OSM路网简化文档+实操视频讲解（道路中心线提取、拓扑检查，学术论文处理方式）

置顶 GGG信

已于 2025-04-28 12:10:11 修改

阅读量2.4k

点赞数 70

文章标签： OSM路网

于 2025-02-10 16:19:09 首次发布

本文链接：https://blog.youkuaiyun.com/m0_48587622/article/details/145552777

版权

在这里插入图片描述

0、简介

优势：全网最全最细！
1、有论文支撑！！！《地理科学》。
2、从数据原理到应用给你讲清楚。
3、专注于城市研究。
邮箱：随意发送内容到邮箱获取联系方式，邮箱已设置自动回复！！！不看私信，没精力看。437969428@qq.com

不用发邮箱，见下方链接文档末尾！
【腾讯文档】10 其他数据_代码_指导详细介绍
【腾讯文档】10 其他数据_代码_指导详细介绍
https://docs.qq.com/doc/DVUNDdXRQanhIa3Z0

此教程为付费视频

1、OSM路网简化教程

直接上简化前后对比图，如下图所示：
在这里插入图片描述

OSM路网简化前后对比图（深圳市福田区）

道路和街道的定义不一样，街道与街道空间的定义也不一样，定义见下龙瀛文中的定义。路是路，街道是街道。道路的英文是road，街道的英文是street。
在这里插入图片描述

2019 龙瀛城市街道空间品质大规模量化测度研究进展

街道空间统一55m还是不同等级不同m？
我的研究是统一55m，能找到好几篇文章做支撑。
如果你能保留道路等级信息，你可以尝试不同等级不同米（如司睿，主干道primay，次干道Secondary，支路tertiary），我的路网简化流程很难做到保留等级信息。
在这里插入图片描述

2021 司睿基于街景数据的建成环境与街道活力时空分析—以深圳福田区为例

请添加图片描述

文档+文档讲解21min+实操演示31min，付费！我会直接给你报价！

1、准备OSM路网，行政区划，全网一大堆。
2、行政区域导出，行政区域裁剪OSM路网。叠OSM底图看一下是否匹配。
3、筛选需要的类型，先删不需要的路网，精简结果。
具体删哪些，看自己实验。没有统一的标准，我也不想误导大家。
4、 xxx道路提取中心线(xxx，xxx，xxx，xxx，xxx这些路相距远，较容易提取出中心线。
a) 一般来说只保留xxx道路。具体保留哪些等级，看你自己研究的精度。
b) residential是否保留看研究精度。residential需手动处理了。多看一看不同类型街道的百度在线街景。
5、拓扑检查（悬挂点，伪结点），pro——调整交叉口——拓扑检查。
6、交叉口特殊处理。
7、定义编号bh列，很重要！！！每当街道更新时，就要重新赋值bh。Check。
8、投影坐标系！！！转换投影（投影带）。

在这里插入图片描述

2、其他数据处理/程序/指导！！！

详细介绍见下方链接：
【腾讯文档】10 其他数据_代码_指导详细介绍
【腾讯文档】10 其他数据_代码_指导详细介绍
https://docs.qq.com/doc/DVUNDdXRQanhIa3Z0

全国百度热力图数据。百度热力图数据获取，原理，处理及论文应用-优快云博客。
OSM路网简化教程。OSM路网简化文档+实操视频讲解（道路中心线提取、拓扑检查，学术论文处理方式）
功能混合度计算教程。功能混合度计算全流程（原理讲解+软件实操）
街景语义分割后像素提取+指标计算代码（绿视率、天空开阔度、界面围合度、视觉熵/景观多样性等），含详细说明文档。deeplabv3+街景图片语义分割，无需训练模型，看不懂也没有影响，直接使用，cityscapes数据集。
街景主观感知两两对比程序+TrueSkill计算beautiful、safer等维度主观感知评分（原理，代码），均含详细说明文档。街景两两对比程序，Trueskill计算评分代码，训练模型，预测街景1
街景主观感知训练，预测模型（beautiful, safer等自定义维度），多模型对比（ResNet50，ResNet101，EfficientNet、VGGNet、GoogleNet、DenseNet、MobileNet、ShuffleNet、Xception、ConvNeXt、Vision Transformer (ViT)、RegNet等），beautiful和safer维度精度均达到0.89。街景两两对比程序，Trueskill计算评分代码，训练模型，预测街景。

多模型（含全部树模型）分类回归精度结果对比（回复审稿人意见之：为什么选某个模型？比如为什么选XGBoost？）。

回归模型：线性模型（Linear、Ridge 、Lasso、Huber 、Partial Least Squares），KNN，SVR，树模型（Decision Tree、RF、AdaBoost 、GBDT、XGBoost、LightGBM 、CatBoost ）。可自定义增加。
分类模型：Logistic Regression、Naive Bayes、KNN、SVM、树模型（Decision Tree、RF、AdaBoost 、GBDT、XGBoost、LightGBM 、CatBoost ）可自定义增加。