CN113672788A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113672788A CN113672788A CN202110828336.7A CN202110828336A CN113672788A CN 113672788 A CN113672788 A CN 113672788A CN 202110828336 A CN202110828336 A CN 202110828336A CN 113672788 A CN113672788 A CN 113672788A
- Authority
- CN
- China
- Prior art keywords
- building
- data
- poi
- type
- types
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000019771 cognition Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Library & Information Science (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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，步骤包括：获取建筑矢量数据、POI数据以及AOI数据；将各个POI数据点与各自最接近的建筑矢量进行连接；计算每个建筑矢量各个功能类型的权重总值Qi；计算各个功能类型的权重总值比例PR，并将PR最大的功能类型作为建筑矢量的建筑类型；利用建筑矢量内部及周围一定范围内不同类型的POI数据，结合权重赋值划分建筑功能类型，并利用AOI数据对余下未识别建筑进行补充识别，以实现城市建筑的功能分类。该城市建筑功能分类方法相较于传统收集方法和单使用POI核密度计算的方法而言更为快速、准确、范围更广、分类更详细。
Description
技术领域
本发明涉及一种城市建筑分类方法，尤其是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。
背景技术
城市建筑作为城市形态的重要因素之一，是人类活动的主要场所和社会发展的重要载体，也是城市空间结构研究的基本单元。城市建筑的三维信息是分析城市物理环境科学性与合理性的重要依据，同样的，城市建筑的功能属性影响建筑内活动人员的使用情况，对研究能耗计算、城市规划、土地利用、人口热度等起到科学支撑。近年来，学者们致力于研究城市建筑功能分类的标准定义及方法，但还未形成统一的分类标准。在分类方法方面，由于政府公开数据较少，城市建筑的功能属性主要靠人工收集和整理，这种方法实施复杂、工作量大、效率低，不适用于宏观尺度城市建筑大批量分类。随着大数据时代的到来，多源地理大数据由于其简单易得、更新快、数据量全的优点，是城市建筑功能分类技术研究的新方向。
目前现有技术仍存在一些问题：一、准确度低，由于只利用POI数据源，城市尺度内部分建筑未包含POI点，无法被完全识别并分类；二、处理区域范围小，目前研究采用的方法只适用于城市内片区的建筑功能分类，无法做到城市大批量、快速处理；三、功能类型少，分类精细程度越高，分类方法越复杂，城市建筑功能分类方法大多将城市建筑分为住宅类和非住宅类，无法服务于分类需求更高的城市尺度建筑研究。
因此，有必要设计出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，具有效率更高、范围更广、分类更详细，适用性更强的优点，为以城市建筑为研究对象的研究提供精确数据源。
发明内容
发明目的：提供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，能够基于现有多源大数据将城市建筑按使用功能分为住宅类、学校类、办公就业类、商业服务类、公共服务类等五大类建筑，为以城市建筑为研究对象的研究提供精确数据源。
技术方案：本发明所述的基于多源数据和权重系数法的城市建筑功能分类方法，包括如下步骤：
步骤1，获取待分类区域的建筑矢量数据、POI数据以及AOI数据，并对获取的POI数据进行预处理；
步骤2，将建筑矢量数据以及预处理后的POI数据导入ArcGIS软件，再将POI数据中的各个 POI数据点与各自最接近的建筑矢量进行连接，使得POI数据点落入其中的面为该POI数据点最接近的面，使每个POI数据点增加相连接的建筑矢量的属性字段；
步骤3，根据各个POI数据点的属性字段统计出各个建筑矢量对应的各个功能类型的POI数据点的数量，并乘以相应权重qj，计算每个建筑矢量的各个功能类型的权重总值Qi；
步骤4，利用权重总值Qi计算各个功能类型的权重总值比例PR，并将权重总值比例PR最大的功能类型作为建筑矢量的建筑类型。
进一步的，还包括如下步骤：
步骤5，利用ArcGIS软件的空间连接功能对步骤4后未成功分类的建筑按照范围阈值对照表与POI数据进行空间连接，从而识别出对应的建筑类型。
进一步的，还包括如下步骤：
步骤6，导出ArcGIS软件未识别建筑类型的建筑，将AOI数据依据属性进行建筑类型分类，再以建筑矢量为目标图层，以各建筑类型的AOI数据为源图层，按位置选择出对应类型的建筑。
进一步的，步骤3中，权重总值Qi的计算公式为：
Qi＝∑qjNj
式中，i＝1,2,3,4,5，用于分别表示住宅类、学校类、办公就业类、商业服务类以及公共服务类这五种建筑类型；j＝1,2,3,…，用于表示POI二级类型；qj表示某个建筑矢量的第i类功能对应的二级j类POI权重值；Nj表示某个建筑矢量的第i类功能对应的二级j类POI数量。
进一步的，步骤4中，权重总值比例PR的计算公式为：
式中，i＝1,2,3,4,5，用于分别表示住宅类、学校类、办公就业类、商业服务类以及公共服务类这五种建筑类型，PRi表示某一序号建筑的i类功能所占比例。
进一步的，步骤1中，建筑矢量数据包括建筑的几何轮廓、经纬度以及高度信息；POI数据包括POI数据点的名称、坐标、地址以及类别；AOI数据包括AOI数据面的名称、坐标、地址以及类别。
进一步的，步骤1中，对获取的POI数据进行预处理的具体处理包括坐标纠偏步骤、剔除步骤、去重步骤、归类步骤以及重分类步骤；其中，
坐标纠偏步骤用于将地图原始的火星坐标POI转化为WGS84坐标系的数据；
剔除步骤用于剔除信息缺失、不是实体建筑、空间范围较小或者公众认知度低的POI数据点；
去重步骤用于将名称、经纬度重复的POI数据点剔除；
归类步骤用于将数据类型模糊、未详细归类或者只赋予为相关场所类型的这部分数据根据重要关键词进行分类；
重分类步骤用于对地图数据的现有分类重新分类为住宅类、学校类、办公就业类、商业服务类以及公共服务类这五大类建筑。
进一步的，步骤2中，属性字段包括连接建筑矢量的序号、高度信息以及与建筑矢量的距离，并根据属性字段剔除与建筑矢量距离超过设定的最大距离阈值的POI数据点。
本发明与现有技术相比，其有益效果是本发明基于权重系数法，利用POI、AOI等多源大数据，对城市建筑功能进行分类，相较于传统收集方法和单使用POI核密度计算的方法而言，该方法更为快速、准确、范围更广、分类更详细，可适用于多个城市；本发明能够将城市建筑按使用功能分为住宅类、学校类、办公就业类、商业服务类、公共服务类等五大类建筑，为以城市建筑为研究对象的研究提供精确数据源；利用建筑矢量内部及周围一定范围内不同类型的 POI数据，结合权重赋值划分建筑功能类型，并利用AOI数据，对余下未识别建筑进行补充识别，以实现城市建筑的功能分类。
附图说明
图1为本发明的分类方法流程图；
图2为本发明的实施例中POI、AOI、建筑矢量示意图；
图3为本发明的实施例南京市建筑功能分类结果示意图；
图4为本发明的实施例南京市验证与实证数据对比示意图。
具体实施方式
下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例1：
如图1所示，本发明提供了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，包括如下步骤：
步骤1，获取待分类区域的建筑矢量数据、POI数据以及AOI数据，并对获取的POI数据进行预处理；
步骤2，将建筑矢量数据以及预处理后的POI数据导入ArcGIS软件，再将POI数据中的各个 POI数据点与各自最接近的建筑矢量进行连接，使得POI数据点落入其中的面为该POI数据点最接近的面，使每个POI数据点增加相连接的建筑矢量的属性字段；
POI数据点是某一地理实体抽象成点的结果，它所代表的地理实体建筑面积和公众认知度存在差异，例如一个实体建筑为火车站，它可能只包含1个“火车站”POI数据点，但却包含“便利店”、“餐饮店”等多个商业类型POI数据点，仅通过建筑内POI核密度会将其识别为商业类型建筑，因此需要在核密度的基础上考虑权重问题；
步骤3，根据各个POI数据点的属性字段统计出各个建筑矢量对应的各个功能类型的POI数据点的数量，并乘上相应权重qj，计算每个建筑矢量的各个功能类型的权重总值Qi；
步骤4，利用权重总值Qi计算各个功能类型的权重总值比例PR，并将权重总值比例PR最大的功能类型作为建筑矢量的建筑类型。
本发明基于权重系数法，利用POI、AOI等多源大数据，对城市建筑功能进行分类，相较于传统收集方法和单使用POI核密度计算的方法而言，该方法更为快速、准确、范围更广、分类更详细，可适用于多个城市；本发明能够将城市建筑按使用功能分为住宅类、学校类、办公就业类、商业服务类、公共服务类等五大类建筑，为以城市建筑为研究对象的研究提供精确数据源；利用建筑矢量内部及周围一定范围内不同类型的POI数据，结合权重赋值划分建筑功能类型，并利用AOI数据，对余下未识别建筑进行补充识别，以实现城市建筑的功能分类。
本实施例选取的待分类区域如图2所示，包含POI、AOI以及建筑矢量数据。POI(Point of Interest)数据，即兴趣点，它指在地理上能被抽象理解为点的实体，包含名称、坐标、地址、类别四项基本信息。本发明通过高德地图API，基于python语言编程，下载待分类区域内各个类型POI数据。AOI(Area of Interest)数据，即兴趣面，地图中的兴趣面，它指地图上区域状的地理实体，同样包含名称、坐标、地址、类别这四项基本信息。本发明AOI数据主要通过 OpenStreetMap下载待分类区域内各类型兴趣面边界点，再通过ArcGIS转成兴趣面边界面。
进一步的，由于POI数据点类型广泛，所对应的地理实体用地面积存在差异，某个具体的 POI数据点既可以指商场内的某一商铺，也可指代整个小区、工厂、学校等占地面积较大的建筑群，因此，仅将POI数据点与最近建筑进行空间连接将会导致同样带有相应POI属性的建筑群未被识别。于是本发明还包括如下步骤：
步骤5，利用ArcGIS软件的空间连接功能对步骤4后未成功分类的建筑按照范围阈值对照表与POI数据进行空间连接，从而识别出对应的建筑类型，其中，范围阈值对照表如表1所示：
表1建筑功能与POI对照分类及其包含范围
本发明通过整理POI数据对应地理实体建筑群的类型，统计该类建筑群的用地面积，取相应的平均范围半径，如表1所示，在ArcGIS软件上按照相应的范围半径对POI数据和建筑矢量进行空间连接。
进一步的，由图2可知，仍有部分建筑内部及周围未包含POI数据点，导致这类建筑无法利用POI数据的属性识别其功能类型，这主要由于POI点的数据并不完整，或者是对应的POI 数据点由于位置偏移被赋予了其他建筑，其次是按一定范围所识别得建筑并未完全准确覆盖；因此本发明还包括如下步骤：
步骤6，导出ArcGIS软件未识别建筑类型的建筑，将AOI数据依据属性进行建筑类型分类，再以建筑矢量为目标图层，以各建筑类型的AOI数据为源图层，按位置选择出对应类型的建筑。
进一步的，步骤3中，权重总值Qi的计算公式为：
Qi＝∑qjNj
式中，i＝1,2,3,4,5，用于分别表示住宅类、学校类、办公就业类、商业服务类以及公共服务类这五种建筑类型；j＝1,2,3,…，用于表示POI二级类型；qj表示某个建筑矢量的第i类功能对应的二级j类POI权重值，具体权重值见表2；Nj表示某个建筑矢量的第i类功能对应的二级j类POI数量。
进一步的，步骤4中，权重总值比例PR的计算公式为：
式中，i＝1,2,3,4,5，用于分别表示住宅类、学校类、办公就业类、商业服务类以及公共服务类这五种建筑类型，PRi表示某一序号建筑的i类功能所占比例。
进一步的，步骤1中，建筑矢量数据包括建筑的几何轮廓、经纬度以及高度信息；POI数据包括POI数据点的名称、坐标、地址以及类别；AOI数据包括AOI数据面的名称、坐标、地址以及类别。
进一步的，步骤1中，对获取的POI数据进行预处理的具体处理包括坐标纠偏步骤、剔除步骤、去重步骤、归类步骤以及重分类步骤；其中，
坐标纠偏步骤用于将高德地图原始的火星坐标POI数据转化为WGS84坐标系的数据；
剔除步骤用于剔除信息缺失、不是实体建筑、空间范围较小或者公众认知度低的POI数据点，例如充电桩、停车场、公墓、电话亭等，需将这类数据进行剔除，以避免其干扰；
去重步骤用于将名称、经纬度重复的POI数据点剔除，避免数据重复分析；
归类步骤用于将数据类型模糊、未详细归类或者只赋予为相关场所类型的这部分数据根据重要关键词进行分类，该部分数据占比较大，不容忽略，应将该部分数据的名称根据重要关键词重新进行分类；
重分类步骤用于对高德地图数据的现有分类重新分类为住宅类、学校类、办公就业类、商业服务类以及公共服务类这五大类建筑。因为高德地图对POI一共有三级分类(大类、中类、小类)，其中一级分类有23个，二级分类有267个，三级分类有869个。这些分类的依据主要是针对地图使用者的出行目的，不适用于建筑类型的划分，同时类型过于复杂增加了建筑按功能分类的技术难度，因此需要对原始属性进行重分类，分为住宅类、学校类、办公就业类、商业服务类、公共服务类等五大类建筑，保留原始数据的一级分类、二级分类，具体分类见表2。
表2建筑功能与POI对照分类及其权重
进一步的，步骤2中，属性字段包括连接建筑矢量的序号、高度信息以及与建筑矢量的距离，并根据属性字段剔除与建筑矢量距离超过设定的最大距离阈值的POI数据点。
本实施例对南京市245294栋建筑功能进行分类，由于数据源公开情况有限，主要利用2020 年第一季度高德地图POI数据和AOI数据、2018年第一季度建筑矢量数据，利用本发明的分类方法，将南京市建筑按住宅类、学校类、商业服务类、办公就业类、公共服务类五大类型进行识别分类，分类结果如图3所示。可以看出，南京总体设施混合度较高，其中住宅类建筑占比较大，多聚集成团，分布在街区内部；办公就业类建筑也是聚集分布，体现职住分离；商业服务类建筑多沿道路两旁分布；学校类建筑和公共服务类建筑相对分散，主要分布于住宅类建筑周边。图3中仍存在小部分未识别建筑，多位于远郊或零散角落分布，分析其原因，主要如下： (1)建筑矢量与POI及AOI的数据源年代存在差异，可能存在部分建筑矢量被拆或重建，未有 POI及AOI与其匹配；(2)一些POI类型单点对应多个建筑，在本发明的分类方法中按一定范围原则进行空间连接，这一范围主要取平均标准值，然而实际上这些建筑群占地面积有大有小，可能导致部分建筑未被范围覆盖；(3)一些位于城郊、军事管理区、铁路设施用地等敏感区域的建筑未被识别。
其中按住宅建筑3.2m，其他非住宅类建筑4.5m，未识别建筑按平均值4m设置层高，计算每种类型建筑面积，统计结果如表3。南京市住宅类、学校类、商业服务类、办公就业类、公共服务类、未识别建筑数量分别占总数量43.56％、4.10％、5.62％、25.26％、4.71％、16.75％，建筑面积分别占比67.17％、0.87％、8.85％、13.65％、4.70％、4.76％，可以看出未识别建筑的建筑面积占比较小，说明分类方法总体识别率较高。
表3南京市建筑功能分类统计
为校验本发明分类方法的准确性，将通过本发明分类方法获得的南京市待验证建筑数据转为点数据并进行核密度分析，计算出南京市不同建筑密度区。现选取两个半径为500m的圆形区域为样本，这两个研究区域分别位于不同的建筑核密度区，其中样本1位于建筑高密度区，具体范围为南京市玄武区的新街口附近，样本二位于低密度区，具体范围为南京市建邺区的应天大街附近，如图4所示。
由于实证数据获取渠道有限，现利用规划局的2014年前的CAD数据作为实证数据，实证数据的建筑分类方法是将样本区域中的建筑与现实建筑的使用状况进行一一核对，将建筑类别划分入住宅类、学校类、商业服务类、公共服务类、办公就业类这五类之一。详细的验证数据和实证数据分类结果如图4所示，验证统计结果见表4。
表4南京市校验区域建筑信息统计
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (8)
1.一种基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，包括如下步骤：
步骤1，获取待分类区域的建筑矢量数据、POI数据以及AOI数据，并对获取的POI数据进行预处理；
步骤2，将建筑矢量数据以及预处理后的POI数据导入ArcGIS软件，再将POI数据中的各个POI数据点与各自最接近的建筑矢量进行连接，使得POI数据点落入其中的面为该POI数据点最接近的面，使每个POI数据点增加相连接的建筑矢量的属性字段；
步骤3，根据各个POI数据点的属性字段统计出各个建筑矢量对应的各个功能类型的POI数据点的数量，并乘以相应权重qj，计算出每个建筑矢量的各个功能类型的权重总值Qi；
步骤4，利用权重总值Qi计算各个功能类型的权重总值比例PR，并将权重总值比例PR最大的功能类型作为建筑矢量的建筑类型。
2.根据权利要求1所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，还包括如下步骤：
步骤5，利用ArcGIS软件的空间连接功能对步骤4后未成功分类的建筑按照范围阈值对照表与POI数据进行空间连接，从而识别出对应的建筑类型。
3.根据权利要求2所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，还包括如下步骤：
步骤6，导出ArcGIS软件未识别建筑类型的建筑，将AOI数据依据属性进行建筑类型分类，再以建筑矢量为目标图层，以各建筑类型的AOI数据为源图层，按位置选择出对应类型的建筑。
4.根据权利要求1所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，步骤3中，权重总值Qi的计算公式为：
Qi＝∑qjNj
式中，i＝1,2,3,4,5，用于分别表示住宅类、学校类、办公就业类、商业服务类以及公共服务类这五种建筑类型；j＝1,2,3,…，用于表示POI二级类型；qj表示某个建筑矢量的第i类功能对应的二级j类POI权重值；Nj表示某个建筑矢量的第i类功能对应的二级j类POI数量。
5.根据权利要求1所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，步骤4中，权重总值比例PR的计算公式为：
式中，i＝1,2,3,4,5，用于分别表示住宅类、学校类、办公就业类、商业服务类以及公共服务类这五种建筑类型，PRi表示某一序号建筑的i类功能所占比例。
6.根据权利要求1所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，步骤1中，建筑矢量数据包括建筑的几何轮廓、经纬度以及高度信息；POI数据包括POI数据点的名称、坐标、地址以及类别；AOI数据包括AOI数据面的名称、坐标、地址以及类别。
7.根据权利要求1所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，步骤1中，对获取的POI数据进行预处理的具体处理包括坐标纠偏步骤、剔除步骤、去重步骤、归类步骤以及重分类步骤；其中，
坐标纠偏步骤用于将地图原始的火星坐标POI数据转化为WGS84坐标系的数据；
剔除步骤用于剔除信息缺失、不是实体建筑、空间范围较小或者公众认知度低的POI数据点；
去重步骤用于将名称、经纬度重复的POI数据点剔除；
归类步骤用于将数据类型模糊、未详细归类或者只赋予为相关场所类型的这部分数据根据重要关键词进行分类；
重分类步骤用于对地图数据的现有分类重新分类为住宅类、学校类、办公就业类、商业服务类以及公共服务类这五大类建筑。
8.根据权利要求1所述的基于多源数据和权重系数法的城市建筑功能分类方法，其特征在于，步骤2中，属性字段包括连接建筑矢量的序号、高度信息以及与建筑矢量的距离，并根据属性字段剔除与建筑矢量距离超过设定的最大距离阈值的POI数据点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110828336.7A CN113672788B (zh) | 2021-07-22 | 2021-07-22 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110828336.7A CN113672788B (zh) | 2021-07-22 | 2021-07-22 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113672788A true CN113672788A (zh) | 2021-11-19 |
| CN113672788B CN113672788B (zh) | 2024-04-09 |
Family
ID=78539975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110828336.7A Active CN113672788B (zh) | 2021-07-22 | 2021-07-22 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113672788B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454253A (zh) * | 2023-12-08 | 2024-01-26 | 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 |
| CN117710893A (zh) * | 2023-12-25 | 2024-03-15 | 上海盛煌智能科技有限公司 | 一种多维度数字画像智慧校园数字化系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112926175A (zh) * | 2019-12-10 | 2021-06-08 | 中国再保险(集团)股份有限公司 | 一种双层嵌入式poi定量评分系统及空间权重模型 |
| US20210217117A1 (en) * | 2019-01-25 | 2021-07-15 | Southeast University | Automatic urban land identification system integrating business big data with building form |
-
2021
- 2021-07-22 CN CN202110828336.7A patent/CN113672788B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20210217117A1 (en) * | 2019-01-25 | 2021-07-15 | Southeast University | Automatic urban land identification system integrating business big data with building form |
| CN112926175A (zh) * | 2019-12-10 | 2021-06-08 | 中国再保险(集团)股份有限公司 | 一种双层嵌入式poi定量评分系统及空间权重模型 |
Non-Patent Citations (2)
| Title |
|---|
| SIHONG DU 等: "A Cross-Scale Analysis of the Correlation between Daytime Air Temperature and Heterogeneous Urban Spaces", SUSTAINABILITY, 16 September 2020 (2020-09-16), pages 1 - 22 * |
| 曹元晖 等: "基于POI数据的城市建筑功能分类方法研究", 地球信息科学, vol. 22, no. 6, 30 June 2020 (2020-06-30), pages 1339 - 1348 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454253A (zh) * | 2023-12-08 | 2024-01-26 | 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 |
| 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 |
| CN117710893A (zh) * | 2023-12-25 | 2024-03-15 | 上海盛煌智能科技有限公司 | 一种多维度数字画像智慧校园数字化系统 |
| CN117710893B (zh) * | 2023-12-25 | 2024-05-10 | 上海盛煌智能科技有限公司 | 一种多维度数字画像智慧校园数字化系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113672788B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325085B (zh) | 一种城市用地功能识别与变化检测方法 | |
| CN106503714B (zh) | 一种基于兴趣点数据识别城市功能区的方法 | |
| WO2022198963A1 (zh) | 基于大数据的商业空间品质评价方法、系统、设备及介质 | |
| CN107526786A (zh) | 基于多源数据的地名地址数据整合的方法和系统 | |
| WO2016141753A1 (zh) | 基于路网和兴趣点的声环境功能区划分方法 | |
| CN110348506B (zh) | 基于遥感图像的土地利用分类方法、存储介质和计算设备 | |
| CN111581315B (zh) | 一种公共服务设施可达性计算方法及装置 | |
| CN107133900B (zh) | 城市土地混合利用特征格网计算方法及装置 | |
| CN111401692B (zh) | 一种度量城市空间功能紧凑度的方法 | |
| CN113672788A (zh) | 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 | |
| CN110458333A (zh) | 一种基于POIs数据的人口空间分布预测方法及系统 | |
| CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
| CN112288311A (zh) | 一种基于poi数据的居住区配套设施便捷度计量方法 | |
| CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
| CN111797188A (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 | |
| Li | Mapping urban land use by combining multi-source social sensing data and remote sensing images | |
| Chen et al. | Mapping urban functional areas using multi-source remote sensing images and open big data | |
| Karume et al. | Use of remote sensing for population number determination | |
| CN117610872A (zh) | 一种户外健身设施供需适配度智能化评测方法及系统 | |
| Chung et al. | Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China | |
| CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
| CN115393886A (zh) | 一种基于poi和aoi数据的城市功能区识别方法及存储介质 | |
| CN115457386A (zh) | 一种村庄用地信息化生成方法 | |
| CN113610346B (zh) | 基于多源数据的村庄发展潜力评价及村庄分类方法及装置 | |
| Bond et al. | The role of geographic information systems in survey analysis |
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 |