CN117611108A - 一种城乡建设用地有偿调剂的智能决策构建方法 - Google Patents
一种城乡建设用地有偿调剂的智能决策构建方法 Download PDFInfo
- Publication number
- CN117611108A CN117611108A CN202410094612.5A CN202410094612A CN117611108A CN 117611108 A CN117611108 A CN 117611108A CN 202410094612 A CN202410094612 A CN 202410094612A CN 117611108 A CN117611108 A CN 117611108A
- Authority
- CN
- China
- Prior art keywords
- construction
- data
- land
- geographic
- adjustment
- 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 564
- 238000004088 simulation Methods 0.000 claims abstract description 135
- 230000008901 benefit Effects 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000010354 integration Effects 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012790 confirmation Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 52
- 238000005516 engineering process Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 239000003795 chemical substances by application Substances 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 17
- 238000013439 planning Methods 0.000 description 25
- 230000007613 environmental effect Effects 0.000 description 14
- 238000011161 development Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
- Instructional Devices (AREA)
Abstract
本发明涉及建设数据处理技术领域，尤其涉及一种城乡建设用地有偿调剂的智能决策构建方法。所述方法包括以下步骤：获取待建设土地俯瞰图像；对待建设土地俯瞰图像进行多源数据融合，生成多源地理信息整合图层；对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据；对待建设土地地理信息数据进行区域建设地段目标确认，得到区域地段建设目标数据；根据区域地段建设目标数据对多源地理信息整合图层进行建设经济效益预测，生成建设经济效益预测数据。本发明通过对建设用地数据进行多源数据融合、三维地理建设模拟、区块链智能合约，提高了城乡建设用地有偿调剂智能决策的数据综合性、模拟真实性和动态调整性。
Description
技术领域
本发明涉及建设数据处理技术领域，尤其涉及一种城乡建设用地有偿调剂的智能决策构建方法。
背景技术
信息技术的飞速发展为城乡土地资源调剂提供了数据支持。随着地理信息系统（GIS）和遥感技术的成熟应用，各地土地资源的详细信息得以高精度获取，为决策者提供了准确的土地利用和规划数据。机器学习和人工智能技术的进步为智能决策提供了基础。通过大数据分析、深度学习等技术，可以对城乡建设用地的需求、供给、潜在风险等进行全面分析，为调剂决策提供多维度的信息支持。在智能决策构建方法的发展中，是通过传统的决策支持方法以及基于强化学习和深度强化学习的数学模型建立而成，能够更好地适应城乡土地调剂的复杂性和不确定性，实现更加智能的决策过程。然而目前传统的城乡建设用地有偿调剂方法在确定建设目标和预测经济效益时可能受限于单一的分析方法，缺乏全面性和准确性，同时往往难以实现动态的调剂补偿调整，导致决策结果与实际情况脱节。
发明内容
基于此，有必要提供一种城乡建设用地有偿调剂的智能决策构建方法，以解决至少一个上述技术问题。
为实现上述目的，一种城乡建设用地有偿调剂的智能决策构建方法，所述方法包括以下步骤：
步骤S1：获取待建设土地俯瞰图像；对待建设土地俯瞰图像进行多源数据融合，生成多源地理信息整合图层；对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据；
步骤S2：对待建设土地地理信息数据进行区域建设地段目标确认，得到区域地段建设目标数据；根据区域地段建设目标数据对多源地理信息整合图层进行建设经济效益预测，生成建设经济效益预测数据；通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据；
步骤S3：基于三维地理建设模拟数据进行初始建设区域调剂补偿，生成初始建设地理区域调剂补偿数据；通过初始建设地理区域调剂补偿数据进行混合地理决策实境体验，生成参与者体验数据；根据参与者体验数据进行调剂补偿调整，生成建设地理区域调剂补偿调整数据；
步骤S4：将建设地理区域调剂补偿调整数据进行区块链智能合约部署，生成有偿调剂智能合约；通过有偿调剂智能合约进行智能有偿调剂策略执行，生成有偿调剂智能决策执行结果数据。
本发明通过多源数据融合可以带来更全面、全景的地理信息。通过整合不同源的数据，可以获得更丰富的信息，包括地形、地貌、植被、土地利用等多方面的数据。多源地理信息整合可以提高数据的准确性。通过结合多个数据源，可以校正可能存在的误差，提高地理信息数据的精度。地理信息整合图层为进一步的分析提供了基础。这可以用于进行综合性的地理信息分析，例如土地利用规划、环境影响评估等。地理信息数据通常通过图形和地图进行展示。整合多源数据后，可以更好地进行可视化呈现，使相关人员更容易理解和分析。生成的地理信息数据可以用于支持决策制定。无论是城市规划、建设项目决策还是环境管理，这些数据都有助于做出更明智的决策。通过对土地地理信息数据进行区域建设地段目标确认，可以确保对建设目标有清晰的认识。这有助于更好地定位和规划建设项目，确保与区域目标的一致性。利用区域地段建设目标数据进行建设经济效益预测，可以评估建设项目的经济可行性。这有助于决策者在投资之前了解项目的潜在盈利能力，从而做出更明智的财务决策。生成的建设经济效益预测数据可以用于支持决策制定。这包括投资决策、项目优先级制定等，为相关方提供决策时的参考依据。利用建设经济效益预测数据进行三维地理建设模拟，可以提供更直观的视觉呈现。这有助于理解建设项目在地理空间中的布局、影响以及可能的变化，为规划和设计提供更多信息。通过模拟建设经济效益和三维地理建设，可以更全面地评估潜在的风险和不确定性。这有助于制定风险管理策略，减少可能的负面影响。通过基于三维地理建设模拟数据进行初始建设区域调剂补偿，可以得到初始的地理区域调剂补偿数据。这为后续的决策提供了基础数据，包括可能需要进行的地理区域调整和相应的补偿。利用初始建设地理区域调剂补偿数据进行混合地理决策实境体验，可以提供参与者一种虚拟的、真实感的体验。这种实境体验有助于决策者和利益相关方更好地理解调剂补偿的影响，为决策提供更直观的感知。在实境体验中，收集参与者的体验数据。这些数据可以包括参与者的反馈、意见、感受等信息。通过这些数据，可以了解参与者对于建设项目和调剂补偿的看法，为后续决策提供参考。区块链智能合约可以自动执行预定的调剂策略，减少了人为的干预和可能的错误。这提高了执行的效率，并降低了操作风险。有偿调剂涉及到支付和结算，区块链智能合约可以提供安全的、去中心化的支付机制。智能合约自动执行支付和结算，减少了交易的不确定性和风险。因此，本发明通过对建设用地数据进行多源数据融合、三维地理建设模拟、区块链智能合约，提高了城乡建设用地有偿调剂智能决策的数据综合性、模拟真实性和动态调整性。
本发明的有益效果在于，本发明的城乡建设用地有偿调剂的智能决策构建方法通过多源数据融合和地理信息整合图层的生成提供了全面的地理信息数据，有助于更准确地了解待建设土地的特征。这为后续的决策提供了坚实的基础，使得区域建设目标确认和经济效益预测更为准确。利用建设经济效益预测数据进行三维地理建设模拟，可以在虚拟环境中模拟不同的建设方案，以优化经济效益。这有助于在实际建设前预测和选择最有利可图的方案。通过三维地理建设模拟生成的初始调剂补偿数据，结合实际参与者体验数据，可以实现实时的调剂补偿调整。这有助于在项目执行过程中灵活应对变化，提高决策的灵活性和实时性。混合地理决策实境体验和参与者体验数据的收集使得决策过程更具参与性和民主性。通过调整补偿方案，可以更好地满足社会的需求，提高项目的社会接受度。将调剂补偿调整数据部署到区块链智能合约中，提高了安全性和透明度。这确保了各方对于调剂补偿的执行过程和结果的信任，减少了潜在的纠纷和不确定性。区块链技术的特性确保了数据的完整性和不可篡改性，使得整个决策和执行过程具有高度的可信度和可追溯性。因此，本发明通过对建设用地数据进行多源数据融合、三维地理建设模拟、区块链智能合约，提高了城乡建设用地有偿调剂智能决策的数据综合性、模拟真实性和动态调整性。
附图说明
图1为城乡建设用地有偿调剂的智能决策构建方法的步骤流程示意图；
图2为图1中步骤S2的详细实施步骤流程示意图；
图3为图2中步骤S23的详细实施步骤流程示意图；
图4为图2中步骤S24的详细实施步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例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，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，一种城乡建设用地有偿调剂的智能决策构建方法，所述方法包括以下步骤：
步骤S1：获取待建设土地俯瞰图像；对待建设土地俯瞰图像进行多源数据融合，生成多源地理信息整合图层；对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据；
步骤S2：对待建设土地地理信息数据进行区域建设地段目标确认，得到区域地段建设目标数据；根据区域地段建设目标数据对多源地理信息整合图层进行建设经济效益预测，生成建设经济效益预测数据；通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据；
步骤S3：基于三维地理建设模拟数据进行初始建设区域调剂补偿，生成初始建设地理区域调剂补偿数据；通过初始建设地理区域调剂补偿数据进行混合地理决策实境体验，生成参与者体验数据；根据参与者体验数据进行调剂补偿调整，生成建设地理区域调剂补偿调整数据；
步骤S4：将建设地理区域调剂补偿调整数据进行区块链智能合约部署，生成有偿调剂智能合约；通过有偿调剂智能合约进行智能有偿调剂策略执行，生成有偿调剂智能决策执行结果数据。
本发明通过多源数据融合可以带来更全面、全景的地理信息。通过整合不同源的数据，可以获得更丰富的信息，包括地形、地貌、植被、土地利用等多方面的数据。多源地理信息整合可以提高数据的准确性。通过结合多个数据源，可以校正可能存在的误差，提高地理信息数据的精度。地理信息整合图层为进一步的分析提供了基础。这可以用于进行综合性的地理信息分析，例如土地利用规划、环境影响评估等。地理信息数据通常通过图形和地图进行展示。整合多源数据后，可以更好地进行可视化呈现，使相关人员更容易理解和分析。生成的地理信息数据可以用于支持决策制定。无论是城市规划、建设项目决策还是环境管理，这些数据都有助于做出更明智的决策。通过对土地地理信息数据进行区域建设地段目标确认，可以确保对建设目标有清晰的认识。这有助于更好地定位和规划建设项目，确保与区域目标的一致性。利用区域地段建设目标数据进行建设经济效益预测，可以评估建设项目的经济可行性。这有助于决策者在投资之前了解项目的潜在盈利能力，从而做出更明智的财务决策。生成的建设经济效益预测数据可以用于支持决策制定。这包括投资决策、项目优先级制定等，为相关方提供决策时的参考依据。利用建设经济效益预测数据进行三维地理建设模拟，可以提供更直观的视觉呈现。这有助于理解建设项目在地理空间中的布局、影响以及可能的变化，为规划和设计提供更多信息。通过模拟建设经济效益和三维地理建设，可以更全面地评估潜在的风险和不确定性。这有助于制定风险管理策略，减少可能的负面影响。通过基于三维地理建设模拟数据进行初始建设区域调剂补偿，可以得到初始的地理区域调剂补偿数据。这为后续的决策提供了基础数据，包括可能需要进行的地理区域调整和相应的补偿。利用初始建设地理区域调剂补偿数据进行混合地理决策实境体验，可以提供参与者一种虚拟的、真实感的体验。这种实境体验有助于决策者和利益相关方更好地理解调剂补偿的影响，为决策提供更直观的感知。在实境体验中，收集参与者的体验数据。这些数据可以包括参与者的反馈、意见、感受等信息。通过这些数据，可以了解参与者对于建设项目和调剂补偿的看法，为后续决策提供参考。区块链智能合约可以自动执行预定的调剂策略，减少了人为的干预和可能的错误。这提高了执行的效率，并降低了操作风险。有偿调剂涉及到支付和结算，区块链智能合约可以提供安全的、去中心化的支付机制。智能合约自动执行支付和结算，减少了交易的不确定性和风险。因此，本发明通过对建设用地数据进行多源数据融合、三维地理建设模拟、区块链智能合约，提高了城乡建设用地有偿调剂智能决策的数据综合性、模拟真实性和动态调整性。
本发明实施例中，参考图1所述，为本发明一种城乡建设用地有偿调剂的智能决策构建方法的步骤流程示意图，在本实例中，所述一种城乡建设用地有偿调剂的智能决策构建方法包括以下步骤：
步骤S1：获取待建设土地俯瞰图像；对待建设土地俯瞰图像进行多源数据融合，生成多源地理信息整合图层；对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据；
本发明实施例中，通过使用卫星遥感、航拍或其他合适的传感器获取待建设土地的高分辨率俯瞰图像。对获取的图像进行质量控制，包括去除云遮挡、校正影像偏移等步骤，确保图像的准确性和一致性。利用图像处理和计算机视觉算法，将不同传感器或来源的数据进行融合，以生成一张包含多源信息的综合图层。整合图像、激光雷达数据、地理信息系统 (GIS) 数据等多源信息，以获取更全面的土地特征。使用图像处理和模式识别算法，从整合图层中提取有关土地特征的地理信息。对图层中的不同地物进行分类，例如建筑物、道路、植被等。将地理信息提取的结果整理成结构化数据，包括土地利用类型、地物分布、土地边界等。将数据格式化为标准的地理信息数据格式，如GeoJSON、Shapefile等，以便后续处理和分析。
步骤S2：对待建设土地地理信息数据进行区域建设地段目标确认，得到区域地段建设目标数据；根据区域地段建设目标数据对多源地理信息整合图层进行建设经济效益预测，生成建设经济效益预测数据；通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据；
本发明实施例中，通过利用待建设土地的地理信息数据，进行规划分析，确定各区域的建设地段目标，包括用途、密度、设施等。吸纳城市规划师、建筑师等专业意见，确保地段目标的科学性和可行性。将确定的建设地段目标以数据形式整合，包括地块用途、容积率、建筑高度等信息。确保目标数据符合标准，便于后续的建模和分析。基于区域地段建设目标数据，建立建设经济效益的预测模型，考虑土地开发成本、市场需求、投资回报等因素。将多源地理信息整合图层与建设目标数据结合，作为模型的输入参数。运行模型进行建设经济效益的预测，得到相应的经济数据，如投资成本、预计收益等。使用专业的地理信息系统软件或三维建模软件，将多源地理信息整合图层与建设经济效益预测数据结合。根据经济效益预测数据，设置三维建设模拟的参数，包括建筑物形状、高度、分布等。运行模拟程序生成三维地理建设模拟数据，可视化展示地块的发展情况、建筑物布局等。
步骤S3：基于三维地理建设模拟数据进行初始建设区域调剂补偿，生成初始建设地理区域调剂补偿数据；通过初始建设地理区域调剂补偿数据进行混合地理决策实境体验，生成参与者体验数据；根据参与者体验数据进行调剂补偿调整，生成建设地理区域调剂补偿调整数据；
本发明实施例中，通过利用已有的三维地理建设模拟数据，确定建设区域的初始状态和特征。分析初始建设区域的影响和潜在问题，例如资源利用、环境影响等。制定初始建设区域调剂补偿策略，以确保可持续发展和最小化不良影响。生成初始建设地理区域调剂补偿数据，其中包括补偿方案、受影响方面、补偿金额等信息。利用虚拟现实（VR）或增强现实（AR）技术，创建一个混合地理决策实境。参与者可以在虚拟环境中体验初始建设区域的样貌和潜在影响。提供交互式工具，使参与者能够调查、评估和提出意见。记录参与者在实境体验中的互动、反馈和意见。收集参与者对初始建设区域的感知、关注点和建议。基于参与者体验数据，分析可能需要调整的方面。根据参与者的反馈，调整初始建设地理区域调剂补偿数据。生成建设地理区域调剂补偿调整数据，包括更新的补偿方案、修订的受影响方面和重新计算的补偿金额。与参与者、利益相关者和决策者进行有效的沟通，解释任何调整的原因和影响。收集额外的反馈，以便进一步改进建设地理区域调剂补偿策略。
步骤S4：将建设地理区域调剂补偿调整数据进行区块链智能合约部署，生成有偿调剂智能合约；通过有偿调剂智能合约进行智能有偿调剂策略执行，生成有偿调剂智能决策执行结果数据。
本发明实施例中，通过选择适当的区块链平台，如以太坊、波卡、或其他适用的平台。开发智能合约，其中包括建设地理区域调剂补偿调整数据的存储和执行逻辑。部署智能合约到选定的区块链网络中。在智能合约中定义有偿调剂策略，包括补偿方案的条件、支付细则、执行规则等。确保智能合约能够获取和处理建设地理区域调剂补偿调整数据。利用智能合约执行有偿调剂策略，根据调整数据和参与者的交互，自动触发调剂补偿。智能合约应能够验证和执行各方之间的合同条件，确保透明和可信赖的有偿调剂。当智能合约执行有偿调剂策略时，生成相应的执行结果数据。这些结果数据可以包括支付记录、执行的补偿方案、参与者反馈等信息。确保智能合约的安全性，防范潜在的攻击和漏洞。考虑隐私问题，确保敏感数据得到适当的保护。
优选的，步骤S1包括以下步骤：
步骤S11：利用卫星遥感技术获取待建设土地俯瞰图像；
步骤S12：对待建设土地俯瞰图像进行图像增强，得到待建设土地俯瞰增强图像；对待建设土地俯瞰增强图像进行尺度变换，生成待建设土地俯瞰变换图像；对待建设土地变换图像进行图像核心区域分割，生成待建设土地俯瞰核心区域图像；
步骤S13：通过无人机对待建设土地俯瞰核心区域图像进行低空拍摄，得到待建设土地二维影像集；将待建设土地俯瞰核心区域图像和待建设土地二维影像集进行多源数据融合，生成多源地理信息整合图层；
步骤S14：对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据。
本发明通过卫星遥感技术获取待建设土地的俯瞰图像，这可以提供全面的土地概况。对俯瞰图像进行增强处理，可能包括调整对比度、亮度等，以提高图像质量。对俯瞰图像进行增强处理，可能包括调整对比度、亮度等，以提高图像质量。对变换后的图像进行核心区域的分割，可能是为了集中关注土地的主要特征。通过无人机对土地核心区域进行低空拍摄，得到二维影像集，这可以提供更高分辨率和详细信息。将卫星获取的俯瞰核心区域图像与无人机获取的二维影像集进行融合，生成包含多源信息的地理信息整合图层。对整合的地理信息图层进行处理，提取相关的地理信息数据，这可能包括土地用途、地形特征、植被分布等。
本发明实施例中，通过使用卫星遥感设备，例如卫星影像传感器，获取待建设土地的俯瞰图像。确保卫星数据包含足够的空间分辨率和频谱信息，以提供全面的土地概况。使用图像处理技术，例如图像增强算法，对俯瞰图像进行增强。进行尺度变换，可以使用插值技术等，确保适应后续处理的需求。使用图像分割算法对变换后的图像进行核心区域的分割，以提取主要特征。利用无人机对待建设土地的核心区域进行低空拍摄，获取高分辨率的二维影像集。利用专业软件或算法将卫星获取的俯瞰核心区域图像与无人机获取的二维影像集进行多源数据融合，生成整合图层。对整合的地理信息图层进行地理信息提取，可以使用地理信息系统（GIS）工具或相关的地理信息处理软件。提取的信息可能包括土地用途、地形特征、植被分布等，生成待建设土地地理信息数据。
优选的，步骤S2包括以下步骤：
步骤S21：对待建设土地地理信息数据进行建设区域划分，得到建设区域划分数据；根据建设区域划分数据对待建设土地地理信息数据进行地理环境分析，生成建设区域地理环境数据；
步骤S22：根据建设区域地理环境数据对建设区域划分数据进行区域建设地段目标确认，得到区域地段建设目标数据；
步骤S23：根据区域地段建设目标数据对多源地理信息整合图层进行建设难度划分，生成建设区域难度划分数据；对建设区域难度划分数据进行建设经济效益预测，生成建设经济效益预测数据；
步骤S24：通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据。
本发明通过对土地地理信息数据进行建设区域划分，可以更清晰地了解不同地区的特征和用途。地理环境分析有助于了解建设区域的地形、气候、水资源等环境特征，为后续规划提供基础数据。在了解地理环境的基础上，通过确认建设地段目标，可以明确每个地段的规划目标，例如住宅区、商业区、绿地等。通过对区域地段建设目标数据进行建设难度划分，可以评估不同地段的开发难度，为资源配置和工程规划提供依据。建设经济效益预测有助于评估项目的潜在经济回报，提供决策支持和风险管理。通过三维地理建设模拟，可以形成可视化的建设场景，有助于决策者和利益相关方更直观地了解项目规划和可能的影响。模拟数据可以用于交流、宣传、培训等方面，提高项目的透明度和参与度。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S2包括：
步骤S21：对待建设土地地理信息数据进行建设区域划分，得到建设区域划分数据；根据建设区域划分数据对待建设土地地理信息数据进行地理环境分析，生成建设区域地理环境数据；
本发明实施例中，通过收集待建设土地的各种地理信息数据，包括地形、土地利用、土地所有权、气候等。清理和处理数据，确保数据的准确性和一致性。利用GIS工具进行空间分析，采用合适的算法和方法将土地划分为不同的建设区域。这可能涉及到聚类分析、地理加权回归等技术，以识别具有相似地理特征的区域。将建设区域划分数据与其他环境相关数据整合，形成一个综合的地理信息数据库。利用GIS工具进行环境因素分析，包括但不限于土壤质量、水资源、气候条件等。这可以采用地理统计分析、遥感技术等手段。可以建立模型来评估建设区域的地理环境状况，例如建立水质模型、土壤侵蚀模型等。基于分析结果，生成建设区域的地理环境数据，包括各种环境指标的数值或空间分布图。
步骤S22：根据建设区域地理环境数据对建设区域划分数据进行区域建设地段目标确认，得到区域地段建设目标数据；
本发明实施例中，通过利用GIS和其他地理信息处理工具，提取建设区域的地理环境特征，如地形、水源、植被覆盖等。对提取的特征进行分析，了解每个区域的自然环境条件，包括土壤质地、水资源情况、气候等。根据地理环境数据，确定每个建设区域的建设目标，例如住宅、商业、工业、绿地等。结合城市规划、土地用途规划等专业知识，确保目标的合理性和可行性。将确定的建设地段目标与之前的建设区域划分数据整合，形成区域地段建设目标数据。利用GIS工具将区域地段建设目标数据可视化展示，以便决策者更直观地理解规划。
步骤S23：根据区域地段建设目标数据对多源地理信息整合图层进行建设难度划分，生成建设区域难度划分数据；对建设区域难度划分数据进行建设经济效益预测，生成建设经济效益预测数据；
本发明实施例中，通过整合多种地理信息图层，包括地形、土地利用、气候、交通等。利用专业知识和模型对建设地段进行难度评估，考虑因素如地形复杂度、水资源情况、土壤条件等。使用GIS工具进行空间分析，根据综合因素对建设区域进行难度划分。利用生成的建设区域难度划分数据，深入分析每个区域的难度级别和相应的难度因素。建立经济效益模型，考虑因素如投资成本、市场需求、资源回报等。将建设难度数据与经济效益数据关联，确定建设难度与经济效益的关系。使用建立的经济效益模型，对每个建设区域进行经济效益预测计算。分析预测结果，了解各区域的潜在经济回报、风险和可行性。
步骤S24：通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据。
本发明实施例中，通过将多源地理信息，包括地形、土地利用、交通、建筑等整合为一张地图图层。确保图层数据的准确性和一致性，进行必要的清理和处理。将建设经济效益预测数据与整合图层关联，确保每个区域都有对应的经济效益预测值。使用专业的三维地理建设模拟软件，如GIS软件中的三维分析工具或专业的城市规划软件。将整合图层和建设经济效益预测数据导入到模拟软件中。设置模拟的各项参数，包括建筑高度、用地类型、交通网络等。在模拟中考虑建设经济效益预测数据，确保模拟结果与预测的经济效益相符。执行三维地理建设模拟，模拟整个建设区域的地理变化和建设过程。在模拟软件中实时预览三维地理建设的效果，包括建筑物的布局、道路网络等。分析模拟生成的三维地理建设模拟数据，了解建设区域的空间布局和效益分布。
优选的，步骤S23包括以下步骤：
步骤S231：根据区域地段建设目标数据对多源地理信息整合图层进行地段面积用途划分，生成公共地段图层和非公共地段图层；
步骤S232：对公共地段图层进行生态建设价值评估，生成公共建设价值数据；根据公共建设价值数据对公共地段图层进行建设影响评估，得到公共建设影响评估数据；对非公共地段图层进行楼房检测，生成楼房检测数据；根据楼房检测数据对非公共地段图层进行建设楼房影响评估，生成非公共建设影响评估数据；
步骤S233：利用建设难度划分公式对公共建设影响评估数据和非公共建设影响评估数据进行综合建设难度量化，生成建设区域难度划分数据；
步骤S234：将建设区域难度划分数据和预设的标准难度划分阈值进行对比，当建设区域难度划分数据大于或等于预设的标准难度划分阈值时，则生成高难度建设区域数据；当建设区域难度划分数据小于预设的标准难度划分阈值时，则生成低难度建设区域数据；
步骤S235：对高难度建设区域数据和低难度建设区域数据进行建设经济效益预测，生成建设经济效益预测数据。
本发明通过对多源地理信息整合，实现了对区域地段的面积用途划分，生成了公共地段和非公共地段图层，为后续分析提供了基础。通过评估公共地段的生态建设价值和建设影响，得到了公共建设价值数据和公共建设影响评估数据，为综合建设难度提供了重要信息。对非公共地段进行楼房检测，并评估其对建设的影响，生成了非公共建设影响评估数据，这有助于综合考虑不同地段的建设难度。利用建设难度划分公式，对公共和非公共地段的影响评估数据进行综合量化，生成了建设区域难度划分数据。通过与预设标准难度划分阈值对比，划分了高难度和低难度的建设区域。针对高难度和低难度建设区域，进行了建设经济效益的预测。这有助于决策者更好地理解不同区域的潜在经济回报，从而做出更明智的规划和决策。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S23包括：
步骤S231：根据区域地段建设目标数据对多源地理信息整合图层进行地段面积用途划分，生成公共地段图层和非公共地段图层；
本发明实施例中，通过收集有关区域地段的建设目标数据，这可能包括地区规划、土地用途规划、城市发展规划等相关信息。这些数据提供了对区域发展的目标和需求的理解。收集来自不同来源的地理信息图层，这可能包括地形地貌、土地利用、交通网络、自然资源等。确保这些图层的数据格式和坐标系统相匹配。利用地理信息系统（GIS）或相关的地理空间分析工具，对整合的地理信息图层进行面积用途划分。这可以通过图层叠加、空间分析和地理统计等技术来实现。结合区域地段的建设目标数据，将划分的面积用途进一步分类为公共地段和非公共地段。建设目标数据可能包括公共设施规划、社区需求、环境保护等方面的要求。根据上述划分，生成两个独立的图层，分别表示公共地段和非公共地段。这可以通过GIS软件或专门的地理信息处理工具来完成。
步骤S232：对公共地段图层进行生态建设价值评估，生成公共建设价值数据；根据公共建设价值数据对公共地段图层进行建设影响评估，得到公共建设影响评估数据；对非公共地段图层进行楼房检测，生成楼房检测数据；根据楼房检测数据对非公共地段图层进行建设楼房影响评估，生成非公共建设影响评估数据；
本发明实施例中，通过利用生态学、环境科学等相关知识，确定公共地段的生态建设价值评估指标。这可能包括植被覆盖率、生物多样性、水体质量等方面的因素。使用遥感数据、地理信息系统（GIS）等技术，对公共地段进行生态建设价值评估。这可以包括遥感图像解译、空间分析等方法。生成公共建设价值数据，其中包含各个地段的生态建设价值指标和评估结果。利用公共建设价值数据，结合建设规划和设计要求，进行公共地段的建设影响评估。考虑因建设而可能引起的生态影响，制定相应的评估方法和标准。生成公共建设影响评估数据，包括不同建设方案对公共地段生态价值的影响程度。利用遥感数据、空间图像处理等技术，对非公共地段进行楼房检测。这可能包括识别建筑物、提取建筑轮廓等步骤。生成楼房检测数据，其中包括非公共地段上存在的建筑物的位置、形状等信息。利用楼房检测数据，结合建设规划和设计方案，进行非公共地段的建设楼房影响评估。考虑建筑物对周围环境、交通等方面的影响。生成非公共建设影响评估数据，包括不同建设方案对非公共地段的影响程度。将公共建设影响评估数据和非公共建设影响评估数据整合到一个综合评估中，以综合考虑整个区域的建设影响。
步骤S233：利用建设难度划分公式对公共建设影响评估数据和非公共建设影响评估数据进行综合建设难度量化，生成建设区域难度划分数据；
本发明实施例中，通过定义建设难度的关键因素，这可能包括地形复杂度、土壤质地、气候条件、交通便利性等。制定建设难度划分公式，将这些关键因素纳入考虑，赋予它们不同的权重，以反映它们对建设难度的影响程度。公式的形式可以是加权和，乘积和，或其他形式，具体取决于各因素之间的相互关系。对公共建设影响评估数据和非公共建设影响评估数据进行标准化处理，确保它们在相同的尺度上进行比较。将不同评估数据转化为统一的度量单位，以便能够应用于建设难度划分公式。将标准化后的公共建设影响评估数据和非公共建设影响评估数据整合到一个数据集中，以便在建设难度划分公式中进行综合计算。应用建设难度划分公式，使用整合后的评估数据计算每个区域的建设难度。这可能涉及对公共建设和非公共建设影响评估数据的加权组合，考虑到它们对整体建设难度的贡献。将计算得到的建设难度结果映射到地理空间上，生成建设区域难度划分数据。可以使用GIS工具或其他地理信息处理软件，将建设难度结果与相应的地理位置进行关联，形成区域划分数据。
步骤S234：将建设区域难度划分数据和预设的标准难度划分阈值进行对比，当建设区域难度划分数据大于或等于预设的标准难度划分阈值时，则生成高难度建设区域数据；当建设区域难度划分数据小于预设的标准难度划分阈值时，则生成低难度建设区域数据；
本发明实施例中，通过使用相应的评估方法和公式，获取建设区域的难度划分数据。这可能涉及到对多种因素的综合评估，例如地形、资源可利用性、环境影响等。在制定计划或评估指南时，设定标准难度划分阈值。这个阈值可以基于项目的特定要求、技术可行性、资源可用性等因素而定。将获取的建设区域难度划分数据与预设的标准难度划分阈值进行比较。如果建设区域难度划分数据大于或等于预设的标准难度划分阈值，则判定该区域为高难度建设区域；如果建设区域难度划分数据小于预设的标准难度划分阈值，则判定该区域为低难度建设区域。根据判断结果，生成相应的数据，标识该建设区域的难度级别。将生成的数据记录下来，并在相关报告或计划中使用，以便在后续的决策和规划中考虑建设区域的难度。
步骤S235：对高难度建设区域数据和低难度建设区域数据进行建设经济效益预测，生成建设经济效益预测数据。
本发明实施例中，通过获取高难度建设区域数据和低难度建设区域数据。这可能包括相关的地理、地质、资源、环境等数据，以及建设项目的具体规划和设计方案。确定影响建设经济效益的因素，这可能包括但不限于投资成本、运营成本、资源利用率、市场需求、项目周期等。基于已确定的经济效益因素，建立建设经济模型。这可以是一个数学模型，可能包括财务指标、投资回报率、净现值等。将高难度建设区域数据和低难度建设区域数据应用到建设经济模型中。这可能涉及对不同难度区域的经济因素进行量化和分析。运行建设经济模型，预测高难度建设区域和低难度建设区域的经济效益。这将生成一系列关于项目盈亏、投资回报等方面的数据。对预测结果进行详细的分析和解释。了解高难度和低难度建设区域在经济效益方面的差异，并评估这些差异可能对项目决策的影响。
优选的，步骤S233中的建设难度划分公式具体如下：
；
式中，表示为建设区域的难度程度，/>表示为建设影响评估的时间跨度，/>表示为建设影响评估数据的数量，/>表示为第/>个公共建设影响评估数据的风险权重，/>表示为公共建设的土地面积，/>表示为公共建设的现存设施数量，/>表示为公共建设的影响力调整参数，/>表示为第/>个非公共建设影响评估数据的风险权重，/>表示为非公共建设的土地面积，/>表示为非公共建设的现存设施数量，/>表示为非公共建设的影响力调整参数。
本发明通过分析并整合了一种建设难度划分公式，公式中的建设区域的难度程度。该值反映了建设区域的复杂性和难度程度，用于评估建设项目的可行性和风险。建设影响评估的时间跨度/>。通过设定不同的时间跨度，可以考虑建设项目在不同时间段内的影响和持续性。通过考虑多个建设影响评估数据/>，可以综合考虑不同因素对建设难度的贡献，提高评估的准确性和全面性。通过调整风险权重，可以对不同公共建设影响评估数据的重要性进行加权，更准确地评估其对建设难度的贡献。土地面积是公共建设的重要因素之一，通过考虑土地面积的大小，可以评估公共建设对建设区域的影响程度。现存设施数量反映了公共建设的规模和规模对建设区域的影响程度。通过考虑现存设施数量，可以评估公共建设对建设难度的贡献。通过调整影响力调整参数，可以控制公共建设对建设难度的影响程度，以适应不同的建设环境和需求。通过调整风险权重，可以对不同非公共建设影响评估数据的重要性进行加权，更准确地评估其对建设难度的贡献。非公共建设的土地面积对建设难度具有影响，通过考虑土地面积的大小，可以评估非公共建设对建设区域的影响程度。非公共建设的现存设施数量反映了其规模和规模对建设区域的影响程度。通过考虑现存设施数量，可以评估非公共建设对建设难度的贡献。通过调整影响力调整参数，可以控制非公共建设对建设难度的影响程度，以适应不同的建设环境和需求。在使用本领域常规的建设难度划分公式时，可以得到建设区域的难度程度，通过应用本发明提供的建设难度划分公式，可以更加精确的计算出建设区域的难度程度。通过对上述参数的调整和组合，公式综合考虑了公共建设和非公共建设的影响因素，根据权重和调整参数的设定，计算出建设区域的难度程度。这样可以帮助评估建设项目的风险和可行性，指导决策者制定合理的建设策略和措施，以应对建设难度和建设区域的挑战。
优选的，步骤S235包括以下步骤：
步骤S2351：对高难度建设区域数据进行高难度区域经济指标提取，生成高难度区域经济指标数据；对低难度建设区域数据进行低难度区域经济指标提取，生成低难度区域经济指标数据；
步骤S2352：对高难度区域经济指标数据和低难度区域经济指标数据进行经济指标差异对比，得到经济指标差异数据；
步骤S2353：对经济指标差异数据进行数据集划分，生成模型训练集和模型测试集；利用支持向量机算法对模型训练集进行模型训练，生成经济效益预测预模型；根据模型测试集对经济效益预测预模型进行模型测试，从而生成经济效益预测模型；
步骤S2354：将经济指标差异数据导入至经济效益预测模型中进行建设经济效益预测，生成建设经济效益预测数据。
本发明通过对高难度建设区域数据进行经济指标提取，生成高难度区域经济指标数据。对低难度建设区域数据进行经济指标提取，生成低难度区域经济指标数据。对高难度区域经济指标数据和低难度区域经济指标数据进行对比，得到经济指标差异数据。这有助于了解高低难度区域在经济方面的异同。对经济指标差异数据进行数据集划分，生成模型训练集和模型测试集。利用支持向量机算法对模型训练集进行模型训练，生成经济效益预测预模型。根据模型测试集对经济效益预测预模型进行测试，从而生成经济效益预测模型。将实际的经济指标差异数据导入至经济效益预测模型中，进行建设经济效益预测。生成建设经济效益预测数据，这包括对高难度和低难度建设区域的经济效益进行预测和比较。通过对高低难度区域经济指标的对比，能够更清晰地了解它们之间的经济差异。利用支持向量机算法进行模型训练和测试，提高了建设经济效益预测模型的准确性和可靠性。生成的建设经济效益预测数据有助于决策者和相关利益方在项目规划和决策中更全面地考虑经济因素，以取得更好的经济效果。
本发明实施例中，通过收集高难度建设区域的相关数据，可能包括地理、经济、社会等方面的信息。制定高难度区域经济指标提取算法，例如使用统计方法、机器学习等技术，提取经济相关的指标。将提取的数据整理成高难度区域经济指标数据集。同样，收集低难度建设区域的相关数据。制定低难度区域经济指标提取算法，与高难度的算法可能有所不同，以适应低难度区域的特点。整理提取的数据成低难度区域经济指标数据集。使用合适的数据分析工具，对高难度区域经济指标数据和低难度区域经济指标数据进行对比分析。识别和计算经济指标的差异，可能需要考虑各种因素，如百分比变化、绝对数值差异等。将经济指标差异数据划分为模型训练集和模型测试集，确保数据集的随机性和代表性。选择支持向量机（SVM）作为建模算法，考虑到其在分类和回归任务上的优越性能。针对模型训练集，进行支持向量机模型的训练。利用模型测试集对已训练的支持向量机模型进行测试，评估模型的性能和准确性。将实际的经济指标差异数据导入训练好的经济效益预测模型中，进行建设经济效益预测。生成建设经济效益预测数据，这可能包括对未来经济状况的估计和预测。
优选的，步骤S24包括以下步骤：
步骤S241：通过三维点云技术对建设经济效益预测数据进行点云格式转换，生成建设经济效益点云数据；将建设经济效益点云数据导入至多源地理信息整合图层进行中进行三维重构，生成三维建设用地模型；
步骤S242：对三维建设用地模型进行模拟场景设置，生成模拟场景配置数据；
步骤S243：根据模拟场景配置数据对三维建设用地模型进行大规模地理模拟执行，生成大规模地理模拟数据；
步骤S244：对大规模地理模拟数据进行模拟数据分析，生成建设模拟变化数据；对建设模拟变化数据进行模拟性能评估，生成三维地理建设模拟数据。
本发明通过利用三维点云技术对建设经济效益预测数据进行点云格式的转换，将其表示为点云数据。这可以通过激光扫描、摄影测量等手段得到三维坐标数据，形成点云。将建设经济效益点云数据导入多源地理信息整合图层中。利用整合图层进行三维重构，生成具有空间信息的三维建设用地模型。设置模拟场景，可能包括建设用地的不同用途、不同类型的建筑、交通网络等。生成模拟场景配置数据，包括各个元素的位置、属性、关联关系等信息。根据模拟场景配置数据，对三维建设用地模型进行大规模地理模拟执行。模拟可能涉及到的各种变化，例如城市发展、土地利用变化等。对生成的大规模地理模拟数据进行分析，得到建设模拟变化数据。进行模拟性能评估，可能包括模拟的准确性、真实性、效率等方面的评估。通过三维建设用地模型和模拟场景，实现建设经济效益的空间可视化，使决策者更直观地了解项目的潜在影响。模拟场景的执行可以帮助评估不同决策对建设经济效益的潜在风险和影响。基于模拟数据的分析，支持对建设规划和用地规划的优化，以实现更好的经济效益。生成的三维地理建设模拟数据可用于提供决策支持，帮助政府、企业等制定更科学的发展战略和政策。
作为本发明的一个实例，参考图4所示，在本实例中所述步骤S24包括：
步骤S241：通过三维点云技术对建设经济效益预测数据进行点云格式转换，生成建设经济效益点云数据；将建设经济效益点云数据导入至多源地理信息整合图层进行中进行三维重构，生成三维建设用地模型；
本发明实施例中，通过获取建设经济效益预测数据，这可以包括通过激光扫描、摄影测量、遥感技术等手段采集的三维坐标数据。使用专业的三维点云处理软件或工具，例如PointCloud Library (PCL)、AutoCAD等，进行点云格式的转换。这可能包括将数据从原始格式（如XYZ坐标）转换为标准的点云格式（如LAS或PLY）。创建一个多源地理信息整合图层，该图层应该能够容纳建设经济效益点云数据以及其他相关的地理信息数据。利用整合图层的功能，将经过格式转换的建设经济效益点云数据导入到整合图层中。这可能需要使用GIS软件（地理信息系统）如ArcGIS、QGIS等。进行建设经济效益点云数据与其他地理信息数据的配准，确保它们在同一坐标系统下。利用整合图层的功能，进行三维重构。这可能包括插值、网格生成等操作，以生成具有空间信息的三维建设用地模型。
步骤S242：对三维建设用地模型进行模拟场景设置，生成模拟场景配置数据；
本发明实施例中，通过将在上一步骤生成的三维建设用地模型导入到模拟环境的相关软件或平台中。这可以是专业的建模和仿真软件，如Unity、Unreal Engine等。在模拟环境中设置场景布局，包括摆放建筑、道路、绿化等要素。这可以通过拖放、缩放等操作完成。调整光照条件和天气效果，以模拟不同时间和气象条件下的场景。这有助于评估建设用地在不同环境条件下的表现。如果适用，设置交通流和人流，以模拟现实中的运输和人员流动情况。根据模拟的需求，设置相关的模拟参数，如建筑物高度、密度、交通流量等。这些参数设置将影响模拟场景的真实性和准确性。在模拟环境中，根据设置的参数进行模拟，并导出模拟场景配置数据。这可能包括各个对象的位置、属性、运动轨迹等信息。运行模拟场景，验证模型的反应是否符合预期。这可以通过观察模拟结果、分析数据输出等方式进行。根据验证结果，调整模拟参数和设置，以优化模型的准确性和仿真效果。
步骤S243：根据模拟场景配置数据对三维建设用地模型进行大规模地理模拟执行，生成大规模地理模拟数据；
本发明实施例中，通过在执行大规模地理模拟之前，确保已经完成了必要的准备工作。这可能包括准备好的三维建设用地模型、模拟场景配置数据和任何其他必要的输入。根据模拟场景配置数据，加载三维建设用地模型和相关的输入数据。这可能涉及到使用相应的工具或软件来导入模型和配置文件。根据模拟场景配置数据中的参数，设置地理模拟的各种参数。这可能包括时间范围、空间分辨率、模拟步长等。使用合适的地理模拟工具或软件执行模拟。这可能需要运行模拟多次，以涵盖整个模拟场景并生成大规模的地理模拟数据。一旦模拟执行完毕，进行必要的数据处理工作。这可能包括清理、转换或处理模拟生成的数据，以确保其格式正确且易于分析。随后，将模拟数据存储到适当的位置。对生成的大规模地理模拟数据进行验证和质量控制。确保模拟结果符合预期，并且数据质量满足要求。
步骤S244：对大规模地理模拟数据进行模拟数据分析，生成建设模拟变化数据；对建设模拟变化数据进行模拟性能评估，生成三维地理建设模拟数据。
本发明实施例中，通过准备大规模地理模拟数据，这可能是模拟场景中各种要素的变化、发展趋势等。使用数据分析工具，例如统计软件（如Python的NumPy、Pandas、Matplotlib），GIS软件（如ArcGIS、QGIS）等，对模拟数据进行分析。分析模拟数据中的变化趋势、模式、关联性等。这可以包括对不同地区、时间点的建设模拟变化进行比较和分析。根据模拟数据分析的结果，可能需要调整模型参数、场景设置等。利用模型进行建设模拟变化数据的生成。这可能包括模拟不同建设项目对土地利用的影响、基础设施的发展、人口变化等。定义模拟性能的评估指标，这可以包括模拟的准确性、真实性、计算性能等。执行建设模拟，根据模型和场景设置生成模拟数据。利用定义的评估指标对生成的建设模拟数据进行性能评估。这可能涉及与实际观测数据的比较、误差分析等。将生成的建设模拟变化数据与原始三维建设用地模型整合。利用三维建模软件或GIS软件，将模拟数据可视化为三维地理建设模型。生成最终的三维地理建设模拟数据，包括建设项目的空间布局、变化趋势等信息。
优选的，步骤S3包括以下步骤：
步骤S31：基于三维地理建设模拟数据进行混合地理信息可视化设计，生成混合地理信息可视化场景设计图；
步骤S32：根据混合地理信息可视化场景设计图进行初始建设区域调剂补偿，生成初始建设地理区域调剂补偿数据；通过初始建设地理区域调剂补偿数据进行混合地理决策实境体验，生成参与者体验数据；
步骤S33：对参与者体验数据进行实时参与意见收集，得到参与者体验意见数据；基于建设调剂补偿意向公式对参与者体验意见数据进行调剂补偿意见量化，得到调剂补偿意见系数；
步骤S34：根据调剂补偿意见系数对初始建设地理区域调剂补偿数据进行调剂补偿调整，生成建设地理区域调剂补偿调整数据。
本发明通过三维地理建设模拟数据进行混合地理信息可视化设计，有助于深入理解模拟数据的空间分布和变化趋势。生成混合地理信息可视化场景设计图有助于有效地向各利益相关方传达模拟数据的关键信息，促进更清晰的讨论和理解。通过根据可视化场景设计图进行初始建设区域调剂补偿，可以灵活调整建设方案，以适应实际需求和参与者的反馈。初始建设地理区域调剂补偿数据用于生成参与者体验数据，为混合地理决策实境体验奠定基础。通过对参与者体验数据进行实时参与意见收集，能够获得实时的参与者反馈，提供对建设方案的即时理解。利用调剂补偿意向公式对参与者体验意见数据进行量化，得到调剂补偿意见系数，为后续的调剂补偿提供了量化的依据。根据调剂补偿意见系数对初始建设地理区域调剂补偿数据进行调剂补偿调整，使得调整过程更为量化和可操作。调剂补偿调整数据的生成可确保最终建设方案更符合参与者的期望，提高项目的接受度和可持续性。
本发明实施例中，通过收集并准备三维地理建设模拟数据，这可能包括地形、建筑结构、资源分布等。使用专业的地理信息可视化工具，例如地理信息系统（GIS）软件或其他相应的工具，将模拟数据进行可视化设计，生成混合地理信息可视化场景设计图。设计和实施算法，根据设计图对建设区域进行调剂补偿，考虑到地理特征、资源分布等因素。对调剂补偿后的数据进行处理，确保其准确性和一致性。使用调查问卷、在线反馈表单等工具，实时收集参与者在地理决策实境体验中的意见和反馈。将收集到的数据进行存储和分析，以便后续量化和处理。制定公式，将参与者的体验意见量化为调剂补偿意见系数。根据得到的系数对初始数据进行相应的调整，确保建设区域的调剂补偿符合参与者的体验意见。
优选的，步骤S33中的建设调剂补偿意向公式具体如下：
；
式中，表示为调剂补偿意见系数，/>表示为意向补偿时间范围的上限，/>表示为调剂补偿意见的初始值，/>表示为调剂补偿意见的增长速率，/>表示为参与者体验意见的评分，/>表示为调剂补偿意见的衰减系数，/>表示为调剂补偿意见的衰减速率，/>表示为建设调剂补偿的初始值，/>表示为建设调剂补偿的影响系数，/>表示为建设调剂补偿的衰减系数，/>表示为建设调剂补偿的增长速率，/>表示为建设调剂补偿的接受程度值。
本发明通过分析并整合了一种建设调剂补偿意向公式，公式中的调剂补偿意见的初始值和调剂补偿意见的增长速率/>，这两个参数控制了调剂补偿意见的增长速率。较大的 />值表示初始补偿意见较高，而较大的/>值表示补偿意见将更快地增长。这使得参与者的体验意见在时间推移中能够对调剂补偿意见产生更大的影响。参与者的体验意见评分作为公式的输入变量，直接影响调剂补偿意见项的计算结果。较高的评分将导致补偿意见项的值增加，从而更好地反映参与者的积极体验。通过调整调剂补偿意见的衰减系数/>和调剂补偿意见的衰减速率/>，这两个参数控制了调剂补偿意见的衰减速率。较大的 />值表示补偿意见将更快地衰减，而较大的 /> 值则表示衰减速率更慢。这样可以确保调剂补偿意见具有一定的持久性，即使参与者的体验意见评分较低或时间较长，仍能保持一定的补偿意见。在使用本领域常规的建设调剂补偿意向公式时，可以得到调剂补偿意见系数，通过应用本发明提供的建设调剂补偿意向公式，可以更加精确的计算出调剂补偿意见系数。通过综合考虑参与者的体验意见评分、调剂补偿意见的增长和衰减，以及建设调剂补偿的影响因素，该公式能够量化参与者的意见，并根据时间的推移给出一个综合的调剂补偿意见系数。这有助于决策者在制定建设调剂政策和措施时更好地理解和考虑参与者的意见和期望。
优选的，步骤S4包括以下步骤：
步骤S41：将建设地理区域调剂补偿调整数据进行区块链上链，生成地理数据上链交易数据；
步骤S42：根据地理数据上链交易数据进行有偿提调剂智能合约编写，生成有偿调剂智能合约地址数据；将有偿调剂智能合约地址数据上传至区块链中进行智能合约部署，生成有偿调剂智能合约；
步骤S43：通过有偿调剂智能合约进行智能有偿调剂策略执行，生成有偿调剂智能决策执行结果数据。
本发明通过使用区块链技术，将地理区域调剂补偿调整数据以交易的形式上链，确保数据的透明性和不可篡改性。提高数据的可信度和安全性，确保地理调剂补偿数据的可追溯性和不可篡改性。编写有偿提调剂的智能合约代码，确保合约能够根据上链的地理数据执行相应的调剂操作。将编写好的智能合约上传至区块链网络中，生成合约地址供后续调用。通过智能合约实现自动化的有偿调剂，提高效率并减少中介环节，确保调剂过程的可靠性。制定智能合约执行的有偿调剂策略，考虑参与者体验数据、调剂补偿意见系数等因素。通过区块链网络执行智能合约，实施有偿调剂策略。提高决策执行的智能性和准确性，确保有偿调剂过程符合事先设定的策略，为参与者提供更好的体验。
本发明实施例中，通过将建设地理区域调剂补偿调整数据准备好，确保数据的完整性和准确性。利用区块链技术，将调剂补偿调整数据以交易的形式上链。这涉及使用区块链网络的相应协议和机制，如智能合约和交易。区块链上链操作将生成地理数据上链交易数据，其中包括关键信息如调剂补偿数据、时间戳等。根据地理数据上链交易数据，编写有偿提调剂的智能合约代码。这需要使用智能合约编程语言，例如Solidity（用于以太坊区块链）。编写智能合约后，生成有偿调剂智能合约地址数据。这是合约在区块链上的唯一标识。将有偿调剂智能合约地址数据上传至区块链中，进行智能合约部署。这将在区块链网络中创建智能合约的实例。制定智能有偿调剂策略，考虑参与者的条件、补偿标准、调剂条件等因素。这可能涉及到智能合约中的条件判断和执行逻辑的制定。通过有偿调剂智能合约进行智能有偿调剂策略的执行。这将触发相应的智能合约代码，执行调剂操作。智能合约的执行将生成有偿调剂智能决策执行结果数据，其中包括调剂是否成功、执行时间戳等信息。
本发明的有益效果在于，本发明的城乡建设用地有偿调剂的智能决策构建方法通过多源数据融合和地理信息整合图层的生成提供了全面的地理信息数据，有助于更准确地了解待建设土地的特征。这为后续的决策提供了坚实的基础，使得区域建设目标确认和经济效益预测更为准确。利用建设经济效益预测数据进行三维地理建设模拟，可以在虚拟环境中模拟不同的建设方案，以优化经济效益。这有助于在实际建设前预测和选择最有利可图的方案。通过三维地理建设模拟生成的初始调剂补偿数据，结合实际参与者体验数据，可以实现实时的调剂补偿调整。这有助于在项目执行过程中灵活应对变化，提高决策的灵活性和实时性。混合地理决策实境体验和参与者体验数据的收集使得决策过程更具参与性和民主性。通过调整补偿方案，可以更好地满足社会的需求，提高项目的社会接受度。将调剂补偿调整数据部署到区块链智能合约中，提高了安全性和透明度。这确保了各方对于调剂补偿的执行过程和结果的信任，减少了潜在的纠纷和不确定性。区块链技术的特性确保了数据的完整性和不可篡改性，使得整个决策和执行过程具有高度的可信度和可追溯性。因此，本发明通过对建设用地数据进行多源数据融合、三维地理建设模拟、区块链智能合约，提高了城乡建设用地有偿调剂智能决策的数据综合性、模拟真实性和动态调整性。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种城乡建设用地有偿调剂的智能决策构建方法，其特征在于，包括以下步骤：
步骤S1：获取待建设土地俯瞰图像；对待建设土地俯瞰图像进行多源数据融合，生成多源地理信息整合图层；对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据；
步骤S2：对待建设土地地理信息数据进行区域建设地段目标确认，得到区域地段建设目标数据；根据区域地段建设目标数据对多源地理信息整合图层进行建设经济效益预测，生成建设经济效益预测数据；通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据；
步骤S3：基于三维地理建设模拟数据进行初始建设区域调剂补偿，生成初始建设地理区域调剂补偿数据；通过初始建设地理区域调剂补偿数据进行混合地理决策实境体验，生成参与者体验数据；根据参与者体验数据进行调剂补偿调整，生成建设地理区域调剂补偿调整数据；
步骤S4：将建设地理区域调剂补偿调整数据进行区块链智能合约部署，生成有偿调剂智能合约；通过有偿调剂智能合约进行智能有偿调剂策略执行，生成有偿调剂智能决策执行结果数据。
2.根据权利要求1所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S1包括以下步骤：
步骤S11：利用卫星遥感技术获取待建设土地俯瞰图像；
步骤S12：对待建设土地俯瞰图像进行图像增强，得到待建设土地俯瞰增强图像；对待建设土地俯瞰增强图像进行尺度变换，生成待建设土地俯瞰变换图像；对待建设土地变换图像进行图像核心区域分割，生成待建设土地俯瞰核心区域图像；
步骤S13：通过无人机对待建设土地俯瞰核心区域图像进行低空拍摄，得到待建设土地二维影像集；将待建设土地俯瞰核心区域图像和待建设土地二维影像集进行多源数据融合，生成多源地理信息整合图层；
步骤S14：对多源地理信息整合图层进行地理信息提取，生成待建设土地地理信息数据。
3.根据权利要求1所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对待建设土地地理信息数据进行建设区域划分，得到建设区域划分数据；根据建设区域划分数据对待建设土地地理信息数据进行地理环境分析，生成建设区域地理环境数据；
步骤S22：根据建设区域地理环境数据对建设区域划分数据进行区域建设地段目标确认，得到区域地段建设目标数据；
步骤S23：根据区域地段建设目标数据对多源地理信息整合图层进行建设难度划分，生成建设区域难度划分数据；对建设区域难度划分数据进行建设经济效益预测，生成建设经济效益预测数据；
步骤S24：通过建设经济效益预测数据对多源地理信息整合图层进行三维地理建设模拟，生成三维地理建设模拟数据。
4.根据权利要求3所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S23包括以下步骤：
步骤S231：根据区域地段建设目标数据对多源地理信息整合图层进行地段面积用途划分，生成公共地段图层和非公共地段图层；
步骤S232：对公共地段图层进行生态建设价值评估，生成公共建设价值数据；根据公共建设价值数据对公共地段图层进行建设影响评估，得到公共建设影响评估数据；对非公共地段图层进行楼房检测，生成楼房检测数据；根据楼房检测数据对非公共地段图层进行建设楼房影响评估，生成非公共建设影响评估数据；
步骤S233：利用建设难度划分公式对公共建设影响评估数据和非公共建设影响评估数据进行综合建设难度量化，生成建设区域难度划分数据；
步骤S234：将建设区域难度划分数据和预设的标准难度划分阈值进行对比，当建设区域难度划分数据大于或等于预设的标准难度划分阈值时，则生成高难度建设区域数据；当建设区域难度划分数据小于预设的标准难度划分阈值时，则生成低难度建设区域数据；
步骤S235：对高难度建设区域数据和低难度建设区域数据进行建设经济效益预测，生成建设经济效益预测数据。
5.根据权利要求4所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S233中的建设难度划分公式如下所示：
；
式中，表示为建设区域的难度程度，/>表示为建设影响评估的时间跨度，/>表示为建设影响评估数据的数量，/>表示为第/>个公共建设影响评估数据的风险权重，/>表示为公共建设的土地面积，/>表示为公共建设的现存设施数量，/>表示为公共建设的影响力调整参数，/>表示为第/>个非公共建设影响评估数据的风险权重，/>表示为非公共建设的土地面积，/>表示为非公共建设的现存设施数量，/>表示为非公共建设的影响力调整参数。
6.根据权利要求4所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S235包括以下步骤：
步骤S2351：对高难度建设区域数据进行高难度区域经济指标提取，生成高难度区域经济指标数据；对低难度建设区域数据进行低难度区域经济指标提取，生成低难度区域经济指标数据；
步骤S2352：对高难度区域经济指标数据和低难度区域经济指标数据进行经济指标差异对比，得到经济指标差异数据；
步骤S2353：对经济指标差异数据进行数据集划分，生成模型训练集和模型测试集；利用支持向量机算法对模型训练集进行模型训练，生成经济效益预测预模型；根据模型测试集对经济效益预测预模型进行模型测试，从而生成经济效益预测模型；
步骤S2354：将经济指标差异数据导入至经济效益预测模型中进行建设经济效益预测，生成建设经济效益预测数据。
7.根据权利要求3所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S24包括以下步骤：
步骤S241：通过三维点云技术对建设经济效益预测数据进行点云格式转换，生成建设经济效益点云数据；将建设经济效益点云数据导入至多源地理信息整合图层进行中进行三维重构，生成三维建设用地模型；
步骤S242：对三维建设用地模型进行模拟场景设置，生成模拟场景配置数据；
步骤S243：根据模拟场景配置数据对三维建设用地模型进行大规模地理模拟执行，生成大规模地理模拟数据；
步骤S244：对大规模地理模拟数据进行模拟数据分析，生成建设模拟变化数据；对建设模拟变化数据进行模拟性能评估，生成三维地理建设模拟数据。
8.根据权利要求1所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S3包括以下步骤：
步骤S31：基于三维地理建设模拟数据进行混合地理信息可视化设计，生成混合地理信息可视化场景设计图；
步骤S32：根据混合地理信息可视化场景设计图进行初始建设区域调剂补偿，生成初始建设地理区域调剂补偿数据；通过初始建设地理区域调剂补偿数据进行混合地理决策实境体验，生成参与者体验数据；
步骤S33：对参与者体验数据进行实时参与意见收集，得到参与者体验意见数据；基于建设调剂补偿意向公式对参与者体验意见数据进行调剂补偿意见量化，得到调剂补偿意见系数；
步骤S34：根据调剂补偿意见系数对初始建设地理区域调剂补偿数据进行调剂补偿调整，生成建设地理区域调剂补偿调整数据。
9.根据权利要求8所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S33中的建设调剂补偿意向公式如下所示：
；
式中，表示为调剂补偿意见系数，/>表示为意向补偿时间范围的上限，/>表示为调剂补偿意见的初始值，/>表示为调剂补偿意见的增长速率，/>表示为参与者体验意见的评分，/>表示为调剂补偿意见的衰减系数，/>表示为调剂补偿意见的衰减速率，/>表示为建设调剂补偿的初始值，/>表示为建设调剂补偿的影响系数，/>表示为建设调剂补偿的衰减系数，/>表示为建设调剂补偿的增长速率，/>表示为建设调剂补偿的接受程度值。
10.根据权利要求1所述的城乡建设用地有偿调剂的智能决策构建方法，其特征在于，步骤S4包括以下步骤：
步骤S41：将建设地理区域调剂补偿调整数据进行区块链上链，生成地理数据上链交易数据；
步骤S42：根据地理数据上链交易数据进行有偿提调剂智能合约编写，生成有偿调剂智能合约地址数据；将有偿调剂智能合约地址数据上传至区块链中进行智能合约部署，生成有偿调剂智能合约；
步骤S43：通过有偿调剂智能合约进行智能有偿调剂策略执行，生成有偿调剂智能决策执行结果数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410094612.5A CN117611108B (zh) | 2024-01-24 | 2024-01-24 | 一种城乡建设用地有偿调剂的智能决策构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410094612.5A CN117611108B (zh) | 2024-01-24 | 2024-01-24 | 一种城乡建设用地有偿调剂的智能决策构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117611108A true CN117611108A (zh) | 2024-02-27 |
| CN117611108B CN117611108B (zh) | 2024-05-10 |
Family
ID=89950230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410094612.5A Active CN117611108B (zh) | 2024-01-24 | 2024-01-24 | 一种城乡建设用地有偿调剂的智能决策构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117611108B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102187364B1 (ko) * | 2020-01-30 | 2020-12-07 | 울산광역시 울주군 | 공공타운하우스 관리 장치 및 그 방법 |
| CN114445010A (zh) * | 2022-01-26 | 2022-05-06 | 电子科技大学 | 一种基于区块链的多式联运系统和方法 |
| US20220309202A1 (en) * | 2020-12-18 | 2022-09-29 | Southeast University | Artificial intelligence-based urban design multi-plan generation method for regulatory plot |
| CN117056867A (zh) * | 2023-10-12 | 2023-11-14 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
| CN117151415A (zh) * | 2023-09-18 | 2023-12-01 | 西北大学 | 一种面向城乡融合发展的基础设施规划系统 |
| CN117251996A (zh) * | 2023-09-11 | 2023-12-19 | 广东东图规划科技有限公司 | 一种中心城区控制性详细规划编制方法 |
-
2024
- 2024-01-24 CN CN202410094612.5A patent/CN117611108B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102187364B1 (ko) * | 2020-01-30 | 2020-12-07 | 울산광역시 울주군 | 공공타운하우스 관리 장치 및 그 방법 |
| US20220309202A1 (en) * | 2020-12-18 | 2022-09-29 | Southeast University | Artificial intelligence-based urban design multi-plan generation method for regulatory plot |
| CN114445010A (zh) * | 2022-01-26 | 2022-05-06 | 电子科技大学 | 一种基于区块链的多式联运系统和方法 |
| CN117251996A (zh) * | 2023-09-11 | 2023-12-19 | 广东东图规划科技有限公司 | 一种中心城区控制性详细规划编制方法 |
| CN117151415A (zh) * | 2023-09-18 | 2023-12-01 | 西北大学 | 一种面向城乡融合发展的基础设施规划系统 |
| CN117056867A (zh) * | 2023-10-12 | 2023-11-14 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 何原荣 等: ""矿区土地资源破坏生态补偿评估空间数据库构建方法"", 《遥感技术与应用》, vol. 25, no. 1, 28 February 2010 (2010-02-28), pages 57 - 62 * |
| 夏列钢 等: ""多分辨率协同遥感地块利用分类方法研究"", 地球信息科学学报, vol. 18, no. 05, 31 May 2016 (2016-05-31), pages 649 - 654 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117611108B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ang et al. | From concept to application: A review of use cases in urban building energy modeling | |
| Johari et al. | Urban building energy modeling: State of the art and future prospects | |
| Moghadam et al. | Urban energy planning procedure for sustainable development in the built environment: A review of available spatial approaches | |
| CN111860205B (zh) | 基于多源遥感影像和网格的森林火情评价方法及存储介质 | |
| AU2020356806A1 (en) | Historical city protection and development cooperative control scheme aided design system | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| Wang et al. | A systematic method to develop three dimensional geometry models of buildings for urban building energy modeling | |
| CN116911052A (zh) | 一种基于数字孪生的智慧城市的组件化构建方法 | |
| Petrov et al. | Utilization of machine‐learning algorithms for wind turbine site suitability modeling in Iowa, USA | |
| CN118094196B (zh) | 基于数据分析的土地利用规划方法及规划系统 | |
| Sharifi et al. | Application of artificial intelligence in digital twin models for stormwater infrastructure systems in smart cities | |
| Pickard et al. | Validating land change models based on configuration disagreement | |
| CN117993572A (zh) | 一种应用于土地利用规划编制的土地资源空间优化配置方法 | |
| Dolui et al. | Modelling landuse dynamics of ecologically sensitive peri-urban space by incorporating an ANN cellular automata-Markov model for Siliguri urban agglomeration, India | |
| Taubenböck et al. | Remote sensing—An effective data source for urban monitoring | |
| CN117436708B (zh) | 国土空间规划风险评估方法 | |
| CN117611108B (zh) | 一种城乡建设用地有偿调剂的智能决策构建方法 | |
| Gu et al. | Multi‐scenario simulation of land use change based on MCR‐SD‐FLUS model: A case study of Nanchang, China | |
| CN114091774A (zh) | 一种作物产量预估方法及装置 | |
| Zhang et al. | Stochastic solar irradiance from deep generative networks and their application in BIPV design | |
| CN118211767B (zh) | 应用于城乡规划的场景建模方法及系统 | |
| Bartosh et al. | Immersive representation of urban data | |
| CN117725662B (zh) | 一种基于市政工程的工程施工仿真方法及系统 | |
| Al-kaissi et al. | Cellular automata-dynamic model for urban growth Baqubah City | |
| Kandelan et al. | Geometric data in urban building energy modeling: current practices and the case for automation |
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 |