深度学习在非正式绿地识别中的方法研究进展

深度学习在非正式绿地识别中的方法研究进展

 

在识别非正式绿地过程中，深度学习具有极高的灵活性、准确性及精细度，可以针对性地解决非正式绿地的识别难点。深度学习对图像的高精度分割为非正式绿地识别提供技术保障。基于前文对非正式绿地内涵、识别特征的界定，将深度学习识别非正式绿地的方法分为3类：一是基于深度学习对非正式绿地的整体格局识别；二是基于街景图像对非正式绿地空间特征识别；三是耦合网络媒体数据及PPGIS的多源数据辅助性识别。由于城市剩余空间具有转化为非正式绿地的潜力，其识别是转化用地及利用的基础。因此，本节将城市剩余空间识别纳入研究体系，丰富非正式绿地识别方法及框架。

 

 

通过深度学习模型，可以对高分辨遥感等俯视视角平面图像中的非正式绿地进行识别，从而对空间或用地的格局进行整体识别。获取高分辨遥感影像等俯视平面影像后，人工目视选择部分典型非正式绿地作为深度学习识别样本，运用深度学习模型对影像进行语义分割，可以初步确定非正式绿地的分布。现阶段已有学者通过深度学习的语义分割模型对具有潜力转化为非正式绿地的地表利用类型及与非正式绿地有相似识别特征的空间布局进行识别。



例如，Mao等以中国36个主要城市为研究对象，基于高分辨率的遥感影像，运用DeepLabv3模型，建立了大尺度下城市空地的自动识别框架(图1)；何自芬等使用了FCMANet模型框架，采用语义分割结构，解决了由于地块特征较为相似而导致难以分割和分布较为零散的问题，在对卫星遥感图像中要素的识别实验中，如街道、裸露土地、公路、低矮植被等，均取得了较好效果[43]；Xu等利用遥感影像识别立体屋顶绿化，基于深度学习识别城市绿地后，再次对建筑屋顶识别进行筛选，最终确定屋顶绿化与其他绿地的区别[44]。

 

在俯视识别视角下，深度学习的灵活性允许研究人员通过增加模型模块、模型优化与构建变体模型等方式，对非正式绿地难以识别的特征进行针对性的解决。如针对边界模糊等问题，可以运用光谱信息差异，分离易混淆的相似地物。

王兴武等通过提取特征之间的互补特征和相似特征，使用遥感图像的多个光谱信息，实现了对复杂地物的准确分割，特别是对于建筑拐角、草地边缘能够达到较好的效果[45]。Lin等运用深度残差卷积神经网络从卫星图像中提取道路，并运用张量投票算法进行后处理，以此来解决被阴影或树木阻挡导致的道路不连续问题[46]。张文凯等基于深度学习，融合光谱信息和DSM信息，提高遥感图像的分割性能，在识别草地等方面能实现较为准确的分割，处理了模糊边界问题[47]。

 

 

地物遮挡或深度学习平面影像数据识别的疏漏，可能导致非正式绿地识别不全面等问题。在识别基本布局的基础上，可以通过人视视角的影像进行非正式绿地识别的补充。通过深度学习对街景图像进行语义分割，可以精确区分不同空间要素。在输入深度学习识别样本时，由不同绿量特征对不同空间类型进行分辨，进而识别非正式绿地。

 

已有学者利用街景地图识别城市非正式绿地或其他与非正式绿地有相似识别特征的空间。Thong等创造了一种谷歌街景地图识别日本千叶县非正式绿地的办法，通过在市川市的各个路口设置500m×500m的网格，网格交叉选取50m2的区域进行街景图片获取，对非正式绿地进行识别，并将识别出的结果运用DeepLabV3+模型进行训练，进行自动识别[48]。郑屹等以登封市为例，运用百度街景地图及FCN深度学习模型，对城市内需要进行城市修补的空间进行识别(图2)。

 

 

随着城市用地形态逐渐丰富，仅运用某单一方法难以解决识别非正式绿地过程中的复杂综合问题。通常需要耦合多类型数据进行人工辅助识别，提高非正式绿地识别精度及准确性。如崔成等利用耦合高分辨遥感影像与街景影像，同时耦合多源大数据，识别广州市城中村，从而区别于常规城市建成区[49]；赵云涵等为了提高城中村的提取精度，耦合POI、用户密度、建筑物轮廓数据，最终识别城中村正确率为89%[50]。现已有学者综合运用不同技术对具有潜力转化为非正式绿地的空间进行筛选识别，如马力等耦合土地利用数据、夜间灯光数据、居民点数据等多源大数据，进行中国荒野地识别[51]。

 

多源数据在识别非正式绿地过程中同时可以发挥重要社会属性，除了使用深度学习自上而下进行识别外，同样可以通过PPGIS等平台使居民参与其中，完善识别数据库。BROWN等开发PPGIS网站使参与者在电子地图上标注特定植物出现的位置和其他信息，与土地覆盖数据进行对比发现，PPGIS参与者识别位置的错误率为6.2%，说明了PPGIS在识别复杂地物上具有很大潜力[52]。

Ma等运用腾讯LBS大数据识别无人类活动区域，分析场地活力，以确定城市荒野范围[53]，虽然其识别结果大部分为城市外围荒野，但可以为非正式绿地识别提供借鉴。由此可见，通过多源数据融合，可作为非正式绿地识别的重要补充信息，为非正式绿地筛选创造条件，对非正式绿地进行辅助识别。

 

通过耦合POI、用户密度等网络媒体数据及PPGIS平台进行辅助识别，可以对深度学习识别的遗漏区域或其他用地误差进行再次补充或筛选，形成自下而上的全民参与的识别环境，为非正式绿地的规划设计发展方向收集公众意见，构建以人为本的规划设计格局，最终实现非正式绿地的识别。因此，基于多源数据耦合的深度学习识别非正式绿地的方法，在风景园林研究中具有极大的潜力。