CN111797188B - 一种基于开源地理空间矢量数据的城市功能区定量识别方法 - Google Patents

一种基于开源地理空间矢量数据的城市功能区定量识别方法 Download PDF

Info

Publication number
CN111797188B
CN111797188B CN202010594883.9A CN202010594883A CN111797188B CN 111797188 B CN111797188 B CN 111797188B CN 202010594883 A CN202010594883 A CN 202010594883A CN 111797188 B CN111797188 B CN 111797188B
Authority
CN
China
Prior art keywords
data
building
poi
block
osm
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
CN202010594883.9A
Other languages
English (en)
Other versions
CN111797188A (zh
Inventor
眭海刚
杜卓童
李强
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010594883.9A priority Critical patent/CN111797188B/zh
Publication of CN111797188A publication Critical patent/CN111797188A/zh
Application granted granted Critical
Publication of CN111797188B publication Critical patent/CN111797188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于开源地理空间矢量数据的城市功能区定量识别方法，该方法确立了开源数据引导下识别城市功能区的框架体系和技术流程。首先，通过定性分析方法对数据质量进行评估，并通过语义分析建立了各类开源数据源与国家分类标准之间的映射关系，制定了融合策略。该方法中研究单元由地理国情道路数据划分，分类参考数据则由三部分组成：OSM融合面数据，自影像中提取的单栋建筑物数据以及POI数据。通过判断城市划分区块与分类参考数据的空间关系将城市区块分成了5类。本发明提供的方法可以提高类别提取精度与识别精度。

Description

一种基于开源地理空间矢量数据的城市功能区定量识别方法
技术领域
本发明涉及地理空间数据应用技术领域，具体涉及一种基于开源地理空间矢量数据的城市功能区定量识别方法。
背景技术
城市功能区对于城市管理、城市更新以及第三世界发展与规划问题研究有着非常重要的意义。短短几十年内，全球在推动城市化进程方面取得了巨大的成就，但同时也带来了诸多问题，例如城市蔓延和人口爆炸等，尤其在发展中国家，粗放型土地利用方式以及不均衡的配置成为了制约经济发展的主要因素，使得优化城市建设用地利用方式已成为当务之急，而掌握城市功能区分布与构造的真实现状恰恰是优化的重要前提。因此，如何对城市的复杂多样的功能区进行快速有效的定量识别是亟待解决的问题。
城市功能区不仅仅是对城市空间的描述，也是一种更高层次的隐含语义的表达。在人类社会与自然环境不断地交互过程中，逐渐形成了城市功能区并成为了研究人类活动的基本单元。早期在政府的支持下，形成了基于传统国家部门数据或实地调查数据构建指标体系的方法，主要通过综合各类指标计算结果分析经济发展层面的功能区分布。这类方法的数据源精度最高，集中于宏观尺度的定性分析，但是这些数据通常难以获取，甚至需要相关权限批准，同时，由于数据源获取方式费时费力，导致数据源的现势性差，其功能区识别结果精度受限于人为主观因素。近期遥感卫星技术的发展极大地推动了城市功能区研究的发展，高分辨率遥感影像覆盖范围广，结合机器学习模型能够有效地识别地物的几何特征与物理属性，但却因过度依赖于影像的自然属性导致无法识别地物及场景的社会语义属性，城市功能区识别的精细程度与准确程度很大程度上限制于土地利用与城市功能间的语义鸿沟。随着空间探测、开放地理信息系统等技术的迅猛发展，开源地理时空大数据为复杂城市功能区精准描述提供了新的视角。除了成本低廉、时空分辨率高，丰富的社会经济语义属性信息与强现势性是开源地理时空大数据较其他数据源而言独一无二的优势。
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
目前缺乏针对开源地理数据的有效管理政策，因此如何全面地、充分地利用和分析开源地理数据仍需讨论，而基于多源的开源地理空间数据对复杂多元化的城市功能区进行精确描述更需要进一步的探索。目前的城市功能区识别方法均缺乏明确的且适用于中国国情的“功能区”定义，也并未讨论城市区块划分合理性。并且，如何建立面向多种开源地理空间矢量数据的处理框架与流程并未给出。最后，随着城市发展，仅分析单一功能区已不能满足国家需求，并且仅分析城市功能范围无法服务于精准规划。
由此可知，现有技术中的方法存在识别不够精确的技术问题。
发明内容
因此，本发明采用不同的开源地理空间矢量数据作为分析数据源，以国家标准作为功能识别参考，建立了完整的不同类别的城市区块下对功能区进行精确的定量识别框架与方法，解决或者至少部分解决现有技术中的方法存在的识别不够精确的技术问题。
为了解决上述技术问题，本发明提供了一种基于开源地理空间矢量数据的城市功能区定量识别方法，包括：
S1：通过定性分析方法对数据质量进行评估，并通过语义分析建立各类开源数据源与国家分类标准之间的映射关系，进行语义统一，再进行规范化处理；
S2：基于POI数据计算不同功能点数据在建筑物面内的频数密度与类别比率特征向量，对提取出的所有建筑物的功能进行识别；
S3：利用地理国情道路数据将实验区域划分为城市区块，根据开源地理空间矢量数据质量定性评估结果，确定分类参考数据，其中，分类参考数据包括OSM融合面数据，自影像中提取的单栋建筑物数据以及POI数据；
S4：根据建筑物的功能识别结果以及分类参考数据与城市区块的关系将城市区块划分为不同等级，基于三种分类参考数据对城市区块进的功能进行定量识别，得到最终城市功能区识别结果。
在一种实施方式中，S1具体包括：
S1.1：对开源地理空间矢量数据进行定性评估；
S1.2：对定性评估后的数据进行抽取；
S1.3：通过数据映射，对抽取出的数据进行语义统一；
S1.4：对语义统一后的数据进行规范化处理。
在一种实施方式中，S2具体包括：
S2.1：根据POI数据与建筑物数据的空间包含关系将建筑物分为两类，一类建筑物包含对应的POI数据，另一类建筑物多边形内不包含POI数据；
S2.2：对于包含对应的POI数据的建筑物，根据POI频数密度和类别比率识别该类建筑物的功能，其中，POI频数密度为建筑物内某类POI的数量与该类POI总数的比值，类别比率为建筑物内第i类POI与该建筑物内所有类别POI数量的比值；
S2.3：对于不包含POI数据点建筑物，抽取建筑物质心，以质心为半径建立半径为预设大小的建筑物缓冲区，在建筑物缓冲区内部计算包含的POI数据的POI频数密度和类别比率，并根据计算的特征值识别该类建筑物的功能。
在一种实施方式中，S2.2具体包括：
S2.2.1：计算POI频数密度：
其中，i为POI的功能类别，第i个POI功能类别的频数密度为Fi，每个建筑物内包含第i类POI的总数为ni，这类POI的总数为Ni，
S2.2.2：将计算出的POI频数密度进行规格化处理后，根据规格化处理后的POI频数密度计算类别比率：
其中，Vi为第i个POI功能类别频数密度的数据规格化结果；
S2.2.3：根据计算出的POI频数密度和类别比率对该类建筑物的功能进行识别，得到三级功能类，然后提取识别结果所属的国家标准一级类作为建筑物的功能类别。
在一种实施方式中，S2.3具体包括：
S2.3.1：抽取建筑物质心，以质心为半径建立半径为预设大小的缓冲区；
S2.3.2：在建筑物缓冲区内部计算包含的POI数据，并计算POI频数密度和类别比率；
S2.3.3：基于计出的算POI频数密度和类别比率两项特征向量，识别该类建筑物的功能。
在一种实施方式中，S4具体包括：
S4.1：判断城市区块是否包含OSM融合面数据；
S4.2：当城市区块包含OSM融合面数据时，计算OSM融合面的用地功能决定性指数和用地面积比率两项特征向量，根据两项特征向量将包含OSM的区块划分为第一类城市区块与第二类城市区块；
S4.3：当城市区块不包含OSM融合面数据时，判断功能建筑物数据与城市区块间的空间包含关系，当城市区块间包含功能建筑物数据时，根据建筑物的面积重叠度和建筑物功能的类别比率，得到第三类城市区块：
S4.4：当城市区块间不包含功能建筑物数据时，采用POI作为参考数据进行功能分类，判断POI数据与城市区块间的空间包含关系，得到第四类城市区块与第五类城市区块。
在一种实施方式中，S4.2中根据两项特征向量将包含OSM的区块划分为第一类城市区块与第二类城市区块，包括：
S4.2.1：对每个区块内的OSM面数据进行以预设距离的缓冲区分析，计算OSM用地功能决定性指数：
其中，j为划分的城市区块，OFDj为第j个区块的OSM用地功能决定性指数，Njb为第j个区块内OSM缓冲区中POI的数量，Nja为该区块内全部POI的数量，OFD指数用以表征由OSM用地功能向功能区进行语义转换的可靠性；
S4.2.2：对于不存在对应的POI数据，仅存在OSM用地数据的城市区块内，进行OSM用地面积比率计算：
j为OFD指数为0的城市区块，OAPj为第j个城市区块的OSM用地面积比率值，Areajb为第i个城市区块内OSM缓冲区的面积，Areaja为第j个城市区块的面积；
S4.2.3：当OSM用地功能决定性指数大于第一阈值，或者OFD为0且OSM用地面积比率大于等于第二阈值时，利用OSM用地数据确定其所处的第一类城市区块的功能组成；
S4.2.4：否则，计算POI频数密度和类别比率，计算区块内建筑物表征的功能类别；然后根据区块内OSM用地数据与建筑物数据的面积比值确定权重，确定区块主次功能，得出第二类区块功能识别结果。
在一种实施方式中，S4.3具体包括：
S4.3.1：当城市区块间包含功能建筑物数据时，计算面积重叠度：
其中，k为建筑物功能类别，Ak为区块内第k类建筑物的总面积，A为该区块的面积，AOk为该类建筑物的面积重叠度指标，
S4.3.2：计算该区块内建筑物功能的类别比率：
其中，Vi为第i个POI功能类别频数密度的数据规格化结果；
S4.3.3：将功能建筑物的面积重叠度与类别比率进行第三区块功能的识别。
在一种实施方式中，S4.4中判断POI数据与城市区块间的空间包含关系，得到第四类城市区块与第五类城市区块，包括：
S4.4.1：当城市区块包含POI数据时，根据POI频数密度和类别比率识别第四类城区区块的功能；
S4.4.2：当城市区块不包含POI数据时，结合后处理进行第五类区块功能的识别。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
由于本发明的方法，通过定性分析方法对数据质量进行评估后，可以将不同数据里的分类体系映射到国家标准分类体系中，然后进行语义统一和规范化处理，可以得到可用的地理空间矢量数据，再对提取出的所有建筑物的功能进行识别，作为后续城市区块功能识别的基础，确定分类参考数据后，分类参考数据与城市区块的关系将城市区块划分为不同等级，根据建筑物的功能识别结果以及分类参考数据与城市区块的关系将城市区块划分为不同等级，基于三种分类参考数据对城市区块进的功能进行定量识别，得到最终城市功能区识别结果，通过判断分类基础数据与城市区块的空间关系研究不同条件的城市区块下单一与混合多元功能的准确识别，提高类别提取精度与识别精度，解决了现有技术中存在的识别精度不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于开源地理空间矢量数据的城市功能区定量识别方法的流程图；
图2是具体实施方式中基于开源地理空间矢量数据的城市功能区的定量识别方法详细流程处理图。
具体实施方式
本发明提出了一种基于开源地理空间矢量数据的城市功能区定量识别方法，该方法首先通过定性分析方法对数据质量进行评估，并通过语义分析建立了各类开源数据源与国家分类标准之间的映射关系，制定了融合策略。该方法中研究单元由地理国情道路数据划分，分类参考数据则由三部分组成：OSM融合面数据，自影像中提取的单栋建筑物数据以及POI数据。通过判断城市划分区块与分类参考数据的空间关系将城市区块分成了5类：当城市区块包含OSM面时，通过计算POI分别在OSM面与区块中数量的比值与OSM与区块的面积比值可得到第一类和第二类区块，第一类区块的功能语义属性取决于可靠性足够高的OSM面的功能性质；第二类区块同时包含OSM和单栋建筑物数据，利用POI在单栋建筑物中的频数密度和类别比率识别建筑物功能，通过计算OSM和建筑物的面积决定权重，从而确定区块功能；第三类城市区块功能取决于已识别的功能建筑物，基于功能类别及该类别建筑物面积建立加权平均计算模型，识别区块功能；最后，通过计算POI的频数密度与类别比率确定第四类城市区块功能，而空间内不存在任何分类参考数据的第五类区块，需要进行后处理确定其功能。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供了一种基于开源地理空间矢量数据的城市功能区定量识别方法，请参见图1，该方法包括：
S1：通过定性分析方法对数据质量进行评估，并通过语义分析建立各类开源数据源与国家分类标准之间的映射关系，进行语义统一，再进行规范化处理；
S2：基于POI数据计算不同功能点数据在建筑物面内的频数密度与类别比率特征向量，对提取出的所有建筑物的功能进行识别；
S3：利用地理国情道路数据将实验区域划分为城市区块，根据开源地理空间矢量数据质量定性评估结果，确定分类参考数据，其中，分类参考数据包括OSM融合面数据，自影像中提取的单栋建筑物数据以及POI数据；
S4：根据建筑物的功能识别结果以及分类参考数据与城市区块的关系将城市区块划分为不同等级，基于三种分类参考数据对城市区块进的功能进行定量识别，得到最终城市功能区识别结果。
具体来说，S1可以得到是经过质量检查并处理过的数据。由于所有数据都要统一空间参考，通过语义统一语义处理，经过数据提取(这一步只是确定可用的、关键的数据及属性有哪些)后，可以将不同数据里的分类体系映射到国家标准分类体系中。
S2是基于POI计算不同功能点数据得到单栋功能建筑物。
S3是确定研究单元，并划分为城市区块，以及确定分类参考数据。
S4是根据S2中识别出的建筑功能以及分类参考数据识别不同功能的城市区块。
在一种实施方式中，S1具体包括：
S1.1：对开源地理空间矢量数据进行定性评估；
S1.2：对定性评估后的数据进行抽取；
S1.3：通过数据映射，对抽取出的数据进行语义统一；
S1.4：对语义统一后的数据进行规范化处理。
具体来说，对开源地理空间矢量数据进行定性评估即数据质检，是为了了解各种地理空间数据的基本信息，了解了数据的状况菜可以进行后续步骤。
数据抽取主要是确定哪种数据可用、每种数据里哪些属性可用、用在哪里，是为了确定数据使用方案和融合策略，指导数据映射和规范化的。
数据映射就是实施语义统一的步骤。数据规范化是比较全面的处理，包括统一空间参考(在质检里分析过的)、填充空属性、检查数据的拓扑关系等等。
数据规范化针对数据检查筛选的结果对数据进行处理，满足数据使用规范，通过这一系列操作完成之后，才能得到一份可用的数据。
在具体的实施过程中，各步骤的实现方法如下：
(1)数据质检。首先选取现势性、准确性、一致性与适用性四项质量要素对开源地理空间矢量数据进行定性评估。
(2)数据抽取。对数据进行梳理，确认已收集的开源数据中哪些要素是融合所需的数据，再根据《城市用地分类与规划建设用地标准》对数据进行抽取、剔除。
(3)数据映射。首先根据OSM数据、POI数据和《城市用地分类与规划建设用地标准》文件分别建立数据要素分类分级的映射关系，通过分析数据说明与数据字典，对建立OSM与国家标准及POI与国家标准间各类各级的映射关系，具体至居住用地、公共管理与公共服务用地、商业服务业设施用地、工业用地、物流仓储用地、道路与交通设施用地、公用设施用地与绿地与广场用地的三级类。在统一要素分类分级的基础上，建立具有针对性的属性特征转换关系式，对所需的关键属性特征项进行抽取与转换处理。
(4)数据规范化。针对数据检查筛选的结果对数据进行处理，满足数据使用规范。
(a)数据空间参考转换，包括WGS84、移动互联网大地坐标系与CGCS2000坐标系之间的转换以及；
(b)对OSM用地数据、道路数据、地理国情道路数据进行拓扑检查；
(c)对OSM用地数据源中缺失关键属性的数据进行语义属性补充。
在一种实施方式中，S2具体包括：
S2.1：根据POI数据与建筑物数据的空间包含关系将建筑物分为两类，一类建筑物包含对应的POI数据，另一类建筑物多边形内不包含POI数据；
S2.2：对于包含对应的POI数据的建筑物，根据POI频数密度和类别比率识别该类建筑物的功能，其中，POI频数密度为建筑物内某类POI的数量与该类POI总数的比值，类别比率为建筑物内第i类POI与该建筑物内所有类别POI数量的比值；
S2.3：对于不包含POI数据点建筑物，抽取建筑物质心，以质心为半径建立半径为预设大小的建筑物缓冲区，在建筑物缓冲区内部计算包含的POI数据的POI频数密度和类别比率，并根据计算的特征值识别该类建筑物的功能。
具体来说，根据建筑物是否包含POI数据，分别采用不同的方法来识别建筑物的功能。如果包含，则格局计算出的特征向量(POI频数密度和类别比率)来识别，如果不包含，则通过构建建筑物缓冲区后，再根据计算出的特征向量来识别。
在一种实施方式中，S2.2具体包括：
S2.2.1：计算POI频数密度：
其中，i为POI的功能类别，第i个POI功能类别的频数密度为Fi，每个建筑物内包含第i类POI的总数为ni，这类POI的总数为Ni，
S2.2.2：将计算出的POI频数密度进行规格化处理后，根据规格化处理后的POI频数密度计算类别比率：
其中，Vi为第i个POI功能类别频数密度的数据规格化结果；
S2.2.3：根据计算出的POI频数密度和类别比率对该类建筑物的功能进行识别，得到三级功能类，然后提取识别结果所属的国家标准一级类作为建筑物的功能类别。
具体来说，为了统一不同量纲下各类别POI频数密度计算结果，对Fi进行数据规格化处理。Vnorm为第i个POI功能类别频数密度的数据规格化结果，V为第i个POI功能类别的频数密度，Vmax为所有建筑物内最大的POI类别频数密度值，Vmin则是最小的，如式(6)所示：
基于统一量纲的频数密度，计算类别比率特征向量Ci。
在根据计算出的POI频数密度和类别比率对该类建筑物的功能进行识别时，当两个或多个POI三级类具有相同的类别比率最大值时，则按照频数密度值进行排序，接着进行建筑物功能的识别。上述分类过程均以三级功能类为基础，因此，最后提取识别结果所属的国家标准一级类作为建筑物的功能类别。
需要说明的是，因为国家标准里对分类是分三级的，例如一级类为“商业服务业设施用地”，二级类包括“商业设施用地”或“商务设施用地”等等，二级类“商业XXX”里包括很多三级类，例如“零售商业用地XXX”等，最后是每种用地的具体内容，如“商场、超市等等”。
而本发明做分类的时候是根据最细的类别做分类，然后对结果做处理，去找它所属的一级类别。
在一种实施方式中，S2.3具体包括：
S2.3.1：抽取建筑物质心，以质心为半径建立半径为预设大小的缓冲区；
S2.3.2：在建筑物缓冲区内部计算包含的POI数据，并计算POI频数密度和类别比率；
S2.3.3：基于计出的算POI频数密度和类别比率两项特征向量，识别该类建筑物的功能。
具体来说，预设大小的半径可以根据实际情况设置，例如90m、100m等等。在构建缓冲区后，则根据S2.2.1～S2.2.3的方法进行功能识别。
在一种实施方式中，S4具体包括：
S4.1：判断城市区块是否包含OSM融合面数据；
S4.2：当城市区块包含OSM融合面数据时，计算OSM融合面的用地功能决定性指数和用地面积比率两项特征向量，根据两项特征向量将包含OSM的区块划分为第一类城市区块与第二类城市区块；
S4.3：当城市区块不包含OSM融合面数据时，判断功能建筑物数据与城市区块间的空间包含关系，当城市区块间包含功能建筑物数据时，根据建筑物的面积重叠度和建筑物功能的类别比率，得到第三类城市区块：
S4.4：当城市区块间不包含功能建筑物数据时，采用POI作为参考数据进行功能分类，判断POI数据与城市区块间的空间包含关系，得到第四类城市区块与第五类城市区块。
具体来说，当城市区块内不包含OSM用地数据时，首先采用已识别的功能建筑物提取数据作为参考数据进行功能分类，通过判断可靠性较高的功能建筑物数据与城市区块间的空间包含关系，可得到第三类城市区块。
在一种实施方式中，S4.2中根据两项特征向量将包含OSM的区块划分为第一类城市区块与第二类城市区块，包括：
S4.2.1：对每个区块内的OSM面数据进行以预设距离的缓冲区分析，计算OSM用地功能决定性指数：
其中，j为划分的城市区块，OFDj为第j个区块的OSM用地功能决定性指数，Njb为第j个区块内OSM缓冲区中POI的数量，Nja为该区块内全部POI的数量，OFD指数用以表征由OSM用地功能向功能区进行语义转换的可靠性；
S4.2.2：对于不存在对应的POI数据，仅存在OSM用地数据的城市区块内，进行OSM用地面积比率计算：
j为OFD指数为0的城市区块，OAPj为第j个城市区块的OSM用地面积比率值，Areajb为第i个城市区块内OSM缓冲区的面积，Areaja为第j个城市区块的面积；
S4.2.3：当OSM用地功能决定性指数大于第一阈值，或者OFD为0且OSM用地面积比率大于等于第二阈值时，利用OSM用地数据确定其所处的第一类城市区块的功能组成；
S4.2.4：否则，计算POI频数密度和类别比率，计算区块内建筑物表征的功能类别；然后根据区块内OSM用地数据与建筑物数据的面积比值确定权重，确定区块主次功能，得出第二类区块功能识别结果。
具体来说，第一阈值和第二阈值可以根据实际情况选取，例如第一阈值为50％，第二阈值为85％。第一种情况，基于对POI空间分布的分析，OFD指数可反映由OSM用地功能向功能区进行语义转换的可靠性，根据对实验区域全部区块内OFD值分布的分析，设置约束条件为仅当OFD大于等于50％时，OSM用地数据可决定其所属的第一类城市区块的功能组成。第二种情况，城市区块内不存在对应的POI数据，仅存在OSM用地数据，认为仅当OFD为0且OAP大于等于85％时，OSM用地数据可决定其所处的第一类城市区块的功能组成。
S4.2.4的情况是指除S4.2.3之外的情况。具体实施过程中，OSM用地数据和建筑物数据的权相等，1：1，计算出哪种数据的值大，哪种数据就是主要功能。在一种实施方式中，S4.3具体包括：
S4.3.1：当城市区块间包含功能建筑物数据时，计算面积重叠度：
其中，k为建筑物功能类别，Ak为区块内第k类建筑物的总面积，A为该区块的面积，AOk为该类建筑物的面积重叠度指标，
S4.3.2：计算该区块内建筑物功能的类别比率：
其中，Vi为第i个POI功能类别频数密度的数据规格化结果；
S4.3.3：将功能建筑物的面积重叠度与类别比率进行第三区块功能的识别。
具体来说，具体识别过程中，可以将功能建筑物的面积重叠度与类别比率计算值代入二值打分模型，当指标值最大时，该类别在此项指标的值为1，其余为0。举例来说，从面积覆盖(即某类建筑物的总面积和区块面积的重叠度)和类别比率(即某类建筑物的频率密度)两个方面计算，计算每个类别的总面积和频率密度然后进行打分，二值就是0或1。
然后将打分结果代入加权平均模型，设两项指标权重为1：1，得出第三类区块功能识别结果。
在一种实施方式中，S4.4中判断POI数据与城市区块间的空间包含关系，得到第四类城市区块与第五类城市区块，包括：
S4.4.1：当城市区块包含POI数据时，根据POI频数密度和类别比率识别第四类城区区块的功能；
S4.4.2：当城市区块不包含POI数据时，结合后处理进行第五类区块功能的识别。
具体来说，当城市区块内不包含已识别的功能建筑物提取数据时，采用POI作为参考数据进行功能分类，通过判断POI数据与城市区块间的空间包含关系，可得到第四类城市区块与第五类城市区块，其中，通过计算POI数据的特征向量可得出第四类城市区块的识别结果，步骤同S2.2.1～S2.2.3
由于第五类城市区块不包含OSM用地、建筑物以及POI数据，因此，需要结合人工后处理进行功能识别。
对于不同功能区块的识别的详细流程如图2所示，利用地理国情道路数据将实验区域划分为城市区块，并通过判断分类参考数据与城市区块的关系将城市区块划分为不同等级，基于三种分类参考数据进入面向不同等级城市区块功能分类模型，得出最终城市功能区识别结果。其中，不同等级城市区块功能分类模型是指图2中的用于识别第一类和第二类城市区块的分类模型以及用于识别第三类、四类、第五类城市区块的分类模型。第几等级区块就是指第几类区块，对包含不同数据的区块有不同的计算方法，即分类模型。
总体来说，本发明基于开源地理空间矢量数据，研究城市功能区的定量识别方法，具有如下优点或者有益技术效果：
(1)由于目前并不存在针对开源地理空间数据的统一管理标准，通过分析行业通用且权威国家标准中对城市功能的定义，从最精细的分类角度建立了不同开源数据与国家标准之间的转换方法，实现了开源数据的标准化与通用化；
(2)由于各类开源地理空间数据的组织形式、抽象程度以及属性表征等方面存在较大差异，进一步研究面向开源数据的数据融合方法，着重于消除语义表征间的差异，同时，通过消除城市功能语义与土地利用元素间的语义鸿沟，在不损失任何关键分类信息的前提下减弱开源地理数据采样偏差对功能区识别的影响。
(3)考虑到现代社会的产业耦合度较高，城市功能结构较为复杂，通过判断分类基础数据与城市区块的空间关系研究不同条件的城市区块下单一与混合多元功能的准确识别，提高类别提取精度与识别精度。
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (9)

1.一种基于开源地理空间矢量数据的城市功能区定量识别方法，其特征在于，包括：
S1：通过定性分析方法对数据质量进行评估，并通过语义分析建立各类开源数据源与国家分类标准之间的映射关系，进行语义统一，再进行规范化处理；
S2：基于POI数据计算不同功能点数据在建筑物面内的频数密度与类别比率特征向量，对提取出的所有建筑物的功能进行识别；
S3：利用地理国情道路数据将实验区域划分为城市区块，根据开源地理空间矢量数据质量定性评估结果，确定分类参考数据，其中，分类参考数据包括OSM融合面数据，自影像中提取的单栋建筑物数据以及POI数据；
S4：根据建筑物的功能识别结果以及分类参考数据与城市区块的关系将城市区块划分为不同等级，基于三种分类参考数据对城市区块进的功能进行定量识别，得到最终城市功能区识别结果。
2.如权利要求1所述的识别方法，其特征在于，S1具体包括：
S1.1：对开源地理空间矢量数据进行定性评估；
S1.2：对定性评估后的数据进行抽取；
S1.3：通过数据映射，对抽取出的数据进行语义统一；
S1.4：对语义统一后的数据进行规范化处理。
3.如权利要求1所述的识别方法，其特征在于，S2具体包括：
S2.1：根据POI数据与建筑物数据的空间包含关系将建筑物分为两类，一类建筑物包含对应的POI数据，另一类建筑物多边形内不包含POI数据；
S2.2：对于包含对应的POI数据的建筑物，根据POI频数密度和类别比率识别该类建筑物的功能，其中，POI频数密度为建筑物内某类POI的数量与该类POI总数的比值，类别比率为建筑物内第i类POI与该建筑物内所有类别POI数量的比值；
S2.3：对于不包含POI数据点建筑物，抽取建筑物质心，以质心为半径建立半径为预设大小的建筑物缓冲区，在建筑物缓冲区内部计算包含的POI数据的POI频数密度和类别比率，并根据计算的特征值识别该类建筑物的功能。
4.如权利要求3所述的识别方法，其特征在于，S2.2具体包括：
S2.2.1：计算POI频数密度：
其中，i为POI的功能类别，第i个POI功能类别的频数密度为Fi，每个建筑物内包含第i类POI的总数为ni，这类POI的总数为Ni，
S2.2.2：将计算出的POI频数密度进行规格化处理后，根据规格化处理后的POI频数密度计算类别比率：
其中，Vi为第i个POI功能类别频数密度的数据规格化结果；
S2.2.3：根据计算出的POI频数密度和类别比率对该类建筑物的功能进行识别，得到三级功能类，然后提取识别结果所属的国家标准一级类作为建筑物的功能类别。
5.如权利要求4所述的识别方法，其特征在于，S2.3具体包括：
S2.3.1：抽取建筑物质心，以质心为半径建立半径为预设大小的缓冲区；
S2.3.2：在建筑物缓冲区内部计算包含的POI数据，并计算POI频数密度和类别比率；
S2.3.3：基于计出的算POI频数密度和类别比率两项特征向量，识别该类建筑物的功能。
6.如权利要求1所述的识别方法，其特征在于，S4具体包括：
S4.1：判断城市区块是否包含OSM融合面数据；
S4.2：当城市区块包含OSM融合面数据时，计算OSM融合面的用地功能决定性指数和用地面积比率两项特征向量，根据两项特征向量将包含OSM的区块划分为第一类城市区块与第二类城市区块；
S4.3：当城市区块不包含OSM融合面数据时，判断功能建筑物数据与城市区块间的空间包含关系，当城市区块间包含功能建筑物数据时，根据建筑物的面积重叠度和建筑物功能的类别比率，得到第三类城市区块：
S4.4：当城市区块间不包含功能建筑物数据时，采用POI作为参考数据进行功能分类，判断POI数据与城市区块间的空间包含关系，得到第四类城市区块与第五类城市区块。
7.如权利要求6所述的识别方法，其特征在于，S4.2中根据两项特征向量将包含OSM的区块划分为第一类城市区块与第二类城市区块，包括：
S4.2.1：对每个区块内的OSM面数据进行以预设距离的缓冲区分析，计算OSM用地功能决定性指数：
其中，j为划分的城市区块，OFDj为第j个区块的OSM用地功能决定性指数，Njb为第j个区块内OSM缓冲区中POI的数量，Nja为该区块内全部POI的数量，OFD指数用以表征由OSM用地功能向功能区进行语义转换的可靠性；
S4.2.2：对于不存在对应的POI数据，仅存在OSM用地数据的城市区块内，进行OSM用地面积比率计算：
j为OFD指数为0的城市区块，OAPj为第j个城市区块的OSM用地面积比率值，Areajb为第i个城市区块内OSM缓冲区的面积，Areaja为第j个城市区块的面积；
S4.2.3：当OSM用地功能决定性指数大于第一阈值，或者OFD为0且OSM用地面积比率大于等于第二阈值时，利用OSM用地数据确定其所处的第一类城市区块的功能组成；
S4.2.4：否则，计算POI频数密度和类别比率，计算区块内建筑物表征的功能类别；然后根据区块内OSM用地数据与建筑物数据的面积比值确定权重，确定区块主次功能，得出第二类区块功能识别结果。
8.如权利要求6所述的识别方法，其特征在于，S4.3具体包括：
S4.3.1：当城市区块间包含功能建筑物数据时，计算面积重叠度：
其中，k为建筑物功能类别，Ak为区块内第k类建筑物的总面积，A为该区块的面积，AOk为该类建筑物的面积重叠度指标，
S4.3.2：计算该区块内建筑物功能的类别比率：
其中，Vi为第i个POI功能类别频数密度的数据规格化结果；
S4.3.3：将功能建筑物的面积重叠度与类别比率进行第三区块功能的识别。
9.根据权利要求6所述的识别方法，其特征在于，S4.4中判断POI数据与城市区块间的空间包含关系，得到第四类城市区块与第五类城市区块，包括：
S4.4.1：当城市区块包含POI数据时，根据POI频数密度和类别比率识别第四类城区区块的功能；
S4.4.2：当城市区块不包含POI数据时，结合后处理进行第五类区块功能的识别。
CN202010594883.9A 2020-06-28 2020-06-28 一种基于开源地理空间矢量数据的城市功能区定量识别方法 Active CN111797188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010594883.9A CN111797188B (zh) 2020-06-28 2020-06-28 一种基于开源地理空间矢量数据的城市功能区定量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010594883.9A CN111797188B (zh) 2020-06-28 2020-06-28 一种基于开源地理空间矢量数据的城市功能区定量识别方法

Publications (2)

Publication Number Publication Date
CN111797188A CN111797188A (zh) 2020-10-20
CN111797188B true CN111797188B (zh) 2024-03-01

Family

ID=72804622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010594883.9A Active CN111797188B (zh) 2020-06-28 2020-06-28 一种基于开源地理空间矢量数据的城市功能区定量识别方法

Country Status (1)

Country Link
CN (1) CN111797188B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858820B (zh) * 2020-07-24 2024-02-09 北京百度网讯科技有限公司 用地性质识别方法、装置、电子设备及存储介质
CN113988198B (zh) * 2021-11-03 2024-05-14 中国地质大学（武汉） 一种基于地标约束的多尺度城市功能分类方法
CN116308956B (zh) * 2023-03-17 2023-11-24 中国测绘科学研究院 一种城市区域主导功能与规划用途差异检测的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016150407A1 (zh) * 2015-03-23 2016-09-29 华南理工大学 一种基于地址解析数据的建设用地类型快速识别方法
CN107247938A (zh) * 2017-06-08 2017-10-13 中国科学院遥感与数字地球研究所 一种高分辨率遥感影像城市建筑物功能分类的方法
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
CN109493119A (zh) * 2018-10-19 2019-03-19 南京图申图信息科技有限公司 一种基于poi数据的城市商业中心识别方法及系统
CN110147779A (zh) * 2019-05-27 2019-08-20 宁夏云图勘测规划有限公司 一种遥感影像城市建筑物功能分类的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016150407A1 (zh) * 2015-03-23 2016-09-29 华南理工大学 一种基于地址解析数据的建设用地类型快速识别方法
CN107247938A (zh) * 2017-06-08 2017-10-13 中国科学院遥感与数字地球研究所 一种高分辨率遥感影像城市建筑物功能分类的方法
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
CN109493119A (zh) * 2018-10-19 2019-03-19 南京图申图信息科技有限公司 一种基于poi数据的城市商业中心识别方法及系统
CN110147779A (zh) * 2019-05-27 2019-08-20 宁夏云图勘测规划有限公司 一种遥感影像城市建筑物功能分类的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于众源数据的北京市主城区功能用地划分研究;宁晓刚;刘娅菲;王浩;郝铭辉;杨伯钢;王淼;;地理与地理信息科学;20181115(第06期);全文 *

Also Published As

Publication number Publication date
CN111797188A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN112949413B (zh) 基于街景图片的城市景观要素分类及地方性度量方法
CN111651545A (zh) 一种基于多源数据融合的城市边缘区提取方法
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
CN111080356A (zh) 一种利用机器学习回归模型计算住宅价格影响因素的方法
Díaz-Pacheco et al. The importance of scale in land use models: Experiments in data conversion, data resampling, resolution and neighborhood extent
CN113360587B (zh) 一种基于gis技术的土地测绘设备及测绘方法
CN116595121B (zh) 一种基于遥感技术数据显示监测系统
Anysz et al. Comparison of ANN classifier to the neuro-fuzzy system for collusion detection in the tender procedures of road construction sector
CN114330812A (zh) 基于机器学习的滑坡灾害风险评估方法
CN112861972A (zh) 一种展业区域的选址方法、装置、计算机设备和介质
CN105930865B (zh) 城市建设用地分类提取及评估方法
CN112365595A (zh) 基于报警数据点要素的鉴别交通事故多发点的分析方法
Weldu et al. Identification of potential sites for housing development using GIS based multi-criteria evaluation in Dire Dawa City, Ethiopia
CN111984701A (zh) 乡村聚落演化的预测方法、装置、设备及存储介质
CN112148821B (zh) 一种城市混合职住空间计算方法和系统
CN112508336B (zh) 一种基于结构方程模型的空间与环境效能关联测度方法
CN112381644A (zh) 一种基于空间变量推理的信贷场景风险用户评估方法
Armstrong et al. The application of data mining techniques to characterize agricultural soil profiles
Zhou et al. Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches
CN115829209A (zh) 基于碳路径的绿色智能仓库环保质量分析方法及装置
Ibrahim et al. Planning transit-oriented development (TOD): a systematic literature review of measuring the transit-oriented development levels
CN110400160B (zh) 识别竞品用户的方法、装置、电子设备和存储介质
CN113393135A (zh) 一种城乡规划信息化存储设备

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