[发明专利]基于GF-2与开放地图数据的城市绿地精细化分类方法与系统

说明书

本发明公开了一种基于GF‑2与开放地图数据的城市绿地精细化分类方法与系统，获取GF‑2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本；进行地理编码，建立遥感数据库；将识别出来的城市绿地与以POI和OSM为代表的开放地图数据联合，引入景观生态学的基础理论，利用POI数据包含的属性信息、城市绿地与OSM道路网的拓扑关系以及景观形态指数，从功能分类、类型特征、服务范围和形态特征4个维度对城市绿地进行精细化分类。本发明方法可以实现多尺度城市绿地的自动分类，有效提高了高分辨率遥感影像城市绿地分类效率和精度，并从多个维度对城市绿地进行精细化分类，为城市规划和绿地监测方法提供有效参考。

技术领域

本发明涉及一种城市绿地识别提取方法，尤其是一种基于GF-2与开放地图数据的城市绿地精细化分类方法与系统，属于遥感图像数据信息提取技术领域。

背景技术

城市绿地作为城市生态环境的重要组成部分，兼具生态、经济与社会功能，能有效减少城市健康风险暴露，促进居民健康行为活动，提供公共心理恢复能力。不仅如此，城市绿地在缓解城市热浪、提升空气质量、增色城市景观、改善居民健康等方面也是不可缺少的。如何准确高效精确提取城市绿地并从多个维度对城市绿地进行更为精细的分类，对自然资源管理、城市生态环境监测、城市碳汇估算等工作具有重要意义。

传统的城市绿地分类方法是采用人工实地调查其分布变化，这样的方式费时费力，所获得的数据精确度不高，也无法满足实时的城市绿地管理需求。随着遥感技术的快速发展，遥感影像成为城市绿地分类的主要数据源，但以往通常是以卫星影像或航拍照片为基础，采用人工解译或机器学习的方法提取城市绿地。但人工解译存在效率低、过程繁琐的问题，也不能及时获取绿地信息。而机器学习的方法，会因为城市景观的复杂性，分类器造成椒盐现象导致结果数据的可用性差。

近年来，深度学习方法得到迅速发展，作为机器学习领域最重要的一个分支，它在图像分类中已经被广泛应用。深度学习方法能够从浅层的特征中自动学习具有更高抽象性和语义性的深层特征，能更有效的对高分辨率遥感影像中的绿地进行自动分类。目前，对于图像分类的深度学习方法主要有基于卷积神经网络(CNN)和全卷积神经网络(FCN)。CNN能够分析图像中相邻像素的上下文信号，充分利用光谱、纹理等信息，更好地提取分类特征，实现复杂的图像分类问题。但CNN存在训练速度慢、收敛精度低以及易受局部最优解等问题影响，其中的全连接层会限制输入影像尺寸并对细粒度绿地目标提取和判别能力不足，具有一定的局限性。而FCN使用标准卷积层替代了CNN中最后的全连接层，不受输入影像尺寸的影响，在上采样时通过解码或插值将特征图恢复到原始输入影像分辨率，对图像进行语义分割并保留了细节特征，显著提高了图像分类的精度，因此被广泛应用于绿地语义分割。然而上采样过程会不可避免地造成空间信息丢失，模糊边界，使得分割结果粗糙。

综上，对于城市绿地分类的问题目前存在两个方面的问题：第一，虽然深度学习在图像分类工作中表现良好，有不错的分类效果。但是由于不同地物间的特征相近、光谱相似，很难获取准确信息来精确定位地物类别，使得在使用深度学习方法进行分类的结果存在严重的植被漏分、错分的情况。第二，仅是将城市绿地空间位置识别出来是无法满足城市绿地的规划行业的应用要求，还需要对城市绿地进行多维度的、更精细的特征分类。因此，该技术有必要改进。

发明内容

针对现有技术存在的问题，本发明内容是提供一种基于GF-2与开放地图数据的城市绿地精细化分类方法及系统，构建更精确、自动化程度高的城市绿地分类，为园林从业者和城市规划者提供有效的技术支撑。

一种基于GF-2与开放地图数据的城市绿地精细化分类方法，包括以下步骤：

步骤S1：获取GF-2高分辨率遥感影像数据，对获取的数据进行预处理，并建立多尺度目标检测数据集样本，进行数据分割与地理编码与影像入库，具体包括：