CN117710746A - 一种融合开放地理数据的多尺度景观功能主体类型识别方法 - Google Patents
一种融合开放地理数据的多尺度景观功能主体类型识别方法 Download PDFInfo
- Publication number
- CN117710746A CN117710746A CN202311776841.7A CN202311776841A CN117710746A CN 117710746 A CN117710746 A CN 117710746A CN 202311776841 A CN202311776841 A CN 202311776841A CN 117710746 A CN117710746 A CN 117710746A
- Authority
- CN
- China
- Prior art keywords
- landscape
- function
- type
- data
- functional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 130
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000009360 aquaculture Methods 0.000 description 3
- 244000144974 aquaculture Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 240000003133 Elaeis guineensis Species 0.000 description 1
- 235000001950 Elaeis guineensis Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 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
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
- G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了融合开放地理数据的多尺度景观功能主体类型识别方法，包括以下步骤：步骤1，制定区域景观功能分类体系，获取多源地理数据；步骤2，基于多源地理数据划分区域景观功能基础空间单元；步骤3，根据POI分配各区域景观功能空间单元的景观功能主体类型；步骤4，基于功能优势度指数NFCA，识别县域尺度以及市域尺度的景观功能主体类型。本发明的主要特点是针对以往研究聚焦于单一的宏观或者微观尺度的景观功能划分，通过开源地理数据融合的方式，有效实现了从地块到城市群的多尺度景观功能主体类型的识别，为大区域范围内进行及时的功能现状监测、城市规划调整、从而促进功能协同发展提供技术支撑。
Description
技术领域
本发明属于地理信息技术领域，特别涉及一种融合开放地理数据的多尺度景观功能主体类型识别方法。
背景技术
景观的组成和配置对支持人类福祉的关键生态过程和功能有着深远的影响。景观功能，即景观向社会提供商品和服务的能力，包括提供大米或木材等基本商品以及从住宅到文化的服务。考虑到景观功能的空间异质性，以及政策管理者需要协调各领域相关者的利益，了解这些功能的空间分布具有巨大的价值。这一空间信息已成为大多数资源和环境模型系统的关键参数，特别是在一些城市增长模型中。
景观的空间格局本质上是多尺度的，其功能也具有多尺度性。绘制景观功能的多尺度空间分布对于了解区域景观结构、制定区域规划和评价政策有效性具有重要意义，尤其是在城市中。城市不透水表面的遥感监测和模式分析表明，城市区域呈现出由幂律规律控制的多尺度、分层结构。理解这种多尺度结构可以极大地促进景观规划，以增强景观功能能力。在多个尺度上绘制景观功能的空间地图不仅可以阐明控制城市结构和功能的基本原理，还可以作为规划和设计的基本数据，特别是作为预测不同情景下结果的模型的关键输入和校准参数。此外，为广大地区开发具有成本效益的多尺度景观功能快速制图策略，可以极大地促进对实施政策的跟踪和评估，确保规划初衷。
虽然包括人口或社会经济统计数据，可以支持上述行政尺度上的景观功能挖掘，但这些数据的可用性因国家而异，且往往缺乏在微观尺度上分析所需的空间细节。获得更详细的数据，比如城市内的街道，是一个耗时的过程，同时实地调查的成本也更高。这对寻求高效、经济地进行精细景观功能绘制的规划者提出了重大挑战。
在过去的十年中，已经探索了各种数据组织方式，包括结合路网和POI数据，路网和中低分辨率遥感数据，单一的手机信令数据，单一高分辨率卫星图像，高分辨率卫星图像和POI数据等。然而，目前利用地理大数据的研究主要局限于城市内的单一尺度，如街区或建筑物。这忽视了将城市作为景观功能的综合体，阻碍了对多个城市之间功能差异和空间布局格局的探索。
发明内容
针对上述问题，本发明提出了一种融合开放地理数据的多尺度景观功能主体类型识别方法，该方法融合多源的开放地理数据，通过创造POI密度指数实现地块尺度景观功能的主体类型识别，创造NFCA功能优势指数实现多尺度景观功能的主体类型识别。
本发明的具体技术方案提供了一种融合开放地理数据的多尺度景观功能主体类型识别方法，所述融合开放地理数据的多尺度景观功能主体类型识别方法包括以下步骤：
步骤1，制定区域景观功能分类体系，获取多源地理数据；
多源地理数据包括道路网数据、土地利用/覆被数据、兴趣点数据、区域特色专题数据和多尺度行政边界数据；
步骤2，基于多源地理数据划分区域景观功能基础空间单元；
区域景观功能基础空间单元包括路网数据划分人类聚居区的景观功能基础空间单元，以及利用土地利用/覆被数据划分非人类聚居区域的景观功能基础空间单元；
步骤3，根据POI分配各区域景观功能空间单元的景观功能主体类型；
步骤4，基于功能优势度指数NFCA，识别县域尺度以及市域尺度的景观功能主体类型。
更近一步地，在步骤2中，划分区域景观功能基础空间单元的具体方法包括以下步骤：
步骤21，提取土地利用/覆盖数据中的不透水区域，作为人类聚居区，其余区域作为非人类聚居区；
步骤22，选取路网数据的主要道路叠加至人类聚居区，生成人类聚居区的景观功能基础空间单元；
步骤23，利用非人类聚居区域边界叠加至土地利用/覆被数据上，直接获取土地利用/覆被数据的图斑作为非人类聚居区域的景观功能基础空间单元。
更近一步地，在步骤3中，所述识别区域空间单元的景观功能主体类型的具体方法包括以下步骤：
步骤31，按照POI数据大类以及子类所反映的社会经济功能，将人类聚居区的景观功能基础空间单元合并为区域空间单元；
步骤32，参照建设用地面积占比标准，将区域空间单元重新分配POI权重；
步骤33，计算人类聚居区域的区域空间单元的POI密度指数，确定人类聚居区域的区域空间单元的景观功能的主体类型；
步骤34，将非人类聚居区域的土地利用/覆被类型直接赋给其余基础空间单元，作为非人类聚居区域的景观功能主体类型；
步骤35，将非人类聚居区域的区域特色专题区中的基础空间单元功能主体类型更改为专题类型对应的景观功能主体类型。
更近一步地，在步骤33中，计算人类聚居区域的基础空间单元的POI密度指数公式为：
其中，Fi为i类型POI密度指数；ni为基础空间单元中i类型POI的密度值，Di为基础空间单元中i类型POI的权重，m表示POI类型的数量，Wn为基础空间单元的密度指数值，值大于50％时，基础空间单元以单一类型的POI所对应的功能类型为主；在其他情况下，将密度指数值最高的POI类型作为主体类型，第二高的POI类型作为次要类型。
更近一步地，在步骤4中，包括以下步骤：
步骤41，以乡镇行政单元为景观单元，叠加至主体类型识别后的基础空间单元数据集上，计算i景观单元j功能类型的总面积区域所有j功能类型的总面积Xj，i景观单元所有功能类型的总面积Xi，区域所有景观功能类型的总面积X；
步骤42，计算每个景观单元的功能优势指数
步骤43，对于景观单元i，根据依次确定最大和第二大的j的类型p和q，将p确定为主要景观功能，将q作为次要景观功能；
步骤44，重复步骤41_43，识别区域县域尺度景观功能主体类型以及市域景观功能主体类型。
更近一步地，在步骤42中，景观单元的功能优势指数计算公式为：
表示i景观单元j功能类型的总面积，Xj表示区域所有j功能类型的总面积，表示景观单元的功能优势指数，Xi表示i景观单元所有功能类型的总面积，X表示区域所有景观功能类型的总面积。
更近一步地，在步骤22中，通过将道路建立缓冲区，并与人类聚居区进行空间交集取反，生成人类聚居区的景观功能基础空间单元。
本发明的有效有效果是：
本发明提供的融合开放地理数据的多尺度景观功能主体类型识别方法基于免费的开放地理数据，实现多尺度景观功能主体类型识别；
本发明提出了POI频率密度，识别地块尺度景观功能主体类型；
本发明提出了功能优势指数NFCA，识别多尺度景观功能主体类型。
本发明的方法能够实现多尺度景观功能主体类型，在地块到城市群等大尺度城市间景观功能主体类型识别、辅助协同发展的监测方面具有重大潜力。
附图说明
图1为一种融合开放地理数据的多尺度景观功能主体类型识别方法的流程图；
图2为粤港澳大湾区基础空间单元的景观功能主体类型示意图；
图3为粤港澳大湾区乡镇尺度主要景观功能和次要景观功能的景观功能主体类型示意图，a为主要景观功能，b为次要景观功能；
图4为粤港澳大湾区县域尺度主要景观功能和次要景观功能的景观功能主体类型示意图，a为主要景观功能，b为次要景观功能；
图5为粤港澳大湾区市域尺度主要景观功能和次要景观功能的景观功能主体类型示意图，a为主要景观功能，b为次要景观功能。
具体实施方式
下面结合说明书附图对本发明的技术方案作进一步地描述。
如图1所示，本发明的具体技术方案是一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，包括以下步骤：
步骤1，制定区域景观功能分类体系，获取多源地理数据；
分类体系包括以下类型：居民住宅、公共服务、工业生产、商业服务、绿地广场、交通网络、水域、湿地、林地、草地、灌丛、水田、旱地、养殖区、未利用地。此外，分类体系划分具有一定的灵活性。可因地制宜的根据不同区域的社会、经济和生态发展特色，进行有针对性的调整，以适应区域景观功能研究的需求。例如，西北地区的典型沙漠景观、热带地区广泛分布的橡胶和油棕景观等。
多源地理数据包括道路网数据、土地利用/覆被数据、兴趣点数据(POI)、区域特色专题数据和多尺度行政边界数据；
其中，路网数据来自于OpenStreetMap(https：//www.openstreetmap.org/)，土地利用/覆被数据来自于中国科学院资源环境科学数据中心(https：//www.resdc.cn/)，空间分辨率为30m，POI数据来自于高德地图开发平台(https：//lbs.amap.com/)，区域特色专题数据为内陆水产养殖区数据(https：//www.sciencedirect.com/science/article/pii/S1569843222002886)，多尺度行政边界数据为乡镇、县域和市域三种不同尺度，来自国家基础地理信息中心(https：//www.ngcc.cn/ngcc/)。
步骤2，基于多源地理数据划分区域景观功能基础空间单元；
在步骤2中，划分区域景观功能基础空间单元的具体方法包括以下步骤：
步骤21，提取土地利用/覆盖数据中的不透水区域，作为人类聚居区，其余区域(主要指人类活动稀少的自然生态和农业生产区域)作为非人类聚居区；
步骤22，选取路网数据的主要道路叠加至人类聚居区，通过将道路建立缓冲区，并与人类聚居区进行空间交集取反，生成人类聚居区的景观功能基础空间单元；
步骤23，利用非人类聚居区域边界叠加至土地利用/覆被数据上，直接获取土地利用/覆被数据的图斑作为非人类聚居区域的景观功能基础空间单元。
步骤3，根据POI分配各区域景观功能空间单元的景观功能主体类型；
步骤31，根据高德地图开放平台提供的原始POI分类体系，按照POI数据大类以及子类所反映的社会经济功能，将人类聚居区的景观功能基础空间单元合并为区域空间单元；
例如，将别墅、住宅小区等POI合并为居民住宅POI，将工业园区、冶金化工合并为工业生产POI等；
步骤32，参考《城镇用地分类与规划建设用地标准》(GB50137-2011)中的城镇规划建设用地面积占比，作为合并后的每类POI在人类聚居区中的重要性程度依据，使用层次分析法(AHP)，按照重要性进行两两比较为每类POI分配权重值；
步骤33，计算人类聚居区域的基础空间单元的POI密度指数，人类聚居区域的区域空间单元的景观功能的主体类型，具体公式为(1)-(2)：
其中，Fi为i类型POI密度指数；ni为基础空间单元中i类型POI的密度值，Di为基础空间单元中i类型POI的权重，m表示POI类型的数量，Wn为基础空间单元的密度指数值，值大于50％时，基础空间单元以单一类型的POI所对应的功能类型为主；在其他情况下，将密度指数值最高的POI类型作为主体类型，第二高的POI类型作为次要类型。
步骤34，将非人类聚居区域的土地利用/覆被类型直接赋给其余基础空间单元，作为该区域的景观功能主体类型；
步骤35，将非人类聚居区域的区域特色专题数据中的基础空间单元功能主体类型更改为专题类型对应的景观功能主体类型。
步骤4，基于功能优势度指数NFCA，识别县域尺度以及市域尺度的景观功能主体类型；
步骤41，以乡镇行政单元为景观单元，叠加至主体类型识别后的基础空间单元数据集上，计算i景观单元j功能类型的总面积所有大湾区j功能类型的总面积Xj，i景观单元所有功能类型的总面积Xi，区域所有景观功能类型的总面积X；
步骤42，计算每个景观单元的功能优势指数计算公式如式(3)所示：
步骤43，对于景观单元i，根据依次确定最大和第二大的j的类型p和q，将p确定为主要景观功能，将q作为次要景观功能；
步骤44，重复步骤41-43，识别区域县域尺度景观功能主体类型以及市域景观功能主体类型。
本发明的方法一个具体的实施例，选择全球四大湾区之一的粤港澳大湾区进行2020年多尺度景观功能主体类型识别。
为了进一步说明本发明，还提供了一个具体实施方式，该实施方式中融合开放地理数据的多尺度景观功能主体类型识别方法具体步骤如下：
步骤1，制定粤港澳大湾区景观功能分类体系，获取多源地理数据；
步骤11，根据粤港澳大湾区的统计年鉴，选取区域景观区域所能发挥的主要社会功能、经济功能和生态功能，制定如下景观功能的分类体系：
表1地块尺度景观功能分类体系
步骤12，从网络上获取多种开放地理数据，包括道路网数据、土地利用/覆被数据、兴趣点数据(POI)、区域特色专题数据和多尺度行政边界数据5种。其中，路网数据来自于OpenStreetMap(https：//www.openstreetmap.org/)，土地利用/覆被数据来自于中国科学院资源环境科学数据中心(https：//www.resdc.cn/)，空间分辨率为30m，POI数据来自于高德地图开发平台(https：//lbs.amap.com/)，区域特色专题数据为内陆水产养殖区数据(https：//www.sciencedirect.com/science/article/pii/S1569843222002886)，多尺度行政边界数据为乡镇、县域和市域三种不同尺度，来自国家基础地理信息中心(https：// www.ngcc.cn/ngcc/)；
步骤2，划分粤港澳大湾区景观功能基础空间单元：
步骤21，提取土地利用/覆盖数据中的不透水区域，作为人类聚居区，其余区域作为非人类聚居区；
步骤22，选取路网数据的主要道路叠加至人类聚居区，包括高速公路、主干道、一级公路、二级公路和三级公路5种类型，生成人类聚居区的景观功能基础空间单元；
步骤23，利用非人类聚居区域边界叠加至土地利用/覆被数据上，直接获取土地利用/覆被数据的图斑作为非人类聚居区域的景观功能基础空间单元；
步骤3，识别粤港澳大湾区基础空间单元的景观功能主体类型：
步骤31，将POI的分类体系合并为粤港澳大湾区景观功能的分类体系；
步骤32，参照《城镇用地分类与规划建设用地标准》(GB50137-2011)中的城镇规划建设用地面积占比，分配POI权重，具体为RES(0.54)、ADM(0.07)、BUS(0.03)、IND(0.29)、TRA(0.15)和GRE(0.10)；
步骤33，计算人类聚居区域的基础空间单元的POI密度指数，确定基础空间单元的景观功能的主体，具体公式为(1)-(2)：
其中，Fi为i类型POI密度指数；ni为基础空间单元中i类型POI的密度值，Di为基础空间单元中i类型POI的权重，m表示POI类型的数量，Wn为基础空间单元的密度指数值，值大于50％时，基础空间单元以单一类型的POI所对应的功能类型为主；在其他情况下，将密度指数值最高的POI类型作为主体类型，第二高的POI类型作为次要类型。识别结果如图2所示。
步骤34，将非人类聚居区域的土地利用/覆被类型直接赋给其余基础空间单元，作为功能主体类型；
步骤35，将非人类聚居区域的水产养殖区中的基础空间单元功能主体类型更改为AQU；
步骤4，识别粤港澳大湾区多尺度行政单元的景观功能主体类型：
步骤41，以乡镇行政单元为景观单元，叠加至主体类型识别后的基础空间单元数据集上，计算i景观单元j功能类型的总面积所有大湾区j功能类型的总面积Xj，i景观单元所有功能类型的总面积Xi，大湾区所有景观功能类型的总面积X；
步骤42，计算每个景观单元的功能优势指数计算公式如式(3)所示：
步骤43，对于景观单元i，根据依次确定最大和第二大的j的类型p和q，将p确定为主要景观功能，将q作为次要景观功能，识别结果如图3所示；
步骤44，重复步骤41-43，识别大湾区县域尺度景观功能主体类型，结果如图4所示，以及市域景观功能主体类型，结果如图5所示。
本发明的方法使用开放地理数据融合的方法，从地块到城市群，实现了多尺度景观功能的主体类型识别方法，克服了以往统计数据多尺度景观功能主体类型识别的不足，站在跟踪区域功能发展现状、辅助城市规划优化方面具有较强的应用潜力。
根据景观功能的类型进一步创造出宜人的城市环境，提升城市的美誉度和城市的文化形象，引导人们对于城市的认知，同时也会影响到城市的发展和吸引力。同时，促进城市的可持续发展，提升城市的生态环境，还能够降低能源的消耗和节约资源的使用。
虽然本发明已经以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (7)
1.一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，所述融合开放地理数据的多尺度景观功能主体类型识别方法包括以下步骤：
步骤1，制定区域景观功能分类体系，获取多源地理数据；
多源地理数据包括道路网数据、土地利用/覆被数据、兴趣点数据、区域特色专题数据和多尺度行政边界数据；
步骤2，基于多源地理数据划分区域景观功能基础空间单元；
区域景观功能基础空间单元包括路网数据划分人类聚居区的景观功能基础空间单元，以及利用土地利用/覆被数据划分非人类聚居区域的景观功能基础空间单元；
步骤3，根据POI分配各区域景观功能空间单元的景观功能主体类型；
步骤4，基于功能优势度指数NFCA，识别县域尺度以及市域尺度的景观功能主体类型。
2.如权利要求1所述的一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，在步骤2中，划分区域景观功能基础空间单元的具体方法包括以下步骤：
步骤21，提取土地利用/覆盖数据中的不透水区域，作为人类聚居区，其余区域作为非人类聚居区；
步骤22，选取路网数据的主要道路叠加至人类聚居区，生成人类聚居区的景观功能基础空间单元；
步骤23，利用非人类聚居区域边界叠加至土地利用/覆被数据上，直接获取土地利用/覆被数据的图斑作为非人类聚居区域的景观功能基础空间单元。
3.如权利要求1所述的一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，在步骤3中，所述识别区域空间单元的景观功能主体类型的具体方法包括以下步骤：
步骤31，按照POI数据大类以及子类所反映的社会经济功能，将人类聚居区的景观功能基础空间单元合并为区域空间单元；
步骤32，参照建设用地面积占比标准，将区域空间单元重新分配POI权重；
步骤33，计算人类聚居区域的区域空间单元的POI密度指数，确定人类聚居区域的区域空间单元的景观功能的主体类型；
步骤34，将非人类聚居区域的土地利用/覆被类型直接赋给其余基础空间单元，作为非人类聚居区域的景观功能主体类型；
步骤35，将非人类聚居区域的区域特色专题区中的基础空间单元功能主体类型更改为专题类型对应的景观功能主体类型。
4.如权利要求3所述的一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，在步骤33中，计算人类聚居区域的基础空间单元的POI密度指数公式为：
其中，Fi为i类型POI密度指数；ni为基础空间单元中i类型POI的密度值，Di为基础空间单元中i类型POI的权重，m表示POI类型的数量，Wn为基础空间单元的密度指数值，值大于50％时，基础空间单元以单一类型的POI所对应的功能类型为主；在其他情况下，将密度指数值最高的POI类型作为主体类型，第二高的POI类型作为次要类型。
5.如权利要求1所述的一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，在步骤4中，包括以下步骤：
步骤41，以乡镇行政单元为景观单元，叠加至主体类型识别后的基础空间单元数据集上，计算i景观单元j功能类型的总面积区域所有j功能类型的总面积Xj，i景观单元所有功能类型的总面积Xi，区域所有景观功能类型的总面积X；
步骤42，计算每个景观单元的功能优势指数
步骤43，对于景观单元i，根据依次确定最大和第二大的j的类型p和q，将p确定为主要景观功能，将q作为次要景观功能；
步骤44，重复步骤41-43，识别区域县域尺度景观功能主体类型以及市域景观功能主体类型。
6.如权利要求5所述的一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，在步骤42中，景观单元的功能优势指数计算公式为：
表示i景观单元j功能类型的总面积，Xj表示区域所有j功能类型的总面积，/>表示景观单元的功能优势指数，Xi表示i景观单元所有功能类型的总面积，X表示区域所有景观功能类型的总面积。
7.如权利要求2所述的一种融合开放地理数据的多尺度景观功能主体类型识别方法，其特征在于，在步骤22中，通过将道路建立缓冲区，并与人类聚居区进行空间交集取反，生成人类聚居区的景观功能基础空间单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311776841.7A CN117710746B (zh) | 2023-12-22 | 2023-12-22 | 一种融合开放地理数据的多尺度景观功能主体类型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311776841.7A CN117710746B (zh) | 2023-12-22 | 2023-12-22 | 一种融合开放地理数据的多尺度景观功能主体类型识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710746A true CN117710746A (zh) | 2024-03-15 |
| CN117710746B CN117710746B (zh) | 2024-10-11 |
Family
ID=90158725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311776841.7A Active CN117710746B (zh) | 2023-12-22 | 2023-12-22 | 一种融合开放地理数据的多尺度景观功能主体类型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710746B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7921136B1 (en) * | 2004-03-11 | 2011-04-05 | Navteq North America, Llc | Method and system for using geographic data for developing scenes for entertainment features |
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
| CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
| CN112148821A (zh) * | 2020-08-25 | 2020-12-29 | 中国地质大学（武汉） | 一种城市混合职住空间计算方法和系统 |
| CN112949413A (zh) * | 2021-02-04 | 2021-06-11 | 北京大学 | 基于街景图片的城市景观要素分类及地方性度量方法 |
| US20210248180A1 (en) * | 2018-12-20 | 2021-08-12 | Google Llc | Map Search Recommendation System Based on Image Content Analysis Driven Geo-Semantic Index |
| CN115512216A (zh) * | 2022-08-10 | 2022-12-23 | 华中师范大学 | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 |
| CN115544729A (zh) * | 2022-09-14 | 2022-12-30 | 中国矿业大学 | 一种基于开源地理数据的城市形态与碳排放相关分析方法与系统 |
| CN115661670A (zh) * | 2022-12-14 | 2023-01-31 | 四川师范大学 | 一种城乡自然景观梯度上过渡区识别方法及装置 |
| CN116310853A (zh) * | 2022-12-07 | 2023-06-23 | 陕西地建土地工程技术研究院有限责任公司 | 一种基于多源数据的中小城市边缘区提取方法 |
| CN116629526A (zh) * | 2023-05-10 | 2023-08-22 | 海南省海洋与渔业科学院 | 一种基于景观生态学的海洋功能空间配置方法 |
| CN116882819A (zh) * | 2023-07-11 | 2023-10-13 | 中国矿业大学 | 一种低碳背景下的城市公园绿地服务能力评价方法与系统 |
-
2023
- 2023-12-22 CN CN202311776841.7A patent/CN117710746B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7921136B1 (en) * | 2004-03-11 | 2011-04-05 | Navteq North America, Llc | Method and system for using geographic data for developing scenes for entertainment features |
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
| CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
| US20210248180A1 (en) * | 2018-12-20 | 2021-08-12 | Google Llc | Map Search Recommendation System Based on Image Content Analysis Driven Geo-Semantic Index |
| CN112148821A (zh) * | 2020-08-25 | 2020-12-29 | 中国地质大学（武汉） | 一种城市混合职住空间计算方法和系统 |
| CN112949413A (zh) * | 2021-02-04 | 2021-06-11 | 北京大学 | 基于街景图片的城市景观要素分类及地方性度量方法 |
| CN115512216A (zh) * | 2022-08-10 | 2022-12-23 | 华中师范大学 | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 |
| CN115544729A (zh) * | 2022-09-14 | 2022-12-30 | 中国矿业大学 | 一种基于开源地理数据的城市形态与碳排放相关分析方法与系统 |
| CN116310853A (zh) * | 2022-12-07 | 2023-06-23 | 陕西地建土地工程技术研究院有限责任公司 | 一种基于多源数据的中小城市边缘区提取方法 |
| CN115661670A (zh) * | 2022-12-14 | 2023-01-31 | 四川师范大学 | 一种城乡自然景观梯度上过渡区识别方法及装置 |
| CN116629526A (zh) * | 2023-05-10 | 2023-08-22 | 海南省海洋与渔业科学院 | 一种基于景观生态学的海洋功能空间配置方法 |
| CN116882819A (zh) * | 2023-07-11 | 2023-10-13 | 中国矿业大学 | 一种低碳背景下的城市公园绿地服务能力评价方法与系统 |
Non-Patent Citations (5)
| Title |
|---|
| JUNCHUAN FAN等: "Towards POI-based large-scale land use modeling: spatial scale, semantic granularity, and geographic context", 《INTERNATIONAL JOURNAL OF DIGITAL EARTH》, vol. 16, no. 1, 27 February 2023 (2023-02-27), pages 430 - 445 * |
| KU GAO等: "Sensing the multi-scale landscape functions heterogeneity by big geodata from parcel to urban agglomerations-a case of the Greater Bay Area, China", 《INTERNATIONAL JOURNAL OF DIGITAL EARTH》, vol. 17, no. 1, 17 January 2024 (2024-01-17), pages 1 - 26 * |
| 汪熹子: "基于多源数据融合的3D城市景观测度及城市活力的影响研究", 《万方数据》, 1 November 2023 (2023-11-01), pages 1 - 212 * |
| 王志华等: "地理学视角下土地利用/覆被分类发展探讨", 《地理研究》, vol. 41, no. 11, 31 December 2022 (2022-12-31), pages 2946 - 2962 * |
| 黄隆杨等: "基于自然资源大数据的城市多功能景观识别与国土空间规划分区", 《地球信息科学学报》, vol. 23, no. 9, 31 December 2021 (2021-12-31), pages 1617 - 1631 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710746B (zh) | 2024-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | An evaluation framework for designing ecological security patterns and prioritizing ecological corridors: Application in Jiangsu Province, China | |
| Li et al. | Landscape effects of environmental impact on bay-area wetlands under rapid urban expansion and development policy: A case study of Lianyungang, China | |
| Wang et al. | Identification and analysis of urban functional area in Hangzhou based on OSM and POI data | |
| Sumathi et al. | GIS-based approach for optimized siting of municipal solid waste landfill | |
| Jayasinghe et al. | Application for developing countries: Estimating trip attraction in urban zones based on centrality | |
| Paul et al. | A comprehensive study on landfill site selection for Kolkata City, India | |
| Crecente et al. | A multicriteria approach to support the location of thalassotherapy (seawater therapy) resorts: Application to Galicia region, NW Spain | |
| Morales et al. | Mapping urban accessibility in data scarce contexts using space syntax and location-based methods | |
| Liu et al. | A century of the evolution of the urban area in Shenyang, China | |
| Wang et al. | Measuring spatial accessibility to ecological recreation spaces in the Pearl River delta region: an improved two-step floating catchment area method | |
| He et al. | What is the developmental level of outlying expansion patches? A study of 275 Chinese cities using geographical big data | |
| Guo et al. | Framework of multi-level regionalization schemes based on non-point source pollution to advance the environmental management of small watersheds | |
| Darabi et al. | Visual impact assessment of renewable energy developments with the application of multi-criteria decision-making method | |
| Singh et al. | Geospatial Approach for Decentralised Planning at Rajhana Panchayat, Himachal Pradesh | |
| CN117710746B (zh) | 一种融合开放地理数据的多尺度景观功能主体类型识别方法 | |
| Khanlari et al. | Land fill site selection for municipal solid waste management using GSI method, Malayer, Iran | |
| Chen et al. | Development of geographic information systems (GIS) in China: an overview | |
| Bendib | GIS-Based Multi-criteria Decision Analysis for the Optimal Location of Public Facility in Batna City, Algeria | |
| Kamal | Suitability for infill development: A multi-criteria and spatial assessment approach | |
| Landré | Analyzing yachting patterns in the Biesbosch National Park using GIS technology | |
| AlFanatseh | Assessing Spatial Distribution And Accessibility Of Public Primary Schools In Mafraq City, Jordan: A Gis-Based Approach | |
| Bielecka et al. | Towards inclusive and sustainable urbanization. Case study of land use efficiency in Poland | |
| Rathee et al. | Impact of E-Governance in Geographical Information System (GIS) | |
| GAUNEKAR et al. | Site Suitability Analysis Using GIS for a Renal Hospital in Urban Canacona, Goa, India | |
| Majumdar et al. | Exploring the relationship between urban roads, urban form and economic activity in Ahmedabad using space syntax |
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 |