CN118094196A - 基于数据分析的土地利用规划方法及规划系统 - Google Patents
基于数据分析的土地利用规划方法及规划系统 Download PDFInfo
- Publication number
- CN118094196A CN118094196A CN202410487127.4A CN202410487127A CN118094196A CN 118094196 A CN118094196 A CN 118094196A CN 202410487127 A CN202410487127 A CN 202410487127A CN 118094196 A CN118094196 A CN 118094196A
- Authority
- CN
- China
- Prior art keywords
- data
- land
- generate
- plots
- analysis
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000007405 data analysis Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 98
- 238000011835 investigation Methods 0.000 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013075 data extraction Methods 0.000 claims abstract description 12
- 238000000638 solvent extraction Methods 0.000 claims description 81
- 238000005192 partition Methods 0.000 claims description 73
- 239000002131 composite material Substances 0.000 claims description 67
- 238000004088 simulation Methods 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 51
- 238000012876 topography Methods 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003012 network analysis Methods 0.000 claims description 14
- 238000011049 filling Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010201 enrichment analysis Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 44
- 238000010276 construction Methods 0.000 description 23
- 238000011161 development Methods 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012732 spatial analysis Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011068 loading method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000002372 labelling 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
- 230000008520 organization Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- Processing Or Creating Images (AREA)
Abstract
本发明涉及规划数据处理技术领域,尤其涉及一种基于数据分析的土地利用规划方法及规划系统。所述方法包括以下步骤:获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域。本发明通过对地形特征分析和土地覆盖分类,并且对地块重合标记和地块利用潜力预测,提高了规划结果的精确度和可操作性。
Description
技术领域
本发明涉及规划数据处理技术领域,尤其涉及一种基于数据分析的土地利用规划方法及规划系统。
背景技术
遥感技术的普及和发展为土地利用规划提供了更丰富的数据来源。通过卫星和航空影像,规划师可以获取大范围、高分辨率的土地信息,包括土地覆盖、植被类型、土地利用变化等。这些数据与GIS相结合,为规划提供了更精确的依据。进入21世纪,土地利用规划开始运用空间数据挖掘和模型仿真技术。规划师可以利用这些技术,从大数据中挖掘规律,预测土地利用的发展趋势。同时,模型仿真可以帮助规划师评估不同规划方案的影响,为决策提供科学依据。随着人工智能和大数据技术的发展,智能化土地利用规划系统逐渐成为发展趋势。这些系统可以自动化地收集、整合和分析各种数据,为规划师提供更快速、精确的决策支持。同时,智能化系统还可以实现规划方案的动态调整和优化,以应对不断变化的城市发展需求和环境变化。然而,传统规划只基于土地利用类型或地形等单一因素进行规划,缺乏全面的分析,同时难以精确地划分不同地块的利用潜力和特征,导致规划结果不够精确和实用,导致土地利用规划结果的精确度和可操作性不足。
发明内容
基于此,有必要提供一种基于数据分析的土地利用规划方法及规划系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于数据分析的土地利用规划方法,所述方法包括以下步骤:
步骤S1:获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
步骤S2:获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
步骤S3:对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
步骤S4:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明通过从实地调查数据到多源地理信息数据的获取和预处理,确保了土地利用规划所需数据的标准化和完整性。这有助于消除数据不一致性和缺失问题,提高了数据质量。结合了多源地理高程数据、地形特征分析数据和土地覆盖分类数据,进行区域特征聚类和地理功能分区。这种综合分析使得规划考虑到了土地的多种特征和属性,有助于形成更全面、多样化的规划方案。地块潜力分区和利用预测,将区域分区地块划分为复合丰富地块和单一丰富地块。这样的划分有助于精准地识别出不同地块的潜力和特征,为未来规划提供了依据。通过生成规划建设模拟模型,可以执行土地利用规划方案展示。这种模拟可以直观地展示出不同规划方案的效果,有助于决策者理解和比较各方案的优劣,提高规划的可视化和可操作性。整个过程中,数据分析和综合利用的方式使得规划更加科学、准确。从数据收集到分析再到模拟展示,规划师可以更有把握地制定出合理、可行的土地利用规划方案,促进城市发展和资源保护的平衡。因此,本发明通过对地形特征分析和土地覆盖分类,并且对地块重合标记和地块利用潜力预测,提高了规划结果的精确度和可操作性。
在本说明书中,提供了一种基于数据分析的土地利用规划系统,用于执行上述的基于数据分析的土地利用规划方法,该基于数据分析的土地利用规划系统包括:
数据预处理模块,用于获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
高程转换模块,用于获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
地块分区模块,用于对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
潜力预测模块,用于对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明的有益效果在于通过对土地资源实地调查数据进行预处理,生成标准数据,确保数据的准确性和一致性,为后续的分析和决策提供可靠的基础。通过提取多源地理信息数据中的地形特征,生成地形特征数据集。这些数据可以提供关于地形变化、水文特征等信息,有助于土地利用规划中的地形分析和决策。通过对多源地理高程数据进行分析,生成地形特征分析数据。这些数据可以提供各种地形特征的统计和描述,帮助理解地形对土地利用的影响,为合理的规划决策提供依据。对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域。这有助于对土地利用现状进行分析,了解不同类型的土地覆盖分布情况。基于土地覆盖分类区域和地形特征分析数据,进行区域特征聚类,生成区域分区地块。这能够将相邻地块具有相似地貌和土地覆盖的区域分组,为后续的功能分区提供基础。对区域分区地块进行地理功能分区,生成功能分区地块。这有助于将土地分区为农业区、工业区、居民区等不同功能区域,为后续的规划和决策提供依据。根据复合丰富地块和单一丰富地块的地块重合标记和地块利用潜力预测,生成地块潜力分区图。这能够直观地展示不同地块的利用潜力,为土地利用规划提供可视化的参考。通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型。这有助于评估不同规划方案的可行性和效果,为土地利用规划方案的决策和展示提供支持。因此,本发明通过对地形特征分析和土地覆盖分类,并且对地块重合标记和地块利用潜力预测,提高了规划结果的精确度和可操作性。
附图说明
图1为一种基于数据分析的土地利用规划方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图2中步骤S34的详细实施步骤流程示意图;
图4为图1中步骤S4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4,一种基于数据分析的土地利用规划方法,所述方法包括以下步骤:
步骤S1:获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
步骤S2:获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
步骤S3:对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
步骤S4:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明通过从实地调查数据到多源地理信息数据的获取和预处理,确保了土地利用规划所需数据的标准化和完整性。这有助于消除数据不一致性和缺失问题,提高了数据质量。结合了多源地理高程数据、地形特征分析数据和土地覆盖分类数据,进行区域特征聚类和地理功能分区。这种综合分析使得规划考虑到了土地的多种特征和属性,有助于形成更全面、多样化的规划方案。地块潜力分区和利用预测,将区域分区地块划分为复合丰富地块和单一丰富地块。这样的划分有助于精准地识别出不同地块的潜力和特征,为未来规划提供了依据。通过生成规划建设模拟模型,可以执行土地利用规划方案展示。这种模拟可以直观地展示出不同规划方案的效果,有助于决策者理解和比较各方案的优劣,提高规划的可视化和可操作性。整个过程中,数据分析和综合利用的方式使得规划更加科学、准确。从数据收集到分析再到模拟展示,规划师可以更有把握地制定出合理、可行的土地利用规划方案,促进城市发展和资源保护的平衡。因此,本发明通过对地形特征分析和土地覆盖分类,并且对地块重合标记和地块利用潜力预测,提高了规划结果的精确度和可操作性。
本发明实施例中,参考图1所述,为本发明一种基于数据分析的土地利用规划方法的步骤流程示意图,在本实例中,所述一种基于数据分析的土地利用规划方法包括以下步骤:
步骤S1:获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
本发明实施例中,通过GIS软件获取数字化的土地利用数据和属性信息。利用遥感技术获取高分辨率的土地影像数据。在实地进行田野调查,采集土地属性信息和地形特征数据。使用数据清洗工具(如Python中的Pandas库)对数据进行清洗,处理缺失值和异常值。利用GIS软件进行数据集成和转换,将不同格式和坐标系的数据整合到一起。使用空间数据处理工具(如ArcGIS或QGIS)进行空间数据处理,如投影变换和空间插值。编写脚本或程序自动化数据处理过程,提高处理效率并确保一致性。
步骤S2:获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
本发明实施例中,通过从卫星和航空影像服务商处获取高分辨率的卫星和航空影像数据。使用专业的数字地图数据,例如地理信息系统(GIS)平台提供的地理信息数据。进行数据订购或者下载,确保数据来源可靠和覆盖范围全面。对卫星和航空影像数据进行处理,生成高分辨率的数字高程模型。采用DEM处理软件,如ArcGIS中的Spatial Analyst工具,进行地形数据提取。提取地形特征,如地势起伏、山脉、平原等,生成地形特征数据集。基于提取的地形特征数据集,进行高程数据的转换和处理。使用数字地图处理软件,如ArcGIS的Spatial Analyst工具集中的高程转换工具。采用的方法包括高程插值方法(如克里金插值、三角网插值等),将原始高程数据转换为更加平滑和连续的高程数据集。
步骤S3:对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
本发明实施例中,通过从步骤S2生成的多源地理高程数据中,计算各种地形参数,如坡度、坡向、高程等。使用GIS软件中的地形分析工具,如ArcGIS中的Spatial Analyst工具集中的坡度和坡向计算工具。提取地形指数,如地形湿度指数、潜在蒸散发等,用于反映地形的水文、气候等特征。生成地形特征分析数据,包括各种地形参数和地形指数的数据集。利用高分辨率的卫星或航空影像数据进行地物分类和识别。使用遥感图像处理软件,如ENVI或ArcGIS中的遥感影像分类工具。设置合适的分类算法,如最大似然分类、支持向量机(SVM)等,对影像进行土地覆盖类型分类。根据实地调查数据,调整和验证分类结果,确保土地覆盖分类准确。生成土地覆盖分类区域图,包括各类土地覆盖类型的分布范围。基于地形特征分析数据和土地覆盖分类区域图,进行区域特征聚类。使用聚类分析算法,如K-means聚类,将区域划分为具有相似地形特征和土地覆盖类型的聚类区域。将每个聚类区域内的地块进行合并,形成区域分区地块。根据地块的特征和聚类结果,对区域分区地块进行划分和命名,形成地理功能分区。在GIS平台中,利用区域分区地块数据和土地利用规划指标,进行地理功能分区。设置规划指标,如居住区、商业区、工业区等的分布比例和范围。运用空间规划模型,如规划模拟工具,对各个地块进行功能分区和优化布局。考虑城市规划、交通规划等因素,生成最终的功能分区地块,以指导土地利用规划。
步骤S4:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明实施例中,通过将区域分区地块和功能分区地块进行地块叠加分析。利用GIS软件中的空间分析工具,如ArcGIS中的叠加工具,将两个数据集叠加在一起。对叠加后的地块进行判断,标记出区域分区地块和功能分区地块重合的范围地块。将重合的范围地块标记为复合丰富地块,而未重合的范围地块标记为单一丰富地块。基于复合丰富地块和单一丰富地块的特征,建立地块利用潜力评价模型。考虑多个因素,如地块位置、土地利用类型、地形特征、交通条件等,对地块的利用潜力进行评价。运用多因素分析方法,如层次分析法(AHP)或熵权法,确定各因素的权重。将各因素的权重和地块特征数据结合,进行地块利用潜力预测,得出各地块的利用潜力值。将地块利用潜力预测结果与原始地块数据结合。使用GIS软件中的空间分析工具,如ArcGIS中的空间分析和地图制作工具。根据地块的利用潜力值,为各地块生成色彩渐变或分级的地块潜力分区图。地块潜力值高的地块呈现为深色或特定的符号,而地块潜力值低的地块则呈现为浅色或其他符号。基于地块潜力分区图和规划目标,建立规划建设模拟模型。设定规划算法和约束条件,如地块利用类型的比例、建筑面积的限制等。使用地块模拟模型,对不同规划方案进行模拟和优化。模型包括规划算法、地块利用类型转换规则、成本效益分析等。生成规划建设模拟模型,得出各个地块在不同规划方案下的发展情况和效果。使用规划建设模拟模型执行各个土地利用规划方案。根据模型的输出结果,生成模拟方案的地块利用布局图或地图。结合GIS软件中的地图制作工具,制作出规划建设模拟的结果地图。地图包括各地块的利用类型、建筑密度、绿化率等信息,直观地展示规划方案的效果。这些展示图可以用于决策者的审查和比较,为最终的土地利用规划方案的制定提供依据。
优选的,步骤S1包括以下步骤:
步骤S11:获取土地资源实地调查数据;
步骤S12:对土地资源实地调查数据进行数据清洗,生成土地资源实地调查清洗数据;
步骤S13:对土地资源实地调查清洗数据进行数据缺失值检测,生成土地资源实地调查缺失检测数据;对土地资源实地调查缺失检测数据进行缺失值填充,生成土地资源实地调查填充数据;
步骤S14:利用Z-score标准化方法对土地资源实地调查填充数据进行数据标准化,生成标准土地资源实地调查数据。
本发明通过收集并获取土地资源的实地调查数据,包括各种土地属性、用途和地理信息等。对获取的土地资源实地调查数据进行清洗,去除重复项、错误数据或不完整的数据,确保数据的准确性和完整性,生成清洗后的土地资源实地调查数据。对清洗后的数据进行缺失值检测,识别并记录数据中的缺失值,然后利用合适的方法(如均值填充、插值法等)填充缺失值,生成填充后的土地资源实地调查数据。利用Z-score标准化方法对填充后的土地资源实地调查数据进行标准化处理,以消除不同属性之间的量纲影响,使得数据具有相同的尺度和均值,生成标准化后的土地资源实地调查数据。
本发明实施例中,通过使用GPS定位系统和地理信息系统(GIS)等技术,收集土地资源的实地调查数据。将不同格式的数据(如文本、表格、图像)转换成统一的数据格式,以便后续处理。利用统计方法或机器学习算法识别和处理异常值,例如离群值检测或异常数据删除。识别和删除重复的数据条目,确保数据的唯一性和准确性。统一数据格式,确保数据的一致性和可比性。使用统计方法或数据挖掘技术检测数据中的缺失值,如描述性统计、可视化分析等。根据缺失值的特点和数据分布情况,采用合适的填充方法,如均值填充、中位数填充、插值法等。计算每个数据点相对于整体数据集的标准差和均值的偏差,以消除不同属性之间的量纲差异,使得数据具有相同的尺度和均值。对每个属性进行Z-score标准化计算,公式为:其中,/>是原始数据,/>是均值,/>是标准差,/>是标准化后的数据。
优选的,步骤S2包括以下步骤:
步骤S21:基于卫星影像获取多源地理信息数据;
步骤S22:对多源地理信息数据进行数据清洗,生成多源地理信息清洗数据;对多源地理信息清洗数据进行数据字段统一,生成多源地理信息统一数据;
步骤S23:利用GIS技术对多源地理信息统一数据进行空间叠加,并整合生成多源地理信息叠加数据;对多源地理信息叠加数据进行地形数据提取,生成多源地理地形特征数据集;
步骤S24:对多源地理地形特征数据集进行高程转换,生成多源地理高程数据。
本发明通过将多源地理信息数据进行清洗和字段统一,有助于消除数据中的错误和不一致性,确保数据的质量和一致性。利用GIS技术对多源地理信息进行空间叠加,并整合生成叠加数据,可以将不同数据源的地理信息整合到同一个空间范围内,为综合分析提供了基础。通过地形数据提取和高程转换,生成了多源地理地形特征数据集和高程数据。这些数据对于地形分析、水文模拟、地形建模等具有重要意义,有助于更好地理解地理环境的形态和特征。整合了多源地理信息后,可以获得更丰富、更全面的地理数据,有助于更全面地理解地区的地理特征和空间关系。
本发明实施例中,通过使用卫星遥感影像获取地理信息数据,包括地表覆盖类型、土地利用情况、地形地貌等。通过遥感影像的拍摄、传感器的选择和数据处理,获取高分辨率、准确性高的地理信息数据。对获取的多源地理信息数据进行清洗,包括去除噪声、填充缺失值、解决数据不一致性等。然后对数据字段进行统一,确保不同数据源之间的字段名称、数据格式等一致,以便后续的数据整合和分析。使用GIS软件加载和处理多源地理信息数据,将不同数据层进行空间叠加,以获取不同数据层之间的空间关系。对叠加数据进行地形数据提取,例如提取地形高程、坡度、坡向等地形特征信息,利用数字高程模型(DEM)数据和地形分析工具实现。整合地形特征数据,生成多源地理地形特征数据集,包括各种地形特征的空间分布和属性信息。对地形特征数据集进行高程转换,例如将海拔信息转换为标准高程数据,或者根据需要对高程数据进行插值和平滑处理,以获得更精确和可靠的地形高程数据。常用的高程转换方法包括插值法、数字高程模型分析等。
优选的,步骤S24包括以下步骤:
步骤S241:对多源地理地形特征数据集进行克里金插值,以生成多源地理地形插值数据;
步骤S242:对多源地理地形插值数据进行三角网格转换,生成多源地理地形三角网格数据;
步骤S243:根据加权平均算法对多源地理地形插值数据和多源地理地形三角网格数据进行几何特征融合,生成地形高程模型;
步骤S244:将多源地理地形特征数据集导入至地形高程模型中进行高程地图投影,以生成多源地理高程数据。
本发明通过对多源地理地形特征数据集进行克里金插值,克里金插值是一种基于空间自相关性的插值方法,可以利用已知的地形特征数据集生成连续的地形表面。这样可以填补地形数据中的空白区域,并且提高数据的空间分辨率和连续性。将地形插值数据转换为三角网格数据有助于进行更复杂的地形分析和可视化,同时也为后续的几何特征融合提供了基础。三角网格模型可以更好地表示地形的局部特征和形态。通过加权平均算法将克里金插值数据和三角网格数据进行几何特征融合,可以综合考虑两种数据源的优势,例如克里金插值数据的平滑性和连续性以及三角网格数据的局部细节。这样生成的地形高程模型更加准确和全面。将多源地理地形特征数据集导入地形高程模型,并进行高程地图投影,可以根据不同地理位置和分辨率要求生成多源地理高程数据。这样可以提供多源数据的一致性和准确性,为地理信息分析和应用提供可靠的高程数据支持。
本发明实施例中,通过选择适当的克里金插值模型,如普通克里金、泛克里金或简单克里金,根据地形数据的空间自相关性进行选择。使用地理信息系统(GIS)软件,如ArcGIS或QGIS,加载多源地理地形特征数据集。在GIS软件中,通过插值工具箱或插件,设置克里金插值的参数,包括插值方法、样本点密度、克里金模型参数等。运行克里金插值算法,生成连续的地形插值数据集。使用地形建模软件,如Blender、MeshLab或ArcGIS 3DAnalyst,加载地形插值数据。在软件中,使用三角网格生成工具将地形插值数据转换为三角网格数据。设置三角网格生成的参数,如网格密度、边界条件等,以控制生成的三角网格的复杂度和准确性。导出生成的多源地理地形三角网格数据,以供后续处理使用。将克里金插值数据和三角网格数据导入几何处理软件,如MATLAB、Python中的NumPy/SciPy等。实现加权平均算法,根据地形特征的权重,对两种数据进行几何特征融合。例如,可以根据数据质量、空间分布等因素确定权重。执行几何特征融合算法,生成地形高程模型。这涉及到插值、加权平均和滤波等操作,以确保融合结果的平滑性和连续性。使用地图投影软件,如GDAL(Geospatial Data Abstraction Library)或专业GIS软件,将多源地理地形特征数据集导入地形高程模型中。设置地图投影参数,包括投影类型、坐标系统等,以确保生成的高程数据与特定地理区域对齐。运行高程地图投影算法,将地理地形特征数据集映射到地形高程模型上,生成多源地理高程数据。
优选的,步骤S3包括以下步骤:
步骤S31:利用地形高程模型对多源地理高程数据进行地形环境分布投影,生成地形环境分布数据,其中地形环境分布数据包括地势分布数据和水系分布数据;
步骤S32:对地势分布数据进行坡度分析,生成坡度起伏变化数据;基于坡度起伏变化数据和水系分布数据进行地形特征数据整合,生成地形特征分析数据;
步骤S33:对标准土地资源实地调查数据进行土地利用现状分析,生成土地利用现状数据;基于土地利用现状数据对地形高程模型进行土地覆盖分类,生成土地覆盖分类区域;根据地形特征分析数据对土地覆盖分类区域进行区域特征聚类,生成区域分区地块;
步骤S34:对区域分区地块进行地理功能分区,以生成功能分区地块。
本发明通过地形高程模型对多源地理高程数据进行投影,生成地形环境分布数据,包括地势分布和水系分布。这有助于了解地形特征的空间分布情况,为后续地形分析提供基础数据。对地势分布数据进行坡度分析,可以生成坡度起伏变化数据,帮助评估地形的陡峻程度和地形起伏情况。结合水系分布数据,可以综合分析地形特征,为地形分类和分析提供更全面的数据基础。对标准土地资源实地调查数据进行分析,生成土地利用现状数据,有助于了解当前土地利用情况和存在的问题。根据土地利用现状数据,对地形高程模型进行土地覆盖分类,生成土地覆盖分类区域,为土地资源管理和规划提供基础数据。对区域分区地块进行地理功能分区,可以根据地形特征分析数据和土地利用现状数据,将区域划分为不同的功能区,如农业区、城市区、生态保护区等。这有助于合理规划土地利用,保护生态环境,提高土地资源的利用效率。
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S3包括:
步骤S31:利用地形高程模型对多源地理高程数据进行地形环境分布投影,生成地形环境分布数据,其中地形环境分布数据包括地势分布数据和水系分布数据;
本发明实施例中,通过获取多源地理高程数据,包括卫星遥感数据、激光雷达数据等。这些数据来自不同的数据提供商或平台。对这些数据进行预处理,包括数据清洗、去噪和格式转换,确保数据的一致性和可用性。利用获取的地理高程数据,可以构建地形高程模型。这通常涉及到插值技术,如克里金插值、三角网格插值等,将离散的高程数据转换为连续的地形表面模型。将构建的地形高程模型与地理高程数据进行投影,以生成地形环境分布数据。这涉及到空间分析技术,如地形分析、空间插值等。对于地势分布数据的生成,可以通过分析地形高程模型的坡度、高程等信息,来划分不同的地势类型,如山地、丘陵、平原等。对于水系分布数据的生成,可以分析地形高程模型中的水流方向和流域等信息,来识别水系的分布情况,如河流、湖泊等水体的位置和形态。生成的地形环境分布数据包括地势分布数据和水系分布数据,这些数据可以以栅格数据或矢量数据的形式输出,并与其他地理数据进行整合,如土地利用数据、气候数据等。
步骤S32:对地势分布数据进行坡度分析,生成坡度起伏变化数据;基于坡度起伏变化数据和水系分布数据进行地形特征数据整合,生成地形特征分析数据;
本发明实施例中,通过从地势分布数据中计算每个地点的坡度。这可以通过计算高程数据的梯度来实现,常用的方法包括斜率算法和3D倾斜度算法。斜率算法通常采用高程数据的水平和垂直梯度,通过计算两者的平方和的平方根来得到坡度。3D倾斜度算法考虑了地表的三维曲率,提供了更准确的坡度估计。通过对坡度数据进行统计和分析,可以计算坡度的起伏变化情况。这可以通过计算坡度的标准差、变异系数或其他变异性指标来实现。坡度的起伏变化数据反映了地形的崎岖程度,对于地形特征的描述具有重要意义。将生成的坡度起伏变化数据与水系分布数据进行整合。这可以通过空间分析技术来实现,如空间叠加分析或空间连接分析。在整合过程中,可以考虑坡度起伏变化与水系分布之间的关系,以及它们对地形特征的影响。整合后的数据可以被用来生成地形特征分析数据,包括地形类型分类、地形形态分析等。地形特征分析数据可以进一步用于地形评价、资源管理、环境规划等领域。
步骤S33:对标准土地资源实地调查数据进行土地利用现状分析,生成土地利用现状数据;基于土地利用现状数据对地形高程模型进行土地覆盖分类,生成土地覆盖分类区域;根据地形特征分析数据对土地覆盖分类区域进行区域特征聚类,生成区域分区地块;
本发明实施例中,通过收集标准土地资源的实地调查数据,这些数据应包括土地的使用类型、使用强度、所有权信息等。对收集到的数据进行清洗和格式化,确保数据质量和一致性。利用地理信息系统(GIS)和远程感测技术来分析土地使用情况,如土地使用类型的空间分布,转换趋势等。基于分析结果,生成描述各类土地利用情况的详细数据。将土地利用现状数据与地形高程模型整合,使用GIS工具来对数据进行空间分析。采用监督或非监督的分类方法,如最大似然分类、支持向量机(SVM)等,根据土地利用数据和地形条件对土地覆盖进行分类。根据分类结果,形成不同土地覆盖类型的区域划分。利用前一步骤S32中生成的地形特征分析数据,对土地覆盖分类区域进行进一步分析。使用聚类算法(如K-means, 层次聚类等)来根据土地覆盖类型和地形特征将区域划分成具有相似特征的地块。最终生成的区域分区地块将根据地形和土地覆盖特征进行明确区分,这有助于土地资源管理和规划。
步骤S34:对区域分区地块进行地理功能分区,以生成功能分区地块。
本发明实施例中,通过采用多因素分析方法,综合考虑地形、土地利用类型、土地覆盖特征、土地所有权等因素,来划分地理功能区域。结合地方规划和专家意见,制定地理功能分区的标准和规则。利用GIS软件进行空间分析,根据制定的规则和标准,对地块进行地理功能分类。可以采用专家判断法、层次分析法(AHP)、熵值法等多种方法,根据不同地区的特点选择最适合的方法。将分区结果进行可视化展示,包括制作地图、生成统计图表等。
优选的,步骤S34包括以下步骤:
步骤S341:对区域分区地块进行道路网络分析,生成道路网络分析数据;基于道路网络分析数据对区域分区地块进行交通干道划分,生成交通干道划分数据;通过道路网络分析数据和交通干道划分数据进行交通节点分析,生成交通节点数据;
步骤S342:根据交通节点数据、地形特征分析数据和土地利用现状数据对区域分区地块进行地区功能定位,生成地区功能定位数据;
步骤S343:通过地区功能定位数据对区域分区地块进行用地界限划分,生成功能区地理范围数据;利用功能区地理范围数据对区域分区地块进行区域功能分割,生成功能分区地块。
本发明通过对道路、交通节点、地区功能等多方面的分析和定位,确保区域功能分区更加科学合理,符合实际需求。明确功能区块的划分,提高了土地利用的效率,优化了资源配置。通过合理的功能定位和划分,有助于推动区域的经济和社会发展,提升居民生活质量。
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S34包括:
步骤S341:对区域分区地块进行道路网络分析,生成道路网络分析数据;基于道路网络分析数据对区域分区地块进行交通干道划分,生成交通干道划分数据;通过道路网络分析数据和交通干道划分数据进行交通节点分析,生成交通节点数据;
本发明实施例中,通过利用GIS软件加载区域地图数据,包括道路网络、地形高程等信息。使用网络分析功能,如路网编辑、路径分析等,来分析道路网络的结构和特征。应用路径分析算法(如Dijkstra算法),计算道路网络中两点之间的最短路径、最快路径等。通过分析道路网络的连接性和密度,识别出主要的交通干道。结合交通流量数据,识别出车流量较大的道路段,作为潜在的交通干道。根据道路的等级(如高速公路、主干道、支路等),将道路网络进行等级划分,确定交通干道。利用图像处理技术或地图数据,检测道路网络中的交叉口。统计交叉口处的交通流量,识别出交通流量较大的节点。分析节点之间的连接关系和交通流动情况,确定交通节点的重要性,具体的获取区域地图数据、道路网络数据以及交通流量数据等。利用GIS软件加载地图数据,进行道路网络分析,计算道路长度、连接关系等指标。根据道路网络分析结果和交通流量数据,识别出主要的交通干道,并进行干道划分。检测交通网络中的交叉口,统计交通流量,分析交通节点的重要性和连接关系,生成交通节点数据。
步骤S342:根据交通节点数据、地形特征分析数据和土地利用现状数据对区域分区地块进行地区功能定位,生成地区功能定位数据;
本发明实施例中,通过根据交通节点数据中的类型,如交叉口、交通枢纽等,分析其在区域交通网络中的重要性和影响范围。结合交通节点处的交通流量数据,评估各节点的交通压力和交通组织需求,以确定地区功能定位的交通枢纽位置。分析地形特征,如地势起伏、坡度等,评估不同地块的适宜性,例如平坦地形适宜用作居住区、商业区等。根据土地利用现状数据,分析各地块的当前用途,例如商业、住宅、工业等。结合城市规划和发展趋势,预测土地利用类型的变化,例如未来发展为商业中心、住宅区等。整合交通节点数据、地形特征分析数据和土地利用现状数据,进行数据清洗和预处理。利用交通节点数据,评估交通节点的重要性,确定交通枢纽位置。分析地形特征,评估地形对不同功能的适宜性。分析土地利用现状,预测土地利用类型的变化。结合以上评估结果,确定各地块的地区功能定位,生成地区功能定位数据。
步骤S343:通过地区功能定位数据对区域分区地块进行用地界限划分,生成功能区地理范围数据;利用功能区地理范围数据对区域分区地块进行区域功能分割,生成功能分区地块。
本发明实施例中,通过利用地理信息系统(GIS)对地区功能定位数据进行空间分析和处理。采用空间分析算法,如缓冲区分析、空间叠加分析等,根据功能定位数据和相关规则,确定各功能区的边界。综合考虑地区功能、地形、土地利用等多个因素,确定各功能区的界限。将用地界限划分得到的功能区边界转化为地理范围数据。利用GIS空间分析功能,根据功能区地理范围数据对区域分区地块进行分割。将功能区地理范围数据与地块数据进行空间叠加,将每个地块划分到相应的功能区。通过空间连接算法,确保每个地块仅属于一个功能区,具体的准备地区功能定位数据,并进行数据清洗和格式转换。使用GIS软件加载功能定位数据。运用空间分析工具,如缓冲区分析、空间叠加分析等,确定各功能区的边界。生成用地界限数据,包括各功能区的边界数据。将用地界限数据转化为功能区地理范围数据,以便后续空间分割。利用GIS软件加载功能区地理范围数据和区域分区地块数据。运用空间分析工具,将地块根据空间位置划分到相应的功能区。确保地块与功能区的空间关联性,使得每个地块仅属于一个功能区。
优选的,步骤S4包括以下步骤:
步骤S41:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;
步骤S42:对复合丰富地块进行第一地块覆盖复杂度计算,得到复合地块覆盖复杂性数据;对单一丰富地块进行第二地块覆盖复杂度计算,得到单一地块覆盖复杂性数据;
步骤S43:根据复合地块覆盖复杂性数据和单一地块覆盖复杂性数据进行地块利用潜力预测,以生成地块潜力分区图;
步骤S44:通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明通过标记区域分区地块和功能分区地块的重合情况,将地块划分为复合丰富地块和单一丰富地块,有助于识别土地利用中的重要区域。区分复合丰富地块和单一丰富地块,有助于后续分析和规划,以更好地利用土地资源。通过计算复合地块和单一地块的覆盖复杂性数据,可以量化地块利用的复杂程度,为后续预测和规划提供数据支持。基于复合地块和单一地块的覆盖复杂性数据,进行地块利用潜力预测,可以识别出土地利用的潜在发展趋势和重点区域,为规划提供指导。通过地块潜力分区图进行规划建设模拟,可以模拟不同规划方案下的土地利用情况,评估方案的可行性和效果,为决策提供参考。生成规划建设模拟模型,可以直观地展示不同规划方案下的土地利用情况,有助于向相关方展示规划效果,促进方案的沟通和接受。
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S4包括:
步骤S41:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;
本发明实施例中,通过获取区域分区地块和功能分区地块的空间数据,通常以地理信息系统(GIS)数据的形式存在,包括地块的边界坐标、属性信息等。利用GIS软件,如ArcGIS或QGIS,加载并叠加区域分区地块和功能分区地块的空间数据。进行空间叠加分析,例如使用GIS工具中的“空间交叉”或“空间关系”功能,以确定两类地块之间的空间关系。根据空间叠加分析的结果,识别出区域分区地块和功能分区地块之间的重合部分和非重合部分。将重合部分的地块标记为复合丰富地块,将非重合部分的地块标记为单一丰富地块。这可以通过GIS软件中的属性查询和编辑工具来实现,根据空间关系和地块属性进行标记。对标记后的地块数据进行验证,确保重合标记的准确性和完整性。如有必要,可以手动修正标记错误或缺失的地块,以确保后续分析的可靠性。
步骤S42:对复合丰富地块进行第一地块覆盖复杂度计算,得到复合地块覆盖复杂性数据;对单一丰富地块进行第二地块覆盖复杂度计算,得到单一地块覆盖复杂性数据;
本发明实施例中,通过定义复合丰富地块的覆盖复杂度计算方法。这可以是基于地块内部的覆盖物种多样性、功能多样性等指标的组合。使用地块数据中的地块边界和属性信息,例如土地利用类型、植被类型等,以及遥感影像数据。运用计算机视觉技术或地理信息系统(GIS)工具,对复合丰富地块进行分析,涉及图像分割、特征提取、分类算法等技术。在分析过程中,可以采用聚类分析、分类器训练等方法来识别地块内部的覆盖复杂度,例如使用K均值聚类算法或支持向量机分类器。结合地块内部的各种覆盖指标,计算出每个复合丰富地块的覆盖复杂度数据。对单一丰富地块进行覆盖复杂度计算,需要采用不同的方法,因为这些地块仅包含单一类型的覆盖。可以使用简化的计算方法,如土地利用类型的多样性指数、植被结构指数等。同样,利用地块数据和遥感影像数据,对单一丰富地块进行分析,不需要像复合丰富地块那样复杂的图像分割和分类算法。根据单一地块的特征,计算出每个单一丰富地块的覆盖复杂度数据,其中第一地块通常是复合丰富地块,具有多种不同类型的覆盖,如不同的土地利用类型、植被类型等,计算复合地块的覆盖复杂度需要考虑多样性和功能性等多个方面,涉及到较为复杂的图像处理和分类算法,以识别地块内部的不同覆盖类型并量化其复杂性,在计算过程中,需要综合考虑各种指标,如物种多样性、生态功能、景观格局等,以全面评估地块的覆盖复杂度。第二地块通常是单一丰富地块,只包含一种类型的覆盖,如单一的土地利用类型或植被类型,计算单一地块的覆盖复杂度相对简单,因为只需要考虑地块内部的单一类型覆盖,不需要像复合地块那样复杂的图像处理和分类算法。计算方法更为直接,涉及简化的指标或方法,如土地利用类型的多样性指数、植被结构指数等,更具体的基于景观生态学的指标,如景观多样性指数(LandscapeDiversity Index, LDI)和景观异质性指数(Landscape Heterogeneity Index, LHI)进行第一地块覆盖复杂度计算,景观多样性指数(LDI):LDI = (N / S) × (ln(N) - Σ (ni /S) × ln(ni))。其中,N是地块内的覆盖类型数量,S是地块的总面积,ni是每种覆盖类型的面积。对于第二地块,会使用简化的指标,如覆盖类型的数量或比例,由于第二地块通常只包含单一类型的覆盖,因此其复杂度评估更为简单。
步骤S43:根据复合地块覆盖复杂性数据和单一地块覆盖复杂性数据进行地块利用潜力预测,以生成地块潜力分区图;
本发明实施例中,通过收集复合地块和单一地块的覆盖复杂性数据,包括地块的大小、覆盖类型及其分布、地形、土壤类型等信息。确保数据的准确性和完整性,需要进行数据清洗和预处理,包括填补缺失值、消除异常值等。对复合地块和单一地块的覆盖复杂性数据进行特征提取,以获取能够描述地块特征和复杂性的相关指标,包括各种景观指标、地形指标、土壤指标等。例如,可以计算每个地块的景观多样性指数(LDI)、景观异质性指数(LHI)、覆盖类型数量、覆盖类型比例等。利用准备好的特征数据进行数据分析,探索不同地块特征与利用潜力之间的关系。选择合适的预测模型,可以采用机器学习方法如回归分析、决策树、随机森林、神经网络等,也可以考虑传统的统计分析方法。使用已准备好的数据集,将选定的模型进行训练,并进行交叉验证以评估模型的性能和泛化能力。确保模型能够准确预测地块的利用潜力,并能够在未见过的数据上进行有效预测。利用训练好的模型,对所有地块进行利用潜力的预测。这将产生一个针对每个地块的利用潜力评分。根据预测的地块利用潜力评分,将地块划分为不同的潜力区域。可以根据不同的潜力水平设置不同的阈值或分位数,例如将地块分为高潜力区、中潜力区和低潜力区。利用地理信息系统(GIS)软件或数据可视化工具,将分区结果可视化为地块潜力分区图,以便用户直观地理解地块的利用潜力分布情况。
步骤S44:通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明实施例中,通过确定土地利用规划的目标和要求,包括规划区域的发展方向、发展重点和限制条件等。利用地块潜力分区图,对复合丰富地块和单一丰富地块进行标识和提取,确定规划建设的重点区域。收集相关的土地利用规划数据,包括地块信息、土地利用类型、用地要求等。基于规划需求和数据准备的结果,构建规划建设模拟模型。可以采用Agent-Based Model(基于代理的建模)等方法,模拟土地利用规划方案的执行过程,并考虑各种因素的影响。设置模型的参数,包括建设用地类型、建设密度、建设时序等参数,以及模拟的时间范围和空间范围。运行规划建设模拟模型,模拟规划方案的执行过程,生成规划建设的模拟结果。结果可以包括各个时期的土地利用情况、建设用地分布图、建设效益评估等。根据规划建设模拟的结果,制作规划方案的展示图和报告,展示规划建设的效果和影响。可以利用地理信息系统(GIS)软件进行展示,制作动态的规划建设模拟演示。
优选的,步骤S43包括以下步骤:
步骤S431:将复合地块覆盖复杂性数据和单一地块覆盖复杂性数据进行数据整合,生成地块覆盖复杂性数据;
步骤S432:将地块覆盖复杂性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,生成地块潜力训练模型;
步骤S433:通过模型测试集对地块潜力训练模型进行模型测试,从而得到地块潜力测试数据;利用地块潜力测试数据对地块潜力训练模型进行空洞卷积,生成地块潜力预测模型;
步骤S434:将地块覆盖复杂性数据导入至地块潜力预测模型中进行地块利用潜力预测,从而生成地块利用潜力预测数据;根据地块利用潜力预测数据进行潜力等级划分,生成地块利用潜力等级数据;
步骤S435:根据地块利用潜力等级数据和地块利用潜力预测数据进行地块潜力分区图谱构建,生成地块潜力分区图。
本发明通过整合复合地块和单一地块的覆盖复杂性数据,为后续建模做准备,确保数据的完整性和一致性。利用支持向量机算法进行模型训练,根据模型测试集评估模型的准确性和泛化能力,确保生成的地块潜力预测模型具有较高的预测能力。将地块覆盖复杂性数据输入到地块潜力预测模型中,通过模型预测每个地块的利用潜力,为土地利用规划提供可靠的数据支持。根据地块利用潜力预测数据,对地块进行潜力等级划分,将土地分为不同等级,帮助决策者更好地理解土地利用潜力的差异性。结合地块利用潜力等级数据和地块利用潜力预测数据,构建地块潜力分区图谱,直观地展示土地利用潜力的空间分布和特征,为土地规划决策提供可视化的参考。
本发明实施例中,通过将复合地块和单一地块的覆盖复杂性数据收集并进行预处理,包括去除重复值、处理缺失数据等。利用数据整合算法将两类地块的覆盖复杂性数据整合在一起,确保数据的一致性和完整性。生成地块覆盖复杂性数据集,作为后续模型训练和预测的输入。将地块覆盖复杂性数据集划分为模型训练集和模型测试集,通常采用交叉验证或随机划分的方法。利用支持向量机算法对模型训练集进行训练,通过最大化分类间隔来构建地块潜力训练模型。使用模型测试集对地块潜力训练模型进行测试,评估模型的性能指标,如准确率、召回率等,得到地块潜力测试数据。利用地块潜力测试数据对地块潜力训练模型进行空洞卷积操作,得到地块潜力预测模型。将地块覆盖复杂性数据输入地块潜力预测模型,预测每个地块的利用潜力。根据预测结果,对地块进行潜力等级划分,通常采用聚类或阈值法进行分级。结合地块利用潜力等级数据和地块利用潜力预测数据,利用地图绘制技术和GIS工具构建地块潜力分区图谱。将地块按照潜力等级分区,并在地图上可视化展示,以便决策者直观了解土地利用潜力的空间分布和特征。
优选的,步骤S44包括以下步骤:
步骤S441:通过地块潜力分区图对复合丰富地块和单一丰富地块进行地块区域潜力标识,生成地块潜力标识区域;
步骤S442:对地块潜力标识区域进行资源富集分析,生成资源富集分析数据,其中资源富集分析数据包括水生资源富集数据和土地资源富集数据;
步骤S443:对水生资源富集数据和土地资源富集数据进行判别,当地块潜力标识区域的水生资源富集数据大于土地资源富集数据时,则对地块潜力标识区域进行农业区域立体建模,生成农业区域建模数据;
步骤S444:当地块潜力标识区域的土地资源富集数据大于水生资源富集数据时,则对地块潜力标识区域进行工业区域立体建模,生成工业区域建模数据;
步骤S445:当地块潜力标识区域的土地资源富集数据等于水生资源富集数据时,则对地块潜力标识区域进行居民区域立体建模,生成居民区域建模数据;
步骤S446:利用激光点云技术对农业区域建模数据、工业区域建模数据和居民区域建模数据进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明通过地块潜力分区图,识别出复合丰富地块和单一丰富地块,确定各地块的潜力标识区域。这一步骤的目的是为后续分析和规划提供准确的地块潜力标识区域,以便针对不同类型地块实施不同的规划措施。对地块潜力标识区域进行资源富集分析,包括水生资源和土地资源的富集情况。通过资源富集分析,可以全面了解每个地块的资源特点,为后续的规划建设提供依据。根据水生资源和土地资源的富集情况,判断每个地块潜力标识区域的最适合利用方式。若水生资源富集数据大于土地资源富集数据,则选择农业区域立体建模,生成相应的农业区域建模数据;若土地资源富集数据大于水生资源富集数据,则选择工业区域立体建模,生成相应的工业区域建模数据;若两者相等,则选择居民区域立体建模,生成相应的居民区域建模数据。利用激光点云技术对农业、工业和居民区域建模数据进行规划建设模拟,生成模拟模型。这一步骤的目的是通过模拟模型展示土地利用规划方案的效果,包括各种区域的布局、规模和效益预测,为决策者提供可视化的参考,帮助他们制定和执行土地利用规划方案。
本发明实施例中,通过利用GIS软件结合遥感影像和地块数据,根据地块潜力分区图中的特定标识,对复合丰富地块和单一丰富地块进行区域潜力标识,生成地块潜力标识区域。利用GIS软件结合遥感数据,对地块潜力标识区域进行资源富集分析,包括水生资源和土地资源的富集情况,生成相应的资源富集分析数据。对水生资源富集数据和土地资源富集数据进行判别,根据判别结果选择相应的区域立体建模方式。对于农业区域立体建模,采用三维建模软件对农业区域进行立体建模,考虑土地形态、地形等因素,生成农业区域建模数据。对于工业区域立体建模,同样利用三维建模软件对工业区域进行立体建模,考虑工业设施布局、交通通道等因素,生成工业区域建模数据。对于居民区域立体建模,结合GIS和遥感技术,对居民区域进行立体建模,考虑住宅分布、基础设施等因素,生成居民区域建模数据。利用激光扫描技术获取农业、工业和居民区域建模数据的三维点云数据,然后将这些数据导入三维建模软件进行规划建设模拟,模拟不同规划方案的效果,并使用规划建设模拟软件生成模拟模型,以展示土地利用规划方案的效果和可行性。
在本说明书中,提供了一种基于数据分析的土地利用规划系统,用于执行上述的基于数据分析的土地利用规划方法,该基于数据分析的土地利用规划系统包括:
数据预处理模块,用于获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
高程转换模块,用于获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
地块分区模块,用于对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
潜力预测模块,用于对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
本发明的有益效果在于通过对土地资源实地调查数据进行预处理,生成标准数据,确保数据的准确性和一致性,为后续的分析和决策提供可靠的基础。通过提取多源地理信息数据中的地形特征,生成地形特征数据集。这些数据可以提供关于地形变化、水文特征等信息,有助于土地利用规划中的地形分析和决策。通过对多源地理高程数据进行分析,生成地形特征分析数据。这些数据可以提供各种地形特征的统计和描述,帮助理解地形对土地利用的影响,为合理的规划决策提供依据。对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域。这有助于对土地利用现状进行分析,了解不同类型的土地覆盖分布情况。基于土地覆盖分类区域和地形特征分析数据,进行区域特征聚类,生成区域分区地块。这能够将相邻地块具有相似地貌和土地覆盖的区域分组,为后续的功能分区提供基础。对区域分区地块进行地理功能分区,生成功能分区地块。这有助于将土地分区为农业区、工业区、居民区等不同功能区域,为后续的规划和决策提供依据。根据复合丰富地块和单一丰富地块的地块重合标记和地块利用潜力预测,生成地块潜力分区图。这能够直观地展示不同地块的利用潜力,为土地利用规划提供可视化的参考。通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型。这有助于评估不同规划方案的可行性和效果,为土地利用规划方案的决策和展示提供支持。因此,本发明通过对地形特征分析和土地覆盖分类,并且对地块重合标记和地块利用潜力预测,提高了规划结果的精确度和可操作性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
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)
1.一种基于数据分析的土地利用规划方法,其特征在于,包括以下步骤:
步骤S1:获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
步骤S2:获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
步骤S3:对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
步骤S4:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
2.根据权利要求1所述的基于数据分析的土地利用规划方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取土地资源实地调查数据;
步骤S12:对土地资源实地调查数据进行数据清洗,生成土地资源实地调查清洗数据;
步骤S13:对土地资源实地调查清洗数据进行数据缺失值检测,生成土地资源实地调查缺失检测数据;对土地资源实地调查缺失检测数据进行缺失值填充,生成土地资源实地调查填充数据;
步骤S14:利用Z-score标准化方法对土地资源实地调查填充数据进行数据标准化,生成标准土地资源实地调查数据。
3.根据权利要求1所述的基于数据分析的土地利用规划方法,其特征在于,步骤S2包括以下步骤:
步骤S21:基于卫星影像获取多源地理信息数据;
步骤S22:对多源地理信息数据进行数据清洗,生成多源地理信息清洗数据;对多源地理信息清洗数据进行数据字段统一,生成多源地理信息统一数据;
步骤S23:利用GIS技术对多源地理信息统一数据进行空间叠加,并整合生成多源地理信息叠加数据;对多源地理信息叠加数据进行地形数据提取,生成多源地理地形特征数据集;
步骤S24:对多源地理地形特征数据集进行高程转换,生成多源地理高程数据。
4.根据权利要求3所述的基于数据分析的土地利用规划方法,其特征在于,步骤S24包括以下步骤:
步骤S241:对多源地理地形特征数据集进行克里金插值,以生成多源地理地形插值数据;
步骤S242:对多源地理地形插值数据进行三角网格转换,生成多源地理地形三角网格数据;
步骤S243:根据加权平均算法对多源地理地形插值数据和多源地理地形三角网格数据进行几何特征融合,生成地形高程模型;
步骤S244:将多源地理地形特征数据集导入至地形高程模型中进行高程地图投影,以生成多源地理高程数据。
5.根据权利要求1所述的基于数据分析的土地利用规划方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用地形高程模型对多源地理高程数据进行地形环境分布投影,生成地形环境分布数据,其中地形环境分布数据包括地势分布数据和水系分布数据;
步骤S32:对地势分布数据进行坡度分析,生成坡度起伏变化数据;基于坡度起伏变化数据和水系分布数据进行地形特征数据整合,生成地形特征分析数据;
步骤S33:对标准土地资源实地调查数据进行土地利用现状分析,生成土地利用现状数据;基于土地利用现状数据对地形高程模型进行土地覆盖分类,生成土地覆盖分类区域;根据地形特征分析数据对土地覆盖分类区域进行区域特征聚类,生成区域分区地块;
步骤S34:对区域分区地块进行地理功能分区,以生成功能分区地块。
6.根据权利要求5所述的基于数据分析的土地利用规划方法,其特征在于,步骤S34包括以下步骤:
步骤S341:对区域分区地块进行道路网络分析,生成道路网络分析数据;基于道路网络分析数据对区域分区地块进行交通干道划分,生成交通干道划分数据;通过道路网络分析数据和交通干道划分数据进行交通节点分析,生成交通节点数据;
步骤S342:根据交通节点数据、地形特征分析数据和土地利用现状数据对区域分区地块进行地区功能定位,生成地区功能定位数据;
步骤S343:通过地区功能定位数据对区域分区地块进行用地界限划分,生成功能区地理范围数据;利用功能区地理范围数据对区域分区地块进行区域功能分割,生成功能分区地块。
7.根据权利要求1所述的基于数据分析的土地利用规划方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;
步骤S42:对复合丰富地块进行第一地块覆盖复杂度计算,得到复合地块覆盖复杂性数据;对单一丰富地块进行第二地块覆盖复杂度计算,得到单一地块覆盖复杂性数据;
步骤S43:根据复合地块覆盖复杂性数据和单一地块覆盖复杂性数据进行地块利用潜力预测,以生成地块潜力分区图;
步骤S44:通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
8.根据权利要求7所述的基于数据分析的土地利用规划方法,其特征在于,步骤S43包括以下步骤:
步骤S431:将复合地块覆盖复杂性数据和单一地块覆盖复杂性数据进行数据整合,生成地块覆盖复杂性数据;
步骤S432:将地块覆盖复杂性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,生成地块潜力训练模型;
步骤S433:通过模型测试集对地块潜力训练模型进行模型测试,从而得到地块潜力测试数据;利用地块潜力测试数据对地块潜力训练模型进行空洞卷积,生成地块潜力预测模型;
步骤S434:将地块覆盖复杂性数据导入至地块潜力预测模型中进行地块利用潜力预测,从而生成地块利用潜力预测数据;根据地块利用潜力预测数据进行潜力等级划分,生成地块利用潜力等级数据;
步骤S435:根据地块利用潜力等级数据和地块利用潜力预测数据进行地块潜力分区图谱构建,生成地块潜力分区图。
9.根据权利要求7所述的基于数据分析的土地利用规划方法,其特征在于,步骤S44包括以下步骤:
步骤S441:通过地块潜力分区图对复合丰富地块和单一丰富地块进行地块区域潜力标识,生成地块潜力标识区域;
步骤S442:对地块潜力标识区域进行资源富集分析,生成资源富集分析数据,其中资源富集分析数据包括水生资源富集数据和土地资源富集数据;
步骤S443:对水生资源富集数据和土地资源富集数据进行判别,当地块潜力标识区域的水生资源富集数据大于土地资源富集数据时,则对地块潜力标识区域进行农业区域立体建模,生成农业区域建模数据;
步骤S444:当地块潜力标识区域的土地资源富集数据大于水生资源富集数据时,则对地块潜力标识区域进行工业区域立体建模,生成工业区域建模数据;
步骤S445:当地块潜力标识区域的土地资源富集数据等于水生资源富集数据时,则对地块潜力标识区域进行居民区域立体建模,生成居民区域建模数据;
步骤S446:利用激光点云技术对农业区域建模数据、工业区域建模数据和居民区域建模数据进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
10.一种基于数据分析的土地利用规划系统,其特征在于,用于执行如权利要求1所述的基于数据分析的土地利用规划方法,该基于数据分析的土地利用规划系统包括:
数据预处理模块,用于获取土地资源实地调查数据;对土地资源实地调查数据进行数据预处理,生成标准土地资源实地调查数据;
高程转换模块,用于获取多源地理信息数据;对多源地理信息数据进行地形数据提取,生成多源地理地形特征数据集;对多源地理地形特征数据集进行高程转换,生成多源地理高程数据;
地块分区模块,用于对多源地理高程数据进行地形特征分析,生成地形特征分析数据;对标准土地资源实地调查数据进行土地覆盖分类,生成土地覆盖分类区域;基于土地覆盖分类区域和地形特征分析数据进行区域特征聚类,生成区域分区地块;对区域分区地块进行地理功能分区,以生成功能分区地块;
潜力预测模块,用于对区域分区地块和功能分区地块进行地块重合标记,将区域分区地块和功能分区地块所重合的范围地块标记为复合丰富地块,并将区域分区地块和功能分区地块所非重合的范围地块范围标记为单一丰富地块;对复合丰富地块和单一丰富地块进行地块利用潜力预测,以生成地块潜力分区图;通过地块潜力分区图对复合丰富地块和单一丰富地块进行规划建设模拟,生成规划建设模拟模型,以执行土地利用规划方案展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487127.4A CN118094196A (zh) | 2024-04-23 | 2024-04-23 | 基于数据分析的土地利用规划方法及规划系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487127.4A CN118094196A (zh) | 2024-04-23 | 2024-04-23 | 基于数据分析的土地利用规划方法及规划系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118094196A true CN118094196A (zh) | 2024-05-28 |
Family
ID=91152152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410487127.4A Pending CN118094196A (zh) | 2024-04-23 | 2024-04-23 | 基于数据分析的土地利用规划方法及规划系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118094196A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766825A (zh) * | 2017-10-27 | 2018-03-06 | 国家测绘地理信息局第航测遥感院 | 基于空间功能单元的陆域省市县空间规划三区识别方法 |
CN115239127A (zh) * | 2022-07-20 | 2022-10-25 | 西南交通大学 | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 |
CN115468917A (zh) * | 2022-08-11 | 2022-12-13 | 中国农业大学 | 基于高分辨率遥感提取农田地块作物信息的方法及系统 |
CN117036112A (zh) * | 2023-10-09 | 2023-11-10 | 石家庄坤垚科技有限公司 | 一种土地规划用的地理信息系统及方法 |
CN117408495A (zh) * | 2023-12-12 | 2024-01-16 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
-
2024
- 2024-04-23 CN CN202410487127.4A patent/CN118094196A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766825A (zh) * | 2017-10-27 | 2018-03-06 | 国家测绘地理信息局第航测遥感院 | 基于空间功能单元的陆域省市县空间规划三区识别方法 |
CN115239127A (zh) * | 2022-07-20 | 2022-10-25 | 西南交通大学 | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 |
CN115468917A (zh) * | 2022-08-11 | 2022-12-13 | 中国农业大学 | 基于高分辨率遥感提取农田地块作物信息的方法及系统 |
CN117036112A (zh) * | 2023-10-09 | 2023-11-10 | 石家庄坤垚科技有限公司 | 一种土地规划用的地理信息系统及方法 |
CN117408495A (zh) * | 2023-12-12 | 2024-01-16 | 菏泽市自然资源和规划局 | 一种基于土地资源综合管理的数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reichenbach et al. | A review of statistically-based landslide susceptibility models | |
Malczewski | GIS and multicriteria decision analysis | |
Jochem et al. | Identifying residential neighbourhood types from settlement points in a machine learning approach | |
Wang et al. | A patch‐based cellular automaton for simulating land‐use changes at fine spatial resolution | |
Esch et al. | Urban remote sensing–how can earth observation support the sustainable development of urban environments? | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
CN116011291A (zh) | 一种隧道洞口多源信息融合的边坡稳定性数字化评估平台 | |
CN112528508A (zh) | 电磁可视化方法和装置 | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
Grenier et al. | Accuracy assessment method for wetland object-based classification | |
Omar et al. | Modelling land-use and land-cover changes using Markov-CA, and multiple decision making in Kirkuk city | |
Ogunbadewa | Developing natural resources database with Nigeriasat-1 satellite data and geographical information systems | |
CN118094196A (zh) | 基于数据分析的土地利用规划方法及规划系统 | |
Grippa et al. | Mapping slums and model population density using earth observation data and open source solutions | |
Siervo et al. | Geomorphic analysis and semi-automated landforms extraction in different natural landscapes | |
CN117931978B (zh) | 流域人居数据分析方法及系统、计算机设备 | |
CN117611108B (zh) | 一种城乡建设用地有偿调剂的智能决策构建方法 | |
CN117725662B (zh) | 一种基于市政工程的工程施工仿真方法及系统 | |
Rodriguez-Bachiller et al. | Geographical information systems and EIA | |
Kumar et al. | Cellular automata and Genetic Algorithms based urban growth visualization for appropriate land use policies | |
Naidu | CONCEPT OF GEOGRAPHIC INFORMATION SYSTEM FOR A GEOINFOMATICS ENGINEER | |
Habib | Geodetic Data Processing Using Soft Computing Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |