【技术实现步骤摘要】
本专利技术涉及一种城市绿地特征组合与生态系统文化效益关系分析方法及装置，属于城市规划及计算机技术的交叉领域。
技术介绍
1、城市绿地作为城市居民接触大自然的重要途径，已被证明对于人类福祉具有积极的促进作用，体现在促进生理健康、缓解焦虑情绪，恢复注意力，提升社会凝聚力等诸多方面。但是随着城市化进程的加快，城市土地利用的竞争愈发激烈，尤其在空间有限且土地价值溢价严重的城市及近郊地区，大量的绿色空间被转化为其他更具经济价值的土地用途，由此减少了城市居民与自然接触的机会，从而削弱了他们从中获得的各类效益。在面对如今城市自然逐渐退化和减少，城市人口却日益增多的双重挑战，如何通过合理科学的规划设计管理，使得有限的城市绿地能够最大限度的满足人们从中获取的文化效益以提高主观幸福感，对于当今的决策者和城市绿地的规划和设计人员而言，变得愈发重要。
2、在有限的关注绿地物理特征对于生态系统文化效益的影响文献中，大多着眼于单个物理环境特征对于文化效益的影响，很少有研究关注环境物理特征水平组合对于文化效益的影响，忽略了不同物理环境特征之间的相互作用和组合效应，尽管这很重要。因为人们对环境的体验并不是基于某个单一物理特征，而是基于诸多物理环境特征所共同构成的场景。
3、基于上述现实难题，知识缺口和技术瓶颈，需要一套方法来揭示城市绿地特征组合与生态系统文化效益的关系，从而获取精细化的研究成果，以指导城市绿地的规划、设计与管理。
技术实现思路
1、有鉴于此，本专利技术提供了一种城市绿地特征
2、本专利技术的第一个目的在于提供一种城市绿地特征组合与生态系统文化效益关系分析方法。
3、本专利技术的第二个目的在于提供一种城市绿地特征组合与生态系统文化效益关系分析装置。
4、本专利技术的第三个目的在于提供一种计算机设备。
5、本专利技术的第四个目的在于提供一种存储介质。
6、本专利技术的第一个目的可以通过采取如下技术方案达到：
7、一种城市绿地特征组合与生态系统文化效益关系分析方法，所述方法包括：
8、获取基于不同地理空间位置的生态系统文化效益、城市绿地内部游憩单元的绿地特征和效益水平，并对采集到的数据进行预处理；
9、筛选最佳监督机器学习模型，基于筛选出的监督机器学习算法，通过置换重要性对绿地特征之于生态系统文化效益感知的贡献重要性进行排序，选出置换重要性大于阈值的绿地特征；
10、筛选最佳聚类算法和聚类数量，采用最佳聚类算法和聚类数量对生态系统文化效益和绿地特征进行聚类，根据得到的每个聚类中的生态系统文化效益的中位数，采用自然断点法将不同效益水平和绿地特征的聚类分为高效益水平组、中效益水平组和低效益水平组；
11、基于高效益和低效益水平所对应的聚类，采用先验概率计算和共现分析相结合的方式，得到在不同组合模式内对效益具有重要影响作用的绿地特征水平，以及两两组合的绿地特征水平。
12、进一步的，所述对绿地特征进行预处理，具体包括：
13、通过独热编码将绿地特征中的无序分类变量处理为二分连续变量，通过合成少数类过采样技术进行数据重采样。
14、进一步的，所述通过独热编码将绿地特征中的无序分类变量处理为二分连续变量，具体包括：
15、将绿地特征中的每个无序分类变量转换为一个二进制向量，其中每个维度对应一个分类值，只有该维度对应的值为1，其余维度对应的值均为0。
16、进一步的，所述筛选最佳监督机器学习模型，具体包括：
17、通过计算多个监督机器学习模型的决定系数，对各个监督机器学习模型进行比较，选出决定系数最高的监督机器学习模型作为最佳监督机器学习模型。
18、进一步的，所述筛选最佳聚类算法和聚类数量，具体包括：
19、基于对各类聚类算法的轮廓系数的计算，以箱型图的方式进行报告，根据箱型图所报告的轮廓系数，对各类聚类算法的性能进行排序，将轮廓系数最高的聚类算法作为最佳聚类算法；
20、根据最佳聚类算法的轮廓系数找寻最佳聚类数量，将轮廓系数最高时对应的聚类数量作为最佳聚类数量。
21、进一步的，所述采用最佳聚类算法和聚类数量对生态系统文化效益和绿地特征进行聚类，根据得到的每个聚类中的生态系统文化效益的中位数，采用自然断点法将不同效益水平和绿地特征的聚类分为高效益水平组、中效益水平组和低效益水平组，具体包括：
22、采用最佳聚类算法和聚类数量对生态系统文化效益和绿地特征进行聚类，得到最终的聚类结果，每个聚类都是一个包含不同生态系统文化效益值，以及多个绿地特征水平的组合；
23、根据得到的每个聚类中的生态系统文化效益的中位数，采用自然断点法将不同效益水平的聚类分为高效益水平组、中效益水平组和低效益水平组。
24、进一步的，所述采用先验概率计算和共现分析相结合的方式，得到在不同组合模式内对效益具有重要影响作用的绿地特征水平，以及两两组合的绿地特征水平，具体包括：
25、获取组合内部具有对效益水平有重要影响的特征水平的先验概率，如下式：
26、
27、其中，x表示属性/特征，指代构成每个游憩单元绿地特征的独立要素；m表示水平，指代每个属性/特征的等级/类型划分；ci表示聚类算法划分的第i个聚类；c表示未聚类前的总体样本；
28、获取组合内部具有对效益水平有重要影响的两两特征水平组合，如下式：
29、
30、其中，x、y表示属性/特征，指代构成每个游憩单元绿地特征的共现要素；m、n分别表示x、y属性/特征对应的水平，指代每个属性/特征的等级/类型划分；ci表示聚类算法划分的第i个聚类；c表示未聚类前的总体样本；
31、用图示方式表征组合内部对效益水平有重要影响的特征水平及两两水平组合。
32、本专利技术的第二个目的可以通过采取如下技术方案达到：
33、一种城市绿地特征组合与生态系统文化效益关系分析装置，所述系统包括：
34、获取模块，用于获取基于不同地理空间位置的生态系统文化效益、城市绿地内部游憩单元的绿地特征和效益水平，并对采集到的数据进行预处理；
35、第一筛选模块，用于筛选最佳监督机器学习模型，基于筛选出的监督机器学习算法，通过置换重要性对绿地特征之于生态系统文化效益感知的贡献重要性进行排序，选出置换重要性大于阈值的绿地特征；
36、第二筛选模块，用于筛选最佳聚类算法和聚类数量，采用最佳聚类算法和聚类数量对生态系统文化效益和绿地特征进行聚类，根据得到的每个聚本文档来自技高网...
【技术保护点】
1.一种城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述对绿地特征进行预处理，具体包括：
3.根据权利要求2所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述通过独热编码将绿地特征中的无序分类变量处理为二分连续变量，具体包括：
4.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述筛选最佳监督机器学习模型，具体包括：
5.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述筛选最佳聚类算法和聚类数量，具体包括：
6.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述采用最佳聚类算法和聚类数量对生态系统文化效益和绿地特征进行聚类，根据得到的每个聚类中的生态系统文化效益的中位数，采用自然断点法将不同效益水平和绿地特征的聚类分为高效益水平组、中效益水平组和低效益水平组，具体包括：
7
8.一种城市绿地特征组合与生态系统文化效益关系分析装置，其特征在于，所述系统包括：
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的城市绿地特征组合与生态系统文化效益关系分析方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的城市绿地特征组合与生态系统文化效益关系分析方法。
...【技术特征摘要】
1.一种城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述对绿地特征进行预处理，具体包括：
3.根据权利要求2所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述通过独热编码将绿地特征中的无序分类变量处理为二分连续变量，具体包括：
4.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述筛选最佳监督机器学习模型，具体包括：
5.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述筛选最佳聚类算法和聚类数量，具体包括：
6.根据权利要求1所述的城市绿地特征组合与生态系统文化效益关系分析方法，其特征在于，所述采用最佳聚类算法和聚类数量对生态系统文化效益和绿地特征进行聚类，根据得到的每个...
【专利技术属性】
技术研发人员：陈梦芸，林广思，李晨阳，赵旭凯，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
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。