高空间分辨率卫星对地观测技术与面向对象深度学习技术结合，促使遥感对地观测实现了从土地覆盖信息提取到土地利用信息感知的转变。与传统研究中的土地利用概念内涵不同，城市功能区作为城市土地利用的一种形式，最大的区别在于其内部地物或空间结构具有一定的规律性和均质性，而同一类型的城市功能区从光谱组成上又具有极大的异质性，使得城市功能区划分较之传统的土地利用分类具有更大的难度。目前，基于高分遥感影像进行城市功能区划分的研究大多采用较大的空间尺度，将街区作为精细的研究单元，然而以街区为单位的功能区划分结果不能满足街区内部城市功能属性精准分析的需求。
针对这一问题，我校信息工程学院2016级硕士研究生周文在导师明冬萍副教授的指导下，采用自上而下的策略建立了基于超对象（Super Object，SO）的城市功能格局深度感知模型，将过分割的超影像对象作为城市功能区划分的基本单元，采用基于超对象的随机采样深度学习最大值投票算法，实现超对象层次的城市功能区属性判别。实验结果表明该方法能够精细和准确地实现城市功能区划分。该研究的贡献主要在于：
1．在理论方面，基于分层分级的地理学思维，发展了基于“像元-对象-超对象”的层次概念图，丰富了高空间分辨率遥感影像地学计算思想（图1）。
2．从原理上，分析了超对象作为城市功能区基本单元的合理性（图2），并通过实验验证了其有效性，促进了基于遥感影像的城市功能格局理解。
3．在模型方法上，提出了基于超对象-卷积神经网络（SO-CNN）的城市功能格局深度感知模型（图3）。该模型不仅可以实现空间尺度更为精细的城市功能区识别，而且还可通过尺度上推获得更大尺度的功能区几何及属性的划分。
4．在应用上，实现了城市功能区精细划分（图4），在此基础上分析了基于SO-CNN方法进行功能区划分的影像最佳空间分辨率及超对象最佳空间尺度，提出了适应于功能区划分结果评价的精度检验方法。

图1 基于“像元-对象-超对象”的高分遥感影像地学计算层次概念图

图2 超对象空间均质性示意图

图3 基于SO-CNN的城市功能结构感知模型

图4 基于SO与基于街区数据的城市功能区划分结果对比
上述研究成果发表于国际遥感领域顶级期刊《Remote Sensing of Environment》上：Wen Zhou, Dongping Ming*, Xianwei Lv, Keqi Zhou, Hanqing Bao, Zhaoli Hong, 2020. SO–CNN based urban functional zone fine division with VHR remote sensing image. Remote Sensing of Environment, 236: https://doi.org/10.1016/j.rse.2019.111458. [IF2018=8.218]
全文链接：https://doi.org/10.1016/j.rse.2019.111458





附件2019120909195692853.pdf(36.478867MB)