CN109325085A - 一种城市用地功能识别与变化检测方法 - Google Patents

Abstract

本发明公开了一种融合遥感影像和POI数据的城市用地功能识别与变化检测方法，所述方法包括：提取基于遥感影像的用地类型；基于POI数据进行城市功能区识别；融合不同尺度的功能区识别结果；检测城市功能区变化，分析演化趋势。本发明综合考虑了不同来源数据的特征，融合遥感影像和POI数据对城市功能区进行不同尺度的识别，对识别结果的融合，实现城市功能区的精准识别；并充分考虑了POI面积权重，从而可以有效地识别混合功能区；并通过多时序数据，建立城市功能区时空变化的演化分析模型，挖掘城市用地功能的时空变化规律与趋势。

Description

一种城市用地功能识别与变化检测方法

技术领域

本发明属于大数据分析领域，尤其涉及一种融合遥感影像和POI数据的城市用地功能识别与变化检测方法。

背景技术

城市土地利用和功能分区(即城市功能区)是城市空间内由功能相似的要素组成的地理单元。识别城市功能区有助于更好地理解一个城市的空间结构，为分析现实中城市发展与城市规划的差异，明确合理规划方向奠定基础。城市功能区的变化是对城市中人类活动的现实响应，通过功能区变化反观人类活动程度和规模，对进一步研究人类活动的发展规律，指导土地资源合理开发等问题具有重要的辅助作用。因此，城市功能区识别及其变化分析是当前测绘、国土资源、规划、等部门重点关注的一个问题。

城市中通勤、娱乐、购物等行为均以建设用地为载体，如何提取建设用地功能是识别城市功能区的重要一步。传统的城市功能区识别研究大多是采用土地利用类型现状图、调查问卷等数据，通过聚类算法或建立指标体系等方式对城市功能区进行划分。这类方法由于数据的获取能力非常有限，且费时耗力效率低，无法满足目前快速变化的城市功能区识别的需求。随着对地观测技术的突破和发展，遥感技术手段在城市土地利用类型识别和动态监测中取得了丰富成果和重要进展。然而，由于城市实际功能结构的复杂性，单纯依靠遥感影像数据往往很难提取出城市内部的社会、经济和文化等功能属性。为此，需要整合多种数据类型，才能实现对城市功能结构由粗到细的全面感知和识别。经典的城市功能结构的研究由于受到城市微观数据(如商业服务站点的分布、店铺营业属性、人类出行数据等)难以获取的影响，往往采用宏观尺度，以地理网格作为基本研究单元，难以获得城市内部的精细结构和功能区域的准确划分。

随着移动互联网、传感器技术的突破与发展，越来越多的有关人类活动、商业活动等数据可以通过移动终端(如手机)进行采集，形成海量的泛在地理信息数据。这些泛在地理信息数据中蕴含了丰富的人文活动相关的信息，为城市功能区识别与变化分析提供了一种重要的数据来源。

当前功能区识别研究方法较多地涉及泛在地理大数据的应用，其中采用兴趣点(Point of Interest，POI)识别城市功能区的研究较多。POI是一种地理实体的点状表示方式，具有数据量大、空间粒度精细等特征，且包含丰富的属性信息(如地点名称、空间位置、地点经营业务分类等)。人类活动一般发生在各类POI所表征的地点，通常人类活动模式能够反映一个区域的功能，如购物店铺聚集区一般属于商业用地功能。因此，POI能够从较细粒度上有效地反映城市用地功能布局。当前，基于POI数据的城市功能区识别方法主要利用POI共现规律和POI频数密度来判别城市用地的功能：

①基于POI共现规律来识别城市功能区的方法考虑特定功能区内集聚特定类型的POI组合，通过主题模型LDA分析区域内不同类型POI的共现概率分布以提取功能区；

②基于POI频数密度识别功能区的方法首先统计每个区域不同类型POI在单位面积内出现的频数，根据频数密度排序，以频数密度最高的POI类别作为该区域功能属性。

利用上述两种基于POI的城市功能区识别方法可以识别单一功能区。但是，针对在实际生活中城市功能区存在多种功能混合的情况，现有方法尚不能有效识别混合功能区。此外，由于POI这类泛在地理信息存在数据完整性难以保证的问题，存在一定程度缺失，上述基于POI的统计概率模型识别城市功能区的方法在一些数据缺失的区域可能会产生错误的估计，例如：绿地、自然景区、在建用地等区域内POI数据量极少，很难单纯依赖POI数据准确识别这些区域的用地类型。通过总结现有城市功能区识别方法发现，现有方法主要存在以下几个方面的问题：

①现有方法多依赖单一数据源进行城市功能区的识别，例如：基于遥感影像的城市功能识别方法虽然可以从较大尺度上提取城市功能结构(如建成区、水域、农业用地等)，但是缺乏精细尺度上的城市功能区识别能力；基于POI数据的城市功能区识别方法能够从精细尺度上反映城市功能区分布，但是因为POI数据来源的完整性难以保证，在POI数据量稀疏的区域，采用此方法很难对用地功能进行准确估计，分析结果具有较大的不确定性。为此，需要融合多种数据类型，才能实现对城市功能结构由粗到细的全面感知和精准识别。

②现有方法主要基于概率统计方法，将一定区域内类别数量占优的功能类型识别为该区域的最终功能属性，因此现有方法识别的城市功能区多为单一功能区，针对混合功能区的识别能力尚且不足。

③现有方法对城市功能区的变化分析还相对较少，随着城市建设与土地开发，城市用地功能可能时刻发生着变化，识别城市功能区的时序变化特征是挖掘城市空间结构的发展演化规律、指导城市规划等重大应用需要解决的一个重要问题。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种有效识别城市功能用地及变化检测方法。

本发明采用以下技术方案：

一种融合遥感影像和POI数据的城市用地功能识别与变化检测方法，所述方法包括：

S1、提取基于遥感影像的用地类型；

S2、基于POI数据进行城市功能区识别；

S3、融合不同尺度的功能区识别结果；

S4、检测城市功能区变化，分析演化趋势。

进一步，所述步骤S1包括：

S11、根据城市规划规范的要求，对城市功能区土地用地类型进行基础分类，基于所述分类建立不同土地类型的影像样本数据库；

S12、构建卷积神经网络，通过所述影像样本数据库对所述神经网络进行训练，采用训练好的网络模型对遥感影像进行语义分割，提取土地利用分类中的五大类土地覆盖类型。

进一步，所述五大类土地覆盖类型为建设用地、草地、林地、耕地、水域。

进一步，所述步骤S2包括：

S21、采用城市路网数据将城市空间划分为不同的街区单元；

S22、对采集的城市区域内的POI数据进行数据清理和坐标转换，按照POI分类标准将各POI分类类型通过类型合并处理，转化为所述土地用地类型的基础类别；

S23、剔除所述POI数据中的噪声点，根据街区边界范围，统计落入每个街区单元内的POI类型分布；

S24、依据从高德地图API获取的POI边界信息计算POI占地面积，为不同类型POI赋予相应的面积作为权重；

S25、计算各街区内不同类型POI所占比重，根据各街区内每类POI所占比重，设置阈值以确定该街区的主要功能属性。

进一步，所述计算各街区内不同类型POI所占比重包括：

其中，P_k，q为第q个街区内第k大类POI所占比重，n为第k大类POI所属的小类数量，Q_i为第i个小类POI数量，A_i为第i个小类POI的占地面积；m为第q街区所有小类数量，Q_j为第j个小类POI数量，A_j为第j个小类POI的占地面积。

进一步，所述步骤S3包括：

在街区尺度上将基于遥感影像语义分割的用地类型图斑与利用POI的功能区识别结果融合，根据遥感影像中提取的用地类型辅助识别基于POI错误识别或无法识别的区域。

进一步，所述步骤S3还包括：

建立以下准则实现不同尺度的功能区识别结果的融合：

在遥感影像中被分为建设用地且基于POI被识别为公共管理与公共服务用地的区域标记为公共管理与公共服务用地；

在遥感影像中被分为建设用地且基于POI被识别为商业服务业设施用地的区域标记为商业服务业设施用地；

在遥感影像中被分为建设用地且基于POI被识别为工业用地的区域标记为工业用地；

在遥感影像中被分为建设用地且基于POI被识别为交通设施用地的区域标记为交通设施用地；

在遥感影像中被分为建设用地且基于POI被识别为居住用地的区域标记为居住用地；

在遥感影像中被分为建设用地且基于POI被识别为绿地与广场用地的区域标记为绿地与广场用地，在遥感影像中被分为草地或林地且基于POI未被识别的区域也标记为绿地与广场用地；

在遥感影像中被分为耕地或水域且基于POI未被识别的区域标记为其他用地。

进一步，所述步骤S4包括：

利用不同时相的遥感影像和POI数据重复步骤S1至S3，得到多个时期不同的功能区识别结果，作为变化分析的基础数据集。

进一步，所述步骤S4包括：

功能区变化速度及方向分析模型构建过程如下：

S411、功能区变化速度以混合功能区分布动态度作为度量指标，所述变化速度与所述动态度成正比，所述功能区动态分布度计算公式如下：

其中，S为某街区t时段的功能区分布动态度，i为街区内第i类功能，n为功能区类别数，ΔS_i为街区内识别起始至识别结束时段内第i类功能转换为其他功能类型面积总和，S_i为街区内识别开始时间第i类功能占地总面积，t为功能区分布变化时间段；

S412、功能区变化方向度量利用功能区分布转移矩阵表征。

进一步，所述步骤S4还包括：功能区变化信息包括变化区域与变化类型，所述功能区变化信息提取过程如下：

S421、对不同时段的功能区识别结果建立对应的空间几何与语义关系映射模型；

S422、通过功能区叠置分析检测几何的不一致性；

S423、通过一致性检验分析功能属性的不一致性；

S424、根据几何和语义的一致性判断，对不一致区域进行提取并标注功能属性变化类型。

发明的优点和有益效果在于：

1、融合多源、动态、泛在地理信息数据(如高分辨遥感影像、POI数据、城市路网数据等)，对城市土地类型和用地功能布局进行从粗到细的全面感知和精准识别；

2、提出基于面积加权的POI空间分布密度估计方法，并用于识别单一或混合功能区；

3、通过多时序数据，建立城市功能区时空变化的演化分析模型，挖掘城市用地功能的时空变化规律与趋势。

附图说明

图1为本发明的融合遥感影像和POI数据的城市功能用地功能识别与变化检测方法流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明提供一种融合遥感影像和POI数据的城市功能用地功能识别与变化检测方法，利用遥感影像的光谱和纹理特征识别城市区域内的不同用地类型，进而，结合城市路网数据、POI数据实现对城市用地功能的进一步精细划分和识别，具体方法步骤如下：

S1、提取基于遥感影像的用地类型。

1)根据城市规划规范的要求，对城市功能区土地用地类型进行基础分类，进而基于该分类基础建立不同土地类型的影像样本数据库；

2)构建卷积神经网络，通过样本数据库对神经网络进行训练，采用训练好的网络模型对遥感影像进行语义分割，提取土地利用分类中的五大类土地覆盖类型，如建设用地、草地、林地、耕地、水域。

S2、基于POI数据进行城市功能区识别。

1)采用城市路网数据将城市空间划分为不同的街区单元，具体实现方法是先将城市路网矢量数据转换为栅格数据，进而通过图像处理的连通域识别算法，提取道路网包围的各街区单元，通过矢量化操作生成街区的矢量边界；

2)对采集的城市区域内的POI数据进行数据清理和坐标转换，按照POI分类标准将各POI分类类型通过类型合并等处理，转化为上述土地用地类型的基础类别；

3)剔除POI数据中的噪声点，然后根据街区边界范围，统计落入每个街区单元内的POI的类型分布；

4)依据从高德地图API获取的POI边界信息计算POI占地面积，为不同类型POI赋予相应的面积作为权重；

5)计算各街区内不同类型POI所占比重，计算公式如下：

其中，P_k，q为第q个街区内第k大类POI所占比重，n为第k大类POI所属的小类数量，Q_i为第i个小类POI数量，A_i为第i个小类POI的占地面积；m为第q街区所有小类数量，Q_j为第j个小类POI数量，A_j为第j个小类POI的占地面积。

S3、融合不同尺度的功能区识别结果。

在街区尺度上将基于遥感影像语义分割的用地类型图斑与利用POI的功能区识别结果融合，根据遥感影像中提取的用地类型辅助识别基于POI错误识别或无法识别的区域。建立以下准则实现不同尺度的功能区识别结果的融合：

1)公共管理与公共服务用地：在遥感影像中被分为建设用地且基于POI被识别为公共管理与公共服务用地的区域标记为公共管理与公共服务用地；

2)商业服务业设施用地：在遥感影像中被分为建设用地且基于POI被识别为商业服务业设施用地的区域标记为商业服务业设施用地；

3)工业用地：在遥感影像中被分为建设用地且基于POI被识别为工业用地的区域标记为工业用地；

4)交通设施用地：在遥感影像中被分为建设用地且基于POI被识别为交通设施用地的区域标记为交通设施用地；

5)居住用地：在遥感影像中被分为建设用地且基于POI被识别为居住用地的区域标记为居住用地；

6)绿地与广场用地：在遥感影像中被分为建设用地且基于POI被识别为绿地与广场用地的区域标记为绿地与广场用地；此外部分自然景区无法通过POI识别，从而在遥感影像中被分为草地、林地且基于POI未被识别的区域也标记为绿地与广场用地；

7)其他用地：在遥感影像中被分为建设用地且基于POI未被识别的区域根据上述6类用地的地物特征将其归属于相应的功能类型；若在遥感影像中被分为耕地、水域且基于POI未被识别的区域标记为其他用地。

S4、检测城市功能区变化，分析演化趋势。

利用不同时相的遥感影像和POI数据重复步骤一至三，得到多个时期不同的功能区识别结果，作为变化分析的基础数据集。

1)功能区变化速度及方向分析，具体模型构建步骤如下：

1.1)功能区变化速度以混合功能区分布动态度作为度量指标，变化速度与动态度成正比。功能区动态分布度计算公式如下：

其中，S为某街区t时段的功能区分布动态度，i为街区内第i类功能，n为功能区类别数，ΔS_i为街区内识别起始至识别结束时段内第i类功能转换为其他功能类型面积总和，S_i为街区内识别开始时间第i类功能占地总面积，t为功能区分布变化时间段；

1.2)功能区变化方向度量利用功能区分布转移矩阵表征。在功能区变化时间段中，统计各街区内每类功能转变为其他功能的面积，进而构建功能区分布转移矩阵。

2)功能区变化信息提取(包括变化区域与变化类型)

2.1)对不同时段的功能区识别结果建立对应的空间几何与语义关系映射模型；

2.2)通过功能区叠置分析检测几何的不一致性；

2.3)通过一致性检验分析功能属性的不一致性；

2.4)根据几何和语义的一致性判断，发现不一致区域进行提取并标注功能属性变化类型。

下面以武汉市三环线以内区域为例，对本发明的具体实施进行说明，下面将结合此实例具体说明本发明识别城市功能区及变化分析的具体实施步骤：

步骤一、数据预处理。

1)获取2015年和2018年的研究区域内的POI数据。首先，对POI数据进行预处理，清理POI数据中信息不完整以及空间位置异常的记录，进行数据坐标系的投影和转换，得到POI数据的空间分布。然后，依据构建的土地利用基础类型，将POI数据重分类为6大功能类：公共管理与公共服务类、商业服务业设施类、工业类、交通设施类、居住类、绿地与广场类；

2)对城市路网数据(从Open Street Map下载获得)进行预处理，提取道路中心线。

步骤二、基于遥感影像的用地类型提取。

1)建立不同土地类型的样本数据库；

2)训练深度神经网络对遥感影像进行语义分割，提取五大类土地覆盖类型：建设用地、草地、林地、耕地、水域。

步骤三、基于POI数据的功能区识别。

1)利用经处理的OSM路网划分研究区域，得到917个街区。将经数据清理后的POI数据投影至街区图层，统计每一街区6类POI数据功能类型的分布；

2)依据从高德地图API获取的POI边界信息计算POI占地面积，为上述不同类型POI赋予相应面积作为权重；

4)计算每一街区内各类POI所占比重，根据各街区内每类POI所占比重确定该区域的主要功能属性。若街区内某一类功能POI占比超过65％，则将该类功能作为该街区的单一功能属性。若街区内每类功能POI占比均低于65％，则该街区为混合功能区，以占比超过17％的功能类型作为其混合功能属性。

步骤四、不同尺度的功能区识别结果融合。

依据融合规则，将基于遥感影像的语义分割结果与利用POI的功能区识别结果叠加，得到最终的功能区识别结果。

步骤五、城市功能区变化检测与分析。

利用不同时期的遥感影像和POI数据，通过上述步骤得到不同时期的同一地区的功能区识别结果。

1)功能区变化速度及方向分析。

1.1)以上述方法所得的不同时期的功能区识别结果作为变化分析数据集，根据功能区变化速度计算模型，得到各街区功能变化速度，如表1所示。

表1各街区功能类型变化速度

街区号	综合动态度％	街区号	综合动态度％
				0	33.33％	531	8.09％
1	0	532	33.33％
				……	……	……	……
279	23.83％	849	14.16％
				280	1.20％	850	11.66％
281	6.13％	851	15.23％
				……	……	……	……

1.2)在功能区变化时间段中，分别统计各街区内6类功能转变为其他功能的面积，进而构建功能区分布转移矩阵。

2)提取功能区变化信息，功能区变化信息包括变化区域与变化类型。

2.1)对不同时段的功能区识别结果建立空间几何与语义关系映射模型；

2.2)通过功能区叠置分析检测几何的不一致性；

2.3)通过一致性检验分析功能属性的不一致性；

2.4)根据几何和语义的一致性判断，发现不一致区域进行提取并标注功能属性变化类型。

本发明融合多源、动态、泛在地理信息数据(如高分辨遥感影像、POI数据、城市路网数据等)，对城市土地类型和用地功能布局进行从粗到细的全面感知和精准识别；并提出基于面积加权的POI空间分布密度估计方法，并用于识别单一或混合功能区；并通过多时序数据，建立城市功能区时空变化的演化分析模型，挖掘城市用地功能的时空变化规律与趋势。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种融合遥感影像和POI数据的城市功能用地识别与变化检测方法，其特征在于，所述方法包括：

S1、提取基于遥感影像的用地类型；

S2、基于POI数据进行城市功能区识别；

S3、融合不同尺度的功能区识别结果；

S4、检测城市功能区变化，分析演化趋势。

2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：

S11、根据城市规划规范的要求，对城市功能区土地用地类型进行基础分类，基于所述分类建立不同土地类型的影像样本数据库；

S12、构建卷积神经网络，通过所述影像样本数据库对所述神经网络进行训练，采用训练好的网络模型对遥感影像进行语义分割，提取土地利用分类中的五大类土地覆盖类型。

3.如权利要求2所述的方法，其特征在于，所述五大类土地覆盖类型为建设用地、草地、林地、耕地、水域。

4.如权利要求1所述的方法，其特征在于，所述步骤S2包括：

S21、采用城市路网数据将城市空间划分为不同的街区单元；

S22、对采集的城市区域内的POI数据进行数据清理和坐标转换，按照POI分类标准将各POI分类类型通过类型合并处理，转化为所述土地用地类型的基础类别；

S23、剔除所述POI数据中的噪声点，根据街区边界范围，统计落入每个街区单元内的POI类型分布；

S24、依据从高德地图API获取的POI边界信息计算POI占地面积，为不同类型POI赋予相应的面积作为权重；

S25、计算各街区内不同类型POI所占比重，根据各街区内每类POI所占比重，设置阈值以确定该街区的主要功能属性。

5.如权利要求4所述的方法，其特征在于，所述计算各街区内不同类型POI所占比重包括：

其中，P_k，q为第q个街区内第k大类POI所占比重，n为第k大类POI所属的小类数量，Q_i为第i个小类POI数量，A_i为第i个小类POI的占地面积；m为第q街区所有小类数量，Q_j为第j个小类POI数量，A_j为第j个小类POI的占地面积。

6.如权利要求1所述的方法，其特征在于，所述步骤S3包括：

在街区尺度上将基于遥感影像语义分割的用地类型图斑与利用POI的功能区识别结果融合，根据遥感影像中提取的用地类型辅助识别基于POI错误识别或无法识别的区域。

7.如权利要求1或6所述的方法，其特征在于，所述步骤S3还包括：

建立以下准则实现不同尺度的功能区识别结果的融合：

在遥感影像中被分为建设用地且基于POI被识别为公共管理与公共服务用地的区域标记为公共管理与公共服务用地；

在遥感影像中被分为建设用地且基于POI被识别为商业服务业设施用地的区域标记为商业服务业设施用地；

在遥感影像中被分为建设用地且基于POI被识别为工业用地的区域标记为工业用地；

在遥感影像中被分为建设用地且基于POI被识别为交通设施用地的区域标记为交通设施用地；

在遥感影像中被分为建设用地且基于POI被识别为居住用地的区域标记为居住用地；

在遥感影像中被分为建设用地且基于POI被识别为绿地与广场用地的区域标记为绿地与广场用地，在遥感影像中被分为草地或林地且基于POI未被识别的区域也标记为绿地与广场用地；

在遥感影像中被分为耕地或水域且基于POI未被识别的区域标记为其他用地。

8.如权利要求1所述的方法，其特征在于，所述步骤S4包括：

利用不同时相的遥感影像和POI数据重复步骤S1至S3，得到多个时期不同的功能区识别结果，作为变化分析的基础数据集。

9.如权利要求1所述的方法，其特征在于，所述步骤S4包括：

功能区变化速度及方向分析模型构建过程如下：

S411、功能区变化速度以混合功能区分布动态度作为度量指标，所述变化速度与所述动态度成正比，所述功能区动态分布度计算公式如下：

其中，S为某街区t时段的功能区分布动态度，i为街区内第i类功能，n为功能区类别数，ΔS_i为街区内识别起始至识别结束时段内第i类功能转换为其他功能类型面积总和，S_i为街区内识别开始时间第i类功能占地总面积，t为功能区分布变化时间段；

S412、功能区变化方向度量利用功能区分布转移矩阵表征。

10.如权利要求9所述的方法，其特征在于，所述步骤S4还包括：功能区变化信息包括变化区域与变化类型，所述功能区变化信息提取过程如下：

S421、对不同时段的功能区识别结果建立对应的空间几何与语义关系映射模型；

S422、通过功能区叠置分析检测几何的不一致性；

S423、通过一致性检验分析功能属性的不一致性；

S424、根据几何和语义的一致性判断，对不一致区域进行提取并标注功能属性变化类型。