一种基于多遥感数据的经济福祉空间制图方法及装置与流程
本说明书一个或多个实施例涉及地理信息科学,尤其涉及一种基于多遥感数据的经济福祉空间制图方法及装置。
背景技术:
1、当前,经济福祉空间制图过程中,空间分辨率低。并且,传统遥感反演方法在升尺度过程中纹理特征丢失及存在系统性回归偏差的问题,最终导致经济福祉空间图表的偏差大。
技术实现思路
1、本发明描述一种基于多遥感数据的经济福祉空间制图方法及装置,可以解决上述技术问题。
2、根据第一方面,提供一种基于多遥感数据的经济福祉空间制图方法,包括以下步骤:
3、获取目标行政区域的遥感特征数据,根据所述目标行政区域的遥感特征数据,得到网格区域的高维特征向量,所述网格区域是对目标行政区域按照目标空间分辨率划分得到的区域,随后根据所述遥感特征数据,剔除划分得到的网格区域中无人的网格区域;
4、获取所述目标行政区域的经济统计数据,根据所述目标行政区域的经济统计数据,得到所述网格区域的经济统计数据;
5、利用第一模型,根据所述网格区域的高维特征向量和经济统计数据,对所述网格区域的经济福祉指数进行预测,得到所述网格区域的初始经济福祉预测栅格图,所述初始经济福祉预测栅格图中包括网格区域的初始经济福祉预测指数,所述第一模型是对监督学习模型训练得到的模型;
6、利用第二模型,根据所述初始经济福祉预测栅格图,得到所述目标行政区域的经济福祉预测地图,所述目标行政区域的经济福祉预测地图指示了所述目标行政区域中经济福祉预测指数的栅格分布特征与所述目标行政区域的经济统计数据之间的非线性映射关系,所述第二模型是对回归模型训练得到的模型。
7、在一些实施例中,所述利用第二模型,根据所述初始经济福祉预测栅格图,得到所述目标行政区域的经济福祉预测地图,包括:
8、根据所述初始经济福祉预测栅格图中每个网格区域的初始经济福祉预测指数,得到所述目标行政区域的分布特征向量,所述分布特征向量指示所述目标行政区域内不同网格区域的初始经济福祉预测指数的差异;
9、将所述分布特征向量输入所述第二模型,得到所述目标行政区域中经济福祉预测指数的栅格分布特征与所述目标行政区域的经济统计数据之间的非线性映射关系,从而输出所述目标行政区域的经济福祉预测地图。
10、在一些实施例中,所述根据目标行政区域的遥感特征数据,得到网格区域的高维特征向量,包括:
11、按照目标空间分辨率,对所述目标行政区域进行划分,得到多个网格区域;
12、对于每个遥感特征,计算所述网格区域内的像元在遥感特征的特征值的第25百分位数、第50百分位数和第75百分位数,并将这三个特征值组合成该遥感特征的遥感特征向量:
13、 ,其中是网格区域内像元的遥感特征数据集合,表示第百分位数,其中,所述遥感特征包括高维地表嵌入特征和夜间灯光特征。
14、在一些实施例中,所述根据所述初始经济福祉预测栅格图中每个网格区域的初始经济福祉预测指数,得到所述目标行政区域的分布特征向量,包括:
15、根据所述初始经济福祉指数栅格图,获取所述目标行政区域中每个网格区域的初始经济福祉预测指数的均值、标准差、偏度以及若干个预设分位数;
16、将网格区域的初始经济福祉预测指数的均值、标准差、偏度以及若干个预设分位数进行组合,得到第i所述目标行政区域的分布特征向量:
17、
18、其中:是目标行政区域内网格区域的初始经济福祉预测指数的均值,是目标行政区域内网格区域的初始经济福祉预测指数的标准差,目标行政区域内网格区域的初始经济福祉预测指数偏度,是第百分位数,表征初始经济福祉预测指数分布的极值情况。
19、在一些更具体的实施例中,所述第一模型是通过如下方式训练得到:
20、利用所述目标行政区域的兴趣点核密度数据,得到人类活动强度权重图,所述人类活动强度权重图用于表征所述目标行政区域中人类空间分布密度的连续权重栅格图;
21、按照目标空间分辨率,在所述目标行政区域的边界范围内,划分所述目标行政区域的网格区域;
22、根据所述人类活动强度权重图中的空间采样概率,抽取预设数量的网格区域,作为样本点;
23、获取所述目标行政区域的历史遥感特征数据和历史统计数据;
24、根据所述历史统计数据,确定所述目标行政区域中各样本点的经济福祉指数标签;
25、根据所述历史遥感特征数据,确定所述各样本点的遥感特征向量;
26、利用所述样本点的遥感特征向量和经济福祉指数标签,对所述第一模型进行训练,得到训练后的所述第一模型。
27、在一些更具体的实施例中,根据所述历史统计数据,确定所述目标行政区域中各样本点的经济福祉指数标签,包括:
28、获取所述目标行政区域中各行政区域中经济基础指标、公共服务指标和人力资本指标中的至少一项指标;
29、计算所述指标的信息熵及权重;
30、将所述指标、其对应的信息熵和权重进行加权求和,得到所述目标行政区域的经济福祉指数标签;
31、将所述目标行政区域对应的经济福祉指数标签,统一赋值给所述目标行政区域内的样本点;
32、或者,
33、获取所述目标行政区域的邻里生活方式指数等级概率数据,所述邻里生活方式指数等级概率数据指示所述目标行政区域属于第邻里生活方式指数等级的概率,k=1,…,l,是等级总数;
34、根据所述邻里生活方式指数等级概率数据,得到所述目标行政区域的经济福祉指数的期望值,将所述目标行政区域的经济福祉指数的期望值,作为所述目标行政区域的经济福祉指数标签;
35、将所述目标行政区域的经济福祉指数标签,统一赋值给所述目标行政区域内的样本点。
36、在一些更具体的实施例中,所述第二模型是通过如下方式训练得到:
37、利用所述第一模型输出的目标行政区域的初始经济福祉预测栅格图,得到所述目标行政区域内各样本点的分布特征向量;
38、将各样本点的分布特征向量作为输入数据,样本点的经济福祉指数标签作为目标数据,对所述第二模型进行训练,得到训练后的所述第二模型。
39、根据第二方面,提供一种基于多遥感数据的经济福祉空间制图装置,包括:
40、采集模块,用于获取目标行政区域的遥感特征数据,根据所述目标行政区域的遥感特征数据,得到网格区域的高维特征向量,所述网格区域是对目标行政区域按照目标空间分辨率划分得到的区域,随后根据所述遥感特征数据,剔除划分得到的网格区域中无人的网格区域;获取所述目标行政区域的经济统计数据,根据所述目标行政区域的经济统计数据,得到所述网格区域的经济统计数据;
41、第一处理模块,用于利用第一模型,根据所述网格区域的高维特征向量和经济统计数据,对所述网格区域的经济福祉指数进行预测,得到所述网格区域的初始经济福祉预测栅格图,所述初始经济福祉预测栅格图中包括网格区域的初始经济福祉预测指数,所述第一模型是对监督学习模型训练得到的模型;
42、第二处理模块,用于利用第二模型,根据所述初始经济福祉预测栅格图,得到所述目标行政区域的经济福祉预测地图,所述目标行政区域的经济福祉预测地图指示了所述目标行政区域中经济福祉预测指数的栅格分布特征与所述目标行政区域的经济统计数据之间的非线性映射关系,所述第二模型是对回归模型训练得到的模型。
43、在一些实施例中,第二处理模块,用于根据所述初始经济福祉预测栅格图中每个网格区域的初始经济福祉预测指数,得到所述目标行政区域的分布特征向量,所述分布特征向量指示所述目标行政区域内不同网格区域的初始经济福祉预测指数的差异;
44、将所述分布特征向量输入所述第二模型,得到所述目标行政区域中经济福祉预测指数的栅格分布特征与所述目标行政区域的经济统计数据之间的非线性映射关系,从而输出所述目标行政区域的经济福祉预测地图。
45、在一些实施例中,采集模块,用于按照目标空间分辨率,对所述目标行政区域进行划分,得到多个网格区域;
46、对于每个遥感特征,计算所述网格区域内的像元在遥感特征的特征值的第25百分位数、第50百分位数和第75百分位数,并将这三个特征值组合成该遥感特征的遥感特征向量:
47、 ,其中是网格区域内像元的遥感特征数据集合,表示第百分位数,其中,所述遥感特征包括高维地表嵌入特征和夜间灯光特征。
48、在一些实施例中,第一处理模块,用于根据所述初始经济福祉指数栅格图,获取所述目标行政区域中每个网格区域的初始经济福祉预测指数的均值、标准差、偏度以及若干个预设分位数;
49、将网格区域的初始经济福祉预测指数的均值、标准差、偏度以及若干个预设分位数进行组合,得到第i所述目标行政区域的分布特征向量:
50、
51、其中:是目标行政区域内网格区域的初始经济福祉预测指数的均值,是目标行政区域内网格区域的初始经济福祉预测指数的标准差,目标行政区域内网格区域的初始经济福祉预测指数偏度,是第百分位数,表征初始经济福祉预测指数分布的极值情况。
52、在一些实施例中,还包括训练模块,用于利用所述目标行政区域的兴趣点核密度数据,得到人类活动强度权重图,所述人类活动强度权重图用于表征所述目标行政区域中人类空间分布密度的连续权重栅格图;
53、按照目标空间分辨率,在所述目标行政区域的边界范围内,划分所述目标行政区域的网格区域;
54、根据所述人类活动强度权重图中的空间采样概率,抽取预设数量的网格区域,作为样本点;
55、获取所述目标行政区域的历史遥感特征数据和历史统计数据;
56、根据所述历史统计数据,确定所述目标行政区域中各样本点的经济福祉指数标签;
57、根据所述历史遥感特征数据,确定所述各样本点的遥感特征向量;
58、利用所述样本点的遥感特征向量和经济福祉指数标签,对所述第一模型进行训练,得到训练后的所述第一模型。
59、在一些实施例中,训练模块,用于获取所述目标行政区域中各行政区域中经济基础指标、公共服务指标和人力资本指标中的至少一项指标;
60、计算所述指标的信息熵及权重;
61、将所述指标、其对应的信息熵和权重进行加权求和,得到所述目标行政区域的经济福祉指数标签;
62、将所述目标行政区域对应的经济福祉指数标签,统一赋值给所述目标行政区域内的样本点;
63、或者,
64、获取所述目标行政区域的邻里生活方式指数等级概率数据,所述邻里生活方式指数等级概率数据指示所述目标行政区域属于第邻里生活方式指数等级的概率,k=1,…,l,是等级总数;
65、根据所述邻里生活方式指数等级概率数据,得到所述目标行政区域的经济福祉指数的期望值,将所述目标行政区域的经济福祉指数的期望值,作为所述目标行政区域的经济福祉指数标签;
66、将所述目标行政区域的经济福祉指数标签,统一赋值给所述目标行政区域内的样本点。
67、在一些实施例中,训练模块,用于利用所述第一模型输出的目标行政区域的初始经济福祉预测栅格图,得到所述目标行政区域内各样本点的分布特征向量;
68、将各样本点的分布特征向量作为输入数据,样本点的经济福祉指数标签作为目标数据,对所述第二模型进行训练,得到训练后的所述第二模型。
69、根据第三方面,提供一种计算机存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被一个或多个处理器执行时,实现如上述实施例中任一项所述基于多遥感数据的经济福祉空间制图方法。
70、根据第四方面,提供一种电子设备,包括存储器和一个或多个处理器,所述存储器上存储有计算机程序,所述计算机程序被所述一个或多个处理器执行时实现如上述实施例中任一项所述基于多遥感数据的经济福祉空间制图方法。
71、在本说明书实施例提供的上述方法和系统中,通过构建邻里分位数聚合特征以保留地表微观纹理信息,并引入基于区域分布特征的统计校准机制,实现从离散、宏观的行政单元统计数据向连续、高分辨率栅格数据的精准推演,并确保推演结果聚合后的统计值与地面真值保持高度一致。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com