基于多元數(shù)據(jù)的省會(huì)城市城中村精細(xì)提取

馮東東，張志華，石浩月

(1.蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院，蘭州 730070；2.地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合工程研究中心，蘭州 730070；3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，蘭州 730070)

0 引言

改造城中村不但能夠保證村內(nèi)居民生產(chǎn)生活需要，而且可有效集約土地，提升城市美觀性與協(xié)調(diào)性[1]。目前有關(guān)城中村的研究主要集中在理論和政策層面，易受時(shí)空因素制約，缺少數(shù)據(jù)支撐及定量分析。因此如何從城市結(jié)構(gòu)中精細(xì)提取出城中村區(qū)域，逐漸成為學(xué)者們研究的熱點(diǎn)。

近年來(lái)有學(xué)者提出利用遙感影像提取城中村，例如劉輝[1]基于深度神經(jīng)網(wǎng)絡(luò)模型和場(chǎng)景語(yǔ)義描述的方法，以深圳和武漢為例提取城中村；Boutell等[2]將地物場(chǎng)景分割為一定數(shù)量的子塊，然后計(jì)算每個(gè)子塊的光譜特征，最后根據(jù)子塊特征，使用支持向量機(jī)算法實(shí)現(xiàn)地物的分類(lèi)。此外，還有學(xué)者提出基于面向?qū)ο蟮某侵写逄崛》椒?，例如尚春艷[3]利用傳統(tǒng)的面向?qū)ο蠓▽?duì)研究區(qū)的城中村土地利用進(jìn)行檢測(cè)，并提取變化信息；Li等[4]利用高分辨率影像，以非監(jiān)督深度學(xué)習(xí)為基礎(chǔ)，建立了多種分割模型，對(duì)深圳市城中村進(jìn)行提取。然而，由于城中村內(nèi)房屋建筑復(fù)雜，特征不一，常用的分割算法難以準(zhǔn)確分割出城中村與相鄰地物對(duì)象，因此面向像元和對(duì)象的提取方法難以有效應(yīng)用于城中村提取。

鑒于此，本文結(jié)合多元空間數(shù)據(jù)，利用遙感影像提取技術(shù)與地理信息系統(tǒng)(geographic information system，GIS)空間分析技術(shù)相結(jié)合的方法對(duì)城中村進(jìn)行提?。徊⑼ㄟ^(guò)對(duì)廣州市主城區(qū)的城中村進(jìn)行定量空間分析，總結(jié)出城中村的分布特征，從而為解決城中村改造等問(wèn)題提供數(shù)據(jù)支撐和方法參考。

1 研究區(qū)概況與數(shù)據(jù)源

廣州市位于廣東省中南部，瀕臨南海，是國(guó)家首批沿海開(kāi)放城市，屬珠三角地區(qū)和粵港澳大灣區(qū)經(jīng)濟(jì)中心，截至2019年，廣州市人口總數(shù)約1 531萬(wàn)人，城鎮(zhèn)化率接近90%[5]。選取廣州市的4個(gè)中心城區(qū)(天河區(qū)、越秀區(qū)、荔灣區(qū)和海珠區(qū))作為研究區(qū)域，其在廣州市的地理位置如圖1所示。本項(xiàng)研究數(shù)據(jù)源主要有：①?gòu)V州市高分一號(hào)衛(wèi)星影像數(shù)據(jù)；②道路網(wǎng)數(shù)據(jù)，由開(kāi)源地圖OpenStreetMap (OSM)提供；③建筑物輪廓數(shù)據(jù)，研究區(qū)共計(jì)101 453棟建筑物輪廓面數(shù)據(jù)，其中包含建筑物矢量邊界信息及樓層高度和面積屬性信息；④興趣點(diǎn)(point of interest，POI)數(shù)據(jù)，研究區(qū)共計(jì)545 812個(gè)點(diǎn)數(shù)據(jù)，共3大類(lèi)，18種具體類(lèi)型。

圖1 研究區(qū)概況Fig.1 Overview of the research area

2 研究方法

本文從提取研究區(qū)城中村的角度出發(fā)，結(jié)合了互聯(lián)網(wǎng)POI數(shù)據(jù)、高分辨率遙感影像數(shù)據(jù)以及建筑物輪廓數(shù)據(jù)等，實(shí)現(xiàn)對(duì)研究區(qū)城中村提取。首先對(duì)原始數(shù)據(jù)進(jìn)行空間分析和處理，構(gòu)造出城中村地塊特征屬性，然后對(duì)包含特征屬性的城中村地塊數(shù)據(jù)進(jìn)行分類(lèi)，得到提取結(jié)果。本文實(shí)驗(yàn)的主要實(shí)驗(yàn)流程如圖2所示。

圖2 實(shí)驗(yàn)流程圖Fig.2 Experimental flow chart

2.1 基于ENVI深度學(xué)習(xí)的城中村信息提取

深度學(xué)習(xí)是指利用分層迭代算法的思想，讓計(jì)算機(jī)對(duì)輸入的各種形式的文件、圖案等內(nèi)容進(jìn)行自動(dòng)的歸納識(shí)別[6]。ENVI Deep Learning是基于TensorFlow模型構(gòu)建的，TensorFlow是一個(gè)開(kāi)源框架，ENVI使用它來(lái)執(zhí)行深度學(xué)習(xí)任務(wù)[7]。利用深度學(xué)習(xí)提取城中村的步驟如下:

1)影像預(yù)處理。主要包括影像的輻射定標(biāo)、大氣校正、幾何糾正及波段融合等過(guò)程。

2)創(chuàng)建標(biāo)簽圖像。通過(guò)裁剪影像子集，繪制標(biāo)簽數(shù)據(jù)，并使用模塊工具生成標(biāo)簽圖像(label raster)。標(biāo)簽數(shù)據(jù)需要選擇具有代表性的典型區(qū)域進(jìn)行樣本采集。

3)訓(xùn)練模型。利用感興趣區(qū)和標(biāo)簽圖像初始化一個(gè)新的模型，并在模塊中設(shè)置訓(xùn)練參數(shù)，對(duì)模型進(jìn)行訓(xùn)練。

4)執(zhí)行分類(lèi)。使用模塊提供的工具對(duì)圖像進(jìn)行分類(lèi)，該工具會(huì)生成一幅類(lèi)激活圖像(class activation map，CAM)。CAM是一個(gè)灰度圖像，其像元值表示屬于提取目標(biāo)的概率。對(duì)CAM圖像進(jìn)行分類(lèi)后處理，可直觀表示出城中村提取結(jié)果。

2.2 融合多元數(shù)據(jù)的城中村識(shí)別

由于單方面利用遙感影像提取出的城中村信息存在與老城區(qū)、工業(yè)廠(chǎng)房等混淆的問(wèn)題，因此需要進(jìn)一步的精細(xì)提取。城中村其明顯的特征為房屋不高且密集，本文通過(guò)統(tǒng)計(jì)建筑物高度面積等屬性信息，再結(jié)合高分辨率遙感影像的光譜特征，以及各類(lèi)POI核密度屬性實(shí)現(xiàn)對(duì)城中村信息的提取。

以詳盡的道路網(wǎng)絡(luò)劃分出的區(qū)域作為城中村基本地塊單元，根據(jù)地塊單元的矢量圖斑，分割研究區(qū)高分辨率影像，計(jì)算每個(gè)地塊單元中影像各波段的均值及亮度值，融合建筑物、POI等空間信息構(gòu)建地塊單元特征集合。詳細(xì)步驟如下：

1)在eCognition中對(duì)高分一號(hào)影像進(jìn)行分割，通過(guò)計(jì)算得到研究區(qū)地塊單元的光譜屬性信息，存入對(duì)應(yīng)的地塊單元矢量圖斑下[8]。實(shí)現(xiàn)以地塊圖斑為基本單元，將影像分割成地塊影像單元集合，并為每個(gè)影像單元賦予唯一的編號(hào)ID，便于索引。

2)原始建筑物輪廓數(shù)據(jù)包含樓層高度信息，利用ArcGIS計(jì)算出建筑物面積值，再將地塊單元矢量數(shù)據(jù)與建筑物數(shù)據(jù)進(jìn)行空間關(guān)聯(lián)，從而統(tǒng)計(jì)出每個(gè)地塊單元內(nèi)建筑物的高度、面積等屬性信息[9]。通過(guò)計(jì)算每個(gè)地塊單元內(nèi)建筑物的平均高度、高度標(biāo)準(zhǔn)差、建筑物面積總和以及平均建筑面積信息，作為建筑物屬性值。

3)使用ArcGIS核密度分析工具，計(jì)算每個(gè)輸出柵格像元周?chē)徲騼?nèi)輸入POI點(diǎn)的密度[10-11]，這在一定程度上可反映城中村與非城中村地區(qū)的POI差異性。其中核密度分析中關(guān)鍵參數(shù)搜索半徑SR的計(jì)算方法如式(1)所示：

(1)

式中：SD為要素之間的標(biāo)準(zhǔn)距離；Dm為要素之間的中值距離；n為沒(méi)有使用 population 字段的點(diǎn)數(shù)，如果提供population字段，則n是population字段值的總和，其中，population字段是指在核密度分析過(guò)程中，計(jì)算目標(biāo)位置時(shí)的樣本個(gè)數(shù)。

結(jié)合研究區(qū)城市POI類(lèi)型及特點(diǎn)，選取不同的核密度參數(shù)得到實(shí)驗(yàn)結(jié)果，其中住宅用地POI核密度搜索半徑(帶寬)值設(shè)為1 500 m，公共服務(wù)用地POI核密度搜索半徑值為3 000 m，而商業(yè)服務(wù)用地2 000 m。得到各類(lèi)POI的核密度柵格圖后，利用ArcGIS的分區(qū)統(tǒng)計(jì)工具和屬性表連接功能，將各類(lèi)POI的核密度柵格值連接到之前的地塊單元矢量數(shù)據(jù)中?？稍贏rcGIS中查看構(gòu)建的研究區(qū)地塊單元矢量圖斑屬性表，其中包含地塊ID、地塊類(lèi)別、地塊光譜特征屬性、建筑物特征屬性及各類(lèi)POI特征屬性。

統(tǒng)計(jì)標(biāo)簽數(shù)據(jù)中每個(gè)對(duì)象的光譜信息、建筑物屬性信息以及各類(lèi)POI核密度屬性后，即完成研究區(qū)帶有特征城中村標(biāo)簽數(shù)據(jù)的構(gòu)建，構(gòu)建的特征類(lèi)型如表1所示[12]。

表1 構(gòu)建的地塊單元特征Tab.1 Features of constructed land units

支持向量機(jī)(support vector machine,SVM)是一種對(duì)已知樣本的特點(diǎn)進(jìn)行學(xué)習(xí)，從而預(yù)測(cè)未知樣本類(lèi)別的機(jī)器學(xué)習(xí)方法，通常用于數(shù)據(jù)的二分類(lèi)問(wèn)題。利用SVM分類(lèi)算法進(jìn)行城中村的精細(xì)分類(lèi)，為了使分類(lèi)面能將訓(xùn)練樣本無(wú)誤地分類(lèi)且具有最大的分類(lèi)間隔，訓(xùn)練樣本還需要滿(mǎn)足[13-14]：

yi[(w·xi)+b]-1≥0，

(2)

式中：i為樣本集序號(hào)；x，y和b均為列向量;w為支持向量對(duì)應(yīng)的樣本點(diǎn)到?jīng)Q策面的距離向量。

(3)

為了便于求解，構(gòu)造出Lagrange函數(shù)，即

(4)

式中：i為樣本集下標(biāo)，i=1,2,…,l；ai為L(zhǎng)agrange系數(shù)，對(duì)w和b求偏微分得：

(5)

(6)

將式(2)，(5)和(6)作為約束條件，就將原始問(wèn)題轉(zhuǎn)成求解二次規(guī)劃時(shí)的對(duì)偶性問(wèn)題，可得出：

(7)

(8)

式(7)是一個(gè)二次函數(shù)，在式(8)約束下存在唯一最優(yōu)解。若ai*為最優(yōu)解，且b*可由約束條件式(2)求得，b*為最優(yōu)解下向量b的取值。求解公式得最優(yōu)分類(lèi)函數(shù)為：

(9)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 ENVI深度學(xué)習(xí)的城中村提取結(jié)果

本文選取天河區(qū)為樣本集，首先繪制城中村標(biāo)簽數(shù)據(jù)[15]，共105個(gè)及背景地物321個(gè)，共計(jì)樣本總數(shù)426個(gè)，其中包含輸入圖像的原始波段和掩模波段，掩模波段中DN值為1的像元代表目標(biāo)，0代表背景。然后利用感興趣區(qū)和標(biāo)簽圖像初始化一個(gè)新模型，在Train TensorFlow Mask Model中設(shè)置訓(xùn)練參數(shù)，經(jīng)多次試驗(yàn)，選取參數(shù)模型如下：PatchSize值為316，Epochs值為20，ClassWeight值為0～2，LossWeight值為1，SolidDistance值為1，BlurDistance值為0～2。最后使用訓(xùn)練模型對(duì)影像分類(lèi)，其結(jié)果會(huì)產(chǎn)生一幅CAM圖像，該灰度圖像的像元值表示屬于提取目標(biāo)的概率，圖像中高亮顯示部分即與目標(biāo)特征的匹配度較高，如圖3所示。對(duì)CAM圖像進(jìn)行密度分割，使其按照不同顏色進(jìn)行顯示，如圖4所示。

圖3 CAM類(lèi)激活圖Fig.3 CAM class activation diagram

圖4 城中村提取結(jié)果Fig.4 Extraction results from urban villages

初步提取到的圖像存在圖斑小且邊緣鋸齒明顯的現(xiàn)象，需使用Sieve Classes與Clump Classes工具對(duì)圖像進(jìn)行過(guò)濾和聚合[16]，將處理后的結(jié)果疊加到影像圖上，截取部分影像如圖5所示。

圖5 分類(lèi)后處理的城中村矢量Fig.5 Urban village vector after classification processing

3.2 提取精度評(píng)價(jià)

ENVI Deep Learning精度可用以下4個(gè)指標(biāo)來(lái)表示：Loss為訓(xùn)練損失，用于表示模型與驗(yàn)證訓(xùn)練數(shù)據(jù)的匹配程度；Precision為用戶(hù)精度，表示正確分類(lèi)的像元數(shù)占該類(lèi)別像元數(shù)的比例；Recall為生產(chǎn)者精度，表示正確分類(lèi)的像元數(shù)占該類(lèi)別實(shí)際像元數(shù)的比例；F1為模型精度系數(shù)，是Precision和Recall的調(diào)和平均值，計(jì)算方法為[17-18]：

(10)

精度高低可通過(guò)Loss和F1的值來(lái)評(píng)價(jià)，在ENVI深度學(xué)習(xí)模塊下查看訓(xùn)練模型精度參數(shù)，繪制精度參數(shù)折線(xiàn)圖，如圖6所示。

圖6 深度學(xué)習(xí)模型精度參數(shù)Fig.6 Precision parameters of deep learning model

通過(guò)圖6可知，隨迭代次數(shù)增加，模型的損失值Loss降低，精度F1值上升，表明深度學(xué)習(xí)工具可以較好地訓(xùn)練提取模型，實(shí)現(xiàn)對(duì)城中村的提取，共計(jì)識(shí)別出城中村423個(gè)，發(fā)現(xiàn)有272個(gè)被正確識(shí)別，正確識(shí)別率為64.31%。

3.3 基于多元數(shù)據(jù)的城中村識(shí)別結(jié)果

原始的OSM數(shù)據(jù)存在缺失與拓?fù)溴e(cuò)誤，需進(jìn)行后處理；然后將道路網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為面狀圖斑，最終得到6 718個(gè)地塊單元，如圖7所示。

圖7 研究區(qū)地塊單元矢量圖斑Fig.7 Plot unit vector pattern spot in the study area

在棋盤(pán)分割算法的基礎(chǔ)上，對(duì)地塊單元矢量圖斑添加圖層，將研究區(qū)的高分影像進(jìn)行分割[19]，影像局部分割結(jié)果如圖8所示。

圖8 影像基于矢量分割結(jié)果Fig.8 Image segmentation is based on vector segmentation results

將分割出的矢量圖層與上文利用ENVI Deep Learning提取出的輪廓信息進(jìn)行疊加，并為各地塊對(duì)象添加城中村與非城中村的屬性值，最后進(jìn)行修正統(tǒng)計(jì)，制作一份完整的標(biāo)簽數(shù)據(jù)。

利用機(jī)器學(xué)習(xí)軟件包LIBSVM[20]分類(lèi)器完成地塊單元數(shù)據(jù)集的分類(lèi)，通過(guò)自定義選取數(shù)據(jù)集中的特征向量，對(duì)光譜特征、建筑物特征和POI特征進(jìn)行不同的組合疊加[21-22]，得出LIBSVM分類(lèi)器在選取不同特征向量時(shí)的城中村分類(lèi)精度(表2)。

表2 選擇不同特征屬性的分類(lèi)精度Tab.2 Select the classification accuracy of different feature attributes

由表2可知，使用LIBSVM分類(lèi)器區(qū)分城中村與非城中村地塊，僅利用影像的光譜特征，難以達(dá)到較好分類(lèi)效果，融合POI特征和建筑物特征后，可以取得較好的分類(lèi)效果。將結(jié)果映射到地塊單元矢量文件的屬性表中，得到如圖9所示的識(shí)別結(jié)果，圖中共計(jì)識(shí)別出城中村地塊455個(gè)，根據(jù)統(tǒng)計(jì)結(jié)果，發(fā)現(xiàn)有401個(gè)城中村被正確識(shí)別，分類(lèi)精度高達(dá)90.19%。圖10為部分識(shí)別結(jié)果疊加Google Earth影像。

圖9 城中村識(shí)別結(jié)果Fig.9 Urban village identification results

圖10 在Google Earth上顯示識(shí)別結(jié)果Fig.10 Display the recognition results in Google Earth

城中村的錯(cuò)分對(duì)象主要為老舊居民區(qū)和工業(yè)區(qū)。三者之間共同特征為綠化率低、樓層較矮，當(dāng)單個(gè)面積較小的建筑物所占該地塊總比例較高時(shí)，三者在影像上表現(xiàn)出的特征極為相似，所以L(fǎng)IBSVM分類(lèi)器很容易誤判。

海珠區(qū)中城中村數(shù)量最多、密度最大；其次是天河區(qū)、荔灣區(qū)；最后是越秀區(qū)，越秀區(qū)為中心商業(yè)區(qū)，城中村改造完成度高；整體而言，研究區(qū)城中村分布較為分散，分布在整個(gè)城市區(qū)域中。

4 結(jié)論

針對(duì)目前城中村研究缺少數(shù)據(jù)支撐和定量分析等問(wèn)題，將遙感影像提取技術(shù)與GIS空間分析技術(shù)相結(jié)合，提出基于深度學(xué)習(xí)工具提取城中村和基于多元空間數(shù)據(jù)識(shí)別城中村地塊的方法。實(shí)驗(yàn)結(jié)果表明，利用深度學(xué)習(xí)工具，能夠較好地提取出城中村邊界信息?；诼肪W(wǎng)分割高分辨率遙感影像，結(jié)合機(jī)器學(xué)習(xí)分類(lèi)方法識(shí)別城市不同地塊單元，對(duì)城中村可精細(xì)提取，分類(lèi)精度高達(dá)90%。

本文基于多元數(shù)據(jù)對(duì)城中村提取進(jìn)行了研究，但提取結(jié)果仍存在一定的偏差，進(jìn)一步研究的問(wèn)題主要包括：

1)在融合多元空間數(shù)據(jù)輔助提取城中村時(shí)，可考慮添加Sentinel衛(wèi)星數(shù)據(jù)，表示出地物的空間高度信息，用于區(qū)分城中村建筑和平整的運(yùn)動(dòng)場(chǎng)等地物。

2)因訓(xùn)練模型耗時(shí)較長(zhǎng)，且模型訓(xùn)中存在一定的隨機(jī)性，對(duì)于高分辨率遙感影像復(fù)雜的地物環(huán)境，提取結(jié)果仍存在與老舊居民區(qū)、工業(yè)區(qū)混合現(xiàn)象，可考慮進(jìn)一步優(yōu)化模型參數(shù)，提升提取效率及精度。