论文部分内容阅读
功能区可以反映城市的空间结构布局,作为社会经济活动的载体,对城市的资源配置及规划管理具有重要的意义。功能区划分涉及到两个关键问题,分别是功能区基本判别单元的确定和基本单元的功能属性判别。针对功能区基本单元划分这一问题,为了得到空间尺度更为精细的功能区划分结果,本文提出了超影像对象(SIO)的概念并将其作为功能区基本单元,同时在文章中也对与其相似的概念做了区分与梳理。对于超影像对象的分割,本文采用分形网络演化算法(FNEA),为了验证该方法的可行性与有效性,文章中不仅对其结果进行了定性的目视评价,同时也将利用FNEA划分得到的SIO与其他类型的功能区结果进行了定量的统计对比。针对功能区基本单元的功能属性判别,本文采用基于对象的卷积神经网络算法(CNN)对每个超影像对象进行功能属性判别。首先在研究区域运用随机点生成算法生成分类投票点,同时对每一个超影像对象均生成一个中心点作为补充,以并保证每个SIO中均至少有一个投票点。在此基础上利用训练好的CNN模型以投票点为中心对卷积窗口内的场景进行类别属性判断,并将窗口内地物的整体属性赋予中心点。最后通过统计SIO中不同功能类别的投票点的频率来判断整个功能区的属性,该过程一定程度上也使得部分CNN的误分类结果得到了修正。功能区划分不可避免的涉及到尺度问题,不同的应用目的、应用群体对功能区有着不同的空间尺度要求;功能区划分过程中不同的环节也涉及到不同的处理尺度。因此对于尺度的问题的讨论便不可避免。本文探究了功能区划分过程中的可塑面积单元问题,包括超影像对象的最佳分割尺度,及CNN卷积窗口大小对功能区划分的影响;本文也探究了功能区划分结果的尺度推绎问题,验证了从本文所得的功能区精细划分结果得到更粗粒度结果的可行性。针对不同的功能区,本文也分析了SIO空间尺度及CNN的卷积窗口对其的影响。同时本文也分析了利用SIO-CNN方法进行功能区划分时的影像最佳分辨率选择问题,并得出了影像空间分辨率要高于2m的结论。功能区地物类型的复杂性决定了功能区内包含多种类型的地物,因此其分类精度检验方法与传统的面向对象的影像分析方法(OBIA)存在差异。针对该问题,本文探究了基于点样本和基于面样本的两种不用的检验方法在功能区划分评价中的表现,并得出了基于面样本的精度检验方法更适合功能区分类精度检验的结论。实验结果显示,本文所提出的结合FNEA与CNN的功能区划分方法所得的功能区边界更为精确,且精度达到了91.09%。