[发明专利]耦合街区时空特征和集成学习的城市功能区精细化识别方法

权利要求书

1.耦合街区时空特征和集成学习的城市功能区精细化识别方法，其特征在于：首先，对OSM路网进行预处理，生成研究区内街区划分结果，即为城市功能区的基本单元；然后，提取各街区单元的纹理和语义特征，其包括利用建筑物轮廓、POI、位置数据和高分辨率影像多源时空大数据，构建由“形状-属性-位置-纹理”组成的SALT街区时空特征体系；接着，使用深度学习自编码器Autoencoder，对SALT特征进行降维，以消除特征间的信息冗余；最后，使用降维后的SALT特征和功能区标签训练Adaboost集成学习模型，将训练好的模型用于城市功能区分类，识别出各街区的精细化功能类别。

2.根据权利要求1所述的耦合街区时空特征和集成学习的城市功能区精细化识别方法，其特征在于，使用以下方法生成城市功能区的基本单元，简称街区单元：对OSM路网依次进行投影变换、缓冲区分析、中心线提取、要素转面和消除处理，再以高分辨率谷歌影像为底图，对生成的面要素进行核查，使其与底图完全匹配，得到街区单元。

3.根据权利要求1所述的耦合街区时空特征和集成学习的城市功能区精细化识别方法，其特征在于，使用以下方法，构建SALT街区时空特征体系：对于形状特征，从公开平台获取天地图影像，使用基于阈值的影像分割算法提取研究区建筑物，计算建筑物形状特征指标，并统计得到每个街区内建筑物形状特征指标的均值、标准差和总和值；对于属性特征，将POI数据按其标签分类，再对各类别POI进行核密度分析，统计各街区各类POI核密度的均值，以及核密度最大值所对应的POI类别；对于位置特征，根据时间字段，将手机用户腾讯位置数据分割为节假日、工作日和双休日三种时间属性，统计每个街区内各时间属性下人数总和、每小时人数平均值及单位面积人数值，同时创建不同时间类型下时空立方体，进行新兴时空热点分析，统计时空热点的众数，得到每个街区工作日、节假日、双休日的时空模式；对于纹理特征，构建遥感影像第一主成分波段的灰度共生矩阵，提取影像的纹理特征，统计每个街区内纹理特征的平均值。

4.根据权利要求3所述的耦合街区时空特征和集成学习的城市功能区精细化识别方法，其特征在于，使用基于阈值的影像分割算法提取了研究区建筑物，计算了每个街区单元的建筑物形状特征，其过程包括：

(1)从开放平台获取18级天地图RGB影像，采用按掩膜提取、投影栅格和波段提取得到研究区内天地图单波段影像；

(2)通过灰度直方图确定提取建筑物的灰度阈值，如果像素的灰度值在阈值范围内，则值被设置为1，即为建筑物，否则值被设置为0；

(3)采用众数滤波将灰度值小于阈值的像元移除，随后使用栅格转面将建筑物转为矢量格式，再对矢量建筑物进行消除面部分和简化建筑物处理；

(4)将处理后的建筑物与高分辨率谷歌影像叠加，核查提取建筑物的完整性和准确性；

(5)计算建筑物的形状特征，提取每个建筑物的面积、周长、圆形度、节点数、矩形度、长宽比、半径形状指数和方向，进而使用空间连接统计每个街区各形状指数的总和值、平均值和标准差。

5.根据权利要求3所述的耦合街区时空特征和集成学习的城市功能区精细化识别方法，其特征在于，使用核密度估计方法提取了研究区内各类POI的属性特征，其过程包括：

(1)根据POI的标签，将其分为14个类别：“政府机构及社会团体、医疗服务、体育休闲服务、生活服务、商务住宅、汽车服务、科教文化服务、居民住宅、金融保险服务、交通设施服务、购物服务、公园绿地、公司企业和餐饮服务”；

(2)使用核密度估计方法，将研究区内POI点数据转换为连续的表面，以得到14类POI的密度分布，并使用区域统计至表得到各街区各类POI核密度的均值；其中，核密度计算公式如下：

式中，F(x)是位置x处的密度估计函数；d是空间维度；h代表带宽；N是与位置x的距离小于h的点数；K是空间权重函数；

(3)将属性表导出至excel表，根据excel的数据透视和公式计算功能，得到各街区核密度最大值所对应的POI类别。