CN111832527A - 基于遥感和社会感知数据的居民小区提取与类型识别方法 - Google Patents
基于遥感和社会感知数据的居民小区提取与类型识别方法 Download PDFInfo
- Publication number
- CN111832527A CN111832527A CN202010718096.0A CN202010718096A CN111832527A CN 111832527 A CN111832527 A CN 111832527A CN 202010718096 A CN202010718096 A CN 202010718096A CN 111832527 A CN111832527 A CN 111832527A
- Authority
- CN
- China
- Prior art keywords
- residential
- poi
- remote sensing
- extraction
- community
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 230000008566 social perception Effects 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004309 orthophoria Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009436 residential construction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明是一种基于遥感和社会感知数据的居民小区提取与类型识别方法,通过遥感影像预处理、角度差异特征的计算、居民小区Point of Interest识别、居民小区边界提取以及居民小区类型识别;针对目前城市居民小区的提取和类型识别的空白,融合遥感和社会感知数据,提出了快速有效地开展城市居民小区的提取和类型识别方法的技术方案,为城市规划部门和城市研究人员提供精准数据源;可以达到实时提取居民小区的效果;另外,由于结合了文本相似度分析,本发明得以快速有效地为城市研究人员和城市规划部门提供居民小区面矢量文件。
Description
技术领域
本发明涉及遥感与地理信息***应用技术领域,尤其是基于遥感和社会感知数据的居民小区提取与类型识别方法。
背景技术
城市土地仅占全球土地的1%,但确容纳了超过50%的城市人口;尽管在能源消耗和社会影响方面对高层建筑居住小区的环境可持续性存在争议,但为了能容纳更多的城市人口,中高层建筑居住小区逐渐成为中国城市住宅建设的主流;中高层建筑居住小区的主要优点之一是对城市土地的集约利用,北京一个典型的高层住宅区可容纳1万至1.5万居民;为了居民的健康,营造良好的居民小区气候和环境是非常重要的;
目前,已经开始有研究将居民小区作为研究对象,探究居民小区的宜居性(Zhanget al.,2019)、微气候(Wu et al.,2016;Zhang et al.,2018)和对居民健康的影响(Zengand Li,2018);一个快速、高效的居民小区提取与类型识别方法,可以给以居民小区为研究对象的研究单位提供数据源;
现有技术中,通过结合遥感和地理信息***,可以进行城市居民地提取(Zhang etal.,2015);但是,该技术只适合于提取粗粒度的居民用地,不适合于细粒度的居民小区提取和类型识别。
发明内容
本发明所要解决的技术问题是,提供基于遥感和社会感知数据的居民小区提取与类型识别方法。针对目前城市居民小区的提取和类型识别的空白,融合遥感和社会感知数据,通过科学的方法设计,开展城市居民小区的提取和类型识别方法,提出了快速有效的技术方案,为城市规划部门和城市研究人员提供精准数据源。
基于遥感和社会感知数据的居民小区提取与类型识别方法,包括如下技术步骤:
步骤1:遥感影像预处理;
进一步的,采用资源卫星提供的正视、前视、后视遥感影像进行角度差异特征(Angular Difference Feature(ADF))的提取,所述角度差异特征将被用于识别居民小区类型;
作为一种举例说明,所述资源卫星使用资源3号02卫星;
进一步的,在进行所述角度差异特征提取之前,需要将所述资源卫星提供的前视、后视遥感影像的分辨率(2.5米)重采样,使其与正视遥感影像的分辨率(2.1米)相同;
进一步的,重采样后,以所述正视遥感影像为参考,对所述正视、前视、后视遥感影像进行直方图匹配;
作为一种举例说明,所述重采样和直方图匹配的操作工具采用ENVI软件;
步骤2:角度差异特征的计算;
进一步的,当步骤一操作完成后,所述角度差异特征将由公式(1)计算得到:
ADF=max(Xb-Xn,Xn-Xf,Xb-Xf) 公式(1)
其中,Xn、Xf、Xb分别为正视、前视、后视遥感影像;提取结果参照图1所示;
步骤3:居民小区Point of Interest识别;
进一步的,所述Point of Interest简称POI,所述POI数据由智能地图采集,用于地图导航服务;
作为一种举例说明,所述智能地图为:百度地图、高德地图或腾讯地图中的一种或者组合;
进一步的,每条POI数据均以矢量格式呈现,每条POI数据均具备三个属性信息,即:类型、名字、经纬度位置;
作为一种举例说明,原始的POI类型分类框架可参考链接https://lbs.amap.com/api/webservice/download中的记载内容,该框架将POI类型分为了23个大类、264个中类、870个小类;
其中,与居民小区有关的类别包括(按照大类-中类-小类格式):商务住宅-住宅区-别墅、商务住宅-住宅区-住宅小区、商务住宅-住宅区-社区中心;在地名地址信息-门牌信息-楼栋号、通行设施-建筑物门-建筑物正门、通行设施-临街院门-临街院正门里,也有与居民小区有关的POI,这些POI点散布在住宅小区内部的楼栋号和门,参照图2所示;因为智能地图将这些POI点归为了与居民小区无关的类型,我们需要通过文本相似度分析将与居民小区有关但被归为无关的POI点从“地名地址信息”和“通行设施”类别中识别出来,具体操作包括:
一、POI类别重分类:将POI类别按照表1进行重分类;
表1.POI重分类操作参考表
二、将“待识别”POI与“住宅”POI进行文本相似度分析;
本发明使用Jaro-winkler文本相似度测量计算“待识别”POI与“住宅”POI之间的文本相似度;如果相似度大于0.85,“待识别”POI将被识别为“住宅”POI,如果相似度小于0.85,“待识别”POI将不会被识别为“住宅”POI;
作为一种举例说明,实现文本相似度测量计算的分析功能包采用Python包;
步骤4:居民小区边界提取;
一、地块提取;
本发明使用Open Street Map提供的路网数据产生地块,该地块将作为居民小区边界提取的分析单元;
作为一种举例说明,所述Open Street Map是一款由网络大众共同打造的开源、可编辑的地图服务应用;
所述路网数据以矢量格式呈现,并根据道路的相对重要性将道路划分为了不同的级别;本发明将道路的原始分级重分类分为3级,参照表2所示,并以40米、20米、10米的半径建立缓冲区;提取结果参照图3所示;
表2.道路等级重分类与缓冲区半径说明
二、居民小区POI聚类簇识别;
对POI名字的字符串进行文本相似性度量聚类,分析对象为“住宅”POI,分析单元为每个地块,通过相似性度量将具有相似名字的“住宅”POI的聚成一类;本发明采用Jaro-winkler文本相似度计算文本相似度,并选择0.85作为文本相似度的阈值来产生不同的“住宅”POI聚类,聚类后“住宅”POI将形成不同的居民小区POI聚类簇;
作为一种举例说明,所述居民小区POI聚类簇识别与步骤三相同,亦采用Jaro-winkler文本相似度计算方法;
三、居民小区边界提取;
采用凹包分析,从居民小区POI聚类簇中获得居民小区边界;采用基于三角不规则网络的凹包算法;
进一步的,所述凹包算法是指:在聚类簇中通过计算三角形外接圆的圆心和半径搜寻邻域点,并通过递归生长法构建德朗奈三角网,最后基于生成的三角网外边界得到聚类簇的凹包;居民小区POI聚类簇结果和边界提取结果参照图4所示;
作为一种举例说明,所述凹包分析是指基于一组聚类簇找到其最小多边形边界;
作为一种举例说明,所述三角不规则网络优选TIN;
步骤5:居民小区类型识别;
以居民小区面矢量文件为单位,提取面内ADF的平均值;设置ADF阈值,划分为低层居住小区(ADF<60)、中层居住小区(60≤ADF≤80)、高层居住小区(ADF>80);提取结果参照图5所示;
本发明具有如下有益效果:
本发明融合了遥感数据和社会感知数据,首次将文本分析技术和POI数据名称分析结合起来,可以达到实时提取居民小区的效果;另外,首次将ADF特征用于居民小区类型识别,由于结合了文本相似度分析,本发明得以快速有效地为城市研究人员和城市规划部门提供居民小区面矢量文件。
附图说明
图1是本发明基于遥感和社会感知数据的居民小区提取与类型识别方法之资源3号02星角度差异特征提取结果图
图2是本发明基于遥感和社会感知数据的居民小区提取与类型识别方法之住宅POI与建筑物门、楼栋号POI之间的关系示意图
图3是本发明基于遥感和社会感知数据的居民小区提取与类型识别方法之地块提取结果图
图4是本发明基于遥感和社会感知数据的居民小区提取与类型识别方法之居民小区POI聚类簇结果和边界提取结果图
图5是本发明基于遥感和社会感知数据的居民小区提取与类型识别方法之居住小区类型识别结果图
具体实施方式
下面结合附图对本发明的优选实施例进行详细说明;
参照图1至图5所示,基于遥感和社会感知数据的居民小区提取与类型识别方法,包括如下技术步骤:
步骤1:遥感影像预处理;
进一步的,采用资源卫星提供的正视、前视、后视遥感影像进行角度差异特征(Angular Difference Feature(ADF))的提取,所述角度差异特征将被用于识别居民小区类型;
作为一种举例说明,所述资源卫星使用资源3号02卫星;
进一步的,在进行所述角度差异特征提取之前,需要将所述资源卫星提供的前视、后视遥感影像的分辨率(2.5米)重采样,使其与正视遥感影像的分辨率(2.1米)相同;
进一步的,重采样后,以所述正视遥感影像为参考,对所述正视、前视、后视遥感影像进行直方图匹配;
作为一种举例说明,所述重采样和直方图匹配的操作工具采用ENVI软件;
步骤2:角度差异特征的计算;
进一步的,当步骤一操作完成后,所述角度差异特征将由公式(1)计算得到:
ADF=max(Xb-Xn,Xn-Xf,Xb-Xf) 公式(1)
其中,Xn、Xf、Xb分别为正视、前视、后视遥感影像;提取结果参照图1所示;
步骤3:居民小区Point of Interest识别;
进一步的,所述Point of Interest简称POI,所述POI数据由智能地图采集,用于地图导航服务;
作为一种举例说明,所述智能地图为:百度地图、高德地图或腾讯地图中的一种或者组合;
进一步的,每条POI数据均以矢量格式呈现,每条POI数据均具备三个属性信息,即:类型、名字、经纬度位置;
作为一种举例说明,原始的POI类型分类框架可参考链接https://lbs.amap.com/api/webservice/download中的记载内容,该框架将POI类型分为了23个大类、264个中类、870个小类;
其中,与居民小区有关的类别包括(按照大类-中类-小类格式):商务住宅-住宅区-别墅、商务住宅-住宅区-住宅小区、商务住宅-住宅区-社区中心;在地名地址信息-门牌信息-楼栋号、通行设施-建筑物门-建筑物正门、通行设施-临街院门-临街院正门里,也有与居民小区有关的POI,这些POI点散布在住宅小区内部的楼栋号和门,参照图2所示;因为智能地图将这些POI点归为了与居民小区无关的类型,我们需要通过文本相似度分析将与居民小区有关但被归为无关的POI点从“地名地址信息”和“通行设施”类别中识别出来,具体操作包括:
一、POI类别重分类;将POI类别按照表1进行重分类;
表1.POI重分类操作参考表
二、将“待识别”POI与“住宅”POI进行文本相似度分析;
本发明使用Jaro-winkler文本相似度测量计算“待识别”POI与“住宅”POI之间的文本相似度;如果相似度大于0.85,“待识别”POI将被识别为“住宅”POI,如果相似度小于0.85,“待识别”POI将不会被识别为“住宅”POI;
作为一种举例说明,实现文本相似度测量计算的分析功能包采用Python包;
步骤4:居民小区边界提取;
一、地块提取;
本发明使用Open Street Map提供的路网数据产生地块,该地块将作为居民小区边界提取的分析单元;
作为一种举例说明,所述Open Street Map是一款由网络大众共同打造的开源、可编辑的地图服务应用;
所述路网数据以矢量格式呈现,并根据道路的相对重要性将道路划分为了不同的级别;本发明将道路的原始分级重分类分为3级,参照表2所示,并以40米、20米、10米的半径建立缓冲区;提取结果参照图3所示;
表2.道路等级重分类与缓冲区半径说明
二、居民小区POI聚类簇识别;
对POI名字的字符串进行文本相似性度量聚类,分析对象为“住宅”POI,分析单元为每个地块,通过相似性度量将具有相似名字的“住宅”POI的聚成一类;本发明采用Jaro-winkler文本相似度计算文本相似度,并选择0.85作为文本相似度的阈值来产生不同的“住宅”POI聚类,聚类后“住宅”POI将形成不同的居民小区POI聚类簇;
作为一种举例说明,所述居民小区POI聚类簇识别与步骤三相同,亦采用Jaro-winkler文本相似度计算方法;
三、居民小区边界提取;
采用凹包分析,从居民小区POI聚类簇中获得居民小区边界;采用基于三角不规则网络的凹包算法;
进一步的,所述凹包算法是指:在聚类簇中通过计算三角形外接圆的圆心和半径搜寻邻域点,并通过递归生长法构建德朗奈三角网,最后基于生成的三角网外边界得到聚类簇的凹包;居民小区POI聚类簇结果和边界提取结果参照图4所示;
作为一种举例说明,所述凹包分析是指基于一组聚类簇找到其最小多边形边界;
作为一种举例说明,所述三角不规则网络优选TIN;
步骤5:居民小区类型识别;
以居民小区面矢量文件为单位,提取面内ADF的平均值;设置ADF阈值,划分为低层居住小区(ADF<60)、中层居住小区(60≤ADF≤80)、高层居住小区(ADF>80);提取结果参照图5所示;
本发明融合了遥感数据和社会感知数据,可以达到实时提取居民小区的效果;另外,由于结合了文本相似度分析,本发明得以快速有效地为城市研究人员和城市规划部门提供居民小区面矢量文件。
以上所述的仅为本发明的优选实施例,所应理解的是,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,并不用于限定本发明的保护范围,凡在本发明的思想和原则之内所做的任何修改、等同替换等等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,包括如下技术步骤:
步骤1:遥感影像预处理;
采用资源卫星提供的正视、前视、后视遥感影像进行角度差异特征的提取,所述角度差异特征将被用于识别居民小区类型;
在进行所述角度差异特征提取之前,需要将所述资源卫星提供的前视、后视遥感影像的分辨率重采样,使其与正视遥感影像的分辨率相同;
重采样后,以所述正视遥感影像为参考,对所述正视、前视、后视遥感影像进行直方图匹配;
步骤2:角度差异特征的计算;
当步骤一操作完成后,所述角度差异特征将由公式1计算得到:
ADF=max(Xb-Xn,Xn-Xf,Xb-Xf) 公式(1)
其中,Xn、Xf、Xb分别为正视、前视、后视遥感影像;ADF为角度差异特征,即AngularDifference Feature;
步骤3:居民小区Point of Interest识别;
所述Point of Interest简称POI,所述POI数据由智能地图采集,用于地图导航服务;
每条POI数据均以矢量格式呈现,每条POI数据均具备三个属性信息,即:类型、名字、经纬度位置;
其中,与居民小区有关的类别包括(按照大类-中类-小类格式):商务住宅-住宅区-别墅、商务住宅-住宅区-住宅小区、商务住宅-住宅区-社区中心;在地名地址信息-门牌信息-楼栋号、通行设施-建筑物门-建筑物正门、通行设施-临街院门-临街院正门里,也有与居民小区有关的POI,这些POI点散布在住宅小区内部的楼栋号和门,因为智能地图将这些POI点归为了与居民小区无关的类型,需要通过文本相似度分析将与居民小区有关但被归为无关的POI点从“地名地址信息”和“通行设施”类别中识别出来,具体操作包括:
一、POI类别重分类;将POI类别按照表1进行重分类;
表1.POI重分类操作参考表
二、将“待识别”POI与“住宅”POI进行文本相似度分析;
使用Jaro-winkler文本相似度测量计算“待识别”POI与“住宅”POI之间的文本相似度;如果相似度大于0.85,“待识别”POI将被识别为“住宅”POI,如果相似度小于0.85,“待识别”POI将不会被识别为“住宅”POI;
步骤4:居民小区边界提取;
一、地块提取;
使用Open Street Map提供的路网数据产生地块,该地块将作为居民小区边界提取的分析单元;
所述路网数据以矢量格式呈现,并根据道路的相对重要性将道路划分为了不同的级别;本发明将道路的原始分级重分类分为3级,参照表2所示,并以40米、20米、10米的半径建立缓冲区;
表2.道路等级重分类与缓冲区半径说明
二、居民小区POI聚类簇识别;
对POI名字的字符串进行文本相似性度量聚类,分析对象为“住宅”POI,分析单元为每个地块,通过相似性度量将具有相似名字的“住宅”POI的聚成一类;采用Jaro-winkler文本相似度计算文本相似度,并选择0.85作为文本相似度的阈值来产生不同的“住宅”POI聚类,聚类后“住宅”POI将形成不同的居民小区POI聚类簇;
三、居民小区边界提取;
采用凹包分析,从居民小区POI聚类簇中获得居民小区边界;采用基于三角不规则网络的凹包算法;
步骤5:居民小区类型识别;
以居民小区面矢量文件为单位,提取面内ADF的平均值;设置ADF阈值,划分为低层居住小区ADF<60、中层居住小区60≤ADF≤80、高层居住小区ADF>80。
2.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述资源卫星使用资源3号02卫星。
3.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述重采样和直方图匹配的操作工具采用ENVI软件。
4.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述智能地图为:百度地图、高德地图或腾讯地图中的一种或者组合。
5.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,原始的POI类型分类框架可参考链接https://lbs.amap.com/api/webservice/download中的记载内容,该框架将POI类型分为了23个大类、264个中类、870个小类。
6.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,实现文本相似度测量计算的分析功能包采用Python包。
7.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述Open Street Map是一款由网络大众共同打造的开源、可编辑的地图服务应用。
8.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述凹包算法是指:在聚类簇中通过计算三角形外接圆的圆心和半径搜寻邻域点,并通过递归生长法构建德朗奈三角网,最后基于生成的三角网外边界得到聚类簇的凹包。
9.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述凹包分析是指基于一组聚类簇找到其最小多边形边界。
10.根据权利要求1所述的基于遥感和社会感知数据的居民小区提取与类型识别方法,其特征在于,所述三角不规则网络优选TIN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718096.0A CN111832527B (zh) | 2020-07-23 | 2020-07-23 | 基于遥感和社会感知数据的居民小区提取与类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718096.0A CN111832527B (zh) | 2020-07-23 | 2020-07-23 | 基于遥感和社会感知数据的居民小区提取与类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832527A true CN111832527A (zh) | 2020-10-27 |
CN111832527B CN111832527B (zh) | 2023-09-05 |
Family
ID=72925213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010718096.0A Active CN111832527B (zh) | 2020-07-23 | 2020-07-23 | 基于遥感和社会感知数据的居民小区提取与类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832527B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
US20180101919A1 (en) * | 2016-10-10 | 2018-04-12 | Niveen Raafat Adib Ghattas | Land-use Sustainability Analysis Toolbox |
CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
CN109299673A (zh) * | 2018-09-05 | 2019-02-01 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
-
2020
- 2020-07-23 CN CN202010718096.0A patent/CN111832527B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101919A1 (en) * | 2016-10-10 | 2018-04-12 | Niveen Raafat Adib Ghattas | Land-use Sustainability Analysis Toolbox |
CN107247938A (zh) * | 2017-06-08 | 2017-10-13 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
CN108764193A (zh) * | 2018-06-04 | 2018-11-06 | 北京师范大学 | 融合poi和遥感影像的城市功能区划分方法 |
CN109325085A (zh) * | 2018-08-08 | 2019-02-12 | 中南大学 | 一种城市用地功能识别与变化检测方法 |
CN109299673A (zh) * | 2018-09-05 | 2019-02-01 | 中国科学院地理科学与资源研究所 | 城市群绿度空间提取方法及介质 |
Non-Patent Citations (1)
Title |
---|
姚君兰;王红;胡斌斌;: "基于矢量数据的城市建成区范围提取方法", 测绘通报, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832527B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sander et al. | How do you measure distance in spatial models? An example using open-space valuation | |
Yang et al. | Automatic change detection in lane-level road networks using GPS trajectories | |
CN112733781B (zh) | 结合poi数据的城市功能区识别方法、存储介质和电子设备 | |
US20200355515A1 (en) | Method, apparatus, and computer program product for on-street parking localization | |
CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
Yu et al. | Urban impervious surface estimation from remote sensing and social data | |
CN111797188A (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
Li et al. | Spatial accessibility to shopping malls in Nanjing, China: Comparative analysis with multiple transportation modes | |
CN106021499B (zh) | 基于志愿者地理信息的建设用地分类方法和装置 | |
CN113672788B (zh) | 一种基于多源数据和权重系数法的城市建筑功能分类方法 | |
CN104794164B (zh) | 基于开源数据识别住区车位匹配社会停车需求的方法 | |
Li | Mapping urban land use by combining multi-source social sensing data and remote sensing images | |
CN112364776A (zh) | 一种城市功能区识别模型建立、分类方法及装置 | |
CN117036939A (zh) | 一种基于图卷积网络的多源数据协同的城市功能区识别方法 | |
CN111832527A (zh) | 基于遥感和社会感知数据的居民小区提取与类型识别方法 | |
CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
Droj | GIS and remote sensing in environmental management | |
CN115169922A (zh) | 一种基于大数据机器学习的充电桩选址方法 | |
CN110515961B (zh) | 一种基于时空大数据的基础地理信息更新需求评价方法 | |
González-Collazo et al. | Enhancing urban pathfinding for pedestrians through fusion of mls and hmls data | |
Siebritz et al. | Assessing the quality of OpenStreetMap data in South Africa in reference to national mapping standards | |
CN116842123B (zh) | 搬迁位置预测方法、地图更新方法、装置及设备 | |
Lifang et al. | POI data applied in extracting the boundary of commercial centers | |
Zhang et al. | Urban Functional District Identification and Analysis from Multi-Source Data | |
Li et al. | Analysis the Influencing Factors of Urban Traffic Flows by Using New and Emerging Urban Big Data and Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |