[發明專利]耦合街區時空特征和集成學習的城市功能區精細化識別方法

在審

• 申請號: 202210954350.6
• 申請日: 2022-08-10
• 公開（公告）號: CN115512216A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 林安琪;吳浩;羅文庭;江志猛;李巖
• 申請（專利權）人: 華中師范大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06F16/29;G06V10/26;G06V10/764;G06V10/77
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 王守仁

本發明公開了耦合街區時空特征和集成學習的城市功能區精細化識別方法，即：首先，利用OSM路網生成街區，作為城市功能區的基本單元；然后，使用建筑物輪廓、POI、騰訊位置數據和谷歌影像等多源時空大數據，構建由“形狀?屬性?位置?紋理”組成的SALT街區時空特征體系；接著，引入深度學習自編碼器Autoencoder，對提取的SALT特征進行降維，消除特征間的信息冗余；最后，構建基于Adaboost集成學習與SALT街區時空特征的城市功能區識別模型，實現功能區的精細化分類。本發明提出的城市功能區精細化識別方法，從多源時空大數據的特征提取、城市功能區的核心語義挖掘到機器學習模型的集成應用，保障了識別效果的魯棒性和準確性，大幅度提升了城市功能區的分類精度。

技術領域

本發明屬于地理信息時空大數據領域，特別是耦合街區時空特征和集成學習的城市功能區精細化識別方法。

背景技術

隨著城市化的快速發展，城市土地利用的類型變得更加的復雜多樣。精細化的城市土地利用信息為掌握城市結構和輔助政府決策提供了重要的數據支撐。傳統的土地利用信息的收集方法主要由政府機構主導，進行實地走訪和問卷調查，耗時、耗力而且公眾開放程度較低。

現有的城市土地利用分類方法，主要以遙感影像作為數據源，利用地物的光譜、紋理等信息進行用地類型的劃分，對森林、湖泊、海洋等光譜特征突出的自然類別有較好的識別效果，但是難以進一步區分建成區內的功能用途，無法滿足城市用地的精細化識別需求。眾源地理信息的出現，引入蘊含人類活動和社會經濟特征的海量數據，極大的豐富了城市土地利用識別的數據來源。Point of interest(POI)是一種典型的眾源地理數據，具有豐富的屬性信息，適用于城市功能區制圖。姚堯等以珠江三角洲為研究區，使用POI識別了城市功能區類別；竇旺勝等基于POI實現了濟南市五區內用地功能的識別和可視化；Silva等則利用POI繪制了倫敦城市功能區分布圖。隨著眾源地理信息的發展，更多帶有時間屬性，包含用戶位置的數據如GPS軌跡、騰訊位置數據進入大眾視野。將遙感影像和眾源地理信息結合已經成為表征城市功能區的新趨勢。胡忠文等通過整合遙感影像和手機定位數據提取城市景觀和人類活動信息，聚類生成了深圳市的功能區類別。邱國平等基于深度學習方法，融合遙感影像和社會感知數據，揭示了研究區城市功能區類型。鐘燕飛等使用POI、OSM路網和遙感影像構建點-線-面語義對象制圖框架，實現了北京、武漢中心區域、武漢漢陽區、武漢漢南區、澳門和香港灣仔區共計6個區域的城市功能區制圖。

以上研究表明，遙感和眾源數據在土地信息提取方面都有其獨特優勢，融合多源時空大數據是識別城市功能區的一種新趨勢。然而，現有相關研究缺乏對城市功能區特征的深入探究和全面挖掘。例如，建筑物作為城市功能的基本單元，其幾何特征在一定程度上可以反映城市功能區的詳細信息；人口分布的動態變化折射出城市用地的職-住格局，挖掘人類活動在不同時間段下的變化特征，在解析城市功能結構上可以發揮巨大潛力。

融合多源時空大數據提取的城市功能區特征，難免會產生數據維數高、信息冗余等問題。進行有效的特征降維處理，對揭示隱含的核心特征和提高城市功能區識別效率具有積極作用。主成分分析作為經典的數據降維方法，已經廣泛應用于各類數據分析問題中。這種方法在處理線性關系強、類別間樣本數量均衡的特征數據時，效果較好。然而，城市功能區特征來自不同的數據源，特征間存在復雜的非線性關系，在處理這種高維度且線性關系弱的數據時，有必要利用神經網絡模型學習復雜數據結構并提取核心特征。