人居环境监测作为城市人居环境建设与管理实践提升的基本,是目前人居环境研究落地的重点。传统的城市人居环境监测在数据更新速度、精度等方面存在不足,难以满足精细化管理需求。提出利用遥感数据与互联网的兴趣点POI(Point of interest...人居环境监测作为城市人居环境建设与管理实践提升的基本,是目前人居环境研究落地的重点。传统的城市人居环境监测在数据更新速度、精度等方面存在不足,难以满足精细化管理需求。提出利用遥感数据与互联网的兴趣点POI(Point of interest)数据结合,建立人居环境监测模型。模型主要有两个关键环节,一是构建自动化提取建筑物算法,该算法通过建立地物特征集,以POI点对应样本为种子,利用全局最优和区域生长算法,自动提取城市建筑物,再利用全局最优算法确定其他地类的阈值;二是人居环境指标计算,将建筑物、绿地、水体信息提取结果与POI数据结合,利用密度类与距离类空间分析算法,分别计算自然、社会经济类指标。基于上述模型,利用2018年4月的北京二号遥感影像和POI点数据在北京市回龙观社区进行实验验证,结果显示:信息提取结果中,总体精度超过95%,Kappa系数超过92%,提取效率提高2.3倍,表明信息提取精度高且可信,适合工程化应用。计算回龙观社区人居环境监测指标,分析结果认为,社区内自然类指标差异不大,但缺乏水体生态系统,生物多样性不够丰富,社区内的商业比较繁华,但是学校和医疗不充足,尤其是缺乏大型公立医院。综上,通过人居环境监测模型研究和应用分析,将遥感数据和互联网数据结合应用于人居环境质量监测有效提高了精度和速度,有利于业务化,服务政府管理。展开更多
文摘人居环境监测作为城市人居环境建设与管理实践提升的基本,是目前人居环境研究落地的重点。传统的城市人居环境监测在数据更新速度、精度等方面存在不足,难以满足精细化管理需求。提出利用遥感数据与互联网的兴趣点POI(Point of interest)数据结合,建立人居环境监测模型。模型主要有两个关键环节,一是构建自动化提取建筑物算法,该算法通过建立地物特征集,以POI点对应样本为种子,利用全局最优和区域生长算法,自动提取城市建筑物,再利用全局最优算法确定其他地类的阈值;二是人居环境指标计算,将建筑物、绿地、水体信息提取结果与POI数据结合,利用密度类与距离类空间分析算法,分别计算自然、社会经济类指标。基于上述模型,利用2018年4月的北京二号遥感影像和POI点数据在北京市回龙观社区进行实验验证,结果显示:信息提取结果中,总体精度超过95%,Kappa系数超过92%,提取效率提高2.3倍,表明信息提取精度高且可信,适合工程化应用。计算回龙观社区人居环境监测指标,分析结果认为,社区内自然类指标差异不大,但缺乏水体生态系统,生物多样性不够丰富,社区内的商业比较繁华,但是学校和医疗不充足,尤其是缺乏大型公立医院。综上,通过人居环境监测模型研究和应用分析,将遥感数据和互联网数据结合应用于人居环境质量监测有效提高了精度和速度,有利于业务化,服务政府管理。
