基于遥感-众源语义深度聚类的城市功能区识别方法技术

本发明专利技术公开了基于遥感

【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，其中蕴含大量带有社会经济语义信息，进行城市功能的识别
。
相关研究通常利用能够反映土地利用属性的众源地理信息，将街区
、
规则格网和单栋建筑等作为基本单位，进行城市功能的识别与划分
。
街区是以道路网络将城市切分为不规则几何形状，但是难以对其中混合商业
、
工业和住宅等不同功能的情况进一步区分；规则格网可以很好的与遥感影像特征匹配，但是难以与大部分城市建设的不规则性相匹配；以单栋建筑物为单位的城市功能识别更为精细，但是由于连片建筑物通常具有相类似功能，如住宅小区
、
工业园等，以单栋建筑物为识别单位，不仅会导致计算成本过大，而且会造成不必要的信息冗余
。
由此可见，目前主流的城市功能区划分单元方法并不能准确刻画城市功能的空间格局，亟需深度结合遥感物理特征与众源语义特征，探索更为灵活
、
优化的城市功能区识别单元
。
[0004]识别方法在城市功能区识别中同样起着重要作用
。
城市功能区的常见识别方法主要包括统计方法
、
非监督分类和监督分类
。
统计方法最为直接，通过计算数据密度将众源地理信息
(
如兴趣点
)
与识别单元进行空间关联，从而确定功能类型
。
然而，当采用单一数据源时，数量分布的空间不均衡性将导致结果的不确定性增大
。
对于非监督分类，主要是从遥感图像和地理空间数据中提取反映城市功能相关的时空特征，然后利用
K
均值
、
潜在狄利克雷分配等方法对功能区单元进行空间聚类
。
对于监督分类，通常在机器学习的辅助下，例如随机森林
、
支持向量机
、
神经网络和集成学习方法等，建立一系列特征与预定义的功能类别之间的关系
。
虽然监督分类可以预先定义功能类别，但在训练模型时未考虑城市功能区的空间聚集特征
。
为此，有必要将非监督方法的空间聚类和监督方法的语义特征挖掘优势相结合，提升城市功能区识别的智能化水平
。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供一种基于遥感
‑
众源语义深度聚类的城市功能区识别方法，以满足面向城市功能区高精度分类需求
。
[0006]本专利技术解决其技术问题采用以下的技术方案：
[0007]本专利技术方法联合高分辨率遥感影像和众源地理信息，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特征体系，引入深度嵌入网络聚类方法进行建筑物空间聚类，借助细粒度规则格网将离散的建筑物聚类簇转化为连续的面要素，划分出城市功能区的识别单元，利用
Word2Vec
和随机森林模型，生成城市功能区图
。
[0008]本专利技术提供的基于遥感
‑
众源语义深度聚类的城市功能区识别方法，具体是：首先，建立建筑物的功能语义特征体系，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数据，提取几何
、
紧凑度
、
位置
、
光谱
、
纹理和亮度六个维度的特征体系
。
接着，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；接着，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不规则的面要素，划分出城市功能区的识别单元；最后，利用兴趣点与
Word2Vec
模型，对所划分的单元进行功能识别，生成城市功能区图
。
[0009]上述方法中，可以使用以下方法，从几何
、
紧凑度
、
位置
、
光谱
、
纹理和亮度六个维度提取建筑物功能语义特征：从建筑物的面积
、
形状等不同角度考量，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
维的建筑物语义特征体系
。
[0010]上述方法中，可以采用最小生成树算法，提取每个建筑物单元的紧凑度特征
。
其过程主要包括：
[0011](1)
使用近邻分析方法，提取出各建筑物及其最邻近的
18
‑
20
个建筑物
。
[0012](2)
对建筑物轮廓以5‑
15<本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：林安琪，吴浩，罗文庭，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：