CN116152668B - 一种基于人工智能获取街区尺度lcz的方法 - Google Patents
一种基于人工智能获取街区尺度lcz的方法 Download PDFInfo
- Publication number
- CN116152668B CN116152668B CN202310432490.1A CN202310432490A CN116152668B CN 116152668 B CN116152668 B CN 116152668B CN 202310432490 A CN202310432490 A CN 202310432490A CN 116152668 B CN116152668 B CN 116152668B
- Authority
- CN
- China
- Prior art keywords
- building
- block
- local climate
- lcz
- area
- 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
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
- 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
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于人工智能获取街区尺度LCZ的方法,属于图像处理技术领域,该方法包括:获取目标区域的路网信息和遥感图像和街区成份信息;根据路网信息将目标区域划分为多个局部气候区块;使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成份;使用街区成份信息弥补像素级分类人工智能模型漏识、误识的组成成份信息;计算局部气候区块的地表形态特征参数;根据地表形态特征参数将局部气候区块分类。本发明能够更为精细化地分析和评估城市环境的气候,对建设宜居和舒适的城市空间提供指导、为环境适宜型生态城市街区规划和建筑设计提供参考。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于人工智能获取街区尺度LCZ的方法。
背景技术
合理规划城市用地有利于促进良好的地区气候条件,从而营造适宜、可持续的居住生态环境。由于城市化的快速发展以及城市人口急剧增加,原始的自然底层表面材料和空间几何形态受到了极大的改变。不透水下垫面材料的特定热物理性质、密集的高层建筑形态以及持续产生的人为热量极大地影响了背景气象条件,并产生了城市气候,从而导致了许多气候问题。这其中包括全球气候变暖和城市热岛效应。尤其是在城市空间中,热环境条件的变化对建筑能耗和市民的室外热舒适水平产生了巨大影响。因此,需要合理的城市规划,避免或减轻这一影响,从而改善居住的生态环境。但合理地规划城市,需要为城市规划师提供详细的城市空间情况。换句话来说,建设宜居和舒适的城市空间需要精细化分析和评估城市环境的气候。
局部气候区(locate climate zone,LCZ)是一种考虑地表结构、地表覆盖、地表结构、人类活动以及当地气候的耦合影响下,街区区域范围内有效量化城市空间对局部热舒适性影响的表达方式。以局部气候区作为规范性研究指南,能够降低城市空间热环境条件的变化对建筑能耗和市民的室外热舒适程度产生的负面影响。因此,优化LCZ的分类并获得面向街区尺度的LCZ地图对于具有气候意识的城市规划和设计至关重要。
发明内容
本发明的目的是提供一种基于人工智能获取街区尺度LCZ的方法,该方法能够更为精细化地分析和评估城市环境的气候,对建设宜居和舒适的城市空间提供指导、为环境适宜型生态城市街区规划和建筑设计提供参考。
一种基于人工智能获取街区尺度LCZ的方法,包括:
获取目标区域的路网信息和遥感图像和街区成份信息;
根据路网信息将目标区域划分为多个局部气候区块;
使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成份;
使用街区成份信息弥补像素级分类人工智能模型漏识、误识的组成成份信息;
计算局部气候区块的地表形态特征参数;
根据地表形态特征参数将局部气候区块分类。
获取目标区域的路网信息和遥感图像和街区成份信息之后还包括训练像素级分类人工智能模型,具体为:
像素级分类人工智能模型包括:U-Net模型、DeepLab系列模型、全连接网络系列模型;
人工标记少部分目标区域遥感图像的道路成份作为像素级分类人工智能模型的训练集;
将训练集输入像素级分类人工智能模型进行训练;
获得训练好的像素级分类人工智能模型。
使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成份包括:
组成成份包括:植被、建筑、道路、裸地、水体、农耕用地;
将获取的目标区域遥感图像输入像素级分类人工智能模型;
像素级分类人工智能模型输出目标区域遥感图像中的道路成份。
根据路网信息将目标区域划分为多个局部气候区块包括:
根据像素级分类人工智能模型和地理信息大数据弥补之后的目标区域遥感图像道路成份,划分局部气候区,得到初步的局部气候区块;
根据目标区域路网数据将面积小于的局部气候分区区块与相邻气候分区区块合并得到最终局部气候区块;
根据目标区域路网数据将面积大于的局部气候分区区块进行拆分得到最终局部气候区块。
计算局部气候区块的地表形态特征参数包括:
地表形态特征参数包括:各街区的天空视角系数、街道高宽比、建筑密度、建筑高度、透水面积比率以及不透水面积比率;
计算建筑密度、透水面积比率以及不透水面积比率;
计算建筑高度;
计算街道高宽比;
计算天空视角系数。
计算建筑密度、透水面积比率以及不透水面积比率包括:
将像素级分类人工智能模型和地理信息大数据进行弥补后的掩膜转换为1米分辨率;
以建筑成份像素数量、植被和裸地成份像素数量、剩余成份像素数量除以局部气候区块的总像素数量,获得各个局部气候区块的建筑密度、透水面积比率以及不透水面积比率。
计算建筑高度包括:
利用数字地表模型数据减数字高程模型数据得到整个研究区的成份高度;
计算掩膜中每一个建筑成份的质心,以质心点位置的高度作为该建筑成份的高度,质心点的数量等于建筑成份的数量;
局部气候区块的建筑高度等于质心点位置的高度和除以质心点的数量。
计算街道高宽比包括:
基于计算的建筑高度,通过地理信息系统处理软件的近邻分析得到各局部气候分区区块内建筑成份的间距;
用建筑高度除以建筑间距,获得街道高宽比。
计算天空视角系数包括:
局部气候区块中以半径为10米的圆形平面作为“计算单元”,以圆心为基准点,计算“计算单元”内每个建筑成份的仰角正弦值,并求平均值,获得“计算单元”的天空视角系数;
根据局部气候分区区块“计算单元”的数量求平均值,得到局部气候区块的天空视角系数。
根据地表形态特征参数将局部气候区块分类包括:
根据地表形态特征参数将局部气候区块划分为的紧凑高层建筑区LCZ1、紧凑中层建筑区LCZ2、紧凑低层建筑区LCZ3、开敞高层建筑区LCZ4、开敞中层建筑区LCZ5、开敞低层建筑区LCZ6、轻质低层建筑区LCZ7、大型低层建筑区LCZ8、稀疏建筑区LCZ9、高密度树林LCZA、分散树林LCZB、灌木林LCZC、低矮植物LCZD、裸岩或水泥路LCZE、裸地和沙地LCZF和LCZG水体;
根据局部气候分区区块的建筑密度是否大于10%,来确定区块划分为街区形态还是土地利用形态。
本发明利用一种非线性工具:人工智能的像素级分类识别技术,仅依靠少量的人工标记样本训练得到的像素级分类人工智能模型,可以很好地从输入数据中提取关键特征,自动地定量识别研究区域遥感图像的组成成份,以便计算与LCZ有映射关系的特性参数。
本发明利用已有的世界城市组成元素数据库,弥补和修正像素级分类图像识别中,漏识、误识的组成成份。世界城市组成元素数据库拥有丰富的道路成份,搭配像素级分类图像识别的道路成份,进行组合,围绕的封闭区域,恰好能够作为LCZ的最小划分单位,即街区尺度的划分。根据街区内的组成成份,可以计算LCZ分区有映射关系的六个特性参数。
另外本发明可以通过编程的手段,大大地弱化人为监督和人工参与的程度,调用相关GIS软件自动化地进行计算。并最终导出研究区的LCZ划分结果图。
本发明能够以街区尺度作为边界分析LCZ,取代了之前的“网格”分析,能够更加真实地反映城市的街道局部气候情况。此外,第二个优点是利用像素级分类的人工智能图像识别技术,可以自动化地识别街区范围内的组成成份,取代耗时耗力的传统手工机械统计获得LCZ分区的方式。搭配世界城市组成元素数据库,为LCZ的特性参数计算提供准确的城市形态、建筑信息、道路信息等。最重要的第三个优点,街区尺度的LCZ划分能够利用PYTHON语言对GIS软件进行二次开发,编写的数据处理工作流的方法获得。该方法具有极大地推广性,可以应用到全球任何一个研究区域。在弱化人为监督的同时,又大大提高了工作的效率,为LCZ制图及其在城市气候领域的相关应用提供了新的视角。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,标示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本发明的流程图;
图2为本发明的路网数据示意图;
图3为本发明的路网划分街区区块的处理示意图;
图4为本发明的区块组成成分示意图;
图5为本发明的BSF、PSF和ISF的计算示意图;
图6为本发明的HRE和SVF的计算流程图;
图7为本发明的“建筑要素类”获取的流程图;
图8为本发明的AR计算示意图;
图9为本发明的LCZ分区的计算示意图。
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,所描述的实施例仅仅是本发明的一部分实施例,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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
一种基于人工智能获取街区尺度LCZ的方法,参考图1,包括:
S100,获取目标区域的路网信息和遥感图像和街区成份信息;
S200,根据路网信息将目标区域划分为多个局部气候区块;
S300,使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成份;
S400,使用街区成份信息弥补像素级分类人工智能模型漏识、误识的组成成份信息;
S500,计算局部气候区块的地表形态特征参数;
S600,根据地表形态特征参数将局部气候区块分类。
本发明能够以街区尺度作为边界分析LCZ,取代了之前的“网格”分析,能够更加真实地反映城市的街道局部气候情况。此外,第二个优点是利用像素级分类的人工智能图像识别技术,可以自动化地识别街区范围内的组成成份,取代耗时耗力的传统手工机械统计获得LCZ分区的方式。搭配世界城市组成元素数据库,为LCZ的特性参数计算提供准确的城市形态、建筑信息、道路信息等。最重要的第三个优点,街区尺度的LCZ划分能够利用PYTHON语言对GIS软件进行二次开发,编写的数据处理工作流的方法获得。该方法具有极大地推广性,可以应用到全球任何一个研究区域。在弱化人为监督的同时,又大大提高了工作的效率,为LCZ制图及其在城市气候领域的相关应用提供了新的视角。
S200根据路网信息将目标区域划分为多个局部气候区块包括:
根据获取的路网信息,划分局部气候区,得到初步的局部气候区块;
首先,参见图2。下载路网数据(其中包括高速公路、国道、县道、省道、乡道以及城市一级道路)。在这里,点击“点击查询”,然后选择研究区域,最后点击“加入成果车”下载数据即可。输入的形式为“要素类”,根据官方图例找到路网数据,导入地理信息系统处理软件。
根据目标区域路网数据将面积小于的局部气候分区区块与相邻气候分区区块合并得到最终局部气候区块;
根据目标区域路网数据将面积大于的局部气候分区区块进行拆分得到最终局部气候区块。
街区被路网划分。具体来说,在图1基础上,参见图3,这些道路网络数据集被合并(如①→②),以获得研究区域的道路网络(总集合)。合并的道路网建立缓冲区(如②→③),以便看起来具有道路宽度。然后,利用缓冲区道路网络“交集取反”研究区面要素(如③→④,缓冲区道路示意为“黄色”集合,研究区面要素示意为“绿色”集合),建立道路面多边形特征,得到LCZ区块(如⑤,不同的颜色代表不同的LCZ区块)。此外,还需要对LCZ区块的大小修正,让LCZ区域的面积大小满足的要求。大于/>的LCZ区块根据道路网进一步拆分(如⑥→⑦),将小于/>的LCZ区块进行相邻街区尺度的合并(如⑧→⑨)。至此,得到研究区的LCZ区块。
S100获取目标区域的路网信息和遥感图像和街区成份信息之后还包括S110训练像素级分类人工智能模型,具体为:
像素级分类人工智能模型包括:U-Net模型、DeepLab系列模型、全连接网络系列模型;
人工标记少部分目标区域遥感图像的组成成份作为像素级分类人工智能模型的训练集;
将训练集输入像素级分类人工智能模型进行训练;
获得训练好的像素级分类人工智能模型。
参见图4,对研究区的街区区块组成成份进行识别。具体来说,先建立像素级分类尺度遥感图像识别人工智能模型。即利用已有的城市像素级分类遥感图像样本数据集,或手动标记少量研究区遥感图像,作为训练人工智能的样本,用于训练像素级分类的人工智能。然后将训练好的人工智能模型,预测整个研究区的遥感图像,获取各区块的组成成份(背景、建筑、道路、水体、植被、裸地、农耕用地和无数据)。
S300使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成份包括:
组成成份包括:植被、建筑、道路、裸地、水体、农耕用地;
将获取的目标区域遥感图像输入像素级分类人工智能模型;
像素级分类人工智能模型输出目标区域遥感图像中的组成成份。
为了进一步提高LCZ映射的准确性,使用“先验知识”对像素级分类人工智能模型识别的结果进行修正。“先验知识”是OpenStreetMap )中具有高精度轮廓的“建筑”和“植被”多边形。具体来说,参见图5。在OpenStreetMap中点击“Selectyour own region”,选择研究区。然后利用“锚箱框”标定研究区,填入文件名称以及邮箱之后,点击“extract”。研究区的数据会发送到指定的邮箱中。将这些数据导入地理信息系统数据处理软件,修正前后的效果如图5样张“1-1(遥感图像),1-2(像素级分类人工智能模型识别结果),1-3(先验知识修正结果,掩膜)”,以及样张“2-1,2-2,2-3”所示。接下来进一步计算研究区内各LCZ区块的特性参数。
S500计算局部气候区块的地表形态特征参数包括:
地表形态特征参数包括:各街区的天空视角系数、街道高宽比、建筑密度、建筑高度、透水面积比率以及不透水面积比率;
S510,计算建筑密度、透水面积比率以及不透水面积比率;
S520,计算建筑高度;
S530,计算街道高宽比;
S540,计算天空视角系数。
天空视角系数(sky view factor,SVF)、建筑密度(building surface fraction,BSF)、透水面积比率(pervious surface fraction,PSF)、不透水面积比率(impervioussurface fraction,ISF)、建筑高度(height of roughness elements,HRE)和街道高宽比(canyon aspect ratio,AR)。
S510计算建筑密度、透水面积比率以及不透水面积比率包括:
将像素级分类人工智能模型和地理信息大数据进行弥补后的掩膜转换为1米分辨率;
以建筑成份像素数量、植被和裸地成份像素数量、剩余成份像素数量除以局部气候区块的总像素数量,获得各个局部气候区块的建筑密度、透水面积比率以及不透水面积比率。
S520计算建筑高度包括:
利用数字地表模型数据减数字高程模型数据得到整个研究区的成份高度;
计算掩膜中每一个建筑成份的质心,以质心点位置的高度作为该建筑成份的高度,质心点的数量等于建筑成份的数量;
局部气候区块的建筑高度等于质心点位置的高度和除以质心点的数量。
S530计算街道高宽比包括:
基于计算的建筑高度,通过地理信息系统处理软件的近邻分析得到各局部气候分区区块内建筑成份的间距;
用建筑高度除以建筑间距,获得街道高宽比。
S540计算天空视角系数包括:
局部气候区块中以半径为10米的圆形平面作为“计算单元”,以圆心为基准点,计算“计算单元”内每个建筑成份的仰角正弦值,并求平均值,获得“计算单元”的天空视角系数;
根据局部气候分区区块“计算单元”的数量求平均值,得到局部气候区块的天空视角系数。
由像素级分类的人工智能识别的结果(掩膜),各LCZ区块的BSF,PSF和ISP可以直接通过公式(1)-(3)计算得到。
(1)
(2)
(3)
式中,、/>、/>、/>、/>和/>分别代表在一个封闭街区尺度范围内建筑物、水体、裸地、植被、农耕用地以及道路的面积,/>代表一个封闭街区的面积。
除此以外,根据获得的街区范围内的建筑成份,搭配全球公开的数字地表模型(digital surface model,DSM)数据和数字高程模型数据(digitalelevation model,DEM),计算LCZ分区的另外两个特性参数:HRE和SVF。
HRE的计算,具体来说,参见图6中的步骤A。首先获取地表物体的高度。DEM为地形的高程信息,DSM为地表建筑物、桥梁和树木等高度的地面高程模型。和DSM相比,DEM只包含了地形的高程信息,并未包含其它地表信息,而DSM是在DEM的基础上,进一步涵盖了除地面以外的其它地表信息的高程。此外,在图6的基础上,参见图7,还需要将掩膜进行二值化处理。即将建筑成份的“重分类”为“1”(白色),非建筑成份“重分类”为“0”(黑色),然后再执行“栅格转要素”,获取“建筑要素类”。因为建筑的高是以建筑成份的质心点处的高度值为准。因此,根据建筑成份的(质心)所在位置,两个数据集的差(即DSM-DEM)就为该建筑成份的高度。直接统计街区范围内建筑的数量和建筑的高度,HRE可根据公式(4)获得。
(4)
式中,为第/>个建筑成份的高度,n为街区范围内的建筑成份总数。这里需要注意的是,/>指的建筑成份的高,是根据像素级分类人工智能模型识别城市遥感图像再进行“先验知识”修正之后掩膜中,建筑成份(形状)质心点位置处的高。
SVF的计算,具体来说,又可细分为5个步骤,参见图6。基于求取HRE的步骤,在步骤A中,将以及“要素转栅格”操作,将获得包含建筑和地面高度的栅格网格。步骤B,通过将图6步骤A中获得的包含建筑和地面高度的栅格网格转换为点(栅格转点)。然后在这些点的基础上,建立半径为10m的点缓冲区,作为SVF的单位研究区域。换句话说,半径为10m的圆被用作SVF的单位研究区域。步骤C,计算单位研究区域的SVF。单位研究区域的数学表达式如公式(4)所示:
(5)
(6)
式中,n是单位研究区域内的建筑物数量,是建筑物/>与地球表面之间的角度。在公式6中,/>是单位研究区域内建筑物/>的高度,G是单位研究区中心点的高度,R是研究区的半径。步骤D,为了更好地表达映射,每个研究区域的SVF值应以热图的形式呈现。因此,需要通过“点转栅格”操作获得SVF栅格图像,结果如图7的步骤D&E的“SVF”所示。步骤E,各LCZ区块的SVF值将通过“区域统计”操作计算。“区域统计”的数学表达式为:
(7)
式中,指LCZ区块内第/>个栅格的SVF值,s为LCZ区块内的栅格总数量。
至于AR的计算,它的计算公式如式(8)所示。
(8)
式中,HRE为之前所述的LCZ区块所有建筑成份的平均高度。W为LCZ区块中各建筑成份的平均间距。
W的计算,具体来说,参见图8。以街区尺度为单位,关键是计算每个建筑之间距离的平均值。首先,“按属性分割”的方法,将研究区域内的建筑拆分为独立的要素类。然后,将通过“近邻分析”获取建筑物之间的距离,并计算这些距离的平均值以获得W。上述过程可通过使用等式(9)和(10)表示:
(9)
(10)
式中,指“近邻分析”。/>指建筑成份/>和/>的近邻间距。/>指LCZ区块中建筑成份的总数。/>求取的建筑成份的距离数量。这里需要注意的是:与HRE计算质心的方式不同。这里的间距指的是建筑成份之间的近邻。即考虑建筑成份的形状(非质心),两两建筑成份之间的最近距离。
在获取了LCZ区块有映射关系的六个特性参数之后。接下来进行LCZ的划分。具体来说,在图1的基础上,参见图9。在这里,需要同时计算两种类型:“LCZ的土地利用分区”以及“LCZ的建筑类型分区”。计算的方式采用阈值划分法,综合六个特性参数值,落在分区次数最多的,即为该LCZ区块的分区。具体来说,在“LCZ的建筑类型1~10分区”中,SVF的值在LCZ2、LCZ3、LCZ4和LCZ5区间中;AR的值在LCZ2、LCZ3、LCZ4和LCZ7区间中;HRE的值在LCZ1和LCZ4区间中;BSF在LCZ4、LCZ5、LCZ6和LCZ10区间中;ISF的值离LCZ1区间最近;PSF的值在LCZ1、LCZ2、LCZ3、LCZ7和LCZ8区间中。综上,在建筑类型中LCZA最接近该街区的情况。在“LCZ的土地利用A~G分区”中,SVF的值离LCZB区间最近;AR的值在LCZC区间中;HRE的值离LCZA区间最近;BSF的值离LCZA-LCZG相等距离;ISF离LCZE区间最近;PSF在LCZE区间中。综上,在土地利用中LCZE最接近该街区的情况。
然后再根据BSF值,它是一项反映LCZ区块建筑密度的指标。当LCZ区块内的BSF值大于0.1时,则保留“LCZ的建筑类型分区”,反之保留“LCZ的土地利用分区”,即LCZ1作为LCZ区块的分区类型。
S600根据地表形态特征参数将局部气候区块分类包括:
根据地表形态特征参数将局部气候区块划分为的紧凑高层建筑区LCZ1、紧凑中层建筑区LCZ2、紧凑低层建筑区LCZ3、开敞高层建筑区LCZ4、开敞中层建筑区LCZ5、开敞低层建筑区LCZ6、轻质低层建筑区LCZ7、大型低层建筑区LCZ8、稀疏建筑区LCZ9、高密度树林LCZA、分散树林LCZB、灌木林LCZC、低矮植物LCZD、裸岩或水泥路LCZE、裸地和沙地LCZF和LCZG水体;
根据局部气候分区区块的建筑密度是否大于10%,来确定区块划分为街区形态还是土地利用形态。
本发明利用一种非线性工具:人工智能的像素级分类识别技术,仅依靠少量的人工标记样本训练得到的像素级分类人工智能模型,可以很好地从输入数据中提取关键特征,自动地定量识别研究区域遥感图像的组成成份,以便计算与LCZ有映射关系的特性参数。
本发明利用已有的世界城市组成元素数据库,弥补和修正像素级分类图像识别中,漏识、误识的组成成份。世界城市组成元素数据库拥有丰富的道路成份,搭配像素级分类图像识别的道路成份,进行组合,围绕的封闭区域,恰好能够作为LCZ的最小划分单位,即街区尺度的划分。根据街区内的组成成份,可以计算LCZ分区有映射关系的六个特性参数。
另外本发明可以通过编程的手段,大大地弱化人为监督和人工参与的程度,调用相关GIS软件自动化地进行计算。并最终导出研究区的LCZ划分结果图。
本发明能够以街区尺度作为边界分析LCZ,取代了之前的“网格”分析,能够更加真实地反映城市的街道局部气候情况。此外,第二个优点是利用像素级分类的人工智能图像识别技术,可以自动化地识别街区范围内的组成成份,取代耗时耗力的传统手工机械统计获得LCZ分区的方式。搭配世界城市组成元素数据库,为LCZ的特性参数计算提供准确的城市形态、建筑信息、道路信息等。最重要的第三个优点,街区尺度的LCZ划分能够利用PYTHON语言对GIS软件进行二次开发,编写的数据处理工作流的方法获得。该方法具有极大地推广性,可以应用到全球任何一个研究区域。在弱化人为监督的同时,又大大提高了工作的效率,为LCZ制图及其在城市气候领域的相关应用提供了新的视角。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于人工智能获取街区尺度LCZ的方法,其特征在于,包括:
获取目标区域的路网信息、遥感图像和街区成分信息;
根据路网信息将目标区域划分为多个局部气候区块;
使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成分;
使用街区成分信息弥补像素级分类人工智能模型漏识、误识的组成成分信息;
训练像素级分类人工智能模型,具体为:
像素级分类人工智能模型包括:U-Net模型、DeepLab系列模型、全连接网络系列模型;
人工标记少部分目标区域遥感图像的组成成分作为像素级分类人工智能模型的训练集;
将训练集输入像素级分类人工智能模型进行训练;
获得训练好的像素级分类人工智能模型;
计算局部气候区块的地表形态特征参数;
所述计算局部气候区块的地表形态特征参数包括:
地表形态特征参数包括:各街区的天空视角系数SVF、街道高宽比、建筑密度BSF、建筑高度、透水面积比率PSF以及不透水面积比率ISF;
计算建筑密度、透水面积比率以及不透水面积比率包括:
将像素级分类人工智能模型和地理信息大数据进行弥补后的掩膜转换为1米分辨率;
以建筑成分像素数量、植被和裸地成分像素数量、剩余成分像素数量除以局部气候区块的总像素数量,获得各个局部气候区块的建筑密度、透水面积比率以及不透水面积比率;
计算建筑密度、透水面积比率以及不透水面积比率的方法如下:
计算单位研究区的天空视角系数局部气候区块中以半径为10米的圆形平面作为计算单元,以圆心为基准点,计算计算单元内每个建筑成分的仰角正弦值,并求平均值,获得计算单元的天空视角系数;
根据局部气候分区区块计算单元的数量求平均值,得到局部气候区块的天空视角系数:
其中,目标区域内SVF值为:
式中,指LCZ区块内第/>个栅格的SVF值,s为LCZ区块内的栅格总数量,/>表示一个封闭街区尺度范围内建筑物、/>表示一个封闭街区尺度范围内水体、/>表示一个封闭街区尺度范围内裸地、/>表示一个封闭街区尺度范围内植被、/>一个封闭街区尺度范围内农耕用地、/>表示在一个封闭街区尺度范围内道路的面积,/>代表一个封闭街区的面积;n是单位研究区域内的建筑物数量,/>是建筑物/>与地球表面之间的角度;/>是单位研究区域内建筑物/>的高度,G是单位研究区中心点的高度,R是研究区的半径;/>为单位研究区域的天空视角系数;
计算建筑高度包括:
利用数字地表模型数据减数字高程模型数据得到整个研究区的成分高度;
计算掩膜中每一个建筑成分的质心,以质心点位置的高度作为该建筑成分的高度,质心点的数量等于建筑成分的数量;
局部气候区块的建筑高度等于质心点位置的高度和除以质心点的数量;
计算建筑高度HRE:
式中,为第/>个建筑成分的高度,n是单位研究区域内的建筑物数量;
计算街道高宽比包括:
基于计算的建筑高度,通过地理信息系统处理软件的近邻分析得到各局部气候分区区块内建筑成分的间距;
用建筑高度除以建筑间距,获得街道高宽比;
计算街道高宽比AR:;
每个LCZ区块的SVF值以街区尺度为单位,按属性分割的方法,将研究区域内的建筑拆分为独立的要素类,W为LCZ区块中各建筑成分的平均间距,通过近邻分析获取建筑物之间的距离,并计算建筑物之间的距离的平均值获得W,
式中,指近邻分析,/>指建筑成分/>和/>的近邻间距,/>指LCZ区块中建筑成分的总数,/>为求取的建筑成分的距离数量;LCZ类型的计算方式采用阈值划分法,综合多个特性参数值,落在分区次数最多的,即为当前LCZ区块的分区;
根据地表形态特征参数将局部气候区块分类。
2.根据权利要求1所述的一种基于人工智能获取街区尺度LCZ的方法,其特征在于,所述使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成分包括:
组成成分包括:植被、建筑、道路、裸地、湖泊河流、农耕用地;
将获取的目标区域遥感图像输入像素级分类人工智能模型;
像素级分类人工智能模型输出目标区域遥感图像中的组成成分。
3.根据权利要求1所述的一种基于人工智能获取街区尺度LCZ的方法,其特征在于,所述根据路网信息将目标区域划分为多个局部气候区块包括:
根据像素级分类人工智能模型和地理信息大数据弥补之后的目标区域遥感图像道路成分,划分局部气候区,得到初步的局部气候区块;
根据目标区域路网数据将面积小于的局部气候分区区块与相邻气候分区区块合并得到最终局部气候区块;
根据目标区域路网数据将面积大于的局部气候分区区块进行拆分得到最终局部气候区块。
4.根据权利要求1所述的一种基于人工智能获取街区尺度LCZ的方法,其特征在于,所述根据地表形态特征参数将局部气候区块分类包括:
根据地表形态特征参数将局部气候区块划分为的紧凑高层建筑区LCZ1、紧凑中层建筑区LCZ2、紧凑低层建筑区LCZ3、开敞高层建筑区LCZ4、开敞中层建筑区LCZ5、开敞低层建筑区LCZ6、轻质低层建筑区LCZ7、大型低层建筑区LCZ8、稀疏建筑区LCZ9、高密度树林LCZA、分散树林LCZB、灌木林LCZC、低矮植物LCZD、裸岩或水泥路LCZE、裸地和沙地LCZF和LCZG水体;
根据局部气候分区区块的建筑密度是否大于10%,来确定区块划分为街区形态还是土地利用形态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310432490.1A CN116152668B (zh) | 2023-04-21 | 2023-04-21 | 一种基于人工智能获取街区尺度lcz的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310432490.1A CN116152668B (zh) | 2023-04-21 | 2023-04-21 | 一种基于人工智能获取街区尺度lcz的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152668A CN116152668A (zh) | 2023-05-23 |
CN116152668B true CN116152668B (zh) | 2023-08-29 |
Family
ID=86341107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310432490.1A Active CN116152668B (zh) | 2023-04-21 | 2023-04-21 | 一种基于人工智能获取街区尺度lcz的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152668B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157834A (zh) * | 2021-02-24 | 2021-07-23 | 中国科学院空天信息创新研究院 | 城市局地气候分区分类的制图方法及装置 |
CN113506371A (zh) * | 2021-08-05 | 2021-10-15 | 广东工业大学 | 街区尺度气候图绘制方法、装置、电子设备及存储介质 |
CN115147726A (zh) * | 2022-09-05 | 2022-10-04 | 清华大学 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
CN115761363A (zh) * | 2022-11-24 | 2023-03-07 | 中国地质大学(武汉) | 基于多光谱数据的局部气候区分类方法及系统 |
-
2023
- 2023-04-21 CN CN202310432490.1A patent/CN116152668B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157834A (zh) * | 2021-02-24 | 2021-07-23 | 中国科学院空天信息创新研究院 | 城市局地气候分区分类的制图方法及装置 |
CN113506371A (zh) * | 2021-08-05 | 2021-10-15 | 广东工业大学 | 街区尺度气候图绘制方法、装置、电子设备及存储介质 |
CN115147726A (zh) * | 2022-09-05 | 2022-10-04 | 清华大学 | 城市形态图的生成方法、装置、电子设备和可读存储介质 |
CN115761363A (zh) * | 2022-11-24 | 2023-03-07 | 中国地质大学(武汉) | 基于多光谱数据的局部气候区分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
热环境研究中局地气候区的划分;周艺 等;中国水运(下半月)(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152668A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bechtel et al. | Generating WUDAPT Level 0 data–Current status of production and evaluation | |
Anjos et al. | Analysis of the urban heat island under different synoptic patterns using local climate zones | |
Hidalgo et al. | Comparison between local climate zones maps derived from administrative datasets and satellite observations | |
CN108764193B (zh) | 融合poi和遥感影像的城市功能区划分方法 | |
Morton et al. | Final report for LCM2007-the new UK land cover map. Countryside survey technical report no 11/07 | |
CN108288059B (zh) | 一种基于高分辨率遥感技术的建筑垃圾监测方法 | |
CN108764205B (zh) | 基于无人机低空航摄系统进行城市市政普查的方法 | |
Hernández et al. | Integration methodologies for visual impact assessment of rural buildings by geographic information systems | |
CN110070038B (zh) | 一种基于城市绿化覆盖面积测算城市绿地率的方法 | |
CN110990511B (zh) | 一种顾及城市二维和三维形态的局部气候区分类方法 | |
CN108280789A (zh) | 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法 | |
CN108052876A (zh) | 基于图像识别的区域发展评估方法及装置 | |
CN106485254A (zh) | 一种输电线路通道地表特征变化自动提取方法 | |
CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
CN104765903A (zh) | 一种融合多源遥感和气候环境信息的综合性城市气候环境评估方法 | |
CN110175370A (zh) | 一种城市汇水潜力区识别方法 | |
CN102495412A (zh) | 一种多尺度不透水地表信息协同遥感反演方法 | |
Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
CN114357558A (zh) | 传统村落空间肌理参数化建构方法 | |
Beiranvand et al. | Evaluation of changes in per capita green space through remote sensing data | |
CN116152668B (zh) | 一种基于人工智能获取街区尺度lcz的方法 | |
Kirillova et al. | Digital soil map of Chashnikovo training and experimental soil ecological center, Moscow State University | |
KR20050063615A (ko) | 지리 정보 시스템에서의 지면 거칠기 지도 제공 방법 | |
CN115984721A (zh) | 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法 | |
Rahman et al. | Wyoming Rocky Mountain forest soils: mapping using an ARC/INFO geographic information system |
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 |