CN117036964A - 一种城市道路绿化水平确定方法、***、设备及存储介质 - Google Patents
一种城市道路绿化水平确定方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN117036964A CN117036964A CN202311288350.8A CN202311288350A CN117036964A CN 117036964 A CN117036964 A CN 117036964A CN 202311288350 A CN202311288350 A CN 202311288350A CN 117036964 A CN117036964 A CN 117036964A
- Authority
- CN
- China
- Prior art keywords
- street view
- sampling point
- determining
- view sampling
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 117
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 239000000872 buffer Substances 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009439 industrial construction Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种城市道路绿化水平确定方法、***、设备及存储介质,涉及地理信息技术领域,所述方法包括:获取目标城市的路网数据和地表覆盖数据;根据路网数据在目标城市中设置多个街景采样点;采集各街景采样点处的多张街景影像;利用地物分类模型分别对各街景影像进行语义分割,得到各街景影像中各地物对应的像素的分类结果;分类结果为植被或非植被;确定各街景采样点的绿视率和多权重绿地指数;基于所有街景采样点的绿视率和多权重绿地指数,确定目标城市的道路绿化水平。本发明提高了城市道路绿化水平确定的准确性。
Description
技术领域
本发明涉及地理信息技术领域,特别是涉及一种城市道路绿化水平确定方法、***、设备及存储介质。
背景技术
城市绿化长久以来对城市品质提升存在积极影响,除在改善城市热环境、美化市容等物理层面有极大贡献外,对城市居民也有着潜移默化的影响,在绿化丰富的区域,往往行人和行车发生碰撞事故的概率较低,绿化可达性强的区域与居民幸福感也存在正相关性,进而避免居民陷入负面情绪、压力、肥胖等亚健康状态。随着全球对于城市绿化的关注度正不断攀升,“绿色空间”、“城市森林”和“口袋公园”等概念的相继提出,代表增量提升阶段逐渐被品质提升所替代,在这演化的进程中,“以人为本”是其强大的推动力。
遥感影像以其能大范围观测的特性,广泛应用于各类评估工作中。然而受限于传统遥感影像俯视视角,难以充分观测到树木冠层以下的植被分布情况,基于道路的细致规划缺乏必要数据而难以进行。街景影像(Street View Image,SVI)能够从人类(水平)视角检查视觉特征,这是传统遥感数据源所不能提供的,提取的精细植被信息,能为细致的道路绿化规划提供数据支持。但受视域影响,街景影像可观测范围较小,且易受道路两旁建筑遮挡,弱化了道路红线外侧的植被影响,因此仅通过单一数据源进行道路绿化评估缺乏优越性。
因此,如何综合遥感影像和街景影像的优势,以在保证评估精度的同时,加入人本视角,以提升城市规划、评估的科学性和合理性具有重要意义。
发明内容
本发明的目的是提供一种城市道路绿化水平确定方法、***、设备及存储介质,提高了城市道路绿化水平确定的准确性。
为实现上述目的,本发明提供了如下方案。
一种城市道路绿化水平确定方法,包括:获取目标城市的路网数据和地表覆盖数据。
根据所述路网数据在所述目标城市中设置多个街景采样点。
采集各所述街景采样点处的多张街景影像。
利用地物分类模型分别对各所述街景影像进行语义分割,得到各所述街景影像中各地物对应的像素的分类结果;所述分类结果为植被或非植被;所述地物分类模型是利用Cityscapes数据集对Deeplabv3模型进行训练得到的。
确定各所述街景采样点的绿视率和多权重绿地指数;其中任一当前街景采样点的绿视率和多权重绿地指数的确定过程,包括:根据所述当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定所述当前街景采样点的绿视率。
以所述当前街景采样点为中心,创建预设个数个同心环的缓冲区。基于所述地表覆盖数据确定各所述缓冲区的绿地覆盖面积。
根据各所述缓冲区对应的绿地覆盖面积和预设权重,计算所述当前街景采样点的多权重绿地指数。
基于所有所述街景采样点的绿视率和多权重绿地指数,确定所述目标城市的道路绿化水平。
可选地,根据所述路网数据在所述目标城市中设置多个街景采样点,具体包括:利用所述路网数据中的道路类型属性对所述路网数据进行筛选,得到筛选后的路网数据。
对筛选后的路网数据建立缓冲区、栅格化和矢量化,得到简化后的矢量路网数据。
对简化后的矢量路网数据按照预设距离设置多个所述街景采样点。
可选地,任一街景采样点处的多张街景影像的采集过程,具体包括:确定街景采样点的经纬度。
基于所述经纬度,从街景影像数据库中,获取对应的多张街景影像。
可选地,根据所述当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定所述当前街景采样点的绿视率,具体包括:确定所述当前街景采样点处的所有街景影像中地物为植被对应的像素的数量的总和,记为第一像素数量。
确定所述当前街景采样点处的所有街景影像中所有像素的数量的总和,记为第二像素数量。
计算所述第一像素数量和所述第二像素数量的比值,得到所述当前街景采样点的绿视率。
可选地,以所述当前街景采样点为中心,创建预设个数个同心环的缓冲区,具体包括:确定缓冲区的预设个数和各缓冲区的预设半径。
根据缓冲区的预设个数和各缓冲区的预设半径,创建多个以所述当前街景采样点为中心的缓冲区。
可选地,基于所有所述街景采样点的绿视率和多权重绿地指数,确定所述目标城市的道路绿化水平,具体包括:对各所述街景采样点的绿视率和多权重绿地指数均进行归一化处理,得到归一化后的绿视率和归一化后的多权重绿地指数。
根据所有所述街景采样点的归一化后的绿视率和归一化后的多权重绿地指数,计算所述目标城市的道路绿化水平。
一种城市道路绿化水平确定***,包括:数据获取模块,用于获取目标城市的路网数据和地表覆盖数据。
街景采样点生设置模块,用于根据所述路网数据在所述目标城市中设置多个街景采样点。
街景影像采集模块,用于采集各所述街景采样点处的多张街景影像。
语义分割模块,用于利用地物分类模型分别对各所述街景影像进行语义分割,得到各所述街景影像中各地物对应的像素的分类结果;所述分类结果为植被或非植被;所述地物分类模型是利用Cityscapes数据集对Deeplabv3模型进行训练得到的。
参数确定模块,用于确定各所述街景采样点的绿视率和多权重绿地指数;其中任一当前街景采样点的绿视率和多权重绿地指数的确定过程,包括:根据所述当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定所述当前街景采样点的绿视率。
以所述当前街景采样点为中心,创建预设个数个同心环的缓冲区。
基于所述地表覆盖数据确定各所述缓冲区的绿地覆盖面积。
根据各所述缓冲区对应的绿地覆盖面积和预设权重,计算所述当前街景采样点的多权重绿地指数。
道路绿化水平确定模块,用于基于所有所述街景采样点的绿视率和多权重绿地指数,确定所述目标城市的道路绿化水平。
一种设备,包括:一个或多个处理器。
存储装置,其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述所述的城市道路绿化水平确定方法。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述所述的城市道路绿化水平确定方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明公开了一种城市道路绿化水平确定方法、***、设备及存储介质,首先,根据路网数据在目标城市中设置多个街景采样点并采集各街景采样点处的多张街景影像;其次,利用地物分类模型分别对各街景影像进行语义分割,得到各街景影像中各地物对应的像素的分类结果;再次,确定各街景采样点的绿视率和多权重绿地指数;最后,基于所有街景采样点的绿视率和多权重绿地指数,确定目标城市的道路绿化水平。本发明通过融合街景影像与遥感影像的优势,实现在人本尺度下进行较为准确的城市绿化质量评估工作,是对现有评估体系的有益补充,提高了城市道路绿化水平确定的准确性;通过构建多权重绿地指数,实现了街景影像与遥感影像的融合,在兼顾遥感影像的大范围观测特点,又发掘了植被冠层以下灌草覆盖对城市绿化的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的城市道路绿化水平确定方法流程示意图。
图2为综合视角下评估城市道路绿化水平的详细实施流程图。
图3为多权重缓冲区结果示意图。
图4为一种综合视角下评估城市道路绿化水平方法流程示意图。
图5为一种综合视角下评估城市道路绿化水平装置结构示意图。
图6为构建城市道路绿化综合评估指标评估结果图。
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。
本发明的目的是提供一种城市道路绿化水平确定方法、***、设备及存储介质,旨在提高城市道路绿化水平确定的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1提供了一种城市道路绿化水平确定方法。
图1为本发明实施例1提供的城市道路绿化水平确定方法流程示意图。图2为综合视角下评估城市道路绿化水平的详细实施流程图。如图1和图2所示,本实施例中的城市道路绿化水平确定方法,包括:步骤101:获取目标城市的路网数据和地表覆盖数据。
具体的,在Open Street Map(OSM)官网下载路网数据,路网数据包括各个道路的类型、名称、编码和限速等,这里用的是道路类型。
步骤102:根据路网数据在目标城市中设置多个街景采样点。
作为一种可选的实施方式,步骤102,具体包括:步骤1021:利用路网数据中的道路类型属性对路网数据进行筛选,得到筛选后的路网数据。具体的,道路类型属性如表1所示。
。
步骤1022:对筛选后的路网数据建立缓冲区、栅格化和矢量化,得到简化后的矢量路网数据。
具体的,利用ArcGIS对筛选后的路网数据依次进行建立缓冲区、栅格化处理,得到多车道道路合并的路网数据栅格化结果,然后利用ArcScan进行矢量化,得到简化后的矢量路网数据。其中,缓冲区是地理空间目标的一种影响范围或服务范围,具体指在点、线、面实体的周围,自动建立的一定宽度的多边。缓冲区包括:点的缓冲区,如:学校选址的时候考虑到周围多大范围不能有大型娱乐设施;线的缓冲区,如:建设公路的时候用线的缓冲区来选择合适的路线避免人流量大的地方;面的缓冲区,如:在森林公园、湿地的一定区域范围内不能进行工业建设。
步骤1023:对简化后的矢量路网数据按照预设距离设置多个街景采样点。
具体的,基于简化后的矢量路网数据,采用ArcGIS沿线生成点工具每100m生成一个街景采样点。
步骤103:采集各街景采样点处的多张街景影像。
作为一种可选的实施方式,步骤103中任一街景采样点处的多张街景影像的采集过程,具体包括:步骤1031:确定街景采样点的经纬度。
步骤1032:基于经纬度,从街景影像数据库中,获取对应的多张街景影像。
具体的,通过调用百度坐标转换应用程序接口将街景采样点的坐标从WGS1984(即经纬度)转换到bd09ll坐标系中。然后通过百度静态图应用程序接口利用街景采样点的bd09ll坐标系下的经纬度坐标,获取各街景采样点上360°的街景影像。
步骤104:利用地物分类模型分别对各街景影像进行语义分割,得到各街景影像中各地物对应的像素的分类结果。
其中,分类结果为植被或非植被;地物分类模型是利用Cityscapes数据集对Deeplabv3模型进行训练得到的。
步骤105:确定各街景采样点的绿视率和多权重绿地指数。
其中,任一当前街景采样点的绿视率和多权重绿地指数的确定过程,包括:步骤1051:根据当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定当前街景采样点的绿视率。
作为一种可选的实施方式,步骤1051,具体包括:(1)确定当前街景采样点处的所有街景影像中地物为植被对应的像素的数量的总和,记为第一像素数量。(2)确定当前街景采样点处的所有街景影像中所有像素的数量的总和,记为第二像素数量。(3)计算第一像素数量和第二像素数量的比值,得到当前街景采样点的绿视率。
具体的,绿视率GVI的计算公式为:。
其中,i为街景采样点的第i张街景影像;4(or6)表示每个街景采样点采集4或6张街景影像;AreaGreen为街景影像中地物为植被对应的像素的数量的总和,即第一像素数量;AreaAll为街景影像中所有像素的数量的总和,即第二像素数量。
步骤1052:以当前街景采样点为中心,创建预设个数个同心环的缓冲区。
作为一种可选的实施方式,步骤1052,具体包括:(1)确定缓冲区的预设个数和各缓冲区的预设半径。(2)根据缓冲区的预设个数和各缓冲区的预设半径,创建多个以当前街景采样点为中心的缓冲区。
具体的,如图3所示,根据各街景采样点,分别按半径25m、50m、75m、100m创建四个多环缓冲区,然后利用ArcGIS裁剪工具,将各半径缓冲区相互裁剪生成多环缓冲区。缓冲区是一个面状数据,大半径的会包含小半径的缓冲区,因此为单独计算不同距离内的绿地对街道的影响,需要将两者重合的部分去除,形成环状数据,用地理信息数据处理软件裁剪工具进行裁剪。
步骤1053:基于地表覆盖数据确定各缓冲区的绿地覆盖面积。
步骤1054:根据各缓冲区对应的绿地覆盖面积和预设权重,计算当前街景采样点的多权重绿地指数。
具体的,统计多环缓冲区叠加的绿地覆盖面积,并按权重分别为40%、30%、20%、10%,融合为多权重绿地指数(Multi-Weight Greenery Index,MWGI):MWGI的计算公式如下。
MWGI=40%Area25m+30%Area50m+20%Area75m+10%Area100m。
其中,其中Areaxm表示距离道路x米内的环状缓冲区覆盖的绿地面积,如:Area50m表示50m内的植被覆盖面积减去25m内的植被覆盖面积。
步骤106:基于所有街景采样点的绿视率和多权重绿地指数,确定目标城市的道路绿化水平。
作为一种可选的实施方式,步骤106,具体包括:步骤1061:对各街景采样点的绿视率和多权重绿地指数均进行归一化处理,得到归一化后的绿视率和归一化后的多权重绿地指数。步骤1062:根据所有街景采样点的归一化后的绿视率GVI1和归一化后的多权重绿地指数MWGI1,计算目标城市的道路绿化水平。
具体的,将MWGI1与GVI1按相同的权重融合为道路绿化综合评价指标(StreetGreenery Comprehensive Evaluate Metrics,SGCEI),即道路绿化水平。
SGCEI=(GVI1+MWGI1)/2。
如图4所示,还提供了一种综合视角下评估城市道路绿化水平方法,包括:(1)采集OSM路网数据,进行道路筛选和简化,并沿道路生成街景采样点。(2)采集街景影像,经过影像分割得到各类别识别结果,并计算绿视率。(3)根据遥感影像提取的地表覆盖数据,构建基于街景采样点的多权重绿地指数。(4)将绿视率和多权重绿地指数,按权重融合为道路绿化综合评价指标。
如图5所示,还提供了一种综合视角下评估城市道路绿化水平装置,包括:(1)数据采集模块,用于采集路网数据、反映城市俯视视角的地表覆盖数据与立面视角的街景影像,并对多源数据进行预处理。(2)基础指标计算模块,用于对街景影像进行自动化分割,并计算绿视率,利用街景采样点和地表覆盖数据计算多权重绿地指数。(3)空间数据组合模块,将绿视率和多权重绿地指数赋值给道路图层,并计算每段道路上各指标均值。(4)综合评价指标构建模块,用于实现街景影像与地表覆盖数据融合。(5)评估结果展示模块,用于将综合评估指标分层分类,并按高中低三个等级分层设色,已展示城市道路绿化优质区域,并于单一数据源评估结果对比,体现评估成效。
下面对北京市六环地区进行试验,地表覆盖数据及路网数据来源于地理国情普查数据成果,POI点来源于高德地图,街景影像来源于百度静态图API,路网数据来源于OSM官网,具体实施步骤如下。
S1:路网数据预处理及生成采样点。
(1)利用ArcGIS按属性筛选工具,筛选OSM路网中属性为一级道路(primary)、二级道路(secondary)、三级道路(tertiary)、居住区道路(residential)、生活街道(living_street)、干道(trunk)的道路。
(2)使用ArcGIS中按属性选择中的通配筛选,筛选道路名称存在“立交桥”、“隧道、“高架桥”的路段并删除。
(3)以50m为半径对路网做缓冲区,并作二值化处理,导出栅格影像。
(4)通过Arcscan矢量化工具将栅格数据转化为矢量数据,得到简化后的路网。
(5)利用ArcGIS沿线生成点工具每100m生成一个街景影像采样点,并计算每个点的WGS84坐标系下的经纬度。
(6)通过百度坐标转换API,将采样点坐标转换为bd09ll坐标系。
S2:街景影像采集与影像分割。
(1)通过百度静态图API批量爬取各采样点的街景影像,主要采集参数如表2所示。
。
(2)采用Deeplabv3模型和Cityscapes数据集,对街景影像进行语义分割,并计算GVI。
S3:构建多权重绿地指数。
(1)利用ArcGIS按属性筛选工具,筛选地理国情数据中乔木、灌木、竹类等类型的地表覆盖。
(2)根据各街景采样点,按半径25m、50m、75m、100m创建了四个缓冲区,然后裁剪生成多环缓冲区。
(3)按权重40%、30%、20%、10%,将各缓冲区与地表覆盖数据相交部分面积,融合为MWGI。
S4:构建城市绿化综合评估指标。
(1)通过字段计算器,将MWGI与GVI进行最大最小值归一化处理,并赋值给道路图层。
(2)通过字段计算器,将MWGI与GVI按相同的权重融合为道路绿化综合评价指标SGCEI,结果如图6所示。
实施例2提供了一种城市道路绿化水平确定***,包括:数据获取模块,用于获取目标城市的路网数据和地表覆盖数据。
街景采样点生设置模块,用于根据路网数据在目标城市中设置多个街景采样点。
街景影像采集模块,用于采集各街景采样点处的多张街景影像。
语义分割模块,用于利用地物分类模型分别对各街景影像进行语义分割,得到各街景影像中各地物对应的像素的分类结果;分类结果为植被或非植被;地物分类模型是利用Cityscapes数据集对Deeplabv3模型进行训练得到的。
参数确定模块,用于确定各街景采样点的绿视率和多权重绿地指数;其中任一当前街景采样点的绿视率和多权重绿地指数的确定过程,包括:根据当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定当前街景采样点的绿视率。
以当前街景采样点为中心,创建预设个数个同心环的缓冲区。
基于地表覆盖数据确定各缓冲区的绿地覆盖面积。
根据各缓冲区对应的绿地覆盖面积和预设权重,计算当前街景采样点的多权重绿地指数。
道路绿化水平确定模块,用于基于所有街景采样点的绿视率和多权重绿地指数,确定目标城市的道路绿化水平。
实施例3提供了一种设备,包括:一个或多个处理器。
存储装置,其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如实施例1中的城市道路绿化水平确定方法。
实施例4提供了一种存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现如实施例1中的城市道路绿化水平确定方法。
除实施例1-实施例4之外,本发明还提供了:一种计算机设备,包括:处理器、存储器和总线,存储器存储有处理器可执行的机器可读指令,当计算机设备运行时,处理器与存储器之间通过总线通信,处理器执行机器可读指令,以实现如上任一所述的综合视角下评估城市道路绿化水平方法。
具体地,上述存储器和处理器能够为通用的存储器和处理器,这里不做具体限定,当处理器运行存储器存储的计算机程序时,能够执行如上任一所述的综合视角下评估城市道路绿化水平方法。
计算机设备的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。
在一些实施例中,计算机设备还可以包括触摸屏,用于显示图形用户界面(例如,应用程序的启动界面)和接收用户针对图形用户界面的操作(例如,针对应用程序的启动操作)。具体的触摸屏可包括显示面板和触控面板。其中显示面板可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置。触控面板可收集用户在其上或附近的接触或者非接触操作,并生成预先设定的操作指令,例如,用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作。另外,触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位、姿势,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成处理器能够处理的信息,再送给处理器,并能接收处理器发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板,也可以采用未来发展的任何技术实现触控面板。进一步的,触控面板可覆盖显示面板,用户可以根据显示面板显示的图形用户界面,在显示面板上覆盖的触控面板上或者附近进行操作,触控面板检测到在其上或附近的操作后,传送给处理器以确定用户输入,随后处理器响应于用户输入在显示面板上提供相应的视觉输出。另外,触控面板与显示面板可以作为两个独立的部件来实现也可以集成而来实现。
本发明实施例所提供的应用程序的启动装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的***、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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。
另外,在本发明提供的实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种城市道路绿化水平确定方法,其特征在于,所述方法包括:
获取目标城市的路网数据和地表覆盖数据;
根据所述路网数据在所述目标城市中设置多个街景采样点;
采集各所述街景采样点处的多张街景影像;
利用地物分类模型分别对各所述街景影像进行语义分割,得到各所述街景影像中各地物对应的像素的分类结果;所述分类结果为植被或非植被;所述地物分类模型是利用Cityscapes数据集对Deeplabv3模型进行训练得到的;
确定各所述街景采样点的绿视率和多权重绿地指数;其中任一当前街景采样点的绿视率和多权重绿地指数的确定过程,包括:
根据所述当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定所述当前街景采样点的绿视率;
以所述当前街景采样点为中心,创建预设个数个同心环的缓冲区;
基于所述地表覆盖数据确定各所述缓冲区的绿地覆盖面积;
根据各所述缓冲区对应的绿地覆盖面积和预设权重,计算所述当前街景采样点的多权重绿地指数;
基于所有所述街景采样点的绿视率和多权重绿地指数,确定所述目标城市的道路绿化水平。
2.根据权利要求1所述的城市道路绿化水平确定方法,其特征在于,根据所述路网数据在所述目标城市中设置多个街景采样点,具体包括:
利用所述路网数据中的道路类型属性对所述路网数据进行筛选,得到筛选后的路网数据;
对筛选后的路网数据建立缓冲区、栅格化和矢量化,得到简化后的矢量路网数据;
对简化后的矢量路网数据按照预设距离设置多个所述街景采样点。
3.根据权利要求1所述的城市道路绿化水平确定方法,其特征在于,任一街景采样点处的多张街景影像的采集过程,具体包括:
确定街景采样点的经纬度;
基于所述经纬度,从街景影像数据库中,获取对应的多张街景影像。
4.根据权利要求1所述的城市道路绿化水平确定方法,其特征在于,根据所述当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定所述当前街景采样点的绿视率,具体包括:
确定所述当前街景采样点处的所有街景影像中地物为植被对应的像素的数量的总和,记为第一像素数量;
确定所述当前街景采样点处的所有街景影像中所有像素的数量的总和,记为第二像素数量;
计算所述第一像素数量和所述第二像素数量的比值,得到所述当前街景采样点的绿视率。
5.根据权利要求1所述的城市道路绿化水平确定方法,其特征在于,以所述当前街景采样点为中心,创建预设个数个同心环的缓冲区,具体包括:
确定缓冲区的预设个数和各缓冲区的预设半径;
根据缓冲区的预设个数和各缓冲区的预设半径,创建多个以所述当前街景采样点为中心的缓冲区。
6.根据权利要求1所述的城市道路绿化水平确定方法,其特征在于,基于所有所述街景采样点的绿视率和多权重绿地指数,确定所述目标城市的道路绿化水平,具体包括:
对各所述街景采样点的绿视率和多权重绿地指数均进行归一化处理,得到归一化后的绿视率和归一化后的多权重绿地指数;
根据所有所述街景采样点的归一化后的绿视率和归一化后的多权重绿地指数,计算所述目标城市的道路绿化水平。
7.一种城市道路绿化水平确定***,其特征在于,所述***包括:
数据获取模块,用于获取目标城市的路网数据和地表覆盖数据;
街景采样点生设置模块,用于根据所述路网数据在所述目标城市中设置多个街景采样点;
街景影像采集模块,用于采集各所述街景采样点处的多张街景影像;
语义分割模块,用于利用地物分类模型分别对各所述街景影像进行语义分割,得到各所述街景影像中各地物对应的像素的分类结果;所述分类结果为植被或非植被;所述地物分类模型是利用Cityscapes数据集对Deeplabv3模型进行训练得到的;
参数确定模块,用于确定各所述街景采样点的绿视率和多权重绿地指数;其中任一当前街景采样点的绿视率和多权重绿地指数的确定过程,包括:
根据所述当前街景采样点处的所有街景影像中各地物对应的像素的分类结果,确定所述当前街景采样点的绿视率;
以所述当前街景采样点为中心,创建预设个数个同心环的缓冲区;
基于所述地表覆盖数据确定各所述缓冲区的绿地覆盖面积;
根据各所述缓冲区对应的绿地覆盖面积和预设权重,计算所述当前街景采样点的多权重绿地指数;
道路绿化水平确定模块,用于基于所有所述街景采样点的绿视率和多权重绿地指数,确定所述目标城市的道路绿化水平。
8.一种设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6中任意一项所述的城市道路绿化水平确定方法。
9.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的城市道路绿化水平确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311288350.8A CN117036964A (zh) | 2023-10-08 | 2023-10-08 | 一种城市道路绿化水平确定方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311288350.8A CN117036964A (zh) | 2023-10-08 | 2023-10-08 | 一种城市道路绿化水平确定方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036964A true CN117036964A (zh) | 2023-11-10 |
Family
ID=88630316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311288350.8A Pending CN117036964A (zh) | 2023-10-08 | 2023-10-08 | 一种城市道路绿化水平确定方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036964A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001142393A (ja) * | 1999-11-17 | 2001-05-25 | Asia Air Survey Co Ltd | 緑被マップまたは緑視マップの作成方法 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
-
2023
- 2023-10-08 CN CN202311288350.8A patent/CN117036964A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001142393A (ja) * | 1999-11-17 | 2001-05-25 | Asia Air Survey Co Ltd | 緑被マップまたは緑視マップの作成方法 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
Non-Patent Citations (2)
Title |
---|
孟庆岩;汪雪淼;孙云晓;张佳晖;陈旭;: "基于街景数据的绿视率模型构建及其影响因子研究", 生态科学, no. 01 * |
王佳宁: "基于多源大数据的街道绿化空间评价研究", 《中国优秀硕士学位论文全文数据库》, pages 2 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Portraying urban landscape: A quantitative analysis system applied in fifteen metropolises in China | |
Bartie et al. | Advancing visibility modelling algorithms for urban environments | |
Klouček et al. | How does data accuracy influence the reliability of digital viewshed models? A case study with wind turbines | |
CN102867057B (zh) | 一种基于视觉定位的虚拟向导构建方法 | |
CN112418674A (zh) | 基于城市多源数据的街道空间品质测度评价方法和*** | |
Zhang et al. | ARGIS-based outdoor underground pipeline information system | |
KR101450133B1 (ko) | 증강현실기반 지하매설물의 단면정보 제공 시스템 및 방법 | |
CN108921943A (zh) | 一种基于车道级高精度地图的道路三维模型建模方法 | |
Jalayer et al. | A comprehensive assessment of highway inventory data collection methods | |
CN112819340A (zh) | 一种基于多源数据的城市洪涝灾害动态评估方法 | |
CN105761310A (zh) | 一种天空可视域数字地图的模拟分析及图像显示方法 | |
Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
CN111275807A (zh) | 一种3d道路建模的方法和*** | |
CN107944089A (zh) | 一种基于现状视廊的地块限高分析***及其分析方法 | |
US20070192068A1 (en) | Method For Planning A Security Array Of Sensor Units | |
CN116415499B (zh) | 一种社区舒适感模拟预测方法 | |
CN116524143A (zh) | 一种gis地图构建方法 | |
CN117036964A (zh) | 一种城市道路绿化水平确定方法、***、设备及存储介质 | |
Komadina et al. | Automated 3D urban landscapes visualization using open data sources on the example of the city of Zagreb | |
CN103335645B (zh) | 面向景观规划的空间精确定位的图像获取方法 | |
CN112686988B (zh) | 三维建模方法、装置、电子设备及存储介质 | |
CN117128977B (zh) | 基于双影像融合的优质绿道路径规划方法、装置及设备 | |
KR20210076844A (ko) | 하천공간정보를 활용한 친수 및 치수 시설의 증강현실 표출방법 | |
Ojiako et al. | Topographic Information System of Federal School of Surveying, Oyo East Local Government Oyo State Nigeria | |
Garg | Understanding Geospatial 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 |