CN114266138A - 一种利用云端数据进行城市边缘区识别与验证方法 - Google Patents

Abstract

本发明提出了一种利用云端数据进行城市边缘区识别与验证方法，包括以下步骤：S1，选取能反映出城市边缘区的特征指标；S2，寻找突变点并进行连接，从而确定城市边缘区的范围；S3，对得到城市边缘区的空间分布范围进行验证。本发明方法能够减少主观因素影响并有效剔除噪声，准确地识别出城市边缘区的空间范围。且相比以往根据夜间灯光、植被指数等数据分析的验证方法，本发明通过选取一定数量样本点进行验证的结果更加可靠。

Description

一种利用云端数据进行城市边缘区识别与验证方法

技术领域

本发明涉及城市规划技术领域，特别是涉及一种利用云端数据进行城市边缘区识别与验证方法。

背景技术

城市化的目的在于推动城乡空间的融合发展，以期实现城市和农村人民群众的共同进步。但是，城市化会在生态环境、资源配置等诸多方面带来影响。当前，已有大量研究集中于城市和乡村的土地覆盖变化和区域气候，却忽略了城市边缘区的重要性。在2019年，中国就提出要健全城乡融合发展体制机制，那如何推动新时代城乡融合高质量发展这一课题便获取了更多的关注。而城市边缘区又作为城市与乡村的交融区域，对它展开一系列研究也将具有重要的现实意义。为了进行相关研究，就有必要精确地识别出城市边缘区的空间范围。这也将为后续研究其景观格局变化、空间演变规律以及内部资源的空间结构打下基础。城市边缘区作为城市地域结构的一个重要组成部分，是城市建设中最复杂、最富变化的地区，是一个城市功能和乡村功能互为渗透，社会经济发展特殊而又十分活跃的地带。所以，准确地判别出其空间范围可为城市规划提供借鉴。

早在1936年，德国地学家Herbert Louis就提出了城市边缘区的概念——乡村区域中逐渐被城市建设用地占用的部分。在最初的识别研究当中，由于数据与技术的缺乏，学者根据经验将城市周边10km～50km的范围或城市核心区与乡村之间大概10km的空心圆环划为城市边缘区。同时，还有研究采用按行政区统计的数据来划分城市边缘区。以上的方法主要受主观因素和行政区边界的限制，其结果往往与城市边缘区的真实分布存在较大差异。随着技术与理论的革新，出现了多元化的数据和理论，这也推动了对城市边缘区识别研究的进程。

然而以往对于城市边缘区的识别研究在适用范围、识别效率、结果受主观影响因素等方面存在局限。且以往对于城市边缘区的识别研究无法分离出突变点产生的噪声，这会对识别结果造成一定影响。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种能够有效分离出噪声并减少主观因素影响的城市边缘区识别方法。

为了实现本发明的上述目的，本发明提供了一种利用云端数据进行城市边缘区识别与验证方法，调用云端数据进行边缘计算包括以下步骤：S1，选取能反映出城市边缘区的特征指标；S2，寻找突变点并进行连接，从而确定城市边缘区的范围。调用云端数据前会对调用数据进行安全性校对，云端对传输至客户端的数据进行以下步骤：

S01，云端将待调用至客户端的数据进行压缩，得到其压缩待命名传输包；其压缩方式为现有技术手段，例如RAR、zip、7Z之一的压缩方法，其解压缩采用RAR、zip、7Z之一对应的解压缩方法。

S02，对步骤S01中得到的压缩待命名传输包执行运算，得到其压缩码；其压缩码的计算方法为：

Compression Number＝Verify Implement Arithmetic<DataArchive>，

其中，Compression Number表示通过执行算法得到的压缩码；

Verify Implement Arithmetic<>表示本发明中执行的算法，可以采用MD5哈希算法，也可以是SHA-1或者sha256；

DataArchive表示输入执行算法中的压缩待命名传输包；

S03，将步骤S02中得到的压缩码作为压缩待命名传输包的压缩包名称，得到其压缩待传输包；

S04，将压缩待传输包传输至客户端，客户端对云端发送的压缩待传输包进行存储，得到其压缩存储包，对本步骤中得到的压缩存储包执行的算法，得到其比对码，其比对码的计算方法为：

juxtapose Number＝Verify Implement Arithmetic<MemoryData>，

其中，juxtapose Number表示通过执行算法得到的比对码；

Verify Implement Arithmetic<>表示本发明中执行的算法，可以采用MD5哈希算法，也可以是SHA-1或者sha256；

MemoryData表示输入执行算法中的压缩存储包；

S05，比较比对码与压缩存储包的压缩包名称是否一致：

若比对码与压缩存储包的压缩包名称一致，则客户端存储的压缩存储包与云端发送的压缩待传输包一致，对其压缩存储包进行解压缩，得到其调用云端数据；

若比对码与压缩存储包的压缩包名称不一致，则重新调用云端数据。

在本发明的一种优选实施方式中，所述S1中的特征指标包括：单一指标或者多指标；

单一指标包括：基于土地利用数据的土地利用信息熵、土地利用程度综合指数、土地利用动态度、建设用地密度、夜间灯光数据、不透水表面积、兴趣点密度、人口密度中的任一项；

多指标为多个单一指标的任意组合，但不仅限于上述提及的单一指标。

在本发明的一种优选实施方式中，所述S1中包括：

S1-1，选取指标；

S1-2，确定所选指标的尺度：结合定量分析与定性分析的结果来确定最佳空间尺度；

定量分析：采用半方差函数的克里金插值模型来计算不同尺度下指标的半方差参数，通过ARCGIS软件的波段集统计工具计算克里金插值模型的预测结果与真实值的相关系数r，并通过比较不同尺度下的相关系数r和空间相关性C₀/(C₀+C)来初步筛选合适的空间尺度；

定性分析：利用ARCGIS软件提取同一样带上的建设用地密度值来分析不同尺度之间的差异，从而选出能较好地保留原始信息，且数据冗余较小的空间尺度。

在本发明的一种优选实施方式中，所述S1-2中的半方差函数包括：

其中ω(d)是半方差函数；

d代表样点间的间隔距离；

N(d)代表间隔距离为d时的全部观测点的成对数；

Z(x_i)和Z(x_i+d)分别代表样点在x_i和x_i+d时的值，在本发明中特指建设用地密度。

在本发明的一种优选实施方式中，通过ARCGIS软件的波段集统计工具计算克里金插值模型的预测结果与真实值的相关系数r包括：

首先计算协方差：

其中：z为像元值，i、j为图层，μ为图层平均值，N为像元的数量，k表示特定像元。

再通过协方差计算r：

其中：r_ij为图层i、j之间的相关系数，Cov_ij为协方差，δ为标准差。

在本发明的一种优选实施方式中，所述S2中寻找突变点的方法包括：阈值法、曼-肯德尔法、滑动t检验法、小波变换法、断裂点法中的任一项。

在本发明的一种优选实施方式中，所述小波变换包括：

S2-1，将采样线图层与指标图层相交来提取不同方向上的特征值空间序列曲线；

S2-2，对指标的空间序列曲线进行空间连续小波变换得到小波系数；

空间连续小波变换：

其中SCWT代表小波变换系数；

a代表尺度因子；

s(x)代表待分析函数；

代表小波函数；

τ代表平移因子。

在本发明的一种优选实施方式中，所述S2中连接的方法包括：手动连接法、空间叠加法、Delaunay三角网法、基于核密度和城市边界数据方法中的任一项。

在本发明的一种优选实施方式中，所述基于核密度和城市边界数据方法包括以下步骤：

S-A，对突变点进行核密度估计；

S-B，通过重分类的方法提取外边界；

S-C，使用城市边界数据作为内边界并对S-B得到的结果进行擦除。

在本发明的一种优选实施方式中，所述核密度估计包括：

代表在空间位置(x,y)处的核密度值；

n代表与位置(x_i,y_i)的距离小于等于h的突变点数量；

h代表搜索半径；

x_i为突变点i的横坐标；

y_i为突变点i的纵坐标；

x为搜索半径内待估算栅格中心点的横坐标；

y为搜索半径内待估算栅格中心点的纵坐标；

(x-x_i)²+(y-y_i)²代表搜索半径内待估算栅格中心点和突变点i之间欧氏距离的平方。

在本发明的一种优选实施方式中，还包括步骤S3，对步骤S2中得到的城市边缘区的空间分布范围进行验证；

其验证方法包括：

通过判断类夜间灯光数据在划分出的城市边缘区、城市区域、乡村区域中是否存在梯度变化的特征。通过判断夜间灯光数据再划分出的城市边缘区、城市区域、乡村区域的方法包括以下步骤：

S31，获取夜间拍摄的图像数据，一般选取晚上八点半到九点之间拍摄的图像数据。

S32，对拍摄的图像进行处理，其对拍摄的图像进行处理的方法包括以下步骤：

判断其遥感拍摄的影像图像是否为彩色图片：

若拍摄的影像图像为彩色图片，则将彩色图片转换为灰度图片，其将彩色图片转换为灰度图片的方法为：

Grayscale image(i,j)＝R_{Color image(i,j)}×r+G_{Color image(i,j)}×g+B_{Color image(i,j)}×b，

其中，Grayscale image(i,j)表示在像素点坐标(i,j)处的像素值；

表示影像图像像素点坐标集合，I表示影像图像的竖向像素点总个数，J表示影像图像的横向像素点总个数，I＝η*P，η表示影像图像的分辨率，P表示影像图像的竖向宽度，J＝η*Q，Q表示影像图像的横向宽度；

R_{Color image(i,j)}表示在像素点坐标(i,j)处的红色量；

G_{Color image(i,j)}表示在像素点坐标(i,j)处的绿色量；

B_{Color image(i,j)}表示在像素点坐标(i,j)处的蓝色量；

r表示红色量调节参数；

g表示绿色量调节参数；

b表示蓝色量调节参数；执行下一步；

若拍摄的影像图像为灰度图片，则执行下一步；

S33，判断计算的像素值与预设第一像素阈值和预设第二像素阈值间的关系：

若

其中，Grayscale image(i,j)表示计算得到的像素值，

表示预设第一像素阈值；则将像素点坐标(i,j)处的像素值标记为红色；

若

其中，

表示预设第二像素阈值；则将像素点坐标(i,j)处的像素值标记为绿色；预设第二像素阈值小于预设第一像素阈值；

若

则将像素点坐标(i,j)处的像素值标记为蓝色；

S34，将步骤S33中所有标记为红色的像素点划分为城市区域，将步骤S33中所有标记为绿色的像素点划分为城市边缘区域，将步骤S33中所有标记为蓝色的像素点划分为乡村区域；

S35，计算三个区域的面积，其计算公式为：

S_城市区域＝N₁×ΔS，

其中，N₁表示划归城市区域的像素点总个数；

ΔS表示每个像素点的面积量；

S_城市区域表示城市区域的面积量；

S_{城市边缘区域}＝N₂×ΔS，

其中，N₂表示划归城市边缘区域的像素点总个数；

ΔS表示每个像素点的面积量；

S_城市区域表示城市边缘区域的面积量；

S_乡村区域＝N₃×ΔS，

其中，N₃表示划归乡村区域的像素点总个数；

ΔS表示每个像素点的面积量；

S_乡村区域表示城市区域的面积量。

和/或通过人工验证，人工验证包括：随机生成样本点，观察以样本点为中心的遥感影像中的景观特征。

综上所述，由于采用了上述技术方案，本发明方法能够减少主观因素影响并有效剔除噪声，准确地识别出城市边缘区的空间范围。且相比以往根据夜间灯光、植被指数等数据分析的验证方法，本发明通过选取一定数量样本点进行验证的结果更加可靠。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明不同空间分辨率下建设用地密度的变化示意图。

图2是本发明不同小波函数的突变点提取结果示意图。

图3是本发明采用ARCGIS软件提取建设用地密度值提取的过程示意图。

图4是本发明空间小波变换过程示意图。

图5是本发明样例的突变点提取结果示意图。

图6是本发明样例的城市边缘区范围界定过程示意图。

图7是本发明城市边缘区的识别结果示意图。

图8是本发明城市地区、城市边缘区、乡村地区的面积占比示意图。

图9是本发明人工验证评判标准示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

1.研究方法

1.1指标的选取与尺度的确定

1.1.1指标选取

对于指标的选取主要分为单一指标和多指标两类。其中多指标能够从多方面诠释城市边缘区的特征，但是指标间不免会存在相关性，进而会影响指标体系的科学性。而单一指标却不受相关性的影响，其指标虽然单一，但可以通过选取能较好解释城市边缘区的特征的指标来弥补。单一指标主要包括基于土地利用数据的土地利用信息熵、土地利用程度综合指数、土地利用动态度、建设用地密度，夜间灯光数据，基于VIS模型提取的不透水表面积，兴趣点密度、人口密度等。多指标一般是从自然、社会经济等方面综合考虑选取合适的因子来构建指标体系。

结合前人在城市边缘区识别的工作和现代的城市空间结构理论，发现土地利用和社会经济特征可以有效地划分城市边缘区的空间范围。城市边缘区在城市和乡村的双重影响下，土地的利用情况显得杂乱无序。从单一指标中的建设用地密度来看，城市地区会保持较高的建设用地密度值，城市边缘区的建设用地密度值会波动变化，而乡村地区则会保持较低的建设用地密度值。借助这一特性，本发明将30m的土地利用数据重新分类为建设用地和非建设用地。然后通过ARCGIS中的渔网工具统计250m、500m、750m和1000m空间尺度下的建设用地密度值(格网中建设用地面积占格网总面积的比值)，以便于后文确定研究尺度：

其中：D代表建设用地密度，A代表建设用地面积，Z代表格网面积，i代表第i个格网。

1.1.2格网尺度确定

空间异质性在不同的空间尺度下有着不同的表现，因此在进行研究前有必要选取出最佳的空间尺度。本发明采用定量与定性相结合的方式来确定研究的空间尺度，这将会更加合理。其中定量体现在：针对不同空间尺度造成的空间异质性差异，本发明选用半方差函数的克里金插值模型来描述区域化变量结构性和随机性，并利用ARCGIS中的波段集统计工具来确定预测结果与真实值之间的相关系数。

其中定性体现在：利用ARCGIS软件提取同一样带上的建设用地密度值来分析不同尺度之间的差异，根据不同空间分辨率下建设用地密度的变化，选出其中能较好地保留原始信息，数据冗余较小的空间分辨率。具体标准：根据不同分辨率的建设用地密度图中的波形密度和特征值保留情况来判别，其中密度适中和特征值丢失较少的空间分辨率最佳。最后结合定量与定性分析的结果共同决定最终的空间尺度。

半方差函数的数学表达式如式1，不同尺度下的参数计算结果见表2。

式中：ω(d)是半方差函数；d代表样点间的间隔距离；N(d)代表间隔距离为d时的全部观测点的成对数；Z(x_i)和Z(x_i+d)分别代表样点在x_i和x_i+d时的值，在本发明中特指建设用地密度。当估计x_i的值时，除x_i之外的样点为观测点。

以250m、500m、750m、1000m四个尺度为例，通过半方差函数的克里金插值模型后，建设用地密度的半方差函数参数如表2所示。

表2不同尺度下建设用地密度的半方差函数参数

尺度/m*m	C<sub>0</sub>	C+C<sub>0</sub>	C<sub>0</sub>/(C+C<sub>0</sub>)	A	r
						250	0.0026	0.0189	0.14	825	0.9103
500	0.0042	0.0119	0.26	1542	0.8539
						750	0.0019	0.0113	0.14	1785	0.8250
1000	0.0021	0.0140	0.13	2245	0.7989

注：C₀代表块金值，表示不同空间尺度下造成的随机性误差；C₀+C代表基台值，表示不同空间尺度下的空间异质性程度；C₀/(C₀+C)代表块金效应，表示空间相关度，其值越大空间相关性越弱；A代表变程，表示不同空间尺度下建设用地密度值具有相关性的最大距离；r代表相关系数，表示预测结果与真实值的吻合程度。

通过分析表2中不同尺度下建设用地密度的半方差函数参数，主要根据r值和C₀/(C₀+C)值进行判断，优先判定r值，r值越大越好；若r值差距不大的情况下再判断C₀/(C₀+C)值，C₀/(C₀+C)值越大越好。可以发现在250m和500m的空间尺度下表现较好。

随后，将原始土地利用数据的空间分辨率为30m的建设用地密度重采样为250m、500m、750m、1000m四个尺度，再通过提取同一样带上的建设用地密度值来定性分析不同尺度之间的差异。通过图1可以看到：250m的空间分辨率下，可以较好地保留原始信息，但是数据冗余较大。1000m的空间分辨率下，数据冗余较小，但是无法清晰反应建设用地密度的变化。而500m、750m的空间分辨率下，既减小了数据冗余，又保留了原始信息的特征。由此，结合定量与定性分析的结果，本发明最终确定空间分辨率为500m时最为合理。

1.2突变点检测

对于突变点的确定主要分为阈值法、曼-肯德尔法、滑动t检验法、小波变换法、断裂点法。其中受主观因素影响较大的是阈值法，而其它方法都有数学理论的支撑。

1.2.1空间连续小波变换

连续小波变换广泛应用于信号分析、医学成像与诊断和图像处理，其原理是通过小波和待分析函数作内积的方式来分解原函数。连续小波变换也是突变点检测的常用方法，在检测中一般取光滑函数的一阶导数作为小波函数进行小波变换。在小波变换之后，会使得突变点对应于变换后小波系数的模极大值点。而空间连续小波变换则是将待分析的函数替换成地理空间要素采样成的数据序列，其表达式如式2：

式中：SCWT代表小波变换系数；a代表尺度因子；s(x)代表待分析函数；

代表小波函数；τ代表平移因子。

关于小波函数的选取，本发明在同一条样带上比较了7种小波函数提取的突变点，如图2所示。其中7种小波函数分别是Gaussian wavelets、Mexican hat wavelet、Morletwavelet、Complex Gaussian wavelets、Shannon wavelets、Frequency B-Splinewavelets和Complex Morlet wavelets。发现高斯函数要优于其它函数。因此本发明采用基于gaus1的空间连续小波变换方法来提取突变点群。

gaus1是高斯小波的一种，其小波函数为高斯函数的一阶导数；cagu1是复杂高斯小波的一种，其小波函数为复杂高斯函数的一阶导数；mexh代表Mexican hat wavelet；cmor代表Complex Morlet wavelets；fbsp代表Frequency B-Spline wavelets；shan代表Shannon wavelets；morl代表Morlet wavelet；Scale通过小波方差来确定。

1.2.2检测流程

本发明以成都市的市中心为原点构建一个圆形区域作为样例进行突变点提取。如图3所示，首先将采样线图层与指标图层相交来提取不同方向上的特征值空间序列曲线。然后，对建设用地密度的空间序列曲线进行空间连续小波变换得到小波系数，所述采样线图层包含360条采样线，正北方向为0°样带，度数按顺时针方向递增。以图4的216°样带的建设用地密度为例，可以看到红色实心圆与紫色五角星标注了突变点的位置，并且与原始信号相吻合。最后，将小波系数的模极大值点映射到空间中就完成了样例的突变点提取。如图5所示，可以发现基于gaus1的空间连续小波变换提取的突变点符合实际情况。

1.3城市边缘区范围的界定

对于突变点的连接主要分为手动连接法、空间叠加法、Delaunay三角网法，这三种方式。手动连接相较于其它方法更加繁琐并易受人为干扰；空间叠加法虽然可以综合多种方式的结果，但结果的不确定性较大；Delaunay三角网根据自动设置阈值来删除较长的边，但是对于一些零散的结果仍需要人工参与修正。因此，本发明采用基于核密度和城市边界数据方法来降低主观因素的影响。

从图6中可以发现城市和乡村地区几乎都不包含突变点这一特性。同时，核密度估计在估计边界区域的时候会产生边界效应。因此，本发明想要通过核密度估计和重分类的方式划分出城市边缘区的内外边界。其中重分类方法可以通过调整相关参数分离出突变点的噪声，然后再通过人工进一步剔除噪声，使得结果更加准确。但是，该方法虽然可以很好地将乡村分离出来，但城市边缘区的外边界以内的区域却受周围点的影响较大会导致城市与城市边缘区的划分不准确。因此，本发明提出结合城市边界数据来划分内边界。

如图6所示，步骤1到步骤3中，本发明对突变点进行核密度估计，并通过重分类的方法提取外边界。步骤4到步骤5中，结合城市边界数据来擦除步骤3所得到的结果，从而划分出城市边缘区的空间范围。此外，在内外边界的实际界定过程中，本发明会结合实际情况对重分类方法分离出的噪声进行人工删除。

核密度估计的表达式如式3。

式中：

代表在空间位置(x,y)处的核密度值；h代表搜索半径，其数值是根据silverman经验规则的带宽估计公式确定，这样可以有效防止空间异常值的出现；(x_i,y_i)为突变点i的坐标；n代表与位置(x_i,y_i)的距离小于等于h的突变点数量；x、y代表搜索半径内待估算栅格中心点坐标；(x-x_i)²+(y-y_i)²代表搜索半径内待估算栅格中心点和突变点i之间欧氏距离的平方。

2.结果

本发明首先基于核密度和城市边界数据确定了城市边缘区的内外边界。然后，还通过内外边界将区域划分为城市区域、城市边缘区和乡村区域3个部分。成渝地区双城经济圈中各城市的城市边缘区识别结果如图7。从整体分布形态上看，城市边缘区主要是以环状分布于城市区域的外围地带；城市边缘区呈现出宽窄不一、与外部乡村区域犬牙交错的显著特征；受自然条件或政策等影响会存在一些零散的包裹着城市副中心的城市边缘区。结合图8可以看到：成都市、德阳市和重庆市的城市边缘区面积所占比例较大。重庆市作为成渝地区双城经济圈的核心却没有像成都市一样具有较大面积的城市边缘区，其原因可能是山地地形会约束城市扩张。而成都市则是由于地处成都平原及经济发展迅速导致城市边缘区面积较大；雅安市，资阳市和泸州市的城市边缘区面积所占比例较小，其原因可能是社会经济的发展状况会影响城市扩张的规模。

3.验证

目前的研究主要采用夜间灯光、植被指数等数据来进行精度验证。但是这类方法偏向于定性分析，并不能准确的评价识别结果的精度。因此，本发明选取了两种方式来验证识别结果的准确性，分别是类夜间灯光数据验证和人工验证。

一般采用夜间灯光数据来间接验证人口和经济在识别结果中是否存在相应的变化，但由于夜间灯光数据的可用时间序列长度较短，所以本发明选取了类夜间灯光数据来代替，详见https://doi.org/10.7910/DVN/YGIVCD；类夜间灯光数据能够清晰地反映出城市内部的细节信息及其时序上的变化。通过表3可以看到类夜间灯光数据在本发明所划分出的区域即城市地区、城市边缘区、乡村地区中存在梯度变化的特征，并与从城市到乡村的变化规律相吻合。

表3类夜间灯光数据验证结果

Mean_NTL代表区域内类夜间灯光的平均值，单位为nW/cm²/sr；Std_NTL代表区域内类夜间灯光的标准差。类夜间灯光可以反映人口和经济状况。

根据成渝地区双城经济圈中各城市的经济发展情况，本发明选取了6个具有代表性的区域(验证区域包含大、中、小型城市各两个)进行精度验证。其中成都市和重庆市各包含150个样本点，达州市和乐山市各包含100个样本点，广安市和雅安市各包含50个样本点。样本点是通过随机生成的。人工验证的评判标准参照图9，主要观察以样本点为中心的遥感影像中的景观特征。城市区域大部分由城市建筑构成；城市边缘区由乡村和城市共同组成，其各自占比受多因素影响。所以同时包含两种元素即判定为边缘区；乡村区域大部分为农田、村舍等构成。

通过精度验证结果(表4)可以发现6个区域的城市边缘区识别结果的准确性均在70％以上。由于各个城市的发展模式和地形等自然条件存在差异，这可能会造成准确率的降低。通过分析两种验证方式的结果，我们认为本发明提取出的城市边缘区范围是符合真实情况的。

表4样本验证结果

城市	样本数量	准确率
			成都市	150	74％
重庆市	150	77％
			乐山市	100	74％
达州市	100	72％
			广安市	50	76％
雅安市	50	72％

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，调用云端数据进行边缘计算包括以下步骤：

S1，选取能反映出城市边缘区的特征指标；

S2，寻找突变点并进行连接，从而确定城市边缘区的范围。

2.根据权利要求1所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述S1中的特征指标包括：单一指标或者多指标；

单一指标包括：基于土地利用数据的土地利用信息熵、土地利用程度综合指数、土地利用动态度、建设用地密度、夜间灯光数据、不透水表面积、兴趣点密度、人口密度中的任一项；

多指标为多个单一指标的任意组合。

3.根据权利要求1所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述S1中包括：

S1-1，选取指标；

S1-2，确定所选指标的尺度：结合定量分析与定性分析的结果来确定最佳空间尺度；

定量分析：采用半方差函数的克里金插值模型来计算不同尺度下指标的半方差参数，通过ARCGIS软件的波段集统计工具计算克里金插值模型的预测结果与真实值的相关系数r，并通过比较不同尺度下的相关系数r和空间相关性C₀/(C₀+C)来初步筛选合适的空间尺度；

定性分析：利用ARCGIS软件提取同一样带上的建设用地密度值来分析不同尺度之间的差异，从而选出能较好地保留原始信息，且数据冗余较小的空间尺度。

4.根据权利要求3所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述S1-2中的半方差函数包括：

其中ω(d)是半方差函数；

d代表样点间的间隔距离；

N(d)代表间隔距离为d时的全部观测点的成对数；

Z(x_i)和Z(x_i+d)分别代表样点在x_i和x_i+d时的值。

5.根据权利要求1所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述S2中寻找突变点的方法包括：阈值法、曼-肯德尔法、滑动t检验法、小波变换法、断裂点法中的任一项。

6.根据权利要求5所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述小波变换包括：

S2-1，将采样线图层与指标图层相交来提取不同方向上的特征值空间序列曲线；

S2-2，对指标的空间序列曲线进行空间连续小波变换得到小波系数。

7.根据权利要求1所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述S2中连接的方法包括：手动连接法、空间叠加法、Delaunay三角网法、基于核密度和城市边界数据方法中的任一项。

8.根据权利要求7所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述基于核密度和城市边界数据方法包括以下步骤：

S-A，对突变点进行核密度估计；

S-B，通过重分类的方法提取外边界；

S-C，使用城市边界数据作为内边界并对S-B得到的结果进行擦除。

9.根据权利要求8所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，所述核密度估计包括：

代表在空间位置(x,y)处的核密度值；

n代表与位置(x_i,y_i)的距离小于等于h的突变点数量；

h代表搜索半径；

x_i为突变点i的横坐标；

y_i为突变点i的纵坐标；

x为搜索半径内待估算栅格中心点的横坐标；

y为搜索半径内待估算栅格中心点的纵坐标；

(x-x_i)²+(y-y_i)²代表搜索半径内待估算栅格中心点和突变点i之间欧氏距离的平方。

10.根据权利要求1所述的一种利用云端数据进行城市边缘区识别与验证方法，其特征在于，还包括步骤S3，对步骤S2中得到的城市边缘区的空间分布范围进行验证；

其验证方法包括：

通过判断类夜间灯光数据在划分出的城市边缘区、城市区域、乡村区域中是否存在梯度变化的特征；

和/或者通过人工验证，人工验证包括：随机生成样本点，观察以样本点为中心的遥感影像中的景观特征。

Images