结合多源空间数据的多尺度建筑物群组识别

Recognition of building group patterns is important to the understanding and modeling of urban space. Most of the existing methods detect building patterns only based on geometric information deriving from building vector data and thus their applications are often limited. Moreover, the lack of multi-scale information in the recognition results makes it difficult for people to accurately understand the spatial distribution of buildings from a multiple level perspective. Therefore, this study intends to explore the method for detecting multi-scale building group patterns, which takes into account semantic and geometric information deriving from multi-source geospatial data. The main research contents are as follows: 1) Building the time series of multi-source spatial data at the building level, and performing clustering on buildings combining their geometry information; 2) Exploring the image merge algorithm to obtain merged regions based on the clustering results. Merged regions are considered to be the neighboring relationship of building groups. Quantifying the grade of proximity relationship; 3) Exploring the multi-scale building group detection method based on progressive graph cut; Building a pyramid that contains multi-scale building groups and their vertical relationship for facilitating the zooming and analysis of building groups at different scales. This study has important practical significance for smart city construction and application, urban planning and management, and map users, and provides a scientific way for us to accurately recognize urban structure.

建筑物群组识别作为认识和理解城市空间的一种重要手段。但现有研究通常只考虑建筑物几何特征，导致存在多种用途建筑物的复杂区域的群组划分结果合理性不高，且缺乏多尺度信息，人们难以借此从多层次上精准认知城市建筑物空间分布格局。因此，项目拟借助多源时空数据在自然、社会经济等方面体现的语义信息，探索兼顾语义与几何信息的多尺度建筑物群组识别。主要研究内容：（1）建立建筑物尺度的多源空间数据时间序列集，结合建筑物几何特征对其进行初步聚类；（2）以聚类结果作为约束条件，探索影像分割合并算法获取合并区域，将其作为尺度化建筑物群组邻近关系，计算群组邻近关系的尺度化等级；（3）研究基于群组邻近关系渐进式移除的多尺度群组获取方法，构造多尺度建筑物群组集合，建立上下尺度群组之间的关联，以便于不同尺度建筑物群组的浏览、分析。研究成果可为智慧城市应用、城市规划管理、地图用户等精准认知城市建筑空间结构提供科学技术手段。

地理空间数据尺度变换模式作为模拟与认识地理现象的一种重要手段。虽然基于地图综合的尺度转换模式得到了广泛的研究，但该模式对于实现建筑物的尺度变换仍存在一些问题，如面仅使用矢量数据，缺少语义信息等问题。这些问题使得基于地图综合的尺度转换模式仍停留在大量的实验研究阶段。本研究拟借助多源空间数据在建筑物上体现的语义信息，探索了结合多源空间数据的建筑物尺度变换模式。.（1）基于腾讯用户密度数据的建筑物功能识别.首先构建建筑物尺度的时间序列数据集，用以表征不同用途的建筑物类型；然后研究了基于DTW算法的建筑物功能识别，并将建筑物划分为住宅、商业、办公三大类型。实验整体识别准确率达到87.91%。其中，住宅、商业和办公建筑物的识别准确率分别为91.70%、96.77%和47.82%。.（2）建筑物线性排列模式识别.针对建筑物线性排列模式识别，研究提出了两个基于Delaunay三角网的邻近度计算模型，即建筑物的连续性指数和方位角。实验结果表明，本文的方法在三个试验区的表现均优于MST方法，识别正确性值和完整性值均在92%以上。.（3）结合建筑物功能与几何信息的建筑物群组划分.首先，在图的构造过程中，将功能不同的建筑物邻近关系删除；然后，利用本文提出的建筑物线性模式识别方法，找出群组中的线性排列；最后结合距离判断，划分出不同的建筑物群组。实验结果表，所提出的该方法在识别不同的建筑群模式方面是有效的，识别确性值和完整性值均在81%以上的建筑组，而未结合功能信息的群组划分精度不到60%。.（4）基于地图综合的建筑物尺度变换.研究利用合并、化简、直角化等地图综合操作对上述建筑物群组划分结果进行了尺度变换。结果显示，由欠分割的群组进行变换的结果会导致用户在前往目的地时走更多的弯路。而由过分割建筑物群组进行尺度变换得到的结果在导航上没有很大的差异，因为过分割大多发生在同一社区内的建筑物中；另外，没有进行功能识别的群组的尺度变换结果与欠分割群组的尺度变换结果相同，导航同样需要走更多的弯路。