對許多領域的研究,城市的土地利用數(shù)據(jù)不可或缺,如何獲取高精度的土地利用分類數(shù)據(jù),向來是相關領域的難點與熱點,頗具實用價值。面向對象的分類方法被廣泛用于精細的土地利用分類研究中,成果斐然,但已有方法依賴于高分辨率遙感影像的解譯,極大限制了這種方法的實用性。社交網絡服務、空間信息服務及通信技術的發(fā)展,催生出海量的社交媒體地理數(shù)據(jù)。作為海量地理信息時代的重要組成部分,社交媒體地理數(shù)據(jù)具有傳統(tǒng)數(shù)據(jù)源難以比擬的優(yōu)勢:包含豐富的時空及文本信息、體量大、更新速度快、與人群活動息息相關、開源、易于獲取等,利用社交媒體地理數(shù)據(jù),可以再現(xiàn)龐大用戶群的生活軌跡對于不同土地利用類型的地區(qū),人群將呈現(xiàn)出不同的活動狀況。通過挖掘社交媒體地理數(shù)據(jù)中的時空及文本信息,掌控人群活動的時空模式,及其活動相關主題情況,進行面向對象的土地利用分類,將取得精度較高的土地利用信息。在充分調研已有研究的基礎上,本文提出一種面向對象的分類方法,將對象定義為地塊（Land Parcel）,通過分析地塊內的社交媒體地理數(shù)據(jù),識別土地利用類型。為此,選取典型的Twitter數(shù)據(jù),進行了實例分析:依托地理信息系統(tǒng)（Geographic In... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

圖２．１技術路線圖??

ＭＬＰ是一種經典的神經網絡算法，本研究擬選取這種算法構建分類模型。??ＭＬＰ由多層非線性神經元組成，包括輸入、輸出、及若干隱藏層，層中的神經??元與相鄰層相互連接，其結構如圖２．２所示。ＭＬＰ中，互相連接的神經元之間??間的關聯(lián)程度通過權重衡量。外部的數(shù)據(jù)通過輸入層傳入模型（Ｗｈｉｔｅ?ａｎｄ??Ｒｏｓｅｎｂｌａｔｔ?１９６３?）。在其訓練過程中，釆用反向傳播（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）技術處??理傳入的向量數(shù)據(jù)，通過不斷重復輸入層－隱藏層－輸出層的正向過程與輸出層－??隱藏層－輸入層的反向過程，反復調整權重，直到輸出結果達到收斂，則訓練完??成（ＲｕｍｅｌｈａｒｔａｎｄＨｉｎｔｏｎ，?１９８８）。模型構建的兩個主要過程如下：??①

?３實例分析??經重分類后，研究區(qū)域內的地塊絕大多數(shù)為居住類型，其次為公共機構，??交通與工業(yè)用地最少。各類地塊在總地塊數(shù)中的具體比例如下圖３．１所示。??比例??〇．ｆｂ７—＼?＾〇．〇１５??０．０１５?°－０４／??００．０２４??口商業(yè)口工業(yè)□公共機構口辦公０居住口交通口未開發(fā)??圖３．１各類型的地塊占總地塊數(shù)的比例??３．２．２社交媒體地理數(shù)據(jù)??鑒于研究區(qū)位于美國，而Ｔｗｉｔｔｅｒ是美國境內最流行的社交應用之一，本研??究以帶有地理坐標的Ｔｗｉｔｔｅｒ數(shù)據(jù)為例進行研究，并利用Ｒ中的ｓｔｒｅａｍＲ包獲取??Ｔｗｉｔｔｅｒ數(shù)據(jù)。ｓｔｒｅａｍＲ提供一系列功能，通過該包能夠訪問Ｔｗｉｔｔｅｒ的過濾器、??樣本及用戶流，并將輸出結果解析為數(shù)據(jù)框，保存到文件中�；谶@一包，獲??取從２０１４年３月６日到３月１３日，及４月８日到４月１７日兩段時間內，共計??８１１３９３條數(shù)據(jù)，每條數(shù)據(jù)的組織形式如：丨推文編號，用戶ＩＤ，文本內容，時??間記錄，經度，緯度，地名等｝。利用Ｇｅｏｄａｔａｂａｓｅ數(shù)據(jù)庫對原始數(shù)據(jù)進行初步??的預處理：??１、刪除文件中信息不完全的無效點；??２、坐標轉換


本文編號：3337167