基于多源遥感数据的幽灵社区识别及住房空置率估算方法与流程

本发明涉及图像处理领域，尤其涉及一种基于多源遥感数据的幽灵社区识别及住房空置率估算。

背景技术：

地方规划建设新城新区冲动使得“鬼城”现象形成风险显著增加，国家发展和改革委员会城市和小城镇改革发展中心调查显示，截至2016年5月，全国县及县以上的新城新区数量达3500多个，可容纳34亿人口。对比新城新区被规划的人口容纳量(34亿)与当前的全国人口总数(2018年底约13.9亿)，可以发现新城新区可容纳人口数远超过全国人口总数。在这种背景下，存在一些新城新区具有极低的人口密度和极高的住房空置率。这一现象在2010年前后引起了国际媒体的关注，这些新城新区被贴上了“鬼城”的标签。根据全国科学技术名词审定委员会审定，“鬼城”属于地理学名词，指资源枯竭并被废弃的城市。这种传统的定义显然不符合当前的情形，新的“鬼城”定义被寻求。美国作家韦德·谢帕德(wadeshepard)在他2015年出版的“ghostcitiesofchina”一书中将这种“鬼城”定义为：现有人口和商业活动远远低于其所能容纳和承载的新开发的区域，将其特征描述为：人口密度极低，住房空置率极高，夜间表现出微弱的光照强度和极小的光照面积。该“鬼城”定义和特征描述在当前研究中被广泛引用和认可。

虽然“鬼城”定义和特征具有较为统一的认知，然而“鬼城”判定识别从理论到实践面临诸多难点。例如：新城新区的人口迁入需要一个缓冲周期，在足够长的时间之后没有人口或者仅有极少的人口迁入，则该新城新区的开发超过了实际的市场需求，存在较大的可能变为“鬼城”，缓冲周期的确定是“鬼城”识别的前提；“鬼城”识别的核心是将主观经验转变为客观指标，并对客观指标的计算结果进行阈值设定，如何实现指标的科学转变以及阈值的客观设定是“鬼城”识别的关键；“鬼城”并非指一座真正的城市，其实际空间覆盖范围存在较大的差异，小到连片的住宅区，大到整个新城新区，如何处理这种尺度的差异直接关系到“鬼城”识别的可信度。住房空置率是“鬼城”现象严重程度最直观的评价指标，当前研究对于“鬼城”的识别精度限制了“鬼城”住房空置率的估算。另一方面，当前住房空置率的相关研究同样受限于数据精度无法精确识别“鬼城”，从而无法获取“鬼城”的住房空置率。

目前“鬼城”识别面临以下挑战：1)当前研究区域覆盖范围普遍较小，多以典型城市和典型区域为主，全国范围“鬼城”识别的研究较少出现；2)受基础数据空间分辨率的限制，“鬼城”的识别精度停留在县/区及以上的行政单元，无法深入城市内部识别精确的“鬼城”覆盖区域；3)当前“鬼城”指标的阈值设定依据排名、标准差等，具有一定的主观性，且未能考虑城市的区域差异性，会影响“鬼城”识别结果的准确率和可信度。

住房空置率是“鬼城”识别最根本的量化指标，然而当前研究均未考虑通过住房空置率识别“鬼城”，原因有以下两点：一是，从统计数据的角度来看，目前没有住房空置率的官方数据可供参考，也没有权威的阈值设定标准，即住房空置率高于多少属于“鬼城”；二是，从技术方法的层面考虑，住房空置率估算对数据的要求高于“鬼城”识别，对于方法的构建也难于“鬼城”识别，通过估算住房空置率来识别“鬼城”面临难度大、效率低、不稳定性高等问题。

技术实现要素：

基于现有鬼城识别和住房空置率存在的问题，本发明提供了一种基于多源遥感数据的中国幽灵社区识别及住房空置率估算方法及系统。

一种基于多源遥感数据的幽灵社区识别方法，其特征在于：

步骤s01:获取具有相同覆盖区域的高分辨率夜光遥感数据、城镇用地数据，并分别进行数据预处理；

步骤s02:基于所述夜光遥感数据提取道路信息，结合城镇用地数据，将所述夜光遥感数据分割为街区尺度的斑块图像；

步骤s03:基于所述街区尺度的斑块图像，计算街区尺度斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重，将该三个参数线性拟合作为鬼城指数；

步骤s04:基于所述鬼城指数设置合理的阈值识别出潜在幽灵社区斑块；

步骤s05:引入建筑物高度数据，计算街区尺度斑块的平均建筑物高度，去除步骤s04识别出的所述潜在幽灵社区斑块中平均建筑物高度小于阈值的斑块，得到最终的幽灵社区分布图。

一种基于多源遥感数据的住房空置率反演方法，其特征在于：

步骤s01:获取具有相同覆盖区域的高分辨率夜光遥感数据、城镇用地数据，并分别进行数据预处理；

步骤s02:基于所述夜光遥感数据提取道路信息，结合城镇用地数据，将所述夜光遥感数据分割为街区尺度的斑块图像；

步骤s03:基于所述街区尺度的斑块图像，计算街区尺度斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重，将该三个参数线性拟合作为鬼城指数；

步骤s04:引入建筑物高度数据，计算街区尺度斑块的平均建筑物高度，基于鬼城指数、平均建筑物高度以及斑块面积，计算单位体积内的夜光强度；

步骤s05:基于调查方法获取街区尺度的实际住房空置率数据，采用实际住房空置率数据和单位体积内的夜光强度数据，采用线性拟合方法得到住房空置率估算模型。

一种基于多源遥感数据的幽灵社区识别装置，其特征在于：

预处理模块:获取具有相同覆盖区域的高分辨率夜光遥感数据、城镇用地数据，并分别进行数据预处理；

斑块分割模块:基于所述夜光遥感数据提取道路信息，结合城镇用地数据，将所述夜光遥感数据分割为街区尺度的斑块图像；

鬼城指数构建模块:基于所述街区尺度的斑块图像，计算街区尺度斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重，将该三个参数线性拟合作为鬼城指数；

幽灵社区提取模块:基于所述鬼城指数设置合理的阈值识别出潜在幽灵社区斑块。

一种基于多源遥感数据的住房空置率反演装置，其特征在于：

预处理模块:获取具有相同覆盖区域的高分辨率夜光遥感数据、城镇用地数据，并分别进行数据预处理；

斑块分割模块:基于所述夜光遥感数据提取道路信息，结合城镇用地数据，将所述夜光遥感数据分割为街区尺度的斑块图像；

鬼城指数构建模块:基于所述街区尺度的斑块图像，计算街区尺度斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重，将该三个参数线性拟合作为鬼城指数；

优化模块:引入建筑物高度数据，计算街区尺度斑块的平均建筑物高度，基于鬼城指数平均建筑物高度、以及斑块面积，计算单位体积内的夜光强度；

住房空置率模型构建模块:基于调查方法获取街区尺度的实际住房空置率数据，采用实际住房空置率数据和单位体积内的夜光强度数据，采用线性拟合方法得到住房空置率估算模型。

本申请具有以下优势：(1)目前鬼城识别和住房空置率估算的精度受基础数据空间分辨率的制约，大区域的“鬼城”识别或者是住房空置率估算仅停留在县/区层面，无法深入城市内部。本发明采用国际领先水平的多源遥感数据产品，突破当前研究面临的困境，将“鬼城”住房空置率估算的精度提升到街区层面；(2)以往研究在模型构建过程中未考虑夜光强度的区域差异性，本发明充分考虑了城市夜光强度的差异性，以城市为单位充分考虑背景像元的干扰，创造性的提出采用斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重构建鬼城指数；(3)本发明在住房空置率估算中充分考虑住房高度所带来的影响，创造性的构建试用于街区尺度的住房空置率估算模型。

附图说明

图1为本发明的高度反演示意图。

图2为本发明的幽灵社区识别对应的图。

具体实施方式

为了便于理解本发明，下面参照相关附图对本发明进行更全面的描述。附图中给出了较佳的实施方式。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。

本实施例的基于多源遥感数据的幽灵社区识别及住房空置率估算方法及系统。

一种基于多源遥感数据的幽灵社区识别方法，其特征在于：

步骤s01:获取具有相同覆盖区域的高分辨率夜光遥感数据、城镇用地数据，并分别进行数据预处理；

其中所述高分辨率夜光遥感数据为珞珈一号夜光数据；“珞珈一号”是全球首颗专业夜光遥感卫星，由武汉大学团队与相关机构共同研发制作，于2018年6月2号成功发射。影像空间分辨率130米，幅宽250km×250km，在理想条件下，15天可完成全球夜光影像绘制。本发明采用2018-2019年间的“珞珈一号”夜间灯光数据。所述预处理包括：将dn值转换为辐亮度值、拼接、几何校正、夜光影像去饱和处理中的一个或多个。珞珈一号01星产品符合亮度转换公式如下：

式中l为绝对辐射校正后的辐射亮度值，单位为w/(m²·sr·μm)，dn为图像灰度值。

所述城镇用地数据采用globalurbanfootprint(guf)城镇用地分类数据，guf城镇用地分类数据是由德国宇航中心创建，基于德国雷达卫星terrasar-x和tandem-x的数据自动提取，时间节点为2011-2012年，空间分辨率高达12米。由于城镇用地数据包括较多零星分布的农村居民点，由于农村居民点普遍夜间灯光强度不强，容易被误识别为鬼城，基于城镇用地数据采用5×5的窗口进行高斯滤波，去除零星分布的农村居民点，保留面积较大的城镇用地斑块。

dem数据采用tandem-x全球数字高程模型。tandem-x全球数字高程模型是由德国宇航中心基于tandem-x和terrasar-x两颗卫星组成的sar干涉仪对绘制，两者间隔120-500米。该数字高程模型共包含90米，30米和12米这三种分辨率的数据产品，其中90米和30米分辨率的高程模型均由12米分辨率的高程模型衍生出，目前90米分辨率的高程模型可免费获取。dem数据包括了地形本身高度，建筑物通常建筑与平坦的区域内，在建筑物附近通常具有平坦的空地，因此采用减去窗口内最小值的方法反演出建筑物高度。

步骤s02:基于所述夜光遥感数据提取道路信息，结合城镇用地数据，将所述夜光遥感数据分割为街区尺度的斑块图像；

基于夜光遥感数据采用高通滤波、canny、sobel等边缘检测方法，提取出道路信息，由于边缘检测算子提出的道路存在断点，采用连接算子，将道路断点连接，得到修正的道路信息；利用去除农村居民点之后的城镇用地数据切割夜间灯光数据，以及采用修正的道路信息，将夜间灯光数据分割为街区尺度的斑块。如图1所示，在原始图像1a中根据寻找5×5的窗口内的最小值(20)，生成如图1b所示的最小值图，后将原始高度图像减去最小值图像得到建筑物高度图像，如图1c所示。

步骤s03:基于所述街区尺度的斑块图像，计算每个斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重，将该三个参数线性拟合作为斑块的鬼城指数；

鬼城指数的构建从平均夜光强度，夜光强度内部差异以及无夜光强度区域比重这三方面考虑，具体公式如下：

gni＝(1-ntlave,mmn)x(1-ntlstd,mmn)×ntln-lit，per(2)

式中，gni表示鬼城指数，ntlave，mmn表示首先计算当前街区尺度的城镇用地斑块上所有像元夜间灯光强度的均值，并将该均值进行极差标准化；ntlstd，mmn表示首先计算当前街区尺度的城镇用地斑块上所有像元夜间灯光强度的标准差，并将该标准差进行极差标准化；ntln-lit，per表示当前街区尺度的城镇用地斑块上无夜间灯光强度的像元所占的百分比；alimax,dlimax和plamax分别表示研究区域内所有街区尺度城镇用地斑块的像元夜间灯光强度均值ali的最大值、斑块内像元夜间灯光强度标准差dli的最大值和斑块内无夜间灯光强度像元所占的百分比pla的最大值；其中li为某一街区尺度城镇用地斑块内某一像元的亮度值，i为斑块内第i个像素，n为斑块总像元数，lb为夜光遥感图像中无灯光区域的背景像素阈值。

由于地区发展不均衡，不同城市的背景像素阈值不同，因此根据每个城市的设置不同的背景像素阈值。针对每一个城市，通过对数运算压缩原始夜间灯光图像的灯光强度差异，图2a为经过对数运算后的夜间灯光图像。获取该图像的直方图，如图2b所示，从图2b中可明显看出背景与前景目标之间的显著阈值分布，采用otsu算法获取最佳阈值，从而识别夜间灯光图像中所有背景像元，如图2c所示。之后，统计斑块内背景像元的占比，得到pla。

鬼城指数gni取值范围在0-1之间，越接近1越有可能是幽灵社区斑块，越接近0则越不可能是幽灵社区斑块。

鬼城指数的构建也可以采用如下公式：

gni＝(1-ntlave，mmn)+(1-ntlstd，mmn)+ntln-lit，per(6)

则鬼城指数gni取值范围在0-3之间，越接近3越有可能是幽灵社区斑块，越接近0则越不可能是幽灵社区斑块，如图2d所示。

步骤s04:基于所述鬼城指数设置合理的阈值识别出潜在幽灵社区斑块。

经济发展较快的区域通常有着更好的基础设施建设，在具有相同人口密度的城镇用地上，往往会具有更高的夜间灯光强度，“一刀切”的阈值设定将会导致经济发达区域“鬼城”识别缺失，经济落后区域“鬼城”识别过度。本发明针对不同的城市采用otsu算法寻找不同城市鬼城指数的最佳阈值，将大于阈值的斑块认定为是潜在的幽灵社区斑块。

将一个城市内所有斑块按照其计算所得的鬼城指数进行降序排列，由于幽灵社区斑块相对于整个城市的斑块所占比重较少且频率较低，通常位于列表的前面并呈现急剧下降的趋势，如图2e所示；通过合理的阈值设定能够识别出潜在的幽灵社区，如图2f所示。

步骤s05:基于调查方法获取街区尺度的实际住房空置率数据，采用实际住房空置率数据修正住房空置率指标，计算每个斑块的住房空置率。

dem数据采用tandem-x全球数字高程模型。tandem-x全球数字高程模型是由德国宇航中心基于tandem-x和terrasar-x两颗卫星组成的sar干涉仪对绘制，两者间隔120-500米。该数字高程模型共包含90米，30米和12米这三种分辨率的数据产品，其中90米和30米分辨率的高程模型均由12米分辨率的高程模型衍生出，目前90米分辨率的高程模型可免费获取。dem数据包括了地形本身高度，需采用dem数据反演建筑物高度数据。建筑物通常建筑于平坦的区域内，且在建筑物附近通常具有平坦的空地，因此采用像元减去窗口内最小值的方法反演出建筑物高度。计算街区尺度斑块的平均建筑物高度，去除步骤s04识别出的潜在幽灵社区中平均建筑物高度小于阈值的斑块，得到最终的幽灵社区分布图。

一种基于多源遥感数据的住房空置率反演方法，其特征在于：

步骤s01:获取具有相同覆盖区域的高分辨率夜光遥感数据、城镇用地数据，并分别进行数据预处理；

步骤s02:基于所述夜光遥感数据提取道路信息，结合城镇用地数据，将所述夜光遥感数据分割为街区尺度的斑块图像；

步骤s03:基于所述街区尺度的斑块图像，计算街区尺度斑块的平均夜光强度、夜光强度内部差异以及无夜光强度区域比重，将该三个参数线性拟合作为鬼城指数；

步骤s04:引入建筑物高度数据，计算街区尺度斑块的平均建筑物高度，基于鬼城指数平均建筑物高度、以及斑块面积，计算单位体积鬼城指标强度。

式中，gni表示鬼城指数,gvr单位体积鬼城指标强度。

步骤s05:基于调查方法获取街区尺度的实际住房空置率数据，采用实际住房空置率数据和单位体积鬼城指标强度数据，采用线性拟合方法得到住房空置率估算模型。

住宅区覆盖面积上的夜间灯光强度由每户亮灯住宅的灯光强度叠加而成，理论上夜间灯光强度与住房空置率呈线性相关。在实际情况中，相同住房面积和住房空置率的住宅区也存在一定的差异，差异形成的主要原因是背景灯光强度的不同。经济发展较快的区域通常有着更好的基础设施建设，即使某一住宅区的住房空置率为100％，部分住宅区覆盖面积上也可能会有微弱的夜间灯光强度。为解决这一问题，本发明拟通过网络实时街景资料以及实地采样调查，选取同一城市多个住宅区作为样本，采用调查数据或其他统计数据获取n个小区斑块的实际住房空置率数据ntli，i∈(1……n)，并获取其单位体积鬼城指标强度gvri，i∈(1......n)。以城市为单位，将住房空置率和单位体积内的夜光强度进行线性拟合，并采用最小二乘法求得系数a，b，得出住房空置率估算的线性方程ntl＝agvr+b。也可另外采用其他小区的实际住房空置率数据，验证住房空置率估算模型的精度。

以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围做任何限制，故凡是依据本发明的技术实质对以上实施例作的任何细微修改、等同变化与修饰，均属于本发明技术方案的范围内。