【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种基于机器学习的城市空间演变检测方法及系统。
技术介绍
1、目前，城市空间演变检测技术主要采用遥感影像分析、地理信息系统分析、统计数据分析等方法，遥感影像分析通过对比不同时期的卫星图像或航空图像来识别城市土地利用变化和建筑物分布变化，地理信息系统分析利用空间数据库中的矢量数据和属性数据进行城市空间结构的定量分析，统计数据分析通过人口普查数据、经济统计数据、交通流量数据等进行城市发展趋势的时间序列分析，这些传统方法在城市空间变化的表面特征识别方面具有一定的有效性。
2、然而，现有技术存在显著不足，传统遥感分析方法只能识别可见的物理空间变化，无法深入分析城市内部多尺度要素间的协同关系，地理信息系统分析缺乏对不同空间尺度间层级关联的量化处理能力，统计数据分析难以捕获城市空间结构要素间的非线性协同模式，现有方法普遍缺乏将多尺度空间数据进行协同权重计算和潜在空间映射的技术手段，导致无法准确识别城市空间演变过程中的协同状态转换和关键演化节点。
3、基于现有技术的局限性，由于缺乏多尺度空间注意力机...
【技术保护点】
1.一种基于机器学习的城市空间演变检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述对城市空间结构多尺度数据进行时空分层采样处理，得到包含街区级、片区级、城市级的空间结构特征张量，包括：
3.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述通过多尺度空间注意力机制对所述空间结构特征张量进行协同权重计算处理，得到空间结构协同权重矩阵，包括：
4.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述将所述空间结构协同权重矩阵通过协...
【技术特征摘要】
1.一种基于机器学习的城市空间演变检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述对城市空间结构多尺度数据进行时空分层采样处理，得到包含街区级、片区级、城市级的空间结构特征张量，包括：
3.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述通过多尺度空间注意力机制对所述空间结构特征张量进行协同权重计算处理，得到空间结构协同权重矩阵，包括：
4.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述将所述空间结构协同权重矩阵通过协同有序度编码器进行潜在协同空间映射处理，得到城市空间协同特征向量，包括：
5.根据权利要求1所述的基于机器学习的城市空间演变检测方法，其特征在于，所述根据所述城市空间协同特征向量通过时空协同轨迹解码器进行时序插值算法处理，得到城市空间结构动态协同指数，包括：
6.根据权利要求5所述的基于机器学习的城市空间演...
【专利技术属性】
技术研发人员：赵广英，宋聚生，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。