因传统方法单一使用遥感影像或兴趣点(point of interest,POI)数据识别城市功能区时,存在城市特征信息利用不完全、识别精度不高的问题,提出利用POI数据、遥感影像等多源数据,并将自然特征和人文特征相结合,采用基于掩膜区域卷积神经网...因传统方法单一使用遥感影像或兴趣点(point of interest,POI)数据识别城市功能区时,存在城市特征信息利用不完全、识别精度不高的问题,提出利用POI数据、遥感影像等多源数据,并将自然特征和人文特征相结合,采用基于掩膜区域卷积神经网络和样方密度法(mask region based convolutional neural network and quadrat density method,Mask R-CNN-QDM)模型识别城市功能区的方法。首先基于遥感影像采用Mask R-CNN模型识别建筑物,然后将识别结果与POI数据进行补充校验,得到结合自然特征和人文特征的分类结果,再引入面积要素对分类结果进行赋分,以计算样方密度,并采用随机抽样方式对所提方法功能区的识别精度进行评价。研究结果表明,Mask R-CNN-QDM模型的识别精确度高达0.900,平均Kappa系数为0.802,说明该方法能较好地区分单一城市功能区和混合城市功能区。展开更多
文摘因传统方法单一使用遥感影像或兴趣点(point of interest,POI)数据识别城市功能区时,存在城市特征信息利用不完全、识别精度不高的问题,提出利用POI数据、遥感影像等多源数据,并将自然特征和人文特征相结合,采用基于掩膜区域卷积神经网络和样方密度法(mask region based convolutional neural network and quadrat density method,Mask R-CNN-QDM)模型识别城市功能区的方法。首先基于遥感影像采用Mask R-CNN模型识别建筑物,然后将识别结果与POI数据进行补充校验,得到结合自然特征和人文特征的分类结果,再引入面积要素对分类结果进行赋分,以计算样方密度,并采用随机抽样方式对所提方法功能区的识别精度进行评价。研究结果表明,Mask R-CNN-QDM模型的识别精确度高达0.900,平均Kappa系数为0.802,说明该方法能较好地区分单一城市功能区和混合城市功能区。
