栅格DEM微地形分类的卷积神经网络法

周访滨; 邹联华; 刘学军; 孟凡一

doi:10.13203/j.whugis20190311

栅格DEM微地形分类的卷积神经网络法

周访滨^{1, 2,},
邹联华¹,
刘学军^3, ,,
孟凡一¹

1.
长沙理工大学交通运输工程学院，湖南长沙，410114
2.
特殊环境道路工程湖南省重点实验室(长沙理工大学)，湖南长沙，410114
3.
南京师范大学地理科学学院，江苏南京，210023

基金项目:

国家自然科学基金 41671446

国家自然科学基金 41371421

特殊环境道路工程湖南省重点实验室(长沙理工大学)开放基金 kfj140502

长沙理工大学学术学位研究生科研创新项目 CX2020SS17

详细信息

作者简介:
周访滨，博士，主要研究方向为数字地形分析。Arthur1975@126.com

通讯作者:
刘学军，博士，教授. E-mail: liuxuejun@njnu.edu.cn

中图分类号: P237
计量
- 文章访问数: 1234
- HTML全文浏览量: 354
- PDF下载量: 198
出版历程
- 收稿日期: 2020-06-14
- 发布日期: 2021-08-04

Micro Landform Classification Method of Grid DEM Based on Convolutional Neural Network

1.
School of Traffic & Transportation Engineering, Changsha University of Science & Technology, Changsha 410114, China
2.
Key Laboratory of Special Environment Road Engineering of Hunan Province, Changsha University of Science & Technology, Changsha 410114, China
3.
School of Geography, Nanjing Normal University, Nanjing 210023, China

Funds:

The National Natural Science Foundation of China 41671446

The National Natural Science Foundation of China 41371421

the Open Fund of Key Laboratory of Special Environment Road Engineering of Hunan Province (Changsha University of Science & Technology) kfj140502

the Scientific Research and Innovation project by Graduate Students of Academic Degree in Changsha University of Science & Technology CX2020SS17

More Information

Author Bio:
ZHOU Fangbin, PhD, specializes in digital terrain analysis.E-mail: Arthur1975@126.com

Corresponding author:
LIU Xuejun, PhD, professor. E-mail: liuxuejun@njnu.edu.cn

摘要

摘要: 针对传统规则化知识的栅格数字高程模型(digital elevation model, DEM)微地形分类方法自动化程度低、分类不完全等缺陷，构建了一种适用于栅格DEM微地形自动分类的卷积神经网络(convolutional neural network, CNN)模型。借助该模型具有自动深入学习样本数据和挖掘隐含分类信息的优势，提出了栅格DEM微地形分类的卷积神经网络方法并创建了其自动化实现流程。以山体部位分类为典型样例进行实验验证分析，实验结果统计显示：在山体部位分出的山顶、山肩、背坡、麓坡、趾坡和冲积地6类微地形中，分类精准程度最高的为冲积地，最低的为趾坡，准确率分别达到了99.64%和92.95%；栅格DEM数据的像元大小影响其分类准确率，5 m×5 m的栅格DEM比2.5 m×2.5 m和10 m×10 m更适应山体部位分类的卷积神经网络法。
- 地形分类 /
- 栅格数字高程模型 /
- 卷积神经网络 /
- 山体部位
Abstract:
Objectives Micro landform classification of grid digital elevation model (DEM) is the foundation of digital landform refinement application and has broad application prospects in pedology, urban planning, civil engineering, military affairs, diplomacy, etc. However, problems, e.g., low degree of automation and incomplete classification, are still existed in the micro landform classification method of grid DEM based on regular knowledge. With the advantages of convolutional neural network (CNN), a CNN method for grid DEM micro landform classification is constructed and its automated implementation process and approach are created.
Methods Taking the advantage of CNN that can automatically learn the sample data and mine the hidden knowledge of the data set, it can automatically learn the features of the micro landform data set and realize the automatic classification of the micro landform combining with the micro landform data. Firstly, the plane curvature, section curvature, slope and elevation of grid DEM in the experimental area are extracted as data sets. According to the decision table and prior knowledge, the hill-position of the sample data set is divided into 6 types, including summit, shoulder, back-slope, foot-slope, toe-slope and alluvium. Among which, 2/3 data are used as the training set, and the remaining sample data are used as the test set. According to the data requirements of the CNN and the characteristics of the data set, a convolution layer is constructed, which can automatically learn the data characteristics in training set, determines the training model, and uses the test set to evaluate the model?s accuracy. After the model meets requirements of the accuracy, the new micro landform factor generalizes the model are entered and the results of landform classification are outputted, i.e., the model is used to automatically classify hill-position of the grid DEM data.
Results CNN is used for grid DEM micro landform classification. The experimental results show that the overall accuracy of the model test dataset established by the selected typical sample points in the experimental area reaches 97.95%, and the Kappa index is 0.974 9, which demonstrates the applicability of the CNN algorithm in micro landform classification. CNN method has a strong dependence on landform category knowledge contained in typical sample points. Incomplete description of local shape category feature knowledge will affect the CNN algorithm in mining implicit knowledge directly, resulting in inconsistent adaptability to 6 types of micro landform. The highest classification accuracy of alluvium is 99.64%, while the lowest are toe-slope with 92.95%, and the accuracy rates of summit, shoulder, back-slope and foot-slope are 95.89%, 99.58%, 99.08% and 98.87%, respectively. The incomplete degree based on superposition analysis is 35.91%, while the method based on CNN does not exist incomplete. The reason is that superposition analysis is a classification method of multi-factor system for each grid node. For different regions, the landform complexity is inconsistent, and the incomplete degree range is uncertain. The CNN method takes its advantage of back propagation to solve the problem of incomplete classification. The classification accuracy of CNN method for micro landform classification of grid DEM data with different pixel sizes is different, among which, the average classification accuracy of the pixel size of 5 m is the highest with 97.67%. The classification accuracy rate with the pixel size of 10 m is relatively lower with 96.09%. The grid DEM with the pixel size of 5 m has the lowest accuracy dispersion of classification results of each category among the 6 types of hill-position, and shows strong adaptability to all type of landform. In summary, grid DEM with the pixel size of 5 m is more suitable for automatic classification of micro landform based on CNN.
Conclusions Automatic classification of hill-position realized by CNN model is suitable for grid DEM micro landform classification. Compared to the classification method based on rule knowledge, the complicated data overlay analysis process is avoided and the completeness is improved. The overall accuracy of the model reaches 97.95%, among which, the highest classification accuracy is alluvium with 99.64%, while the lowest is toe-slope with 92.95%. Considering the influence of the pixel size of the grid DEM data on the classification accuracy, the grid DEM of 5 m × 5 m is more adaptable than 2.5 m × 2.5 m and 10 m × 10 m.
- landform classification /
- grid digital elevation model (DEM) /
- convolutional neural network /
- hill-position

HTML全文

2017年中共中央办公厅、国务院办公厅印发了《关于建立资源环境承载能力监测预警长效机制的若干意见》,明确建立健全资源环境承载力监测与预警体系是推进中国生态文明建设的关键环节。而资源环境承载力精细评价技术与方法的研究是构建该体系的核心内容,也逐步得到越来越多学者的关注。

国内学者围绕资源环境承载力的基础理论、评价方法及实践应用等方面,在国家级、区域级、城市级等不同尺度下对土地^[1-3]、水^[4]、环境要素^[5]、生态^[6]等单项以及综合的资源环境承载力评价及其预警机制^[7]进行了丰富的研究与探索。其中,在中国城镇化进程高速推进的背景下,城市土地资源逐步成为城市发展的核心资源要素^[8],土地资源承载力研究从传统的关注农业生产更多地转向其对城市化过程的约束作用。但是,以往研究多以指标体系探索为主,在评价方法方面多以宏观的全局统计为主,不能满足评价区域从全国、区域尺度研究聚焦到城市级单元时进行精细尺度分析评价的需求^[9]。

值得注意的是,在地理学研究中,空间变量及其关系在不同位置或区域可能呈现复杂、多样、各异的过程、现象或规律,即空间异质性或非平稳性特征^[10]。1996年,地理加权回归分析（geographically weighted regression,GWR）技术被提出^[11],区别于单一普适建模的传统空间统计分析方法,通过因地制宜式的空间变参数估计实现空间变量及其关系的精细化局部视角分析^[12],将关于空间关系异质性特征的研究推向一个新的阶段。随着GWR技术的发展,涌现了广义GWR（generalized GWR）^[13]、地理加权序数回归分析（geographically weighted ordinal regression, GWOR）^[14]、多尺度GWR^[15-16]和时空GWR（geographically and temporally weighted regression, GTWR）^[17]等技术扩展；与此同时,还出现了一系列其他地理加权类技术,如地理加权汇总统计（geographically weighted summary statistics,GWSS）^[18]、地理加权主成分分析（geographically weighted principal components analysis, GWPCA）^[19]和地理加权判别分析（geographically weighted discriminant analysis,GWDA）^[20]等,形成了能够满足不同层次需要的空间计量分析技术体系。但是,目前地理加权建模技术的应用仍多以单一使用为主^[21],未能充分发挥不同技术之间的互补特性,而土地资源环境承载力评价与分析为其集成应用提供了一个绝佳的应用场景。

本文针对城市土地资源承载力,以武汉市为例,探索利用地理加权建模技术贯穿整个评价过程,提供精细尺度分析评价结果,以期为城市土地资源承载力分析评价提供新的技术思路与分析视角,同时也侧面反映地理加权建模技术的集成应用效果。

1 地理加权建模技术

地理加权建模技术的本质是采用关于位置的求解,按照地理学第一定律所呈现的距离衰减规律进行权重计算,进而通过关于空间位置变化的参数估计量化表征空间变量及其关系的异质性或非平稳性特征^[21]。常用地理加权建模技术主要包括GWSS、GWPCA、GWR等技术,在地理国情分析评价中发挥不同的作用。

GWSS技术主要指采用地理加权思想对基础汇总统计量进行计算,如均值、标准差、协方差和相关性系数,其计算式分别为：

μ (x_{i}) = \frac{\sum_{j = 1}^{n} w_{i j} x_{j}}{\sum_{j = 1}^{n} w_{i j}}

(1)

s (x_{i}) = \sqrt[]{\frac{\sum_{j = 1}^{n} w_{i j} {(x_{j} - μ (x_{i}))}^{2}}{\sum_{j = 1}^{n} w_{i j}}}

(2)

c (x_{i}, y_{i}) = \frac{\sum_{j = 1}^{n} w_{i j} (x_{j} - μ (x_{i})) (y_{j} - μ (y_{i}))}{\sum_{j = 1}^{n} w_{i j}}

(3)

ρ (x_{i}, y_{i}) = \frac{c (x_{i}, y_{i})}{s (x_{i}) s (y_{i})}

(4)

式中, $x_{i} 、 y_{i}$ 分别为位置i处的自变量和因变量取值； $w_{i j}$ 为空间权重^[21]； $μ (x_{i})$ 为变量 $x$ 的地理加权均值； $s (x_{i})$ 、 $s (y_{i})$ 分别为变量 $x$ 和y的地理加权标准差； $c (x_{i}, y_{i})$ 、 $ρ (x_{i}, y_{i})$ 分别为变量 $x$ 和y的地理加权协方差和地理加权协相关系数。GWSS技术聚焦于一元或二元空间变量关系分析,可用于地理国情指标及其影响因素的探索性分析过程。

相比于传统的主成分分析技术,GWPCA技术对关于位置的地理加权方差-协方差矩阵进行正交分解,以计算对应位置的特征值与特征向量,其计算式分别为：

Σ_{i} = X^{T} W_{i} X

(5)

L_{i} V_{i} L_{i}^{T} = Σ_{i}

(6)

式中, $W_{i}$ 为空间权重矩阵； $Σ_{i}$ 为位置i处变量矩阵X的地理加权方差-协方差矩阵； $V_{i}$ 为由 $Σ_{i}$ 特征值构成的对角矩阵； $L_{i}$ 为特征向量矩阵。GWPCA技术可以识别变量空间各个主成分载荷的局部空间变化,更好地体现关于位置的横截面属性数据异质性构成,能够进行更加准确的综合评价指标计算。

基础GWR模型一般可表达为：

y_{i} = β_{0 i} + \sum_{k = 1}^{m} β_{k i} x_{i k} + ε_{i}

(7)

式中, $β_{0 i}$ 为截距项； $β_{k i} (k = 1,2, \dots, m)$ 为回归分析系数。GWR技术通过关于位置的求解,量化估计一元或多元自变量与因变量之间的关系,契合多样、复杂的评价指标分析评价场景,尤其能够在针对特定指标变量的影响要素或成因分析过程中发挥重要作用。

综上,GWSS、GWPCA和GWR技术覆盖了不同层次的空间数据分析需求,提供了随着空间位置而变化的量化分析视角,能够较好地满足日趋多元、精细、准确的地理国情分析评价需要,随着地理加权建模技术的不断丰富与拓展,这个技术体系的优势与特点将得到进一步凸显。

2 城市土地资源承载力评价

本文以2019年武汉市主城建成区范围内的土地承载力评价为例,采用基于地理加权建模的方法流程评价主建成区街道级土地承载压力状况,并结合相关要素进行成因分析。本文所采用的评价流程如图1所示,其中AHP（analytic hierarchy process）为层次分析法。

图 1 城市土地承载压力评价技术流程图

Figure 1. Technical Flowchart of Urban Land Resource Carrying Capacity Evaluation

下载: 全尺寸图片幻灯片

如图1所示,本文采用武汉市地理国情监测数据、统计数据、专项调查数据以及新的时空大数据等多源数据,从人口、经济、建设和交通4个方面对城市土地资源承载力进行评价。这四类要素通常被认为是城市系统研究的核心元素,其分布大体上能够反映城市空间利用情况。人口和经济是地理国情监测中常见的社会经济专题数据,建设和交通要素与城市化、存量土地利用等专题相关,基于这4个方面进行土地承载力分析评价基本能够满足地理国情监测中资源环境承载力和国土空间开发适宜性评价的需求。

本文各项指标统计以建成区范围内的街道区域为统计单元,因此需要采用尺度上推和下推等技术对多源时空数据进行融合操作,进而完成街道单元的评价指标计算。

以经济指标为例,其数据来源为武汉市统计年鉴数据,需要采用尺度下推技术实现街道单元的经济指标计算^[22]。具体来说,本文所需的街道国内生产总值（gross domestic product,GDP）数据可分为每个街道内一产、二产和三产增加值之和,根据每个街道单元内各类产业用地面积占比,对统计年鉴中所提供的区级经济数据进行折算与汇总。街道GDP数据尺度下推规则的计算式为：

G D P_{s} = P_{d} \frac{A_{p s}}{A_{p d}} + S_{d} \frac{A_{s s}}{A_{s d}} + T_{d} \frac{A_{t s}}{A_{t d}}

(8)

式中, $G D P_{s}$ 表示街道尺度GDP； $P_{d}$ 为区第一产业增加值； $A_{p s}$ 、 $A_{p d}$ 分别表示街道和区级单元的第一产业用地面积占比； $S_{d}$ 为区第二产业增加值； $A_{s s}$ 、 $A_{s d}$ 分别表示街道和区级单元的第二产业用地面积占比； $T_{d}$ 为区第三产业增加值； $A_{t s}$ 、 $A_{t d}$ 分别表示街道和区级单元的第二产业用地面积占比。

本文采用的产业用地数据主要来自于地理国情监测和专项调查数据,其详细说明见表1。

表 1 各类产业用地数据说明

Table 1. Land Data Description of Each Industry

产业类型	产业用地数据
第一产业	地表覆盖分类中的耕地、园地
第二产业	工业用地、地理国情城镇功能单元中的工矿企业
第三产业	第三产业增加值包括教育医疗、交通运输仓储和邮政业、批发和零售业、住宿和餐饮业、金融业、房地产业、其他服务业

下载: 导出CSV

| 显示表格

2.1 土地资源承载压力评价

2.1.1 单项评价

本文从人口、经济、建设和交通四类土地承载对象出发,对城市土地承载压力构建指标体系分别进行单项评价,在此基础上采用PCA和AHP选取典型单项指标,包括常住人口密度、地均GDP、容积率、建筑密度和拥堵里程占比进行土地资源承载压力综合集成评价,其评价指标如表2所示。本文所使用的专题数据时间点统一为2018年12月底。

表 2 土地承载压力指标

Table 2. Indices of Land Resource Carrying Pressure

评价指标	城市生活空间	工业生产空间
人口	常住人口密度
	就业（三产）人口密度	就业（二产）人口密度
	流动人口密度
经济	地均GDP（三产为主）	地均GDP（二产为主）
	地均财政收入
	地均固定资产投资额
建设	容积率
	建筑密度
	地均公园绿地面积	—
交通	道路网密度
	公交、轨道交通线路密度
	夜间道路停车密度
	拥堵指数

下载: 导出CSV

| 显示表格

本文使用的常住人口和流动人口来源于武汉市公安局提供的街道级统计数据,就业人口数据来源于百度地图慧眼数据平台（https：//hui

yan.baidu.com）就业人口50 m格网数据。图2（a）展示了武汉市建成区常住人口密度,其平均值为11.42×10³人/km²,常住人口明显聚集在中心城区,且由中心城区向外逐渐下降,最大值位于江汉区前进街,达到105.99×10³人/km²,密度较小的街道包括黄陂区的天河街、青山区（化工区）的武钢集团公司等街道,常住人口则相对较为稀疏。

图 2 武汉市建成区土地承载压力典型单项指标

Figure 2. Typical Indicators of Land Carrying Capacity Pressure in Built-up Area of Wuhan City

下载: 全尺寸图片幻灯片

图2（b）展示了武汉市街道地均GDP分布,显示值较高的街道主要分布于江汉区、江岸区、硚口区和武昌区长江南岸区域的街道。这些街道经济结构以第三产业为主,人口聚集且街道面积相对较小,如地均GDP最高的新华街,街道GDP共100.64亿元,其中第三产业增加值100.12亿元,第二产业增加值仅为0.52亿元,但其街道面积仅1.17 km²。地均GDP较低的街道主要位于青山区（化工区）、蔡甸区、黄陂区等建成区边缘,人口密度相对较低,街道GDP较小或街道面积很大,从而导致地均GDP值较小。

容积率指街道内建筑面积总和除以建筑用地面积总和,其街道级分布如图2（c）所示。容积率较高的街道主要集中在长江北岸、汉江西北部的汉口区域,如江汉区、江岸区、硚口区,这些区域多为商业或居住中心；容积率较小的街道主要分布在青山区、东湖生态风景区、经济技术开发区和黄陂区西南部等建成区边缘以及汉江西南部位于汉阳区的部分街道,这些街道主要以工业企业用地或大型公共设施用地为主。

图2（d）展示了武汉市建成区建筑密度分布。建筑密度较高的街道主要分布在汉口和武昌老

城区,以江汉区最为密集,其次部分街道分布于武昌区,这些区域建设时间较早,主要为居民生活空间,居民建筑密集,土地承载压力较大。此外,高建筑密度区域出现在研究区边缘,如黄陂区的三里屯街、青山区原武钢集团区域,多为工业空间,但以低层建筑为主。建筑密度较低的街道主要分布在汉阳区、洪山区、东湖技术开发区等,以外围区域为主。

如图2（e）所示,拥堵里程占比在空间上呈现出内高外低的分布形态。拥堵程度较为严重的街道主要集中分布在东湖新技术开发区、武昌区和洪山区,由于处于或接近城市中心,且街道学校、居民楼和商业中心分布较多,交通流量大,容易出现高峰时期拥堵的现象,如武昌区的珞珈山街道和洪山区的卓刀泉街道,拥堵里程占比分别达到了0.56和0.39。拥堵程度较轻的街道主要集中在蔡甸区、汉阳区、青山区和江夏区等区域,常住人口较少,交通压力相对较小,拥堵里程占比多数位于0.1以下。

2.1.2 土地承载压力集成评价

基于单项评价的指标结果,采用GWPCA方法对4个维度的指标进行集成评价,综合分析武汉市主城建成区的土地承载压力状况。

首先,为了消除不同单项指标度量单位、量纲以及数量级的影响,分别对其进行标准化和无符号化处理,具体可采用最小-最大标准化方法,对正向指标和负向指标分别进行标准化,计算式分别为：

正向指标：

r_{i j} = \frac{p_{i j} - m i n (p_{i j})}{m a x (p_{i j}) - m i n (p_{i j})}

(9)

负向指标：

r_{i j} = \frac{m a x (n_{i j}) - n_{i j}}{m a x (n_{i j}) - m i n (n_{i j})}

(10)

式中, $r_{i j}$ 为评价指标的标准化值； $p_{i j}$ 为正向指标值； $n_{i j}$ 为负向指标值。

通过GWPCA技术计算标准化指标的局部特征向量矩阵 $L_{i}$ ,进而计算i位置的局部主成分得分 $T_{i}$ ,计算式为：

T_{i} = X L_{i}

(11)

根据 $T_{i}$ ,取第一主成分向量对应得分作为单项指标相对集成评价结果。

根据GWPCA计算结果,各街道第一主成分的方差贡献率均在65%以上,可表征原始数据变量主要特征,因此可将第一主成分的得分视为土地综合承载压力的评价结果,如图3所示。建成区土地综合承载压力呈现出由环线向外递减的趋势,压力高的地区集中在江汉区、江岸区、武昌区和硚口区,且压力最大值位于长江与汉江交汇处；黄陂区、东湖高新区、青山区等综合承载压力相对较小,这与武汉市建成区开发程度与社会经济发展情况较为相符。

图 3 武汉市建成区土地综合承载压力指标

Figure 3. Comprehensive Indicator of Land Carrying Capacity in Built-up Area of Wuhan City

下载: 全尺寸图片幻灯片

GWPCA第一主成分的各指标变量对应的载荷值分布如表3所示,可看出每个变量在不同街道呈现了典型的异质性分布特点。其中,人口密度和容积率指标对第一主成分的载荷值明显高于其他指标,说明对综合压力指标贡献最大,但对应的标准差值较小,说明在研究区各个街道均呈现了较大影响,而建筑密度和拥堵里程占比指标载荷有较大的标准差,也如图2（d）和图2（e）所示,呈现出较为明显的分异性特征。

表 3 GWPCA第一主成分载荷量

Table 3. Loadings of the First Principal Component from GWPCA Results

统计指标	人口密度	地均GDP	容积率	建筑密度	拥堵里程占比
最小值	0.548	0.327	0.468	0.369	0.094
最大值	0.627	0.377	0.503	0.502	0.411
平均值	0.592	0.358	0.482	0.435	0.292
标准差	0.024	0.011	0.009	0.046	0.106

下载: 导出CSV

| 显示表格

通过对第一主成分的各指标载荷分布情况进行聚类分析,如图4所示。各街道的聚类结果从城市中心向外围呈现较为明显的圈层分布差异,人口密度、地均GDP和容积率均呈现较大的载荷值,拥堵里程占比在城市中心载荷值较低,在外围城区街道呈现较大的载荷值,而建筑密度与之相反,呈现中心载荷高、四周载荷低的特点。

图 4 地理加权主成分评价指标第一主成分载荷图

Figure 4. Glyph Plot of Loadings of the First Principal Component from GWPCA Results

下载: 全尺寸图片幻灯片

由此可见,武汉市建成区的土地综合承载压力主要表现为建设用地使用强度和人口聚集所带来的压力,而建筑密度和交通拥堵对土地综合承载压力的贡献在中心城区街道和周边区域呈现出较大差异。人口与经济要素对综合承载压力在整个城区呈现了均质化的较大影响,也凸显了其重要性程度；而建筑和交通要素在城市中心城区与周边区域呈现了较大区别,这也体现了不同区域间建设过程与发展阶段的差异。

值得注意的是,采用GWPCA技术进行集成评价,其效果很大程度上取决于所选取的要素合理性,可通过观察其局部方差贡献率和主成分载荷量进行辅助判断。

2.2 影响要素与成因分析

2.2.1 基于GWSS的相关性分析

本文选取兴趣点（point of interest,POI）混合度、房价、通勤指数、公交线路重复度、轨道交通站点数等要素对上述建成区土地承载压力综合评价指标进行影响要素分析与成因探索,探究城市空间功能和建成区间的关联关系与影响作用差异。

首先采用GWSS方法对上述影响要素和土地承载压力综合评价指标进行相关性分析。以房价为例,其与综合承载压力的地理加权相关系数分布如图5所示。各街道房价均价和土地承载压力的相关系数均为正,表明房屋价格与土地承载压力之间存在不同程度正向关系,整体的相关性分布呈现近似环状分布,外围高、中心低。武昌区和江汉区、江岸区等沿江街道的房价与土地承载压力指标相关性相对较弱,而周边新开发的街道,如江北东西湖区、汉南区等区域系数值较高,房价与对土地承载压力综合指标之间关联性较强,体现了城市新开发区与中心城区土地承载压力的不同特点。

图 5 房价与土地承载压力综合评价指标地理加权相关系数空间分布图

Figure 5. Geographically Weighted Correlation Coefficients Between Comprehensive Indicator of Land Carrying Capacity and House Price

下载: 全尺寸图片幻灯片

2.2.2 基于GWR的成因分析

在相关性分析基础上,本文分别采用线性回归分析和GWR技术分析影响变量对建成区土地综合承载压力的影响。表4给出了全局线性回归的求解结果。总体来说,POI混合度和通勤指数表现为较强的负向影响,而房价则呈现了明显的正向作用,且系数估计的绝对值最大。公交线路重复度对土地承载压力表现出一定程度的正向影响,而轨道交通点数分布的作用不明显。

表 4 线性回归分析结果

Table 4. Results of Linear Regression

解释变量	估计值
POI混合度	-0.13
通勤指数	-0.17
房价均价	0.27
公交线路重复度	0.015
轨道交通站点数	-0.004

下载: 导出CSV

| 显示表格

线性回归分析结果体现了全局意义下的影响因子系数,但部分参数估计值难以进行合理解释,如公交线路重复度和轨道交通站点数。本文采用GWR技术对上述模型进行求解,得到调整R²值为0.69,在拟合优度方面有明显改善与提升。

仍然以GWR模型房价系数估计为例,其空间分布如图6所示。其估计结果与全局线性回归分析的结果符号一致,保持正向影响。与图5中展示的分布类似,整体上,建成区房价均价对土地综合承载压力的作用强度由东北向西南呈增加趋势。汉阳区的江堤街、洲头街、龙阳街、五里墩街等以及洪山区的张家湾街和武汉经济技术开发区的沌阳街等街道,其房价对土地综合承载压力具有较强的影响,而位于建成区中心区域的江岸区台北街、大智街、球场街、四维街、西马街等街道,房价系数的估计值较小。由于中心区域的开发建设时间较早且程度较高,新房开发多以城市空间改造为主,且房价高低与周边已开发的小区紧密相关；而汉阳区、洪山区和武汉经济技术开发区等区域内多以新增空间开发为主,房价与土地开发活动紧密相关,故对土地承载压力的估计系数较大。

图 6 GWR模型房价系数估计空间分布图

Figure 6. Coefficient Estimates of House Price of GWR Model

下载: 全尺寸图片幻灯片

为了进一步展示GWR模型的解释效果,图7展示了GWR模型的局部R²值分布,R²值普遍高于0.7,而且高值集中在中心城区,表明GWR模型在该区域拟合优度更好,分析结论的解释效果也更为可靠。

图 7 GWR模型局部R²值空间分布图

Figure 7. Local R² Values of GWR Model

下载: 全尺寸图片幻灯片

总体来说,GWR技术能够提供精细尺度视角下的多元成因要素关系分析方案,量化估计不同要素在研究区域内呈现的分异性影响。

3 结语

本文基于GWSS、GWPCA和GWR等地理加权建模技术对武汉市建成区土地资源承载力进行分析评价,从精细尺度视角进行城市级土地资源承载力评价分析,也在复合应用场景下,实现对不同地理加权建模技术的集成应用,充分挖掘其互补性特征与综合应用效果。随着地理加权建模技术的不断拓展,如多尺度GWR技术^[16]、地理加权人工神经网络^[23]以及其时空拓展^[17]等可被更多用于此分析评价框架,而GWmodelS、GWmodel等软件^[24-25]的开发将为此技术框架在更多内容与领域的常态化分析评价提供便捷的工具支撑。

图 1 基于卷积网络的微地形分类流程图

Figure 1. Flowchart of Grid DEM Micro Landform Classification Based on Convolutional Neural Network

下载: 全尺寸图片幻灯片

图 2 样本数据空间分布图

Figure 2. Spatial Distribution of Sample

下载: 全尺寸图片幻灯片

图 3 实验区分类结果

Figure 3. Test Area Classification Results

下载: 全尺寸图片幻灯片

图 4 不同像元大小下分类结果

Figure 4. Classification Results of Different Pixel Sizes

下载: 全尺寸图片幻灯片

表 1 各类型样本数量分布

Table 1 Distribution of Each Type of Sample

类别号	坡位类型	训练样本集/个	测试样本集/个	总计/个
1	山顶	132	73	205
2	山肩	448	237	685
3	背坡	407	218	625
4	麓坡	564	266	830
5	趾坡	509	241	750
6	冲积地	568	279	847
总计		2 628	1 314	3 942

下载: 导出CSV

表 2 测试集分类结果混淆矩阵

Table 2 Confusion Matrix of Test Set Classification Results

坡位类型	山顶	山肩	背坡	麓坡	趾坡	冲积地	总计
山顶	70	0	0	3	0	0	73
山肩	0	236	1	0	0	0	237
背坡	0	0	216	0	2	0	218
麓坡	1	2	0	263	0	0	266
趾坡	0	0	0	0	224	17	241
冲积地	0	0	0	0	1	278	279
总计	71	238	217	266	227	295	1 314
总体精度/%	97.95
Kappa系数	0.974 9

下载: 导出CSV

表 3 测试集分类结果准确率统计

Table 3 Accuracy of Test Set Classification Results

类别	山顶	山肩	背坡	麓坡	趾坡	冲积地
准确数	70	236	216	263	224	278
错误数	3	1	2	3	17	1
准确率/%	95.89	99.58	99.08	98.87	92.95	99.64

下载: 导出CSV

表 4 分类残缺统计

Table 4 Classified Incomplete Statistics

方法	指标	山顶	山肩	背坡	麓坡	趾坡	冲积地	总和
叠加分析法	数目	4 425	30 474	4 451	46 039	8 127	9 030	102 546
叠加分析法	准确率/%	2.78	19.05	2.78	28.77	5.08	5.64	64.09
卷积神经网络法	数目	10 212	35 954	16 923	53 448	18 621	24 843	160 000
卷积神经网络法	准确率/%	6.38	22.47	10.58	33.40	11.64	15.53	100.00

下载: 导出CSV

表 5 各测试集分类结果准确率统计

Table 5 Accuracy Statistics of Test Set Classification Results

像元大小/m	山顶/%	山肩/%	背坡/%	麓坡/%	趾坡/%	冲积地/%	平均准确率/%	离散度
10.0	90.48	96.30	100.00	94.70	95.03	100.00	96.09	0.080 7
5.0	95.89	99.58	99.08	98.87	92.95	99.64	97.67	0.060 3
2.5	96.47	100.00	98.78	100.00	89.15	100.00	97.40	0.095 5

下载: 导出CSV

参考文献(26)

[1]	李振洪, 李鹏, 丁咚, 等. 全球高分辨率数字高程模型研究进展与展望[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1 927-1 942 doi: 10.13203/j.whugis20180295 Li Zhenhong, Li Peng, Ding Dong, et al. Research Progress of Global High Resolution Digital Elevation Models[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 927-1 942 doi: 10.13203/j.whugis20180295
[2]	周启鸣, 刘学军. 数字地形分析[M]. 北京: 科学出版社, 2006 Zhou Qiming, Liu Xuejun. Digital Terrain Analysis[M]. Beijing: Science Press, 2006
[3]	Dragut L, Dornik A. Land-Surface Segmentation as a Method to Create Strata for Spatial Sampling and Its Potential for Digital Soil Mapping[J]. International Journal of Geographical Information Science, 2016, 30(7): 1 359-1 376 doi: 10.1080/13658816.2015.1131828
[4]	Dornik A, Dragut L, Urdea P. Knowledge-Based Soil Type Classification Using Terrain Segmentation[J]. Soil Research, 2016, 54(7): 809-823 doi: 10.1071/SR15210
[5]	周访滨, 刘学军. 基于DTA山体部位分类决策方案的改进与微观地形自动分类研究[J]. 西北农业学报, 2008, 17(3): 343-346 doi: 10.3969/j.issn.1004-1389.2008.03.075 Zhou Fangbin, Liu Xuejun. Improved Hill-Position Classification Decision and Experiment of Micro Landform Classification Based on DTA[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2008, 17(3): 343-346 doi: 10.3969/j.issn.1004-1389.2008.03.075
[6]	周访滨, 刘学军. 基于栅格DEM自动划分微观地貌形态的研究[J]. 武汉理工大学学报(信息与管理工程版), 2008, 30(2): 172-175 doi: 10.3963/j.issn.1007-144X.2008.02.002 Zhou Fangbin, Liu Xuejun. Research on the Automated Classification of Micro Landform Based on Grid DEM[J]. Journal of Wuhan University of Technology(Information & Management Engineering), 2008, 30(2): 172-175 doi: 10.3963/j.issn.1007-144X.2008.02.002
[7]	李德仁. 脑认知与空间认知——论空间大数据与人工智能的集成[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1 761-1 767 doi: 10.13203/j.whugis20180411 Li Deren. Brain Cognition and Spatial Cognition: On Integration of Geo-spatial Big Data and Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 761-1 767 doi: 10.13203/j.whugis20180411
[8]	龚健雅. 人工智能时代测绘遥感技术的发展机遇与挑战[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1 788-1 796 doi: 10.13203/j.whugis20180082 Gong Jianya. Chances and Challenges for Development of Surveying and Remote Sensing in the Age of Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 788-1 796 doi: 10.13203/j.whugis20180082
[9]	刘经南, 高柯夫. 智能时代测绘与位置服务领域的挑战与机遇[J]. 武汉大学学报·信息科学版, 2017, 42(11): 1 506-1 517 doi: 10.13203/j.whugis20170324 Liu Jingnan, Gao Kefu. Challenges and Opportunities for Mapping and Surveying and Location Based Service in the Age of Intelligence[J]. Geomatics and Information Science of Wuhan University, 2017, 42(11): 1 506-1 517 doi: 10.13203/j.whugis20170324
[10]	熊伟. 人工智能对测绘科技若干领域发展的影响研究[J]. 武汉大学学报·信息科学版, 2019, 44(1): 101-105 doi: 10.13203/j.whugis20180344 Xiong Wei. Influence of Artificial Intelligence on the Development of Some Fields of Surveying and Mapping Technology[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 101-105 doi: 10.13203/j.whugis20180344
[11]	高井祥, 王坚, 李增科. 智能背景下测绘科技发展的几点思考[J]. 武汉大学学报·信息科学版, 2019, 44(1): 55-61 doi: 10.13203/j.whugis20180342 Gao Jingxiang, Wang Jian, Li Zengke. Challenges for the Development of Surveying and Mapping Technology in the Age of Intelligence[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1): 55-61 doi: 10.13203/j.whugis20180342
[12]	刘倩, 陈时雨, 蔡杨, 等. 顾及空间信息与全卷积神经网络的高分辨率遥感影像分类方法[J]. 测绘地理信息, 2020, 45(4): 93-99 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202004020.htm Liu Qian, Chen Shiyu, Cai Yang, et al. A High-Resolution Remote Sensing Image Classification Method Based on Spatial Information and Fully Convolutional Networks[J]. Journal of Geomatics, 2020, 45(4): 93-99 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202004020.htm
[13]	汪珊娜, 张华熊, 康锋. 基于卷积神经网络的领带花型情感分类[J]. 纺织学报, 2018, 39(8): 117-123 https://www.cnki.com.cn/Article/CJFDTOTAL-FZXB201808020.htm Wang Shanna, Zhang Huaxiong, Kang Feng. Emotion Classification of Necktie Pattern Based on Convolution Neural Network[J]. Journal of Textile Research, 2018, 39(8): 117-123 https://www.cnki.com.cn/Article/CJFDTOTAL-FZXB201808020.htm
[14]	秦承志, 卢岩君, 包黎莉, 等. 简化数字地形分析软件(SimDTA)及其应用: 以嫩江流域鹤山农场区的坡位模糊分类为例[J]. 地球信息科学学报, 2009, 11(6): 737-743 doi: 10.3969/j.issn.1560-8999.2009.06.008 Qin Chengzhi, Lu Yanjun, Bao Lili, et al. Simple Digital Terrain Analysis Software (SimDTA 1.0) and Its Application in Fuzzy Classification of Slope Positions[J]. Journal of Geo-information Science, 2009, 11(6): 737-743 doi: 10.3969/j.issn.1560-8999.2009.06.008
[15]	Qin Chengzhi, Zhu Axing, Shi Xun, et al. Quantification of Spatial Gradation of Slope Positions[J]. Geomorphology, 2009, 110(3): 152-161 http://www.cabdirect.org/abstracts/20103018842.html
[16]	Qin Chengzhi, Zhu Axing, Qiu Weili, et al. Mapping Soil Organic Matter in Small Low-Relief Catchments Using Fuzzy Slope Position Information[J]. Geoderma, 2012, 171(2): 64-74 http://www.sciencedirect.com/science/article/pii/S0016706111001753
[17]	王彦文, 秦承志. 地貌形态类型的自动分类方法综述[J]. 地理与地理信息科学, 2017, 33(4): 16-21 https://www.cnki.com.cn/Article/CJFDTOTAL-DLGT201704003.htm Wang Yanwen, Qin Chengzhi. Review of Method for Landform Automatic Classification[J]. Geography and Geo-information Science, 2017, 33(4): 16-21 https://www.cnki.com.cn/Article/CJFDTOTAL-DLGT201704003.htm
[18]	王磊, 马风华, 武伟, 等. 基于随机森林算法的模糊坡位分类[J]. 西南师范大学学报(自然科学版), 2018, 43(1): 10-17 https://www.cnki.com.cn/Article/CJFDTOTAL-XNZK201801003.htm Wang Lei, Ma Fenghua, Wu Wei, et al. Fuzzy Slope Position Segmentation Based on Random Forest[J]. Journal of Southwest China Normal University(Natural Science Edition), 2018, 43(1): 10-17 https://www.cnki.com.cn/Article/CJFDTOTAL-XNZK201801003.htm
[19]	方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3): 32-38 https://www.cnki.com.cn/Article/CJFDTOTAL-TJLT201103007.htm Fang Kuangnan, Wu Jianbin, Zhu Jianping, et al. A Review of Technologies on Random Forests[J]. Statistics & Information Forum, 2011, 26(3): 32-38 https://www.cnki.com.cn/Article/CJFDTOTAL-TJLT201103007.htm
[20]	赵丽娟. 基于BP神经网络的遥感影像分类研究[D]. 南昌: 东华理工大学, 2014 Zhao Lijuan. Remote Sensing Image Study of Classification Based on BP Neural Network[D]. Nanchang: East China University of Technology, 2014
[21]	周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1 229-1 251 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX201706001.htm Zhou Feiyan, Jin Linpeng, Dong Jun. Review of Convolutional Neural Network[J]. Chinese Journal of Computers, 2017, 40(6): 1 229-1 251 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX201706001.htm
[22]	Le C Y, Bengio Y, Hinton G. Deep Learning[J]. Nature, 2015, 521(7 553): 436-444
[23]	Erik D S. Deep Learning and Computational Neuroscience[J]. Neuroinformatics, 2018, 16(1), DOI: 10.1007/s12021-018-9360-6
[24]	Gu Jiuxiang, Wang Zhenhua, Kuen Jason. Recent Advances in Convolutional Neural Networks[J]. Pattern Recognition, 2018, 77(5): 354-377
[25]	Sainath T N, Kingsbury B, Mohamed A R, et al. Improvements to Deep Convolutional Neural Networks for LVCSR[C]. IEEE Workshop on Automatic Speech Recognition and Understanding, Olomouc, Czech, 2013
[26]	魏贞原. 深度学习-基于Keras的Python实践[M]. 北京: 电子工业出版社, 2018 Wei Zhenyuan. Deep Learning Python Practice Based on Keras[M]. Beijing: Publishing House of Electronics Industry, 2018

施引文献(33)

期刊类型引用(12)

1.	徐燕飞，胡振琪，陈永春，崔瑞豪，苗伟，冯占杰. 基于遥感生态指数的淮南矿区生态环境质量变化分析. 煤炭工程. 2025(01): 195-202 . 百度学术
2.	张浩斌，王婉，宋妤婧，苗林光，马超. 基于改进遥感生态指数的干旱内流区生态质量评价——以阴山北麓塔布河流域为例. 生态学报. 2024(02): 523-543 . 百度学术
3.	张昊杰，杨立娟，施婷婷，王帅. GF-6 WFV传感器数据的缨帽变换系数推导. 自然资源遥感. 2024(02): 105-115 . 百度学术
4.	钟安亚，孙娟，胡春明，谷海红. 基于RSEI的北京王平煤矿生态环境修复效果评估及预测. 矿业安全与环保. 2023(04): 89-96 . 百度学术
5.	王新驰，鲁铁定，龚循强，周秀芳. 基于改进遥感生态指数的南昌市生态环境质量监测与评价. 科学技术与工程. 2023(35): 15319-15327 . 百度学术
6.	吴群英，苗彦平，陈秋计，侯恩科，李继业. 基于Sentinel-2的荒漠化矿区生态环境监测. 采矿与岩层控制工程学报. 2022(01): 91-98 . 百度学术
7.	晏红波，杨志高，卢献健，韦晚秋，黎振宝. 基于改进RSEDI的典型喀斯特地区生态环境质量时空变化. 科学技术与工程. 2022(11): 4646-4653 . 百度学术
8.	刘建强，叶小敏，陈鋆. 面向鄱阳湖洪涝风险分析的HY-1C/D卫星CZI影像水体面积与水位关系研究. 华中师范大学学报(自然科学版). 2022(03): 505-512 . 百度学术
9.	史宇骁，李阳，孟翊，赵志远，张婷玉，王栋，袁琳. 1989—2020年长江口九段沙湿地格局演变及影响因素. 应用生态学报. 2022(08): 2229-2236 . 百度学术
10.	梁齐云，苏涛，张灿，王建，周丽丽. 基于改进遥感生态指数的黄山市生态质量评价研究. 地球物理学进展. 2022(04): 1448-1456 . 百度学术
11.	程琳琳，王振威，田素锋，柳亚彤，孙梦尧，杨玉曼. 基于改进的遥感生态指数的北京市门头沟区生态环境质量评价. 生态学杂志. 2021(04): 1177-1185 . 百度学术
12.	陈超，陈慧欣，陈东，张自力，张旭锋，庄悦，褚衍丽，陈建裕，郑红. 舟山群岛海岸线遥感信息提取及时空演变分析. 国土资源遥感. 2021(02): 141-152 . 百度学术

其他类型引用(21)

资源附件(0)

图(4) / 表(5)

计量

文章访问数: 1234
HTML全文浏览量: 354
PDF下载量: 198
被引次数: 33

1 地理加权建模技术
2 城市土地资源承载力评价
2.1 土地资源承载压力评价
2.1.1 单项评价
2.1.2 土地承载压力集成评价
2.2 影响要素与成因分析
2.2.1 基于GWSS的相关性分析
2.2.2 基于GWR的成因分析
3 结语

栅格DEM微地形分类的卷积神经网络法

作者简介: 周访滨，博士，主要研究方向为数字地形分析。Arthur1975@126.com

通讯作者: 刘学军，博士，教授. E-mail: liuxuejun@njnu.edu.cn

计量

出版历程