CN116862106A - 一种城市建设用地更新潜力分析方法、装置、终端及介质 - Google Patents
一种城市建设用地更新潜力分析方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN116862106A CN116862106A CN202310829246.9A CN202310829246A CN116862106A CN 116862106 A CN116862106 A CN 116862106A CN 202310829246 A CN202310829246 A CN 202310829246A CN 116862106 A CN116862106 A CN 116862106A
- Authority
- CN
- China
- Prior art keywords
- land
- urban
- utility
- low
- target area
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 131
- 238000004458 analytical method Methods 0.000 title claims description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 160
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 40
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- G06Q50/08—Construction
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市建设用地更新潜力分析方法、装置、终端及介质,所述方法包括:根据目标区域的土地利用调查数据,对城市用地演变和特征进行分析,并构建所述目标区域的城市用地评价指标体系,采用熵权法和BP神经网络算法确定所述城市用地评价指标体系的指标权重比例,从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。因此,本发明实施例能够提高城市用地的利用效率。
Description
技术领域
本发明涉及城市土地管理技术领域,尤其涉及一种城市建设用地更新潜力分析方法、装置、终端及介质。
背景技术
土地资源是实现城市经济社会高质量发展的基本要素和必要条件,是拓展城市发展空间和提升城市功能品质的重要载体,是规划城市、建设城市、经营城市的重要战略性资源。随着城市快速发展,土地增量扩张的发展模式受到越来越多的限制,如何转变思维,从“土地增量扩张”到“土地存量挖掘”,实现城市建成区建设用地的集约利用,推动建设用地的高质量发展,受到越来越多的关注。
目前城市建设用地更新潜力的研究,存在对象单一(主要集中在工业用地)、用地评价指标体系不够完善、权重比例主观因素较强、缺少验证方式等问题。因此,对城市建设用地更新潜力的研究进行改善,具有重要意义。
发明内容
本发明提供一种城市建设用地更新潜力分析方法、装置、终端及介质,通过从商业用地、居住用地、工业用地三个方面对城市用地演变及特征进行分析,获得所述区域的城市用地变化特征,构建能够反映所述区域城市用地土地利用效率的评价指标体系,采用熵权法和BP神经网络算法确定评价指标的权重比例,建立城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,对城市用地进行优化与调整,提高城市用地的利用效率。
为了实现上述目的,第一方面,本发明实施例提供了一种城市用地更新潜力分析方法,包括:
根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;
采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;
基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。
作为上述方案的改进,所述根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系,具体包括:
根据目标区域的多期土地利用数据,对所述城市用地进行构成性分析,分为国有建设用地和集体建设用地;
基于所述国有建设用地和集体建设用地中组成部分的比例结构状态以及变化特征,对所述组成部分的占比以及变化进行分析,得到所述目标区域的城市用地变化特征;其中,所述组成部分包括所述商业用地、居住用地和工业用地;
根据所述目标区域的的社会经济数据、地理环境数据以及所述城市用地变化特征,构建建设用地和居住用地的评价指标体系,得到所述目标区域的城市用地评价指标体系;
其中,所述城市用地评价指标体系包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;
所述土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;
所述土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;
所述土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;
所述空间约束指数包括城市用地与集体用地相邻关系、城市用地之间相互相邻关系。
作为上述方案的改进,所述采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地,具体包括:
根据所述城市用地评价指标体系,构造评价指标体系矩阵,且进行标准化处理,得到标准化处理矩阵;
采用熵权法计算所述标准化处理矩阵的评价指标的熵值,得到所述城市用地评价指标体系的指标权重比例;
利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
其中,所述标准化处理的公式为
式中,Qi为所述评价指标i的标准化值,即所占的权重比例,Ai为所述评价指标i的初始样本值,Amin为所述评价指标i的最小值,Amax为所述评价指标i的最大值;
所述熵权法的计算公式为
式中,Hj表示所述标准化处理矩阵的评价指标j的熵值;k为比例系数,m为所述城市用地评价指标体系的评价指标个数;fij表示在所述标准化处理矩阵的评价指标值[i,j]的权重,/>rij为所述标准化处理矩阵,i和j为所述标准化处理矩阵的行和列,代表所述评价指标i和所述评价指标j。
作为上述方案的改进,所述从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征,具体包括:
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地进行不同层次、不同角度的分析,得出所述城市低效用地的占比情况;
采用标准差椭圆方法所述城市低效用地进行分析,得出所述城市低效用地的范围、位置以及方向特征,从而得到所述城市低效用地在所述目标区域中的空间特征;
利用核密度估计所述城市低效用地的集聚形态特征,得出所述城市低效用地在所述目标区域中的集聚性;
分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征。
第二方面,本发明实施例提供了一种城市用地更新潜力分析装置,包括:
评价指标体系构建模块,用于根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;
指标权重比例确定模块,用于采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
低效用地特征分析模块,用于从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;
更新潜力评估结果模块,用于基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。
作为上述方案的改进,所述评价指标体系构建模块,具体用于:
根据目标区域的多期土地利用数据,对所述城市用地进行构成性分析,分为国有建设用地和集体建设用地;
基于所述国有建设用地和集体建设用地中组成部分的比例结构状态以及变化特征,对所述组成部分的占比以及变化进行分析,得到所述目标区域的城市用地变化特征;其中,所述组成部分包括所述商业用地、居住用地和工业用地;
根据所述目标区域的的社会经济数据、地理环境数据以及所述城市用地变化特征,构建建设用地和居住用地的评价指标体系,得到所述目标区域的城市用地评价指标体系;
其中,所述城市用地评价指标体系包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;
所述土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;
所述土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;
所述土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;
所述空间约束指数包括城市用地与集体用地相邻关系、城市用地之间相互相邻关系。
作为上述方案的改进,所述指标权重比例确定模块,具体用于:
根据所述城市用地评价指标体系,构造评价指标体系矩阵,且进行标准化处理,得到标准化处理矩阵;
采用熵权法计算所述标准化处理矩阵的评价指标的熵值,得到所述城市用地评价指标体系的指标权重比例;
利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
其中,所述标准化处理的公式为
式中,Qi为所述评价指标i的标准化值,即所占的权重比例,Ai为所述评价指标i的初始样本值,Amin为所述评价指标i的最小值,Amax为所述评价指标i的最大值;
所述熵权法的计算公式为
式中,Hj表示所述标准化处理矩阵的评价指标j的熵值;k为比例系数,m为所述城市用地评价指标体系的评价指标个数;fij表示在所述标准化处理矩阵的评价指标值[i,j]的权重,/>rij为所述标准化处理矩阵,i和j为所述标准化处理矩阵的行和列,代表所述评价指标i和所述评价指标j。
作为上述方案的改进,所述低效用地特征分析模块,具体用于:
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地进行不同层次、不同角度的分析,得出所述城市低效用地的占比情况;
采用标准差椭圆方法所述城市低效用地进行分析,得出所述城市低效用地的范围、位置以及方向特征,从而得到所述城市低效用地在所述目标区域中的空间特征;
利用核密度估计所述城市低效用地的集聚形态特征,得出所述城市低效用地在所述目标区域中的集聚性;
分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征。
第三方面,本发明实施例对应提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述城市建设用地更新潜力分析方法。
此外,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述城市建设用地更新潜力分析方法。
与现有技术相比,本发明实施例公开的一种城市建设用地更新潜力分析方法、装置、终端及介质,通过根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。因此,本发明实施例能够从商业用地、居住用地、工业用地三个方面对城市用地演变及特征进行分析,获得所述区域的城市用地变化特征,构建能够反映所述区域城市用地土地利用效率的评价指标体系,采用熵权法和BP神经网络算法确定评价指标的权重比例,建立城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,对城市用地进行优化与调整,提高城市用地的利用效率。
附图说明
图1是本发明实施例提供的一种城市建设用地更新潜力分析方法的流程示意图;
图2是本发明实施例提供的一种城市建设用地更新潜力分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要说明的是,本发明的术语“包括”和“具体”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本发明实施例提供的一种城市建设用地更新潜力分析方法的流程示意图,该城市建设用地更新潜力分析方法,包括步骤S11至S14:
S11:根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;
S12:采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
S13:从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;
S14:基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。
在具体实施当中,对目标区域内(地籍区、地籍子区)的用地情况更新潜力的量化评估,挖掘能够进行更新的用地,从地籍区(街道)和地籍子区(社区)两个不同的尺度,对城市建设用地进行量化评估,城市用地更新潜力评估包括规模潜力测算、经济潜力测算、综合潜力分区。
城市用地更新规模潜力测算主要体现在提高城市用地的容积率,在空间方面对城市用地的集约利用进行提升,分为绝对规模潜力测算和相对规模潜力测算两个指标。
绝对规模潜力测算的公示为:
式中,Gj表示低效用地的绝对规模潜力,G表示低效用地的面积,Rj表示规划允许的标准容积率,Fj表示低效用地的现状容积率。规划允许的标准容积率需要参考研究区域的规划要求,工业用地、居住用地、商业用地根据不同的用途特点,规划容积率也有所不同。
相对规模潜力测算公示为:
式中,gj表示低效用地的相对规模潜力,Gj表示低效用地的绝对规模潜力,G表示低效用地的面积。
城市用地更新经济潜力主要体现在土地增值的经济效益方面,公式为:
Ea=G×(Rc×Jc-Fc×Jx-Rc×Cc)
式中,Ea代表基于全面改造的低效用地再开发所带来的土地经济潜力;Q代表测算区域土地面积;Rc代表测算区规划允许的容积率;Fc代表测算区现状容积率;Jc代表测算区域新建物业单位建筑面积市场价格,单位为元/m2;Cc代表测算区域新建物业单位建筑面积开发成本,单位为元/m2;Jx代表测算区域现有物业单位建筑面积市场价格,单位为元/m2。
依据城市用地更新规模潜力测算和城市用地更新经济潜力测算,可以得出研究区在规模和经济上潜力的分区情况,分区分为高潜力区、中潜力区、低潜力区和无潜力区。具体潜力分区的阈值需根据不同研究区的具体特征进行赋值。
需要说明的是,城市用地集约性潜力是指城市用地更新在空间集约利用上的潜力,涉及用地上的建筑密度和建筑容积率;城市用地规模性潜力是指城市用地更新的最大可能面积,涉及城市用地的面积、形态、周长等。通过建立集约型潜力与规模性潜力之间的逻辑关系,将潜力结果分成强-强、强-弱、弱-强、弱-弱四个类型,并从地籍区(街道)尺度、地籍子区(社区)两个不同的尺度上,进行城市用地更新潜力的测算。
具体的,所述步骤S11中,具体包括:
根据目标区域的多期土地利用数据,对所述城市用地进行构成性分析,分为国有建设用地和集体建设用地;
基于所述国有建设用地和集体建设用地中组成部分的比例结构状态以及变化特征,对所述组成部分的占比以及变化进行分析,得到所述目标区域的城市用地变化特征;其中,所述组成部分包括所述商业用地、居住用地和工业用地;
根据所述目标区域的的社会经济数据、地理环境数据以及所述城市用地变化特征,构建建设用地和居住用地的评价指标体系,得到所述目标区域的城市用地评价指标体系;
其中,所述城市用地评价指标体系包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;
所述土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;
所述土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;
所述土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;
所述空间约束指数包括城市用地与集体用地相邻关系、城市用地之间相互相邻关系。
在本实施例步骤中,根据若干目标区域的土地利用调查数据,首先对国有建设用地和集体建设用地之间的数量、面积、转换关系进行分析,接着对城市建设用地中的居住用地、工业用地和商业用地进行分析,从数量和面积变化的角度,分析三种土地利用类型在数量占比、数量变化趋势的变化情况,分析建设用地中各组成部分的比例结构状态及变化特征。
根据所述范围的社会经济数据、地理环境数据,结合上述分析的特征情况,构建建设用地评价指标体系,针对不同用地类型的特征,构建居住用地评价指标体系,主要包括属性评价因子、密度评价因子、通达性评价因子、价值评价因子、空间约束因子。一级指标包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;空间约束指数包括:城市用地与集体用地相邻关系、城市用地之间相互相邻关系。针对不同的一级指标,赋予不同的权重比例。
特别地,城市用地的地块不是独立存在的,是与周围一定范围的用地相互影响与相互作用的,特别是城市建设用地,本文参照元胞自动机(CA)中对邻域的定义方法,制定了地块与地块之间邻域相互影响的评价指标。
式中:aru,r,v为地块u的邻域半径r范围内用地类型为v的地块面积和,ARu,r为地块u邻域半径r范围内所有地块的面积总和,Sv为用地类型v与中心地块u的属性相似度,SNu,v为中心地块u邻域范围内某一类型用地v的影响力,N为中心地块u邻域范围内地块的用地类型种类数量,ISNu为地块u的邻域影响力指数。
具体的,所述步骤S12中,具体包括:
根据所述城市用地评价指标体系,构造评价指标体系矩阵,且进行标准化处理,得到标准化处理矩阵;
采用熵权法计算所述标准化处理矩阵的评价指标的熵值,得到所述城市用地评价指标体系的指标权重比例;
利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
其中,所述标准化处理的公式为
式中,Qi为所述评价指标i的标准化值,即所占的权重比例,Ai为所述评价指标i的初始样本值,Amin为所述评价指标i的最小值,Amax为所述评价指标i的最大值;
所述熵权法的计算公式为
式中,Hj表示所述标准化处理矩阵的评价指标j的熵值;k为比例系数,m为所述城市用地评价指标体系的评价指标个数;fij表示在所述标准化处理矩阵的评价指标值[i,j]的权重,/>rij为所述标准化处理矩阵,i和j为所述标准化处理矩阵的行和列,代表所述评价指标i和所述评价指标j。
需要说明的是,在实际情况中,可以将不同评价指标量化到0-1之间,从而使所有指标权重的加和等于1。通过标准化方法,可得到各评价指标的初始权重值,权重值统一保留4位有效小数。
具体的,所述步骤S13中,具体包括:
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地进行不同层次、不同角度的分析,得出所述城市低效用地的占比情况;
采用标准差椭圆方法所述城市低效用地进行分析,得出所述城市低效用地的范围、位置以及方向特征,从而得到所述城市低效用地在所述目标区域中的空间特征;
利用核密度估计所述城市低效用地的集聚形态特征,得出所述城市低效用地在所述目标区域中的集聚性;
分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征。
在具体实施当中,采用标准差椭圆(Standard Deviation Ellipse)方法对城市低效用地空间分布的整体轮廓和方向特征进行分析,标准差椭圆法第一步是确定椭圆的圆心,通过算数平均中心来计算;
式中,xq和yq表示每个要素的空间位置坐标SDEx和SDEy的椭圆圆心;
其次是确定椭圆的方向;
式中,和/>是平均中心和个点xy坐标的差。
最后是确定主轴x和副轴y的长度。
根据标准差椭圆的分析,可以得出城市低效用地的范围和位置,以及可以得出城市低效用地的方向特征。
利用核密度估计进行城市低效用地的集聚形态特征,核密度估计是一种概率估计的方法,即某个事件在空间上发生的概率大小,空间点密度低的区域发生的概率小,空间点密度高的区域发生的概率大。
式中,k(*)是核函数,M为低效点的个数,d是带宽,是以估算点为圆心的圆的半径。其中d值影响核密度估算的平滑程度,d值越大的话,低效点密度就越平滑,反之越小则密度越突兀。当d值过大时,会对密度分布的细节产生掩饰作用。X-Xp是估算点X(x,y)到圆域内第p个点X(xp,yp)的距离。圆域内的点到点Xp的距离与权重成反比,距离越大权重越小。
图2是本发明实施例提供的一种城市建设用地更新潜力分析装置的结构示意图,该城市建设用地更新潜力分析装置,包括:
评价指标体系构建模块21,用于根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;
指标权重比例确定模块22,用于采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
低效用地特征分析模块23,用于从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;
更新潜力评估结果模块24,用于基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。
具体的,所述评价指标体系构建模块21,具体用于:
根据目标区域的多期土地利用数据,对所述城市用地进行构成性分析,分为国有建设用地和集体建设用地;
基于所述国有建设用地和集体建设用地中组成部分的比例结构状态以及变化特征,对所述组成部分的占比以及变化进行分析,得到所述目标区域的城市用地变化特征;其中,所述组成部分包括所述商业用地、居住用地和工业用地;
根据所述目标区域的的社会经济数据、地理环境数据以及所述城市用地变化特征,构建建设用地和居住用地的评价指标体系,得到所述目标区域的城市用地评价指标体系;
其中,所述城市用地评价指标体系包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;
所述土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;
所述土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;
所述土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;
所述空间约束指数包括城市用地与集体用地相邻关系、城市用地之间相互相邻关系。
具体的,所述指标权重比例确定模块22,具体用于:
根据所述城市用地评价指标体系,构造评价指标体系矩阵,且进行标准化处理,得到标准化处理矩阵;
采用熵权法计算所述标准化处理矩阵的评价指标的熵值,得到所述城市用地评价指标体系的指标权重比例;
利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
其中,所述标准化处理的公式为
式中,Qi为所述评价指标i的标准化值,即所占的权重比例,Ai为所述评价指标i的初始样本值,Amin为所述评价指标i的最小值,Amax为所述评价指标i的最大值;
所述熵权法的计算公式为
式中,Hj表示所述标准化处理矩阵的评价指标j的熵值;k为比例系数,m为所述城市用地评价指标体系的评价指标个数;fij表示在所述标准化处理矩阵的评价指标值[i,j]的权重,/>rij为所述标准化处理矩阵,i和j为所述标准化处理矩阵的行和列,代表所述评价指标i和所述评价指标j。
具体的,所述低效用地特征分析模块23,具体用于:
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地进行不同层次、不同角度的分析,得出所述城市低效用地的占比情况;
采用标准差椭圆方法所述城市低效用地进行分析,得出所述城市低效用地的范围、位置以及方向特征,从而得到所述城市低效用地在所述目标区域中的空间特征;
利用核密度估计所述城市低效用地的集聚形态特征,得出所述城市低效用地在所述目标区域中的集聚性;
分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征。
本发明实施例所提供的一种城市建设用地更新潜力分析装置能够实现上述实施例的城市建设用地更新潜力分析方法的所有流程,装置中的各个模块的作用以及实现的技术效果分别与上述实施例的城市建设用地更新潜力分析方法的作用以及实现的技术效果对应相同,这里不再赘述。
本发明实施例对应提供的一种终端设备,所述终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述城市建设用地更新潜力分析方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述城市建设用地更新潜力分析装置实施例中各模块的功能。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例的城市建设用地更新潜力分析方法。
综上所述,本发明实施例公开的一种城市建设用地更新潜力分析方法、装置、终端及介质,通过根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。因此,本发明实施例能够从商业用地、居住用地、工业用地三个方面对城市用地演变及特征进行分析,获得所述区域的城市用地变化特征,构建能够反映所述区域城市用地土地利用效率的评价指标体系,采用熵权法和BP神经网络算法确定评价指标的权重比例,建立城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,对城市用地进行优化与调整,提高城市用地的利用效率。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种城市用地更新潜力分析方法,其特征在于,包括:
根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;
采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;
基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。
2.如权利要求1所述的城市用地更新潜力分析方法,其特征在于,所述根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系,具体包括:
根据目标区域的多期土地利用数据,对所述城市用地进行构成性分析,分为国有建设用地和集体建设用地;
基于所述国有建设用地和集体建设用地中组成部分的比例结构状态以及变化特征,对所述组成部分的占比以及变化进行分析,得到所述目标区域的城市用地变化特征;其中,所述组成部分包括所述商业用地、居住用地和工业用地;
根据所述目标区域的的社会经济数据、地理环境数据以及所述城市用地变化特征,构建建设用地和居住用地的评价指标体系,得到所述目标区域的城市用地评价指标体系;
其中,所述城市用地评价指标体系包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;
所述土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;
所述土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;
所述土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;
所述空间约束指数包括城市用地与集体用地相邻关系、城市用地之间相互相邻关系。
3.如权利要求1所述的城市用地更新潜力分析方法,其特征在于,所述采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地,具体包括:
根据所述城市用地评价指标体系,构造评价指标体系矩阵,且进行标准化处理,得到标准化处理矩阵;
采用熵权法计算所述标准化处理矩阵的评价指标的熵值,得到所述城市用地评价指标体系的指标权重比例;
利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
其中,所述标准化处理的公式为
式中,Qi为所述评价指标i的标准化值,即所占的权重比例,Ai为所述评价指标i的初始样本值,Amin为所述评价指标i的最小值,Amax为所述评价指标i的最大值;
所述熵权法的计算公式为
式中,Hj表示所述标准化处理矩阵的评价指标j的熵值;k为比例系数,m为所述城市用地评价指标体系的评价指标个数;fij表示在所述标准化处理矩阵的评价指标值[i,j]的权重,/>rij为所述标准化处理矩阵,i和j为所述标准化处理矩阵的行和列,代表所述评价指标i和所述评价指标j。
4.如权利要求1所述的城市用地更新潜力分析方法,其特征在于,所述从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征,具体包括:
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地进行不同层次、不同角度的分析,得出所述城市低效用地的占比情况;
采用标准差椭圆方法所述城市低效用地进行分析,得出所述城市低效用地的范围、位置以及方向特征,从而得到所述城市低效用地在所述目标区域中的空间特征;
利用核密度估计所述城市低效用地的集聚形态特征,得出所述城市低效用地在所述目标区域中的集聚性;
分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征。
5.一种城市用地更新潜力分析装置,其特征在于,包括:
评价指标体系构建模块,用于根据目标区域的土地利用调查数据,构建城市用地演变分析模型,对城市用地演变和特征进行分析,得到所述目标区域的城市用地变化特征,并构建所述目标区域的城市用地评价指标体系;
指标权重比例确定模块,用于采用熵权法确定所述城市用地评价指标体系的指标权重比例,结合所述目标区域的现状特征,利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
低效用地特征分析模块,用于从商业用地、居住用地、工业用地三个方面,对所述城市低效用地的现状特征和驱动原因进行分析,得到所述城市低效用地在空间位置、集聚形态上的特征,从而分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征;
更新潜力评估结果模块,用于基于用地规模性和用地经济性,结合所述城市低效用地的整体特征,建立所述目标区域的城市用地更新集约化与规模性的关联关系,在地籍区和地籍子区的尺度上对城市用地进行测算,得到所述目标区域的城市用地更新潜力评估结果。
6.如权利要求5所述的城市用地更新潜力分析装置,其特征在于,所述评价指标体系构建模块,具体用于:
根据目标区域的多期土地利用数据,对所述城市用地进行构成性分析,分为国有建设用地和集体建设用地;
基于所述国有建设用地和集体建设用地中组成部分的比例结构状态以及变化特征,对所述组成部分的占比以及变化进行分析,得到所述目标区域的城市用地变化特征;其中,所述组成部分包括所述商业用地、居住用地和工业用地;
根据所述目标区域的的社会经济数据、地理环境数据以及所述城市用地变化特征,构建建设用地和居住用地的评价指标体系,得到所述目标区域的城市用地评价指标体系;
其中,所述城市用地评价指标体系包括土地利用强度指数、土地增长趋势指数、土地用地弹性指数、空间约束指数;
所述土地利用强度指数包括建设用地人口密度、建设用地固定资产投资总值、建设用地生产总值;
所述土地增长趋势指数包括单位人口增长消耗建设用地量、单位生产总值增长消耗建设用地量、单位固定资产投资消耗建设用地量;
所述土地用地弹性指数包括建设用地增长弹性系数、批而未供建设用地量、闲置建设用地量;
所述空间约束指数包括城市用地与集体用地相邻关系、城市用地之间相互相邻关系。
7.如权利要求5所述的城市用地更新潜力分析装置,其特征在于,所述指标权重比例确定模块,具体用于:
根据所述城市用地评价指标体系,构造评价指标体系矩阵,且进行标准化处理,得到标准化处理矩阵;
采用熵权法计算所述标准化处理矩阵的评价指标的熵值,得到所述城市用地评价指标体系的指标权重比例;
利用BP神经网络算法对所述指标权重比例进行修正,构建低效用地识别模型,以识别所述目标区域的城市低效用地;
其中,所述标准化处理的公式为
式中,Qi为所述评价指标i的标准化值,即所占的权重比例,Ai为所述评价指标i的初始样本值,Amin为所述评价指标i的最小值,Amax为所述评价指标i的最大值;
所述熵权法的计算公式为
式中,Hj表示所述标准化处理矩阵的评价指标j的熵值;k为比例系数,m为所述城市用地评价指标体系的评价指标个数;fij表示在所述标准化处理矩阵的评价指标值[i,j]的权重,/>rij为所述标准化处理矩阵,i和j为所述标准化处理矩阵的行和列,代表所述评价指标i和所述评价指标j。
8.如权利要求5所述的城市用地更新潜力分析装置,其特征在于,所述低效用地特征分析模块,具体用于:
从商业用地、居住用地、工业用地三个方面,对所述城市低效用地进行不同层次、不同角度的分析,得出所述城市低效用地的占比情况;
采用标准差椭圆方法所述城市低效用地进行分析,得出所述城市低效用地的范围、位置以及方向特征,从而得到所述城市低效用地在所述目标区域中的空间特征;
利用核密度估计所述城市低效用地的集聚形态特征,得出所述城市低效用地在所述目标区域中的集聚性;
分析所述城市低效用地形成的成因,得到所述城市低效用地的整体特征。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1至4任一项所述的城市用地更新潜力分析方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至4任一项所述的城市用地更新潜力分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310829246.9A CN116862106A (zh) | 2023-07-06 | 2023-07-06 | 一种城市建设用地更新潜力分析方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310829246.9A CN116862106A (zh) | 2023-07-06 | 2023-07-06 | 一种城市建设用地更新潜力分析方法、装置、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862106A true CN116862106A (zh) | 2023-10-10 |
Family
ID=88229663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310829246.9A Pending CN116862106A (zh) | 2023-07-06 | 2023-07-06 | 一种城市建设用地更新潜力分析方法、装置、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862106A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用***及云平台 |
-
2023
- 2023-07-06 CN CN202310829246.9A patent/CN116862106A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用***及云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241846B (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN109636010B (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及*** | |
CN112598268A (zh) | 一种城中村更新改造潜力评估方法、装置及其存储介质 | |
WO2021139811A1 (zh) | 区域碳排放特征的类型识别方法和电子设备 | |
CN116862106A (zh) | 一种城市建设用地更新潜力分析方法、装置、终端及介质 | |
CN107633257B (zh) | 数据质量评估方法及装置、计算机可读存储介质、终端 | |
CN113222322A (zh) | 一种地区协同度评价方法、终端设备及存储介质 | |
CN111404974B (zh) | 一种云计算效能评估方法、装置及评估设备 | |
CN113570106A (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
CN107341193B (zh) | 路网中移动对象查询方法 | |
CN116153088B (zh) | 交通需求预测方法、装置和电子设备 | |
CN117172332A (zh) | 一种协作学习过程中的节点贡献度衡量方法 | |
CN115049158B (zh) | 城市***运行状态的预测方法、***、存储介质及终端 | |
CN108830663B (zh) | 电力客户价值评价方法、***及终端设备 | |
CN110851502A (zh) | 一种基于数据挖掘技术的负荷特征场景分类方法 | |
CN115204753A (zh) | 一种智慧农贸场所行为监测方法、***及可读存储介质 | |
CN112003733B (zh) | 一种智慧园区物联网综合管理方法及管理平台 | |
CN115511253B (zh) | 一种地块开发容量评估方法、装置、设备及介质 | |
Yang et al. | High-Performance Computing Option Pricing Algorithm on Hybrid Heterogeneous Many-Core Platforms | |
CN117670410A (zh) | 一种流量预测模型的构建方法、门店选址方法 | |
CN114004398A (zh) | 基于联合学习的电力负荷预测模型建立方法和装置 | |
CN114462752A (zh) | 一种运用生态恢复难度测算技术优化修复投入配置的方法 | |
CN114565329A (zh) | 一种基于多源信息融合的城市管理水平评估方法及*** | |
CN117953496A (zh) | 一种兼顾点上下文信息的城市场景语义标记方法及*** | |
CN114676996A (zh) | 路网形态与产业布局关联性度量方法、装置、设备及介质 |
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 |