一种基于农房分布的自然村边界提取方法与流程

1.本发明涉及地理信息系统空间分析技术领域，具体地，涉及一种基于农房分布的自然村边界提取方法。


背景技术：

2.空间分析方法是地理信息系统中一种重要的数据处理手段包含地形分析、空间插值、空间回归等方法。空间分析方法使用空间对象的拓扑、几何或地理属性对其进行处理分析，进而获得所需的空间信息或数据。空间聚类是将散布在空间中的对象按一定规律由相近的对象构成的集合，3d分析则可以提取同一集合中对象的分布范围。本发明中主要运用聚类分析和3d分析的方法实现村庄居住区域的确定。
3.中国地域辽阔，国土范围内散布着数以万计的村落。乡村的分散性、规模小、可达性差等特点导致乡村基础数据获取和统计的难度加大，难以全面呈现乡村发展的问题和短板，也严重制约了乡村的研究和政策的制定。因此，如何较为准确的获取村落的分布范围以及村民点的分布范围，对于乡村数据的收集和统计尤为重要。
4.公开日为2021.01.05的中国发明申请：一种商务集聚区边界识别系统中，通过利用加权核密度算法及自然断裂法，以期解决现有技术中商务集聚区边界划定主观性大、难以客观量化等问题，降低人为干预程度，减少约束条件，提高边界识别的客观性、科学性。但由于存在更多不规则的、碎片化的特征，自然村边界的提取与识别无法直接运用该现有技术。因此，现有技术仍有一定的局限性。


技术实现要素：

5.针对现有技术的局限，本发明提出一种基于农房分布的自然村边界提取方法，本发明采用的技术方案是：
6.一种基于农房分布的自然村边界提取方法，包括以下步骤：
7.s1，获取目标区域的农房分布情况；
8.s2，对所述农房分布情况中的农房进行空间聚类；
9.s3，对所述步骤s2得到的各类农房的边界点进行连接，创建不规则三角网；
10.s4，按预设的边长阈值对所述不规则三角网中的三角形进行筛选过滤；
11.s5，通过导出经过所述步骤s4筛选过滤后的不规则三角网的边界，获得目标区域的自然村边界。
12.相较于现有技术，本发明实现了基于农房分布位置的农村自然边界的提取，该方法不仅利用了不规则三角网获得较为贴近外边缘点的边界，而且对异常值不敏感，可排除异常值的影响，从而得到较为准确的村庄的范围，适用于对农村住户居民数据的统计。
13.作为一种优选方案，在所述步骤s1中，通过以下方式获取目标区域的农房分布情况：
14.采集目标区域的遥感影像，对所述遥感影像进行有一定重叠度的裁剪后，输入预
设的农房识别预测模型中，获得目标区域的农房分布情况。
15.作为一种优选方案，在所述步骤s2中，采用dbscan算法对所述农房分布情况中的农房进行空间聚类。
16.作为一种优选方案，在所述步骤s2中，通过以下方式对所述农房分布情况中的农房进行空间聚类：
17.利用python算法库中的centroid()函数获得所述农房分布情况中各多边形的质心，将对面的聚类转换为对点的聚类；通过standardscaler().fit_transform()函数对各质心的点坐标进行归一化处理；利用clustering＝meanshift(bandwidth).fit()函数对目标区域的农房进行聚类。
18.作为一种优选方案，在所述步骤s3中，通过arcpy.createtin_3d(createtin1,"","id soft_clip《none》","delaunay")函数批量地对所述步骤s2得到的各类农房的边界点进行连接，创建不规则三角网。
19.作为一种优选方案，在所述步骤s4中，通过arcpy.delineatetindataarea_3d(createtin1,"","perimeter_only")函数批量地对所述不规则三角网中的三角形进行筛选过滤，滤除边长大于所述边长阈值的三角形，使所述不规则三角网的分布范围更加贴近农房边界。
20.作为一种优选方案，在所述步骤s5中，通过arcpy.tindomain_3d(createtin1__2_,createtin1_tindomain_shp,"line")函数批量导出经过所述步骤s4筛选过滤后的不规则三角网的边界，对导出的边界进行合并后获得目标区域的自然村边界。
21.本发明还包括以下内容：
22.一种基于农房分布的自然村边界提取系统，包括依序连接的农房分布情况获取模块、农房聚类模块、不规则三角网创建模块、筛选过滤模块以及边界导出模块；其中：
23.所述农房分布情况获取模块用于获取目标区域的农房分布情况；
24.所述农房聚类模块用于对所述农房分布情况中的农房进行空间聚类；
25.所述不规则三角网创建模块用于对所述农房聚类模块得到的各类农房的边界点进行连接，创建不规则三角网；
26.所述筛选过滤模块用于按预设的边长阈值对所述不规则三角网中的三角形进行筛选过滤；
27.所述边界导出模块用于通过导出经过所述筛选过滤模块筛选过滤后的不规则三角网的边界，获得目标区域的自然村边界。
28.相较于现有技术，本发明实现了基于农房分布位置的农村自然边界的提取，该系统不仅利用了不规则三角网获得较为贴近外边缘点的边界，而且对异常值不敏感，可排除异常值的影响，从而得到较为准确的村庄的范围，适用于对农村住户居民数据的统计。
29.作为一种优选方案，在所述农房分布情况获取模块中，通过以下方式获取目标区域的农房分布情况：
30.采集目标区域的遥感影像，对所述遥感影像进行有一定重叠度的裁剪后，输入预设的农房识别预测模型中，获得目标区域的农房分布情况。
31.作为一种优选方案，在所述农房聚类模块中，采用dbscan算法对所述农房分布情况中的农房进行空间聚类。
32.作为一种优选方案，在所述农房聚类模块中，通过以下方式对所述农房分布情况中的农房进行空间聚类：
33.利用python算法库中的centroid()函数获得所述农房分布情况中各多边形的质心，将对面的聚类转换为对点的聚类；通过standardscaler().fit_transform()函数对各质心的点坐标进行归一化处理；利用clustering＝meanshift(bandwidth).fit()函数对目标区域的农房进行聚类。
34.作为一种优选方案，在所述不规则三角网创建模块中，通过arcpy.createtin_3d(createtin1,"","id soft_clip《none》","delaunay")函数批量地对所述农房聚类模块得到的各类农房的边界点进行连接，创建不规则三角网。
35.作为一种优选方案，在所述筛选过滤模块中，通过arcpy.delineatetindataarea_3d(createtin1,"","perimeter_only")函数批量地对所述不规则三角网中的三角形进行筛选过滤，滤除边长大于所述边长阈值的三角形，使所述不规则三角网的分布范围更加贴近农房边界。
36.作为一种优选方案，在所述边界导出模块中，通过arcpy.tindomain_3d(createtin1__2_,createtin1_tindomain_shp,"line")函数批量导出经过所述筛选过滤模块筛选过滤后的不规则三角网的边界，对导出的边界进行合并后获得目标区域的自然村边界。
37.一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前述的基于农房分布的自然村边界提取方法的步骤。
38.一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如前述的基于农房分布的自然村边界提取方法的步骤。
附图说明
39.图1为本发明实施例1提供的一种基于农房分布的自然村边界提取方法的流程示意图；
40.图2为农房分布情况的示例图；
41.图3为本发明实施例对农房分布情况进行聚类的结果示例；
42.图4为本发明实施例创建的不规则三角网示例图；
43.图5为本发明实施例对不规则三角网进行筛选过滤后的示例图；
44.图6为本发明实施例导出的自然村边界的示例图；
45.图7为本发明实施例合并得到的目标区域的自然村边界示例图；
46.图8为本发明实施例2提供的一种基于农房分布的自然村边界提取系统的示意图。
具体实施方式
47.附图仅用于示例性说明，不能理解为对本专利的限制；
48.应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，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，都属于本技术实施例保护的范围。
49.在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术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。
50.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技术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、本技术的一些方面相一致的装置和方法的例子。在本技术的描述中，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技术中的具体含义。
51.此外，在本技术的描述中，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。以下结合附图和实施例对本发明做进一步的阐述。
52.为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
53.实施例1
54.一种基于农房分布的自然村边界提取方法，请参阅图1，包括以下步骤：
55.s1，获取目标区域的农房分布情况；
56.s2，对所述农房分布情况中的农房进行空间聚类；
57.s3，对所述步骤s2得到的各类农房的边界点进行连接，创建不规则三角网；
58.s4，按预设的边长阈值对所述不规则三角网中的三角形进行筛选过滤；
59.s5，通过导出经过所述步骤s4筛选过滤后的不规则三角网的边界，获得目标区域的自然村边界。
60.相较于现有技术，本发明实现了基于农房分布位置的农村自然边界的提取，该方法不仅利用了不规则三角网获得较为贴近外边缘点的边界，而且对异常值不敏感，可排除异常值的影响，从而得到较为准确的村庄的范围，适用于对农村住户居民数据的统计。
61.具体的，所述农房分布情况由农房边界的矢量数据组成；所述步骤s3至s5可以采用arcgis软件来实现。
62.本发明的具体思路为：对目标区域内农房边界的矢量数据依据分布的距离进行聚类，随后分别获取每一类别中农房边界的外包络面。首先使用arcgis软件中的3d分析功能创建不规则三角网(tin)将构成农房边界的这些点连城一个tin，之后使用“描绘tin数据区”的设置边长范围，抹去边长大于设定值的三角片，最后使用“tin范围”工具将tin边界到处成线即可获得自然村居民点的分布范围。
63.作为一种优选实施例，在所述步骤s1中，通过以下方式获取目标区域的农房分布情况：
64.采集目标区域的遥感影像，对所述遥感影像进行有一定重叠度的裁剪后，输入预设的农房识别预测模型中，获得目标区域的农房分布情况。
65.具体的，本实施例的目标区域的遥感影像可以通过采集目标区域的googleearth
高分辨率遥感1：10000影像分辨率为0.5m；所述农房识别预测模型由深度学习模型经过训练后获得。预测出的农房分布情况请参阅图2，由此得到农房边界的位置数据。
66.作为一种优选实施例，在所述步骤s2中，采用dbscan算法对所述农房分布情况中的农房进行空间聚类。
67.作为一种优选实施例，在所述步骤s2中，通过以下方式对所述农房分布情况中的农房进行空间聚类：
68.利用python算法库中的centroid()函数获得所述农房分布情况中各多边形的质心，将对面的聚类转换为对点的聚类；通过standardscaler().fit_transform()函数对各质心的点坐标进行归一化处理；利用clustering＝meanshift(bandwidth).fit()函数对目标区域的农房进行聚类。
69.具体的，在所述步骤s2中，请参阅图3，可以将分类结果作为一列写入存储农房分布情况的shp文件的属性表中，供后续步骤s3直接调用。
70.作为一种优选实施例，在所述步骤s3中，通过arcpy.createtin_3d(createtin1,"","id soft_clip《none》","delaunay")函数批量地对所述步骤s2得到的各类农房的边界点进行连接，创建不规则三角网。创建后的不规则三角网示例可参阅图4。
71.作为一种优选实施例，在所述步骤s4中，通过arcpy.delineatetindataarea_3d(createtin1,"","perimeter_only")函数批量地对所述不规则三角网中的三角形进行筛选过滤，滤除边长大于所述边长阈值的三角形，使所述不规则三角网的分布范围更加贴近农房边界。筛选过滤的不规则三角网示例可参阅图5。
72.作为一种优选实施例，在所述步骤s5中，通过arcpy.tindomain_3d(createtin1__2_,createtin1_tindomain_shp,"line")函数批量导出经过所述步骤s4筛选过滤后的不规则三角网的边界(以图5为例，导出的边界图例请参阅图6)，对导出的边界进行合并后获得目标区域的自然村边界。合并后的自然村边界图例可参阅图7。
73.实施例2
74.请参阅图8，一种基于农房分布的自然村边界提取系统，包括依序连接的农房分布情况获取模块1、农房聚类模块2、不规则三角网创建模块3、筛选过滤模块4以及边界导出模块5；其中：
75.所述农房分布情况获取模块1用于获取目标区域的农房分布情况；
76.所述农房聚类模块2用于对所述农房分布情况中的农房进行空间聚类；
77.所述不规则三角网创建模块3用于对所述农房聚类模块得到的各类农房的边界点进行连接，创建不规则三角网；
78.所述筛选过滤模块4用于按预设的边长阈值对所述不规则三角网中的三角形进行筛选过滤；
79.所述边界导出模块5用于通过导出经过所述筛选过滤模块筛选过滤后的不规则三角网的边界，获得目标区域的自然村边界。
80.相较于现有技术，本发明实现了基于农房分布位置的农村自然边界的提取，该系统不仅利用了不规则三角网获得较为贴近外边缘点的边界，而且对异常值不敏感，可排除异常值的影响，从而得到较为准确的村庄的范围，适用于对农村住户居民数据的统计。
81.作为一种优选实施例，在所述农房分布情况获取模块1中，通过以下方式获取目标
区域的农房分布情况：
82.采集目标区域的遥感影像，对所述遥感影像进行有一定重叠度的裁剪后，输入预设的农房识别预测模型中，获得目标区域的农房分布情况。
83.作为一种优选实施例，在所述农房聚类模块2中，采用dbscan算法对所述农房分布情况中的农房进行空间聚类。
84.作为一种优选实施例，在所述农房聚类模块2中，通过以下方式对所述农房分布情况中的农房进行空间聚类：
85.利用python算法库中的centroid()函数获得所述农房分布情况中各多边形的质心，将对面的聚类转换为对点的聚类；通过standardscaler().fit_transform()函数对各质心的点坐标进行归一化处理；利用clustering＝meanshift(bandwidth).fit()函数对目标区域的农房进行聚类。
86.作为一种优选实施例，在所述不规则三角网创建模块3中，通过arcpy.createtin_3d(createtin1,"","id soft_clip《none》","delaunay")函数批量地对所述农房聚类模块2得到的各类农房的边界点进行连接，创建不规则三角网。
87.作为一种优选实施例，在所述筛选过滤模块4中，通过arcpy.delineatetindataarea_3d(createtin1,"","perimeter_only")函数批量地对所述不规则三角网中的三角形进行筛选过滤，滤除边长大于所述边长阈值的三角形，使所述不规则三角网的分布范围更加贴近农房边界。
88.作为一种优选实施例，在所述边界导出模块5中，通过arcpy.tindomain_3d(createtin1__2_,createtin1_tindomain_shp,"line")函数批量导出经过所述筛选过滤模块4筛选过滤后的不规则三角网的边界，对导出的边界进行合并后获得目标区域的自然村边界。
89.实施例3
90.一种存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于农房分布的自然村边界提取方法的步骤。
91.实施例4
92.一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于农房分布的自然村边界提取方法的步骤。
93.显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。