基于多源数据融合的城市土地利用精细识别方法

李林超; 钟良剑; 苏庆; 任璐; 杜博文

doi:10.3969/j.issn.0258-2724.20230296

基于多源数据融合的城市土地利用精细识别方法

doi: 10.3969/j.issn.0258-2724.20230296

李林超^1,,
钟良剑¹,
苏庆¹,
任璐²,
杜博文^3, ,

1.
深圳大学土木与交通工程学院，广东深圳 518060
2.
长安大学运输工程学院，陕西西安 710061
3.
北京航空航天大学计算机学院，北京 100191

基金项目: 国家自然科学基金项目（52202402）

详细信息

作者简介:
李林超（1991—），男，副研究员，博士，研究方向为智能交通、大数据，E-mail：lilinchao@szu.edu.cn

通讯作者:
杜博文（1982—），男，教授，博士，研究方向为智能交通、大数据，E-mail：dubowen@buaa.edu.cn

中图分类号: U491
计量
- 文章访问数: 220
- HTML全文浏览量: 56
- PDF下载量: 19
- 被引次数: 0
出版历程
- 收稿日期: 2023-06-20
- 修回日期: 2023-11-16
- 网络出版日期: 2025-01-17
- 刊出日期: 2023-12-05

Fine Urban Land Use Identification Based on Fusion of Multi-source Data

1.
College of Civil and Transportation Engineering, Shenzhen University, Shenzhen 518060, China
2.
School of Transportation Engineering, Chang’an University, Xi’an 710061, China
3.
School of Computer Science and Engineering, Beihang University, Beijing 100191, China

摘要

摘要:
我国土地利用类型复杂，为解决依靠单一遥感图像或POI（point of interest）数据而难以准确识别城市土地利用类型的困境，提出一种遥感图像和POI数据相结合的精细识别方法. 首先，为精细识别城市地块功能，选取500 m栅格为研究单位；其次，提取POI数据并生成各类土地利用的核密度分布图，对遥感、POI图像数据进行数据预处理、数据切分、数据增强以提取有效信息；最后，将POI核密度分布图和高分遥感影像数据融合，以现状土地利用数据为标签，构建UNet++网络对城市地块分类，并运用CA算法对模型参数进行优化. 以深圳市为实例开展实验，并在罗湖区和南山区进行迁移验证，结果表明：融合POI数据的城市土地利用精确识别模型平均精度为70.6%，比仅使用遥感数据识别模型精度高6.7%；使用CA算法后，模型精度提高1.5%；对模型进行迁移验证，模型平均精度为72.6%，表明模型具有较高的稳健性；此外，POI数据弥补了遥感影像仅涉及光谱、纹理和地物结构物理属性的不足，能较好识别商服用地、公共管理与公共服务用地，相较于单一数据识别模型精度分别高了7.5%、6.0%.
- 交通规划 /
- 土地利用 /
- 深度学习 /
- 多源数据
Abstract:
Land use type in China is complex, and it is difficult to accurately identify urban land use type by relying on a single remote sensing image or point of interest (POI) data. To address this issue, a fine identification method combining remote sensing images and POI data was proposed. Firstly, to finely identify urban land parcel functions, a 500-meter grid was selected as the research unit; secondly, POI data were extracted, and kernel density distribution maps of various land uses were generated. Data preprocessing, data segmentation, and data enhancement were performed on remote sensing and POI image data to extract effective information. Finally, the POI kernel density distribution map and high-resolution remote sensing image data were fused together, and the current land use data was used as the label to construct the UNet++ network to classify urban land parcels. The model parameters were optimized using the cosine annealing (CA) algorithm, and the proposed method was tested in Shenzhen City. Migration verification was carried out in Luohu District and Nanshan District. The results show that the average accuracy of the urban land use identification model fused with POI data is 70.6%, which is 6.7% higher than that of the identification model using only remote sensing data; after using the CA algorithm, the model accuracy is increased by 1.5%. The migration verification of the model is carried out, and the average accuracy of the model is 72.6%. This shows that the model is robust. In addition, POI data makes up for the shortcomings of remote sensing images that only involve spectrum, texture, and physical attributes of ground structures, and it can better identify commercial land and public management and service land. The accuracy is 7.5% and 6.0% higher than that of a single data identification model.
- traffic planning /
- land use /
- deep learning /
- multi-source data

HTML全文

随着基坑工程建设的不断发展，为确保其安全修建，在进行基坑支护时预应力高强度混凝土（PHC）管桩被广泛采用，但相关监测数据显示，PHC管桩由于延性差，在水平荷载作用下常因结构受弯承载力不足而出现桩身开裂、倾斜及断桩等质量缺陷^[1-3]，所以对于其抗弯性能的研究是非常必要的. 鉴于此，延性及耐久性更好的混合配筋预应力混凝土（PRC）管桩在基坑工程建设中被进一步推广应用^[4-5]. PRC管桩主要通过在高强度混凝土中混合配置高强度、低松弛率的预应力钢筋和非预应力钢筋，使其具有较大的水平抗弯、抗拉能力，同时延性和抗震性等也有所提高，在实际工程应用场景中，桩体主要承受弯矩、剪力等外荷载作用，其中抗弯性能尤为重要^[6-8]. 然而，由于不同预应力控制水平、混合配筋等多因素的影响作用下PRC管桩实际抗弯承载力与理论设计值仍存在偏差，致使其服役过程中存在桩身破坏或性能退化等潜在风险. 因此，PRC管桩抗弯承载能力研究对岩土工程安全修建具有重要的理论指导与实际工程意义.

目前，国内外学者针对PRC管桩的抗弯性能开展了大量研究. 试验研究方面，众多学者开展了预应力混凝土管桩的抗弯性能对比试验：王新玲等^[9-13]研究非预应力钢筋的配置对混合配筋预应力混凝土管桩抗弯承载性能的影响，发现配置非预应力钢筋可明显提高预应力混凝土管桩的抗弯承载力和延性，对控制抗弯裂缝的开展有明显的效果；张忠苗等^[14]通过试验得出钢筋加强型预应力混凝土管桩中，非预应力螺纹钢筋的配置较大幅度改善了预应力混凝土管桩的抗弯性能，且预应力钢筋配筋率越低效果越明显,但抗裂性能没有明显提高；朱俊涛等^[15]分析预应力钢棒和高强钢筋不同张拉控制应力对混合配筋混凝土管桩抗弯性能的影响，结果表明，随着预应力钢棒预拉应力的降低，试件的延性系数逐渐增大，而对应的开裂弯矩逐渐减小，但对承载力影响较小；刘凯等^[16]分析超高强混凝土（C105）和非预应力钢筋配置等对PRC管桩受弯性能的影响发现，混凝土强度等级对管桩的开裂弯矩和极限弯矩均有影响，随着混凝土强度提高，试件的整体刚度明显提升，PRC管桩抗弯承载力随非预应力钢筋配筋率的提高而增大；刘永超等^[17]针对区段复式配筋预应力管桩开展抗弯试验，总结得出了其桩身裂缝形态、挠度曲线、弯矩等变化规律. 数值模拟方面：王新玲等^[18-19]等对复合配筋预应力混凝土管桩的抗弯刚度进行了计算分析发现，复合配筋预应力管桩较普通的预应力管桩具有更好的抗弯承载力、延性及耐久性；朱俊涛等^[15]对预应力混凝土管桩进行数值模拟表明，降低预应力钢棒的预拉应力值能够明显提高试件的延性，但对试件的抗弯承载力影响较小；傅传国等^[20]提出了火灾情况下预应力型钢混凝土梁抗弯承载力计算方法；李福海等^[21]总结了聚丙烯纤维水泥基梁的抗弯承载力变化规律.

上述研究中，桩身的破裂形态、挠度曲线、弯矩等变化状况是抗弯承载性能研究的关注重点，通过获取上述性能指标的变化规律，可帮助认识桩身工作状态演化规律. 越来越多的工程场景需要用到混合配筋预应力混凝土管桩，其破坏形式受预应力水平、桩身配筋、端板厚度、焊缝质量、预应力钢筋锚固等多个因素控制，但预应力控制水平、混合配筋等因素对PRC桩身抗弯性能影响的研究内容较少. 针对上述问题，本文通过开展多因素影响PRC管桩抗弯载荷试验，获取混合配筋比、预应力水平等因素影响下抗弯性能演化规律，为PRC桩工艺设计及工程应用提供参考.

1. 抗弯性能试验

1.1 试验装置及加载方案

参照《先张法预应力混凝土管桩》（GB 13476—2009）^[22]开展PRC管桩抗弯性能承载试验，试验加载装置如图1所示. 荷载由500 kN同步液压千斤顶产生，门式反力架提供荷载支承. 压力传感器布置于千斤顶上方，用于测量并控制加载值. 3个百分表分别位于加载点下方及跨中，用于测量挠度. 为确保测量准确性，试验过程中增加水准仪进行辅助测量及抄测卸载后的残余变形.

图 1 PRC管桩抗弯承载试验示意

Figure 1. Flexural bearing test of PRC pipe piles

下载: 全尺寸图片幻灯片

采用单调连续加载的方式进行加载. 先按照理论抗裂弯矩的20%的级差由0加载至抗裂弯矩的80%，每级荷载的持续时间为3 min；再按照抗裂弯矩的10%的级差加载至抗裂弯矩的100%. 观察是否有裂缝出现，并测定和记录裂缝宽度. 如果达到抗裂弯矩的100%时仍未出现裂缝，则按抗裂弯矩的5%的级差加载至裂缝出现，随后按极限弯矩的5%的级差继续加载直至试验桩破坏，具体表现为受拉区预应力钢筋拉断或受压区混凝土压碎.

1.2 试件设计

本研究共设计5种PRC圆形管桩，桩长为9 000 mm，桩身外径500 mm，壁厚100 mm，基本情况如表1所示. 为研究张拉控制比例的影响，PRC1～PRC3号桩预应力张拉控制比例分别设置为0.3、0.5、0.7，其余参数保持一致. 为研究混合配筋的影响，PRC4、PRC5号桩预应力张拉控制比例为0.5，其中PRC4桩非预应力钢筋不参与预应力贡献，桩身混凝土强度等级为C60，预应力钢棒直径为10.7 mm（抗拉强度为1 420 MPa），根数为12根，非预应力钢筋直径为12.0 mm的HRB400级钢筋，根数为12根，二者等间距分布.

表 1 试件基本情况

Table 1. Specimen basic information

试件编号	外径/mm	壁厚/mm	长度/mm	张拉控制比例	非预应力钢筋贡献
PRC1	500	100	9 000	0.3	有
PRC2				0.5	有
PRC3				0.7	有
PRC4				0.5	无
PRC5				0.5	有

下载: 导出CSV

| 显示表格

2. 试验结果与分析

2.1 混凝土开裂分析

初始阶段构件处于弹性工作阶段跨，中弯矩随荷载增加线性增大尚无裂缝产生；当在跨中底部受拉区出现第一条垂直裂缝时，构件进入屈服阶段，随着荷载增加，该裂缝不断延伸同时产生更多裂缝；达到极限状态后，桩身顶部受压区出现压碎破坏，不同PRC管桩桩身开裂情况如图2所示.

图 2 不同PRC管桩桩身裂隙分布示意

Figure 2. Crack distribution on different PRC pipe piles

下载: 全尺寸图片幻灯片

桩身裂缝情况及弯曲延性情况如表2所示，表中，延性系数等于破坏位移与屈服位移之比. 根据表中数据可知：初始预应力水平越高桩身裂缝越少，混合配筋对裂缝数量影响较小，裂缝宽度越大桩身延性系数越大；初始预应力水平为0.5倍张拉力时，延性系数最大；当非预应力钢筋参与贡献时桩的延性更好.

表 2 桩身裂缝及弯曲延性情况统计

Table 2. Statistics of pile body cracks and ductility

桩身编号	裂缝数量/根	最大裂缝宽度/mm	延性系数 μ
PRC1	25	0.90	6.8
PRC2	22	0.95	8.5
PRC3	18	0.75	5.5
PRC4	27	1.05	10.6
PRC5	27	1.50	13.6

下载: 导出CSV

| 显示表格

2.2 弯矩-挠度曲线分析

不同初始预应力的3种PRC管桩的弯矩-挠度曲线如图3所示：加载过程中，曲线均存在明显的线性弹性特征以及屈服台阶弹塑性特征；在弯矩小于100 kN•m时，PRC2与PRC3的弯矩-挠度曲线基本重合，随着受拉区混凝土的开裂，两曲线逐渐分离；初始施加预应力越大的试件弹性变形段越长，裂缝出现越靠后，相同挠度情况下弯矩水平越高. 分析认为，在荷载变形过程中预应力钢筋率先工作，而初始预应力水平越高的试件桩身整体弹性阶段越长，裂缝出现越晚.

图 3 不同初始预应力工况下PRC桩跨中弯矩-挠度曲线

Figure 3. Bending moment-deflection curve in midspan of PRC pipe piles under initial prestress condition

下载: 全尺寸图片幻灯片

混合配筋对PRC管桩的跨中弯矩-挠度曲线影响规律如图4所示：PRC4和PRC5的变形曲线在弯矩为200 kN•m以内时基本重合，随着受拉区混凝土的开裂，两曲线出现分离现象. 分析认为，非预应力钢筋的协同贡献作用不同，PC钢棒和螺纹钢同时张拉的构件变形相对趋缓，延性更好，表现出良好的韧性.

图 4 PRC4及PRC5桩跨中弯矩-挠度曲线

Figure 4. Bending moment-deflection curves in midspan of PRC4 and PRC5 pipe piles

下载: 全尺寸图片幻灯片

2.3 抗弯承载力分析

如图5所示：随着荷载增加，当弯矩达到开裂弯矩点时桩身开始出现裂缝，此时对应的弯矩M_cr为开裂弯矩，开裂挠度记作f_ue；荷载进一步增加时，弯矩超过构件极限承载弯矩出现破坏，此时对应的弯矩用M_u0（极限弯矩），极限挠度记作f_u0.

图 5 抗弯承载力与挠度关系曲线

Figure 5. Relationship between flexural bearing capacity and deflection

下载: 全尺寸图片幻灯片

针对以上2种弯矩，不同桩的弯矩承载力对比情况如图6所示. 由图6（a）可知，张拉控制比例增大时，开裂弯矩显著增大，而极限弯矩则呈现先增大后减小的趋势，甚至PRC3号桩的极限弯矩小于PRC1号桩. 由图6（b）可知，非预应力钢筋参与受荷贡献对于桩身弯矩承载能力影响较小，PRC4与PRC5号桩弯矩承载力较为接近. 分析认为，桩身预应力水平越高达到屈服阶段越晚，开裂弯矩也就越大，桩身破坏时极限弯矩与桩身在高应力水平下整体变形相关，因此，与预应力水平并非呈现正相关，初始预应力为0.5倍张拉力时极限弯矩最大.

图 6 不同桩弯矩承载力对比

Figure 6. Comparison of bending moment capacities of different piles

下载: 全尺寸图片幻灯片

桩的挠度对比情况如图7所示，由图7（a）可知，张拉控制比例不同时，0.5倍张拉预应力情况下开裂挠度最小，而极限挠度则随着张拉控制比例的增加显著减小. 由图7（b）可知，非预应力钢棒参与受荷贡献对于桩身开裂挠度影响较小，而极限挠度则随着非预应力钢棒参与预应力贡献显著增大. 分析认为，桩身开裂挠度反应了桩身出现裂缝时的变形程度，与初始预应力水平关系较小，极限挠度反映了桩身破坏时桩身变形情况，初始预应力水平越高桩身发生破坏时的变形程度越小，非预应力钢棒参与受荷贡献时，由于其延性更好极限挠度越大.

图 7 不同桩挠度对比

Figure 7. Comparison of deflections of different piles

下载: 全尺寸图片幻灯片

2.4 桩身变形曲线对比分析

不同荷载作用下桩身变形曲线如图8所示. 由PRC1～PRC3号桩身变形曲线可知：管桩构件开裂以前，荷载值较小，构件的变形也很小，挠度沿纵向变化很小，即挠度增加缓慢，且跨中纯弯段变形基本相等，曲线呈U型发展；荷载加至开裂荷载后，跨中变形值增加速率加快，随着荷载的继续增加，构件进入破坏阶段，跨中变形值的增加速率继续增加，最终破坏时荷载-变形曲线基本呈V型；图8（b）曲线为PRC2桩在塑性阶段及破坏阶段，跨中纯弯段3个百分表变形差异较小，表明构件正截面受拉区高度相对较小，受压区高度相对较大，属于超筋截面破坏，正截面承载力由受压区混凝土控制，故其承载力相对较高，也验证了试验测试结果；对比PRC1～PRC3号桩身变形曲线可知，PRC2号桩曲线斜率相对较小，其延性最好.

图 8 不同荷载共况下桩身变形曲线

Figure 8. Pile body deformation under different loading conditions

下载: 全尺寸图片幻灯片

由PRC4、PRC5号桩桩身变形曲线可以看出，桩身在经历开裂至破坏变形阶段变形曲线与PRC1～PRC3号桩曲线形态一致，随着荷载增加，桩身曲线形态逐渐由U型向V型转变. 对比两者变形曲线可知，非预应力钢棒参与受荷贡献时，其弯曲延性更好，PRC5号桩变形曲线更缓.

3. 讨论与分析

将试验所测得数据与已有规范中相关弯矩承载力所规定的理论计算值进行对比. 开裂弯矩的计算参照《混合配筋预应力混凝土管桩》（DBJT19-34—2009）^[23]中有关规定进行，极限弯矩的计算理论值1参照《混合配筋预应力混凝土管桩》（DBJT19-34—2009）^[23]有关规定进行计算，理论值2参照《先张法预应力混凝土管桩》（GB 13476—2009）^[22]有关规定进行计算，相关计算方法如式（1）～（3）所示.

1）开裂弯矩计算公式

${M_{{\text{cr}}}} = ({\sigma _{{\text{pc}}}} + k{f_{{\text{tk}}}}){W_{\text{0}}}\text{，}$

(1)

式中：σ_pc为管桩横截面承受的压应力；k为考虑工艺和截面抵抗矩塑性影响的综合系数；f_tk为混凝土轴心抗拉强度标准值；W₀为截面换算弹性抵抗矩.

2）极限弯矩计算公式

理论值1：

$\begin{split} & {M_{{\text{u1}}}} = {\alpha _{\text{1}}}{f_{{\text{ck}}}}A({r_{\text{1}}} + {r_{\text{2}}})\frac{{\sin {\text{π}} \alpha }}{{2{\text{π}} }} + {{f}_{{\text{py}}}}{A_{\text{p}}}{D_{\text{p}}}\frac{{\sin {\text{π}} \alpha }}{{2{\text{π}} }} + \\ &\quad ({f_{{\text{ptk}}}} - {\sigma _{{\text{p0}}}}){A_{\text{p}}}{D_{\text{p}}}\frac{{\sin {\text{π}} {\alpha _{\text{t}}}}}{{2{\text{π}} }} + {f_{{\text{yk}}}}{A_{\text{s}}}{D_{\text{s}}}\frac{{\left( {\sin {\text{π}} \alpha + \sin {\text{π}} {\alpha _{\text{t}}}} \right)}}{{2{\text{π}} }} \end{split} \text{，}$

(2)

理论值2：

$\begin{split} & {M_{{\text{u2}}}} = {\alpha _{\text{1}}}{f_{{\text{ck}}}}A({r_{\text{1}}} + {r_{\text{2}}})\frac{{\sin {\text{π}} \alpha }}{{2{\text{π}} }} + {{f}_{{\text{py}}}}{A_{\text{p}}}{D_{\text{p}}}\frac{{\sin {\text{π}} \alpha }}{{2{\text{π}} }} + \\ &\quad ({f_{{\text{ptk}}}} - {\sigma _{{\text{p0}}}}){A_{\text{p}}}{D_{\text{p}}}\frac{{\sin {\text{π}} {\alpha _{\text{t}}}}}{{2{\text{π}} }} + {\sigma _{\mathrm{s}}}{A_{\text{s}}}{D_{\text{s}}}\frac{{\left( {\sin {\text{π}} \alpha + \sin {\text{π}} {\alpha _{\text{t}}}} \right)}}{{2{\text{π}} }} \end{split} \text{，}$

(3)

式（2）、（3）中：α₁为受压区应力与抗压强度设计值比值；A为桩身横截面面积；A_p为预应力钢筋截面面积；r₁、r₂分别为管桩桩身环形截面内、外半径；D_p为预应力钢筋所在圆周直径；α为受压区混凝土面积与全截面面积之比；α_t为受拉区纵向预应力钢筋与全部预应力钢筋面积之比；f_ptk为预应力钢筋强度标准值；f_ck为混凝土轴心抗压强度标准值；f_py为预应力钢筋抗压强度设计值；σ_p0为预应力钢筋合力点处混凝土法向应力等于0时的预应力钢筋应力；σ_s为普通钢筋应力；A_s为普通钢筋截面面积；D_s 为普通钢筋圆周直径.

开裂弯矩理论计算值与实测值对比结果如表3所示，不同预应力PRC桩开裂弯矩实测值为理论值的1.25～1.50倍. 具体如下：PRC1的开裂弯矩实测值约为计算值的1.50倍，PRC2和PRC3的开裂弯矩实测值约为计算值的1.25倍，PRC4和PRC5实测值约为计算值的1.38倍；初始预应力较低情况下，相对误差较大可达50%，随着初始预应力的增高，误差逐渐减小. 可见在初始预应力较低情况下，现行规范中PRC管桩开裂弯矩计算方法偏于保守，低估了PRC管桩的实际承载能力.

表 3 开裂弯矩理论与实测值对比结果

Table 3. Comparison of theoretical and measured cracking moments

桩身编号	初始预应力比例	理论值（KN·m）	实测值（KN·m）	实测值/计算值
PRC1	0.3	98.1	146.5	1.50
PRC2	0.5	121.6	154.5	1.28
PRC3	0.7	145.2	181.6	1.25
PRC4	0.5	119.3	149.3	1.39
PRC5	0.5	119.3	149.5	1.37

下载: 导出CSV

| 显示表格

极限弯矩理论计算值与实测值对比结果如表4所示. 由表可以看出：5种PRC管桩极限弯矩实测值均大于理论值1，实测值与理论值2较为接近，其中，PRC3号桩小于理论值2；实测值与理论值对比可知，《混合配筋预应力混凝土管桩》（DBJT19-34—2009）^[23]中有关规定进行的极限弯矩理论计算值偏于保守，未能充分发挥管桩的实际承载性能，初始预应力为0.50倍张拉力的PRC3号桩实测值可达理论值的1.17倍，而考虑混合配筋影响的PRC4、PRC5号桩的极限弯矩实测值可达该规范中理论值的1.30倍以上；《先张法预应力混凝土管桩》（GB 13476—2009）^[22]中极限弯矩的理论计算方法与实测值较为接近，不同管桩二者比值在0.96～1.07，可满足工程设计施工计算要求.

表 4 极限弯矩理论与实测比较

Table 4. Comparison of theoretical and measured ultimate bending moments

构件	初始预应力比例	实测值/ （KN·m）	理论值 1/ （KN·m）	理论值 2/ （KN·m）
PRC1	0.3	355	310	354
PRC2	0.5	375	320	360
PRC3	0.7	349.5	330	363
PRC4	0.5	420.2	307	392
PRC5	0.5	409.8	307	392

下载: 导出CSV

| 显示表格

4. 结　论

1） PRC桩破坏形式为典型的弹塑性构件破坏形态，混合配筋方式提高了桩身承载力及延性. 破坏时弯曲变形延性大于5.5，跨度为6.2 m时最大挠度大于48 mm，破坏时裂缝宽度小于1 mm；破坏时弯曲变形延性大于10，跨度为5.4 m时最大挠度大于54 mm，破坏时裂缝宽度为1.05～1.50 mm.

2）开裂弯矩随着施加预应力值的增大而逐渐增大，极限挠度随着施加预应力值的增大而逐渐减小. 在初始预应力为0.50倍张拉力时试件的延性最好. 非预应力钢筋参与受荷贡献对于桩身弯矩承载能力影响较小，而极限挠度则随着非预应力钢棒参与预应力贡献显著增大.

3）管桩构件开裂以前，随荷载增加，挠度增加缓慢，且跨中纯弯段变形基本相等，曲线呈U型发展. 荷载加至开裂荷载后，跨中变形值增加速率加快，随着荷载的继续增加，构件进入破坏阶段，跨中变形值的增加速率继续增加，最终破坏时荷载变形曲线基本呈V型.

4）不同预应力PRC桩开裂弯矩实测值为《混合配筋预应力混凝土管桩》（DBJT19-34—2009）中有关规定理论值的1.25～1.50倍. 5种PRC管桩极限弯矩实测值均大于《混合配筋预应力混凝土管桩》（DBJT19-34—2009）中有关规定理论值，实测值与《先张法预应力混凝土管桩》（GB 13476—2009）理论值较为接近，二者比值在0.96～1.07，可满足工程设计施工计算要求.

图 1 UNet++ 架构

Figure 1. Architecture of UNet++

下载: 全尺寸图片幻灯片

图 2 深圳市遥感影像数据

Figure 2. Remote sensing image data of Shenzhen City

下载: 全尺寸图片幻灯片

图 3 POI的KDE强度

Figure 3. KDE intensity of POI

下载: 全尺寸图片幻灯片

图 4 POI 对不同类别土地利用识别精度的影响

Figure 4. Effect of POI on recognition accuracy of different land use types

下载: 全尺寸图片幻灯片

图 5 迁移区域土地利用识别精度

Figure 5. Recognitionaccuracy of land use in migration area

下载: 全尺寸图片幻灯片

表 1 深圳市土地利用现状类别

Table 1. Current land use types in Shenzhen City

编码	用地属性	描述	总面积/km²
07	住宅用地	除配套的商务、服务业设施用地之外的用于居民生活和居住的各种类型的住宅以及周边的附属设施用地	211.75
05	商服用地	包括用于商务服务用地，以及办公场所具有经营性质的用地；居住用地中包含商业零售、服务、生产、批发、娱乐等功能为主的用地也包含在内	37.26
08	公共管理与公共服务用地	包括公用的文体设施用地，以及各种类型的教育、机关团体、医疗服务等用地	390.69
06	工矿仓储用地	指工厂、车间、手工业作坊等进行工业生产、产品加工制造活动用地，也包括直接服务于工业生产的附属设施用地	273.20
10	交通运输用地	包括直接用于交通运输和通行的地面线路；交通服务设施用地，例如火车场站、地铁站、汽运枢纽及其附属设施用地；军民合用机场、民用机场用地；港口及其附属建筑物用地	235.15
12	其他用地	裸地、水域等未利用和未开发用地	1084.64

下载: 导出CSV

表 2 高德POI和城市土地利用的映射关系

Table 2. Mapping relationship between AutoNavi POI and urban land use

类别编码	用地属性	高德 POI 类别编码	高德 POI 类别说明
07	住宅用地	中类：1203	中类：住宅区
05	商服用地	大类：12，16，17	大类：商务住宅、金融保险服务，公司企业
08	公共管理与服务服务用地	大类：09，11，13，14；中类：1410，1412，1413，1415	大类：医疗保健服务、风景名胜、政府机构及社会团体、科教文化服务中类：文艺团体，学校、科研机构、驾校
06	工矿仓储用地	中类：0705，1703；小类：170204，170205	中类：物流快递、工厂小类：机械电子、冶金化工
10	交通运输用地	大类：15	大类：交通设施服务
12	其他用地

下载: 导出CSV

表 3 输入数据通道概况

Table 3. Description of input data channels

数据类型	通道描述	通道数量/个	通道总和/个
遥感影像	全色	1	4
遥感影像	多光谱	3	4
NDVI		1	1
POI	映射编码为 07	1	6
	映射编码为 05	1
	映射编码为 08	1
	映射编码为 06	1
	映射编码为 10	1
	映射编码为 12	1

下载: 导出CSV

表 4 POI特征交叉验证结果

Table 4. Results of cross-validation considering POI characteristics

验证折数序号	方法	是否融合 POI 通道特征	各用地类型准确度						m_Acc	平均m_Acc
验证折数序号	方法	是否融合 POI 通道特征	07	05	08	06	10	12	m_Acc	平均m_Acc
1	UNet++	是	0.660	0.467	0.523	0.679	0.644	0.835	0.635	0.639
2			0.676	0.451	0.515	0.691	0.637	0.830	0.633
3			0.720	0.472	0.519	0.712	0.661	0.864	0.658
4			0.675	0.450	0.493	0.639	0.660	0.863	0.630
5			0.689	0.417	0.484	0.677	0.684	0.877	0.638
1	UNet++	否	0.714	0.581	0.591	0.720	0.681	0.865	0.692	0.706
2			0.729	0.616	0.645	0.735	0.674	0.847	0.708
3			0.735	0.605	0.674	0.723	0.708	0.865	0.718
4			0.720	0.594	0.635	0.684	0.704	0.871	0.701
5			0.735	0.586	0.628	0.712	0.720	0.881	0.710

下载: 导出CSV

表 5 CA算法优化前后结果

Table 5. Results of CA algorithm before and after optimization

验证折数序号	方法	CA 优化	各用地类别准确度						m_Acc	平均m_Acc
验证折数序号	方法	CA 优化	07	05	08	06	10	12	m_Acc	平均m_Acc
6	UNet++	未使用	0.714	0.581	0.591	0.720	0.681	0.865	0.692	0.706
7			0.729	0.616	0.645	0.735	0.674	0.847	0.708
8			0.735	0.605	0.674	0.723	0.708	0.865	0.718
9			0.720	0.594	0.635	0.684	0.704	0.871	0.701
10			0.735	0.586	0.628	0.712	0.720	0.881	0.710
6	UNet++	使用	0.726	0.599	0.600	0.736	0.708	0.864	0.706	0.721
7			0.742	0.641	0.647	0.754	0.700	0.852	0.723
8			0.744	0.628	0.670	0.733	0.735	0.876	0.731
9			0.733	0.625	0.644	0.705	0.732	0.873	0.719
10			0.748	0.607	0.639	0.729	0.741	0.878	0.724

下载: 导出CSV

表 6 迁移区域土地利用预测结果

Table 6. Predicted results of land use in migration area

土地利用类型编码	预测结果						准确度	m_Acc
土地利用类型编码	07	05	08	06	10	12	准确度	m_Acc
07	7254587	460884	331122	1373299	463604	150510	0.723	0.726
05	309627	1255023	45412	213230	199606	35091	0.608
08	592161	86457	3267402	256562	228235	126230	0.717
06	348281	35893	127925	2467265	289679	60600	0.741
10	1208635	504431	218529	498040	5776828	390006	0.672
12	824235	52864	32349	833590	1160088	24745690	0.895

下载: 导出CSV

参考文献(24)

[1]	钟鸣,董一鸣,汉特•道格拉斯,等. 面向新城的土地利用-交通整体规划建模方法[J]. 交通运输系统工程与信息,2021,21:13-25. ZHONG Ming, DONG Yi, JOHN-DOUGLAS H, et al. Development of a new town planning method using an integrated land use-transport model[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21: 13-25.
[2]	武凯飞,钟鸣,王慧妮,等. 面向土地交通整体规划的土地利用精细分类模型研究[J]. 武汉理工大学学报(交通科学与工程版),2020,44:669-75. WU Kaifei, ZHONG Ming, WANG Huini, et al. Study on high-resolution classification model of land use for overall planning of land transportation[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2020, 44: 669-75.
[3]	赵锦焕,李文权. 居民出行调查中交通小区划分方法的改进[J]. 交通运输工程与信息学报,2009,7(2): 110-115. ZHAO J, LI W. Improvement of the traffic district partition in resident trip investigation[J]. Journal of Transportation Engineering and Information, 2009, 7(2): 110-115.
[4]	LI J X, HONG D F, GAO L R, et al. Deep learning in multimodal remote sensing data fusion: a comprehensive review[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 112: 102926.1-102926.16.
[5]	CARRANZA-GARCÍA M, GARCÍA-GUTIÉRREZ J, RIQUELME J C. A framework for evaluating land use and land cover classification using convolutional neural networks[J]. Remote Sensing, 2019, 11(3): 274.1-274.23.
[6]	ZHANG C, JIANG W S, ZHANG Y, et al. Transformer and CNN hybrid deep neural network for semantic segmentation of very-high-resolution remote sensing imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 3144894.1-3144894.20.
[7]	ZHENG H H, GONG M G, LIU T F, et al. HFA-Net: high frequency attention Siamese network for building change detection in VHR remote sensing images[J]. Pattern Recognition, 2022, 129: 108717.1-108717.11.
[8]	CHENG G, WANG G X, HAN J W. ISNet: towards improving separability for remote sensing image change detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 3174276.1-3174276.11.
[9]	CAO R, ZHU J S, TU W, et al. Integrating aerial and street view images for urban land use classification[J]. Remote Sensing, 2018, 10(10): 1553.1-1553.23.
[10]	ZONG L L, HE S J, LIAN J T, et al. Detailed mapping of urban land use based on multi-source data: a case study of Lanzhou[J]. Remote Sensing, 2020, 12(12): 1987.1-1987.19.
[11]	LU W P, TAO C, LI H F, et al. A unified deep learning framework for urban functional zone extraction based on multi-source heterogeneous data[J]. Remote Sensing of Environment, 2022, 270: 112830.1-112830.16.
[12]	SUN J, WANG H, SONG Z L, et al. Mapping essential urban land use categories in Nanjing by integrating multi-source big data[J]. Remote Sensing, 2020, 12(15): 2386.1-2386.18.
[13]	季顺平,田思琦,张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测[J]. 武汉大学学报(信息科学版),2020,45:233-41. JI Shunping, TIAN Siqi, ZHANG Chi. Urban land cover classification and change detection using fully atrous convolutional neural network[J]. Geomatics and Information Science of Wuhan University, 2020, 45: 233-41.
[14]	LIU X P, HE J L, YAO Y, et al. Classifying urban land use by integrating remote sensing and social media data[J]. International Journal of Geographical Information Science, 2017, 31(8): 1675-1696. doi: 10.1080/13658816.2017.1324976
[15]	PENG D F, ZHANG Y J, GUAN H Y. End-to-end change detection for high resolution satellite images using improved UNet + + [J]. Remote Sensing, 2019, 11(11): 1382.1-1382.23. doi: 10.3390/rs11111382
[16]	YUAN Y T, FANG F M, ZHANG G X. Superpixel-based seamless image stitching for UAV images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(2): 1565-1576. doi: 10.1109/TGRS.2020.2999404
[17]	禹文豪,艾廷华. 核密度估计法支持下的网络空间POI点可视化与分析[J]. 测绘学报,2015,44:82-90. YU Wenhao, AI Tinghua. The visualization and analysis of POI features under network space supported by kernel density estimation[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44: 82-90.
[18]	侯越,陈逸涵,顾兴宇,等. 基于卷积自编码的沥青路面目标与裂缝智能识别[J]. 中国公路学报,2020,33:288-303. HOU Yue, CHEN Yihan, GU Xingyu, et al. Automatic identification of pavement objects and cracks using the convolutional auto-encoder[J]. China Journal of Highway and Transport, 2020, 33: 288-303.
[19]	中华人民共和国国家市场监督管理总局.土地利用现状分类 GB/T 21010—2017[S]. 北京:中国标准出版社,2017.
[20]	中国资源卫星应用中心. 高分一号 [EB/OL]. [2023-06-01]. https://www.cresda.com.
[21]	高德开放平台. POI数据[EB/OL]. [2023-06-01]. https://restapi.amap.com/v3/place.
[22]	DU S H, DU S H, LIU B, et al. Mapping large-scale and fine-grained urban functional zones from VHR images using a multi-scale semantic segmentation network and object based approach[J]. Remote Sensing of Environment, 2021, 261: 112480.1-112480.20.
[23]	DENG Y B, CHEN R R, YANG J, et al. Identify urban building functions with multisource data: a case study in Guangzhou, China[J]. International Journal of Geographical Information Science, 2022, 36(10): 2060-2085. doi: 10.1080/13658816.2022.2046756
[24]	ZHOU W, MING D P, LV X W, et al. SO-CNN based urban functional zone fine division with VHR remote sensing image[J]. Remote Sensing of Environment, 2020, 236: 111458.1-111458.20.

施引文献

附加材料(0)

访问统计

点击查看大图

图(5) / 表(6)

计量

文章访问数: 220
HTML全文浏览量: 56
PDF下载量: 19
被引次数: 0

1. 抗弯性能试验
1.1 试验装置及加载方案
1.2 试件设计
2. 试验结果与分析
2.1 混凝土开裂分析
2.2 弯矩-挠度曲线分析
2.3 抗弯承载力分析
2.4 桩身变形曲线对比分析
3. 讨论与分析
4. 结　论

基于多源数据融合的城市土地利用精细识别方法

doi: 10.3969/j.issn.0258-2724.20230296

作者简介: 李林超（1991—），男，副研究员，博士，研究方向为智能交通、大数据，E-mail：lilinchao@szu.edu.cn

通讯作者: 杜博文（1982—），男，教授，博士，研究方向为智能交通、大数据，E-mail：dubowen@buaa.edu.cn

计量

出版历程