CN115147726B - 城市形态图的生成方法、装置、电子设备和可读存储介质 - Google Patents
城市形态图的生成方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115147726B CN115147726B CN202211079918.0A CN202211079918A CN115147726B CN 115147726 B CN115147726 B CN 115147726B CN 202211079918 A CN202211079918 A CN 202211079918A CN 115147726 B CN115147726 B CN 115147726B
- Authority
- CN
- China
- Prior art keywords
- target area
- time points
- classification
- local climate
- change
- 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
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
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种城市形态图的生成方法、装置、电子设备和可读存储介质,所述方法包括:获取目标区域的多个时间点的影像信息;基于所述影像信息对所述目标区域进行局部气候区分类;对所述遥感影像进行纹理信息提取;通过检测多个时间点之间纹理信息的变化,获取所述目标区域的变化特征;基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果;基于校正分类结果,生成目标区域的长时间序列的城市形态图。强化了多个时间点之间城市形态的变化,提高了长时间序列的城市形态图中对于展现不同时间点之间城市形态的变化的准确性。
Description
技术领域
本发明遥感信息领域,尤其涉及一种城市形态图的生成方法、装置、电子设备和可读存储介质。
背景技术
在过去的几十年里,伴随着社会经济的发展,城市化带来了广泛的土地利用和土地覆被变化(LUCC,Land Use and Land Cover Change),同时还伴随着由城市地区土地资源紧张而导致的城市更新。因此,单一的城市土地类型难以描绘复杂的三维城市形态特征,尤其是在密集的大都市地区。在此背景下,局部气候区(LCZ,Local Climate Zone)分类系统应运而生,以描绘复杂的城市形态。LCZ分类主要基于地表特性结构和表面覆盖,将土地覆盖分为17种类型,其中10种为建筑类型(LCZ 1-10),7种为自然类型(LCZ A-G)。因此,它可以更有效地反映城市形态的复杂形态和物理属性。
以往研究采用了多种分类方法用于LCZ分类,尤其是结合遥感影像的由于其数据可获得性、广泛的覆盖范围和良好的分类准确性被广泛用于LCZ分类。
然而,现有LCZ制图只有单个年份或者离散的多个年份的结果,在获取不同时间点之间城市形态的变化时存在极大的误差。
发明内容
本发明实施例提供一种城市形态图的生成方法、装置、电子设备和可读存储介质,可以强化多个时间点之间城市形态的变化,减少在获取不同时间点之间城市形态的变化时存在的误差。
第一方面,本发明实施例提供了一种城市形态图的生成方法,所述方法包括:
获取目标区域的多个时间点的影像信息;所述影像信息包括遥感影像;
基于所述影像信息对所述目标区域进行局部气候区分类,获取多个时间点的局部气候区分类结果;
对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息;
通过检测多个时间点之间所述纹理信息的变化,获取所述目标区域的变化特征;
基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果;
基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。
第二方面,本发明实施例提供了一种城市形态图的生成装置,所述装置包括:
信息获取模块,用于获取目标区域的多个时间点的影像信息;所述影像信息包括遥感影像;
局部气候区分类模块,用于基于所述影像信息对所述目标区域进行局部气候区分类,获取多个时间点的局部气候区分类结果;
纹理信息提取模块,用于对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息;
变化检测模块,用于通过检测多个时间点之间所述纹理信息的变化,获取所述目标区域的变化特征;
分类结果校正模块,用于基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果;
制图模块,用于基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。
第三方面,本发明实施例提供一种电子设备,包括:处理器和存储器,所述处理器执行存储在所述存储器中的计算机程序,实现如第一方面所述的城市形态图的生成方法。
第四方面,本发明实施例提供了一种可读存储介质,当所述存储介质中的指令由装置的处理器执行时,使得装置能够执行如前所述的城市形态图的生成方法。
本发明实施例包括以下优点:
在本发明实施例中,首先对目标区域中的局部气候区进行分类,然后通过检测目标区域的遥感影像的纹理信息的变化,获取到目标区域的变化特征,并基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果,最后基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。纹理信息的提取和纹理信息变化的检测,不仅可以提高LCZ分类的准确性,还有效地获取到目标区域在时间序列上的变化特征,清晰地展现出多个时间点的目标区域之间的不同,相较于直接对比离散的多个年份的城市形态图,可以减少直接对比图像时出现的误差,强化了多个时间点之间城市形态的变化,提高了长时间序列的城市形态图中对于展现不同时间点之间城市形态的变化的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明的一种城市形态图的生成方法实施例的流程图;
图2示出了本发明的另一种城市形态图的生成方法实施例的流程图;
图3示出了本发明的一种城市形态图的生成装置实施例的结构框图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
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作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。并且,需要说明的是,本申请实施例中获取各种数据相关过程,都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
在过去的几十年里,伴随着社会经济的发展,城市化带来了广泛的土地利用和土地覆被变化(LUCC),同时还伴随着由城市地区土地资源紧张而导致的城市更新。因此,单一的城市土地类型难以描绘复杂的三维城市形态特征,尤其是在密集的大都市地区。在此背景下,局部气候区(LCZ)分类系统应运而生,以描绘复杂的城市形态。LCZ分类主要基于地表特性结构和表面覆盖,将土地覆盖分为17种类型,其中10种为建筑土地类型(LCZ 1-10),7种为自然土地类型(LCZ A-G)。因此,它可以更有效地反映城市土地的复杂形态和物理属性。
以往研究采用了多种分类方法用于LCZ分类,包括决策制图分类、基于地理信息科学数据的分类和基于机器学习的分类。尤其是结合遥感影像的机器学习分类由于其数据可获得性、广泛的覆盖范围和良好的分类准确性被广泛用于LCZ分类,具体算法包括随机森林(RF)、支持向量机 (SVM) 和最大似然分类器 (MLC)等等。
然而,现有LCZ制图只有单个年份或者离散的多个年份的结果,单一年份无法对城市形态变化开展观测与分析,同时目前的多个年份结果在获取不同时间点之间城市形态的变化时存在极大的误差,无法保证制图结果的连续性。
参照图1,示出了本发明的一种城市形态图的生成方法实施例的流程图,以解决上述问题,所述方法可以包括:
步骤101、获取目标区域的多个时间点的影像信息,所述影像信息包括遥感影像。
所述影像信息是指可以反映目标区域热环境的信息,所述热环境又称环境热特性,是指由太阳辐射、气温、周围物体表面温度、相对湿度与气流速度等物理因素组成的作用于人,影响人的冷热感和健康的环境。它主要是指自然环境、城市环境和建筑环境的热特性。所述影像信息可以包括但不限于目标区域的遥感信息、数字高程模型和夜间灯光数据等信息。
遥感是指非接触的,远距离的探测技术,一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测,遥感技术能够低成本高效率地实现大范围监测。遥感影像则是指记录各种地物电磁波大小的胶片或照片。在遥感影像图中,图面内容要素主要由影像构成,辅助以一定地图符号来表现或说明制图对象,与普通地图相比,影像地图具有丰富的地面信息,内容层次分明,图面清晰易读,充分表现出影像与地图的双重优势。
所述数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟,本发明实施例可以通过目标区域的遥感影像采集数字高程模型,如格网读点法、数字化仪手扶跟踪及扫描仪半自动采集然后通过内插生成数字高程模型等方法;也可以通过公开的数据集获取目标区域的数字高程模型;当然不排除人工测量等手段获取。
所述夜间灯光数据是指目标区域夜间某个时段的灯光强度及分布信息等,可用于反映不同建筑群的分布信息以及城市热环境分析。本发明实施例中,夜间灯光数据可以通过公开的数据集获取,如NPP VIIRS数据,本发明实施例对数据集的获取不作限定,但数据集的获取都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
确定目标区域后,本发明实施例中可以通过陆地卫星以及谷歌地球影像获得目标区域的多个时间点的影像信息,也可以通过公开的影像集来获取,例如目标区域从2001-2020每年某个固定时间点的影像信息。
步骤102、基于所述影像信息对所述目标区域进行局部气候区分类,获取多个时间点的局部气候区分类结果。
所述局部气候区(LCZ,Local Climate Zone)是一种研究城市热环境的有效方法。LCZ是由stewart和oke等2012年在城市气候区分类体系的基础上提出的。局部气候区分类体系能够根据城市和周边地区下垫面类型的不同将区域气候划分为若干局部气候小区,用来表征不同地表之间的温度差异,使人们更加清晰地认识到地表特征、城市结构和人类活动对城市热环境分布和变化规律的影响。局地气候区分类体系由两大类型构成,即建筑类型和自然类型。其中,对于建筑类型而言,根据建筑高度的高、中、低,建筑材料以及人类活动等细分为10种基本分区类型,包括高层高密度、多层高密度、低层高密度、高层低密度、多层低密度、低层低密度、小体量低层、大体量低层、稀疏建成区和重工业。自然土地类型主要包括7种分区类型,包括茂密树林、稀疏树林、灌木和矮树、低矮植被、裸岩/铺砌面、裸土/沙地和水体等。
在本发明实施例中,所述基于所述影像信息对所述目标区域进行局部气候区分类,是指通过提取上述目标区域的影像信息中的特征,对目标区域进行LCZ分类。
在本发明实施例中,从目标区域的遥感影像中可以直接提取到遥感影像的时序光谱数据,并可以通过提取分位数的方法提取到影像的光学特征包括原始光学波段及其衍生光谱指数,利用提取分位数的方法提取所述光学特征可以有效地去除云量的影响。所述原始光学波段至少可以包括可见光波段、近红外波段、短波红外波段和热红外波段中的一种;所述衍生光谱指数至少包括归一化植被指数(NDVI,Normalized Difference VegetationIndex)、归一化差值建筑指数(NDBI,Normalized Difference Build-up Index)、裸土指数(BSI,Bare Soil Index)和改进的归一化水体指数(MNDWI,Modified NormalizedDifference Water Index)中的一种。
同时,利用目标区域的数字高程模型可以提取到目标区域的地形特征,所述地形特征至少包括高程(H)、坡度(S)、坡度变率(SOS)、粗糙度(R)、坡形(P)、起伏度(RF)等地形因子中的一种。
所述夜间灯光数据可以更好地提取目标区域的灯光强度以及分布信息。当然,上述特征在具体的用于分类时仍要考虑分类效果,根据分类效果决定特征影响因子的权重。
可选地,利用上述特征对目标区域进行LCZ分类,可以使用随机森林 (RF)、支持向量机 (SVM) 和最大似然分类器 (MLC)等多种模型进行分类,考虑的特征的多维性和大量的分类数据,本发明实施例以随机森林分类模型为例进行阐述。
目标区域的LCZ分类包括模型训练和分类两部分。所述模型训练部分包括样本采集、特征提取和模型学习三部分。
在模型训练部分,首先需要进行样本采集,所述样本采集过程包括初步采样、交叉验证和质量控制三部分。为了保证模型的可迁移性,样本采集区域的选取在目标区域的周边或选择目标区域中典型的城市进行样本采集,使得模型的分类最大可能的不受地域差异的影响,例如如果要做京津冀地区的城市形态图,可以选择北京、天津和石家庄等城市进行样本采集,因为这三个城市较好地代表了整个京津冀地区的城市形态,LCZ类型比较齐全,分类效果会比较好。当然也可以选择样本采集区域使其覆盖目标区域,具体的采样区域的选择还是要根据分类效果判定。
其中,所述初步采样部分,首先基于卫星图像经过目视判读选择样本区域某个时间点的LCZ样本集,然后按照同样的时间点递增或递减的顺序依次对比两个相邻时间点的城市形态即局部气候区类型。与上一个时间点的样本相比,如果整个样本区域内的城市形态均发生变化,则该样本不作处理;如果样本中只有部分区域发生变化,则将样本的区域范围缩小到变化区域,以确保其对城市形态的代表性,例如通过卫星图像经目视判读获取到2020年的LCZ样本集,然后从2020年开始到2000年,每年用卫星图像检查我们的样本,判断城市形态是否与上一年一致,如果整个样本区域内的城市形态发生变化,则该年份的样本不作处理;如果样本区域内的部分区域的城市形态发生变化,则将样本的区域范围缩小到变化区域;如果由于缺乏遥感图像,我们无法判断LCZ类型,则删除该样本。
然后是样本采集中的交叉验证部分,由对采集样本进行二次目视解译,经过交叉验证,如果两次解译给出的LCZ类型不同则剔除该样本。最后是质量控制部分,第三次目视解译,全面复核,以统一采样标准,提高分类准确率。
所述特征提取部分,是指提取样本集中不同样本的如前文所述的光学特征、地形特征和夜间灯光数据的特征,使得样本集中的不同样本同时具有LCZ类型信息和对应的特征集合。
最后是模型训练部分,按照一定比例将样本集划分为训练样本集和验证样本集,可选地,以随机森林分类模型为例,首先要预先设定两个参数,即期望的决策树数量和每个节点用于分裂需要的特征数量,然后将训练样本集输入随机森林模型用于生成随机森林,使用验证样本集进行后续的LCZ制图的精度评估,最终构建成随机森林LCZ分类模型。
LCZ分类模型搭建好之后,根据获取到的目标区域的多个时间点的影像信息,提取所述影像信息的多个特征,其中,多个特征包括但不限于光学特征、地形特征和夜间灯光特征,甚至可以提取遥感影像的纹理特征作为模型输入,将提取到的特征输入到LCZ分类模型中,获取目标区域的多个时间点的局部气候区(LCZ)分类结果。
步骤103、对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息。
所述遥感影像的纹理信息即图像的细部结构,指图像上色调变化的频率,是一种单一细小特征的组合。其中,纹理信息的提取方法有很多,例如灰度共生矩阵(GLCM,GrayLevel CO-Occurrence Matrix)、统计模型法、半方差图和分维数等。
其中,灰度共生矩阵(GLCM,Gray Level CO-Occurrence Matrix),是在给定的方向上、给定的象元距离范围内统计出的象元灰度值i和j的联合概率分布,它是一种二阶灰度共生矩阵统计方法。具体地讲,这个矩阵是这样定义的:对于给定的方向和距离d,在和横轴成角的方向上,距离为d的两像素对,其中一个像元灰度为i,另一个像元灰度为j的出现的频率。由于灰度共生矩阵的数据量较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理特征,包括能量,熵,对比度,均匀性 ,相关性,方差,和平均,和方差,非相似性等等。
统计模型法的基本思想是用一个统计数学模型描述一致性纹理区域。典型的统计模型包括乘性自回归随机场(MARF,Multiplicative Autoregressive Random Field)、马尔可夫随机场(MRF,Markov Random Field)、金字塔结构随机场序列等。
空间纹理特征实际上是与空间尺度有关的。因此,选择合适的计算纹理特征的邻域窗口大小,对于有效地定量表达纹理特征非常重要,可以采用半方差图(semivariogram)等空间统计学方法来估计提取纹理信息的最优窗口大小,通常有两种半方差图来表达纹理信息的方法。一种是直接应用半方差图值的方法:该方法定义了两个窗口:一个大小的大窗口和该窗口内r×s大小的小窗口,小窗口用来估算小于r-1和s-1大小范围内的半方差(semivariance),计算各半方差的均值和方差作为该小窗口内的纹理度量标准。另一种是通过选择适当的参数化半方差图统计模型,如指数模型、对数模型等,对半方差图进行拟合,并以所使用的半方差图模型导出的参数作为衡量纹理信息的标准。
分形几何可以用来描述整体上处于不规则的而在不同尺度上具有自相似性的几何图案。例如,海岸线和山川形状等。维数是几何对象的一个重要特征量,它是几何对象中一个点的位置所需的独立坐标数目。通常人们习惯于整数的维数,分形理论认为维数也可以是分数。这就是说,可以通过计算分维数,用定量化的形式来描述不规则而又具有尺度上自相似性的纹理结构特征。常用的估算分维数的方法有分维布朗运动法(FractalBrownian Motion,FBM)和数箱子法(Box-counting methods)。
当然,只是论述了有限几种纹理信息的提取方法,关于其他的纹理提取的方法如简单统计变换纹理分析方法也可以应用,实际应用时应当根据对纹理信息进行变化检测时的检测效果进行选择。
通过对遥感影像的纹理信息提取,不仅可以用于后续的纹理信息变化的检测,检测纹理信息断点时间点,由此确定城市形态发生变化的时间和范围;可选地,还可以在前文所述的LCZ分类特征中通过增加纹理信息特征对的目标区域进行LCZ分类,提高分类的准确率。
步骤104、通过检测多个时间点之间所述纹理信息的变化,获取所述目标区域的变化特征。
所述目标区域的变化特征包括目标区域的城市形态发生变化的时间点和所述变化的时间点对应的目标区域的变化范围。所述发生变化的时间点具体是指在时间B的城市形态图的基础上和时间点A的城市形态图进行比较存在城市形态的变化,其中所述“A”和“B”仅用于说明两个时间点的不同,无特殊含义。
对步骤103获取到的多个时间点的目标区域的遥感影像的纹理信息进行检测,检测纹理信息的断点的位置及其时间点,由此确定目标区域的变化特征。
将时间序列上的多个时间点的纹理信息输入纹理变化检测模型,输出纹理信息的断点的位置及其时间点。在图谱的变化检测领域,所述纹理变化检测模型可以使用恢复趋势检测(LandTrendr)模型和连续变化检测与分类(CCDC,Continuous Change Detectionand Classification)模型等。
其中,LandTrendr模型是基于恢复趋势检测LandTrendr算法实现的。LandTrendr算法是基于可以根据时间将像素历史记录拆分成几个线段这一想法建立的。可能很长一段时间内变化很小,由一条小坡度直线表示。当发生干扰时,像素的值将发生变化,由一条可能很陡峭的短线段表示。如果允许进行恢复,则这将以一条略微倾斜的长线表示,该线向后移回像素的原始值。在LandTrendr模型中,输入如前文所述,输出为包含模型系数的变化分析栅格,分析中每个时间点对应一个剖切片,因此每个像素包含每个时间点的一组不同的模型系数。同时输出中还包含一个特殊波段FittedValue,通过所述遥感图像中每个像素的特殊波段的值判断像素在某个时间点是否发生变化,最后综合目标区域的遥感影像的所有特殊波段的信息值,获取到目标区域的发生变化的时间点和变化的时间点对应的变化范围。
所述CCDC模型是使用“连续变化检测与分类”(CCDC) 算法来评估图像的像素值随时间的变化。CCDC算法是使用普通最小二乘法 (OLS) 为影像中的每个波段随时间变化得像素值的逐渐变化建模。随即将计算预测的建模像素值和真实像素值之间的差异,当值之间的差异大于均方根误差 (RMSE) 的三倍时,该像素将被标记为可能发生变化。然后将根据连续观测的数量,评估被标记的变化是是否为真实变化。如果像素值与模型结果仅有一次标记为不同,则可能是异常值。如果对于给定数量的连续观察,像素值与模型结果明显不同,则该算法认为该像素已发生变化。可以通过最小连续异常观测次数参数控制连续观察的最少次数。在CCDC模型中,模型的输入如前文所述,输出为目标区域的遥感影像的像素的变化情况。对于发生变化的像素,标记其发生变化的时间点,最终获取目标区域的变化特征。
通过上述方法,可以有效地获取到目标区域在时间序列上的变化特征,清晰地展现出多个时间点的目标区域之间的不同,提高了长时间序列的城市形态图中对于展现不同时间点之间城市形态的变化的准确性,相较于直接对比离散的多个年份的城市形态图,可以减少直接对比图像时可能出现的如颜色接近、漏看等一系列的误差,强化了多个时间点之间城市形态的变化。
步骤105、基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果。
基于步骤104获取到的目标区域的变化特征,选择一个基准时间点为参考。在基准时间点的局部气候区分类结果的基础上,根据不同的时间点和对应的变化范围,结合多个时间点的局部气候区分类结果,重新生成多个时间点的局部气候区校正分类结果,以达到对多个时间点的局部气候区分类结果的校正,强化了多个时间点之间城市形态的变化。
本发明实施例以下述例子来说明上述校正过程:首先,将2020年的LCZ分类结果作为底图,然后获取2019年相对于2020年的变化范围内的LCZ分类结果,再将所得变化范围内的LCZ分类结果覆盖在底图的同样的位置上,从而得出2019年的校正结果。之后以2019年的修正结果为底图重新开始循环,重复之前的操作,得出2018年的修正结果。同样循环每年重复一次,直到得到所有年份的校正结果。
以基准时间点的LCZ分类结果为基础,结合目标区域的变化特征,得到多个时间点的LCZ校正分类结果,不仅保证了目标区域城市形态图在时间上的连续性,而且强化了时间序列上目标区域城市形态的变化,减少了在获取不同时间点之间城市形态的变化时存在的误差。
步骤106、基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。
根据所述多个时间点的局部气候区的校正分类结果,通过画图或三维软件生成目标区域每个时间点的城市形态图,当然,可以将目标区域中不同城市形态划分不同的颜色或不同的三维形态,从而清晰地呈现出目标区域的城市形态图像。同时将所述不同时间点的城市形态图通过时间序列组织到一起,用户在选择切换不同时间点的城市形态图时,可以清晰地展示出两个时间点之间城市形态的动态变化情况,确保了制图结果在时间上的连续性,强化了城市形态在不同时间点之间的变化,减少了城市形态在时间序列的变化上的误差。
可选地,步骤102所述基于所述影像信息对所述目标区域进行局部气候区分类,获取多个时间点的局部气候区分类结果,包括:
步骤S201,基于所述多个时间点的影像信息,利用分类模型对目标区域进行局部气候区分类,获取多个时间点的局部气候区初步分类结果。
该步骤如前文所述,首先进行模型训练,然后使用训练好的分类模型对目标区域进行LCZ分类。模型训练的三个过程包括样本采集、特征提取和模型学习如前文所述。然后根据获取到的目标区域的多个时间点的影像信息,提取所述影像信息的多个特征,多个特征包括光学特征、地形特征、夜间灯光特征以及纹理特征中的至少一个,将提取到的特征输入到LCZ分类模型中,获取目标区域的多个时间点的局部气候区(LCZ)初步分类结果。
步骤S202,对所述初步分类结果按照预设的过滤规则进行过滤,获取所述多个时间点的局部气候区分类结果。
城市形态的变化遵循一定的规律,例如,通常发生在中央商务区的紧凑型高层建筑类型不太可能转变为自然类型或其他开敞或低层类型。基于样本采集的经验和城市形态领域的指示建立经验规则,对分类结果进行逐年过滤,以消除不合理的LCZ类型转变,并保证多年序列的时间一致性。
可选地,步骤103所述对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息,包括:
步骤S301,对所述遥感影像进行压缩,获取主要影像信息。
图像压缩的目的是通过消除数字图像像素间的冗余实现图像压缩处理。 图像数据的冗余主要表现为:图像中相邻像素间的相关性引起的空间冗余;图像序列中不同帧之间存在相关性引起的时间冗余;不同彩色平面或频谱带的相关性引起的频谱冗余。数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。由于图像数据量的庞大,在存储、传输、处理时非常困难,因此图像数据的压缩就显得非常重要。简而言之,图像压缩实际上就是将二维像素阵列变换为一个在统计上无关联的数据集合,从而起到减少运算量、提高基于像素的图像处理的效率的作用。
常用的图像压缩的手段包括变换编码、行程长度编码等,比较方便的可以采用主成分分析法进行压缩所述遥感影像进行压缩,考虑到影像压缩过程中的成分权重,可以提取所述遥感影像的第一主成分信息为主要影像信息,用于后续的纹理信息的提取。
步骤S302,基于所述主要影像信息,利用灰度共生矩阵方法提取所述多个时间点的遥感影像的纹理信息。
步骤S302包括:
步骤S3021,通过灰度共生矩阵(GLCM)方法对所述主要影像信息进行处理。
所述灰度共生矩阵方法如前文所述,对所述主要影像信息进行处理,获取灰度共生矩阵方法的输出数据。
步骤S3022,基于步骤S3021所述输出数据,获取所述输出数据的统计量作为所述遥感影像的初步纹理信息。
在本发明实施例中,可以选择非相似性(Dissimilarity)以及和平均(Sumaverage)的统计量作为所述遥感影像的纹理信息。
通过灰度共生矩阵得到非相似性、和平均的计算公式如下:
其中,x(i,j)为非标准化灰度共生矩阵中i,j位置的元素,N为灰度级别,p(i,j)为,Px+y(k)为计算过程的中间量。
步骤S3023,对所述初步纹理信息进行标准化处理。
在目标区域范围内,对初步纹理信息进行标准化处理,以标准化处理后的初步纹理信息为所述遥感影像的纹理信息,保证纹理信息数量级相同,便于多个时间点之间纹理信息的对比,计算公式如下:
可选地,步骤S301所述对所述遥感影像进行压缩,获取主要影像信息,包括:
步骤S3012,基于主成分分析法对所述遥感影像进行压缩,提取所述遥感影像的第一主成分信息作为主要影像信息。
主成分分析法是利用矩阵的特征值分解,根据特征值的大小确定各特征轴在数据中的权重,特征值非常小的成分可以忽略不计,从而实现数据降维或者图像压缩。
所述步骤S3012,包括:
(1)由遥感影像的矩阵信息X计算得到XXT;
(2)对矩阵XXT作特征值分解,并保留最大的L个特征值所对应的特征向量,按列组成解码矩阵D,取解码矩阵的转置得到编码矩阵,对X压缩;
(3)使用解码矩阵重构所述遥感影像的L个主成分信息。
(4)提取所述L个主成分信息中的第一主成分信息作为主要影像信息。
可选地,步骤104所述通过检测多个时间点之间的所述纹理信息的变化,获取所述目标区域的变化特征,包括:
步骤S401,基于纹理变化检测模型检测多个时间点之间的所述纹理信息的变化,获取所述目标区域的城市的变化特征。
其中,所述纹理变化检测模型至少包括如下任意一项:恢复趋势检测模型、连续变化检测与分类模型,所述恢复趋势检测模型、连续变化检测与分类模型如前文步骤104的内容执行纹理变化检测的操作。
可选地,所述多个时间点的局部气候区分类结果包括基准时间点的局部气候区分类结果;所述变化特征包括目标区域的城市形态发生变化的时间点和所述变化的时间点对应的目标区域的变化范围。
所述发生变化的时间点具体是指在时间B的城市形态图的基础上和时间点A的城市形态图进行比较存在城市形态的变化,其中所述“A”和“B”仅用于说明两个时间点的不同,无特殊含义。
步骤S105所述基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果,包括:
步骤S501,基于第一时间点的分类结果,结合所述变化特征,获取第二时间点目标区域的变化范围内的分类结果。
步骤S502,基于所述变化范围内的分类结果,替换掉所述第一时间点的分类结果中对应的变化范围内的分类结果,获取第二时间点的局部气候区的校正分类结果。
步骤S503,更新所述第一时间点的分类结果为所述第二时间点的局部气候区的校正分类结果,继续获取第二时间点的局部气候区的校正分类结果,直到获取多个时间点的局部气候区的校正分类结果。
其中,所述第一时间点和所述第二时间点为相邻的时间点,均属于所述多个时间点中的一个,且所述第一时间点和所述第二时间点在所述获得多个时间点的局部气候区的校正分类结果的过程中满足相同的时间先后关系;初始的所述第一时间点的分类结果为所述基准时间点的局部气候区分类结果;所述多个时间点的局部气候区的校正分类结果包括所述基准时间点的局部气候区分类结果。
简而言之,步骤S501-S503所述的方法其实是基于基准时间点的LCZ分类结果,结合所述多个时间点的LCZ分类结果及其变化特征,对所述多个时间点的LCZ分类结果进行依次校正,直到多个时间点的多个时间点的LCZ分类结果都校正完毕。
为了更好地理解上述校正的过程,本发明实施例以下述粒子来说明:根据前述获取到的20年的目标区域的LCZ分类结果,首先,将2020年的LCZ分类结果作为底图,然后获取2019年相对于2020年的变化范围内的LCZ分类结果,再将所得变化范围内的LCZ分类结果覆盖在底图的同样的位置上,从而得出2019年的校正结果。之后以2019年的修正结果为底图重新开始循环,重复之前的操作,得出2018年的修正结果。同样循环每年重复一次,直到得到2000年的校正结果,也就得到了所有年份的校正结果。
可选地,所述局部气候区的类别包括建筑城市局部气候区类别和自然局部气候区类别。
在步骤105所述基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果之后,还包括:
步骤S1051、获取目标区域的多个时间点的土地覆盖信息;
步骤S1052、基于所述土地覆盖信息,对所述校正分类结果中的自然局部气候区的分类结果进行纠正,生成目标区域局部气候区的最终分类结果。
由于自然局部气候区的复杂性,在获取到的LCZ的校正分类结果中可能准确率会比较低,因此,如果现有的数据集中目标区域存在较为准确的自然土地覆盖数据,可以利用现有的土地覆盖数据对校正分类结果进行对比,如果准确率确实比较低,可以根据现有的土地覆盖数据进行纠正,从而完善目标区域的LCZ校正分类结果,获取到目标区域局部气候区的最终分类结果,如果校正分类结果比较准确,则不需要进行纠正。
相应的,步骤106所述基于所述校正分类结果,生成目标区域的长时间序列的城市形态图,包括:
步骤S601、基于所述最终分类结果,生成目标区域的长时间序列的城市形态图。
具体的城市形态图生成方法可以参照前述步骤106所述方法。
可选地,在生成目标区域的长时间序列的城市形态图之后,还可以包括:
基于验证样本集建立混淆矩阵对所述城市形态图进行精度评估。
混淆矩阵也称误差矩阵,是表示精度评价的一种标准格式,用n行n列的矩阵形式来表示,该矩阵的“列”为参考影像信息,“行”为被评价影像分类结果信息,行与列相交的部分概括了分类到与参考类别有关的某一特定类别中的样本数目,样本数可以为像素数目或者分割对象数目,在本发明实施例的精度评估中,样本数目可以为城市形态图的像素数目。
在本发明实施例中,使用验证样本进行精度评估,建立验证样本的混淆矩阵,基于所述混淆矩阵计算具体的评价指标包括:总体精度(OA,Overall Accuracy)、制图精度(PA,Producer's Accuracy)、用户精度(UA,User's Accuracy)和Kappa系数(KC,KappaCoefficient)。其中,总体精度计算分类正确的样本比例,用户精度用于衡量错分误差,生产者精度用于衡量漏分误差,Kappa系数既考虑了正确分类的样本,同时也考虑了错分和漏分的样本,能降低样本不均衡对精度评估的影响。
可选地,在步骤106所述基于所述校正分类结果,生成目标区域的长时间序列的城市形态图之后,包括:
步骤107,获取目标区域任意时间点的城市形态查询请求;
步骤108,响应于所述查询请求,展示目标区域在不同时间点的城市形态图和城市形态变化情况。
最终生成的城市形态图可以是纸质的,当然也可以是电子成像的。结合现有的电子地图的功能,所述目标区域的城市形态图还可用于以电子地图的形式进行任意时间点的城市形态查询,响应于所述查询请求,用户在选择切换不同时间点的城市形态图时,可以清晰地展示出两个时间点之间城市形态的动态变化情况。
参照图2,以2000年-2020年某地域的城市形态为例,示出了本发明的另一种城市形态图的生成方法实施例的流程图。在该实施例中,所述方法包括四个主要部分:随机森林分类部分、纹理信息提取部分、变化检测部分和结果整合部分。
随机森林分类部分执行如前述步骤102所述的方法,提取获取到的目标区域影像信息中的特征,然后通过随机森林分类模型进行初步的分类,图中以多个长方体表示目标区域的初步分类结果,然后按照步骤1021所述的方法按照预设的规则对初步分类结果进行过滤,获取2000年至2020年的局部气候区(LCZ)分类结果。
纹理信息提取部分使用灰度共生矩阵方法进行提取,具体的提取方法如步骤S302所述进行。
变化检测部分使用恢复趋势监测模型进行纹理信息变化监测,具体执行如前述步骤104所述的恢复趋势监测模型部分的内容,获取目标区域2000年至2020年的变化特征。
结果整合部分包括分类结果校正部分、土地覆盖信息纠正部分和城市形态图生成部分。在该部分中,首先是分类结果校正部分如图中所示基于变化监测部分获取的目标区域的变化特征,执行如前述步骤S501-S503所述的方法,获取目标区域2000-2020年的LCZ校正分类结果;然后是土地覆盖信息纠正部分执行如前述步骤S1051、S1052所述的方法,利用现有的土地覆盖信息对校正分类结果进行对比、纠正,获取到目标区域的2000-2020年的连续的城市形态图即最终结果。
综上所述,本发明实施例提供了一种城市形态图的生成方法。首先对目标区域中的局部气候区进行分类,然后通过检测目标区域的遥感影像的纹理信息的变化,获取到目标区域的变化特征,并基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果,最后基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。纹理信息的提取和纹理信息变化的检测,不仅可以提高LCZ分类的准确性,还有效地获取到目标区域在时间序列上的变化特征,清晰地展现出多个时间点的目标区域之间的不同,相较于直接对比离散的多个年份的城市形态图,可以减少直接对比图像时出现的误差,强化了多个时间点之间城市形态的变化,提高了长时间序列的城市形态图中对于展现不同时间点之间城市形态的变化的准确性。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图3,示出了本发明的一种城市形态图的生成装置实施例的结构框图,所述装置200可以包括:
信息获取模块201,用于获取目标区域的多个时间点的影像信息;所述影像信息包括遥感影像;
局部气候区分类模块202,用于基于所述影像信息对所述目标区域进行局部气候区分类,获取多个时间点的局部气候区分类结果;
纹理信息提取模块203,用于对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息;
变化检测模块204,用于通过检测多个时间点之间所述纹理信息的变化,获取所述目标区域的变化特征;
分类结果校正模块205,用于基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果;
制图模块206,用于基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。
可选地,所述局部气候区分类模块,可以包括:
模型分类模块,用于基于所述多个时间点的影像信息,利用分类模型对目标区域进行局部气候区分类,获取多个时间点的局部气候区初步分类结果;
过滤模块,用于对所述初步分类结果按照预设的过滤规则进行过滤,获取所述多个时间点的局部气候区分类结果。
可选地,所述纹理信息提取模块,可以包括:
影像压缩模块,用于对所述遥感影像进行压缩,获取主要影像信息;
灰度共生矩阵模块,用于基于所述主要影像信息,利用灰度共生矩阵方法提取所述多个时间点的遥感影像的纹理信息。
可选地,所述影响压缩模块,可以包括:
主成分分析压缩模块,用于基于主成分分析法对所述遥感影像进行压缩,提取所述遥感影像的第一主成分信息作为主要影像信息。
可选地,所述变化检测模块,可以包括:
变化检测模型模块,用于基于纹理变化检测模型检测多个时间点之间的所述纹理信息的变化,获取所述目标区域的城市的变化特征;所述纹理变化检测模型至少包括如下任意一项:恢复趋势检测模型、连续变化检测与分类模型。
可选地,所述多个时间点的局部气候区分类结果包括基准时间点的局部气候区分类结果;所述变化特征包括目标区域的城市形态发生变化的时间点和所述变化的时间点对应的目标区域的变化范围;
所述分类结果校正模块,可以包括:
变化范围内分类结果获取模块,用于基于第一时间点的分类结果,结合所述变化特征,获取第二时间点目标区域的变化范围内的分类结果;其中,所述第一时间点和所述第二时间点为相邻的时间点,均属于所述多个时间点中的一个,且所述第一时间点和所述第二时间点在所述获得多个时间点的局部气候区的校正分类结果的过程中满足相同的时间先后关系;
第二时间点LCZ分类结果校正模块,用于基于所述变化范围内的分类结果,替换掉所述第一时间点的分类结果中对应的变化范围内的分类结果,获取第二时间点的局部气候区的校正分类结果;
循环判定模块,用于更新所述第一时间点的分类结果为所述第二时间点的局部气候区的校正分类结果,继续获取第二时间点的局部气候区的校正分类结果,直到获取多个时间点的局部气候区的校正分类结果;
其中,初始的所述第一时间点的分类结果为所述基准时间点的局部气候区分类结果;所述多个时间点的局部气候区的校正分类结果包括所述基准时间点的局部气候区分类结果。
可选地,所述局部气候区的类别包括建筑城市局部气候区类别和自然局部气候区类别;
所述分类结果校正模块,还包括:
土地覆盖信息获取模块,用于获取目标区域的多个时间点的土地覆盖信息;
自然局部气候区类别纠正模块,用于基于所述土地覆盖信息,对所述校正分类结果中的自然局部气候区类别的分类结果进行纠正,生成目标区域局部气候区的最终分类结果;
所述制图模块,包括:
最终分类结果制图模块,用于基于所述最终分类结果,生成目标区域的长时间序列的城市形态图。
可选地,所述装置,还可以包括:
精度评估模块,用于基于验证样本集建立混淆矩阵对所述城市形态图进行精度评估。
可选地,所述装置,还可以包括:
查询模块,用于获取目标区域任意时间点的城市形态查询请求;
展示模块,用于响应于所述查询请求,展示目标区域在不同时间点的城市形态图和城市形态变化情况。
综上所述,本发明实施例提供了一种城市形态图的生成装置。首先对目标区域中的局部气候区进行分类,然后通过检测目标区域的遥感影像的纹理信息的变化,获取到目标区域的变化特征,并基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果,最后基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。纹理信息的提取和纹理信息变化的检测,不仅可以提高LCZ分类的准确性,还有效地获取到目标区域在时间序列上的变化特征,清晰地展现出多个时间点的目标区域之间的不同,相较于直接对比离散的多个年份的城市形态图,可以减少直接对比图像时出现的误差,强化了多个时间点之间城市形态的变化,提高了长时间序列的城市形态图中对于展现不同时间点之间城市形态的变化的准确性。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
参考图4,其示出了本申请实施例提供的一种电子设备500,包括:处理器501、存储器502及存储在存储器502上并可在处理器501上运行的计算机程序,计算机程序被处理器501执行时实现如方法实施例中所述的城市形态图的生成方法的步骤。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的城市形态图的生成方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的实施例的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的排序设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种城市形态图的生成方法,其特征在于,包括:
获取目标区域的多个时间点的影像信息;所述影像信息包括遥感影像;
基于所述多个时间点的影像信息,利用分类模型对目标区域进行局部气候区分类,获取多个时间点的局部气候区初步分类结果;
对所述初步分类结果按照预设的过滤规则进行过滤,获取所述多个时间点的局部气候区分类结果;
对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息;
基于纹理变化检测模型检测多个时间点之间的所述纹理信息的变化,获取所述目标区域的城市的变化特征;所述纹理变化检测模型至少包括如下任意一项:恢复趋势检测模型、连续变化检测与分类模型;
基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果;
基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。
2.根据权利要求1所述的方法,其特征在于,所述对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息,包括:
对所述遥感影像进行压缩,获取主要影像信息;
基于所述主要影像信息,利用灰度共生矩阵方法提取所述多个时间点的遥感影像的纹理信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述遥感影像进行压缩,获取主要影像信息,包括:
基于主成分分析法对所述遥感影像进行压缩,提取所述遥感影像的第一主成分信息作为主要影像信息。
4.根据权利要求1所述的方法,其特征在于,所述多个时间点的局部气候区分类结果包括基准时间点的局部气候区分类结果;所述变化特征包括目标区域的城市形态发生变化的时间点和所述变化的时间点对应的目标区域的变化范围;
所述基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果,包括:
基于第一时间点的分类结果,结合所述变化特征,获取第二时间点目标区域的变化范围内的分类结果;其中,所述第一时间点和所述第二时间点为相邻的时间点,均属于所述多个时间点中的一个,且所述第一时间点和所述第二时间点在所述获得多个时间点的局部气候区的校正分类结果的过程中满足相同的时间先后关系;
基于所述变化范围内的分类结果,替换掉所述第一时间点的分类结果中对应的变化范围内的分类结果,获取第二时间点的局部气候区的校正分类结果;
更新所述第一时间点的分类结果为所述第二时间点的局部气候区的校正分类结果,继续获取第二时间点的局部气候区的校正分类结果,直到获取多个时间点的局部气候区的校正分类结果;
其中,初始的所述第一时间点的分类结果为所述基准时间点的局部气候区分类结果;所述多个时间点的局部气候区的校正分类结果包括所述基准时间点的局部气候区分类结果。
5.根据权利要求1所述的方法,其特征在于,所述局部气候区的类别包括建筑局部气候区类别和自然局部气候区类别;
在所述基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果之后,所述方法还包括:
获取目标区域的多个时间点的土地覆盖信息;
基于所述土地覆盖信息,对所述校正分类结果中的自然局部气候区的分类结果进行纠正,生成目标区域局部气候区的最终分类结果;
所述基于所述校正分类结果,生成目标区域的长时间序列的城市形态图,包括:
基于所述最终分类结果,生成目标区域的长时间序列的城市形态图。
6.根据权利要求1所述的方法,其特征在于,在生成目标区域的长时间序列的城市形态图之后,还包括:
基于验证样本集建立混淆矩阵对所述城市形态图进行精度评估。
7.根据权利要求1所述的方法,其特征在于,在生成目标区域的长时间序列的城市形态图之后,还包括:
获取目标区域任意时间点的城市形态查询请求;
响应于所述查询请求,展示目标区域在不同时间点的城市形态图和城市形态变化情况。
8.一种城市形态图的生成装置,其特征在于,包括:
信息获取模块,用于获取目标区域的多个时间点的影像信息;所述影像信息包括遥感影像;
模型分类模块,用于基于所述多个时间点的影像信息,利用分类模型对目标区域进行局部气候区分类,获取多个时间点的局部气候区初步分类结果;
过滤模块,用于对所述初步分类结果按照预设的过滤规则进行过滤,获取所述多个时间点的局部气候区分类结果;
纹理信息提取模块,用于对所述遥感影像进行纹理信息提取,获取目标区域多个时间点的遥感影像的纹理信息;
变化检测模型模块,用于基于纹理变化检测模型检测多个时间点之间的所述纹理信息的变化,获取所述目标区域的城市的变化特征;所述纹理变化检测模型至少包括如下任意一项:恢复趋势检测模型、连续变化检测与分类模型;
分类结果校正模块,用于基于目标区域的变化特征,对所述多个时间点的局部气候区分类结果进行校正,获得多个时间点的局部气候区的校正分类结果;
制图模块,用于基于所述校正分类结果,生成目标区域的长时间序列的城市形态图。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器执行存储在所述存储器中的计算机程序,实现权利要求1至7中任一项所述的城市形态图的生成方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由装置的处理器执行时,使得装置能够执行如方法权利要求1至7中任一项所述的城市形态图的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211079918.0A CN115147726B (zh) | 2022-09-05 | 2022-09-05 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211079918.0A CN115147726B (zh) | 2022-09-05 | 2022-09-05 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147726A CN115147726A (zh) | 2022-10-04 |
CN115147726B true CN115147726B (zh) | 2023-03-24 |
Family
ID=83416236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211079918.0A Active CN115147726B (zh) | 2022-09-05 | 2022-09-05 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147726B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152668B (zh) * | 2023-04-21 | 2023-08-29 | 广东工业大学 | 一种基于人工智能获取街区尺度lcz的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303735A (zh) * | 2007-05-03 | 2008-11-12 | 索尼德国有限责任公司 | 探测车辆盲点区域内运动物体的方法及盲点探测装置 |
CN107064932A (zh) * | 2017-02-28 | 2017-08-18 | 华南农业大学 | 一种基于时间序列sar遥感影像的建设用地变化检测方法 |
CN108089850A (zh) * | 2018-01-02 | 2018-05-29 | 北京建筑大学 | 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法 |
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 |
CN109584284A (zh) * | 2018-12-13 | 2019-04-05 | 宁波大学 | 一种分层决策的滨海湿地地物样本提取方法 |
CN114913432A (zh) * | 2022-05-18 | 2022-08-16 | 湖南工程职业技术学院 | 一种城市建设用地变化遥感检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1854757A (zh) * | 2005-04-28 | 2006-11-01 | 中国科学院遥感应用研究所 | 遥感影像群判读系统方法 |
JP2007053202A (ja) * | 2005-08-17 | 2007-03-01 | Toshiba Corp | 近接効果の計算方法、危険箇所検出装置及びプログラム |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
CN107944368B (zh) * | 2017-11-16 | 2019-12-06 | 中国科学院遥感与数字地球研究所 | 一种基于时序遥感图像的水体提取方法 |
CN109919875B (zh) * | 2019-03-08 | 2021-01-29 | 中国科学院遥感与数字地球研究所 | 一种高时频遥感图像特征辅助的居民地提取与分类方法 |
US20210214765A1 (en) * | 2020-01-13 | 2021-07-15 | Airamatrix Private Limited | Methods and systems for automated counting and classifying microorganisms |
CN113033714B (zh) * | 2021-05-24 | 2021-08-03 | 华中师范大学 | 多模态多粒度遥感影像面向对象全自动机器学习方法及系统 |
CN113673441A (zh) * | 2021-08-23 | 2021-11-19 | 王彬 | 定量变差纹理驱动的高分遥感图像分类法 |
-
2022
- 2022-09-05 CN CN202211079918.0A patent/CN115147726B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303735A (zh) * | 2007-05-03 | 2008-11-12 | 索尼德国有限责任公司 | 探测车辆盲点区域内运动物体的方法及盲点探测装置 |
CN107064932A (zh) * | 2017-02-28 | 2017-08-18 | 华南农业大学 | 一种基于时间序列sar遥感影像的建设用地变化检测方法 |
CN108089850A (zh) * | 2018-01-02 | 2018-05-29 | 北京建筑大学 | 一种基于影像协同分割与生态地理分区规则库的地表覆盖产品增量更新方法 |
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 |
CN109584284A (zh) * | 2018-12-13 | 2019-04-05 | 宁波大学 | 一种分层决策的滨海湿地地物样本提取方法 |
CN114913432A (zh) * | 2022-05-18 | 2022-08-16 | 湖南工程职业技术学院 | 一种城市建设用地变化遥感检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115147726A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
Silvan-Cardenas et al. | Assessing fine-spatial-resolution remote sensing for small-area population estimation | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN103208001A (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
CN113657324A (zh) | 基于遥感影像地物分类的城市功能区识别方法 | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
CN116030352B (zh) | 融合多尺度分割和超像素分割的长时序土地利用分类方法 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
Lam | Methodologies for mapping land cover/land use and its change | |
CN112131731B (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN115147726B (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
CN114898089B (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
Hao et al. | A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Zhang | A time-series approach to detect urbanized areas using biophysical indicators and landsat satellite imagery | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和系统 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN117409168A (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
Zhou et al. | Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches | |
CN114842356B (zh) | 一种高分辨率地表类型样本自动生成方法、系统及设备 | |
CN109784209A (zh) | 利用高分辨率遥感影像的高寒山区积雪提取方法 |
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 |