В последние годы, чтобы соответствовать концепции экологической цивилизации и устойчивого развития, в Китае все больше внимания уделяется научному планированию и управлению городскими зелеными насаждениями. Поэтому повышение рациональности системы классификации и планировки ПХГ, а также строительство зеленого и пригодного для жизни города были в центре внимания правительства и ученых в последние годы. С этой целью в этой статье в качестве области исследования выбран 31 крупный город материкового Китая с целью создания всеобъемлющего набора данных UGS для обучения модели глубокого обучения в соответствии с официальной системой классификации и создания карт зеленых насаждений с высоким разрешением для каждого города.
Район исследования включает четыре муниципалитета (Пекин, Шанхай, Тяньцзинь и Чунцин), столицы пяти автономных районов (Хух-Хото, Наньнин, Лхаса, Иньчуань и Урумчи) и столицы 22 провинций материкового Китая (Харбин, Чанчунь, Шэньян, Шицзячжуан, Ланьчжоу, Синин, Сиань, Чжэнчжоу, Цзинань, Чанша, Ухань, Нанкин, Чэнду, Гуйян, Куньмин, Ханчжоу, Наньчан, Гуанчжоу, Фучжоу и Хайкоу)
Данные были получены исследователями, включая Ши Цяня из Университета Сунь Ятсена, с помощью методов глубокого обучения, основанных на изображениях Google Earth и данных о границах города. Формат данных — растровый формат (.tif). Пространственное разрешение 1м. Сбор данных и 2020.
Основной поток производства данных выглядит следующим образом:
-
Используя данные о глобальных городских границах (GUB) для обрезки изображений дистанционного зондирования, создается набор данных о городских зеленых насаждениях с высоким разрешением (UGSet), который содержит в общей сложности 4544 выборки размером 512x512.
-
Создайте модель глубокого обучения, состоящую из генератора (UGSNet) и дискриминатора. UGSNet — это полностью сверточная сеть для извлечения зеленых насаждений, в которую интегрирован модуль Enhanced Coordinate Attention (ECA) для получения более эффективных представлений функций, а модуль кивания используется для получения точных результатов зеленых насаждений. Дискриминатор представляет собой полносвязную сеть для адаптации пространственного картографирования зеленых насаждений в разных городах посредством состязательного обучения.
-
Основные этапы процесса внедрения следующие: а) во-первых, предварительно обучить UGSNet и использовать UGSet, чтобы получить хорошую начальную точку обучения для генератора. б) После предварительного обучения на UGSet дискриминатор отвечает за адаптацию предварительно обученного UGSNet к различным городам посредством состязательного обучения. c. Наконец, используйте 2179 изображений Google Earth (фрейм данных с разрешением около 1,1 метра, долготой 7'30'' и широтой 5'00''), чтобы получить данные о пространственном распределении зеленых насаждений в 31 крупный город Китая (UGS -1m).
Основной процесс производства подобных данных резюмируется следующим образом:
1. Сбор и предварительная обработка данных:
-
Загрузите изображения дистанционного зондирования с высоким разрешением (например, с разрешением 1 метр), соответствующие границам города, из Google Earth Engine.
-
Получите данные о границах города из общедоступных источников данных о границах города, таких как OpenStreetMap.
-
Обрежьте загруженные изображения дистанционного зондирования и сохраните данные в целевом городе.
-
Выполняйте аугментацию данных на изображениях, чтобы улучшить обобщение модели, например вращение, масштабирование, отражение и т. д.
2. Производство этикеток:
-
Обрезанные изображения дистанционного зондирования аннотируются вручную для создания классификационных меток для зеленых и незеленых пространств. Это ключевые данные для обучения моделей глубокого обучения.
-
Вы также можете попробовать использовать полуконтролируемые или слабо контролируемые методы для создания меток, чтобы уменьшить нагрузку на ручную маркировку.
3. Выбор модели и обучение:
-
Выберите подходящую модель глубокого обучения, такую как U-Net, SegNet, DeepLab и т. д., которая хорошо работает в задачах сегментации изображений дистанционного зондирования.
-
Введите предварительно обработанные изображения дистанционного зондирования и соответствующие метки в модель для обучения и настройте гиперпараметры для оптимизации производительности модели.
-
Используйте методы перекрестной проверки для оценки производительности модели, например точности, полноты, оценки F1 и т. д.
4. Обоснование модели:
-
Используйте обученную модель, чтобы вывести изображения дистанционного зондирования всего города, чтобы получить данные о распределении зеленых насаждений.
-
Может оказаться необходимым разделить изображение дистанционного зондирования на более мелкие подизображения, чтобы соответствовать входному размеру модели. После завершения логического вывода субизображения необходимо сшить до размера исходного изображения.
5. Постобработка и анализ результатов:
-
Постобработка выходных данных модели о распределении зеленых насаждений, например удаление шума, заполнение дыр и т. д.
-
Количественный анализ данных о распределении зеленых насаждений, таких как покрытие зеленых насаждений, связность зеленых насаждений и другие показатели.
-
Данные о распределении зеленых насаждений можно объединять с другими географическими информационными данными для более глубокого изучения городского планирования и защиты окружающей среды.
На протяжении всего процесса необходимо уделять внимание балансу качества данных, производительности модели и вычислительных ресурсов. Непрерывно оптимизируйте модель и настраивайте параметры для достижения лучших результатов извлечения данных о распределении зеленых насаждений.
Адрес загрузки данных:
① Четыре муниципалитета, находящиеся в непосредственном подчинении центрального правительства ( Пекин , Шанхай , Тяньцзинь и Чунцин );
② Столицы пяти автономных областей ( Хух-Хото , Наньнин , Лхаса , Иньчуань и Урумчи );
③provincial столицы 22 материковых провинций ( Harbin , Changchun , Shenyang , Shijiazhuang , Lanzhou , Xine , Xi'an , Zhengzhou , Jinan , Changsha , Wuhan , Nanjing , Chengdu , guiyang , hangr _ _ _ _ _ _ _ и Хайкоу );