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。

利用POI及其面积数据识别株洲市中心区城市用地功能

城市用地功能识别是城市转型阶段的重要任务。传统方法通过POI数据进行城市用地功能识别,由于POI数据不具有规模信息而需人为赋权,导致主观性较大。利用部分POI的面积数据作为POI规模的补充,定义POI簇,再基于POI簇对株洲市中心城区进行识别。结果表明:①原有识别方法有可能识别出与城市现状不符的功能混杂情况;②POI簇因功能和区位不同而呈现出不同的面积和规模;③与地图对比发现,面积信息叠加后的识别比原有方法更精确;④叠加后株洲市部分区域呈现与原有方法不同的城市结构,经验证该结构更符合实际情况。

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。

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。

多源数据支持下的城市功能空间结构分析

城市化建设一直是学者们研究的重要课题之一,其中最重要的是要能够先对城市的现有空间结构做识别分析,所以城市功能区的提取分析十分必要。文章首先对爬取的多源数据进行预处理工作,确定最小研究单元,其次建立数学模型进行城市功能区识别,针对识别结果进行分析,利用经典混淆矩阵对识别结果进行精度验证,得到西安市主城区功能区识别结果的总体精度为78.33%以及Kappa系数为0.74。说明基于POI的以街区为最小研究单元的城市功能区识别方法具有较高的准确性,识别率较好。最后根据分析结果总结西安市主城区在发展过程中存在的相关问题。

基于公交刷卡数据和兴趣点数据的城市街区功能类型识别研究——以北京市朝阳区为例

作者利用公交刷卡数据(Smart Card Data,SCD)和兴趣点(Point of Interest,POI)数据,借助Oracle数据库和地理信息系统对城市街区层面的功能属性识别进行了研究。其中SCD用于刻画街区客流特征的功能属性,POI。数据用于刻画街区设施功能属性。作者首先利用公交站点客流出行规律的功能属性对城市街区进行初步的分类。在此基础之上,利用POI数据的设施功能属性字段进行蚁群聚类,对城市功能进行进一步细分和识别。最后利用遥感影像分析对识别结果进行检验。检验结果表明,综合利用公交刷卡数据和兴趣点数据能较为准确刻画城市街区的功能特征。

融合高分辨率遥感影像和POI数据的多特征潜在语义信息用于识别城市功能区

准确识别和划分城市功能区对合理规划城市发展和解决城市问题具有重要作用。遥感影像拥有丰富的光谱纹理特征但难以表征建筑物的社会经济属性,而社交媒体数据等城市数据为城市研究与应用提供了丰富的数据资源,补充了遥感影像所缺失的建筑物内在特征。融合高分辨遥感影像和POI数据的多特征信息,利用嵌入主题模型挖掘其潜在语义信息识别城市功能区。以宁波市2个典型的城市商业区为研究区设计3个实验,验证该方法的效果和性能。研究结果表明:该方法能够取得85.67%和85.78%的分类精度,并准确识别出城市功能区。同时,光谱、纹理、几何和POI特征组合的多特征信息能够明显提升城市功能区的识别精度,并且嵌入主题模型能够更好地挖掘多特征的高层次潜在语义信息,效果明显优于pLSA、LDA和STM 3种主流模型。

基于主题模型的城市地块活动语义动态提取

随着城市区域的职能日趋复杂化,科学准确地识别城市土地的具体功能类型对于科学城市规划、实现可持续发展具有关键意义。提出了一种时序动态的城市功能区识别方案,以北京市六环内区域作为研究区,利用出租车轨迹数据,采用动态主题模型从海量出行数据中提取出行模式高发区域,并基于主题模型对城市地块进行聚类,使用POI语义标注聚类结果识别出城市功能区。研究评价了6 a内主题地块分布的变化趋势,探讨了地块活动语义的动态变化情况,结果表明:①动态主题分布具有空间扩散性,地块语义强度分布呈现明显圈层扩张性。②基于出行活动的聚类簇空间边界随时间逐渐与研究区区级行政区划吻合,功能标注结果与区域的具体职能匹配程度较高。③主题变化度高值主要分布在外环区域,且与地块建设用地占比呈负相关关系。该研究表明动态主题模型在出行数据挖掘场景下具有适用性,为时序数据挖掘的应用提供了新的方案参考。

基于出行时空数据的分时租赁汽车与网约车出行场景比较研究

分时租赁和网约车同属共享汽车,但规模对比悬殊。找到差异化的出行场景有利于分时租赁在网约车主导的共享汽车市场中谋求立足之地。本文以北京地区某分时租赁公司2017年5月1日—30日的出行订单和2018年4月23日—29日的网约车出行订单为研究对象,结合城市兴趣点数据,利用地理信息层次聚类、关联规则等方法挖掘两共享汽车的典型出行场景,并进行比较分析。研究表明:(1)网约车主要服务于"通勤出行"和"市内商务区之间的出行",2种出行场景分别占网约车订单总量的40.3%和28.7%;(2)分时租赁主要服务非通勤出行,其特色出行场景是"往返城市旅游景区的出行"、"城市旅游景区之间的出行"和"外城住宅商务混合区的午夜出行",分别占分时租赁订单总量的24.4%、6.9%和5.5%。(3)在分时租赁的特色出行场景中,分时租赁与网约车或传统租车等共享出行方式相比费用更低,仅占其费用的25%~35%,具有较大的竞争优势。本研究有关出行场景挖掘的方法和结论可以为北京市分时租赁的推广以及其他共享出行研究提供借鉴和参考。