城市建筑物是城市的重要组成部分,作为人类居住与活动的稳定空间,其改造与更新时刻影响着城市的发展与人类生活的变化。按照建筑物的使用功能可将建筑物划分为商业服务业设施用地（商服用地）、公共管理与公共服务用地（公建用地）、住宅用地和工矿仓储用地等类型。对城市建筑物进行功能分类可以为城市功能区划分提供有利的依据,辅助政府部门对城市规划、土地利用、资源、人口等方面的分布与分配进行管理与决策,有助于推进城镇化建设的可持续发展。目前,互联网数据的井喷式涌现及人工智能方法的不断发展,为城市建筑物功能分类提供了有效的数据和方法支撑,城市建筑物功能分类必将成为研究和解决城市相关问题的趋势所在。

随着城市的发展和科学技术的进步,国内外学者对城市功能区划分的研究越来越深入。近几年城市道路和建筑物的功能分类研究受到了关注[1-2],对道路功能分类的理论及应用研究已相对成熟[1],然而对建筑物功能分类的研究才刚刚起步。孙文华等[2]采用时间利用活动分析法,结合现有国内对建筑功能分类的标准,提出较为基础的建筑功能分类体系。Li等[3]根据高分辨率遥感影像所提取建筑物的空间密度大小以及现有的城市土地利用/覆盖数据,运用贝叶斯网络法对城市建筑物进行功能分类,分类提取结果良好。由此可见,城市建筑物功能分类正在从分类标准的定义探讨[2]向结合多源数据对其功能分类的实际应用发展。利用高分辨率遥感影像提取城市建筑物信息能够快速得到建筑物的分布情况,帮助解决城镇化的相关问题。但是仅靠目前的遥感自动分类提取技术难以对城市建筑物进行功能分类识别,提取的结果往往只是单个的图斑,缺少具有语义的属性信息,难以满足城市规划与管理的需求。而人工目视解译的方法虽然可以在一定程度上满足这一需求,精度也较高,但费时费力[4]。

POI数据是一个可以被人利用或令人感兴趣的特定点,可应用于多个领域,在地学领域可指某个酒店或者加油站等兴趣点信息。获取POI数据的方法有很多,比较常见的是通过互联网抓取技术来获得兴趣点的名称、类别、经度纬度、附近的酒店饭店商铺等信息。对POI数据进行合理应用会在政府公共服务、零售业、医疗服务业、制造业及涉及个人位置服务等领域带来可观的价值,在一定程度上提高了地理信息的整体服务水平。近年来,不少国内外学者利用POI数据展开一系列的研究与应用,推动了GIS、计算机等多个领域的发展与应用。赵卫峰 等[5]利用城市POI数据提取分层地标。周垠等[6]基于空间句法和POI信息,分析成都市龙泉驿区不同类型商业网点集聚街道与路网空间可达性的关系,为后期商业网点布局提供参考。Chuang等[7]通过搜集抓取互联网上的POI信息,建立POI搜索服务平台,提出了一种优于维基百科的地理信息搜索模型。池娇等[8]利用城市地区的实体建筑物POI数据识别城市单一及混合功能区。

针对目前城市建筑物功能自动分类识别存在的问题,本文提出了一种综合应用互联网POI数据与高分辨率遥感影像,将遥感信息提取技术与GIS空间分析技术相结合的方法来实现城市建筑物的功能分类,从而解决利用遥感信息提取技术难以实现建筑物功能分类识别的难题,并拓展互联网多源数据的应用领域。

本文研究区为北京市朝阳区安贞门与惠新西街南口附近区域。

研究数据包含2类：① 2.44 m分辨率的QuickBird多光谱卫星影像,获取时间2014年9月26日,已经过几何校正、大气校正等预处理,图1为真彩色合成图;② POI数据,获取时间2014年9月,通过抓取互联网数据获得（图2）。

显示原图| 下载原图ZIP| 生成PPT

图1   研究区域QuickBird卫星多光谱影像

Fig. 1   QuickBird multispectral images of the study area

显示原图| 下载原图ZIP| 生成PPT

图2   实验区POI信息

Fig. 2   POI data of the study area

抓取到的原始POI数据共有23种类型：政府机构、火车站地铁站、汽车站、公交车站、加油加气站、停车场、高速服务区、金融服务、商业大厦、零售行业、宾馆酒店、休闲娱乐、医疗服务、科研教育、公司企业、公园广场、住宅小区、综合信息、餐饮服务、汽车服务、风景名胜、电讯服务和公共厕所。每种类型的数据中分别包含汉字名称、拼音、地理坐标、电话、地址等信息。

原始POI数据的类型较多,为了便于应用,研究中对POI数据进行归类,具体可以分为商服用地、公建用地和住宅用地,其POI信息在研究区域高分辨率遥感影像上的分布情况如图2所示。

（1）商服用地,即商业、金融业、餐饮旅馆业及其他经营性服务业建筑及其相应附属设施用地。根据《土地利用现状分类标准（GB/T 21010-2007）》（表1）[9],本研究将原始POI数据中的加油加气站、金融服务、商业大厦、零售行业、宾馆酒店、休闲娱乐、公司企业、综合信息、餐饮服务、汽车服务和电讯服务这11种类型定义为商服用地。

表1   土地利用现状分类标准

Tab. 1   Classification standard of land use

新窗口打开

（2）公建用地,又可称为公共管理与公共服务用地,是指用于机关团体、新闻出版、科教文卫、风景名胜、公共设施等的土地。本研究将原始POI数据中的政府机构、火车站地铁站、汽车站、停车场、医疗服务、科研教育、公园广场、风景名胜和公共厕所这9种类型定义为公建用地。

（3）住宅用地,指用于建造居民居住用房屋所占用的土地,可分为城镇住宅用地以及农村宅基地。由于本研究只涉及城市建筑物,本文提到的住宅用地特指城镇住宅用地,在原始POI数据中将住宅小区定义为住宅用地。

本研究首先对POI数据进行核密度分析,从而获取较为直观的不同功能用地的POI空间分布情况,再对高分辨率遥感影像采用卷积神经网络（Convolutional Neural Networks, CNN）进行城市建筑物的提取。在此基础上,统计每个建筑物每种用地的平均核密度值,并以此作为其属性值,通过对属性值设置阈值,完成城市建筑物功能分类。技术路线如图3所示。

显示原图| 下载原图ZIP| 生成PPT

图3   技术路线

Fig. 3   Technology roadmap

本研究对POI点要素进行核密度分析。核密度估计（Kernel density estimation）是一种用于估计未知概率密度函数的非参数检验方法[10-11],由Rosenblatt和Emanuel Parzen提出,又称为Parzen窗（Parzen window）。

假设x1, x2,…, xn为独立同分布F的n个样本点,核密度估计可以从分布密度函数f与其对应的累积分布函数F的关系推导得到[12]。

f(x)=dF(x)dx≈Fx+h-F(x-h)2h（1）

用经验分布函数Fn(x)= 1n∑I（xi≤x）估计F（x）,代入式（1）后可得：

f(x)=1nh∑i=1nK(xi-xh)（2）

式中：K为核函数（非负,积分为1,符合概率密度性质,并且均值为0）,h>0为一个平滑参数,称作带宽（bandwidth）或窗口。各种核函数（如uniform、triangular、biweight、triweight、normal、Epanechnikov）的图形如图4所示。

显示原图| 下载原图ZIP| 生成PPT

图4   几种核函数的图形

Fig. 4   Shapes of different kernel functions

其中,Epanechnikov内核在均方误差意义下是最优,效率损失最小的[13]。因此,本研究采用Epanechnikov为核函数对点要素的核密度进行计算,其公式为：

K(x)=3π-11-xTx)2,xTx 11 000 000>1 800 000>1 300 000住宅用地>11 000 000>1 800 00011 000 0001 300 000住宅用地