CN109299673B - 城市群绿度空间提取方法及介质 - Google Patents

城市群绿度空间提取方法及介质 Download PDF

Info

Publication number
CN109299673B
CN109299673B CN201811031519.0A CN201811031519A CN109299673B CN 109299673 B CN109299673 B CN 109299673B CN 201811031519 A CN201811031519 A CN 201811031519A CN 109299673 B CN109299673 B CN 109299673B
Authority
CN
China
Prior art keywords
green
land
urban
space
data
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
Application number
CN201811031519.0A
Other languages
English (en)
Other versions
CN109299673A (zh
Inventor
方创琳
杨智奇
李广东
王振波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN201811031519.0A priority Critical patent/CN109299673B/zh
Publication of CN109299673A publication Critical patent/CN109299673A/zh
Application granted granted Critical
Publication of CN109299673B publication Critical patent/CN109299673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/188—Vegetation
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种城市群绿度空间提取方法及介质。其中，该方法包括：获取城市群的高分遥感数据，并提取城市群土地的覆被数据；获取城市群的社会感知数据，并提取城市群土地的社会功能属性数据；根据覆被数据和社会功能属性数据，对城市群的土地进行分类，得到城市群土地与绿度相关的分类信息；根据分类信息，提取城市群的绿度。通过本发明，解决了相关技术中仅仅依靠单一的遥感数据只能获取土地覆被信息，无法获取城市绿度空间的社会功能属性的问题，实现了包含社会功能属性的城市群绿度空间的统计和研究。

Description

城市群绿度空间提取方法及介质
技术领域
本发明涉及数据处理领域，具体而言，涉及一种城市群绿度空间提取方法及介质。
背景技术
随着遥感技术的发展，通过遥感手段进行城市绿度制图的方法引起了众多研究者的关注。提取城市绿地的方法主要有两种：一种是基于像元的分类，例如：Ouma et al.结合光谱和空间信息来对Quickbird图像进行分类，提取城市绿地，结果表明该方法能够显着的提高城市绿地提取的精度；Trisakti,B利用基于像元的方法对Pleides影像进行监督(MLEN)和非监督 (ISODATA)分类，将城市绿地按照覆盖度进行了分类；Feng,Q等利用基于像元的方法对无人机航拍影像进行纹理分析和随机森林分类，将城市绿地分为草地、树木、灌木。二是利用面向对象的方法，例如：Hofmann et al. 利用GeoEye-1影像使用面向对象的方法获得了奥地利Bishkek市的植被图；黄慧萍对航空遥感影像利用多尺度分割和面向对象分析方法，将绿地信息分为乔木、灌木、草地；周智勇对GF-1遥感影像、吴瑞娇对Quickbird 影像进行影像分割并基于特征分析将绿地信息分为防护、公园、生产、附属绿地；Fung,T等对ASTER数据进行多尺度分割，将城市绿地分为林地和草地。
上述的研究主要集中简单的城市绿地提取和绿地分类(草地、树木、灌木)，对城市绿度功能的分类研究较少，更缺乏城市群绿度的信息提取和分类。传统的基于遥感数据的城市绿地分类主要集中在草地、树木和灌木之间的分类，无法服务于城市生态绿地建设与规划。因此，仅仅依靠单一的遥感数据只能获取土地覆被信息，无法获取城市绿度空间的社会功能属性。
发明内容
本发明提供了一种城市群绿度空间提取方法及介质，以至少解决相关技术中仅仅依靠单一的遥感数据只能获取土地覆被信息，无法获取城市绿度空间的社会功能属性的问题。
第一方面，本发明实施例提供了一种城市群绿度空间提取方法，包括：
获取城市群的高分遥感数据，并提取所述城市群土地的覆被数据；
获取所述城市群的社会感知数据，并提取所述城市群土地的社会功能属性数据；
根据所述覆被数据和所述社会功能属性数据，对所述城市群的土地进行分类，得到所述城市群土地与绿度相关的分类信息；
根据所述分类信息，提取所述城市群的绿度。
第二方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现第一方面所述的方法。
通过本发明实施例提供的城市群绿度空间提取方法及介质，采用获取城市群的高分遥感数据，并提取城市群土地的覆被数据；获取城市群的社会感知数据，并提取城市群土地的社会功能属性数据；根据覆被数据和社会功能属性数据，对城市群的土地进行分类，得到城市群土地与绿度相关的分类信息；根据分类信息，提取城市群的绿度的方式，解决了相关技术中仅仅依靠单一的遥感数据只能获取土地覆被信息，无法获取城市绿度空间的社会功能属性的问题，实现了包含社会功能属性的城市群绿度空间的统计和研究。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的城市群绿度空间提取方法的流程图；
图2是样本点在真彩色和假彩色反射率空间的可分离性的示意图；
图3是根据本发明实施例的城市群绿度空间提取方法的优选流程图；
图4是根据本发明实施例的叠加分析算法流程图；
图5是根据本发明实施例的近邻凸包分析算法流程图；
图6是根据本发明实施例的随机森林算法流程图；
图7是根据本发明实施例的城市群绿度空间提取设备的硬件结构示意图；
图8是根据本发明实施例的北京市城市外部和内部区域的示意图；
图9是根据本发明实施例的北京市市内建成区假彩色镶嵌影像的示意图；
图10是根据本发明实施例的北京市市内建成区植被图；
图11是根据本发明实施例的北京市市内建成区防护绿地空间分布图；
图12是根据本发明实施例的北京市市内建成区地块和POI空间分布图；
图13是根据本发明实施例的北京市建成区公园绿地和附属绿地提取流程图；
图14是根据本发明实施例的北京市柳荫公园近邻凸包分析的示意图；
图15是根据本发明实施例的北京市市内建成区公园绿地和附属绿地的空间分布图；
图16是根据本发明实施例的北京市外部假彩色镶嵌影像的示意图；
图17是根据本发明实施例的北京市外部植被图；
图18是根据本发明实施例的北京市外部植被分类图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本实施例中提供了一种城市群绿度空间提取方法，图1是根据本发明实施例的城市群绿度空间提取方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取城市群的高分遥感数据，并提取所述城市群土地的覆被数据；
步骤S102，获取所述城市群的社会感知数据，并提取所述城市群土地的社会功能属性数据；
步骤S103，根据所述覆被数据和所述社会功能属性数据，对所述城市群的土地进行分类，得到所述城市群土地与绿度相关的分类信息；
步骤S104，根据所述分类信息，提取所述城市群的绿度。
通过上述步骤，可以通过获取现有的城市群的社会感知数据，例如 POI数据等，并从这些社会感知数据中提取城市群土地的社会功能属性数据，将社会功能属性数据和覆被数据相结合，获取结合了社会功能属性数据的城市群土地与绿度相关的分类信息，从而能够提取出城市群的绿度，解决了相关技术中仅仅依靠单一的遥感数据只能获取土地覆被信息，无法获取城市绿度空间的社会功能属性的问题，实现了包含社会功能属性的城市群绿度空间的统计和研究。
遥感数据具有大尺度、多时相、快速、高效地监测空间分布变化等优点，可以获得精确的土地覆被信息；而社会感知数据具有反映社会经济属性和人类活动特征等优点。本实施例结合遥感数据与社会感知数据(例如， OpenStreetMap和POI)不仅可以获得精确的土地覆被信息，而且可以获得城市绿地的社会功能属性，将会更好的服务于城市生态绿地建设与规划。
为了提取包含社会功能属性的城市群绿度空间，在本实施例中对城市群绿度进行了定义。
传统的城市群绿地是指城市生态系统的核心组成部分，包括天然绿地景观，公园、街道绿地、居住绿地等人为绿地系统。为了更好的服务于城市群生态绿地建设与规划，推动城市群生态建设和环境保护的一体化，结合2017年住建部颁发的《城市绿地分类标准》，本实施例首次提出城市群绿度定义为：城市群绿度是指城市群内部各城市的外部被植被覆盖区域 (包括林地、耕地、草地等)与城市内部建成区被植被覆盖的区域(包括公园绿地，附属绿地和防护绿地等)之和构成的绿色空间，占城市群总面积的比重。城市群绿度是衡量城市人居环境宜居性、城市群可持续发展的重要指标，城市群绿度越高，绿度空间越大，城市群可持续发展能力和宜居性就越高。
可选地，在步骤S101中，获取城市群的高分遥感数据包括：获取由高分一号卫星和/或高分二号卫星采集到的所述城市群的所述高分遥感数据。
高分二号卫星是我国自主研制的首颗空间分辨优于1米的民用光学遥感卫星，搭载有两台高分辨率1米全色、4米多光谱相机，具有高空间分辨率、高定位精度和快速姿态机动能力等特点。多光谱影像有蓝、绿、红和近红外4个波段，具体的波段参数如表1所示。
表1高分二号影像参数指标
Figure BDA0001789863760000051
Figure BDA0001789863760000061
高分一号(GF-1)卫星搭载了四台16m分辨率多光谱相机WFV，一次成像可以覆盖800×800km范围，4个波段和2天的重复周期，在自然资源等领域具有非常大的应用价值。
在本实施例中，针对城市内部建成区，采用高分辨率的高分二号遥感数据。针对城市群内部各城市的外部被植被覆盖区域，采用高分一号WFV 多光谱数据。其中，采用高分二号卫星的多光谱数据时，对获取的高分二号影像进行预处理，主要包括辐射定标、配准，分辨率为4m。采用高分一号卫星的多光谱数据，对获取的高分一号影像进行预处理，主要包括辐射定标、配准，分辨率为16m。
可选地，在步骤S101中，提取所述城市群土地的覆被数据包括：利用支持向量机(SVM)算法，从所述高分遥感数据中提取所述覆被数据，其中，所述覆被数据包括：市外覆被数据和市内覆被数据。
需要说明的是，在机器学习领域，神经网络、支持向量机、决策树都可以用来很好地区分2类地物，即本实施例的支持向量机算法可以采用其他的分类算法来替代。
本实施例基于支持向量机算法SVM，提取区分植被和非植被与其它地物的最优分离面。SVM是在N维空间(Rn)空间中，寻找一个最大间隔超平面，因此，SVM也被称作最大间隔分类器。选用SVM用来构建植被和非植被与其它地物的最优分离面具有以下优势：
(1)SVM产生的最优分离平面，有助于提升训练出的参数的稳定性；
(2)SVM在较少样本条件下较其他分类器分类精度更高。
SVM的基本思想是用一个最大间距的最优超平面，将一个输入向量分成2类，即求解式(5)和式(6)方程。
Figure BDA0001789863760000071
Figure BDA0001789863760000072
式中：xi∈Rd表示训练的样本向量；yi∈{-1,+1}表示类别标签；K(u,v) 表示核函数。本实施例选用的是线性核，即K(xi,xj)＝xiTxj。此时，超平面的方程可以w×x-b＝0表示，SVM就是训练出超平面的法向量w和位移b的值，对于每个预测数据x带入该平面方程的正负来判断类别，x表示不同波段反射率的3维向量，而w对应每个向量前面的系数。由于植被跟低值背景(NDVI≤0.25)在假彩色空间具有很好的线性可分性(即可用一个平面进行分离)；植被跟高值背景(NDVI>0.25)在真彩色空间也具有很好的线性(如图2所示)；因此，本研究在真彩色空间和假彩色空间分别建立一个最优分离面来实现植被与背景的分离，以达到提高植被提取精度的目的。分离面方程如下：
假彩色反射率:ω1×ρgreen+ω2ρred+ω3ρnir+b1＝0 (7)
真彩色反射率:ω4×ρblue+ω5ρgreen+ω6ρred+b2＝0 (8)
式中ρblue、ρgreen、ρred、ρnir分别为blue、green、red、nir波段的反射率；ω1-ω6、b1、b2为待确定系数。
可选地，在步骤S102中，获取所述城市群的社会感知数据包括：从 POI数据和/或OSM数据中获取所述城市群的社会感知数据。
其中，社会感知数据是指具有时空标记、能够描述个体行为的空间大数据，如手机数据、出租车数据、电子地图数据等。这些数据为人们进一步定量理解社会经济环境提供了一种新的手段，是对目前基于遥感和测绘技术的主流地理信息获取和处理技术的补充。本实施例采用的社会感知数据包括POI数据和开放道路地图(Open Street Map，简称为OSM)数据。
POI数据是指电子地图提供商提供的点信息，包括医院、大厦、超市、加油站、银行等。其主要用途是在提高地理定位精度和速度的基础上，对部件或者事件的地址进行描述。本实施例使用北京市五环内2016年POI 数据，主要来自高德地图，共有67万条，每条POI数据包括经度、纬度、名称、地址、类型、行政区6个属性。按照类型统计，POI数据共归为17 大类，如汽车服务、公司企业、风景名胜、生活服务、交通服务设施等。原始POI数据分类较多，且每一大类下包括多级小类，类型之间存在重复交叉现象，因此需要对原始数据重分类。首先，将与绿地无关的POI进行剔除，保留与绿地有关的POI分类；其次，将POI原始分类聚合为公园绿地、附属绿地和道路绿地三大类(表2)。表3是聚合之后城市群绿度空间分类系统，主要包括市内分类和市外分类两部分。
表2 聚合原始的POI分类
Figure 2
Figure 1
表3城市群绿度空间分类系统
Figure BDA0001789863760000092
OpenStreetMap(简称OSM)是一个存储海量XML数据的数据库，只要注册账号，任何人均可以对其后台数据库进行编辑，从而被称为世界的维基地图。尽管众源地图的编辑过程难以监控管理，但通过近年来的完善和修订，OpenStreetMap的质量已经得到众多学者的认可。来源于OSM 的路网数据是线矢量文件，并包含道路类别属性，其原始分类参见http://wiki.openstreetmap.org/wiki/Key:highway。利用路网数据可以得到地块与道路用地，方法如下：
(1)删除不必要的细节：修剪短于500m的道路，延长离要连接的线少于100m的道路。
(2)生成缓冲区：根据住建部的标准和道路宽度的调查，对路网的原始分类进行重分类，具体见表4；对重分类都的道路建立相应宽度的缓冲区。
(3)移除无意义的地块：移除小于5000m2的地块。
表4 OpenStreetMap路网分类
Figure BDA0001789863760000101
图3是根据本发明实施例的城市群绿度空间提取方法的优选流程图，如图3所示，在本实施例中，在获得遥感数据、路网数据(OSM)和POI 数据之后，通过SVM、道路分割、类别聚合的方法提取信息图层，并采用随机森林模型、叠加分析、近邻凸包分析和位置分析将城市群土地划分为多个以及分类类别。
可选地，在步骤S102中，提取所述城市群土地的社会功能属性数据包括：对于OSM数据，根据所述OSM数据对所述城市群的道路进行分割，得到道路用地数据和地块数据；对于POI数据，对所述POI数据进行类别聚合，得到与城市群绿度相关的多个聚合类别数据。
可选地，在步骤S103中，根据所述覆被数据和所述社会功能属性数据，对所述城市群的土地进行分类，得到所述城市群土地与绿度相关的分类信息包括：采用随机森林模型，将所述市外覆被数据分类为林地、耕地和草地三个类别，并生成相应的分类信息。
可选地，在步骤S103中，根据所述覆被数据和所述社会功能属性数据，对所述城市群的土地进行分类，得到所述城市群土地与绿度相关的分类信息包括：对所述覆被数据中的市内覆被数据和所述道路用地数据进行叠加分析，得到道路绿地的分类信息。
可选地，在步骤S103中，根据所述覆被数据和所述社会功能属性数据，对所述城市群的土地进行分类，得到所述城市群土地与绿度相关的分类信息包括：对所述覆被数据中的市内覆被数据和所述地块数据进行位置分析，得到街旁绿地的二级分类信息；对所述多个聚合类别数据进行近邻凸包分析，得到附属绿地的分类信息，以及专题公园和综合公园的二级分类信息；合并所述专题公园、所述街旁绿地和所述综合公园的二级分类信息，得到公园绿地的分类信息。
下面将对上述的信息图层的提取方法以及分类过程进行描述和说明。
本实施例利用SVM算法、道路分割算法以及类别聚合的方法，将遥感数据、路网数据和POI数据提取得到城市市内植被层、城市市外植被层、道路用地、地块层和聚合类别属性层，共5个信息层；采用不同算法组合信息层，最终可以得到城市群分类结果。对于城市内部绿度空间分类，本实施例的绿度空间信息提取算法包括：叠加分析、近邻凸包分析、位置分析和随机森林的算法；其中利用叠加分析可以得到城市内部的道路绿地，利用近邻凸包分析可以得到城市内部的附属绿地、专题公园和综合公园，利用位置分析可以得到城市内部的街旁绿地，利用随机森林算法可以获取城市外部的林地和草地信息。
叠加分析算法
叠加分析算法是指是指在统一空间参考系统下，通过对两个数据进行的一系列集合运算，产生新数据的过程。本实施例通过对城市市内植被层和道路用地进行交集运算获得道路绿地(如图4所示)。
近邻凸包分析算法
近邻凸包分析算法是指结合近邻分析和凸包分析一种算法，其中凸包分析是一个计算几何(图形学)中的概念。一般地，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的多边形，它能包含点集中的所有点。近邻分析是分析对象为多个要素，邻近对象也是多个要素时，分析哪个要素离分析对象最近的方法。
通过结合城市内部植被层、地块层与POI数据，利用近邻凸包分析可以将市内绿地分为附属绿地和公园绿地，以及从公园绿地图层中识别出专题公园绿地。分析分为两个阶段：初步分类阶段与类别修正阶段(如图5 所示)。
初步分类阶段：
(1)选择包含公园POI(公园绿地聚合类POI中去除与风景名胜相关的POI)的地块进行分析。公园内部分布着众多风景名胜，但一些不是公园内的风景名胜POI会造成误分，因此近邻凸包分析需要在含有公园 POI(公园绿地聚合类POI中去除与风景名胜相关的POI)的地块内进行。
(2)通过近邻分析找到植被斑块类别的控制点。在地块内，植被斑块的类别由离它最近的POI点的类别决定，我们称离它最近的该点为类别控制点。计算每一个地块内的植被斑块的质心，通过近邻分析即可得到类别控制点。
(3)将类别控制点的类别属性赋予植被斑块。
类别修正阶段：
由于公园内部存在一些游客服务设施(专卖店、纪念品店、饮品店等)，这些服务设施在POI聚合框架里被聚合成了附属绿地，产生了两种特殊情况：
a.公园服务设施的POI比公园绿地POI离公园绿地斑块的中心点近，造成公园绿地未识别。
b.公园服务设施POI离公园内部植被小斑块的中心点近，造成公园绿地内部夹杂一些误分类的小斑块。针对这两种特殊情况，我们需要通过求取植被斑块的凸包进行修正。
(1)计算所有植被斑块的凸包，如果凸包内包含公园绿地POI，则该绿地斑块为公园绿地。
(2)计算公园绿地斑块的凸包，将完全被凸包包含的附属绿地斑块修正为公园绿地。
位置分析算法
街旁绿地识别：选择没有包含POI点的地块，将该地块内的绿地分类为街旁绿地。
随机森林模型
在遥感影像分类中，由于影像类型特点不同，研究区类型种类复杂，各种分类器也各具优缺点，很难找到一个同时合适多种需求的分类器。随机森林作为集成分类中的一种，因其运算速度较快，分类精度较好，较稳定等特点被广泛应用于医学、经济、制造业等各个领域的数据挖掘、数据分类。在遥感中也广泛用于多光谱、多时相、多源数据结合分类应用。
随机森林是由Leo Breiman和Adele Cutler于2001年提出的一种集成学习方法，是一种基于分治法原理的集成学习策略，是若干决策树集成的分类器，相较于决策树其更加稳健，泛化性能更好。随机森林算法的原理是从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品，森林中的每棵树具有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。特征选择采用随机的方法去分裂每一个节点，然后比较不同情况下产生的误差。能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目。单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分类。流程如下：
(1)每棵决策树由样本量为K的训练样本X和随机向量θk生成；
(2)随机向量序列{θk，k＝1，2＝1，2，…K}独立同分布；
(3)随机森林即所有决策树的集合{h(X，θk)，k＝1，2，...K}；
(4)每个决策树模型h(X，θk)都有一票投权来选择输入变量x的分类结果；
Figure BDA0001789863760000131
其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y 表示分类目标，I()为示性函数，RF分类模型使用简单的投票策略来完成最终的分类(如图6所示)。
可选地，在步骤S104中，根据所述分类信息，提取所述城市群的绿度包括：加载所述城市群的绿度计算模型；根据所述绿度计算模型和所述分类信息，提取所述城市群的绿度；
其中，所述绿度计算模型由下列公式进行限定：
Figure BDA0001789863760000141
SWi＝SLi+SFi+SCi；(2)
SNi＝SGi+SSi+SHi；(3)
SGi＝SZi+STi+SJi；(4)
式中，S表示城市群的绿度，n表示城市群内的城市个数，SWi表示城市群内第i个城市的市外绿度空间，由第i个城市的林地SLi、耕地SFi和草地SCi三个分类构成；SNi表示城市群内第i个城市的市内绿度空间，由第i个城市建成区的公园绿地SGi、附属绿地SSi和道路绿地SHi三个分类构成，其中，公园绿地SGi细分为综合公园SZi、专题公园STi和街旁绿地 SJi三个二级分类；Qi表示城市群第i个城市的总面积。
综上所述，本发明实施例首次提出了城市群绿度及绿度空间的概念以及计算方法；与之前的研究相比，本发明实施例融合了遥感数据和社会感知数据，首次进行了城市群绿度空间的信息提取和精细分类；本发明实施例创建了一套完整的城市群绿度空间信息提取算法包括：叠加分析、近邻凸包分析、位置分析和随机森林的算法。本发明实施例利用新的算法(近邻凸包分析)实现了城市群内部建成区附属绿地和公园绿地(综合公园、专题公园)的提取。
另外，结合图1描述的本发明实施例的城市群绿度空间提取方法可以由城市群绿度空间提取设备来实现。图7示出了本发明实施例提供的城市群绿度空间提取设备的硬件结构示意图。
城市群绿度空间提取设备可以包括处理器71以及存储有计算机程序指令的存储器72。
具体地，上述处理器71可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器72可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器72可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus， USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器72可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器72可在数据处理装置的内部或外部。在特定实施例中，存储器72是非易失性固态存储器。在特定实施例中，存储器72包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器71通过读取并执行存储器72中存储的计算机程序指令，以实现上述实施例中的任意一种城市群绿度空间提取方法。
在一个示例中，城市群绿度空间提取设备还可包括通信接口73和总线70。其中，如图7所示，处理器71、存储器72、通信接口73通过总线 70连接并完成相互间的通信。
通信接口73，主要用于实现本发明实施例中各模块、装置、单元和/ 或设备之间的通信。
总线70包括硬件、软件或两者，将城市群绿度空间提取设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP) 或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连 (PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA) 总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线70可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该城市群绿度空间提取设备可以基于获取到的数据，执行本发明实施例中的城市群绿度空间提取方法，从而实现结合图1描述的城市群绿度空间提取方法。
另外，结合上述实施例中的城市群绿度空间提取方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种城市群绿度空间提取方法。
下面将以京津冀城市群的北京市为例，利用上述实施例提供的方法进行北京市绿度空间的信息提取，并验证其精度。
北京市位于华北平原的北部(115.7°—117.4°E，39.4°—41.6°N)，背靠燕山，毗邻天津市和河北省，总面积1.63万km2。北京的地形西北高，东南低；平均海拔43.5m，其中平原的海拔高度在20～60m，山地一般海拔1000～1500m。植被资源丰富，主要的植被类型为暖温带落叶阔叶林和温性针叶林。
在本实施例中，研究区以北京市五环为界分为市内和市外两个区域分别计算(如图8所示)。
北京市建成区绿度空间SN信息提取
本实施例获取了2016年6月6景无云的高分二号GF2多光谱数据，经过一系列的预处理(正射校正、辐射定标、大气校正、镶嵌)得到北京市市内建成区4m多光谱镶嵌影像(图9)。利用分层随机抽样的方法选取了200个植被样本点和400个非植被样本点，经过2次SVM分类训练，分别在假彩色反射率空间和真彩色反射率空间建立最优的分离面。分离面方程如下：
Planefalse：3.22ρgreen+4.23ρred-3.46ρnir+0.07＝0 (9)
Planetrue：7.46ρblue+11.12ρgreen-20.35ρred+0.09＝0 (10)
根据SVM训练的最优分离面，本文提取了北京市市内建成区的植被非植被图(图10)。
北京市建成区防护绿地SH信息提取
融合北京市建成区植被图和路网数据，利用叠加分析得到北京市建成区的防护绿地SH(图11)，面积为32.63km2。
北京市建成区公园绿地SG和附属绿地SS信息提取
融合北京市建成区植被图、地块层与POI分类数据，利用近邻凸包分析可以提取北京市建成区的附属绿地和公园绿地(综合公园、专题公园)；其中，地块层是由北京市建成区路网数据分割得到(图12)。
提取北京市建成区公园绿地和附属绿地主要流程参考图13。
首先，将地块根据是否含有公园POI分为公园地块和非公园地块；进一步分析公园地块。
其次，通过近邻分析找到公园地块中植被斑块的类别控制点。在公园地块内，植被斑块的类别由离它最近的POI点的类别决定，我们称离它最近的该点为类别控制点。计算每一个公园地块中植被斑块的质心及植被斑块和POI的最小距离，将最小距离的POI类别属性赋值给该植被斑块(图 14)。若公园地块中的植被斑块的质心离综合公园POI最近，则该植被斑块为综合公园SZ；若公园地块中的植被斑块的质心离专题公园POI最近，则该植被斑块为专题公园ST；若公园地块中的植被斑块的质心离附属绿地POI最近，则该植被斑块为附属绿地一S1S。然而，公园内部存在一些游客服务设施(专卖店、纪念品店、饮品店等)，这些服务设施在POI聚合框架里被聚合成了附属绿地；因此，在属性挂接的时候会产生一定的误差，利用凸包分析算法可以有效的消除这些误差。
最后，将非公园地块根据有无POI划分为有POI非公园地块和无POI 非公园地块。融合有POI非公园地块与北京市建成区植被图得到附属绿地二S2S，融合无POI非公园地块与北京市建成区植被图得到街旁绿地SJ。
图15表明了北京市市内建成区公园绿地和附属绿地的空间分布，其中综合公园SZ的面积为13.68km2，专题公园ST的面积为18.83km2，街旁绿地SJ的面积为1.38km2，因此公园绿地SG的面积为33.89km2(公式 11)。附属绿地SS的面积为133.01km2。
SG＝SZ+ST+SJ＝13.68+18.83+1.38＝33.89km2 (11)
根据公式(3)计算得到北京市建成区绿度空间SN为：
SN＝SG+SS+SH＝33.89+133.01+32.63＝199.53km2
北京市外部绿度空间SW信息提取
针对北京市外部绿度空间，本实施例获取了2016年6月2景无云的高分一号GF1WFV多光谱数据，经过一系列的预处理(正射校正、辐射定标、大气校正、镶嵌)得到北京市外部16m多光谱镶嵌影像(图16)。
利用分层随机抽样的方法选取了400个植被样本点和600个非植被样本点，经过2次SVM分类训练，分别在假彩色反射率空间和真彩色反射率空间建立最优的分离面。分离面方程如下：
Planefalse：3.89ρgreen+4.18ρred-2.61ρnir+0.03＝0 (12)
Planetrue：-1.23ρblue-3.79ρgreen-5.76ρred+0.05＝0 (13)
根据SVM训练的最优分离面，本文提取了北京市市内建成区的植被非植被图(图17)。
本实施例将随机采样得到的400个植被样本点分为林地样本点218个、耕地样本点120个和草地样本点62个，结合北京市外部植被图和随机森林的方法提取北京市外部的林地、耕地和草地(图18)。
结果表明北京市外部林地面积SL为：91.08×102km2，耕地面积SF 为：26.44×102km2，草地面积SC为：11.59×102km2；根据公式(2)计算得到北京市外部绿度空间SW为：
SW＝SL+SF+SC＝91.08×102+26.44×102+11.59×102＝129.11×102km2
根据公式(1)计算得到北京市绿度S为：
Q＝163.94×102km2
S＝(SW+SN)/Q＝(129.11×102+199.53)/163.94×102＝0.7997
精度验证
算法校验和结果验证是土地覆盖分类研究的重要环节。如何准确的提取供分类训练和结果验证的样本是保证分类算法可靠和结果精度客观评价的重要保证。本实施例采用2016年Google Earth高分辨率的遥感影像收集验证样本点，利用混淆矩阵的方法对北京市外部绿度空间和内部建成区绿度空间分别进行精度评估，结果表明：北京市内部建成区绿度空间分类精度为93.36％(表5)；其中，非植被的产品精度和用户精度分别为 98.29％、96.30％；植被中，综合公园的产品精度最高为91.37％，附属绿地的用户精度最高为93.77％。
表5北京市内部建成区绿度空间分类精度评估
Figure BDA0001789863760000191
本实施例首次提出了城市群绿度及绿度空间的概念以及计算方法，并以京津冀城市群的北京市为案例分别提取了北京市外部绿度空间的林地、耕地和草地及建成区绿度空间的公园绿地、附属绿地和防护绿地。结果表明本实施例的城市群绿度空间信息提取算法(包括叠加分析、近邻凸包分析、位置分析和随机森林的算法)可以准确的提取城市群绿度空间信息。
表6北京市外部绿度空间分类精度评估
Figure BDA0001789863760000192
Figure BDA0001789863760000201
北京市外部绿度空间分类精度为92.72％(表6)；其中，非植被的产品精度和用户精度均为96.79％；植被中，林地的产品精度和用户精度分别为92.63％、93.83％，耕地的产品精度和用户精度分别为84.33％、84.96％，草地的产品精度和用户精度分别为85.44％、81.48％。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种城市群绿度空间提取方法，包括：
获取城市群的高分遥感数据，并提取所述城市群土地的绿地覆盖信息；
获取所述城市群的社会感知信息，并提取所述城市群土地的社会功能属性信息，其中，所述社会感知信息是指从电子地图提供商提供的点信息POI数据和开放道路地图OSM数据中获取的、具有时空标记的、能够描述个体行为的空间大数据；
其特征在于：
对于OSM数据，根据所述OSM数据对城市群的道路进行分割，得到道路用地数据和地块数据；
对于POI数据，将与绿地无关的POI进行剔除，保留与绿地有关的POI分类；其次，将POI原始分类聚合为公园绿地、附属绿地和道路绿地三大类；
根据所述绿地覆盖信息和所述社会功能属性信息，对所述城市群的土地进行一级和二级分类，得到所述城市群土地与绿度空间相关的绿地分类信息包括：对所述绿地覆盖信息中的市内绿地覆盖信息和所述道路用地数据进行叠加分析，得到道路绿地的绿地分类信息；对所述绿地覆盖信息中的市内绿地覆盖信息和所述地块数据进行位置分析，得到街旁绿地的二级绿地分类信息；对所述多个聚合类别数据和所述绿地覆盖信息进行近邻凸包分析，得到专题公园和综合公园的二级绿地分类信息；合并所述专题公园、所述街旁绿地和所述综合公园的二级绿地分类信息，得到公园绿地的绿地分类信息；
根据所述绿地分类信息，计算所述城市群的绿度空间包括：加载所述城市群的绿度空间计算模型；根据所述绿度空间计算模型和所述绿地分类信息，提取所述城市群的绿度空间；其中，所述绿度空间计算模型由下列公式进行限定：
Figure FDF0000008480180000021
SWi＝SLi+SFi+SCi；
SNi＝SGi+SSi+SHi；
SGi＝SZi+STi+SJi；
式中，S表示城市群的绿度空间，n表示城市群内的城市个数，SWi表示城市群内第i个城市的市外绿度空间，由第i个城市的林地SLi、耕地SFi和草地SCi三个分类构成；SNi表示城市群内第i个城市的市内绿度空间，由第i个城市建成区的公园绿地SGi、附属绿地SSi和道路绿地SHi三个分类构成，其中，公园绿地SGi细分为综合公园SZi、专题公园STi和街旁绿地SJi三个二级分类；Qi表示城市群第i个城市的总面积；
其中，提取所述城市群土地的社会功能属性信息包括：对于POI数据，对所述POI数据的原始分类进行类别聚合，得到与城市群绿度空间相关的多个聚合类别数据；
其中，根据所述绿地覆盖信息和所述社会功能属性信息，对所述城市群的土地进行一级和二级分类，得到所述城市群土地与绿度空间相关的绿地分类信息包括：对所述多个聚合类别数据和所述绿地覆盖信息进行近邻凸包分析，得到附属绿地的绿地分类信息；
其中，所述方法还包括：计算所有绿地斑块的凸包，如果绿地斑块的凸包内包含公园绿地POI，则确定该绿地斑块为公园绿地；计算公园绿地斑块的凸包，将完全被公园绿地的凸包包含的附属绿地斑块修正为公园绿地。
2.根据权利要求1所述的方法，其特征在于，获取城市群的高分遥感数据包括：
获取由高分一号卫星和/或高分二号卫星采集到的所述城市群的所述高分遥感数据。
3.根据权利要求1所述的方法，其特征在于，提取所述城市群土地的绿地覆盖信息包括：
利用SVM算法在真彩色空间和假彩色空间分别建立一个最优分离面来实现植被与背景的分离，从所述高分遥感数据中提取所述绿地覆盖信息，其中，所述绿地覆盖信息包括：市外绿地覆盖信息和市内绿地覆盖信息。
4.根据权利要求3所述的方法，其特征在于，根据所述绿地覆盖信息和所述社会功能属性信息，对所述城市群的土地进行一级和二级分类，得到所述城市群土地的绿地分类信息包括：
采用随机森林模型，将所述市外绿地覆盖信息分类为林地、耕地和草地三个类别，并生成相应的绿地分类信息。
5.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-4中任一项所述的方法。
CN201811031519.0A 2018-09-05 2018-09-05 城市群绿度空间提取方法及介质 Active CN109299673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811031519.0A CN109299673B (zh) 2018-09-05 2018-09-05 城市群绿度空间提取方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811031519.0A CN109299673B (zh) 2018-09-05 2018-09-05 城市群绿度空间提取方法及介质

Publications (2)

Publication Number Publication Date
CN109299673A CN109299673A (zh) 2019-02-01
CN109299673B true CN109299673B (zh) 2020-09-08

Family

ID=65166486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811031519.0A Active CN109299673B (zh) 2018-09-05 2018-09-05 城市群绿度空间提取方法及介质

Country Status (1)

Country Link
CN (1) CN109299673B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948697B (zh) * 2019-03-19 2022-08-26 中南大学 利用众源数据辅助遥感影像分类提取城市建成区的方法
CN109784320B (zh) * 2019-03-25 2021-07-30 中国科学院地理科学与资源研究所 人参设施农业域确定方法
CN111723711A (zh) * 2020-06-10 2020-09-29 内蒙古农业大学 基于Pléiades和面向对象的地膜信息提取方法及系统
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
CN112284359B (zh) * 2020-10-28 2022-10-14 湖南省常德西湖区地林草业园林绿化工程有限公司 一种园林绿化检测系统
CN113486130B (zh) * 2021-06-29 2023-06-13 航天海鹰机电技术研究院有限公司 基于多元数据融合的绿地区域及出入口位置的确定方法
CN114166842A (zh) * 2021-11-19 2022-03-11 中国自然资源航空物探遥感中心 高分遥感数据与地面调查数据协同的城镇森林监测方法
CN114781823B (zh) * 2022-04-01 2022-11-08 中国科学院地理科学与资源研究所 一种基于人类活动反馈的城市生态红线预警方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521598A (zh) * 2011-12-16 2012-06-27 北京市城市规划设计研究院 一种基于遥感影像的识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044078A (zh) * 2010-12-17 2011-05-04 住房和城乡建设部城乡规划管理中心 基于高分辨率遥感影像的城市绿地分类的方法
CN104463836B (zh) * 2014-09-03 2017-11-21 中国科学院遥感与数字地球研究所 一种基于移动窗口的城市绿色空间遥感度量方法
CN108537401A (zh) * 2018-03-02 2018-09-14 同济大学 城市三维绿色空间覆盖率的评估方法、系统、存储介质及终端
CN108764193B (zh) * 2018-06-04 2022-02-01 北京师范大学 融合poi和遥感影像的城市功能区划分方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521598A (zh) * 2011-12-16 2012-06-27 北京市城市规划设计研究院 一种基于遥感影像的识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高分辨遥感影像城市绿地信息分类提取;张宏刚等;《测绘技术装备》;20180325;第29,46-49页 *

Also Published As

Publication number Publication date
CN109299673A (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
CN109299673B (zh) 城市群绿度空间提取方法及介质
CN107092020B (zh) 融合无人机LiDAR和高分影像的路面平整度监测方法
Kalantar et al. Drone-based land-cover mapping using a fuzzy unordered rule induction algorithm integrated into object-based image analysis
Ehlers et al. Automated analysis of ultra high resolution remote sensing data for biotope type mapping: new possibilities and challenges
CN107690840B (zh) 无人机视觉辅助导航方法及系统
Salehi et al. Automatic moving vehicles information extraction from single-pass WorldView-2 imagery
Wicki et al. Attribution of local climate zones using a multitemporal land use/land cover classification scheme
Chen et al. Rapid urban roadside tree inventory using a mobile laser scanning system
CN109492580A (zh) 一种基于全卷积网络的领域显著性参照的多尺寸航拍图像定位方法
Yang et al. A multi-band watershed segmentation method for individual tree crown delineation from high resolution multispectral aerial image
CN111487643B (zh) 一种基于激光雷达点云和近红外影像的建筑物检测方法
CN109492606A (zh) 多光谱矢量图获取方法及系统、三维单体化方法及系统
Nazmfar et al. Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran)
Wong et al. Optical remote sensing
Oșlobanu et al. Built-up area analysis using Sentinel data in metropolitan areas of Transylvania, Romania
Wu et al. Per‐field urban land use classification based on tax parcel boundaries
Knight et al. Theory and applications of object-based image analysis and emerging methods in wetland mapping
Wężyk et al. Using geobia and data fusion approach for land use and land cover mapping
Gxumisa et al. Evaluating pixel vs. segmentation based classifiers with height differentiation on SPOT 6 imagery for urban land cover mapping
Li et al. Measuring detailed urban vegetation with multisource high-resolution remote sensing imagery for environmental design and planning
Kumar et al. Object oriented classification and feature extraction for parts of east delhi using hybrid approach
Heckel et al. The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa
Sugumaran et al. Transportation infrastructure extraction using hyperspectral remote sensing
Zhang et al. Research on the pixel-based and object-oriented methods of urban feature extraction with GF-2 remote-sensing images
Sadhasivam et al. Object Based Automatic Detection of Urban Buildings Using UAV Images

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