一种综合使用遥感数据和出租车轨迹数据的城市功能区识别方法

摘要

本发明涉及一种综合使用遥感数据和出租车轨迹数据的城市功能区识别方法。通过提取高空间分辨率遥感影像的加权均值视觉特征和出租车轨迹上下车点数据的时序统计特征进行城市功能区的识别。在提取遥感影像的视觉特征时，通过计算各基本分析单元的均值权重，能有效缓解样本的不均衡问题，提高精度；综合使用高分遥感影像的视觉特征和出租车轨迹数据的统计特征，充分发挥二者优势，从自然属性和社会属性两方面表征城市用地的属性信息，能有效对城市功能区进行分类，与仅使用视觉特征或者时序统计特征的方法相比，本发明提出的方法得到精确度、召回率和F1‑分数三项指标更高，城市功能区识别精度更高。

说明书

技术领域

本发明属于城市地理学技术领域，特别是涉及一种综合使用遥感数据和出租车轨迹数据的城市功能区识别方法。

背景技术

城市用地是城市规划区范围内赋以一定用途和功能的土地的统称，包含自然属性、社会属性、经济属性和法律属性等四大用地属性。城市空间结构主要包括城市自然要素和社会要素的空间分布模式以及要素之间的相互关系。城市空间结构形态的研究在西方社会出现较早，作为系统的理论研究则是在城市规划实践的推动下逐步产生和发展起来的。1923年，伯吉斯以芝加哥为例，基于社会生态学的入侵和继承的概念，创立了城市发展与土地使用空间组织方式的同心圆模式。 1932年，巴布科引入交通轴线的辐射作用，将同心圆模式修正为星状环形模式，使之更接近单中心的中小规模城市的真实状况。而我国在20世纪80年代前，城市空间结构与形态只有一些零星的研究成果，真正意义上的研究于80年代之后才开始。改革开放以来，我国经济发展迅猛，城市规模不断扩张，城市人口暴涨，出现了一系列城市病，如何合理地规划和管理城市空间结构成为一个亟待解决的问题。

当前，各级土地管理部门编制土地利用现状图主要依据遥感影像解译和建设用地审批信息的内业分析、外业调查核实结果等进行制作，人力物力消耗较高，更新周期较长。其中，使用遥感影像进行土地利用类型分类的研究，起初关注于提取基于像元的光谱特征和纹理特征，之后学者们加入了目标地物的结构信息，基于面向对象的思想进行遥感影像分类，近来又引入了图像的上下文语义信息，从场景理解的角度进行图像分类。然而，上述研究仅反映了城市的自然地理环境，即城市构成要素的空间组成和空间配置，大部分的人类活动都是在建筑物内进行，仅依靠遥感影像无法判断室内活动区域的社会经济功能属性。近些年来，出租车轨迹数据和社交媒体数据等城市居民时空行为数据的涌现，提供了大样本量的城市居民连续型经济、社会活动信息，不仅可以用来进行个体活动模式的研究，也为宏观形态的城市土地利用类型的空间分布模式提供了社会经济环境信息。出租车轨迹数据凭借其数据量大、覆盖率高、成本低、更新速度快等优点，目前已广泛应用于交通状态的评估、移动模式探测、热点区域提取、道路网络更新、土地利用分类等研究领域。

发明内容

本发明针对现有技术的不足，提供一种综合使用遥感数据和出租车轨迹数据的城市功能区识别方法，通过提取高空间分辨率遥感影像的加权均值视觉特征和出租车轨迹上下车点数据的时序统计特征进行城市功能区的识别。

为了达到上述目的，本发明提供的技术方案是一种综合使用遥感数据和出租车轨迹数据的城市功能区识别方法，包括以下步骤：

步骤1，基于OpenStreetMap(OSM)道路数据，建立城市用地的基本分析单元，并注明基本分析单元的建设用地类型属性，生成土地利用图，包括以下几个子步骤：

步骤1.1，下载OSM城市底图及相关属性数据的shapefile文件，包括城市道路、建筑物、自然用地、重要地点、铁路、水系等信息，根据区域行政边界矢量图裁剪出研究区域；

步骤1.2，提取OSM中区域城市道路数据的道路中心线，并参考出租车轨迹点数据聚集产生的轨迹路径，进行拓扑检查与修正，生成区域道路网矢量图层；

步骤1.3，利用步骤1.2得到的区域道路网矢量图层切割区域行政边界矢量图，生成基本分析单元面图层文件；

步骤1.4，参考百度在线地图和高德在线地图的城市建设用地实际类型，为相应的基本分析单元添加建设用地类型属性，生成土地利用图，土地利用混合程度过高的区域不在本研究考虑之列；

步骤2，基于高空间分辨率遥感影像提取加权均值的视觉特征，包括以下几个子步骤：

步骤2.1，对卫星原始遥感影像数据进行预处理，包括几何校正、图像融合、图像镶嵌、图像裁剪；

步骤2.2，依次使用棋盘分割、多尺度分割和光谱差分割三种多层次图像分割方法，基于高空间分辨率遥感影像和道路矢量图，得到50184个图像对象；

步骤2.3，提取各个图像对象包括光谱特征、纹理特征和几何特征在内的19 种视觉特征，得到每个图像对象的19维视觉特征向量；

步骤2.4，以各基本分析单元为单位，对其包含的所有图像对象的视觉特征值求加权平均值得到各基本分析单元的19维加权平均视觉特征向量；

步骤3，基于出租车轨迹数据，提取上、下车点数据的时序统计特征，包括以下几个子步骤：

步骤3.1，对一个月的出租车轨迹数据进行预处理，包括坐标系纠偏、研究区域裁剪、异常点清理；

步骤3.2，从步骤3.1经过预处理的出租车轨迹数据中提取上、下车点；

步骤3.3，将步骤3.2提取的上、下车点图层匹配到步骤1.3中的基本单元面图层；

步骤3.4，提取各基本分析单元内一个月的出租车上、下车点数据的48维时序统计特征；

步骤4，综合使用高空间分辨率遥感影像的视觉特征和出租车轨迹上下车点数据的时序统计特征进行城市功能区的识别。

而且，所述步骤1.2中拓扑检查可利用ArcMap软件中的“拓扑”工具进行，拓扑修正可根据出租车的轨迹路径对OSM中提取的区域城市道路数据的道路中心线进行手动修正，出租车轨迹数据由装置在出租车上的GPS设备接收导航卫星发射的信息采集而成，采样时间间隔大于40s，每条记录包含车牌号、时间、经纬度、方向、速度、ACC状态和载客状态等属性信息。

而且，所述步骤2.4中各基本分析单元的19维加权平均视觉特征向量，计算方法如下：

式中，

式中，n

而且，所述步骤3.3需先将步骤1.3中基本分析单元面图层转化为线图层，并为线图层添加线段起点、终点、中点、方向4种几何属性，然后将点图层根据最邻近距离匹配到线图层，最后根据点图层的方向属性和基本分析单元线图层的方向属性，将轨迹点匹配到线两侧的基本分析单元内，实现点图层与基本分析单元面图层相匹配。

而且，所述步骤3.4需先统计各基本分析单元一个月内出租车每天24小时每小时内上、下车点的总量，构成每天上车点24维时序统计特征向量和下车点 24维时序统计特征向量，然后再将这些24维时序统计特征分为工作日和周末两类，工作日包括周一到周五5天，周末包括周六和周日，上车点的48维时序统计特征向量由工作日24维平均时序统计特征向量和休息日24维平均时序统计特征向量构成，下车点的48维时序统计特征向量由工作日24维平均时序统计特征向量和休息日24维平均时序统计特征向量构成，各基本分析单元的上、下车点统计量的计算方法如下：

式中，V

周末各基本分析单元的上车点24维平均时序统计特征向量计算方法如上，对应的将第k个工作日的上车点24维时序统计特征向量换成第k个周末的上车点24维时序统计特征向量，工作日的总天数换成周末总天数即可；

式中，V

周末各基本分析单元的下车点24维平均时序统计特征向量计算方法如上，对应的将第k个工作日的下车点24维时序统计特征向量换成第k个周末的下车点24维时序统计特征向量，工作日的总天数换成周末总天数即可。

而且，所述步骤4是将步骤2和步骤3提取的各种特征输入到随机森林分类器中进行城市土地利用类型的分类，识别出城市的功能区，土地利用类型包括娱乐康体用地、工业用地、公共管理与公共服务设施用地、居住用地、商业商务用地五种，并以步骤1中生成的土地利用图作为参考图和样本集，进行精度评价。

与现有技术相比，本发明具有如下优点：(1)在提取遥感影像的视觉特征时，计算各基本分析单元的均值权重，能有效缓解样本的不均衡问题，提高精度； (2)综合使用高分遥感影像的视觉特征和出租车轨迹数据的统计特征，充分发挥二者优势，从自然属性和社会属性两方面表征城市用地的属性信息，能有效对城市功能区进行分类，与仅使用视觉特征或者时序统计特征的方法相比，本发明提出的方法得到精确度、F1-分数和召回率三项指标更高，城市功能区识别精度更高。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例基本分析单元的空间分布示意图。

图3是本发明实施例的棋盘分割结果图。

图4是本发明实施例的多尺度分割结果图。

图5是本发明实施例的光谱差分割结果图。

具体实施方式

本发明提供一种综合使用遥感数据和出租车轨迹数据的城市功能区识别方法，通过提取高空间分辨率遥感影像的加权均值视觉特征和出租车轨迹上下车点数据的时序统计特征进行城市功能区的识别。

下面结合附图和实施例对本发明的技术方案作进一步说明。

如图1所示，本发明实施例的流程包括以下步骤：

步骤1，基于OpenStreetMap(OSM)道路数据，建立城市用地的基本分析单元，并注明基本分析单元的建设用地类型属性，生成土地利用图，包括以下几个子步骤：

步骤1.1，下载OSM城市底图及相关属性数据的shapefile文件，包括城市道路、建筑物、自然用地、重要地点、铁路、水系等信息，根据区域行政边界矢量图裁剪出研究区域。

步骤1.2，使用ArcGIS软件提取OSM中区域城市道路数据的道路中心线，并参考出租车轨迹点数据聚集产生的轨迹路径，进行拓扑检查与修正，生成区域道路网矢量图层。出租车轨迹数据由装置在出租车上的GPS设备接收导航卫星发射的信息采集而成，采样时间间隔大于40s，每条记录包含车牌号、时间、经纬度、方向、速度、ACC状态和载客状态等属性信息。

步骤1.3，在ArcGIS软件中利用步骤1.2得到的区域道路网矢量图层切割区域行政边界矢量图，生成基本分析单元面图层文件。

步骤1.4，参考百度在线地图和高德在线地图的城市建设用地实际类型，为相应的基本分析单元添加建设用地类型属性，生成土地利用图，土地利用混合程度过高的区域不在本研究考虑之列。

步骤2，基于高空间分辨率遥感影像提取加权均值的视觉特征，包括以下几个子步骤：

步骤2.1，对卫星原始遥感影像数据进行预处理，包括几何校正、图像融合、图像镶嵌、图像裁剪。

步骤2.2，依次使用棋盘分割、多尺度分割和光谱差分割三种多层次图像分割方法，基于高空间分辨率遥感影像和道路矢量图，得到50184个图像对象。

步骤2.3，提取各个图像对象包括光谱特征、纹理特征和几何特征在内的19 种视觉特征，得到每个图像对象的19维视觉特征向量。

步骤2.4，以各基本分析单元为单位，对其包含的所有图像对象的视觉特征值求加权平均值，得到各基本分析单元的19维加权平均视觉特征向量，计算方法如下：

式中，

式中，n

步骤3，基于出租车轨迹数据，提取上、下车点数据的时序统计特征，包括以下几个子步骤：

步骤3.1，对一个月的出租车轨迹数据进行预处理，包括坐标系纠偏、研究区域裁剪、异常点清理。

步骤3.2，从步骤3.1经过预处理的出租车轨迹数据中提取上、下车点。

步骤3.3，将步骤3.2提取的上、下车点图层匹配到步骤1.3中的基本单元面图层。首先将步骤1.3中基本分析单元面图层转化为线图层，并为线图层添加线段起点、终点、中点、方向4种几何属性，然后将点图层根据最邻近距离匹配到线图层，最后根据点图层的方向属性和基本分析单元线图层的方向属性，将轨迹点匹配到线两侧的基本分析单元内，实现点图层与基本分析单元面图层相匹配。

步骤3.4，提取各基本分析单元内一个月的出租车上、下车点数据的48维时序统计特征。首先统计各基本分析单元内一个月出租车每天24小时每小时上、下车点的总量，构成每天上车点24维时序统计特征向量和下车点24维时序统计特征向量，然后再将这些24维时序统计特征分为工作日和周末两类，工作日包括周一到周五5天，周末包括周六和周日，上车点的48维时序统计特征向量由工作日24维平均时序统计特征向量和休息日24维平均时序统计特征向量构成，下车点的48维时序统计特征向量由工作日24维平均时序统计特征向量和休息日 24维平均时序统计特征向量构成。各基本分析单元的上、下车点统计量的计算方法如下：

式中，V

周末各基本分析单元的上车点24维平均时序统计特征向量计算方法如上，对应的将第k个工作日的上车点24维时序统计特征向量换成第k个周末的上车点24维时序统计特征向量，工作日的总天数换成周末总天数即可。

式中，V

周末各基本分析单元的下车点24维平均时序统计特征向量计算方法如上，对应的将第k个工作日的下车点24维时序统计特征向量换成第k个周末的下车点24维时序统计特征向量，工作日的总天数换成周末总天数即可。

步骤4，综合使用高空间分辨率遥感影像的视觉特征和出租车轨迹上、下车点数据的时序统计特征进行城市功能区的识别。将步骤2和步骤3提取的各种特征输入到随机森林分类器中进行城市土地利用类型的分类，识别出城市的功能区，土地利用类型包括娱乐康体用地、工业用地、公共管理与公共服务设施用地、居住用地、商业商务用地五种，并以步骤1中生成的土地利用图作为参考图和样本集，进行精度评价。

下面以武汉市武昌区的实验数据为例，进一步阐述本发明的技术方案，并通过定量精度评定说明本方法的有效性。

步骤1，基于OpenStreetMap道路数据，建立城市用地的基本分析单元，如图2所示。

步骤2，对Pleiades卫星影像进行预处理操作，并使用易康图像软件的多层次图像分割模块，多次进行实验获取最佳分割参数，从卫星影像和道路网矢量图层中分割得到50184个图像对象。为清晰表现图像分割结果，以下为局部放大示意图：图3为棋盘分割结果图，分割参数设为99999；图4为多尺度分割结果图，分割参数为20；图5为光谱差分割结果图，分割参数设为5。提取各基本分析单元内的图像对象的视觉特征，以各基本分析单元为单位，计算其19种视觉特征的均值权重值，本实例中使用的多种视觉特征如表1所示。

表1高分辨率遥感影像的视觉特征

步骤3，计算各基本分析单元内出租车轨迹数据的上、下车点时序统计特征，每个单元对应一条48维的向量。

步骤4，用随机森林分类器融合上述遥感影像的均值加权视觉特征和出租车轨迹的时序统计特征，对城市功能区进行分类。

为了验证所提方法的有效性，开展对比试验和定量精度评价。分别将遥感影像的均值加权视觉特征和出租车轨迹的时序统计特征输入随机森林分类器，对城市功能区进行分类，作为对比实验。精度评价方面，以精确度(Precision)、召回率(Recall)和F1-分数(F1-Score)作为评价标准，计算公示如下(5)-(7)。对比实验的精度评价结果如表2所示。

式中，Precision表示实验结果的精确度指标，TP表示判定为正类而且实际为正类样本数，FP表示判定为正类但实际为负类的样本数。

式中，Recall表示实验结果的召回率指标，TP表示判定为正类而且实际为正类样本数，FN表示判定为负类但实际为负类的样本数。

式中，F1-Score表示实验结果的F1分数指标。

表2对比实验的精度评价结果

从表2可以看出，本发明提出的综合使用融合遥感影像的均值加权视觉特征和出租车轨迹的时序统计特征的分类方法得到的精确度、召回率和F1-分数三个评价指标上均比单一使用视觉特征或者时序统计特征的方法取得的高，证明本发明提出的分类方法对城市功能区的识别精度更高。

具体实施时，以上流程可采用计算机软件技术实现自动运行流程。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。