CN111476325B - 基于大数据的城市建设用地分类识别方法及*** - Google Patents
基于大数据的城市建设用地分类识别方法及*** Download PDFInfo
- Publication number
- CN111476325B CN111476325B CN202010600591.1A CN202010600591A CN111476325B CN 111476325 B CN111476325 B CN 111476325B CN 202010600591 A CN202010600591 A CN 202010600591A CN 111476325 B CN111476325 B CN 111476325B
- Authority
- CN
- China
- Prior art keywords
- grid
- land
- urban construction
- new
- classification
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005484 gravity Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 11
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于大数据的城市建设用地分类识别方法及***,该方法包括:将待分类识别的城市建设用地以道路为边界划分为多个网格;获取每个网格的网络特征数据;依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格;根据新地块网格的地表覆盖物数据和人口数据计算分类数据;依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别。本申请对城市建设用地进行分类和对城市建设用地类型进行识别,提高了城市建设用地分类识别的效率和分类准确度。
Description
技术领域
本申请涉及大数据处理技术领域,尤其涉及一种基于大数据的城市建设用地分类识别方法及***。
背景技术
随着我国城镇化进程的推进,城市建设用地得以快速扩张,对城市的社会、经济和环境等方面产生了重要的影响,如何准确高效地识别城市建设用地的类别对于城市相关研究来说是至关重要的。
城市建设用地指城市和县人民政府所在地镇内的居住用地、公共管理与公共服务用地、商业服务业设施用地、工业用地、物流仓储用地、交通设施用地、公用设施用地、绿地。
现有的,城市建设用地识别方法包括人工测绘和遥感影像,这两种识别方法的识别速度较低,识别准确度较低。
发明内容
本申请的目的在于提供一种基于大数据的城市建设用地分类识别方法及***,该方法用于对城市建设用地进行分类和对城市建设用地类型进行识别,提高了城市建设用地分类识别的效率和城市建设用地的分类精度以及城市建设用地的类型识别准确度。
为达到上述目的,本申请提供一种基于大数据的城市建设用地分类识别方法,该方法包括:
将待分类识别的城市建设用地以道路为边界划分为多个网格;
获取每个网格的网络特征数据;
依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格;
根据新地块网格的地表覆盖物数据和人口数据计算分类数据;
依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别。
如上的,其中,获取每个网格内的网络特征数据包括:获取地表覆盖物数据和人口数据。
如上的,其中,相邻两个网格的特征相似度值的计算公式为:
其中,表示相邻两个网格的特征相似度值;i表示第i种地表覆盖物;n表示地表覆盖物种类的总数量;表示预设的第i种地表覆盖物的重要值; 表示第一个网格的第i种地表覆盖物的面积,表示第一个网格的总面积;表示第二个网格的第i种地表覆盖物的面积;表示第二个网格的总面积;ln[]表示ln函数;表示第一个网格的人口数量;表示第二个网格的人口数量。
如上的,其中,分类数据包括人口密度值和不同类别地表覆盖物占据的比重值。
表示第个新地块网格中第i种地表覆盖物的比重值; 表示第个新地块网格中第i种地表覆盖物的数量;表示新地块网格中所有种类地表覆盖物的数量;表示第个新地块网格中第i种地表覆盖物的总面积;表示新地块网格中所有种类地表覆盖物的总面积。
如上的,其中,识别新地块网格的类别的方法包括:
依据人口密度值进行第一层级分类,将新地块网格分类为人***动区和非人***动区;其中,人口密度值超过预设的人***动区阈值的分类为人***动区,否则,分类为非人***动区;
依据每一种地表覆盖物的比重值对被分类到人***动区或非人***动区的新地块网格进行二级分类,识别新地块网格的类别。
如上的,其中,二级分类中识别新地块网格类别的方法为:
计算新地块网格与各类别城市建设用地的隶属度值;
将获取的新地块网格与各类别城市建设用地的隶属度值按从大到小排序;
将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别。
如上的,其中,二级分类中识别新地块网格类别的方法为:
计算新地块网格与各类别城市建设用地的隶属度值;
将获取的新地块网格与各类别城市建设用地的隶属度值按从大到小排序;
计算最大隶属度值与第二大隶属度值之间的差值,判断该差值是否在混合用地阈值范围内,若是,则将最大隶属度值和第二大隶属度值对应的城市建设用地的类别作为新地块网格的混合用地类别,否则,将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别。
如上的,其中,计算新地块网格与各类别城市建设用地的隶属度值,具体的,计算公式如下:
其中,表示第个新地块网格与类别为P的城市建设用地的隶属度值;i表示第i种地表覆盖物;n表示地表覆盖物种类的总数量;表示类别为P的城市建设用地对应的第i种地表覆盖物占据的比重最小值, 表示类别为P的城市建设用地对应的第i种地表覆盖物占据的比重最大值; 表示类别为P的城市建设用地对应的第i种地表覆盖物的显著系数。
本申请还提供一种基于大数据的城市建设用地分类识别***,该***包括:
网格划分模块,用于将待分类识别的城市建设用地以道路为边界划分为多个网格;
获取模块,用于获取每个网格的网络特征数据;
相似网格合并模块,用于依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格;
计算模块,用于根据新地块网格的地表覆盖物数据和人口数据计算分类数据;
识别类别模块,用于依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别。
本申请实现的有益效果如下:
(1)本申请将特征相似度值超过预设阈值的相邻两个网格进行合并,对合并后的新地块网格进行分类识别,减少了分类识别过程中的数据计算量,缩短了城市建设用地的分类识别时间,提高了城市建设用地的分类识别效率。
(2)本申请通过计算最大隶属度值与第二大隶属度值之间的差值,判断该差值是否在混合用地阈值范围内,若是,则将最大隶属度值和第二大隶属度值对应的城市建设用地的类别作为新地块网格的混合用地类别,否则,将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别,提高了城市建设用地的分类识别精确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于大数据的城市建设用地分类识别方法的流程图。
图2为本申请实施例的识别新地块网格的类别的方法流程图。
图3为本申请实施例的二级分类中识别新地块网格类别的方法的流程图。
图4为本申请实施例的一种基于大数据的城市建设用地分类识别***的结构示意图。
附图标记:10-网格划分模块;20-获取模块;30-相似网格合并模块;40-计算模块;50-识别类别模块;100-城市建设用地分类识别***。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
实施例一
如图1所示,本申请提供一种基于大数据的城市建设用地分类识别方法,该方法包括如下步骤:
步骤S1,将待分类识别的城市建设用地以道路为边界划分为多个网格。
步骤S2,获取每个网格的网络特征数据。
获取每个网格内的网络特征数据包括:获取地表覆盖物数据和人口数据。
根据GIS地理信息***获取网格内的地表覆盖物数据或根据关键词的提取方式从百度开放平台上提取地表覆盖物数据,根据常驻人口和流动人口登记地址获取网格内的人口数据。
其中,地表覆盖物数据包括地表覆盖物类型和每种地表覆盖物对应的数量及占地面积。
其中,每一类别的城市建设用地对应多种地表覆盖物,居民用地包括房屋建筑物、停车场、城市道路和绿化草地等。绿地包括乔木林、灌木林、林地、草坪、广场和水面等。工业用地包括工业设施、多层房屋建筑区、城市道路和绿化带等。商业服务业设施用地包括商场、停车场、城市道路等。公共设施用地包括公共设施、公共建筑场所、城市道路和绿化带等。物流仓储用地包括仓储堆放场所、房屋建筑、城市道路和停车场等。交通设施用地包括铁路、公路和城市道路等。
步骤S3,依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格。
其中,将相邻两个网格的共同的边界线删除,合并为一个网格,并且合并后的网格的网络特征数据为被合并的网格的网络特征数据之和。
根据本发明的一个具体实施例,将多个网格无重复的划分为相邻的成对网格,依据网络特征数据计算相邻的成对网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,继续按照上述方法对合并后的网格进行合并,直至无法合并为止,形成新地块网格。
根据本发明的另一个具体实施例,以多个网格的中心网格为中心,依据网络特征数据依次计算与其相邻的网格的特征相似度值,将特征相似度值超过预设阈值且与其相邻的网格进行合并,进一步,计算合并后网格与其相邻的网格特征相似度值,将特征相似度值超过预设阈值且与其相邻的网格进行合并,按照上述规则,依次将中心网格***的网格进行合并,直至无法合并为止,形成新地块网格。
具体的,根据相邻两个网格地表覆盖物数据和人口数据计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的网络进行合并,合并后的网格再与其相邻的网格进行特征相似度值计算,若计算的特征相似度值超过预设的阈值,则继续将这两个网格进行合并,直至相邻两个网格的特征相似度值小于预设的阈值,无法再合并为止,最终形成新的地块网。
根据本发明的一个具体实施例,相邻两个网格的特征相似度值的计算公式为:
其中,表示相邻两个网格的特征相似度值;i表示第i种地表覆盖物;n表示地表覆盖物种类的总数量;表示预设的第i种地表覆盖物的重要值; 表示第一个网格的第i种地表覆盖物的面积,表示第一个网格的总面积;表示第二个网格的第i种地表覆盖物的面积;表示第二个网格的总面积;ln[]表示ln函数;表示第一个网格的人口数量;表示第二个网格的人口数量;*表示乘积。
步骤S4,根据新地块网格的地表覆盖物数据和人口数据计算分类数据。
根据本发明的一个具体实施例,分类数据包括人口密度值和不同类别地表覆盖物占据的比重值。
根据本发明的一个具体实施例,根据获取的人口数据,计算新地块网格的人口密度值。
具体的,人口密度值的计算公式为:
根据本发明的一个具体实施例,根据获取的地表覆盖物数据,计算每一种地表覆盖物占据的比重值。其中,多种地表覆盖物占据的比重值进行并行计算。
表示第个新地块网格中第i种地表覆盖物的比重值; 表示第个新地块网格中第i种地表覆盖物的数量;表示新地块网格中所有种类地表覆盖物的数量;表示第个新地块网格中第i种地表覆盖物的总面积;表示新地块网格中所有种类地表覆盖物的总面积。
步骤S5,依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别。
如图2所示,步骤S5包括如下子步骤:
步骤S510,依据人口密度值进行第一层级分类,将新地块网格分类为人***动区和非人***动区。
其中,人口密度值为单位面积的人口数量,人***动区包括居住用地、公共管理与公共服务用地、商业服务业设施用地、工业用地、交通设施用地、公用设施用地,非人***动区包括物流仓储用地、绿地。
具体的,人口密度值超过预设的人***动区阈值的分类为人***动区,否则,分类为非人***动区。
步骤S520,依据每一种地表覆盖物的比重值对被分类到人***动区或非人***动区的新地块网格进行二级分类,识别新地块网格的类别。
其中,预先构建的城市建设用地分类规则中预存有各类别城市建设用地对应的每一种地表覆盖物占据的比重范围值。
如图3所示,二级分类中识别新地块网格类别的方法为:
步骤S521,计算新地块网格与各类别城市建设用地的隶属度值,具体的,计算公式如下:
其中,表示第个新地块网格与类别为P的城市建设用地的隶属度值;i表示第i种地表覆盖物;n表示地表覆盖物种类的总数量;表示类别为P的城市建设用地对应的第i种地表覆盖物占据的比重最小值, 表示类别为P的城市建设用地对应的第i种地表覆盖物占据的比重最大值; 表示类别为P的城市建设用地对应的第i种地表覆盖物的显著系数,显著系数根据实际经验预先设定,显著系数越大表示该种类地表覆盖物对城市建设用地的分类影响情况越大。
步骤S522,将获取的新地块网格与各类别城市建设用地的隶属度值按从大到小排序。
步骤S523,将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别。
根据本发明的另一个具体实施例,计算最大隶属度值与第二大隶属度值之间的差值,判断该差值是否在混合用地阈值范围内,若是,则将最大隶属度值和第二大隶属度值对应的城市建设用地的类别作为新地块网格的混合用地类别,否则,将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别。
根据本发明的一个具体实施例,混合用地类型包括商业用地和公共设施混合用地,公共设施与道路交通设施混合用地,工业用地和物流仓储混合用地。
实施例二
如图4所示,本申请还提供一种基于大数据的城市建设用地分类识别***100,该***包括:
网格划分模块10,用于将待分类识别的城市建设用地以道路为边界划分为多个网格;
获取模块20,用于获取每个网格的网络特征数据;
相似网格合并模块30,用于依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格;
计算模块40,用于根据新地块网格的地表覆盖物数据和人口数据计算分类数据;
识别类别模块50,用于依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别。
本申请实现的有益效果如下:
(1)本申请将特征相似度值超过预设阈值的相邻两个网格进行合并,对合并后的新地块网格进行分类识别,减少了分类识别过程中的数据计算量,缩短了城市建设用地的分类识别时间,提高了城市建设用地的分类识别效率。
(2)本申请通过计算最大隶属度值与第二大隶属度值之间的差值,判断该差值是否在混合用地阈值范围内,若是,则将最大隶属度值和第二大隶属度值对应的城市建设用地的类别作为新地块网格的混合用地类别,否则,将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别,提高了城市建设用地的分类识别精确度。
Claims (9)
1.一种基于大数据的城市建设用地分类识别方法,其特征在于,该方法包括:
将待分类识别的城市建设用地以道路为边界划分为多个网格;
获取每个网格的网络特征数据;
依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格;
根据新地块网格的地表覆盖物数据和人口数据计算分类数据;依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别;
其中,相邻两个网格的特征相似度值的计算公式为:
2.根据权利要求1所述的基于大数据的城市建设用地分类识别方法,其特征在于,获取每个网格内的网络特征数据包括:获取地表覆盖物数据和人口数据。
3.根据权利要求1所述的基于大数据的城市建设用地分类识别方法,其特征在于,分类数据包括人口密度值和不同类别地表覆盖物占据的比重值。
5.根据权利要求1所述的基于大数据的城市建设用地分类识别方法,其特征在于,识别新地块网格的类别的方法包括:
依据人口密度值进行第一层级分类,将新地块网格分类为人***动区和非人***动区;其中,人口密度值超过预设的人***动区阈值的分类为人***动区,否则,分类为非人***动区;
依据每一种地表覆盖物的比重值对被分类到人***动区或非人***动区的新地块网格进行二级分类,识别新地块网格的类别。
6.根据权利要求5所述的基于大数据的城市建设用地分类识别方法,其特征在于,二级分类中识别新地块网格类别的方法为:
计算新地块网格与各类别城市建设用地的隶属度值;
将获取的新地块网格与各类别城市建设用地的隶属度值按从大到小排序;
将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别。
7.根据权利要求5所述的基于大数据的城市建设用地分类识别方法,其特征在于,二级分类中识别新地块网格类别的方法为:
计算新地块网格与各类别城市建设用地的隶属度值;
将获取的新地块网格与各类别城市建设用地的隶属度值按从大到小排序;
计算最大隶属度值与第二大隶属度值之间的差值,判断该差值是否在混合用地阈值范围内,若是,则将最大隶属度值和第二大隶属度值对应的城市建设用地的类别作为新地块网格的混合用地类别,否则,将最大隶属度值对应的城市建设用地的类别作为新地块网格的类别。
9.一种基于大数据的城市建设用地分类识别***,其特征在于,该***包括:
网格划分模块,用于将待分类识别的城市建设用地以道路为边界划分为多个网格;
获取模块,用于获取每个网格的网络特征数据;
相似网格合并模块,用于依据网络特征数据不断计算相邻两个网格的特征相似度值,将特征相似度值超过预设阈值的相邻两个网格进行合并,直至无法合并,形成新地块网格;
计算模块,用于根据新地块网格的地表覆盖物数据和人口数据计算分类数据;
识别类别模块,用于依据计算的分类数据和预先构建的城市建设用地分类标准对待分类识别的新地块网格进行分类,识别新地块网格的类别;
其中,相邻两个网格的特征相似度值的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600591.1A CN111476325B (zh) | 2020-06-29 | 2020-06-29 | 基于大数据的城市建设用地分类识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600591.1A CN111476325B (zh) | 2020-06-29 | 2020-06-29 | 基于大数据的城市建设用地分类识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476325A CN111476325A (zh) | 2020-07-31 |
CN111476325B true CN111476325B (zh) | 2020-09-29 |
Family
ID=71763967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010600591.1A Active CN111476325B (zh) | 2020-06-29 | 2020-06-29 | 基于大数据的城市建设用地分类识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476325B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966908A (zh) * | 2021-02-23 | 2021-06-15 | 深圳市城市规划设计研究院有限公司 | 建设用地的功能混合评估方法、装置及存储介质 |
CN112949617B (zh) * | 2021-05-14 | 2021-08-06 | 江西农业大学 | 农村道路类型识别方法、***、终端设备及可读存储介质 |
CN114418328B (zh) * | 2021-12-27 | 2024-06-25 | 宁波诺丁汉大学 | 一种城市功能区域规划方法 |
CN116108124B (zh) * | 2023-04-13 | 2023-06-27 | 中国铁塔股份有限公司 | 基于gis的土地类型相似度确定方法、***、设备及介质 |
CN116484266B (zh) * | 2023-05-18 | 2023-11-24 | 广东国地规划科技股份有限公司 | 一种精细城市用地类型识别模型训练方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7647181B2 (en) * | 2005-08-12 | 2010-01-12 | Microsoft Corporation | Computer generated land cover classification |
CN104200223B (zh) * | 2014-08-29 | 2017-09-05 | 中国科学院城市环境研究所 | 一种基于高分辨率遥感影像的城市功能区识别方法 |
CN106529560B (zh) * | 2015-12-09 | 2019-09-20 | 中国科学院城市环境研究所 | 一种综合人口密度与景观结构的城市功能区的识别方法 |
CN107463624B (zh) * | 2017-07-06 | 2018-06-12 | 深圳市城市规划设计研究院有限公司 | 一种基于社交媒体数据进行城市兴趣域识别的方法及*** |
CN111062446B (zh) * | 2019-12-25 | 2023-05-09 | 南京大学 | 基于多源国土资源数据的土地类型分类方法 |
-
2020
- 2020-06-29 CN CN202010600591.1A patent/CN111476325B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111476325A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476325B (zh) | 基于大数据的城市建设用地分类识别方法及*** | |
Zheng et al. | GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong | |
Lake et al. | Using GIS and large-scale digital data to implement hedonic pricing studies | |
CN1795478B (zh) | 绘制地图的***、设备及方法 | |
Zhao et al. | Application of airborne remote sensing data on mapping local climate zones: Cases of three metropolitan areas of Texas, US | |
Fonte et al. | Using OpenStreetMap (OSM) to enhance the classification of local climate zones in the framework of WUDAPT | |
CN114969007A (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
Tiitu | Expansion of the built-up areas in Finnish city regions–The approach of travel-related urban zones | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN112215059A (zh) | 一种基于深度学习的城中村识别和人口估计方法、***及计算机可读存储介质 | |
CN115578227A (zh) | 一种基于多源数据确定大气颗粒物污染重点区域的方法 | |
CN110070259B (zh) | 一种基于gis空间大数据分析的安防设备智慧选址方法 | |
CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
CN111400877B (zh) | 一种基于gis数据的智能城市仿真***和方法 | |
Chen et al. | The urban morphology classification under local climate zone scheme based on the improved method-A case study of Changsha, China | |
Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
Santos et al. | Estimating building's anthropogenic heat: a joint local climate zone and land use classification method | |
CN111914052A (zh) | 一种区域空间关联关系确定方法及装置 | |
CN115620165B (zh) | 城市建成区慢行***设施评价方法、装置、设备及介质 | |
CN114676861B (zh) | 一种建筑物外立面节能环保维护方法及*** | |
Triantakonstantis et al. | Analyzing urban sprawl in Rethymno, Greece | |
Weerasinghe et al. | A GIS based methodology to demarcate modified traffic analysis zones in urban areas | |
Raza et al. | SPATIOTEMPORAL MONITORING OF URBAN SPRAWL AND ITS IMPACT ASSESSMENT IN DISTRICT SHEIKHUPURA THROUGH REMOTE SENSING AND GIS USING SATELLITE IMAGES FROM 1976-2014. | |
CN113191553A (zh) | 基于建筑物尺度的人口空间分布估算方法及*** | |
CN113194152B (zh) | 一种基于手机信令数据的低活动强度建设用地识别方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200903 Address after: 475001 Henan province city Minglun Street No. 85 Applicant after: Henan University Address before: 101300 Beijing Shunyi District Airport Street, No. 1 Anhua Street, 1st Building, 1st Floor, No. 2159 Applicant before: BEIJING LONGPU INTELLIGENT TECHNOLOGY Co.,Ltd. Applicant before: Henan University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |