排序方式： 共有6条查询结果，搜索用时 140 毫秒
1
1.
GlobeLand30数据已被广泛应用于生态、环境、气候等研究领域,对其进行精度验证是保证GlobeLand30产品推广应用的首要前提.本文提出了一种基于众源地理数据的GlobeLand30人造地表精度验证方法:首先利用随机抽样的方法布设样本点,其次应用LDA(latent Dirichlet allocation)主题模型计算众源数据文档的地表覆盖主题,最后通过构建样本点与GlobeLand30数据产品之间的混淆矩阵,以实现人造地表数据的精度验证.研究区域为我国27个省级行政区,众源地理数据选用POI数据,对本文提出的方法进行了实例验证.结果表明:2000年和2010年的人造地表总体精度分别为87.63％和88.81％,这与GlobeLand30人造地表第三方评价精度86.97％相近,验证了本文方法的有效性. 相似文献
2.
以广州市为例，选取中心4个区6 670个采样点（涵盖121个社区）的百度街景图片，从城市建成环境特征探讨了城市贫困识别的可能。首先，训练基于深度神经网络的街景图片分类模型后，对街景要素进行语义分割，并通过缓冲区分析统计社区尺度的街景指标；其次，经主成分分析法提取出建筑围合感、植被围合感、天空开阔感和道路开阔感4个街景主因子，并验证其与多重贫困指数（IMD）的相关性；最后，通过采用简单随机抽样法选取61个社区，构建街景预测的多元线性回归模型，对剩余60个社区进行贫困预测，验证街景指标测度城市贫困的度量精度。结果发现，案例社区的多重贫困指数（IMD）与建筑围合感呈正相关，与植被围合感、天空开阔感、道路开阔感呈负相关；从整体看来，街景预测结果与传统城市贫困测度的空间规律基本相符，而且结果通常比传统测度的城市贫困程度高。这是因为受测度内容、社区类型、街道属性等方面的影响，街景识别方式比较适用于判断建成环境较差的贫困社区。街景图片预测有利于刻画城市贫困人群真实的生活环境，便于对城市建成区进行及时监测，在一定程度上可以与传统城市贫困测度相互校正、弥补不足。 相似文献
3.
北京市产业结构与土地利用结构的关系研究 总被引：1，自引：0，他引：1
分析产业结构与土地利用结构之间的关系,为产业结构调整政策及土地利用结构优化提供依据。以处于不同经济发展阶段的北京市18个区(县)作为案例区。首先,采用人均GDP和产业产值结构等指标对各区(县)的经济发展阶段进行判断;其次,分析各区(县)各类产业用地的结构特征;第三,采用地均产值(VA)指标分析各类产业的用地效益,采用产值占地比值比(OR)指标分析各个产业的产值与用地量之间的关联方式。结果显示:第三产业地均产值高于第二产业及第一产业,但变化规律并不相同;全市三次产业的产值与用地之间都不是完全协调的关系。结论是产业结构调整是提升土地集约利用水平的主要途径,集约用地政策也是引导和约束产业结构调整的重要手段。 相似文献
5.
针对传统基于遥感影像的地表覆盖分类方法普遍存在的生产周期长、成本高、自动化程度低等问题，提出了一种完全利用兴趣点（point of interest，POI）数据进行地表覆盖自动化分类的方法。首先应用潜在狄利克雷分布主题计算模型，从POI数据的文本信息中挖掘出与地表覆盖类型相关的主题类型和分布概率；然后基于POI文本的主题分布，运用支持向量机分类算法构建地表覆盖分类模型；最后以遥感影像地表覆盖分类结果为依据，采用随机抽样的方式对所提方法进行验证。结果表明，该方法能够较好地区分人造地表和非人造地表，且整体分类精度超过80%，可作为传统遥感影像分类的辅助手段，满足地表覆盖快速分类的制图需求。 相似文献
6.
基于POI数据的北京市商业中心识别与空间格局探究 总被引：1，自引：0，他引：1
商业中心是城市空间结构的重要组成部分,传统商业中心识别主要借助统计资料和经济普查数据,耗时耗力且更新频率较低;以POI(兴趣点)数据为代表的众源地理数据为城市商业中心识别提供了新思路。本文以北京市801478条商业POI数据为基础,根据商业职能定义将其分为生活类、休闲娱乐类、公共服务类、金融商务类和汽车相关类,运用核密度法识别不同职能的商业中心,结合Getis-Ord G_i~*统计量详细探究中心城区商业空间格局。结果表明:(1)北京市商业格局呈现圈层式结构,沿交通干道向外发展;(2)不同类型的商业中心存在显著的空间分异特征,生活与公共服务中心高度向心集中,金融商务和汽车相关中心多分布于城市功能拓展区,休闲娱乐中心为多组团式离散分布;(3)中心城区生活类商业职能完备,北部区域商业密度高于南部区域。 相似文献
1