【摘要】：城市建筑物是城市的重要組成部分,對城市建筑物進行功能分類可以為城市功能區(qū)劃分提供有利依據(jù),輔助政府部門對城市規(guī)劃、土地利用、資源、人口等方面的分布與分配進行管理與決策,有助于推進城鎮(zhèn)化建設(shè)的可持續(xù)發(fā)展。僅利用目前的遙感分類技術(shù)難以對高分辨率遙感影像的城市建筑物信息進行功能分類,然而將遙感、互聯(lián)網(wǎng)興趣點(Point of Interest,POI)數(shù)據(jù)以及GIS技術(shù)有效地結(jié)合在一起,可以更為細致地分析城市信息,不僅實現(xiàn)了建筑物功能分類,而且提高了分類的準確率與可信度。本文首先選取卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)方法對高分辨率遙感影像數(shù)據(jù)進行建筑物提取;然后,對POI數(shù)據(jù)的城市商服、公建和住宅用地進行核密度分析;最后分別統(tǒng)計每個建筑物3種用地的核密度平均值,并將該值設(shè)置為此建筑物的屬性值,并結(jié)合POI數(shù)據(jù)的實際情況選擇具有最佳功能分類精度的屬性值作為閾值提取3種用地信息,從而完成不同功能的城市建筑物分類。精度評價結(jié)果表明,該方法對3種用地的提取效果良好,分類精度達到86%以上。
[Abstract]:Urban buildings are an important part of a city. The functional classification of urban buildings can provide a favorable basis for the division of urban functional areas and assist government departments in urban planning, land use, and resources. The distribution and distribution of population will help to promote the sustainable development of urbanization. It is difficult to classify urban building information in high-resolution remote sensing images by using only the current remote sensing classification technology. However, remote sensing, (Point of Interest-POI) data and GIS technology are effectively combined. It not only realizes the classification of building function, but also improves the accuracy and credibility of classification. In this paper, we first select convolutional neural network (Convolutional Neural Networks) method to extract the high-resolution remote sensing image data, and then analyze the nuclear density of the urban commercial service and the public housing land for the POI data. Finally, the average nuclear density of three kinds of land for each building is counted, and the value is set to be the property value of the building. According to the actual situation of POI data, the attribute value with the best classification precision is selected as the threshold value to extract three kinds of land information, so as to complete the classification of urban buildings with different functions. The accuracy evaluation results show that the method has a good effect on the extraction of three kinds of land, and the classification accuracy is over 86%.
【作者單位】： 中國科學院遙感與數(shù)字地球研究所;中國科學院大學;
【基金】：高分辨率對地觀測系統(tǒng)重大專項(03-Y20A04-9001-15/16) 國家自然科學基金項目(41601387)
【分類號】：P237

【相似文獻】

相關(guān)期刊論文 前10條

1 王艷梅;王根杰;劉海娟;;高分辨率遙感影像提取道路方法研究進展[J];赤峰學院學報(自然科學版);2013年19期

2 顧鈺培;肖蘭玲;凌婷婷;達利春;;一種基于高分辨率遙感影像的建筑物提取方法[J];測繪與空間地理信息;2014年04期

3 李彩露;吳平;王寧;劉源璋;;高分辨率遙感影像道路提取方法綜述[J];地理空間信息;2011年03期

4 吳小波;楊遼;沈金祥;王杰;;利用空間連續(xù)性進行高分辨率遙感影像道路提取[J];武漢大學學報(信息科學版);2011年11期

5 陳石留;;高分辨率遙感影像在測繪生產(chǎn)中的應(yīng)用潛力研究[J];科技創(chuàng)新與應(yīng)用;2012年21期

6 林祥國;;高分辨率遙感影像道路半自動追蹤方法研究[J];測繪學報;2012年04期

7 付利釗;賈t明;魏競;;高分辨率遙感影像在水系分類中的應(yīng)用[J];南水北調(diào)與水利科技;2013年02期

8 袁秀華;羅衛(wèi);王聰穎;;贛州稀土礦山高分辨率遙感影像分割的最優(yōu)尺度選取[J];測繪與空間地理信息;2013年09期

9 汪閩,駱劍承,明冬萍;高分辨率遙感影像上基于形狀特征的船舶提取[J];武漢大學學報(信息科學版);2005年08期

10 溫奇;李苓苓;劉慶杰;樊文鋒;林月冠;孫俊格;;基于視覺顯著性和圖分割的高分辨率遙感影像中人工目標區(qū)域提取[J];測繪學報;2013年06期

相關(guān)會議論文 前10條

1 趙書河;王培法;肖鵬峰;馮學智;;高分辨率遙感應(yīng)用研究[A];中國地理學會2006年學術(shù)年會論文摘要集[C];2006年

2 朱曉鈴;鄔群勇;;基于高分辨率遙感影像的城市道路提取方法研究[A];《測繪通報》測繪科學前沿技術(shù)論壇摘要集[C];2008年

3 燕琴;張繼賢;劉玉紅;錢廣軍;;以影像序列糾正高分辨率遙感影像的應(yīng)用研究[A];全面建設(shè)小康社會：中國科技工作者的歷史責任——中國科協(xié)2003年學術(shù)年會論文集（上）[C];2003年

4 羅震;楊存建;李小文;;基于高分辨率遙感影像的農(nóng)村聚落信息的提取[A];《測繪通報》測繪科學前沿技術(shù)論壇摘要集[C];2008年

5 董明;;基于高分辨率遙感影像的道路半自動提取方法研究[A];數(shù)字測繪與GIS技術(shù)應(yīng)用研討交流會論文集[C];2008年

6 朱海燕;林愛文;;面向?qū)ο蟮母叻直媛蔬b感影像分析方法研究——基于QuickBird數(shù)據(jù)[A];中國地理學會2007年學術(shù)年會論文摘要集[C];2007年

7 唐新明;謝俊峰;;高分辨率遙感衛(wèi)星測繪關(guān)鍵技術(shù)研究綜述[A];2011中國衛(wèi)星應(yīng)用大會會議文集[C];2011年

8 胡磊;;基于特征基元和LBP的全色高分辨率遙感影像的分類[A];第十三屆華東六省一市測繪學會學術(shù)交流會論文集[C];2011年

9 朱海燕;林愛文;;面向?qū)ο蟮耐恋乩?覆被變化遙感分析方法研究——基于高分辨率遙感影像[A];節(jié)能環(huán)保 和諧發(fā)展——2007中國科協(xié)年會論文集（二）[C];2007年

10 賴震剛;宮雪峰;;高分辨率遙感影像陰影區(qū)域內(nèi)綠地信息的提取技巧[A];第三屆長三角科技論壇（測繪分論壇）暨'2006江蘇省測繪學術(shù)年會論文集[C];2006年

相關(guān)博士學位論文 前6條

1 叢銘;基于視覺感知原理的高分辨率遙感影像分割與人工目標提取研究[D];武漢大學;2015年

2 李榮亞;雙態(tài)云支持下高分辨率遙感存儲與計算一體化研究[D];浙江大學;2014年

3 馮甜甜;基于高分辨率遙感數(shù)據(jù)的城市精細尺度人口估算研究[D];武漢大學;2010年

4 李海霞;高分辨率遙感影像對象分類方法研究及其城鄉(xiāng)規(guī)劃監(jiān)測應(yīng)用[D];中國農(nóng)業(yè)大學;2014年

5 康俊鋒;云計算環(huán)境下高分辨率遙感影像存儲與高效管理技術(shù)研究[D];浙江大學;2011年

6 陳曦;特征選擇準則間的關(guān)聯(lián)及高分辨率遙感影像類別不平衡問題研究[D];上海交通大學;2011年

相關(guān)碩士學位論文 前10條

1 許潛金;基于高分辨率遙感影像與LiDAR點云的損毀建筑物提取方法研究[D];西南交通大學;2015年

2 白金婷;結(jié)合高分辨率遙感影像多維特征的森林分類[D];北京林業(yè)大學;2016年

3 劉一哲;多尺度分割技術(shù)在高分辨率遙感影像地物提取方法的研究[D];昆明理工大學;2016年

4 楊一帆;面向?qū)ο蟮母叻直媛蔬b感影像信息提取研究[D];云南師范大學;2016年

5 王更;高分辨率遙感影像多尺度分割算法研究與應(yīng)用[D];中國礦業(yè)大學;2016年

6 呂劍峰;高分辨率遙感影像多尺度分割方法研究[D];遼寧工程技術(shù)大學;2014年

7 楊月明;面向?qū)ο蟮母叻直媛蔬b感影像土地覆蓋分類研究[D];遼寧工程技術(shù)大學;2014年

8 何靜然;高分辨率遙感影像建筑物輪廓提取方法研究[D];成都理工大學;2016年

9 郝建明;面向地理國情普查的高分辨率遙感影像半自動解譯技術(shù)研究[D];重慶交通大學;2016年

10 苗則朗;基于多特征的高分辨率遙感影像道路提取算法研究[D];中國礦業(yè)大學;2014年

，

本文編號：2172587