CN117893923A - 一种基于蓝绿灰比例构建空间场景的方法 - Google Patents

Abstract

本申请涉及数据处理技术领域，提供一种基于蓝绿灰比例构建空间场景的方法。该方法先构建空间场景分类体系，将空间场景分为一级空间场景和二级空间场景两个级别，二级空间场景对应的矢量斑块的属性被设置为：类型名称、周长、面积以及蓝绿灰比例，然后对空间数据进行预处理以及分别对城镇功能场景和非城镇空间场景进行识别，计算每个空间场景斑块的周长、面积，并将类型名称、周长、面积和蓝绿灰比例属性赋值到每个空间场景斑块，蓝绿灰比例属性用于表征同质功能区/同一空间场景的内部异质性，该属性能够更好地说明土地利用因位置不同而带来的差异，解决传统土地利用/覆被难以顾及同质功能区的内部异质性难题。

Description

一种基于蓝绿灰比例构建空间场景的方法

技术领域

本申请涉及数据处理技术领域，特别涉及一种基于蓝绿灰比例构建空间场景的方法。

背景技术

传统土地覆被/利用分类无法反映土地利用功能因区位不同带来的差异性，而空间场景是一种比传统土地覆盖/利用更高层级的认知和综合，可以弥补传统土地分类的缺点，具备自然、社会、经济和生态等多维属性，是不同地理单元功能属性差异性在空间上的一种分布状况。空间场景也不同于功能区划，其粒度更细，且不以规划目标为导向，是基于客观世界的社会功能提供的量化反应。以空间场景作为基本计算单元，研究其空间拓扑关系及其带来的社会功能提供的变化，在此基础上开展生态承载力与空间优化的研究，以拓展生态安全调控研究的思路，为区域生态安全综合评估与调控提供一种新的方法体系，这对于地学综合交叉及陆海统筹等研究都具有重要科学意义。

一些现有技术也涉及到空间场景的研究，并提供了空间场景分类体系，比如文献1：“地理学视角下土地利用/覆被分类发展探讨，王志华等，地理研究，2022”构建了城市功能区的空间场景分类体系，将城市地区分为道路、工业区、公共服务区、水体、居民区、商业区、植被和裸地。文献2：“近30年粤港澳大湾区海岸带与海域生态承载力及可持续性变化--基于空间场景的新一代评估框架，唐玉芝等，地理学报，2023”构建了海岸带和近海的空间场景分类体系，将海岸带分为两大类：沿海陆地、潮间带与海水区域。前者为陆地生态系统，后者为海岸带和海洋生态系统。沿海陆地首先按照土地覆被和生态功能划分为林地、草地、耕地和人工场景等类型；然后，再依据主导社会经济属性和生态外部性进一步细分到空间场景，如林地划分为森林（不以经济活动为目的，几乎不产生污染）和种植园（以经济活动为目的，会产生污染）；人工场景划分为聚居地、交通物流和能源场景等，其中聚居地再根据经济活动类型细分为居住、公共服务、商业贸易和工业生产等场景。

虽然上述分类体系在一定程度解决了同一土地利用/覆被类型因位置不同带来的经济和生态差异问题，但是未能顾及同一空间场景的内部异质性。

因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

本申请的目的在于提供一种基于蓝绿灰比例构建空间场景的方法，以解决或缓解上述现有技术中存在的问题。

为了实现上述目的，本申请提供如下技术方案：

本申请提供了一种基于蓝绿灰比例构建空间场景的方法，包括：

构建空间场景分类体系；

其中，所述空间场景分类体系包括一级空间场景，所述一级空间场景分为农业功能场景、城镇功能场景和生态功能场景，各个功能场景的覆盖范围又分为多个二级空间场景，各个所述二级空间场景由矢量斑块组成，每一空间场景斑块被设置为包含以下属性：类型名称，周长，面积以及蓝绿灰比例；蓝绿灰比例属性用于表征同一空间场景的内部异质性；

获取目标研究区的空间数据，所述空间数据至少包括POI数据、哨兵数据集以及不同尺度的路网数据；

分别对所述POI数据、所述哨兵数据集以及所述不同尺度的路网数据进行预处理；

基于预处理后的所述空间数据，识别城镇功能场景和非城镇空间场景；所述非城镇空间场景包括农业功能场景和生态功能场景；

针对识别得到的所述城镇功能场景和所述生态功能场景中包含的所有斑块，利用ArcGIS软件计算每个空间场景斑块的周长，面积；将类型名称、周长、面积和蓝绿灰比例属性赋值到每个空间场景斑块。

一些可选方案中，识别所述非城镇空间场景，包括如下步骤：

基于云计算平台Google Earth Engine，结合哨兵影像，利用随机森林的监督分类方法提取各个非城镇空间场景的分布；

随机森林的监督分类样本点按照如下步骤提取：

对哨兵影像中的水体、耕地、养殖用地、其他植被以及不透水面进行提取，并通过目视判读建立解译标志，判别耕地、水体、养殖用地、其他植被、未利用地以及不透水面的空间场景类型，建立样本库；

提取训练样点时，各类别样本总数量为1:1比例，其中，70%的样本点用于训练，30%的样本点用于验证精度。

一些可选方案中，在识别所述非城镇空间场景之后，所述方法还包括：

借助已有土地利用资料对所述非城镇空间场景进行精细再分类，进而识别出经济林和草地相应的空间场景。

一些可选方案中，对所述城镇功能场景进行识别，包括如下步骤：

通过所述不同尺度的路网数据对目标研究区进行分割，得到分割图斑；

建立训练样本点，对所述分割图斑进行标识，以将所述分割图斑划归所述城镇功能场景中的工业场景或者非工业场景；

对所述非工业场景内的POI点进行区位型场景与密度型场景识别，以获取所述非工业场景的主导空间场景，并将所述主导空间场景作为该非工业场景对应的识别结果。

一些可选方案中，所述建立训练样本点，包括如下步骤：

基于所述哨兵数据集，对工业场景和非工业场景进行影像光谱分析和纹理信息提取，以确定优选波段；

根据优选波段，建立训练样本点。

一些可选方案中，所述影像光谱分析包括：

分析工业空间场景在各波段上的光谱均值、标准差、亮度，结合归一化植被指数、归一化水体指数和归一化不透水面指数，识别工业场景和非工业场景的差异特征。

一些可选方案中，对所述POI数据进行预处理包括如下步骤：

对所述POI数据中的重名、重坐标数据进行查重与清洗，得到清洗后的POI数据；

对所述清洗后的POI数据进行重分类处理，获得重分类的POI数据；

将所述重分类的POI数据与二级空间场景建立对应关系；

对所述非工业场景内的POI点进行区位型场景与密度型场景识别，以获取所述非工业场景的主导空间场景，具体为：

根据所述重分类的POI数据与二级空间场景的对应关系，对所述非工业场景内的POI点进行区位型场景与密度型场景识别，以获取所述非工业场景的主导空间场景。

一些可选的实施方案中，对所述非工业场景内的POI点进行区位型场景识别，包括：

从公众认知度、空间占地面积角度，将所述非工业场景内的POI点分为区位型POI和密度型POI；

对区位型POI，构建其对应的场景单元的频数密度向量，并计算出POI在场景单元中的数量比重，若数量比重大于预设的比重阈值，则确定该场景单元的主导空间场景；

对密度型POI，依据预先获取的POI地理实体面积与权重表，利用核密度和相似度模型对城镇功能场景进行识别。

一些可选方案中，对所述哨兵数据集进行预处理包括如下步骤：

基于云覆盖率对所述哨兵数据集进行筛选，得到筛选后的遥感影像；

利用质量控制对所述筛选后的遥感影像进行低质量区掩膜处理，并按年份对掩膜处理得到的遥感影像进行均值处理，得到均值影像。

一些可选方案中，对所述不同尺度的路网数据进行预处理包括如下步骤：

按道路等级从所述不同尺度的路网数据提取不同类型的道路，以建立密集道路网；所述不同类型的道路包括以下一种或多种：高速公路、一级道路、二级道路、三级道路；

针对所述不同类型的道路，设置不同的缓冲宽度；

以所述密集道路网中的道路为中心，基于所述缓冲宽度构建路网缓冲带；

对应地，

所述通过所述不同尺度的路网数据对城镇范围内的区域进行分割，得到分割图斑，具体为：

使用所述路网缓冲带对目标研究区进行分割，得到分割图斑。

本申请实施例的技术方案具有如下有益效果：

本申请的技术方案中，通过构建空间场景分类体系，将空间场景分为一级空间场景和二级空间场景两个级别，其中，一级空间场景包括农业、城镇、生态、工业空间场景，各个一级空间场景又分别包括多个二级空间场景，二级空间场景由矢量斑块组成，矢量斑块的属性被设置为：类型名称，周长，面积以及蓝绿灰比例，其中，蓝绿灰比例用于表征同一空间场景的内部异质性，蓝色代表水体，绿色代表植被，而灰色代表不透水面，由于蓝-绿-灰比例可以区分城市和生态休闲等场景中同一功能类型在区域内的生态功能服务差异和经济产出差异，使用蓝绿灰比例来描述同质功能区/同一空间场景的内部异质性，能够更好地说明土地利用因位置不同而带来的差异。在设置分类体系并确定矢量斑块属性的基础上，本实施例提供的构建空间场景的方法还包括如下步骤：获取空间数据、对空间数据进行预处理以及分别对城镇功能场景和非城镇空间场景进行识别，在准确识别各个空间场景的基础上，计算每个空间场景斑块的周长、面积，并将类型名称、周长、面积和蓝绿灰比例属性赋值到每个空间场景斑块，上述步骤构成一套完整的空间场景构建流程，从而解决传统土地利用/覆被难以顾及同质功能区的内部异质性难题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：

图1为根据本申请的一些实施例提供的基于蓝绿灰比例构建空间场景的方法的流程示意图。

图2为根据本申请的一些实施例提供的路网切割空间场景单元的示意图。

图3为根据本申请的一些实施例提供的城镇功能场景与非城镇空间场景单元的识别过程示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。

除另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。

本申请实施例提供基于蓝绿灰比例构建空间场景的方法，如图1~图3所示，该方法包括：

步骤S101、构建空间场景分类体系。

其中，空间场景分类体系包括3个一级空间场景和13个二级空间场景，一级空间场景分为农业功能场景、城镇功能场景和生态功能场景，各个功能场景的覆盖范围又分为多个二级空间场景。

一级空间场景中，农业功能场景简称AFZ，示例性地，AFZ可以包括如下二级空间场景：经济林、水田、旱地、养殖用地。城镇功能场景简称UFZ，示例性地，UFZ可以包括如下二级空间场景：工业、服务、居住、商业、道路，生态功能场景简称EFZ，示例性地，EFZ可以包括如下二级空间场景：其他林地，草地，水体，未利用地。本实施例提供的空间场景分类体系如表1所示，表1如下：

表1空间场景分类体系

从空间数据的表达方式和存储结构的角度看，各个二级空间场景由矢量斑块组成。本实施例在空间场景的基础上，为每个空间场景斑块设置相关属性。例如，空间场景斑块至少包含以下属性：类型名称，周长，面积以及蓝绿灰比例。其中，类型名称表示该斑块所属的空间场景的类型，周长、面积用于表征该斑块的几何属性，蓝绿灰比例属性用于表征同一空间场景的内部异质性。

如前所述，蓝绿灰比例属性中，蓝即蓝色，代表水体，绿即绿色，代表植被，而灰即灰色，代表不透水面，对于各个空间场景斑块而言，蓝绿灰比例属性实际上是蓝比例、绿比例和灰比例三个属性构成，蓝比例的取值是该空间场景斑块所覆盖的影像区域内水体像元占像元总数的比例，绿比例的取值是该空间场景斑块所覆盖的影像区域内植被像元占像元总数的比例，灰比例的取值是该空间场景斑块所覆盖的影像区域内不透水面像元占像元总数的比例。通过在各个空间场景斑块设置蓝绿灰比例属性，使得即使同一类型的空间场景也能够基于不同的蓝绿灰比例对其内部进行进一步的区分，进而更好地描述土地利用因位置不同而带来的差异。

一些可选的示例中，空间场景斑块还可以包括如下属性：唯一的ID、邻域ID。唯一的ID用于唯一标识该空间场景斑块，邻域ID用于标识与本斑块相邻的其他斑块ID。

步骤S102、获取目标研究区的空间数据，为了能够高效构建空间场景，所获取的空间数据至少包括POI（Point of Interest，中文名称为兴趣点）数据、哨兵数据集以及不同尺度的路网数据。

其中，哨兵数据集可以由云计算平台Google Earth Engine（简称GEE）提供，比如可以选择2020年的Sentinel-2数据，筛选云覆盖小于20%的遥感影像。

POI数据是指地图或地理信息系统中表示地理位置上有趣、有用或重要的地点的数据，该类可以由高德地图提供。高德地图是空间数据厂商所提供的数据，其将POI数据分为13个类别，这些类别包括餐饮服务、购物服务、金融保险服务、体育休闲、公司企业、商业住宅等。

不同尺度的路网数据可以通过各个数据部门获取，比如交通管理部门或者测绘部门，本申请对以上空间数据的来源不作限定。

步骤S103、分别对POI数据、哨兵数据集以及不同尺度的路网数据进行预处理。

通过预处理能够有效提升数据质量，提高空间场景识别的准确度以及蓝绿灰比例提取的精度，具体预处理步骤可以包括：POI数据的清洗、重分类，哨兵数据集的质量控制以及路网数据的选取等，这些将在后续步骤中详细描述。

步骤S104、基于预处理后的空间数据，识别城镇功能场景和非城镇空间场景；非城镇空间场景包括农业功能场景和生态功能场景。

步骤S105、针对识别得到的城镇功能场景和生态功能场景中包含的所有斑块，利用ArcGIS软件计算每个空间场景斑块的周长，面积；将类型名称、周长、面积和蓝绿灰比例属性赋值到每个空间场景斑块。

本实施例通过构建空间场景分类体系、获取目标研究区的空间数据、对空间数据进行预处理，并基于预处理后的空间数据进行城镇功能场景和非城镇空间场景的识别，最后将空间场景的类型名称、周长、面积和蓝绿灰比例属性赋值到每个空间场景斑块，获得具有蓝绿灰比例属性的空间场景斑块，进而能够使用各个空间场景斑块的蓝绿灰比例属性表征其内部的异质性。

由于空间场景分类较传统土地分类尺度细，所需数据主要包含POI数据，哨兵数据集及不同尺度路网数据等，为保证空间场景识别的有效性，需要对POI数据、哨兵数据集以及不同尺度的路网数据分别进行预处理。

为了有效识别POI类型，防止重名、重坐标（即坐标经纬度重叠）数据对于场景识别的不利影响，步骤S103中，对POI数据进行预处理包括如下步骤：对POI数据中的重名、重坐标数据进行查重与清洗，得到清洗后的POI数据；对清洗后的POI数据进行重分类处理，获得重分类的POI数据；将重分类的POI数据划归不同的空间场景。

本实施例中，对POI数据进行查重与清洗工作，可以具体通过如下步骤实现：先采用MySQL对数据进行详细坐标信息筛选，对具有相同坐标点（包括重名，也就是名称相同，重坐标数据，也就是坐标经纬度重叠）数据进行识别，并将识别为重复的POI进行删除，达到数据清洗的目的。其次，考虑到高德地图的POI数据分类与前述步骤构建的空间场景分类体系并不相同，因此，需要对其进行重分类处理，即，将POI数据中的各个POI点分别划分到商业、居住、工业以及服务等二级空间场景中。高德地图的POI数据类别与空间场景分类体系的对应关系如表2所示，表2如下：

表2高德地图的POI数据类别与空间场景分类体系的对应关系表

进一步地，为提高哨兵数据集的有效性，一些实施例中，对哨兵数据集进行预处理包括如下步骤：基于云覆盖率对哨兵数据集进行筛选，得到筛选后的遥感影像；利用质量控制对筛选后的遥感影像进行低质量区掩膜处理，并按年份对掩膜处理得到的遥感影像进行均值处理，得到均值影像。

本实施例选择的哨兵数据集是2020年的Sentinel-2数据，通过筛选将其云覆盖控制在20%以下，在此基础上，利用质量控制对筛选后的遥感影像进行低质量区掩膜处理，以提高数据质量。其中，质量控制又称为质量评估，也即QA数据（QA，Quality Assessment），QA数据通常包含在Sentinel-2的Level-2A产品中，其能够提供每个像元有关的质量信息，例如可以包括：云掩蔽信息、云影信息、雪和冰覆盖信息、水体检测信息等，利用上述信息，可以有效识别出Sentinel-2中的低质量区，例如，通过设定相关阈值，并对标识特定的标志或值进行阈值筛选来确定低质量区，然后进行低质量区掩膜处理得到质量相对较高的遥感影像。接着，针对低质量区掩膜得到的一整年数据进行均值处理，得到均值影像。本实施例使用按年份统计的均值影像来进行空间场景识别，能够突出目标研究区的长期趋势，有利于提高空间场景识别的稳定性，同时按年份的均值影像还减小了云和气象条件对数据的影响，进一步提高了数据的质量。

考虑到空间场景是由多种土地覆被对象组成的矢量图斑，获取不同尺度的路网数据，采用道路网分割来获得矢量图斑是易实现、且能够有效表达空间场景内部异质性的重要手段。

为了减少城镇内部与城郊的路网差异，提高路网数据质量，一些实施例中还包括对不同尺度的路网数据进行预处理的步骤，具体如下：按道路等级从不同尺度的路网数据提取不同类型的道路，以建立密集道路网；不同类型的道路包括以下一种或多种：高速公路、一级道路、二级道路、三级道路；针对不同类型的道路，设置不同的缓冲宽度；以密集道路网中的道路为中心，基于缓冲宽度构建路网缓冲带。

具体地，本实施例中，针对性的选取了高速公路、一级道路、二级道路以及三级道路共计4类道路。按《国土空间规划中心城区选址和建设规划技术导则》中规定，三级道路每1000米内不少于10条，道路密度不少于100米/公顷。即使是城郊，其三级道路同样存在，因此，通过建立包含三级道路的密集道路网分割将能够有效解决城郊与城镇内部路网分布密度差异较大问题。

针对不同类型的道路，设置不同的缓冲宽度，示例性地，可以设定高速公路、一级道路、二级道路以及三级道路缓冲宽度分别为：30、20、20、15米，然后进行缓冲分析，获得道路缓冲区（也称为路网缓冲带）。使用不同宽度的路网缓冲带对目标研究区进行分割，同时，对杂乱碎片区域、不连续的区域进行再处理，得到分割图斑（即矢量图斑，又称为路网切割单元或路网切割空间场景单元），路网切割空间场景单元的结果如图2所示。如图2所示，密集道路网将目标研究区（A、B、C三个地区）分割为多个单元，同时，还可以明显看出，由于各个城市区域的经济发展水平和生态环境不同，路网切割空间场景单元的形态、密度、边界特征也不相同。

本实施例使用密集道路网，结合道路缓冲区来分割空间场景单元，能够有效降低图斑的破碎程度，提高分割质量。

考虑到仅通过道路网进行分割存在城镇与非城镇空间场景边界识别模糊的问题，本实施例中，利用路网进行分割后，利用面向对象分割算法将具有相似纹理、亮度、颜色等特征的“超像素”进行分割，然后再叠加道路网分割得到的图斑，以获取明确的城镇、非城镇边界，进而避免破碎化边界的出现。

面向对象分割采用简单非迭代聚类（Simple Non-Iterative Clustering，SNIC）图像分割算法完成。SNIC通过将具有相似纹理、亮度、颜色等特征的“超像素”进行分割形成具有相似特征的小区域，能够获得较好的结构信息以及局部特征。SNIC通过空间聚类有效改善了土地利用分类结果，在场景分类中能够有效识别城镇与非城镇边界，有效划定城镇功能场景以及农业、生态场景区域。

在通过不同尺度的路网数据对目标研究区进行分割之后，可以开始进行空间场景识别，分为非城镇空间场景识别和城镇功能场景识别两个部分，下面分别进行详细描述。

首先，进行非城镇空间场景识别，该识别过程可以包括如下步骤：基于云计算平台Google Earth Engine，结合哨兵影像，利用随机森林的监督分类方法提取各个非城镇空间场景的分布；随机森林的监督分类样本点按照如下步骤提取：对哨兵影像中的水体、耕地、养殖用地、其他植被以及不透水面进行提取，并通过目视判读建立解译标志，判别耕地、水体、养殖用地、其他植被、未利用地以及不透水面的空间场景类型，建立样本库；提取训练样点时，各类别样本总数量为1:1比例，其中，70%的样本点用于训练，30%的样本点用于验证精度。

从区域的多维属性分析，非城镇空间场景内部属性相对单一，每个矢量图斑的内部并不存在混合土地利用特征，因此，非城镇空间场景可以近似用土地利用进行表征，通过将土地利用矢量数据匹配到各个空间场景。其中，土地利用中的园地对应经济林场景、水田对应水田场景、旱地对应旱地场景、养殖用地对应养殖场景。除了园地之外的其他林地（有林地、灌木林地和疏林地）对应其他林地场景，草地对应草地场景，水体对应水田场景，未利用地对应未利用地场景。

城镇与非城镇空间场景的基本单元划分过程可以包括如下步骤：对于云计算平台GEE提供的哨兵数据集（即哨兵二号遥感影像，Sentinel-2遥感影像），结合POI数据，利用随机森林的监督分类方法提取各个空间场景的分布，也就是利用随机森林对分割结果进行分类。其中70%的样本点用于训练，30%的样本点用于验证精度。

在非城镇空间场景识别中，首先提取水体、耕地、养殖用地、其他植被以及不透水面，由于耕地、水体、养殖用地、其他植被以及不透水面等在多光谱影像上呈现显著差异，本实施例中，基于不同的地物特征，通过对哨兵影像的目视判读建立解译标志，判别耕地、水体、养殖用地、其他植被、未利用地以及不透水面等场景类型，建立样本库。训练监督分类样本需满足以下条件：（1）训练样本必须具有代表性；（2）训练样本数量在类别上应该均衡；（3）训练样本和验证样本必须相互独立；（4）训练样本必须足够大。基于以上原则，研究提取训练样点时，各类别的总数量保证在1:1比例，训练与验证样本按照3/7比例进行选取。

示例性地，各类地物在Sentinel-2遥感影像中的特征可以描述如下：

耕地：呈浅绿色，斑块完整，呈规则分布，边界较清晰；

林地：郁闭度高、呈深绿色、斑块完整、与周围地物差异明显；

水体：呈深蓝色，与周围地物差异显著，呈树枝状、条状等，边界明显；

不透水面：呈分散块状，不规则大小分布，不同区域色彩差异较大，与水体、植被呈现显著差异；

养殖用地：明显网格状、密集排列，颜色深浅不一，包含水体信息。

为了有效获取以空间场景为地理单元的区域生态、农业与城镇空间场景，一些实施例中，还包括：借助已有土地利用资料对非城镇空间场景进行精细再分类，进而识别出经济林和草地相应的空间场景。

采用基于随机森林的监督分类法对区域土地利用进行提取，借助已有土地利用资料对其进行精细再分类。基于随机森林的监督分类法以像元为单位，利用样本点数据进行监督分类，由于经济林和草地在影像中难以区分，研究借助已知土地利用分布图对经济林和草地进行再提取。

然后，在使用道路网络对目标研究区进行分割得到分割图斑的基础上，对城镇功能场景进行识别，包括如下步骤：建立训练样本点，对分割图斑进行标识，以将分割图斑划归城镇功能场景中的工业场景或者非工业场景；对非工业场景内的POI点进行区位型场景与密度型场景识别，以获取非工业场景的主导空间场景，并将主导空间场景作为该非工业场景对应的识别结果。

由于POI数据以人类活动轨迹为核心，更适合用于城镇功能场景识别，而光谱特征能够描述遥感影像中的结构信息以识别场景内部差异。因此，提出一种基于光谱特征以及POI数据的场景理解分类方法。

具体地，建立训练样本点，包括：基于哨兵数据集（Sentinel2-影像），对工业场景和非工业场景进行影像光谱分析和纹理信息提取，以确定优选波段；根据优选波段，并结合POI数据，建立训练样本点。

其中，影像光谱分析包括：分析工业空间场景在各波段上的光谱均值、标准差、亮度，结合归一化植被指数、归一化水体指数和归一化不透水面指数，识别工业场景和非工业场景的差异特征。与此同时，考虑到场景单元纹理信息对于场景识别的作用，对哨兵数据进行纹理信息提取。通过分析工业空间场景在各波段上的光谱均值、标准差、亮度以及各植被指数的均值、标准差等指标，结合纹理信息，识别工业空间场景与其他城镇功能场景（非工业场景）的差异特征，得到优选波段，并将其作为工业场景提取的重要手段之一。

示例性地，城镇功能场景光谱差异性分析中，可以分别描述工业场景和非工业场景的差异特征，比如，Sentinel2-影像中，工业场景的特征可以描述为：在场景单元中建设用地占比较大，颜色呈深蓝色、浅橙色等规则长条形；在图斑中呈现密集、整齐排列的长条块状，颜色多呈深灰色至黑色，通常呈片状聚集；在图斑中密集、规则排列，存在色彩差异显著且占比较大的建设用地。非工业场景的特征可以描述为：图斑呈密集、杂乱排列，无明显特征；图斑中建设用地呈不规则分散块状，存在区域阴影；独立建设用地，有明显不规则特征。

在区分出工业场景或者非工业场景之后，需要对非工业场景内各个图斑归属的具体城镇功能场景进行识别。考虑到大众认知度以及规模，仅通过单一特征进行识别会产生较大误差。以火车站为例，一个场景单元中可能只会包含1-2个表达火车站的POI点，而生活服务、购物服务等POI数量则将超过代表火车站地理实体的POI个数，该场景单元主导场景应为公服场景，而不能简单依据数量将单元划分为商业场景。因此，考虑POI点代表的地理实体在公众认知度和空间面积对于场景类型的影响作用，将不同POI点先进行区位型与密度型识别，采用不同的特征参数实现城镇功能场景区分。

先进行区位型场景识别。区位型POI表示公众认知度高、空间占地面积较大的地理实体，其特征能够决定场景单元的主要用地类型，例如机场、火车站、大型三甲医院等，在识别区位型城镇功能场景主要利用频数密度（Frequency Density，FD）向量以及类别比重（Category Ratio，CR）向量，计算出POI在场景单元中的数量比重，也就是计算属于各个二级空间场景的POI数量占该场景单元总数量的比值，当属于某个二级空间场景单元的POI的数量比重超过预设的某一比重阈值时，确定该场景单元的主导空间场景为该超过预设比重阈值的二级空间场景。

具体地，对每个场景单元，构建FD向量F _i ，代表该场景单元中第i类POI的频数密度，其公式如下：

（1）

式中，POI _i 代表该场景单元中第i类POI的数量，POI _I 代表目标研究区内第i类POI的总数量。

为了便于不同空间场景的POI进行对比，在FD向量基础上对POI进行无量纲处理：

（2）

F _{i_nor} 表示第i类POI在场景单元内的归一化密度频数，F _i 代表频数密度，F _min 、F _max 表示所有场景单元内的第i类POI的最小以及最大频数密度。

在无量纲处理后，进行CR向量构建，用C _i 表示第i类POI在该场景单元中所有类型POI的百分比（即类别比重）：

（3）

式中，F _{i_nor} 表示第i类POI在场景单元内的归一化密度频数。

然后，进行密度型场景识别。密度型POI代表空间分布密集、公众认知度较差、占地面积较小的地理实体，通过密度分布实现单元的主导空间场景识别，例如购物服务、餐饮服务、住宿娱乐等POI数据。由于场景类型不仅与POI的数量有关，同时还与地理实体的占地面积有关，对于多场景混合图斑，在进行类型识别时需要同时考虑不同类型地理实体建设面积对于类型识别的影响。

根据国家业态分类标准《GB/T18106-2010》及相关资料，确定各POI对应实体的占地面积，然后按照POI类型、面积不同设置不同权重。可以理解，具体权重设置可以有多种实现方式，例如，可以设定占地200m²时权重为0.1，以此为基准对不同占地面积的地理实体进行权重设定，考虑到医疗卫生、科教培训以及购物具有多类型地理实体，根据高德获取的不同类型POI占比与单位面积乘积的均值作为平均占地面积，最终形成POI地理实体面积与权重表，如表3所示：

表3POI地理实体面积与权重

在确定各个POI的占地面积以及权重之后，利用核密度和相似度模型对城镇功能场景进行识别。

其中，核密度分析(Kernel density estimation) 通过已知点对未知点进行估计，是通过数据自身特点研究其形态分布的一种非参数估计方法，其理论源于地理学第一定律，认为事物之间的关联度与距离有关，距离越近，关联度越大，与核心要素越接近，密度扩展值越高。通过核密度估计能够在获取区域空间密度分布情况。具体公式为：

（4）

式中，n表示空间地理要素（POI点）个数，P _n (X _i )表示第i个POI点处的密度估计值，h _n 表示平滑参数，又称为带宽，它用于控制估计的平滑度，K表示权重，x _i 、x _j 分别表示第i和第j个地理要素的样本，i,j=1,2,3……,n。

使用核密度估计对于POI分析时需要考虑带宽h _n 的取值问题，本实施例中，采用500米为平均带宽，在得到各类型POI核密度空间分布的同时对各个城镇功能场景单元进行统计分析，从而确定该空间场景单元的主导空间场景，即识别出该城镇功能场景的类型。

本实施例通过核密度和相似度模型对城镇功能场景进行识别，充分考虑到数据自身特点以及地理学分布规律，提高场景识别的准确性和有效性。

本实施例中，完成非城镇空间场景识别和城镇功能场景识别之后，对蓝绿灰比例进行提取并赋值到每个空间场景斑块的步骤。具体地，蓝绿灰比例的属性主要用于城镇功能场景 (UFZ)和生态功能场景 (EFZ)的生态休闲区。对于蓝绿灰比例的提取，基于哨兵影像进行提取，结合云计算平台Google Earth Engine，利用随机森林的监督分类方法提取各个场景斑块中水体（蓝）、植被（绿）和不透水面（灰）的面积，然后计算水体、植被和不透水面占斑块总面积的比例。其中，70%的样本点用于训练，30%的样本点用于验证精度。本实施例将蓝绿灰比例属性赋值到每一空间场景斑块，使得空间场景内部能够基于不同蓝绿灰属性区分不同的价值差异，为进一步开展生态承载力与空间优化等研究奠定了数据基础，为区域生态安全综合评估与调控提供一种新的方法体系。

综上，本申请实施例提供一种基于蓝绿灰比例构建空间场景的方法，该方法旨在打破传统以土地覆被或利用特征进行土地分类的方法，构建可以反映同种土地类型因区位不同或空间场景空间关系不同而产生的功能差异。

本实施例提供的方法使用空间场景代替传统的土地利用/覆被，引入蓝绿灰比例作为空间场景的属性之一，可以描述同一功能区的内部异质性，说明土地利用/覆被因位置不同而带来的经济和生态价值。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于蓝绿灰比例构建空间场景的方法，其特征在于，包括：

构建空间场景分类体系；

其中，所述空间场景分类体系包括一级空间场景，所述一级空间场景包括如下类型：农业功能场景、城镇功能场景和生态功能场景，所述一级空间场景又被划分为多个二级空间场景，各个所述二级空间场景由矢量斑块组成，矢量斑块又称为空间场景斑块，每一空间场景斑块被设置为包含以下属性：类型名称，周长，面积以及蓝绿灰比例；蓝绿灰比例属性用于表征同一空间场景的内部异质性；

获取目标研究区的空间数据，所述空间数据至少包括POI数据、哨兵数据集以及不同尺度的路网数据；

分别对所述POI数据、所述哨兵数据集以及所述不同尺度的路网数据进行预处理；

基于预处理后的所述空间数据，识别城镇功能场景和非城镇空间场景；所述非城镇空间场景包括农业功能场景和生态功能场景；

针对识别得到的所述城镇功能场景和所述生态功能场景中包含的所有斑块，利用ArcGIS软件计算每个空间场景斑块的周长，面积；将类型名称、周长、面积和蓝绿灰比例属性赋值到每个空间场景斑块。

2.根据权利要求1所述的方法，其特征在于，识别所述非城镇空间场景，包括如下步骤：

基于云计算平台Google Earth Engine，结合哨兵影像，利用随机森林的监督分类方法提取各个非城镇空间场景的分布；

随机森林的监督分类样本点按照如下步骤提取：

对哨兵影像中的水体、耕地、养殖用地、其他植被以及不透水面进行提取，并通过目视判读建立解译标志，判别耕地、水体、养殖用地、其他植被、未利用地以及不透水面的空间场景类型，建立非城镇空间场景的样本库；

提取非城镇空间场景训练样点时，各类别样本的数量比例为1:1，其中，70%的样本点用于训练，30%的样本点用于验证精度。

3.根据权利要求2所述的方法，其特征在于，在识别所述非城镇空间场景之后，所述方法还包括：

借助已有土地利用资料对所述非城镇空间场景进行精细再分类，进而识别出经济林和草地相应的空间场景。

4.根据权利要求3所述的方法，其特征在于，对所述城镇功能场景进行识别，包括如下步骤：

通过所述不同尺度的路网数据对目标研究区进行分割，得到分割图斑；

建立城镇功能场景的训练样本点，对所述分割图斑进行标识，以将所述分割图斑划归所述城镇功能场景中的工业场景或者非工业场景；

对所述非工业场景内的POI点进行区位型场景与密度型场景识别，以获取所述非工业场景的主导空间场景，并将所述主导空间场景作为该非工业场景对应的识别结果。

5.根据权利要求4所述的方法，其特征在于，所述建立城镇功能场景的训练样本点，包括如下步骤：

基于所述哨兵数据集，对工业场景和非工业场景进行影像光谱分析和纹理信息提取，以确定优选波段；

根据优选波段，建立城镇功能场景的训练样本点。

6.根据权利要求5所述的方法，其特征在于，所述影像光谱分析包括：分析工业空间场景在各波段上的光谱均值、标准差、亮度，结合归一化植被指数、归一化水体指数和归一化不透水面指数，识别工业场景和非工业场景的差异特征。

7.根据权利要求6所述的方法，其特征在于，对所述POI数据进行预处理包括如下步骤：

对所述POI数据中的重名、重坐标数据进行查重与清洗，得到清洗后的POI数据；

对所述清洗后的POI数据进行重分类处理，获得重分类的POI数据；

将所述重分类的POI数据与二级空间场景建立对应关系；

对所述非工业场景内的POI点进行区位型场景与密度型场景识别，以获取所述非工业场景的主导空间场景，具体为：

根据所述重分类的POI数据与二级空间场景的所述对应关系，对所述非工业场景内的POI点进行区位型场景与密度型场景识别，以获取所述非工业场景的主导空间场景。

8.根据权利要求7所述的方法，其特征在于，

对所述非工业场景内的POI点进行区位型场景与密度型场景识别，包括：

从公众认知度、空间占地面积角度，将所述非工业场景内的POI点分为区位型POI和密度型POI；

对区位型POI，构建其对应的场景单元的频数密度向量，并计算出POI在场景单元中的数量比重，若数量比重大于预设的比重阈值，则确定该场景单元的主导空间场景；

对密度型POI，依据预先获取的POI地理实体面积与权重表，利用核密度和相似度模型对城镇功能场景进行识别。

9.根据权利要求1所述的方法，其特征在于，对所述哨兵数据集进行预处理包括如下步骤：

基于云覆盖率对所述哨兵数据集进行筛选，得到筛选后的遥感影像；

利用质量控制对所述筛选后的遥感影像进行低质量区掩膜处理，并按年份对掩膜处理得到的遥感影像进行均值处理，得到均值影像。

10.根据权利要求4所述的方法，其特征在于，对所述不同尺度的路网数据进行预处理包括如下步骤：

按道路等级从所述不同尺度的路网数据提取不同类型的道路，以建立密集道路网；所述不同类型的道路包括以下一种或多种：高速公路、一级道路、二级道路、三级道路；

针对所述不同类型的道路，设置不同的缓冲宽度；

以所述密集道路网中的道路为中心，基于所述缓冲宽度构建路网缓冲带；

对应地，

所述通过所述不同尺度的路网数据对目标研究区进行分割，得到分割图斑，具体为：

使用所述路网缓冲带对目标研究区进行分割，得到分割图斑。