[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

说明书

本发明公开了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，即：首先，利用OSM路网生成街区，作为城市功能区的基本单元；然后，使用建筑物轮廓、POI、腾讯位置数据和谷歌影像等多源时空大数据，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，引入深度学习自编码器Autoencoder，对提取的SALT特征进行降维，消除特征间的信息冗余；最后，构建基于Adaboost集成学习与SALT街区时空特征的城市功能区识别模型，实现功能区的精细化分类。本发明提出的城市功能区精细化识别方法，从多源时空大数据的特征提取、城市功能区的核心语义挖掘到机器学习模型的集成应用，保障了识别效果的鲁棒性和准确性，大幅度提升了城市功能区的分类精度。

技术领域

本发明属于地理信息时空大数据领域，特别是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。

背景技术

随着城市化的快速发展，城市土地利用的类型变得更加的复杂多样。精细化的城市土地利用信息为掌握城市结构和辅助政府决策提供了重要的数据支撑。传统的土地利用信息的收集方法主要由政府机构主导，进行实地走访和问卷调查，耗时、耗力而且公众开放程度较低。

现有的城市土地利用分类方法，主要以遥感影像作为数据源，利用地物的光谱、纹理等信息进行用地类型的划分，对森林、湖泊、海洋等光谱特征突出的自然类别有较好的识别效果，但是难以进一步区分建成区内的功能用途，无法满足城市用地的精细化识别需求。众源地理信息的出现，引入蕴含人类活动和社会经济特征的海量数据，极大的丰富了城市土地利用识别的数据来源。Point of interest(POI)是一种典型的众源地理数据，具有丰富的属性信息，适用于城市功能区制图。姚尧等以珠江三角洲为研究区，使用POI识别了城市功能区类别；窦旺胜等基于POI实现了济南市五区内用地功能的识别和可视化；Silva等则利用POI绘制了伦敦城市功能区分布图。随着众源地理信息的发展，更多带有时间属性，包含用户位置的数据如GPS轨迹、腾讯位置数据进入大众视野。将遥感影像和众源地理信息结合已经成为表征城市功能区的新趋势。胡忠文等通过整合遥感影像和手机定位数据提取城市景观和人类活动信息，聚类生成了深圳市的功能区类别。邱国平等基于深度学习方法，融合遥感影像和社会感知数据，揭示了研究区城市功能区类型。钟燕飞等使用POI、OSM路网和遥感影像构建点-线-面语义对象制图框架，实现了北京、武汉中心区域、武汉汉阳区、武汉汉南区、澳门和香港湾仔区共计6个区域的城市功能区制图。

以上研究表明，遥感和众源数据在土地信息提取方面都有其独特优势，融合多源时空大数据是识别城市功能区的一种新趋势。然而，现有相关研究缺乏对城市功能区特征的深入探究和全面挖掘。例如，建筑物作为城市功能的基本单元，其几何特征在一定程度上可以反映城市功能区的详细信息；人口分布的动态变化折射出城市用地的职-住格局，挖掘人类活动在不同时间段下的变化特征，在解析城市功能结构上可以发挥巨大潜力。

融合多源时空大数据提取的城市功能区特征，难免会产生数据维数高、信息冗余等问题。进行有效的特征降维处理，对揭示隐含的核心特征和提高城市功能区识别效率具有积极作用。主成分分析作为经典的数据降维方法，已经广泛应用于各类数据分析问题中。这种方法在处理线性关系强、类别间样本数量均衡的特征数据时，效果较好。然而，城市功能区特征来自不同的数据源，特征间存在复杂的非线性关系，在处理这种高维度且线性关系弱的数据时，有必要利用神经网络模型学习复杂数据结构并提取核心特征。