一种基于图卷积网络的多源数据协同的城市功能区识别方法

本发明涉及多源多模态数据处理分析与应用领域，更确切地说，它涉及一种基于图卷积网络的多源数据协同的城市功能区识别方法。

背景技术：

1、城市是人类社会发展到一定阶段的产物，包括空间、经济、人口、功能等多个要素。在其发展过程中会逐渐形成行政办公区用地、教育科研用地、工业用地等不同职能属性的城市功能区在城市空间上显示。不同的功能区分布形式，造成了城市的复杂性。在全球快速城市化的背景下，城市空间构成不断融入新的元素，造成了不同区域尺度的功能区域分异，随之而来的是一系列城市问题，如城市功能结构单一、空间分异、资源配置不当等。因此城市功能区识别成为科学、合理的掌握城市职能空间变化状况，快速地掌握城市空间结构发展朝向，客观了解城市空间系统运作规律的必要方法。

2、遥感技术的发展可以帮助我们快速、准确、低成本与周期性的获取城市地表信息，是目前城市信息提取的重要工具，如通过利用光谱、纹理等像元特性完成城市地表覆盖和土地利用信息的提取与分类。然而，只凭借遥感影像完成“城市建设用地”等的提取与“城市扩张”监测等任务，会导致城市土地利用信息不能及时更新。原因在于遥感影像使用时存在几种不足之处：①城市功能区识别分类时对于遥感图像自身的质量要求较高，低分辨率影像会限制预测准确度；②区域地块功能类型与人类社会经济活动有关，只凭借遥感图像难以区分具有相似物理属性的地物。③卫星遥感影像时效性不足，其次再考虑到季节、云层等对图像的影响，会进一步降低识别的准确率。互联网技术的发展促使了如社交网络等新的社交媒体的涌现。这些不同的互联网社交媒体产生了大量的社会经济数据，吸引了越来越多的研究者去关注这些信息，挖掘其中存在的价值。

3、将遥感影像与社会经济数据相结合，有利于实现信息互补，完成城市功能区精细识别任务。然而，遥感数据和社会经济数据在来源和数据组织方式不同。一般来说，遥感图像以面的形式覆盖研究区域，社会经济数据是基于位置的，多以点、破折号或多边形出现。此外，社会经济数据可能是基于时间的，而不是基于空间的。融合这些多源数据并不是一件容易的事情，特别是缓解它们之间的模态差距和异质性。现有的基于深度学习的方法虽然能凭借其构建的特征映射空间，实现特征关联。但是，并非所有的特征都具有同等的重要性。因此，发展针对城市功能区的多源数据协同的高精度识别方法，在对城市进行对城市功能的格局精细研究，可协助管理层进行城市结构布局，做出科学的引导，改变不合理的空间布局和编制未来发展计划，对于保证工程建设质量，提高生产效率具有重要意义。

技术实现思路

1、本发明的目的是针对现有技术的不足，提出了一种基于图卷积网络的多源数据协同的城市功能区识别方法。

2、第一方面，提供了一种基于图卷积网络的多源数据协同的城市功能区识别方法，包括：

3、步骤1、获取遥感影像和社会经济数据，并进行数据预处理；

4、步骤2、对预处理后的遥感影像进行分割，确定影像特征提取的单元；并确定社会经济数据特征的类型；

5、步骤3、针对多源数据表现形式，进行特征提取与特征构建；

6、步骤4、将卷积提取的特征与社会经济数据的特征进行拼接，作为图计算的基础特征数据，并进行图卷积计算；

7、步骤5、基于图计算的结果，识别城市功能区分划形式。

8、作为优选，步骤1中，所述社会经济数据包括路网数据、poi数据和建筑物足迹数据；步骤1包括：

9、步骤1.1、对遥感影像进行几何校正和辐射校正；

10、步骤1.2、对路网数据进行简化、合并和几何校正；并根据不同层级的路网建立缓冲区，将研究区域划分为一系列路网单元，为分割影像提供数据基础；

11、步骤1.3、对poi数据进行过滤，排除没有清晰类别描述标识和位置信息的数据；并根据预设的规划标准将poi数据的类别进行重新划分，再将poi数据的坐标系进行转换；

12、步骤1.4、将建筑物足迹数据和遥感影像进行比对，并根据比对结果对建筑物足迹数据进行删除或增加。

13、作为优选，步骤2中，所述确定社会经济数据特征的类型，包括：计算路网单元内的poi频率特征；计算路网单元内建筑物的面积、周长和楼层数特征。

14、作为优选，步骤2中，poi频率特征计算的公式为：

15、

16、

17、其中，i表示poi类型；ni表示在街区块中第i种poi类型的数量；ni表示第i种poi总数；fi表示指第i种类型的poi在该类型poi总数中的频率密度；ci代表第i种类型的poi的频率密度与该区块中所有类型的poi的频率密度之比。

18、作为优选，步骤3中，使用卷积网络提取遥感影像的光谱、纹理特征，卷积网络特征提取的计算公式为：

19、

20、其中，x是卷积核，(k,l)分别表示卷积核宽、高；wk,l是k行l列的权重参数；b是偏置项；f表示非线性计算；on,m为特征图(n，m)处的值；(i，j)是卷积核在图像上滑动的行列数。

21、作为优选，步骤4中，图卷积计算的公式为：

22、

23、其中，i是与邻接矩阵a同阶的单位矩阵，是的度矩阵，hi是i层的特征矩阵，wi是第i层的权值矩阵，σ是非线性激活函数。

24、作为优选，步骤5中，使用softmax函数与交叉熵损失函数确立最优的多源数据特征所构成的图结构，实现多源数据特征的互补，完成城市功能区的识别。

25、第二方面，提供了一种基于图卷积网络的多源数据协同的城市功能区识别系统，用于执行第一方面任一所述的基于图卷积网络的多源数据协同的城市功能区识别方法，包括：

26、预处理模块，用于获取遥感影像和社会经济数据，并进行数据预处理；

27、确定模块，用于对预处理后的遥感影像进行分割，确定影像特征提取的单元；并确定社会经济数据特征的类型；

28、提取模块，用于针对多源数据表现形式，进行特征提取与特征构建；

29、拼接模块，用于将卷积提取的特征与社会经济数据的特征进行拼接，作为图计算的基础特征数据，并进行图卷积计算；

30、识别模块，用于基于图计算的结果，识别城市功能区分划形式。

31、第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的基于图卷积网络的多源数据协同的城市功能区识别方法。

32、本发明的有益效果是：本发明提出的基于图卷积网络的多源数据协同的城市功能区识别方法，是联合多源数据特征来对城市功能区进行识别。提出的识别框架，简单有效，易于实现。此外，识别框架中，不仅利用了高分二号多光谱遥感数据提供的地物分布状况及其性质的空间信息，同时考虑到了功能区自身的特点，利用兴趣点数据、建筑物轮廓数据、路网数据数据与遥感数据进行协同应用，充分的利用多源数据间的互补性，达到较高精度的城市功能区识别。总之，本发明提出的方法可以提高城市功能区的精度，克服了传统使用单一多光谱影像识别城市功能区时，由于区域地物组成复杂，光谱特点多变而导致的城市功能区识别精度不高的问题，实现较高精度的城市功能区识别。因此，本发明提出的方法具有重要的实际应用意义。