CN116628462A - 城市三维空间用地功能属性识别与时空变化监测分析方法 - Google Patents
城市三维空间用地功能属性识别与时空变化监测分析方法 Download PDFInfo
- Publication number
- CN116628462A CN116628462A CN202310882506.9A CN202310882506A CN116628462A CN 116628462 A CN116628462 A CN 116628462A CN 202310882506 A CN202310882506 A CN 202310882506A CN 116628462 A CN116628462 A CN 116628462A
- Authority
- CN
- China
- Prior art keywords
- floor
- poi
- functional
- function
- index
- 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.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 title description 8
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 151
- 238000012937 correction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例中提供了一种城市三维空间用地功能属性识别与时空变化监测分析方法,属于数据处理技术领域,具体包括:对目标区域的POI数据的地址信息进行正则计算,得到楼层信息;POI数据和楼层信息进行校正;对校正后的楼层信息根据楼层数划分统计类别;计算三维功能强度频率指数和类型比例;计算功能属性类型,得到目标区域的用地功能属性识别结果;利用目标区域不同年份的POI数据得到多个三维用地功能属性识别结果,根据楼层的功能属性识别结果进行差异计算,得到目标区域的功能属性时空变化结果。通过本发明的方案,提高了识别城市建筑物三维空间用地功能属性及其时空变化监测的效率、适应性和精准度。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种城市三维空间用地功能属性识别与时空变化监测分析方法。
背景技术
城市三维空间用地功能属性主要指城市内三维建筑物的空间布局和各楼层用地功能属性的分布状况。识别和分析城市三维空间用地功能属性有助于更好地理解城市的三维空间结构和特征,可为个性化推荐、城市规划和房屋改造安全隐患监测治理等提供重要的指导。建筑物三维空间的布局和立体功能属性的变化,反映了城市中人类活动的实际需求和发展状况。通过分析建筑物三维空间用地功能属性的变化,可以进一步研究人类活动的发展规律,并指导合理的土地资源利用开发和实现有效的城市监管。因此,城市三维空间用地功能属性及其时空变化分析是当前自然资源监测、城市规划等领域研究的重要方向。当前城市空间用地功能识别的研究中,POI数据是最常用的泛在地理大数据之一。POI是一种代表真实地理实体的点状数据,通常是一些与人们生活密切相关的地理实体(如餐厅、商店、小区等),可以反映出城市的商业、服务、居住等功能,如购物店铺聚集区一般属于商业用地功能。现有技术基于面积加权的POI空间分布密度估计方法,利用多时相的遥感影像数据和POI数据实现城市用地功能的识别与变化检测。基于POI和出租车轨迹数据建立贝叶斯层次模型进行无监督聚类来识别城市功能区。或者通过融合遥感图像的空间地理特征和POI分布的频率功能密度来识别城市用地功能。或者利用融合POI数据利用隐狄利克雷分配模型对遥感影像划分得到的小块场景影像进行街区潜在语义特征挖掘来识别城市功能区。或者将POI等数据与多尺度和最近邻分割后的遥感影像相结合的方法,进而计算各类POI的功能强度和占比指数来识别城市功能区。目前的基于POI的城市功能区主要适用于识别城市二维功能结构,即城市的地区或地块的功能,而城市空间的功能是立体的,并非简单的平面二维功能。
现有的城市空间用地功能属性识别方法主要关注于城市二维空间用地功能属性的识别,难以反映城市三维空间结构上用地功能属性的分布格局和特征。现有研究针对建筑物功能的识别大多识别建筑物的单一或混合属性,对建筑物的立体功能刻画能力有限,难以满足城市规划与管理对三维空间精细化管理的需求。
可见,亟需一种能高效精准识别城市建筑物三维空间用地功能属性的城市三维空间用地功能属性识别与时空变化监测分析方法。
发明内容
有鉴于此,本发明实施例提供一种城市三维空间用地功能属性识别与时空变化监测分析方法,至少部分解决现有技术中存在适应性和精准度较差的问题。
本发明实施例提供了一种城市三维空间用地功能属性识别与时空变化监测分析方法,包括:
步骤1,对目标区域的POI数据的地址信息进行正则计算,得到楼层信息并对无法提取楼层信息的POI数据进行标记;
步骤2,根据建筑物数据对POI数据和楼层信息进行校正;
步骤3,对校正后的楼层信息根据楼层数划分统计类别;
步骤4,计算不同统计类别的楼层单元的三维功能强度频率指数和类型比例;
步骤5,根据三维功能强度频率指数和类型比例计算功能属性类型,得到目标区域的用地功能属性识别结果;
步骤6,利用目标区域不同年份的POI数据重复步骤1至步骤5,得到多个用地功能属性识别结果,根据楼层的功能属性识别结果进行差异计算,得到目标区域的功能属性时空变化结果。
根据本发明实施例的一种具体实现方式,所述步骤1之前,所述方法还包括:
定义正则规则如下:
对带有数字的层和楼进行提取;
对带有数字的室和单元进行提取;
对带有汉字的层和楼进行提取,将得到的汉字数据进行数字转换;
对地址末尾的数字进行提取;
对文本中数字字母的组合进行提取。
根据本发明实施例的一种具体实现方式,所述步骤2具体包括:
步骤2.1,对于没有落在建筑物中的POI数据进行最近邻的查找,查找距离POI最近且距离小于第一阈值的建筑物,将其与建筑物中心进行连接,取连线与建筑物轮廓的交点作为POI的校正后位置,对于超出阈值范围的POI数据进行剔除;
步骤2.2,计算楼层信息是否小于所在建筑物的最大楼层,若是,则判定不存在楼层上的冲突,若否,则计算在第一阈值范围内是否存在满足其楼层属性的建筑物,选择距离最近的建筑物重复步骤2.1中的校正操作,如果没有满足条件的则进行剔除;
步骤2.3,判断没有楼层信息的POI数据是否只有一层,若是,则将一层作为其楼层属性,若否,则将其进行剔除。
根据本发明实施例的一种具体实现方式,所述统计类别包括首层、低楼层、中楼层和高楼层。
根据本发明实施例的一种具体实现方式,所述步骤4具体包括:
步骤4.1,设有c种POI功能类型,以第i类POI和其他类型POI的最短距离之和作为异类近邻指数,以第i类POI和周围c-1个同类POI的距离之和作为同类近邻指数,并据此定义POI功能邻近指数;
步骤4.2,通过POI数据在建筑物楼层中所占的面积进行表征,得到POI功能面积指数;
步骤4.3,将POI功能邻近指数和POI功能面积指数相乘,得到不同楼层单元第i类POI数据的功能强度值,再除以该类型POI的整体数据得到功能强度频率指数。
根据本发明实施例的一种具体实现方式,所述POI功能邻近指数的表达式为
其中,;
表示第i类功能中第m个POI的异类近邻指数,/>表示POI功能类型种类,表示第i类和第j类功能的POI之间的最短距离,/>表示同类近邻指数,表示第i类和另一个第i类功能的POI之间的最短距离,/>为最近/>个同类功能POI的距离均值,/>表示楼层单元中第i类功能的第m个POI的功能邻近指数;
所述POI功能面积指数的表达式为
其中,表示楼层单元中第i类功能POI的功能面积指数,/>表示楼层的面积,表示第i类功能POI的个数,/>表示楼层中所有类型的POI个数;
所述功能强度频率指数的表达式为
其中,,/>表示单个楼层单元中第i类功能POI的功能强度指数,/>表示功能强度频率指数,NF表示所计算楼层所处楼层划分单元的集合总数,/>表示在第k个楼层单元中第i类功能POI的功能强度指数。
根据本发明实施例的一种具体实现方式,所述步骤5具体包括:
步骤5.1,判断任一楼层单元的三维功能强度频率指数是否大于第二阈值,若是,则执行步骤5.2,若否,则执行步骤5.3;
步骤5.2,判定该楼层单元为单一功能楼层并计算其功能类型;
步骤5.3,判定该楼层单元为混合功能区,通过不同类型的占比和均值进行对比,判断其混合的类型并计算其功能属性类型;
步骤5.4,对每个楼层单元进行步骤5.1,形成目标区域的用地功能属性识别结果。
根据本发明实施例的一种具体实现方式,所述功能类型的计算公式为
其中,n表示类型的数量。
根据本发明实施例的一种具体实现方式,所述差异计算的表达式为
其中,S为某类楼层划分的功能类型动态变化指数,i为第i类功能类型,NF表示所计算楼层所处楼层划分单元的集合总数,为识别开始至识别结束时段内第i类功能转换为其他功能类型个数总和,/>为建筑物楼层划分单元内识别开始时间第i类功能的个数之和。
本发明实施例中的城市三维空间用地功能属性识别与时空变化监测分析方案,包括:步骤1,对目标区域的POI数据的地址信息进行正则计算,得到楼层信息并对无法提取楼层信息的POI数据进行标记;步骤2,根据建筑物数据对POI数据和楼层信息进行校正;步骤3,对校正后的楼层信息根据楼层数划分统计类别;步骤4,计算不同统计类别的楼层单元的三维功能强度频率指数和类型比例;步骤5,根据三维功能强度频率指数和类型比例计算功能属性类型,得到目标区域的用地功能属性识别结果;步骤6,利用目标区域不同年份的POI数据重复步骤1至步骤5,得到多个三维用地功能属性识别结果,根据楼层的功能属性识别结果进行差异计算,得到目标区域的功能属性时空变化结果。
本发明实施例的有益效果为:通过本发明的方案,从POI数据中充分挖掘了地理实体的三维空间信息,与建筑物轮廓数据相结合,可以准确识别出城市三维空间的功能类型,从立体空间视角精细化感知城市空间用地功能的分布和变化情况,提高了识别城市建筑物三维空间用地功能属性的效率和精准度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种城市三维空间用地功能属性识别与时空变化监测分析方法的流程示意图;
图2为本发明实施例提供的一种信息校正过程示意图;
图3为本发明实施例提供的一种城市三维功能识别结果可视化示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。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。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。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。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
城市空间用地功能属性及其变化的早期检测手段和主要数据源多为土地调查、问卷调查等。常用的方法包括土地利用分类和多指标综合评价。土地利用分类是研究者通过对照相应的测绘调查标准和城市用地功能分类标准,直接划分城市用地功能类型;多指标综合评价是研究者结合多种指标(如建筑面积、人口密度、交通流量等)对城市功能区进行划分。土地调查和问卷调查数据具有可定制性和灵活性以及功能信息详细等特点,有助于深入理解城市三维空间功能的实际情况。但是该类数据较为敏感,获取需要耗费大量的人力物力,效率低且时间周期长,以此方法进行城市三维空间用地功能属性识别与分析无法满足当前城市规划与管理对城市三维空间用地功能属性快速变化监测的需求。
随着遥感科学及图像处理技术的飞速发展,遥感影像数据被广泛应用于城市土地利用与功能区识别的研究。研究者通常利用遥感影像的光谱、纹理、形状等特征,对不同城市功能区进行自动或半自动的识别。遥感影像数据具有广覆盖和高时空分辨率、客观性、自动化等特点,可以全面科学地观测和分析城市的功能特征。然而遥感影像数据无法识别小尺度特征、难以解译混合功能区、无法获得城市三维空间的内部信息和用地功能相关的语义信息,因此,基于遥感影像数据的手段和方法还难以实现对城市三维空间,特别是三维建筑物内部用地功能属性的感知与识别。
随着移动终端、传感器技术的发展与普及,大量人类活动、土地利用等数据可以通过传感器等设备进行采集,汇聚形成了泛在地理信息数据。泛在地理信息数据中蕴含了丰富的人文活动相关的信息,具有多样性、全面性和实时性等优势,如兴趣点(Point ofInterest,POI)、轨迹数据等,这些优势使得泛在地理信息数据成为研究城市三维空间用地功能属性的重要数据源,并为城市规划、交通管理、环境保护、安全防控等领域提供了更深入的洞察和决策能力支持。
POI数据包含较高准确性的地理位置信息,可以与城市的空间布局和建筑物信息进行关联,为城市三维功能识别提供精确的信息。此外,POI数据可以进行实时更新,反映城市中功能区域的动态变化。这使得城市三维功能识别可以及时响应城市发展的变化,帮助我们了解城市功能的演变和调整。由于城市建筑物的立体功能主要是通过建筑物不同楼层的用地功能等来体现,因此,近年来基于POI来识别城市建筑物功能的研究受到越来越多的关注。如现有技术中顾及建筑物内部及周边一定区域范围内的POI来识别建筑物功能类型。或者基于POI核密度估计实现辅助判别卷积神经网络提取到的建筑物功能属性。或者基于XGBoost模型,利用POI和辅助数据实现了建筑物功能的推断。以上现有的基于POI识别建筑物功能的方法能够很好的适应于城市建筑物功能的识别,但是更关注于城市建筑物主体功能的识别。城市建筑物,尤其是高层建筑物的功能往往是混合的,不同楼层的功能可能是不同的,现有的研究难以满足建筑功能精细立体功能的识别。另外,由于人的交互影响可能导致建筑物在不同时期表现不同的立体功能,现有的建筑物功能识别研究难以探测建筑物立体功能变化情况。
本发明实施例提供一种城市三维空间用地功能属性识别与时空变化监测分析方法,所述方法可以应用于数据分析场景的城市管理规划过程中。
参见图1,为本发明实施例提供的一种城市三维空间用地功能属性识别与时空变化监测分析方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
步骤1,对目标区域的POI数据的地址信息进行正则计算,得到楼层信息并对无法提取楼层信息的POI数据进行标记;
可选的,所述步骤1之前,所述方法还包括:
定义正则规则如下:
对带有数字的层和楼进行提取;
对带有数字的室和单元进行提取;
对带有汉字的层和楼进行提取,将得到的汉字数据进行数字转换;
对地址末尾的数字进行提取;
对文本中数字字母的组合进行提取。
具体实施时,将带有详细地址信息的POI数据进行空间楼层信息的提取,对详细的地址信息进行正则计算,定义正则规则如下:
(1)对带有数字的“层”和“楼”进行提取;(2)对带有数字的“室”和“单元”进行提取;(3)对带有汉字的“层”和“楼”进行提取,将得到的汉字数据进行数字转换;(4)对地址末尾的数字进行提取;(5)对文本中数字字母的组合进行提取。
对每个POI的地址信息进行正则计算,得到POI数据的初步楼层信息,对无法提取楼层信息的POI数据进行标记,如表1所示。
表1
步骤2,根据建筑物数据对POI数据和楼层信息进行校正;
在上述实施例的基础上,所述步骤2具体包括:
步骤2.1,对于没有落在建筑物中的POI数据进行最近邻的查找,查找距离POI最近且距离小于第一阈值的建筑物,将其与建筑物中心进行连接,取连线与建筑物轮廓的交点作为POI的校正后位置,对于超出阈值范围的POI数据进行剔除;
步骤2.2,计算楼层信息是否小于所在建筑物的最大楼层,若是,则判定不存在楼层上的冲突,若否,则计算在第一阈值范围内是否存在满足其楼层属性的建筑物,选择距离最近的建筑物重复步骤2.1中的校正操作,如果没有满足条件的则进行剔除;
步骤2.3,判断没有楼层信息的POI数据是否只有一层,若是,则将一层作为其楼层属性,若否,则将其进行剔除。
具体实施时,进一步校正空间坐标位置,因为数据采集等多方面原因,会导致POI数据位置会产生一定的偏移,针对这种现象需要进行POI位置的建筑物匹配,对于落在建筑物中的数据不需要进行处理,对于没有落在建筑物中的POI进行最近邻的查找,设置阈值d=10m,查找距离POI最近且距离小于阈值的建筑物,将其与建筑物中心进行连接,取连线与建筑物轮廓的交点作为POI的校正后位置,对于超出阈值范围的POI数据进行剔除,完成初步的空间二维校正,如图2中点1和点2的校正结果所示。
楼层数据的校正,由于很多不同楼层建筑物空间拓扑邻接,POI的轻微偏移会导致其归属于其他建筑物中,导致楼层信息的不匹配,因此通过POI数据中提取的楼层信息可以辅助第二步的精细校正,计算POI楼层是否小于所在建筑物的最大楼层,如果小于则说明不存在楼层上的冲突,如果大于则需要计算在POI阈值d范围内是否存在满足其楼层属性的建筑物,选择距离最近的建筑物重复(1)中的校正操作,如果没有满足条件的则进行剔除,如图2中点4校正结果所示。
对于第一步中的没有楼层信息的POI数据需要进行下一步判断,如果其所属建筑物只有一层,则将一层作为其楼层属性,如果其所属建筑物大于一层,则无法进行判断,为了避免影响功能的判断,需要将其进行剔除。
步骤3,对校正后的楼层信息根据楼层数划分统计类别;
可选的,所述统计类别包括首层、低楼层、中楼层和高楼层。
具体实施时,考虑到城市中的建筑物楼层数遵循幂律分布,有很大差异,需要根据建筑物楼层的分布和使用情况对建筑物楼层信息进行划分。如果将楼层按每一层进行划分会导致结果零碎且不准确,因此,参考建筑物的楼层划分规则,将建筑物楼层大致划分为:首层、低楼层、中楼层和高楼层,这四个统计类别。
不同于其他楼层,建筑物的1层为首层,直接和地面空间连通,具有非常高的使用频率和复杂的功能度,通常会存在大量服饰、餐饮等商铺,需要单独考虑;2至3层属于低楼层,4至7层属于中楼层,8至更高楼层属于高楼层。对划分后的每一种楼层单元进行POI功能类别的统计。
步骤4,计算不同统计类别的楼层单元的三维功能强度频率指数和类型比例;
在上述实施例的基础上,所述步骤4具体包括:
步骤4.1,设有c种POI功能类型,以第i类POI和其他类型POI的最短距离之和作为异类近邻指数,以第i类POI和周围c-1个同类POI的距离之和作为同类近邻指数,并据此定义POI功能邻近指数;
步骤4.2,通过POI数据在建筑物楼层中所占的面积进行表征,得到POI功能面积指数;
步骤4.3,将POI功能邻近指数和POI功能面积指数相乘,得到不同楼层单元第i类POI数据的功能强度值,再除以该类型POI的整体数据得到功能强度频率指数。
进一步的,所述POI功能邻近指数的表达式为
其中,;
表示第i类功能中第m个POI的异类近邻指数,/>表示POI功能类型种类,表示第i类和第j类功能的POI之间的最短距离,/>表示同类近邻指数,表示第i类和另一个第i类功能的POI之间的最短距离,/>为最近/>个同类功能POI的距离均值,/>表示楼层单元中第i类功能的第m个POI的功能邻近指数;
所述POI功能面积指数的表达式为
其中,表示楼层单元中第i类功能POI的功能面积指数,/>表示楼层的面积,表示第i类功能POI的个数,/>表示楼层中所有类型的POI个数;
所述功能强度频率指数的表达式为
其中,,/>表示单个楼层单元中第i类功能POI的功能强度指数,/>表示功能强度频率指数,NF表示所计算楼层所处楼层划分单元的集合总数,/>表示在第k个楼层单元中第i类功能POI的功能强度指数。
例如,可以参考已有研究,根据城市中建筑物楼层单元包含的POI类型进行功能的重分类,主要分为商业服务、公共服务、交通设施、居住和其他类型这5类功能。需要计算建筑物中不同功能类型POI对应的功能强度和独立性,按照重分类结果有5种POI功能类型,以商业服务类POI为例进行说明,计算商业服务类和其他类型POI的最短距离之和作为异类近邻指数,以商业服务类POI和周围4个同类POI的距离之和作为同类近邻指数,定义POI功能邻近指数为:
式中,表示商业服务类功能中第m个POI的异类近邻指数,/>表示POI功能类型种类,/>表示商业服务类和其他类功能的POI之间的最短距离,/>表示同类近邻指数,/>表示商业服务类和其他同类功能的POI之间的最短距离,为最近4个同类功能POI的距离均值,/>表示楼层单元中商业服务类功能的第m个POI的功能邻近指数。
可以通过POI在建筑物楼层中所占的面积进行功能的强度表征,这里的单个POI面积使用每个楼层面积除以楼层中POI数来计算得到,将楼层内的所有同类POI进行求和与总和面积进行对比计算,得到POI功能面积指数。
式中,表示楼层单元中商业服务类功能POI的功能面积指数,/>表示楼层的面积,/>表示商业类功能POI的个数,/>表示楼层中所有类型的POI个数。
采用顾及POI楼层分布进行POI强度指数计算,可以一定程度上消除由于楼层分布不均匀带来的频率偏差。将两个指数进行相乘,得到不同楼层划分单元商业服务类POI数据的功能强度,再除以该类型POI的整体数据得到功能强度频率指数:
式中,表示单个楼层单元中商业服务类功能POI的功能强度指数,/>表示功能强度频率指数,NF表示所计算楼层所处楼层划分单元的集合总数,/>表示在第k个楼层单元中商业服务类功能POI的功能强度指数。
步骤5,根据三维功能强度频率指数和类型比例计算功能属性类型,得到目标区域的用地功能属性识别结果;
在上述实施例的基础上,所述步骤5具体包括:
步骤5.1,判断任一楼层单元的三维功能强度频率指数是否大于第二阈值,若是,则执行步骤5.2,若否,则执行步骤5.3;
步骤5.2,判定该楼层单元为单一功能楼层并计算其功能类型;
步骤5.3,判定该楼层单元为混合功能区,通过不同类型的占比和均值进行对比,判断其混合的类型并计算其功能属性类型;
步骤5.4,对每个楼层单元进行步骤5.1,形成目标区域的用地功能属性识别结果。
进一步的,所述功能类型的计算公式为
其中,n表示类型的数量。
具体实施时,可以通过计算POI数据的类型比例可以进行建筑物楼层功能类型的判断。公式如下:
式中,n表示类型的数量。
利用频数密度进行功能判别,采用0.5作为阈值进行判断,当楼层单元内指数大于0.5,则认为这个单元为单一功能楼层;当所有比例均小于0.5时,则认为是混合功能区,通过不同类型的占比和均值进行对比,判断其混合的类型。对城市中所有建筑物楼层进行计算,得到城市三维空间的功能识别结果,结果三维可视化效果如图3所示。
步骤6,利用目标区域不同年份的POI数据重复步骤1至步骤5,得到多个三维用地功能属性识别结果,根据楼层的功能属性识别结果进行差异计算,得到目标区域的功能属性时空变化结果。
进一步的,所述差异计算的表达式为
其中,S为某类楼层划分的功能类型动态变化指数,i为第i类功能类型,NF表示所计算楼层所处楼层划分单元的集合总数,为识别开始至识别结束时段内第i类功能转换为其他功能类型个数总和,/>为建筑物楼层划分单元内识别开始时间第i类功能的个数之和。
具体实施时,利用2020和2022年的POI数据重复上述步骤,得到两个时期不同的城市三维功能识别结果,根据楼层的功能识别结果进行差异计算:
式中,S为某类楼层划分的功能类型动态变化指数,i为商业服务类功能类型,NF表示所计算楼层所处楼层划分单元的集合总数,为识别开始至识别结束时段内商业服务类功能转换为其他功能类型个数总和,/>为建筑物楼层划分单元内识别开始时间商业服务类功能的个数之和。通过计算不同楼层的功能动态变化情况分析城市三维空间的功能变化与趋势,得到商业服务的变化结果如表2所示。
表2
本实施例提供的城市三维空间用地功能属性识别与时空变化监测分析方法,通过对POI数据中蕴含的三维空间信息进行抽取和信息校正,结合建筑物轮廓数据进行分层统计,进而,结合不同功能类型POI的独立性和范围进行功能强度频数计算,得到类型比值判断楼层的用地类型,最后进行不同时期功能识别结果的计算和比较,实现城市三维空间功能语义识别与变化检测分析,提高了识别城市建筑物三维空间用地功能属性的效率和精准度。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种城市三维空间用地功能属性识别与时空变化监测分析方法,其特征在于,包括:
步骤1,对目标区域的POI数据的地址信息进行正则计算,得到楼层信息并对无法提取楼层信息的POI数据进行标记;
步骤2,根据建筑物数据对POI数据和楼层信息进行校正;
步骤3,对校正后的楼层信息根据楼层数划分统计类别;
步骤4,计算不同统计类别的楼层单元的三维功能强度频率指数和类型比例;
步骤5,根据三维功能强度频率指数和类型比例计算功能属性类型,得到目标区域的用地功能属性识别结果;
步骤6,利用目标区域不同年份的POI数据重复步骤1至步骤5,得到多个三维用地功能属性识别结果,根据楼层的功能属性识别结果进行差异计算,得到目标区域的功能属性时空变化结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤1之前,所述方法还包括:
定义正则规则如下:
对带有数字的层和楼进行提取;
对带有数字的室和单元进行提取;
对带有汉字的层和楼进行提取,将得到的汉字数据进行数字转换;
对地址末尾的数字进行提取;
对文本中数字字母的组合进行提取。
3.根据权利要求2所述的方法,其特征在于,所述步骤2具体包括:
步骤2.1,对于没有落在建筑物中的POI数据进行最近邻的查找,查找距离POI最近且距离小于第一阈值的建筑物,将其与建筑物中心进行连接,取连线与建筑物轮廓的交点作为POI的校正后位置,对于超出阈值范围的POI数据进行剔除;
步骤2.2,计算楼层信息是否小于所在建筑物的最大楼层,若是,则判定不存在楼层上的冲突,若否,则计算在第一阈值范围内是否存在满足其楼层属性的建筑物,选择距离最近的建筑物重复步骤2.1中的校正操作,如果没有满足条件的则进行剔除;
步骤2.3,判断没有楼层信息的POI数据是否只有一层,若是,则将一层作为其楼层属性,若否,则将其进行剔除。
4.根据权利要求3所述的方法,其特征在于,所述统计类别包括首层、低楼层、中楼层和高楼层。
5.根据权利要求4所述的方法,其特征在于,所述步骤4具体包括:
步骤4.1,设有c种POI功能类型,以第i类POI和其他类型POI的最短距离之和作为异类近邻指数,以第i类POI和周围c-1个同类POI的距离之和作为同类近邻指数,并据此定义POI功能邻近指数;
步骤4.2,通过POI数据在建筑物楼层中所占的面积进行表征,得到POI功能面积指数;
步骤4.3,将POI功能邻近指数和POI功能面积指数相乘,得到不同楼层单元第i类POI数据的功能强度值,再除以该类型POI的整体数据得到功能强度频率指数。
6.根据权利要求5所述的方法,其特征在于,所述POI功能邻近指数的表达式为
其中,;
表示第i类功能中第m个POI的异类近邻指数,/>表示POI功能类型种类,表示第i类和第j类功能的POI之间的最短距离,/>表示同类近邻指数,表示第i类和另一个第i类功能的POI之间的最短距离,/>为最近/>个同类功能POI的距离均值,/>表示楼层单元中第i类功能的第m个POI的功能邻近指数;
所述POI功能面积指数的表达式为
其中,表示楼层单元中第i类功能POI的功能面积指数,/>表示楼层的面积,/>表示第i类功能POI的个数,/>表示楼层中所有类型的POI个数;
所述功能强度频率指数的表达式为
其中,,/>表示单个楼层单元中第i类功能POI的功能强度指数,/>表示功能强度频率指数,NF表示所计算楼层所处楼层划分单元的集合总数,/>表示在第k个楼层单元中第i类功能POI的功能强度指数。
7.根据权利要求6所述的方法,其特征在于,所述步骤5具体包括:
步骤5.1,判断任一楼层单元的三维功能强度频率指数是否大于第二阈值,若是,则执行步骤5.2,若否,则执行步骤5.3;
步骤5.2,判定该楼层单元为单一功能楼层并计算其功能类型;
步骤5.3,判定该楼层单元为混合功能区,通过不同类型的占比和均值进行对比,判断其混合的类型并计算其功能属性类型;
步骤5.4,对每个楼层单元进行步骤5.1,形成目标区域的用地功能属性识别结果。
8.根据权利要求7所述的方法,其特征在于,所述功能类型的计算公式为
其中,n表示类型的数量。
9.根据权利要求8所述的方法,其特征在于,所述差异计算的表达式为
其中,S为某类楼层划分的功能类型动态变化指数,i为第i类功能类型,NF表示所计算楼层所处楼层划分单元的集合总数,为识别开始至识别结束时段内第i类功能转换为其他功能类型个数总和,/>为建筑物楼层划分单元内识别开始时间第i类功能的个数之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882506.9A CN116628462B (zh) | 2023-07-19 | 2023-07-19 | 城市三维空间用地功能属性识别与时空变化监测分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882506.9A CN116628462B (zh) | 2023-07-19 | 2023-07-19 | 城市三维空间用地功能属性识别与时空变化监测分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628462A true CN116628462A (zh) | 2023-08-22 |
CN116628462B CN116628462B (zh) | 2023-10-31 |
Family
ID=87617343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882506.9A Active CN116628462B (zh) | 2023-07-19 | 2023-07-19 | 城市三维空间用地功能属性识别与时空变化监测分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628462B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237677A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8239130B1 (en) * | 2009-11-12 | 2012-08-07 | Google Inc. | Enhanced identification of interesting points-of-interest |
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 |
KR101983714B1 (ko) * | 2018-10-22 | 2019-06-04 | 새한항업(주) | 명칭 유사성과 거리 근접성을 이용한 gis 지명속성 자동갱신 시스템 |
CN111382138A (zh) * | 2018-12-27 | 2020-07-07 | 中国移动通信集团辽宁有限公司 | Poi数据处理方法、装置、设备及介质 |
WO2020220629A1 (zh) * | 2019-04-28 | 2020-11-05 | 广东小天才科技有限公司 | 楼层层数的获取方法、装置、电子设备及存储介质 |
CN114581622A (zh) * | 2022-03-15 | 2022-06-03 | 南京大学 | 顾及三维空间的土地利用混合度综合计算及空间制图方法 |
CN114937215A (zh) * | 2022-06-10 | 2022-08-23 | 中国科学院地理科学与资源研究所 | 一种城市功能区的识别方法及装置 |
CN115512216A (zh) * | 2022-08-10 | 2022-12-23 | 华中师范大学 | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 |
-
2023
- 2023-07-19 CN CN202310882506.9A patent/CN116628462B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8239130B1 (en) * | 2009-11-12 | 2012-08-07 | Google Inc. | Enhanced identification of interesting points-of-interest |
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 |
KR101983714B1 (ko) * | 2018-10-22 | 2019-06-04 | 새한항업(주) | 명칭 유사성과 거리 근접성을 이용한 gis 지명속성 자동갱신 시스템 |
CN111382138A (zh) * | 2018-12-27 | 2020-07-07 | 中国移动通信集团辽宁有限公司 | Poi数据处理方法、装置、设备及介质 |
WO2020220629A1 (zh) * | 2019-04-28 | 2020-11-05 | 广东小天才科技有限公司 | 楼层层数的获取方法、装置、电子设备及存储介质 |
CN114581622A (zh) * | 2022-03-15 | 2022-06-03 | 南京大学 | 顾及三维空间的土地利用混合度综合计算及空间制图方法 |
CN114937215A (zh) * | 2022-06-10 | 2022-08-23 | 中国科学院地理科学与资源研究所 | 一种城市功能区的识别方法及装置 |
CN115512216A (zh) * | 2022-08-10 | 2022-12-23 | 华中师范大学 | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 |
Non-Patent Citations (2)
Title |
---|
HUIMIN LIU等: "Recognizing urban functional zones by a hierarchical fusion method considering landscape features and human activities", TRANSACTIONS IN GIS, vol. 24, no. 5, pages 1359 - 1381 * |
曹元晖等: "基于POI数据的城市建筑功能分类方法研究", 地球信息科学, vol. 22, no. 6, pages 1341 - 1443 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237677A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
CN117237677B (zh) * | 2023-11-15 | 2024-03-26 | 南京信息工程大学 | 一种基于深度学习的强降水空间整体相似度的降水预报订正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116628462B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325085B (zh) | 一种城市用地功能识别与变化检测方法 | |
Xing et al. | Integrating landscape metrics and socioeconomic features for urban functional region classification | |
CN109327841B (zh) | 基于覆盖、价值关联的多维评定及精准建设评估方法 | |
Yu et al. | The analysis and delimitation of Central Business District using network kernel density estimation | |
Hecht et al. | Automatic identification of building types based on topographic databases–a comparison of different data sources | |
Guo et al. | Mining parameter information for building extraction and change detection with very high-resolution imagery and GIS data | |
CN109189917B (zh) | 一种融合景观和社会特征的城市功能区划分方法及系统 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN106503714B (zh) | 一种基于兴趣点数据识别城市功能区的方法 | |
Wu et al. | An extended minimum spanning tree method for characterizing local urban patterns | |
CN103235952B (zh) | 一种基于高分辨率遥感影像的城市绿度空间的度量方法 | |
CN107330734B (zh) | 基于Co-location模式和本体的商业地址选择方法 | |
CN116628462B (zh) | 城市三维空间用地功能属性识别与时空变化监测分析方法 | |
CN109241221A (zh) | 一种基于3s技术探究城墙对城市景观格局演化影响的量化评价方法 | |
CN113505314A (zh) | 时空复杂网络聚类的位置轨迹分析系统 | |
WO2018045529A1 (zh) | 一种网络站址规划方法及装置 | |
CN105976376A (zh) | 一种基于部件模型的高分辨sar图像目标检测方法 | |
Ma et al. | An elastic urban morpho-blocks (EUM) modeling method for urban building morphological analysis and feature clustering | |
Perez et al. | Identifying building typologies and their spatial patterns in the metropolitan areas of Marseille and Osaka | |
Ye et al. | Land use classification from social media data and satellite imagery | |
Werder et al. | Semi-automatic interpretation of buildings and settlement areas in user-generated spatial data | |
Perez et al. | Building typologies for urban fabric classification: Osaka and Marseille case studies | |
CN114329240A (zh) | 选址特征筛选方法、装置、电子设备及存储介质 | |
Jiao et al. | Understanding the land use function of station areas based on spatiotemporal similarity in rail transit ridership: A case study in Shanghai, China | |
Hu et al. | An effective selecting approach for social media big data analysis—Taking commercial hotspot exploration with Weibo check-in data as an example |
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 |