CN109816581A - 一种综合业态大数据与建筑形态的城市用地自动识别系统 - Google Patents

一种综合业态大数据与建筑形态的城市用地自动识别系统 Download PDF

Info

Publication number
CN109816581A
CN109816581A CN201910072439.8A CN201910072439A CN109816581A CN 109816581 A CN109816581 A CN 109816581A CN 201910072439 A CN201910072439 A CN 201910072439A CN 109816581 A CN109816581 A CN 109816581A
Authority
CN
China
Prior art keywords
industry situation
plot
data
city
land
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.)
Pending
Application number
CN201910072439.8A
Other languages
English (en)
Inventor
杨俊宴
邵典
王桥
张宇豪
曾宪涵
刘志成
叶晟之
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201910072439.8A priority Critical patent/CN109816581A/zh
Priority to PCT/CN2019/081818 priority patent/WO2020151089A1/zh
Publication of CN109816581A publication Critical patent/CN109816581A/zh
Priority to PCT/CN2020/071915 priority patent/WO2020151528A1/zh
Priority to US16/963,506 priority patent/US11270397B2/en
Priority to EP20745903.3A priority patent/EP3916668A4/en
Pending legal-status Critical Current

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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Instructional Devices (AREA)

Abstract

本发明公开了一种综合业态大数据与建筑形态的城市用地自动识别系统，包括数据获取及输入模块、数据库建构模块、机器学习训练模块、自动识别模块及数据输出模块，该系统通过提取城市业态点的数据分布特征及城市空间三维实体的多维度形态特征进行城市用地的自动识别。本发明能够应对城市规划设计领域对城市地块用地性质的判定，实现基于人工智能系统对不同规模城市用地性质的高效自动化精细识别，为城市现状建设用地的测度和绘制提供了高效便捷的测绘途径及参考，有效节约人工测绘的时间成本。

Description

一种综合业态大数据与建筑形态的城市用地自动识别系统
技术领域
本发明属于城市规划领域，涉及一种城市用地自动识别系统，特别涉及一种综合业态大数据与建筑形态的城市用地自动识别系统。
背景技术
城市用地是城市规划学科的规划及设计基础，是具有一定用途及功能土地的统称。随着城市化进程快速稳定发展，城市规模在不断扩张的同时，城市用地布局也变得愈加复杂，这为城市用地性质的测度加大了难度及时间成本。另一方面，不同规模等级的城市，其城市用地地块布局及尺度呈现出明显的差异化特征，同类型用地内的业态特征、建筑形态差异愈发明显。识别城市用地性质是城市各类规划及设计工作开展的基础，通过识别城市用地分析城市现状建设特征、空间格局及土地利用问题，进而开展现状建设评价及规划设计工作。
目前常见的城市用地识别方法，一种是通过人工现场测绘，结合现状地形图，根据各地块的建筑、业态、职能、公共空间等综合判断的结果，这样的识别存在测绘时间长、投入人力物力大、用地识别涉及人脑判断、建设复杂地块易判断失误且随意性大等问题；另一种是仅通过业态POI进行无监督聚类识别，这样的识别忽略城市建筑形态与城市用地间的关联性，因数据维度的单一导致识别结果的误差系数较大，且仅能识别至用地大类，无法达到精细识别城市小类用地的目的。
发明内容
发明目的：本发明目的在于提供一种综合提取城市业态点的数据分布特征及城市空间三维实体的多维度形态特征进行城市用地自动识别的系统，能够对不同规模的城市高效自动化精细生成城市用地结果并给出相对应置信度。
技术方案：为实现上述目的，本发明所述的一种综合业态大数据与建筑形态的城市用地自动识别系统，该系统包括：
数据获取及输入模块，用于获取并存储不同规模案例城市及目标城市建成区域内的空间矢量数据、业态点数据，输入地理信息系统；
进一步地，所述不同规模案例城市按照国务院印发的最新城市规模划分标准划分，选取超大城市、特大城市、大城市、中等城市、小城市五类规模的案例城市，每类城市对应生成一个数据库及机器学习分类模型；
进一步地，所述城市建成区域内的空间矢量数据包括轮廓为闭合的多边形街区；其中，所述街区内包含一个以上的轮廓为闭合的多边形地块，所述地块内包含一个以上的轮廓为闭合的多边形建筑，所述建筑具备层数或高度信息；
所述空间矢量平台用于矢量数据处理；
进一步地，所述空间矢量平台包括：ArcGIS、CAD；
所述业态点数据包括业态点名称、地理坐标及业态特征类型信息；其中，所述业态特征类型信息为业态点所属行业信息或业态点职能信息或业态点分类信息。
数据库建构模块，用于通过地理信息系统，按照设定的空间自动校准方法对数据进行校准并关联，得到关联业态点的地块数据库，根据业态特征重要性对关联业态点的地块数据库进行加权处理，按照设定的建筑形态特征指标自动计算出每个地块内所有建筑的最高高度、平均高度、建筑平均基底面积、容积率指标，并与地块关联，生成并存储包含加权业态特征、形态特征的地块数据库，所述地块数据库包含目标城市数据库和不同规模案例城市数据库；
进一步地，所述空间自动校准方法，包括业态点与城市街区的空间校准、业态点与用地地块的空间校准、业态点与所在用地地块及城市街区的属性关联，先对城市地块进行膨胀操作(Dilate)，再与业态数据进行空间连接(Spatial Join)，以弥补数据误差；
进一步地，所述关联业态点的地块数据库，由统计地块中的各个业态特征频数构成；
进一步地，所述对关联业态点的地块数据库进行加权处理，包括对业态特征频数进行TF-IDF算法转化，其中TF方法对业态数据进行归一化处理，由某业态特征在一个地块中的频数与以这一业态特征在整个城市中的频数的比值得到；IDF方法对业态特征的重要性进行度量，由城市中的地块总数与包含这一业态特征的地块数的比值的对数值得到；
所述TF-IDF算法具体如下公式所示：
其中，i为地块编号，j为业态特征编号，ni,j第i个地块的第j个业态特征的频数，K为业态特征的维数，|D|为城市中的地块总数，{j:ti∈Dj}为第j个业态特征频数不为0的地块数量。
进一步地，所述地块内所有建筑的最高高度指标为每个地块内所有建筑高度的最大值；
进一步地，所述地块内所有建筑的平均高度指标为每个地块内所有建筑高度的平均值；
进一步地，所述地块内所有建筑的平均基底面积指标为每个地块内所有建筑闭合多段线的几何面积的平均值；
进一步地，所述地块内所有建筑的容积率指标为每个地块内每个建筑闭合多段线几何面积与建筑层数乘积之总和与地块闭合多段线几何面积的比值。
机器学习训练模块，用于输入不同规模案例城市的用地性质标准数据，所述用地性质标准数据按照用地小类划分，并作为机器学习标签；采用有监督分类学习算法，对数据库建构模块得到的包含加权业态特征、形态特征的不同规模案例城市数据库进行机器学习训练，产生多个对应不同城市规模的机器学习分类模型，将其组合形成城市用地自动识别模型簇；
进一步地，所述有监督分类学习算法是根据不同城市规模，调用数据库建构模块中包含加权业态特征、形态特征的不同规模案例城市数据库，根据其中典型城市的实测用地性质数据集，按照城市规模分别进行模型的训练和参数优化；
进一步地，所述实测用地性质数据集，按比例抽样切分为训练集、验证集和测试集，通过交叉验证、参数优化、泛化检验选取分类性能与泛化性能均优的机器学习模型作为最终模型。
自动识别模块，用于在选择目标城市区域后，获取并输入数据获取及输入模块中的目标城市建成区域内的空间矢量数据、业态点数据，根据数据库建构模块中生成的包含加权业态特征、形态特征的目标城市数据库，采用训练完成的城市用地自动识别模型簇，自动识别并输出目标城市建成区域内每个地块可能的用地性质类别及其置信度；
数据输出模块，用于获取自动识别模块输出的每个地块对应的用地性质，以小类用地性质为精度，对同一类用地性质的地块进行一种颜色的填充，将识别区域的城市用地识别结果以着色块的城市现状用地性质图进行显示。
有益效果：本发明具有以下有益效果：
1、综合业态点特征及建筑形态特征，对照实测所得的城市用地性质标准数据，利用有监督分类学习算法进行训练，最大程度提高系统识别的准确性；
2、对业态点数据根据其重要程度进行加权，避免不同标签类型的业态因数量级差异过大而导致的识别误差；
3、纳入多个建筑形态特征指标，弥补仅通过业态点识别城市用地导致的局限性，最大程度逼近人工识别城市用地的常用方法；
4、根据不同规模城市建构对应的数据库，并训练产生多个对应不同城市规模的机器学习分类模型，缩小因城市规模不同而带来的识别误差，确保城市用地自动识别系统适用于不同规模城市的用地识别；
5、机器学习中所对照的城市用地性质标准数据及系统识别出的用地数据均精确至用地小类，保证了城市用地自动识别结果的精确性及实用性；
6、对城市用地进行自动识别避免了传统人工现场测绘中测绘时间长、投入人力物力大、用地识别涉及人脑判断、建设复杂地块易判断失误且随意性大的问题，实现对不同规模城市用地性质的高效、全流程自动化、用地性质精确化的智能识别，为城市现状建设用地的测度和绘制提供了高效便捷的测绘途径及参考，有效节约人工测绘的时间成本。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例的业态点与地块的空间连接(Spatial Join)图；
图3为本发明实施例的各机器学习模型性能比较图；
图4为本发明实施例的GBDT模型超参数调优图；
图5.1为本发明实施例的城市现状用地性质图；图5.2为图5.1的局部放大图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步详细的说明。
如图1所示，本发明实施例公开了一种综合业态大数据与建筑形态的城市用地自动识别系统，该系统包括：
数据获取及输入模块，用于获取并存储不同规模案例城市及目标城市建成区域内的空间矢量数据、业态点数据，输入空间矢量平台。
其中，所述不同规模案例城市按照国务院印发的最新城市规模划分标准划分，选取超大城市、特大城市、大城市、中等城市、小城市五类规模的案例城市，每类城市对应生成一个数据库及机器学习分类模型；
所述空间矢量数据及业态点数据可以通过政府部门或其他相关领域的数据提供商获得，也可以通过地理信息系统处理软件或图像数据软件进行处理，并结合软件代码编程自行加工获取。其中，空间矢量数据通常包含城市的轮廓为闭合的多边形街区矢量数据(也可以通过道路红线围合成面生成)、轮廓为闭合的多边形地块矢量数据(通常为政府部门提供，或通过街区内部的支路、小区路等将街区切分生成)、轮廓为闭合的多边形建筑矢量数据、每个闭合建筑的高度/层数信息(在没有高度的情况下，通过建筑层数推算建筑高度，建筑高度＝建筑层数*3米)，以上数据可以为DWG格式或SHP格式等；业态点数据通常包含业态点的地理坐标数据(可以通过ArcGIS中的projection操作对数据坐标进行转换，包括投影坐标、地理坐标间的切换以及不同坐标系之间的转换)、业态点名称、业态特征类型信息(业态特征类型信息为业态点所属行业信息或业态点职能信息或业态点分类信息)，以上数据可以为XLS格式、CSV格式、DWG格式或SHP格式。
所述空间矢量平台用于矢量数据处理，包括：ArcGIS、CAD；
数据库建构模块，通过空间自动校准关联及建筑形态特征指标计算，建构包含加权业态特征、形态特征的地块数据库，所述地块数据库包含目标城市数据库和不同规模案例城市数据库。
所述空间自动校正关联指的是在考虑到不可避免的数据坐标存在漂移和精度损失的情况下，利用膨胀法和空间连接法进行地块与业态点的自动空间关联和校正。需要说明的是，业态点坐标不可避免的存在漂移现象，即与真实空间位置存在几米的误差和错位，同时，由于浮点数精度的问题，GPS坐标也存在精度损失问题。膨胀法是指针对每个地块，对地块的边界进行一定尺度的放大和延展，使得每个地块可以包含自身及其近邻位置的业态点，对漂移误差和精度损失有了更高的容忍度。空间连接法是指把地块图层和业态点图层看做两个叠加图层，存在空间包含关系的即可建立空间连接索引。以上方法均可通过ArcGIS中的工具进行实现，亦可通过geopandas软件包编程实现。
在完成膨胀和空间连接后即可通过统计地块内业态特征频数得到关联业态点的地块属性表，并生成关联业态点的地块数据库，下一步需要对数据库中的业态特征根据其重要程度进行加权处理，并加入建筑形态特征指标。
一般而言，对业态点特征加权主要采用TF-IDF算法实现。其中TF方法对业态特征数据进行归一化处理，由一个地块中的某业态特征频数与整个城市中该业态特征频数的比值得到；IDF方法对业态特征的重要性进行度量，由城市中的地块总数与包含这一业态特征的地块数的比值的对数值得到。所述TF-IDF算法具体如下公式所示：
其中，i为地块编号，j为业态特征编号，ni,j第i个地块的第j个业态特征的频数，K为业态特征的维数，|D|为城市中的地块总数，{j:ti∈Dj}为第j个业态特征频数不为0的地块数量。
按照设定的建筑形态特征指标自动计算出每个地块的建筑形态指标数据，生成包含加权业态特征、形态特征的地块属性表，生成并存储包含加权业态特征、形态特征的地块数据库。所述建筑形态指标包括地块内所有建筑的最高高度指标、平均高度指标、建筑平均基底面积指标、容积率指标。通过对闭合多段线构成的多边形空间几何计算可以获得每个地块的面积及每个建筑的基底面积(包括多边形轮廓面积)。最高高度指标是地块内所有建筑高度的最大值；平均高度指标是地块内所有建筑高度的平均值；建筑平均基底面积指标是地块内所有建筑闭合多段线的几何面积的平均值；容积率指标是地块内每个建筑闭合多段线几何面积与建筑层数乘积之总和与地块闭合多段线几何面积的比值。
机器学习训练模块，以不同规模城市用地性质标准数据作为学习标签，采用有监督分类学习算法，对数据库建构模块得到的包含加权业态特征、形态特征的不同规模案例城市数据库进行机器学习训练，产生多个对应不同城市规模的机器学习分类模型，将其组合形成城市用地自动识别模型簇。
通过调用数据库建构模块获得由数据获取及输入模块采集得到的不同规模案例城市数据库中典型城市的特征数据，并将其作为训练数据。根据不同的城市规模分别训练独立的模型，以适应各类城市识别需要。通过按比例抽样将训练数据切分为训练集、验证集和测试集，其中模型输入为地块的加权业态特征和建筑形态特征，输出为其可能的用地性质类别，标签由实地测量得到的用地性质提供。
所述有监督学习分类算法常见的有：逻辑回归、树模型、支持向量机、集成模型等。由于考虑到地块标签按照小类进行划分，类别数较多，且地块的特征维度较高，既包含了加权的业态特征维度也包含了地块的建筑形态特征维度，为了提高模型的分类准确度，这里建议采用优化的集成树模型来进行分类，如梯度提升决策树模型(GBDT)、xgboost模型等，在参数优化的过程中，根据验证集的性能，逐步调整节点数量、最大深度、学习率等参数，使得在验证集上的性能达到同等情况下的最优同时，采用K折交叉验证法进行交叉验证，避免模型的过拟合。
自动识别模块，根据数据库建构模块中生成的包含加权业态特征、形态特征的目标城市数据库，采用训练完成的城市用地自动识别模型簇识别每个地块的用地性质及置信度。
所述自动识别模块调用机器学习训练模块中已经训练完成的模型簇，该模型簇对应了各类城市规模，自动识别模块只需要设置参数确定目标城市区域的规模大小，即可自动调用相应分类模型。
当系统需要对某目标城市区域进行自动识别用地功能时，首先根据目标城市区域的城市规模选择相应分类模型，然后通过调用数据库得到采集到的目标城市地块的业态特征和建筑形态特征，作为特征向量输入到该分类模型中，最后生成该目标城市区域各地块的可能的用地性质类别，并给出分类置信度。
数据输出模块，将用地性质对应不同色块录入地块矢量文件中并标注其置信度，将成果打印成图纸得到城市现状用地性质图。
在得出每个地块对应的用地性质后，以小类用地性质，通常采用城市用地分类与规划建设用地标准(GB50137-2011)中的城市建设用地分类中的8大类、35中类、42小类标准；亦可采用各地区、市的城市分类用地标准为精度，对同一类用地性质的地块进行一种颜色的填充，并自动标注每个用地识别结果的置信度。通过全彩色喷墨打印机将识别区域的城市用地识别结果以着色块的平面矢量图像进行打印并展示。
利用本发明实施例的综合业态大数据与建筑形态的城市用地自动识别系统，能够对不同规模的城市用地性质进行高效、自动化、精细的识别，进而生成城市用地识别结果并给出相对应置信度，避免了传统人工现场测绘中容易出现的耗时长、人力投入大、易判断失误等问题，为城市现状建设用地的测度和绘制提供了高效便捷的测绘途径及参考，有效节约人工测绘的时间成本。
实施例
以下将以深圳市城市用地自动识别为例对本发明的技术方案进行详细说明。
(1)以上海(超大规模城市)、南京(特大规模城市)、哈尔滨(大规模城市)、镇江(中等规模城市)、张家港(小规模城市)作为五类不同规模案例城市，并以深圳作为目标城市，数据获取及输入模块分别获取各城市建成区域内的空间矢量数据、业态点数据，并录入空间矢量平台；具体包括：
(1.1)通过各城市对应规划部门，获得以上城市的空间矢量数据，包含每个城市的现状闭合街区CAD文件、现状闭合用地地块CAD文件、现状闭合建筑及层数CAD文件。
(1.2)将空间矢量数据中的现状闭合街区CAD文件、现状闭合用地地块CAD文件导入ArcGIS软件，并导出闭合多段线(Polyline)的SHP格式；将现状闭合建筑及层数CAD文件导入ArcGIS软件，并导出建筑闭合面(Polyline)的SHP格式及层数点(Point)的SHP格式；将建筑闭合面与建筑层数点进行空间关联，将每个建筑附上其层数信息。
(1.3)通过百度坐标拾取器，获取每个城市建成区域西北角及东南角的坐标数据，通过Python编程，获取对应区域内的业态信息XLS文件。
(1.4)将业态信息XLS文件导出CSV格式，在ArcGIS软件中导入XY数据(Add XYdata)，并导出SHP格式，得到包含业态点名称、地理坐标及业态特征类型信息的业态点数据。
(2)数据库建构模块对城市的地块单元进行编号，将业态点进行空间关联和校准并统计每个地块内的各类不同特征的业态点数量，生成关联业态点的地块数据库。对业态点特征进行加权，再对地块内的各类建筑形态数据进行运算，生成包含加权业态特征和建筑形态特征的地块特征属性表，生成含加权业态特征、形态特征的地块数据库；具体包括：
(2.1)对由地块构成的空间单元进行编号i：1,2，···,|D|，对每个地块单元在空间上进行膨胀操作，即在地块边界的基础上向外延展数米。
(2.2)如图2所示，对业态点图层和膨胀后的地块单元图层进行空间连接，统计得到每个地块空间单元所拥有的K类业态点数量，即每个地块的业态特征频数,生成关联业态点的地块属性表及数据库。本系统采用业态特征编号为1,2，··,j，··,20，各个业态特征如表1所示：
表1业态特征类别表
公司企业 购物 美食 出入口 房地产
生活服务 道路 交通设施 丽人 政府机构
汽车服务 医疗 金融 休闲娱乐 酒店
运动健身 教育培训 旅游景点 文化传媒 自然地物
(2.3)对完成的关联业态点的地块数据库进行TF-IDF算法处理，所述TF-IDF算法具体如下公式所示：
其中，i为地块编号，j为业态特征编号，ni,j第i个地块的第j个业态特征的频数，K为业态特征的维数，|D|为城市中的地块总数，{j:ti∈Dj}为第j个业态特征频数不为0的地块数量；
通过这样的计算，可以对各个业态特征根据其出现的次数和重要性重新加权，得到包含加权的业态特征的地块特征属性表；
(2.4)对建筑图层(包含层数信息、轮廓为闭合的多边形建筑)与地块单元图层进行空间连接，对每个地块的四项建筑形态指标进行计算并添加到包含加权业态特征的地块特征属性表中，生成并存储包含加权的业态特征、建筑形态特征的地块属性表及数据库。建筑形态特征指标如表2所示：
表2建筑形态特征指标表
其中，Hmax为地块最高高度指标，Have为地块平均高度指标里，Save为建筑平均基底面积指标，FAR为容积率指标，A为建筑基底面积，F为建筑层数，B为地块面积，n为地块内建筑总数。
(3)机器学习训练模块向数据获取及输入模块获取上海、南京、哈尔滨、镇江、张家港这五个城市数据，对其进行数据集采样、切分，进行模型选择和训练，通过参数优化和交叉验证，得到最终模型，将不同城市规模数据所训练得到的多个模型组合成模型簇。
下面仅以代表特大城市的深圳市为例，(3)具体包括：
(3.1)机器学习训练模块从数据库建构模块中抽取包含业态特征和建筑形态特征以及用地性质标签的典型城市地块数据，每个典型城市代表一种城市规模；
(3.2)将地块特征属性表等比例采样，按照6:2:2的比例切分为训练集、验证集和测试集，采用GBDT、SVM、LASSO等模型进行模型训练，根据其分类准确率确定合适的模型，模型性能比较如图3所示。在确定选用的模型后，对模型进行参数优化，这里以GBDT算法最大深度max_depth为例，如图4所示，选择合适的模型超参数可以进一步优化分类性能；
(3.3)在将各个城市规模的典型城市分别进行模型训练后，得到适应各类城市规模的最终模型簇，模型训练完毕；
(4)自动识别模块对待识别目标城市区域深圳市进行用地性质自动识别，从数据库建构模块中生成的包含业态特征和建筑形态特征的目标城市数据库中，获取其业态特征和建筑形态特征，根据该城市所拥有的人口确定其城市规模，在模型簇中选取同为超大规模城市的上海城市用地模型，输入深圳地块数据，生成并输出深圳市各个地块的可能的用地性质类别表，并给出分类置信度；
(5)数据输出模块将输出的目标城市用地性质对应不同色块录入地块矢量文件中并标注其置信度，将成果打印成图纸得到城市用地图，具体包括：
(5.1)以小类用地性质通常采用城市用地分类与规划建设用地标准(GB50137-2011)中的城市建设用地分类中的8大类、35中类、42小类标准；亦可采用各地区、市的城市分类用地标准为精度，对同一类用地性质的地块进行一种颜色的填充，并自动标注每个用地识别结果的置信度。
(5.2)通过全彩色喷墨打印机将识别区域的城市用地识别结果以着色块的平面矢量图像进行打印并展示，如图5.1所示，图5.2为局部放大图。

Claims (10)

1.一种综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于，该系统包括：
数据获取及输入模块，用于获取并存储不同规模案例城市及目标城市建成区域内的空间矢量数据、业态点数据，输入地理信息系统，其中，所述不同规模案例城市按照国务院印发的最新城市规模划分标准划分，选取超大城市、特大城市、大城市、中等城市、小城市五类规模的案例城市，每类城市对应生成一个数据库及机器学习分类模型；所述业态点数据包括业态点名称、地理坐标及业态特征类型信息；其中，所述业态特征类型信息为业态点所属行业信息或业态点职能信息或业态点分类信息；
数据库建构模块，用于通过地理信息系统，按照设定的空间自动校准方法对数据进行校准并关联，得到关联业态点的地块数据库，根据业态特征重要性对关联业态点的地块数据库进行加权处理，按照设定的建筑形态特征指标自动计算出每个地块内所有建筑的最高高度、平均高度、建筑平均基底面积、容积率指标，并与地块关联，生成并存储包含加权业态特征、形态特征的地块数据库，所述地块数据库包含目标城市数据库和不同规模案例城市数据库；
机器学习训练模块，用于输入不同规模案例城市的用地性质标准数据，所述用地性质标准数据按照用地小类划分，并作为机器学习标签；采用有监督分类学习算法，对数据库建构模块得到的包含加权业态特征、形态特征的不同规模案例城市数据库进行机器学习训练，产生多个对应不同城市规模的机器学习分类模型，将其组合形成城市用地自动识别模型簇；
自动识别模块，用于根据数据库建构模块中生成的包含加权业态特征、形态特征的目标城市数据库，采用训练完成的城市用地自动识别模型簇，自动识别目标城市建成区域内每个地块对应的城市用地性质及其置信度；
数据输出模块，用于将用地性质按小类对应不同色块录入地块矢量文件中，并标注数据置信度，得到城市现状用地性质图。
2.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述城市建成区域内的空间矢量数据包括轮廓为闭合的多边形街区；其中，所述街区内包含一个以上的轮廓为闭合的多边形地块，所述地块内包含一个以上的轮廓为闭合的多边形建筑，所述建筑具备层数或高度信息。
3.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述空间自动校准方法，包括业态点与城市街区的空间校准、业态点与用地地块的空间校准、业态点与所在用地地块及城市街区的属性关联，先对城市地块进行膨胀操作，再与业态点数据进行空间连接。
4.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述地理信息系统用于矢量数据处理，包括：ArcGIS、CAD。
5.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于，所述对关联业态点的地块数据库进行加权处理的实现方式为按照如下公式对完成的关联业态点的地块数据库进行TF-IDF算法处理：
其中，i为地块编号，j为业态特征编号，ni,j第i个地块的第j个业态特征的频数，K为业态特征的维数，|D|为城市中的地块总数，{j:ti∈Dj}为第j个业态特征频数不为0的地块数量。
6.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述地块内所有建筑的最高高度指标为每个地块内所有建筑高度的最大值；所述地块内所有建筑的平均高度指标为每个地块内所有建筑高度的平均值；所述地块内所有建筑的平均基底面积指标为每个地块内所有建筑闭合多段线的几何面积的平均值；所述地块内所有建筑的容积率指标为每个地块内每个建筑闭合多段线几何面积与建筑层数乘积之总和与地块闭合多段线几何面积的比值。
7.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其步骤特征在于：所述有监督分类学习算法是根据不同城市规模，调用数据库建构模块中包含加权业态特征、形态特征的不同规模案例城市数据库，根据其中典型城市的实测用地性质数据集，按照城市规模分别进行模型的训练和参数优化。
8.根据权利要求6所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述实测用地性质数据集，按比例抽样切分为训练集、验证集和测试集，通过交叉验证、参数优化、泛化检验选取分类性能与泛化性能均优的机器学习模型作为最终模型。
9.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述自动识别模块，在选择目标城市区域后，获取并输入数据获取及输入模块中的目标城市建成区域内的空间矢量数据、业态点数据，利用数据库建构模块得到的包含业态特征、形态特征的目标城市数据库，再根据其城市规模选择对应的机器学习模型进行分类，输出该城市每个地块的可能的用地性质类别，并给出其分类置信度。
10.根据权利要求1所述的综合业态大数据与建筑形态的城市用地自动识别系统，其特征在于：所述数据输出模块，获取自动识别模块输出的每个地块对应的用地性质，以小类用地性质为精度，对同一类用地性质的地块进行一种颜色的填充，将识别区域的城市用地识别结果以着色块的城市现状用地性质图进行显示。
CN201910072439.8A 2019-01-25 2019-01-25 一种综合业态大数据与建筑形态的城市用地自动识别系统 Pending CN109816581A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910072439.8A CN109816581A (zh) 2019-01-25 2019-01-25 一种综合业态大数据与建筑形态的城市用地自动识别系统
PCT/CN2019/081818 WO2020151089A1 (zh) 2019-01-25 2019-04-08 一种综合业态大数据与建筑形态的城市用地自动识别系统
PCT/CN2020/071915 WO2020151528A1 (zh) 2019-01-25 2020-01-14 一种综合业态大数据与建筑形态的城市用地自动识别系统
US16/963,506 US11270397B2 (en) 2019-01-25 2020-01-14 Automatic urban land identification system integrating business big data with building form
EP20745903.3A EP3916668A4 (en) 2019-01-25 2020-01-14 SYSTEM FOR AUTOMATIC IDENTIFICATION OF URBAN LAND WITH INTEGRATION OF INDUSTRIAL LARGE DATA AND BUILDING SHAPE

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910072439.8A CN109816581A (zh) 2019-01-25 2019-01-25 一种综合业态大数据与建筑形态的城市用地自动识别系统

Publications (1)

Publication Number Publication Date
CN109816581A true CN109816581A (zh) 2019-05-28

Family

ID=66605059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910072439.8A Pending CN109816581A (zh) 2019-01-25 2019-01-25 一种综合业态大数据与建筑形态的城市用地自动识别系统

Country Status (4)

Country Link
US (1) US11270397B2 (zh)
EP (1) EP3916668A4 (zh)
CN (1) CN109816581A (zh)
WO (2) WO2020151089A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288134A (zh) * 2019-06-06 2019-09-27 国网湖北省电力有限公司孝感供电公司 一种城市分类用地面积快速自动统计方法
CN111127258A (zh) * 2019-12-26 2020-05-08 深圳集智数字科技有限公司 用于确定具有多业态的地块中业态容积率的方法及装置
WO2020151528A1 (zh) * 2019-01-25 2020-07-30 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
CN112085357A (zh) * 2020-08-27 2020-12-15 东南大学 一种出让地块规划条件冲突要点识别与处理的系统与方法
CN112597948A (zh) * 2020-12-29 2021-04-02 同济大学 一种城市土地利用变化预测方法
CN112666588A (zh) * 2020-11-06 2021-04-16 南京航空航天大学 一种城市峡谷环境下基于景象匹配与机器学习的定位方法
CN112990605A (zh) * 2021-04-22 2021-06-18 武汉市规划研究院 一种全流程线上规划编制的方法和装置
CN113642902A (zh) * 2021-08-17 2021-11-12 上海图源素数字科技有限公司 一种国土空间多元关联信息的处理方法
CN113706997A (zh) * 2021-09-06 2021-11-26 深圳市库思科技有限公司 城乡规划图纸标准化处理方法、装置及电子设备
CN114089033A (zh) * 2022-01-24 2022-02-25 天津安力信通讯科技有限公司 一种基于频谱分析的异常信号检测方法及系统
CN114139827A (zh) * 2021-12-09 2022-03-04 北京建筑大学 一种城市功能区功能绩效的智能感知与优化方法
CN116129202A (zh) * 2023-04-20 2023-05-16 北京新兴科遥信息技术有限公司 存量用地分析方法、装置和存储介质

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914328B (zh) * 2020-07-31 2023-11-17 同济大学 一种基于人工智能的建筑平面辅助设计方法及系统
CN112115641A (zh) * 2020-09-11 2020-12-22 同济大学 一种智能城市信息基础设施规划系统
CN112508336B (zh) * 2020-11-09 2023-09-19 东南大学 一种基于结构方程模型的空间与环境效能关联测度方法
CN112766718A (zh) * 2021-01-18 2021-05-07 华南理工大学 城市商圈边界识别方法、系统、计算机设备及存储介质
CN112884208A (zh) * 2021-01-26 2021-06-01 中国测绘科学研究院 一种城市街区智能划分方法
CN112926857A (zh) * 2021-02-25 2021-06-08 重庆市规划设计研究院 一种高效城市规划容积率自动校正系统及方法
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
CN112967286B (zh) * 2021-05-19 2021-09-17 航天宏图信息技术股份有限公司 一种新增建设用地检测方法及装置
CN113672788B (zh) * 2021-07-22 2024-04-09 东南大学 一种基于多源数据和权重系数法的城市建筑功能分类方法
CN113610165B (zh) * 2021-08-10 2024-02-13 河南大学 基于多源高维特征的城市土地利用分类确定方法和系统
CN113449936B (zh) * 2021-08-31 2022-03-18 北京市城市规划设计研究院 城市空间演进模拟预测方法、装置、电子设备及存储介质
CN113935549B (zh) * 2021-11-22 2022-07-19 国家电投集团雄安能源有限公司 一种综合智慧能源优化调度系统
CN114218640B (zh) * 2021-12-15 2023-10-31 东南大学 一种基于人工智能的假山体量设计方法
CN114461869B (zh) * 2021-12-21 2022-11-22 北京达佳互联信息技术有限公司 业务特征数据处理方法、装置、电子设备及存储介质
CN114639027B (zh) * 2022-05-20 2023-02-03 山东省地质科学研究院 根据土地利用分类数据对城镇低效用地识别的系统及方法
CN114969007A (zh) * 2022-06-01 2022-08-30 南京大学 一种基于功能混合度和集成学习的城市功能区识别方法
CN115238584B (zh) * 2022-07-29 2023-07-11 湖南大学 一种基于多源大数据的人口分布识别方法
CN115292789B (zh) * 2022-08-12 2023-04-28 东南大学建筑设计研究院有限公司 城市设计中基于形态类型的建筑体量数字化生成方法
CN115859765B (zh) * 2022-09-29 2023-12-08 中山大学 城市扩张的预测方法、装置、设备及存储介质
CN115620165B (zh) * 2022-11-07 2023-03-28 中国科学院空天信息创新研究院 城市建成区慢行系统设施评价方法、装置、设备及介质
CN115578643B (zh) * 2022-12-06 2023-02-17 东莞先知大数据有限公司 一种农田区域建筑检测方法、电子设备和存储介质
CN116578564B (zh) * 2023-05-13 2024-05-07 杭州市勘测设计研究院有限公司 一种多测合一生产质检一体化应用服务系统
CN117077005B (zh) * 2023-08-21 2024-05-10 广东国地规划科技股份有限公司 一种城市微更新潜力的优化方法和系统
CN117196135A (zh) * 2023-08-24 2023-12-08 北京市市政工程设计研究总院有限公司 一种海绵城市中径流控制率的调整方法及装置
CN117454253B (zh) * 2023-12-08 2024-04-02 深圳市蕾奥规划设计咨询股份有限公司 建筑的分类方法、装置、终端设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912764A (zh) * 2016-04-06 2016-08-31 东南大学 一种基于噪声分区模型的城市容积率优化方法
CN107679229A (zh) * 2017-10-20 2018-02-09 东南大学 城市三维建筑高精度空间大数据的综合采集及分析方法
CN108052887A (zh) * 2017-12-07 2018-05-18 东南大学 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7970642B2 (en) * 2005-12-27 2011-06-28 Alex Anas Computer based system to generate data for implementing regional and metropolitan economic, land use and transportation planning
US8117138B2 (en) * 2008-03-11 2012-02-14 International Business Machines Corporation Method and apparatus for location evaluation and site selection
CN102521273B (zh) * 2011-11-23 2013-06-19 中国科学院地理科学与资源研究所 一种高分辨率遥感的多功能城市用地空间信息生成方法
US9535927B2 (en) * 2013-06-24 2017-01-03 Great-Circle Technologies, Inc. Method and apparatus for situational context for big data
CN106682800A (zh) * 2015-11-10 2017-05-17 星际空间（天津）科技发展有限公司 一种建设项目快速选址方法
CN105893544B (zh) 2016-03-31 2019-07-12 东南大学 一种基于poi业态数据生成城市空间大数据地图的方法
CN106897417B (zh) * 2017-02-22 2019-04-09 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
US20190066137A1 (en) * 2017-04-24 2019-02-28 The Chicago TREND Corporation Systems and methods for modeling impact of commercial development on a geographic area
CN109816581A (zh) 2019-01-25 2019-05-28 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
AU2019101466A4 (en) * 2019-11-27 2020-01-16 Henan University Method for determining future urban expansion mode

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912764A (zh) * 2016-04-06 2016-08-31 东南大学 一种基于噪声分区模型的城市容积率优化方法
CN107679229A (zh) * 2017-10-20 2018-02-09 东南大学 城市三维建筑高精度空间大数据的综合采集及分析方法
CN108052887A (zh) * 2017-12-07 2018-05-18 东南大学 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
匿名: "创新突破！基于大数据&机器学习的城市用地功能识别方法与实践", 《HTTPS://WWW.UDPARTY.COM/INDEX.PHP/DETAIL/ARTICLEDETAILS/?ID=748》 *
杨俊宴: "城市空间形态分区的理论建构与实践探索", 《城市规划》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020151528A1 (zh) * 2019-01-25 2020-07-30 东南大学 一种综合业态大数据与建筑形态的城市用地自动识别系统
US11270397B2 (en) 2019-01-25 2022-03-08 Southeast University Automatic urban land identification system integrating business big data with building form
CN110288134A (zh) * 2019-06-06 2019-09-27 国网湖北省电力有限公司孝感供电公司 一种城市分类用地面积快速自动统计方法
CN111127258A (zh) * 2019-12-26 2020-05-08 深圳集智数字科技有限公司 用于确定具有多业态的地块中业态容积率的方法及装置
CN112085357A (zh) * 2020-08-27 2020-12-15 东南大学 一种出让地块规划条件冲突要点识别与处理的系统与方法
CN112085357B (zh) * 2020-08-27 2021-06-04 东南大学 一种出让地块规划条件冲突要点识别与处理的系统与方法
CN112666588A (zh) * 2020-11-06 2021-04-16 南京航空航天大学 一种城市峡谷环境下基于景象匹配与机器学习的定位方法
CN112597948A (zh) * 2020-12-29 2021-04-02 同济大学 一种城市土地利用变化预测方法
CN112990605B (zh) * 2021-04-22 2021-07-30 武汉市规划研究院 一种全流程线上规划编制的方法和装置
CN112990605A (zh) * 2021-04-22 2021-06-18 武汉市规划研究院 一种全流程线上规划编制的方法和装置
CN113642902A (zh) * 2021-08-17 2021-11-12 上海图源素数字科技有限公司 一种国土空间多元关联信息的处理方法
CN113706997A (zh) * 2021-09-06 2021-11-26 深圳市库思科技有限公司 城乡规划图纸标准化处理方法、装置及电子设备
CN114139827A (zh) * 2021-12-09 2022-03-04 北京建筑大学 一种城市功能区功能绩效的智能感知与优化方法
CN114139827B (zh) * 2021-12-09 2024-02-09 北京建筑大学 一种城市功能区功能绩效的智能感知与优化方法
CN114089033A (zh) * 2022-01-24 2022-02-25 天津安力信通讯科技有限公司 一种基于频谱分析的异常信号检测方法及系统
CN116129202A (zh) * 2023-04-20 2023-05-16 北京新兴科遥信息技术有限公司 存量用地分析方法、装置和存储介质
CN116129202B (zh) * 2023-04-20 2023-06-09 北京新兴科遥信息技术有限公司 存量用地分析方法、装置和存储介质

Also Published As

Publication number Publication date
EP3916668A1 (en) 2021-12-01
US20210217117A1 (en) 2021-07-15
US11270397B2 (en) 2022-03-08
WO2020151089A1 (zh) 2020-07-30
EP3916668A4 (en) 2022-10-19
WO2020151528A1 (zh) 2020-07-30

Similar Documents

Publication Publication Date Title
CN109816581A (zh) 一种综合业态大数据与建筑形态的城市用地自动识别系统
WO2020233152A1 (zh) 基于城市建筑空间数据的建成区边界识别方法及设备
CN110334864B (zh) 一种基于gis的多规合一城乡空间分区划定的方法
CN109829399A (zh) 一种基于深度学习的车载道路场景点云自动分类方法
CN110533038A (zh) 一种基于信息数据的城市活力区和中心城区边界识别的方法
CN109523520A (zh) 一种基于深度学习的染色体自动计数方法
CN102289991B (zh) 一种基于视觉变量的地图注记自动分类配置方法
CN104050323B (zh) 一种高海拔山区模糊多准则风电场选址方法
CN106919680B (zh) 一种利用poi数据进行地表覆盖分类的方法及系统
Liu et al. Establishing a citywide street tree inventory with street view images and computer vision techniques
CN108540988B (zh) 一种场景划分方法及装置
CN103336894B (zh) 一种城市容积率自动分区方法
CN113505842B (zh) 一种适用于大尺度区域遥感影像城市建筑物自动提取方法
CN104463168B (zh) 一种基于遥感影像的空废宅基地信息自动提取方法
CN110378239A (zh) 一种基于深度学习的实时交通标志检测方法
CN102646164A (zh) 一种结合空间滤波的土地利用变化建模方法及其系统
CN107169878A (zh) 一种基于开源信息自主收集空间负荷基础数据的方法
Xu et al. Land-use change modeling with cellular automata using land natural evolution unit
CN109146563A (zh) 一种基于迁移学习的城市住宅地价评估方法
CN108764527A (zh) 一种土壤有机碳库时空动态预测最优环境变量筛选方法
Zhang et al. How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities
CN116415499B (zh) 一种社区舒适感模拟预测方法
CN111639672A (zh) 一种基于多数投票的深度学习城市功能区分类方法
CN114170441B (zh) 基于地理国情数据和影像分类的路旁树自动提取方法
CN107220615B (zh) 一种融合兴趣点大数据的城市不透水面信息提取方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190528