CN117575494A - 多目标redd项目区域的聚合方法、系统、终端及介质 - Google Patents
多目标redd项目区域的聚合方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN117575494A CN117575494A CN202311359359.3A CN202311359359A CN117575494A CN 117575494 A CN117575494 A CN 117575494A CN 202311359359 A CN202311359359 A CN 202311359359A CN 117575494 A CN117575494 A CN 117575494A
- Authority
- CN
- China
- Prior art keywords
- redd
- target
- coordinate
- aggregation
- preset
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 115
- 238000004220 aggregation Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 8
- 229910052799 carbon Inorganic materials 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供的多目标REDD项目区域的聚合方法、系统、终端及介质,具体涉及森林碳汇技术领域,本方案基于采集到的若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个坐标点的多维加权特征集合;利用聚类算法将所有多维加权特征集合进行聚类,获得若干个多维加权特征集合对应的栅格点集;利用凸包算法,将每个栅格点集中的坐标点求凸包,获得栅格点集的凸包集合;基于所有凸包集合对应的目标REDD项目区域,获得所有目标REDD项目区域的聚合区域。该方案能够有效提高对REDD项目区域的边界识别精度,从而有利于实现对分散区域的综合管理和评估。
Description
技术领域
本发明涉及森林碳汇技术领域,尤其涉及的是一种多目标REDD项目区域的聚合方法、系统、终端及介质。
背景技术
目前,REDD(Reducing Emissions from Deforestation and ForestDegradation)项目旨在通过保护和管理森林资源来实现碳排放的减少,来减少森林砍伐和退化对温室气体排放的影响。然而,由于REDD项目通常涉及广泛的地理区域,而且往往涉及到大量分散的零碎区域,导致项目的管理和监测变得复杂困难。
现有技术主要是针对单个森林区域数据进行管理和监测,而由于缺乏对不同区域数据之间关联性的综合考虑,无法同时对多个零碎区域数据进行管理和监测,使得REDD项目整体的管理和监测效率比较低。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种多目标REDD项目区域的聚合方法、系统、终端及介质,旨在解决现有技术中存在的对多个目标REDD项目区域数据同时进行管理和监测效率比较低的问题。
为了实现上述目的,本发明第一方面提供一种多目标REDD项目区域的聚合方法,主要包括以下步骤:
采集若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据;
基于每个所述坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个所述坐标点的多维加权特征集合;
利用聚类算法将所有所述多维加权特征集合进行聚类,获得若干个所述多维加权特征集合对应的栅格点集;
利用凸包算法,将每个所述栅格点集中的坐标点求凸包,获得所述栅格点集的凸包集合;
基于所有所述凸包集合对应的目标REDD项目区域,获得所有所述目标REDD项目区域的聚合区域。
可选的,所述基于每个所述坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个所述坐标点的多维加权特征集合,包括:
基于每个所述坐标点上目标图层的地理特征数据,构建每个所述坐标点对应的一组地理特征集合;
基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用所述坐标点及对应的所述地理特征集合,构建多维加权特征集合。
可选的,所述基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用所述坐标点及对应的所述地理特征集合,构建多维加权特征集合,包括:
将所有所述目标REDD项目区域中的所有所述地理特征集合进行标准化处理,获得每个所述坐标点对应的标准化地理特征集合;
基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用所述坐标点及对应的所述标准化地理特征集合,构建多维加权特征集合。
可选的,所述利用聚类算法将所有所述多维加权特征集合进行聚类,获得若干个所述多维加权特征集合对应的栅格点集,包括:
利用聚类算法,将所述多维加权特征集合进行聚类,并为所述多维加权特征集合设置对应的聚类标签;
遍历所述多维加权特征集合及对应的聚类标签,获得若干个所述多维加权特征集合对应的栅格点集。
可选的,利用聚类算法,将所述多维加权特征集合进行聚类,包括:
若预设的空间坐标聚合权重比预设的地理特征聚合权重大,则选择与所述坐标点相匹配的聚类算法,将所述多维加权特征集合进行聚类;
若预设的空间坐标聚合权重比预设的地理特征聚合权重小,则选择与所述地理特征数据相匹配的聚类算法,将所述多维加权特征集合进行聚类。
可选的,所述利用凸包算法,将每个所述栅格点集中的坐标点求凸包,获得所述栅格点集的凸包集合,包括:
搜寻所述栅格点集中最靠近预设方向的坐标点,并将所述栅格点集中最靠近预设方向的坐标点加入凸包的顶点序列;
依次遍历所述栅格点集中除最靠近预设方向的坐标点以外的坐标点,并按照极角的大小对除最靠近预设方向的坐标点以外的坐标点进行排序,获得所述栅格点集的凸包集合。
本发明第二方面提供一种多目标REDD项目区域的聚合系统,所述系统包括:
数据采集模块,用于采集若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据;
多维加权特征集合构建模块,用于基于每个所述坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个所述坐标点的多维加权特征集合;
聚类模块,用于利用聚类算法将所有所述多维加权特征集合进行聚类,获得若干个所述多维加权特征集合对应的栅格点集;
凸包集合求解模块,用于利用凸包算法,将每个所述栅格点集中的坐标点求凸包,获得所述栅格点集的凸包集合;
聚合模块,用于基于所有所述凸包集合对应的目标REDD项目区域,获得所有所述目标REDD项目区域的聚合区域。
可选的,还包括聚类算法选取模块,所述聚类算法选取模块用于基于预设的空间坐标聚合权重和预设的地理特征聚合权重确定聚类算法,
若预设的空间坐标聚合权重比预设的地理特征聚合权重大,则选择与所述坐标点相匹配的聚类算法,将所述多维加权特征集合进行聚类;
若预设的空间坐标聚合权重比预设的地理特征聚合权重小,则选择与所述地理特征数据相匹配的聚类算法,将所述多维加权特征集合进行聚类。
本发明第三方面提供一种智能终端,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的多目标REDD项目区域的聚合程序,所述多目标REDD项目区域的聚合程序被所述处理器执行时实任意一项上述多目标REDD项目区域的聚合方法的步骤。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有多目标REDD项目区域的聚合程序,所述多目标REDD项目区域的聚合程序被处理器执行时实现任意一项上述多目标REDD项目区域的聚合方法的步骤。
与现有技术相比,本方案的有益效果如下:
本发明的方法通过基于若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个坐标点的多维加权特征集合,以表征每个坐标点上的各种类型的特征数据及每种特征数据的权重大小;然后利用聚类算法将所有目标REDD项目区域内的所有坐标点对应的多维加权特征集合进行聚类,获得若干个多维加权特征集合对应的栅格点集;再利用凸包算法,获栅格点集的凸包集合,从而获得所有目标REDD项目区域的聚合区域。
该方案基于地理信息系统和空间分析技术,通过将多个目标REDD项目区域中各个坐标点上的多种维度的特征数据建立多维加权特征集合,能够将每个坐标点上的各个维度的数据按照权重大小准确、快速表征出来;利用聚类算法和凸包算法,能够有效提高对REDD项目区域的边界识别精度,减少误差,整个方案使多个零散区域能够被整合为更大的区域,从而有利于实现对分散区域的综合管理和评估,以及提高对REDD项目区域监测的精确性和可操作性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的多目标REDD项目区域的聚合方法流程图;
图2为本发明的REDD项目的整体目标REDD项目区域及各个零散的目标REDD项目区域示意图;
图3为本发明实施例中零散的目标REDD项目区域示意图;
图4为本发明实施例中将零散的目标REDD项目区域作为整体求凸包后获得的区域示意图;
图5为本发明实施例中基于各个零散的目标REDD项目区域单独求凸包后获得的区域示意图;
图6为本发明实施例中对各个零散的目标REDD项目区域进行不同聚类后获得的区域示意图;
图7为本发明的多目标REDD项目区域的聚合系统结构示意图;
图8为本发明的智能终端结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面结合本发明实施例的附图,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的一部分实施例,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它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
基于现有技术的不足,本发明提供一种对零碎区域的REDD项目区的空间位置聚合方法。本发明的核心思路是利用地理信息系统和空间分析技术,通过空间位置聚合将零碎的区域进行整合,以实现对REDD项目区域的综合管理和评估。本发明的技术效果在于提高REDD项目区域监测的精确性和可操作性。
示例性方法
本发明实施例提供一种多目标REDD项目区域的聚合方法,部署于电脑、服务器等电子设备上,应用场景为对零碎分布的多目标REDD项目区域的综合管理和评估,针对的是多目标REDD项目区域分布零碎的情况。本实施例主要是针对地理空间数据中的空间位置数据展开论述,但是采集的目标REDD项目区域的数据源的种类包括但不限于空间位置数据,还包括遥感数据或/和地理空间数据中的网格数据、类别型数据、数值型数据、密度数据、坡度数据等与REDD项目相关的各种类型的数据。具体的,如图1所示,本实施例方法的步骤包括:
步骤S100:采集若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据。
具体地,采集REDD项目的地理空间数据或遥感数据,例如所采集的数据的对应的特征类型包括Value类型、Type类型和Distance类型等。其中,Value类型是指点值数据为具体值的图层,如GFC、坡度、海拔、GPP等数据,这类栅格数据的每个点表示在此坐标上的具体值,通常为浮点数;Type类型是指点值数据为具体类别的图层,如地表覆盖类别数据、土壤类别数据等,这类栅格数据的每个点代表在此坐标上的某一类别,通常为整数;Distance类型是指点值为到最近矢量距离的图层,比如道路距离图层、到某个地表覆盖类型的距离图层等。
假设REDD项目区域是由N个零碎的目标REDD项目区域R1,R2,…,RN组成的整体目标REDD项目区域,图2所示的REDD项目的整体目标REDD项目区域包括的N个零碎的目标REDD项目区域,如果直接将所有的零碎区域作为整体求凸包,如图2中的最小包围区域对应的凸多边形,这样会增加很多非项目区域的数据,容易导致后续利用这些数据测算REDD项目碳汇时,产生非常大的误差。因此,本实施例从提高目标REDD项目区域的数据源精度做起,通过将各个零碎区域进行聚类,并和实际项目的分析指标相结合,在最大程度上提高REDD项目区域的边界识别精度,进而提高测算REDD项目碳汇的精度。
通过遍历N个零碎的目标REDD项目区域,求得每个零碎的目标REDD项目区域Ri(i=1,2…,N)内部包括的mi个坐标点组成的坐标点子集利用所有零碎的目标REDD项目区域Ri对应的坐标点子集中的所有坐标点组成整体目标REDD项目区域对应的坐标点集合/>
本实施例通过采集REDD项目的地理空间数据或遥感数据作为数据源,在不同的REDD项目中,可以根据不同的地理环境和数据可用性,选择不同的遥感数据和地理空间数据作为数据源。
步骤S200:基于每个坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个坐标点的多维加权特征集合。
具体地,基于每个坐标点上目标图层的地理特征数据,构建每个坐标点对应的一组地理特征集合;基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用坐标点及对应的地理特征集合,构建多维加权特征集合。
假设坐标点对应的特征图层中坡度、海拔、地表覆盖的特征分别表示为可得到该坐标点对应的一组特征集合/> 依次类推,可得到每个坐标点对应的一组特征集合。
进一步地,基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用坐标点及对应的地理特征集合,构建多维加权特征集合,包括:将所有目标REDD项目区域中的所有地理特征集合进行标准化处理,获得每个坐标点对应的标准化地理特征集合;基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用坐标点及对应的标准化地理特征集合,构建多维加权特征集合。
例如将栅格图中所有区域的点对应的坐标点和地理特征进行Z-score标准化处理,以将不同量级的数据转化为统一量度的Z-Score分值进行比较。设定空间坐标和地理特征的聚合权重分别为Ws和WG,空间坐标聚合权重表示将坐标点的(x,y)坐标进行聚合得到的结果的重要程度,地理特征聚合权重表示将F(mi)进行聚合得到的结果的重要程度,分别计算空间坐标和地理特征的加权特征集合,以为例,可得到加权特征集合其中,x_s,y_s,S_s,E_s,L_s分别为相应特征进行标准化处理后的值。
步骤S300:利用聚类算法将所有多维加权特征集合进行聚类,获得若干个多维加权特征集合对应的栅格点集。
具体地,利用聚类算法,将多维加权特征集合进行聚类,并为多维加权特征集合设置对应的聚类标签;遍历多维加权特征集合及对应的聚类标签,获得若干个多维加权特征集合对应的栅格点集。且若预设的空间坐标聚合权重比预设的地理特征聚合权重大,则选择与坐标点相匹配的聚类算法,将多维加权特征集合进行聚类;若预设的空间坐标聚合权重比预设的地理特征聚合权重小,则选择与地理特征数据相匹配的聚类算法,将多维加权特征集合进行聚类,可见,通过设置空间坐标聚合权重和地理特征聚合权重的大小,来从不同维度将所有栅格点进行聚合。
其中,聚类算法的步骤,具体包括:
初始化聚类中心,随机选择C个点作为初始的聚类中心(C是事先设定的聚类数量);根据所有零碎的目标REDD项目区域Ri中的坐标点与各个聚类中心之间的距离,将每个坐标点分配到离它最近的聚类中心,并为每个坐标点添加聚类标签;对于每个聚类,计算该聚类中所有坐标点的均值,将均值作为新的聚类中心,以更新聚类中心;重复为每个聚类分配坐标点和更新聚类中心的步骤,直至各个聚类中心基本保持不变或达到预设的最大迭代次数;根据最终的聚类中心和坐标点的分配情况,将所有零碎的目标REDD项目区域Ri中的坐标点均划分到对应的聚类中,遍历坐标点集合Psum中每个点对应的聚类标签,获得若干个坐标点子集。
假设第Ri区域总共有个加权特征样本,遍历所有零散区域Ri(i=1,2…,N)之后,得到特征加权总样本集合。设定聚类簇为C(这里设定C=12),运用KMeans算法,将所有的特征加权样本一起聚合成C类。
进一步地,采用的聚类算法可以根据实际任务需求(例如待处理的目标REDD项目区域内的数据类型),对多种目标类型的特征数据分别设置不同或相同大小的权重,以灵活选择基于空间位置的聚类算法、基于距离的聚类算法、基于密度的聚类算法和基于图的聚类算法、基于划分的聚类算法、基于层次的聚类算法、基于网格的聚类算法、基于模型的聚类算法等聚类算法中的任一种。
本实施例中的坐标点对应的坐标系可以是大地坐标系,也可以是以目标REDD项目区域中的任意一个点为原点构建的二维坐标系或三维坐标系。
步骤S400:利用凸包算法,将每个栅格点集中的坐标点求凸包,获得栅格点集的凸包集合;
具体地,利用凸包算法,寻找每个栅格点集中的坐标点的凸多边形的交集,也就是求解最小包围凸多边形,以获得栅格点集的凸包集合。
其中,凸包算法的步骤,具体包括:
搜寻栅格点集中最靠近预设方向的坐标点,例如最左边的点P0,并将栅格点集中最靠近预设方向的坐标点加入凸包的顶点序列;
依次遍历该坐标点子集中剩余坐标点Pi,并按照极角的大小对除最靠近预设方向的坐标点以外的坐标点进行排序,获得栅格点集的凸包集合。
例如,为了保证凸包的边沿逆时针方向延伸,对于每个坐标点进行如下操作:如果Pi在P1和Pmi构成的直线的逆时针方向上,则将其加入凸包的顶点序列,并将其设为新的最后一个点Pmi;如果Pi在P1和Pmi构成的直线的顺时针方向上,则将Pmi从凸包的顶点序列中删除,并令Pmi的前一个点Pmi-1成为新的最后一个点Pmi。同理,按照相似的原理,可以对每个坐标点进行相应的操作,以实现凸包的边沿顺时针方向延伸。
步骤S500:基于所有凸包集合对应的目标REDD项目区域,获得所有目标REDD项目区域的聚合区域。
具体地,将所有凸包集合对应的区域进行联合,获得所有目标REDD项目区域的聚合区域,该聚合区域近似认为是原始零碎的项目区域。
进一步地,可以根据目标REDD项目区域的聚合数据,同时对所有零碎的目标REDD项目区域进行监测和管理。
进一步地,在对REDD项目优化过程中,还可以结合其他相关技术,如机器学习和人工智能算法等,进一步优化REDD项目区域的边界识别和管理效果。
例如,假设REDD项目包括214个零散的目标REDD项目区域,如图3所示,由这些零散的目标REDD项目区域中的坐标点构成的坐标点集合中共有Psum=44097个坐标点,如果对这些零散的目标REDD项目区域直接求凸包,得到如图4所示的区域,会引入非项目区域的数据,容易导致后续利用这些数据测算REDD项目碳汇时,产生非常大的误差。因此,运用KMeans算法将这214个零散的目标REDD项目区域进行聚类,假设聚类簇C=12,基于二维坐标点(x,y)的空间位置分布,遍历坐标点集合Psum中每个坐标点在聚类模型中的聚类标签(1,2,...,12),根据每个坐标点遍历的标签结果,将坐标点集合Psum中的所有坐标点按照1-12的编号分为12个坐标点子集。基于上述凸包算法的原理,将该REDD项目的12个坐标点子集分别进行凸包求解,得到12个凸包集合,如图5所示,这12个凸包集合构成的区域近似于原始零碎的项目区域。
同理,又假设聚类簇C=3或6,得到相应个数的凸包集合,如图6所示,通过比较不同聚类簇的聚类效果,可知当聚类簇C=12时,凸包集合构成的区域更接近原始零碎的项目区域,引入的非项目数据越少,后续测算REDD项目碳汇的精度也越高,但是随着聚类簇数量的增加,计算量也会加大,计算效率会相对减小,因此,在实际项目中,可以根据项目的分析和评估指标,综合考虑数据可用性、计算效率和精确性等因素,来设置最佳的聚类簇数量,方便后续对的REDD项目碳汇的监测和管理。
综上所示,本发明的方法基于地理信息系统和空间分析技术,通过凸包算法,利用具体的遥感数据和地理空间数据,有效提高了对REDD项目区域的边界识别精度,减少了边界识别误差;基于不同区域之间关联性的综合考虑,根据数据类型选择合适的聚合算法实现零散区域数据的整合,使得零散区域能够被整合为更大的区域,实现了对分散区域数据的综合管理和评估,提高了对REDD项目区域的监测和管理的精确性和可操作性,极大提高了监测和管理。而且,可以根据REDD项目评价指标,灵活选择聚类数量,以适应不同项目的需求,显著提高了对REDD项目区域数据监测和管理的灵活性和自适应性。
示例性系统
如图7所示,对应于上述多目标REDD项目区域的聚合方法,本发明实施例还提供一种多目标REDD项目区域的聚合系统,上述多目标REDD项目区域的聚合系统包括:
数据采集模块,用于采集若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据;
多维加权特征集合构建模块,用于基于每个坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个坐标点的多维加权特征集合;
聚类模块,用于利用聚类算法将所有多维加权特征集合进行聚类,获得若干个多维加权特征集合对应的栅格点集;
凸包集合求解模块,用于利用凸包算法,将每个栅格点集中的坐标点求凸包,获得栅格点集的凸包集合;
聚合模块,用于基于所有凸包集合对应的目标REDD项目区域,获得所有目标REDD项目区域的聚合区域。
可选的,还包括聚类算法选取模块,聚类算法选取模块用于基于预设的空间坐标聚合权重和预设的地理特征聚合权重确定聚类算法,
若预设的空间坐标聚合权重比预设的地理特征聚合权重大,则选择与坐标点相匹配的聚类算法,将多维加权特征集合进行聚类;
若预设的空间坐标聚合权重比预设的地理特征聚合权重小,则选择与地理特征数据相匹配的聚类算法,将多维加权特征集合进行聚类。
具体的,本实施例中,上述多目标REDD项目区域的聚合系统的具体功能还可以参照上述多目标REDD项目区域的聚合方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图8所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内部存储器。该非易失性存储介质存储有操作系统和多目标REDD项目区域的聚合程序。该内部存储器为非易失性存储介质中的操作系统和基于多目标REDD项目区域的聚合程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该多目标REDD项目区域的聚合程序被处理器执行时实现上述任意一种多目标REDD项目区域的聚合方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图8中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的多目标REDD项目区域的聚合程序,上述多目标REDD项目区域的聚合程序被上述处理器执行时实现本发明实施例提供的任意一种多目标REDD项目区域的聚合方法的步骤。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有多目标REDD项目区域的聚合程序,上述多目标REDD项目区域的聚合程序被处理器执行时实现本发明实施例提供的任意一种多目标REDD项目区域的聚合方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
以上所述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,并不是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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多目标REDD项目区域的聚合方法,其特征在于,主要包括以下步骤:
采集若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据;
基于每个所述坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个所述坐标点的多维加权特征集合;
利用聚类算法将所有所述多维加权特征集合进行聚类,获得若干个所述多维加权特征集合对应的栅格点集;
利用凸包算法,将每个所述栅格点集中的坐标点求凸包,获得所述栅格点集的凸包集合;
基于所有所述凸包集合对应的目标REDD项目区域,获得所有所述目标REDD项目区域的聚合区域。
2.根据权利要求1所述的多目标REDD项目区域的聚合方法,其特征在于,所述基于每个所述坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个所述坐标点的多维加权特征集合,包括:
基于每个所述坐标点上目标图层的地理特征数据,构建每个所述坐标点对应的一组地理特征集合;
基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用所述坐标点及对应的所述地理特征集合,构建多维加权特征集合。
3.根据权利要求2所述的多目标REDD项目区域的聚合方法,其特征在于,所述基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用所述坐标点及对应的所述地理特征集合,构建多维加权特征集合,包括:
将所有所述目标REDD项目区域中的所有所述地理特征集合进行标准化处理,获得每个所述坐标点对应的标准化地理特征集合;
基于预设的空间坐标聚合权重和预设的地理特征聚合权重,利用所述坐标点及对应的所述标准化地理特征集合,构建多维加权特征集合。
4.根据权利要求1所述的多目标REDD项目区域的聚合方法,其特征在于,所述利用聚类算法将所有所述多维加权特征集合进行聚类,获得若干个所述多维加权特征集合对应的栅格点集,包括:
利用聚类算法,将所述多维加权特征集合进行聚类,并为所述多维加权特征集合设置对应的聚类标签;
遍历所述多维加权特征集合及对应的聚类标签,获得若干个所述多维加权特征集合对应的栅格点集。
5.根据权利要求4所述的多目标REDD项目区域的聚合方法,其特征在于,利用聚类算法,将所述多维加权特征集合进行聚类,包括:
若预设的空间坐标聚合权重比预设的地理特征聚合权重大,则选择与所述坐标点相匹配的聚类算法,将所述多维加权特征集合进行聚类;
若预设的空间坐标聚合权重比预设的地理特征聚合权重小,则选择与所述地理特征数据相匹配的聚类算法,将所述多维加权特征集合进行聚类。
6.根据权利要求1所述的多目标REDD项目区域的聚合方法,其特征在于,所述利用凸包算法,将每个所述栅格点集中的坐标点求凸包,获得所述栅格点集的凸包集合,包括:
搜寻所述栅格点集中最靠近预设方向的坐标点,并将所述栅格点集中最靠近预设方向的坐标点加入凸包的顶点序列;
依次遍历所述栅格点集中除最靠近预设方向的坐标点以外的坐标点,并按照极角的大小对除最靠近预设方向的坐标点以外的坐标点进行排序,获得所述栅格点集的凸包集合。
7.多目标REDD项目区域的聚合系统,其特征在于,所述系统包括:
数据采集模块,用于采集若干个目标REDD项目区域内的坐标点及每个坐标点上目标图层的地理特征数据;
多维加权特征集合构建模块,用于基于每个所述坐标点及对应坐标点上目标图层的地理特征数据,及预设的空间坐标聚合权重和预设的地理特征聚合权重,构建每个所述坐标点的多维加权特征集合;
聚类模块,用于利用聚类算法将所有所述多维加权特征集合进行聚类,获得若干个所述多维加权特征集合对应的栅格点集;
凸包集合求解模块,用于利用凸包算法,将每个所述栅格点集中的坐标点求凸包,获得所述栅格点集的凸包集合;
聚合模块,用于基于所有所述凸包集合对应的目标REDD项目区域,获得所有所述目标REDD项目区域的聚合区域。
8.根据权利要求7所述的多目标REDD项目区域的聚合系统,其特征在于,还包括聚类算法选取模块,所述聚类算法选取模块用于基于预设的空间坐标聚合权重和预设的地理特征聚合权重确定聚类算法,
若预设的空间坐标聚合权重比预设的地理特征聚合权重大,则选择与所述坐标点相匹配的聚类算法,将所述多维加权特征集合进行聚类;
若预设的空间坐标聚合权重比预设的地理特征聚合权重小,则选择与所述地理特征数据相匹配的聚类算法,将所述多维加权特征集合进行聚类。
9.智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的多目标REDD项目区域的聚合程序,所述多目标REDD项目区域的聚合程序被所述处理器执行时实现如权利要求1-6任意一项所述多目标REDD项目区域的聚合方法的步骤。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有多目标REDD项目区域的聚合程序,所述多目标REDD项目区域的聚合程序被处理器执行时实现如权利要求1-6任意一项所述多目标REDD项目区域的聚合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311359359.3A CN117575494A (zh) | 2023-10-18 | 2023-10-18 | 多目标redd项目区域的聚合方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311359359.3A CN117575494A (zh) | 2023-10-18 | 2023-10-18 | 多目标redd项目区域的聚合方法、系统、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575494A true CN117575494A (zh) | 2024-02-20 |
Family
ID=89859629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311359359.3A Pending CN117575494A (zh) | 2023-10-18 | 2023-10-18 | 多目标redd项目区域的聚合方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575494A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974076A (zh) * | 2024-04-01 | 2024-05-03 | 沈阳创新设计研究院有限公司 | 基于产业数字化的项目管理方法及系统 |
-
2023
- 2023-10-18 CN CN202311359359.3A patent/CN117575494A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974076A (zh) * | 2024-04-01 | 2024-05-03 | 沈阳创新设计研究院有限公司 | 基于产业数字化的项目管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghamisi et al. | Multilevel image segmentation based on fractional-order Darwinian particle swarm optimization | |
Xiao et al. | CAD mesh model segmentation by clustering | |
Di Prinzio et al. | Data-driven catchment classification: application to the pub problem | |
US11676375B2 (en) | System and process for integrative computational soil mapping | |
CN103985112B (zh) | 基于改进多目标粒子群优化聚类的图像分割方法 | |
CN117575494A (zh) | 多目标redd项目区域的聚合方法、系统、终端及介质 | |
Senthilnath et al. | Multi-spectral satellite image classification using glowworm swarm optimization | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
Guo et al. | A new spatial fuzzy c-means for spatial clustering | |
Chew et al. | Large-scale 3D point-cloud semantic segmentation of urban and rural scenes using data volume decomposition coupled with pipeline parallelism | |
CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
Cheng et al. | A novel point cloud simplification method using local conditional information | |
CN114565861A (zh) | 基于概率统计微分同胚集匹配的机载下视目标图像定位方法 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
Tu et al. | Comparative investigation of parallel spatial interpolation algorithms for building large-scale digital elevation models | |
CN116721113A (zh) | 一种三维点云平面分割方法及系统 | |
Zhou et al. | DCAD: a dual clustering algorithm for distributed spatial databases | |
Kumpf et al. | Cluster-based Analysis of Multi-Parameter Distributions in Cloud Simulation Ensembles. | |
Singh et al. | Adaptive multiscale feature extraction in a distributed system for semantic classification of airborne LiDAR point clouds | |
CN116844649B (zh) | 一种可解释的基于基因选择的细胞数据分析方法 | |
CN117056088B (zh) | 一种基于MapReduce的多模态测图数据分布式并行计算方法及系统 | |
Phuong | An expectation maximization algorithm for LiDAR point cloud classification | |
CN111832472A (zh) | 激光点云地表点提取方法、装置、存储介质及电子设备 | |
Zhang et al. | Fast Bed Interpolation Algoritm on CPU and GPU | |
Yixiao et al. | A Clustering Algorithm of Electronic Boundary Points for Cadastral Blocks |
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 |