-
公开(公告)号：CN115146990B
公开(公告)日：2024-02-27
申请号：CN202210852776.0
申请日：2022-07-11
Applicant: 南京大学
IPC: G06Q10/0639 , G06Q50/26 , G06F16/9537 , G06F16/29 , G06F18/23 , G06N5/01
Abstract: 本发明公开一种集成多源地理大数据的城市活力定量评价方法，本评价方法包括以下步骤：S1、对道路数据进行预处理获取街区数据，S2、将街区范围内获取的城市活力评价数据进行汇总，形成特征，S3、计算Pearson相关系数矩阵，确定特征与城市活力的相关性，同时排除冗余特征，S4、构建综合指标和机器学习模型模拟城市活力，S5、对城市活力模拟结果进行精度评价，分析各特征的贡献。本发明通过集成多源地理大数据，构建综合指标和构建机器学习模型，可以解决现有技术中城市活力评价方法精度不足、数据来源较少的问题，建立衡量各因素对城市活力的贡献的方法，并形成综合城市活力评价体系。
-
公开(公告)号：CN115795819A
公开(公告)日：2023-03-14
申请号：CN202211409294.4
申请日：2022-11-11
Applicant: 南京大学
Abstract: 本发明公开了基于SEBS模型和CASA模型的植被水分利用效率模拟方法，该方法包括以下步骤：S1、采用SEBS模型模拟植被蒸散发量；S2、采用CASA模型估算植被净初级生产力；S3、估算植被水分利用效率并分析其空间分布特征和时间变化趋势。通过采用SEBS模型模拟植被蒸散发量，结合CASA模型模拟不同植被的净初级生产力，综合考虑气候、土壤、地形、人类活动等多方面因素，估算了植被水分利用效率，可以对气候变化和人类活动对植被的影响程度进行分析，为监测区域生态保护状况提供技术支撑。
-
公开(公告)号：CN114969007A
公开(公告)日：2022-08-30
申请号：CN202210621710.0
申请日：2022-06-01
Applicant: 南京大学
IPC: G06F16/215 , G06K9/62 , G06Q10/06
Abstract: 本发明涉及一种基于功能混合度和集成学习的城市功能区识别方法，属于数字信息技术领域。该方法执行如下步骤：1）收集数据以及预处理；2）构建所述城市功能区的识别体系的10个指标特征；3）结构化指标；通过空间统计工具统计各宗地所对应的10个指标特征数据；4）自变量数据集构建；5）响应变量标记；6）根据功能混合度将训练数据集划分为若干子训练集；7）基于Stacking策略的集成学习训练；8）属性表连接完成该宗地的功能区识别。本发明通过对功能混合度进行分级的方式将训练集分开并让预测集数据按照对应功能混合度进行预测，提供了一种较为准确挖掘城市功能区类型和城市特征之间的相关性，实现城市特征映射城市功能区类型识别的方法。
-
公开(公告)号：CN119443378A
公开(公告)日：2025-02-14
申请号：CN202411490496.5
申请日：2024-10-24
Applicant: 南京大学
Abstract: 本发明公开了一种城镇空间三维结构与人口流动的相关性分析方法，涉及城镇空间与人口流动相关性分析领域，该方法包括以下步骤：基于城镇建设数据集构建城镇建设指标体系，通过对城镇建设指标体系进行结构特征分析，得到城镇建设三维空间结构特征；利用基站获取手机信令数据并识别城镇人口的通勤行为，构建城镇人口流动的网络结构特征；利用LightGBM算法构建并训练回归模型，通过SHAP算法对回归模型进行解释性分析。本发明通过对城镇空间特征与人口流动时空相关性分析，探究城镇空间结构的各特征对人口流动重要程度，进而有效地利用人口流动趋势来进行对城市发展规划方向提供有价值的参考。
-
公开(公告)号：CN116644809B
公开(公告)日：2024-04-05
申请号：CN202310597567.0
申请日：2023-05-25
Applicant: 南京大学
IPC: G06N5/01 , G06N20/00 , G06Q10/0639 , G06Q50/26
Abstract: 本发明公开一种集成地理大数据和机器学习的城镇开发边界划定方法，本方法包括以下步骤：S1、收集的大量多源地理大数据进行数据清洗等预处理；S2、从自然要素、生态要素、人文要素三个维度构建指标因子，从单因子角度分析城镇开发边界适宜性，并得到各评价指标的评分标准；S3、构建随机森林模型来确定各指标权重。本发明基于空间调查数据等基础地理数据，融合夜间灯光、微博签到、房屋地价数据等地理大数据集成多源地理大数据，从自然、人文、生态三个维度选取全面合理的因子构建城镇开发边界适宜性指标体系，以人工绘制的边界为参考，使用机器学习方法确定权重，划定城镇开发边界。
-
Patent Agency Ranking
公开(公告)号：CN115100394B
公开(公告)日：2023-11-03
申请号：CN202210729862.2
申请日：2022-06-24
Applicant: 南京大学
IPC: G06V10/25 , G06V10/764 , G06V20/10 , G06V20/70
Abstract: 本发明涉及一种基于兴趣点Voronoi图的城市街区功能识别方法，属于数据处理技术领域。该方法执行如下步骤：对城市街区内部的兴趣点数据按类别进行分类；创建规则格网将城市街区划分为若干格网单元；对每个格网单元内的兴趣点数据进行聚合，得到兴趣点聚合点数据；基于兴趣点聚合点数据创建Voronoi图，得到每个兴趣点聚合点数据对应的Voronoi多边形；计算城市街区内每个Voronoi多边形的面积，将Voronoi多边形的面积与城市街区的面积之比作为对应的兴趣点聚合点数据的权重，从而实现对城市街区的功能识别。本发明能够凸显密度低但能够表征城市街区主导功能的兴趣点数据重要性，从而有助于提高基于兴趣点数据的城市街区功能区识别的准确率。
-
公开(公告)号：CN116644809A
公开(公告)日：2023-08-25
申请号：CN202310597567.0
申请日：2023-05-25
Applicant: 南京大学
IPC: G06N5/01 , G06N20/00 , G06Q10/0639 , G06Q50/26
Abstract: 本发明公开一种集成地理大数据和机器学习的城镇开发边界划定方法，本方法包括以下步骤：S1、收集的大量多源地理大数据进行数据清洗等预处理；S2、从自然要素、生态要素、人文要素三个维度构建指标因子，从单因子角度分析城镇开发边界适宜性，并得到各评价指标的评分标准；S3、构建随机森林模型来确定各指标权重。本发明基于空间调查数据等基础地理数据，融合夜间灯光、微博签到、房屋地价数据等地理大数据集成多源地理大数据，从自然、人文、生态三个维度选取全面合理的因子构建城镇开发边界适宜性指标体系，以人工绘制的边界为参考，使用机器学习方法确定权重，划定城镇开发边界。
-
公开(公告)号：CN115146990A
公开(公告)日：2022-10-04
申请号：CN202210852776.0
申请日：2022-07-11
Applicant: 南京大学
Abstract: 本发明公开一种集成多源地理大数据的城市活力定量评价方法，本评价方法包括以下步骤：S1、对道路数据进行预处理获取街区数据，S2、将街区范围内获取的城市活力评价数据进行汇总，形成特征，S3、计算Pearson相关系数矩阵，确定特征与城市活力的相关性，同时排除冗余特征，S4、构建综合指标和机器学习模型模拟城市活力，S5、对城市活力模拟结果进行精度评价，分析各特征的贡献。本发明通过集成多源地理大数据，构建综合指标和构建机器学习模型，可以解决现有技术中城市活力评价方法精度不足、数据来源较少的问题，建立衡量各因素对城市活力的贡献的方法，并形成综合城市活力评价体系。
-
公开(公告)号：CN114973018A
公开(公告)日：2022-08-30
申请号：CN202210671132.1
申请日：2022-06-15
Applicant: 南京大学
Abstract: 本发明公开了一种人类活动对植被覆盖变化的定量分析方法，该方法包括以下步骤：S1、采用MODIS/NDVI遥感数据表征植被覆盖、VIIRS/DNB遥感数据表征人类活动强度，通过时间序列预处理技术分别构建MTS和VTS两个时间序列；S2、构建时间序列分割技术，实现时间序列的迭代分割；S3、构建时间序列合并与特征提取技术，通过排序角度法迭代实现时间序列的合并，并提取时间序列特征；S4、通过分析MTS和VTS的时间序列特征，进行MTS和VTS的计算与空间格局分析，实现MTS和VTS相关性的定量化分析。通过融合时间序列分割、时间序列合并、空间分析与统计等技术，实现人类活动对植被覆盖影响的定量化分析。
-
公开(公告)号：CN114971358A
公开(公告)日：2022-08-30
申请号：CN202210661299.X
申请日：2022-06-13
Applicant: 南京大学
Abstract: 本发明公开了一种基于D‑G曲线和BP‑ANN的城市建成区活力评价方法，包括以下步骤：S1：步骤1：首解构城市活力的形成；S2：基于不同数据源、不同分类标准的土地利用覆被产品为土地资源、类型等信息提取提供扎实的数据支撑；S3：基于POI密度估计，采用D‑G区县识别建成区的空间界限；S4：最终的建成区由边界Ⅰ与边界Ⅱ经空间几何分析后融合提取得到；S5：确定好城市活力评价范围后，对指标需进行标准化处理；S6：采用模糊聚类和随机抽样相结合的训练样本选取方法。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.035 seconds)
