CN111062446A - 基于多源国土资源数据的土地类型分类方法 - Google Patents
基于多源国土资源数据的土地类型分类方法 Download PDFInfo
- Publication number
- CN111062446A CN111062446A CN201911355597.0A CN201911355597A CN111062446A CN 111062446 A CN111062446 A CN 111062446A CN 201911355597 A CN201911355597 A CN 201911355597A CN 111062446 A CN111062446 A CN 111062446A
- Authority
- CN
- China
- Prior art keywords
- land
- density
- block
- type
- point data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000002689 soil Substances 0.000 claims abstract description 62
- 238000010276 construction Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 3
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 239000004571 lime Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 9
- 238000012795 verification Methods 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于多源国土资源数据的土地类型分类方法，该方法借助第二次全国土壤普查、土地利用现状调查、地理国情普查、互联网数据等多源数据，融合地貌类型、土壤类型、土地利用类型、土地利用强度等反映土地资源综合特征的属性指标，构建了中尺度土地类型分类系统，并提出了集典型验证与分层验证等于一体的分类结果验证方法体系。本发明旨在提升土地类型研究的效率与实用性，实现土地资源综合信息的精准分类，服务国家国土资源调查、地理国情普查等重大战略应用需求。
Description
技术领域
本发明涉及一种基于多源国土资源数据的土地类型分类方法，属于自然地理学技术领域。
背景技术
土地是一个综合系统，不断与周围自然、人文环境进行物质、能量交互。受此影响，土地系统内各类要素发生分异与演替，进而表现出土地外观、功能的差异。土地类型研究是探索区域综合地理特征的有效手段，可揭示土地综合体的形成、特性、分异、演替等基本特征，可直观反映土地资源的综合属性信息，对于丰富国土资源调查内容，实现全域全类型国土空间用途管制等具有重大实用价值。土地类型分类系统的构建是土地类型研究的基础，也是土地类型可视化表达、土地类型应用研究的前提。
传统的土地类型分类研究多基于野外调查，侧重综合自然地理要素(如地形、气候、植被等)类型划分，但庞大的工作量限制了成果的时效性，造成分类成果无法及时应用。此外，此类研究弱化了人类活动强度对土地类型分异的影响，使得分类结果难以应用于市域尺度国土空间规划问题，随着人类活动对土地属性分异影响程度的加深，侧重自然地理要素分异的传统土地类型研究综合性略显不足。
发明内容
本发明要解决技术问题是：提供一种能够直观反映土地资源综合属性，进而提升土地类型研究的效率与实用性的基于多源国土资源数据的土地类型分类方法。
为了解决上述技术问题，本发明提出的技术方案是：一种基于多源国土资源数据的土地类型分类方法，包括以下步骤：
步骤一、对待分类区域划分基本地貌类型，所述基本地貌类型包括平原、台地、丘陵、小起伏山地、中起伏山地、大起伏山地和极大起伏山地，根据基本地貌类型将待分类区域分隔成多个不同的区域单元；
步骤二、根据第二次全国土壤普查数据对待分类区域划分土壤类型，所述土壤类型包括水稻土、中壤土、龟裂土、新积土、红壤、石灰岩土、粗骨土、黄褐土、沼泽土和黄棕壤；以土壤类型为依据，将每个区域单元分隔成多个区域子单元；
步骤三、根据土地利用现状分类数据对待分类区域划分土地利用类型，所述土地利用类型包括农用地、建设用地、林地、自然保留地和水域；以土地利用类型为依据，将每个区域子单元分隔成多个区域块；
步骤四、对农用地、建设用地、林地通过土地利用强度进行进一步细分，而对自然保留地和水域则不再细分，其中：
1)对于属于农用地的区域块，通过计算该区域块内采样点的作物产量与指定标准作物最高产量的比值，根据GBT 28407-2012《农用地质量分等规程》获得据耕地质量分等定级数据，对属于农用地的区域块的质量等别进行分级；
2)对于属于林地的区域块，计算根据林地覆盖度表达林地利用强度，根据林地利用强度对属于林地的区域块进行分级；
3)对于属于建设用地的区域块，首先根据待分类区域的路网数据将每个属于建设用地的区域块划分为不同街区，对每个街区进行如下处理：
S1、从地图中采集属于建设用地的区域块所包含的POI点数据，所述POI点数据是地理实体的抽象记录，包含地理实体的经纬度、名称和类别；
S2、依据POI点数据的名称和类别，将街区内的POI点数据分成商业、居住、工业以及公共管理与公共服务四种类型的POI点数据集；
S3、依据街区与POI点数据集的空间位置关系，如该街区内含有公共管理与公共服务用地POI点数据，则该街区为公共管理与公共服务用地；如该街区内不含有公共管理与公共服务用地POI点数据，则执行以下步骤：
S31、通过ArcGIS软件中的Ripley’s_K函数分别对不同类型的POI点数据集进行聚类分析，找出该类型POI点数据集对应的空间聚类程度最显著的距离作为该类型POI点数据集对应的聚类距离；所述商业POI点数据集、居住POI点数据集、工业POI点数据集对应的聚类距离分别记为商业聚类距离、居住聚类距离和工业聚类距离；
S32、首先构建该街区的外接矩形，而后将该矩形划分为栅格数据集，分别以商业POI点数据集、居住POI点数据集、工业POI点数据集为输入要素，以其对应类型POI点数据的聚类距离的一半为半径通过ArcGIS软件中的核密度分析函数进行核密度分析，以任意栅格为中心、以某一POI点数据集对应的聚类距离的一半为搜索半径，计算该范围内的POI点核密度作为该栅格的值，通过遍历所有栅格数据集，得到覆盖全部建设用地区域块、不同类型POI点的核密度分析结果栅格，即分别得到该街区的商业核密度栅格、工业核密度栅格、居住核密度栅格；
S33、通过MATLAB软件中的K-means聚类函数，分别以核密度栅格为输入数据，将其划分为3类，即商业核密度栅格的聚类结果分别对应了高密度、中密度、低密度商业区类型；工业核密度栅格的聚类结果分别对应了高密度、中密度、低密度工业区类型；居住核密度栅格的聚类结果也分别对应了高密度、中密度、低密度居住区类型。
本发明带来的有益效果是：本发明克服了现有技术中土地类型分类效率差、实用性不强以及无法有效验证的缺点，综合遥感信息、互联网信息(地图)与野外调查信息等国土资源大数据，大幅提高了土地类型分类的时效性，实现了中尺度(1：100,000)土地类型精准分类。本发明的创新点并不是对土地类型分类规则的重新定义，而是在执行现行土地类型分类规则的前提下(即本发明采用的土地类型分类规则均为现有规则)，提高了土地类型分类的时效性与准确性，即通过充分利用国家标准和多源国土资源大数据，通过人机交互式作业方法对土地类型进行精准划分，不但结果稳定可靠，而且大幅度提升了效率。
附图说明
图1是常州市基本地貌类型示意图。
图2是常州市土地利用类型示意图。
图3是常州市农用地质量等别示意图。
图4是常州市林地覆盖度示意图。
图5是常州市城市功能区示意图。
图6是常州市某区域的土地分类结果验证示意图。
具体实施方式
实施例
本实施例以常州市为例，即将常州市作为待分类区域，结合附图对本发明作进一步说明。
本实施例采用的国土资源数据包括《中国1:100万土地类型图制图规范》、第二次全国土壤普查数据、基于国家标准(GB/T 21010-2007)的土地利用现状分类数据和基于国家分类标准(GBT 28407-2012)的耕地质量分等定级数据等。以上数据均为公开数据，可通过有效途径获取。
本实施例根据《中国1:100万土地类型图制图规范》分类体系与原则，土地类型分类系统包括气候类型、地貌类型、土壤类型、植被类型。因气候类型在1:10万尺度上表现出较大的均质性，故而本实施例将其弱化表达，删除不用。
此外，本实施例将表达人类活动的土地利用类型、土地利用强度纳入分类体系，即融合地貌类型、土壤类型、土地利用类型、土地利用强度构建土地类型分类系统。
本实施例的基于多源国土资源数据的土地类型分类方法，包括以下步骤：
步骤一、对待分类区域划分基本地貌类型，所述基本地貌类型包括平原、台地、丘陵、小起伏山地、中起伏山地、大起伏山地和极大起伏山地，根据基本地貌类型将待分类区域分隔成多个不同的区域单元。
现有技术中，基于地形因子分析的地貌类型划分技术已形成了较为完备的基本地貌类型划分系统，借助高程、地表起伏度等因子，中国陆地1∶100万数字地貌分类体系已广泛应用，本例基于该分类系统，根据基本地貌类型将常州市划分为多个区域单元。
通常来说，坡度发生突变的区域多为不同地貌类型的边界，因此，本例基于DEM数据、多尺度分割等研究方法，选取高程、坡度、地表起伏度、坡度变化率等作为地貌因子，结合多尺度分割算法划分地貌类型，其中坡度变化率是划分地貌界线的依据。
本例中，对待分类区域划分基本地貌类型的步骤为：
①基于DEM、均值变点法计算高程、地表起伏度和坡度变化率；
②对坡度变化率进行多尺度分割；
③统计坡度变化率分割斑块内高程、地表起伏度的最大值，根据中国陆地1∶100万数字地貌分类体系，划分基本地貌类型。
地貌因子及其含义如下表1所示：
表1
中国陆地1∶100万数字地貌分类体系如下表2所示：
表2
以上均为现有技术，可参考相关资料。
申请人基于中国陆地1∶100万数字地貌分类体系，统计常州的高程与地表起伏度值，与中国陆地1∶100万数字地貌分类体系(表2)对比，将常州市地貌类型划分为共三大类，即平原、台地、丘陵，如图1所示。
步骤二、根据第二次全国土壤普查数据对待分类区域划分土壤类型，所述土壤类型包括水稻土、中壤土、龟裂土、新积土、红壤、石灰岩土、粗骨土、黄褐土、沼泽土和黄棕壤；以土壤类型为依据，将每个区域单元分隔成多个区域子单元。
第二次全国土壤普查数据提供了全国土壤类型样点及其属性(包括pH、有机质、全氮、全磷、有效磷和速效钾等)，其属性决定了样点的土壤类型。对于其中一个区域单元来说，将区域单元栅格化，一个样点只位于一个栅格内，样点的土壤类型即为对应栅格的土壤类型，采用普通克里格插值计算区域单元中每个栅格的土壤属性值，然后再计算每个栅格的属性值与样点之间的空间聚类，从而以土壤类型为依据将区域单元分隔成多个区域子单元。
对待分类区域划分土壤类型为现有技术，下面以某栅格i为例简单说明其原理，其具体计算过程可参考相关文献。首先计算栅格i与各个样点的属性值距离，然后取属性值距离最近的样点的土壤类型作为栅格i的土壤类型，即定义：
式中，Distance表示栅格i与样点s的属性值距离，n表示用于计算的土壤属性个数，j代表其中某一土壤属性，dij-dsj表示土壤属性j对应的栅格i与样点s之间的距离。
步骤三、根据土地利用现状分类数据对待分类区域划分土地利用类型，所述土地利用类型包括农用地、建设用地、林地、自然保留地和水域；以土地利用类型为依据，将每个区域子单元分隔成多个区域块。
土地利用类型的划分体系遵循GB/T 21010-2007，对待分类区域划分土地利用类型也为现有技术，不再赘述。划分好的常州市土地利用类型图如图2所示。
步骤四、对农用地、建设用地、林地通过土地利用强度进行进一步细分，而对自然保留地和水域则不再细分，其中：
1)对于属于农用地的区域块，通过计算区域块内采样点的作物产量与指定标准作物最高产量的比值，根据GBT 28407-2012《农用地质量分等规程》获得据耕地质量分等定级数据，对属于农用地的区域块的质量等别进行分级。此为现有技术，可参考相关文献，其具体计算过程不再赘述，常州市的农用地质量等别如图3所示。
2)对于属于林地的区域块，计算根据林地覆盖度表达林地利用强度，根据林地利用强度对属于林地的区域块进行分级。通常基于统计结果，可采用等分的方式将林地覆盖度划分为三级：占比≤33％为低覆盖度林地，33％<占比≤66％为中覆盖度林地，占比≥66％为高覆盖度林地，常州市的林地覆盖度结果如图4所示。
3)对于属于建设用地的区域块，首先根据待分类区域的路网数据将每个属于建设用地的区域块划分为不同街区，对每个街区进行如下处理：
S1、从地图中采集属于建设用地的区域块所包含的POI点数据，所述POI点数据是地理实体的抽象记录，包含地理实体的经纬度、名称和类别。POI点数据可直接从百度地图或高德地图中抓取。
S2、依据POI点数据的名称和类别，将街区内的POI点数据分成商业、居住、工业以及公共管理与公共服务四种类型的POI点数据集。根据抓取的数据统计，常州市商业POI点共16460个、居住POI点共2582个、工业POI点共23066个、公共管理与公共服务POI点共81个点。
S3、依据街区与POI点数据集的空间位置关系，如该街区内含有公共管理与公共服务用地POI点数据，则该街区为公共管理与公共服务用地；如该街区内不含有公共管理与公共服务用地POI点数据，则执行以下步骤：
S31、通过ArcGIS软件中的Ripley’s_K函数分别对不同类型的POI点数据集进行聚类分析，找出该类型POI点数据集对应的空间聚类程度最显著的距离作为该类型POI点数据集对应的聚类距离；所述商业POI点数据集、居住POI点数据集、工业POI点数据集对应的聚类距离分别记为商业聚类距离、居住聚类距离和工业聚类距离。此距离表征了同一类型POI点之间在何种距离阈值上表现出聚集分布的特征，而超过此距离，POI点表现出离散的分布趋势。
通过Ripley’s_K函数分进行聚类分析为现有技术，其原理可参考文献《Enablingpoint pattern analysis on spatial big data using cloud computing:optimizingand accelerating Ripley’s function》(作者：Zhang et al，International Journal ofGeographical Information Science 30(11):2230-2252，November 2016)。
S32、首先构建该街区的外接矩形，而后将该矩形划分为栅格数据集，分别以商业POI点数据集、居住POI点数据集、工业POI点数据集为输入要素，以其对应类型POI点数据的聚类距离的一半为半径通过ArcGIS软件中的核密度分析函数进行核密度分析，以任意栅格为中心、以某一POI点数据集对应的聚类距离的一半为搜索半径，计算该范围内的POI点核密度作为该栅格的值，通过遍历所有栅格数据集，得到覆盖全部建设用地区域块、不同类型POI点的核密度分析结果栅格，即分别得到该街区的商业核密度栅格、工业核密度栅格、居住核密度栅格。
核密度分析也为现有技术，其计算原理可参考文献《AReliable Data-BasedBandwidth Selection Method for Kernel Density-Estimation》(Sheather and Jones，Journal of the Royal Statistical Society.Series B:Methodological 53:683-690，January 1991)。
S33、通过MATLAB软件中的K-means聚类函数，分别以核密度栅格为输入数据，将其划分为3类，即商业核密度栅格的聚类结果分别对应了高密度、中密度、低密度商业区类型；工业核密度栅格的聚类结果分别对应了高密度、中密度、低密度工业区类型；居住核密度栅格的聚类结果也分别对应了高密度、中密度、低密度居住区类型。采用K-means聚类函数，将连续变化的密度栅格分为等级栅格，即最终结果为居住区/工业区/商业区的高密度、中密度、低密度区。
K-means聚类函数为现有技术，其计算原理可参考《Algorithm AS 136:A K-MeansClustering Algorithm》(J.Hartigan,and M.Wong.Applied Statistics 28(1):100—108，1979)。
S34、依据K-means聚类获取的商业区类型、工业区类型、居住区类型以及街区的空间位置进行街区划分：1)若该街区内的商业区类型、工业区类型、居住区类型均为中密度区或高密度区，则该街区为混合功能区；2)剩余范围内，若该街区内有且仅有一种类型高于其他类型，则将该街区纳入聚类结果最高的功能区；3)若该街区内的商业区、工业区、居住区类型均为低密度，统计该街区内不同类型的POI点的数量，采用POI点数量占优的方式，纳入相应功能区；4)若该街区均不符合上述规则，归纳为村镇建设用地。以上分类完成后，将上述各步骤中的结果图进行叠置，就得到了土地类型分类结果。
申请人对本实施例的土地类型分类结果进行了验证，通过综合互联网数据与野外调查数据，构建标准土地类型样点。对常州某一区域，通过野外实地测量和野外观测方法，确定某一区域农田的粮食产量，通过与《农用地质量分等规程》(GBT 28407-2012)对比，确定耕地质量，并且按现在分类标准补充该区域各点的地貌、土壤、土地利用类型信息，从而验证土地类型样点的准确性。申请人总共获取农业土地类型样点11个，建设用地土地类型样点63个，通过对比分析，如图6所示，本实施例的分类结果的准确性均超过80％，能够满足目前土地资源的规划、预测、合理利用等多方面的实际需要。
需要强调的是，本实施例中地貌类型、土壤类型、土地利用类型、土地利用强度的分类规则均为现有技术，比如：将商业区、居住区和工业区均分为高密度、中密度、低密度三种，将街区分为混合功能区、村镇建设用地、商业区、居住区和工业区，林地分为低覆盖度林地、中覆盖度林地、高覆盖度林地，等等，均为现有的分类规则。申请人通过对多源国土资源数据进行逐步处理，对土地类型进行精准划分，不但结果稳定可靠，而且大幅度提升了效率。
本发明不局限于上述实施例所述的具体技术方案，除上述实施例外，本发明还可以有其他实施方式。对于本领域的技术人员来说，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等形成的技术方案，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多源国土资源数据的土地类型分类方法，包括以下步骤：
步骤一、对待分类区域划分基本地貌类型，所述基本地貌类型包括平原、台地、丘陵、小起伏山地、中起伏山地、大起伏山地和极大起伏山地，根据基本地貌类型将待分类区域分隔成多个不同的区域单元；
步骤二、根据第二次全国土壤普查数据对待分类区域划分土壤类型，所述土壤类型包括水稻土、中壤土、龟裂土、新积土、红壤、石灰岩土、粗骨土、黄褐土、沼泽土和黄棕壤；以土壤类型为依据，将每个区域单元分隔成多个区域子单元；
步骤三、根据土地利用现状分类数据对待分类区域划分土地利用类型，所述土地利用类型包括农用地、建设用地、林地、自然保留地和水域；以土地利用类型为依据，将每个区域子单元分隔成多个区域块；
步骤四、对农用地、建设用地、林地通过土地利用强度进行进一步细分，而对自然保留地和水域则不再细分，其中：
1）对于属于农用地的区域块，通过计算该区域块内采样点的作物产量与指定标准作物最高产量的比值，根据GBT 28407-2012《农用地质量分等规程》获得据耕地质量分等定级数据，对属于农用地的区域块的质量等别进行分级；
2）对于属于林地的区域块，计算根据林地覆盖度表达林地利用强度，根据林地利用强度对属于林地的区域块进行分级；
3）对于属于建设用地的区域块，首先根据待分类区域的路网数据将每个属于建设用地的区域块划分为不同街区，对每个街区进行如下处理：
S1、从地图中采集属于建设用地的区域块所包含的POI点数据，所述POI点数据是地理实体的抽象记录，包含地理实体的经纬度、名称和类别；
S2、依据POI点数据的名称和类别，将街区内的POI点数据分成商业、居住、工业以及公共管理与公共服务四种类型的POI点数据集；
S3、依据街区与POI点数据集的空间位置关系，如该街区内含有公共管理与公共服务用地POI点数据，则该街区为公共管理与公共服务用地；如该街区内不含有公共管理与公共服务用地POI点数据，则执行以下步骤：
S31、通过ArcGIS软件中的Ripley’s_K函数分别对不同类型的POI点数据集进行聚类分析，找出该类型POI点数据集对应的空间聚类程度最显著的距离作为该类型POI点数据集对应的聚类距离；所述商业POI点数据集、居住POI点数据集、工业POI点数据集对应的聚类距离分别记为商业聚类距离、居住聚类距离和工业聚类距离；
S32、首先构建该街区的外接矩形，而后将该矩形划分为栅格数据集，分别以商业POI点数据集、居住POI点数据集、工业POI点数据集为输入要素，以其对应类型POI点数据的聚类距离的一半为半径通过ArcGIS软件中的核密度分析函数进行核密度分析，以任意栅格为中心、以某一POI点数据集对应的聚类距离的一半为搜索半径，计算该范围内的POI点核密度作为该栅格的值，通过遍历所有栅格数据集，得到覆盖全部建设用地区域块、不同类型POI点的核密度分析结果栅格，即分别得到该街区的商业核密度栅格、工业核密度栅格、居住核密度栅格；
S33、通过MATLAB软件中的K-means聚类函数，分别以核密度栅格为输入数据，将其划分为3类，即商业核密度栅格的聚类结果分别对应了高密度、中密度、低密度商业区类型；工业核密度栅格的聚类结果分别对应了高密度、中密度、低密度工业区类型；居住核密度栅格的聚类结果也分别对应了高密度、中密度、低密度居住区类型。
2.根据权利要求1所述的基于多源国土资源数据的土地类型分类方法，其特征在于：步骤四中，对于属于建设用地的区域块进行处理时，还包括：
S34、依据K-means聚类获取的商业区类型、工业区类型、居住区类型以及街区的空间位置进行街区划分：1）若该街区内的商业区类型、工业区类型、居住区类型均为中密度区或高密度区，则该街区为混合功能区；2）剩余范围内，若该街区内有且仅有一种类型高于其他类型，则将该街区纳入聚类结果最高的功能区；3）若该街区内的商业区、工业区、居住区类型均为低密度，统计该街区内不同类型的POI点的数量，采用POI点数量占优的方式，纳入相应功能区；4）若该街区均不符合上述规则，归纳为村镇建设用地。
3.根据权利要求1所述的基于多源国土资源数据的土地类型分类方法，其特征在于：步骤四中，对于属于林地的区域块进行处理时，采用等分的方式将林地覆盖度划分为三级：占比≤33%为低覆盖度林地，33%<占比≤66%为中覆盖度林地，占比≥66%为高覆盖度林地。
4.根据权利要求1所述的基于多源国土资源数据的土地类型分类方法，其特征在于：步骤四中，POI点数据可直接从百度地图或高德地图中抓取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355597.0A CN111062446B (zh) | 2019-12-25 | 2019-12-25 | 基于多源国土资源数据的土地类型分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355597.0A CN111062446B (zh) | 2019-12-25 | 2019-12-25 | 基于多源国土资源数据的土地类型分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062446A true CN111062446A (zh) | 2020-04-24 |
| CN111062446B CN111062446B (zh) | 2023-05-09 |
Family
ID=70303404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911355597.0A Active CN111062446B (zh) | 2019-12-25 | 2019-12-25 | 基于多源国土资源数据的土地类型分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062446B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476325A (zh) * | 2020-06-29 | 2020-07-31 | 北京隆普智能科技有限公司 | 基于大数据的城市建设用地分类识别方法及系统 |
| CN112052848A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 街区标注中样本数据的获取方法及装置 |
| CN112365391A (zh) * | 2020-11-12 | 2021-02-12 | 河北工程大学 | 一种基于“国土调查”数据的用地多样性计量方法 |
| CN114663764A (zh) * | 2022-04-01 | 2022-06-24 | 中国科学院地理科学与资源研究所 | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 |
| CN114971234A (zh) * | 2022-05-11 | 2022-08-30 | 北京中色测绘院有限公司 | 一种土壤普查新技术方法 |
| CN115310831A (zh) * | 2022-08-12 | 2022-11-08 | 南京财经大学 | 基于多源数据的国土空间功能分类评估与分区方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3312742A1 (en) * | 2016-10-21 | 2018-04-25 | HERE Global B.V. | Method and apparatus for hierarchical clustering of geographical data |
| CN110175216A (zh) * | 2019-05-15 | 2019-08-27 | 腾讯科技（深圳）有限公司 | 坐标纠错方法、装置和计算机设备 |
-
2019
- 2019-12-25 CN CN201911355597.0A patent/CN111062446B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3312742A1 (en) * | 2016-10-21 | 2018-04-25 | HERE Global B.V. | Method and apparatus for hierarchical clustering of geographical data |
| CN110175216A (zh) * | 2019-05-15 | 2019-08-27 | 腾讯科技（深圳）有限公司 | 坐标纠错方法、装置和计算机设备 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476325A (zh) * | 2020-06-29 | 2020-07-31 | 北京隆普智能科技有限公司 | 基于大数据的城市建设用地分类识别方法及系统 |
| CN112052848A (zh) * | 2020-08-24 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 街区标注中样本数据的获取方法及装置 |
| CN112052848B (zh) * | 2020-08-24 | 2022-09-20 | 腾讯科技（深圳）有限公司 | 街区标注中样本数据的获取方法及装置 |
| CN112365391A (zh) * | 2020-11-12 | 2021-02-12 | 河北工程大学 | 一种基于“国土调查”数据的用地多样性计量方法 |
| CN114663764A (zh) * | 2022-04-01 | 2022-06-24 | 中国科学院地理科学与资源研究所 | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 |
| CN114663764B (zh) * | 2022-04-01 | 2023-04-07 | 中国科学院地理科学与资源研究所 | 一种耕地土壤环境质量区划方法、装置、介质及终端设备 |
| CN114971234A (zh) * | 2022-05-11 | 2022-08-30 | 北京中色测绘院有限公司 | 一种土壤普查新技术方法 |
| CN115310831A (zh) * | 2022-08-12 | 2022-11-08 | 南京财经大学 | 基于多源数据的国土空间功能分类评估与分区方法 |
| CN115310831B (zh) * | 2022-08-12 | 2024-10-29 | 南京财经大学 | 基于多源数据的国土空间功能分类评估与分区方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062446B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062446A (zh) | 基于多源国土资源数据的土地类型分类方法 | |
| Yeprintsev et al. | Technologies for creating geographic information resources for monitoring the socio-ecological conditions of cities | |
| CN111898315A (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
| Zhou | Research on urban spatial structure based on the dual constraints of geographic environment and POI big data | |
| Wang et al. | Detecting village‐level regional development differences: A GIS and HLM method | |
| CN110413855A (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| CN116310853A (zh) | 一种基于多源数据的中小城市边缘区提取方法 | |
| CN114819589A (zh) | 城市空间高质量利用测定方法、系统、计算机设备及终端 | |
| Luo et al. | Understanding the relationship between 2D/3D variables and land surface temperature in plain and mountainous cities: Relative importance and interaction effects | |
| Jiang et al. | The impact of gradient expansion of urban–rural construction land on landscape fragmentation in typical mountain cities, China | |
| Luo et al. | Coupling coordination analysis of urbanization and the ecological environment based on urban functional zones | |
| Yan et al. | Identification of secondary functional areas and functional structure analysis based on multisource geographic data | |
| CN104463442B (zh) | 一种城乡建设集聚性的探测方法 | |
| Bibby et al. | Monitoring land cover and land use for urban and regional planning | |
| KR102526361B1 (ko) | 지역단위의 폭염 및 한파에 대한 지표면효과 분석 시스템 및 방법 | |
| CN117454319A (zh) | 一种基于gps大数据的旅游流数据分析方法 | |
| Li et al. | The research about spatial distribution of urban functions based on POI data | |
| Gao et al. | Spatial planning zoning based on land-type mapping: a case study in Changzhou City, Eastern China | |
| Tapia-McClung et al. | Defining city boundaries through percolation theory: the case of the mexican urban system | |
| CN115439012A (zh) | 基于gis的干旱绿洲县级区域城镇建设适宜性细化评价方法 | |
| CN113935622A (zh) | 一种生态地质环境质量评价方法、系统及电子设备 | |
| CN113610346A (zh) | 基于多源数据的村庄发展潜力评价及村庄分类方法及装置 | |
| CN117893923B (zh) | 一种基于蓝绿灰比例构建空间场景的方法 | |
| KarimzadehMotlagh et al. | Modeling the Sustainable Land-Use Allocation in the Great Isfahan Using Multi-Criteria Evaluation in GIS Environment |
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 |