CN115984603A - 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 - Google Patents

Abstract

本发明公开了一种基于GF‑2与开放地图数据的城市绿地精细化分类方法与系统，获取GF‑2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本；进行地理编码，建立遥感数据库；将识别出来的城市绿地与以POI和OSM为代表的开放地图数据联合，引入景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，从功能分类、类型特征、服务范围和形态特征4个维度对城市绿地进行精细化分类。本发明方法可以实现多尺度城市绿地的自动分类，有效提高了高分辨率遥感影像城市绿地分类效率和精度，并从多个维度对城市绿地进行精细化分类，为城市规划和绿地监测方法提供有效参考。

Description

基于GF-2与开放地图数据的城市绿地精细化分类方法与系统

技术领域

本发明涉及一种城市绿地识别提取方法，尤其是一种基于GF-2与开放地图数据的城市绿地精细化分类方法与系统，属于遥感图像数据信息提取技术领域。

背景技术

城市绿地作为城市生态环境的重要组成部分，兼具生态、经济与社会功能，能有效减少城市健康风险暴露，促进居民健康行为活动，提供公共心理恢复能力。不仅如此，城市绿地在缓解城市热浪、提升空气质量、增色城市景观、改善居民健康等方面也是不可缺少的。如何准确高效精确提取城市绿地并从多个维度对城市绿地进行更为精细的分类，对自然资源管理、城市生态环境监测、城市碳汇估算等工作具有重要意义。

传统的城市绿地分类方法是采用人工实地调查其分布变化，这样的方式费时费力，所获得的数据精确度不高，也无法满足实时的城市绿地管理需求。随着遥感技术的快速发展，遥感影像成为城市绿地分类的主要数据源，但以往通常是以卫星影像或航拍照片为基础，采用人工解译或机器学习的方法提取城市绿地。但人工解译存在效率低、过程繁琐的问题，也不能及时获取绿地信息。而机器学习的方法，会因为城市景观的复杂性，分类器造成椒盐现象导致结果数据的可用性差。

近年来，深度学习方法得到迅速发展，作为机器学习领域最重要的一个分支，它在图像分类中已经被广泛应用。深度学习方法能够从浅层的特征中自动学习具有更高抽象性和语义性的深层特征，能更有效的对高分辨率遥感影像中的绿地进行自动分类。目前，对于图像分类的深度学习方法主要有基于卷积神经网络(CNN)和全卷积神经网络(FCN)。CNN能够分析图像中相邻像素的上下文信号，充分利用光谱、纹理等信息，更好地提取分类特征，实现复杂的图像分类问题。但CNN存在训练速度慢、收敛精度低以及易受局部最优解等问题影响，其中的全连接层会限制输入影像尺寸并对细粒度绿地目标提取和判别能力不足，具有一定的局限性。而FCN使用标准卷积层替代了CNN中最后的全连接层，不受输入影像尺寸的影响，在上采样时通过解码或插值将特征图恢复到原始输入影像分辨率，对图像进行语义分割并保留了细节特征，显著提高了图像分类的精度，因此被广泛应用于绿地语义分割。然而上采样过程会不可避免地造成空间信息丢失，模糊边界，使得分割结果粗糙。

综上，对于城市绿地分类的问题目前存在两个方面的问题：第一，虽然深度学习在图像分类工作中表现良好，有不错的分类效果。但是由于不同地物间的特征相近、光谱相似，很难获取准确信息来精确定位地物类别，使得在使用深度学习方法进行分类的结果存在严重的植被漏分、错分的情况。第二，仅是将城市绿地空间位置识别出来是无法满足城市绿地的规划行业的应用要求，还需要对城市绿地进行多维度的、更精细的特征分类。因此，该技术有必要改进。

发明内容

针对现有技术存在的问题，本发明内容是提供一种基于GF-2与开放地图数据的城市绿地精细化分类方法及系统，构建更精确、自动化程度高的城市绿地分类，为园林从业者和城市规划者提供有效的技术支撑。

一种基于GF-2与开放地图数据的城市绿地精细化分类方法，包括以下步骤：

步骤S1：获取GF-2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本，进行数据分割与地理编码与影像入库，具体包括：

采用GF-2高分辨率遥感影像作为数据源，对遥感图像进行初始化处理、特征点匹配、影像拼接、校正、图像增强、匀色、裁剪、重建处理和影像拼接，获取具有红、绿、蓝3个波段的数字正射影像，并将该影像作为多尺度目标检测数据集样本，然后，基于地理空间关系对待分类遥感影像按行列进行分割，并进行地理编码，即把描述成为文本的地理位置信息转换成地理坐标，建立遥感数据库；

步骤S2：对数据集样本进行数据处理，划分为训练集和测试集，具体包括：

S21：对数据集样本切割成256×256大小的影像，并按照1：1的比例划分训练集和测试集；

S22：采用人工标注的方式，为了丰富样本特征，数据集标注采用两种方式：一种是勾勒绿地边缘，考虑边界特征，另一种是在绿地范围内勾勒矩形范围；

S23：进行归一化处理，使用Min-Max标准化方法将像素值位于[0，255]之间的数据影像归一化压缩到[0，1]之间，Min-Max标准化方法的公式如下:

式中：x_Max为数据中的像素最大值；x_Min为数据中的像素最小值。

步骤S3：构建多尺度特征感知神经网络语义分割模型，将U-Net网络融合ASPP模块和SFAM模块，然后训练数据集，并进行预测和精度评价，具体包括：

S31：将步骤2制作的数据编码输出送入深度神经网络语义分割模型(U-Net网络模型)，对所述数据集的训练集中的每一张图像进行四次下采样。然后，在U-Net网络模型的收缩路径的最后一层通道数为1024的特征图中加入ASPP模块，使得模型能够对遥感图像进行不同尺度的特征提取。通过ASPP模块可以实现不同尺度特征的提取，在低层阶段获得精细的目标像素分割定位，高层阶段提取更为有效的城市绿地特征。其公式如下：

Y＝Concat(Im_pooling(X),G_1.3(X),G_6.3(X),G_12.3(X),G_18.3(X),)

其中，Concat()为拼接操作第一维度的特征图，G_r.n(X)表示r采样率的带孔卷积与n尺寸卷积核。Im_pooling表示为图上image pooling分支中所有图像级输入特征图的平均池化特征。

S32：将步骤2获得的所述数据集的训练集输入U-Net模型，对所述数据集的训练集中的每一张图像进行四次上采样，并结合步骤S31获得下采样图像将对应层中大小相同的输出进行拼接。为了有效地聚合多级多尺度特征，形成多级特征金字塔，在四次上采样过程中加入SFAM模块。其公式如下：

s＝F_ex(z,W)＝Re(W₂S(W₁z))

其中，C是通道数，r是减少的比例,Re表示ReLU操作，S表示Sigmoid。最后，将得到的激励s对输入X进行重新加权，得到最终的输出如公式所示：

其中，表示聚合后的特征金字塔，表示第j个最大尺度的特征。

S33：对经过上述步骤S32处理过的上采样图像进行1×1的卷积操作，使用激活函数得到所述数据集的训练集中的每一张图像的最终识别图；

S34：使用步骤S33中所获得的所述最终识别图与其所对应图像的真实值之间的差异作为损失，基于该损失进一步更新改进后的U-Net网络模型，实现对改进的U-Net模型的训练。

S35：将训练完改进的U-Net网络模型得到多尺度特征感知神经网络语义分割模型后，利用预测影像进行预测，并基于混淆矩阵的基础上，计算得到整体精度和平均交并比，其中整体精度公式如下：

式中：TP为被正确分类为城市绿地的像元数量；TN表示将背景像元预测为背景像元的数量；FP表示将背景像元误预测为城市绿地像元的数量；FN表示将城市绿地像元误预测为背景像元的数量；

所述平均并交比的计算公式如下：

式中：k为类别个数；P_ii为类别为i的像素被预测为类别i的像素个数；p_ij为类别为i的像素被预测为类别j的像素个数；p_ji为类别为j的像素被预测为类别i的像素个数。

步骤S4：对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，获得城市绿地分类结果，具体包括：

对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，将地址分词并用数据库搜索，将地址匹配，得到城市绿地分类结果。

步骤S5：将多尺度特征感知神经网路语义分割模型和编码-解码模型进行整合，生成最终的多尺度特征感知深度神经网络城市绿地分类模型。

步骤S6：批量获取POI数据集，对获取的POI数据坐标进行去重、纠偏和空间坐标转换等处理，具体包括：

系统利用程序编程接口编写Python网络爬虫算法，获取批量POI数据集，把POI数据集作为基础数据源，并将其坐标转换成2000国家大地坐标系，然后进行了去重、纠偏等处理，确保数据的准确性。

步骤S7：基于景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，最终实现功能分类、类型特征、服务范围和形态特征4个维度的城市绿地的精细化分类，具体包括：

S71：从功能对城市绿地进行分类，依据2018年颁布实施的《城市绿地分类标准》，使用步骤S4中获得的城市绿地和步骤S6中处理好的POI数据集，将城市绿地范围内落入“城市公园”POI数据的斑块，归类为公园绿地；将城市绿地范围内落入“小区”、“住宅”POI数据的斑块，归类为“附属绿地”；然后，计算城市绿地与城市道路的临近关系，将剩余的斑块中，与交通路网存在拓扑相邻关系的绿地归为“防护绿地”；最后，将其他城市绿地归为“其他城市绿地”；

S72：从类型特征进行城市绿地分类，利用LDA主题模型，根据绿地内所包含的POI字段的属性信息，将公园绿地这一子类进一步划分为综合公园、社区公园、城市公园、山地公园、市政公园、主题公园、山体公园和体育公园；

S73：从服务范围进行城市绿地分类，将仅与交通道路拓扑临界且面积极小的城市绿地，全部归类为街旁绿地；然后，计算城市绿地覆盖范围与周围POI的渗透关系，将与居住类POI所形成的单一组团渗透度高的城市绿地归纳为社区级绿地，将与居住类POI所形成的多个组团、与商业类POI所形成的单一组团所渗透度高的城市绿地归纳为区级绿地；最后，将面积范围最大，与交通带路网拓扑关系复杂、与商业类POI所形成的多个组团所渗透度高的城市绿地归纳为市级绿地；

S74：从形态特征进行城市绿地分类，引入景观形态指数，对比提取的绿地斑块与相同面积的圆的偏离指数并结合绿地面积特征，将偏离指数较小且面积小的城市绿地，定义为点状绿地；将偏离指数较大且面积较小的城市绿地，定义为带状绿地；将偏离指数较小且面积较大的城市绿地，定义为块状绿地。其中，景观形状指数计算公式如下：

式中，LSI_x为绿地x的景观形态指数，M_x为绿地x的斑块边界长度，A_x为绿地x的景观面积。

至此，基于GF-2与开放地图数据的城市绿地精细化分类方法完成。

同时，本发明还提供一种基于GF-2与开放地图数据的城市绿地精细化分类系统，其包括：

数据处理模块：对获取GF-2高分辨率遥感影像数据和POI数据集进行预处理，将预处理后的遥感影像数据制作城市绿地训练集和测试集并获得所需POI数据集；

分类模型创建模块：构建多尺度特征感知神经网络语义分割模型，将ASPP+SFAM模块融合U-Net网络，然后训练数据集，并进行预测和精度评价，生成多尺度特征感知神经网络语义分割模型；

编码模型创建模块：以地理空间关系对输入数据按行列进行分割，进行地理编码，并将结果作为输入数据输入到多尺度特征感知神经网络语义分割模型，进行城市绿地识别；

解码模型创建模块：对多尺度特征感知神经网络语义分割模型的输出结果进行映射式解码，将地址分词并用数据库搜索，将地址匹配，得到GF-2高分辨率遥感影像城市绿地识别结果；

多维分类模块：利用绿地遥感分类结果和以POI数据和OSM数据为代表的开放地图数据，引入景观生态学的基础理论，从功能分类、类型特征、服务范围和形态特征4个维度对城市绿地进行精细化分类；

结果输出模块：用于自动拼接解码后的分幅图像，并输出城市绿地分类结果的图像。

与现有技术相比，本发明的有益效果是：

通过深度网络对高分辨率遥感图像进行城市绿地分类，有效改善绿地遥感分类依赖影像纹理特征和地物错分、漏分的问题，同时避免了建筑物阴影带来的干扰；相较于普通的U-Net网络，本发明具有更强大的多尺度特征提取能力，可以深层次挖掘数据信息，并且考虑各网络所处理的特征抽象程度，对特征融合部分进行了改进，有效地将多级多尺度特征进行聚合，丰富图像纹理、颜色和目标类别所包含的特征信息；本发明考虑到对于城市绿地的规划应用，仅将城市绿地空间位置识别出来，是难以满足要求的，所以对城市绿地进行了多维度的特征分类，从功能分类、类型特征、服务范围与形态特征四个方面对城市绿地进行更为精细的分类。

附图说明

为了更清楚的说明本发明实例和现有技术中的技术方法，下面对实施例和现有技术描述中所使用的附图做简单地介绍说明。

图1是本发明实例提供的城市绿地精细化分类方法及系统的流程图；

图2是本发明实例的改进的U-Net网络结构图；

图3是本发明实例的城市绿地提取结果图；

图4是本发明实例的城市绿地精细化分类结果图。

具体实施方式

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。本发明实施例地整体技术方案流程图如图1所示，其包括下列顺序步骤：

S1：获取GF-2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本，进行数据分割与地理编码与影像入库；

S2：对数据集样本进行数据处理，划分为训练集和测试集；

S3：构建多尺度特征感知神经网络语义分割模型，将U-Net网络融合ASPP模块和SFAM模块，然后训练数据集，并进行预测和精度评价；

S4：对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，获得城市绿地分类结果；

S5：将多尺度特征感知神经网路语义分割模型和编码-解码模型进行整合，生成最终的多尺度特征感知深度神经网络城市绿地分类模型；

S6：批量获取POI数据集，对获取的POI数据坐标进行去重、纠偏和空间坐标转换等处理；

S7：基于景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，最终实现功能分类、类型特征、服务范围和形态特征4个维度的城市绿地的精细化分类。

进一步地，所述S1：获取GF-2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本，进行数据分割与地理编码与影像入库，具体包括：

对获取的GF-2高分辨率遥感图像进行初始化处理、特征点匹配、影像拼接、校正、图像增强、匀色、裁剪、重建处理和影像拼接等处理工作，以保证像元点空间位置的准确性，采用2000国家大地坐标系，1985国家高程基准，UTM投影6°分带，根据国土空间规划实践中常用的遥感基础数据情况，保留红、绿、蓝三个波段信息，获取具有红、绿、蓝3个波段的数字正射影像，并将该影像作为多尺度目标检测数据集样本，然后，基于地理空间关系对待分类遥感影像按行列进行分割，并进行地理编码，即把描述成为文本的地理位置信息转换成地理坐标，建立遥感数据库；

进一步地，所述S2：对数据集样本进行数据处理，划分为训练集和测试集，具体包括：

S21：对数据集样本切割成256×256大小的影像，并按照1：1的比例划分训练集和测试集；

S22：采用人工标注的方式，为了丰富样本特征，数据集标注采用两种方式：一种是勾勒绿地边缘，考虑边界特征，另一种是在绿地范围内勾勒矩形范围；

S23：进行归一化处理，使用Min-Max标准化方法将像素值位于[0，255]之间的数据影像归一化压缩到[0，1]之间，Min-Max标准化方法的公式如下:

式中：x_Max为数据中的像素最大值；x_Min为数据中的像素最小值。

进一步地，如图2所示，所述S3：构建多尺度特征感知神经网络语义分割模型，将U-Net网络融合ASPP模块和SFAM模块，然后训练数据集，并进行预测和精度评价，具体包括：

本发明采用深度学习PyTorch框架，2块型号为GTX-1080Ti的GPU，对城市绿地进行识别。

依次连接的收缩路径、连接通道和扩张路径，也称为编码器、连接器和解码器；

所述编码器，包括：依次连接的第一级子编码器、第二级子编码器、第三级子编码器和第四级子编码器；所述第四级子编码器与连接器的输入端连接；

所述解码器，包括：依次连接的第一级子解码器、第二级子解码器、第三级子解码器和第四级子解码器；所述第一级子解码器与连接器的输出端连接；

所述第一级子编码器的输出端和第四级解码器的输入端通过第一融合器连接；

所述第二级子编码器的输出端和第三级解码器的输入端通过第二融合器连接；

所述第三级子编码器的输出端和第二级解码器的输入端通过第三融合器连接；

所述第四级子编码器的输出端和第一级解码器的输入端通过第四融合器连接；

为了能够对遥感图像进行不同尺度的特征提取，在连接器中加入ASPP模块，并在ASPP模块中使用shortcut的方法；

将步骤2制作的数据进行编码输出的结果输入第一级子编码器的输入端，对所述数据集的训练集中的每一张图像进行四次下采样。然后进入ASPP模块，以不同采样率的空洞卷积并进行采样。在ASPP内各层叠加后的输出进行卷积操作，将得到的结果进行融合到一起，扩大通道数。最后，通过1×1的卷积将通道数降低到给定的数值。其公式如下：

Y＝Concat(Im_pooling(X),G_1.3(X),G_6.3(X),G_12.3(X),G_18.3(X),)

其中，Concat()为拼接操作第一维度的特征图，G_r.n(X)表示r采样率的带孔卷积与n尺寸卷积核。Im_pooling表示为图上imagepooling分支中所有图像级输入特征图的平均池化特征。

为有效聚合多级多尺度特征，在融合器中加入SFAM模块。先把各层编码器的输出和解码器的输入的特征聚合，形成多级特征金字塔，把目标特征沿者信道维度进行有效衔接，然后将SENet的区块引入使得特征都包含在最有益的区间里。在SENet区块后，利用全局平均池化来生成通道统计数据z∈R^C。其公式如下：

s＝F_ex(z,W)＝Re(W₂S(W₁z))

其中，C是通道数，r是减少的比例,Re表示ReLU操作，S表示Sigmoid。最后，将得到的激励s对输入X进行重新加权，得到最终的输出如公式所示：

其中，表示聚合后的特征金字塔，表示第j个最大尺度的特征。

对经过上述步骤处理过的上采样图像进行1×1的卷积操作，使用激活函数得到所述数据集的训练集中的每一张图像的最终识别图，如图3所示；

使用所获得的最终识别图与其所对应图像的真实值之间的差异作为损失，基于该损失进一步更新改进后的U-Net网络模型，实现对改进的U-Net模型的训练。

将训练完改进的U-Net网络模型得到多尺度特征感知神经网络语义分割模型后，利用预测影像进行预测，并基于混淆矩阵的基础上，计算得到整体精度和平均交并比，其中整体精度公式如下：

式中：TP为被正确分类为城市绿地的像元数量；TN表示将背景像元预测为背景像元的数量；FP表示将背景像元误预测为城市绿地像元的数量；FN表示将城市绿地像元误预测为背景像元的数量；

所述平均并交比的计算公式如下：

式中：k为类别个数；P_ii为类别为i的像素被预测为类别i的像素个数；p_ij为类别为i的像素被预测为类别j的像素个数；p_ji为类别为j的像素被预测为类别i的像素个数。

经过上述步骤，城市绿地预测结果如图3所示，结果表明改进的U-Net网络模型在城市绿地识别中的效果比经典的U-Net网络更好，对于所提取的城市绿地精度更高，提取的城市绿地边界与现实城市绿地边界更吻合，对于精确提取城市绿地的方法具有一定的参考价值。

进一步地，所述S4：对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，获得城市绿地分类结果，具体包括：

对多尺度特征感知神经网络语义分割模型的输出结果进行映射式解码，将地址分词并用数据库搜索，将地址匹配，得到城市绿地分类结果。

进一步地，所述S5：将多尺度特征感知神经网路语义分割模型和编码-解码模型进行整合，生成最终的多尺度特征感知深度神经网络城市绿地分类模型，具体包括：将S3中训练所得的尺度特征感知神经网路语义分割模型和S1的编码过程以及S4的解码过程所构建遥感影像的编码-解码模型结合起来，构成最终的多尺度特征感知深度神经网络城市绿地分类模型。

进一步地，所述S6：批量获取POI数据集，对获取的POI数据坐标进行去重、纠偏和空间坐标转换等处理，具体包括：

利用高德地图提供的API接口，使用Python编程语言编写网络爬取工具，采取周边检索中的多边形检索方法，以网格形式批量获取原始POI数据；清洗无效、冗余的POI数据，将处理好的68511条POI数据的坐标转换成2000国家大地坐标系，然后进行了去重、纠偏等处理，为了保证后续步骤地顺利进行。

进一步地，所述S7：基于景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，最终实现功能分类、类型特征、服务范围和形态特征4个维度的城市绿地的精细化分类，具体包括：

S71：如图4(a)所示，从功能对城市绿地进行分类，依据2018年颁布实施的《城市绿地分类标准》，使用步骤S4中获得的城市绿地和步骤S6中所述的POI数据，根据POI数据和城市绿地的拓扑关系将城市绿地进行进一步地分类；将城市绿地范围内有“城市公园”POI数据的斑块，归类为公园绿地；将城市绿地范围内落入“小区”、“住宅”POI数据的斑块，归类为“附属绿地”；然后，计算城市绿地与城市道路的临近关系，将剩余的斑块中，与交通路网存在拓扑相邻关系的绿地归为“防护绿地”；最后，将其他城市绿地归为“其他城市绿地”；

S72：如图4(b)所示，从类型特征进行城市绿地分类，利用LDA主题模型，根据绿地内所包含的POI字段的属性信息，将S71中所述的公园绿地这一子类进一步划分为综合公园、社区公园、城市公园、山地公园、市政公园、主题公园、山体公园和体育公园；

S73：如图4(c)所示，从服务范围进行城市绿地分类，将仅与交通道路拓扑临界且面积极小的城市绿地，全部归类为街旁绿地；然后，计算城市绿地覆盖范围与周围POI的渗透关系，将与居住类POI所形成的单一组团渗透度高的城市绿地归纳为社区级绿地，将与居住类POI所形成的多个组团、与商业类POI所形成的单一组团所渗透度高的城市绿地归纳为区级绿地；最后，将面积范围最大，与交通带路网拓扑关系复杂、与商业类POI所形成的多个组团所渗透度高的城市绿地归纳为市级绿地；

S74：如图4(d)所示，从形态特征进行城市绿地分类，引入景观形态指数，对比提取的绿地斑块与相同面积的圆的偏离指数并结合绿地面积特征，将偏离指数较小且面积小的城市绿地，定义为点状绿地；将偏离指数较大且面积较小的城市绿地，定义为带状绿地；将偏离指数较小且面积较大的城市绿地，定义为块状绿地。其中，景观形状指数计算公式如下：

式中，LSI_x为绿地x的景观形态指数，M_x为绿地x的斑块边界长度，A_x为绿地x的景观面积。

同时，本发明还提供一种基于GF-2与开放地图数据的城市绿地精细化分类系统，其包括：

数据处理模块：对获取GF-2高分辨率遥感影像数据和POI数据集进行预处理，将预处理后的遥感影像数据制作城市绿地训练集和测试集并获得所需POI数据集；

分类模型创建模块：构建多尺度特征感知神经网络语义分割模型，将ASPP+SFAM模块融合U-Net网络，然后训练数据集，并进行预测和精度评价，生成多尺度特征感知神经网络语义分割模型；

编码模型创建模块：以地理空间关系对输入数据按行列进行分割，进行地理编码，并将结果作为输入数据输入到多尺度特征感知神经网络语义分割模型，进行城市绿地识别；

解码模型创建模块：对多尺度特征感知神经网络语义分割模型的输出结果进行映射式解码，将地址分词并用数据库搜索，将地址匹配，得到GF-2高分辨率遥感影像城市绿地识别结果；

多维分类模块：利用绿地遥感分类结果和以POI数据和OSM数据为代表的开放地图数据，引入景观生态学的基础理论，从功能分类、类型特征、服务范围和形态特征4个维度对城市绿地进行精细化分类；

结果输出模块：用于自动拼接解码后的分幅图像，并输出城市绿地分类结果的图像。

由上述实施例可知，应用本发明的技术方法，首先将遥感影像数据进行预处理，建立数据集；然后构建多尺度特征感知神经网络语义分割模型，对数据集进行训练，将数据集训练至模型拟合效果最佳，输入预测影像进行预测和进行精度评价，获得城市绿地识别结果；利用城市绿地识别结果和以POI数据和OSM数据为代表的开放地图数据，引入景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，从功能分类、类型特征、服务范围和形态特征4个维度对城市绿地进行精细化分类。对自然资源管理、城市生态环境监测、城市碳汇估算等工作提供有效的数据支持。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，其包括以下步骤：

S1：获取GF-2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本，进行数据分割与地理编码与影像入库；

S2：对数据集样本进行数据处理，划分为训练集和测试集；

S3：构建多尺度特征感知神经网络语义分割模型，将U-Net网络融合ASPP模块和SFAM模块，然后训练数据集，并进行预测和总体精度评价；

S4：对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，获得城市绿地分类结果；

S5：将多尺度特征感知神经网络语义分割模型和编码-解码模型进行整合，生成最终的多尺度特征感知深度神经网络城市绿地分类模型；

S6：批量获取POI数据集，对获取的POI数据坐标进行去重、纠偏和空间坐标转换等处理；

S7：基于景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，最终实现功能分类、类型特征、服务范围和形态特征4个维度的城市绿地的精细化分类。

2.根据权利要求1所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，对于步骤S1中所述获取GF-2高分辨率遥感影像数据进行预处理、建立多尺度目标检测数据集和进行编码建立遥感数据库工作，包括：采用GF-2高分辨率遥感影像作为数据源，对遥感图像进行初始化处理、特征点匹配、影像拼接、校正、图像增强、匀色、裁剪、重建处理和影像拼接，获取具有红、绿、蓝3个波段的数字正射影像，并将该影像作为多尺度目标检测数据集样本，然后，基于地理空间关系对待分类遥感影像按行列进行分割，并进行地理编码，即把描述成为文本的地理位置信息转换成地理坐标，建立遥感数据库。

3.根据权利要求1所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，对于步骤S2中对数据集样本处理工作，具体步骤如下：

S21：对数据集样本切割成256×256大小的图像，并按照1：1的比例划分训练集和测试集；

S22:采用人工标注的方式，为了丰富样本特征，数据集标注采用两种方式：一种是勾勒绿地边缘，考虑边界特征，另一种是在绿地范围内勾勒矩形范围；

S23：进行归一化处理，使用Min-Max标准化方法将像素值位于[0，255]之间的数据影像归一化压缩到[0，1]之间，Min-Max标准化方法的公式如下:

式中：x_Max为数据中的像素最大值；x_Min为数据中的像素最小值。

4.根据权利要求1所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，所述步骤S3构建多尺度特征感知神经网络语义分割模型包括：U-Net网络模型的收缩路径为特征提取下采样，U-Net网络模型的扩张路径为上采样过程；在下采样过程中，每两个卷积层组成一个卷积块，共含有5个卷积块，在每个上采样的过程中，两个卷积层减少的卷积特征映射，连接的特征映射的数量来自编码路径的特征映射的数量；在特征提取的过程中，遥感影像每经过一个池化层，图像的尺寸就会缩小一次，在特征提取时，每次上采样都会与相同尺度的通道数融合，U-Net网络模型中，将特征提取与上采样进行连接，整体形成一个U型结构，具体步骤如下：

S31：将步骤S2制作的数据编码输出送入深度神经网络语义分割模型(U-Net网络模型)，对所述数据集的训练集中的每一张图像进行四次下采样，然后，在U-Net网络模型的收缩路径的最后一层通道数为1024的特征图中加入ASPP模块，使得模型能够对遥感图像进行不同尺度的特征提取，通过ASPP模块可以实现不同尺度特征的提取，在低层阶段获得精细的目标像素分割定位，高层阶段提取更为有效的城市绿地特征，其公式如下：

Y＝Concat(Im_pooling(X),G_1.3(X),G_6.3(X),G_12.3(X),G_18.3(X),)

其中，Concat()为拼接操作第一维度的特征图，G_r.n(X)表示r采样率的带孔卷积与n尺寸卷积核，Im_pooling表示为图上imagepooling分支中所有图像级输入特征图的平均池化特征；

S32：将步骤S2获得的所述数据集的训练集输入U-Net模型，对所述数据集的训练集中的每一张图像进行四次上采样，并结合步骤S31获得下采样图像将对应层中大小相同的输出进行拼接；为了有效地聚合多级多尺度特征，形成多级特征金字塔，在四次上采样过程中加入SFAM模块，其公式如下：

s＝F_ex(z,W)＝Re(W₂S(W₁z))

其中，

C是通道数，r是减少的比例,Re表示ReLU操作，S表示Sigmoid，最后，将得到的激励s对输入X进行重新加权，得到最终的输出如公式所示：

其中，

表示聚合后的特征金字塔，

表示第j个最大尺度的特征；

S33：对经过上述步骤S32处理过的上采样图像进行1×1的卷积操作，使用激活函数得到所述数据集的训练集中的每一张图像的最终识别图；

S34：使用步骤S33中所获得的所述最终识别图与其所对应图像的真实值之间的差异作为损失，基于该损失进一步更新改进后的U-Net网络模型，实现对改进的U-Net模型的训练；

S35：将训练完改进的U-Net网络模型得到多尺度特征感知神经网络语义分割模型后，利用预测影像进行预测，并基于混淆矩阵的基础上，计算得到整体精度和平均交并比，其中整体精度公式如下：

式中：TP为被正确分类为城市绿地的像元数量；TN表示将背景像元预测为背景像元的数量；FP表示将背景像元误预测为城市绿地像元的数量；FN表示将城市绿地像元误预测为背景像元的数量；

所述平均并交比的计算公式如下：

式中：k为类别个数；P_ii为类别为i的像素被预测为类别i的像素个数；p_ij为类别为i的像素被预测为类别j的像素个数；p_ji为类别为j的像素被预测为类别i的像素个数。

5.根据权利要求4所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，所述步骤S31中，四次下采样中的每一次均先经过两次3×3的卷积，其中每次卷积后都使用激活函数进行激活，然后再经过2×2的池化操作；上述步骤S32中，四次上采样均经过两次3×3的卷积，其中卷积后使用激活函数进行激活，每一次均经过双线性插值操作。

6.根据权利要求1所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，对于步骤S4中所述对城市绿地识别结果进行解码处理工作，包括：对多尺度特征感知神经网络语义分割模型的输出城市绿地识别结果进行映射式解码，将地址分词并用数据库搜索，将地址匹配，得到城市绿地分类结果。

7.根据权利要求1所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，对于步骤S6中所述的POI数据集处理工作，包括：系统利用程序编程接口编写Python网络爬虫算法，获取批量POI数据集，把POI数据集作为基础数据源，并将其坐标转换成2000国家大地坐标系，然后进行了去重、纠偏等处理，确保数据的准确性。

8.根据权利要求1所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，所述步骤S7的具体步骤如下：

S71：从功能对城市绿地进行分类，依据2018年颁布实施的《城市绿地分类标准》，使用步骤S4中获得的城市绿地和步骤S6中处理好的POI数据集，将城市绿地范围内落入“城市公园”POI数据的斑块，归类为公园绿地；将城市绿地范围内落入“小区”、“住宅”POI数据的斑块，归类为“附属绿地”；然后，计算城市绿地与城市道路的临近关系，将剩余的斑块中，与交通路网存在拓扑相邻关系的绿地归为“防护绿地”；最后，将其他城市绿地归为“其他城市绿地”；

S72：从类型特征进行城市绿地分类，利用LDA主题模型，根据绿地内所包含的POI字段的属性信息，将公园绿地这一子类进一步划分为综合公园、社区公园、城市公园、山地公园、市政公园、主题公园、山体公园和体育公园；

S73：从服务范围进行城市绿地分类，将仅与交通道路拓扑临界且面积极小的城市绿地，全部归类为街旁绿地；然后，计算城市绿地覆盖范围与周围POI的渗透关系，将与居住类POI所形成的单一组团渗透度高的城市绿地归纳为社区级绿地，将与居住类POI所形成的多个组团、与商业类POI所形成的单一组团所渗透度高的城市绿地归纳为区级绿地；最后，将面积范围最大，与交通带路网拓扑关系复杂、与商业类POI所形成的多个组团所渗透度高的城市绿地归纳为市级绿地；

S74：从形态特征进行城市绿地分类，引入景观形态指数，对比提取的绿地斑块与相同面积的圆的偏离指数并结合绿地面积特征，将偏离指数较小且面积小的城市绿地，定义为点状绿地；将偏离指数较大且面积较小的城市绿地，定义为带状绿地；将偏离指数较小且面积较大的城市绿地，定义为块状绿地，其中，景观形状指数计算公式如下：

式中，LSI_x为绿地x的景观形态指数，M_x为绿地x的斑块边界长度，A_x为绿地x的景观面积。

9.一种基于GF-2与开放地图数据的城市绿地精细化分类方法，其特征在于，该系统支持如权利要求1至8中任意一项所述的一种基于GF-2与开放地图数据的城市绿地精细化分类方法，该系统包括：

数据处理模块：对获取GF-2高分辨率遥感影像数据和POI数据集进行预处理，将预处理后的遥感影像数据制作城市绿地训练集和测试集并获得所需POI数据集；

分类模型创建模块：构建多尺度特征感知神经网络语义分割模型，将ASPP+SFAM模块融合U-Net网络，然后训练数据集，并进行预测和精度评价，生成多尺度特征感知神经网络语义分割模型；

编码模型创建模块：以地理空间关系对输入数据按行列进行分割，进行地理编码，并将结果作为输入数据输入到多尺度特征感知神经网络语义分割模型，进行城市绿地识别；

解码模型创建模块：对多尺度特征感知神经网络语义分割模型的输出结果进行映射式解码，将地址分词并用数据库搜索，将地址匹配，得到GF-2高分辨率遥感影像城市绿地识别结果；

多维分类模块：利用绿地遥感分类结果和以POI数据和OSM数据为代表的开放地图数据，引入景观生态学的基础理论，从功能分类、类型特征、服务范围和形态特征4个维度对城市绿地进行精细化分类；

结果输出模块：用于自动拼接解码后的分幅图像，并输出城市绿地分类结果的图像。

Images