基于BP神经网络的山地村分类方法研究——以重庆市巫溪县为例

胡锦铭; 牛佳琦; 苏航营; 韩贵锋

doi:10.3969/j.issn.1009-1483.2023.03.004

基于BP神经网络的山地村分类方法研究——以重庆市巫溪县为例

doi: 10.3969/j.issn.1009-1483.2023.03.004

1. 重庆大学建筑城规学院;
2. 重庆大学山地城镇建设与新技术教育部重点实验室

基金项目:

国家重点研发计划项目“村镇聚落空间全构数字化模拟及评价模型”（编号：2018YFD1100300）。

详细信息

作者简介:
胡锦铭,重庆大学建筑城规学院硕士研究生;牛佳琦,重庆大学建筑城规学院博士研究生;苏航营,重庆大学建筑城规学院硕士研究生;韩贵锋,重庆大学建筑城规学院、重庆大学山地城镇建设与新技术教育部重点实验室教授,博士生导师。

通讯作者:
韩贵锋,hangf@cqu.edu.cn

中图分类号: TU982.29
计量
- 文章访问数: 46
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2022-07-08

A Classification Method of Mountainous Villages Based on BP Neural Network: A Case Study in Wuxi County, Chongqing City

摘要

摘要: 《国家乡村振兴战略规划（2018-2022年）》明确提出，按照集聚提升、融入城镇、特色保护、搬迁撤并分类推进乡村发展。我国幅员辽阔，村数量庞大，传统的分类方法效率较低，且受人为因素干扰较大，随意性较强。本文以重庆市巫溪县村布局规划为例，从生态本底、土地承载、交通条件、自然灾害、经济人口、历史人文6个方面，选取13个学习指标（输入量）与2个筛选指标构成巫溪县村分类的指标体系，将巫溪县289个行政村依照不同比例分为训练样本和测试样本，通过BP神经网络的机器学习方法进行村分类，并对各类型村发展优先级测度进行计算。结果表明，BP神经网络对村类型的划分有较高的准确率（分类准确率为98.6%），并对不同类型村的发展提出时序性的指导，有效提高了村分类的效率和规划的科学性。
- 机器学习 /
- BP神经网络 /
- 乡村振兴 /
- 村分类 /
- 村布局规划 /
- 巫溪县
Abstract: The National Strategic Plan for Rural Revitalization (2018-2022) proposes to promote rural development under the classification: agglomeration for improvement, integration into cities and towns, characteristic protection, relocation and merging. China is a vast country with a large number of villages. However, the traditional classification method is less efficient and more arbitrary due to the interference of human factors. Taking the village layout planning of Wuxi County, Chongqing City as an example, we selected 13 learning indicators (input quantity) and 2 screening indicators from 6 aspects: ecological background, land bearing, traffic conditions, natural disasters, economy, history and humanities to form an indicator system in Wuxi County. The village classification is carried out by BP neural network, and the development priority measure of each type of village is calculated. The results show that the BP neural network has a high accuracy rate (98.6%) in classifying village types, and provides development timing guidance for different types of villages. The method could effectively improve the efficiency of village classification and the scientificity of planning.
- machine learning /
- BP neural network /
- rural revitalization /
- village classification /
- village layout planning /
- Wuxi County

HTML全文

参考文献(18)

[1]	国家统计局.2021中国统计年鉴[M]. 北京:中国统计出版社,2021:12.
[2]	中共中央,国务院.国家乡村振兴战略规划(2018-2022年)[Z], 2018.
[3]	段德罡, 刘嘉伟. 中国乡村类型划分研究综述[J]. 西部人居环境学刊,2018,33(5):78-83.
[4]	周扬, 黄晗, 刘彦随. 中国村庄空间分布规律及其影响因素[J]. 地理学报,2020,75(10):2206-2223.
[5]	王梦婧, 吕悦风, 吴次芳, 等. 国土空间规划背景下的县域村庄分类模式研究——以山东省莱州市为例[J]. 城市发展研究,2020,27(9):1-7.
[6]	文琦, 郑殿元. 西北贫困地区乡村类型识别与振兴途径研究[J]. 地理研究,2019,38(3):509-521.
[7]	朱泽, 杨颢, 胡月明, 等. 基于多源数据的村庄发展潜力评价及村庄分类[J]. 农业资源与环境学报,2021,38(6):1142-1151.
[8]	史秋洁, 刘涛, 曹广忠. 面向规划建设的村庄分类指标体系研究[J]. 人文地理,2017,32(6):121-128.
[9]	韩贵锋, 熊江鹏, 刘高翔, 等. 基于Logistic模型的山区县域村分类方法研究——以重庆市巫溪县为例[J]. 西部人居环境学刊,2021,36(2):46-53.
[10]	周游, 李升松, 周慧, 等. 乡村空间分类量化评价体系构建及南宁实践[J]. 规划师,2019,35(21):59-64.
[11]	李裕瑞, 卜长利, 曹智, 等. 面向乡村振兴战略的村庄分类方法与实证研究[J]. 自然资源学报, 2020,35(2):243-256.
[12]	Hinton G, Salakhutdinov R. Reducing the Dimensionality of DatawithNeuralNetworks[J].Science,2006,313(5786):504-507.
[13]	王海飙, 陈海超, 李蕊, 等. 城市应急避难场所管理体系构建与应用[J]. 中国安全科学学报, 2021, 31(12):153-159.
[14]	唐林楠, 刘玉, 潘瑜春, 等. 基于BP模型和Ward法的北京市平谷区乡村地域功能评价与分区[J]. 地理科学,2016,36(10):1514-1521.
[15]	赵涛涛, 白建军, 尚忠慧. 基于BP神经网络的陕西省县域乡村性分异研究[J]. 浙江大学学报(理学版),2016,43(2):203-210.
[16]	Cloke P. Index of Rurality for England and Wales[J]. Regional Studies,1977,11(1):31-46.
[17]	孔雪松, 刘耀林, 邓宣凯, 等. 村镇农村居民点用地适宜性评价与整治分区规划[J]. 农业工程学报,2012,28(18):215- 222,293.
[18]	闻新. 应用MATLAB实现神经网络[M]. 北京:国防工业出版社,2015:95.