基于社交媒体地理数据进行面向对象的土地利用分类研究

发布时间：2021-08-12 00:07

　　对许多领域的研究,城市的土地利用数据不可或缺,如何获取高精度的土地利用分类数据,向来是相关领域的难点与热点,颇具实用价值。面向对象的分类方法被广泛用于精细的土地利用分类研究中,成果斐然,但已有方法依赖于高分辨率遥感影像的解译,极大限制了这种方法的实用性。社交网络服务、空间信息服务及通信技术的发展,催生出海量的社交媒体地理数据。作为海量地理信息时代的重要组成部分,社交媒体地理数据具有传统数据源难以比拟的优势:包含丰富的时空及文本信息、体量大、更新速度快、与人群活动息息相关、开源、易于获取等,利用社交媒体地理数据,可以再现庞大用户群的生活轨迹对于不同土地利用类型的地区,人群将呈现出不同的活动状况。通过挖掘社交媒体地理数据中的时空及文本信息,掌控人群活动的时空模式,及其活动相关主题情况,进行面向对象的土地利用分类,将取得精度较高的土地利用信息。在充分调研已有研究的基础上,本文提出一种面向对象的分类方法,将对象定义为地块（Land Parcel）,通过分析地块内的社交媒体地理数据,识别土地利用类型。为此,选取典型的Twitter数据,进行了实例分析:依托地理信息系统（Geographic In... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图２．１技术路线图??

ＭＬＰ是一种经典的神经网络算法，本研究拟选取这种算法构建分类模型。??ＭＬＰ由多层非线性神经元组成，包括输入、输出、及若干隐藏层，层中的神经??元与相邻层相互连接，其结构如图２．２所示。ＭＬＰ中，互相连接的神经元之间??间的关联程度通过权重衡量。外部的数据通过输入层传入模型（Ｗｈｉｔｅ?ａｎｄ??Ｒｏｓｅｎｂｌａｔｔ?１９６３?）。在其训练过程中，釆用反向传播（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）技术处??理传入的向量数据，通过不断重复输入层－隐藏层－输出层的正向过程与输出层－??隐藏层－输入层的反向过程，反复调整权重，直到输出结果达到收敛，则训练完??成（ＲｕｍｅｌｈａｒｔａｎｄＨｉｎｔｏｎ，?１９８８）。模型构建的两个主要过程如下：??①

?３实例分析??经重分类后，研究区域内的地块绝大多数为居住类型，其次为公共机构，??交通与工业用地最少。各类地块在总地块数中的具体比例如下图３．１所示。??比例??〇．ｆｂ７—＼?＾〇．〇１５??０．０１５?°－０４／??００．０２４??口商业口工业□公共机构口办公０居住口交通口未开发??图３．１各类型的地块占总地块数的比例??３．２．２社交媒体地理数据??鉴于研究区位于美国，而Ｔｗｉｔｔｅｒ是美国境内最流行的社交应用之一，本研??究以带有地理坐标的Ｔｗｉｔｔｅｒ数据为例进行研究，并利用Ｒ中的ｓｔｒｅａｍＲ包获取??Ｔｗｉｔｔｅｒ数据。ｓｔｒｅａｍＲ提供一系列功能，通过该包能够访问Ｔｗｉｔｔｅｒ的过滤器、??样本及用户流，并将输出结果解析为数据框，保存到文件中。基于这一包，获??取从２０１４年３月６日到３月１３日，及４月８日到４月１７日两段时间内，共计??８１１３９３条数据，每条数据的组织形式如：丨推文编号，用户ＩＤ，文本内容，时??间记录，经度，纬度，地名等｝。利用Ｇｅｏｄａｔａｂａｓｅ数据库对原始数据进行初步??的预处理：??１、删除文件中信息不完全的无效点；??２、坐标转换


本文编号：3337167