[发明专利]基于大数据和机器学习的贫困空间分类识别方法和装置

说明书

本申请涉及一种基于大数据和机器学习的城市贫困空间分类识别方法和装置，通过多种类型遥感卫星获取目标城市遥感数据，对目标城市内部进行区域网格化划分；对遥感数据提取地表绿地和水体，建立土地绿色覆盖模型；通过获取目标城市的POI数据，判别各区域包含城市POI的类型和数量，建立城市活跃度模型；再获取目标城市内部区域范围的房租数据；根据土地绿色覆盖模型、城市活跃度模型、房租数据，建立城市贫困指数模型，根据城市贫困指数模型进行分类，确定识别城市贫困区域，具有识别准确、操作可行性强的优点。

技术领域

本发明涉及地理信息技术和大数据分析领域，特别涉及一种基于大数据和机器学习的贫困空间分类识别方法和装置。

背景技术

随着我国城市化进程不断加快，农业人口转向非农业人口的比例不断增加，大量农业务工人口也不断涌向城市，由于我国户籍制度的管理方式，大量农业务工人口在城市的住房、医疗、教育等政策得不到保障，这部分农业务工人口的低收入者会聚集在城市核心区的边缘地带和基础设施薄弱、居住环境质量较差的居住小区和城中村中；此外，由于我国市场经济的不断完善，产业结构的调整，国企制度的改革，在城市衰落的老工业区中遗留下较多退休下岗的职业工人，这部分退休职业工人大多会聚集在老工业区周围；联合国开发计划署(UNDP)预测，到2035年，世界上大多数贫困人口将生活在城市地区。目前，数据收集方法和贫困措施没有跟上日益城市化的现实，早期的城市贫困识别研究主要采用人口经济普查和调查问卷等数据，这些普查数据时间周期较长，多以抽样调查为主，受数据的约束，不能全部覆盖城市范围内。近年来随着大数据的发展和应用，为城市贫困空间的精确识别提供了条件。

POI数据能体现社会经济发展的状况，也是城市活跃的重要体现，如何从中挖掘出城市社会经济发展状况和城市贫困之间的关联是采用POI数据研究城市贫困的关键。现有技术对城市贫困空间的识别方法是利用夜间灯光遥感数据，通过夜间灯光的亮度值来研究城市贫困，这种方式是从宏观上来识别城市贫困，数据量较少，效率高，但从微观上进行识别城市贫困的每个空间位置，单一的夜间灯光遥感数据是不能够识别的。

发明内容

本发明的主要目的是提供一种基于大数据和机器学习的城市贫困空间分类识别方法，能从微观上更准确的进行城市贫困空间识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于大数据和机器学习的城市贫困空间分类识别方法，包括：

步骤1：根据获取到的高精度遥感卫星影像，对城市内部进行区域划分，将城市区域划分为由若干格组成的最小空间单元，并计算出各最小空间单元的面积；

步骤2：基于遥感卫星影像，对每个最小空间单元范围的绿地和水体进行识别提取，并计算所提取最小空间单元区域范围的绿地和水体的面积，计算出土地绿色覆盖率；

步骤3：获取城市的POI数据，并根据最小空间单元范围内的POI的类型和数量计算出城市活跃度模型；

步骤4：获得城市内部区域范围的房租数据，获得每个最小空间单元范围的平均单位房租价格；

步骤5：根据土地绿色覆盖模型、城市活跃度模型、房租数据，建立城市贫困指数模型；

步骤6：根据城市贫困指数模型对每个最小空间单元进行贫困程度分类，合并贫困程度分类相同的相邻的最小空间单元，确定城市贫困区域。

优选地，本发明的基于大数据和机器学习的城市贫困空间分类识别方法，土地绿色覆盖率为：

其中，L为土地绿色覆盖指数，W为最小空间单元区域范围的水体面积，G为最小空间单元区域范围的绿地面积，Z为最小空间单元区域范围的面积。