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...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。展开更多
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PO...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。展开更多
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...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。展开更多
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...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。展开更多
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...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)展开更多
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...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。展开更多
文摘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。
文摘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。
文摘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。
文摘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。
文摘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)
文摘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。