基于多源遥感和POI数据的城市更新动态监测 ——以深圳市2012-2020年为例
原文
Dynamic monitoring of urban renewal based on multi-source remote sensing and POI data: A case study of Shenzhen from 2012 to 2020
——《International Journal of Applied Earth Observation and Geoinformation》
摘要
Accurate information on the spatiotemporal distribution of urban renewal (UR) is important for sustainable urban development. Due to its complexity, existing studies could not completely describe the land cover types after demolition, and lacked the effective conversion rules to monitor the whole process of UR demolition and reconstruction which made it impossible to obtain high-precision UR extent, demolition time, and reconstruction time. This study proposed an UR monitoring framework by combining Point of Interest, nighttime light RS data, time-series RS data from Google Earth high-resolution and Landsat imageries. The urban vacant land was introduced to supplement the land cover classification system for UR monitoring and extracted by DeepLabv3 semantic segmentation model. The new conversion rules were then generated to track the historical changes in urban land types, and the multi-temporal classification model was applied to extract spatial and temporal characteristics of UR process. Results showed a total of 3,525.55 hm2 UR region were identified in Shenzhen during 2012–2020, and the largest demolition and reconstruction areas were both observed in 2019. The F1 and F2 scores of extracted UR extent, UR demolition time, and UR reconstruction time were larger than 0.72, 0.63 and 0.66, respectively, indicating high overall accuracies. Our proposed framework is important for the UR dynamic monitoring and can provide scientific basis for future urban construction.
城市更新（UR）时空分布的准确信息对于可持续城市发展非常重要。由于其复杂性，现有研究无法完整描述拆迁后的土地覆盖类型，缺乏有效的转换规则来监控UR拆迁重建的全过程，无法获得高精度的UR范围、拆迁时间、土地覆盖类型和重建时间。本研究通过结合兴趣点、夜间灯光遥感数据、来自谷歌地球高分辨率的时间序列遥感数据和陆地卫星图像，提出了一个遥感监测框架。引入城市空置土地来补充UR监测的土地覆盖分类系统，并通过DeepLabv3语义分割模型进行提取。然后生成新的转换规则来跟踪城市土地类型的历史变化，并应用多时相分类模型来提取UR过程的时空特征。结果显示，2012-2020年深圳市共识别出UR区域3,525.55 hm2，其中最大的拆迁和重建区域均出现在2019年。提取的UR范围、UR拆除时间和UR重建时间的F1和F2得分为分别大于0.72、0.63和0.66，表明总体精度较高。我们提出的框架对于UR动态监测具有重要意义，可以为未来的城市建设提供科学依据。
重要图表
图 1. 研究流程图。
图 2. 使用语义分割识别城市空置土地的训练数据。
图 3 (a) UR 土地覆盖换算规则，(b) UR 合并范围示意图，其中 UR 合并范围大于 10,000 m2 的保留，否则删除。
图 4. (a) 提取城市闲置土地（每个 2 km × 2 km）和裸地（每个 4 km × 4 km）的训练区，(b) 11 个验证区（每个 3 km × 3 km） ）和用于准确性评估的验证数据（即土地覆盖类型、UR范围、拆除时间和重建时间），以及（c）用于选择AWEIsh和NDVI阈值的植被和水的固定样本点。
图 5. (a) 基于分位数法的 DNPOI > 150 的 UAS，(b) 第一次筛选的分位数曲线，以 DNPOI = 8.23 为拐点，(c) 第二次筛选的分位数曲线，当 DNPOI = 8.23 时1.50 是拐点，(d) 最终 UAS。
图 6 (a) 2015年UAS内城市土地覆盖情况，(b) 2012-2020年局部地区城市土地覆盖类型识别结果及相应的Google影像地图。
图7 城市土地覆盖类型分类精度。
图 8 I类UR范围监测结果，包括(A)范围、(B)拆除时间、(C)重建时间、(D)各区UR范围面积统计、(E)不同拆迁面积统计时间，（F）不同重建时间的面积统计，（G）监测结果示例。
图9. II类UR范围监测结果，包括(A)范围、(B)拆除时间、(C)各区UR范围面积统计、(D)不同拆除时间面积统计、(E)示例监测结果中，“9999”代表到2020年尚未重建的地区。
图10 CE1土地覆盖类型转换规则(a)、CE1 UR范围精度结果(b)、UR监测结果示例(c)。
图 12. a) CUR、IUR、OUR 和 RUR 的统计结果，b) 土地覆盖类型被错误识别，然后错误地提取为 UR 范围。
结论
首先，以深圳市为研究区，基于POI和NPPNL数据，采用分位数法提取2020年无人机系统。然后，结合DeepLabv3语义分割算法，应用Google Earth HRRS和Landsat时间序列数据生成UAS内2012-2020年年度土地覆盖图，包括城市空地、裸地、绿水和不透水地表。最后，完善土地覆盖类型转换规则，跟踪城市土地类型的历史变化，进而监测2类UR的动态，其中I类UR同时完成拆除重建，II类UR仅完成拆除。结果显示，2012-2020年81,680.33 hm2无人机系统中土地覆盖分类的平均OA率为91.68%。2012-2020年共查明UR（包括I类和II类）区域3,525.55 hm2，2019年最大拆迁面积均观测到重建区域。UR范围、UR拆除时间和UR重建时间的准确度结果F1和F2评分分别大于0.72、0.63和0.66（表2），高于无城市闲置土地的控制实验（图10）。所有结果证明了所提出的框架在UR动态监测和城市建设指导中的有效性。
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
