CN117407550B - 一种基于gis技术的藏羌传统聚落景观数字化系统 - Google Patents

一种基于gis技术的藏羌传统聚落景观数字化系统 Download PDF

Info

Publication number
CN117407550B
CN117407550B CN202311717132.1A CN202311717132A CN117407550B CN 117407550 B CN117407550 B CN 117407550B CN 202311717132 A CN202311717132 A CN 202311717132A CN 117407550 B CN117407550 B CN 117407550B
Authority
CN
China
Prior art keywords
data
module
landscape
space
management
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
Application number
CN202311717132.1A
Other languages
English (en)
Other versions
CN117407550A (zh
Inventor
熊薇
李湘
李鑫
王利成
刘庆林
张越
李西
涂梦媛
郭丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Agricultural University
Original Assignee
Sichuan Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Agricultural University filed Critical Sichuan Agricultural University
Priority to CN202311717132.1A priority Critical patent/CN117407550B/zh
Publication of CN117407550A publication Critical patent/CN117407550A/zh
Application granted granted Critical
Publication of CN117407550B publication Critical patent/CN117407550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54—Browsing; Visualisation therefor
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于GIS技术的藏羌传统聚落景观数字化系统，包括景观空间数据库、空间测量模块、景观空间特征模块、智能模拟分析模块、可视化展示模块、智慧应用模块和数据管理模块；本发明针对传统聚落景观的多维数据源进行融合与多功能协作，解决了现有聚落景观分析和管理应用都依托于独立软件实现，使用者需要不断转换数据格式、切换系统使用，其程序繁琐复杂，操作难度高的问题。

Description

一种基于GIS技术的藏羌传统聚落景观数字化系统
技术领域
本发明涉及聚落景观的数字化管理和运用领域，具体涉及一种基于GIS技术的藏羌传统聚落景观数字化系统。
背景技术
从“互联网+”到全面数字化，我国数字经济加快推进，为经济社会发展注入强劲动力。伴随着信息技术的不断发展，大数据、云计算、物联网、区块链、人工智能等先进技术的运用上也不断革新跟进，景观领域的数字化历程也在不断加快。对于民族地区的聚落景观保护一直以来都是国家文化保护的重点之一，通过现代数字化的手段，以藏羌传统聚落为典型，实现聚落景观数字化系统的搭建是对该地区文化遗产保护的有效手段。针对现阶段技术存在以下问题：
1.目前相关的传统聚落景观数字化系统应用停留在信息管理、科研、展示等层面，未有针对传统聚落景观“数据管理—分析—应用—展示—交流”全过程的系统化系统；
2. 目前聚落景观分析和管理等应用都依托于独立软件实现，使用者需要不断转换数据格式、切换系统使用，其程序繁琐复杂，操作难度高，尚未有针对传统聚落景观的多维数据源融合、多功能协作的智能数字化应用系统；
3. GIS具有数据采集、空间数据库建立、空间查询与空间分析、制图与输出等功能，但景观智能分析与模拟功能、决策支持功能及支持工具中的模型库与知识库等未有涉及，且智能模拟分析结果很难实现数据与图像图示的同步输出。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于GIS技术的藏羌传统聚落景观数字化系统解决了现有聚落景观分析和管理系统依托于独立软件实现，使用者需要不断转换数据格式、切换系统使用，其程序繁琐复杂，操作难度高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于GIS技术的藏羌传统聚落景观数字化系统，包括景观空间数据库、空间测量模块、景观空间特征模块、智能模拟分析模块、可视化展示模块、智慧应用模块和数据管理模块；
所述景观空间数据库用于储存、分发和调用多维数据源；
所述空间测量模块用于进行多维数据源中模型或影像的不同图层上的空间距离测量；
所述景观空间特征模块用于识别、提取测绘数据、二维图像及三维模型的特征图像，得到三维场景数据，并对三维场景数据进行分析；
所述智能模拟分析模块用于实现藏羌传统聚落的空间演变模拟；
所述可视化展示模块用于对文字数据、测绘数据源、二维图像和三维模型进行图像图形可视化展示；
所述智慧应用模块用于实现用户的线上反馈、交流与学习；
所述数据管理模块用于对传统聚落相关信息数据的建库与分发服务，实现对所有信息资源的增加、删除、更新和更正。
进一步地：所述景观空间数据库中，多维数据源包括文字数据、测绘数据源、二维图像、三维模型和聚落区域土地利用数据；
所述测绘数据源包括数字正射影像DOM、数字高程模型DEM和二维矢量数据DLG；
所述二维图像包括照片、手绘图片、遥感影像、正射图、图斑和CAD图纸；
所述三维模型包括实景三维模型、三维激光扫描点云模型和人工三维模型。
进一步地：所述景观空间特征模块包括特征识别单元、特征提取单元和特征分析单元；
所述特征识别单元用于基于地理信息数据和地理高程数据，根据景观要素分类不同地物单元，通过遥感影像的光谱信息和纹理特征进行地物单元的分类和识别，得到连续且均匀的图斑；
所述特征提取单元用于进行图斑的提取，将遥感影像转换为具有结构化信息的矢量数据，并根据矢量数据将数字正射影像DOM中对应位置的地物单元进行绘制，得到三维场景数据；
所述特征分析单元用于对三维场景数据进行日照分析、景观视线分析和景观视域分析。
进一步地：所述智能模拟分析模块包括空间数据处理子模块、人工神经网络子模块、校准子模块和预测子模块；
所述空间数据处理子模块用于结合GIS和遥感技术获取传统聚落地理数据，确定元胞空间范围及尺寸，明确聚落空间演变的n个驱动因子；
所述人工神经网络子模块用于构建神经网络结构以及随机采样神经网络的训练数据和神经网络的训练及检验；
所述校准子模块用于利用聚落历史真实年份的土地利用数据和已经训练好的神经网络校准模型参数，对历史真实年份的土地利用进行仿真模拟，以验证模型的模拟效果；
所述预测子模块用于利用已校准好的神经网络模型对聚落空间演变趋势进行外推或根据特定的预测情景进行预测模拟。
进一步地：所述人工神经网络子模块构建的神经网络结构包括依次连接的输入层、隐藏层和输出层；
所述元胞空间范围内包括的n个驱动因子分别对应所述神经网络输入层的n个神经元；
所述神经网络的输入数据为标准化处理后的n个驱动因子，其标准化的公式为：
其中，表示元胞k在t时刻的第i个驱动因子的标准化数据，/>表示该元胞变量的最小值，/>表示该元胞变量的最大值，x i表示在t时刻采集的第i个还未被标准化的驱动因子数据。
进一步地：所述神经网络对输入数据的处理方法包括以下步骤：
S1、通过所述输入层接收标准化处理后的数据，并将标准化处理后的数据输出至隐藏层，所述隐藏层第j个神经元所收到的数据为：
其中，net j为隐藏层第j个神经元所收到的数据，w i,j为输入层和隐藏层之间的权重值，b j(k,t)为隐藏层第j个神经元的偏置量；
S2、通过所述隐藏层对接收到的数据产生响应值，并输出至输出层，隐藏层神经元的响应函数以及隐藏层的输出分别为：
其中，f（x）为隐藏层第x个神经元的响应函数，tansig（.）为隐藏层的激励函数，f(netj)为隐藏层第j个神经元的输出；
S3、通过所述输出层对接收到的数据产生激励，将输出层的输出值限定在[0,1]之间，其激励函数为：
其中，g（x）为输出层中第x个神经元的激励值，logsig（.）为输出层的激励函数；
S4、根据激励函数，通过所述输出层输出所述神经网络的输出值，其公式为：
其中，为神经网络的输出值，表示聚落土地利用类型的转换概率。
进一步地：所述预测子模块进行仿真模拟的方法为：
A1、利用GIS平台数据交互和转换的功能，将GIS数据转换为ASCII_GRID格式；
A2、将ASCII_GRID格式输入至MATLAB进行演变模拟深度学习；
A3、将MATLAB输出的结果result分析数值矩阵以ASCII_GRID格式导入GIS中；
A4、通过数据接口将GIS模型输出的数据参数进行处理，使用GIS转换工具将ASCII格式转为tiff栅格图像，生成聚落演变模拟变化图，完成仿真模拟。
进一步地：所述数据管理模块包括景观信息管理单元、应用管理单元和系统管理单元；
所述景观信息管理单元用于景观数据管理、设置景观位置标注、数据单元管理和展示数据管理；
所述应用管理单元用于文创设计管理、知识讲堂管理和新增信息发布；
所述系统管理单元用于用户管理、角色管理、功能权限管理和数据权限管理。
本发明的有益效果为：
1.提供了针对传统聚落景观“数据管理—分析—应用—展示—交流”全过程的系统化平台；
2.解决了使用者需要不断转换数据格式、切换平台使用，其程序繁琐复杂，操作难度高的问题；
3.实现了智能模拟分析结果数据与图像图示的同步输出。
附图说明
图1为藏羌传统聚落景观数字化系统功能模块结构图。
图2为智能模拟分析模块使用的神经网络结构图。
图3为聚落演变空间模拟技术路线。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中：
提供一种基于GIS技术的藏羌传统聚落景观数字化系统，包括景观空间数据库、空间测量模块、景观空间特征模块、智能模拟分析模块、可视化展示模块、智慧应用模块和数据管理模块；
所述景观空间数据库用于储存、分发和调用多维数据源；
所述空间测量模块用于进行多维数据源中模型或影像的不同图层上的空间距离测量；
所述景观空间特征模块用于识别、提取测绘数据、二维图像及三维模型的特征图像，得到三维场景数据，并对三维场景数据进行分析；
所述智能模拟分析模块用于实现藏羌传统聚落的空间演变模拟；
所述可视化展示模块用于对文字数据、测绘数据源、二维图像和三维模型进行图像图形可视化展示；
所述智慧应用模块用于实现用户的线上反馈、交流与学习；
所述数据管理模块用于对传统聚落相关信息数据的建库与分发服务，实现对所有信息资源的增加、删除、更新和更正。
在本发明的一个实施例中：
所述景观空间数据库中，多维数据源包括文字数据、测绘数据源、二维图像、三维模型和聚落区域土地利用数据；
所述测绘数据源包括数字正射影像DOM、数字高程模型DEM和二维矢量数据DLG；
所述二维图像包括照片、手绘图片、遥感影像、正射图、图斑和CAD图纸；
所述三维模型包括实景三维模型、三维激光扫描点云模型和人工三维模型。
在本发明的一个实施例中：
所述景观空间数据库数据标准化整理并分类建库、数据入库，可进行属性分类查看；通过二三维一体化信息展示技术和高性能渲染技术可进行实景浏览和定点场景漫游，三维场景包括放大、缩小、平移、旋转等功能，用户可通过鼠标键盘操作或导航罗盘来进行浏览，同时可进行景观节点信息导览和景观路线导览；
通过数据库中不同数据对象、不同历史时间、不同周期数据的索引、调取、可视化表达，可实现对象信息数据时空对比，结合数据分发服务技术可实现在线地图浏览、地图下载与自定义处理。
在本发明的一个实施例中：
所述空间测量模块选择聚落空间范围的不同数据源图层，可显示选择对象的景观实景三维模型、数字高程模型、点云模型、数字正射影像、遥感影像等。在模型或影像的不同图层上进行空间距离测量、地表区域绘制和距离测量、三角形区域绘制和测量、地表面积测量和地形建筑剖切，可获得地形、建筑、植被、山水体的空间距离、实际距离、垂直距离、直线距离和不同实体的长宽高量测结果，并通过选择区域挖方深度设置进行填挖方计算。
在本发明的一个实施例中：
所述景观空间特征模块包括特征识别单元、特征提取单元和特征分析单元；
所述特征识别单元用于基于地理信息数据和地理高程数据，根据景观要素分类不同地物单元，通过遥感影像的光谱信息和纹理特征进行地物单元的分类和识别，得到连续且均匀的图斑；
所述特征提取单元用于进行图斑的提取，将遥感影像转换为具有结构化信息的矢量数据，并根据矢量数据将数字正射影像DOM中对应位置的地物单元进行绘制，得到三维场景数据；
所述特征分析单元用于对三维场景数据进行日照分析、景观视线分析和景观视域分析。
在本发明的一个实施例中：
所述日照分析可以选取24小时内任意时间进行模拟周期的调整，在指定时间段的三维实景模型中显示建筑、山体、地形地貌的日照阴影覆盖区域，显示覆盖阴影对其周边可能受其日照影响的某一规划或现状建筑的日照影响情况及日照时数情况的技术分析结果；
所述景观视线分析是通过在三维场景内给定某一点为观察点，另一点为终点，实现在三维场景内两点之间的可视性分析；
所述景观视域分析是通过在三维场景内给定的一个观察点，基于一定的相对高度、视角、可视半径观察点，实现在三维场景内给定观察点所能通视覆盖的域，也就是给定点的通视区域范围，分析结果得到一个栅格数据集。
在本发明的一个实施例中：
所述智能模拟分析模块在ArcGIS中通过建立宏文件链接 Matlab 应用程序对其模拟仿真功能进行扩展；本系统提供MATLAB的接口，系统界面和工具可直接调用MATLAB中Deep Learn ToolBox深度学习工具箱的函数和算法，实现模型深度学习和演变模拟。
在本发明的一个实施例中：
所述智能模拟分析模块包括空间数据处理子模块、人工神经网络子模块、校准子模块和预测子模块；
所述空间数据处理子模块用于结合GIS和遥感技术获取传统聚落地理数据，确定元胞空间范围及尺寸，明确聚落空间演变的n个驱动因子；
所述人工神经网络子模块用于构建神经网络结构以及随机采样神经网络的训练数据和神经网络的训练及检验；
所述校准子模块用于利用聚落历史真实年份的土地利用数据和已经训练好的神经网络校准模型参数，对历史真实年份的土地利用进行仿真模拟，以验证模型的模拟效果；
所述预测子模块用于利用已校准好的神经网络模型对聚落空间演变趋势进行外推或根据特定的预测情景进行预测模拟。
在本发明的一个实施例中：
本模块首先基于聚落地理信息、多时期聚落形态、经济、人文等多元信息及研究成果为基础，分析研究地区聚落空间演变机制，综合考虑了影响聚落演变的自然、人口、土地利用等12个空间变量；
其次，采用7×7的扩展摩尔邻居规则，借助ANN的元胞自动机扩展模型，通过神经网络的训练自动获取模型的参数；
最后，基于集成MATLAB深度学习功能（DeepLearnToolBox）的传统聚落景观数字化系统，通过调整、设定元胞转换阈值及截止的演化时期、终止状态等相关变量，对传统聚落空间演变进行模拟预测，得到在预定规划期内聚落演化的空间形态。
在本发明的一个实施例中：
所述人工神经网络子模块构建的神经网络结构包括依次连接的输入层、隐藏层和输出层；
所述元胞空间范围内包括的n个驱动因子分别对应所述神经网络输入层的n个神经元；
所述神经网络的输入数据为标准化处理后的n个驱动因子，其标准化的公式为：
其中，表示元胞k在t时刻的第i个驱动因子的标准化数据，/>表示该元胞变量的最小值，/>表示该元胞变量的最大值，x i表示在t时刻采集的第i个还未被标准化的驱动因子数据；
在本实施例中，n的值取12；
所述输入层，其分别对应12个影响传统聚落土地利用变化的空间变量（即驱动因子），作为元胞转换模型中输入层的空间变量；
所述隐藏层，采用tansig激励函数，隐藏层的神经元数目为8个；
所述输出层，采用logsig激励函数，由12个神经元组成，分别对应于根据隐藏层计算所得的6种聚落土地利用类型的转换概率，确定6个神经元分别为：农村居民点的转换概率(Y1)、产业建设用地的转换概率(Y2)、林地的转换概率(Y3)、农业用地的转换概率(Y4)、水体的转换概率(Y5)、其他用地的转换概率(Y6)。
在本发明的一个实施例中：
所述驱动因子包括坡度(X1)、坡向(X2)、地形起伏度(X3)、距水系的距离(X4)、距道路的距离(X5)、距宗教设施的距离(X6)；土地利用类型数据主要包括：农村居民点单元数(X7)、产业建设用地单元面积(X8)、林地单元面积(X9)、农业用地单元面积(X10)、水体单元面积(X11)、其他用地单元面积(X12)，总共12个空间变量，变量的数据获取来源如表1所示：
表1 驱动因子获取来源表
在本发明的一个实施例中：
在所述输入层，对于每一个模拟单元(元胞)，有12个属性(变量)；这些变量分别对应于神经网络第1层的n个神经元，它们决定了每个单元在时间t时的土地利用转换的概率，表达为：
其中，P（k，t）为模拟单元t的转换概率，p i（k，t）表示模拟聚落单元k在t时刻的第i个变量标准化数据，T为转置。
如图2所示，在本发明的一个实施例中：
所述神经网络对输入数据的处理方法包括以下步骤：
S1、通过所述输入层接收标准化处理后的数据，并将标准化处理后的数据输出至隐藏层，所述隐藏层第j个神经元所收到的数据为：
其中，net j为隐藏层第j个神经元所收到的数据，w i,j为输入层和隐藏层之间的权重值，b j(k,t)为隐藏层第j个神经元的偏置量；
S2、通过所述隐藏层对接收到的数据产生响应值，并输出至输出层，隐藏层神经元的响应函数以及隐藏层的输出分别为：
其中，f（x）为隐藏层第x个神经元的响应函数，tansig（.）为隐藏层的激励函数，f(netj)为隐藏层第j个神经元的输出；
S3、通过所述输出层对接收到的数据产生激励，将输出层的输出值限定在[0,1]之间，其激励函数为：
其中，g（x）为输出层中第x个神经元的激励值，logsig（.）为输出层的激励函数；
S4、根据激励函数，通过所述输出层输出所述神经网络的输出值，其公式为：
其中，为神经网络的输出值，表示聚落土地利用类型的转换概率。
在本发明的一个实施例中：
所述神经网络的输入数据采用ASCII_GRID格式栅格数据，该格式同时兼容GIS和MATLAB，便于模型的松散耦合开发，用于神经网络训练和检验的数据，直接从原始数据中随机采样获取，由GIS空间分析功能实现。
在本发明的一个实施例中：
为了得到符合聚落空间演变规律的模型参数，共使用1000个抽样点，将它们分成两组，其中包括800个训练抽样点和200个验证样点，以进行训练和验证；
在迭代运算达到x次时，停止训练，获取到最为准确的各个空间变量的参数（权重与偏置）。
在本发明的一个实施例中：
所述校准子模块中引入改进的Lee-Sallee指数来度量聚落空间演变模型的精度，反映模拟数据与历史真实检验数据之间空间分布的相似性，表达式为:
其中，L为改进的Lee-Sallee指数，取值范围为[0，1]，A 0为历史真实年份的聚落土地利用现状图，A 1为模拟的聚落土地利用图；
校准过程首先要对聚落空间演变模型输入进行初始化，其次通过对已训练好的神经网络输出每个单元对应的各种土地利用类型的转换概率，并对其进行随机扰动，将随机变量引进CA模型中, 该随机项可以表达为：
其中，为落在 [0,1] 范围内的随机数；α为控制随机变量大小的参数。
在本发明的一个实施例中：
根据1990年为某聚落演变的初始年份，以1990年某聚落的土地利用现状图作为初始化状态，人工设置元胞的转化阈值，当某一单元变量的转换概率大于或等于阈值，则该单元元胞发生转变，转化为其输出转换概率中最大值的土地利用类型，否则保持不变；
经过阈值和转换概率判断（此部分的参数来源于神经网络训练）确定该聚落中间过程的土地利用变化，完成一次循环；获取的该聚落中间过程的土地利用数据进行模型初始化，重新计算模型中所有的初始参数，进行第二次循环；
重复上述二次循环过程，直到当模拟的该聚落土地利用单元数与实际的聚落土地利用单元数误差率小于5%，且改进的Lee-Sallee指数值达到预期的理想值时，循环结束，输出模拟结果，即校准过程结束。
在本发明的一个实施例中：
所述预测子模块进行仿真模拟的方法为：
A1、利用GIS平台数据交互和转换的功能，将GIS数据转换为ASCII_GRID格式；
A2、将ASCII_GRID格式输入至MATLAB进行演变模拟深度学习；
A3、将MATLAB输出的结果result分析数值矩阵以ASCII_GRID格式导入GIS中；
A4、通过数据接口将GIS模型输出的数据参数进行处理，使用GIS转换工具将ASCII格式转为tiff栅格图像，生成聚落演变模拟变化图，完成仿真模拟。
所述聚落演变模拟变化图的模拟内容包括对聚落的土地利用类型的演变模拟、居民点数量和位置变化演变模拟、聚落景观格局形态演变模拟、聚落社会经济发展情况模拟；
输出结果能显示不同时间点或时间段不同土地类型间的相互转换结果，掌握传统聚落土地利用类型的动态演变信息，还可以对其未来土地利用变化状况进行预测。
如图3所示，在本发明的一个实施例中：
所述智能模拟分析模块通过空间数据处理子模块获取空间数据，将获取的空间数据输入至神经网络子模块调整神经网络的参数获取神经网络的权重参数，再使用校准子模块进行数据更新获取训练好的神经网络模型，最后利用训练好的神经网络模型通过预测子模块完成聚落演变空间模拟演化预测。
在本发明的一个实施例中：
所述可视化展示模块通过对多源异构数据融合结合二三维一体化信息展示技术，对多维数据源进行图像图形可视化展示；通过系统集成MATLAB的Mapping ToolBox工具箱实现聚落空间演变模拟结果的可视化表达；在MATLAB环境中分析和处理聚落空间演变模拟数据，实现地理坐标系统和投影转换、地理数据读取和写入（tiff格式文件）、地理空间数据处理、地图制作和可视化、空间模型建立与预测功能；
此外，本模块除了图形图像可视化外，还能将聚落空间的数据信息以报表形式导出。
在本发明的一个实施例中：
所述智慧应用模块包括文创设计单元、知识讲堂单元、信息社区单元和云上旅游单元；
所述文创设计，包括在线设计、文创商城、意见专栏和项目征集板块；其中在线设计通过设计模板、素材预览和效果预览，用户能基于平台传统聚落装饰纹饰素材进行不同类别的文创物品创意表达；
所述知识讲堂，包括神话故事专栏、宗教信仰专栏、民族史诗专栏、非遗文化专栏、人文风情专栏和旅游风光专栏；
所述信息社区，通过互联网即时通信技术模仿搭建信息交流社区，发布传统聚落相关视频、文件、会议资讯，平台用户均可查阅评论，在专家论坛、疑问解答动态栏进行信息交互；
所述云上旅游，能获得聚落三维实景模型或实景地图等图像信息，查看地图或模型上的景观节点可获得相关景点介绍、景区路线导览、语音讲解信息，通过定点漫游实现场景的移动、旋转或缩放。
在本发明的一个实施例中：
所述数据管理模块包括景观信息管理单元、应用管理单元和系统管理单元；
所述景观信息管理单元用于景观数据管理、设置景观位置标注、数据单元管理和展示数据管理；
所述应用管理单元用于文创设计管理、知识讲堂管理和新增信息发布；
所述系统管理单元用于用户管理、角色管理、功能权限管理和数据权限管理。
在本发明的一个实施例中：
所述景观信息管理单元通过对传统聚落相关信息数据的建库与分发服务，实现对所有信息资源的增加、删除、更新、更正；
所述景观数据管理通过数据处理、数据轻量化编译，对正射影像DOM数据、数字高程模型DEM数据、矢量DLG数据、人工三维模型、实景三维模型、激光点云数据进行数据的二次编译，数据编译完成后发布到数据服务库进行数据的可视化场景管理；
所述设置景观位置标注通过在三维场景内某一模型或地理空间位置上对景观要素的核心展示区域进行三维场景添加注记点的标绘；
所述数据单元管理是通过建立元数据目录，将各类不同数据进行分块分类快速索引展示的管理；
所述展示数据管理通过在数据管理页面选择多维数据源图层分层开启或关闭对应数据展示进行管理。
在本发明的一个实施例中：
所述文创设计管理通过互联网即时通信技术运营后台留言互动、信息更新、在线设计管理与图像生成；
所述知识讲堂管理可增加或更改不同专栏信息；
所述新增信息发布可对新信息进行查阅、遍及、校正与动态发布。
在本发明的一个实施例中：
所述用户管理通过对用户的新建、登录密码修改、密码重置、用户账户修改、用户删除来完成，对于专家学者、普通游客、管理人员进行针对性功能管理；
所述角色管理通过对不同角色进行唯一授权管理实现，对角色进行分类管理，最后实现系统功能、系统菜单、数据展示的唯一授权，便于系统账户角色身份控制；
所述功能权限管理通过对不同角色用户的系统功能菜单进行访问授权实现对应用户角色权限的系统管理，不同用户使用功能菜单的差异性区分；
所述数据权限通过对不同用户角色访问的数据权限控制，实现数据的安全管理和系统数据访问控制，具体包括用户所能查看到数据范围的新增、修改、删除设置的权限管理功能。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (4)

1.一种基于GIS技术的藏羌传统聚落景观数字化系统，其特征在于，包括景观空间数据库、空间测量模块、景观空间特征模块、智能模拟分析模块、可视化展示模块、智慧应用模块和数据管理模块；
所述景观空间数据库用于储存、分发和调用多维数据源；
所述空间测量模块用于进行多维数据源中模型或影像的不同图层上的空间距离测量；
所述景观空间特征模块用于识别、提取测绘数据、二维图像及三维模型的特征图像，得到三维场景数据，并对三维场景数据进行分析；
所述智能模拟分析模块用于实现藏羌传统聚落的空间演变模拟；
所述智能模拟分析模块包括空间数据处理子模块、人工神经网络子模块、校准子模块和预测子模块；
所述空间数据处理子模块用于结合GIS和遥感技术获取传统聚落地理数据，确定元胞空间范围及尺寸，明确聚落空间演变的n个驱动因子；
所述人工神经网络子模块用于构建神经网络结构以及随机采样神经网络的训练数据和神经网络的训练及检验；
所述人工神经网络子模块构建的神经网络结构包括依次连接的输入层、隐藏层和输出层；
所述元胞空间范围内包括的n个驱动因子分别对应所述神经网络输入层的n个神经元；
所述神经网络的输入数据为标准化处理后的n个驱动因子，其标准化的公式为：
其中，表示元胞k在t时刻的第i个驱动因子的标准化数据，/>表示该元胞变量的最小值，/>表示该元胞变量的最大值，x i表示在t时刻采集的第i个还未被标准化的驱动因子数据；
所述驱动因子包括坡度、坡向、地形起伏度、距水系的距离、距道路的距离、距宗教设施的距离；农村居民点单元数、产业建设用地单元面积、林地单元面积、农业用地单元面积、水体单元面积和其他用地单元面积；
所述神经网络对输入数据的处理方法包括以下步骤：
S1、通过所述输入层接收标准化处理后的数据，并将标准化处理后的数据输出至隐藏层，所述隐藏层第j个神经元所收到的数据为：
其中，net j为隐藏层第j个神经元所收到的数据，w i,j为输入层和隐藏层之间的权重值，b j(k,t)为隐藏层第j个神经元的偏置量；
S2、通过所述隐藏层对接收到的数据产生响应值，并输出至输出层，隐藏层神经元的响应函数以及隐藏层的输出分别为：
其中，f（x）为隐藏层第x个神经元的响应函数，tansig（.）为隐藏层的激励函数，f(netj)为隐藏层第j个神经元的输出；
S3、通过所述输出层对接收到的数据产生激励，将输出层的输出值限定在[0,1]之间，其激励函数为：
其中，g（x）为输出层中第x个神经元的激励值，logsig（.）为输出层的激励函数；
S4、根据激励函数，通过所述输出层输出所述神经网络的输出值，其公式为：
其中，为神经网络的输出值，表示聚落土地利用类型的转换概率；
所述校准子模块用于利用聚落历史真实年份的土地利用数据和已经训练好的神经网络校准模型参数，对历史真实年份的土地利用进行仿真模拟，以验证模型的模拟效果；
所述预测子模块用于利用已校准好的神经网络模型对聚落空间演变趋势进行外推或根据特定的预测情景进行预测模拟；
所述预测子模块进行仿真模拟的方法为：
A1、利用GIS平台数据交互和转换的功能，将GIS数据转换为ASCII_GRID格式；
A2、将ASCII_GRID格式输入至MATLAB进行演变模拟深度学习；
A3、将MATLAB输出的结果result分析数值矩阵以ASCII_GRID格式导入GIS中；
A4、通过数据接口将GIS模型输出的数据参数进行处理，使用GIS转换工具将ASCII格式转为tiff栅格图像，生成聚落演变模拟变化图，完成仿真模拟；
所述可视化展示模块用于对文字数据、测绘数据源、二维图像和三维模型进行图像图形可视化展示；
所述智慧应用模块用于实现用户的线上反馈、交流与学习；
所述数据管理模块用于对传统聚落相关信息数据的建库与分发服务，实现对所有信息资源的增加、删除、更新和更正。
2.根据权利要求1所述的基于GIS技术的藏羌传统聚落景观数字化系统，其特征在于，所述景观空间数据库中，多维数据源包括文字数据、测绘数据源、二维图像、三维模型和聚落区域土地利用数据；
所述测绘数据源包括数字正射影像DOM、数字高程模型DEM和二维矢量数据DLG；
所述二维图像包括照片、手绘图片、遥感影像、正射图、图斑和CAD图纸；
所述三维模型包括实景三维模型、三维激光扫描点云模型和人工三维模型。
3.根据权利要求2所述的基于GIS技术的藏羌传统聚落景观数字化系统，其特征在于，所述景观空间特征模块包括特征识别单元、特征提取单元和特征分析单元；
所述特征识别单元用于基于地理信息数据和地理高程数据，根据景观要素分类不同地物单元，通过遥感影像的光谱信息和纹理特征进行地物单元的分类和识别，得到连续且均匀的图斑；
所述特征提取单元用于进行图斑的提取，将遥感影像转换为具有结构化信息的矢量数据，并根据矢量数据将数字正射影像DOM中对应位置的地物单元进行绘制，得到三维场景数据；
所述特征分析单元用于对三维场景数据进行日照分析、景观视线分析和景观视域分析。
4.根据权利要求1所述的基于GIS技术的藏羌传统聚落景观数字化系统，其特征在于，所述数据管理模块包括景观信息管理单元、应用管理单元和系统管理单元；
所述景观信息管理单元用于景观数据管理、设置景观位置标注、数据单元管理和展示数据管理；
所述应用管理单元用于文创设计管理、知识讲堂管理和新增信息发布；
所述系统管理单元用于用户管理、角色管理、功能权限管理和数据权限管理。
CN202311717132.1A 2023-12-14 2023-12-14 一种基于gis技术的藏羌传统聚落景观数字化系统 Active CN117407550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311717132.1A CN117407550B (zh) 2023-12-14 2023-12-14 一种基于gis技术的藏羌传统聚落景观数字化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311717132.1A CN117407550B (zh) 2023-12-14 2023-12-14 一种基于gis技术的藏羌传统聚落景观数字化系统

Publications (2)

Publication Number Publication Date
CN117407550A CN117407550A (zh) 2024-01-16
CN117407550B true CN117407550B (zh) 2024-02-23

Family

ID=89494797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311717132.1A Active CN117407550B (zh) 2023-12-14 2023-12-14 一种基于gis技术的藏羌传统聚落景观数字化系统

Country Status (1)

Country Link
CN (1) CN117407550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117931810B (zh) * 2024-03-21 2024-05-31 成都歧明通信息科技有限公司 一种空间影像数据的结构化管理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622503A (zh) * 2011-12-31 2012-08-01 武汉理工大学 城市土地利用变化模拟方法
CN104391919A (zh) * 2014-11-20 2015-03-04 上海交通大学 智能电网地理可视化实现系统及方法
CN105447235A (zh) * 2015-11-12 2016-03-30 中山大学 一种土地未来利用情景动态模拟方法
CN110136259A (zh) * 2019-05-24 2019-08-16 唐山工业职业技术学院 一种基于倾斜摄影辅助bim和gis的三维建模技术
CN111080070A (zh) * 2019-11-19 2020-04-28 同济大学 一种基于空间误差的城市土地利用模拟元胞自动机方法
CN111274337A (zh) * 2019-12-31 2020-06-12 北方信息控制研究院集团有限公司 一种基于实景三维的二三维一体化gis系统
CN116227834A (zh) * 2022-12-28 2023-06-06 四川农业大学 一种基于三维点云模型的智能景区数字化平台

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651059B (zh) * 2020-12-18 2022-11-08 东南大学 一种基于人工智能的控规地块城市设计多方案生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622503A (zh) * 2011-12-31 2012-08-01 武汉理工大学 城市土地利用变化模拟方法
CN104391919A (zh) * 2014-11-20 2015-03-04 上海交通大学 智能电网地理可视化实现系统及方法
CN105447235A (zh) * 2015-11-12 2016-03-30 中山大学 一种土地未来利用情景动态模拟方法
CN110136259A (zh) * 2019-05-24 2019-08-16 唐山工业职业技术学院 一种基于倾斜摄影辅助bim和gis的三维建模技术
CN111080070A (zh) * 2019-11-19 2020-04-28 同济大学 一种基于空间误差的城市土地利用模拟元胞自动机方法
CN111274337A (zh) * 2019-12-31 2020-06-12 北方信息控制研究院集团有限公司 一种基于实景三维的二三维一体化gis系统
CN116227834A (zh) * 2022-12-28 2023-06-06 四川农业大学 一种基于三维点云模型的智能景区数字化平台

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Spatial Analysis and Modeling Tool Version 2 (SAMT2), a spatial modeling tool kit written in Python;Ralf Wieland 等;《Ecological Informatics》;20151130;1-5 *
嘉绒藏区易地搬迁新村景观的地域呈现研究——以黑水羊茸哈德村为例;黄诗艺 等;《安徽农业科学》;20230918;190-193 *
基于FLUS模型的巴中市多情景土地利用变化模拟及其生态系统服务价值评估;苏建聪 等;《环境生态学》;20231115;17-25 *
基于景观格局指数和理想风水模式的藏族乡土聚落景观空间解析——以甘肃省迭部县扎尕那村落为例;史利莎;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110715;C038-344 *

Also Published As

Publication number Publication date
CN117407550A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
US11302072B2 (en) System for constructing urban design digital sand table
CN112115198B (zh) 一种城市遥感智能服务平台
CN109766581A (zh) 一种采用Dynamo软件建立桥梁BIM模型的方法
CN117407550B (zh) 一种基于gis技术的藏羌传统聚落景观数字化系统
KR102199940B1 (ko) 3ｄ 엔진을 통한 모바일 3ｄ 디지털 트윈의 3ｄ 지도 구축 방법
CN102004963B (zh) 一种数字城市生成方法
CN106547853A (zh) 基于一张图的林业大数据建设方法
CN112733413B (zh) 一种化学危害信息融合演示系统
WO2019223413A1 (zh) 一种用于构建城市设计数字化沙盘的系统
CN114820975B (zh) 基于全要素参数符号化的三维场景仿真重构系统及方法
CN105354882A (zh) 一种大数据架构的大空间范围输电三维全景展示平台构建方法
Zhou et al. Three‐Dimensional Reconstruction of Huizhou Landscape Combined with Multimedia Technology and Geographic Information System
CN112148820A (zh) 一种基于深度学习的水下地形数据识别和服务方法及系统
Borisov et al. An automated process of creating 3D city model for monitoring urban infrastructures
Caloz et al. Geographic information systems (GIS) and remote sensing in aquatic botany: methodological aspects
La Russa et al. Advanced 3D Parametric Historic City Block Modeling Combining 3D Surveying, AI and VPL
CN114490907A (zh) 名城管理数据库的构建方法、装置及存储介质
Li et al. A large-scale Glasgow 3D city models derived from airborne LiDAR point clouds
CN114417457B (zh) 一种基于cim技术的规划项目在线多维协同选址系统
Zhang et al. Digital terrain interactive editing technology for landscape planning and design based on deep learning
Piech et al. The assessment of elevation data consistency. A case study using the ALS and georeference database in the City of Kraków
CN118172503B (zh) 一种多层次建筑物三维空间模型快速构建方法和系统
Rakićević An Automated Process of Creating 3D City Model for Monitoring Urban Infrastructures
Ji et al. Construction of a Landscape Design and Greenery Maintenance Scheduling System Based on Multimodal Intelligent Computing and Deep Neural Networks
Huang et al. Discussion on the construction about urban-scale 3D real scene

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