摘要：下墊面模塊化生成方法是海綿城市規(guī)劃中的關(guān)鍵技術(shù)之一，研究建立基于無(wú)人機(jī)影像聚類分析技術(shù)的模塊化自動(dòng)生成模型。首先，基于海綿城市無(wú)人機(jī)影像，搭建了改進(jìn)的層次聚類模型（GHNG模型），其中包括水平生長(zhǎng)及垂直生長(zhǎng)機(jī)制，實(shí)現(xiàn)對(duì)城市下墊面無(wú)人機(jī)影像進(jìn)行模塊化智能識(shí)別，并輸出模塊聚類結(jié)果；其次，結(jié)合福州鶴林片區(qū)海綿城市規(guī)劃中測(cè)量數(shù)據(jù)，對(duì)該區(qū)域不同類型下墊面進(jìn)行實(shí)例驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：自適應(yīng)GHNG模型和算法可以很好地對(duì)海綿城市規(guī)劃過(guò)程中不同類型下墊面進(jìn)行智能識(shí)別，進(jìn)一步驗(yàn)證了自適應(yīng)GHNG模型在城市下墊面模塊化自動(dòng)生成中具有可靠性、準(zhǔn)確性、魯棒性。

關(guān)鍵詞：測(cè)繪數(shù)據(jù)下墊面聚類模型模塊化

中圖分類號(hào)：TU992;TU985.12

ResearchonModularizationMethodofSpongeCityunderlyingSurfacebasedonClusterAnalysisofUnmannedAerialVehicleImages

LINXianxiu

FuzhouSurveyInstituteCo.，Ltd.，F(xiàn)uzhou，F(xiàn)ujianProvince，350108China

Abstract：Thegenerationmethodofunderlyingsurfaceisoneofthekeytechnologiesinspongecityplanning.Thestudy，aautomaticgenerationmodelbasedontheclusteringanalysistechnologyofunmannedaerialvehicleimagesisestablished.Firstly，basedonthespongecityunmannedaerialvehicleimages，anadaptivehierarchicalclusteringmodel（GHNGmodel）isestablished，whichincludesthehorizontalgrowthandverticalgrowthmechanism，torealizethemodularintelligentrecognitionoftheurbanunderlyingsurfaceunmannedaerialvehicleimages，andoutputthemodularclusteringresults;Then，basedonthesurveyingdatainthespongecityplanningofFuzhouHelinarea，thedifferenttypesofunderlyingsurfacesintheareaareverifiedbyanexample.TheresultshowsthattheadaptiveGHNGmodelandalgorithminthispapercanintelligentlyidentifydifferenttypesofunderlyingsurfacesintheprocessofspongecityplanning，andfurtherverifythereliability，accuracyandrobustnessoftheadaptiveGHNGmodelinthemodularautomaticgenerationofurbanunderlyingsurfaces.

Keywords：Surveyingandmappingdata;Underlyingsurface;Clusteringmodel;Modularization

海綿城市是一種創(chuàng)新型城市規(guī)劃理念，其設(shè)計(jì)理念將城市轉(zhuǎn)變?yōu)橐粋€(gè)類似海綿的結(jié)構(gòu)，旨在通過(guò)整合自然和人工系統(tǒng)，最大程度地減少城市的洪澇風(fēng)險(xiǎn)，改善水質(zhì)，提升生態(tài)系統(tǒng)的健康狀況，在適應(yīng)環(huán)境變化和應(yīng)對(duì)自然災(zāi)害等方面具有良好的“彈性”，提高城市生態(tài)可持續(xù)性[1]。海綿城市包括河、湖、池塘等水系和相應(yīng)的城市配套設(shè)施[2]，建設(shè)需要綜合考慮城市規(guī)劃、景觀設(shè)計(jì)、工程建設(shè)等多個(gè)領(lǐng)域的因素，并通過(guò)合理的土地利用和綠色基礎(chǔ)設(shè)施的建設(shè)，實(shí)現(xiàn)城市的可持續(xù)發(fā)展目標(biāo)。因此，海綿城市在降雨時(shí)實(shí)現(xiàn)吸水、蓄水、滲水和凈水功能，并在需要時(shí)釋放并利用蓄存的水資源。該系統(tǒng)使雨水在城市中能夠自由遷移，有效提升城市排水系統(tǒng)的水準(zhǔn)，有力緩解城市內(nèi)澇問(wèn)題的壓力[3]。

• 材料與方法

1.1數(shù)據(jù)來(lái)源

本文采用2023年所拍攝的福州市鶴林片區(qū)無(wú)人機(jī)影像，實(shí)驗(yàn)區(qū)位于119°19′14.66"～119°22′2.65"E，26°4′34.66"～26°6′52.30"N。2023年8月上旬進(jìn)行航拍作業(yè)，無(wú)人機(jī)拍攝高度約150m，低空拍攝，航拍時(shí)天氣晴朗、無(wú)風(fēng)且無(wú)云霧，空間分辨率為0.05m。無(wú)人機(jī)所拍攝的影像不受大氣因素影響，按實(shí)際情況正常使用。2023年鶴林片區(qū)海綿城市建設(shè)工程1∶500數(shù)字線劃圖。

1.2&nup031C+y9icjnEfRReLlyvHs/EMzHS265ii46YnzxbY=bsp;數(shù)據(jù)處理

1.2.1下墊面類型劃分

按照海綿城市建設(shè)工程下墊面分類體系，結(jié)合1∶500數(shù)字線劃圖，將實(shí)驗(yàn)區(qū)的下墊面類型劃分為屋面、一般路面、一般草地、水體、廣場(chǎng)（不滲水）、廣場(chǎng)（滲水）、樹林、裸土。

1.2.2下墊面矢量數(shù)據(jù)

利用制圖軟件將實(shí)驗(yàn)區(qū)1∶500數(shù)字線劃圖進(jìn)行多邊形構(gòu)面，形成面數(shù)據(jù)，按照下墊面類型劃分標(biāo)準(zhǔn)對(duì)其進(jìn)行賦值。利用GIS軟件將賦值后的面數(shù)據(jù)進(jìn)行拓?fù)湫拚?，得到下墊面矢量數(shù)據(jù)（驗(yàn)證數(shù)據(jù)）。

1.2.3實(shí)驗(yàn)區(qū)范圍

以2023年鶴林片區(qū)海綿城市建設(shè)工程1∶500數(shù)字線劃圖所測(cè)量范圍作為實(shí)驗(yàn)區(qū)范圍，本文將下墊面矢量數(shù)據(jù)進(jìn)行融合，形成實(shí)驗(yàn)區(qū)范圍。

1.2.4無(wú)人機(jī)影像處理

首先將獲取的無(wú)人機(jī)影像經(jīng)過(guò)正射糾正、拼接等數(shù)據(jù)處理，其次對(duì)無(wú)人機(jī)影像進(jìn)行投影轉(zhuǎn)換，與1∶500數(shù)字線劃圖保持相同坐標(biāo)系統(tǒng)，最后按照實(shí)驗(yàn)區(qū)范圍對(duì)無(wú)人機(jī)影像進(jìn)行裁剪，得到實(shí)驗(yàn)區(qū)的數(shù)字正射影像。

1.2.5建立解譯標(biāo)志

根據(jù)實(shí)驗(yàn)區(qū)下墊面劃分類型，結(jié)合數(shù)字正射影像的色調(diào)、色彩、大小、紋理、形狀等地物特征，建立下墊面各類型的解譯標(biāo)志，為聚類分析提供分類參考。

1.3基于聚類的下墊面模塊化生成模型

1.3.1GHNG聚類理論

基于生長(zhǎng)神經(jīng)氣的層次聚類模型（GrowingHierarchicalNeuralGas，GHNG）是一種啟發(fā)式神經(jīng)網(wǎng)絡(luò)樹模型[4]，其各層神經(jīng)元處理的輸入受到前一層神經(jīng)元的影響。劉天松等人[5]提出了一種基于啟發(fā)式神經(jīng)氣的數(shù)據(jù)奇異性監(jiān)測(cè)模型，該模型能夠?qū)崟r(shí)展現(xiàn)數(shù)據(jù)實(shí)例的動(dòng)態(tài)聚類結(jié)果。通過(guò)對(duì)鋁電解過(guò)程數(shù)據(jù)進(jìn)行監(jiān)測(cè)實(shí)例驗(yàn)證，證明該模型和算法具有更強(qiáng)的奇異性監(jiān)測(cè)能力，能夠準(zhǔn)確、有效地監(jiān)測(cè)和控制鋁電解工藝過(guò)程。

GHNG層次聚類模型具有自適應(yīng)性機(jī)制、節(jié)點(diǎn)生成和淘汰機(jī)制等特性。然而，在神經(jīng)元適應(yīng)性機(jī)制中的學(xué)習(xí)系數(shù)通常設(shè)置為固定值；節(jié)點(diǎn)淘汰機(jī)制中，GHNG神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中老化節(jié)點(diǎn)和邊緣節(jié)點(diǎn)也無(wú)法實(shí)時(shí)被更新和刪除[5]。

1.3.2自適應(yīng)GHNG神經(jīng)網(wǎng)絡(luò)模型

在自適應(yīng)GHNG神經(jīng)網(wǎng)絡(luò)模型中，通過(guò)具體應(yīng)用數(shù)據(jù)的不斷調(diào)整和更新學(xué)習(xí)系數(shù)。此外，在水平和垂直生長(zhǎng)機(jī)制中采用類似算法，實(shí)時(shí)進(jìn)行生長(zhǎng)檢驗(yàn)和自適應(yīng)誤差調(diào)整。采用不同顏色分層用于數(shù)據(jù)聚類結(jié)果顯示，以便區(qū)分應(yīng)用數(shù)據(jù)之間的差異。同理，子代節(jié)點(diǎn)在其父代所屬的簇內(nèi)進(jìn)行拓?fù)浣Y(jié)構(gòu)的自適應(yīng)調(diào)整，以生成獲勝節(jié)點(diǎn)，從而分析數(shù)據(jù)特性。該神經(jīng)網(wǎng)絡(luò)繼承了GHNG生長(zhǎng)機(jī)制還擁有K-means的聚類效果。

在啟發(fā)式GHNG神經(jīng)網(wǎng)絡(luò)中，獲勝節(jié)點(diǎn)的誤差是指其領(lǐng)域所有數(shù)據(jù)點(diǎn)的距離的總和。每當(dāng)新數(shù)據(jù)點(diǎn)被輸入時(shí)，GHNG神經(jīng)網(wǎng)絡(luò)會(huì)遍歷所有節(jié)點(diǎn)，實(shí)時(shí)更新獲勝節(jié)點(diǎn)，并計(jì)算該節(jié)點(diǎn)的局部誤差，其計(jì)算方式如下[5]：

借助自適應(yīng)權(quán)值系數(shù)對(duì)獲勝節(jié)點(diǎn)及其鄰域節(jié)點(diǎn)進(jìn)行參數(shù)權(quán)重調(diào)整，其權(quán)值系數(shù)的更新方法定義如下：

根據(jù)式（2）獲得的自適應(yīng)權(quán)值系數(shù)實(shí)時(shí)更新獲勝節(jié)點(diǎn)及其鄰域節(jié)點(diǎn)權(quán)重，權(quán)重計(jì)算定義如下：

式（1）、式（2）、式（3）中，α表示GHNG神經(jīng)網(wǎng)絡(luò)權(quán)值系數(shù)；表示網(wǎng)絡(luò)獲勝節(jié)點(diǎn)誤差（次獲勝節(jié)點(diǎn)誤差相同）；表示網(wǎng)絡(luò)中獲勝節(jié)點(diǎn)的誤差總和，根據(jù)自適應(yīng)權(quán)值系數(shù)α對(duì)相關(guān)節(jié)點(diǎn)的權(quán)值進(jìn)行調(diào)整；WS表示獲勝節(jié)點(diǎn)權(quán)重及鄰域節(jié)點(diǎn)權(quán)重。

將新獲勝節(jié)點(diǎn)插入當(dāng)前獲勝節(jié)點(diǎn)與其鄰域獲勝節(jié)點(diǎn)之間的方法包括以下幾個(gè)步驟。

第一步：當(dāng)前迭代步數(shù)是定義參數(shù)λ的整數(shù)倍時(shí)，即可插入一個(gè)新的獲勝節(jié)點(diǎn)；

第二步：遍歷網(wǎng)絡(luò)中節(jié)點(diǎn)誤差，獲得最大獲勝節(jié)點(diǎn)誤差，同時(shí)計(jì)算其鄰域節(jié)點(diǎn)最大誤差，建立一個(gè)網(wǎng)絡(luò)新節(jié)點(diǎn)（新獲勝節(jié)點(diǎn)），使網(wǎng)絡(luò)新獲勝節(jié)點(diǎn)位置介于最大獲勝節(jié)點(diǎn)和最大誤差鄰域節(jié)點(diǎn)之間，確定新獲勝節(jié)點(diǎn)具體位置計(jì)算定義如下：

第三步：新的獲勝節(jié)點(diǎn)被插入后，最大誤差獲勝節(jié)點(diǎn)與新獲勝節(jié)點(diǎn)、最大誤差鄰域節(jié)點(diǎn)與新獲勝節(jié)點(diǎn)會(huì)重新鏈接形成新的網(wǎng)絡(luò)拓?fù)洹Ｔ诰W(wǎng)絡(luò)模型中，拓?fù)浣Y(jié)構(gòu)的更新檢驗(yàn)被定義為：

式（5）中，a和b表示隨機(jī)參數(shù)（通常設(shè)為正值）。為促使GHNG神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中全局誤差系數(shù)最小化，其全局誤差定義如下：

第四步：在網(wǎng)絡(luò)垂直生長(zhǎng)機(jī)制中，利用水平生長(zhǎng)機(jī)制中存儲(chǔ)的獲勝節(jié)點(diǎn)進(jìn)行縱向衍生，即以這些獲勝節(jié)點(diǎn)為中心，并以類似算法生成新的拓?fù)浣Y(jié)構(gòu)。

在GHNG層次聚類算法中，通過(guò)以上步驟（水平和垂直生長(zhǎng)），由于新的數(shù)據(jù)不斷加入，形成了一個(gè)實(shí)時(shí)連續(xù)調(diào)整的過(guò)程，網(wǎng)絡(luò)神經(jīng)元的數(shù)量不斷增加，同時(shí)這水平和垂直生長(zhǎng)機(jī)制相互關(guān)聯(lián)并相互約束：在垂直生長(zhǎng)機(jī)制中，網(wǎng)絡(luò)上一層神經(jīng)節(jié)點(diǎn)被稱為一個(gè)“父”代，而水平生長(zhǎng)機(jī)制中，其拓?fù)浣Y(jié)構(gòu)類似于垂直生長(zhǎng)機(jī)制中的“父”與代“子”代神經(jīng)元。

2實(shí)例驗(yàn)證

2.1數(shù)字正射影像與模型參數(shù)

本文以福州鶴林片區(qū)數(shù)字正射影像為基礎(chǔ)，驗(yàn)證GHNG聚類模型對(duì)下墊面類型識(shí)別的有效性和可行性。

自適應(yīng)GHNG神經(jīng)網(wǎng)絡(luò)是無(wú)監(jiān)督數(shù)據(jù)聚類方法，其僅依賴于實(shí)際應(yīng)用數(shù)據(jù)分布特征。自適應(yīng)GHNG魯棒性較強(qiáng)。其經(jīng)過(guò)水平和垂直生長(zhǎng)機(jī)制形成影像之間的拓?fù)浣Y(jié)構(gòu)，最終影像數(shù)據(jù)特征被提取和聚類。在網(wǎng)絡(luò)分層聚類中，聚類結(jié)果以垂直生長(zhǎng)機(jī)制中第一層獲勝節(jié)點(diǎn)為聚類中心進(jìn)行劃分，本文GHNG模型參數(shù)取值及范圍如表1所示。

2.2聚類結(jié)果與下墊面生成結(jié)果

城市化建設(shè)中城市下墊面的特性由于增加不同的功能形成不同的下墊面，城市的產(chǎn)匯流與城市下墊面特性息息相關(guān)，城市的產(chǎn)匯流特性也隨之變化，通常表現(xiàn)為地表徑流量大幅增加和匯流速度明顯加快。不同下墊面類型的徑流系數(shù)差別較大。通過(guò)下墊面數(shù)據(jù)分析，解析下墊面種類及其分布情況，有助于更為準(zhǔn)確地模擬城市地表的產(chǎn)匯流，從而提升排水防澇模型的模擬精度。

通過(guò)自適應(yīng)GHNG神經(jīng)網(wǎng)絡(luò)模型對(duì)福州市鶴林片區(qū)數(shù)字正射影像進(jìn)行聚類分析，將相鄰?fù)悎D斑合并，形成下墊面分類結(jié)果。為獲得更精確的聚類結(jié)果，將下墊面數(shù)據(jù)歸一化，通過(guò)建立的模型獲得八類聚類結(jié)果，如圖1所示。同時(shí)，根據(jù)建立的下墊面各類型解譯標(biāo)志對(duì)聚類結(jié)果進(jìn)行精準(zhǔn)分類標(biāo)識(shí)，并將其進(jìn)行矢量化，通過(guò)要素綜合，進(jìn)一步生成福州市鶴林片區(qū)下墊面分類結(jié)果。

2.3精度驗(yàn)證

為了評(píng)價(jià)實(shí)驗(yàn)區(qū)下墊面提取的精度，以下墊面矢量數(shù)據(jù)為參考數(shù)據(jù)，通過(guò)混淆矩陣的方式對(duì)分類結(jié)果進(jìn)行分析，得到分類精度評(píng)價(jià)表如表2所示。根據(jù)表2可知，分類總體精度達(dá)到94.18%，kappa系數(shù)為0.9295，生產(chǎn)者精度和用戶精度在88.13%～98.28%之間，提取精度較高?；趯?shí)驗(yàn)區(qū)的分類精度驗(yàn)證結(jié)果，認(rèn)為生成的模塊化下墊面符合實(shí)際，進(jìn)一步驗(yàn)證了層析聚類模型的精確性、有效性和實(shí)用性。

3結(jié)語(yǔ)

在海綿城市規(guī)劃中，針對(duì)領(lǐng)域經(jīng)驗(yàn)和人工識(shí)別城市下墊面效率低、準(zhǔn)確度不高等問(wèn)題，基于福州鶴林片區(qū)實(shí)驗(yàn)數(shù)據(jù)，提出了一種基于自適應(yīng)聚類（GHNG）學(xué)習(xí)模型，建立自適應(yīng)權(quán)值系數(shù)、鄰域誤差更新、節(jié)點(diǎn)平均距離的節(jié)點(diǎn)生成機(jī)制，并且在城市下墊面模塊化生成中驗(yàn)證該模型和算法的有效性和可行性。實(shí)驗(yàn)結(jié)果表明，本文建立的城市下墊面自動(dòng)識(shí)別結(jié)果是有效可行的，在海綿城市建設(shè)過(guò)程中為管理者/決策者提供理論和決策支持。

參考文獻(xiàn)

[1] 姜建成，錢振明，陳一，等.中國(guó)式現(xiàn)代化江蘇新實(shí)踐蘇州樣本（筆談）[J].蘇州大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2023，44（5）：1-23.

[2] 王維奇，劉晨暉，陳延菲，等.公園城市目標(biāo)下城市公園綠地開放共享理念的核心要義和科學(xué)路徑[J].風(fēng)景園林，2023，30（11）：28-34.

[3] 郭渠，王勇，李瑞，等.三峽庫(kù)區(qū)局地風(fēng)特征分析[J].氣象與環(huán)境學(xué)報(bào)，2023，39（3）：97-105.

[4] 柯澳，王宇聰，胡博宇，等.基于圖像的野生動(dòng)物檢測(cè)與識(shí)別綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2024，33（1）：22-36.

[5] 劉天松，吳永明，李少波，等.基于自適應(yīng)GHNG的鋁電解過(guò)程奇異性數(shù)據(jù)監(jiān)測(cè)方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2023，29（11）：3614-3623.