CN117033536A - 一种基于gis的城市可燃物分布数据库的构建方法 - Google Patents
一种基于gis的城市可燃物分布数据库的构建方法 Download PDFInfo
- Publication number
- CN117033536A CN117033536A CN202311304099.XA CN202311304099A CN117033536A CN 117033536 A CN117033536 A CN 117033536A CN 202311304099 A CN202311304099 A CN 202311304099A CN 117033536 A CN117033536 A CN 117033536A
- Authority
- CN
- China
- Prior art keywords
- data
- combustible
- building
- type
- vector
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 230000004308 accommodation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 208000025174 PANDAS Diseases 0.000 claims description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims description 2
- 235000016496 Panda oleosa Nutrition 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 235000013305 food Nutrition 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000003337 fertilizer Substances 0.000 description 17
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于GIS的城市可燃物分布数据库的构建方法,首先基于POI数据对建筑矢量边界数据进行建筑类型分类和可燃物类型编码映射,结合建筑可燃物高度属性,得到建筑可燃物类型的矢量数据;获取土地利用类型栅格数据中的唯一值进行可燃物类型编码映射,转化土地利用类型栅格数据为矢量数据,并结合地表可燃物高度属性,得到地表可燃物类型的矢量数据;将两个矢量数据进行数据融合和合并、以及数据后处理,得到城市可燃物分布数据库。本发明结合GIS技术,充分利用地理空间数据的空间关系和地理特性,构建得到的城市可燃物分布数据库提高了城市火灾风险评估和预测的数据全面性和实时更新性,增强火灾模型在城市环境中的适应性。
Description
技术领域
本发明涉及城市火灾预防技术领域,具体是一种基于GIS的城市可燃物分布数据库的构建方法。
背景技术
目前,GIS技术(地理信息系统)在许多领域都得到了广泛的应用,但在生成城市火灾风险评估和预测方面数据库的应用还相对较少。目前,大多数火灾模型和预测系统主要存在如下问题:
1、数据不全面:现有的火灾模型和预测系统通常只使用了自然环境的数据,而忽视了城市环境的特殊性。例如城市中的建筑物分布会对火灾的扩散产生重要影响,但这些因素在现有的火灾模型中往往没有被充分考虑。
2、模型不适应:现有的火灾模型主要针对的是森林火灾或者野火,对于城市火灾的预测效果不佳。城市火灾的扩散方式和影响因素与森林火灾有很大的不同,需要专门的参数和可燃物数据库来进行预测处理。
3、缺乏实时性:现有的火灾风险评估和预测方法通常依赖于历史数据,缺乏对实时数据的利用,导致预测结果的准确性和及时性不足。
4、缺乏空间信息:在城市规划和灾害管理中,空间信息是非常重要的。然而,现有的火灾预测方法通常没有充分利用空间数据,导致评估和预测结果不够准确。
发明内容
本发明要解决的技术问题是提供一种基于GIS的城市可燃物分布数据库的构建方法,结合GIS技术,充分利用地理空间数据的空间关系和地理特性,构建城市可燃物分布数据库,构建的城市可燃物分布数据库提高了城市火灾风险评估和预测的数据全面性和实时更新性,增强火灾模型在城市环境中的适应性。
本发明的技术方案为:
一种基于GIS的城市可燃物分布数据库的构建方法,具体包括有以下步骤:
(1)、基于GIS地理信息系统,获取POI数据和建筑矢量边界数据,然后基于POI数据对建筑矢量边界数据进行建筑类型分类,并进行建筑可燃物类型编码的映射,结合建筑可燃物类型编码和建筑可燃物的高度属性,得到建筑可燃物类型的矢量数据;
(2)、获取土地利用类型栅格数据,提取土地利用类型栅格数据中的唯一值进行地表可燃物类型编码的映射,结合地表可燃物类型编码和地表可燃物的高度属性,构建地表可燃物类型的矢量数据;
(3)、将建筑可燃物类型的矢量数据和地表可燃物类型的矢量数据进行数据融合和合并,得到包含建筑可燃物类型、地表可燃物类型及其相应高度属性的城市可燃物矢量数据;
(4)、将城市可燃物矢量数据中的可燃物类型和高度属性分别转化为栅格数据,并进行波段合成和无效值剔除,得到城市可燃物分布数据库。
所述的获取POI数据和建筑矢量边界数据,然后基于POI数据对建筑矢量边界数据进行建筑类型分类的具体步骤为:
S11、获取原始POI数据:通过地图坐标拾取系统获取CSV格式的原始POI数据,原始POI数据包含POI点名称、经度、纬度、大类、小类、省份和城市七列信息;
S12、确定建筑可燃物分类标准:考虑城市建筑的火灾荷载特性,根据建筑的主要功能将建筑可燃物分为办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体以及住宅七个类型;
S13、POI数据重分类:将原始POI数据按建筑可燃物的七个类型进行剔除和归并处理,得到重分类后包含经度、纬度和类型三列信息的POI数据;
S14、读取重分类后的POI数据:使用数据分析Pandas库的 read_csv 函数来读取重分类后的POI数据,并将读取后的数据存储在DataFrame数据结构中;
S15、创建点几何对象,即将DataFrame数据转换为GeoDataFrame地理空间数据;
S16、建筑可燃物类型编码映射:将办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体以及住宅七个类型依次分配建筑可燃物类型编码为1至7,然后将GeoDataFrame地理空间数据类型列中的每个值转换为其对应的建筑可燃物类型编码,并存储到新生成的建筑可燃物类型编码列中;
S17、基于生成建筑可燃物类型编码后的GeoDataFrame输出POI点的矢量数据,保存为Shapefile格式文件;
S18、获取建筑矢量边界数据,建筑矢量边界数据包含建筑面位置、形状及高度信息,其中的高度信息存储在字段Floor_1中,转换建筑矢量边界数据的投影信息与POI点的矢量数据一致;
S19、筛选建筑矢量边界数据中的有效建筑面:判断建筑矢量边界数据中的建筑面为有效建筑面的条件为:至少存在三个以上的不相同的坐标点;不能有重叠的边或自交边;不能有重叠的点或点之间重叠的边;外环的坐标点必须按顺时针排序,内环的坐标点必须按逆时针排序;
S110、读取POI点的矢量数据,对建筑矢量边界数据中的有效建筑面按七个类型进行分类,具体是设定半径,为建筑矢量边界数据中的有效建筑面创建缓冲区,然后统计每个缓冲区内七个类型的POI点数目,取POI点数量最多的类型为该有效建筑面的类型,并将类型映射为相应的建筑可燃物类型编码,新建类型编码字段code_1并将建筑可燃物类型编码写入其中,保留建筑高度字段Floor_1,最后保存输出为建筑类型的矢量数据,建筑类型的矢量数据包括code_1和Floor_1两个属性字段。
所述的原始POI数据按建筑可燃物的七个类型进行剔除和归并处理的具体步骤为:
将原始POI数据中公司企业大类下的公司中类划分为办公楼类型;
将原始POI数据中公司企业大类下的工厂中类划分为工厂类型;
将原始POI数据中餐饮服务大类划分为餐饮类型;
将原始POI数据中汽车服务大类下的加油站中类划分为加油站类型;
将原始POI数据中住宿服务大类划分为酒店住宿类型;
将原始POI数据中购物服务大类下的商场、超级商场和综合商场中类归并为商业综合体类型;
将原始POI数据中商务住宅大类下的住宅区中类划分为住宅类型;
将原始POI数据中剩余的不属于七个类型的POI点删除。
所述的创建点几何对象的具体步骤为:在DataFrame数据结构中,根据每一行的经度和纬度信息,使用Shapely库的Point类来创建点几何对象,点几何对象的坐标由该行的经度和纬度决定,并将点几何对象存储在名为geometry的新列中;具体是通过geopandas地理信息库中的GeoDataFrame函数,将上述DataFrame转化为GeoDataFrame,GeoDataFrame构造函数见下式(1):
(1);
式(1)中,data是待转化的DataFrame数据;geometry是地理空间数据列,即为"geometry"列;crs是地理坐标系的定义,在此定义为UTM投影坐标,代码为"EPSG:32650"。
所述的建筑可燃物类型编码映射是根据字典定义,字典定义见下式(2):
(2);
式(2)中,至/>依次为办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体、住宅,/>至/>依次为1、2、3、4、5、6、7。
所述的转换建筑矢量边界数据的投影信息与POI点的矢量数据一致的具体步骤为:首先创建用于坐标转换的Transformer对象,Transformer对象包含执行源坐标系到目标坐标系转换所需的转换规则和参数,转换规则包括平移、旋转和缩放,参数包括偏移量、旋转量、缩放因子和投影参数,目标坐标系统即为UTM投影坐标,代码为EPSG:32650,最后依据转换规则和参数,将建筑矢量边界数据的源坐标系转换为目标坐标系,从而使得目标坐标系下的建筑矢量边界数据与POI点的矢量数据一致。
所述的构建地表可燃物类型的矢量数据的具体步骤为:
S21、获取土地利用类型栅格数据,提取唯一值,并定义唯一值和地表可燃物来行编码的映射关系;具体是首先提取土地利用类型栅格数据中的唯一值,Globeland30中定义的10个一级类型包括有耕地、林地、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪,依次对应10、20、30、40、50、60、70、80、90和100十个唯一值;然后进行字典定义,将十个唯一值依次分配地表可燃物类型编码为8至17,并将转换后的地表可燃物类型编码存储到新生成的地表可燃物类型编码列中;字典定义见下式(3):
(3);
式(3)中,至/>依次为10、20、30、40、50、60、70、80、90、100;至/>依次为8、9、10、11、12、13、14、15、16、17;
S22、提取每个唯一值对应的像素所构成的几何形状:初始化一个名为polygons的空列表,用来存储从土地利用类型栅格数据中提取出来的几何形状,遍历土地利用类型栅格数据中的十个唯一值,对于十个唯一值中的每个唯一值,提取与唯一值像素对应的几何形状,并将几何形状存储在polygons列表中;
S23、初始化一个空的GeoDataFrame来存储几何形状、以及几何形状对应唯一值所映射的地表可燃物类型编码,并添加高度字段,GeoDataFrame构造函数见下式(4):
(4);
式(4)中, geometry是地理空间数据列,即为存储几何形状的“polygons”列表;"code_2"为十个唯一值对应的地表可燃物类型编码,即为value;"Floor_2"为地表可燃物的高度字段,设置值为1;crs是地理坐标系的定义,在此定义为UTM投影坐标,代码为EPSG:32650;
S24、将GeoDataFrame数据保存为地表可燃物类型的矢量数据,地表可燃物类型的矢量数据包含code_2和Floor_2两个属性字段。
所述的建筑类型的矢量数据和地表类型的矢量数据进行数据融合和合并的具体步骤为:
S31、建筑可燃物类型的矢量数据中的每个有效建筑面对应一个几何对象,地表可燃物类型的矢量数据中的每个几何形状对应一个几何对象,当建筑可燃物类型的矢量数据中多个几何对象在code_1和Floor_1字段上的值都相同或地表可燃物类型的矢量数据中多个几何对象在code_2和Floor_2字段上的值都相同时,将建筑可燃物类型的矢量数据中的多个几何对象融合为一个几何对象、将地表可燃物类型的矢量数据中的多个几何对象融合为一个几何对象,从而分别得到融合后的建筑可燃物类型的矢量数据和地表可燃物类型的矢量数据;
S32、使用geopandas地理信息库中的overlay函数将融合后的建筑可燃物类型的矢量数据和地表可燃物类型的矢量数据进行合并,合并方式为union,即取两个矢量数据的并集结果,并集结果中的每个几何对象都包含了两个输入几何对象的边界并集以及它们的属性,具体为:重叠部分创建新几何对象并保留所有字段,即保留code_1、Floor_1、code_2和Floor_2字段;非重叠部分,保留输入几何对象的几何形状和属性,即仅保留code_2和Floor_2字段,其余字段为空值,或仅保留code_1和Floor_1字段,其余字段为空值;
S33、字段后处理:新建code字段代表城市可燃物类型编码,新建Floor字段代表城市可燃物高度属性,具体是首先使用code_1和Floor_1字段分别填充新建的code字段和Floor字段,当code_1和Floor_1字段为空值,则使用code_2和Floor_2字段补充空值,直至填充结束;
S34、当多个几何对象在code字段和Floor字段上的值都相同时,将多个几何对象融合为一个几何对象,将融合后的数据保存为包含建筑可燃物类型、地表可燃物类型及其相应高度属性的城市可燃物矢量数据。
所述的将城市可燃物矢量数据中的可燃物类型和高度属性分别转化为栅格数据,并进行波段合成和无效值剔除的具体步骤为:
S41、读取城市可燃物矢量数据,遍历城市可燃物矢量数据中的所有几何要素,获取最小和最大的横纵坐标值,从而得到整体边界框范围;具体是创建两个空的栅格数据,定义数据的分辨率为30m,进行宽度和高度的计算,公式见下式(5)和(6):
(5),
(6);
式(5)和(6)中,wide为栅格数据的宽度;height为栅格数据的高度;r为定义的分辨率30m;和/>为获取的最大横纵坐标值,/>和/>为获取的最小横纵坐标值;
S42、将城市可燃物矢量数据中的code字段和Floor字段分别写入两个栅格数据中,从而获得城市可燃物类型栅格数据和城市可燃物高度栅格数据,具体是遍历每个栅格数据中的每个像素,并根据每个像素中心在几何对象中的位置,以及相应的字段值来确定该像素的值,当像素中心在几何对象的内部,则根据字段值进行填充,否则填充零代表无效像素的值;
S43、根据有效数据即非零像素数据确定的最小矩形边界对城市可燃物类型栅格数据和城市可燃物高度栅格数据进行无效值剔除,具体是首先获取非零像素数据的行和列的范围,即找到第一个和最后一个包含非零像素值的行和列;
当栅格数据非矩形时,边界上仍存有零像素值,需进一步处理边界上的零像素值,定义循环操作依次检查并调整四个交点坐标,最后根据四个交点坐标确定最小矩形边界,调整四个交点坐标的具体操作如下:
当rmin行和cmin列的交点上的像素值为零,则继续向右下方移动调整;
当rmin行和cmax列的交点上的像素值为零,则继续向右上方移动调整;
当rmax行和cmin列的交点上的像素值为零,则继续向左下方移动调整;
当rmax行和cmax列的交点上的像素值为零,则继续向左上方移动调整;
其中,rmin和rmax分别为非零像素数据的最小行和最大行,cmin和cmax分别为非零像素数据的最小列和最大列;
S44、将剔除无效值后的城市可燃物类型栅格数据和城市可燃物高度栅格数据依次写入至新建的两个波段的栅格数据中,并保存输出为城市可燃物分布数据库;其中,第一波段的栅格数据中存储了城市可燃物类型的信息,第二波段的栅格数据中存储了城市可燃物的高度信息。
本发明的优点:
(1)、数据全面性:本发明利用GIS技术,结合建筑边界、POI兴趣点和Globeland30地表分类数据,创建了一个全面反映城市可燃物分布的数据库,构建的城市可燃物分布数据库覆盖了自然环境和城市环境的特性,提高了火灾模型评估和预测的准确性。
(2)、提高火灾模型的适应性:本发明构建的城市可燃物分布数据库,使得原本主要适用于森林火灾的WRF-SFIRE模型能够更好地适应和预测城市火灾,可提高火灾模型在初始化过程中的静力学稳定型和数值稳定型,可更好地调整火灾模型的参数,提高火灾模型的性能。
(3)、提高火灾模型评估和预测的实时性:本发明利用GIS技术,可以实时更新和处理空间数据,使得火灾风险评估和预测时使用到的可燃物数据具有更好的实时性,提高火灾风险评估和预测的准确性,有助于及时采取火灾防范措施。
(4)、空间信息的利用:本发明充分利用地理空间数据的空间关系和地理特性,构建城市可燃物分布数据库;依据本发明构建的城市可燃物分布数据库,使得火灾风险评估和预测结果更为精确,提高了空间信息的利用效率,有助于优化城市规划和灾害管理。
(5)、自动化处理和分类:本发明采用自动化的数据处理和分类方法,充分考虑了地理空间数据的空间关系和地理特性,提高了数据处理和分类的效率和准确性,减少了人工参与和复杂计算的需求。
附图说明
图1是本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
见图1,一种基于GIS的合肥市可燃物分布数据库的构建方法,具体包括有以下步骤:
(1)、获取合肥市的POI数据和建筑矢量边界数据,然后基于POI数据对建筑矢量边界数据进行建筑类型分类,得到合肥市的建筑类型的矢量数据;具体是:
通过高德地图API获取CSV格式的合肥市POI数据,对POI数据进行剔除和归并处理,保留办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体和住宅七个类型共103296个POI点,并将七个类型依次映射为建筑可燃物类型编码1-7,然后根据经纬度创建点几何对象,保存输出为POI点的矢量数据;
读取合肥市的建筑矢量边界数据,筛选出有效建筑面,然后为建筑矢量边界数据中的有效建筑面创建缓冲区,然后统计每个缓冲区内七个类型的POI点数目,取POI点数量最多的类型为该有效建筑面的类型,从而为每个建筑面分配类型,并将类型映射为相应的建筑可燃物类型编码,新建类型编码字段code_1并将建筑可燃物类型编码写入其中,保留建筑高度字段Floor_1,最后保存为Shapefile格式文件,命名为合肥市建筑可燃物类型的矢量数据,建筑类型的矢量数据包括code_1和Floor_1两个属性字段;
(2)、获取合肥市的土地利用类型栅格数据,提取土地利用类型栅格数据中的唯一值进行地表可燃物类型编码的映射,即将耕地、林地、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪的十个地表类型,依次映射为地表可燃物类型编码8-17;提取土地利用类型栅格数据中每个唯一值对应的像素所构成的几何形状,并映射对应的地表可燃物类型编码,同时添加高度字段,设置值为1,最后输出数据保存为合肥市地表可燃物类型的矢量数据,地表类型的矢量数据包含code_2和Floor_2两个属性字段;
(3)、将合肥市建筑可燃物类型的矢量数据和合肥市地表可燃物类型的矢量数据进行数据融合和合并,得到包含建筑可燃物类型、地表可燃物类型及其相应高度属性的合肥市可燃物矢量数据;
(4)、对合肥市可燃物矢量数据进行后处理,得到剔除无效值的合肥市可燃物类型栅格数据和合肥市可燃物高度栅格数据,并依次写入至新建的两个波段的栅格数据中,保存输出为合肥市可燃物分布数据库;其中,第一波段的栅格数据中存储了合肥市可燃物类型的信息(可燃物类型编码),第二波段的栅格数据中存储了相应的合肥市可燃物的高度信息。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:具体包括有以下步骤:
(1)、基于GIS地理信息系统,获取POI数据和建筑矢量边界数据,然后基于POI数据对建筑矢量边界数据进行建筑类型分类,并进行建筑可燃物类型编码的映射,结合建筑可燃物类型编码和建筑可燃物的高度属性,得到建筑可燃物类型的矢量数据;
(2)、获取土地利用类型栅格数据,提取土地利用类型栅格数据中的唯一值进行地表可燃物类型编码的映射,结合地表可燃物类型编码和地表可燃物的高度属性,构建地表可燃物类型的矢量数据;
(3)、将建筑可燃物类型的矢量数据和地表可燃物类型的矢量数据进行数据融合和合并,得到包含建筑可燃物类型、地表可燃物类型及其相应高度属性的城市可燃物矢量数据;
(4)、将城市可燃物矢量数据中的可燃物类型和高度属性分别转化为栅格数据,并进行波段合成和无效值剔除,得到城市可燃物分布数据库。
2.根据权利要求1所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的获取POI数据和建筑矢量边界数据,然后基于POI数据对建筑矢量边界数据进行建筑类型分类的具体步骤为:
S11、获取原始POI数据:通过地图坐标拾取系统获取CSV格式的原始POI数据,原始POI数据包含POI点名称、经度、纬度、大类、小类、省份和城市七列信息;
S12、确定建筑可燃物分类标准:考虑城市建筑的火灾荷载特性,根据建筑的主要功能将建筑可燃物分为办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体以及住宅七个类型;
S13、POI数据重分类:将原始POI数据按建筑可燃物的七个类型进行剔除和归并处理,得到重分类后包含经度、纬度和类型三列信息的POI数据;
S14、读取重分类后的POI数据:使用数据分析Pandas库的 read_csv 函数来读取重分类后的POI数据,并将读取后的数据存储在DataFrame数据结构中;
S15、创建点几何对象,即将DataFrame数据转换为GeoDataFrame地理空间数据;
S16、建筑可燃物类型编码映射:将办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体以及住宅七个类型依次分配建筑可燃物类型编码为1至7,然后将GeoDataFrame地理空间数据类型列中的每个值转换为其对应的建筑可燃物类型编码,并存储到新生成的建筑可燃物类型编码列中;
S17、基于生成建筑可燃物类型编码后的GeoDataFrame输出POI点的矢量数据,保存为Shapefile格式文件;
S18、获取建筑矢量边界数据,建筑矢量边界数据包含建筑面位置、形状及高度信息,其中的高度信息存储在字段Floor_1中,转换建筑矢量边界数据的投影信息与POI点的矢量数据一致;
S19、筛选建筑矢量边界数据中的有效建筑面:判断建筑矢量边界数据中的建筑面为有效建筑面的条件为:至少存在三个以上的不相同的坐标点;不能有重叠的边或自交边;不能有重叠的点或点之间重叠的边;外环的坐标点必须按顺时针排序,内环的坐标点必须按逆时针排序;
S110、读取POI点的矢量数据,对建筑矢量边界数据中的有效建筑面按七个类型进行分类,具体是设定半径,为建筑矢量边界数据中的有效建筑面创建缓冲区,然后统计每个缓冲区内七个类型的POI点数目,取POI点数量最多的类型为该有效建筑面的类型,并将类型映射为相应的建筑可燃物类型编码,新建类型编码字段code_1并将建筑可燃物类型编码写入其中,保留建筑高度字段Floor_1,最后保存输出为建筑类型的矢量数据,建筑类型的矢量数据包括code_1和Floor_1两个属性字段。
3.根据权利要求2所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的原始POI数据按建筑可燃物的七个类型进行剔除和归并处理的具体步骤为:
将原始POI数据中公司企业大类下的公司中类划分为办公楼类型;
将原始POI数据中公司企业大类下的工厂中类划分为工厂类型;
将原始POI数据中餐饮服务大类划分为餐饮类型;
将原始POI数据中汽车服务大类下的加油站中类划分为加油站类型;
将原始POI数据中住宿服务大类划分为酒店住宿类型;
将原始POI数据中购物服务大类下的商场、超级商场和综合商场中类归并为商业综合体类型;
将原始POI数据中商务住宅大类下的住宅区中类划分为住宅类型;
将原始POI数据中剩余的不属于七个类型的POI点删除。
4.根据权利要求2所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的创建点几何对象的具体步骤为:在DataFrame数据结构中,根据每一行的经度和纬度信息,使用Shapely库的Point类来创建点几何对象,点几何对象的坐标由该行的经度和纬度决定,并将点几何对象存储在名为geometry的新列中;具体是通过geopandas地理信息库中的GeoDataFrame函数,将上述DataFrame转化为GeoDataFrame,GeoDataFrame构造函数见下式(1):
(1);
式(1)中,data是待转化的DataFrame数据;geometry是地理空间数据列,即为"geometry"列;crs是地理坐标系的定义,在此定义为UTM投影坐标,代码为"EPSG:32650"。
5.根据权利要求2所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的建筑可燃物类型编码映射是根据字典定义,字典定义见下式(2):
(2);
式(2)中,至/>依次为办公楼、餐饮、工厂、加油站、酒店住宿、商业综合体、住宅,至/>依次为1、2、3、4、5、6、7。
6.根据权利要求2所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的转换建筑矢量边界数据的投影信息与POI点的矢量数据一致的具体步骤为:首先创建用于坐标转换的Transformer对象,Transformer对象包含执行源坐标系到目标坐标系转换所需的转换规则和参数,转换规则包括平移、旋转和缩放,参数包括偏移量、旋转量、缩放因子和投影参数,目标坐标系统即为UTM投影坐标,代码为EPSG:32650,最后依据转换规则和参数,将建筑矢量边界数据的源坐标系转换为目标坐标系,从而使得目标坐标系下的建筑矢量边界数据与POI点的矢量数据一致。
7.根据权利要求2所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的构建地表可燃物类型的矢量数据的具体步骤为:
S21、获取土地利用类型栅格数据,提取唯一值,并定义唯一值和地表可燃物来行编码的映射关系;具体是首先提取土地利用类型栅格数据中的唯一值,Globeland30中定义的10个一级类型包括有耕地、林地、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪,依次对应10、20、30、40、50、60、70、80、90和100十个唯一值;然后进行字典定义,将十个唯一值依次分配地表可燃物类型编码为8至17,并将转换后的地表可燃物类型编码存储到新生成的地表可燃物类型编码列中;字典定义见下式(3):
(3);
式(3)中,至/>依次为10、20、30、40、50、60、70、80、90、100;/>至/>依次为8、9、10、11、12、13、14、15、16、17;
S22、提取每个唯一值对应的像素所构成的几何形状:初始化一个名为polygons的空列表,用来存储从土地利用类型栅格数据中提取出来的几何形状,遍历土地利用类型栅格数据中的十个唯一值,对于十个唯一值中的每个唯一值,提取与唯一值像素对应的几何形状,并将几何形状存储在polygons列表中;
S23、初始化一个空的GeoDataFrame来存储几何形状、以及几何形状对应唯一值所映射的地表可燃物类型编码,并添加高度字段,GeoDataFrame构造函数见下式(4):
(4);
式(4)中, geometry是地理空间数据列,即为存储几何形状的“polygons”列表;"code_2"为十个唯一值对应的地表可燃物类型编码,即为value;"Floor_2"为地表可燃物的高度字段,设置值为1;crs是地理坐标系的定义,在此定义为UTM投影坐标,代码为EPSG:32650;
S24、将GeoDataFrame数据保存为地表可燃物类型的矢量数据,地表可燃物类型的矢量数据包含code_2和Floor_2两个属性字段。
8.根据权利要求7所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的建筑类型的矢量数据和地表类型的矢量数据进行数据融合和合并的具体步骤为:
S31、建筑可燃物类型的矢量数据中的每个有效建筑面对应一个几何对象,地表可燃物类型的矢量数据中的每个几何形状对应一个几何对象,当建筑可燃物类型的矢量数据中多个几何对象在code_1和Floor_1字段上的值都相同或地表可燃物类型的矢量数据中多个几何对象在code_2和Floor_2字段上的值都相同时,将建筑可燃物类型的矢量数据中的多个几何对象融合为一个几何对象、将地表可燃物类型的矢量数据中的多个几何对象融合为一个几何对象,从而分别得到融合后的建筑可燃物类型的矢量数据和地表可燃物类型的矢量数据;
S32、使用geopandas地理信息库中的overlay函数将融合后的建筑可燃物类型的矢量数据和地表可燃物类型的矢量数据进行合并,合并方式为union,即取两个矢量数据的并集结果,并集结果中的每个几何对象都包含了两个输入几何对象的边界并集以及它们的属性,具体为:重叠部分创建新几何对象并保留所有字段,即保留code_1、Floor_1、code_2和Floor_2字段;非重叠部分,保留输入几何对象的几何形状和属性,即仅保留code_2和Floor_2字段,其余字段为空值,或仅保留code_1和Floor_1字段,其余字段为空值;
S33、字段后处理:新建code字段代表城市可燃物类型编码,新建Floor字段代表城市可燃物高度属性,具体是首先使用code_1和Floor_1字段分别填充新建的code字段和Floor字段,当code_1和Floor_1字段为空值,则使用code_2和Floor_2字段补充空值,直至填充结束;
S34、当多个几何对象在code字段和Floor字段上的值都相同时,将多个几何对象融合为一个几何对象,将融合后的数据保存为包含建筑可燃物类型、地表可燃物类型及其相应高度属性的城市可燃物矢量数据。
9.根据权利要求8所述的一种基于GIS的城市可燃物分布数据库的构建方法,其特征在于:所述的将城市可燃物矢量数据中的可燃物类型和高度属性分别转化为栅格数据,并进行波段合成和无效值剔除的具体步骤为:
S41、读取城市可燃物矢量数据,遍历城市可燃物矢量数据中的所有几何要素,获取最小和最大的横纵坐标值,从而得到整体边界框范围;具体是创建两个空的栅格数据,定义数据的分辨率为30m,进行宽度和高度的计算,公式见下式(5)和(6):
(5),
(6);
式(5)和(6)中,wide为栅格数据的宽度;height为栅格数据的高度;r为定义的分辨率30m;和/>为获取的最大横纵坐标值,/>和/>为获取的最小横纵坐标值;
S42、将城市可燃物矢量数据中的code字段和Floor字段分别写入两个栅格数据中,从而获得城市可燃物类型栅格数据和城市可燃物高度栅格数据,具体是遍历每个栅格数据中的每个像素,并根据每个像素中心在几何对象中的位置,以及相应的字段值来确定该像素的值,当像素中心在几何对象的内部,则根据字段值进行填充,否则填充零代表无效像素的值;
S43、根据有效数据即非零像素数据确定的最小矩形边界对城市可燃物类型栅格数据和城市可燃物高度栅格数据进行无效值剔除,具体是首先获取非零像素数据的行和列的范围,即找到第一个和最后一个包含非零像素值的行和列;
当栅格数据非矩形时,边界上仍存有零像素值,需进一步处理边界上的零像素值,定义循环操作依次检查并调整四个交点坐标,最后根据四个交点坐标确定最小矩形边界,调整四个交点坐标的具体操作如下:
当rmin行和cmin列的交点上的像素值为零,则继续向右下方移动调整;
当rmin行和cmax列的交点上的像素值为零,则继续向右上方移动调整;
当rmax行和cmin列的交点上的像素值为零,则继续向左下方移动调整;
当rmax行和cmax列的交点上的像素值为零,则继续向左上方移动调整;
其中,rmin和rmax分别为非零像素数据的最小行和最大行,cmin和cmax分别为非零像素数据的最小列和最大列;
S44、将剔除无效值后的城市可燃物类型栅格数据和城市可燃物高度栅格数据依次写入至新建的两个波段的栅格数据中,并保存输出为城市可燃物分布数据库;其中,第一波段的栅格数据中存储了城市可燃物类型的信息,第二波段的栅格数据中存储了城市可燃物的高度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311304099.XA CN117033536B (zh) | 2023-10-10 | 2023-10-10 | 一种基于gis的城市可燃物分布数据库的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311304099.XA CN117033536B (zh) | 2023-10-10 | 2023-10-10 | 一种基于gis的城市可燃物分布数据库的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117033536A true CN117033536A (zh) | 2023-11-10 |
CN117033536B CN117033536B (zh) | 2023-12-15 |
Family
ID=88628530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311304099.XA Active CN117033536B (zh) | 2023-10-10 | 2023-10-10 | 一种基于gis的城市可燃物分布数据库的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033536B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003123174A (ja) * | 2001-10-11 | 2003-04-25 | Kajima Corp | 建物維持管理段階における火災リスク算出システム及び方法、並びにコンピュータプログラム |
GB0704368D0 (en) * | 2007-03-07 | 2007-04-11 | Kokkas Nikolaos | Geodata fusion for automated 3D city modelling |
CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测系统及方法 |
CN105719421A (zh) * | 2016-04-27 | 2016-06-29 | 丛静华 | 一种基于大数据挖掘的集成化森林防火信息化系统 |
KR20190098811A (ko) * | 2018-01-31 | 2019-08-23 | 에이엘 주식회사 | 화재 조기감지와 화재 유형파악이 가능한 종합 화재감지시스템 및 화재감지방법 |
CN113190556A (zh) * | 2021-05-06 | 2021-07-30 | 中国科学技术大学 | 森林地表可燃物数据库的建立方法、系统、介质及设备 |
CN113238299A (zh) * | 2021-05-06 | 2021-08-10 | 中国科学技术大学 | 森林火险因子实时数据的采集方法、系统、介质及设备 |
CN115348247A (zh) * | 2022-08-09 | 2022-11-15 | 四川科瑞源信息科技有限公司 | 基于天空地一体化技术的森林火灾检测预警及决策系统 |
US11562007B1 (en) * | 2019-04-25 | 2023-01-24 | Federal Home Loan Mortgage Corporation (Freddie Mac) | Systems and methods of establishing correlative relationships between geospatial data features in feature vectors representing property locations |
CN116010641A (zh) * | 2023-03-27 | 2023-04-25 | 苏州航天系统工程有限公司 | 基于gis的智慧城市建设用大数据实时获取装置及方法 |
CN116739330A (zh) * | 2022-02-27 | 2023-09-12 | 西南林业大学 | 一种基于可燃物特征的森林火险信息管理系统及方法 |
-
2023
- 2023-10-10 CN CN202311304099.XA patent/CN117033536B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003123174A (ja) * | 2001-10-11 | 2003-04-25 | Kajima Corp | 建物維持管理段階における火災リスク算出システム及び方法、並びにコンピュータプログラム |
GB0704368D0 (en) * | 2007-03-07 | 2007-04-11 | Kokkas Nikolaos | Geodata fusion for automated 3D city modelling |
CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测系统及方法 |
CN105719421A (zh) * | 2016-04-27 | 2016-06-29 | 丛静华 | 一种基于大数据挖掘的集成化森林防火信息化系统 |
KR20190098811A (ko) * | 2018-01-31 | 2019-08-23 | 에이엘 주식회사 | 화재 조기감지와 화재 유형파악이 가능한 종합 화재감지시스템 및 화재감지방법 |
US11562007B1 (en) * | 2019-04-25 | 2023-01-24 | Federal Home Loan Mortgage Corporation (Freddie Mac) | Systems and methods of establishing correlative relationships between geospatial data features in feature vectors representing property locations |
CN113190556A (zh) * | 2021-05-06 | 2021-07-30 | 中国科学技术大学 | 森林地表可燃物数据库的建立方法、系统、介质及设备 |
CN113238299A (zh) * | 2021-05-06 | 2021-08-10 | 中国科学技术大学 | 森林火险因子实时数据的采集方法、系统、介质及设备 |
CN116739330A (zh) * | 2022-02-27 | 2023-09-12 | 西南林业大学 | 一种基于可燃物特征的森林火险信息管理系统及方法 |
CN115348247A (zh) * | 2022-08-09 | 2022-11-15 | 四川科瑞源信息科技有限公司 | 基于天空地一体化技术的森林火灾检测预警及决策系统 |
CN116010641A (zh) * | 2023-03-27 | 2023-04-25 | 苏州航天系统工程有限公司 | 基于gis的智慧城市建设用大数据实时获取装置及方法 |
Non-Patent Citations (3)
Title |
---|
SOO-JIN LEE: "New methods of DGA diagnosis using IEC TC 10 and related databases Part 2: application of relative content of fault gases", 《IEEE》, vol. 29 * |
王辉等: "结合GIS 数据对合肥市大气污染状况的初步数值模拟研究", 《环境科学学报》, vol. 36, no. 11 * |
田晓瑞等: "北京市森林可燃物分类研究", 《林业科学》, vol. 42, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN117033536B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106547853B (zh) | 基于一张图的林业大数据建设方法 | |
JP2021519466A (ja) | 配管破損を予測するデータの処理 | |
Pijanowski et al. | Modelling urbanization patterns in two diverse regions of the world | |
US11703352B2 (en) | Vector tile pyramiding | |
CN114692236A (zh) | 一种面向大数据的国土空间规划底图底数处理方法 | |
CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
Zheng et al. | A morphologically preserved multi-resolution TIN surface modeling and visualization method for virtual globes | |
CN114881466A (zh) | 一种基于多源数据的人口空间分区拟合方法 | |
Correa et al. | Geospatial Memory and Joblessness interpolated: International migration oxymora in the city of Biblián, Southern Ecuador | |
CN117435823B (zh) | 基于网格编码的时空数据服务方法及工业互联网平台 | |
CN117033536B (zh) | 一种基于gis的城市可燃物分布数据库的构建方法 | |
Stoter et al. | 3D Modelling with National Coverage: Bridging the Gap Between Research and Practice: Commission II, WG II/2 | |
Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
Singh et al. | Geospatial Approach for Decentralised Planning at Rajhana Panchayat, Himachal Pradesh | |
CN114387419B (zh) | 一种基于多维空间剖分的三维地理实体编码方法及装置 | |
Mukherjee | Delineating fringe by global diversity value: A case study on Barasat municipality, India | |
Petkov | EVALUATION OF SPATIAL DATA’S IMPACT IN MID-TERM ROOM RENT PRICE THROUGH APPLICATION OF SPATIAL ECONOMETRICS AND MACHINE LEARNING | |
Ihsan et al. | Development of Low-Cost 3D Building Model Using National Digital Elevation Model in Urban Area of Bandung City, Indonesia | |
Pirowski et al. | Distribution of Krakow’s population by dasymetric modeling method using urban atlas and publicly available statistical data | |
CN117523063B (zh) | 基于三维空间的高性能射线追踪仿真的渲染方法 | |
Jega | Estimating population surfaces in areas where actual distributions are unknown: dasymetric mapping and pycnophylactic interpolation across different spatial scales | |
CN110287271B (zh) | 一种无线基站与区域型地理地物关联矩阵的建立方法 | |
ALADE et al. | 3D Reconstruction of University of Ilorin Campus using High Resolution Satellite Imagery and Conventional Survey | |
Vassilopoulou | A USEFUL SOFTWARE FOR TERRAIN ANALYSIS AND GEOENVIRONMENTAL APPLICATIONS–STUDY CASE ON THE GEODYNAMIC EVOLUTION OF ARGOLIS PENINSULA, GREECE. | |
Li | Hexagonal Discrete Global Grid Systems in Topographical and Hydrological Modeling |
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 |