描述复杂精细的城市“Jobs-Housing”模式,利用高空间分辨率遥感图像

文摘

工作和住房的空间分布模式在城市规划和交通建设起着至关重要的作用。然而,获得精细的地方jobs-housing分布(例如,个人jobs-housing属性)的角度提出了困难由于缺乏社交媒体数据和有用的模型。与用户数据从一个基于地理位置的服务提供者获得在中国,本研究采用深bag-of-features网络(靠)遥感(RS)图像成各种jobs-housing类型进行分类。考虑到武汉,在中国发展最快的城市之一,作为一个案例研究区域,三个jobs-housing类型(即。,只有工作,只有生活,工作和生活)地块层面。我们证明多尺度随机抽样方法可以减少图像噪声的影响,增加训练数据的利用率,减少网络过度拟合。通过改变网络结构和训练策略,贝格纳取得了良好的拟合精度,确定每个jobs-housing类型(总体精度> 0.84和kappa > 0.8)。第一次,我们证明了城市社会经济特征可以获得高分辨率遥感图像使用深度学习技术。此外,我们得出这样的结论:混合的总水平目前在武汉不高;然而,武汉不断改善工作和住房的混合物。本研究有参考价值从遥感图像中提取城市社会经济特征和可用于城市规划以及政府管理。

1。介绍

改革开放以来,中国的住房制度,大量的城市居民选择购买新建商品房(1- - - - - -3),导致城市jobs-housing空间结构的崩溃在计划经济时期(4]。住宅的自由促进住房制度改革使得分离的混合jobs-housing模式越来越普遍在中国5]。

许多研究表明,分离的城市jobs-housing空间结构有利于企业的有效浓度和集聚经济的优势6- - - - - -9]。然而,这种分离还产生了许多城市问题,如过度的通勤时间,运输成本,增加了环境的负担10- - - - - -16]。日益严重的城市交通拥堵,环境恶化已经成为紧迫问题。因此,研究城市混合jobs-housing模式可以解释内部居住空间结构,并提供一个参考对于理解城市复杂性和优化城市空间布局。

一些学者研究了基于人口普查jobs-housing空间结构或家庭采访数据(4,17,18]。由于家庭采访,小王和柴4jobs-housing)进行了一项研究的变化关系和传统的单位在北京住房制度。周et al。18]调查jobs-housing空间和交通结构的变化在西安与抽样调查数据。这些研究采用的空间分辨率的基本单位普查,如行政区划和街道。因此,生成的结果不能反映的分布在精细的工作和住房,这意味着混合jobs-housing模式不能区分由于缺乏社交媒体数据从个人的角度来看属性。

因为基于位置的服务(LBS)的流行,许多时空数据集已经进化。这些数据集记录人类活动的轨迹和可用于描述和理解城市jobs-housing空间结构(19,20.]。例如,城市智能卡系统与位置信息被认为是一种有效的方法来分析城市通勤所需的个人资料,这已经被广泛用来解释jobs-housing空间结构和城市交通轨道(21]。除了城市智能卡系统,从手机信号数据也用于城市jobs-housing研究[22]。这些研究表明,可以采用磅数据了解jobs-housing空间结构;然而,一个有用的模型仍缺乏充分利用这些数据计算出混合jobs-housing模式。

近年来,学者们开始深度学习(DL)模型应用于遥感(RS)经济活动图像提取的特征。RS图像的对象规模变化会导致弱特征表示对于某些场景,影响分类结果。解决这个问题的多尺度效应,钟等。23)结合多尺度随机抽样方法的大片土地利用卷积神经网络(LPCNN)模型分类和获得高度准确的土地利用分类结果。琼et al。24)提出了一个经济形势仿真模型在一个贫困的非洲国家赤字数据使用卷积神经网络(cnn),显示经济活动特征可以从遥感图像中提取和应用来描述经济形势。

DL模型可以有效地挖掘社交媒体数据。姚明et al。(25]采用word2vec模型中提取特征的兴趣点(POI)数据。将随机森林模型,探讨了城市土地利用的空间分布。与RS图像数据的空间密度相比,涵盖整个城市空间,社交媒体数据的分布是稀疏的26),这就提出了一个问题:空间尺度时应该考虑利用数据来分析社会经济现象。

研究还存在于提取几何信息来自多个源的数据。张先生和杜27]发现,城市场景的信息可以自动从高分辨率遥感图像。刘等人。28]介绍了概率模型集成多源地理空间大数据来描述城市多功能建筑物。歌等。29日)结合POIs与社会属性与自然属性和高空间分辨率遥感图像识别城市功能。陈等人施和et al。30.,31日)发现,cnn可以应用于从高分辨率遥感图像中提取构建几何信息。然而,这些城市结构研究不能解释城市土地利用在一个非常小尺度,因此无法描述混合jobs-housing模式。

然而,上述的研究不能从个人的角度呈现城市结构属性,尤其是在获得jobs-housing分布由于缺乏媒体数据和合适的模型。为了解决这个问题,基于这些研究,我们得出结论,一个城市的社会和经济特性可以通过DL从社交媒体数据和高分辨率遥感图像模型。本研究解决的问题是否这些数据可以进一步探索城市混合jobs-housing模式组合。即做高分辨率遥感图像显示高层社会经济特征反映了混合jobs-housing模式吗?

我们引入一个DL模型进行详细的模拟城市混合jobs-housing模式。总体精度(OA)和kappa系数是用来评估的可靠性模型,和几个区域选择案例,分析其合理性。之间的比较是进行该方法和一些先进的DL模型。因此,假彩色RGB图像和熵指数(EI)用于可视化全球配件jobs-housing地图类型(只工作,生活,和工作和生活)在武汉,中国。在这项研究中,我们探讨是否有高分辨率遥感图像和混合jobs-housing模式之间的关系。

2。研究区域与数据

研究区、武汉(图1),湖北省的省会,位于中国中部,总面积8494 .41点平方公里,1108.1万居民。2018年,该地区国内生产总值是1448 .729数十亿元人民币(http://www.wh.gov.cn/)。武汉市区包括江,江汉,Qiaokou,汉阳、武昌、青山、红山。江汉的GDP,武昌,江国安超过1000亿元。

最关键的数据用于这项研究包括LBS用户数据和地理位置信息。数据集是由中国最大的互联网公司之一,最大用户普及率超过85%。在大城市,如北京,上海,广州,深圳,武汉,普及率超过90%。这个数据集包含大约500000个随机匿名用户的轨迹信息三个月内(2018.3.1-2018.5.30)2626年武汉和社区代表这些用户的工作和生活地点。

轨迹信息来自匿名用户授予权限收集全球定位系统(GPS)数据过程中使用LBS应用程序。人类活动的主要区域位于3个月期间,与一个缓冲区设置为500米宽(22,32]。我们关注人在18岁到65岁的年龄范围(不包括学生、自由职业者和退休人员)。从用户获得的地理位置信息的数据集,在表所示1。特别要注意学生人口,在中国,永久的家庭对学生在学校,导致学校的结果,90%的人口只有住在学校位置的属性。因此,分析教师的分布,学生人口排除在数据集。

用户数据集的比例估计三种类型的地块规模jobs-housing属性数量。这个数据集包含的属性只工作(噢),只有生活(OL),工作和生活(WL)的位置信息。原始数据,噢,OL,西城居民在每个包裹不等于1。可能的原因是,一些用户不要打开GPS的功能在使用LBS应用程序的过程。我们变换jobs-housing率这三个属性的总和等于1,这可能显示三个属性之间的关系,方便未来计算和可视化。西城居民代表的人工作和生活在一个包裹一个缓冲区设置为500米,包括个体居民,运营商的小规模公司,工业园区工人宿舍。三率的分布如图jobs-housing属性2。

我们还收集地块数据的武汉高德牌地图,这是中国最大的地图服务公司之一,作为该部门的基础研究区域的土地包裹。武汉的城市包含8257个土地包裹平均每个包裹面积100平方米。所有这些土地包裹是城市功能区域,不包括植被、水体、土壤、或道路。地块的空间分布如图3。

图1显示了一个RS图像从谷歌地球下载在16日,其中包含RGB乐队,大小为32512×32768。根据研究姚明et al。(25),阴影在后台没有影响从谷歌地球RS图像和提取功能区域地理空间数据和RS图像的轻微的日期区别是可容忍的集成。用户数据可能与RS图像通过地理位置信息。基于每个地块的经度和纬度,我们把遥感影像切成小块(估计为100×100像素)和RS图像数据集。RS图像获得的三种典型jobs-housing武汉如图4。

3所示。方法

本研究的工作流程,如图5,可以概括如下:(1)用户数据集分类形式的多尺度空间数据多尺度数据预处理后抽样法。(2)采用先进的DL模型确定空间数据集之间的关系和混合jobs-housing指数。(3)与训练模型,三种分布的混合jobs-housing OA在武汉估计和评价,kappa系数,和熵指数。

3.1。数据预处理

在这项研究中,因为三个jobs-housing属性的总和率在原始数据不等于1,我们不能用一个模型来预测三个属性。CNN的分类是一个应用程序;因此,我们选择为王,建立三个CNN模型OL,分开噢;然而,用户数据在这项研究中是一个连续的数据集和需要离散(24]。此外,用户数据是由过采样(转换为正态分布33]。指的是姚的离散化过程等。34),本研究计算的意思μ和标准偏差σ王的OL,噢。用户数据的离散范围(μ−3σ,μ+ 3σ),0.5的步骤σ。

基于的研究任et al。35),周围的环境产生潜在影响一个社区的功能。如上所述,用户数据是通过设置一个缓冲区在500米。这个可以考虑周围环境的影响。在这项研究中,我们需要分割的土地包裹可能包含社区和周围的环境。

研究表明,多尺度问题可能发生在RS图像由于RS图像的分辨率的变化(36,37]。在这项研究中,尽管多尺度问题不是一个大问题,它仍然影响拟合精度(23]。小和不平衡样本大小的原始RS图像数据集在这个研究过程中可能导致过度拟合问题的培训。因此,我们采用多尺度随机抽样方法中提出的et al。23]。方法如下:首先,根据用户数据,可以获得定位经度和纬度的包裹RS图像上的用户数据;第二,采样窗口设置的长度W(W包裹的大小设置为确保社区可以完全覆盖);然后,基于用户数据的包裹,一定数量的样本是随机考虑长度年代(0.75W≤年代≤W)。抽样每个包裹以这种方式确保足够数量的多尺度空间数据集。图6显示了一个示例的多尺度随机抽样,即自动从RS图像获得基于位置信息。本研究结合了过采样和多尺度随机抽样来构建训练数据集。

3.2。基于靠混合Jobs-Housing模式提取

贝格纳是一个CNN模型由Brendel和陆慈[38],可以充分利用每一个图像的一部分,得到完整的图像信息。贝格纳的结构如图7。贝格纳拦截一个输入图像与特定像素尺寸,然后使用1×1卷积层每个图像块来获得一个类向量。总结在一起,所有类向量的图像块和预测都是基于最重要的类向量。

贝格纳结构有别于传统的CNN模型的结构,它总是使用整个图像来计算类向量没有获得求和。在这项研究中,多余的信息存在于一个图像的边界,不包含一个包裹的社区。但是边界是不容忽视的,因为周围的环境可能有潜在影响的社区的功能。贝格纳自可以分析每个部分的图像如何影响分类,它可以充分利用完整的图像信息。尽管一些地区在一个图像的边界可能预测错误的结果,大部分地区在图像的中心可以获得足够的信息来做出一个正确的分类。投票的最终结果取决于多数的部分;因此,贝格纳可以有用的空间信息了解LBS用户数据和不重视无用的信息。

研究选择了经典VGGNet [39]和ResNet [40贝格纳)模型与模型。VGGNet CNN模型由研究人员开发视觉几何组,牛津大学和谷歌DeepMind。VGGNet探索CNN的深度之间的关系和他们的性能通过反复使用3×3卷积核和一个2×2 max-pooling层,它成功地构造一个16 - 19-layer CNN (39]。ResNet是由一块残留,可以有效地解决梯度消失的问题40]。

研究采用熵损失函数,这是一种常见的损失函数的分类:

在方程(1),x代表输入类别,标签索引值的实际类别,和N表示的类别数。根据控制变量法,本研究调整分割窗口,批量大小,优化器和获得表现最好的模型。通过比较的结果靠模型和其他DL模型,贝格纳在这个实验是验证的有效性。

3.3。精度评价和城市功能混合模式分析

在遥感图像分类的评价,混淆矩阵(表2)通常是应用于确定分类的准确性和可靠性41]。在这项研究中,利用整体精度的分类结果进行评估(OA)和kappa系数。

OA是表示为正确预测的总数的比例,也就是说,所有值的总和的混淆矩阵的对角元素,所有样品的除以总(方程fd2(2))。在1960年代,弗莱斯et al。42)提出了kappa指标作为的程度的指标分类结果优于随机分类(方程fd3(3))。Kappa落在0和1之间,Kappa值越高表明更好的分类结果。

在这些方程,n是一类,N类别的数量的总和,X_二世混淆矩阵的对角元素,X_我+是一个类别的列的总和,然后呢X_+我是一个类别的行之和。

这项研究是指计算熵指数的景观格局指数(43,44]。熵指数用于定量测量每个包裹的混合程度的用户数据。这个值是计算方程(4),混合熵的值落在(0,1)。混合熵值越高,地块的混合程度越高。

在这个方程,n类别的总数,p_我属性的比例在很多。

4所示。结果

4.1。参数敏感性分析

在这项研究中,需要设置采样窗口,确保包裹可以完全控制,以及多尺度采样方法用于获取空间数据的采样窗口。记录的数据集D,包含26260组数据。本研究随机获取80%的数据,使数据增加结合过采样和多尺度随机抽样作为训练数据D_TR,10%的数据作为验证数据D_V,10%的数据作为测试数据_TE。在网络训练过程中,D_TR用于培训和训练数据集的大小是200000年左右,D_V用于调整参数,和D_TE用于评价最终结果。

如表所示3,这个步骤应用9×9、17×7,33×33-pixel贝格纳图像块训练模型。SGD被选为优化算法,批量大小设置为32,学习速率被设置为0.01。根据这些结果,一个图像块的大小越大,精度越好结果,因为更大的图像信息。

如表所示4我们设置批量大小= 8,16和32贝格纳训练模型。图像块将33×33个像素,SGD被选为优化算法,学习速率设置为0.01,辍学率被设置为0.4。正确设置批大小减少计算机内存的使用和加速训练。根据这些结果,设置批大小16可以减少培训时间和保持令人满意的结果。

如表所示5,我们使用SGD、动量和亚当·贝格纳训练模型。图像块将33×33个像素,批量大小设置为16,学习速率设置为0.01,辍学率被设置为0.4。根据这个结果,SGD的准确性优于亚当。添加动力之后,SGD可以获得一个更好的精度比其他优化结果。

4.2。与一些最先进的CNN-Based模型进行比较

VGGNet ResNet,贝格纳和网络模型被选中作为实验的基础模型。培训策略设置为0.4的辍学率,一批尺寸16,和学习速率为0.01,SGD +动量被选为优化器。训练后,无论是VGGNet还是ResNet聚合,但靠训练聚合。原始图像数据集的分析显示,每个图像含有噪声边缘。VggNet使用3×3卷积和2×2 max-pooling贯穿,这意味着每一个图像的一部分参与了培训。然而,大量的噪声图像的边缘干涉数据调整参数训练的过程。尽管ResNet增加网络的深度,它不能解决噪声干扰的问题。当大量的干扰信息与有用的信息混淆,培训不能收敛。

靠不考虑图像的空间排序方法,这意味着靠关注图像的每一个部分,而不是整体形象(38]。靠分类图像根据小地方特色的图像。限制当地特性可以直接确定图像的各个部分如何影响分类,使该算法充分利用图像的全部信息,减少无用的信息从噪声数据获得的重量。贝格纳这意味着可以获得有用的信息从一个图像的中心和边界,减少噪音的影响因为投票的最终结果取决于多数部分使正确的预测。表6显示了这三个模型的比较。

4.3。混合Jobs-Housing模式案例研究区域

基于前面的比较和分析,本研究采用一种改进的模型BagNet-33的实验。培训策略设置为0.4的辍学率,一批尺寸16,和学习速率为0.01,SGD +动量被选为优化器。贝格纳特在训练过程中损失函数的图所示8。获得三个jobs-housing归因的分类后,我们和每个类别的产品方式和概率估计拟合的结果。在这项研究中,三种类型的混合属性的全局拟合结果和典型土地利用RGB合成可视化(45]。红色带表示西城,绿色带表示OL,蓝色带表明噢。的空间分布产生的人口组成比例如图9。熵计算执行根据王,OL,噢每个包裹的属性,和分配结果如图10。

武汉的平均混合jobs-housing熵是0.1982。武汉有一个典型的大型中央组织结构,这意味着更多的资源都集中在中心区域经济的发展。这个城市有一个中心发展空间结构(46]。工作属性逐渐削弱中央区域的周边地区,而住宅属性加强,倾向于慢慢成为混合工作和居住属性。

工作中心的几个偏远城市,如辐射常福、江夏、黄陂南,忻州,东西湖区,和汉纳,位于靠近市中心。一般来说,武汉的发展集中在中心城区。一些地区存在一个工作或生活属性。大部分地区的jobs-housing属性混合,这表明武汉发展对含量的增加,混合土地使用(47]。

本研究选择三个典型案例来证明的可靠性分析。数据9(一)和10(一)是典型的大学教育在武汉地区,包括住宅和相关的生活设施,如Nanwang别墅和阳光社区。住宅面积占居民的比例相对较高;的OL属性面积明显高于其它地区,和jobs-housing混合水平相对较低(WL = 0.0124, OL = 0.9781,噢= 0.0095,EI = 0.1095)。

数据9(B)和10(B)显示典型的工作区域在武汉著名景点和组成一个混合的管理,医疗和文化区域。这个区域的噢属性明显高于其他地区,和jobs-housing混合水平很高(WL = 0.1957, OL = 0.2821,噢= 0.5221,EI = 0.9243)。数据9(C)和10(C)显示一个典型的工业园区职业住所,包括大量的软件企业和员工宿舍。因此,该地区具有较高的西城jobs-housing混合属性和一个高一级的(WL = 0.6642, OL = 0.1955,噢= 0.1403,和EI = 0.7886)。案例区域分析表明,贝格纳模型可以有效和合理地提取并量化城市混合jobs-housing模式。

5。讨论

本研究确定RS图像和城市之间存在相关性jobs-housing模式规模相对较好。我们把用户数据和遥感影像数据和采用多尺度随机抽样方法处理图像的多尺度问题和有限的数据问题。本研究领域包含社区的土地包裹和周围的环境,而不是使用社区的边界作为样本,可能考虑环境的潜在影响的地块的功能。本研究介绍了贝格纳模型和调整参数,通过选择合适的分割窗口大小和应用辍学机制,有效提高拟合精度。BagNet-33模型在研究中产生优秀的拟合结果,这表明DL模型可以有效地用于分析城市土地使用混合。

CNN是靠创新引入导数模型来提高结果的准确性。这种尝试在应用DL方法有效的混合分析混合城市jobs-housing模式。贝格纳VGGNet和ResNet相比,更适合从RS图像提取社会经济信息,即jobs-housing模式的空间分布。

本研究确定了很强的相关性之间的高分辨率遥感影像和城市jobs-housing模式。我使用DL高层语义信息在高分辨率遥感图像数据,这项研究揭示了强大的语义信息和城市社会经济特性之间的关系。混合jobs-housing模式获得了所构造的拟合模型,表明两种不同模式的观察,即“自下而上”(社会知觉)26)和“自上而下”(卫星遥感)[48),是有效的代表城市社会经济特征。

在这项研究中,拟合结果的用户在包裹jobs-housing数据规模在武汉从靠模型得到熵的计算和分析。jobs-housing混合OL地区的水平很低,而拥有和西城地区高。此外,拟合结果的合理性证明在区域分析。的混合土地利用与城市发展密切相关(47),混合土地利用水平的进一步发展需要促进经济增长。此外,该模型还可以用于分析居民的分布和用户社区的画像,这将是有用的在城市规划和城市设计。

尽管支持城市发展战略的贡献,这个研究领域,可以改善。在这项研究中使用的数据组成RS图像和用户数据集。研究表明,城市社会经济信息可以被耦合源探索社交媒体数据(49]。在未来,我们可能会提高能力推断混合jobs-housing模式耦合源社交媒体数据。同样,在训练过程中,每个参数对结果的影响是不可以量化的。培训策略是基于经验和反复的实验设计。此外,贝格纳训练模型的计算时间约20小时,这项研究并没有进行比较提出了模型之间的计算时间,因为没有时间的要求。未来的工作将集中在提高效率。

6。结论

本研究设计了一种基于准确的语义信息挖掘的DL模型的高分辨率遥感图像,这反映了一个城市的混合空间分布。我们认为社会感知数据和RS图像可以综合反映城市社会经济特征,进一步获得混合jobs-housing模式。考虑到武汉为研究区域,我们表明,该混合水平相对较低。政府应该规划和构建额外的混合功能区域增加混合土地利用水平,以刺激经济发展。本研究有利于了解城市复杂性和优化城市空间结构,可以用于城市规划和政府管理。

数据可用性

数据请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

姚姚和陈钱同样这项工作。

确认

这项工作得到了国家自然科学基金(41801306,41801306,41901332,61773383);基础研究基金为国立大学,中国地质大学(武汉)(CUG190606);国家实验室的开放基金信息工程的测量、映射、遥感、武汉大学(18 s01);中国国家重点研发项目(2017 yfb0503804);湖北省自然科学基金(2017 cfa041)。

引用

1. y . p . Wang和a . Murie”在中国城市商业地产开发城市研究,36卷,不。9日,第1494 - 1475页,1999年。视图:出版商的网站|谷歌学术搜索
2. y . p . Wang和a . Murie”在中国社会和空间影响的住房改革,“国际城市和地区研究杂志》上,24卷,不。2、397 - 417年,2000页。视图:出版商的网站|谷歌学术搜索
3. f . Wu”住宅安置在市场化的重建:中国城市的过程和结果,“Geoforum,35卷,不。4、453 - 470年,2004页。视图:出版商的网站|谷歌学术搜索
4. 王d和y柴”,jobs-housing关系和通勤在北京,中国:“单位”的遗产”交通地理杂志,17卷,不。1,此前,2009页。视图:出版商的网站|谷歌学术搜索
5. n . Ta y柴、张y和d .太阳,“理解job-housing关系和中国城市通勤模式:过去、现在和未来,“交通研究D部分:交通和环境52卷,第573 - 562页,2017年。视图:出版商的网站|谷歌学术搜索
6. r . Dekle和j·伊顿”,集聚和土地租金:证据从县”城市经济学期刊,46卷,不。2、200 - 214年,1999页。视图:出版商的网站|谷歌学术搜索
7. s . s .罗森塔尔和w·c·奇怪,“聚集的决定因素,”城市经济学期刊,50卷,不。2、191 - 229年,2001页。视图:出版商的网站|谷歌学术搜索
8. l . h . h . Wang Schandl, g . Wang,和y . Wang”中国区域物质流账户:检查中国自然资源的使用在省级和国家层面上,“工业生态学杂志,23卷,不。6,1425 - 1438年,2019页。视图:出版商的网站|谷歌学术搜索
9. j·g·h . Wang Wang Qi et al .,“Scarcity-weighted化石燃料排放量中国省级“应用能源文章ID 114081卷,258年,2020年。视图:出版商的网站|谷歌学术搜索
10. m . Charron”过剩通勤上下班的可能性:更多的扩展过剩通勤的概念,“环境和计划经济和空间,39卷,不。5,1238 - 1254年,2007页。视图:出版商的网站|谷歌学术搜索
11. a .郭j·杨,x, j .夏c·金和李x”城市空间形式的影响在社区一级城市热岛效应在中国,“可持续城市和社会卷,53篇文章ID 101972, 2020。视图:出版商的网站|谷歌学术搜索
12. y z俏,l . Liu秦,x, z . Liu, b . Wang”城市更新对地表温度的影响的变化:一个案例研究在主要城市广州,中国,“遥感,12卷,不。5,794年,页2020。视图:出版商的网站|谷歌学术搜索
13. 诉Van涡流和f . Witlox通勤行程内旅游:交通与土地利用有关吗?”运输,38卷,不。3、465 - 486年,2011页。视图:出版商的网站|谷歌学术搜索
14. j·杨,x, y . Wang Jin, j .夏和李x”的城市风和热环境的空间分化不同的网格大小,”城市气候ID 100458条,卷。28日,2019年。视图:出版商的网站|谷歌学术搜索
15. d . z俏,c . Wu赵et al .,“确定表面的边界和概率城市热岛足迹基于物流模型,”遥感,11卷,不。11,1368年,页2019。视图:出版商的网站|谷歌学术搜索
16. j·杨,金,x肖et al .,”当地气候区通风和城市地表温度:对绩效和wind-sensitive规划建议在大城市,“可持续城市和社会卷,47条ID 101487, 2019。视图:出版商的网站|谷歌学术搜索
17. 中州。蔡”,量化城市形态:密实度与'sprawl’。”城市研究,42卷,不。1,第161 - 141页,2005。视图:出版商的网站|谷歌学术搜索
18. j .周c .张x Chen w·黄和p . Yu Danwei坚持转换的遗产吗?西安jobs-housing平衡和通勤效率,”交通地理杂志40卷,第76 - 64页,2014年。视图:谷歌学术搜索
19. r .啊哈和U。马克,“基于位置的服务新的规划和公共管理面临的挑战吗?”期货,37卷,不。6,547 - 561年,2005页。视图:出版商的网站|谷歌学术搜索
20. y J.-C。辕”,结合智能卡数据和家庭旅游调查分析jobs-housing关系在北京,”电脑、环境和城市系统卷,53 19-35,2015页。视图:出版商的网站|谷歌学术搜索
21. a . l . Liu彼得曼,Ratti c”城市流动景观:实时监测城市移动模式”学报》第11届国际会议上电脑在城市规划和城市管理,页1 - 16,香港,中国,2009年6月。视图:谷歌学术搜索
22. n .广域网和g .林”生活空间表征从GPS数据收集的移动电话,“电脑、环境和城市系统39卷,第70 - 63页,2013年。视图:出版商的网站|谷歌学术搜索
23. y中,f·范,l .张“大片卷积神经网络高空间分辨率图像场景分类的,”应用遥感技术杂志》上,10卷,页1 - 2016。视图:出版商的网站|谷歌学术搜索
24. n .琼·m·伯克·m·谢·w·m·戴维斯·b·罗贝尔和s . Ermon”结合卫星图像和机器学习来预测贫困,”科学,卷353,不。6301年,第794 - 790页,2016年。视图:出版商的网站|谷歌学术搜索
25. 李x, y姚,x刘et al .,“感知城市土地利用的空间分布通过集成的兴趣点和谷歌Word2Vec模型,”国际地理信息科学杂志》上没有,卷。31日。4、825 - 848年,2017页。视图:出版商的网站|谷歌学术搜索
26. 刘y”,回顾几个基本的地理概念:社会感知的角度来看,“Oceanologica学报,4卷,2016年。视图:谷歌学术搜索
27. 张x和美国杜”,一个线性狄利克雷混合分解模型场景:应用程序来分析城市功能分区,”环境遥感卷。169年,37-49,2015页。视图:出版商的网站|谷歌学术搜索
28. 刘x x刘:妞妞,et al .,“基于多源海量数据描述混合用途的建筑”,国际地理信息科学杂志》上32卷,第756 - 738页,2018年。视图:谷歌学术搜索
29. j .歌曲,t·林、李x和a . v . Prishchepov”映射城市功能区域通过集成高空间分辨率遥感图像的兴趣点:一个案例研究的厦门,中国,“遥感,10卷,不。11,1737年,页2018。视图:出版商的网站|谷歌学术搜索
30. l . y . Chen, x, m . Bilal和李问:“基于对象的综合卷积神经网络来构建使用全色和多光谱图像提取,”Neurocomputing2019年出版社。视图:谷歌学术搜索
31. y史、问:李和朱x x,“建筑分割通过与深封闭图卷积神经网络嵌入结构特性,”ISPRS《摄影测量与遥感卷,159年,第197 - 184页,2020年。视图:出版商的网站|谷歌学术搜索
32. n .广域网和g .林”分类从智能手机GPS数据收集:人类活动模式模糊分类和聚合的方法,”在GIS的事务,20卷,不。6,869 - 886年,2016页。视图:出版商的网站|谷歌学术搜索
33. h·e·a·加西亚和他“学习不平衡数据,”IEEE工程知识和数据21卷,第1284 - 1263页,2009年。视图:出版商的网站|谷歌学术搜索
34. 李x x y姚明,Liu et al .,“映射精细人口分布在建筑层面通过集成多源地理空间大数据,”国际地理信息科学杂志》上31卷,第1244 - 1220页,2017年。视图:出版商的网站|谷歌学术搜索
35. m . Ren林y、m·金z段,y锣,和y . Liu”检查的影响土地使用功能互补intra-urban空间交互使用地铁智能卡记录,“运输,1,2019页。视图:谷歌学术搜索
36. j .秦和n h·c·容”,通过上下文视觉场景分类的话说,“模式识别,43卷,不。5,1874 - 1888年,2010页。视图:出版商的网站|谷歌学术搜索
37. l .周、周z和d·胡”场景分类使用多分辨率bag-of-features模型”,模式识别,46卷,不。1,第433 - 424页,2013。视图:出版商的网站|谷歌学术搜索
38. w . Brendel和m .陆慈”近似cnn imagenet bag-of-local-features模型效果出奇的好,”2019年,http://arxiv.org/abs/1904.00760。视图:谷歌学术搜索
39. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”2014年,http://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
40. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议(CVPR),页770 - 778,IEEE计算机协会,拉斯维加斯,NV,美国,2016年6月。视图:谷歌学术搜索
41. r·g·Congalton”回顾评估遥感数据的分类的准确性,“环境遥感,37卷,不。1,35-46,1991页。视图:出版商的网站|谷歌学术搜索
42. ,j·j·l·科恩,b . s .埃维里特,“大样本和加权kappa的标准错误,”心理上的公告,卷72,不。5,323 - 327年,1969页。视图:出版商的网站|谷歌学术搜索
43. s . g . Plexida ai Sfougaris, i . p . Ispikoudis和v . p . Papanastasis”选择景观指标作为指标的空间heterogeneity-a比较希腊风景”国际期刊《应用地球观测和地质信息,卷。26日,26 - 35周不等,2014页。视图:出版商的网站|谷歌学术搜索
44. m·g·特纳r·h·加德纳r . v . O ' neill和r . v .奥尼尔,景观生态学理论和实践施普林格,卷。401年,柏林,德国,2001年。
45. k .多维和e . Pafka”功能的组合是什么?一个组合的方法。”规划理论与实践,18卷,不。2、249 - 267年,2017页。视图:出版商的网站|谷歌学术搜索
46. 魏黄h . y .丹尼斯,丹尼斯,“Intra-metropolitan位置的外国直接投资在武汉,中国:机构,城市结构和可访问性,”应用地理47卷,第88 - 78页,2014年。视图:出版商的网站|谷歌学术搜索
47. 罗t . y . Liu, x, z . Liu j . Li和r . Tan“城乡建设的比较分析土地利用变化与驱动力:对城乡协调发展在武汉,华中,”栖息地的国际47卷,第125 - 113页,2015年。视图:出版商的网站|谷歌学术搜索
48. x Liu j .他y姚明et al .,“城市土地利用分类通过集成遥感和社交媒体数据,”国际地理信息科学杂志》上没有,卷。31日。8,1675 - 1696年,2017页。视图:出版商的网站|谷歌学术搜索
49. 江,x钱、t·梅和y傅,“个性化旅游序列推荐多源大社交媒体,”IEEE大数据,卷2,不。1,43-56,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年姚明姚明等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。