CN116662466B - 通过大数据进行土地全生命周期维护*** - Google Patents

Abstract

本发明提出了一种通过大数据进行土地全生命周期维护***，包括如下步骤：S1，通过大数据平台获取土地规划建设基础数据，对基础数据进行收集分类，通过聚类算法进行土地数据聚类修正；S2，根据土地数据集合的聚类修正，执行完毕标准化后，对土地数据聚类数据进行异常调整，提高数据质量；S3，通过土地数据得分函数中的偏差系数的调节，提高土地数据实际变化和预期变化的差异度得分；S4，计算得分后的土地数据进行准确率和召回率评估，并根据评估结果进行对应的土地数据维护操作。

Description

通过大数据进行土地全生命周期维护***

技术领域

本发明涉及地图信息分析领域，尤其涉及一种通过大数据进行土地全生命周期维护***。

背景技术

针对土地全生命周期维护管理，需要对储备状态下的土地进行全方位的监管操作，在监管过程中获取土地规划，土地用途，土地建设，土地维护的全方位数据，进行后期的优化和管理，针对海量数据如何进行土地精细化的管理，如何针对土地全生命周期进行数据维护，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种通过大数据进行土地全生命周期维护***。

为了实现本发明的上述目的，本发明提供了一种通过大数据进行土地全生命周期维护***，包括如下步骤：

S1，通过大数据平台获取土地规划建设基础数据，对基础数据进行收集分类，通过聚类算法进行土地数据聚类修正；

S2，根据土地数据集合的聚类修正，执行完毕标准化后，对土地数据聚类数据进行异常调整，提高数据质量；

S3，通过土地数据得分函数中的偏差系数的调节，提高土地数据实际变化和预期变化的差异度得分；

S4，计算得分后的土地数据进行准确率和召回率评估，并根据评估结果进行对应的土地数据维护操作。

上述技术方案优选的，所述S1包括：

S1-1，进行土地规划建设数据预处理，依据土地供应时间和供应用途进行分类，对土地规划建设数据形成初始数据集；

S1-2，根据初始数据集的内容进行聚类操作，由于历史时间阶段土地数据的聚类算法为

其中，i为土地数据集中元素的数量，k为数据集的随机点，a_i为数据集中的簇，b_i为簇a_i的均值，μ为异常调节系数，F为聚类算法表达字符。

上述技术方案优选的，所述S1还包括：

S1-3，对于土地数据集的中数量为i的元素，其异常调节系数μ∈[0,1]，计算公式为：

其中为土地数据集I中第i个元素对应的特征向量，上标D_i为实际土地数据的特征向量数，上标D_int为初始土地数据的特征向量数，上标·^T表示转置，为sigmoid激活函数，神经网络学习得到的实际土地数据异常权重和初始土地数据异常权重/>是土地数据集中特征向量的线性变换，初始土地数据偏置项/>以及实际土地数据偏置项A_B∈I用于修正土地数据异常量；D_i×D_int为Φ_i的权重维度；每个异常调节系数的输出值是输入特征向量C_i与实际土地数据异常权重Φ_i和初始土地数据异常权重B逐元素计算的调节特征通过调节系数对聚类算法进行修正。

上述技术方案优选的，所述S2包括：

S2-1，确定土地全生命周期维护中的特征向量分析目标，对于监测土地利用变化根据不同的目标，选择得分函数进行分析，

S2-2，由于聚类算法将土地数据的初期变化特征进行相应的运算，将新获取的土地数据集中的特征向量进行得分函数计算；

由于土地数据涉及到地理坐标，在相应地块中对于土地数据的实时变迁与预期的土地数据形成相应的偏移，通过得分函数进行获取土地数据的变化得分；

得分函数为

其中，σ为实际土地变化数据权重，为预期土地变化数据权重，S_F为聚类算法F计算后实际土地数据变化面积，S'_F为预期土地数据变化面积，α_i为土地数据集中第i个元素的实际偏移系数，β_i为土地数据集中第i个元素的预期偏移系数。

上述技术方案优选的，所述S3包括：

S3-1，逐步调整参数，直到获得最优参数，通过确定参数范围：进行验证和应用土地数据集来验证模型的泛化性能，

S3-2，根据实际土地数据变化的土地数据集中形成的离散误差，对土地数据集中第i个元素的实际偏移系数α_i进行计算，

其中，c为土地数据集中第i个元素实际变化值，S_c为土地数据实际建设值，ΔT为土地数据实际偏移量。

上述技术方案优选的，所述S3包括：

S3-3，根据预期土地数据变化的土地数据集中形成的离散误差，对土地数据集中第i个元素的预期偏移系数α_i进行计算，

其中，c为土地数据集中第i个元素预期变化值，S‘_c为土地数据预期建设值，ΔT′为土地数据预期偏移量。

上述技术方案优选的，所述S4包括：

对于需要监测的土地数据获取的聚类算法的整体获取的e是总的聚类簇数，e_J是经过得分函数计算后的聚类样本在推荐阈值内，经过得分函数计算后在推荐阈值之外d_J，设定为准确率和召回率定义为：

综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过对土地全生命周期的维护管理，能够评估土地的最佳用途，利用大数据分析土地的资源利用情况，管理土地资源，确保土地资源得到合理利用，而且在大数据分析土地全生命周期过程中对于制定土地保护方案，确保土地利用效率最大化，同时保证土地资源得到充分保护。通过利用大数据技术进行土地使用计划的优化，可以帮助决策者制定科学、合理的土地利用方案，提高土地利用效率，促进经济、社会和环境的可持续发展。

本发明的附加方面和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

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明公开一种通过大数据进行土地全生命周期维护***，包括如下步骤：

S1，通过大数据平台获取土地规划建设基础数据，对基础数据进行收集分类，通过聚类算法进行土地数据聚类修正；

S2，根据土地数据集合的聚类修正，执行完毕标准化后，对土地数据聚类数据进行异常调整，提高数据质量；

S3，通过土地数据得分函数中的偏差系数的调节，提高土地数据实际变化和预期变化的差异度得分；

S4，计算得分后的土地数据进行准确率和召回率评估，并根据评估结果进行对应的土地数据维护操作。

该评估方法能够更准确地评估土地预期使用场景。在实践中，可以结合多个参数来评估模型的性能，以确保评估结果的准确性和可靠性。

基于大数据技术，建立土地利用环境预警***，对可能对环境产生不良影响的土地使用行为进行实时监测和预警，及时采取应对措施。

采用适合的数据分析模型，可以更全面、更深入地了解土地利用对环境的影响，并有效地监测和管控土地使用的环境风险，从而实现土地使用的可持续发展。

对土地建设用地面积进行分类，按照相应的土地使用规范进行要素合并，删除为进行土地规划建设用地，获得规划建设用地数据；根据规划建设用地分类的内容进行分类指标管理，将空缺的规划建设用地面积以及规划建设用地特征分类的对应关系进行分析。

上述技术方案优选的，所述S1包括：

S1-1，进行土地规划建设数据预处理，依据土地供应时间和供应用途进行分类，对土地规划建设数据形成初始数据集；每个土地数据元素包含了在相应时间阶段土地数据的内容，包括：根据土地预期规划分为，规划建设用地和公共绿地，根据土地实际使用情况分为：闲置土地，实际建设用地和未批先建土地；

S1-2，根据初始数据集的内容进行聚类操作，由于历史时间阶段土地数据的聚类算法为

其中，i为土地数据集中元素的数量，k为数据集的随机点，a_i为数据集中的簇，b_i为簇a_i的均值，μ为异常调节系数，F为聚类算法表达字符；

通过聚类算法进行历史时间阶段土地数据的聚类评价，由于使用异常调节系数对土地数据进行修正操作；完成异常调节处理，以提高土地数据质量，避免因数据质量不佳而导致的分类和聚类结果不准确的问题，提高聚类的准确性和稳定性。

根据时间的延续形成的土地数据变化，需要通过聚类算法进行初步的土地数据计算，从而能够从土地数据的实时变化中发现数据偏移和数据异常；

参数选择：对于聚类算法，需要选择合适区间的异常调节系数、对土地数据实现优化聚类的效果。

S1-3，对于土地数据集的中数量为i的元素，其异常调节系数μ∈[0,1]，计算公式为：

其中为土地数据集I中第i个元素对应的特征向量，上标D_i为实际土地数据的特征向量数，上标D_int为初始土地数据的特征向量数，上标·^T表示转置，为sigmoid激活函数，神经网络学习得到的实际土地数据异常权重和初始土地数据异常权重/>是土地数据集中特征向量的线性变换，初始土地数据偏置项/>以及实际土地数据偏置项A_B∈I用于修正土地数据异常量；D_i×D_int为Φ_i的权重维度；每个异常调节系数的输出值是输入特征向量C_i与实际土地数据异常权重Φ_i和初始土地数据异常权重B逐元素计算的调节特征通过调节系数对聚类算法进行修正；

通过数据预处理、聚类特征提取、参数调节的优化方法，有效提高聚类的准确性和稳定性，为土地使用方案的模拟和对比分析提供有力的支持和指导。

上述技术方案优选的，所述S2包括：

S2-1，确定土地全生命周期维护中的特征向量分析目标，对于监测土地利用变化根据不同的目标，选择得分函数进行分析，

S2-2，由于聚类算法将土地数据的初期变化特征进行相应的运算，将新获取的土地数据集中的特征向量进行得分函数计算；

由于土地数据涉及到地理坐标，在相应地块中对于土地数据的实时变迁与预期的土地数据形成相应的偏移，通过得分函数进行获取土地数据的变化得分；

得分函数为

其中，σ为实际土地变化数据权重，为预期土地变化数据权重，S_F为聚类算法F计算后实际土地数据变化面积，S'_F为预期土地数据变化面积，α_i为土地数据集中第i个元素的实际偏移系数，β_i为土地数据集中第i个元素的预期偏移系数，

由于在进行土地数据得分计算时，参数的赋值对结果的准确性和稳定性有重要影响，根据实际土地数据经验指导：在选择参数时，借助领域专家的经验和知识，了解相应的权重和系数对于土地得分的重要性。由于本发明是根据初期土地数据的聚类算法进行数据预处理，通过将实际规划数据与预期规划数据进行得分计算，识别土地全生命周期的变化情况，从而对于后期进行土地规划以及监管起到全方位维护的作用。

可以看出得分函数的计算过程需要根据具体土地数据和预期土地数据特点进行分析。通过基于模型的参数配置方法获得更好的数据分析结果。

上述技术方案优选的，所述S3包括：

S3-1，逐步调整参数，直到获得最优参数，通过确定参数范围：进行验证和应用土地数据集来验证模型的泛化性能，

S3-2，根据实际土地数据变化的土地数据集中形成的离散误差，对土地数据集中第i个元素的实际偏移系数α_i进行计算，

其中，c为土地数据集中第i个元素实际变化值，S_c为土地数据实际建设值，ΔT为土地数据实际偏移量，

S3-3，根据预期土地数据变化的土地数据集中形成的离散误差，对土地数据集中第i个元素的预期偏移系数α_i进行计算，

其中，c为土地数据集中第i个元素预期变化值，S‘_c为土地数据预期建设值，ΔT′为土地数据预期偏移量，

上述技术方案优选的，所述S4包括：

评估模型性能是数据分析中非常重要的一步，通过对评估指标进行准确率(accuracy)、召回率(recall)的计算，从而验证数据结模型性能。

由于对土地数据实际变化值与预期变化值之间存在一定的偏差，需要通过评价指标进行区间数值检测，评价结果中超过设定的区间数值范围的将不予考虑。

Table The describe of city land data

对于需要监测的土地数据获取的聚类算法的整体获取的c是总的聚类簇数，c_J是经过得分函数计算后的聚类样本在推荐阈值内，经过得分函数计算后在推荐阈值之外d_J，设定为准确率和召回率定义为：

对于聚类计算的土地数据中得分算法所设定的推荐阈值存在重合，通过得分函数检测的实际建设土地数据与预期土地变化数据中重合度，计算结果在推荐阈值中为c_J，其中针对土地数据维护的目标检测评价指标中通常给定推荐阈值大于等于65％，如果计算得到的重合度小于给定的阈值，此时检测结果被认为是土地规划数据是有风险的，需要重点监控聚类的土地数据。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解，在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种通过大数据进行土地全生命周期维护***，其特征在于，包括如下步骤：

S1，通过大数据平台获取土地规划建设基础数据，对基础数据进行收集分类，通过聚类算法进行土地数据聚类修正；

S2，根据土地数据集合的聚类修正，执行完毕标准化后，对土地数据聚类数据进行异常调整，提高数据质量；

S2-1，确定土地全生命周期维护中的特征向量分析目标，对于监测土地利用变化根据不同的目标，选择得分函数进行分析，

S2-2，由于聚类算法将土地数据的初期变化特征进行相应的运算，将新获取的土地数据集中的特征向量进行得分函数计算；

由于土地数据涉及到地理坐标，在相应地块中对于土地数据的实时变迁与预期的土地数据形成相应的偏移，通过得分函数进行获取土地数据的变化得分；

得分函数为

其中，σ为实际土地变化数据权重，为预期土地变化数据权重，S_F为聚类算法F计算后实际土地数据变化面积，S'_F为预期土地数据变化面积，α_i为土地数据集中第i个元素的实际偏移系数，β_i为土地数据集中第i个元素的预期偏移系数；

S3，通过土地数据得分函数中的偏差系数的调节，提高土地数据实际变化和预期变化的差异度得分；

S4，计算得分后的土地数据进行准确率和召回率评估，并根据评估结果进行对应的土地数据维护操作。

2.根据权利要求1所述的通过大数据进行土地全生命周期维护***，其特征在于，所述S1包括：

S1-1，进行土地规划建设数据预处理，依据土地供应时间和供应用途进行分类，对土地规划建设数据形成初始数据集；

S1-2，根据初始数据集的内容进行聚类操作，由于历史时间阶段土地数据的聚类算法为

其中，i为土地数据集中元素的数量，k为数据集的随机点，a_i为数据集中的簇，b_i为簇a_i的均值，μ为异常调节系数，F为聚类算法表达字符。

3.根据权利要求2所述的通过大数据进行土地全生命周期维护***，其特征在于，所述S1还包括：

S1-3，对于土地数据集的中数量为i的元素，其异常调节系数μ∈[0,1]，计算公式为：

其中为土地数据集I中第i个元素对应的特征向量，上标D_i为实际土地数据的特征向量数，上标D_int为初始土地数据的特征向量数，上标·^T表示转置，/>为sigmoid激活函数，神经网络学习得到的实际土地数据异常权重/>和初始土地数据异常权重/>是土地数据集中特征向量的线性变换，

初始土地数据偏置项以及实际土地数据偏置项A_B∈I用于修正土地数据异常量；D_i×D_int为Φ_i的权重维度；

每个异常调节系数的输出值是输入特征向量C_i与实际土地数据异常权重Φ_i和初始土地数据异常权重B逐元素计算的调节特征通过调节系数对聚类算法进行修正。

4.根据权利要求1所述的通过大数据进行土地全生命周期维护***，其特征在于，所述S3包括：

S3-1，逐步调整参数，直到获得最优参数，通过确定参数范围：进行验证和应用土地数据集来验证模型的泛化性能，

S3-2，根据实际土地数据变化的土地数据集中形成的离散误差，对土地数据集中第i个元素的实际偏移系数α_i进行计算，

其中，c为土地数据集中第i个元素实际变化值，S_c为土地数据实际建设值，ΔT为土地数据实际偏移量。

5.根据权利要求1所述的通过大数据进行土地全生命周期维护***，其特征在于，所述S3包括：

S3-3，根据预期土地数据变化的土地数据集中形成的离散误差，对土地数据集中第i个元素的预期偏移系数β_i进行计算，

其中，c为土地数据集中第i个元素预期变化值，/>为土地数据预期建设值，ΔT′为土地数据预期偏移量。

6.根据权利要求1所述的通过大数据进行土地全生命周期维护***，其特征在于，所述S4包括：

对于需要监测的土地数据获取的聚类算法的整体获取的e是总的聚类簇数，e_J是经过得分函数计算后的聚类样本在推荐阈值内，经过得分函数计算后在推荐阈值之外d_J，设定为准确率和召回率定义为：