素重分类:将步骤1.3的7类乡村一级空间要素,即7类树状节点,按照地方性的稳定性、地方性的延续发展性和非地方性三个方面,进行重分类,分别对应为自然风光型、传统存续型和现代更新型。自然风光型包括自然风光空间要素;传统存续型包括日常生活空间要素和传统农业空间要素;现代更新型包括现代风貌空间要素、商旅设施空间要素、工业设施空间要素和基建设施空间要素。
步骤2.2.计算三种地方性乡村空间要素的反应度:兰考县自然风光型乡村空间要素的反应度为18.16%,传统存续型乡村空间要素的反应度为19.4%,现代更新型乡村空间要素的反应度为62.44%。
步骤2.3.基于三种地方性乡村空间要素反应度的地方性分类:根据步骤2.2,对自然风光型、传统存续型和现代更新型乡村空间要素的反应度进行自然断点法分段,将每种类型的地方性乡村空间要素反应度由高到低分成3类:H代表高反应度、M代表中反应度、L代表低反应度。其中,自然风光型乡村空间要素的反应度:0<L<0.158、0.159<M<0.429、0.43<H<0.941;传统存续型乡村空间要素的反应度:0<L<0.444、0.445<M<0.769、0.77<H<1;现代更新型乡村空间要素的反应度:0<L<0.125、0.126<M<0.444、0.445<H<1。乡村空间要素按照自然风光型、传统存续型和现代更新型的顺序进行编码,如HML型乡村为自然风光型空间要素高反应度,传统存续型空间要素中反应度,现代更新型空间要素低反应度的乡村。具体分类方式如下:(1)原生型地方性:HLL型、LHL型、MML型、HML型、MHL型、HHL型、LML型和MLL型;(2)拼贴型地方性:MLM型、LMM型、HLM型、LHM型、LHH型、MMM型和LLM型;(3)迁移型地方性:LLH型、MLH型、LMH型和HLH型。在此基础上,结合兰考县乡村地方性分类,在空间上分布如图4所示。经统计兰考县有234个原生型地方性村庄、173个拼贴型地方性村庄、19个迁移型地方性村庄。
步骤3.根据步骤2获得的234个原生型地方性村庄、173个拼贴型地方性村庄、19个迁移型地方性村庄,分析自然环境因子、经济发展因子、社会人文资本因子、土地利用因子和政策支持因子对三种地方性的关联关系,获得乡村地方性转化的主要影响因素,由此构建地理加权的二元逻辑斯蒂回归模型。
步骤3.1.确定影响乡村地方性的因素指标,进行共线性检验:选择高程、与河流水系距离、植被覆盖度、与国道距离、与省道距离、与乡道距离、距文化遗存距离、劳动力人口数、老龄化人口数、人口总数、人口密度、人口跨省流动数、人口县内流动数、人口就近流动数、耕地面积、建设用地占比、劳动力培养水平、小额贷款金额等19个因素指标,将其作为自变量,导入到SPSS软件中,建立多元线性回归模型,运用方差膨胀系数(VIF)诊断法对所有因素指标进行多重共线性检验,通过模型分析,19个变量的方差膨胀因子均不超过5,说明数据之间不存在较强的共线性。
步骤3.2.结合步骤3.1中的自变量与乡村地方性转化的因变量,构建二元逻辑斯蒂回归模型:将乡村拼贴型地方性和迁移型地方性的反应度之和(Y=1)作为概率45.07%,将乡村原生型地方性的反应度(Y=0)作为概率54.93%,由此构建二元逻辑斯蒂回归模型。经过霍斯莫-莱梅肖拟合优度检验,显著性大于0.05,可以拒绝原假设,说明结果显著。通过对预测结果进行分析,发现逻辑回归模型预测原生型地方性乡村的准确率能够达到70%。从二元逻辑斯蒂回归结果显示,与河流水系距离、植被覆盖度、与国道距离、劳动力人口数、距文化遗存距离、人口就近流动数、小额贷款金额共7个因素会对乡村地方性转化产生影响,并且显著性均小于0.05,说明具有一定的解释力度。其中带负号说明对于乡村地方性转化起负向作用。进一步,分析7个自变量的优势比数值,由此得到兰考县乡村地方性转化的因素影响程度,见图5。
根据模型自变量的优势比数值,得到如下分析结论:1)与河流水系距离每增加一个单位,地方性转化的概率增加1.001倍,说明距离河流越近,保持原生型地方性的概率越高;2)植被覆盖度每增加一个单位,地方性转化的概率减少0.927倍,说明植被覆盖度越高,保持原生型地方性的概率越高;3)与国道距离每增加一个单位,地方性转化的概率减少1.001倍,说明距国道越近,原生型地方性转化为拼贴型和迁移型地方性的概率越高;4)劳动力人口数每增加一个单位,地方性转化的概率增加155.319倍,说明劳动力数量基数越大,原生型地方性转化为拼贴型和迁移型地方性的概率越高;5)与文化遗存距离每增加一个单位,地方性转化的概率减少1.005倍,说明距离文物遗产越近,原生型地方性转化为拼贴型和迁移型地方性的概率越高;6)人口就近流动数每增加一个单位,地方性转化的概率减少0.999倍,说明就近流动距离越近,地方性分化为拼贴型的概率越高;7)小额贷款金额每增加一个单位,地方性转换的概率增加1.000倍,说明小额贷款越高,原生型地方性转化为拼贴型和迁移型地方性的概率越高。
根据模型自变量的回归系数,得到如下分析结论:(1)与河流水系距离与原生型地方性呈现出正相关性,并且对兰考县东部地区(南彰镇、许河乡、考城镇、小宋乡)乡村的作用强度更高,而靠近黄河一侧的东坝头乡、三义寨乡的估计系数不明显。由此可知相比于灌溉沟渠,黄河对于兰考县乡村地方性干扰更剧烈;(2)植被覆盖度与原生型地方性呈现出正相关性,并且在兰考县东部地区(许河乡、考城镇)乡村的作用强度更高;(3)从全县境内来看,国道均与拼贴型地方性呈现出正相关性,特别是在谷营镇、固阳镇、孟寨乡地区的作用强度更高;(4)与文化遗存距离与拼贴型地方性和迁移型地方性呈现出负相关性,说明距文化遗产越近,越有可能转换为拼贴型地方性和迁移型地方性。在小宋乡、孟寨乡、考城镇以及许河乡地区,文化遗产对地方性转化的作用强度更高;(5)劳动力人口数与拼贴型地方性和迁移型地方性呈现出正相关性,在靠近县城中心的三义寨乡、桐乡街道、兰阳街道的作用强度更高,青壮劳动力呈现出向城镇中心转移的趋势;(6)人口就近流动数与拼贴型地方性和迁移型地方性呈现出正相关性,在三义寨乡、东坝头镇、固阳镇地区的作用强度更高。
步骤4.综合步骤2得到的兰考县乡村地方性三种类型,步骤3得到的7个影响因素的优势比数值,可以对正向和负向影响因素进行调控,以实现对兰考县不同类型乡村地方性的规划引导,促进乡村原生型地方性的维系保持,拼贴型地方性的有序重构和迁移型地方性的再生提升,由此获得兰考县乡村地方性分类的规划方案,具体如下:
从兰考县的乡村地方性三种类型来看:(1)原生型地方性的乡村:重点需要整治改善和特色保护。该类乡村需要注重“修旧如旧”,有效利用乡土材料,保留当地民居特色,对不适宜居住的房屋院落进行翻新维护,重视农业资源、文化资源、自然资源的保护和挖掘利用,充分利用乡村闲置地建设文化观光点,或为景区的进一步发展预留发展空间。(2)拼贴型地方性的乡村:重点需要特色保护、集聚提升和城郊融合。该类乡村要以产业发展为主导驱动地方性转化,吸引资本要素的持续进入,但在规划中应保留原有文化资源和自然基底,在原有基础上适度扩大规模,储备居住用地,逐步吸引周边人口集聚,通过政府建设交通基础设施、村集体联合设计师等方式促进地方性的现代化更新,科学规划基础设施,满足生产生活需要。此外,需要注意位于城市郊区的拼贴型地方性乡村,应该避免乡村生产性空间被城市的商业用地以及工业用地侵占,且村落风貌与原生型地方性差异不可过大。(3)迁移型地方性的乡村:重点需要城郊融合和搬迁撤并。该类乡村大多位于生态脆弱区、敏感区、地质灾害区、河滩易淹区等地区,由于重大生态工程等原因,而进行的大规模移民,向交通便利、居住条件好的安置点搬迁。但是迁移型地方性乡村的居民面临着居住空间隔离以及社会网络关系的重新塑造,因此需要注意原生型地方性的知识积累,对民居风格建设需要采用新技术尊重原来地域文化建设,以村域特色建筑、水库及村落脉络等历史风貌为载体,重点开展保护修缮移民历史建筑工作,完整保留原有乡村民俗民风,可以适度建设移民或乡村博物馆。
从兰考县的乡村地方性7种影响因素来看:(1)水系恢复或乡土植被种植能够促进乡村原生型地方性的发展,有利于乡村特色风貌的建设;(2)现代化道路交通建设往往推动乡村地方性转化,向拼贴型和迁移型发展。以国道为代表的重大交通设施在实际建设过程中会粗暴地割裂乡村道路两侧之间的用地联系,继而造成乡村土地利用和特色肌理的破碎化;(3)提高劳动力人口数能够促进乡村地方性转化,向拼贴型和迁移型发展,但劳动力技能培训目前效果不明显。因此未来兰考县还需要继续推行劳动力技能培训,特别是随着农业劳动力变得稀缺,需要同时提高农业机械化技术;(4)文化遗存促进地方性转化,向拼贴型和迁移型发展。这也间接说明,目前原生型地方性保持比较好的兰考村落,往往文化遗产保护发展不如拼贴型地方性和迁移型地方性乡村。
以上所述为本发明的具体实施方式,但本发明的保护范围不局限于以上实施方式,对于本领域的技术人员而言,在不脱离本发明的原理和精神的情况下,对这些实施例进行变化、修改、替换、整合和变型仍落入本发明的保护范围内。
Claims (5)
1.一种基于景观图片的乡村空间要素提取与地方性分类规划方法,包括以下步骤:
1)设置研究范围内的景观图片取样点,基于取样点的景观图片提取乡村空间要素,对乡村空间要素进行自由节点和树状节点编码,即对应乡村二级、一级空间要素进行编码,并分别统计不同乡村的空间要素频率;
2)根据步骤1)提取的乡村一级空间要素,从地方性角度对乡村一级空间要素进行重分类,进一步将乡村地方性归类为原生型地方性、拼贴型地方性和迁移型地方性;
3)根据步骤2)对乡村三种地方性的分类结果,分析不同因素对三种地方性的关联关系,构建二元逻辑斯蒂回归模型,计算乡村从原生型地方性转化为拼贴型地方性和迁移型地方性的影响因素的回归系数和优势比数值;
4)综合步骤2)得到的乡村地方性三种类型和步骤3)得到的影响因素的回归系数和优势比数值,通过对正向和负向影响因素进行调控,实现对不同类型乡村地方性的规划引导,促进乡村原生型地方性的维系保持,拼贴型地方性的有序重构和迁移型地方性的再生提升,由此获得乡村地方性分类的规划方案。
2.如权利要求1所述的方法,其特征在于,所述步骤1)包括:
1.1)确定取样点:将研究区域设置为一定宽度的渔网网格单元,每个渔网网格单元的中心即取样点,渔网网格单元宽度的设定要求所有乡村都有取样点,且邻近取样点之间特征值有明显变化,剔除掉不属于乡村区域的取样点,研究区域共包含n个取样点;
1.2)取样点的图像信息编码:首先以行政村为单元,获取乡村无人机航拍景观图片数据;其次,在n个取样点中随机挑选m个取样点,m小于n,将m个取样点的无人机航拍乡村景观图片数据作为训练数据集,通过人工对空间要素范围和标签进行语义标注的形式,将无人机航拍乡村景观图片内的信息转换成乡村空间要素的最小信息单元;再次,使用开源计算机视觉库,采用分水岭算法进行无人机航拍乡村景观图片的语义分割处理;最后,经过多次迭代计算,确保图像识别准确率达到95%以上,提取图像中各类景观空间要素,再将乡村景观图片导入到NVivo软件中进行开放式编码,乡村空间要素按照树状节点和自由节点进行轴心式编码,其中树状节点代表乡村一级空间要素,自由节点代表乡村二级空间要素;
1.3)统计乡村空间要素的自由节点和树状节点的频率:根据步骤1.2)中对n个取样点乡村景观图片的节点编码,以乡村行政边界为统计范围,统计各乡村不同二级空间要素的频率,计算公式如下:
式(1)中,Pil为第i个乡村所有k个取样点第l类自由节点的频率;k为第i个乡村取样点的总数;Silq为第i个乡村第q个取样点第l类自由节点的图像面积占比;选择第i个乡村所有自由节点中频率最高的类型作为第i个乡村的主要空间要素类型,将其进行标记;再按照各乡村主要空间要素类型,即频率最高的自由节点进行树状节点的汇总统计,统计7类树状节点频率,计算公式如下:
式(2)中,Sir为第i个乡村第r类树状节点的频率;r′为第i个乡村第r类树状节点包含的自由节点l的类型数目;Pil为第i个乡村第l类自由节点的频率;乡村树状节点、自由节点的频率即分别为乡村一级、二级空间要素的频率。
3.如权利要求1所述的方法,其特征在于,步骤1.2)中所述乡村一级空间要素包括以下7类:自然风光类、日常生活类、现代风貌类、传统农业类、商旅设施类、工业设施类、基建设施类。
4.如权利要求1所述的方法,其特征在于,所述步骤2)包括:
2.1)基于地方性的乡村一级空间要素重分类:将步骤1)的乡村一级空间要素,即树状节点,按照地方性的稳定性、地方性的延续发展性和非地方性三个方面,进行重分类,分别对应为自然风光型、传统存续型和现代更新型;
2.2)计算地方性乡村空间要素的反应度:统计每个乡村内的自然风光型、传统存续型和现代更新型空间要素的频率,即这三种地方性乡村空间要素的反应度,相关公式如下:
FYDa=∑na (3)
式(3)和式(4)中,FYDa为第a种地方性乡村空间要素的反应度;na为乡村一级空间要素属于第a种地方性乡村空间要素的累计频率;三种地方性乡村空间要素的反应度之和为1;
2.3)基于地方性乡村空间要素反应度的地方性分类:基于步骤2.2)中不同乡村三种地方性乡村空间要素反应度的计算结果,通过自然断点法,将每种类型的地方性乡村空间要素反应度由高到低分成3类:H代表高反应度、M代表中反应度、L代表低反应度;并通过三种地方性乡村空间要素的组合方式作为判断地方性类型的依据,乡村空间要素按照自然风光型、传统存续型和现代更新型的顺序进行编码;将HLL型、LHL型、MML型、HML型、MHL型、HHL型、MLL型和LML型归为原生型地方性;将MLM型、LMM型、HLM型、LHM型、LHH型、MMM型和LLM型归为拼贴型地方性;将LLH型、MLH型、LMH型和HLH型归为迁移型地方性。
5.如权利要求4所述的方法,其特征在于,所述步骤3)包括:
3.1)确定影响乡村地方性的因素指标:选择自然环境因子、经济发展因子、社会人文资本因子、土地利用因子和政策支持因子5类因素指标,将其作为自变量,导入到SPSS软件中,建立多元线性回归模型,运用方差膨胀系数诊断法对所有因素指标进行多重共线性检验,计算公式如下:
式(5)中,VIFi为第i个自变量的方差膨胀系数;为第i个自变量与其余自变量做回归分析的判定系数;方差膨胀系数VIFi越大,说明自变量之间存在共线性的可能性越大;反之,若第i个自变量与其余自变量之间相关程度很低,VIFi就接近于1;选择方差膨胀系数不高于5的自变量作为影响乡村地方性的因素指标;
3.2)构建乡村地方性转化与影响因素关联的二元逻辑斯蒂回归模型:选择步骤3.1)中不存在共线性的乡村地方性影响因素指标作为自变量,将拼贴型地方性和迁移型地方性乡村空间要素的反应度之和(Y=1)作为概率P(Y=1),将原生型地方性乡村空间要素的反应度(Y=0)作为概率(1-P),即概率P(Y=0);原生型地方性乡村空间要素转化为拼贴型地方性和迁移型地方性的乡村空间要素发生的几率为P/(1-P),即为乡村空间要素转化为拼贴型和迁移型地方性发生的概率与未转化保持原生型地方性发生的概率的比值;将拼贴型和迁移型两种地方性的乡村空间要素反应度与原生型地方性的乡村空间要素反应度之比的自然对数作为因变量,将乡村地方性影响因素作为自变量,由此构建二项逻辑斯蒂回归模型,衡量乡村空间要素由原生型地方性转化为拼贴型和迁移型地方性的影响因素及其影响程度,计算公式如下:
z=α0+α1x1+α2x2+…αnxn (8)
其中,z为乡村地方性的影响因素指标,即自变量x1,x2,…xn的线性函数;α0,α1,α2,…,αn为各个自变量的回归系数;式(9)是对式(6)和式(7)中的P(Y=1)和P(Y=0)进行逻辑离散选择模型变换;用极大似然估计法求得模型的参数估计系数α0,α1,α2,…,αn;在逻辑回归过程中,选用“WALD向前”方法进行自变量选择;计算每个影响因素指标的回归系数、标准误差;
在二元逻辑斯蒂回归模型中,Exp(B)为自变量的优势比,即回归系数的指数次方,用来反映自变量在回归方程中的重要程度;Exp(B)大于1则乡村发生地方性类型转化的比值增加,反之Exp(B)小于1则为减少,当Exp(B)为1时表明乡村不会发生地方性类型转化;选择显著性小于0.05的自变量,根据回归系数为正值或是负值,正值代表正向相关关系,负值代表负向相关关系,进一步分析各个自变量的优势比,由此得到乡村发生地方性转化的因素影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817426.5A CN116882780B (zh) | 2023-07-05 | 2023-07-05 | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817426.5A CN116882780B (zh) | 2023-07-05 | 2023-07-05 | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882780A true CN116882780A (zh) | 2023-10-13 |
CN116882780B CN116882780B (zh) | 2024-04-05 |
Family
ID=88267295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310817426.5A Active CN116882780B (zh) | 2023-07-05 | 2023-07-05 | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882780B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140132795A (ko) * | 2013-05-06 | 2014-11-19 | 서울시립대학교 산학협력단 | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 |
CN110288209A (zh) * | 2019-06-11 | 2019-09-27 | 北京师范大学 | 水资源配置方法、装置、电子设备及存储介质 |
CN110458244A (zh) * | 2019-08-20 | 2019-11-15 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
CN111754135A (zh) * | 2020-06-30 | 2020-10-09 | 四川省国土整治中心 | 一种应用于乡村规划的区域发展指数计算方法 |
CN114943377A (zh) * | 2022-05-24 | 2022-08-26 | 南京航空航天大学 | 一种村镇空间形态与格局演变识别方法 |
-
2023
- 2023-07-05 CN CN202310817426.5A patent/CN116882780B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140132795A (ko) * | 2013-05-06 | 2014-11-19 | 서울시립대학교 산학협력단 | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 |
CN110288209A (zh) * | 2019-06-11 | 2019-09-27 | 北京师范大学 | 水资源配置方法、装置、电子设备及存储介质 |
CN110458244A (zh) * | 2019-08-20 | 2019-11-15 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
CN111754135A (zh) * | 2020-06-30 | 2020-10-09 | 四川省国土整治中心 | 一种应用于乡村规划的区域发展指数计算方法 |
CN114943377A (zh) * | 2022-05-24 | 2022-08-26 | 南京航空航天大学 | 一种村镇空间形态与格局演变识别方法 |
Non-Patent Citations (9)
Title |
---|
FANG WANG: "A study on native and constructed localities in the modern adaptation of villages", HABITAT INTERNATIONAL, 23 June 2023 (2023-06-23) * |
FANG WANG: "what makes a place special?research on the locality of cities in the yellow river and thine river basins based on street view images", INDOOR AND BUILT ENVIRONMENT, 25 March 2021 (2021-03-25) * |
储德平;伍骏骞;卫龙宝;: "区域分异视角下农村居民迁移意愿及影响因素――基于浙、川、豫3省1325个农户的实证分析", 福建师范大学学报(自然科学版), no. 02, 20 March 2017 (2017-03-20) * |
刘宛: "公众参与城市设计", 建筑学报, no. 05, 20 May 2004 (2004-05-20) * |
汪芳;徐璐;孙瑞敏;: "村庄规划的地方性构建与乡村旅游研究――以第一批全国规划示范村庄为例", 住区, no. 05, 28 October 2016 (2016-10-28) * |
汪芳;方勤;袁广阔;张昌平;王立新: "流域文明与宜居城乡高质量发展", 地理研究, 10 April 2023 (2023-04-10) * |
汪芳;章佳茵;卞辰龙;王舜奕: "生态适应中乡村地方性景观的分化重构与机制分析", 中国园林, 10 April 2023 (2023-04-10) * |
汪芳;薛鹏程;刘钊;吴莹: "变化中的适应还是适应中的变化?传统村落政策对区域景观系统适应性的影响研究", 中国园林, 10 October 2021 (2021-10-10) * |
王介勇;刘彦随;陈玉福;: "黄淮海平原农区农户空心村整治意愿及影响因素实证研究", 地理科学, no. 12, 15 December 2012 (2012-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN116882780B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramyar et al. | Ecosystem services mapping for green infrastructure planning–The case of Tehran | |
Kuang et al. | A 30 m resolution dataset of China's urban impervious surface area and green space, 2000–2018 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
Wang et al. | A systematic method to develop three dimensional geometry models of buildings for urban building energy modeling | |
Tian et al. | Suburban identification based on multi-source data and landscape analysis of its construction land: A case study of Jiangsu Province, China | |
CN116822798B (zh) | 一种用于城乡风貌特色塑造的区域地方性度量方法 | |
Padmanaban | Integrating of urban growth modelling and utility management system using spatio temporal data mining | |
CN116882780B (zh) | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 | |
CN116486031A (zh) | 时序遥感数据与地理大数据融合的城市更新区域识别方法 | |
Subasinghe et al. | Neighborhood dynamics of urban expansion based on morphological spatial pattern analysis and geospatial techniques: a case study of the Colombo metropolitan area, Sri Lanka | |
Li et al. | Reconstruction of traditional village spatial texture based on parametric analysis | |
Buzai et al. | Identification of potential areas of land-use conflict in the Lujan river basin, Argentina | |
CN112836181B (zh) | 一种基于夜光遥感影像的河流光污染指数提取方法 | |
Linares et al. | Application of remote sensing and cellular automata model to analyze and simulate urban density changes | |
Hu et al. | Harnessing multiple data sources and emerging technologies for comprehensive urban green space evaluation | |
LOTFIAN | Urban climate modeling: case study of Milan city | |
Hu et al. | Toward a better understanding of urban sprawl: Linking spatial metrics and landscape networks dynamics | |
Zhao et al. | Mapping urban land type with multi-source geospatial big data: a case study of Shenzhen, China | |
Shao | Baselining UBC Vancouver Campus Urban Forest and Land Use: Developing and Validating Up-to-date Tree Inventory and Land Classification Map of the UBC Vancouver Campus | |
Chi et al. | Coastal urban climate resilience planning in Quy Nhon, Vietnam | |
CN117079124B (zh) | 一种基于社群差异化的城乡景观意象量化及提升方法 | |
Owusu | Spatio-temporal slum mapping at citywide scale using high-resolution images | |
Castro Noblejas et al. | Methodology for Identifying Urban Types: A Tool for Assessing Urban Place Attachment | |
Karami et al. | RETRACTED ARTICLE: Investigating the factors underlying cities’ physical growth: Evidence from the city of Rasht | |
Lili et al. | Planning and Design of Urban Landscape Architecture under the Background of Big Data |
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 |