CN116310853A - 一种基于多源数据的中小城市边缘区提取方法 - Google Patents

一种基于多源数据的中小城市边缘区提取方法 Download PDF

Info

Publication number
CN116310853A
CN116310853A CN202211565899.2A CN202211565899A CN116310853A CN 116310853 A CN116310853 A CN 116310853A CN 202211565899 A CN202211565899 A CN 202211565899A CN 116310853 A CN116310853 A CN 116310853A
Authority
CN
China
Prior art keywords
poi
data
nuclear density
cities
landscape
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.)
Pending
Application number
CN202211565899.2A
Other languages
English (en)
Inventor
李健锋
彭飚
刘思琪
魏雨露
张璐璐
王璐瑶
郭超
谢潇
齐丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Shaanxi Land Engineering Technology Research Institute Co Ltd
Original Assignee
Xian Jiaotong University
Shaanxi Land Engineering Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University, Shaanxi Land Engineering Technology Research Institute Co Ltd filed Critical Xian Jiaotong University
Priority to CN202211565899.2A priority Critical patent/CN116310853A/zh
Publication of CN116310853A publication Critical patent/CN116310853A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于多源数据的中小城市边缘区提取方法，包括：获取城市的遥感影像、POI(PointOfInterest)数据、灯光影像和人口数据；对遥感影像进行分析，获得景观紊乱度；根据POI数据对核密度进行评估，获得POI核密度；根据灯光影像确定夜间灯光强度；确定景观紊乱度、POI核密度和夜间灯光强度对人口数据的单一解释力程度；确定景观紊乱度、POI核密度和夜间灯光强度的权重；根据权重确定各个区域的综合指数；根据综合指数将各个区域划分为多个类别，其中包括城市边缘区。本申请提出的模型在精度、细节性、完整性方面明显强于景观紊乱度阈值法和POI核密度断点分析法，并且通用性较高，能满足中小城市边缘区的研究需求。

Description

一种基于多源数据的中小城市边缘区提取方法
技术领域
本申请涉及图像处理技术领域，特别涉及一种基于多源数据的中小城市边缘区提取方法。
背景技术
城市边缘区作为城市与乡村之间的连接纽带，是城市扩张过程中土地利用和空间结构变化最快的区域，具有多样性、动态性和过渡性的特点。快速准确地识别城市边缘区对优化城市空间布局、控制城市无限扩张以及保护土地资源具有重要的现实意义。
目前城市边缘区的识别方法主要有城乡梯度视图法、阈值法、突变点/断裂点分析法等。城乡梯度视图法主要根据区域土地利用、社会经济和人口密度等因素的空间梯度变化来识别城市边缘区。然而，城乡梯度视图法难以克服在景观结构分散地区确定分界点时的主观性。阈值法是根据距建成区距离、人口密度、建筑比例、信息熵等指标的阈值范围确定城市边缘区。阈值法具有简单实用的特点，但通常阈值的确定需要反复实验获得，存在效率低、结果不连续、通用性差等问题。突变点/断裂点分析法是通过模型计算夜间灯光强度、不透水面指数、景观紊乱度等单一或综合指标在不同方向的突变/断裂值确定城市边缘区，是目前的主流方法。
然而，针对城市边缘的识别研究主要集中于大城市，尚未存在适用于中小城市边缘区的提取模型。与大城市不同，中小城市边缘区范围往往较小，而可获取的与城市发展相关的数据(经济、人口、灯光影像)空间分辨率较低，增加了准确识别城市边缘区的难度。
发明内容
本申请实施例提供了一种基于多源数据的中小城市边缘区提取方法，用以解决现有技术方法对于中小城市边缘区提取存在的难度大、精度低、通用性差、结果不连续的问题。
一方面，本申请实施例提供了一种基于多源数据的中小城市边缘区提取方法，包括：
获取城市的遥感影像、POI数据、灯光影像和人口数据；
对遥感影像进行土地利用分类，获得城市的景观紊乱度；
根据POI数据对城市的核密度进行评估，获得城市的POI核密度；
根据灯光影像确定城市的夜间灯光强度；
确定景观紊乱度、POI核密度和夜间灯光强度分别对人口数据的单一解释力程度；
根据单一解释力程度占解释力程度总和的比例确定景观紊乱度、POI核密度和夜间灯光强度的权重；
根据权重确定城市中各个区域的综合指数；
根据综合指数将城市的各个区域划分为多个类别，其中包括城市边缘区。
本申请中的一种基于多源数据的中小城市边缘区提取方法，具有以下优点：
基于GF-2影像、POI数据、NPP/VIIRS影像和Woldpop多源数据，以景观紊乱度、POI核密度和夜间灯光强度作为城市特征因子，构建了中小城市边缘区提取模型。通过汉台区、商州区、汉滨区三个中小城市的测试发现，本申请提出的模型在精度、细节性、完整性方面明显强于景观紊乱度阈值法和POI核密度断点分析法，并且通用性较高，能满足中小城市边缘区的研究需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于多源数据的中小城市边缘区提取方法的流程图；
图2为本申请实施例提供的汉台区的景观紊乱度示意图；
图3为本申请实施例提供的汉台区不同带宽下的核密度示意图；
图4为本申请实施例提供的汉台区的城市边缘区提取结果示意图；
图5为本申请实施例提供的商州区和汉滨区的城市边缘区提取结果示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种基于多源数据的中小城市边缘区提取方法的流程图。本申请实施例提供了一种基于多源数据的中小城市边缘区提取方法，包括：
S100，获取城市的遥感影像、POI数据、灯光影像和人口数据。
示例性地，本申请中使用的数据包括GF-2、POI、Woldpop、NPP/VIIRS以及行政边界五类数据，表1显示了数据的具体信息。其中由GF-2号卫星获取的遥感影像实现了亚米级空间分辨率、多光谱综合遥感数据获取，具有高定位精度、高空间分辨率和高时间分辨率等特点。本申请采用2020年7月份覆盖研究区的4景GF-2号遥感影像。
POI是可以抽象为点的地理对象，尤其是一些与人们生活密切相关的地理实体。本申请中的POI数据来源于高德地图(https://lbs.amap.com/)。
灯光影像则采用NPP/VIIRS数据，NPP/VIIRS数据来源于美国国家地球物理数据中心(National Geophysical Data Center，NGDC)，由Suomi NPP卫星搭载可见红外光成像辐射仪器探测所得。本申请选用NGDC提供的2020年7月份的月度数据灯光产品，空间分辨率为500m。
人口数据选用Woldpop数据。本申请选用2020年7月份100m分辨率的Woldpop数据。
表1数据具体信息
Figure SMS_1
S110，对遥感影像进行土地利用分类，获得城市的景观紊乱度。
示例性地，S110具体包括：利用面向对象的SVM(Supported Vector Machine)分类方法对遥感影像进行土地利用分类；根据土地利用类型确定景观紊乱度。
本申请采用面向对象的SVM分类方法。面向对象的分类方法突破了传统分类方法以单个像元为基本分类和处理单元的局限性，从对象层次对图像进行分类，减少了传统基于像元的分类方法所含有语义信息的损失率。SVM是一种建立在统计学习理论的VC维理论和结构风险最小化原理基础上的分类算法。相比于神经网络或传统的基于统计的分类方法，SVM通过向量的个数来控制模型的复杂度，不需要通过降维处理削减特征变量来控制模型的复杂度，因此在分类的过程中，SVM分类器不会损失地物目标的特征信息，减少了一些过拟合现象的发生。
面向对象的SVM分类方法兼顾面向对象多尺度分割与SVM的优点，先根据图像上对象区域的性质进行多尺度分割，不仅考虑到图像的光谱信息，同时也加入了纹理、几何形状以及空间拓扑关系等特征，再利用训练样本进行支持向量机分类。面向对象的SVM分类方法在精度、泛化性以及高维数据处理等方面均具有明显的优势，在遥感影像分类应用中获得了广泛应用。
进一步地，在利用面向对象的SVM分类方法对遥感影像进行土地利用分类之前，还对遥感影像进行预处理。该预处理包括对遥感影像进行大气校正、融合、镶嵌和裁剪操作。
完成对遥感影像的预处理后，即可对遥感影像进行土地利用分类，进而确定景观紊乱度。具体地，景观紊乱度可表示城市景观的破碎和分散程度，反映景观空间的异质性和同质性。单位面积内土地利用斑块的异质性越高，景观紊乱度就越大。城市与农村区域通常用地类型单一，多为连片的建设用地或农用地，景观紊乱度较低。城市边缘区是介于城市景观和农业腹地之间的一条活跃的扩展带，土地利用类型多样，景观紊乱度较高。因此，城市边缘区的范围可通过景观紊乱的差异进行判定。景观紊乱度的公式如下：
Figure SMS_2
式中，W为景观紊乱度值，Xn表示单位面积内第n类用地占单位面积的比率；N表示单位面积土地利用类型的总数目。
S120，根据POI数据对城市的核密度进行评估，获得城市的POI核密度。
示例性地，S120具体包括：利用核密度评估工具对POI数据进行评估，获得POI核密度。
核密度分析常用于评估点或线要素邻域的密度值，模拟要素的空间分布态势，广泛应用于地理空间分析研究中。其主要原理是在一定带宽范围内，要素的估算密度随距离的增大而减小，要素中心位置核密度最高，带宽边缘处为0。核密度分析遵循空间相关性定律，距离越近的地物相关性越大，POI数据同样符合这一定律。POI核密度的公式如下：
Figure SMS_3
式中，λ(s)是计算第s个区域处的POI核密度，r为核密度函数设定的带宽，n’为所有参与计算的要素总量，dls是POI点l与s处的距离值，
Figure SMS_4
为距离的权重。
进一步地，在利用核密度评估工具对POI数据进行评估之前，还对POI数据进行预处理。该预处理包括对POI数据进行过滤和重投影。
S130，根据灯光影像确定城市的夜间灯光强度。
示例性地，S130具体包括：确定灯光影像中每个影像的DN(Digital Number)值，获得夜间灯光强度。
同样地，在确定灯光影像中每个影像的DN值之前，还对灯光影像进行预处理，该预处理包括对NPP/VIIRS数据进行重投影、去噪和裁剪处理。
S140，确定景观紊乱度、POI核密度和夜间灯光强度分别对人口数据的单一解释力程度。
示例性地，S140具体包括：利用地理探测器的分异及因子探测确定景观紊乱度、POI核密度和夜间灯光强度分别对人口数据的单一解释力程度。
地理探测器是探测空间分异性，解释其背后驱动力的一组统计学方法，包含分异及因子探测、交互作用探测、风险区探测和生态探测。地理探测器的主要原理是假设研究区分为若干子区域，如果子区域的方差之和小于区域总方差，则存在空间分异性；如果两变量的空间分布趋于一致，则两者存在统计关联性。地理探测器可以评估空间分异性、探测解释因子、分析变量之间交互关系，已广泛应用于自然、环境科学、人类健康等领域。分异及因子探测是探测属性Y的空间分异性和某因子X对属性Y的解释力，用q值度量。人口数据中的人口密度与城市发展密切相关，本申请根据景观紊乱度、POI核密度、夜间灯光强度对人口数据的解释力程度确定各因子权重。q的公式为：
Figure SMS_5
Figure SMS_6
式中：L为人口数据Y或景观紊乱度、POI核密度、夜间灯光强度X的分层，即分类或分区；Nh和N’分别为第h层和全区的单元数，σh 2和σ2分别是第h层和全区的人口数据Y的方差，SSW和SST分别为层内方差之和和全区方差之和。
S150，根据单一解释力程度占解释力程度总和的比例确定景观紊乱度、POI核密度和夜间灯光强度的权重。
S160，根据权重确定城市中各个区域的综合指数。
示例性地，可以采用景观紊乱度、POI核密度、夜间灯光强度以及相应权重的加权和作为综合指数。
S170，根据综合指数将城市的各个区域划分为多个类别，其中包括城市边缘区。
示例性地，可以采用自然断点法将城市的各个区域划分为多个类别，本申请包括三个类别，分别为城市核心区、城市边缘区和农村腹地。
自然断点法是一种地图分级算法，其将数据分为两组，即二值自然断点。自然断点法认为任何数列之间均存在一些自然的转折点和断点，可通过这些转折点和断点把研究对象分成性质相似的群组。该算法主要原理是对各数值进行聚类，聚类结束的条件是组间方差最大、组内方差最小。自然断点法实现的过程总共分为三步：
(1)计算数组平均值的偏差平方和SDAM：
Figure SMS_7
SDAM为数组平均值的偏差平方和，
Figure SMS_8
为数组平均值。
(2)对于每个范围内的区域，计算类别平均值的平方偏差之和SDCM，并找到最小的一个。
(3)计算方差拟合优度GVF：
GVF＝(SDAM-SDCM)/SDAM
GVF的值在0-1之间，1表示拟合极好，0表示拟合极差。方差拟合优度是为了验证其分类结果是否达到了类内差异最小、类间差异最大的分组目的。
在根据综合指数将城市的各个区域划分为多个类别之后，本申请还对类别划分后得到的栅格图像进行栅格转矢量和平滑处理，获得城市边缘区范围。
实验说明
研究区概况。汉台区位于陕西省西南部汉中盆地中心，南依汉江，北偎秦岭。汉台区地势北高南低，北部属秦岭南坡山地，海拔700～2000米，占总面积34％；中部为丘陵地带，海拔541～700米，占总面积28％；南部为汉江冲积平原，占总面积38％。汉台区是陕南最大商品集散地，是秦岭和巴山的核心区域，具有重要的经济和生态价值。由于汉台区的城镇建设主要集中于南部，本申请以南部8个镇的行政边界组成研究区。
结果与分析。景观紊乱度阈值法结果：基于研究区预处理后的GF-2遥感影像，利用面向对象的SVM分类方法将土地利用分为植被(耕地、林地、草地)、建设用地、水体和未利用土地四类，图2中(a)。从图中可以看出，建设用地主要分布在研究区中部和南部，水体沿着南部边界分布，未利用土地主要分布在北部，植被主要分布在西北、东北和东南部。经统计，研究区植被面积为80.34km2，建设用地面积为60.83km2，水体面积为6.95km2，未利用土地面积为3.31km2。
为了突出研究区景观紊乱度的圈层结构，构建100m×100m的格网作为空间计算尺度单位，利用ArcGIS 10.3软件计算单元格网内植被、建设用地、水体和未利用土地所占面积比，最终计算研究区景观紊乱度，图2中(b)。从图中可以看出，城市核心区的景观结构特征突出，景观紊乱度较低，存在集中连片的低值区域。经过反复实验，以阈值小于0.46作为识别城市核心区的标志。但当城市核心区存在较大范围的绿地时，景观紊乱较高，景观紊乱度阈值法不能识别出完整的城市核心区。城市边缘区与农村景观紊乱度之间差异不明显，景观紊乱度均较高。与大城市不同，中小城市的人口较少，村落较小，并且研究区地处汉中平原，村落比较聚集，耕地较为分散，从而导致了城市边缘区与农村间的景观紊乱度较高。虽然景观紊乱度阈值法在大城市边缘区的识别中有广泛的应用，但在研究区城市边缘区识别的过程中，单因子阈值法普遍存在的结果不连续、细节性不足、通用性差等缺点被明显放大。因此，景观紊乱度阈值法不适用于中小城市边缘区的识别。
POI核密度断点分析法结果：基于研究区预处理后的POI数据，利用ArcGIS10.3的Kernel Density工具计算POI核密度。核密度分析中的带宽对结果有至关重要的影响，在参考了现有的研究成果后，分别选取500m、1000m和1500m进行核密度分析，结果如图3中(a)-(c)所示。从图中可以看出，当带宽为500m时，核密度分析结果较为细碎、不连续，城市POI的整体分布态势不明显；当带宽为1500m时，城市POI整体分布态势的局部特征难以显现，细节性不足；当带宽为1000m时，核密度分析结果具有较好的稳定性，同时整体分布态势明显，可以满足研究区城市边缘区的分析需要。
图3中(d)是利用自然断点法将研究区带宽为1000m的POI核密度分成三类的结果。结合图3中(b)、(d)可以看出，研究区呈现出明显的圈层结构分布，城市核心区分布有大面积连续的高密度区域，城市边缘区密度较低，大部分农村区域的密度接近于0。相比于景观紊乱度阈值法，POI核密度的分析结果能比较清晰完整的识别出城市核心区，但二者对城市边缘区的识别结果均不理想。POI核密度断点分析法会将部分发展较好、POI数量较多的乡村识别为城市边缘区，同时城市边缘区处于发展阶段，POI数据少且更新速度慢，从而导致结果与实际城市边缘区存在较大的误差。不同于大城市，中小城市边缘区的POI数据完整度较低且更新慢，单因子的POI核密度断点分析法难以实现研究区城市边缘区的精确提取。
中小城市边缘区提取模型结果：基于中小城市边缘区提取模型，首先计算出研究区的景观紊乱度、POI核密度和夜间灯光强度；然后结合地理探测器和Woldpop数据确定各因子的权重(景观紊乱度：0.10，POI核密度：0.51，夜间灯光强度：0.39)，以此构建综合指数；最终利用自然断点法识别城市边缘区，并对结果进行后处理。图4中(a)为利用自然断点法将综合指数分成三类的结果；图4中(b)为中小城市边缘区提取模型的最终结果。从图中可以看出，中小城市边缘区提取模型能比较准确且完整地识别出研究区城市边缘边界。研究区的城市边缘区主要集中在北部和东部，面积约为39km2。相比于单因子的景观紊乱度阈值法和POI核密度断点分析法，中小城市边缘区提取模型的性能有了很大的提升，尤其是城市边缘区外边界的结果。本申请中的模型和POI核密度断点分析法提取出的城市边缘区内边界(城市核心区)的总体格局较为一致，但相比之下前者的细节性更强。两者结果的差异主要集中在研究区西南部，主要由于西南部为汉江新区，尚处于快速开发阶段，景观格局变化较快，POI数据更新较慢，因此，POI核密度断点分析法提取的城市边缘区的内边界与实际边界存在误差。本申请的模型注重区域景观紊乱度、POI核密度以及夜间灯光强度的综合表现，对单个因子的表现依赖较小，因此，能比较准确地识别出城市边缘区的范围。
模型精度评价：由于景观紊乱度阈值法难以识别出研究区城市边缘区的范围，本申请只评价POI核密度断点分析法和中小城市边缘区提取模型的精度。通过详细的目视分析发现，中小城市边缘区提取模型在细节性、完整性方面明显强于POI核密度断点分析法。为了进一步评估不同方法的提取精度，本申请采用了野外实地核查和景观格局指数评估两种方法。野外实地核查是在城市边缘区周围沿道路边均匀选取100个样本点，图4中(b)，通过实地验证的方式分析提取结果的精度，如表2所示。从表中可以看出，中小城市边缘区提取模型的总体精度明显高于POI核密度断点分析法，达到了98％。POI核密度断点分析法的误提数较多，总体精度仅为67％。
表2不同方法提取精度
Figure SMS_9
景观格局指数常用来评估城市边缘区的提取精度，选取斑块密度(PD)和香农多样性指数(SHDI)从等级和景观水平评估两种方法的精度。PD表示景观的破碎化程度，SHDI表示景观类型的丰富性和复杂性程度。通常城市边缘区的PD和SHDI较高，城市中心和农村的较低。表3是基于Fragstats 4.2软件计算的两种方法在不同区域的PD和SHDI值。从表中可以看出，在城市边缘区，中小城市边缘区提取模型的PD和SHDI值明显高于POI核密度断点分析法，这表明了前者提取的城市边缘区内的景观破碎化、复杂性和多样性程度均高于后者，更能体现城市边缘区的特征。在农村腹地，中小城市边缘区提取模型的PD和SHDI值明显低于POI核密度断点分析法，而在城市核心区，由于两种方法提取的边界差异较小，因此PD和SHDI值近似。综合，本申请提出的模型拥有较高的精度，能实现研究区城市边缘区的精确提取。
表3不同区域的PD和SHDI值
Figure SMS_10
模型通用性分析：为了进一步验证本申请提出的模型在不同地区、不同类型中小城市的适用性，分别在商洛市商州区和安康市汉滨区进行了城市边缘区识别。商州区属于典型的带状城市结构，受资源条件限制明显。从图5中(a)看出，POI核密度断点分析法对商州区城市边缘区提取结果不完整，主要集中在东南部。其主要原因是东南部为工业园区，POI数量少且分散，不足以支撑城市边缘区的识别。汉滨区被汉江从中间分开，东南部主要为老城区，西北部为新城区，属于多中心城市结构。从图5中(b)可以看出，POI核密度断点分析法对汉滨区的城市边缘区提取结果较差，尤其是东南部老城区。其主要因为单因子方法提取多中心城市边缘区时对数据质量要求极高，而老城区的发展较为落后，人口分布集中，POI数据不够完整。相比之下，中小城市边缘区提取模型可以准确、完整地提取出两个地区的城市边缘区。模型根据区域景观紊乱度、POI核密度和夜间灯光强度的综合表现差异识别城市边缘区，对单因子的表现依赖较小，能够适应不同地区、不同类型的中小城市。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种基于多源数据的中小城市边缘区提取方法，其特征在于，包括：
获取城市的遥感影像、POI数据、灯光影像和人口数据；
对所述遥感影像进行土地利用分类，获得城市的景观紊乱度；
根据所述POI数据对城市的核密度进行评估，获得城市的POI核密度；
根据所述灯光影像确定城市的夜间灯光强度；
确定所述景观紊乱度、POI核密度和夜间灯光强度分别对所述人口数据的单一解释力程度；
根据所述单一解释力程度占解释力程度总和的比例确定所述景观紊乱度、POI核密度和夜间灯光强度的权重；
根据所述权重确定城市中各个区域的综合指数；
根据所述综合指数将城市的各个区域划分为多个类别，其中包括城市边缘区。
2.根据权利要求1所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，所述对所述遥感影像进行土地利用分类，获得城市的景观紊乱度，包括：
利用面向对象的SVM分类方法对所述遥感影像进行土地利用分类；
根据所述土地利用类型确定所述景观紊乱度。
3.根据权利要求2所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，在利用面向对象的SVM分类方法对所述遥感影像进行土地利用分类之前，还包括：
对所述遥感影像进行预处理。
4.根据权利要求1所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，所述根据所述POI数据对城市的核密度进行评估，获得城市的POI核密度，包括：
利用核密度评估工具对所述POI数据进行评估，获得所述POI核密度。
5.根据权利要求4所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，在利用核密度评估工具对所述POI数据进行评估之前，还包括：
对所述POI数据进行预处理。
6.根据权利要求1所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，所述根据所述灯光影像确定城市的夜间灯光强度，包括：
确定所述灯光影像中每个影像的DN值，获得所述夜间灯光强度。
7.根据权利要求1所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，所述确定所述景观紊乱度、POI核密度和夜间灯光强度分别对所述人口数据的单一解释力程度，包括：
利用地理探测器的分异及因子探测确定所述景观紊乱度、POI核密度和夜间灯光强度分别对所述人口数据的单一解释力程度。
8.根据权利要求1所述的一种基于多源数据的中小城市边缘区提取方法，其特征在于，在根据所述综合指数将城市的各个区域划分为多个类别之后，还包括：
对类别划分后得到的栅格图像进行栅格转矢量和平滑处理，获得城市边缘区范围。
CN202211565899.2A 2022-12-07 2022-12-07 一种基于多源数据的中小城市边缘区提取方法 Pending CN116310853A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211565899.2A CN116310853A (zh) 2022-12-07 2022-12-07 一种基于多源数据的中小城市边缘区提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211565899.2A CN116310853A (zh) 2022-12-07 2022-12-07 一种基于多源数据的中小城市边缘区提取方法

Publications (1)

Publication Number Publication Date
CN116310853A true CN116310853A (zh) 2023-06-23

Family

ID=86813778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211565899.2A Pending CN116310853A (zh) 2022-12-07 2022-12-07 一种基于多源数据的中小城市边缘区提取方法

Country Status (1)

Country Link
CN (1) CN116310853A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645012A (zh) * 2023-07-27 2023-08-25 河北工业大学 一种城市边缘区空间范围的高精度动态识别方法
CN117710746A (zh) * 2023-12-22 2024-03-15 中国科学院地理科学与资源研究所 一种融合开放地理数据的多尺度景观功能主体类型识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645012A (zh) * 2023-07-27 2023-08-25 河北工业大学 一种城市边缘区空间范围的高精度动态识别方法
CN116645012B (zh) * 2023-07-27 2023-10-10 河北工业大学 一种城市边缘区空间范围的高精度动态识别方法
CN117710746A (zh) * 2023-12-22 2024-03-15 中国科学院地理科学与资源研究所 一种融合开放地理数据的多尺度景观功能主体类型识别方法

Similar Documents

Publication Publication Date Title
CN111666918B (zh) 一种基于多因素的海岸线变化识别方法
Zhu et al. Flood disaster risk assessment based on random forest algorithm
CN102750703B (zh) 一种基于直线分割的遥感图像机场自动检测方法
CN116310853A (zh) 一种基于多源数据的中小城市边缘区提取方法
CN106909899B (zh) 一种湿地景观演变过程的分析方法及分析***
CN110929939B (zh) 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法
CN110309780A (zh) 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别
CN109299673A (zh) 城市群绿度空间提取方法及介质
Zhu et al. Loess terrain segmentation from digital elevation models based on the region growth method
CN111062446A (zh) 基于多源国土资源数据的土地类型分类方法
Ma et al. A multisource remotely sensed data oriented method for “ghost city” phenomenon identification
Wang et al. A framework for fine classification of urban wetlands based on random forest and knowledge rules: taking the wetland cities of Haikou and Yinchuan as examples
Xue et al. Water body automated extraction in polarization SAR images with dense-coordinate-feature-concatenate network
Huang et al. Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory
Liu et al. Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images
Aahlaad et al. An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps
CN105701856B (zh) 一种植被提取方法及***
Zhang et al. Extracting physical urban areas of 81 major Chinese cities from high-resolution land uses
Peng et al. Detailed wetland-type classification using Landsat-8 time-series images: a pixel-and object-based algorithm with knowledge (POK)
CN111401683B (zh) 古村落传统性的测算方法及装置
Liu et al. Impervious surface Mapping and its spatial–temporal evolution analysis in the Yellow River Delta over the last three decades using Google Earth Engine
Han et al. A method of the coverage ratio of street trees based on deep learning
CN116205522B (zh) 一种多维cnn耦合的滑坡易发性评价方法及***
Chen et al. Built-Up Area Extraction Combing Densely Connected Dual-Attention Network and Multiscale Context
Lu et al. Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution

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