基于Mask R-CNN和样方密度法的城市功能区识别

因传统方法单一使用遥感影像或兴趣点(point of interest,POI)数据识别城市功能区时,存在城市特征信息利用不完全、识别精度不高的问题,提出利用POI数据、遥感影像等多源数据,并将自然特征和人文特征相结合,采用基于掩膜区域卷积神经网络和样方密度法(mask region based convolutional neural network and quadrat density method,Mask R-CNN-QDM)模型识别城市功能区的方法。首先基于遥感影像采用Mask R-CNN模型识别建筑物,然后将识别结果与POI数据进行补充校验,得到结合自然特征和人文特征的分类结果,再引入面积要素对分类结果进行赋分,以计算样方密度,并采用随机抽样方式对所提方法功能区的识别精度进行评价。研究结果表明,Mask R-CNN-QDM模型的识别精确度高达0.900,平均Kappa系数为0.802,说明该方法能较好地区分单一城市功能区和混合城市功能区。

基于北京公交刷卡数据和兴趣点的功能区识别

城市在其发展过程中逐渐形成居住区、工业区和商业区等不同的功能区。识别这些功能区并理解其分布特征,对于把握城市结构以及制定和使用科学合理的规划具有重要作用。本研究基于2008年4月北京市连续一周的7797余万条公交IC卡刷卡数据,将其转换为每个公交站台流量的二维时间序列数据,结合居民日常出行行为研究,利用数据挖掘技术,构建了基于公交刷卡数据和兴趣点的城市功能区识别模型,并将识别结果在交通分析小区尺度上汇总。研究结果显示,利用城市功能区识别模型,通过冗余数据的筛除和特征的创建实现对数据的有效降维,并选用期望最大化算法对处理后的数据进行聚类分析,结合居民日常出行相关特征和兴趣点分布数据对聚类结果进行诠释,可以快速有效地识别出与北京市土地利用现状地图具有一定匹配度的北京市各功能区。本研究的方法可以辅助规划人员和公众有效识别和理解复杂的城市空间结构,对城市地理及规划研究具有重要的理论和实践价值。

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。

后放电监测在术中皮层电刺激脑皮层功能区识别中的意义

目的:探讨后放电监测在术中皮层电刺激脑皮层功能区识别中的意义。方法:34例涉及脑功能区病变切除手术的患者,术中皮层电刺激识别脑皮层功能区,同时持续监测皮层脑电,以出现后放电的阈值作为电刺激强度的上限,或最大电流量达到20 mA为止。结果:34例患者均顺利完成了术中皮层电刺激识别脑皮层功能区,无不良反应;均进行了病灶切除术,除2例病灶与运动功能区或运动前区重叠、术后出现对侧肢体运动功能减退外,其他病例术后均未出现神经功能下降。结论:在术中皮层电刺激脑皮层功能区识别中监测后放电,可提高皮层电刺激的阳性率,降低假阴性率,降低电刺激的风险。

基于POI数据的城市功能区识别及主要交通枢纽空间分析

研究利用机器学习中的TF-IDF统计方法,基于POI数据识别北京五环范围内的城市用地功能区。实验从道路网和格网两个层面开展,首先,将两结果与相同地区的遥感影像进行对比与验证,并从中提取属于交通用地范畴中的主要交通枢纽;其次,基于空间服务范围和空间连接强度两个视角对火车站和机场的地理特征进行分析,具体包括空间分布范围的特点、受区域影响的强弱、空间联系强度的差异等内容;最后,进一步对比各重要交通枢纽所在空间单元作为出租车行程起始点和终止点的共性和差异性。

基于兴趣点数据的南昌城市功能区识别

城市功能区对于城市规划和发展有着重要意义,随着中国经济在快速增长,城市功能区也在迅速变化,互联网大数据为城市的功能区识别和空间布局分析提供了新的方法。兴趣点(Point of interest,POI)数据是比较常见且容易获取的地理空间大数据,能够真实有效地反映社会经济活动,满足城市空间布局的要求。以南昌市为研究区域,基于高德地图POI,对所得数据进行筛选、清洗、重分类,得到城市功能用地数据,利用频数密度和类型比例识别城市功能区,通过构建混淆矩阵对单一功能区识别结果进行检验,然后利用高德地图对混合功能区识别结果进行目视解译验证。实验结果表明:1)单一功能区在南昌市分布最多且集中分布于城市郊区和城市核心之间,共计4187个网格,占比82.29%,混合功能区主要分布在城市核心地带,共901个网格,占比17.71%;2)核心区域多以交通、公共和商业混合用地为主;3)单一功能区总体精度为85.00%,Kappa系数为0.80,混合功能区目视解译验证结果与实际城市功能区一致,说明识别结果可信。

基于手机大数据的城市功能区识别方法

随着城市化进程的迅猛发展,城市土地功能不断发生演变,实时、准确地识别城市功能区具有重要意义。智能手机普及和互联网快速发展促使手机成为人类活动的传感器。提出了一种基于时序手机数据挖掘与兴趣点(point of interest, POI)语义分析的城市功能区识别方法,该方法面向街区尺度提取剩余手机定位量时序特征,以此特征构建模糊C均值聚类算法,结合区域内各类兴趣点的密度分布,分析并解释了聚类结果的土地功能语义。实验结果表明,该方法基本实现了城市功能区的识别。

基于POI数据的南宁市城市功能区识别及可视化研究

大数据在城乡规划领域的应用越来越广泛,本文利用网络电子地图爬取到2020年5月南宁市的各类POI数据,依据POI数据所具备的空间属性信息,借助ARCGIS软件进行整理划分,通过空间连接获得统计结果再进行一定的可视化,识别到南宁市主城区的单一用地功能区和混合用地功能区,分析并比较不同功能区的空间分布特征,同时针对城市功能区识别的结果,多角度、多方式验证了识别的精度,精确高效地梳理了南宁主城区城市功能空间结构。

基于POI数据的合肥中心城区的功能区识别研究

利用网络爬取2018年4月合肥市的POI数据,以合肥中心城区为研究对象进行功能区的识别研究,基于Arcgis软件,依据空间连接的统计结果和一定的可视化手段,得出功能区识别的结果,分析并比较不同功能区的空间分布特征,同时将功能区的识别结果与现状规划进行对比。研究结果表明,基于POI数据和相关的定量分析方法,能够比较准确快速地对城市功能区进行识别,在检验现状规划实施的同时,对未来城市功能区规划及城市的空间规划具有一定的借鉴价值。

基于POI数据的城市功能区识别研究——以西安市中心城区为例

土地紧缩态势下,城市功能区的精准识别对于加强城市规划管理水平、促进城市高质量可持续发展具有重要意义。文章以POI及道路网数据为基础,基于Arc GIS空间分析,以街区为单元对西安市中心城区功能区进行精细化识别,结果表明:(1)西安市混合功能区占比为72.4%,单一功能区占比为27.6%,混合功能区明显偏多;(2)单一功能区由内至外呈现递增趋势;(3)混合功能区主要集中于三环内侧,以居住用地—商业商务用地、居住用地—公共管理与公共服务用地混合为主。

基于logistic回归模型的城市功能区识别

通过构建兴趣点与城市功能区之间的logistic回归模型进行功能区识别,以武汉市主城区为例进行试验分析,将识别结果可视化并与《武汉市城市总体规划图(2010—2020)》进行对比,通过百度地图进行验证。研究结果表明,logistic回归模型与兴趣点数据相结合能基本识别居住用地、商业服务业设施用地、工业用地、公共管理与公共服务用地,准确率较高。

基于遥感影像的城市功能区识别

针对城市遥感影像中的数据不均衡、功能区识别难度大的问题,笔者提出一种基于残差网络的城市功能区识别模型,通过搭建ResNet152预训练模型提取功能区遥感影像的深度特征,并对模型进行优化。在2019年"一带一路"国际大数据竞赛数据集上的实验结果表明,城市功能区识别算法有效,且其性能优于其他算法。

基于多源数据的管道沿线功能区识别方法

传统的管道沿线功能区识别方法以人工现场踏勘的方式进行,受识别人员经验和对识别工作的熟练程度影响,识别效率有限。基于高分辨率遥感影像,利用深度学习方法实现高后果区建筑物的高精度提取。利用改进的网络模型与现有成熟的语义分割模型在公开数据集上进行对比实验,结果表明,该建筑物提取网络具有更高的建筑物解译精度。结合兴趣点(Points of Interest,POI)与开放街道地图(Open Street Map,OSM)数据,采用密度峰值聚类分析法计算各类型数据的频率密度,从而实现管道沿线功能区的识别。将该方法应用于西气东输某管道的高后果区功能区识别中,共识别出包括居住区、公共服务区、工业区、商业区、交通设施区及农业区6类功能区。该方法能够准确、快速地对人员密集型场所进行识别,可进一步提升高后果区识别的准确率和效率。(图7,表2,参23)

基于POI数据的许昌市功能区类型识别

城市功能区是指城市内部按照一定的标准和功能类型划分的不同属性的分区,城市功能区的功能类型各不相同。随着城市的快速发展,城市居民数量也在大幅度上升,导致城市不断向外扩张,为了适应城市的快速发展和满足居民生活需要,城市用地需要进行合理的规划。本文通过核密度分析的方法对许昌市功能区类型进行识别,经验证该方法的总体识别精度达到84.5%,得出核密度分析方法对功能区识别具有较高一致性。功能区类型识别结果表明,许昌市有两种单一功能区和六种混合功能区,混合功能区占比为94.1%,单一功能区占比为5.9%。本研究能够帮助城市管理人员有效地进行城市功能区识别,为城市功能区优化、城市资源合理配置、城市发展规划提供重要参考依据。

重庆市主体功能区识别的主导因素与空间稳定性约束机理

主体功能区规划已上升为国家制度和战略,对中国长期空间发展格局优化与再组织将发挥积极的引导和约束作用。从地域性角度出发,探寻主体功能区发生性(形成与演化)和反馈性(识别与规划)时空机理与规律是地理学具有时代意义的重要科学问题。以重庆市为例,通过国土空间开发条件综合评价,识别了主体功能区划分的适宜性空间格局。基于对西南山区发展约束条件的基本认识,提出了地域主体功能空间分异的主导性约束假设,设定地形和区位为原生性主导因素,验证了其与区划指标系统的定量关联性,以此为基础解析了主导因素约束机理并提出了地域主体功能区的空间稳定性机制。研究发现:①开发与保护适宜性识别结果的格局指向清晰。城市化适宜的区域主要集中于都市区和部分周边区县,区域副中心(万州和黔江)适宜性也相对较高。生态保护适宜的区域集中于渝东北秦巴山区及部分三峡库区区县,同时包括渝东南武陵山区所在区县。②地形和区位因子在本区域对主体功能区的识别与形成具有主导约束作用。回归分析显示,主体功能区划指标与地形因子相关性水平达到显著的超过70%,区位因子超过40%;两者综合后与区划标志变量(A、B指数)的相线性相关拟合度R2均超过0.8;地理探测器发现,地形和区位因子对区划指标的约束性分别有9个和7个达到0.05显著性水平,对A、B指数的解释度分别约为70%和60%,两者叠加后,约束水平全部达到显著,对A、B指数的解释度在90%左右。③空间稳定性机制表现为两个方面,其一是基于主导因素约束的稳定性传递机制,称为客观稳定性;其二是基于指标体系的局域相对性和算法的内部抵消机制,称为主观稳定性。两种机制的协同性验证了区划技术系统的地域适应性和科学性。

利用出租车轨迹数据识别城市功能区

城市系统的复杂性使得利用出租车轨迹数据理解城市的功能区结构存在结构分区不合理、识别结果精度低及不可靠的问题。对于城市功能区研究单元划分问题,从出租车轨迹空间分布特征入手,提出了一种基于限制条件和轨迹中心线包裹的城市区域划分方法。对于功能区理解问题,针对娱乐地、工作地和居住地的出租车OD(上车点和下车点)时间分布特征,提出从娱乐区、居住区到工作区逐步进阶的功能区识别方法。分别构造了娱乐因子和居住因子对娱乐区和居住区进行提取;结合工作地出租车下车点时间分布特征,利用监督分类对工作地进行了提取。

基于居民出行特征的北京城市功能区识别与空间交互研究

受区域功能分化影响,城市居民出行呈现出特定的时序特征,因而不同的出行时序特征可以反映区域功能的差异性。同时,区域功能的交互特征可以通过居民出行的空间交互活动体现。大数据时代的到来,使得以GPS数据为代表的个体时空大数据可以从微观视角反映居民出行特征。本文采用个体时空大数据,应用数据挖掘方法,从居民感知视角研究城市区域功能的差异性与联系性。以北京六环为研究区域,采用规则格网划分城市地块,通过北京市3个月的出租车GPS数据提取地块的居民出行时序特征。采用期望最大化算法进行聚类分析,并结合兴趣点数据和居民出行调查实现功能区识别,识别出居住区、商业娱乐区等6类功能区。从距离和时间2个维度分析功能区之间的空间交互特征,发现功能互补性在一定程度上削弱了空间交互强度的距离衰减效应,同时功能交互呈现出显著的时序差异。

基于轨迹和兴趣点数据的城市功能区动态识别与时变规律可视分析

目前,多数城市功能区识别方法仅依据路网和土地利用类型进行功能区的划分与识别,无法反映功能区范围及功能性随人类活动的动态变化.为此,提出基于轨迹数据挖掘与兴趣点语义分析的城市功能区识别与时空特征分析方法.通过考虑车辆行驶状况与区域功能的相关性,对特征轨迹点进行自适应密度聚类,并基于聚类中心利用Voronoi图合理划分功能区范围.为了有效地评价区域的复合功能性,利用潜在狄利克雷分布(latent Dirichlet allocation,LDA)模型对区域内兴趣点的类别信息挖掘主题词并计算相应的概率,在此基础上提出功能性强弱量化计算方法.基于轨迹数据的时变特性,构建交互式可视分析系统UFAVIS(urban functional areas visualization),进一步发掘人类活动对功能区时空模式的影响.利用结合时空特征分析的功能区识别方法对北京市真实数据进行了实验验证和具体案例分析,结果表明,UFAVIS能够准确识别区域的复合功能性,并发现功能区随人类活动的时空变化规律,为城市规划和政策制定提供依据.

基于多模态多层级数据融合方法的城市功能识别研究

城市功能区的划分与识别对分析城市功能区的分布现状和了解城市内部空间结构具有重要意义。这激发了多源地理空间数据融合的需求,特别是城市遥感数据与社会感知数据的融合。然而,如何有效实现城市遥感数据与社会感知数据的融合是一个技术难题。为了实现城市遥感数据与社会感知数据的融合,提高城市功能识别精度,以遥感图像和社会感知数据为例,引入多模态数据融合机制,提出了一种联合深度学习与集成学习的模型来推断城市区域功能。该模型分别利用DenseNet和DPN网络,从多源地理空间数据中提取城市遥感图像特征和社会感知特征,并进行特征级融合、决策级融合以及混合融合的多层级数据融合,对城市功能进行识别。所提模型在URFC数据集上得到了验证,其混合融合总体分类准确度、Kappa系数和平均F1值3个评价指标值分别为74.29%,0.67,71.92%。相比单模态数据的最佳分类方法,所提融合模型的3个评价指标值分别提高了18.83%,0.24,35.46%。实验结果表明,该数据融合模型具有更好的分类性能,能有效融合遥感图像数据和社会感知数据,实现城市区域功能的精准识别。

基于出租车数据的城市功能区分析——以西安市主城区为例

城市中不同区域的不同功能影响着人们的出行特征。城市交通配备的全球定位系统可以记录城市人口的时空特征,为探索居民的出行模式和城市功能区布局提供了可靠的数据源。本次研究以出租车数据、Point of interest(POI)数据为基础,将西安市主城区划分为3518个1 km×1 km的网格,计算2019年5月中旬一周的西安市出租车上、下车平均时间序列,并度量时间序列之间的相似性,利用k-medoids聚类方法得到不同类别并通过分析其间的差异来探索不同功能区中居民出行的时间特征,以此识别城市的功能布局。结果表明:对出租车行车数据的挖掘可以快速、准确识别城市功能区,了解居民出行模式,有利于城市管理和城市突发事件中的人员流动限制,对城市交通的统筹也有一定的参考意义;POI数据的加入提高了识别精度,弥补了出租车数据缺乏的城市功能细节。