基于DFCNN建筑物语义的城市功能区识别方法研究

作     者：包汉卿 

作者单位：中国地质大学(北京) 

学位级别：硕士

导师姓名：明冬萍

授予年度：2020年

学科分类：12[管理学] 1204[管理学-公共管理] 08[工学] 081303[工学-城市规划与设计(含：风景园林规划与设计）] 0813[工学-建筑学] 0833[工学-城乡规划学] 083302[工学-城乡规划与设计] 

主      题：城市功能区 语义识别 分层尺度估计 DFCNN POIs 

摘      要：城市功能区是指用地空间,位置和功能需求相同的建筑物在城市空间上聚集的区域,它在反映社会经济、人类空间活动和城市管理方面发挥着重要作用。随着卫星遥感技术的迅速发展,高空间分辨率遥感影像能够全面探索城市的时空状态,然而传统的识别方法仅依赖于浅层的特征无法实现复杂异构的城市功能区。近年来深度学习被广泛的应用到城市识别,并展现了它在深度特征的识别和挖掘的能力。但是图-谱结构复杂的高分辨率遥感影像仅可描述地理对象特征以及周围环境特征,无法表征城市社会经济功能和人类空间活动的能力。因此将遥感数据和社会感知数据结合来实现功能区解析是快速、准确地理解复杂城市功能格局的有效途径。针对以上问题,本文将高空间分辨率遥感影像和社会感知数据有机融合,开展了建筑物自然语义和社会功能语义的高空间分辨率遥感影像深度学习方法,自下而上,完成了从对象到功能区的转换和从浅层特征到深层语义的转换,实现了复杂城市功能区的识别,为国家政府对城市管理,规划和监督提供服务。本文的工作和成果点如下:(1)基于对象层次自下而上的影像分析思想,构建了基于深度学习建筑物语义的城市功能区识别模型。该模型充分挖掘了建筑物自然语义和社会功能语义,采用分层尺度估计的策略,一定程度上避免了尺度参数选择的盲目性和主观性,能够满足不同地物尺度的适宜性需求,不仅提高了建筑物的提取的精度,也有效提高了城市功能区识别的效率。(2)建筑物的光谱、形状和纹理存在多样性。因此针对复杂建筑物几何信息提取问题,本文考虑到深度特征对建筑物边缘信息的重要性,将深度特征图引入分割分类过程,改善了建筑物边缘识别的效果,提高了2.4%的提取精度。(3)高空间分辨率遥感影像具有更复杂的图-谱结构,深层语义可以更有效地实现城市信息的挖掘。针对地物深层语义和空间信息难以理解的问题,同时考虑到传统CNN提取特征的局限性,本文基于Inception模块设计了拥有更多更深特征的网络——基于深度特征的卷积神经网络(Deeper-Feature Convolutional Neural Network,DFCNN)。其中深度卷积模块的使用不仅增强网络的适应力,还可以扩大网络的感受视野,能够挖掘建筑物深层次的语义,在最终实现城市功能区识别上展现一定的优越性。(4)为了打破仅仅使用遥感影像在社会功能语义识别方面的局限性,本文采用了兴趣点(POI)与高空间分辨率遥感影像有机融合的策略,有效地实现建筑物自然语义和社会功能语义的互补结合,识别精度为97.42%,在城市功能区识别上展现了较好的效果。