【技术实现步骤摘要】
基于遥感
‑
众源语义深度聚类的城市功能区识别方法
[0001]本专利技术属于地理信息时空大数据领域,特别是基于遥感
‑
众源语义深度聚类的城市功能区识别方法
。
技术介绍
[0002]如何构建可持续性的城市发展模式,成为全球关注的焦点问题
。
准确掌握城市功能分区为资源优化利用
、
生态环境保护
、
公共设施服务等领域的研究提供了重要基础
。
然而,随着城市发展模式逐渐由粗狂的外部扩展转向内部用地更新,城市功能不断迭代,空间格局变得更为破碎和复杂
。
因此,智能化的城市功能区识别对推动城市可持续发展至关重要
。
[0003]城市功能区的概念最早可以追溯到上世纪
30
年代,在
《
雅典宪章
》
中定义了城市功能区为满足城市居民的需求而设立的居住
、
工作和娱乐等各种功能区域
。
遥感对地观测技术被广泛应用于捕捉城市景观,利用遥感图像的光谱
、
纹理和其他物理特征,可以在很大程度上区分城市建设区域
。
特别是随着高分辨率遥感影像的出现,研究人员开始对城市地区进行基于对象的分类,大大丰富了城市土地利用信息
。
然而,遥感影像只能获取地物的物理特征,难以反映其社会经济属性,在城市功能区识别中受到很大限制
。
为此,研究开始利用众源地理信息,其中蕴 ...
【技术保护点】
【技术特征摘要】
1.
一种基于遥感
‑
众源语义深度聚类的城市功能区识别方法,其特征在于:
(1)
建立建筑物功能语义特征体系,即利用高分辨率遥感影像
、
夜间灯光数据
、
建筑物足迹和道路路网等遥感影像和众源地理信息,提取几何
、
紧凑度
、
位置
、
光谱
、
纹理和亮度六个维度的特征;
(2)
构建基于深度嵌入网络的建筑物聚类方法,利用自编码器模块生成建筑物功能语义的低维特征表达,并通过深度神经网络
DNN
模块来优化建筑物的聚类簇;
(3)
通过由生成格网
、
类别关联
、
格网融合与后处理组成的四大步骤,将建筑物聚类簇转化为连续的面要素,划分城市功能区识别单元;
(4)
利用兴趣点与
Word2Vec
模型,对所划分的单元进行功能识别,生成精细化的城市功能区图
。2.
根据权利要求1所述的基于遥感
‑
众源语义深度聚类的城市功能区识别方法,其特征在于,步骤
(1)
使用以下方法,从几何
、
紧凑度
、
位置
、
光谱
、
纹理和亮度六个维度构建建筑物功能语义的特征体系:从建筑物包括其面积
、
周长的不同角度考量,计算得到7个几何特征;量化建筑物的空间分布结构,提取4个紧凑度特征;对道路路网进行近邻分析,计算各建筑物与最邻近道路的距离,得到1个位置特征;使用高分辨率遥感影像,基于其红
、
绿和蓝波段的灰度值,计算得到建筑物的6个光谱特征;进一步构建遥感影像第一主成分波段的灰度共生矩阵,提取各建筑物内纹理信息的平均值和标准差,得到
16
个纹理特征;对夜间灯光数据进行辐射校正处理,计算各建筑物的夜间灯光亮度均值和总和值,得到2个亮度特征;最终,形成
36
维的建筑物功能语义特征
。3.
根据权利要求2所述的构建建筑物功能语义的特征体系,其特征在于,采用最小生成树算法,提取每个建筑物单元的紧凑度特征,其过程包括:
1)
使用近邻分析方法,提取出各建筑物最邻近的
18
‑
20
个建筑物;
2)
对建筑物轮廓边界以5‑
15
米为间隔进行内插加密,提取加密后建筑物节点,构建不规则三角网;
3)
基于不规则三角网判断建筑物的邻接关系,若两个建筑物被不规则三角网的边连接,则说明这两个建筑物存在邻接关系,反之,则说明不存在邻接关系
。
将建筑物简化为质心,对存在邻接关系的建筑物进行连接,构建得到邻接图;
4)
以建筑物邻接图为输入,邻接图连接边的欧式距离定义为权重,采用克鲁斯卡尔
(Kruskal)
算法,构建最小生成树;
5)
统计各最小生成树边权重的均值
、
总和及标准差,作为各建筑物的紧凑度特征
。4.
根据权利要求1所述的基于遥感
‑
众源语义深度聚类的城市功能区识别方法,其特征在于,步骤
(2)
使用以下方法,进行建筑物深度聚类:以提取的
36
维建筑物功能语义特征作为原始输入,构建基于深度嵌入网络的建筑物聚类方法,借助自编码器模型,对输入特征进行降维处理,进一步引入深度神经网络
DNN
模块进行聚类,并通过
KL
散度目标函数来优化聚类簇
。5.
根据权利要求4所述的建筑物深度聚类,其特征在于,联合自编码器模块和深度神经网络
DNN
模块,构建深度嵌入网络,对建筑物进行聚类,其过程包括:
1)
建筑物深度聚类的参数初始化
。
以提取的
36
维建筑物特征作为输入,通过训练自编码器,初始化深度嵌入网络的参数,利用非线性映射
f
θ
:
X
→
Z
,将原始建筑物特征空间转换
到低维特征空间,得到嵌入点
z
i
,其中
θ
是参数,
X
为原始特征,
Z
是潜在特征空间;
2)
形成建筑物聚类的初始簇心
。
将自编码器输出的嵌入点
z
i
作为输入,借助
K
均值聚类方法形成建筑物初始聚类,各聚类簇的中心点,即为初始簇心其中
u
j
为建筑物聚类
j
的聚类中心,
k
表示建筑物聚类数量;
3)
计算软分配度
。
基于
t
‑
SNE
算法思想,采用
t
分布来评估嵌入点
z
i
和建筑物初始簇心
u
j
的相似度,即得到两者的软分配度
q
ij
,具体计算如下:其中,
z
i
=
f
θ
(x
i
)∈Z
,是
x
i
∈X
嵌入到特征空间
Z
得到的点,
u
j
为建筑物聚类
j
的聚类中心,
α
是
t
分布的自由度,在深度嵌入网络中,该自由度设置为1;
q
ij
为样本
i
分配给建筑物聚类
j
的概率,取值在0‑1之间...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。