建设用地的产生是人类与自然进行物质能量交换的最剧烈的过程。准确和长期的建设用地数据对能源、环境和人类本身的社会经济发展变化提供基础支持。我们现在将河南、河北、山东、安徽、江苏、广东、福建、浙江、江西、北京、上海、天津等地的【高精度历史建设用地】,以及利用机器学期模拟得到的河南、河北、山东、安徽、江苏、北京、天津等地的【未来建设用地转换潜力】数据免费分享出来,希望能助力相关研究人员的工作。派友们大家好,我是本期作者王金柱。我的研究主题是城市化和粮食安全。目前主要依赖Google Earth Engine进行数据处理。习惯用Python做数据自动化处理,熟悉NumPy, Pandas, Matplotlib, Plotnine, Sklearn, Geopandas, gdal, Rasterio, Pytorch。分享数据说明
分享数据1:高精度历史建设用地历史数据
包含区域(图中红色及斜线部分):河南,河北,山东,安徽,江苏,广东,福建,浙江,江西,北京,上海,天津分享数据1示意图
包含区域(图中斜线部分):河南,河北,山东,安徽,江苏,北京,天津- 像素值含义:像素值范围为0-9999,代表通过深度学习得到的像素所在位置在未来转化为建设用地的概率(除以9999得到)。
分享数据2示意图
关注城市数据派微信号,在微信号对话框中输入“ 0721 ”,即可获得免费获取方式。在相同时间下,我们无法区分AB两个具有相同值的点。但是如果能够观测AB两点在时间上的变化规律,我们就可以通过他们的时间特征对AB进行区分(图1)。图1 静态观测无法区分AB,动态观测可以区别出AB基于上述原理,我们提取到了遥感图像每个像素在时间上的变化特征(图2)。[引用请戳:Wang, Jinzhu, Michalis Hadjikakou, and Brett A. Bryan. "Consistent, accurate, high resolution, long time-series mapping of built-up land in the North China Plain." GIScience & Remote Sensing 58.7 (2021): 982-998.]最终,我们将遥感图像数据的“时间变化特征”作为输入,提取得到了历史城市覆盖数据。相较于传统基于光谱(也就是静态观测的思路)的方法,我们生产的数据的总体精度,在1990至2019年间均保持在94%以上(图3)。假设有两条相交的道路会在未来受到城市化的影响。在人类对这种影响的普遍认知中,道路相交点是一个重要的城市发展节点,所以未来此处会有更大的可能扩张为城市用地。但是在传统方法中,城市发展潜力容易被简单的按照道路的线性特征向外辐射而得到(图4)。基于上述认识,我们采用了机器学习来提取1990-2019年的历史城市建设用地图像。这个深度学习的名字是U-Net,学习过程有3个阶段(图5)。向下学习:这个过程里城市发展的最一般脉络被机器学习了出来。例如一个城市是摊大饼还是沿河走等特征。向上学习:这个过程中,机器向城市发展的一般脉络中增加发展细节,比如道路怎么发展,几个居民区要不要连成一片等。连接学习:机器不断平衡其学习到的【一般脉络】和【细节想象】,并通对比历史图像来缩小学习到的规律与真实数据的差异。[引用请戳:Wang, Jinzhu, Michalis Hadjikakou, and Brett A. Bryan. “Simulating large-scale urban land-use patterns and dynamics using the U-Net deep learning architecture.” Computers, Environment and Urban Systems. 已接收. https://doi.org/10.1016/j.compenvurbsys.2022.101855]
结果表明,深度学习成功获取了城市发展过程中1)线状地物(道路等)的发展特征和2)大城市比小城镇更容易城市化的规律。通过观察模拟结果,可以看出深度学习与一般人类对城市化的空间过程的认知是一致的(图6)。原始图片请访问:https://figshare.com/articles/figure/U-Net_simulate_urban_land-use_change/19880671数据范围示意图中中国地图数据来源(中科院):https://www.resdc.cn/data.aspx?DATAID=277
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。