地表覆盖及变化数据是环境变化研究、地理国情监测和可持续发展规划的重要科学数据，其分类与制图一直是国内外研究的热点^[1]。目前主要采用遥感影像分类制图方式，由专业人员通过分析遥感影像中的光谱和纹理信息，结合专家先验知识和各种参考资料，提取地表覆盖类型和分布信息^[2]。该方法受遥感影像获取和分类技术的影响，存在生产周期长、成本高、自动化程度低等问题，难以满足地表覆盖产品快速制图的需求。为减少制图成本，满足用户对地表覆盖产品日益变化的应用需求，需要发展一种新的地表覆盖分类方法。

近年来，随着地理时空大数据的应用与发展，很多学者已经尝试将带地理标签的图片、轨迹、兴趣点（point of interest，POI）等众源地理数据应用到地表覆盖和土地利用的分类中^[3-9]。如文献[3]根据Flickr数据的图像特征，利用贝叶斯方法研制了小范围的地表覆盖分类图；文献[4]应用Geo-Wiki中的地理标记信息，通过志愿者对其所在地区的地表覆盖类型进行人工判断，实现了中等分辨率地表覆盖的分类与制图。上述两种方法需要人工解译大量的样本图片，耗时费力。文献[5]通过腾讯QQ用户的时空轨迹构建了人类时空活动指数，分析了人类活动与土地利用分类的关系，该方法的研究视角新颖，但腾讯QQ用户的轨迹数据并不公开，获取相对困难；文献[6]结合Landsat影像的植被指数特征和POI数据的类别特征，提出了城市区域土地利用的分类方法，由该方法成功得到了土地利用分类图，但其同样受限于遥感影像的获取技术。

事实上，现有方法大多聚焦于众源地理数据的位置、图像特征、人类活动聚集特征和社会经济特征等方面，忽略了其自身携带的文本语义信息，如POI文本中“餐馆”“高尔夫球场”“海滨浴场”的语义分别对应了人造地表、草地和水体等地表覆盖类别。因此，本文提出了一种利用POI文本语义的地表覆盖分类方法。

1 理论与方法

本文的研究思路如图 1所示。首先以POI数据集中的文本信息和位置信息为分类依据，构建POI文档，并应用潜在狄利克雷分布（latent Dirichlet allocation，LDA）主题模型^[10]，从POI文档中计算与地表覆盖类型相关的POI文本词语分布与主题分布；然后应用支持向量机（support vector machine，SVM）分类算法^[11]将文档中POI文本的主题分布作为输入数据，并依据部分标注的地表覆盖类型构建地表覆盖分类模型，实现地表覆盖的自动分类；最后以遥感影像地表覆盖分类结果为依据，对本文方法进行验证。

1.1 基于LDA的POI文本主题计算 1.1.1 顾及POI文本的LDA主题模型构建

为了将POI文本按照相似语义进行主题归类，并计算出归类后的POI文本的主题分布，本文选用LDA模型对POI的文本主题进行计算^[12-13]。如图 2所示，LDA模型以文档为输入变量，并假定文档是由一定分布概率下的主题Z与词语W决定的，其中，词语W由主题Z构成；θ和ϕ决定了文档中主题Z的分布概率和主题Z中词语W的分布概率；超参数α和β为模型输入参数，影响了主题Z的分布概率θ和词语W的分布概率ϕ；M为文档的数量；N为每篇文档中词语W的个数；K是主题Z的数量，为模型输入参数V。

将POI的文本信息当做单词W，相似语义的POI文本看作是一个主题Z，应用LDA模型对POI文本语义进行归类并计算其主题分布。首先，模型需要构建用于模型输入的文档d。本文考虑到距离相近的POI可能包含相同或相似的文本语义，因此把研究区划分为相同分辨率的栅格单元，并将所有落入同一个栅格单元的POI文本词语W作为一个文档。然后，将文档应用于LDA主题模型，计算文档中主题Z的分布概率θ和每个主题中POI文本词语W的分布概率ϕ，其计算公式为：

$\theta = \frac{{n_d^{(K)} + {\alpha _Z}}}{{\sum\limits_{z = 1}^K {n_d^{(K)}} + {\alpha _Z}}} $

(1)

$\phi = \frac{{n_K^{(W)} + {\beta _W}}}{{\sum\limits_{W = 1}^V {n_K^{(W)}} + {\beta _W}}} $

(2)

式中，n_d^(K)为主题Z在文档d中出现的次数；n_K^(W)为词语W在主题Z中出现的次数；V为词语W的数量。

1.1.2 LDA主题模型的参数调整

LDA主题模型中的超参数α、β与主题数K决定了文档中主题Z的分布概率θ和每个主题中POI文本词语W的分布概率ϕ。其中，α、β的取值可根据现有模型的优化参数确定，因此本文直接利用文献[14]中的优化参数，取值具体为α=50/K，β=0.1，而主题数K需要依据POI的文本语义来定。为了确定适用于地表覆盖分类的主题数K，本文引入衡量文本混合度的指标(perplexity)来计算不同主题数K下主题Z的文本语义归类情况。perplexity的计算公式为：

${\rm{perplexity}}(d) = \exp \left[ { - \frac{{\sum\limits_{d = 1}^M {\lg } p\left( {{W_d}} \right)}}{{\sum\limits_{d = 1}^M {{N_d}} }}} \right] $

(3)

式中，p(W_d)为词语W_d属于文档d的概率；N_d则为文档d中词语W的数量的大小; perplexity值表示文档属于某个主题Z的不确定性，perplexity的值越小，表示计算结果中主题Z的可信度越高。

1.1.3 POI文本主题计算

在确定模型参数α、β、K后，需要计算得到文档中主题Z的分布概率矩阵P，以及每个主题中POI文本词语W的分布概率矩阵R。其矩阵构建如下：

$\mathit{\boldsymbol{P}} = \begin{array}{*{20}{c}} {\left[ {\begin{array}{*{20}{c}} {{\theta _{ii}}}&{{\theta _{ij}}}&{{\theta _{ik}}}&{{\theta _{il}}}\\ {{\theta _{ji}}}&{{\theta _{jj}}}&{{\theta _{jk}}}&{{\theta _{jl}}}\\ {{\theta _{ki}}}&{{\theta _{kj}}}&{{\theta _{kk}}}&{{\theta _{kl}}}\\ {{\theta _{li}}}&{{\theta _{lj}}}&{{\theta _{lk}}}&{{\theta _{ll}}} \end{array}} \right]} \end{array} $

(4)

$\mathit{\boldsymbol{R}} = \begin{array}{*{20}{c}} {\left[ {\begin{array}{*{20}{c}} {{\phi _{ii}}}&{{\phi _{ij}}}&{{\phi _{ik}}}&{{\phi _{il}}}\\ {{\phi _{ji}}}&{{\phi _{jj}}}&{{\phi _{jk}}}&{{\phi _{jl}}}\\ {{\phi _{ki}}}&{{\phi _{kj}}}&{{\phi _{kk}}}&{{\phi _{kl}}}\\ {{\phi _{li}}}&{{\phi _{lj}}}&{{\phi _{lk}}}&{{\phi _{ll}}} \end{array}} \right]} \end{array} $

(5)

式中，矩阵P的行号i、j、k、l表示第i、j、k、l个主题，列号表示第i、j、k、l个文档；矩阵R的行号表示POI类型，列号表示主题。如θ_ij表示第j个文档下第i个主题的分布概率，ϕ_jk表示第k个主题下第j个POI类型的分布概率。POI文本词语W的分布概率矩阵R反映了主题归类的可信度，文档中主题Z的分布概率矩阵P反映了地表覆盖类型的分布，用于地表覆盖自动分类。

1.2 基于POI文本主题的地表覆盖分类

由于主题Z包含的POI文本词语W与地表覆盖类型具有语义的关联，且文档中主题Z的分布反映了地表覆盖类型的分布，本文依据主题Z的分布概率矩阵P，应用SVM算法来构建地表覆盖分类模型。

SVM算法中最重要的因素为核函数的选择与参数gamma、cost的取值。本文选用sigmoid作为核函数，其计算公式为：

$S\left( x \right) = \frac{1}{{1 + {{\rm{e}}^{ - x}}}} $

(6)

并应用网格搜索算法，选取gamma和cost的最优值。网格搜索算法通过遍历所有文档，采用交叉验证的方式计算不同参数下模型的分类精度，得到地表覆盖分类精度最高时参数的取值。

2 地表覆盖实验与分析 2.1 实验数据

本文以中国北京市为研究区域，实验数据集选用新浪微博、百度、高德地图的POI数据。POI数据是通过官方网站提供的应用程序编程接口（API）采集，其中，新浪微博的POI时间为2015年，百度、高德地图的POI则为2016年。如表 1所示，除了位置信息外，3种POI共有的文本属性为类型与地址。考虑到POI地址中的文本信息多为道路名称，无法反映地表覆盖信息，本文将POI类型作为用于主题分析的文本数据。去除带有未知分类等无法判断地表覆盖类型的POI后，利用POI的位置信息和文本信息，将共计928类、1 903 658个POI构建为11 916个用于主题模型输入的文档。

将POI数据与遥感影像叠加后发现，大部分POI落于人造地表中，而少量的数据落入森林、耕地、水体等非人造地表。如图 3所示，图 3(a)区域为城市，POI分布密集，文本语义中大多为商业、住宅等反映人造地表类型的主题；图 3(b)区域为森林，POI分布稀疏，文本语义多与风景区、休闲娱乐相关；图 3(c)区域为散落分布的耕地与村庄，POI分布相对较少，POI类型主要反映了乡镇、村庄等主题；图 3(d)区域靠近水体，POI多沿着水体集中分布，文本与水域和休闲度假相关。由于反映人造地表的POI相对较多，而反映森林、耕地与水体的POI数据较少，且POI文本语义在人造地表与非人造地表之间有明显区分，因此，本文将地表覆盖类型分为人造地表与非人造地表。

2.2 POI文本主题计算

考虑到现有地表覆盖数据的分辨率多为1 km，因此，本文以1 000 m×1 000 m分辨率的栅格单元为例，构建用于主题模型输入的文档d。采用perplexity指标对POI文本主题分布进行计算，旨在确定POI文本的主题数K。首先，将M个文档划分为80%的实验数据和20%的测试数据，利用80%的实验数据分别计算K∈(2，500)时文本的主题分布；继而，在现有主题分布的基础上，计算20%的测试数据下的perplexity值。

实验结果如图 4所示，perplexity值呈一条先急剧下降、后趋于平稳的曲线，随着主题数K的增加，perplexity值不断减小，且减小速度不断下降。当K=2时，perplexity值接近50 000，并在K增加至60时骤降为约10 000；当K>60时，perplexity值的下降速度明显变缓，并趋于一条平稳的直线，说明当主题数K>60并继续增加时，POI文本主题的可信度并没有明显升高。考虑到K的取值过大使得POI文档的主题数过多，导致地表覆盖分类特征冗余，故选取主题数K值为60。

为验证K=60时POI主题归类的可信度，选取了60个主题中部分主题的POI类型分布。如表 2所示，同一个主题中分布概率较高的POI往往具有相同或相似的类型。如主题3中分布概率较高的POI类型为“住宅区”“房地产”“住宅小区”等，都反映了居民住宅相关主题；主题14中“休闲场所”“农家院”“度假村”等POI类型反映了户外休闲娱乐相关主题；主题46中“采摘园”“垂钓园”“其他农林牧渔基地”等POI类型反映了农林牧渔相关主题。

2.3 地表覆盖分类

选取样本构建地表覆盖分类模型时，考虑到地表覆盖中混合地类的存在，分类样本的选择应尽量避免包含多种地表覆盖类型的POI文档。本文选取了1 064个文档，其中700个为训练样本，364个为测试样本，并人工标注每个文档的地表覆盖类型。

应用本文方法得到的地表覆盖分类模型的分类精度如表 3所示。在700个训练样本中，353个非人造地表与283个人造地表被正确分类，62个人造地表被分为非人造地表，2个非人造地表被分为人造地表，分类精度为90.86%。在364个测试样本中，分别有204个非人造地表和120个人造地表被正确分类，38个人造地表被分为非人造地表，2个非人造地表被分为人造地表，分类精度为89.01%。

依据本文提出的地表覆盖分类模型，对11 916个POI文档进行分类，得到的部分地区分类结果如图 5所示。其中，图 5(a)中散落在非人造地表中的人造地表图斑对应了图 5(d)遥感影像中被耕地包围的城镇地区，分类结果表明该模型能够识别非人造地表中的人造地表图斑；图 5(b)为稀疏的非人造地表对应了图 5(e)遥感影像中山地地区的森林，表明该模型在POI数据较少时仍能对非人造地表进行分类；图 5(c)为大面积人造地表与少数散落的非人造地表图斑对应了图 5(f)遥感影像中北京市的城市中心区，这表明分类模型能够将城市建成区分类为人造地表，同时，该区域中的水体和植被能够被分类为非人造地表。

2.4 精度验证

为检验地表覆盖分类结果，本文选用北京市2015年遥感影像，采用随机抽样的方式对上述地表覆盖分类结果进行精度验证。为减小随机抽样造成的精度验证不准确的问题，分别随机抽取1 000、2 000、3 000、4 000个样本进行目视解译工作。验证精度结果如表 4所示。4次抽样的整体精度分别为84.20%、81.95%、82.27%与82.55%；Kappa系数分别为0.554、0.487、0.498、0.503；用户精度中，非人造地表的验证精度整体高于人造地表，但验证精度差别不大，均为80%左右；而生产者精度中，非人造地表的生产者精度明显高于人造地表，分别为94%左右和50%左右。其中，被错误分类的人造地表多靠近建成区的绿地设施，包含“公园”“公园广场”等语义信息，而目视解译中将该地表覆盖类型划分为人造地表，造成人造地表生产者精度过低。与其他地表覆盖产品的制图精度相比，如Globe Land 30的整体验证精度达到80%以上^[1]，而本文方法所得分类精度与其相近。

3 结语

本文提出了一种应用POI数据进行地表覆盖自动分类的方法，其应用LDA主题模型进行POI文本信息的主题计算，并将其作为SVM分类算法的输入变量来构建地表覆盖分类模型。实验结果表明，本文方法的地表覆盖分类总体精度在82%左右，与传统基于遥感影像的分类精度相当。但是，得益于POI数据的实时更新、便捷获取以及文本自动分类方法的成熟，本文方法的生产周期和成本明显降低，自动化程度大幅度提升，可作为传统遥感影像分类的一种辅助手段，在一定程度上能够满足地表覆盖产品快速制图的需求。

本文提出的方法仍有继续深入研究和改进之处，特别是要进一步深度挖掘众源地理数据中的文本语义信息，提高地表覆盖分类精度，以弥补分辨率较低的不足；同时，需要考虑利用其他众源地理数据，对地表覆盖中的水体、森林、耕地等非人造地表进行分类；此外，还需考虑混合地表覆盖类型对分类结果与精度的影响。