CN109189917A - 一种融合景观和社会特征的城市功能区划分方法及系统 - Google Patents
一种融合景观和社会特征的城市功能区划分方法及系统 Download PDFInfo
- Publication number
- CN109189917A CN109189917A CN201810678748.5A CN201810678748A CN109189917A CN 109189917 A CN109189917 A CN 109189917A CN 201810678748 A CN201810678748 A CN 201810678748A CN 109189917 A CN109189917 A CN 109189917A
- Authority
- CN
- China
- Prior art keywords
- building
- landscape
- index
- function region
- city function
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提出了一种融合景观和社会特征的城市功能区划分方法及系统，首先，利用网络电子地图提供的应用程序编程接口(API)，编写Python网络爬虫，获取城市景观数据与社交媒体数据；继而，利用城市景观数据，通过构建景观指数，测算城市功能区域的景观格局；然后，利用社交媒体数据，通过LDA主题模型，建立社会经济指标，提取城市功能区域的社会经济特征；最后，引入随机森林算法，构建城市功能区自动分类模型，实现城市功能分类，本发明的划分方法及系统成本低、效率高并且能够客观的构建评价指标，并且能够准确地刻画不同城市功能的自然与社会特征，实现了更精细化的城市功能区划分。
Description
技术领域
本发明属于城市功能区划分技术领域，尤其涉及一种融合景观和社会特征的城市功能区划分方法及系统。
背景技术
城市功能区是指能够实现自然与社会资源空间聚集、有效发挥某种特定城市功能的地域空间。随着城市建设和社会经济的快速发展，城市功能区所呈现出的自然景观特征和社会经济特征也日益显著。城市功能区的识别与划分对于测算土地利用程度、规划各类经济社会职能、提升区域综合竞争力等具有重要作用。传统的城市功能区划分主要基于土地利用调查数据，通过建立评价指标来量化城市景观与社会经济特征，以实现城市功能的划分。该方法数据获取成本高、效率低，构建评价指标的主观因素强，难以准确地刻画不同城市功能的自然与社会特征，迫切需要一种新的方法和途径来进行城市功能区的划分。
随着遥感技术的发展与应用，通过遥感数据能够有效反映城市内部的自然景观。已经有学者将高分辨率遥感影像应用于城市功能区划分的应用中，通过提取高分辨率遥感影像的波谱、形状、纹理等特征，应用多尺度地理图像分割算法，对居住、工业、公共服务等不同城市功能进行了有效的识别，提出了一种基于场景信息的高分辨率遥感影像分类方法，通过提取遥感影像内城市区域的场景特征，对不同的城市功能进行分类。上述成果都是通过刻画城市自然景观特征，来实现城市功能区的划分。然而，他们仅从整体上对城市的自然景观特征进行了统计与分析，忽略了自然景观的内部要素(如建筑物、道路等)，无法实现更精细化的城市功能区划分。
随着互联网和大数据技术的广泛应用，出现了诸如Twitter、微博、兴趣点(POI)等社交媒体大数据，这类数据反映了居民的日常行为规律，有效地刻画了城市中的社会经济活动。Frias-Martinez V等利用Twitter数据，分别提取了工作日和双休日中城市居民活动的规律，提出了一种基于社交媒体数据的城市功能区划分方法；Chen Y等分析了腾讯签到数据的时间变化特征，并通过对该特征进行相似度聚类，识别出居住、商业等不同城市功能区。上述成果都是通过刻画城市居民的社会经济特征，从而实现城市功能区的划分。但这类数据大多集中在城市的核心地段，其他地段数据稀疏，其分布具有典型的空间异质性，限制了其应用范围。
发明内容
基于现有技术中的不足，本发明至少提供以下技术方案：
一种融合景观和社会特征的城市功能区划分方法，其包括以下步骤：
获取城市景观数据与社交媒体数据，并划分城市功能区域的步骤；
通过构建景观指数，测算城市功能区域的景观格局的步骤；
建立社会经济指标，提取城市功能区域的社会经济特征的步骤；
构建城市功能区自动分类模型，实现城市功能分类的步骤。
进一步的，所述获取城市景观数据与社交媒体数据，并划分城市功能区域的步骤中，利用网络电子地图提供的API，编写网络爬虫，批量获取城市建筑物数据、POI数据以及道路数据，以城市建筑物数据作为所述城市景观数据，以POI数据作为所述社交媒体数据，以所述道路数据的道路类别信息中的主干道将城市划分为不同的区域，将该区域作为城市功能区划分的基础单元。
进一步的，所述社交媒体数据包含地理位置信息以及文本信息。
进一步的，所述通过构建景观指数，测算城市功能区域的景观格局的步骤中，基于所述城市建筑物数据，计算所述建筑物的基础测算指标，构建景观指数，以所述景观指数的计算数值作为城市景观格局的量化结果。
进一步的，所述城市建筑物数据包括：建筑物轮廓信息、地理位置信息、建筑物高度信息、建筑材料信息。
进一步的，所述景观指数包括，
建筑物总面积，将该景观指数定义为同一城市功能区域内所有建筑物面积的总和；
建筑物平均面积，将该景观指数定义为同一城市功能区域内建筑物总面积与建筑物数量的比值；
最大建筑物面积，将该景观指数定义为同一城市功能区域内中占地面积最大的建筑物的面积；
建筑物面积标准差，将该景观指数定义为同一城市功能区域内各建筑物的面积的标准差；
建筑物面积占比，将该景观指数定义为同一城市功能区域内建筑物总面积与该城市功能区域的面积的比值；
建筑物总数量，将该景观指数定义为同一城市功能区域内建筑物的总数量；
建筑物密度，将该景观指数定义为同一城市功能区域内为总建筑数量与功能区域面积的比率；
建筑物总周长，将该景观指数定义为同一城市功能区域内所有建筑物周长的总和；
建筑物平均周长，将该景观指数定义为同一城市功能区域内建筑物总周长与建筑物数量的比值；
建筑周长标准差，将该景观指数定义为同一城市功能区域内各建筑物的周长的标准差；
建筑物平均高度，将该景观指数定义为同一城市功能区域内建筑物总高度与建筑物数量的比值；
建筑物高度标准差，将该景观指数定义为同一城市功能区域内各建筑物的高度的标准差；
平均建筑物结构指数，将该景观指数定义为同一城市功能区域内所有建筑物的建筑物结构指数之和与建筑物总数量的比值，其中，建筑物结构指数的计算公式如下：
式(1)中，BSIb为建筑物b的建筑物结构指数，Ab为建筑物b的面积，Hb为建筑物b的高度；
建筑物结构指数标准差，将该景观指数定义为同一城市功能区域内各建筑物的建筑物结构指数的标准差；
建筑材料，包括框架剪力墙结构、框架结构、组合结构、砌体结构、筒结构和钢结构；
平均分形维数，将该景观指数定义为同一城市功能区域内所有建筑物的分形维数之和与建筑物总数量的比值，其中，分形维数的计算公式如下：
式(2)中，FDb为建筑物b的分形维数,b为建筑物b的面积，Pb为建筑物b的周长。
景观分离度，该景观指数的计算公式如下：
式(3)中，Dl为城市功能区域l的景观分离度，Ab为建筑物b的面积，Al为城市功能区域l的面积，n为城市功能区域l内建筑物的数量；
景观形状指数，该景观指数的计算公式如下：
式(4)中，LSIl城市功能区域l的景观形状指数，Ab为建筑物b的面积，Pb为建筑物b的周长，n为城市功能区域l内建筑物的数量。
进一步的，所述建立社会经济指标，提取城市功能区域的社会经济特征的步骤中，依据所述社交媒体数据的地理位置信息，将所述社交媒体数据与所述城市功能区域进行空间叠加，并通过各个城市功能区域内的文本信息，构建相应的文本文档；通过LDA主题模型计算每个文本文档的文本主题以及每个文本主题在各个文本文档内的分布概率；应用文本主题归一化的方法，建立社会经济指标。
进一步的，所述构建城市功能区自动分类模型，实现城市功能分类的步骤中，采用随机森林算法，将所述景观指数与所述社会经济指标作为模型输入变量，构建随机森林模型，其中，调整所述模型中决策树的数量ntree参数以及每个节点中的特征数mtry参数，定义所述参数值，采用网格搜索方法，以实现城市功能的自动分类。
一种融合景观和社会特征的城市功能区划分系统，其包括：城市景观数据与社交媒体获取模块、测算景观格局模块、提取社会经济特征模块以及城市功能分类模块。
进一步的，所述城市景观数据与社交媒体获取模块包括应用程序编程接口、网络爬虫编写模块以及城市功能区划分模块；所述测算景观格局模块包括建筑物基础测算指标获取模块、景观指数构建模块；所述提取社会经济特征模块包括文本文档构建模块、LDA主题模块、社会经济指标建立模块；所述城市功能分类模块包括随机森林模型构建模块、网格搜索模块，所述随机森林模型构建模块中包括参数调整模块。
与现有技术相比，本发明至少具有如下优点：
本发明的划分方法及系统，由于所用数据均可免费获取，所建立的模型能够实现城市功能区的自动化分，因此，成本低、效率高并且能够客观的构建评价指标，另外本发明通过引入景观指数，测算了城市内部的景观格局与分布，利用文本主题模型，建立了空间异质性分布下社交媒体数据的社会经济指标，并融合景观与社会经济要素，构建了基于随机森林算法的城市功能区自动分类模型，进而准确地刻画不同城市功能的自然与社会特征，实现了更精细化的城市功能区划分。
附图说明
图1为本发明融合景观和社会特征的城市功能区划分方法流程图。
图2(a)为本发明实施例中研究区的高分辨率图像。
图2(b)为本发明实施例中的道路数据划分的城市功能区域示意图。
图2(c)为本发明实施例中在深圳市国土资源委员会城市规划委员会处取得的研究区的建筑物数据示意图。
图2(d)为本发明实施例中研究区的POI数据集的空间分布示意图。
图3为本发明广东省深圳市福田区的城市功能区划分结果示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
为了对本发明的技术特征、目的和效果有更加清楚的理解，本发明具体实施方式中以广东省深圳市福田区为研究区，以广东省深圳市福田区的高德地图POI数据集和建筑物数据集为研究数据，进行城市功能区划分，并对照附图说明本发明的具体实施方式。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明所提出的一种融合景观和社会特征的城市功能区划分系统，其包括：城市景观数据与社交媒体获取模块、测算景观格局模块、提取社会经济特征模块以及城市功能分类模块。
所述城市景观数据与社交媒体获取模块包括应用程序编程接口、网络爬虫编写模块以及城市功能区划分模块；所述测算景观格局模块包括建筑物基础测算指标获取模块、景观指数构建模块；所述提取社会经济特征模块包括文本文档构建模块、LDA主题模块、社会经济指标建立模块；所述城市功能分类模块包括随机森林模型构建模块、网格搜索模块，所述随机森林模型构建模块中包括参数调整模块。
本发明还提供了与其系统所对应的融合景观和社会特征的城市功能区划分方法，如图1所示，所述方法包括如下步骤：
步骤A：获取城市景观数据与社交媒体数据，并划分城市功能区域。首先，利用网络电子地图提供的应用程序编程接口(API)，编写Python网络爬虫，批量获取城市建筑物数据、兴趣点(POI)数据以及道路数据，将城市建筑物数据作为量化景观格局的城市景观数据，将POI数据作为提取社会经济特征的社交媒体数据，依据道路数据中的类别信息，提取其中的主干道，利用该主干道将城市划分为不同的区域，将该区域作为城市功能区划分的基础单元。
在本实施例中，所获得的图像以及研究数据如图2所示。其中(a)为研究区的高分辨率图像，反映了研究区的城市景观格局，为城市功能区的正确分类提供了参考。(b)为依据研究区的道路数据划分的城市功能区域，将该区域作为城市功能区分类的基础单元。(c)为在深圳市国土资源委员会城市规划委员会(深圳市海洋局)处取得的研究区的建筑物数据，该数据用于构建景观指数，测算城市景观格局。(d)为研究区的POI数据集的空间分布，该数据用于构建社会经济指标，提取城市功能区域的社会经济特征。
步骤B：通过构建景观指数，测算城市功能区域的景观格局。首先，基于步骤A中所获取的城市建筑物数据，分别计算每个建筑物的面积、周长、高度，并提取建筑材料信息，作为4个基础测算指标。继而，利用这4个基础测算指标，构建了18个景观指数，将景观指数的计算数值作为城市景观格局的量化结果。
具体地，本专利所构建的18个景观指数包括：
(1)建筑物总面积。将该景观指数定义为同一城市功能区域内所有建筑物面积的总和。
(2)建筑物平均面积。将该景观指数定义为同一城市功能区域内建筑物总面积与建筑物数量的比值。
(3)最大建筑物面积。将该景观指数定义为同一城市功能区域内中占地面积最大的建筑物的面积。
(4)建筑物面积标准差。将该景观指数定义为同一城市功能区域内各建筑物的面积的标准差。
(5)建筑物面积占比。将该景观指数定义为同一城市功能区域内建筑物总面积与该城市功能区域的面积的比值。
(6)建筑物总数量。将该景观指数定义为同一城市功能区域内建筑物的总数量。
(7)建筑物密度。将该景观指数定义为同一城市功能区域内为总建筑数量与功能区域面积的比率。
(8)建筑物总周长。将该景观指数定义为同一城市功能区域内所有建筑物周长的总和。
(9)建筑物平均周长。将该景观指数定义为同一城市功能区域内建筑物总周长与建筑物数量的比值。
(10)建筑周长标准差。将该景观指数定义为同一城市功能区域内各建筑物的周长的标准差。
(11)建筑物平均高度。将该景观指数定义为同一城市功能区域内建筑物总高度与建筑物数量的比值。
(12)建筑物高度标准差。将该景观指数定义为同一城市功能区域内各建筑物的高度的标准差。
(13)平均建筑物结构指数。将该景观指数定义为同一城市功能区域内所有建筑物的建筑物结构指数之和与建筑物总数量的比值，其中，建筑物结构指数的计算公式如下：
式(1)中，BSIb为建筑物b的建筑物结构指数，Ab为建筑物b的面积，Hb为建筑物b的高度。
(14)建筑物结构指数标准差。将该景观指数定义为同一城市功能区域内各建筑物的建筑物结构指数的标准差。
(15)建筑材料。包括框架剪力墙结构、框架结构、组合结构、砌体结构、筒结构和钢结构。
(16)平均分形维数。将该景观指数定义为同一城市功能区域内所有建筑物的分形维数之和与建筑物总数量的比值，其中，分形维数的计算公式如下：
式(2)中，FDb为建筑物b的分形维数,b为建筑物b的面积，Pb为建筑物b的周长。
(17)景观分离度。该景观指数的计算公式如下：
式(3)中，Dl为城市功能区域l的景观分离度，Ab为建筑物b的面积，Al为城市功能区域l的面积，n为城市功能区域l内建筑物的数量。
(18)景观形状指数。该景观指数的计算公式如下：
式(4)中，LSIl城市功能区域l的景观形状指数，Ab为建筑物b的面积，Pb为建筑物b的周长，n为城市功能区域l内建筑物的数量。
在本实例中，依据步骤B构建的景观指数，得到景观指数的测算结果。建筑物面积占比和平均分形维数的测算结果为相对对称的中值，景观分离度的测算结果整体偏低，其余景观指数的测算结果整体偏高。对于建筑材料，六种结构被编码成[1,6]，其中大部分建筑物属于第二、第三和第四种建筑材料，分别对应于复合结构、框架-剪力墙结构和框架结构。通过上述景观指数的测算，有效勾画了城市功能区域的景观格局，为城市功能区自动分类提供依据。
步骤C：建立社会经济指标，提取城市功能区域的社会经济特征。首先，依据社交媒体数据的地理位置信息，将所述步骤A中获取的社交媒体数据与城市功能区域进行空间叠加，并通过各个城市功能区域内的文本信息，构建相应的文本文档。
继而，通过潜在狄利克雷(Latent Dirichlet Allocation,LDA)主题模型，计算每个文本文档的文本主题以及每个文本主题在各个文本文档内的分布概率，每个文本主题在每个文本文档内的分布概率的计算公式为：
式(5)中，θ为每个文本主题在每个文本文档内的分布概率，z为文本主题，w表示文本文档中的词语，n为词语的总数量，α,β为LDA主题模型的超参数，其中，α＝50/k,β＝0.1，k为文本主题的数量。
然后，应用文本主题归一化的方法，建立社会经济指标。将每个文本主题中的词语作为依据，将文本主题归类为不同的城市功能类型，对于归类到每个城市功能类型中的文本主题，提取其分布概率并计算平均值，具体计算公式如下：
式(6)中，表示第i个城市功能区域内归类到城市功能类型f的主题分布概率的平均值，表示第i个城市功能区域内归类到城市功能类型f的第j个文本主题的分布概率，n表示第i个城市功能区域中归类到城市功能类型f的文本主题的总数。
在计算平均值的基础上，通过如下公式，将归类到每个城市功能类型中的文本主题分布概率的平均值进行归一化：
式(7)中，表示城市功能区域l中归一化后的文本主题分布概率的平均值，分别为文本主题分布概率平均值的最大值和最小值。将作为社会经济指标，表示城市功能区域的社会经济特征。
在本实例中，依据POI数据集中的类别信息，利用LDA主题模型，计算得到44个文本主题。然后，依据每个主题中具有高概率的POI类别，选择与功能类型相关的19个主题，6个主题对应于商业用地，5个主题对应工业用地，4个主题对应住宅用地，剩余的4个主题对应公共服务用地。对各功能区域中的主题概率进行归一化计算，并将其作为功能区分类的社会经济指标，包括商业用地指标、工业用地指标、住宅用地指标和公共服务用地指标。
接下来，通过方差分析(ANOVA)，评价景观指数和社会经济指标在城市功能分类中的可用性，如表1所示，其中，F为检验的统计量，Sig.为显著性水平，其F值越高，Sig.值越低，表明该指标在城市功能区划分中的可用性越强。
表1.景观指数和社会经济指标的方差分析结果
步骤D：构建城市功能区自动分类模型，实现城市功能分类。引入随机森林算法，将所述步骤B、C中的景观指数与社会经济指标作为模型输入变量，参考“Ho T K.Randomdecision forests[C]//Document analysis and recognition,1995.,proceedings ofthe third international conference on.IEEE,1995,1:278-282.”中的方法，构建随机森林模型。
具体地，随机森林模型的构建需要调整两个参数：模型中决策树的数量ntree和每个节点中的特征数mtry。本专利采用网格搜索方法，定义参数值ntree∈{500,1000,2000}，mtry∈{2,3,4,5}。网格搜索方法即，将所定义的参数全部输入随机森林模型，选取模型精度最高的参数值作为模型参数，并将对应的随机森林模型作为城市功能区自动分类模型，以实现城市功能的自动分类。
在本实例中，基于不同参数值的随机森林模型分类精度如表2所示。当ntree＝500，mtry＝4时，随机森林模型的精度最高。将该模型作为城市功能自动分类模型，其分类精度为0.818。利用该模型对城市功能进行分类，分类结果如图3所示。采用本发明的分类模型，能够实现城市功能类型的自动识别，省时省力，避免了实地调查和遥感影像目视解译造成的时间成本和人力成本。
表2.基于不同参数值的随机森林模型分类精度
本发明提出了一种融合景观和社会特征的城市功能区划分方法及系统，首先，利用网络电子地图提供的应用程序编程接口(API)，编写Python网络爬虫，获取城市景观数据与社交媒体数据；继而，利用城市景观数据，通过构建景观指数，测算城市功能区域的景观格局；然后，利用社交媒体数据，通过LDA主题模型，建立社会经济指标，提取城市功能区域的社会经济特征；最后，引入随机森林算法，构建城市功能区自动分类模型，实现城市功能分类，本发明的划分方法及系统成本低、效率高并且能够客观的构建评价指标，并且能够准确地刻画不同城市功能的自然与社会特征，实现了更精细化的城市功能区划分。。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种融合景观和社会特征的城市功能区划分方法，其特征在于，包括以下步骤：
获取城市景观数据与社交媒体数据，并划分城市功能区域的步骤；
通过构建景观指数，测算城市功能区域的景观格局的步骤；
建立社会经济指标，提取城市功能区域的社会经济特征的步骤；
构建城市功能区自动分类模型，实现城市功能分类的步骤。
2.根据权利要求1的所述方法，其特征在于，所述获取城市景观数据与社交媒体数据，并划分城市功能区域的步骤中，利用网络电子地图提供的API，编写网络爬虫，批量获取城市建筑物数据、POI数据以及道路数据，以城市建筑物数据作为所述城市景观数据，以POI数据作为所述社交媒体数据，以所述道路数据的道路类别信息中的主干道将城市划分为不同的区域，将该区域作为城市功能区划分的基础单元。
3.根据权利要求1的所述方法，其特征在于，所述社交媒体数据包含地理位置信息以及文本信息。
4.根据权利要求2的所述方法，其特征在于，所述通过构建景观指数，测算城市功能区域的景观格局的步骤中，基于所述城市建筑物数据，计算所述建筑物的基础测算指标，构建景观指数，以所述景观指数的计算数值作为城市景观格局的量化结果。
5.根据权利要求2的所述方法，其特征在于，所述城市建筑物数据包括：建筑物轮廓信息、地理位置信息、建筑物高度信息、建筑材料信息。
6.根据权利要求4的所述方法，其特征在于，所述景观指数包括，
建筑物总面积，将该景观指数定义为同一城市功能区域内所有建筑物面积的总和；
建筑物平均面积，将该景观指数定义为同一城市功能区域内建筑物总面积与建筑物数量的比值；
最大建筑物面积，将该景观指数定义为同一城市功能区域内中占地面积最大的建筑物的面积；
建筑物面积标准差，将该景观指数定义为同一城市功能区域内各建筑物的面积的标准差；
建筑物面积占比，将该景观指数定义为同一城市功能区域内建筑物总面积与该城市功能区域的面积的比值；
建筑物总数量，将该景观指数定义为同一城市功能区域内建筑物的总数量；
建筑物密度，将该景观指数定义为同一城市功能区域内为总建筑数量与功能区域面积的比率；
建筑物总周长，将该景观指数定义为同一城市功能区域内所有建筑物周长的总和；
建筑物平均周长，将该景观指数定义为同一城市功能区域内建筑物总周长与建筑物数量的比值；
建筑周长标准差，将该景观指数定义为同一城市功能区域内各建筑物的周长的标准差；
建筑物平均高度，将该景观指数定义为同一城市功能区域内建筑物总高度与建筑物数量的比值；
建筑物高度标准差，将该景观指数定义为同一城市功能区域内各建筑物的高度的标准差；
平均建筑物结构指数，将该景观指数定义为同一城市功能区域内所有建筑物的建筑物结构指数之和与建筑物总数量的比值，其中，建筑物结构指数的计算公式如下：
式(1)中，BSIb为建筑物b的建筑物结构指数，Ab为建筑物b的面积，Hb为建筑物b的高度；
建筑物结构指数标准差，将该景观指数定义为同一城市功能区域内各建筑物的建筑物结构指数的标准差；
建筑材料，包括框架剪力墙结构、框架结构、组合结构、砌体结构、筒结构和钢结构；
平均分形维数，将该景观指数定义为同一城市功能区域内所有建筑物的分形维数之和与建筑物总数量的比值，其中，分形维数的计算公式如下：
式(2)中，FDb为建筑物b的分形维数,Ab为建筑物b的面积，Pb为建筑物b的周长；
景观分离度，该景观指数的计算公式如下：
式(3)中，Dl为城市功能区域l的景观分离度，Ab为建筑物b的面积，Al为城市功能区域l的面积，n为城市功能区域l内建筑物的数量；
景观形状指数，该景观指数的计算公式如下：
式(4)中，LSIl城市功能区域l的景观形状指数，Ab为建筑物b的面积，Pb为建筑物b的周长，n为城市功能区域l内建筑物的数量。
7.根据权利要求3的所述方法，其特征在于，所述建立社会经济指标，提取城市功能区域的社会经济特征的步骤中，依据所述社交媒体数据的地理位置信息，将所述社交媒体数据与所述城市功能区域进行空间叠加，并通过各个城市功能区域内的文本信息，构建相应的文本文档；通过LDA主题模型计算每个文本文档的文本主题以及每个文本主题在各个文本文档内的分布概率；应用文本主题归一化的方法，建立社会经济指标。
8.根据权利要求1的所述方法，其特征在于，所述构建城市功能区自动分类模型，实现城市功能分类的步骤中，采用随机森林算法，将所述景观指数与所述社会经济指标作为模型输入变量，构建随机森林模型，其中，调整所述模型中决策树的数量ntree参数以及每个节点中的特征数mtry参数，定义所述参数值，采用网格搜索方法，以实现城市功能的自动分类。
9.一种融合景观和社会特征的城市功能区划分系统，其特征在于，其包括：城市景观数据与社交媒体获取模块、测算景观格局模块、提取社会经济特征模块以及城市功能分类模块。
10.根据权利要求9的所述系统，其特征在于，所述城市景观数据与社交媒体获取模块包括应用程序编程接口、网络爬虫编写模块以及城市功能区划分模块；所述测算景观格局模块包括建筑物基础测算指标获取模块、景观指数构建模块；所述提取社会经济特征模块包括文本文档构建模块、LDA主题模块、社会经济指标建立模块；所述城市功能分类模块包括随机森林模型构建模块、网格搜索模块，所述随机森林模型构建模块中包括参数调整模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678748.5A CN109189917B (zh) | 2018-06-27 | 2018-06-27 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678748.5A CN109189917B (zh) | 2018-06-27 | 2018-06-27 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109189917A true CN109189917A (zh) | 2019-01-11 |
| CN109189917B CN109189917B (zh) | 2020-07-28 |
Family
ID=64948569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810678748.5A Active CN109189917B (zh) | 2018-06-27 | 2018-06-27 | 一种融合景观和社会特征的城市功能区划分方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109189917B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886103A (zh) * | 2019-01-14 | 2019-06-14 | 中山大学 | 城市贫困分布测度方法 |
| CN110503485A (zh) * | 2019-08-27 | 2019-11-26 | 京东城市(北京)数字科技有限公司 | 地理区域分类方法及装置、电子设备、存储介质 |
| CN111210269A (zh) * | 2020-01-02 | 2020-05-29 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、电子装置及存储介质 |
| CN111340757A (zh) * | 2020-02-17 | 2020-06-26 | 中国国土勘测规划院 | 一种局部狭长土地利用矢量图形的检测方法 |
| CN111523466A (zh) * | 2020-04-23 | 2020-08-11 | 中国科学院空天信息创新研究院 | 基于大数据的城市开放空间的分类方法及装置 |
| CN112949413A (zh) * | 2021-02-04 | 2021-06-11 | 北京大学 | 基于街景图片的城市景观要素分类及地方性度量方法 |
| CN113033484A (zh) * | 2021-04-21 | 2021-06-25 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
| CN113468982A (zh) * | 2021-06-11 | 2021-10-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
| CN116756695A (zh) * | 2023-06-27 | 2023-09-15 | 深圳技术大学 | 一种融合地理特征和流特征的城市功能协同优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140214460A1 (en) * | 2012-02-15 | 2014-07-31 | Flybits, Inc. | Zone Oriented Applications, Systems and Methods |
| CN106991142A (zh) * | 2017-03-22 | 2017-07-28 | 湖州师范学院 | 一种基于微信数据和兴趣点数据识别城市功能区的方法 |
| 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 |
-
2018
- 2018-06-27 CN CN201810678748.5A patent/CN109189917B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140214460A1 (en) * | 2012-02-15 | 2014-07-31 | Flybits, Inc. | Zone Oriented Applications, Systems and Methods |
| CN106991142A (zh) * | 2017-03-22 | 2017-07-28 | 湖州师范学院 | 一种基于微信数据和兴趣点数据识别城市功能区的方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| XING H 等: "Exploring point-of-interest data from social media for artificial surface validation with decision trees", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
| 康雨豪: "利用POI数据的武汉城市功能区划分与识别", 《测绘地理信息》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886103A (zh) * | 2019-01-14 | 2019-06-14 | 中山大学 | 城市贫困分布测度方法 |
| CN110503485A (zh) * | 2019-08-27 | 2019-11-26 | 京东城市(北京)数字科技有限公司 | 地理区域分类方法及装置、电子设备、存储介质 |
| CN110503485B (zh) * | 2019-08-27 | 2020-09-01 | 北京京东智能城市大数据研究院 | 地理区域分类方法及装置、电子设备、存储介质 |
| CN111210269A (zh) * | 2020-01-02 | 2020-05-29 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、电子装置及存储介质 |
| WO2021135105A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、装置、设备及存储介质 |
| CN111340757B (zh) * | 2020-02-17 | 2023-03-07 | 中国国土勘测规划院 | 一种局部狭长土地利用矢量图形的检测方法 |
| CN111340757A (zh) * | 2020-02-17 | 2020-06-26 | 中国国土勘测规划院 | 一种局部狭长土地利用矢量图形的检测方法 |
| CN111523466A (zh) * | 2020-04-23 | 2020-08-11 | 中国科学院空天信息创新研究院 | 基于大数据的城市开放空间的分类方法及装置 |
| CN111523466B (zh) * | 2020-04-23 | 2023-10-17 | 中国科学院空天信息创新研究院 | 基于大数据的城市开放空间的分类方法及装置 |
| CN112949413A (zh) * | 2021-02-04 | 2021-06-11 | 北京大学 | 基于街景图片的城市景观要素分类及地方性度量方法 |
| CN113033484B (zh) * | 2021-04-21 | 2022-11-22 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
| CN113033484A (zh) * | 2021-04-21 | 2021-06-25 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
| CN113468982A (zh) * | 2021-06-11 | 2021-10-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
| CN113468982B (zh) * | 2021-06-11 | 2023-08-01 | 北京建筑大学 | 一种城市功能区分类方法、装置及存储介质 |
| CN116756695A (zh) * | 2023-06-27 | 2023-09-15 | 深圳技术大学 | 一种融合地理特征和流特征的城市功能协同优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109189917B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109189917A (zh) | 一种融合景观和社会特征的城市功能区划分方法及系统 | |
| Xia et al. | Analyzing spatial relationships between urban land use intensity and urban vitality at street block level: A case study of five Chinese megacities | |
| Taubenböck et al. | The morphology of the Arrival City-A global categorization based on literature surveys and remotely sensed data | |
| CN109325085B (zh) | 一种城市用地功能识别与变化检测方法 | |
| Yu et al. | View-based greenery: A three-dimensional assessment of city buildings’ green visibility using Floor Green View Index | |
| CN108871286B (zh) | 空间大数据协同的城市建成区人口密度估算方法和系统 | |
| Meinel et al. | Analyzing building stock using topographic maps and GIS | |
| Harvey et al. | Streetscape skeleton measurement and classification | |
| Wu et al. | Using geometrical, textural, and contextual information of land parcels for classification of detailed urban land use | |
| CN107526786A (zh) | 基于多源数据的地名地址数据整合的方法和系统 | |
| Qiu et al. | Spatial autoregressive model for population estimation at the census block level using LIDAR-derived building volume information | |
| CN109359162A (zh) | 一种基于gis的学校选址方法 | |
| Prastacos et al. | Urban Atlas, land use modelling and spatial metric techniques | |
| Scepanovic et al. | Jane Jacobs in the sky: predicting urban vitality with open satellite data | |
| Steinnocher et al. | Estimating urban population patterns from stereo-satellite imagery | |
| Cerreta et al. | A landscape complex values map: Integration among soft values and hard values in a spatial decision support system | |
| Heider et al. | The potential of volunteered geographic information to investigate peri-urbanization in the conservation zone of Mexico City | |
| Pafi et al. | Measuring the accessibility of urban green areas | |
| Mast et al. | Mapping urban villages using fully convolutional neural networks | |
| CN114661744A (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
| Gervasoni et al. | A framework for evaluating urban land use mix from crowd-sourcing data | |
| CN116628462B (zh) | 城市三维空间用地功能属性识别与时空变化监测分析方法 | |
| Yan et al. | Identification of secondary functional areas and functional structure analysis based on multisource geographic data | |
| CN110852547B (zh) | 一种基于位置数据和聚类算法的公共服务设施分级方法 | |
| CN113988659B (zh) | 一种立体紧凑型数字化城市设计方法、装置和计算机设备 |
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 |