CN111814528B - 一种连通性分析的夜光影像城市等级分类方法 - Google Patents

一种连通性分析的夜光影像城市等级分类方法 Download PDF

Info

Publication number
CN111814528B
CN111814528B CN202010193084.0A CN202010193084A CN111814528B CN 111814528 B CN111814528 B CN 111814528B CN 202010193084 A CN202010193084 A CN 202010193084A CN 111814528 B CN111814528 B CN 111814528B
Authority
CN
China
Prior art keywords
city
area
data
analysis
tree
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
CN202010193084.0A
Other languages
English (en)
Other versions
CN111814528A (zh
Inventor
赵宗泽
王成
程钢
王双亭
王宏涛
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202010193084.0A priority Critical patent/CN111814528B/zh
Publication of CN111814528A publication Critical patent/CN111814528A/zh
Application granted granted Critical
Publication of CN111814528B publication Critical patent/CN111814528B/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
    • G06F18/24—Classification 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种连通性分析的夜光影像城市等级分类方法，包括采集基于影像信息，数据初步分析，构建分析模型，模型数据分析及城市中心确定和等级分类等五个步骤。本发明较传统的城市等级划分方法，极大的规范了城市等级划分判断工作流程，可有效的克服传统城市等级划分作业中对原始数据的积累、分析量大的缺陷，从而提高了城市等级分类作业的工作效率、城市等级划分作业工作精度的同时，另有效的降低了劳动强度，和分析作业成本，对提高城市等级分类分析作业效率，为城市规划和政府决策提供数据和技术支持具有极大的意义。

Description

一种连通性分析的夜光影像城市等级分类方法
技术领域
本发明属于测绘及城市规划技术领域，具体涉及一种连通性分析的夜光影像城市等级分类方法。
背景技术
城市分类可以为城市规划和政府决策提供重要的数据和技术支持。传统的城市分类主要依靠数据的积累和分析，这需要一个大的周期，严重依赖于历史数据，且以往关于城市中心探索和城市空间结构分析的研究主要依赖于人口普查数据和当地知识。(1)通过设置不同普查变量的阈值来识别子中心；(2)在不同普查变量的数值面上定位局部最大值为城市中心或次中心；(3)回归残差分析确定城市中心。虽然这些方法对城市副中心和城市结构的实证识别做出了很大的贡献，但都存在一些重复出现的问题，严重影响了城市等级划分及城市规划的工作效率、劳动强度及准确性。
因此，针对这一现状，迫切需要开发一种全新的城市等级划分方法，以满足实际工作的需要。
发明内容
本发明提供一种连通性分析的夜光影像城市等级分类方法，以解决背景技术存在的问题，本发明要利用夜间灯光(NTL)影像来分析城市的等级分类，并结合连通区域分析法和树状结构来进行数据分析，从而达到快速实现城市中心确定及城市等级划分作业的目的。
为实现以上技术目的，本发明提供以下技术方案：
一种连通性分析的夜光影像城市等级分类方法，包括以下步骤：
S1，夜光影像获取，首先从夜光影像数据库中获取待分析评测地区夜光数据信息及影像信息；
S2，数据初步分析，首先根据连通性分析方法对S1步骤获取影像进行连通性分析，获得一个完整的连通区域，即零级连通区域；然后对零级连通区域内数据进行二次连通性分析，即通过二值化运算，并采用基于分离连通性分析将零级连通区域内数据根据相似性划分为若干一级连通区域，然后对各再次进行二值化运算并采用基于分离连通性分析将一级连通区域内数据根据相似性划分为若干次级连通区域，直至完成对相似数据全部划分分级，最终生成夜光影像上各级连通区域；
S3，构建分析模型，首先构建至少一个树状模型结构，然后将S2步骤划分的各连通区域数据及连通分量依次带入到树状模型结构中，在数据代入时，零级连通区域带入到树状模型结构的树干结构中，然后将一级连通区域带入到与树干结构连接的主体枝干结构中，并构成第零级连通区域，最后依次将各一级连通区域划分的次级连通区域带入到相应的树状模型各次级枝干结构中，从而完成对S2步骤分析数据建立统一的整体分析模型；
S4，模型数据分析，完成S3步骤分析模型构建后，对构成树状模型结构中的各节点属性信息可以进行横向和纵向检索并数据运算；
S5，城市中心确定和等级分类，首先结合S1步骤从夜光影像数据库中获取待分析评测地区夜光数据信息及影像信息及S2步骤划分的各连通区域，设定城市中心为一个连续的连通区域，且该连通区域NTL夜光影像强度和发展面积都高于周围区域，得到城市中心划分基准参数要求，再结合S4步骤的模型数据分析结果，即可确定城市中心；然后将S4步骤的横向和纵向检索运算结果代入到城市综合指标计算函数中进行计算，即可得到城市等级划分结果。
进一步的，所述S3步骤中，经过S2划分后各级连通域中，NTL夜光影像中最小等级的节点是整个影像域，称为树的根，不会连接到更高级别的连通区域的节点称为树的叶节点；节点集和它们之间的链接构成了树状模型结构。
进一步的，所述S4步骤中横向检索时，对S3步骤中树状模型结构第一级连通区域对应的夜光影最大强度(MAXIN)、总强度(TIN)和强度标准差(INSTD)进行计算，同时对第一级连通区域对应的城市最大面积(MAXA)、总面积(TA)和面积标准差(ASTD)三个参数统计计算；所述S4步骤中纵向检索时，计算城市中心的树结构的等级数(LN)和最大节点数量(MNN)，通过构建第一级各节点的树状结构，从树状结构中得到等级数和最大节点数量，从而达到分析城市尺度结构的目的。
进一步的，所述夜光影最大强度(MAXIN)、总强度(TIN)和强度标准差(INSTD)、城市最大面积(MAXA)、总面积(TA)和面积标准差(ASTD)的具体计算函数为：
夜光影最大强度(MAXIN)：
Figure 536373DEST_PATH_IMAGE001
；
总强度(TIN)：
Figure 263633DEST_PATH_IMAGE002
；
强度标准差(INSTD)：
Figure 105687DEST_PATH_IMAGE003
；
城市最大面积(MAXA)：
Figure 500897DEST_PATH_IMAGE004
；
总面积(TA)：
Figure 128318DEST_PATH_IMAGE005
；
面积标准差(ASTD)：
Figure 950781DEST_PATH_IMAGE006
;
其中：N为城市区域第1级节点数，ri为第i个节点的平均夜间时间光强值，ai是第i个结点的平均面积。
进一步的，所述的城市综合指标计算函数为：
Figure 217814DEST_PATH_IMAGE007
；
其中：a、b、c、d为四个指标的权重系数。权重值可以根据某个指标的强调程度设置为不同的大尺寸，但权重之和必须等于1。TINi、TAi、LNi和MMNi是第i个城市的四个指标；TINmax、TAmax、LNmax和MMNmax是所有城市中最大的指标。
本发明较传统的城市等级划分方法，极大的规范了城市等级划分判断工作流程，可有效的克服传统城市等级划分作业中对原始数据的积累、分析量大的缺陷，从而提高了城市等级分类作业的工作效率、城市等级划分作业工作精度的同时，另有效的降低了劳动强度，和分析作业成本，对提高城市等级分类分析作业效率，为城市规划和政府决策提供数据和技术支持具有极大的意义。
附图说明
图1为本发明方法流程示意图；
图2为基于分离的连通性分析结果；
其中，(a)原始二值影像，包括一个对象（黑色区域）；(b)利用开运算对其进行处理；(c)生成四个独立的连通区域；
图3为两个区域的基于分离的连通性分析；
其中，(a)和(c)原有的弱连通区域；(b)和(d)基于分离的连通性分析后的结果；
图4为不同等级连通区域构建树结构；
其中，(a)第一等级连通区域分析结结果；(b)第二等级连通区域分析结结果；(c)第三等级连通区域分析结结果；(d)构建的树结构；
图5为树结构分析图；
图6为河南省城市夜光影像第一等级连通区域分布；
图7为人口与强度之间的关系；
图8为河南省城市参数表；
图9为郑州，洛阳和平顶山市的中心城市树状结构；
图10为河南省城市等级分类结果；
图11为等级分类结果对比分析结果表。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1所示，一种连通性分析的夜光影像城市等级分类方法，包括以下步骤：
S1，夜光影像获取，首先从夜光影像数据库中获取待分析评测地区夜光数据信息及影像信息；
S2，数据初步分析，首先根据连通性分析方法对S1步骤获取影像进行连通性分析，获得一个完整的连通区域，即零级连通区域；然后对零级连通区域内数据进行二次连通性分析，即通过二值化运算，并采用基于分离连通性分析将零级连通区域内数据根据相似性划分为若干一级连通区域，然后对各再次进行二值化运算并采用基于分离连通性分析将一级连通区域内数据根据相似性划分为若干次级连通区域，直至完成对相似数据全部划分分级，最终生成夜光影像上各级连通区域；
S3，构建分析模型，首先构建至少一个树状模型结构，然后将S2步骤划分的各连通区域数据及连通分量依次带入到树状模型结构中，在数据代入时，零级连通区域带入到树状模型结构的树干结构中，然后将一级连通区域带入到与树干结构连接的主体枝干结构中，并构成第零级连通区域，最后依次将各一级连通区域划分的次级连通区域带入到相应的树状模型各次级枝干结构中，从而完成对S2步骤分析数据建立统一的整体分析模型；
S4，模型数据分析，完成S3步骤分析模型构建后，对构成树状模型结构中的各节点属性信息可以进行横向和纵向检索并数据运算；
S5，城市中心确定和等级分类，首先结合S1步骤从夜光影像数据库中获取待分析评测地区夜光数据信息及影像信息及S2步骤划分的各连通区域，设定城市中心为一个连续的连通区域，且该连通区域NTL夜光影像强度和发展面积都高于周围区域，得到城市中心划分基准参数要求，再结合S4步骤的模型数据分析结果，即可确定城市中心；然后将S4步骤的横向和纵向检索运算结果代入到城市综合指标计算函数中进行计算，即可得到城市等级划分结果。
其中，所述S3步骤中，经过S2划分后各级连通域中，NTL夜光影像中最小等级的节点是整个影像域，称为树的根，不会连接到更高级别的连通区域的节点称为树的叶节点；节点集和它们之间的链接构成了树状模型结构。
需要重点指出的，所述S4步骤中横向检索时，对S3步骤中树状模型结构第一级连通区域对应的夜光影最大强度(MAXIN)、总强度(TIN)和强度标准差(INSTD)进行计算，同时对第一级连通区域对应的城市最大面积(MAXA)、总面积(TA)和面积标准差(ASTD)三个参数统计计算；所述S4步骤中纵向检索时，计算城市中心的树结构的等级数(LN)和最大节点数量(MNN)，通过构建第一级各节点的树状结构，从树状结构中得到等级数和最大节点数量，从而达到分析城市尺度结构的目的。
本发明核心内容，所述夜光影最大强度(MAXIN)、总强度(TIN)和强度标准差(INSTD)、城市最大面积(MAXA)、总面积(TA)和面积标准差(ASTD)的具体计算函数为：
夜光影最大强度(MAXIN)：
Figure 416714DEST_PATH_IMAGE008
；
总强度(TIN)：
Figure 147910DEST_PATH_IMAGE009
；
强度标准差(INSTD)：
Figure 141274DEST_PATH_IMAGE010
；
城市最大面积(MAXA)：
Figure 895603DEST_PATH_IMAGE011
；
总面积(TA)：
Figure 632615DEST_PATH_IMAGE012
；
面积标准差(ASTD)：
Figure 969049DEST_PATH_IMAGE013
;
其中：N为城市区域第1级节点数，ri为第i个节点的平均夜间时间光强值，ai是第i个结点的平均面积。
城市综合指标计算函数为：
Figure 398894DEST_PATH_IMAGE014
；
其中：a、b、c、d为四个指标的权重系数。权重值可以根据某个指标的强调程度设置为不同的大尺寸，但权重之和必须等于1。TINi、TAi、LNi和MMNi是第i个城市的四个指标；TINmax、TAmax、LNmax和MMNmax是所有城市中最大的指标。
此外，为了更好的对本发明所采用的技术手段进行详细说明，便于本领域技术人员充分理解掌握本发明涉及技术方案内容及效果，现结合河南省若干城市等级划分，对本发明涉及技术内容进行具体说明。具体实施方法如下：
如果2—11所示：
S1，夜光影像获取，首先从珞珈一号夜光影像数据库中获取河南省郑州、洛阳、南阳、安阳、鹤壁、济源、三门峡等18个城市地区夜光数据信息及影像信息；
S2，数据初步分析，采用连通性分析方法对NTL夜光数据进行划分，分析其空间关系。NTL夜光数据记录了反映人类活动规模的强度。提出了一种基于NTL夜光数据的城市等级分类方法。采用连通算子对城市副中心进行识别和划分，确定相邻城市中心之间的拓扑关系；
将18个城市作分别为一个连通区域，即可获得各城市完整的连通区域，即零级连通区域并按连通性分析来减少或增加连通区域，从而实现对零级连通区域内数据进行二次连通性分析，即通过二值化运算，并采用基于分离连通性分析将零级连通区域内数据根据相似性划分为若干一级连通区域，然后对各再次进行二值化运算并采用基于分离连通性分析将一级连通区域内数据根据相似性划分为若干次级连通区域，直至完成对相似数据全部划分分级，最终生成夜光影像上各级连通区域；其中，基于分离的连通性分析是一种分割方案，利用开运算对具有弱连接的目标物进行连通性分析，将原来目标物分离成四个独立的目标物；
S3，构建分析模型，首先构建至少一个树状模型结构，然后将S2步骤划分的各连通区域数据及连通分量依次带入到树状模型结构中，在数据代入时，零级连通区域带入到树状模型结构的树干结构中，然后将一级连通区域带入到与树干结构连接的主体枝干结构中，并构成第零级连通区域，最后依次将各一级连通区域划分的次级连通区域带入到相应的树状模型各次级枝干结构中，从而完成对S2步骤分析数据建立统一的整体分析模型；
其中，该树状结构模型可以对不同层次的连通区域的属性表达提供了更大的灵活性，通常使用最大树来构建树结构。它构造不同等级上的连通区域的层次结构，设置包含关系层次的树结构，如图4所示，有三个不同等级上的连通性分析区域，第一个等级上的红色圆圈圈出的连通区域，分别在第二和三等级上生成了不同的连通性区域，从而根据三个等级上连通区域的对应关系建立树状结构。NTL夜光影像中最小等级的节点是整个影像域，称为树的根。不会连接到更高级别的连通区域的节点称为树的叶节点。因此，节点集和它们之间的链接构成了树的结构；
S4，模型数据分析，完成S3步骤分析模型构建后，对构成树状模型结构中的各节点属性信息可以进行横向和纵向检索并数据运算；
其中，第1层的节点可以呈现出光照区域的主要分布，可以通过横向检索节点的属性来分析，可以通过纵向检索节点来分析节点的整体树结构；对于“横向检索”，每个城市的NTL值在树结构的第一等级上分布计算了三个统计值，包括最大强度(MAXIN)、总强度(TIN)和强度标准差(INSTD)。同样地，我们也计算了基本的城市区域属性来量化城市的规模特征。这三个属性包括最大面积(MAXA)、总面积(TA)和面积标准差(ASTD)。在“纵向检索”中计算城市中心的树结构的等级数(LN)和最大节点数量(MNN)。需要构建第一级各节点的树状结构，从树状结构中得到等级数和最大节点数量，分析城市尺度结构；
其中：夜光影最大强度(MAXIN)、总强度(TIN)和强度标准差(INSTD)、城市最大面积(MAXA)、总面积(TA)和面积标准差(ASTD)的具体计算函数为：
夜光影最大强度(MAXIN)：
Figure 640519DEST_PATH_IMAGE015
；
总强度(TIN)：
Figure 915643DEST_PATH_IMAGE016
；
强度标准差(INSTD)：
Figure 621431DEST_PATH_IMAGE017
；
城市最大面积(MAXA)：
Figure 956597DEST_PATH_IMAGE018
；
总面积(TA)：
Figure 685519DEST_PATH_IMAGE019
；
面积标准差(ASTD)：
Figure 764333DEST_PATH_IMAGE020
;
其中：N为城市区域第1级节点数，ri为第i个节点的平均夜间时间光强值，ai是第i个结点的平均面积。
S5，城市中心确定和等级分类，首先结合S1步骤从NTL数据库中获取待分析评测地区夜光数据信息及影像信息及S2步骤划分的各连通区域，设定城市中心为一个连续的连通区域，且该连通区域NTL夜光影像强度和发展面积都高于周围区域，得到城市中心划分基准参数要求，再结合S4步骤的模型数据分析结果，即可确定城市中心；然后将S4步骤的横向和纵向检索运算结果代入到城市综合指标计算函数中进行计算，即可得到城市等级划分结果；
其中，城市综合指标计算函数为：
Figure 75360DEST_PATH_IMAGE021
；
其中：a、b、c、d为四个指标的权重系数。权重值可以根据某个指标的强调程度设置为不同的大尺寸，但权重之和必须等于1。TINi、TAi、LNi和MMNi是第i个城市的四个指标；TINmax、TAmax、LNmax和MMNmax是所有城市中最大的指标
此外，城市区域以单一或多中心的树状结构表示。对于单一的中心城市结构，树状结构只有一个分支。树的最后一级只剩下一个叶节点，与此叶节点对应的连接分量表示城市中心的空间范围。多中心城市的树状结构通常有两个或多个分枝，其中多个叶节点代表城市的基本中心。树状结构的层次数反映了多中心城市结构的复杂性。因此，1级连通构件的强度、面积范围和树状结构可以决定和反映城市发展水平。
根据已有的矢量数据，可以得到河南省的分布图，将NTL影像数据划分为不同的城市单元。通过NTL影像数据，通过“横向”和“纵向”对每个城市的城市空间层次进行分析。各城市“横向”在1级计算统计值，18个城市的连通构件属性信息在第1级统计，每列的最大值以粗体显示。并经过分析对比可获得以下分析结果：
1、南阳市的人口密度值最大，这与人口规模有关；
2、郑州市和南阳市人口较多，人口密度值也较高。这也说明NTL影像强度信息可以反映人口信息。除郑州市和南阳市外，大部分城市的强度值在1左右，鹤壁、济源市和漯河市的强度值在0.5以下；
3、NTL影像强度值的标准差只有南阳市大于0.1，这说明南阳市的发展在不同县域之间是不均衡的。安阳和许昌的标准差大于0.05，小于0.1。其余城市的标准差在0.02 ~0.04之间，说明除了南阳市以外，大部分城市的发展相对平衡。虽然郑州市的强度值较大，但标准差仅为0.03，说明郑州市下属各县发展良好；
4、郑州连通区域面积相对较大，可以达到900多平方公里。除郑州外，洛阳、南阳、安阳、驻马店等城市面积均超过300平方公里。开封、商丘、新乡、周口等城市面积200 - 300平方公里，其他城市面积约100平方公里。只有济源市和三门峡市面积在50平方公里以下。该区域的标准差，只有漯河、洛阳和郑州市的标准差在1000以上，其他城市的标准差在1000以下。另外，南阳市虽然人口众多，但面积并不特别大，说明南阳市人口密度较大。
5、中心城市的树状结构可以列出进行“纵向”分析。郑州、洛阳、平顶山市的树状结构如图8所示。郑州的层数(LN)和最大节点数(MNN)分别为19和10；洛阳市分别为7、8；平顶山市有6个，平顶山市有5个。其他城市的LN和MNN指标如表所示。除郑州外，安阳、开封、商丘、周口市LN指数均在10以上。除郑州市外，只有安阳市和洛阳市MNN指数在5以上。根据LN和MNN指标，所有城市可以分为“多边缘”和“多中心”两种发展模式。多边缘发展模式是以城市中心树(如开封、商丘市)多层次、节点少的结构形式，而多中心发展模式是以层次少、节点多的结构形式(如洛阳市)；
6、根据综合指标，将河南省各城市平均分为5个等级。郑州在一线城市中遥遥领先于其他城市(0.8-1.0)。第二梯队中没有城市(0.6-0.8)。第三梯队(0.4-0.6)包括安阳、开封、洛阳和南阳市。焦作、漯河、平顶山、濮阳、商丘、新乡、信阳、许昌、周口、驻马店市是第四线城市(0.2-0.4)。鹤壁、三门峡和济源市属于第五梯队(0 -0.2)。各城市综合指标值如表4所示。此外，与2017年和2018年中国国家分类结果相比，安阳市和开封市与2017年和2018年的结果并不完全相同。这是因为，国家分类依据经济、文化、教育、发展、产业等指标，文化教育不能在本发明评价综合指标中得到充分体现。
由此可见，本发明较传统的城市等级划分方法，极大的规范了城市等级划分判断工作流程，可有效的克服传统城市等级划分作业中对原始数据的积累、分析量大的缺陷，从而提高了城市等级分类作业的工作效率、城市等级划分作业工作精度的同时，另有效的降低了劳动强度，和分析作业成本，对提高城市等级分类分析作业效率，为城市规划和政府决策提供数据和技术支持具有极大的意义。
以上内容是对本发明所作的进一步详细说明，不能认定本发明的只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明由所提交的权利要求书确定的专利保护范围。

Claims (4)

1.一种连通性分析的夜光影像城市等级分类方法，其特征在于，所述连通性分析的夜光影像城市等级分类方法包括以下步骤：
S1，夜光影像获取，首先从夜光影像数据库中获取待分析评测地区夜光数据信息及影像信息；
S2，数据初步分析，首先根据连通性分析方法对S1步骤获取影像进行连通性分析，获得一个完整的连通区域，即零级连通区域；然后对零级连通区域内数据进行二次连通性分析及通过二值化运算，并采用基于分离连通性分析将零级连通区域内数据根据相似性划分为若干一级连通区域，然后对各再次进行二值化运算并采用基于分离连通性分析将一级连通区域内数据根据相似性划分为若干次级连通区域，直至完成对相似数据全部划分分级，最终生成夜光影像上各级连通区域；
S3，构建分析模型，首先构建至少一个树状模型结构，然后将S2步骤划分的各连通区域数据及连通分量依次带入到树状模型结构中，在数据代入时，零级连通区域带入到树状模型结构的树干结构中，然后将一级连通区域带入到与树干结构连接的主体枝干结构中，并构成第零级连通区域，最后依次将各一级连通区域划分的次级连通区域带入到相应的树状模型各次级枝干结构中，从而完成对S2步骤分析数据建立统一的整体分析模型；
S4，模型数据分析，完成S3步骤分析模型构建后，对构成树状模型结构中的各节点属性信息可以进行横向和纵向检索并数据运算；横向检索时，对S3步骤中树状模型结构第一级连通区域对应的夜光影最大强度、总强度和强度标准差进行计算，同时对第一级连通区域对应的城市最大面积、总面积和面积标准差三个参数统计计算；纵向检索时，计算城市中心的树结构的等级数和最大节点数量，通过构建第一级各节点的树状结构，从树状结构中得到等级数和最大节点数量，从而达到分析城市尺度结构的目的；
S5，城市中心确定和等级分类，首先结合S1步骤从夜光影像数据库中获取待分析评测地区夜光数据信息及影像信息及S2步骤划分的各连通区域，设定城市中心为一个连续的连通区域，且该连通区域NTL夜光影像强度和发展面积都高于周围区域，得到城市中心划分基准参数要求，再结合S4步骤的模型数据分析结果，即可确定城市中心；然后将S4步骤的横向和纵向检索运算结果代入到城市综合指标计算函数中进行计算，即可得到城市等级划分结果。
2.根据权利要求1所述的一种连通性分析的夜光影像城市等级分类方法，其特征在于，所述S3步骤中，经过S2划分后各级连通域中，NTL夜光影像中最小等级的节点是整个影像域，称为树的根，不会连接到更高级别的连通区域的节点称为树的叶节点；节点集和它们之间的链接构成了树状模型结构。
3.根据权利要求1所述的一种连通性分析的夜光影像城市等级分类方法，其特征在于，所述夜光影最大强度、总强度和强度标准差、城市最大面积、总面积和面积标准差的具体计算函数为：
夜光影最大强度：
Figure FDA0003839058180000021
总强度：
Figure FDA0003839058180000022
强度标准差：
Figure FDA0003839058180000023
城市最大面积：
Figure FDA0003839058180000031
总面积：
Figure FDA0003839058180000032
面积标准差：
Figure FDA0003839058180000033
其中：N为城市区域第1级节点数，ri为第i个节点的平均夜间时间光强值，ai是第i个结点的平均面积。
4.根据权利要求1所述的一种连通性分析的夜光影像城市等级分类方法，其特征在于，所述的城市综合指标计算函数为：
Figure FDA0003839058180000034
其中：a、b、c、d为四个指标的权重系数，权重值可以根据某个指标的强调程度设置为不同的大尺寸，但权重之和必须等于1；TINi、TAi、LNi和MMNi是第i个城市的四个指标；TINmax、TAmax、LNmax和MMNmax是所有城市中最大的指标。
CN202010193084.0A 2020-03-18 2020-03-18 一种连通性分析的夜光影像城市等级分类方法 Active CN111814528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010193084.0A CN111814528B (zh) 2020-03-18 2020-03-18 一种连通性分析的夜光影像城市等级分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010193084.0A CN111814528B (zh) 2020-03-18 2020-03-18 一种连通性分析的夜光影像城市等级分类方法

Publications (2)

Publication Number Publication Date
CN111814528A CN111814528A (zh) 2020-10-23
CN111814528B true CN111814528B (zh) 2022-12-02

Family

ID=72848044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010193084.0A Active CN111814528B (zh) 2020-03-18 2020-03-18 一种连通性分析的夜光影像城市等级分类方法

Country Status (1)

Country Link
CN (1) CN111814528B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884793B (zh) * 2021-01-27 2022-12-23 河南理工大学 一种多时相多等级的城市温度遥感数据分析方法
CN113610873B (zh) * 2021-10-09 2022-04-01 中国科学院地理科学与资源研究所 夜光遥感影像数据处理方法及装置
CN115757604B (zh) * 2022-11-25 2023-08-25 河南理工大学 一种基于夜光影像数据的gdp时空演变分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991529A (zh) * 2017-03-28 2017-07-28 武汉大学 基于跨域多维大数据的城市夜间灯光经济指数评价方法
KR101856490B1 (ko) * 2017-11-17 2018-05-10 노아에스앤씨 주식회사 폭우에 대한 재해취약성 정보 자동처리방법
WO2019196186A1 (zh) * 2018-04-12 2019-10-17 东南大学 一种用于构建城市设计数字化沙盘的系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991529A (zh) * 2017-03-28 2017-07-28 武汉大学 基于跨域多维大数据的城市夜间灯光经济指数评价方法
KR101856490B1 (ko) * 2017-11-17 2018-05-10 노아에스앤씨 주식회사 폭우에 대한 재해취약성 정보 자동처리방법
WO2019196186A1 (zh) * 2018-04-12 2019-10-17 东南大学 一种用于构建城市设计数字化沙盘的系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
中原经济区城市中心性及其空间影响力分析;全少莉等;《西北师范大学学报(自然科学版)》;20160531(第03期);第123-127页 *
地域功能视阈下的河南城市组团发展研究;龚迎春等;《资源开发与市场》;20151231(第12期);第1437-1442页 *
基于产业集聚发展的城镇规模等级结构研究――以河南省为例;李新瑜;《中国农业资源与区划》;20170228(第02期);第190-195页 *

Also Published As

Publication number Publication date
CN111814528A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111814528B (zh) 一种连通性分析的夜光影像城市等级分类方法
CN111680025B (zh) 面向自然资源多源异构数据时空信息智能同化的方法及系统
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
CN107402976A (zh) 一种基于多元异构模型的电网多源数据融合方法及系统
CN109472390B (zh) 基于机器学习的规划方案智能生成方法及系统
CN107918830B (zh) 一种基于大数据技术的配电网运行状态评估方法
CN111222661A (zh) 一种城市规划实施效果分析评估方法
CN109523316A (zh) 商业服务模型的自动化建模方法
CN109102193A (zh) 地理设计生态红线划定与管理系统及数据库、评价模型
CN106022477A (zh) 智能分析决策系统及方法
CN102779143B (zh) 知识谱系的可视化方法
CN113590698B (zh) 基于人工智能技术的数据资产分类建模与分级保护方法
CN111552813A (zh) 一种基于电网全业务数据的电力知识图谱构建方法
CN108170769A (zh) 一种基于决策树算法的装配制造质量数据处理方法
CN112182077B (zh) 一种基于数据中台技术的智能运维系统
CN109190094A (zh) 基于ifc标准的建筑信息模型文件切分方法
CN115438199A (zh) 一种基于智慧城市场景数据中台技术的知识平台系统
CN110287995B (zh) 全天高架交通拥堵情况分级的多特征学习网络模型方法
CN106815320B (zh) 基于拓展三维直方图的调研大数据可视化建模方法及系统
Yufei et al. Application of Big Data Analysis Methods for Technology Foresight in Strategic Emerging Industries
CN115293585B (zh) 一种基于gis-t搭建路网机动车动态排放清单的方法
CN116842092A (zh) 数据建库及归集管理的方法及系统
CN110990907A (zh) 基于特征-资源知识的船用柴油机关重件可制造性三级优化方法
CN116246076A (zh) 一种传统民居院落肌理特征识别应用方法和系统
CN115293827A (zh) 一种助力企业精细化运营的模型可解释性分析新方法

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
GR01 Patent grant
GR01 Patent grant