CN111178179A - 一种基于像元尺度的城市功能区的识别方法及装置 - Google Patents

一种基于像元尺度的城市功能区的识别方法及装置 Download PDF

Info

Publication number
CN111178179A
CN111178179A CN201911295124.6A CN201911295124A CN111178179A CN 111178179 A CN111178179 A CN 111178179A CN 201911295124 A CN201911295124 A CN 201911295124A CN 111178179 A CN111178179 A CN 111178179A
Authority
CN
China
Prior art keywords
functional area
pixel
sample
urban
urban functional
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
CN201911295124.6A
Other languages
English (en)
Other versions
CN111178179B (zh
Inventor
邓应彬
许剑辉
胡泓达
陈仁容
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 CN201911295124.6A priority Critical patent/CN111178179B/zh
Publication of CN111178179A publication Critical patent/CN111178179A/zh
Application granted granted Critical
Publication of CN111178179B publication Critical patent/CN111178179B/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
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于像元尺度的城市功能区的识别方法及装置，通过将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像，融合遥感数据与兴趣点、用户热度图和手机信等社交媒体数据，将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，借助随机森林算法获取所述研究区域中每个像元属于每种城市功能区的概率，相对于现有技术，本发明能从更精细的尺度提取城市功能区信息，得到更加精准的城市功能区信息。

Description

一种基于像元尺度的城市功能区的识别方法及装置
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像元尺度的城市功能区的识别方法及装置。
背景技术
城市功能区是城市的中的功能性分区，是城市的基本构成单元之一。目前的城市功能区主要基于高分辨率遥感影像进行识别，但高分辨率遥感影像受阴影影响严重，而且，提取难度相对较大，不利于城市功能区的准确识别。
发明内容
本申请实施例提供了一种基于像元尺度的城市功能区的识别方法及装置，能够准确识别具体的城市功能区。所述技术方案如下：
第一方面，本申请实施例提供了一种基于像元尺度的城市功能区的识别方法，包括以下步骤：
获取研究区的兴趣点数据、用户热度图和手机信令图，将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像；
根据所述研究区的高分辨率遥感影像、建筑物轮廓数据及建筑属性数据，确定所述高分辨率遥感影像中的若干城市功能区作为样本数据，从中抽取部分样本数据作为训练样本；
将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，其中，所述城市功能区识别模型为随机森林模型；
将所述融合后的图像和研究区的高分辨率遥感影像输入所述城市功能区识别模型中，获取所述研究区域中每个像元属于每种城市功能区的概率。
可选的，所述基于像元尺度的城市功能区的识别方法还包括以下步骤：
从所述样本数据中随机抽取部分样本数据作为验证样本，获取所述验证样本中的每个像元属于每种城市功能区的概率作为参考值；
利用城市功能区识别模型获取与验证样本对应的每个像元的各种功能区概率的估计值，根据所述估计值与参考值计算城市功能区识别模型精度值，若精度值大于阈值，重新获取样本数据并对所述城市功能区识别模型进行训练。
可选的，根据所述估计值与验证样本计算城市功能区识别模型精度值的步骤包括：
按照以下公式，计算城市功能区识别模型精度值，其中，所述城市功能区识别模型精度值为估计值和参考值的均方根误差：
Figure BDA0002320310640000021
RMSE为均方根误差，xi和yi为分别第i个验证样本的估计值和参考值，N为验证样本总数。
第二方面，本申请实施例提供了一种基于像元尺度的城市功能区的识别装置，包括：
数据获取模块，用于获取研究区的兴趣点数据、用户热度图和手机信令图，将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像；
样本获取模块，用于根据所述研究区的高分辨率遥感影像、建筑物轮廓数据及建筑属性数据，确定所述高分辨率遥感影像中的若干城市功能区作为样本数据，从中抽取部分样本数据作为训练样本；
模型构建模块，用于将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，其中，所述城市功能区识别模型为随机森林模型；
功能区识别模块，用于将所述融合后的图像和研究区的高分辨率遥感影像输入所述城市功能区识别模型中，获取所述研究区域中每个像元属于每种城市功能区的概率。
可选的，所述基于像元尺度的城市功能区的识别装置还包括：
验证样本获取模块，用于从所述样本数据中随机抽取部分样本数据作为验证样本，获取所述验证样本中的每个像元属于每种城市功能区的概率作为参考值；
验证模块，用于利用城市功能区识别模型获取与验证样本对应的每个像元的各种功能区概率的估计值，根据所述估计值与参考值计算城市功能区识别模型精度值，若精度值大于阈值，重新获取样本数据并对所述城市功能区识别模型进行训练。
可选的，所述验证模块包括：
验证单元，用于按照以下公式，计算城市功能区识别模型精度值，其中，所述城市功能区识别模型精度值为估计值和参考值的均方根误差：
Figure BDA0002320310640000022
RMSE为均方根误差，xi和yi为分别第i个验证样本对应的估计值和参考值，N为验证样本总数。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于像元尺度的城市功能区的识别方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于像元尺度的城市功能区的识别方法的步骤。
在本申请实施例中，通过将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像，融合遥感数据与兴趣点、用户热度图和手机信等社交媒体数据，将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，借助随机森林算法获取所述研究区域中每个像元属于每种城市功能区的概率，本申请实施例能从更精细的尺度提取城市功能区信息，得到更加精准的城市功能区信息。
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像元尺度的城市功能区的识别方法的流程图；
图2为本发明另一个示例性的实施例中基于像元尺度的城市功能区的识别方法的流程图；
图3为本发明一个示例性的实施例中基于像元尺度的城市功能区的识别装置的结构示意图；
图4为本发明另一个示例性的实施例中基于像元尺度的城市功能区的识别装置的结构示意图。
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，本发明提供了一种基于像元尺度的城市功能区的识别方法，包括以下步骤：
步骤S1：获取研究区的兴趣点数据、用户热度图和手机信令图，将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像；
所述研究区为设定的一片地表区域，在本申请实施例中，所述研究区主要是指城市区域。
兴趣点(POI，Point of Interest)数据包括餐饮、宾馆、购物、生活服务、旅游景点、休闲娱乐、医疗、汽车服务、交通设施、金融、商务大厦、地产小区、公司企业、道路和政府机构的名称、地址、分类、经纬度等内容，在地理信息系统中，一个兴趣点可以是一栋房子、一个商铺、一个邮筒、一个公交站等。
用户热度图指的是研究区内的人流密度示意图，在本实施例中，所述用户热度图可以是腾讯用户热度图。
手机信令图可以包括：匿名用户编号、时间、基站小区编号、事件类型和平均每个用户每天近百条行为记录。手机信令数据可以为人口分布与人口活动分析提供了很好的技术选型。
步骤S2：根据所述研究区的高分辨率遥感影像、建筑物轮廓数据及建筑属性数据，确定所述高分辨率遥感影像中的若干城市功能区作为样本数据，从中抽取部分样本数据作为训练样本；
在一个例子中，所述样本数据可以通过人工对照高分辨率遥感影像、建筑物轮廓数据以及建筑属性数据得到。
步骤S3：将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，其中，所述城市功能区识别模型为随机森林模型；
随机森林是以决策树为基本单元，每棵决策树都是一个分类器(假设现在针对的是分类问题)，那么对于一个输入样本，N棵树会有N个分类结果。随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出的一种集成学习算法。
步骤S4：将所述融合后的图像和研究区的高分辨率遥感影像输入所述城市功能区识别模型中，获取所述研究区域中每个像元属于每种城市功能区的概率。
在本申请实施例中，通过将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像，融合遥感数据与兴趣点、用户热度图和手机信等社交媒体数据，将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，借助随机森林算法获取所述研究区域中每个像元属于每种城市功能区的概率，本申请实施例能从更精细的尺度提取城市功能区信息，得到更加精准的城市功能区信息。
请参阅图2，在一个示例性的实施例中，所述基于像元尺度的城市功能区的识别方法还包括以下步骤：
步骤S5：从所述样本数据中随机抽取部分样本数据作为验证样本，获取所述验证样本中的每个像元属于每种城市功能区的概率作为参考值；
步骤S6：利用城市功能区识别模型获取与验证样本对应的每个像元的各种功能区概率的估计值，根据所述估计值与参考值计算城市功能区识别模型精度值，若精度值大于阈值，重新获取样本数据并对所述城市功能区识别模型进行训练。
所述阈值可根据用户实际需求进行设定，在一个例子中每所述阈值为0.15，若RMSE小于等于0.15，则输入城市功能区估计结果，若RMSE大于0.15，重新获取样本数据并对所述城市功能区识别模型进行训练。
重新获取样本数据可以是重新获取高分辨率遥感影像、建筑物轮廓数据以及建筑属性数据进行对照，重新确定所述高分辨率遥感影像中的若干城市功能区。
在一个示例性的实施例中，根据所述估计值与验证样本计算城市功能区识别模型精度值的步骤包括：
按照以下公式，计算城市功能区识别模型精度值，其中，所述城市功能区识别模型精度值为估计值和参考值的均方根误差：
Figure BDA0002320310640000051
RMSE为均方根误差，xi和yi为分别第i个验证样本的估计值和参考值，N为验证样本总数。
均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根，本申请实施例中利用均方根误差衡量观测值同真值之间的偏差，得到所述模型的精度。
请参阅图3，本发明还提供了一种基于像元尺度的城市功能区的识别装置，包括：
数据获取模块1，用于获取研究区的兴趣点数据、用户热度图和手机信令图，将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像；
样本获取模块2，用于根据所述研究区的高分辨率遥感影像、建筑物轮廓数据及建筑属性数据，确定所述高分辨率遥感影像中的若干城市功能区作为样本数据，从中抽取部分样本数据作为训练样本；
模型构建模块3，用于将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，其中，所述城市功能区识别模型为随机森林模型；
功能区识别模块4，用于将所述融合后的图像和研究区的高分辨率遥感影像输入所述城市功能区识别模型中，获取所述研究区域中每个像元属于每种城市功能区的概率。
请参阅图4，在一个示例性的实施例中，所述基于像元尺度的城市功能区的识别装置还包括：
验证样本获取模块5，用于从所述样本数据中随机抽取部分样本数据作为验证样本，获取所述验证样本中的每个像元属于每种城市功能区的概率作为参考值；
验证模块6，用于利用城市功能区识别模型获取与验证样本对应的每个像元的各种功能区概率的估计值，根据所述估计值与参考值计算城市功能区识别模型精度值，若精度值大于阈值，重新获取样本数据并对所述城市功能区识别模型进行训练。
在一个示例性的实施例中，所述验证模块6包括：
验证单元，用于按照以下公式，计算城市功能区识别模型精度值，其中，所述城市功能区识别模型精度值为估计值和参考值的均方根误差：
Figure BDA0002320310640000061
RMSE为均方根误差，xi和yi为分别第i个验证样本对应的估计值和参考值，N为验证样本总数。
本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于像元尺度的城市功能区的识别方法的步骤。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。
本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于像元尺度的城市功能区的识别方法的步骤。
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 (8)

1.一种基于像元尺度的城市功能区的识别方法，其特征在于，包括以下步骤：
获取研究区的兴趣点数据、用户热度图和手机信令图，将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像；
根据所述研究区的高分辨率遥感影像、建筑物轮廓数据及建筑属性数据，确定所述高分辨率遥感影像中的若干城市功能区作为样本数据，从中抽取部分样本数据作为训练样本；
将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，其中，所述城市功能区识别模型为随机森林模型；
将所述融合后的图像和研究区的高分辨率遥感影像输入所述城市功能区识别模型中，获取所述研究区域中每个像元属于每种城市功能区的概率。
2.根据权利要求1所述的基于像元尺度的城市功能区的识别方法，其特征在于，所述基于像元尺度的城市功能区的识别方法还包括以下步骤：
从所述样本数据中随机抽取部分样本数据作为验证样本，获取所述验证样本中的每个像元属于每种城市功能区的概率作为参考值；
利用城市功能区识别模型获取与验证样本对应的每个像元的各种功能区概率的估计值，根据所述估计值与参考值计算城市功能区识别模型精度值，若精度值大于阈值，重新获取样本数据并对所述城市功能区识别模型进行训练。
3.根据权利要求2所述的基于像元尺度的城市功能区的识别方法，其特征在于，根据所述估计值与验证样本计算城市功能区识别模型精度值的步骤包括：
按照以下公式，计算城市功能区识别模型精度值，其中，所述城市功能区识别模型精度值为估计值和参考值的均方根误差：
Figure FDA0002320310630000011
RMSE为均方根误差，xi和yi为分别第i个验证样本的估计值和参考值，N为验证样本总数。
4.一种基于像元尺度的城市功能区的识别装置，其特征在于，包括：
数据获取模块，用于获取研究区的兴趣点数据、用户热度图和手机信令图，将所述兴趣点数据、用户热度图和手机信令图进行像元级融合，获得融合后的图像；
样本获取模块，用于根据所述研究区的高分辨率遥感影像、建筑物轮廓数据及建筑属性数据，确定所述高分辨率遥感影像中的若干城市功能区作为样本数据，从中抽取部分样本数据作为训练样本；
模型构建模块，用于将所述高分辨率遥感影像作为输入变量，将所述训练样本作为输出变量，构建并训练城市功能区识别模型，其中，所述城市功能区识别模型为随机森林模型；
功能区识别模块，用于将所述融合后的图像和研究区的高分辨率遥感影像输入所述城市功能区识别模型中，获取所述研究区域中每个像元属于每种城市功能区的概率。
5.根据权利要求4所述基于像元尺度的城市功能区的识别装置，其特征在于，所述基于像元尺度的城市功能区的识别装置还包括：
验证样本获取模块，用于从所述样本数据中随机抽取部分样本数据作为验证样本，获取所述验证样本中的每个像元属于每种城市功能区的概率作为参考值；
验证模块，用于利用城市功能区识别模型获取与验证样本对应的每个像元的各种功能区概率的估计值，根据所述估计值与参考值计算城市功能区识别模型精度值，若精度值大于阈值，重新获取样本数据并对所述城市功能区识别模型进行训练。
6.根据权利要求5所述基于像元尺度的城市功能区的识别装置，其特征在于，所述验证模块包括：
验证单元，用于按照以下公式，计算城市功能区识别模型精度值，其中，所述城市功能区识别模型精度值为估计值和参考值的均方根误差：
Figure FDA0002320310630000021
RMSE为均方根误差，xi和yi为分别第i个验证样本对应的估计值和参考值，N为验证样本总数。
7.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-3任意一项所述的基于像元尺度的城市功能区的识别方法的步骤。
8.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-3中任意一项所述的基于像元尺度的城市功能区的识别方法的步骤。
CN201911295124.6A 2019-12-16 2019-12-16 一种基于像元尺度的城市功能区的识别方法及装置 Active CN111178179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911295124.6A CN111178179B (zh) 2019-12-16 2019-12-16 一种基于像元尺度的城市功能区的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911295124.6A CN111178179B (zh) 2019-12-16 2019-12-16 一种基于像元尺度的城市功能区的识别方法及装置

Publications (2)

Publication Number Publication Date
CN111178179A true CN111178179A (zh) 2020-05-19
CN111178179B CN111178179B (zh) 2023-08-11

Family

ID=70652038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911295124.6A Active CN111178179B (zh) 2019-12-16 2019-12-16 一种基于像元尺度的城市功能区的识别方法及装置

Country Status (1)

Country Link
CN (1) CN111178179B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183445A (zh) * 2020-10-14 2021-01-05 北京大学 城市功能区的样本标注方法及装置、电子设备和存储介质
CN112232171A (zh) * 2020-10-10 2021-01-15 中煤航测遥感集团有限公司 基于随机森林的遥感影像信息提取方法、装置及存储介质
WO2023050955A1 (zh) * 2022-06-01 2023-04-06 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
CN116258404A (zh) * 2023-02-08 2023-06-13 广东省科学院广州地理研究所 基于机器学习的主体功能区识别方法以及装置
CN116956133A (zh) * 2023-07-26 2023-10-27 中国地震局地质研究所 基于时序手机信令数据和机器学习的建筑功能识别方法
US12033043B2 (en) 2022-06-01 2024-07-09 Nanjing University Identification method of urban functional areas based on mixing degree of functions and integrated learning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521273A (zh) * 2011-11-23 2012-06-27 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
CN105930772A (zh) * 2016-04-13 2016-09-07 武汉大学 基于sar影像与光学遥感影像融合的城市不透水面提取方法
CN109325085A (zh) * 2018-08-08 2019-02-12 中南大学 一种城市用地功能识别与变化检测方法
CN109522788A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521273A (zh) * 2011-11-23 2012-06-27 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
CN105930772A (zh) * 2016-04-13 2016-09-07 武汉大学 基于sar影像与光学遥感影像融合的城市不透水面提取方法
CN109325085A (zh) * 2018-08-08 2019-02-12 中南大学 一种城市用地功能识别与变化检测方法
CN109522788A (zh) * 2018-09-30 2019-03-26 广州地理研究所 基于随机森林分类算法的城市范围提取方法、装置及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAI CAO等: "Comparison of Approaches for Urban Functional Zones Classification Based on Multi-Source Geospatial Data: A Case Study in Yuzhong District, Chongqing, China", 《SUSTAINABILITY 2019》, vol. 11, no. 3, pages 1 - 19 *
乔磊,杨荣民,李广雪,刘勇,马妍妍: "SPOT遥感影像处理技术以及在青岛市海洋功能区划中的应用", 海洋湖沼通报, no. 02, pages 8 - 12 *
王俊珏;叶亚琴;方芳;: "基于核密度与融合数据的城市功能分区研究", 地理与地理信息科学, vol. 35, no. 03, pages 66 - 71 *
许剑辉等: "基于改进线性光谱解混和SCS-CN模型的广州主城区降雨产流模拟", 《热带地理》, vol. 36, no. 6, pages 969 - 974 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232171A (zh) * 2020-10-10 2021-01-15 中煤航测遥感集团有限公司 基于随机森林的遥感影像信息提取方法、装置及存储介质
CN112183445A (zh) * 2020-10-14 2021-01-05 北京大学 城市功能区的样本标注方法及装置、电子设备和存储介质
WO2023050955A1 (zh) * 2022-06-01 2023-04-06 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
US12033043B2 (en) 2022-06-01 2024-07-09 Nanjing University Identification method of urban functional areas based on mixing degree of functions and integrated learning
CN116258404A (zh) * 2023-02-08 2023-06-13 广东省科学院广州地理研究所 基于机器学习的主体功能区识别方法以及装置
CN116956133A (zh) * 2023-07-26 2023-10-27 中国地震局地质研究所 基于时序手机信令数据和机器学习的建筑功能识别方法
CN116956133B (zh) * 2023-07-26 2024-02-27 中国地震局地质研究所 基于时序手机信令数据和机器学习的建筑功能识别方法

Also Published As

Publication number Publication date
CN111178179B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111178179B (zh) 一种基于像元尺度的城市功能区的识别方法及装置
CN110008300B (zh) Poi别名的确定方法、装置、计算机设备和存储介质
JP6374863B2 (ja) モバイルアプリケーションのユーザの関心プロファイル
CN109478184B (zh) 识别、处理和显示数据点聚类
CN106681996B (zh) 确定地理范围内兴趣区域、兴趣点的方法和装置
CN111212383B (zh) 区域常住人口数量的确定方法、装置、服务器和介质
CN109241454A (zh) 一种将社交网络和图像内容融合的兴趣点推荐方法
CN110263117B (zh) 一种用于确定兴趣点poi数据的方法与装置
CN110020144B (zh) 一种推荐模型建立方法及其设备、存储介质、服务器
CN110309432B (zh) 基于兴趣点的同义词确定方法、地图兴趣点处理方法
CN106570014A (zh) 用于确定用户的家庭属性信息的方法与设备
CN111144249B (zh) 基于自动优化mesma的地表覆盖类型确定方法
CN110555432B (zh) 一种兴趣点处理方法、装置、设备和介质
CN107133689B (zh) 一种位置标记方法
CN106780258B (zh) 一种未成年人犯罪决策树的建立方法及装置
US9357347B2 (en) Method and system for aggregating messages based on a point of interest and storage medium
CN108734393A (zh) 房源信息的匹配方法、用户设备、存储介质及装置
CN111105124B (zh) 一种基于距离约束的多地标影响力的计算方法
CN115470872B (zh) 一种基于车辆轨迹数据的司机画像构建方法
CN112001384A (zh) 商圈识别的方法及设备
CN109389119B (zh) 兴趣点区域确定方法、装置、设备和介质
ElQadi et al. Monitoring photogenic ecological phenomena: Social network site images reveal spatiotemporal phases of Japanese cherry blooms
McKenzie et al. Uncovering spatiotemporal biases in place-based social sensing
CN115204273A (zh) 一种基于商圈大数据对客户分类的方法、装置及电子设备
CN111737374B (zh) 位置坐标确定方法、装置、电子设备及存储介质

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