CN117522174A - 国土空间规划空间数据突变检查方法、应用系统及云平台 - Google Patents
国土空间规划空间数据突变检查方法、应用系统及云平台 Download PDFInfo
- Publication number
- CN117522174A CN117522174A CN202410014198.2A CN202410014198A CN117522174A CN 117522174 A CN117522174 A CN 117522174A CN 202410014198 A CN202410014198 A CN 202410014198A CN 117522174 A CN117522174 A CN 117522174A
- Authority
- CN
- China
- Prior art keywords
- data
- mutation
- layer
- planning
- 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.)
- Pending
Links
- 230000035772 mutation Effects 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 238000007689 inspection Methods 0.000 claims abstract description 56
- 238000013210 evaluation model Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/70—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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了国土空间规划空间数据突变检查方法、应用系统及云平台,属于地理空间数据计算、标识、处理技术领域。该国土空间规划空间数据突变检查方法包括以下步骤:对国土空间规划数据进行预处理;对国土空间规划数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告;使用分析评估模型对突变原因和突变影响进行分析,形成分析报告;对发现的突变问题进行处理;对处理后的数据进行再次检查,验证正确性和完整性,以确保处理后的数据符合国土空间规划的要求和标准;对检查过程和结果进行可视化展示和交互操作,生成文档报告和图形报告,为国土空间规划的编制、审批、实施和监督提供数据支撑。
Description
技术领域
本发明属于地理空间数据计算、标识、处理技术领域,具体涉及一种国土空间规划空间数据突变检查方法、应用系统及云平台。
背景技术
国土空间规划是综合考虑经济、社会、生态等多因素,科学合理布局和管理国土资源的过程。在规划制定、审批、实施和监督的各个阶段,空间数据的一致性和准确性对规划的有效性和实施过程至关重要。然而,在规划数据的多层次、多内容、多阶段管理中,由于各种原因,数据可能发生突变,即与原规划不符的变化,这可能包括面积变化、地类属性变化、空间关系变化等。
在传统的规划管理中,对于数据的突变检查往往依赖于人工经验,这存在着效率低、易遗漏、不精准等问题。随着信息技术的发展,需要一种更加高效、自动化的方法来进行国土空间规划空间数据的突变检查,以提高规划数据的质量和规划管理的科学性。
鉴于此,我们提出了一种国土空间规划空间数据突变检查方法、应用系统及云平台,通过引入自动化检查、分析评估模型和云平台支持,克服了传统方法的诸多不足之处,实现了对规划数据突变的及时发现和处理,提高了规划管理的科学性,减少了人为错误,保障了规划数据的质量,推动了国土空间规划工作的现代化发展。
发明内容
为了克服现有技术存在的一系列缺陷,本专利的目的在于针对上述问题,提供国土空间规划空间数据突变检查方法,包括以下步骤。
对国土空间规划数据进行预处理。
分别使用面积比较法、重叠比较法、缓冲区分析法、拓扑关系分析法以及空间分析法对国土空间规划数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告。
使用分析评估模型对突变原因和突变影响进行分析,提出相应的处理建议或规划调整措施,形成分析报告。
对发现的突变问题进行处理,其中:对于突变检查中发现的数据错误,采用人工方式进行修正或删除;对于突变检查中发现的数据缺失,采用最近邻插补的方法进行补充;对于突变检查中发现的数据结构不合理,采用数据聚合法进行调整;对于突变检查中发现的数据质量不高,采用指数平滑法进行优化。
对处理后的数据进行再次检查,验证正确性和完整性,以确保处理后的数据符合国土空间规划的要求和标准。
对检查过程和结果进行可视化展示和交互操作,生成文档报告和图形报告,为国土空间规划的编制、审批、实施和监督提供数据支撑。
进一步的,面积比较法的具体步骤为:将国土空间规划的总体规划图层与控制性详细规划图层进行面积比较,检查两个图层的总面积是否一致,以及各个地类的面积是否符合规划要求,如果发现面积差异超过设定的阈值,记录为突变问题,需要进行调整或说明,其中:总面积差异=|A1-A2|,其中A1是总体规划图层的总面积,A2是控制性详细规划图层的总面积;地类面积差异=|Ai1-Ai2|,其中Ai1是总体规划图层中第i个地类的面积,Ai2是控制性详细规划图层中第i个地类的面积。
重叠比较法的具体步骤为:将国土空间规划的总体规划图层与控制性详细规划图层进行重叠比较,检查两个图层的重叠部分是否有相同的地类属性,以及是否有不合理的重叠现象,如果发现地类属性不一致或重叠面积过大的情况,记录为突变问题,需要进行调整或说明,其中。
重叠面积=Ai1∩Ai2,其中Ai1是总体规划图层中第i个地类的面积,Ai2是控制性详细规划图层中第i个地类的面积。
重叠率=重叠面积/最小面积,其中,最小面积=min(Ai1,Ai2)。
如果重叠面积为0,表示两个图层没有重叠,不需要进行比较。
如果重叠面积不为0,但重叠部分的属性不一致,表示两个图层有冲突,需要进行调整或说明。
如果重叠面积不为0,且重叠部分的属性一致,但重叠率超过设定的阈值,表示两个图层有过度重叠,需要进行调整或说明。
缓冲区分析法的具体步骤为:将国土空间规划的控制性详细规划图层进行缓冲区分析,根据不同的地类设置不同的缓冲区半径,检查缓冲区内是否有与规划不符的地类或建设项目,以及是否有违反规划限制的情况,如果发现缓冲区内有不合规的情况,记录为突变问题,需要进行调整或说明,其中。
缓冲区=Bi,其中Bi是控制性详细规划图层中第i个地类的缓冲区,根据地类的特点和要求设置不同的缓冲区半径。
缓冲区内的地类或建设项目=Ci,其中Ci是缓冲区Bi内的地类或建设项目,为其他空间数据图层或实地调查数据。
缓冲区内的规划限制=Ri,其中Ri是缓冲区Bi内的规划限制,为法律法规、规划标准、环境保护方面的要求。
如果缓冲区内的地类或建设项目与控制性详细规划图层中的地类不一致,或者与缓冲区内的规划限制相冲突,就认为存在突变问题,需要进行调整或说明。
拓扑关系分析法的具体步骤为:将国土空间规划的控制性详细规划图层进行拓扑关系分析,检查图层内的要素是否有正确的拓扑关系,以及是否有拓扑错误的情况,如果发现拓扑关系不正确或拓扑错误的情况,记录为突变问题,需要进行调整或说明,其中。
拓扑关系=Tij,其中Tij是控制性详细规划图层中第i个要素和第j个要素之间的拓扑关系,包括相邻、相交、包含、被包含和相离。
拓扑错误=Eij,其中Eij是控制性详细规划图层中第i个要素和第j个要素之间的拓扑错误,包括重叠、悬挂、伪节点、自相交和多边形不闭合。
空间分析法的具体步骤为:将国土空间规划的控制性详细规划图层与其他相关的空间数据进行空间分析,检查规划图层是否与其他空间数据有合理的空间关系,以及是否有不利于规划实施的情况,如果发现空间关系不合理或有不利因素的情况,记录为突变问题,需要进行调整或说明,其中。
空间关系=Sij,其中Sij是控制性详细规划图层中第i个要素和其他空间数据图层中第j个要素之间的空间关系,包括距离、方向、位置和形状。
空间影响=Iij,其中Iij是控制性详细规划图层中第i个要素和其他空间数据图层中第j个要素之间的空间影响,包括正面的、负面的和中性的。
进一步的,分析评估模型的构建过程包括以下步骤。
将突变检查的结果和相关的空间数据进行整合,形成一个完整的数据集,包括突变问题的类型、位置、面积和属性信息,以及突变问题所在区域的自然条件、社会经济和规划实施数据。
根据突变问题的特点和数据的特征,基于卷积神经网络构建分析评估模型。
将数据集划分为训练集、验证集和测试集,使用训练集和验证集对模型进行训练,调整模型的参数和超参数,使模型能够达到最佳的性能。
使用测试集对模型进行评估,评估模型的效果和可靠性。
使用模型对突变问题进行分析,输出突变原因和突变影响的结果。
进一步的,分析评估模型的具体结构包括。
输入层:输入层接收突变检查的结果和相关的空间数据,将图像数据转换为像素矩阵,将属性数据转换为向量或张量,将空间数据转换为坐标或网格;输入层分为三个子层,分别处理不同类型的数据,然后将它们的输出拼接起来,作为后续层的输入。
卷积层1:使用32个大小为3x3x5的卷积核对输入图像进行卷积操作,步长为1,输出32个大小为256x256x1的特征图,即特征矩阵为32x256x256;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用残差连接,解决梯度消失或爆炸的问题,提高模型的深度和性能;通过填充使得卷积层的输出大小与输入大小相同,避免信息的损失。
池化层1:使用最大池化方法,对卷积层1的输出进行下采样,池化核的大小为2x2,步长为2,输出32个大小为128x128x1的特征图,即特征矩阵为32x128x128;使用跨通道池化,增强特征图之间的关联性,提高模型的泛化能力。
卷积层2:使用64个大小为3x3x32的卷积核对池化层1的输出进行卷积操作,步长为1,输出64个大小为128x128x1的特征图,即特征矩阵为64x128x128;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用残差连接,解决梯度消失或爆炸的问题,提高模型的深度和性能;使用填充的方法,使得卷积层的输出大小与输入大小相同,避免信息的损失。
池化层2:使用最大池化方法,对卷积层2的输出进行下采样,池化核的大小为2x2,步长为2,输出64个大小为64x64x1的特征图,即特征矩阵为64x64x64;使用跨通道池化,增强特征图之间的关联性,提高泛化能力。
展平层1:将池化层2的输出展平为一维向量,输出262144个元素,即输出向量为262144x1。
全连接层1:将展平层1的输出进行全连接运算,输出256个神经元,即输出向量为256x1;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用丢弃层,随机丢弃一些神经元,防止模型的过拟合,提高鲁棒性。
全连接层2:将全连接层1的输出进行全连接运算,输出128个神经元,即输出向量为128x1;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用丢弃层,随机丢弃一些神经元,防止模型的过拟合,提高鲁棒性。
展平层2:将全连接层2的输出展平为一维向量,输出128个元素,即输出向量为128x1。
分支层:将展平层2的输出分为两个分支,分别进行不同的任务,即突变原因的分类和突变影响的回归。
输出层1:将分支层的第一个分支进行全连接运算,输出2个神经元,即输出向量为2x1,表示突变原因的分类结果;使用Sigmoid激活函数,将输出值映射到0到1之间,表示概率;使用交叉熵损失,衡量模型的输出和真实值之间的差异,指导模型的优化;使用准确率,评估模型的效果和可靠性。
输出层2:将分支层的第二个分支进行全连接运算,输出1个神经元,即输出向量为1x1,表示突变影响的回归结果;使用恒等激活函数,将输出值保持不变,表示数值;使用均方误差损失,衡量模型的输出和真实值之间的差异,指导模型的优化;使用均方根误差,评估模型的效果和可靠性。
进一步的,形成分析报告的具体步骤方法如下。
根据分析的内容和目的,确定分析报告的结构和章节。
根据分析报告的结构和章节,撰写分析报告的内容,使用规范的语言和格式,阐述分析的过程和结果,以及提出的建议或措施,同时引用相关的数据和图表,以便于说明和证明。
对分析报告进行审核和修改,检查报告的内容是否完整、准确、合理、有效,以及报告的格式是否规范、美观、一致,以及报告的语言是否通顺、清晰、简洁,如果发现报告有错误、缺陷、不足或改进的地方,进行相应的修改和完善。
将分析报告提交给相关方,以便于进行后续的审批、评价、反馈或实施。
进一步的,对处理后的数据进行再次检查具体包括。
将处理后的数据与处理前的数据进行对比,检查数据的变化和差异,以及数据的一致性和兼容性,检查数据是否符合规划的要求和标准。
数据验证:将处理后的数据进行验证,检查数据的正确性和完整性,以及数据的精度、准确度和有效性,检查数据是否存在错误、缺失、重复问题。
对于再次检查中发现的数据问题,进行修正和完善,使数据达到最终的合格和优化的状态。
将处理后的数据进行数据审核,检查数据是否符合国土空间规划的要求和标准,对处理后的数据进行数据规范性审核、数据合理性审核、数据兼容性审核操作,以确保数据符合国土空间规划的要求和标准。
本发明的目的还在于提供一种国土空间规划空间数据突变检查应用系统,包括云客户端应用系统和云服务端应用系统,所述云客户端应用系统包括:用户登录模块,用于用户注册和登录云客户端应用系统;数据预处理模块,用于执行数据格式转换和坐标系转换;所述云服务端应用系统包括:空间数据突变检查模块,用于对数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告;存储模块,用于存储对比数据和标准;分析与建议模块,通过分析评估模型对生成的检查报告进行分析并提出修改建议;纠错与复检模块,进行复检以验证是否还存在数据突变现象。
本发明的目的还在于提供一种国土空间规划空间数据突变检查云平台,包括:云客户端,用于部署所述云客户端应用系统;云服务端,用于部署所述云服务端应用系统,为云客户端应用系统提供对比服务,发现并记录数据中存在的突变问题,生成检查报告;云支撑平台,用于为云客户端应用系统和云服务端应用系统提供计算、存储、网络通信及运行能力支持,并部署分析评估模型。
与现有技术相比,本申请至少具有如下技术效果或优点。
本申请通过多种方式全面自动发现数据中的突变问题并生成检查报告,然后利用构建的分析评估模型判断突变的原因和影响,提出处理建议或规划调整措施;同时,还可以自动处理和复检突变问题,验证问题是否得到纠正,从而提高了数据质量和工作效率,为国土空间规划的制定和实施提供了有力的智能化数据支撑。
附图说明
图1为本申请实施例提供的方案实施环境示意图。
图2为本申请实施例提供的一种国土空间规划空间数据突变检查方法流程图。
图3为本申请实施例中分析评估模型的训练方法流程图。
图4为本申请实施例提供的一种国土空间规划空间数据突变检查应用系统结构图。
图5为本申请实施例提供的一种国土空间规划空间数据突变检查云平台结构图。
图6为本申请实施例中分析评估模型的ROC曲线图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,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更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例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。
下面通过参考附图描述的实施例以及方位性的词语均是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的一个宽泛实施例中,国土空间规划空间数据突变检查方法,包括以下步骤。
对国土空间规划数据进行预处理。
分别使用面积比较法、重叠比较法、缓冲区分析法、拓扑关系分析法以及空间分析法对国土空间规划数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告。
使用分析评估模型对突变原因和突变影响进行分析,提出相应的处理建议或规划调整措施,形成分析报告。
对发现的突变问题进行处理。
对处理后的数据进行再次检查,验证正确性和完整性,以确保处理后的数据符合国土空间规划的要求和标准。
对检查过程和结果进行可视化展示和交互操作,生成文档报告和图形报告,为国土空间规划的编制、审批、实施和监督提供数据支撑。
本实施例中,对于数据错误的修改包括错误数据的修正或删除,可采用人工方式进行。
本实施例中,对于数据缺失的补充,使用最近邻插补的方法,具体包括:根据数据的相似性,使用与缺失样本最邻近的K个样本的属性值,加权平均后插补,公式如下:xmis=Σk m=1wmxm/Σk m=1wm,其中,xmis是缺失值的估计值,xm是与缺失样本最邻近的第m个样本的属性值,wm是第m个样本的权重,与距离成反比,即距离越近,权重越大,k是邻居的个数,根据数据的情况选择合适的值。
本实施例中,对于数据结构的调整,使用数据转换的方法,具体包括:首先,分析数据的来源、类型、格式、规模和质量特征,确定数据转换的目标和需求,选择合适的数据转换方法和工具;其次,根据数据转换的方法,对数据进行相应的处理,使数据符合目标结构和格式的要求;最后,验证数据转换的结果,检查数据的完整性、准确性、一致性、有效性,评估数据转换的效果和性能,记录数据转换的过程和日志。其中,数据转换的方法选择数据聚合法。
本实施例中,对于数据质量的优化,使用数据平滑的方法,具体包括:首先,分析数据的特征,确定数据平滑的目的和需求,选择合适的数据平滑方法和参数;其次,根据数据平滑的方法,对数据进行相应的处理,使数据更加平滑和稳定,减少数据的波动和异常;最后,验证数据平滑的结果,评估数据平滑的效果和性能,记录数据平滑的过程和日志。其中,数据平滑方法选择指数平滑法,具体步骤为:首先,确定平滑系数α(α是一个介于0和1之间的常数,用于控制过去数据对预测值的影响程度,α越大,表示对近期数据的依赖越强,预测值越敏感;α越小,表示对远期数据的依赖越强,预测值越平稳;平滑系数α可以根据数据的特征和预测目的进行选择,也可以通过最小化预测误差的方法进行估计);其次,根据指数平滑法的基本公式,计算每期的预测值,公式为:Ft+1=αYt+(1−α)Ft,其中,Yt表示第t期的实际值,Ft表示第t期的预测值,Ft+1表示第t+1期的预测值;最后,根据预测值和实际值的差异,评估指数平滑法的预测效果和准确性。预测误差越小,表示预测效果越好,预测准确性越高。
进一步的,面积比较法的具体步骤为:将国土空间规划的总体规划图层与控制性详细规划图层进行面积比较,检查两个图层的总面积是否一致,以及各个地类的面积是否符合规划要求,如果发现面积差异超过设定的阈值,记录为突变问题,需要进行调整或说明,其中:总面积差异=|A1-A2|,其中A1是总体规划图层的总面积,A2是控制性详细规划图层的总面积;地类面积差异=|Ai1-Ai2|,其中Ai1是总体规划图层中第i个地类的面积,Ai2是控制性详细规划图层中第i个地类的面积。
重叠比较法的具体步骤为:将国土空间规划的总体规划图层与控制性详细规划图层进行重叠比较,检查两个图层的重叠部分是否有相同的地类属性,以及是否有不合理的重叠现象,如果发现地类属性不一致或重叠面积过大的情况,记录为突变问题,需要进行调整或说明,其中。
重叠面积=Ai1∩Ai2,其中Ai1是总体规划图层中第i个地类的面积,Ai2是控制性详细规划图层中第i个地类的面积。
重叠率=重叠面积/最小面积,其中,最小面积=min(Ai1,Ai2)。
如果重叠面积为0,表示两个图层没有重叠,不需要进行比较。
如果重叠面积不为0,但重叠部分的属性不一致,表示两个图层有冲突,需要进行调整或说明。
如果重叠面积不为0,且重叠部分的属性一致,但重叠率超过设定的阈值,表示两个图层有过度重叠,需要进行调整或说明。
缓冲区分析法的具体步骤为:将国土空间规划的控制性详细规划图层进行缓冲区分析,根据不同的地类设置不同的缓冲区半径,检查缓冲区内是否有与规划不符的地类或建设项目,以及是否有违反规划限制的情况,如果发现缓冲区内有不合规的情况,记录为突变问题,需要进行调整或说明,其中。
缓冲区=Bi,其中Bi是控制性详细规划图层中第i个地类的缓冲区,根据地类的特点和要求设置不同的缓冲区半径。
缓冲区内的地类或建设项目=Ci,其中Ci是缓冲区Bi内的地类或建设项目,为其他空间数据图层或实地调查数据。
缓冲区内的规划限制=Ri,其中Ri是缓冲区Bi内的规划限制,为法律法规、规划标准、环境保护方面的要求。
如果缓冲区内的地类或建设项目与控制性详细规划图层中的地类不一致,或者与缓冲区内的规划限制相冲突,就认为存在突变问题,需要进行调整或说明。
拓扑关系分析法的具体步骤为:将国土空间规划的控制性详细规划图层进行拓扑关系分析,检查图层内的要素是否有正确的拓扑关系,以及是否有拓扑错误的情况,如果发现拓扑关系不正确或拓扑错误的情况,记录为突变问题,需要进行调整或说明,其中。
拓扑关系=Tij,其中Tij是控制性详细规划图层中第i个要素和第j个要素之间的拓扑关系,包括相邻、相交、包含、被包含和相离。
拓扑错误=Eij,其中Eij是控制性详细规划图层中第i个要素和第j个要素之间的拓扑错误,包括重叠、悬挂、伪节点、自相交和多边形不闭合。
空间分析法的具体步骤为:将国土空间规划的控制性详细规划图层与其他相关的空间数据进行空间分析,检查规划图层是否与其他空间数据有合理的空间关系,以及是否有不利于规划实施的情况,如果发现空间关系不合理或有不利因素的情况,记录为突变问题,需要进行调整或说明,其中。
空间关系=Sij,其中Sij是控制性详细规划图层中第i个要素和其他空间数据图层中第j个要素之间的空间关系,包括距离、方向、位置和形状。
空间影响=Iij,其中Iij是控制性详细规划图层中第i个要素和其他空间数据图层中第j个要素之间的空间影响,包括正面的、负面的和中性的。
进一步的,分析评估模型的构建过程包括以下步骤。
将突变检查的结果和相关的空间数据进行整合,形成一个完整的数据集,包括突变问题的类型、位置、面积和属性信息,以及突变问题所在区域的自然条件、社会经济和规划实施数据。
根据突变问题的特点和数据的特征,基于卷积神经网络构建分析评估模型。
将数据集划分为训练集、验证集和测试集,使用训练集和验证集对模型进行训练,调整模型的参数和超参数,使模型能够达到最佳的性能。
使用测试集对模型进行评估,评估模型的效果和可靠性。
使用模型对突变问题进行分析,输出突变原因和突变影响的结果。
进一步的,分析评估模型的具体结构包括。
输入层:输入层接收突变检查的结果和相关的空间数据,将图像数据转换为像素矩阵,将属性数据转换为向量或张量,将空间数据转换为坐标或网格;输入层分为三个子层,分别处理不同类型的数据,然后将它们的输出拼接起来,作为后续层的输入。
卷积层1:使用32个大小为3x3x5的卷积核对输入图像进行卷积操作,步长为1,输出32个大小为256x256x1的特征图,即特征矩阵为32x256x256;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用残差连接,解决梯度消失或爆炸的问题,提高模型的深度和性能;通过填充使得卷积层的输出大小与输入大小相同,避免信息的损失。
池化层1:使用最大池化方法,对卷积层1的输出进行下采样,池化核的大小为2x2,步长为2,输出32个大小为128x128x1的特征图,即特征矩阵为32x128x128;使用跨通道池化,增强特征图之间的关联性,提高模型的泛化能力。
卷积层2:使用64个大小为3x3x32的卷积核对池化层1的输出进行卷积操作,步长为1,输出64个大小为128x128x1的特征图,即特征矩阵为64x128x128;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用残差连接,解决梯度消失或爆炸的问题,提高模型的深度和性能;使用填充的方法,使得卷积层的输出大小与输入大小相同,避免信息的损失。
池化层2:使用最大池化方法,对卷积层2的输出进行下采样,池化核的大小为2x2,步长为2,输出64个大小为64x64x1的特征图,即特征矩阵为64x64x64;使用跨通道池化,增强特征图之间的关联性,提高泛化能力。
展平层1:将池化层2的输出展平为一维向量,输出262144个元素,即输出向量为262144x1。
全连接层1:将展平层1的输出进行全连接运算,输出256个神经元,即输出向量为256x1;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用丢弃层,随机丢弃一些神经元,防止模型的过拟合,提高鲁棒性。
全连接层2:将全连接层1的输出进行全连接运算,输出128个神经元,即输出向量为128x1;使用ReLU激活函数,增加模型的非线性能力;使用批量归一化,减少内部协变量偏移,加速模型的收敛;使用丢弃层,随机丢弃一些神经元,防止模型的过拟合,提高鲁棒性。
展平层2:将全连接层2的输出展平为一维向量,输出128个元素,即输出向量为128x1。
分支层:将展平层2的输出分为两个分支,分别进行不同的任务,即突变原因的分类和突变影响的回归。
输出层1:将分支层的第一个分支进行全连接运算,输出2个神经元,即输出向量为2x1,表示突变原因的分类结果;使用Sigmoid激活函数,将输出值映射到0到1之间,表示概率;使用交叉熵损失,衡量模型的输出和真实值之间的差异,指导模型的优化;使用准确率,评估模型的效果和可靠性。
输出层2:将分支层的第二个分支进行全连接运算,输出1个神经元,即输出向量为1x1,表示突变影响的回归结果;使用恒等激活函数,将输出值保持不变,表示数值;使用均方误差损失,衡量模型的输出和真实值之间的差异,指导模型的优化;使用均方根误差,评估模型的效果和可靠性。
进一步的,形成分析报告的具体步骤方法如下。
根据分析的内容和目的,确定分析报告的结构和章节。
根据分析报告的结构和章节,撰写分析报告的内容,使用规范的语言和格式,阐述分析的过程和结果,以及提出的建议或措施,同时引用相关的数据和图表,以便于说明和证明。
对分析报告进行审核和修改,检查报告的内容是否完整、准确、合理、有效,以及报告的格式是否规范、美观、一致,以及报告的语言是否通顺、清晰、简洁,如果发现报告有错误、缺陷、不足或改进的地方,进行相应的修改和完善。
将分析报告提交给相关方,以便于进行后续的审批、评价、反馈或实施。
进一步的,对处理后的数据进行再次检查具体包括。
将处理后的数据与处理前的数据进行对比,检查数据的变化和差异,以及数据的一致性和兼容性,检查数据是否符合规划的要求和标准。
数据验证:将处理后的数据进行验证,检查数据的正确性和完整性,以及数据的精度、准确度和有效性,检查数据是否存在错误、缺失、重复问题。
对于再次检查中发现的数据问题,进行修正和完善,使数据达到最终的合格和优化的状态。
将处理后的数据进行数据审核,检查数据是否符合国土空间规划的要求和标准,对处理后的数据进行数据规范性审核、数据合理性审核、数据兼容性审核操作,以确保数据符合国土空间规划的要求和标准。
在处理后的数据与处理前的数据进行对比时,重点关注数据的一致性。检查字段之间的关系是否得到正确维护,确保数据的格式、单位和结构没有发生变化。这包括确保新加入的数据项符合预期,不会破坏整体数据的一致性。在这一步骤中,可以使用比对工具或脚本来自动检测潜在的问题,减少人为错误的可能性。
针对不同数据源的数据,进行兼容性检查是至关重要的。确保处理后的数据可以无缝集成到现有系统或平台中,而不引起冲突或不一致,涉及到数据格式的调整、标准化,以及与其他系统的接口适配。同时,检查数据是否符合行业标准和规范,确保整个数据集的一致性。
数据验证的详细步骤包括。
正确性验证:确保数据的内容是准确的,符合实际情况。
完整性验证:检查数据是否完整,没有缺失任何必要的信息。
精度和准确度验证:确保数值型数据的精度和准确度符合要求。
有效性验证:确认数据符合定义的有效性规则,例如范围、格式等。
一旦在验证中发现数据问题,立即进行修正和完善。包括清理不准确或无效的数据,填充缺失的数据,解决数据重复等问题。
数据审核是一个全面的审查过程,确保处理后的数据符合国土空间规划的要求和标准。包括。
规范性审核: 确认数据是否符合规范和标准。
合理性审核:确保数据的逻辑关系和结果是合理的。
兼容性审核:确保数据可以与其他相关数据或系统兼容。
国土空间规划要求审核:验证数据是否符合国土空间规划的具体要求,确保数据在整体规划中的合理性。
通过严格的数据处理、验证和审核流程,可以确保数据的高质量、可信度和适用性,为后续的分析和决策提供可靠的基础。
本发明的目的还在于提供一种国土空间规划空间数据突变检查应用系统,包括云客户端应用系统和云服务端应用系统,所述云客户端应用系统包括:用户登录模块,用于用户注册和登录云客户端应用系统;数据预处理模块,用于执行数据格式转换和坐标系转换;所述云服务端应用系统包括:空间数据突变检查模块,用于对数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告;存储模块,用于存储对比数据和标准;分析与建议模块,通过分析评估模型对生成的检查报告进行分析并提出修改建议;纠错与复检模块,进行复检以验证是否还存在数据突变现象。
本发明的目的还在于提供一种国土空间规划空间数据突变检查云平台,包括:云客户端,用于部署所述云客户端应用系统;云服务端,用于部署所述云服务端应用系统,为云客户端应用系统提供对比服务,发现并记录数据中存在的突变问题,生成检查报告;云支撑平台,用于为云客户端应用系统和云服务端应用系统提供计算、存储、网络通信及运行能力支持,并部署分析评估模型。
下面结合附图,列举本发明的优选实施例,对本发明作进一步的详细说明。
图1示出了本申请实施例的方案实施环境,该方案实施环境实现了国土空间规划空间数据突变检查及其所需要的分析评估模型的训练和使用系统,该方案实施环境包括:模型训练设备,模型使用设备,云客户端,云服务端和云支撑平台。
模型训练设备可以是诸如手机、平板电脑、笔记本电脑、台式电脑、智能电视、多媒体播放设备、车载终端、服务器、智能机器人等电子设备,或者是其他一些具有较强计算能力的电子设备。模型训练设备用于对分析评估模型进行训练。
训练后的分析评估模型可部署在模型使用设备中使用,模型使用设备可以是诸如手机、平板电脑、笔记本电脑、台式电脑、智能电视、多媒体播放设备、车载终端、服务器、智能机器人等电子设备,或者是其他一些具有较强计算能力的电子设备。当给定一个检查报告作为输入时,分析评估模型会根据检查报告中的突变问题、突变原因、突变影响等信息,生成一个合理的检测意见作为输出。
云客户端用于部署所述云客户端应用系统,上传合适格式的数据并进行数据预处理,预处理好的数据经过通信网络传输至云服务端。
云服务端用于部署所述云服务端应用系统,为云客户端应用系统提供对比数据和标准,并提供对比服务,发现并记录数据中存在的突变问题,生成检查报告。
云支撑平台用于为云客户端应用系统和云服务端应用系统提供计算、存储、网络通信及运行能力支持,并部署分析评估模型,通过生成的检查报告提供分析和建议。
模型训练设备,模型使用设备和云支撑平台可以为一个设备,也可为三个不同设备。
图2为国土空间规划空间数据突变检查方法,具体步骤包括。
对国土空间规划数据进行预处理,包括数据格式转换、坐标系转换等,确保数据的规范性和准确性,将不同格式的数据标准化为所需的格式,例如:将.GIF文件转换为.jpg文件;在坐标系转换方面,将数据从不同坐标系转换为国家大地坐标系。
分别使用面积比较法、重叠比较法、缓冲区分析法、拓扑关系分析法及空间分析法,对数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告,检查报告包括检查基本信息,检查方法说明,检查数据、突变问题、突变原因、突变影响等内容,通过部署在云端服务器的突变检查工具,选择规划前后的空间单元图层,或规划方案的属性表格进行对比分析。
使用分析评估模型对突变原因和突变影响进行分析,提出相应的处理建议或规划调整措施,形成分析报告,分析报告包括数据质量评价、突变程度评价、突变类型评价、突变原因分析、突变影响分析,数据修正建议、规划调整建议、监督措施建议等内容。根据突变问题的类型,可以将突变问题分为以下几类:数据质量问题、数据一致性问题、数据兼容性问题和数据合理性问题,其中,数据质量问题是指数据存在错误、缺失、重复、不精确问题,影响数据的正确性和完整性;数据一致性问题是指数据在不同的图层、阶段、层级或范围之间存在不一致或冲突的情况,影响数据的统一性和协调性;数据兼容性问题是指数据与其他相关的空间数据或规划要求之间存在不兼容或不符合的情况,影响数据的适应性和可用性;数据合理性问题是指数据与实际的自然条件、社会经济或规划实施之间存在不合理或不利于规划目标的实现的情况,影响数据的科学性和有效性。根据突变问题的严重程度,可以将突变问题分为以下几级:轻微的、一般的、严重的和极其严重的,其中,轻微的突变问题是指数据的问题不影响数据的基本功能和使用,只需要进行一些简单的修改或补充,或者可以忽略不计的问题;一般的突变问题是指数据的问题影响数据的部分功能和使用,需要进行一些较为复杂的修改或补充,或者可以通过一些措施进行弥补的问题;严重的突变问题是指数据的问题影响数据的主要功能和使用,需要进行一些重大的修改或补充,或者需要通过一些调整措施进行改善的问题;极其严重的突变问题是指数据的问题影响数据的全部功能和使用,需要进行一些根本的修改或补充,或者需要通过一些规划调整措施进行优化的问题。根据突变问题的影响范围,可以将突变问题分为以下几种:局部的、区域的、全局的和系统的,其中,局部的突变问题是指数据的问题只发生在数据的某一部分或某一要素上,不影响数据的其他部分或其他要素的问题;区域的突变问题是指数据的问题发生在数据的某一区域或某一类别上,影响数据的该区域或该类别的问题;全局的突变问题是指数据的问题发生在数据的整体或所有要素上,影响数据的整体或所有要素的问题;系统的突变问题是指数据的问题发生在数据与其他空间数据或规划要求之间的关系上,影响数据与其他空间数据或规划要求之间的关系的问题。
对发现的突变问题进行处理,其中:对于突变检查中发现的数据错误,采用人工方式进行修正或删除;对于突变检查中发现的数据缺失,采用最近邻插补的方法进行补充;对于突变检查中发现的数据结构不合理,采用数据聚合法进行调整;对于突变检查中发现的数据质量不高,采用指数平滑法进行优化。
对处理后的数据进行再次检查,验证正确性和完整性,以确保处理后的数据符合国土空间规划的要求和标准。
对检查过程和结果进行可视化展示和交互操作,生成文档报告和图形报告,为国土空间规划的编制、审批、实施和监督提供数据支撑。
图3示出了分析评估模型的训练方法,包括以下步骤。
将突变检查的结果和相关的空间数据进行整合,形成一个完整的数据集,包括突变问题的类型、位置、面积和属性信息,以及突变问题所在区域的自然条件、社会经济和规划实施数据。
根据突变问题的特点和数据的特征,基于卷积神经网络构建分析评估模型。
将数据集划分为训练集、验证集和测试集,使用训练集和验证集对模型进行训练,调整模型的参数和超参数,使模型能够达到最佳的性能。
使用测试集对模型进行评估,评估模型的效果和可靠性。
使用模型对突变问题进行分析,输出突变原因和突变影响的结果。
图4,其示出了一种国土空间规划空间数据突变检查应用系统,包括云客户端应用系统和云服务端应用系统,所述云客户端应用系统包括:用户登录模块,用于用户注册和登录云客户端应用系统;数据预处理模块,用于执行数据格式转换和坐标系转换;所述云服务端应用系统包括:空间数据突变检查模块,用于对数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告;存储模块,用于存储对比数据和标准;分析与建议模块,通过分析评估模型对生成的检查报告进行分析并提出修改建议;纠错与复检模块,进行复检以验证是否还存在数据突变现象。
图5示出了一种国土空间规划空间数据突变检查云平台,包括:云客户端,用于部署所述云客户端应用系统;云服务端,用于部署所述云服务端应用系统,为云客户端应用系统提供对比服务,发现并记录数据中存在的突变问题,生成检查报告;云支撑平台,用于为云客户端应用系统和云服务端应用系统提供计算、存储、网络通信及运行能力支持,并部署分析评估模型。
为了评估国土空间规划空间数据突变检查方法的效果,我们对该方法进行了实验和测试。我们选取了四个不同的国土空间规划数据集,分别是北京市、上海市、广东省和新疆维吾尔自治区的国土空间规划数据,作为实验的对象。我们使用该方法对这四个数据集进行了突变检查、分析和处理,并对比了处理前后的数据质量和规划效果。我们使用了以下几个指标来衡量该方法的好坏。
突变检查的准确率:指检查方法正确地发现数据中存在的突变问题的比例。
突变分析的准确率:指分析评估模型正确地分析突变问题的原因和影响的比例。
突变处理的成功率:指处理方法成功地修改和纠正数据错误的比例。
突变验证的通过率:指验证方法通过处理后的数据是否符合规划要求和标准的比例。
突变展示的满意度:指用户对展示方法呈现的检查过程和结果的满意程度。
我们对这四个数据集分别进行了实验和测试,得到了的结果如表1所示。
表1北京市、上海市、广东省和新疆维吾尔自治区四个实验对象的实验结果表
。
分析评估模型是一种用于评估突变检查的结果和相关的空间数据的模型,它可以完成两个任务:突变原因的分类和突变影响的回归。为了评估这个模型的效果好坏,我们可以使用不同的评估指标,以反映模型的性能和可靠性。
对于突变原因的分类任务,我们使用了ROC曲线和AUC值来反映模型的分类能力较好。ROC曲线是一种表示模型的真正率和假正率之间的关系的图形,它可以显示模型在不同的阈值下的分类效果。AUC值是ROC曲线下的面积,它可以衡量模型的分类能力,越接近1越好。我们使用了[scikit-learn]库中的roc_curve和auc函数,来计算模型的ROC曲线和AUC值,并使用[matplotlib]库中的plot函数,来绘制模型的ROC曲线,如图6所示。从图6中可以看出,模型的ROC曲线呈现出一种向左上角弯曲的趋势,表示模型的分类效果较好。模型的AUC值为0.93,表示模型的分类能力较强,接近于完美的分类器。
对于突变影响的回归任务,我们使用了平均绝对误差(MAE)和均方根误差(RMSE)来评价模型的拟合程度。平均绝对误差(MAE)表示预测值和真实值之间的绝对差的平均值。均方根误差(RMSE)表示预测值和真实值之间的平方差的平均值的平方根。这两个指标都可以反映模型的预测误差的大小,平均绝对误差(MAE)和均方根误差(RMSE)越小,说明模型的拟合程度越高。我们使用了[sklearn]库中的mean_absolute_error和mean_squared_error函数,来计算均绝对误差(MAE)和均方根误差(RMSE),分别为0.12和0.18,表示模型的拟合程度较高。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.国土空间规划空间数据突变检查方法,其特征在于,包括以下步骤:
对国土空间规划数据进行预处理;
分别使用面积比较法、重叠比较法、缓冲区分析法、拓扑关系分析法以及空间分析法对国土空间规划数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告;
使用分析评估模型对突变原因和突变影响进行分析,提出相应的处理建议或规划调整措施,形成分析报告;
对发现的突变问题进行处理,其中:对于突变检查中发现的数据错误,采用人工方式进行修正或删除;对于突变检查中发现的数据缺失,采用最近邻插补的方法进行补充;对于突变检查中发现的数据结构不合理,采用数据聚合法进行调整;对于突变检查中发现的数据质量不高,采用指数平滑法进行优化;
对处理后的数据进行再次检查,验证正确性和完整性;
对检查过程和结果进行可视化展示和交互操作,生成文档报告和图形报告。
2.根据权利要求1所述的国土空间规划空间数据突变检查方法,其特征在于,面积比较法的具体步骤为:将国土空间规划的总体规划图层与控制性详细规划图层进行面积比较,检查两个图层的总面积是否一致,以及各个地类的面积是否符合规划要求,如果发现面积差异超过设定的阈值,记录为突变问题,需要进行调整或说明,其中:总面积差异=|A1-A2|,其中A1是总体规划图层的总面积,A2是控制性详细规划图层的总面积;地类面积差异=|Ai1-Ai2|,其中Ai1是总体规划图层中第i个地类的面积,Ai2是控制性详细规划图层中第i个地类的面积;
重叠比较法的具体步骤为:将国土空间规划的总体规划图层与控制性详细规划图层进行重叠比较,检查两个图层的重叠部分是否有相同的地类属性,以及是否有不合理的重叠现象,其中:重叠面积=Ai1∩Ai2,其中Ai1是总体规划图层中第i个地类的面积,Ai2是控制性详细规划图层中第i个地类的面积;重叠率=重叠面积/最小面积,其中,最小面积=min;如果重叠面积为0,表示两个图层没有重叠,不需要进行比较;如果重叠面积不为0,但重叠部分的属性不一致,表示两个图层有冲突,需要进行调整或说明;如果重叠面积不为0,且重叠部分的属性一致,但重叠率超过设定的阈值,表示两个图层有过度重叠,需要进行调整或说明;
缓冲区分析法的具体步骤为:将国土空间规划的控制性详细规划图层进行缓冲区分析,根据不同的地类设置不同的缓冲区半径,检查缓冲区内是否有与规划不符的地类或建设项目,以及是否有违反规划限制的情况,其中:缓冲区=Bi,其中Bi是控制性详细规划图层中第i个地类的缓冲区,根据地类的特点和要求设置不同的缓冲区半径;缓冲区内的地类或建设项目=Ci,其中Ci是缓冲区Bi内的地类或建设项目,为其他空间数据图层或实地调查数据;缓冲区内的规划限制=Ri,其中Ri是缓冲区Bi内的规划限制;如果缓冲区内的地类或建设项目与控制性详细规划图层中的地类不一致,或者与缓冲区内的规划限制相冲突,就认为存在突变问题,需要进行调整或说明;
拓扑关系分析法的具体步骤为:将国土空间规划的控制性详细规划图层进行拓扑关系分析,检查图层内的要素是否有正确的拓扑关系,以及是否有拓扑错误的情况,如果发现拓扑关系不正确或拓扑错误的情况,记录为突变问题,需要进行调整或说明,其中:拓扑关系=Tij,其中Tij是控制性详细规划图层中第i个要素和第j个要素之间的拓扑关系,包括相邻、相交、包含、被包含和相离;拓扑错误=Eij,其中Eij是控制性详细规划图层中第i个要素和第j个要素之间的拓扑错误,包括重叠、悬挂、伪节点、自相交和多边形不闭合;
空间分析法的具体步骤为:将国土空间规划的控制性详细规划图层与其他相关的空间数据进行空间分析,检查规划图层是否与其他空间数据有合理的空间关系,以及是否有不利于规划实施的情况,如果发现空间关系不合理或有不利因素的情况,记录为突变问题,需要进行调整或说明,其中:空间关系=Sij,其中Sij是控制性详细规划图层中第i个要素和其他空间数据图层中第j个要素之间的空间关系,包括距离、方向、位置和形状;空间影响=Iij,其中Iij是控制性详细规划图层中第i个要素和其他空间数据图层中第j个要素之间的空间影响,包括正面的、负面的和中性的。
3.根据权利要求1所述的国土空间规划空间数据突变检查方法,其特征在于,分析评估模型的构建过程包括以下步骤:
将突变检查的结果和相关的空间数据进行整合,形成一个完整的数据集,包括突变问题的类型、位置、面积和属性信息,以及突变问题所在区域的自然条件、社会经济和规划实施数据;
根据突变问题的特点和数据的特征,基于卷积神经网络构建分析评估模型;
将数据集划分为训练集、验证集和测试集,使用训练集和验证集对模型进行训练,调整模型的参数和超参数;
使用测试集对模型进行评估;
使用模型对突变问题进行分析,输出突变原因和突变影响的结果。
4.根据权利要求3所述的国土空间规划空间数据突变检查方法,其特征在于,分析评估模型的具体结构包括:
输入层:输入层接收突变检查的结果和相关的空间数据,将图像数据转换为像素矩阵,将属性数据转换为向量或张量,将空间数据转换为坐标或网格;输入层分为三个子层,分别处理不同类型的数据,然后将它们的输出拼接起来,作为后续层的输入;
卷积层1:使用32个大小为3x3x5的卷积核对输入图像进行卷积操作,步长为1,输出32个大小为256x256x1的特征图,即特征矩阵为32x256x256;使用ReLU激活函数;使用批量归一化;使用残差连接;通过填充使得卷积层的输出大小与输入大小相同;
池化层1:使用最大池化方法,对卷积层1的输出进行下采样,池化核的大小为2x2,步长为2,输出32个大小为128x128x1的特征图,即特征矩阵为32x128x128;使用跨通道池化;
卷积层2:使用64个大小为3x3x32的卷积核对池化层1的输出进行卷积操作,步长为1,输出64个大小为128x128x1的特征图,即特征矩阵为64x128x128;使用ReLU激活函数;使用批量归一化;使用残差连接;使用填充的方法,使得卷积层的输出大小与输入大小相同;
池化层2:使用最大池化方法,对卷积层2的输出进行下采样,池化核的大小为2x2,步长为2,输出64个大小为64x64x1的特征图,即特征矩阵为64x64x64;使用跨通道池化;
展平层1:将池化层2的输出展平为一维向量,输出262144个元素,即输出向量为262144x1;
全连接层1:将展平层1的输出进行全连接运算,输出256个神经元,即输出向量为256x1;使用ReLU激活函数;使用批量归一化;使用丢弃层,随机丢弃一些神经元;
全连接层2:将全连接层1的输出进行全连接运算,输出128个神经元,即输出向量为128x1;使用ReLU激活函数;使用批量归一化;使用丢弃层,随机丢弃一些神经元;
展平层2:将全连接层2的输出展平为一维向量,输出128个元素,即输出向量为128x1;
分支层:将展平层2的输出分为两个分支,分别进行不同的任务,即突变原因的分类和突变影响的回归;
输出层1:将分支层的第一个分支进行全连接运算,输出2个神经元,即输出向量为2x1,表示突变原因的分类结果;使用Sigmoid激活函数,将输出值映射到0到1之间,表示概率;使用交叉熵损失衡量模型的输出和真实值之间的差异;使用准确率评估模型的效果和可靠性;
输出层2:将分支层的第二个分支进行全连接运算,输出1个神经元,即输出向量为1x1,表示突变影响的回归结果;使用恒等激活函数,将输出值保持不变,表示数值;使用均方误差损失衡量模型的输出和真实值之间的差异;使用均方根误差评估模型的效果和可靠性。
5.根据权利要求1所述的国土空间规划空间数据突变检查方法,其特征在于,对处理后的数据进行再次检查具体包括:
将处理后的数据与处理前的数据进行对比,检查数据的变化和差异,以及数据的一致性和兼容性,检查数据是否符合规划的要求和标准;
数据验证:将处理后的数据进行验证,检查数据的正确性和完整性,以及数据的精度、准确度和有效性,检查数据是否存在错误、缺失、重复问题;
对于再次检查中发现的数据问题,进行修正和完善;
将处理后的数据进行数据审核,检查数据是否符合国土空间规划的要求和标准,对处理后的数据进行数据规范性审核、数据合理性审核、数据兼容性审核操作。
6.一种国土空间规划空间数据突变检查应用系统,用于基于权利要求1所述的国土空间规划空间数据突变检查方法来进行数据处理和突变检查,其特征在于,包括云客户端应用系统和云服务端应用系统,所述云客户端应用系统包括:用户登录模块,用于用户注册和登录云客户端应用系统;数据预处理模块,用于执行数据格式转换和坐标系转换;所述云服务端应用系统包括:空间数据突变检查模块,用于对数据进行突变检查,发现并记录数据中存在的突变问题,生成检查报告;存储模块,用于存储对比数据和标准;分析与建议模块,通过分析评估模型对生成的检查报告进行分析并提出修改建议;纠错与复检模块,进行复检以验证是否还存在数据突变现象。
7.一种国土空间规划空间数据突变检查云平台,用于部署权利要求6所述的国土空间规划空间数据突变检查应用系统,其特征在于,包括:
云客户端,用于部署所述云客户端应用系统;
云服务端,用于部署所述云服务端应用系统,为云客户端应用系统提供对比服务,发现并记录数据中存在的突变问题,生成检查报告;
云支撑平台,用于为云客户端应用系统和云服务端应用系统提供计算、存储、网络通信及运行能力支持,并部署分析评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014198.2A CN117522174A (zh) | 2024-01-05 | 2024-01-05 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410014198.2A CN117522174A (zh) | 2024-01-05 | 2024-01-05 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522174A true CN117522174A (zh) | 2024-02-06 |
Family
ID=89753565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410014198.2A Pending CN117522174A (zh) | 2024-01-05 | 2024-01-05 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522174A (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003200922B2 (en) * | 1997-10-06 | 2006-08-03 | Trustees Of Tufts College | Self-encoding fiber optic sensor |
CN106897694A (zh) * | 2017-02-24 | 2017-06-27 | 西安天和防务技术股份有限公司 | 用于国土资源监控的违建场景识别方法 |
CN107748947A (zh) * | 2017-08-29 | 2018-03-02 | 重庆工商大学 | 城市公园公共服务绩效评价与优化方法 |
CN111553822A (zh) * | 2020-04-10 | 2020-08-18 | 上海哲寻信息科技有限公司 | 基于电子模拟沙盘的城市管理演练方法和装置及设备 |
CN112988788A (zh) * | 2021-05-20 | 2021-06-18 | 四川省林业和草原调查规划院 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
CN113240257A (zh) * | 2021-04-30 | 2021-08-10 | 陕西华地勘察设计咨询有限公司 | 一种基于最小累积阻力模型的国土空间分区方法和装置 |
CN113779323A (zh) * | 2021-09-13 | 2021-12-10 | 刘建平 | 一种国土空间规划空间数据突变检查方法、应用系统及云平台 |
CN114386816A (zh) * | 2021-12-31 | 2022-04-22 | 四川农业大学 | 一种国土空间生态修复关键区识别系统 |
CN114493167A (zh) * | 2021-12-31 | 2022-05-13 | 深圳大学 | 一种城市国土空间的治理优先级划分方法 |
CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
CN114936709A (zh) * | 2022-06-10 | 2022-08-23 | 张玉萍 | 一种城市绿地空间及树木规划方法 |
CN115293570A (zh) * | 2022-08-03 | 2022-11-04 | 鲁东大学 | 一种基于gis国土空间规划系统及方法 |
CA3170083A1 (en) * | 2022-08-10 | 2022-11-07 | Mavryck Inc. | Systems and methods for project and program management using artificial intelligence |
CN116386311A (zh) * | 2022-10-17 | 2023-07-04 | 扬州大学 | 一种考虑极端天气条件的交通可达性评估方法 |
CN116414143A (zh) * | 2023-04-24 | 2023-07-11 | 吉林大学 | 基于改进自适应伪谱法的挠性遥感卫星姿态机动规划方法 |
CN116800586A (zh) * | 2023-07-21 | 2023-09-22 | 河南博兆电子科技有限公司 | 一种电信网络数据通信故障诊断方法 |
CN116862106A (zh) * | 2023-07-06 | 2023-10-10 | 广州市城市规划勘测设计研究院 | 一种城市建设用地更新潜力分析方法、装置、终端及介质 |
CN117077239A (zh) * | 2023-08-18 | 2023-11-17 | 洛阳众智软件科技股份有限公司 | 一种智能在线图纸审查方法及系统 |
CN117131143A (zh) * | 2023-07-04 | 2023-11-28 | 南京信息工程大学 | 一种海域地理实体构建方法 |
CN117194919A (zh) * | 2023-09-05 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 一种生产数据分析系统 |
CN117271683A (zh) * | 2023-09-13 | 2023-12-22 | 北京欣智恒科技股份有限公司 | 一种测绘数据的智能分析评价方法 |
-
2024
- 2024-01-05 CN CN202410014198.2A patent/CN117522174A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003200922B2 (en) * | 1997-10-06 | 2006-08-03 | Trustees Of Tufts College | Self-encoding fiber optic sensor |
CN106897694A (zh) * | 2017-02-24 | 2017-06-27 | 西安天和防务技术股份有限公司 | 用于国土资源监控的违建场景识别方法 |
CN107748947A (zh) * | 2017-08-29 | 2018-03-02 | 重庆工商大学 | 城市公园公共服务绩效评价与优化方法 |
CN111553822A (zh) * | 2020-04-10 | 2020-08-18 | 上海哲寻信息科技有限公司 | 基于电子模拟沙盘的城市管理演练方法和装置及设备 |
CN113240257A (zh) * | 2021-04-30 | 2021-08-10 | 陕西华地勘察设计咨询有限公司 | 一种基于最小累积阻力模型的国土空间分区方法和装置 |
CN112988788A (zh) * | 2021-05-20 | 2021-06-18 | 四川省林业和草原调查规划院 | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
CN113779323A (zh) * | 2021-09-13 | 2021-12-10 | 刘建平 | 一种国土空间规划空间数据突变检查方法、应用系统及云平台 |
CN114386816A (zh) * | 2021-12-31 | 2022-04-22 | 四川农业大学 | 一种国土空间生态修复关键区识别系统 |
CN114493167A (zh) * | 2021-12-31 | 2022-05-13 | 深圳大学 | 一种城市国土空间的治理优先级划分方法 |
CN114861277A (zh) * | 2022-05-23 | 2022-08-05 | 中国科学院地理科学与资源研究所 | 一种长时序国土空间功能与结构模拟方法 |
CN114936709A (zh) * | 2022-06-10 | 2022-08-23 | 张玉萍 | 一种城市绿地空间及树木规划方法 |
CN115293570A (zh) * | 2022-08-03 | 2022-11-04 | 鲁东大学 | 一种基于gis国土空间规划系统及方法 |
CA3170083A1 (en) * | 2022-08-10 | 2022-11-07 | Mavryck Inc. | Systems and methods for project and program management using artificial intelligence |
CN116386311A (zh) * | 2022-10-17 | 2023-07-04 | 扬州大学 | 一种考虑极端天气条件的交通可达性评估方法 |
CN116414143A (zh) * | 2023-04-24 | 2023-07-11 | 吉林大学 | 基于改进自适应伪谱法的挠性遥感卫星姿态机动规划方法 |
CN117131143A (zh) * | 2023-07-04 | 2023-11-28 | 南京信息工程大学 | 一种海域地理实体构建方法 |
CN116862106A (zh) * | 2023-07-06 | 2023-10-10 | 广州市城市规划勘测设计研究院 | 一种城市建设用地更新潜力分析方法、装置、终端及介质 |
CN116800586A (zh) * | 2023-07-21 | 2023-09-22 | 河南博兆电子科技有限公司 | 一种电信网络数据通信故障诊断方法 |
CN117077239A (zh) * | 2023-08-18 | 2023-11-17 | 洛阳众智软件科技股份有限公司 | 一种智能在线图纸审查方法及系统 |
CN117194919A (zh) * | 2023-09-05 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 一种生产数据分析系统 |
CN117271683A (zh) * | 2023-09-13 | 2023-12-22 | 北京欣智恒科技股份有限公司 | 一种测绘数据的智能分析评价方法 |
Non-Patent Citations (2)
Title |
---|
王鑫宇等: "漯河市构筑空间与绿度空间耦合分析及仿真模拟优化", 《浙江农林大学学报》, vol. 39, no. 01, 12 August 2021 (2021-08-12), pages 95 - 104 * |
陈盼芳: "测绘地理信息大数据背景下的国土空间规划应用", 《中国高新科技》, no. 18, 25 September 2023 (2023-09-25), pages 153 - 155 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
US10346782B2 (en) | Adaptive augmented decision engine | |
WO2023071121A1 (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN115082920B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN111523678A (zh) | 业务的处理方法、装置、设备及存储介质 | |
CN113674087A (zh) | 企业信用等级评定方法、装置、电子设备和介质 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN117575804A (zh) | 一种货物资产风险分析方法、系统及介质 | |
US20230385690A1 (en) | Computer-readable recording medium storing determination program, determination apparatus, and method of determining | |
CN117522174A (zh) | 国土空间规划空间数据突变检查方法、应用系统及云平台 | |
CN115658515A (zh) | 一种深度学习蜕变测试用例排序方法及计算机可读介质 | |
CN116188940A (zh) | 训练模型的方法、装置、存储介质以及电子设备 | |
US20220222568A1 (en) | System and Method for Ascertaining Data Labeling Accuracy in Supervised Learning Systems | |
CN114968821A (zh) | 基于强化学习的测试数据生成方法及装置 | |
CN113641823A (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112749978A (zh) | 检测方法、装置、设备、存储介质以及程序产品 | |
KR20210105774A (ko) | 인공지능을 이용한 크라우드 아웃소싱 작업 검수 대상 샘플링 방법 및 장치 | |
CN113192622B (zh) | 基于云边缘的ar巡检校验医疗数据的方法、装置及设备 | |
US20220222546A1 (en) | Evaluating Supervised Learning Models Through Comparison of Actual and Predicted Model Outputs | |
US20240152805A1 (en) | Systems, methods, and non-transitory computer-readable storage devices for training deep learning and neural network models using overfitting detection and prevention | |
CN112990548B (zh) | 位置点确定方法、装置、电子设备和可读存储介质 | |
US11803815B1 (en) | System for the computer matching of targets using machine learning |
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 |