【技術實現步驟摘要】
本專利技術涉及城鎮開發，特別是一種基于深度學習的城鎮開發邊界識別方法。
技術介紹
1、山地城市具備獨特的復雜地形和生態敏感性，其高差顯著的地形條件、陡峭坡度、斷裂帶以及水土保持的要求，導致開發邊界劃定復雜化；與此同時，快速的城鎮化進程加劇了土地供需矛盾，建設用地的有限性與生態保護的剛性要求形成沖突，在山地城市中，開發邊界劃定不僅是空間規劃的技術問題，更是生態安全、社會經濟發展之間的平衡問題。
2、現有的城鎮開發邊界識別方法，主要依賴地理信息系統gis疊加分析、土地適宜性評價和元胞自動機模擬等技術手段進行邊界界定，但此類方案多基于平原城市的假設框架，對山地城市的地形特征響應能力不足，山地城市存在地形坡度、海拔差異，此類差異會對建設用地適宜性造成影響，易導致規劃結果中開發區域與實際地形條件的適配性較低。
3、部分傳統方案為適應山地城市開發建設需求，引入地形因子和生態約束條件進行適應性調整，利用坡度、斷裂帶分布作為用地適宜性評價的關鍵因子，一定程度上減少了高風險區域的開發；但此類方案對動態變化的地形響應不足，隨著時間推移，山體穩定性、植被覆蓋和水文條件等會發生變化，傳統的地形因子疊加分析缺乏系統性，無法有效捕捉地形、生態和社會經濟之間的交互作用，導致開發邊界的實際適用性不足，因此亟需一種基于深度學習的城鎮開發邊界識別方法來解決此類問題。
技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、本專利技術提供了一種基于深度學習的城鎮開發邊界識別
3、為解決上述技術問題，本專利技術提供如下技術方案：
4、本專利技術實施例提供了一種基于深度學習的城鎮開發邊界識別方法，其包括，
5、步驟s1，收集山地城市的開發數據，包括遙感影像、數字高程模型dem、土地利用現狀和社會經濟指標數據；
6、步驟s2，將開發數據導入地理探測器，分析不同因子的空間異質性和交互關系，通過q值評估各因子的貢獻率，并篩選出關鍵驅動因子及其權重；
7、步驟s3，將驅動因子及其權重輸入混合元胞自動機模型mcca；
8、步驟s4，利用初步邊界結合深度學習的生成對抗網絡gan，模擬生態保護、經濟效益和用地效率的動態平衡過程，gan通過生成與判別機制優化剛性開發邊界和彈性開發邊界，輸出最終開發邊界；
9、步驟s5，基于步驟s1的開發數據，對步驟s3的mcca和步驟s4的gan的進行校準，更新鄰域規則、驅動因子權重和擴展概率函數并重新模擬開發邊界，生成實時的剛性與彈性邊界。
10、作為本專利技術所述一種基于深度學習的城鎮開發邊界識別方法的一種優選方案，其中：步驟s1中，所述遙感影像數據采用卷積神經網絡進行特征提取，識別山地地形特征和生態敏感區域。
11、作為本專利技術所述一種基于深度學習的城鎮開發邊界識別方法的一種優選方案，其中：所述采用卷積神經網絡進行特征提取，識別山地地形特征和生態敏感區域的步驟為，
12、設影像數據為三維張量，，其中，為影像的高度，為影像的寬度，為影像的通道數，表示空間柵格數據的數值范圍，
13、進行歸一化，歸一化公式為：
14、，
15、其中，為歸一化后的像素值，為對應影像的像素位置，為空間坐標，為通道索引，為影像的最小值和最大值，
16、進行卷積操作，卷積公式為：
17、，
18、其中，為卷積輸出特征圖在位置和第個特征圖的值，為卷積核在位置以及第通道和第核的權重，為第個卷積核的偏置，為卷積核的高度和寬度，為輸入通道數，
19、使用非線性激活函數relu對卷積輸出進行激活，激活公式為：
20、，
21、其中，為激活后的特征圖值，為空間位置，為特征通道索引，
22、進行池化操作，池化公式為：
23、，
24、其中，為池化后的特征值，為池化窗口覆蓋的區域，
25、進行分類，將池化后的特征圖展平并映射到分類輸出空間，映射公式為：
26、，
27、其中，為全連接層第個神經元的輸出，為全連接層的權重，為池化層的展平值，為偏置，
28、分類公式為：
29、，
30、其中，為分類概率，為分類類別總數，為類別的指數化激活值，為神經網絡對類別的激活值，根據分類概率，提取地形特征矩陣和生態敏感區域矩陣，表示所有類別的指數化激活值之和。
31、作為本專利技術所述一種基于深度學習的城鎮開發邊界識別方法的一種優選方案，其中：地理探測器是一種基于空間異質性分析的統計方法，用于量化驅動因子對目標變量的貢獻率及因子間交互作用；
32、所述將開發數據導入地理探測器，分析不同因子的空間異質性和交互關系，通過q值評估各因子的貢獻率，并篩選出關鍵驅動因子及其權重的步驟為，
33、設步驟s1輸出的開發數據為標準化后的柵格數據，包含個因子和一個目標變量，定義為柵格數據集，其中，為第個因子的空間分布矩陣，，表示空間柵格數據的數值范圍，為目標變量矩陣，為柵格的行數和列數，
34、將目標變量的空間區域劃分為個子區域，根據其值的分布生成區域集合，劃分公式為：
35、，
36、其中，為第個空間區域，為子區域的總數，
37、地理探測器通過q值評估每個因子的空間異質性貢獻率，評估公式為：
38、，
39、其中，為因子對目標變量的貢獻率，范圍為[0,1]，為子區域的像元數，為總像元數，為子區域內目標變量的方差，為目標變量的全局方差，如果，表示因子完全解釋了的空間分布，如果，表示因子對的分布無貢獻。
40、作為本專利技術所述一種基于深度學習的城鎮開發邊界識別方法的一種優選方案，其中：所述分析不同因子的空間異質性和交互關系的步驟還包括：
41、對于因子和的交互作用，定義交互q值為：
42、，
43、其中，為因子和的交互貢獻率，為交互區域的像元數，為交互區域內目標變量的方差，
44、交互結果的類型為：
45、如果，表示交互增強，
46、如果，表示獨立，
47、如果，表示交互減弱，
48、根據和交互結果，選擇貢獻率大于某閾值的因子，以及具有顯著增強交互作用的因子對，關鍵因子集合定義為：
49、，
50、其中，為關鍵因子集合，為貢獻率和交互貢獻率的閾值，
51、對篩選出的關鍵因子集合，根據其q值進行歸一化計算權重，計算公式為：
52、，
53、其中，為因子的歸一化權重，為關鍵因子的總貢獻率。
54、作為本專利技術所述一種基于深度學習的城鎮開發邊界識別方法的本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的城鎮開發邊界識別方法，其特征在于：包括，
2.如權利要求1所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：步驟S1中，所述遙感影像數據采用卷積神經網絡進行特征提取，識別山地地形特征和生態敏感區域。
3.如權利要求2所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述采用卷積神經網絡進行特征提取，識別山地地形特征和生態敏感區域的步驟為，
4.如權利要求3所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述將開發數據導入地理探測器，分析不同因子的空間異質性和交互關系，通過q值評估各因子的貢獻率，并篩選出關鍵驅動因子及其權重的步驟為，
5.如權利要求4所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述分析不同因子的空間異質性和交互關系的步驟還包括：
6.如權利要求5所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：步驟S3中，采用基于長短時記憶網絡LSTM的空間預測模型對生態敏感區域的擴展趨勢進行動態建模，校正MCCA的鄰域規則和擴展概率函數，生成不同情景
7.如權利要求6所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述采用基于長短時記憶網絡LSTM的空間預測模型對生態敏感區域的擴展趨勢進行動態建模的步驟為，
8.如權利要求7所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述剛性開發邊界指的是生態保護紅線內的生態區域邊界；
9.如權利要求8所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述模擬生態保護、經濟效益和用地效率的動態平衡過程，GAN通過生成與判別機制優化剛性開發邊界和彈性開發邊界，輸出最終開發邊界的步驟為，
10.如權利要求9所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述對步驟S3的MCCA和步驟S4的GAN的進行校準，更新鄰域規則、驅動因子權重和擴展概率函數并重新模擬開發邊界，生成實時的剛性與彈性邊界的步驟為，
...【技術特征摘要】
1.一種基于深度學習的城鎮開發邊界識別方法，其特征在于：包括，
2.如權利要求1所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：步驟s1中，所述遙感影像數據采用卷積神經網絡進行特征提取，識別山地地形特征和生態敏感區域。
3.如權利要求2所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述采用卷積神經網絡進行特征提取，識別山地地形特征和生態敏感區域的步驟為，
4.如權利要求3所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述將開發數據導入地理探測器，分析不同因子的空間異質性和交互關系，通過q值評估各因子的貢獻率，并篩選出關鍵驅動因子及其權重的步驟為，
5.如權利要求4所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：所述分析不同因子的空間異質性和交互關系的步驟還包括：
6.如權利要求5所述的一種基于深度學習的城鎮開發邊界識別方法，其特征在于：步驟s3中，采用基于長短時記憶網絡lstm的空...
【專利技術屬性】
技術研發人員：曲衍波，姜懷龍，商冉，張勇，姜廣輝，王立業，司紅運，汪芳甜，張絲雨，劉朝旭，
申請(專利權)人：山東財經大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。