基于人工智能和遥感技术的城市更新单元识别方法研究及应用
Research and application of urban renewal unit recognition method based on AI and remote sensing
通讯作者:
收稿日期: 2022-08-8 修回日期: 2023-04-7
基金资助: |
|
Received: 2022-08-8 Revised: 2023-04-7
作者简介 About authors
白婷(1992-),女,湖北随州人,博士,研究方向为深度学习、变化检测。E-mail:
当前武汉市城市更新行动,从大拆大建,进入“留改拆”并举的2.0时代,改造方式也从局部改造向成片连片更新转变。在当前2.0时代中,如何利用人工智能(Artificial Intelligence,AI)技术智能识别出城市“留改拆”单元显得尤为重要。当前AI和遥感技术已在自然资源典型地物类型识别、耕地保护和执法监察中得到广泛应用,本文第一次将AI和遥感技术用于“留改拆”单元的智能识别中,以辅助智能化城市更新行动。建立“留改拆”单元的样本,利用深度学习网络建立AI+遥感技术的智能化识别模型,选择遥感数据,进行武汉市更新片区“留改拆”单元智能化识别。通过遥感技术与深度学习算法的融合,提升了城市更新行动中“留改拆”单元识别的工作效率,为城市更新行动中的难点问题提供了科学依据。
关键词:
At present, the urban renewal action of Wuhan has changed from large-scale demolition and construction to the era of "retaining, replacing and dismantling". The transformation mode has also changed from local transformation to continuous renewal. In the current era, it is particularly important to identify urban "retained, replaced and demolished" units intelligently. Recently, the combination of AI and remote sensing has been widely used for the identification of typical surface features of natural resources, cultivated land protection, and law enforcement supervision. In this paper, we combine AI and remote sensing to identify "retention, reconstruction and demolition" units. First, we establish training samples of the "retention, replacement and demolition" unit, then use the deep learning network to establish the artificial intelligent model, and finally select the remote sensing data to carry out the identification of "retention, replacement and demolition" unit in Wuhan. The integration of remote sensing and deep learning improves work efficiency of the identification of "retaining, replacing and dismantling" units, and provides scientific basis for solving the pain points in urban renewal.
Keywords:
本文引用格式
白婷, 邓实权, 熊花, 孙开敏, 李王斌, 刘俊怡.
BAI Ting, DENG Shi-quan, XIONG Hua, SUN Kai-min, LI Wang-bin, LIU Jun-yi.
“城市更新”这一概念在西方国家已经有了上百年的历史。Roberts[1]、周翔[2]指出城市更新是以综合性、整体性的观念和行为解决城市问题,应在经济、社会、物质环境等各个方面对处于变化中的城市地区作出长远性、持续性的改善和提高。2021年,“十四五”规划和2035年远景目标首次将“城市更新”上升为国家战略,提出了“加快转变城市发展方式”和“推动城市空间结构优化和品质提升”的目标[3,4];同年,《国务院关于印发2030年前碳达峰行动方案的通知》提出了城市更新领域“杜绝大拆大建”的要求[4,5]。在此基础上,住房和城乡建设部正式印发建科〔2021〕63号文,强调城市更新行动以内涵集约、绿色低碳发展为路径,转变城市开发建设方式,坚持“留改拆”并举、以保留利用提升为主,加强修缮改造,补齐城市短板,注重提升功能,增强城市活力[6]。在实现“双碳”目标和防止大拆大建的背景下,武汉市发文,坚持“留改拆建控”并举,以主体功能区单元为基本单元,统筹老旧小区改造、拆除重建改造等更新方式,成片连片推进城市更新[7]。
城市更新方式是指实施城市更新所用的改造方法和模式,主要包括现状保留、综合整治、拆除清理、拆除重建和功能改变五种方式[8]。当前确定城市更新方式包括定性和定量两种方法,定性方法就是通过综合考虑现状建设情况、房屋权属信息、人民更新意愿、各方利益及城市规划要求等诸多要素确定城市更新方式;定量方法主要是通过更新潜力评价和建筑质量评价来构建选择模型以确定城市更新方式[8,9],一方面获取地形和自然植被等两类自然地理指标和交通运输、区位条件及基础设施等三大类社会经济指标进行城市更新潜力评价。另一方面,考虑建筑结构和建筑层数来进行建筑质量评价[10],该方法往往需要较多的地理数据进行支撑,而这些数据在实际生产中分散在不同的单位,难以获取。近年来,随着人工智能(Artificial Intelligence,AI)技术和遥感技术的发展,让快速智能化识别成片连片的“留改拆”城市更新单元成为可能。
遥感技术具有大片区对地观测的能力,AI技术具有分析学习能力,能够通过特定训练来识别文字、图像和声音等数据,当前通过遥感技术与AI技术融合,在自然资源典型地物类型识别、耕地保护和执法监察中得到了广泛应用[11,12],例如:道路要素提取、建筑物提取、自然资源类别变化检测[13⇓⇓⇓⇓-18],所以有潜力用于大片区城市更新工作中。Song等[19]利用多时相World view-2影像和支持向量机方法检测广州市天河区的低效用地。樊舒迪[20]利用神经网络模型,基于遥感数据和开放数据进行低效用地识别,并在广州市天河区进行了应用。冯东东等[21]将遥感技术与深度学习技术相结合,基于高分辨率遥感影像、建筑物轮廓及兴趣点等多元空间数据识别城中村地块,实验表明该方法可以有效地提取城中村边界。Chen等[22]结合遥感数据和社会数据,利用随机森林算法进行城中村的精细识别。上述方法的成功应用证明了遥感技术与AI相结合有潜力用于大片区“留改拆”单元智能识别中。基于此,本文首次利用AI+遥感技术进行“留改拆”单元智能识别,主要包括三个重点研究内容:(1)面向对象分割与裁剪技术;(2)“留改拆”样本标记;(3)基于面向对象UNet3+的“留改拆”智能检测方法。首先,利用面向对象分割与裁剪技术建立“留改拆”单元的样本,并进行样本标记,然后利用深度学习网络建立“留改拆”智能识别模型,并应用到武汉市大白沙地区进行“留改拆”单元智能识别。本文选择遥感技术进行大片区的数据获取,利用AI算法进行大片区“留改拆”单元智能识别,为城市的功能区分析提供一种新的思路和方法。通过遥感技术与AI技术的深度融合,提升了城市更新行动中“留改拆”单元识别的工作效率,改善了城市在建设过程中的不确定性,为实现“数字城市”的落地应用提供了科学依据,较好地贯彻了有机更新的发展理念。
1 研究方法与数据来源
1.1 研究区概况与数据来源
1.1.1 大白沙地区概况
本文选择武汉市大白沙地区作为研究区域。大白沙地区是武汉市长江主轴的重要组成部分,是百里生态长江和城市历史长廊的重要构成部分,也是武汉市主城区南大门,区域位置极为重要。该区域位于长江以东、京广铁路以西,二环线与三环线之间,是紧邻长江南岸的一线滨江片区,区域面积约12.47 km2,拥有约6.5 km的滨江岸线,包括北、中、南三个片区,如图1所示。
图1
1.1.2 研究数据
大白沙地区整体呈现“北密南疏”和“北旧南新”的建设面貌。针对大白沙北、中、南三个区域,本文选择三个数据集分别开展了“留改拆”单元智能识别研究。数据集1(图2)位于大白沙北片区,用地面积约4.2 km2,现状总建筑面积约397.55万m2(来自于2020年现状建筑测算),该片区内居住用地占比约68%,以1970—1980年代老旧低矮住宅为主,1~3层建筑用地占比约69%。数据集1影像为高分2号影像数据,来源于高分辨率对地观测系统湖北数据与应用中心,该片区像素数为1338×1048,获取时间为2020年,分辨率为2 m,包含四个波段(红波段、绿波段、蓝波段和近红外波段)。“留改拆”真值数据来源于人工判读,仅作为研究使用,不代表真实实施范围。
图2
图2
数据集1:大白沙北片区遥感影像数据和“留改拆”真值图
Fig. 2
Dataset 1: The remote sensing image and truth map of retention, reconstruction and dismantlement in Dabaisha North Area
数据集2(图3)位于大白沙中片区,用地面积约3 km2,现状总建筑面积约185.18万m2(来自于2020年现状建筑测算),该片区以工业用地和市场用地为主,两类用地约占70%,现状建筑密度为26%,以1~3层建筑形式为主。数据集2影像为高分2号影像数据,来源于高分辨率对地观测系统湖北数据与应用中心,该片区像素为1278×1043,获取时间为2020年,分辨率为2 m,包含四个波段(红波段、绿波段、蓝波段和近红外波段)。“留改拆”真值数据来源于人工判读,仅作为研究使用,不代表真实实施范围。
图3
图3
数据集2:大白沙中片区遥感影像数据和“留改拆”真值图
Fig. 3
Dataset 2: The remote sensing image and truth map of retention, reconstruction and dismantlement in Dabaisha Center Area
数据集3(图4)位于大白沙南片区,用地面积约5.25 km2,现状总建筑面积约374.24万m2(来自于2020年现状建筑测算)。以居住用地和工业用地功能为主,现状建筑密度为17%,以低矮建筑形式为主,近年新建多个高层住宅楼盘。数据集3影像为高分2号影像数据,数据来源于高分辨率对地观测系统湖北数据与应用中心,该片区像素数为1491×1455,获取时间为2020年,分辨率为2 m,包含四个波段(红波段、绿波段、蓝波段和近红外波段)。“留改拆”真值数据来源于人工判读,仅作为研究使用,不代表真实实施范围。
图4
图4
数据集3:大白沙南片区遥感影像数据和“留改拆”真值图
Fig. 4
Dataset 3: The remote sensing image and truth map of retention, reconstruction and dismantlement in Dabaisha South Area
1.2 研究方法
本文采用基于面向对象的UNet 3+“留改拆”单元检测方法进行武汉市大白沙片区的“留改拆”单元智能识别,该方法包括三个步骤:(1)面向对象分割与裁剪技术;(2)“留改拆”样本标记;(3)基于面向对象UNet 3+的“留改拆”智能检测方法。
1.2.1 面向对象分割与裁剪
1.2.2 “留改拆”样本标记
图5
图5
“留改拆”样本标记
Fig. 5
Training samples for retention, alteration and dismantlement
1.2.3 基于面向对象的Unet 3+网络模型
图6
(1)全尺度跳跃连接
本文以建立特征图
图7
图7
第三层解码层
Fig. 7
Establishment of full-scale feature graph in the third decoding layer
式中:
(2)全尺度深度监督
为了从全尺度的特征图集合中,学习多级分层的特征图,在UNet 3+中采用了全尺度深度监督[26]。与UNet ++中在生成全尺度特征图中实施的深度监督相比,UNet 3+会从每个解码器级产生一个侧面输出,并由地面真值图进行监督。为了实现深度监督,每个解码器的最后一层阶段被送到普通的3×3卷积层中,然后进行双线性上采样。为了进一步突出分割的边界,在UNet 3+中引入了多尺度结构相似指标损失函数为模糊的边界分配更大的权重,所以UNet 3+更关注模糊的边界,因为区域分布差异越大,MS-SSIM值就越高。
从分割结果
式中:
通过组合焦点损失
(3)基于面向对象的Unet 3+方法
首先,利用面向对象分割与裁剪技术建立“留改拆”单元的样本,然后利用深度学习网络建立AI+遥感技术智能化模型,应用到检测对象上进行武汉市更新片区“留改拆”单元智能化识别,流程图如图8所示。
图8
通过基于面向对象的Unet 3+方法得出的“留改拆”智能检测结果是像素检测结果,需要将像素到像素的检测结果转换为基于对象的结果,所以这里提出了像素的拆迁率参数CR,来得出对象是否需要拆。拆迁率CR和对象“留改拆”结果OC的公式如下所示:
式中:CR是拆迁率,范围在0~1之间,它的大小会直接影响最终的对象“留改拆”检测结果;ZC是对象中拆像素个数(个);LG是对象中留改像素个数(个);OC指对象的“留改拆”检测结果,当为1时,说明对象是征拆单元,当为0时,说明对象是留改单元。
1.2.4 精度评价
(1)漏检率
实际是拆的对象被检测为留改的对象所占真实变化对象的比率,其计算公式为:
(2)错检率
指检测出来拆的对象中有多少对象实际是留改的对象所占的比例,其计算公式为:
(3)总体精度
总体精度是指检测出正确的拆和留改对象个数占总体对象的的比率,反映了总体的检测准确度,其计算公式为:
三者取值在0~1之间变化。漏检率和错检率越接近0,总体精度越接近1,代表“留改拆”智能识别方法精度越高。TP表示在地面真实变化图中拆的对象,分类方法将它们正确分类为拆对象的个数(个);TN在地面真实变化图中留改的对象,分类方法将它们正确分类为留改对象的个数(个);FP表示在地面真实变化图中留改的对象,但是分类方法错误地将它们分类为拆对象;FN表示在地面真实变化图中拆的对象,但是分类方法错误地将它们分类为留改对象。
2 结果分析
图9
图10
从图9可以看出,针对数据集2,在卫星影像上可以看出厂房居多,低矮建筑物占比较高,对比真值图和检测结果,该算法的识别能力较强,能够检测出来大部分旧厂房和旧村。从图10可以看出,针对数据集3,从卫星影像上可以看出中高层建筑物较多,对比真值图和检测结果,检测效果不理想,在城市高大建筑物群中去检测拆迁区域,需要进一步优化算法。对比真值图和不同拆迁率下的检测结果,可以看出拆迁率参数不同,“留改拆”检测结果不同,说明拆迁率参数对方法的结果有影响,当拆迁率参数较小的时候,智能检测出来拆区域较大,当拆迁率参数较大的时候,检测出来的拆迁区域较小,该参数可以灵活控制留改和拆迁的比例。对比大白沙中片和南片的“留改拆”结果和真值图,获取不同拆迁率参数下的精度分析结果如表1、表2所示。
表1 数据集2的精度检测结果
Table 1
拆迁率 | 总体精度/% | 拆漏检率/% | 拆错检率/% | 留改漏检率/% | 留改错检率/% |
---|---|---|---|---|---|
0.25 | 84.80 | 1.30 | 29.90 | 22.69 | 0.90 |
0.50 | 83.59 | 14.43 | 27.49 | 17.48 | 8.61 |
0.75 | 77.16 | 44.38 | 27.26 | 11.23 | 21.22 |
1.00 | 73.03 | 62.97 | 27.52 | 7.58 | 26.86 |
表2 数据集3的精度检测结果
Table 2
拆迁率 | 总体精度/% | 拆漏检率/% | 拆错检率/% | 留改漏检率/% | 留改错检率/% |
---|---|---|---|---|---|
0.25 | 62.90 | 2.80 | 75.49 | 41.90 | 0.67 |
0.50 | 70.59 | 24.67 | 74.04 | 30.08 | 4.71 |
0.75 | 77.98 | 53.56 | 73.04 | 17.61 | 8.34 |
1.00 | 81.01 | 73.70 | 75.47 | 11.33 | 10.42 |
3 结论与讨论
3.1 结论
AI+遥感技术作为一种辅助城市治理的技术手段,具备快速、智能和科学准确等特点,为城市治理体系的建设和城市治理能力的现代化发展提供了科学保障。本文构建了基于人工智能和遥感技术的城市更新单元识别方法,并在武汉市大白沙中片和南片地区进行了应用,准确率可以达到62.90%~84.80%,漏检率为1.3%~2.80%,能有效降低人工成本,提高城市更新业务的实施效率,为城市更新提供科学性依据。
3.2 讨论
本文针对大片区城市更新问题,融合了深度学习和遥感技术,建立了基于人工智能和遥感技术的城市更新单元识别方法。目前针对城市更新单元识别方法国内外尚缺乏研究基础,加之数据分散的问题,本文的研究尚需进一步深化。
(1)在技术方法层面。在面向对象分割时,尺度的高低会直接影响分割的结果,如果分割尺度过大,则很容易将目标与周围的地物分到一个对象上,如果分割尺度过小,则检测结果容易受到影像配准误差以及遥感数据本身差异性的影响,从而导致检测精度的下降[31]。其次是样本数量的影响,样本库数量的多少以及样本的多样性直接影响模型的精度,本文由于时间关系,样本库建立的还比较小,样本区域只选择了大白沙北片4.2 km2,样本数量仅有1800个,样本数量和多样性有待进一步增大,以提高模型的鲁棒性。此外考虑拆迁率参数的影响,片区内建筑物群类型各异,会影响拆迁率参数的选择,如果对所有建筑物群选择同样的拆迁率参数,将忽略掉建筑群类型的差异,下一步将针对厂房、中高建筑群和城中村建筑群类型选择不同的拆迁率参数,以优化模型的精度。最后,当前选择的训练影像,带有明确的区域特色,在其他区域应用上效果有待提高,下一步需要考虑不同地区建筑群的差异性。
(2)在数据信息层面。本文基于人工智能和遥感技术的城市更新单元识别方法利用了遥感光谱特征信息与空间特征信息,忽略了对象的社会经济属性。范鑫等[32]结合了不同分辨率遥感影像和多源地理数据,基于深度学习的方法探索了其在城市级研究区域场景理解中的应用,实验证明融合多元地理遥感数据,可以有效提高场景分类的精度,精度可以达到81.25%。冯东东等[21]基于高分辨率遥感影像、建筑物轮廓及兴趣点等多元空间数据,以广东省省会广州市的主城区为研究区域,利用深度学习工具提取城中村边界,其城中村正确识别率为64.31%,针对提取结果中存在与部分老旧居民区、工业区混淆的现象,进一步使用路网分割高分辨率遥感影像,制作城中村标签数据,使用支持向量机分类器提取城中村轮廓,该方法提取的精度可达到90.19%。樊舒迪[20]和Chen等[22]均证明在遥感信息的基础上,加入社会经济信息能够有效弥补遥感信息在地物信息提取的不足,有效提高地物识别的精度。本文构建了基于AI+遥感技术的城市“留改拆”单元智能检测方法,仅使用遥感影像,准确率可以达到62.90%~84.80%。所以未来借鉴上述文献的做法,探索在光谱和空间特征信息的基础上,利用空间分析法获取社会经济属性信息,以提高智能化识别“留改拆”单元的精度,从而提高模型在实践应用中的可行性。
参考文献
The evolution, definition and purpose of urban regeneration
城市更新的低碳实施策略: 从“拆改留”到“留改拆”
Low-carbon urban renewal strategy of "Stay, Change And Demolish"
基于潜力和建筑质量评价的城中村更新研究: 以益阳市康富北路片区为例
Study on regeneration mode of city villages based on potential and construction quality evaluation: Take Kangfu North Road Area in Yiyang as an example
DOI:10.1080/00420980500388736
URL
[本文引用: 2]
Multisector partnerships have become the central tenet of contemporary urban regeneration policy facilitating a new form of local participative governance. Consequently, neighbourhood renewal and the importance of 'people' and 'places' have encouraged the emergence of a new form of 'community leader' who is more in touch with the problems of local disadvantaged groups. This paper explores the issue of leadership within multisectoral urban regeneration partnerships, focusing on the formation of social capital, power relations and partnership synergy. Conclusions point to the synergistic and social capital benefits of partnerships and the role played by urban leadership in generating a collaborative network capable of achieving more than performance targets.
城市更新方式的多样性研究
Research on the diversity of urban renewal methods
保护·传承·复兴: 历史文化街区的城市设计思路: 以台州市十里长街为例
Urban design ideas for the conservation, inheritance and revival of historic district: A case study of the Shili Long Street in Taizhou
1995—2015年江苏省土地利用功能转型特征及其协调性分析
DOI:10.31497/zrzyxb.20190402
[本文引用: 1]
土地利用功能转型可实现土地利用功能协调,是实施区域可持续发展的重要路径。从功能协调角度构建土地利用功能转型分析框架,利用江苏省1995年、2000年、2005年、2010年和2015年5期遥感影像及相关资源利用和社会经济数据,构建三级土地利用功能评价体系,以县域为评价单元,通过三角模型和空间相关分析等方法,定量解析江苏省土地利用功能时空演变特征及其与土地可持续利用目标的协调状况。研究结果显示:(1)研究期内,江苏省土地利用功能总水平提升减慢,其中生产、生活功能不同程度提升,生态功能明显下降。(2)生产、生活功能空间集聚不突出,生态功能的热点、冷点区域呈“Y”型集聚分布。(3)不同功能区功能协调性态势不一,重点开发区和限制开发区可持续发展态势总体良好,优化开发区可持续发展程度较弱并持续恶化。建议江苏省在落实发展蓝图和空间规划的过程中,应优先推进苏南现代化示范区建设,重点实施重点开发区生活功能转型、Ⅰ类限制开发区生产功能转型策略,并严格落实禁止开发区的生态保护责任等差别化管理策略。
Spatial-temporal characteristics and coordination status of the land use function transition in Jiangsu province from 1995 to 2015
DOI:10.31497/zrzyxb.20190402 URL [本文引用: 1]
OBIA与RF结合的龙口市土地利用信息提取方法
DOI:10.31497/zrzyxb.20190403
[本文引用: 1]
为提高中分辨率遥感影像解译精度,本文提出面向对象影像分析(Object Based Image Analysis,OBIA)与随机森林(Random Forest,RF)结合的土地利用信息提取方法。采用Landsat 8 OLI影像,针对不同地物特点,阈值分割和多尺度分割结合创建影像对象,规则集和分类器协同分类,基于Relief F算法分别对光谱特征、纹理特征及所有特征降维筛选特征子集,并与全部特征一起应用RF建模,对龙口市进行土地利用信息提取与比较。结果表明:OBIA与RF结合提取土地利用信息,基于Relief F算法筛选纹理特征,保留完整光谱、几何、空间关系特征构建RF模型,建模错分率为0.0958,分类总体精度和Kappa系数分别为89.37%和0.872,取得较理想结果。该方法可应用于中分辨率遥感影像土地利用信息提取。
The extraction approach of land use information combining OBIA with RF in Longkou city
DOI:10.31497/zrzyxb.20190403 URL [本文引用: 1]
考虑时空关系的遥感影像变化检测和变化类型识别
Remote sensing image change detection and change type recognition based on spatiotemporal relationship
基于多特征融合与对象边界联合约束网络的建筑物提取
Building extraction based on multi-feature fusion and object-boundary joint constraint network
浅谈基于深度学习的自动化视觉道路要素提取技术在自动驾驶中的应用
Talking about the application of automatic visual road feature extraction technology based on deep learning in autonomous driving
基于多源数据融合的城市核心要素提取及时空变化分析
Urban core elements extraction and spatial-temporal change analysis based on multi-source data fusion
顾及空间自相关性的高分遥感影像中建设用地的变化检测
DOI:10.31497/zrzyxb.20200417
[本文引用: 1]
在中国城市化的进程中,建设用地常常连片分布,其开发在空间上具有明显的聚集性,表现出较强的空间自相关性,这在高空间分辨率的遥感图像中更加明显。基于2016年、2017年两期南京市域内的北京2号3.2 m多光谱遥感图像,对比分析了引入变化向量的空间自相关指数作为图像特征后建设用地遥感变化检测的性能。首先提取遥感图像光谱变化向量的局部G指数、Moran's I和Geary's C三个典型空间自相关指数,然后确定适用于变化检测的最优空间间隔(Lag)范围和最优自相关指数。结果表明:(1)光谱变化向量在空间上具有显著的正相关性。(2)全局Moran's I和半方差函数相结合可以确定最优的Lag范围。(3)在光谱变化向量的基础上加入局部G指数和局部Moran's I能够提高检测精度,F1分数表明前者优于后者。(4)在光谱变化向量的基础上加入最优Lag范围内的局部G指数作为附加图像特征,F1分数比只使用光谱变化向量提高了20%以上。融合空间自相关信息,特别是多尺度局部G指数作为遥感图像特征可有效地提高连片区域建设用地的变化检测精度。
Detection of the construction land change in fine spatial resolution remote sensing imagery coupling spatial autocorrelation
DOI:10.31497/zrzyxb.20200417
[本文引用: 1]
In the urbanization of China, construction land is generally distributed as a continuous area, and its change shows distinct spatial aggregation leading to the strong spatial autocorrelation, which is more obvious in remote sensing imagery with a fine spatial resolution. Based on the TripleSat-2 multi-spectral remote sensing images covering Nanjing city in 2016 and 2017, the paper compares and analyzes the performance of remote sensing change detection of construction land after we introduced the spatial autocorrelation index of the change vector as the image feature. Firstly, the three typical spatial autocorrelation indices of local <em>G</em>, Moran's <em>I</em> and Geary's <em>C</em> are extracted, and then the optimal spatial range of Lag and the optimal autocorrelation index suitable for the change detection are determined. The results showed that: (1) The spectral change vector had significant positive correlation. (2) The optimal range of Lag can be determined by global Moran's <em>I</em> and semi-variance. (3) We used the local <em>G</em> and local Moran's <em>I</em> with the spectral change vectors to increase the <em>F</em>1 score of the change detection, and the local <em>G</em> showed the better performance. (4) Using the local <em>G</em> with the optimal range of Lag as additional image features, the <em>F</em>1 scores were 20% higher than that using only the spectral change vectors. Fusing local spatial autocorrelation information especially of the multi-scale local <em>G</em> as the additional image features can effectively improve the change detection accuracy of construction land in remfote sensing imagery.
Monitoring of inefficient land use with high resolution remote sensing image in a Chinese mega-city
基于遥感与开放数据的广州市白云区城镇低效建设用地识别
Research on recognition methods of inefficient construction land basedon remote sensing and open data in Baiyun district of Guangzhou city
基于多元数据的省会城市城中村精细提取
Fine extraction of urban villages in provincial capitals based on multivariate data
A hierarchical approach for fine-grained urban villages recognition fusing remote and social sensing data
DOI:10.1016/j.jag.2021.102661 URL [本文引用: 2]
Change detection from remotely sensed images: From pixel-based to object-based approaches
DOI:10.1016/j.isprsjprs.2013.03.006 URL [本文引用: 1]
A critical synthesis of remotely sensed optical image change detection techniques
DOI:10.1016/j.rse.2015.01.006 URL [本文引用: 1]
Automatic change detection in high-resolution remote-sensing images by means of level set evolution and support vector machine classification
DOI:10.1080/01431161.2014.951740 URL [本文引用: 1]
Unet 3+: A full-scale connected unet for medical image segmentation
Multiscale structural similarity for image quality assessment
Impacts of imagery temporal frequency on land-cover change detection monitoring
DOI:10.1016/j.rse.2003.10.022 URL [本文引用: 2]
一种多特征融合的面向对象多源遥感影像变化检测方法
Object-oriented change detection for multi-source images using multi-feature fusion
耦合多源地理数据的多分辨率遥感影像场景分类方法研究
Research on multi-resolution remote sensing image scene classification method coupled with multi-source geographic data
Urban regeneration, social inclusion and large store development: The seacroft development in context
DOI:10.1080/0042098022000011380
URL
[本文引用: 1]
Of central importance to the policy debate which emerged during the late 1990s in the UK on the topic of 'food deserts' were the causes of the perceived worsening access to food retail provision in certain poor neighbourhoods of British cities. The 1980s/early 1990s era of intense food superstore development on edge-of-city sites was seen as having unevenly stripped food retailing out of parts of those cities, or having repositioned that provision downwards in range and quality terms. By the late 1990s, however, tightened land-use planning regulation had begun significantly to impact the development programmes of the major food retailers and those retailers increasingly came to adopt an urban regeneration agenda to drive forwards the new store development vital to their corporate growth. Simultaneously, issues of social exclusion rose to prominence on the political agenda and 'tackling social exclusion' began to be promoted as a possible new criterion for retail planning policy in the UK. In this paper, we explore this nexus of interest in urban regeneration and social inclusion. Using the example of a major retail development in the deprived area of Seacroft, Leeds, we outline the characteristics of the increasingly important regeneration partnerships involving retailers, local authorities, government agencies and community groups. We ask to what extent such partnerships can be dismissed merely as 'clever devices to get stores built and passed by planners' and discuss the implications for retail planning policy of attempts to address both the social exclusion and public health agendas of deprived and poorly served areas of British cities.
Urban regeneration through cultural creativity and social inclusion: Rethinking creative city theory through a Japanese case study
DOI:10.1016/j.cities.2010.03.002 URL [本文引用: 1]
Madrid: Urban regeneration projects and social mobilization
DOI:10.1016/j.cities.2006.11.004 URL [本文引用: 1]
/
〈 |
|
〉 |
