基于机器学习的主体功能区识别方法以及装置制造方法及图纸

本申请涉及一种基于机器学习的主体功能区识别方法、装置、电子设备以及存储介质，该方法包括：构建跨层级的主体功能区评价指标体系；根据所述跨层级的主体功能区评价指标体系，获取待测区域的各县级单元的主体功能区样本数据；以所述各县级单元的主体功能区评价指标数据作为输入，以所述各县级单元的主体功能区类型作为输出，对若干个机器学习模型进行训练，获得已训练的主体功能区识别模型；获取所述待测区域的各乡镇级单元的主体功能区评价指标数据；将所述各乡镇级单元的主体功能区评价指标数据输入至所述已训练的主体功能区识别模型，获得所述各乡镇级单元的主体功能区类型，提高了各乡镇级单元的主体功能区识别效率。率。率。

【技术实现步骤摘要】
基于机器学习的主体功能区识别方法以及装置


[0001]本申请涉及区域划分技术、人工智能等领域，特别是涉及一种基于机器学习的主体功能区识别方法、装置、电子设备以及存储介质。

技术介绍

[0002]主体功能区是指国土空间上一个空间单元多种功能中代表该地区核心功能的一项主体功能，在综合分析的基础上，以自然环境要素、社会经济发展水平、生态系统特征以及人类活动形式等的空间分异为依据，划分出具有某种特定主体功能的地域空间单元。主体功能区划在国土空间规划中具有基础性作用和战略性价值，优化和细化主体功能区划是实现主体功能区战略和制度精准落地的关键抓手，是各级国土空间规划落实国土空间开发保护格局、创新空间治理模式、实现空间治理现代化的基础，对推进城市空间治理现代化、促进高质量发展具有重要意义。
[0003]相关技术中，基于传统技术方法的主体功能区划数据需求庞大，需要依赖专家经验判读，从而使工作周期较长、对专业人员需求高。

技术实现思路

[0004]基于此，本申请的目的在于，提供一种基于机器学习的主体功能区识别方法、装置、电子设备以及存储介质，其可提高主体功能区识别的效率。
[0005]根据本申请实施例的第一方面，提供一种基于机器学习的主体功能区识别方法，包括如下步骤：
[0006]构建跨层级的主体功能区评价指标体系；
[0007]根据所述跨层级的主体功能区评价指标体系，获取待测区域的各县级单元的主体功能区样本数据；所述各县级单元的主体功能区样本数据包括所述各县级单元的主体功能区评价指标数据以及所述各县级单元的主体功能区类型；
[0008]以所述各县级单元的主体功能区评价指标数据作为输入，以所述各县级单元的主体功能区类型作为输出，对若干个机器学习模型进行训练，获得已训练的主体功能区识别模型；
[0009]获取所述待测区域的各乡镇级单元的主体功能区评价指标数据；
[0010]将所述各乡镇级单元的主体功能区评价指标数据输入至所述已训练的主体功能区识别模型，获得所述各乡镇级单元的主体功能区类型。
[0011]根据本申请实施例的第二方面，提供一种基于机器学习的主体功能区识别装置，包括：
[0012]指标体系构建模块，用于构建跨层级的主体功能区评价指标体系；
[0013]样本数据获取模块，用于根据所述跨层级的主体功能区评价指标体系，获取待测区域的各县级单元的主体功能区样本数据；所述各县级单元的主体功能区样本数据包括所述各县级单元的主体功能区评价指标数据以及所述各县级单元的主体功能区类型；
[0014]模型训练模块，用于以所述各县级单元的主体功能区评价指标数据作为输入，以所述各县级单元的主体功能区类型作为输出，对若干个机器学习模型进行训练，获得已训练的主体功能区识别模型；
[0015]指标数据获取模块，用于获取所述待测区域的各乡镇级单元的主体功能区评价指标数据；
[0016]类型获得模块，用于将所述各乡镇级单元的主体功能区评价指标数据输入至所述已训练的主体功能区识别模型，获得所述各乡镇级单元的主体功能区类型。
[0017]根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的基于机器学习的主体功能区识别方法。
[0018]根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于机器学习的主体功能区识别方法。
[0019]本申请实施例通过构建跨层级的主体功能区评价指标体系；根据所述跨层级的主体功能区评价指标体系，获取待测区域的各县级单元的主体功能区样本数据；所述各县级单元的主体功能区样本数据包括所述各县级单元的主体功能区评价指标数据以及所述各县级单元的主体功能区类型；以所述各县级单元的主体功能区评价指标数据作为输入，以所述各县级单元的主体功能区类型作为输出，对若干个机器学习模型进行训练，获得已训练的主体功能区识别模型；获取所述待测区域的各乡镇级单元的主体功能区评价指标数据；将所述各乡镇级单元的主体功能区评价指标数据输入至所述已训练的主体功能区识别模型，获得所述各乡镇级单元的主体功能区类型。本申请实施例通过已训练的主体功能区识别模型以及县级单元主体功能区类型，快速识别各乡镇级单元的主体功能区类型，无需依靠专家判读，有效减少了数据需求量和人工成本，提高了各乡镇级单元的主体功能区识别效率。
[0020]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
[0021]为了更好地理解和实施，下面结合附图详细说明本专利技术。
附图说明
[0022]图1为本申请一个实施例提供的基于机器学习的主体功能区识别方法的流程示意图；
[0023]图2为本申请一个实施例提供的基于机器学习的主体功能区识别装置的结构框图；
[0024]图3为本申请一个实施例提供的电子设备的结构示意框图。
具体实施方式
[0025]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0026]应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基
于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0027]在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0028]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
[0029]此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0030]实施例1
[0031]请参阅图1，其为本申请一个实施例提供的基于机器学习的主体功能区识别方法的流程示意图。本申请实施例提供的基于机器学习的主体功能区识别方法，包括如下步骤：
...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的主体功能区识别方法，其特征在于，包括如下步骤：构建跨层级的主体功能区评价指标体系；根据所述跨层级的主体功能区评价指标体系，获取待测区域的各县级单元的主体功能区样本数据；所述各县级单元的主体功能区样本数据包括所述各县级单元的主体功能区评价指标数据以及所述各县级单元的主体功能区类型；以所述各县级单元的主体功能区评价指标数据作为输入，以所述各县级单元的主体功能区类型作为输出，对若干个机器学习模型进行训练，获得已训练的主体功能区识别模型；获取所述待测区域的各乡镇级单元的主体功能区评价指标数据；将所述各乡镇级单元的主体功能区评价指标数据输入至所述已训练的主体功能区识别模型，获得所述各乡镇级单元的主体功能区类型。2.根据权利要求1所述的基于机器学习的主体功能区识别方法，其特征在于：所述以所述各县级单元的主体功能区评价指标数据作为输入，以所述各县级单元的主体功能区类型作为输出，对若干个机器学习模型进行训练，获得已训练的主体功能区识别模型的步骤，包括：将所述各县级单元的主体功能区样本数据划分为训练集和验证集；对所述训练集和所述验证集进行标准化预处理，获得预处理后的所述训练集以及预处理后的所述验证集；根据所述预处理后的所述训练集，对若干个所述机器学习模型进行训练，获得训练后的若干个所述机器学习模型；根据所述预处理后的所述验证集，对训练后的若干个所述机器学习模型进行准确率计算，将准确率最高的机器学习模型作为已训练的主体功能区识别模型。3.根据权利要求2所述的基于机器学习的主体功能区识别方法，其特征在于：所述将所述各县级单元的主体功能区样本数据划分为训练集和验证集的步骤，包括：将所述各县级单元的主体功能区样本数据按照预设比例划分为训练集和验证集，且所述训练集和所述验证集中的数据均采用随机取样方式从所述各县级单元的主体功能区样本数据中抽取。4.根据权利要求2所述的基于机器学习的主体功能区识别方法，其特征在于：所述根据所述预处理后的所述验证集，对训练后的若干个所述机器学习模型进行准确率计算，将准确率最高的机器学习模型作为已训练的主体功能区识别模型的步骤，包括：根据所述预处理后的所述验证集，对训练后的若干个所述机器学习模型进行准确率计算，获得训练后的每个所述机器学习模型的准确率；调整训练后的每个所述机器学习模型的模型参数，直至训练后的每个所述机器学习模型的准确率达到最大值，停止调整所述模型参数；将训练后的每个所述机器学习模型的准确率进行比较，将准确率最高的机器学习模型作...

【专利技术属性】
技术研发人员：李升发，李智慧，宋军，龚蔚霞，黄嘉仪，黄越，黄康，龚嘉豪，颜淼，姚天次，
申请(专利权)人：广东省科学院广州地理研究所，
类型：发明
国别省市：