[发明专利]一种基于遥感图片与兴趣点数据的城市用地功能识别方法

说明书

本发明提出了一种基于遥感图片与兴趣点数据的城市用地功能识别方法。以往的城市功能区识别方法只针对单一的遥感影像数据或社会感知数据，在一定程度上忽略了城市区域的整体功能属性信息。为解决这一问题，提出了一种多模态城市用地功能识别框架。方法包括：构建了一种用于城市遥感图像识别的深层多通道残差神经网络，探索遥感图像中的空间地理特征。其次，研究了城市不同功能区的兴趣点分布的频率功能密度，并基于度量学习提取城市区域的功能分布特征。最后，在异构特征融合模组中融合不同维度的两种特征，进一步提高城市用地功能识别性能。实验证明，该方法具有很好的实用性，可广泛应用于城市功能区的识别。

技术领域

本发明涉及深度学习领域中的图像与文本数据识别问题，尤其是涉及一种基于遥感图片与兴趣点数据的城市用地功能识别方法。

背景技术

近年来，世界各国城市化发展迅速。土地利用与土地覆盖作为城市化的重要组成部分，在环境保护、基础设施建设和城市规划等方面发挥着极其重要的作用。由于城市化的发展和人为活动的影响，不同的城市区域往往具有复杂的城市用地功能，如商业区、居住区和工业区等等。城市区域的功能与范围不仅仅取决于政府的规划部署，还取决于人们的实际生活方式。城市功能区的实际地理分布对于满足市民休闲生活和城市空间的可用性具有极其重要的意义。精细的城市功能区划分不仅有助于区分工作区和生活区，同时能够解决交通拥堵、空气污染和土地资源浪费等问题。因此，准确地认识城市空间结构，定义城市功能区，对于制定富有成效的城市规划政策法规具有重要意义。

随着遥感技术和图像处理技术的飞速发展，高空间分辨率遥感图像被广泛应用于城市用地功能的提取和分析。然而，基于遥感数据的方法只能提取出城市功能区中的低级语义特征，而未考虑地物空间关系以及人群活动行为。与基于遥感图片数据的方法不同，使用兴趣点数据、社交媒体数据等有助于对城市进行更加精细化、结构化的理解。这些丰富的社会感知数据有助于弥补城市用地类型与实际基础设施分布之间的语义鸿沟，在城市研究中具有独特优势。因此，将两种数据进行有效融合，共同识别城市功能区类型具有重要意义。

发明内容

本发明的目的是提供一种基于遥感图片与兴趣点数据的城市用地功能识别方法，通过多通道神经网络提取功能区的空间地理特征，通过余弦度量方式提取功能区的功能分布特征，最后利用多模态特征融合模组将不同维度的特征进行深度融合，对城市用地功能类型进行识别。

为了方便说明，首先引入如下概念：

残差神经网络(Residual Neural Network)：残差神经网络的核心思想是为了解决学习恒等映射函数的问题，线性层去拟合另一个特征F(x)＝H(x)-x,主要思想是去掉相同的主体部分，从而突出微小的变化。

度量学习(Metric Learning)：度量学习也称为距离度量学习。在数据分析和处理领域，大多数的基本任务都是基于数据之间的距离和相似性。一般来说，这是一种判断样本之间相似性的方法。对于考虑的两个样本，距离越近，度量空间的相似性就越强。测量样本间距离的方法有很多，如欧几里德距离、马氏距离、余弦距离和切比雪夫距离。

本发明具体采用如下技术方案：

一种基于遥感图片与兴趣点数据的城市用地功能识别方法，其特征在于:

a.通过多通道残差神经网络提取城市功能区对应遥感影像中的空间地理特征；

b.通过度量学习的方式提取城市功能区对应兴趣点数据中的功能分布特征；

c.通过多模态特征融合模组将a,b中的两张特征进行融合对城市用地功能进行识别；

该方法主要包括以下步骤：

(1)获取待研究城市功能区域的遥感影像数据与兴趣点(point-of-interest,POI)数据；