CN108764193B - 融合poi和遥感影像的城市功能区划分方法 - Google Patents
融合poi和遥感影像的城市功能区划分方法 Download PDFInfo
- Publication number
- CN108764193B CN108764193B CN201810563928.9A CN201810563928A CN108764193B CN 108764193 B CN108764193 B CN 108764193B CN 201810563928 A CN201810563928 A CN 201810563928A CN 108764193 B CN108764193 B CN 108764193B
- Authority
- CN
- China
- Prior art keywords
- data
- poi
- percentage
- area
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合POI和遥感影像的城市功能区划分方法,包括如下步骤:(1)获取区域的POI数据、遥感影像和空间地理实体数据;(2)从所述POI数据的类别属性中选取对城市功能区划分敏感的类别形成评价类别,所述评价类别对应的POI数据形成职能POI数据;将所述职能POI数据与所述空间地理实体数据进行匹配,以获取各地理实体中各类别POI数据的初始分布结构;(3)从区域的所述遥感影像中提取地表覆盖数据;(4)基于步骤(2)中各类别POI数据的初始分布结构和步骤(3)中地表覆盖数据制定决策树分类规则;(5)根据所述决策树分类规则对区域的城市功能区进行划分。本发明基于决策树分类算法,将POI数据与Landsat遥感数据结合,实现对城市功能区进行快速划分。
Description
技术领域
本发明涉及一种融合POI和遥感影像的城市功能区划分方法。
背景技术
城市功能区集中反映了城市各类社会经济要素高度集中、辐射效应明显以及社会经济效益显著的特点,是城市实现其各种社会经济职能的重要载体。在城市发展过程中,逐渐形成了不同功能区的聚集效应:商业区、居民区、景区以及混合功能区。客观、精确、快速、准确的获取城市功能区划对促进城市功能的可持续发展,科学合理的城市规划,促进城市经济发展,提升区域竞争力以及解决城市环境问题有重要的指导作用。
传统的城市功能区的划分主要依据统计调查或者专家打分评判,这种方法的主观性较强,缺乏定量的计算分析,无法满足城市高速发展下快速、准确获取城市功能区划分的需求。遥感技术因其具备进行大面积同步观测的能力、兼顾时效性和经济性等优点可满足城市研究的需求,高、中分辨率的可见光影像被逐步应用于城市空间信息提取。然而,遥感数据主要集中于表达城市地表覆盖(Land Cove),缺乏对空间信息的语义解释。
发明内容
本发明的目的是解决目前城市功能区的划分主要依据统计调查或者专家打分评判,主观性较强,缺乏定量的计算分析,无法满足城市高速发展下快速、准确获取城市功能区划分需求的技术问题。
为实现以上目的,本发明提供一种融合POI和遥感影像的城市功能区划分方法,包括如下步骤:
(1)通过电子地图获取区域的POI数据,所述POI数据包括位置信息和类别属性;通过Landsat获取区域的遥感影像;从地理数据云平台和Bigemap数据下载软件获取区域的空间地理实体数据;
(2)从所述POI数据的类别属性中选取对城市功能区划分敏感的类别形成评价类别,所述评价类别对应的POI数据形成职能POI数据;将所述职能POI数据与所述空间地理实体数据进行匹配,以获取各地理实体中各类别POI数据的初始分布结构;
(3)从区域的所述遥感影像中提取地表覆盖数据;
(4)基于步骤(2)中各类别POI数据的初始分布结构和步骤(3)中地表覆盖数据制定决策树分类规则;
(5)根据所述决策树分类规则对区域的城市功能区进行划分。
进一步地,步骤(1)中所述空间地理实体数据包括道路矢量数据和建筑布局矢量数据。
进一步地,所述步骤(2)中,各类别POI数据的初始分布结构包括不同类别POI数据各自的数量Counti和密度Densityi;
Densityi=Counti/Areai,i=1,2,3……n; (1)
式中,i为POI数据的类别数,Densityi为区域内第i类POI的密度(个/km2),Counti为区域内第i类POI的数量,Areai为区域的面积(km2)。
进一步地,步骤(3)中所述地表覆盖数据包括植被覆盖百分比和不透水层覆盖百分比。
进一步地,步骤(1)中所述遥感影像在晴朗无云的气象条件下获得,并经去条带化处理。
进一步地,步骤(2)中所述评价类别包括居民区、景区、商业区和公共服务区。
进一步地,步骤(4)中所述决策树分类规则为:
景区:Counti>30&Densityi>11/km2;
商业区:不透水层覆盖&建筑布局属于商业建筑;
公共服务区:不透水层覆盖&建筑布局属于公共服务;
居民区:不透水层覆盖&Counti>8&Densityi>5/km2;
其中,&表示同时符合;不透水层覆盖的含义:植被覆盖百分比<0.5&不透水层覆盖百分比<0.65。
进一步地,所述植被覆盖百分比和不透水层覆盖百分比基于线性光谱混合模型计算得到;所述线性光谱混合模型的数学表达式如下:
式中,ρb为b波段的反射率,N为端元数,此处为4,fi为端元i在像元内所占面积的比例,ρ(i,b)为端元i在b波段的反射率,eb为模型拟合误差;
求解模型的约束条件如下:
fi≥0 (4);
选择植被、土壤、低反照率和高反照率地物四类端元,得到ρ(i,b)为端元i在b波段的反射率,依据公式(2),在求解模型的约束条件下利用选取的端元光谱对星上反射率光谱进行光谱解混:端元i在b波段的反射率与端元i占像元面积百分比为权重的累加和可得像元在b波段的反射率,最终得到植被占像元百分比、高反照率地物占像元百分比和低反照率地物占像元百分比;
植被占像元百分比即为所述植被覆盖百分比;
高反照率地物占像元百分比和低反照率地物占像元百分比,二者依据以下的公式(5)可得不透水层的反射率,以不透水层代替高低反照率地物重新带入线性光谱混合模型,进而可计算得到所述不透水层覆盖百分比:
ρimp,b=flowρlow,b+fhighρhigh,b+eb (5);
其中,ρimp,b为不透水层在b波段的反射率,ρlow,b为低反照率地物在b波段的反射率,ρhigh,b为高反照率地物在b波段的反射率,flow为低反照率地物所占像元百分比,fhigh为高反照率地物所占像元百分比。
与现有技术相比,本发明的有益效果是:
本发明基于决策树分类算法,将POI数据与Landsat遥感数据结合,实现对城市功能区进行快速划分。代表空间地理数据语义信息的感兴趣点(POI,Point of interest)随着电子地图位置服务功能的发展逐步完善,将大数据应用到城市空间分析,通过将地理空间数据POI与遥感数据结合,优势互补,由遥感数据提供地表覆盖信息即不透水层和植被覆盖百分比,感兴趣点POI数据提供地表覆盖的社会经济属性,包括城市功能区的类别与密度。
将POI数据与道路以及城市建筑布局矢量进行空间连接,获取感兴趣点POI数据各类别的初始分布结构,通过决策树分类算法制定功能区划分规则并通过实验证明:a、对于城市功能区的划分对感兴趣点POI的个数及密度敏感;b、POI数据与不同城市功能区匹配的空间结构不同,例如居民点POI与城市块状结构区域匹配度较高而商业区与城市建筑布局的细部结构匹配度高;c、应用城市地表覆盖,弥补感兴趣点POI数据在城市功能区划分中点状数据带来的局限性;d、通过实验观察,制定城市功能区划分最优决策树分类规则。
附图说明
下面结合附图对本发明的融合POI和遥感影像的城市功能区划分方法作进一步说明。
图1是本发明一个实施例的流程图。
图2是四类POI典型分布图,其中(a)表示居民区,(b)表示景区,(c)表示商业区,(d)表示公共服务区。
图3是线性光谱混合分解结果图,其中(a)为植被覆盖百分比,(b)为不透水层覆盖百分比。
图4是功能区划分结果,其中(a)表示居民区,(b)表示景区,(c)表示商业区和公共服务区,(d)表示其他分类。
具体实施方式
本发明采用了以下研究数据:
1、POI数据
感兴趣点(Point of interest,POI)数据是电子地图位置服务提供的地标,用以标示出该地所代表的政府部门、商业机构、名胜古迹、交通设施以及居民区等。所使用的数据为高德地图的2014年POI数据,每条POI数据包含该点的位置信息(经度、纬度和地址)以及语义信息即类别属性。主要包括12个大类:餐饮服务业、公共设施、购物服务、商业住宅、生活服务、体育休闲服务、地名地址信息、风景名胜、金融保险服务、科教文化服务、医疗保险服务、政府机构及社会团体等。
2、Landsat 7遥感影像
美国的陆地卫星7(Landsat 7)于1999年4月15日发射升空后,由于其优越的数据质量,以及与以前的Landsat系列卫星保持了在数据上的延续性,现在已成为中国遥感卫星地面站的主要产品之一。基于线性光谱混合模型(Linear spectral mixing model,LSMM),应用Landsat 7数据计算得到植被和不透水层(impervious area,ISA)覆盖百分比,用以辅助POI点数据,弥补点状数据在划分功能区上的不足。
3、矢量数据
北京市道路矢量数据,包括高速公路、国道、省道、主干道以及城市内的次干路。由于城市道路数据存在一些拓扑错误,需要对道路矢量数据进行拓扑检查以及综合化处理。城市中心区建筑布局矢量数据,具备刻画城市建筑布局的能力,与道路矢量相比,与POI的尺度更加相符,能够提高POI划分城市功能区的能力。
本发明的划分方法主要分为三部分:感兴趣点POI数据分类及空间连接、线性光谱混合模型分解城市地表以及决策树分类算法。总体流程如图1所示。
1、POI分类及空间连接
POI数据类别属性丰富,包括大类、二级以及三级类别信息,其中12个大类在城市功能区划分算法中存在类别间距过窄的问题,需要从最能表达城市功能区职能的角度,对类别进行分门别类。另外,尽管大部分POI都有一定的影响范围和关注人群,但是仍存在一些公众感知度较低的POI数据,如公厕、报刊亭、公交站,这些数据对于城市功能区划分并不敏感,并不具备显著的城市职能特征,因此先将该类数据剔除。通过详尽的文献综述,选取对城市功能划分敏感的类别,从而对POI数据进行类别划分,暂定分类为:居民区、景区、商业区、公共服务以及其他。
POI数据将城市中的地理实体抽象为无面积、无体积的点,而实际的城市功能区是具有实际占地面积的。因此,在功能区划分的过程中,首先需要将POI数据与空间地理实体进行匹配,地理实体包括城市道路矢量和城市建筑布局。进而,统计各地理实体中不同类别POI数据的个数与密度。
Densityi=Counti/Areai,i=1,2,3……n(1)
式中,Densityi为区域的POI数据点密度分数(个/km2),Counti为区域内POI的数量,Areai为区域的面积。
2、LSMM分类
由于城市景观复杂且异质性强,存在大量的混合像元,V-I-S(植被—不透水层—土壤)模型将城市景观视为三种组分的有机组成,从而改善传统硬分类方法无法满足城市组分定量提取的需求。对Landsat影像进行预处理及水体掩膜后,基于线性光谱混合模型(linear spectral mixture model,LSMM),将城市地物分为植被覆盖、高反照率、低反照率以及裸土四类,定义像元在某一波段的反射率是由构成像元的反射率以及该组分所占像元面积百分比为权重的线性组合。依据,Wu和Murray(2003)建立的城市非渗透性地表覆盖度计算模型,获取城市植被及不透水层覆盖百分比信息。线性光谱混合模型如下:
式中,ρb为b波段的反射率,N为端元数此处为4,fi为端元i在像元内所占面积的比例,ρ(i,b)为端元i在b波段的反射率,eb模型拟合误差。
求解模型的约束条件如下:
fi≥0 (4);
首先,应用归一化差异水体指数(MNDWI)对Landsat 7影像进行水体掩膜处理。结合表观反射率影像及研究区Google Earth影像,根据MNF(maximum noise fraction)成分特征空间选择植被、土壤、低反照率和高反照率地物四类端元。获取四类端元后,得到ρ(i,b)为端元i在b波段的反射率,依据公式(2),在模型求解的约束条件下(公式(3)和(4))利用选取的端元光谱对星上反射率光谱进行光谱解混:端元i在b波段的反射率与端元i占像元面积百分比为权重的累加和可得像元在b波段的反射率。具体计算过程即:像元内各个端元所占百分比不随波段的改变而改变,对于每一个波段由已知像元在该波段的反射率以及四个端元在该波段的反射率,可得端元所占面积百分比为未知数的方程;Landsat 7共六个波段参与线性光谱混合分解,联立方程,每个像元可组成六个方程(即各波段反射率与四种端元在各波段的反射率带入公式(2),六个波段参与混解,可得六个方程),求四个解未知数为(每个像元内植被、土壤、高反照率和低反照率地物所占百分比),线性光谱混合模型的结果为植被、土壤、高反照率和低反照率地物所占像元百分比。
植被占像元百分比即为所述植被覆盖百分比;
高反照率地物占像元百分比和低反照率地物占像元百分比,二者依据以下的公式(5)可得不透水层的反射率,以不透水层代替高低反照率地物重新带入线性光谱混合模型,进而可计算得到所述不透水层覆盖百分比:
ρimp,b=flowρlow,b+fhighρhigh,b+eb (5);
其中,ρimp,b为不透水层在b波段的反射率,ρlow,b为低反照率地物在b波段的反射率,ρhigh,b为高反照率地物在b波段的反射率,flow为低反照率地物所占像元百分比,fhigh为高反照率地物所占像元百分比。
3、决策树分类
决策树分类法具有灵活、直观、清新、强健、运算效率高等特点,在解决遥感分类问题上表现出巨大优势。决策树算法可以定义其分类过程,依据适宜的规则把遥感数据集逐级细分,对决策树的各个分支进行定义。决策树由一个根节点(Root nodes)、许多内部节点(Internal nodes)以及叶节点(Terminal nodes)组成。根据样本数据逐级找到分类树的节点即决策树的分类规则是该分类方法的重点,逐节点对样本数据以外的待分类数据进行判别,判别函数与样本特征的选择是密切相关的。基于决策树分类,结合POI数据与LSMM分类结果,是通过学习目标地物与相关要素的分布规律,构建一套基于相关要素的判断规则,通过若干次中间判别,将多个相关要素变量数据集合逐步分解为城市功能区的方法。基于归纳总结各功能区的特征以及实验测试,结合POI数据、LSMM分类结果以及矢量数据的功能区划分的决策树分类规则如下:
景区:Counti>30&Densityi>11/km2;
商业区:不透水层覆盖&建筑布局属于商业建筑;
公共服务区:不透水层覆盖&建筑布局属于公共服务;
居民区:不透水层覆盖&Counti>8&Densityi>5/km2;
其中,&表示同时符合;不透水层覆盖的含义:植被覆盖百分比<0.5&不透水层覆盖百分比<0.65。
本发明将地理空间数据POI与遥感数据结合,优势互补,由遥感数据提供地表覆盖信息即不透水层和植被分布百分比,感兴趣点POI数据提供地表覆盖的社会经济属性包括城市功能区的类别与密度;将POI数据与道路以及城市建筑布局矢量进行空间连接,获取感兴趣点POI数据不同类别的初始分布结构;决策树分类算法的规则制定,通过实验证明:a、对于城市功能区的划分对感兴趣点POI的个数及密度敏感;b、POI数据与不同城市功能区匹配的空间结构不同,例如居民点POI与城市块状结构区域匹配度较高而商业区与城市建筑布局的细部结构匹配度高;c、应用城市地表覆盖,弥补感兴趣点POI数据在城市功能区划分中点状数据带来的局限性;d、通过实验观察,制定城市功能区划分最优决策树分类规则。
本发明的具体实施步骤主要分为四个部分:数据收集和预处理、感兴趣点POI分类及统计、城市非渗透性地表及植被覆盖度提取以及决策树分类算法规则制定并执行。
1、数据收集及预处理
(1)收集高德地图2014年的POI数据,数据包含该点的位置信息(经度、纬度和地址)以及语义信息即类别属性。POI根据类别属性分为12个大类:餐饮服务业、公共设施、购物服务、商业住宅、生活服务、体育休闲服务、地名地址信息、风景名胜、金融保险服务、科教文化服务、医疗保险服务、政府机构及社会团体等。(2)选取Landsat 7卫星过境时研究区上空晴朗无云、数据质量较好的影像,由于Landsat 7ETM+存在条带噪声的问题,利用ENVI去除条带插件进行影像的去条带化处理。(3)收集北京市道路矢量数据和城市中心区建筑布局矢量数据,道路数据包括高速公路、国道、省道、主干道以及城市内的次干路。由于城市道路数据存在一些拓扑错误,需要对道路矢量数据进行拓扑检查以及综合化处理。
2、POI分类及统计
(1)从最能表达城市功能区职能的角度,对类别进行分门别类,解决原数据12个分类在城市功能区划分算法中存在类别间距过窄的问题。(2)剔除公众感知度较低的POI数据,如公厕、报刊亭、公交站,这些数据对于城市功能区划分并不敏感,并不具备显著的城市职能特征。(3)过详尽的文献综述,选取对城市功能划分敏感的类别,从而对POI数据进行类别划分,最终类别为:居民区、景区、商业区、公共服务以及其他。(4)将POI数据与空间地理实体进行匹配,地理实体包括城市道路矢量和城市建筑布局,统计各地理实体中不同类别POI数据的个数与密度。
3、城市非渗透性地表及植被覆盖度提取
(1)对Landsat 7影像依据MNDWI(归一化水体指数)进行水体掩膜。(2)结合表观反射率影像及研究区Google Earth影像,根据MNF(maximum noise fraction)成分特征空间选择植被、土壤、低反照率和高反照率地物四类端元。(3)获取四类端元后,得到四种端元在Landsat各波段的反射率,即ρ(i,b)为端元i在b波段的反射率。(4)在模型求解的约束条件下,依据假设:像元内各个端元所占百分比不随波段的改变,利用选取的端元光谱对星上反射率光谱进行光谱解混。具体计算过程即:对于每一个波段由已知像元在该波段的反射率以及四个端元在该波段的反射率,可得端元所占面积百分比为未知数的方程;Landsat 7六个波段可组成六个方程,联立方程,求解未知数(每个像元内植被、土壤、高反照率和低反照率地物所占百分比),由方程个数大于未知数个数,计算结果为植被、土壤、高反照率和低反照率地物所占像元百分比。(5)低反照率地物和高反照率地物合并为城市非渗透地表。
4、决策树分类
(1)根据样本数据逐级找到分类树的节点即决策树的分类规则是该分类方法的重点,逐节点对样本数据以外的待分类数据进行判别,判别函数与样本特征的选择是密切相关的。(2)通过学习目标地物与相关要素的分布规律,构建一套基于相关要素的判断规则,通过若干次中间判别,将多个相关要素变量数据集合逐步分解为城市功能区的方法。(3)基于归纳总结各功能区的特征以及实验测试,结合POI数据、LSMM分类结果以及矢量数据的功能区划分的决策树分类规则如下:(a)景区:Counti>30&Densityi>11/km2;(b)商业区:不透水层覆盖&建筑布局属于商业建筑;(c)公共服务区:不透水层覆盖&建筑布局属于商业服务;(d)居民区:不透水层覆盖&Counti>8&Densityi>5/km2。(4)依据决策树分类算法规则生成城市功能区划图。
根据数据的类别信息将POI分为居民点、商业、景点以及公共服务,选择北京市典型区域分析不同类别POI点分布特征(参见图2),为决策树分类算法的规则制定与优化提供先验知识。城市居民点分布于道路分割而成的块状区域内,通常一个居民点类型的POI点对应排列整齐、外观均一的建筑群,因此在对城市居住功能区进行划分的时候,需要考虑居民区的块状、群集结构。景点类型的POI点成集团式分布于景区内,北京六区内的景点类型包括历史遗迹如故宫以及城市公园如玉渊潭公园,景点地表覆盖类型包括不透水层、植被覆盖以及混合区,所以景区功能划分不依据地表覆盖类型,而其他功能区划分的首要条件依赖于地表覆盖是否为不透水层。商业以及公共服务类空间分布结构相似,集中分布于道路两侧,与城市建筑布局匹配度较高。
如图3,线性光谱混合模型结果植被覆盖百分比与不透水层覆盖百分比图整体呈现明显的互异分布,然而细节上可以互补,从而获取更准确的城市地表覆盖类型,以辅助城市功能区的划分。图4即为城市功能区的划分结果,城市居住功能区的空间分布特征为:块状聚集分布于北京市重心六区中,尤其是三环内居民区分布比较集中。北京历史悠久,现存名胜古迹集中分布于中心区如故宫,另有许多城市公园分布于北京各处以提高城市人居环境。由于商业和公共服务业与城市建筑格局尺度一致,所以将两者统一显示,城市建筑布局属于城市微观结构,在城市六区布局整体图中并不明显,仍可以观察到其沿道路密集分布的特征。
本发明的不局限于上述实施例,本发明的上述各个实施例的技术方案彼此可以交叉组合形成新的技术方案,另外凡采用等同替换形成的技术方案,均落在本发明要求的保护范围内。
Claims (5)
1.融合POI和遥感影像的城市功能区划分方法,其特征在于,包括如下步骤:
(1)通过电子地图获取区域的POI数据,所述POI数据包括位置信息和类别属性;通过Landsat获取区域的遥感影像;从地理数据云平台和Bigemap数据下载软件获取区域的空间地理实体数据;所述空间地理实体数据包括道路矢量数据和建筑布局矢量数据;
(2)从所述POI数据的类别属性中选取对城市功能区划分敏感的类别形成评价类别,所述评价类别对应的POI数据形成职能POI数据;将所述职能POI数据与所述空间地理实体数据进行匹配,以获取各地理实体中各类别POI数据的初始分布结构;各类别POI数据的初始分布结构包括不同类别POI数据各自的数量Counti和密度Densityi;
Densityi=Counti/Areai,i=1,2,3……n; (1)
式中,i为POI数据的类别数,Densityi为区域内第i类POI的密度,个/km2,Counti为区域内第i类POI的数量,Areai为区域的面积,km2;
(3)从区域的所述遥感影像中提取地表覆盖数据;
(4)基于步骤(2)中各类别POI数据的初始分布结构和步骤(3)中地表覆盖数据制定决策树分类规则;所述决策树分类规则为:
景区:Counti>30&Densityi>11/km2;
商业区:不透水层覆盖&建筑布局属于商业建筑;
公共服务区:不透水层覆盖&建筑布局属于公共服务;
居民区:不透水层覆盖&Counti>8&Densityi>5/km2;
其中,&表示同时符合;不透水层覆盖的含义:植被覆盖百分比<0.5&不透水层覆盖百分比<0.65;
(5)根据所述决策树分类规则对区域的城市功能区进行划分。
2.根据权利要求1所述的融合POI和遥感影像的城市功能区划分方法,其特征在于,步骤(3)中所述地表覆盖数据包括植被覆盖百分比和不透水层覆盖百分比。
3.根据权利要求1所述的融合POI和遥感影像的城市功能区划分方法,其特征在于,步骤(1)中所述遥感影像在晴朗无云的气象条件下获得,并经去条带化处理。
4.根据权利要求1所述的融合POI和遥感影像的城市功能区划分方法,其特征在于,步骤(2)中所述评价类别包括居民区、景区、商业区和公共服务区。
5.根据权利要求2所述的融合POI和遥感影像的城市功能区划分方法,其特征在于,所述植被覆盖百分比和不透水层覆盖百分比基于线性光谱混合模型计算得到;所述线性光谱混合模型的数学表达式如下:
式中,ρb为b波段的反射率,N为端元数,此处为4,fi为端元i在像元内所占面积的比例,ρ(i,b)为端元i在b波段的反射率,eb为模型拟合误差;
求解模型的约束条件如下:
fi≥0 (4);
选择植被、土壤、低反照率和高反照率地物四类端元,得到ρ(i,b)为端元i在b波段的反射率,依据公式(2),在求解模型的约束条件下利用选取的端元光谱对星上反射率光谱进行光谱解混:端元i在b波段的反射率与端元i占像元面积百分比为权重的累加和可得像元在b波段的反射率,最终得到植被占像元百分比、高反照率地物占像元百分比和低反照率地物占像元百分比;
植被占像元百分比即为所述植被覆盖百分比;
高反照率地物占像元百分比和低反照率地物占像元百分比,二者依据以下的公式(5)可得不透水层的反射率,以不透水层代替高低反照率地物重新带入线性光谱混合模型,进而可计算得到所述不透水层覆盖百分比:
ρimp,b=flowρlow,b+fhighρhigh,b+eb (5);
其中,ρimp,b为不透水层在b波段的反射率,ρlow,b为低反照率地物在b波段的反射率,ρhigh,b为高反照率地物在b波段的反射率,flow为低反照率地物所占像元百分比,fhigh为高反照率地物所占像元百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563928.9A CN108764193B (zh) | 2018-06-04 | 2018-06-04 | 融合poi和遥感影像的城市功能区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563928.9A CN108764193B (zh) | 2018-06-04 | 2018-06-04 | 融合poi和遥感影像的城市功能区划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764193A CN108764193A (zh) | 2018-11-06 |
CN108764193B true CN108764193B (zh) | 2022-02-01 |
Family
ID=64002655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810563928.9A Active CN108764193B (zh) | 2018-06-04 | 2018-06-04 | 融合poi和遥感影像的城市功能区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764193B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299673B (zh) * | 2018-09-05 | 2020-09-08 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
CN109886171B (zh) * | 2019-02-01 | 2021-07-23 | 北京大学 | 遥感影像地理场景的分割方法及装置 |
CN109993753B (zh) * | 2019-03-15 | 2021-03-23 | 北京大学 | 遥感影像中城市功能区的分割方法及装置 |
CN110008542A (zh) * | 2019-03-21 | 2019-07-12 | 东南大学 | 一种城市海量建筑分类方法 |
CN110659427A (zh) * | 2019-09-06 | 2020-01-07 | 北京百度网讯科技有限公司 | 基于多源数据的城市功能划分方法、装置和电子设备 |
CN110990511B (zh) * | 2019-11-29 | 2020-10-16 | 南京信息工程大学 | 一种顾及城市二维和三维形态的局部气候区分类方法 |
CN111177587B (zh) * | 2019-12-12 | 2023-05-23 | 广州地理研究所 | 一种购物街道推荐方法及装置 |
CN111291811B (zh) * | 2020-02-07 | 2023-12-08 | 京东科技控股股份有限公司 | 区域划分和分类方法、装置和计算机可读存储介质 |
CN111582146B (zh) * | 2020-05-06 | 2021-04-13 | 宁波大学 | 一种基于多特征融合的高分辨率遥感影像城市功能分区方法 |
CN111651502B (zh) * | 2020-06-01 | 2021-09-14 | 中南大学 | 一种基于多子空间模型的城市功能区识别方法 |
CN111832527B (zh) * | 2020-07-23 | 2023-09-05 | 中国科学院空天信息创新研究院 | 基于遥感和社会感知数据的居民小区提取与类型识别方法 |
CN112100165B (zh) * | 2020-09-14 | 2024-02-02 | 郄中洋 | 基于质量评估的交通数据处理方法、系统、设备和介质 |
CN114328766A (zh) * | 2020-09-27 | 2022-04-12 | 中国科学院空天信息创新研究院 | 一种地理知识图数据库构建方法、装置、介质及设备 |
CN112183879A (zh) * | 2020-10-14 | 2021-01-05 | 北京大学 | 一种城市功能区的分类方法及装置、电子设备和存储介质 |
US20220179857A1 (en) * | 2020-12-09 | 2022-06-09 | Here Global B.V. | Method, apparatus, and system for providing a context-aware location representation |
CN112733781B (zh) * | 2021-01-20 | 2022-05-27 | 中国科学院地理科学与资源研究所 | 结合poi数据的城市功能区识别方法、存储介质和电子设备 |
CN114067223B (zh) * | 2022-01-17 | 2022-04-15 | 南京信息工程大学 | 一种基于夜光遥感数据的夜间城市过度照明监测方法 |
CN114462698B (zh) * | 2022-01-28 | 2022-12-02 | 哈尔滨工业大学 | 一种面向流域汇水区域的磷排放污染负荷预测方法 |
CN117710746A (zh) * | 2023-12-22 | 2024-03-15 | 中国科学院地理科学与资源研究所 | 一种融合开放地理数据的多尺度景观功能主体类型识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592056A (zh) * | 2012-01-16 | 2012-07-18 | 浙江大学 | 土壤侵蚀植被覆盖-管理因子的遥感估算方法 |
CN105469051A (zh) * | 2015-11-25 | 2016-04-06 | 中国科学院电子学研究所 | 一种基于不透水层检测的城市外轮廓提取方法及装置 |
CN106845559A (zh) * | 2017-02-28 | 2017-06-13 | 山东师范大学 | 顾及poi数据空间异质性的地表覆盖验证方法及系统 |
CN106897417A (zh) * | 2017-02-22 | 2017-06-27 | 东南大学 | 一种基于多源大数据融合的城市空间全息地图的构建方法 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165206B2 (en) * | 2011-12-12 | 2015-10-20 | Google Inc. | Updating point of interest data based on an image |
-
2018
- 2018-06-04 CN CN201810563928.9A patent/CN108764193B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592056A (zh) * | 2012-01-16 | 2012-07-18 | 浙江大学 | 土壤侵蚀植被覆盖-管理因子的遥感估算方法 |
CN105469051A (zh) * | 2015-11-25 | 2016-04-06 | 中国科学院电子学研究所 | 一种基于不透水层检测的城市外轮廓提取方法及装置 |
CN106897417A (zh) * | 2017-02-22 | 2017-06-27 | 东南大学 | 一种基于多源大数据融合的城市空间全息地图的构建方法 |
CN106845559A (zh) * | 2017-02-28 | 2017-06-13 | 山东师范大学 | 顾及poi数据空间异质性的地表覆盖验证方法及系统 |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108764193A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764193B (zh) | 融合poi和遥感影像的城市功能区划分方法 | |
Bechtel et al. | Generating WUDAPT Level 0 data–Current status of production and evaluation | |
Cai et al. | Investigating the relationship between local climate zone and land surface temperature using an improved WUDAPT methodology–A case study of Yangtze River Delta, China | |
Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
Abebe | Quantifying urban growth pattern in developing countries using remote sensing and spatial metrics: A case study in Kampala, Uganda | |
CN110348506B (zh) | 基于遥感图像的土地利用分类方法、存储介质和计算设备 | |
Tomppo et al. | Multi-source national forest inventory: Methods and applications | |
Karimi et al. | Pedestrian network map generation approaches and recommendation | |
Siart et al. | Investigation of past archaeological landscapes using remote sensing and GIS: a multi-method case study from Mount Ida, Crete | |
Pătru-Stupariu et al. | Landscape fragmentation in Romania's Southern Carpathians: Testing a European assessment with local data | |
CN102360458A (zh) | 一种移民安置区选择模糊评价方法 | |
CN108052876A (zh) | 基于图像识别的区域发展评估方法及装置 | |
Dang et al. | The integration of urban streetscapes provides the possibility to fully quantify the ecological landscape of urban green spaces: A case study of Xi’an city | |
Liu et al. | A multilevel stratified spatial sampling approach based on terrain knowledge for the quality assessment of OpenStreetMap dataset in Hong Kong | |
Wang et al. | Quantitative relationship between urban green canopy area and urban greening land area | |
CN113935622A (zh) | 一种生态地质环境质量评价方法、系统及电子设备 | |
Wagtendonk et al. | An indicator set for capturing long-term open space fragmentation and urban development dynamics | |
CN113537567A (zh) | 一种生态旅游资源开发价值评价方法 | |
Robinson et al. | Estimating Settlement carbon stock and density using an inventory approach and quantifying their variation by land use and parcel size | |
Walsund | Geographical information systems as a tool in sustainable urban development | |
Elsheikh et al. | Using the integration of GIS and RS in the initial selection of the site for the construction of the new Al Diwaniyah city and its alternatives in Iraq | |
Hai et al. | Assessing land use change in the context of climate change and proposing solutions: Case study in Gia Lai province, Vietnam | |
DEMİR et al. | Analysis Temporal Land Use/Land Cover Change Based on Landscape Pattern and Dynamic Metrics in Protected Mary Valley, Trabzon from 1987 to 2015 | |
Abubakar | An integrated geospatial analysis of land suitability for urban expansion in Lokoja, Nigeria | |
Muižniece et al. | A geomorphological approach for enhancing environmental management and conservation of landforms as protected nature objects in the Upper Daugava spillway valley |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |