一种基于贝叶斯网络的城镇建设适宜性评价方法和设备

1.本发明属于城镇建设适宜性评价技术领域，具体涉及一种基于贝叶斯网络的城镇建设适宜性评价方法和设备。


背景技术：

2.城镇建设适宜性评价是国土空间规划中城镇开发边界划定和城镇集约节约高效用地的基础，城镇建设适宜性的核心工作是建立评价指标体系及其权重体系。
3.传统的城镇建设适宜性评价方法主要包括：在评价指标体系建立方面，集合不同领域专家经验所确定的各单因素指标；在指标权重体系建立方面，或采用专家经验制定各指标权重，或采用木桶原理以短板指标一票否决。但由于各单因素指标的适宜性内在机制不同，对适宜性的整体贡献并不是叠合加权汇总的线性关系，而是内涵的复杂非线性关系，因此采用上述方法得到的评价结果容易存在城镇建设适宜性用地与农业生产适宜性用地重叠，导致评价结果不准确的问题。
4.随着技术的发展，具有认知复杂非线性关系能力的人工智能机器学习方法开始应用于城镇建设适应性评价。该方法利用元胞自动机和人工神经网络将土地分为城镇建设和非城镇建设两种状态，通过寻找经历一定时间后转化为城镇建设用地的众多非城镇建设用地斑块内含因素之间的聚类关系，模拟城镇增长趋势，判别城镇建设适宜性用地。但该方法仍属于“黑箱学习”，仅局限于非线性认知，不易转化为能被人理解和便于操作的线性规则，不具备探究城镇建设适宜性本质的能力。


技术实现要素：

5.本发明的目的是一种基于贝叶斯网络的城镇建设适宜性评价方法和设备，用于解决现有技术中的至少一个技术问题。
6.为了实现上述目的，本发明采用以下技术方案：
7.第一方面，本发明提供一种基于贝叶斯网络的城镇建设适宜性评价方法，包括：
8.获取城镇空间演变数据和城镇建设适宜性的影响因素数据，并对所述城镇空间演变数据和所述影响因素数据处理后生成模型样本数据，其中，所述城镇空间演变数据包括前后两个年份的城镇建设用地数据；
9.将所述模型样本数据输入到非线性贝叶斯网络模型进行结构学习和参数学习，得到城镇建设适宜性影响因素的贝叶斯网络结构以及每项影响因素的影响权重；
10.根据所述贝叶斯网络结构和每项影响因素的影响权重，确定城镇建设适宜性的主导因素，并根据所述主导因素及其影响权重构建城镇建设适宜性的线性评价体系。
11.在一种可能的设计中，所述影响因素数据包括以下一种数据或多种数据的组合：地形数据、水源数据、微气候数据、土壤数据、植被数据、生物多样性数据、地貌数据、灾害数据、城镇聚集条件数据以及交通数据。
12.在一种可能的设计中，对所述城镇空间演变数据和所述影响因素数据处理后生成
模型样本数据，包括：
13.根据前后两个年份的城镇建设用地数据，得到在此期间由非城镇建设转化为城镇化建设的土地空间样本，并对所述土地空间样本进行标签赋值；
14.分析所述土地空间样本的各项影响因素数据的数据分布状态，并基于所述土地空间样本落入不同数据区间的概率，对每项影响因素数据进行离散化分区赋值；
15.将离散化的各项影响因素数据与标签化的土地空间样本进行融合，生成模型学习样本，并基于后一年份的城镇建设用地数据生成模型预测样本。
16.在一种可能的设计中，将所述模型样本数据输入到非线性贝叶斯网络模型进行结构学习和参数学习，得到城镇建设适宜性影响因素的贝叶斯网络结构以及每项影响因素的影响权重，包括：
17.将所述模型学习样本输入到非线性贝叶斯网络模型中；
18.基于结构学习算法，得到城镇建设适宜性影响因素的有向无圈贝叶斯网络结构，其中，所述有向无圈贝叶斯网络结构包括城镇建设适宜性目标节点和若干个影响因素节点；
19.基于参数学习算法，计算两两影响因素节点在不同参数状态下相互依赖的条件概率，得到两两影响因素节点之间的依赖关系；
20.根据两两影响因素节点之间的依赖关系，计算每一影响因素节点在不同参数状态下与所述城镇建设适宜性目标节点之间的敏感性，得到每一影响因素节点对城镇建设适宜性目标节点的影响权重。
21.在一种可能的设计中，在得到两两影响因素节点之间的依赖关系之后，所述方法还包括：
22.利用genie软件的内嵌算法对两两影响因素节点之间的依赖关系强度进行量化。
23.在一种可能的设计中，计算每一影响因素节点在不同参数状态下与所述城镇建设适宜性目标节点之间的敏感性，包括：
24.利用熵减算法计算每一影响因素节点在不同参数状态下与城镇建设适宜性目标节点之间的敏感性，计算公式如下：
25.i＝h(q)-h(q|n)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
26.h(q)＝-∑p(qi)log2p(qi)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
27.h(q|n)＝-∑
i，j
p(qi，nj)log p(qi，nj)p(nj)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
28.其中，q表示城镇建设适宜性目标节点，h(q)表示城镇建设适宜性目标节点的熵值，n表示各影响因素节点，h(q|n)表示城镇建设适宜性目标节点q与影响因素节点n的条件熵，i表示由于影响因素节点n的影响使得目标节点q熵值减少的量，即敏感性，qi表示城镇建设适宜性目标节点的第i种参数状态，p(qi)表示qi的概率质量函数，nj表示每一影响因素节点的第j种参数状态，p(nj)表示nj的概率质量函数，p(qi，nj)表示qi和nj的概率质量函数。
29.在一种可能的设计中，根据所述贝叶斯网络结构和每项影响因素的影响权重，确定城镇建设适宜性的主导因素，并根据所述主导因素及其影响权重构建城镇建设适宜性的线性评价体系，包括：
30.获取所述有向无圈贝叶斯网络结构中没有边指向的独立影响因素节点，将所有独立影响因素节点作为城镇建设适宜性的第一主导因素；
31.从所有影响因素节点中提取大于权重阈值的高权重因素节点，将所述高权重因素节点作为城镇建设适宜性的第二主导因素；
32.结合所述第一主导因素和所述第二主导因素生成第三主导因素，根据所述第三主导因素及其影响权重构建城镇建设适宜性的线性评价体系。
33.第二方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的基于贝叶斯网络的城镇建设适宜性评价方法。
34.第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的基于贝叶斯网络的城镇建设适宜性评价方法。
35.第四方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的基于贝叶斯网络的城镇建设适宜性评价方法。
36.有益效果：
37.本发明通过获取城镇空间演变数据和城镇建设适宜性的影响因素数据，并对城镇空间演变数据和影响因素数据处理后生成模型样本数据；然后将模型样本数据输入到非线性贝叶斯网络模型进行结构学习和参数学习，得到城镇建设适宜性影响因素的贝叶斯网络结构以及每项影响因素的影响权重；最后根据贝叶斯网络结构和每项影响因素的影响权重，确定城镇建设适宜性的主导因素，并根据主导因素及其影响权重构建城镇建设适宜性的线性评价体系，从而避免单纯线性评价陷入城镇建设适宜性用地与农业生产适宜性用地以及生态适宜性用地之间重叠的矛盾，同时开启了非线性机器学习的“黑箱”，将非线性的城镇建设适宜性评价过程转化为能理解、易感知、便于操作、准确、可行和透明化的城镇建设适宜性线性评价。
附图说明
38.图1为本实施例中的基于贝叶斯网络的城镇建设适宜性评价方法的流程图；
39.图2为本实施例中的基于贝叶斯网络的城镇建设适宜性评价方法的流程框图。
具体实施方式
40.为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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。
41.实施例
42.为了解决现有技术中存在的单纯线性评价陷入城镇建设适宜性用地与农业生产适宜性用地以及生态适宜性用地之间重叠的矛盾，或者仅局限于非线性认知，不易转化为能被人理解和便于操作的线性规则的技术问题，本技术实施例提供了一种基于贝叶斯网络
的城镇建设适宜性评价方法，该方法能够避免单纯线性评价陷入城镇建设适宜性用地与农业生产适宜性用地以及生态适宜性用地之间重叠的矛盾，同时开启了非线性机器学习的“黑箱”，将非线性的城镇建设适宜性评价过程转化为能理解、易感知、便于操作、准确、可行和透明化的城镇建设适宜性线性评价。
43.如图1和图2所示，第一方面，本实施例一种基于贝叶斯网络的城镇建设适宜性评价方法，包括但不限于由步骤s101～s103实现：
44.步骤s101.获取城镇空间演变数据和城镇建设适宜性的影响因素数据，并对所述城镇空间演变数据和所述影响因素数据处理后生成模型样本数据，其中，所述城镇空间演变数据包括前后两个年份的城镇建设用地数据；
45.其中，需要说明的是，所述城镇空间演变数据的数据来源可以是历年全国土地利用变更调查数据；所述影响因素数据包括以下一种数据或多种数据的组合：地形数据、水源数据、微气候数据、土壤数据、植被数据、生物多样性数据、地貌数据、灾害数据、城镇聚集条件数据以及交通数据。其中，所述地形数据包括但不限于高程和坡度，所述水源数据包括但不限于水系距离和地下水深度，所述微气候数据包括但不限于平均气温和降水量，所述土壤数据包括但不限于成土母质、土壤质地、土壤类型、有效土层厚度和土壤肥力，所述植被数据包括但不限于国家公益林距离，所述生物多样性数据包括但不限于与自然保护地距离，所述地貌数据包括但不限于土壤侵蚀程度和土壤排水能力，所述灾害数据包括但不限于地质灾害，所述城镇聚集条件数据包括但不限于县级行政中心距离和乡镇级行政中心距离，所述交通数据包括但不限于主要道路、铁路站场和高速出入口距离。
46.在步骤s101一种具体的实施方式中，对所述城镇空间演变数据和所述影响因素数据处理后生成模型样本数据，包括：
47.步骤s101a.根据前后两个年份的城镇建设用地数据，得到在此期间由非城镇建设转化为城镇化建设的土地空间样本，并对所述土地空间样本进行标签赋值；
48.例如，分别获取2015年的城镇建设用地数据和2021年的城镇建设用地数据，将二者进行对比分析，可以得到在此期间由非城镇建设转化为城镇化建设的土地空间样本，并对所述土地空间样本赋予“good”的标签，优选的，将所述土地空间样本标记为适宜城镇建设。
49.步骤s101b.分析所述土地空间样本的各项影响因素数据的数据分布状态，并基于所述土地空间样本落入不同数据区间的概率，对每项影响因素数据进行离散化分区赋值；
50.例如，对于高程数据，可以根据土地空间样本落入不同高程数据区间的概率，将高程数据离散化分区为＜290m、290-370m、370-530m、530-730m、730-1060m以及＞1060m，并分别将上述取值赋值为1、2、3、4、5和6。从而提高后续建立的模型预测的准确度，尽可能降低适宜城镇建设和不适宜城镇建设的两种空间落入同一数据区间的可能性，强化机器学习向传统学习的方向。
51.步骤s101c.将离散化的各项影响因素数据与标签化的土地空间样本进行融合，生成模型学习样本，并基于后一年份的城镇建设用地数据生成模型预测样本。
52.其中，优选的，在生成模型学习样本后，还可以将所述模型学习样本按照一定比例分为模型训练样本和模型测试样本，例如，按照7：3的比例进行划分。
53.步骤s102.将所述模型样本数据输入到非线性贝叶斯网络模型进行结构学习和参
数学习，得到城镇建设适宜性影响因素的贝叶斯网络结构以及每项影响因素的影响权重；
54.在步骤s102一种具体的实施方式中，将所述模型样本数据输入到非线性贝叶斯网络模型进行结构学习和参数学习，得到城镇建设适宜性影响因素的贝叶斯网络结构以及每项影响因素的影响权重，包括：
55.步骤s102a.将所述模型学习样本输入到非线性贝叶斯网络模型中；
56.步骤s102b.基于结构学习算法，得到城镇建设适宜性影响因素的有向无圈贝叶斯网络结构，其中，所述有向无圈贝叶斯网络结构包括城镇建设适宜性目标节点和若干个影响因素节点；
57.其中，具体的，所述有向无圈贝叶斯网络结构包括城镇建设适宜性目标节点、独立影响因素节点和若干有相互依赖关系的影响因素节点，其中，独立影响因素节点是指没有边指向的、各自独立地或单独作用于其他节点的节点。
58.步骤s102c.基于参数学习算法，计算两两影响因素节点在不同参数状态下相互依赖的条件概率，得到两两影响因素节点之间的依赖关系；
59.其中，需要说明的是，所述条件概率是指某一影响因素节点出现，则另一影响因素节点出现的概率。
60.其中，优选的，在得到两两影响因素节点之间的依赖关系之后，所述方法还包括：利用genie软件的内嵌算法对两两影响因素节点之间的依赖关系强度进行量化。从而可以直观地观察到各影响因素节点之间的依赖关系和依赖关系强度。
61.步骤s102d.根据两两影响因素节点之间的依赖关系，计算每一影响因素节点在不同参数状态下与所述城镇建设适宜性目标节点之间的敏感性，得到每一影响因素节点对城镇建设适宜性目标节点的影响权重。
62.其中，需要说明的是，所述不同参数状态下是指每一影响因素节点具有的不同的环境分类状态或者分级参数状态。例如，对于高程影响因素节点，其不同参数状态可以是低海拔、中海拔和高海拔等多种环境分类状态，也可以是＜290m，290-370m，＞370m等分级参数状态，此处不做限定。例如，对于土壤侵蚀程度数据，包括低、中和高三种参数状态。
63.在步骤s102d一种具体的实施方式中，计算每一影响因素节点在不同参数状态下与所述城镇建设适宜性目标节点之间的敏感性，包括：
64.利用熵减算法计算每一影响因素节点在不同参数状态下与城镇建设适宜性目标节点之间的敏感性，计算公式如下：
65.i＝h(q)-h(q|n)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
66.h(q)＝-∑p(qi)log2p(qi)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
67.h(q|n)＝-∑
i，j
p(qi，nj)log p(qi，nj)p(nj)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
68.其中，q表示城镇建设适宜性目标节点，h(q)表示城镇建设适宜性目标节点的熵值，n表示各影响因素节点，h(q|n)表示城镇建设适宜性目标节点q与影响因素节点n的条件熵，i表示由于影响因素节点n的影响使得目标节点q熵值减少的量，即敏感性，qi表示城镇建设适宜性目标节点的第i种参数状态，p(qi)表示qi的概率质量函数，nj表示每一影响因素节点的第j种参数状态，p(nj)表示nj的概率质量函数，p(qi，nj)表示qi和nj的概率质量函数。
69.其中，优选的，得到每一影响因素节点对城镇建设适宜性目标节点的影响权重，包括：
70.将每一影响因素节点在不同参数状态下与所述城镇建设适宜性目标节点之间的敏感性计算结果以百分比的形式进行表征，该百分比的数值即为当前影响因素的影响权重，其中，所有影响因素的影响权重值的总和为1。
71.步骤s103.根据所述贝叶斯网络结构和每项影响因素的影响权重，确定城镇建设适宜性的主导因素，并根据所述主导因素及其影响权重构建城镇建设适宜性的线性评价体系。
72.在步骤s103一种具体的实施方式中，根据所述贝叶斯网络结构和每项影响因素的影响权重，确定城镇建设适宜性的主导因素，并根据所述主导因素及其影响权重构建城镇建设适宜性的线性评价体系，包括：
73.步骤s1031.获取所述有向无圈贝叶斯网络结构中没有边指向的独立影响因素节点，将所有独立影响因素节点作为城镇建设适宜性的第一主导因素；
74.步骤s1032.从所有影响因素节点中提取大于权重阈值的高权重因素节点，将所述高权重因素节点作为城镇建设适宜性的第二主导因素；
75.优选的，所述权重阈值的取值为5％，当然，可以理解的是，该权重阈值还可以是其他取值，此处不做限定。
76.步骤s1033.结合所述第一主导因素和所述第二主导因素生成第三主导因素，根据所述第三主导因素及其影响权重构建城镇建设适宜性的线性评价体系。
77.具体的，根据所述第三主导因素及其影响权重构建城镇建设适宜性的线性评价体系，包括：
78.为每一第三主导因素赋予对应的影响权重，并基于加权后的第三主导因素对城镇建设适宜性进行评价，其中，所有第三主导因素影响权重的总和为1。
79.基于上述公开的内容，本实施例通过获取城镇空间演变数据和城镇建设适宜性的影响因素数据，并对城镇空间演变数据和影响因素数据处理后生成模型样本数据；然后将模型样本数据输入到非线性贝叶斯网络模型进行结构学习和参数学习，得到城镇建设适宜性影响因素的贝叶斯网络结构以及每项影响因素的影响权重；最后根据贝叶斯网络结构和每项影响因素的影响权重，确定城镇建设适宜性的主导因素，并根据主导因素及其影响权重构建城镇建设适宜性的线性评价体系，从而避免单纯线性评价陷入城镇建设适宜性用地与农业生产适宜性用地以及生态适宜性用地之间重叠的矛盾，同时开启了非线性机器学习的“黑箱”，将非线性的城镇建设适宜性评价过程转化为能理解、易感知、便于操作、准确、可行和透明化的城镇建设适宜性线性评价。
80.作为本实施例的一个具体应用，本实施例采集了酉阳市2015年和2021年的城镇建设用地数据以及与城镇建设适宜性有关的多种影响因素数据(上述内容中已阐明，此处不再赘述)，并通过对城镇建设用地数据以及多种影响因素数据进行处理后生成模型样本数据。
81.然后，将模型样本数据输入到非线性贝叶斯网络中进行结构学习和参数学习后发现，在酉阳贝叶斯有向无圈网络中，包括高程、坡度、主要道路、高速出入口、铁路站场、县级行政中心和乡镇级行政中心等七个独立影响因素节点。其中，表征交通条件的主要道路、高速出入口、铁路站场三个独立节点和表征城镇聚集条件的县级行政中心、乡镇级行政中心两个节点分别单独影响城镇建设适宜性。但表征地形条件的高程、坡度两个节点，一方面作
用于植被条件进而影响生物多样性条件，另一方面通过影响表征微气候条件的平均气温和降水量节点，作用于表征水源条件的水系和地下水深度指标节点以及表征土壤条件的成土母质、土壤质地、土壤类型、有效土层厚度、土壤肥力等节点，再作用于表征地貌条件的土壤排水能力、土壤侵蚀程度节点所影响的表征地质灾害条件的地质灾害节点，最终影响城镇建设适宜性。
82.此外，酉阳城镇建设适宜性贝叶斯网络参数学习结果显示：影响权重最高的节点是城镇聚集条件中的乡镇级行政中心和县级行政中心，影响权重分别为11.17％和7.46％；交通条件中的主要道路、高速出入口两个节点，影响权重分别为9.89％和7.83％；地形条件中高程和坡度两个节点，影响权重分别为8.95％和8.04％。影响权重显著的节点，是水源条件中的水系指标，微气候条件中的平均气温、降水量指标和生物多样性条件中的自然保护地指标，影响权重分别为10.95％、7.73％、6.34％和6.15％。影响权重不明显的节点，包括土壤条件中的成土母质、土壤质地、土壤类型、有效土层厚度、土壤肥力五个节点,地貌条件中的土壤侵蚀程度、土壤排水能力两个节点，交通条件中的铁路站场节点，水源条件中的地下水深度指标，灾害条件中土层厚度和土壤肥力五个节点，地貌条件中的土壤侵蚀程度和土壤排水能力两个节点，交通条件中的铁路站场节点，水源条件中的地下水深度，灾害条件中的地质灾害、洪涝灾害两个节点，植被条件中的公益林，影响权重不足2％。
83.基于上述内容，本应用例将上述七个独立影响因素节点除去铁路站场指标节点之外的节点作为第一主导因素，将水系、平均气候、降水量和自然保护地节点作为第二主导因素，并结合二者生成第三主导因素，分别考虑每一第三主导因素的影响权重，形成了由10个影响因素及其影响权重构成的城镇建设适宜性线性评价体系。
84.第二方面，本发明提供一种计算机设备，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面任意一种可能的设计中所述的基于贝叶斯网络的城镇建设适宜性评价方法。
85.第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任意一种可能的设计中所述的基于贝叶斯网络的城镇建设适宜性评价方法。
86.第四方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面任意一种可能的设计中所述的基于贝叶斯网络的城镇建设适宜性评价方法。
87.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。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，均应包含在本发明的保护范围之内。