融合遥感与社会感知数据的城市土地利用分类方法

摘要

传统的土地利用分类方法大多基于对资料或影像的人工解译,存在一定的局限性。近年来,结合空间大数据和自然语言处理技术进行低成本快速的土地资源管理已成为研究热点。以美国纽约市曼哈顿区为例,提出了融合遥感影像和社会感知数据的城市土地利用分类方法。从遥感影像中提取光谱特征、从推特数据中提取用户活动时空和主题特征,基于随机森林法和深度神经网络法,构建了细粒度的城市土地利用分类模型。通过对比不同特征组合分类方法的精度,得到结合光谱特征和用户活动时空、主题特征的深度神经网络方法的结果最优,总体精度达82.65%,Kappa系数为70.1%。结果表明,社会感知数据中隐含的用户活动时空模式和活动主题信息均有助于提高城市土地利用分类的精度,而神经网络法可有效融合多源数据,为快速、低成本获取城市土地利用信息提供了新的途径。