牛成英,邢晓文,闫新宇

(兰州财经大学 统计学院,兰州 730020)

在城市发展过程中,由于物质资源的聚集效应和集群效应,逐步形成了为城市居民提供特定服务的各类功能聚集区域。清晰把握城市的空间特征,尤其是各功能区的空间分布情况及功能属性,对城市管理者进行“去量保质”的高水平发展和“事半功倍”的高效率治理具有重要意义。在传统的城市功能区识别研究中,大多采用土地利用类型现状图、统计调查等数据,利用各种聚类或建立指标体系等方法对城市功能区进行划分[1-2]。然而,传统的研究方法在确定权重系数时主观因素太强。随着对地观测技术的快速发展,遥感影像数据出现,为提取土地特征信息、准确识别城市功能区提供了数据支持。遥感影像能获取的地物空间细节信息更清晰,且具有数据量大、特征丰富等特点,使得基于遥感影像数据进行城市空间分类的研究成为该领域的热点。

传统的图像识别方法需要人工设定有效图像特征,泛化能力较差。深度学习是由数据驱动进行特征提取,泛化能力相对较好。如Zhang等[3]提出了利用遥感数据和卷积神经网络(convolutional neural network,CNN)模型的功能区识别方法,并证明了该方法的可行性。Zhou等[4]提出超对象-卷积神经网络(super object-CNN,SO-CNN)模型进行城市功能区的识别。Girshick等[5]引入区域卷积神经网络(region-CNN,R-CNN)模型,成功地将深度学习应用到地理影像目标检测领域。在此之后提出的Fast R-CNN及Faster R-CNN[6-7]模型在不同程度上对R-CNN模型进行改进并提升了测试和训练速度。……