CN120087802B - 一种城市公园选址决策方法、系统、设备及介质 - Google Patents

一种城市公园选址决策方法、系统、设备及介质

Info

Publication number
CN120087802B
CN120087802B CN202510558880.2A CN202510558880A CN120087802B CN 120087802 B CN120087802 B CN 120087802B CN 202510558880 A CN202510558880 A CN 202510558880A CN 120087802 B CN120087802 B CN 120087802B
Authority
CN
China
Prior art keywords
target area
area
ground object
object categories
remote sensing
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.)
Active
Application number
CN202510558880.2A
Other languages
English (en)
Other versions
CN120087802A (zh
Inventor
党硕
房磊
任世龙
陈金月
孔潇扬
霍兆涵
王婉婷
王国强
王桥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202510558880.2A priority Critical patent/CN120087802B/zh
Publication of CN120087802A publication Critical patent/CN120087802A/zh
Application granted granted Critical
Publication of CN120087802B publication Critical patent/CN120087802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明属于城市规划技术领域，为了解决现有热岛效应缓解技术面临多重瓶颈问题，提出一种城市公园选址决策方法、系统、设备及介质，对多维度指标分别基于博弈论方法赋予组合权重，以及进行分级归一化处理；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物；将地表温度对应的归一化空间分布图与不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；将上述进行融合生成目标区域选址适宜性分布图，进行筛选得到城市公园选址方案，避免现有“一刀切”式赋权对高热源区域的敏感性损失，确保公园选址决策既能靶向缓解热岛核心区，又能适配城市空间格局的多样性特征。

Description

一种城市公园选址决策方法、系统、设备及介质
技术领域
本发明属于城市规划相关技术领域，尤其涉及一种城市公园选址决策方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在热岛效应形成机制的解析中，地表覆被类型的热力学特性差异被认为是核心驱动因素。不同材质的地表如沥青、混凝土、植被等在热吸收效率、热传导速率及长波辐射释放能力等方面存在显著差异。例如，高密度建筑群通过三维立体表面对太阳辐射的多重反射与滞留，形成显著的热蓄积效应；而工业区域中金属与玻璃材质的广泛使用则进一步增强了局地热环境的复杂性。然而，现有热环境评估模型普遍采用简化的土地覆被分类体系，将地表类型粗略划分为“硬化”与“自然”两类，未能精准量化不同材质组合的热力学参数差异。这种粗放化处理导致热通量模拟存在系统性偏差，尤其难以解析土地覆被渐变式更新如透水铺装替代传统路面对热岛格局的渐进影响。
当前热岛效应缓解技术面临多重瓶颈。在数据获取层面，依赖单一遥感数据源的热场反演方法存在固有缺陷：中等分辨率热红外影像如30米级，虽能刻画宏观热场分布，但无法识别街区尺度的热异质性；而高时间分辨率数据如日尺度受限于空间分辨率的严重不足，难以支撑精细化热环境解析。在热力学机制建模方面，现有研究多采用基于植被指数NDVI的统计回归模型或机器学习黑箱模型，虽能实现温度场预测，但缺乏对地表能量交换物理过程的可解释性。例如，植被降温效应常被简化为叶面积指数的线性函数，忽略冠层蒸腾效率受微气象条件如风速、湿度的动态调控作用。此外，现有规划模型多将热岛效应视为均质化背景场，仅以热岛强度指数作为约束条件，未能建立土地覆被类型转换与热环境响应的定量映射关系，导致降温措施的靶向性不足。
多目标决策算法的局限性进一步制约了热岛缓解效能的优化。传统空间多准则决策模型通常采用静态权重分配策略，将热岛缓解、服务覆盖度、经济成本等目标参数固化为固定比例。然而，城市发展阶段与区域特征的差异性要求决策模型具备动态响应能力：新城建设初期可能优先考虑热岛缓解，而成熟建成区需侧重服务公平性。现有静态模型难以适应这种动态需求，导致规划方案在实施中出现目标冲突。此外，权重分配过程中的人为主观性介入如专家打分法的模糊区间设定可能引入系统性偏差，使得具有高热调节潜力但开发成本较高的区域在综合评分中被边缘化。
近年来，相关技术领域的研究聚焦于多源数据融合与机制模型优化。部分研究尝试通过联合光学影像与热红外数据构建地表温度降尺度模型，但其算法对云层覆盖与气溶胶干扰的鲁棒性不足，且计算复杂度随数据维度增加显著上升。在热力学过程解析方面，有学者提出基于能量平衡方程的地表通量分解方法，通过分离显热、潜热与储热通量揭示热岛形成的内在机制，但模型对土地覆被渐变过程的响应灵敏度仍待提升。在决策支持领域，动态权重优化算法开始被引入以增强多目标协同能力，但现有方法在复杂约束条件下的收敛效率与稳定性尚未达到实用要求。这些技术探索表明，单一维度的改进难以从根本上解决热岛效应解析与规划响应的系统性脱节，亟需构建从热力学机制解析到空间决策优化的全链条技术体系，为城市环境下的公园科学布局提供可操作的决策路径。
发明内容
为克服上述现有技术的不足，本发明提供了一种城市公园选址决策方法、系统、设备及介质，确保公园选址决策既能靶向缓解热岛核心区，又能适配城市空间格局的多样性特征。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种城市公园选址决策方法，包括：
获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度；
对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；
将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；
将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案。
第二方面，本发明提供一种城市公园选址决策系统，包括：
计算模块，其被配置为：获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度；
权重模块，其被配置为：对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；
分配模块，其被配置为：将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；
选址模块，其被配置为：将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
以上一个或多个技术方案存在以下有益效果：
在本发明中，对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重，突破传统主观赋权或单一客观赋权的局限性；依据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，而且将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图，避免现有“一刀切”式赋权对高热源区域的敏感性损失，确保公园选址决策既能靶向缓解热岛核心区，又能适配城市空间格局的多样性特征。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中城市公园选址决策方法流程图；
图2为本发明实施例一中遥感数据处理过程示意图；
图3为本发明实施例一中博弈论综合赋权法框架示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
术语解释：
居民区POI（Point of Interest）是指与居民生活密切相关的地理要素，如小区、公寓楼、住宅等，这些要素在地理信息系统中被抽象为点要素，用于丰富地图内容，提供用户所需的地理信息。
‌OD成本矩阵（Origin-Destination Cost Matrix）‌是一种用于计算和存储多个起点与多个目的地之间最小通行成本的网络分析工具。‌‌
实施例一
本实施例公开了一种城市公园选址决策方法，包括：
获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度；
对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；
将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；
将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案。
本实施例方案基于博弈论对目标区域的多维度指标赋予权重，突破传统主观赋权或单一客观赋权的局限性；依据不同地物类别的转换热贡献度动态调整不同地物类别的热岛效应的权重，避免现有“一刀切”式赋权对高热源区域的敏感性损失，确保公园选址决策既能靶向缓解热岛核心区，又能适配城市空间格局的多样性特征。
下面结合图1-图2对本实施例提出的一种城市公园选址决策方法进行详细说明：
步骤1：获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度。
获取目标区域多时相遥感数据并进行预处理，预处理包括：辐射定标与大气校正、影像配准等。
作为一种实施方式，获取目标区域夏季如6-8月双时相哨兵-2号多光谱影像，其中云量<10%，空间分辨率10米；同步获取同区域夏季双时相Landsat 8影像，其中，云量<10%，分辨率30米。
对哨兵-2号影像采用Sen2Cor工具进行大气校正，得到地表反射率数据；对Landsat8影像采用FLAASH模型校正，消除气溶胶及水汽干扰，公式为：
式中，为传感器入瞳处辐射亮度，DN为原始像元灰度值，为辐射亮度乘性系数，为辐射亮度加性系数，为太阳天顶角。
然后以哨兵-2号获取的遥感数据为基准，采用ENVI特征匹配法对Landsat8获取的遥感数据进行几何精校正，空间配准误差≤1像素。
例如，获取沈阳市、西安市、武汉市三座城市双时相夏季，云量＜10%的哨兵2号遥感影像与Landsat 8遥感影像，并基于OpenStreetMap提取三城市对应年份的道路数据、建筑物数据、水体面数据，夜间灯光数据产品等数据。其中，沈阳市为2017与2020年，西安市为2019与2021年，武汉市为2013与2016年。
步骤11：统计目标区域多时相遥感数据间地物类别的相互转换信息，计算目标区域地物类别间转换面积，以及地物类别间转换温度净变化。
步骤111：基于目标区域多时相遥感数据，分别通过训练好的语义分割与变化检测分类模型，得到不同时相遥感数据对应的地物类别概率图。
通过将配准后的两期哨兵2号遥感影像分别输入训练好的语义分割与变化检测分类模型中，得到四类概率图，四类分别为建筑、裸地、水体、绿地。
采用 DeeplabV3+框架，语义分割与变化检测分类模型包括4个编码器即Block1、Block2、Block3和Block4，时空特征融合模块和解码器。
以改进的ResNet-50作为编码器的Block，加载在ImageNet数据集上预训练的权重加速模型收敛。固定ResNet-50网络的前3层卷积即Conv1~Conv3的权重，仅微调深层网络即Conv4及后续模块，避免浅层通用特征被破坏，同时减少过拟合风险。
改进的ResNet-50具体为：在ResNet-50的第四层卷积即Conv4输出后，添加4组并行的空洞卷积层，膨胀率分别为6、12、18、24，捕获遥感数据不同尺度的上下文信息，得到多尺度特征图；将多尺度特征图与Conv4输出的原始特征拼接，然后通过1×1卷积压缩通道数至256，减少计算量；在跳跃连接中引入通道注意力模块，自动学习遥感数据的浅层特征如建筑边缘、水体边界等的重要性权重，抑制背景噪声如云阴影、植被季节性变化等。
时空特征融合模块步骤具体为：
差异特征提取：对编码器输出的双时相特征图，逐像素计算绝对差值生成初始差异特征图，差异特征图经3×3卷积核进行空间平滑后，输出通道维度为256的初始变化特征；
时序建模：采用双向ConvLSTM单元对初始变化特征建模，捕捉地物变化的渐进过程如植被退化，以及突变事件如建筑拆除，得到时序特征图。ConvLSTM的隐藏层维度设为512，时间步长设置为2，卷积核尺寸3×3。前向与后向LSTM分别学习时序依赖关系，最终将双向隐藏状态拼接为1024维特征；
注意力加权融合：基于通道注意力机制对融合后的时序特征进行动态校准。具体的，首先，通过全局平均池化压缩时序特征图的空间维度，获取通道级统计量；随后采用两层全连接层生成通道权重向量。将权重向量与初始变化特征进行通道相乘，强化关键特征通道的响应强度，抑制非显著特征干扰。加权后的特征图经1×1卷积压缩至256通道以降低计算复杂度，并与编码器即Block4输出的原始特征进行残差连接，保留未变化区域的空间上下文信息。
解码器步骤具体为：
解码器采用四级上采样结构逐级恢复空间分辨率：第一级将输入特征（H/32×W/32）通过3×3转置卷积（步长2，填充1）上采样至H/16×W/16，输出512通道后融合编码器Block3的1024维特征，经1×1卷积对齐通道并相加；第二级重复转置卷积操作输出H/8×W/8的256通道特征，融合Block2特征；第三级上采样至H/4×W/4的128通道，融合Block1的浅层纹理特征；第四级最终恢复至原始分辨率H×W的64通道特征，叠加双线性插值细化局部特征，确保小尺度地物的完整性。
二值掩膜生成：解码器输出的64维特征，经1×1卷积压缩至4通道即建筑、裸地、水体、绿地，通过Sigmoid函数生成概率图，并采用动态阈值分割策略进行处理，动态阈值分割策略具体为：建筑和裸地阈值设为0.6以降低植被误判，水体和绿地阈值设为0.4以提升敏感度；后处理阶段通过5×5形态学开运算消除椒盐噪声。
置信度估计，置信度由信息熵与空间一致性联合计算，公示如下：
式中，H为熵值，衡量分类结果的不确定性，熵值越低分类确定性越高；表示像素属于第i类地物（建筑、裸地、水体、绿地）的概率。
语义分割与变化检测分类模型训练时，采用交叉熵损失函数处理类别不平衡问题，为少数类别如水体分配更高权重，例如水体权重为1.5，裸地为1.2，绿地为0.9。采用Dice损失优化分割区域的重叠率，提升边界精度，与交叉熵损失的权重比例为4:6。使用Adam优化器，β1=0.9，β2=0.999，初始学习率为0.0001，采用余弦退火策略动态调整学习率，每50个epoch衰减至初始值的10%。
步骤112：逐像素比对并标记不同时相遥感数据分类结果中类比不一致的像素，生成原始差异图，根据原始差异图计算目标区域地物类别间转换面积。
具体的，逐像素比对并标记两期分类结果中类别不一致的像素，生成原始差异图；构建4×4地类转换矩阵，统计四种地物类别间的相互转换,如“裸地→建筑”“绿地→裸地”等，计算各地物类别面积及占比。
地类转换矩阵示例为：
表格中Mi,j为表示从前一时相类别i转换为后一时相类别j的像素数量。
步骤12：根据地物类别间转换温度净变化，以及地物类比间转换面积，计算不同地物类别的转换热贡献度。
基于Landsat8热红外波段（Band10-11）进行地表温度反演，采用辐射传输方程RTE反演地表温度LST，公式如下：
式中，。
从气象数据网提取两景影像当日平均气温（T1、T2），计算背景气温差：。
根据地类转换矩阵，计算各转换类型温度变化均值： ；
消除气象干扰，获取净热效应值，地物转换净温度变化为：，分别计算四种地物类型的净温度变化。
地物类别转换热贡献度计算公式为：
其中，为地物类别i的热贡献度，为地物类别j转变为地物类别i的净温度变化，为地物类别 j 转换为地物类别i的转换面积。
例如，沈阳市2017年8月15日，2020年8月18日，。
步骤2：对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图。
步骤21：将多维度指标分别采用自然断点法进行分级，并将分级结果归一化处理，得到目标区域上各指标的归一化空间分布图。
将城市公园选址的多维度指标即地表温度、NDVI、交通可达性和夜间灯光指数分别采用自然断点法进行分类。如：地表温度按热岛严重程度分为5级，1=非常不合适→5=非常合适；NDVI按植被匮乏程度分为5级，1=非常合适→5=非常不合适；交通可达性按数值高低分为5级，1=非常不合适→5=非常合适；夜间灯光指数按数值高低分为5级，1=非常不合适→5=非常合适。
将分类结果归一化为0-1分值，如1级=0.2，2级=0.4，…，5级=1.0。
步骤22：采用层次分析法确定多维度指标的主观权重，采用独立权重系数法确定多维度指标的客观权重，并以主观权重和客观权重差异最小化为目标，采用纳什均衡求解得到多维度指标的组合权重。
如图3所示，采用层次分析法AHP，通过专家对指标间相对重要性进行两两比较，基于1-9标度法量化打分构建判断矩阵，获得四项指标的主观权重，并通过一致性检验，CR<0.1；
采用独立权重系数法IWCM，基于信息熵计算指标离散度确定多维度指标的客观权重，公式为：
式中，第j项指标的客观权重，为第j项指标的信息熵，为差异系数，所有指标差异系数的总和。
以主观权重和客观权重差异最小化为目标，采用纳什均衡求解得到多维度指标的组合权重，公式为：
其中，为主观权重，为客观权重，，为最优系数，为组合权重。
采用层次分析法确定多维度指标的主观权重，结合独立权重系数法量化客观权重，通过博弈论优化两类权重的协同关系，使地表温度、植被覆盖度、可达性、夜间灯光指数四项核心指标的赋权能够适应不同区域的空间异质性特征。
步骤23：将地表温度的综合权重分解至各地类，建筑、裸地、水体、绿地，实现空间异质性赋权，具体为：
根据步骤1计算的四类地物（建筑、裸地、水体、绿地）的热贡献度将地表温度的综合权重按比例分配至各地类：
式中，为分解后的四类地物的综合权重，下标分别取，为地表温度的组合权重，为四类地物的热贡献度，i为1到4。
步骤24：将步骤21获得的地表温度归一化分布图按照步骤111获得后时相的四类概率图拆分至四类地物，即使用四类地物在后时相中的空间分布对地表温度归一化分布图进行裁剪，得到四类地物对应的热贡献归一化分布图。
步骤3：将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案。
叠加四类地物的地表温度、植被匮乏度、夜间灯光指数、居民可达性指标生成选址适宜性分布图，结合路网拓扑约束与非硬化地表保护规则筛选候选点位；通过热岛缓解潜力与公共服务覆盖盲区分析，输出最优公园选址方案。
具体的，融合四类地物地表温度、NDVI、夜光指数、可达性7类指标，加权叠加输出目标区域适宜性空间分布图，分辨率30米。公式为：
式中，代表建筑物地类热贡献的综合权重，代表裸地地类热贡献的综合权重，代表绿地地类热贡献的综合权重，代表水体地类热贡献的综合权重；代表指标NDVI的组合权重；代表指标夜间灯光指数的组合权重；代表指可达性的组合权重；为建筑物地类热贡献的归一化空间分布图，为裸地地类热贡献的归一化空间分布图，为绿地地类热贡献的归一化空间分布图，为水体地类热贡献的归一化空间分布图，为NDVI归一化空间分布图，为夜间灯光指数归一化空间分布图，为可达性归一化空间分布图；S代表城市公园选址适宜性空间分布图。
采用Getis-Ord Gi*热点分析提取热岛强度与植被匮乏度显著性区域，Z-score>2.58，置信度>99%。
基于OpenStreetMap建筑与水面矢量数据排除现有建筑区与永久水体。
以居民区POI为起点，热点区域为终点构建OD成本矩阵，以如15分钟步行等时圈为时间成本，叠加水体阻断及地形阻抗生成可达性分布图，具体为：
数据准备与处理：获取居民区POI点数据及适宜性热点区矢量边界，路网数据与高精度水系图层；
建立通行规则：以交通路网为路径，设定水体区为不可穿越区域；
生成成本栅格：融合路网分布与水体阻断因素，构建综合通行成本栅格数据；
计算最短路径：采用路径规划算法，以居民区为起点、适宜性热点区为终点，迭代计算最小累积通行时间，生成可达性分布图；
提取等时圈：基于15分钟步行阈值分割可达性栅格，生成连续等时圈面域；
构建OD矩阵：将居民区POI与适宜性热点区进行空间连接，建立起点-终点可达时间关系表，输出候选点位与路径拓扑结构。
筛选同时满足“适宜性>设定值如0.8”“可达时间<设定时间如15分钟”“非硬化地表如裸地/绿地占比>70%”的候选点位；按适宜性得分降序排列，输出排名靠前如Top15候选点位坐标及属性表。
本实施例通过融合哨兵-2号高分辨率多光谱数据与Landsat 8热红外波段，构建亚像元级几何配准框架，攻克了传统单一数据源分辨率不足、地物分类粗糙的难题。采用辐射传输方程反演地表温度时，创新引入气象参数动态校正，剥离背景气温波动对热岛效应归因的干扰，实现土地覆被类型与温度变化的精准映射。通过语义分割与变化检测分类模型，结合多尺度空洞卷积与注意力机制增强特征提取能力，显著提升建筑、裸地等关键地物边界的识别精度，构建双时相的地类转换矩阵解析热贡献度差异，为热岛效应溯源提供空间显式量化依据。
本实施例基于博弈论耦合的城市公园选址多维度指标动态赋权方法，突破传统主观赋权或单一客观赋权的局限性。通过Nash均衡理论融合层次分析法与独立权重系数法，使温度、植被指数等核心指标的权重分配兼具科学性与适应性。创新提出地表温度的权重分解机制，依据不同地类转换的热贡献度动态调整建筑、绿地等类型在全局评价中的影响权重，避免“一刀切”式赋权对高热源区域的敏感性损失。本实施例通过空间异质性解析实现权重参数的局部优化，确保公园选址决策既能靶向缓解热岛核心区，又能适配城市空间格局的多样性特征。
本实施例基于多约束网络分析的公园选址决策方法，构建“热环境治理—生态服务供需—居民可达性”多目标协同优化框架，利用空间统计方法识别公园选址适宜性热点区域，结合路网拓扑分析与步行等时圈建模。通过多维度指标加权叠加与非硬化地表保护、既有建设规避等空间排除规则，筛选出同时满足热岛缓解潜力、生态修复需求及公共服务公平性的最优解集。该方法突破传统单目标优化局限，以网络分析技术实现生态效益与民生需求的深度耦合，为高密度城市环境下的公园科学布局提供可操作的决策路径。
实施例二
本实施例的目的是提供一种城市公园选址决策系统，包括：
计算模块，其被配置为：获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度；
权重模块，其被配置为：对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；
分配模块，其被配置为：将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；
选址模块，其被配置为：将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种城市公园选址决策方法，其特征在于，包括：
获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度；
对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；
将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；
将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案；
其中，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度，具体为：
统计目标区域多时相遥感数据间地物类别的相互转换信息，计算目标区域地物类别间转换面积，以及地物类别间转换温度净变化；
根据地物类别间转换温度净变化，以及地物类比间转换面积，计算不同地物类别的转换热贡献度；
其中，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算目标区域地物类别间转换面积，具体为：
基于目标区域多时相遥感数据，分别通过训练好的语义分割与变化检测分类模型，得到不同时相遥感数据对应的地物类别概率图；
逐像素比对并标记不同时相遥感数据分类结果中类比不一致的像素，生成原始差异图；
根据所述原始差异图计算目标区域地物类别间转换面积。
2.如权利要求1所述的一种城市公园选址决策方法，其特征在于，所述语义分割与变化检测分类模型包括编码器、时空特征融合模块和解码器，所述编码器采用改进的ResNet-50网络，所述改进的ResNet-50网络具体为：在ResNet-50网络的第四层卷积后添加多组并行的空洞卷积，捕获遥感数据不同尺度的上下文信息，得到多尺度特征图；将所述多尺度特征图与第四层卷积的输出特征进行拼接，得到拼接特征；在跳跃连接中引入通道注意力，学习遥感数据的浅层特征；
基于所述时空特征融合模块，对编码器输出的双时相特征图计算初始变化特征，采用双向ConvLSTM单元对所述初始变化特征进行建模，得到时序特征图，采用通道注意力机制对所述时序特征图进行动态校准。
3.如权利要求1所述的一种城市公园选址决策方法，其特征在于，对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，基于博弈论方法对多维度指标之间相对重要性赋予组合权重，具体为：
将目标区域的多维度指标分别采用自然断点法进行分级，并将分级结果归一化处理，得到目标区域上各指标的归一化空间分布图；
采用层次分析法确定多维度指标的主观权重，采用独立权重系数法确定多维度指标的客观权重，并以主观权重和客观权重差异最小化为目标，采用纳什均衡求解得到多维度指标的组合权重。
4.如权利要求3所述的一种城市公园选址决策方法，其特征在于，将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，具体为：
，
其中，代表建筑物地类热贡献的综合权重，代表裸地地类热贡献的综合权重，代表绿地地类热贡献的综合权重，代表水体地类热贡献的综合权重；代表指标NDVI的组合权重；代表指标夜间灯光指数的组合权重；代表指可达性的组合权重；为建筑物地类热贡献的归一化空间分布图，为裸地地类热贡献的归一化空间分布图，为绿地地类热贡献的归一化空间分布图，为水体地类热贡献的归一化空间分布图，为NDVI归一化空间分布图，为夜间灯光指数归一化空间分布图，为可达性归一化空间分布图；S代表城市公园选址适宜性空间分布图。
5.如权利要求1所述的一种城市公园选址决策方法，其特征在于，根据目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案，具体为：
采用Getis-Ord Gi*热点分析识别热岛强度和植被匮乏度显著性区域；
基于OSM建筑矢量数据排除现状建筑区及永久水体；
以居民点为起始点，城市公园热点区域为终点，构建OD成本矩阵，计算居民区至热点区域的步行成本；
筛选适宜性、可达时间满足预设条件，且非硬化地表的候选点；
对候选点按热岛缓解潜力与居民服务盲区覆盖率排序，得到城市公园选址方案。
6.一种城市公园选址决策系统，其特征在于，包括：
计算模块，其被配置为：获取目标区域多时相遥感数据，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度；其中，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算不同地物类别的转换热贡献度，具体为：
统计目标区域多时相遥感数据间地物类别的相互转换信息，计算目标区域地物类别间转换面积，以及地物类别间转换温度净变化；
根据地物类别间转换温度净变化，以及地物类比间转换面积，计算不同地物类别的转换热贡献度；
其中，统计目标区域多时相遥感数据间地物类别的相互转换信息，计算目标区域地物类别间转换面积，具体为：
基于目标区域多时相遥感数据，分别通过训练好的语义分割与变化检测分类模型，得到不同时相遥感数据对应的地物类别概率图；
逐像素比对并标记不同时相遥感数据分类结果中类比不一致的像素，生成原始差异图；
根据所述原始差异图计算目标区域地物类别间转换面积；
权重模块，其被配置为：对多维度指标进行分级归一化处理，得到目标区域上各指标的归一化空间分布图，并基于博弈论方法对多维度指标之间相对重要性赋予组合权重；根据不同地物类别的转换热贡献度，将地表温度的组合权重分解至目标区域的不同地物，得到目标区域不同地物的综合权重；
分配模块，其被配置为：将地表温度对应的归一化空间分布图与目标区域的不同地物相对应，得到目标区域不同地物的热贡献归一化分布图；
选址模块，其被配置为：将不同地物的综合权重和对应地物的热贡献归一化分布图，以及各指标的组合权重和各指标对应的归一化空间分布图进行融合，生成目标区域选址适宜性分布图，提取适宜性热点区域，以居民区POI为起点，热点区域为终点构建OD成本矩阵，按照时间成本筛选候选点得到城市公园选址方案。
7.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的方法。
CN202510558880.2A 2025-04-30 2025-04-30 一种城市公园选址决策方法、系统、设备及介质 Active CN120087802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510558880.2A CN120087802B (zh) 2025-04-30 2025-04-30 一种城市公园选址决策方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510558880.2A CN120087802B (zh) 2025-04-30 2025-04-30 一种城市公园选址决策方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN120087802A CN120087802A (zh) 2025-06-03
CN120087802B true CN120087802B (zh) 2025-07-22

Family

ID=95856362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510558880.2A Active CN120087802B (zh) 2025-04-30 2025-04-30 一种城市公园选址决策方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN120087802B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121230809A (zh) * 2025-10-10 2025-12-30 玉溪师范学院 一种地热水多因子遥感探测方法、系统、设备、介质及产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740562A (zh) * 2019-01-14 2019-05-10 中国科学院地理科学与资源研究所 一种生态海绵型城市建设适宜区目标精准识别和功效测算系统及方法
CN111639833A (zh) * 2020-04-23 2020-09-08 中国科学院空天信息创新研究院 一种基于自然和人文多要素的城市人居环境适宜性综合评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102136893B1 (ko) * 2019-12-16 2020-07-22 대한민국 도시열섬 완화정책에 따른 도심 열 분포 변화 분석 장치 및 그 방법
CN115900958A (zh) * 2022-12-06 2023-04-04 中国自然资源航空物探遥感中心 一种基于热红外高光谱遥感的地热区域判定系统及方法
CN116805249A (zh) * 2023-08-25 2023-09-26 北京建工环境修复股份有限公司 城市口袋公园的碳核算方法、装置、计算机设备及介质
CN117232659B (zh) * 2023-11-14 2024-02-23 南京信息工程大学 一种基于无人机热红外遥感的地表温度反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740562A (zh) * 2019-01-14 2019-05-10 中国科学院地理科学与资源研究所 一种生态海绵型城市建设适宜区目标精准识别和功效测算系统及方法
CN111639833A (zh) * 2020-04-23 2020-09-08 中国科学院空天信息创新研究院 一种基于自然和人文多要素的城市人居环境适宜性综合评价方法

Also Published As

Publication number Publication date
CN120087802A (zh) 2025-06-03

Similar Documents

Publication Publication Date Title
Tariq et al. Spatio-temporal assessment of land use land cover based on trajectories and cellular automata Markov modelling and its impact on land surface temperature of Lahore district Pakistan
Ren et al. Assessment of local climate zone classification maps of cities in China and feasible refinements
Wu et al. Performance evaluation of the SLEUTH model in the Shenyang metropolitan area of northeastern China
Xu et al. Classification of local climate zones using ASTER and Landsat data for high-density cities
Wei et al. Measuring urban agglomeration using a city-scale dasymetric population map: A study in the Pearl River Delta, China
CN115129802B (zh) 一种基于多源数据和集成学习的人口空间化方法
CN119130243B (zh) 一种城市蓝绿空间生态效益关键影响因子识别方法
Wong et al. High-resolution calculation of the urban vegetation fraction in the Pearl River Delta from the Sentinel-2 NDVI for urban climate model parameterization
Hu et al. Nonlinear relations of urban morphology to thermal anomalies: A cross-time comparative study based on Grad-CAM and SHAP
CN119539586B (zh) 一种国土空间规划数据监测评价方法及系统
CN113254554A (zh) 基于地图抓取与聚类学习的城市街区热岛建模方法及系统
CN112070056A (zh) 一种基于面向对象和深度学习的敏感用地识别方法
CN120671995A (zh) 基于ai融合的城市蓝绿空间微气候预测系统与方法
CN114511787A (zh) 一种基于神经网络的遥感图像地物信息生成方法及其系统
CN120087802A (zh) 一种城市公园选址决策方法、系统、设备及介质
Lin et al. Optimizing local climate zones to mitigate urban heat risk: A multi-models coupled approach in the context of urban renewal
CN117115566B (zh) 利用全季节遥感影像的城市功能区识别方法及系统
CN120873223B (zh) 基于绿色设施环境特征框架城市绿视率空间分布模拟方法
Xu et al. Assessing urban-park governance priority for regreening in high-density cities
Crols et al. Downdating high-resolution population density maps using sealed surface cover time series
CN119006998B (zh) 城市地表温度的影响因素分析方法及装置、存储介质、计算机设备
Zheng et al. Harnessing geographic information system and street view imagery for thermal gradient distribution auditing
Song et al. Urban land use function prediction method based on RF and cellular automaton model
CN113239112B (zh) 基于gis系统的第三产业增长量可视化方法及装置
Chang et al. Application of GIS Sensor Technology in Digital Management of Urban Gardens under the Background of Big Data

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