用户名
密码
(30天内有效)
注册
注册

首页 > 资料下载 >

如何利用全卷积网络监测全球近三十年城市扩展丨城市数据派

我要收藏
2019-04-02

1554197045911520.jpg

基本概念


全卷积网络是Long等人于2015年在卷积神经网络的基础上发展出的一种采用“像元到像元”的图像识别模式的深度学习结构(Long et al. 2015)。全卷积网络继承了卷积神经网络的基本结构,主要由卷积层、池化层和激活层组成(Long et al. 2015)。其中,卷积层能够识别图像局部特征,池化层可以压缩特征图像以提取主要特征,激活层能够实现对非线性特征的有效表达(LeCun et al. 1990; 1998; 2015)。通过多个卷积层、池化层和激活层交替传递信息,全卷积网络能够有效地复合多源遥感信息,综合集成多尺度特征,从而准确地识别地物(Chen et al. 2017; Lin et al. 2017; Xu et al. 2016;Yang et al. 2017)。而且,全卷积网络具有迁移学习能力,仅依靠单期训练样本获取的参数即可提取多期动态信息。


如何及时有效地监测全球城市扩展过程是城市可持续性研究的一个重要问题。为此,本文首先基于深度学习结构中的全卷积网络,发展了一种新的全球城市扩展过程监测方法。该方法的基本思路是先利用输入层复合夜间灯光数据、植被指数数据、地表温度数据和经纬度数据,然后利用三个卷积层和一个池化层分别获取像元、邻域和背景区域等三个尺度上的特征信息,最后基于连结层结合三个尺度的特性信息进行分类,提取全球城市土地,进而基于多期提取结果监测全球城市扩展过程。该方法的优势主要在于可以有效复合多源遥感数据、综合集成多尺度特征并弥补历史城市土地训练样本的不足,从而提高全球城市扩展过程的监测精度。利用该方法,本文监测了全球1992-2016年城市扩展过程。监测结果的平均总体精度为90.89%,平均Kappa系数为0.47;比已有数据平均总体精度高出0.42%-3.47%,平均Kappa系数高出0.27-0.32。因此,本文发展的方法为快速有效地监测全球城市扩展过程提供了有效途径,具有较大的应用潜力。

1554197062787998.jpg

该文于2019年3月11日正式刊登在杂志Environmental Research Letters(2017年影响因子4.541)。文章第一作者为景观可持续科学与地理设计团队何春阳教授,通讯作者为刘志锋博士。


科学问题

       如何及时有效地监测全球城市扩展过程?


研究步骤

       本研究主要包含以下三个步骤(图1)。

1554197080964142.jpg

图1 流程图


(1)构建全卷积网络。参考Long et al. (2015)发展的全卷积网络框架,构建了一个全卷积网络以监测全球城市扩展过程。该网络的基本思路是先利用输入层复合夜间灯光数据、植被指数数据、地表温度数据和经纬度数据,然后利用卷积层和池化层分别获取各类数据在像元、邻域和背景区域等三个尺度上的特征信息,最后基于连结层结合三个尺度的特性信息进行分类,提取全球城市土地。


(2)训练全卷积网络。训练全卷积网络的目的是获得我们构建的全卷积网络中的权值。其基本原理是以损失函数最小为目标,利用优化算法,通过迭代的方式来求解权值。主要包括选择训练样本、确定损失函数以及设置优化算法和迭代参数等三个基本步骤。


(3)监测全球城市扩展过程。首先,以MOD500全球城市土地数据为辅助数据,在Caffe深度学习平台上(Jia et al., 2014),训练出了适用于提取全球城市土地信息的全卷积网络。然后,利用训练好的全卷积网络,复合夜间灯光数据、NDVI数据、LST数据和经纬度数据,提取了全球1992年、1996年、2000年、2006年、2010年和2016年的城市土地信息。接着,为提高获取的城市土地数据的连续性和可比性,参考He et al. (2014),对提取结果进行了分类后处理。





研究发现

本文发展的基于全卷积网络的全球城市扩展过程监测方法的主要优势在于可以有效复合多源遥感数据、综合集成多尺度特征并弥补历史城市土地训练样本的不足。因此该方法能够适用于不同空间分辨率、不同类型的遥感数据,在全球不同尺度的城市扩展过程监测方面具有良好的推广应用价值。


利用该方法,本文准确地监测了全球1992-2016年城市扩展过程。基于统计数据的精度评价表明,监测出的城市扩展面积与统计数据中的城市人口增加量显著相关,相关系数在0.7以上,通过了0.01水平的显著性检验。基于高分辨率遥感数据的精度评价表明,监测结果的平均总体精度为90.89%,平均Kappa系数为0.47,平均误分误差为43.02%,平均漏分误差为49.85%。与已有全球城市扩展数据的对比分析表明,监测结果的精度明显高于GHS Built-up数据、GHS SMOD数据和ESACCI数据的精度。平均总体精度高出0.42%-3.47%,平均Kappa系数高出0.27-0.32,平均误分误差低6.65%-23.97%,平均漏分误差低32.69%-34.62%。


测量结果显示,全球1992-2016年经历了大规模的城市扩展过程。全球城市土地总面积从27.47万 km2增长到62.11万 km2,城市扩展面积为34.65万km2,是1992年城市土地面积的1.26倍。在六个大洲中,亚洲的城市扩展面积最大,达14.42万km2,占全球城市扩展总面积的41.61%。在所有国家中,中国的城市扩展面积最大,达7.22万km2,占全球城市扩展面积的20.83%。

1554197096216133.jpg

图2 精度评价

1554197113517620.jpg


图3 全球1992-2016年城市扩展过程


摘要:

The effective detection of global urban expansion is the basis of understanding urban sustainability. We propose a fully convolutional network (FCN) and employ it to detect global urban expansion from 1992–2016. We found that the global urban land area increased from 274.7 thousand km2–621.1 thousand km2, which is an increase of 346.4 thousand km2 and a growth by 1.3 times. The results display a relatively high accuracy with an average kappa index of 0.5, which is 0.3 higher than those of existing global urban expansion datasets.Three major advantages of the proposed FCN contribute to the improved accuracy, including the integration of multi-source remotely sensed data, the combination of features at multiple scales, and the ability to address the lack of training samples for historical urban land. Thus, the proposed FCN has great potential to effectively detect global urban expansion.

 

文章引用:

Chunyang He, Zhifeng Liu, Siyuan Gou, Qiaofeng Zhang, Jinshui Zhang, Linlin Xu (2019) Detecting global urban expansion over the last three decades using a fully convolutional network. Environmental Research Letters, 14,034008


原文链接点击


本文转载自微信号:景观可持续科学与地理设计(gh_d72ba0ea6868)

本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞1
  • 联系微信客服
    xiaopaipai_udparty
  • 顶部