「文章提要」

城市土地利用模式的准确识别是合理优化城市结构的关键。通过结合遥感影像获取的城市地块的外部物理特征和社会遥感数据揭示的社会经济属性，可以更好地对土地利用分类。然而，现有的遥感数据大多存在位置偏差，且缺乏长时间序列数据，不能准确反映土地利用的社会经济信息，导致分类精度较低。基于以上问题，该研究探索高时空分辨率遥感数据和长时间序列电力数据的深层语义信息，探究其与社会经济属性的关系，构建融合时间序列电力数据与遥感图像的神经网络(TR-CNN)，识别城市土地利用类型。以江西省萍乡市安源区为例进行了实证研究。结果表明，该模型的精度为0.934，比仅使用遥感影像的ResNet18模型和仅使用时间序列电力数据的LSTM-FCN模型分别提高了4.3%和6.7%。利用时间序列电力数据可以有效识别居民区和商业区，但与遥感图像相比，公共服务设施识别难度较大。该研究首次发现，电力数据的语义特征可以充分反映社会经济属性，通过遥感影像与电力数据的耦合，可以从“自上而下”和“自下而上”两种识别模式准确感知城市土地利用模式。

1

研究背景

随着城市化进程的不断发展，住宅、商业和公共设施等土地利用类型逐渐复杂化。土地利用与人类活动密切相关，能有效反映区域社会经济属性。因此，准确感知城市土地空间结构和有效的城市土地利用分类是当前城市空间规划的重要组成部分，有助于政府进行决策和管理。

遥感图像被广泛用于土地利用分类，因为它们能够捕捉城市的物理属性，如形状和纹理。以往的研究表明，面向对象的方法是一种从遥感图像进行土地利用分类的有效方法。然而，该方法只能挖掘浅层土地覆盖信息，忽略了地面的空间分布和语义特征。市政服务数据，如提供给居民的时间序列水或电数据，与存在偏差的新兴大数据相比，具有高时空分辨率、全面覆盖人口和社会经济活动、跨度长等优点。因此，时间序列电力数据为细尺度分析土地利用提供了潜在的可能性。然而，通过深度学习挖掘电力时间特征来探讨电力与土地利用的相关性的研究较少。

遥感影像可以反映城市的外部物理属性，市政服务数据可以感知城市的社会经济属性。然而，由于缺乏相关的数据和模型，很少有研究试图同时挖掘时间序列电力数据和遥感图像的特征来进行城市土地利用分析。

2

研究区和数据

研究区域为江西省萍乡市（图1A）。采用的数据为基于时间序列电力数据（图1B）。每个电量数据集包含地址、客户编号和名称、电量消耗类型和每日电量消耗等信息。用户地址信息通过百度API地理编码转换为用户的经纬度信息。

图1 研究区概况

3

研究方法

该研究构建了基于深度学习的特征融合神经网络，将时间序列电力数据与遥感图像相结合，识别城市土地利用类别。研究过程主要包括三个部分(图2):(1)数据预处理。对时间序列电力数据和遥感数据两个数据集进行了数据清理和增强。它们在每个样本中都是空间匹配的。(2)构建特征融合神经网络(TR-CNN)，分析时间序列电力数据与遥感影像特征融合在城市土地利用识别中的有效性。(3)基于TR-CNN识别每个网格地块的土地利用类型。为了验证模型的有效性，该研究与单个数据模型进行了对比分析。

图2 城市土地利用分类流程图

（1）基于ResNet的遥感影像特征提取

基于残差网络从高分辨率遥感影像提取特征。首先对数据进行降维、多次卷积、池化计算，最后经过全连接，得到128个特征。

图3 ResNet计算流程

（2）基于LSTM-FCN的遥感影像特征提取

在基于时间序列电力大数据特征提取中，使用长短期记忆全卷积神经网络。对电力大数据同时进行全卷积运算和LSTM计算。在经过三次卷积运算、批标准化处理、激活函数运算和全局池化后得到128个特征向量。在LSTM计算中，通过输入序列长度、样本数和隐藏层大小，经过忘记、选择记忆、输出后，得到128个特征向量。

将两个模型结果特征进行连接后，得到256个特征。为了与残差网络特征保持一致，经过降维处理得到128个特征向量。（图4）

图4 LSTM-FCN计算流程

（3）TR-CNN

在（1）和（2）的基础上，融合ResNet18和LSTM-FCN的特征，最终通过256个特征对5类城市土地利用类型进行分类。这里要划分的土地利用类型包括居住区、商业区、教育设施、城市绿地和公共服务设施。（图5）

图5 TR-CNN计算流程

（4）精度检验

该研究使用T检验和Kappa系数来评价计算结果精度。

4

结果

（1）TR-CNN精度验证

该研究经过数据预处理得到526个原始样本。经过数据增强，共获得4544个样本，其中居民区1424个，商业区1288个，教育设施288个，绿地1160个，公共服务设施384个。所有的实验都在PyTorch框架下运行，使用Python 3.6，并使用GTX 1070 6G GPU进行加速。将所有模型的学习率、迭代次数和批量大小分别设置为0.0001、100和16，并使用Adam优化器和交叉损失函数对网络进行训练，以优化目标。为了证明模型的有效性和可靠性，随机选取20%的训练集数据作为验证数据。这个过程重复了10次。验证结果表明，该模型具有较强的信度，误差波动较小(检验集误差<±0.05)。选择精度最高的模型超参数集，并对所有训练集进行微调，以获得最终的模型参数，用于进一步的实验。

图6 三种模型的训练集和测试集的精度和损失值

表1 模型性能比较

三种模型都达到了较高的分类精度，但不同的土地利用类型表现不同。利用时序电力数据，LSTM-FCN准确识别了四种土地使用类型:住宅区、商业区、教育设施和绿地。他们的准确率都在80%以上。特别是居住区和绿地的分类正确率分别达到97%和100%。因为居民区的用电量模式比较规律，而绿地用电量曲线是实验人为设定的，比较平滑，容易识别。然而，LSTM-FCN识别公共服务设施的准确率较低，仅为48%。这可能是因为公共服务设施包含多种不同的类别，耗电量差异很大。从差异较大的医院、派出所和社区委员会中有效提取时间序列模式并不容易。

图7 三种模型的混淆矩阵

选取几个典型区域对三种模型进行误差分析(图8)。没有显著用电量模式的区域难以被LSTM-FCN模型识别。然而，由于遥感图像具有明显的物理特征，如规则的建筑结构(图8A)和篮球场(图8B)，可以利用遥感图像避免使用时间序列电力数据的错误分类。相比之下，一些没有明显形状或纹理的区域很难被遥感图像识别。电力模式可以提取，并帮助识别他们的土地利用。例如，图8(C)为研究区政治中心附近的商业区，受建筑方案影响，与住宅建筑相似。图8(D)为社区圈中的公共广场，与遥感图像中的商业购物中心相似。图8(E)为一个大型农贸市场，具有典型的商业用电特征，但图像特征与城中村相似。图8(F)为城市博物馆，与遥感图像上的商业建筑相似，没有明显的耗电量模式，即使进行特征融合也无法得到正确的分类结果。综上所述，我们的研究结果表明，与单一数据源相比，特征可以在多个数据源之间进行补偿，从而获得更准确的土地利用分类结果。

图8 土地利用分类结果的误差分析

5

讨论

该研究考虑了遥感影像与时序电力数据之间的结构差异，融合这两个数据集的特征，建立了基于深度学习的TR-CNN土地利用分类模型。结果表明，与使用遥感影像的ResNet18(检验精度:0.895,Kappa: 0.859)和使用时间序列电力数据的LSTM-FCN(检验精度:0.875,Kappa: 0.831)相比，该研究提出的TR-CNN模型具有最佳性能(检验精度:0.934,Kappa: 0.912)。

通过在LSTM-FCN模型中输入时间电力数据，该研究发现单时间步的多元时间序列可以显著提高FCN的性能，而LSTM更适合提取多时间步的序列特征。该方法揭示了FCN和LSTM感知时间序列数据的模式，为今后的研究提供了参考。

该研究结果表明，基于深度学习挖掘的时间序列电力数据语义特征能够有效反映不同土地利用类别的社会经济属性，尤其是人类社会经济活动较高的区域。

「小编思考」

城市土地利用类型的识别一直是学术界研究的热点。从人工目视解译、遥感参数反演，再到近年来的机器学习、深度学习方法，随着识别方法的成熟和识别精度的提高，识别需求也愈发多元化。该研究在ResNet18和LSTM-FCN的基础上，提出了基于深度学习的特征融合网络，在城市绿地、商业区、教育设施和居民区的识别精度上有了很大提升，可以准确揭示城市建筑的活动强度。

目前，城市土地利用类型的识别方法层出不穷，但大多数方法都是面向特定研究对象，缺乏一种系统、全面方法来识别城市土地利用类型。同时，多数研究使用单一遥感数据源，在分辨率和识别精度方面都有待调高。该研究在使用高分数据的基础上，引入时间序列的电力数据作为辅助数据，提高了识别的精度。但该研究使用的电力数据是居民区范围内数据，对于非居民区该研究并没有考虑，因此该研究也存在一定的局限性。

在该研究的基础上，可以加入非居民区数据完善分类结果，进一步提高识别精度。其次，由于城市土地利用类型数据集的需求较高，可以将相关方法、模型开发为在线计算平台，为后人使用城市土地利用类型数据进行相关研究提供便利。

原文出处：Yao Y, Yan X, Luo P, et al. Classifying land-use patterns by integrating time-series electricity data and high-spatial resolution remote sensing imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 106: 102664.

声明：本推送内容中的小编思考仅代表编者对文章的理解，请各位专家、同学批评指正。

来源：集思人生https://mp.weixin.qq.com/s/vZJCoPxdzZFLVISEJPG1EA

转自：“测绘学术资讯”微信公众号

如有侵权，请联系本站删除！