BIM 技术下城市建筑用地遥感数据维压缩提取方法研究

王勇华，李燕芳，颜会哲，佟建楠，徐慧莹

（1.唐山学院，河北 唐山 063000；2.河北工程大学，河北 邯郸 056000）

0 引言

随着社会的高速发展，人们对城市建设的管理要求逐渐提高，对城市建设的规范化、精细化以及科学化要求也越来越高[1]，这给科技研究以及工程技术带来了巨大挑战，采用单一技术手段已无法满足城市建筑用地的高要求。

BIM 技术是近年来应用于建筑以及相关行业发展较快的技术。BIM 技术即建筑信息模型，具有语义信息丰富、信息一致性强、几何结构精细等优势，符合城市建筑精细化管理目标要求。BIM 技术可实现建筑管理的智能化以及协同化，解决建筑中大量数据共享以及实时性要求高的难题[2]，满足建筑规划审批等多方面要求。三维GIS 技术是将建筑物与地形环境的空间结构相结合并展示的重要技术，符合建筑多尺度数据的微观以及宏观管理标准，为城市建筑用地审批以及调查工作提供了技术支持[3]，并对城市建设用地相关信息通过多领域实现交换。多领域信息交换为智慧城市发展建设的信息共享，以及协同工作的重要部分，利用BIM 技术将城市建设用地以通过数字形式呈现[4]，可有效体现城市建筑用地的物理、几何、规则等丰富的语义信息。遥感影像具有信息丰富、地物复杂以及细节清晰的特点，利用有效的特征压缩提取方法是分析海量遥感数据重要方法[5]。GIS 技术是空间数据库技术，可存储海量的三维空间数据并有效管理，同时可应用可视化分析海量数据[6]，对城市建设用地管理以及分析具有重要作用。GIS主要信息源及核心组成是遥感影像及数据，利用GIS 可有效实现空间数据分析以及管理，提升影像以及数据的利用价值[7]。

本文提出BIM 技术下城市建筑用地遥感数据维压缩提取方法，利用BIM 技术处理海量城市建设用地，并将处理后的数据转化至GIS 软件中，采用数据维压缩提取方法实现城市建设用地的数据有效提取。

1 BIM 技术的遥感数据维压缩提取方法

1.1 BIM 技术的遥感数据维压缩提取流程

在此将BIM 技术应用于城市建筑用地中，为建筑规划审批工作提供完整准确的数据支持。本文将BIM 技术与GIS 模型相结合[8]，以BIM 模型数据为基础，利用BIM 模型解析所采集的遥感数据，并压缩提取城市建设用地。城市建设用地压缩提取具体方案流程图如图1所示。

图1 城市建筑用地遥感数据维压缩提取流程

将待压缩提取数据导入BIM 模型中并轻量化处理BIM 模型，利用轻量化处理获取城市建筑用地所需要素信息，对城市建筑用地数据充分解析后提取BIM 技术关键要素信息，并将提取要素后的数据转化至GIS 模型[9]，通过随机投影降维实现遥感数据维压缩，利用视觉词汇图实现城市建筑用地遥感数据维提取。

1.2 BIM 关键要素提取以及数据转换方法

BIM 技术包含建筑设计、施工、管理等全部环节的相关建筑设置以及空间接口，针对不同研究方向简化处理BIM 模型，利用BIM 模型处理遥感数据，过滤相关信息后，获取城市建筑用地相关关键要素。BIM 技术的关键要素提取以及数据转换流程如图2 所示。

图2 关键要素提取以及数据转换流程

以往将BIM 技术应用于城市建筑用地提取具有数据冗余的缺点，会给城市建筑用地审批造成一定复杂性。提取城市建筑用地前，主要依据城市建筑用地具体要求实施语义过滤处理[10]，利用不同的数据过滤池去除城市建筑用地语义过滤。遥感图像中，土地利用类型主要包括高密度建筑区、低密度建筑区、新建筑区、山地、森林、灌木林、耕地、胡泊、海洋、河流等，依据城市建筑用地类型，将与城市建筑用地无关的词语，如：山地、森林、灌木林、耕地、胡泊、海洋、河流等作为语义过滤池，仅保留城市建筑用地相关[11]词语，去除多余的与城市建筑用地无关语义。

将BIM 模型内部要素与语义过滤池约束相结合，获取语义过滤池重要集合信息，将BIM 实体模型采用三角网化法转化至可供GIS 模型支持的三角网模型，在转换过程中，获取GIS 模型的坐标转换矩阵，将城市建筑用地外形轮廓转换至GIS 模型全局坐标系。采用ID 值与城市建筑用地相关语义信息及几何信息作为GIS 模型数据的管理数据，城市建筑用地定位采用BIM 技术，将海量数据导入GIS 模型，采用Revit 测量点与实际测量点一一对应来确定具体坐标[12]，实现对海量遥感数据由BIM 压缩技术提取城市建筑用地后转化至GIS 模型坐标系的正确定位。

1.3 遥感数据维压缩提取方法

遥感数据维压缩提取方法主要包括降维与选维两部分，通过随机投影降维实现遥感数据维压缩，利用视觉词汇图实现城市建筑用地遥感数据维的提取。

1.3.1 基于随机投影的特征降维

设遥感图像为I，其中，包含波段数量为n，从遥感图像各波段依据像素次序提取图像块窗口大小为b×b，排序规则如下：

式中，q0,0表示中心像素点，且a=1,2,…,fix(

将空间信息与光谱相结合，利用包含波段数量为n的特征向量形成新特征向量

式中：Γ表示随机投影矩阵，且符合Γ∈Wh×k，k=nb2，h≪k。由全部压缩特征向量组成压缩特征子空间{ZCS}。

随机投影矩阵Γ的大小参数应符合JL 引论，且通过压缩感知理论知其应符合受限等距性质[13]。

1.3.2 基于视觉词汇图的特征提取

视觉词汇图选取全部像素点位置的中心单词以及像素点邻域u×u内的单词且设置为纹理基元，利用视觉词汇图提取遥感影像中城市建筑用地作为表达兴趣像素点的纹理特征。采用该方法获取的包含纹理信息的纹理基元大小为b×b，可高质量体现纹理基元性质[14]。视觉词汇图中包含邻域u×u内的单词可有效体现全局空间信息以及包含中心像素点类别的空间信息，通过两个窗口体现问题特征可描述多尺度遥感数据。利用视觉词汇图提取城市建筑用地全局纹理特征，包括字典学习、词汇编码以及特征提取三部分。

1）字典学习。将K⁃均值算法应用于压缩特征子空间内，相似性度量准则为欧氏距离，聚类各类训练样本的中心为该类的词汇字典si。

设存在样本类别数量以及聚类中心数量分别为C以及K，利用组合不同类别的词汇字典获取最终压缩纹理词汇字典S∈Wh×CK={s1,s2,…,sC}大小为CK。

2）词汇编码。选取最近邻算法依据所获取纹理字典S，计算S内全部单词至{ZCS}内纹理基元的欧氏距离，并对纹理基元利用距离最小单词相应编号实施编码。利用u×u邻域内单词编号以及中心单词组成视觉词汇，图内各单词相应纹理基元用li，j表示，x0，0表示中心像素。

3）特征提取。遥感数据的统计特性选取视觉词汇图的词汇直方图G=[η1,η2,…,ηCK]T体现，视觉词汇图内单词i出现的次数用ηi表示。将视觉词汇图内词汇的空间信息加入提升提取精度。词汇图内空间分布信息选取不同词汇，针对中心像素位置的二阶矩R=[μ1,μ2,…,μCK]T体现，且μi=其中，si,j与分别表示单词i距中心点距离以及距离平均值。

将二阶矩信息与直方图信息融合，获取最终纹理度量Z∈W2CK×1如下：

2 仿真实验

2.1 实验对象

为检测本文系统压缩提取城市建筑用地的有效性，选取重庆市大足区东侧区域作为实验对象，采用Java 语言在操作系统为Windows XP 的计算机中对本文方法进行编程。实验地区整体遥感图像如图3 所示。

图3 原始遥感图像

2.2 结果与分析

采用本文方法压缩提取该遥感图像城市建筑用地，如图4所示。由图4实验结果可以看出，采用本文方法可有效压缩提取所采集遥感图像中的城市建筑用地。

图4 城市建筑用地提取结果

由图3该地区遥感图像可以看出，该地区土地利用类型主要包括高密度建筑区、低密度建筑区、新建筑区、山地、森林、灌木林、耕地7种，其中，建筑用地3种，非建筑用地4种。在此统计不同土地利用类型下本文方法的提取精度，检测本文方法压缩提取准确性，并将本文方法与深度学习方法以及PLS 方法进行对比，对比结果如图5 所示。由图5实验结果可以看出，采用本文方法提取不同土地利用类型的精度均在99%以上，而深度学习方法以及PLS 方法提取不同土地利用类型的精度均低于98.5%，说明本文方法的提取精度明显高于另外两种方法。

图5 不同土地利用类型提取精度

该遥感图像中建筑物主要包括多层住宅楼、工厂厂房、公共建筑、单层新房、单层旧房、高层住宅6 种，统计采用3 种方法提取6 种建筑物数量与实际建筑物数量进行对比，对比结果如表1 所示。由表1 实验结果可以看出，采用本文方法提取不同建筑物数量与实际建筑物数量相差较小，而深度学习方法以及PLS 方法提取不同建筑物数量与实际建筑物数量相差较大，实验结果再次验证本文方法的提取准确性。

表1 不同方法提取准确性对比 个

从遥感图像中随机选取8 栋建筑物，统计本文方法提取8 栋建筑物的平均周长比和平均面积比，并将本文方法与深度学习方法以及PLS 方法进行对比，对比结果如图6 所示。由图6 实验结果可以看出，采用本文方法提取遥感图像中城市建筑用地的平均周长比与平均面积比均明显高于深度学习方法以及PLS 方法，说明本文方法提取城市建筑用地细节更为精准，本文方法能更准确提取城市建筑用地细节，有效提升提取精准性。

图6 平均周长比与平均面积比对比

从遥感图像中随机选取10 处区域，统计采用本文方法下，提取建筑用地建筑物当作非建筑物以及非建筑物当作建筑物两种误判指标的数量，并将本文方法与深度学习方法以及PLS 方法对比，对比结果如表2 所示。由表2 实验结果可以看出，采用本文方法压缩提取城市建筑用地建筑物当作非建筑物以及非建筑物当作建筑物两种误判指标的次数明显低于深度学习方法以及PLS 方法，说明本文方法可更精准提取城市建筑用地，具有较高的提取精准度。

表2 不同方法误判次数对比 次

统计采用本文方法提取7次该遥感图像中城市建筑用地最终结果的信噪比，并将本文方法与深度学习方法以及PLS 方法进行对比，对比结果见图7。由图7 可以看出，采用本文方法提取后的图像信噪比明显高于深度学习方法以及PLS 方法，说明本文方法可有效保持图像中的有用信息，并且本文方法处理后的图像仍能保持较高信噪比，有效验证了本文方法具有较好的提取性能。

图7 不同方法提取结果信噪比对比

3 结语

BIM 技术是广泛应用于建筑行业的信息化技术，BIM 技术已成为建筑行业发展的主流，为建筑行业数字化管理提供了技术支持。本文将BIM 技术应用于城市建筑用地遥感数据维压缩提取方法中，分析所需BIM 组件信息，将与城市建筑用地无关信息过滤，并通过随机投影与视觉词汇图方法压缩提取城市建筑用地特征，充分利用BIM 技术的数据完整性特点，最大限度提升城市建筑用地提取准确性，为城市建筑规划审批等步骤提供技术依据，具有特征提取简单、可有效区分地物等优势。