Extracción del Área Construida Urbana Basada en Aprendizaje Profundo y Fusión de Datos de Múltiples Fuentes-La Aplicación de una Tecnología Emergente en la Planificación Urbana
Autores: Zhang, Jun; Zhang, Xue; Tan, Xueping; Yuan, Xiaodie
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Extracción del Área Construida Urbana Basada en Aprendizaje Profundo y Fusión de Datos de Múltiples Fuentes-La Aplicación de una Tecnología Emergente en la Planificación Urbana
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
área urbana construida
Sistema de método de extracción
Datos de NTL
Datos de puntos de interés
Datos de migración poblacional
Red de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Con la rápida expansión de las áreas urbanas construidas en los últimos años, se ha vuelto particularmente urgente desarrollar un sistema de método de extracción de áreas urbanas construidas que sea rápido, preciso y popularizado. Como portador directo de la relación regional urbana, el área urbana construida es una referencia importante para juzgar el nivel de desarrollo urbano. La extracción precisa del área urbana construida juega un papel importante en la formulación de una planificación científica, promoviendo así el desarrollo saludable tanto del área urbana como del área rural. Aunque en estudios anteriores se han utilizado datos de luz nocturna (NTL) para extraer áreas urbanas construidas, existen ciertas deficiencias en el uso de datos NTL para esta extracción. Por otro lado, los datos de puntos de interés (POI) y los datos de migración poblacional representan diferentes atributos en el espacio urbano, que pueden ayudar a modificar las deficiencias de los datos NTL desde elementos espaciales estáticos y dinámicos, respectivamente, para mejorar la precisión de la extracción de áreas urbanas construidas. Por lo tanto, este estudio intenta proponer un método viable para modificar los datos NTL fusionando datos de migración de Baidu (BM) y datos de POI, extrayendo así con precisión áreas urbanas construidas en Guangzhou. Se extraen áreas urbanas construidas más precisas utilizando el método de la red de aprendizaje profundo U-net. El área construida máxima extraída del estudio es de 1103.45 km2, lo que representa el 95.21% del área construida total, y la tasa de recuperación es de 0.8905, la tasa de precisión es de 0.8121 y la puntuación F1 es de 0.8321. Los resultados de usar datos de POI y datos de BM para modificar datos NTL y extraer áreas construidas no han mejorado significativamente debido a que cuanto más datos se fusionan, más ruido hay, lo que afectaría en última instancia los resultados. Este estudio analiza la viabilidad y las insuficiencias de usar grandes datos para modificar datos NTL a través de la fusión de datos y el sistema de extracción de características, lo que tiene una importante significación teórica y práctica para futuros estudios sobre áreas urbanas construidas y desarrollo urbano.
Descripción
Con la rápida expansión de las áreas urbanas construidas en los últimos años, se ha vuelto particularmente urgente desarrollar un sistema de método de extracción de áreas urbanas construidas que sea rápido, preciso y popularizado. Como portador directo de la relación regional urbana, el área urbana construida es una referencia importante para juzgar el nivel de desarrollo urbano. La extracción precisa del área urbana construida juega un papel importante en la formulación de una planificación científica, promoviendo así el desarrollo saludable tanto del área urbana como del área rural. Aunque en estudios anteriores se han utilizado datos de luz nocturna (NTL) para extraer áreas urbanas construidas, existen ciertas deficiencias en el uso de datos NTL para esta extracción. Por otro lado, los datos de puntos de interés (POI) y los datos de migración poblacional representan diferentes atributos en el espacio urbano, que pueden ayudar a modificar las deficiencias de los datos NTL desde elementos espaciales estáticos y dinámicos, respectivamente, para mejorar la precisión de la extracción de áreas urbanas construidas. Por lo tanto, este estudio intenta proponer un método viable para modificar los datos NTL fusionando datos de migración de Baidu (BM) y datos de POI, extrayendo así con precisión áreas urbanas construidas en Guangzhou. Se extraen áreas urbanas construidas más precisas utilizando el método de la red de aprendizaje profundo U-net. El área construida máxima extraída del estudio es de 1103.45 km2, lo que representa el 95.21% del área construida total, y la tasa de recuperación es de 0.8905, la tasa de precisión es de 0.8121 y la puntuación F1 es de 0.8321. Los resultados de usar datos de POI y datos de BM para modificar datos NTL y extraer áreas construidas no han mejorado significativamente debido a que cuanto más datos se fusionan, más ruido hay, lo que afectaría en última instancia los resultados. Este estudio analiza la viabilidad y las insuficiencias de usar grandes datos para modificar datos NTL a través de la fusión de datos y el sistema de extracción de características, lo que tiene una importante significación teórica y práctica para futuros estudios sobre áreas urbanas construidas y desarrollo urbano.