CN110991705A - 一种基于深度学习的城市扩展预测方法及系统 - Google Patents

一种基于深度学习的城市扩展预测方法及系统 Download PDF

Info

Publication number
CN110991705A
CN110991705A CN201911119134.4A CN201911119134A CN110991705A CN 110991705 A CN110991705 A CN 110991705A CN 201911119134 A CN201911119134 A CN 201911119134A CN 110991705 A CN110991705 A CN 110991705A
Authority
CN
China
Prior art keywords
surface coverage
impervious surface
city
data
urban
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
Application number
CN201911119134.4A
Other languages
English (en)
Other versions
CN110991705B (zh
Inventor
许剑辉
周成虎
杨骥
姜浩
邓应彬
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.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201911119134.4A priority Critical patent/CN110991705B/zh
Publication of CN110991705A publication Critical patent/CN110991705A/zh
Application granted granted Critical
Publication of CN110991705B publication Critical patent/CN110991705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及一种基于深度学习的城市扩展预测方法及系统，发明将城市不透水面盖度数据与遥感数据和人类活动统计数据相结合，利用LSTM‑RNN模型得到待测时间段的城市不透水面盖度，以待测时间段的城市不透水面盖度构建该城市的标准差椭圆的方式，得到该待测时间段的城市扩展预测图。相对于现有技术，本发明利用LSTM‑RNN模型对输入的不透水面盖度、遥感数据和人类活动统计数据等多项变量进行选择，根据每个变量的相关性更新输出的预测值，以提高待测时间段的城市不透水面盖度预测的精度。

Description

一种基于深度学习的城市扩展预测方法及系统
技术领域
本发明涉及地理信息技术领域，尤其是涉及一种基于深度学习的城市扩展预测方法及系统。
背景技术
我国城市化进程正处于加速期，由快速城市化引发的城市水环境与生态问题日益突出。城市扩展的特征之一是城市不透水面面积的增加。城市不透水面现已变成了城市环境变化和人地相互作用的指示器与重要驱动力，是城市生态环境规划与保护的关键依据。不透水面的面积大小、空间布局分布等指标在城市化进程及环境质量评估中具有重要意义，准确估算与提取不透水面信息可以为中国新型城镇化的建设以及一系列生态城市、海绵城市的建设提供数据层面的支撑，特别是对城市规划、城市扩展研究等有重要意义。
目前，城市扩展模拟主要利用土地理由类型结合元胞自动机模型进行。然而，城市元胞自动机模型的转换阈值直接影响城市扩张模拟的精度。另外，基于土地利用类型的元胞自动机模拟主要是基于像元尺度的模拟，不能精细刻画每个像元城市建设用地的面积。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种利用城市不透水面盖度来反应出城市扩展规模与方向的基于深度学习的城市扩展预测方法及系统。
一种基于深度学习的城市扩展预测方法，包括以下步骤：
获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；
将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型；
将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度；
根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图。
相对于现有技术，本发明将预设时间内的城市不透水面盖度数据、遥感数据和人类活动数据相结合，构建基于地表环境参数和人类活动统计数据的LSTM-RNN模型，利用LSTM-RNN模型对输入的不透水面盖度、遥感数据和人类活动统计数据等多项变量进行选择，根据每个变量的相关性更新输出的预测值，以提高待测时间段的城市不透水面盖度预测的精度，并且，根据城市不透水面盖度构建该城市的标准差椭圆，通过对标准差椭圆的长短轴及中心点的计算，可直观反映出待测时间段的城市扩展格局。
在本发明一个实施例中，所述获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据的步骤具体包括：
获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；其中所述遥感数据包括：Landsat 5、Landsat 8遥感影像、地形、城市道路数据；所述人类活动统计数据包括相应时间序列的人口、GDP、能源消耗、用电消耗数据；
将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat 5/8空间分辨率一致的网格数据；
计算每个网格单元离市中心的距离和离道路的距离，得到离市中心的距离和离道路的距离数据；
利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度。
在本发明一个实施例中，将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型的步骤包括：
根据下列公式，构建所述LSTM-RNN模型的表达式：
impert+1＝F(ft,ft-1,…ft0)，
其中，ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)；
采用均方误差作为该模型的损失函数：
Figure BDA0002274935120000021
其中，imperi(t)表示t时刻的实际不透水面盖度，
Figure BDA0002274935120000022
表示t时刻预测的不透水面盖度，i表示像元数目；
设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；
利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数，其中，所述验证数据集为除去训练集后剩余时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。
在本发明一个实施例中，所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤之前，还包括：
对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。
在本发明一个实施例中，所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤包括：
按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：
Figure BDA0002274935120000031
其中，
Figure BDA0002274935120000032
和
Figure BDA0002274935120000033
分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差；
按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：
Figure BDA0002274935120000034
Figure BDA0002274935120000035
其中，θ为椭圆方位角，ωi为待测时间段的城市不透水面盖度，σx和σy分别为沿x轴和y轴的标准差。
本发明还提供了一种基于深度学习的城市扩展预测系统，包括：
数据获取模块，用于获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；
模型构建模块，用于将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型；
不透水面盖度预测模块，用于将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度；
城市扩展预测模块，用于根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图。
在本发明一个实施例中，所述数据获取模块包括：
数据获取单元，用于获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；其中所述遥感数据包括：Landsat 5、Landsat 8遥感影像、地形、城市道路数据；所述人类活动统计数据包括相应时间序列的人口、GDP、能源消耗、用电消耗数据；
网格化单元，用于将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat 5/8空间分辨率一致的网格数据；
距离计算单元，用于计算每个网格单元离市中心的距离和离道路的距离，得到离市中心的距离和离道路的距离数据；
不透水面盖度提取单元，用于利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度。
在本发明一个实施例中，所述模型构建模块包括：
表达式构建单元，用于按照下列方式，构建所述LSTM-RNN模型的表达式：
impert+1＝F(ft,ft-1,…ft0)，
ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)
损失函数构建单元，用于采用均方误差作为该模型的损失函数：
Figure BDA0002274935120000041
其中，imperi(t)表示t时刻Landsat提取的实际不透水面盖度，
Figure BDA0002274935120000042
表示t时刻预测的不透水面盖度，i表示像元数目；
训练单元，用于设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；
优化单元，用于利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数，其中，所述验证数据集为除去训练集后剩余时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。
在本发明一个实施例中，所述城市扩展预测系统还包括：
修正模块，用于对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。
在本发明一个实施例中，所述城市扩展预测模块包括：
偏差计算单元，用于按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：
Figure BDA0002274935120000051
其中，
Figure BDA0002274935120000052
和
Figure BDA0002274935120000053
分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差；
标准差椭圆构建单元，用于按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：
Figure BDA0002274935120000054
Figure BDA0002274935120000055
其中，θ为椭圆方位角，ωi为待测时间段的城市不透水面盖度，σx和σy分别为沿x轴和y轴的标准差。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种基于深度学习的城市扩展预测方法的流程图；
图2为本发明一个示例性的实施例中城市扩展预测系统的结构示意图；
图3为利用本发明一个示例性的所述城市扩展预测提取方法得到的广州市主城区扩展方向示意图；
图4为利用本发明一个示例性的所述城市扩展预测提取方法得到的广州市各区扩展方向示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本发明实施例提供了一种基于深度学习的城市扩展预测方法，包括以下步骤：
步骤S1：获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；
其中，不透水面是指一种水体不能通过其渗入到土壤中的人工地表特征，主要由道路、停车场、广场及屋顶等建筑物组成。所述遥感数据为遥感卫星在太空探测地球在太空探测地球地表物体对电磁波的反射，及其发射的电磁波，从而提取到的地表物体相关影像数据，主要用于指示影响城市不透水面演变的自然环境；在一个例子中，所述遥感数据包括：Landsat 5、Landsat 8遥感影像、地形、城市道路数据；所述人类活动统计数据为人类为了生存发展和提升生活水平，不断进行的一系列不同规模不同类型活动的数据，主要用于指示影响城市不透水面演变的社会经济因素；在一个例子中，所述人类活动统计数据包括相应时间序列的人口、GDP、能源消耗、用电消耗数据。
在一个示例性的实施例中，所述获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据的步骤具体包括：
步骤S101：获取若干时间序列城市的遥感数据和人类活动统计数据；例如，所述若干时间序列可以是时间序列为1988、1994、2001、2004、2009、2015的Landsat 5、Landsat 8遥感影像、地形、城市道路数据和人口、GDP、能源消耗、用电消耗数据。
步骤S102：将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat 5/8空间分辨率一致的网格数据；
步骤S103：计算每个网格单元离市中心的距离和离道路的距离，得到离市中心的距离和离道路的距离数据；
步骤S104：利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度。线性光谱解混是常用的像元光谱提取方法，用于分解图像中每个像元反应的光谱信息，通过将光谱信息与目标地物的对应阈值进行比较的方式，将该像元归类到目标地物中。
步骤S2：选取预设时间序列的不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型。
长短期记忆-循环神经网络模型(LSTM-RNN模型)利用LSTM-RNN模型对输入的不透水面盖度、遥感数据和人类活动统计数据等多项变量进行选择，根据每个变量的相关性更新输出的预测值，以提高待测时间段的城市不透水面盖度预测的精度。
在一个示例性的实施例中，以1988、1994、2001、2004年的不透水面盖度、遥感数据和人类活动统计数据作为训练集，以2009年的不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离数据作为验证数据集。
基于所述训练集构建和训练LSTM-RNN模型，利用验证集对训练好的LSTM-RNN模型进行优化；在本实施例中，该步骤具体包括：
根据下列公式，构建所述LSTM-RNN模型的表达式：
impert+1＝F(ft,ft-1,…ft0)，
其中，ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)
设置LSTM-RNN模型的基本参数，所述基本参数包括输入层单元数、隐含层单元数、输出层单元数、输出层激活函数和优化器，在本实施例中，所述LSTM-RNN模型包括输入层单元数28个，隐含层单元数14个，输出层单元数1个，输出层激活函数采用tanh函数，优化器采用Adam函数；采用均方误差作为该模型的损失函数：
Figure BDA0002274935120000071
其中，imperi(t)表示t时刻Landsat提取的实际不透水面盖度，
Figure BDA0002274935120000072
表示t时刻预测的不透水面盖度，i表示像元数目；
设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；所述训练参数包括训练周期、batch大小和学习率。在本实施例中，采用自适应梯度下降法，训练周期为1000次，batch大小为20，学习率为0.0001。
利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数。
步骤S3：将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度。
在一个例子中，可以是将2015年的人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离等数据作为模型输入，预测2015年城市不透水面盖度。
在本发明一个实施例中，所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤之前，还包括：
对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。
步骤S4：根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图。通过对标准差椭圆的长短轴及中心点的计算，可直观反映出待测时间段的城市扩展格局。
在一个例子中，所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤包括：
按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：
Figure BDA0002274935120000081
其中，
Figure BDA0002274935120000082
和
Figure BDA0002274935120000083
分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差，
Figure BDA0002274935120000084
为不透水面加权平均中心坐标，xi、yi为不透水面盖度像元坐标；
按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：
Figure BDA0002274935120000085
Figure BDA0002274935120000091
其中，θ为椭圆方位角，ωi为待测时间段的城市不透水面盖度，σx和σy分别为沿x轴和y轴的标准差。
请参阅图2，本发明还提供了一种基于深度学习的城市扩展预测系统，包括：
数据获取模块1，用于获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。
具体地，所述数据获取模块1包括：
数据获取单元，用于获取若干时间序列城市的遥感数据和人类活动统计数据；所述若干时间序列指的是时间序列为1988、1994、2001、2004、2009、2015的Landsat 5、Landsat 8遥感影像、地形、城市道路数据和人口、GDP、能源消耗、用电消耗数据。
网格化单元，用于将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat 5/8空间分辨率一致的网格数据；
不透水面盖度提取单元，用于利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度；
模型构建模块2，用于将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型；
在一个示例性的实施例中，以1988、1994、2001、2004年的不透水面盖度、遥感数据和人类活动统计数据作为训练集，以2009年的不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离数据作为验证数据集。
在一个实施例中，所述模型构建模块2包括：
表达式构建单元，用于按照下列方式，构建所述LSTM-RNN模型的表达式：
impert+1＝F(ft,ft-1,…ft0)，
ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)
损失函数构建单元，用于采用均方误差作为该模型的损失函数：
Figure BDA0002274935120000101
其中，imperi(t)表示t时刻Landsat提取的实际不透水面盖度，
Figure BDA0002274935120000102
表示t时刻预测的不透水面盖度，i表示像元数目；
训练单元，用于设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；
优化单元，用于利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数，其中，所述验证数据集为除去训练集后剩余时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。
不透水面盖度预测模块3，用于将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度；
在一个实施例中，所述基于深度学习的城市扩展预测系统包括：
修正模块，用于对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。
城市扩展预测模块4，用于根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图。
所述城市扩展预测模块4包括：
偏差计算单元，用于按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：
Figure BDA0002274935120000103
其中，
Figure BDA0002274935120000104
和
Figure BDA0002274935120000105
分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差；
标准差椭圆构建单元，用于按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：
Figure BDA0002274935120000106
Figure BDA0002274935120000111
其中，θ为椭圆方位角，ωi为待测时间段的城市不透水面盖度，σx和σy分别为沿x轴和y轴的标准差。
如图3-4所示，其为利用本发明所述城市扩展预测提取方法得到的2015广州市主城区和各区扩展方向示意图，该图直观化地反应广州市各区的扩展规模与方向，便于研究人员根据城市发展方向规划发展政策和策略。
相对于现有技术，本发明将预设时间内的城市不透水面盖度数据与人类活动数据相结合，利用LSTM-RNN模型得到待测时间段的城市不透水面盖度，以待测时间段的城市不透水面盖度构建该城市的标准差椭圆的方式，得到该待测时间段的城市扩展格局，本发明将不透水面盖度与城市发展格局结合，直观化地反应城市的扩展规模与方向，便于研究人员后续根据城市发展方向规划发展政策和策略。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (10)

1.一种基于深度学习的城市扩展预测方法，其特征在于，包括以下步骤：
获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；
选取预设时间序列的不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型；
将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度；
根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图。
2.根据权利要求1所述的基于深度学习的城市扩展预测方法，其特征在于：所述获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据的步骤具体包括：
获取若干时间序列城市的遥感数据和人类活动统计数据；其中所述遥感数据包括：Landsat 5、Landsat 8遥感影像、地形、城市道路数据；所述人类活动统计数据包括相应时间序列的人口、GDP、能源消耗、用电消耗数据；
将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat 5/8空间分辨率一致的网格数据；
计算每个网格单元离市中心的距离和离道路的距离，得到离市中心的距离和离道路的距离数据；
利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度。
3.根据权利要求2所述的基于深度学习的城市扩展预测方法，其特征在于：将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型的步骤包括：
根据下列公式，构建所述LSTM-RNN模型的表达式：
impert+1＝F(ft,ft-1,…ft0)，
其中，ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)；
采用均方误差作为该模型的损失函数：
Figure FDA0002274935110000011
其中，imperi(t)表示t时刻的实际不透水面盖度，
Figure FDA0002274935110000012
表示t时刻预测的不透水面盖度，i表示像元数目；
设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；
利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数，其中，所述验证数据集为除去训练集后剩余时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。
4.根据权利要求1所述的基于深度学习的城市扩展预测方法，其特征在于：所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤之前，还包括：
对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。
5.根据权利要求1所述的基于深度学习的城市扩展预测方法，其特征在于：所述根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图的步骤包括：
按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：
Figure FDA0002274935110000021
其中，
Figure FDA0002274935110000022
和
Figure FDA0002274935110000023
分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差；
按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：
Figure FDA0002274935110000024
Figure FDA0002274935110000025
其中，θ为椭圆方位角，ωi为待测时间段的城市不透水面盖度，σx和σy分别为沿x轴和y轴的标准差。
6.一种基于深度学习的城市扩展预测系统，其特征在于：包括：
数据获取模块，用于获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；
模型构建模块，用于将所述不透水面盖度、遥感数据和人类活动统计数据作为训练集，构建和训练用于预测城市不透水面盖度的LSTM-RNN模型；
不透水面盖度预测模块，用于将待测时间段的不透水面盖度、遥感数据和人类活动统计数据，输入所述LSTM-RNN模型，获取所述待测时间段的城市不透水面盖度；
城市扩展预测模块，用于根据待测时间段的城市不透水面盖度构建该城市的标准差椭圆，得到该待测时间段的城市扩展预测图。
7.根据权利要求6所述基于深度学习的城市扩展预测系统，其特征在于：所述数据获取模块包括：
数据获取单元，用于获取若干时间序列城市的不透水面盖度、遥感数据和人类活动统计数据；其中所述遥感数据包括：Landsat 5、Landsat 8遥感影像、地形、城市道路数据；所述人类活动统计数据包括相应时间序列的人口、GDP、能源消耗、用电消耗数据；
网格化单元，用于将人口、GDP、能源消耗、用电消耗统计数据网格化，得到与Landsat5/8空间分辨率一致的网格数据；
距离计算单元，用于计算每个网格单元离市中心的距离和离道路的距离，得到离市中心的距离和离道路的距离数据；
不透水面盖度提取单元，用于利用线性光谱解混方法提取时间序列的Landsat遥感影像的城市不透水面盖度。
8.根据权利要求7所述基于深度学习的城市扩展预测系统，其特征在于：所述模型构建模块包括：
表达式构建单元，用于按照下列方式，构建所述LSTM-RNN模型的表达式：
impert+1＝F(ft,ft-1,…ft0)，
ft＝formulat(不透水面盖度、人口密度、GDP、能源消耗、用电消耗、离市中心的距离、离道路的距离)
损失函数构建单元，用于采用均方误差作为该模型的损失函数：
Figure FDA0002274935110000031
其中，imperi(t)表示t时刻Landsat提取的实际不透水面盖度，
Figure FDA0002274935110000032
表示t时刻预测的不透水面盖度，i表示像元数目；
训练单元，用于设定所述LSTM-RNN模型的训练参数，将所述训练集输入LSTM-RNN模型进行训练，得到最小误差的LSTM-RNN模型；
优化单元，用于利用验证数据集对训练结果进行验证，根据验证结果优化LSTM-RNN模型参数，其中，所述验证数据集为除去训练集后剩余时间序列城市的不透水面盖度、遥感数据和人类活动统计数据。
9.根据权利要求6所述基于深度学习的城市扩展预测系统，其特征在于：所述城市扩展预测系统还包括：
修正模块，用于对所述待测时间段的城市不透水面盖度进行修正：若所述待测时间段的城市不透水面盖度小于0，则将所述待测时间段的城市不透水面盖度修改为0；若所述待测时间段的城市不透水面盖度大于1，则将所述待测时间段的城市不透水面盖度修改为1。
10.根据权利要求6所述基于深度学习的城市扩展预测系统，其特征在于：所述城市扩展预测模块包括：
偏差计算单元，用于按照下列公式计算不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差：
Figure FDA0002274935110000041
其中，
Figure FDA0002274935110000042
和
Figure FDA0002274935110000043
分别为不透水面盖度影像各像元坐标到不透水面加权平均中心坐标的偏差；
标准差椭圆构建单元，用于按照下列公式计算该标准差椭圆沿x轴和沿y轴的标准差，构建标准差椭圆：
Figure FDA0002274935110000044
Figure FDA0002274935110000045
其中，θ为椭圆方位角，ωi为待测时间段的城市不透水面盖度，σx和σy分别为沿x轴和y轴的标准差。
CN201911119134.4A 2019-11-15 2019-11-15 一种基于深度学习的城市扩展预测方法及系统 Active CN110991705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911119134.4A CN110991705B (zh) 2019-11-15 2019-11-15 一种基于深度学习的城市扩展预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911119134.4A CN110991705B (zh) 2019-11-15 2019-11-15 一种基于深度学习的城市扩展预测方法及系统

Publications (2)

Publication Number Publication Date
CN110991705A true CN110991705A (zh) 2020-04-10
CN110991705B CN110991705B (zh) 2023-07-11

Family

ID=70084385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911119134.4A Active CN110991705B (zh) 2019-11-15 2019-11-15 一种基于深度学习的城市扩展预测方法及系统

Country Status (1)

Country Link
CN (1) CN110991705B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215059A (zh) * 2020-08-26 2021-01-12 厦门大学 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN112487724A (zh) * 2020-12-11 2021-03-12 重庆邮电大学 基于分区和改进cnn-ca模型的城市动态扩张模拟方法
CN116822333A (zh) * 2023-05-29 2023-09-29 长江大学 基于物理耦合深度学习的湖泊面积预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106125091A (zh) * 2016-06-22 2016-11-16 广州地理研究所 线性光谱解混的城市不透水面遥感提取方法
CN107220615A (zh) * 2017-05-24 2017-09-29 河海大学 一种融合兴趣点大数据的城市不透水面信息提取方法
CN108960300A (zh) * 2018-06-20 2018-12-07 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
CN109374564A (zh) * 2018-08-20 2019-02-22 广州地理研究所 一种多源遥感数据城市不透水面提取方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106125091A (zh) * 2016-06-22 2016-11-16 广州地理研究所 线性光谱解混的城市不透水面遥感提取方法
CN107220615A (zh) * 2017-05-24 2017-09-29 河海大学 一种融合兴趣点大数据的城市不透水面信息提取方法
CN108960300A (zh) * 2018-06-20 2018-12-07 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
CN109374564A (zh) * 2018-08-20 2019-02-22 广州地理研究所 一种多源遥感数据城市不透水面提取方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANHUI XU等: "权利要求3、5、8、10", 《SCIENCE OF THE TOTAL ENVIRONMENT》 *
刘鑫等: "基于Landsat数据的昆明地区热岛效应分析", 《科学技术与工程》 *
赵璐 等: "基于特征椭圆的中国经济空间分异研究", 《地理科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215059A (zh) * 2020-08-26 2021-01-12 厦门大学 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN112215059B (zh) * 2020-08-26 2023-10-27 厦门大学 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN112487724A (zh) * 2020-12-11 2021-03-12 重庆邮电大学 基于分区和改进cnn-ca模型的城市动态扩张模拟方法
CN116822333A (zh) * 2023-05-29 2023-09-29 长江大学 基于物理耦合深度学习的湖泊面积预测方法

Also Published As

Publication number Publication date
CN110991705B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN105243435B (zh) 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN110991705A (zh) 一种基于深度学习的城市扩展预测方法及系统
CN111464938B (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN104239706A (zh) 一种地面观测气温时空数据集的制备方法
CN105761310B (zh) 一种天空可视域数字地图的模拟分析及图像显示方法
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
CN101582215A (zh) 一种空间信息的多级九宫格网定位方法
CN110991262A (zh) 生态服务价值预测的多带宽地理加权回归元胞自动机方法
CN106780586B (zh) 一种基于地面激光点云的太阳能潜力评估方法
Mathanraj et al. Applicability of the CA-Markov model in land-use/land cover change prediction for urban sprawling in Batticaloa Municipal Council, Sri Lanka
Alahmadi et al. A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia
CN109933901B (zh) 一种生态系统服务价值最优化的mcr城市扩张模拟方法
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
CN113515798B (zh) 一种城市三维空间扩张模拟方法及装置
CN102750690B (zh) 一种基于边缘约束的分形网络演化影像分割方法
Kamath et al. Globus: Global building heights for urban studies
Moraguez et al. Convolutional neural network for detection of residential photovoltalc systems in satellite imagery
CN113450027B (zh) 城市内涝灾害的动态暴露性量化方法、装置
Yan et al. Evaluating simulated visible greenness in urban landscapes: An examination of a midsize US city
CN115689106A (zh) 复杂网络视角的区域空间结构定量识别方法、装置及设备
CN112464997B (zh) 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统
CN114710742A (zh) 一种基于多链插值构建指纹地图的室内定位方法
Bai et al. Estimating the Aboveground Biomass of Urban Trees by Combining Optical and Lidar Data: A Case Study of Hengqin, Zhuhai, China
Divigalpitiya et al. Modeling land conversion in the Colombo Metropolitan Area using cellular automata
Yang et al. Spatiotemporal changes and simulation of the architectural ethnicity at world heritage sites under tourism development

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
CB02 Change of applicant information

Address after: 511457 No. 1119, Haibin Road, information technology park, Nansha street, Nansha District, Guangzhou, Guangdong

Applicant after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou Institute of geography, Guangdong Academy of Sciences

Applicant before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Applicant after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU INSTITUTE OF GEOGRAPHY

Applicant before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant