【技术实现步骤摘要】
一种基于贝叶斯网络的城镇建设适宜性评价方法和设备
[0001]本专利技术属于城镇建设适宜性评价
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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...
【技术保护点】
【技术特征摘要】
1.一种基于贝叶斯网络的城镇建设适宜性评价方法，其特征在于，包括：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；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；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。2.根据权利要求1所述的基于贝叶斯网络的城镇建设适宜性评价方法，其特征在于，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。3.根据权利要求1所述的基于贝叶斯网络的城镇建设适宜性评价方法，其特征在于，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：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；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；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。4.根据权利要求3所述的基于贝叶斯网络的城镇建设适宜性评价方法，其特征在于，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：将所述模型学习样本输入到非线性贝叶斯网络模型中；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；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；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。5.根据权利要求4所述的基于贝叶斯网络的城镇建设适宜性评价方法，其特征在于，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。6.根据权利要求4所述的基于贝叶斯网络的城镇建设适宜性评价方法，其特征在于，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：利用熵减算法计算每一影...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。