CN116486031A - 时序遥感数据与地理大数据融合的城市更新区域识别方法 - Google Patents
时序遥感数据与地理大数据融合的城市更新区域识别方法 Download PDFInfo
- Publication number
- CN116486031A CN116486031A CN202310597493.0A CN202310597493A CN116486031A CN 116486031 A CN116486031 A CN 116486031A CN 202310597493 A CN202310597493 A CN 202310597493A CN 116486031 A CN116486031 A CN 116486031A
- Authority
- CN
- China
- Prior art keywords
- urban
- area
- land
- updating
- years
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000010276 construction Methods 0.000 claims abstract description 44
- 238000011160 research Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 9
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000009435 building construction Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 102100031880 Helicase SRCAP Human genes 0.000 claims description 3
- 101000704158 Homo sapiens Helicase SRCAP Proteins 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 9
- 230000018109 developmental process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- IGRCWJPBLWGNPX-UHFFFAOYSA-N 3-(2-chlorophenyl)-n-(4-chlorophenyl)-n,5-dimethyl-1,2-oxazole-4-carboxamide Chemical compound C=1C=C(Cl)C=CC=1N(C)C(=O)C1=C(C)ON=C1C1=CC=CC=C1Cl IGRCWJPBLWGNPX-UHFFFAOYSA-N 0.000 description 1
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- 241001441723 Takifugu Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明公开时序遥感数据与地理大数据融合的城市更新区域识别方法,本方法包括以下步骤:S1、研究基于分位数的方法,综合POI与NPPNL数据,提取X年研究区内城市建成区范围;S2、通过对X‑8年到X年的多源遥感数据进行处理,识别城市空地、城市绿地以及城市建设用地,进而得到城市建成区范围内的年度土地覆盖地图。本发明基于POI和夜间灯光数据,使用分位数法提取了研究区终止年份的城市建成区范围,基于语义分割算法、遥感指数计算等方法对Google Earth HRRS时序数据与Landsat时间序列数据进行处理,能够准确地对城市土地覆盖类型进行分类,从而进一步开展城市更新监测,制定了土地覆盖类型转换规则,监测城市更新动态,对城市更新的学术发展和未来城市发展具有重要意义。
Description
技术领域
本发明涉及城市更新区域更新技术领域,具体为时序遥感数据与地理大数据融合的城市更新区域识别方法。
背景技术
城市更新是解决这些城镇化问题的重要手段,国内外已经有不少地区开展了城市更新研究和实践,随着城市更新定义的不断完善,目前城市更新被认为是一种兼顾物质、社会、经济和环境的治理模式,能够实现资源再利用和城市环境的重建,随着城市的不断发展,以及居民对美好生活环境的需求日益增加,目前城市更新逐渐从粗放式城市更新向内涵式城市更新转变,开展城市更新工作能够提升城市风貌、改善居住环境、丰富公共设施、增加土地价值、恢复生态环境、提高城市活力,促进城市可持续发展。
城市更新时空分布信息是开展城市更新驱动因素探讨、城市更新路径与策略、土壤重金属风险控制、城市热环境分析等研究的前提。因此,及时准确的城市更新时空分布信息,对于城市规划及管理、智慧城市建设及城市可持续发展具有重要意义。
现有技术的不足:
尽管城市更新时空分布信息很重要,但目前城市更新动态很难监测,目前获取城市更新信息的方法通常有两种,第一种是城市规划相关部门官方发布的统计数据,或小区域范围内的城市更新立项单元信息等,然而这类方法无法捕捉城市更新拆除、重建等的详细变化过程,为了研究城市更新的时空特性,许多研究都采用了第二种方法,即研究者通过实地调研,或基于高分辨率遥感图像目视解译等手段进行监测,然而这类方法的人工或时间成本高,更适合用于小尺度范围的研究。
高空间分辨率和高时间分辨率的遥感数据可以揭示城市变化的细节。利用卫星遥感影像进行城市更新动态监测更适合用于捕捉城市更新的时空格局。目前常用的方法是通过卫星遥感技术提取并对比两个时期的建筑物信息(例如建筑物光谱、建筑高度等),进而绘制城市更新的空间布局。然而,城市更新前后建筑物光谱非常相似,且中尺度或大尺度的城市密集区域的建筑高度等信息存在获取成本较高、精度难以保证等缺点。因此仅通过对比建筑物信息的变化很难准确绘制城市更新空间布局。此外,城市更新的时间跨度通常较长,仅通过两个时期遥感影像的比较通常无法准确识别长时间序列的城市更新的动态信息。由于这些困难,目前对城市更新的时序动态监测在研究尺度、时间分辨率两个方面都受到很大的限制。
近年来,时间序列算法在理解不同研究尺度的高时间分辨率的土地覆盖动态变化方面显示出巨大的潜力。目前常用的时间序列算法有LandTrendr、VCT、BFAST、CCDC。这些时间序列方法是通过描绘某一个光谱指数的时间变化轨迹,进而监测某一类土地覆盖类别的变化。常用的光谱指数通常用于在探讨自然生态系统的动态变化,例如NDVI指数、NBR指数和TCW指数等。然而上述时间序列算法很少应用于城市的监测研究。主要是因为城市土地覆盖类型之间存在复杂而高频率的时空相互变化,单一的指标或规则无法完整的监测城市的动态变化。例如:城市扩张包括多种情况的土地覆盖类型转换,例如植被、裸地、水域向建设用地转换。此外,不同材料建造的人工设施的表面反射率有很大差异,因此扩张前后土地的光谱反射率都会发生非常大的差异。因此单一的建筑指标或植被指标或水体指标无法完整的监测城市扩张动态。
为了解决该问题,许多研究通过多时相分类方法获取多时序的土地覆盖类型,通过分析每个像素的土地覆盖类型轨迹,进而监测城市扩张、绿地损失、耕地撂荒等。但是目前很难将多时相分类方法应用在城市更新动态监测中,主要是因为城市更新的土地覆盖类型转换规则不明晰。城市更新通常包括拆除和重建两个环节。在拆除前和重建后,土地覆盖类型为建设用地。但拆除后的土地覆盖类型是多样的,可能是裸地、拆除后的硬化地面、以及拆除后因施工延迟而变为杂草丛生的土地等等。因此,目前的研究将城市更新的土地覆盖类型转换规则简单定义为“建设用地向裸地的转换”明显是不完整的。城市空地能够很好的描述拆除后的土地覆盖类型,主要包括裸地、已拆除用地、建设前期的土地、杂草丛生的土地、覆盖着绿色薄膜的裸露土地等。目前基于高分辨率遥感影像语义分割方法能够实现高精度的城市空地识别,为制定完整的城市更新土地覆盖类型转换规则提供了研究基础。
发明内容
本发明的目的在于提供时序遥感数据与地理大数据融合的城市更新区域识别方法,以解决上述背景技术中提出的问题。
时序遥感数据与地理大数据融合的城市更新区域识别方法,本方法包括以下步骤:
S1、研究基于分位数的方法,综合POI与NPPNL数据,提取X年研究区内城市建成区范围;
S2、通过对X-8年到X年的多源遥感数据进行处理,识别城市空地、城市绿地以及城市建设用地,进而得到城市建成区范围内的年度土地覆盖地图;
S3、制定土地覆盖类型转换规则,并监测城市更新动态,绘制城市更新范围地图,城市更新拆除时间地图,城市更新重建时间地图。
作为本发明的进一步改进,所述步骤S1中提取X年研究区内城市建成区范围用于限定监测的研究范围,所述提取X年研究区内城市建成区范围构建新的建成区范围识别指标DNPOI。
作为本发明的进一步改进,所述DNPOI分位数曲线的获取包括以下步骤:
a1、将DNPOI值由小到大排列,分别获得不同分位数水平下对应的DNPOI值,以分位数水平为横坐标,对应分位数水平的DNPOI值为纵坐标,绘制DNPOI分位数曲线,DNPOI值的计算公式为:
DNPOI=DN×PD
其中,DN为NPP-VIIRS的亮度值,PD为POI核密度的归一化值;
a2、通过目视判别与手动修改结合的方法,对分位数方法提取的城市建成区进行修整,确保能够得到完整连片的城市建成区,城市建成区需要扣除基本生态控制线内的区域。
作为本发明的进一步改进,所述步骤S2包括以下步骤:
b1、基于语义分割的城市空地自动识别方法对分别对X-8年到X年的Google EarthHRRS进行处理,获取研究区的城市空地;
b2、研究依据AWEI水体指数以及NDVI归一化植被指数,基于Landsat数据分别提取研究区的水体以及植被,利用ArcGIS将城市建成区范围内的城市空地和城市绿地擦除,得到城市建设用地;
b3、整合城市空地、城市绿地以及城市建设用地得到X-8年到X年的城市建成区范围内的城市土地覆盖类型数据。
作为本发明的进一步改进,所述城市空地包括:
裸地,完全裸露的土地;
杂草地,杂草丛生,存在裸土状态的土地;
绿膜,施工前期,用绿色薄膜覆盖的土地;
拆除土地,建筑物拆除后的硬化地面;
前期施工土地,存在大量裸土状态的建筑物施工前期。
作为本发明的进一步改进,所述城市的获取方法为研究从不同年份选取了14个训练模组,能够广泛覆盖城市空地与非空地,且保持较高的空置率,进而减少模型偏差并增强模型鲁棒性,一个训练模组包括训练样本和对应的训练标签,将训练模组转换为1.6m空间分辨率,并分割为1694个图像块(training patches)(256px×256px),其次,选取目前常用的图像分割方法DeepLabv3 model进行模型训练,将图像块分为训练样本(75%,1271个)和验证样本(25%,423个),研究利用训练样本来训练模型,利用F2得分来判断训练模型的精度,获取最优训练模型,结果显示,最优训练模型的验证样本的精度为F2=0.864,最后,将研究区X-8年到X年的Google Earth HRRS作为最优训练模型的输入数据,识别研究区的城市空地,经过ArcGIS二值化、栅格转面等处理,获取栅格城市空地范围(30m×30m),若某一年份的较小范围的影像质量较差,则根据相邻时间的影像手动修改识别结果。
作为本发明的进一步改进,所述城市绿地包括:
水体,内陆水域和人工水体;
植被,林地和耕地。
作为本发明的进一步改进,所述城市绿地采用AWEIsh和NDVI提取城市建成区范围内X-8年到X年的水体与植被,AWEIsh和NDVI的阈值通过选取固定样本点确定,固定样本点为稳定的植被或水体,提取结果为栅格数据(30m×30m),若城市空地与城市绿地重叠,认定该重叠区域为城市空地,其中:
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWR1)-0.25SWIR2NDVI
=(NIR-RED)/(NIR+RED)
NDVI=(NIR-RED)/(NIR+RED)
其中,BLUE代表蓝光波段,GREEN代表绿光波段,NIR代表近红外波段,SWIR1和SWIR2代表短波红外波段,RED代表红光波段。
作为本发明的进一步改进,所述城市建设用地包括:
建筑物,包括居住、商业、工厂等建筑物;
后期施工土地,不存在裸土状态的建筑物施工后期;
硬化地面,道路、停车场、地表有覆盖物的硬化地面。
作为本发明的进一步改进,所述土地覆盖类型转换规则为建设用地转换为城市空地的过程,重建时间记为T1,由于部分施工停滞若干年,在这期间,城市空地可能会在城市绿地与城市空地之间不断转换,重建时间记为T2;
在监测终止年份之前,监测区域由城市空地/城市绿地转换为建设用地,城市更新完成拆除重建的完整过程,重建时间记为T3;
在监测终止年份之前,监测区域没有转换为建设用地,该监测区域则完成拆除却未完成重建,重建时间记为9999。
与现有技术相比,本发明的有益效果是:
本发明基于POI和夜间灯光数据,使用分位数法提取了研究区终止年份的城市建成区范围,基于语义分割算法、遥感指数计算等方法对Google Earth high-resolutionremote sensing(HRRS)时序数据与Landsat时间序列数据进行处理,生成城市建成区范围内的年度土地覆盖地图,研究结果显示本研究所提方法能够准确的对城市土地覆盖类型进行分类,能够进一步开展城市更新监测,制定了土地覆盖类型转换规则,监测城市更新动态,研究结果显示本发明方法能够较为准确的绘制城市更新范围地图(平均f2=81.94%),城市更新拆除时间地图(平均f2=73.39%),城市更新重建时间地图(平均f2=66.37%),对城市更新的学术发展和未来城市发展具有重要意义。
附图说明
图1为本发明方法流程图;
图2为本发明研究总体路线图;
图3为本发明城市更新土地覆盖类型转换规则示意图;
图4为深圳建成区范围土地利用类型划分结果示意图;
图5为城市更新制图,其中(A)城市更新识别结果,(B-E)城市更新范围示例及拆除时间、重建时间;
图6为城市更新拆除/重建时间的检验精度示意图;
图7为城市更新监测结果统计示意图。
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做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。
请参阅图1-7,本发明提供如下技术方案:时序遥感数据与地理大数据融合的城市更新区域识别方法,本方法包括以下步骤:
S1、研究基于分位数的方法,综合POI与NPPNL数据,提取X年研究区内城市建成区范围;
S2、通过对X-8年到X年的多源遥感数据进行处理,识别城市空地、城市绿地以及城市建设用地,进而得到城市建成区范围内的年度土地覆盖地图;
S3、制定土地覆盖类型转换规则,并监测城市更新动态,绘制城市更新范围地图,城市更新拆除时间地图,城市更新重建时间地图。
深圳是中国的经济中心之一,在国际上影响力也不断扩大,共10个区县级行政单元,1979年深圳市人口仅有31万,2019年深圳市常住人口已经增长至1344万,目前,深圳全市面积仅有1997.47平方公里,其中974.5平方公里(48.76%)的土地位于基本生态控制线范围内,近年来深圳面临土地紧缺与城市发展之间的矛盾,2012年~2020年期间,城市更新项目在深圳逐渐开展;
采用本发明方法对深圳进行研究,基于地图软件API获取深圳市2020年的18类Point of Interest(POI)数据(71409个),获取2020年空间分辨率为500m的NPP-VIIRSnighttime light(NPPNL)数据,并裁剪至深圳范围,2012年~2020年Google Earth high-resolution remote sensing(HRRS)有红绿蓝波段三个波段,空间分辨率为1.1m,获取的时间为每年的12月,若遇到某些区域的影像被大量云遮盖等问题,需要将这部分区域的影像替换为相邻时间能够清楚示物的影像,具体方法如下:
选取终止年份(2020年)的建成区范围(urban built-up area,UBA)为研究范围,夜间灯光数据与POI数据融合显著提高城市建成区提取的精度,研究构建新的建成区范围识别指标DNPOI提取城市建成区范围。DNPOI分位数曲线的获取思路主要包括两点:首先,将DNPOI值由小到大排列,分别获得不同分位数水平下对应的DNPOI值;其次,以分位数水平为横坐标,对应分位数水平的DNPOI值为纵坐标,绘制DNPOI分位数曲线,本研究基于2020年NPPNL数据以及POI数据提取UBA;
DNPOI=DN×PD其中,DN为NPP-VIIRS的亮度值,PD为POI核密度的归一化值;
其次,通过目视判别与手动修改结合的方法,对分位数方法提取的UBA进行修整,确保能够得到完整连片的UBA,UBA需要扣除基本生态控制线内的区域,其中基本生态控制线是规划部门为了防止城市建设无序蔓而划定的范围,此范围内禁止开展建设行为。
将城市土地覆盖类型划分为3个初级类和10个次级类,首先,研究基于语义分割的城市空地自动识别方法对分别对2012~2020年的Google Earth HRRS进行处理,获取研究区的城市空地,其次,研究依据AWEI水体指数以及NDVI归一化植被指数,基于Landsat数据分别提取研究区的水体以及植被,利用ArcGIS将UBA范围内的城市空地和城市绿地擦除,得到城市建设用地,最后整合城市空地、城市绿地以及城市建设用地得到2012~~2020年的UBA范围内的城市土地覆盖类型数据(30m×30m)。
将城市空地分为裸地、杂草地、绿膜、拆除土地、前期施工土地等5种类型,基于语义分割的城市空地自动识别方法主要分为数据标记、模型训练以及结果预测三个部分;
首先,研究从不同年份选取了14个训练模组(training tiles)(4km×4km),能够广泛覆盖城市空地与非空地,且保持较高的空置率,进而减少模型偏差并增强模型鲁棒性,一个训练模组包括训练样本和对应的训练标签,将训练模组转换为1.6m空间分辨率,并分割为1694个图像块(training patches)
(256px×256px);
其次,选取目前常用的图像分割方法DeepLabv3 model进行模型训练,将图像块分为训练样本(75%,1271个)和验证样本(25%,423个),研究利用训练样本来训练模型,利用F2得分来判断训练模型的精度,获取最优训练模型,结果显示,最优训练模型的验证样本的精度为F2=0.864;
最后,将研究区2012~2020年的Google Earth HRRS作为最优训练模型的输入数据,识别研究区的城市空地,经过ArcGIS二值化、栅格转面等处理,获取栅格城市空地范围(30m×30m),若某一年份的较小范围的影像质量较差,则根据相邻时间的影像手动修改识别结果。
城市绿地包括水体,植被两种类型,AWEI指数可以在存在各种环境噪声的情况下,提高水提取的精度,同时提供一个稳定的阈值,其中,改进的AWEIsh指数提高了水像素与非水像素(更重要的是阴影像素)的可分离性,更适合于地表水提取,并且已经被广泛应用于水体的提取研究中,NDVI被广泛应用于地表覆盖监测、农业产量估算等研究中,是提取城市植被的有效指数,本文选用AWEIsh和NDVI提取UBA范围内2012年~2020年的水体与植被,AWEIsh和NDVI的阈值是通过选取固定样本点确定的,固定样本点是稳定的植被或水体,最终提取结果为栅格数据(30m×30m),若城市空地与城市绿地重叠,认定该重叠区域为城市空地;
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWR1)-0.25SWIR2
制定合适的转换规则,由建设用地转换为城市空地的过程,重建时间记为T1(如图3所示),其次,由于部分施工停滞若干年,在这期间,城市空地可能会在城市绿地与城市空地之间不断转换(如图3所示),最后,若在监测终止年份之前,监测区域由城市空地/城市绿地转换为建设用地,那么城市更新完成拆除重建的完整过程,重建时间记为T3,若在监测终止年份之前,监测区域没有转换为建设用地,那么该监测区域则完成拆除却未完成重建,重建时间记为9999。一个区域完成了拆除,不论是否完成重建,都算开展了城市更新活动,合并年度拆除范围,即可得到研究区的城市更新范围;
制定面积约束条件,根据《深圳市城市更新办法实施细则》的规定设置城市更新的面积规模约束条件,设置年度拆除面积最小值为5000m2,每个城市更新范围的面积最小值10000m2,根据上述土地覆盖类型转换规则与面积约束条件,研究对2012~2020年UBA范围内的城市更新情况进行监测,并绘制城市更新范围图,城市更新拆除时间图,城市更新重建时间图。
研究评估了年度城市土地覆盖类型地图和城市更新地图的准确性,依据以下原则选取验证样本:
(1)均匀分布在UBA范围内;
(2)广泛覆盖多种土地覆盖类型与多个城市更新范围;
(3)保证足够的验证数量。研究共选取了11个3km×3km的验证区域,共包含99276个栅格(30m×30m);
邀请10位具有遥感数据分析经验的专家对验证区内的年度Google Earth HRRS进行目视判别,标记真实的城市土地覆盖类型、城市更新范围,拆除时间、以及重建时间,遵循相同的样品标签标准,当一个决定很难做出时,就会获得第二种意见,样本就会被共同标记;
利用混淆矩阵,构建生产者精度(PA)、用户精度(UA)、总体精度(OA),Kappa系数(Kappa)四个参数计算来评定城市土地覆盖类型的识别精度,并且F2得分(F2=5UA×PA/(4UA+PA))能够综合反映PA与UA,更能反映城市更新监测方法的可靠性,因此,研究利用F2作为评价城市更新制图结果的指标。
根据本发明方法到DNPOI的空间分布,空间分辨率为500m×500m,根据DNPOI分位数曲线,做了两次阈值筛选,结果如下:
第一次筛选中,分位数拐点出现在DNPOI=8.23处,DNPOI>8.23的区域主要集中分布在福田区,罗湖区等,是深圳市经济极发达的区域;
扣除DNPOI>8.23的区域进行第二次筛选,分位数拐点出现在DNPOI=1.50处。DNPOI<1.50的区域多为绿色植被覆盖区域,在DNPOI>1.50范围的基础上,根据谷歌影像目视解译并手动修正,使得UBA连片,最后,扣除生态控制区域,得到UBA共81680.33hm2,其中,龙岗区UBA面积最大(20268.42hm2),宝安区次之(17606.38hm2),大鹏新区UBA面积最小(1547.574hm2);
绘制了UBA范围内2012~2020年的城市土地覆盖类型图(如图4所示),并验证了结果精度,验证结果显示:
2012~2020年期间,城市空地的平均PA和UA分别为77.21%和80.29%,城市绿地的平均PA和UA分别为83.69%,84.55%,城市建设用地的平均PA和UA分别为96.41%,96.14%;
2012~2020年期间,城市土地覆盖类型的平均OA为93.68%,平均kappa系数为80.69%,结果证明,所提出的多时相土地覆盖类型制图方法能够保证后续变化分析的准确性和可靠性;
提取了2012年~2020年城市更新范围(如图5中A所示),并获取了城市更新拆除时间以及重建时间(如图5中B-E所示);
首先,对城市更新范围进行精度检验,通过对图图5中A中的城市更新范围进行目视判别,发现整个区域的UA为0.83(真阳性(TP)=2537.42hm2,假阳性(FP)=506hm2),由于整个区域的真实城市更新数据难以获取,因此无法得到整个区域的PA和F2得分,除此之外,获取11个验证区的真实城市更新范围,研究结果显示,在11个验证区内,城市更新范围制图的结果精度为F2=81.94%;
其次,对城市更新拆除时间,以及城市更新重建时间的结果进行精度检验,获取11个验证区的真实城市更新拆除/重建时间,在11个验证区内,2013—2020年拆除时间的平均F2为73.39%;2013—2020年重建时间的平均F2为66.37%(如图6所示),研究结果表明本研究所提方法能够较好的监测城市更新动态。
从城市更新拆除范围制图结果来看,整个UBA范围内的城市更新范围总计3466.08hm2,龙岗区城市更新范围最大(792.77hm2),其次是宝安区(773.22hm2),大鹏新区城市更新范围最小(17.73hm2)(如图7所示),从城市更新拆除/重建时间制图结果来看,2019年的拆除面积和重建面积最多,分别为571.77hm2,513.63hm2(如图7所示),其次,到2020年为止还无重建的范围(9999)为1216.44hm2,其中,大鹏新区、南山区、光明区、龙岗区主要以工业改造为主,它们的工业改造面积分别占各区城市更新范围的47.74%,35.73%,41.91%,23.13%,工业改造主要是因为部分高污染、高耗能、低效率的工业用地难以与居住公共设施服务等用地形成良性互动的兼容关系,进而导致各种环境问题,盐田区(32.26%)、罗湖区(29.59%)、福田区(29.51%)、坪山区(39.53%)、龙华区(39.04%)、宝安区(27.98%)主要是以住宅改造为主,住宅改造区域的特点为人口密度高、设施丰度低,存在大量的城中村,导致居民生产生活质量降低,商业改造主要集中在福田区(18.73%)和罗湖区(13.29%)经济高度发达的区域。
本发明中第一步,研究基于分位数的方法,综合POI与NPPNL数据,提取2020年研究区内城市建成区范围(urban built-up area,UBA),在第二步,研究通过对2012年~2020年的多源遥感数据进行处理,识别城市空地、城市绿地以及城市建设用地,进而得到UBA范围内的年度土地覆盖地图,在第三步,制定土地覆盖类型转换规则,并监测城市更新动态,绘制城市更新范围地图,城市更新拆除时间地图,城市更新重建时间地图,并开展精度验证与分析(如图2所示),基于POI和夜间灯光数据,使用分位数法提取了研究区终止年份的城市建成区范围,基于语义分割算法、遥感指数计算等方法对Google Earth high-resolutionremote sensing(HRRS)时序数据与Landsat时间序列数据进行处理,生成城市建成区范围内的年度土地覆盖地图,研究结果显示本研究所提方法能够准确的对城市土地覆盖类型进行分类,能够进一步开展城市更新监测,制定了土地覆盖类型转换规则,监测城市更新动态,研究结果显示本发明方法能够较为准确的绘制城市更新范围地图(平均f2=81.94%),城市更新拆除时间地图(平均f2=73.39%),城市更新重建时间地图(平均f2=66.37%),对城市更新的学术发展和未来城市发展具有重要意义。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:本方法包括以下步骤:
S1、研究基于分位数的方法,综合POI与NPPNL数据,提取X年研究区内城市建成区范围;
S2、通过对X-8年到X年的多源遥感数据进行处理,识别城市空地、城市绿地以及城市建设用地,进而得到城市建成区范围内的年度土地覆盖地图;
S3、制定土地覆盖类型转换规则,并监测城市更新动态,绘制城市更新范围地图,城市更新拆除时间地图,城市更新重建时间地图。
2.根据权利要求1所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述步骤S1中提取X年研究区内城市建成区范围用于限定监测的研究范围,所述提取X年研究区内城市建成区范围构建新的建成区范围识别指标DNPOI,DNPOI值的计算公式为:
DNPOI=DN×PD
其中,DN为NPP-VIIRS的亮度值,PD为POI核密度的归一化值。
3.根据权利要求2所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述DNPOI分位数曲线的获取包括以下步骤:
a1、将DNPOI值由小到大排列,分别获得不同分位数水平下对应的DNPOI值,以分位数水平为横坐标,对应分位数水平的DNPOI值为纵坐标,绘制DNPOI分位数曲线;
a2、通过目视判别与手动修改结合的方法,对分位数方法提取的城市建成区进行修整,确保能够得到完整连片的城市建成区,城市建成区需要扣除基本生态控制线内的区域。
4.根据权利要求1所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述步骤S2包括以下步骤:
b1、基于语义分割的城市空地自动识别方法对分别对X-8年到X年的Google EarthHRRS数据进行处理,获取研究区的城市空地;
b2、研究依据AWEI水体指数以及NDVI归一化植被指数,基于Landsat数据分别提取研究区的水体以及植被,利用ArcGIS将城市建成区范围内的城市空地和城市绿地擦除,得到城市建设用地;
b3、整合城市空地、城市绿地以及城市建设用地得到X-8年到X年的城市建成区范围内的城市土地覆盖类型数据。
5.根据权利要求4所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述城市空地包括:
裸地,完全裸露的土地;
杂草地,杂草丛生,存在裸土状态的土地;
绿膜,施工前期,用绿色薄膜覆盖的土地;
拆除土地,建筑物拆除后的硬化地面;
前期施工土地,存在大量裸土状态的建筑物施工前期。
6.根据权利要求4所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述城市的获取方法为研究从不同年份选取了14个训练模组,能够广泛覆盖城市空地与非空地,且保持较高的空置率,进而减少模型偏差并增强模型鲁棒性,一个训练模组包括训练样本和对应的训练标签,将训练模组转换为1.6m空间分辨率,并分割为1694个图像块,其次,选取目前常用的图像分割方法DeepLabv3 model进行模型训练,将的图像块以3:1的比例分为训练样本和验证样本,研究利用训练样本来训练模型,利用F2得分来判断训练模型的精度,获取最优训练模型,结果显示,最优训练模型的验证样本的精度为F2=0.864,最后,将研究区X-8年到X年的Google Earth HRRS作为最优训练模型的输入数据,识别研究区的城市空地,经过ArcGIS二值化、栅格转面等处理,获取30m×30m栅格城市空地范围,若某一年份的较小范围的影像质量较差,则根据相邻时间的影像手动修改识别结果。
7.根据权利要求4所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述城市绿地包括:
水体,内陆水域和人工水体;
植被,林地和耕地。
8.根据权利要求4所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述城市绿地采用AWEIsh和NDVI提取城市建成区范围内X-8年到X年的水体与植被,AWEIsh和NDVI的阈值通过选取固定样本点确定,固定样本点为稳定的植被或水体,提取结果为30m×30m栅格数据,若城市空地与城市绿地重叠,认定该重叠区域为城市空地,其中:
AWEIsh=BLUE+2.5GREEN-1.5(NIR+SWR1)-0.25SEIR2NDVI
NDVI=(NIR-RED)/(NIR+RED)
=(NIR-RED)/(NIR+RED)
其中,BLUE代表蓝光波段,GREEN代表绿光波段,NIR代表近红外波段,SWIR1和SWIR2代表短波红外波段,RED代表红光波段。
9.根据权利要求4所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述城市建设用地包括:
建筑物,包括居住、商业、工厂等建筑物;
后期施工土地,不存在裸土状态的建筑物施工后期;
硬化地面,道路、停车场、地表有覆盖物的硬化地面。
10.根据权利要求1所述的时序遥感数据与地理大数据融合的城市更新区域识别方法,其特征在于:所述土地覆盖类型转换规则为建设用地转换为城市空地的过程,重建时间记为T1,由于部分施工停滞若干年,在这期间,城市空地可能会在城市绿地与城市空地之间不断转换,重建时间记为T2;
在监测终止年份之前,监测区域由城市空地/城市绿地转换为建设用地,城市更新完成拆除重建的完整过程,重建时间记为T3;
在监测终止年份之前,监测区域没有转换为建设用地,该监测区域则完成拆除却未完成重建,重建时间记为9999。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597493.0A CN116486031A (zh) | 2023-05-25 | 2023-05-25 | 时序遥感数据与地理大数据融合的城市更新区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597493.0A CN116486031A (zh) | 2023-05-25 | 2023-05-25 | 时序遥感数据与地理大数据融合的城市更新区域识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486031A true CN116486031A (zh) | 2023-07-25 |
Family
ID=87215839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310597493.0A Pending CN116486031A (zh) | 2023-05-25 | 2023-05-25 | 时序遥感数据与地理大数据融合的城市更新区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486031A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612003A (zh) * | 2023-11-27 | 2024-02-27 | 通友微电(四川)有限公司 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488346A (zh) * | 2015-12-01 | 2016-04-13 | 中国科学院地理科学与资源研究所 | 一种大尺度土地覆盖变化的空间预测模拟方法 |
CN110737745A (zh) * | 2019-10-15 | 2020-01-31 | 中国地质大学(北京) | 一种土地利用动态变化地图的构建方法 |
CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN112508386A (zh) * | 2020-12-04 | 2021-03-16 | 湘潭大学 | 一种夜光与poi数据融合的城市建成区提取方法 |
CN112561942A (zh) * | 2020-12-16 | 2021-03-26 | 中国科学院地理科学与资源研究所 | 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 |
US20220228885A1 (en) * | 2021-01-15 | 2022-07-21 | Vizzio Technologies Pte Ltd | Geospatial mapping |
US20220270192A1 (en) * | 2020-01-29 | 2022-08-25 | Urban Dashboard Ltd | Computerized-system and computerized-method to calculate an economic feasibility analysis for an urban planning model |
-
2023
- 2023-05-25 CN CN202310597493.0A patent/CN116486031A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488346A (zh) * | 2015-12-01 | 2016-04-13 | 中国科学院地理科学与资源研究所 | 一种大尺度土地覆盖变化的空间预测模拟方法 |
CN110737745A (zh) * | 2019-10-15 | 2020-01-31 | 中国地质大学(北京) | 一种土地利用动态变化地图的构建方法 |
US20220270192A1 (en) * | 2020-01-29 | 2022-08-25 | Urban Dashboard Ltd | Computerized-system and computerized-method to calculate an economic feasibility analysis for an urban planning model |
CN111597949A (zh) * | 2020-05-12 | 2020-08-28 | 中国科学院城市环境研究所 | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 |
CN111651545A (zh) * | 2020-06-03 | 2020-09-11 | 南京图申图信息科技有限公司 | 一种基于多源数据融合的城市边缘区提取方法 |
CN112508386A (zh) * | 2020-12-04 | 2021-03-16 | 湘潭大学 | 一种夜光与poi数据融合的城市建成区提取方法 |
CN112561942A (zh) * | 2020-12-16 | 2021-03-26 | 中国科学院地理科学与资源研究所 | 一种基于dmsp夜间灯光影像的城郊村三元结构自动提取方法 |
US20220228885A1 (en) * | 2021-01-15 | 2022-07-21 | Vizzio Technologies Pte Ltd | Geospatial mapping |
Non-Patent Citations (3)
Title |
---|
ZHOU, YUYU 等: "A global record of annual urban dynamics (1992-2013) from nighttime lights", 《REMOTE SENSING OF ENVIRONMENT》, 28 December 2018 (2018-12-28) * |
厉飞 等: "利用夜间灯光POI 的城市建成区提取精度研究——以珞珈一号01 星和NPP/VIIRS夜间灯光影像为例", 《武汉大学学报· 信息科学版》, 30 June 2021 (2021-06-30), pages 825 - 835 * |
毛丽君 等: "基于GEE 平台的国家公园土地覆盖变化遥感检测方法构建", 《南京林业大学学报(自然科学版)》, 31 March 2022 (2022-03-31), pages 213 - 220 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612003A (zh) * | 2023-11-27 | 2024-02-27 | 通友微电(四川)有限公司 | 一种基于多源遥感影像的城市建成区绿地变化识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cilek et al. | Analyses of land surface temperature (LST) variability among local climate zones (LCZs) comparing Landsat-8 and ENVI-met model data | |
Fu et al. | Characterizing the spatial pattern of annual urban growth by using time series Landsat imagery | |
Huang et al. | Multi-level monitoring of subtle urban changes for the megacities of China using high-resolution multi-view satellite imagery | |
Acosta et al. | How to bring UHI to the urban planning table? A data-driven modeling approach | |
CN111062368B (zh) | 基于Landsat时间序列遥感影像的城市更新区域监测方法 | |
CN112270291B (zh) | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 | |
CN104182754A (zh) | 一种基于高分辨率遥感影像的农村居民点信息提取方法 | |
Jing et al. | A novel approach for quantifying high-frequency urban land cover changes at the block level with scarce clear-sky Landsat observations | |
Rosier et al. | Fusing Earth observation and socioeconomic data to increase the transferability of large-scale urban land use classification | |
Wang et al. | Urban development analysis using built-up area maps based on multiple high-resolution satellite data | |
Esch et al. | Urban remote sensing–how can earth observation support the sustainable development of urban environments? | |
Zou et al. | Individual vacant house detection in very-high-resolution remote sensing images | |
CN116486031A (zh) | 时序遥感数据与地理大数据融合的城市更新区域识别方法 | |
Li et al. | Continuous monitoring of nighttime light changes based on daily NASA's Black Marble product suite | |
Wan et al. | Application of deep learning in land use classification for soil erosion using remote sensing | |
Rahman et al. | Does building development in Dhaka comply with land use zoning? An analysis using nighttime light and digital building heights | |
Hu et al. | Mapping and Characterizing Rock Glaciers in the Arid Western Kunlun Mountains Supported by InSAR and Deep Learning | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
Heinzel et al. | Automated metric characterization of urban structure using building decomposition from very high resolution imagery | |
CN115497006A (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
AU2021100350A4 (en) | Method for Predicting Reclamation Potential of Homestead | |
Andersson et al. | Mining, economic activity and remote sensing: Case studies from Burkina Faso, Ghana, Mali and Tanzania | |
Zhao et al. | Dynamic monitoring of urban renewal based on multi-source remote sensing and POI data: A case study of Shenzhen from 2012 to 2020 | |
Zhu et al. | Ecological environment quality assessment and spatial autocorrelation of northern Shaanxi mining area in China based-on improved remote sensing ecological index | |
CN117333781B (zh) | 黑土区侵蚀沟卫星遥感智能提取方法、装置、设备及介质 |
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 |