基于无人机影像聚类分析的海绵城市下垫面模块化方法研究

摘要：下垫面模块化生成方法是海绵城市规划中的关键技术之一，研究建立基于无人机影像聚类分析技术的模块化自动生成模型。首先，基于海绵城市无人机影像，搭建了改进的层次聚类模型（GHNG模型），其中包括水平生长及垂直生长机制，实现对城市下垫面无人机影像进行模块化智能识别，并输出模块聚类结果；其次，结合福州鹤林片区海绵城市规划中测量数据，对该区域不同类型下垫面进行实例验证。实验结果表明：自适应GHNG模型和算法可以很好地对海绵城市规划过程中不同类型下垫面进行智能识别，进一步验证了自适应GHNG模型在城市下垫面模块化自动生成中具有可靠性、准确性、鲁棒性。

关键词：测绘数据下垫面聚类模型模块化

中图分类号：TU992;TU985.12

ResearchonModularizationMethodofSpongeCityunderlyingSurfacebasedonClusterAnalysisofUnmannedAerialVehicleImages

LINXianxiu

FuzhouSurveyInstituteCo.，Ltd.，Fuzhou，FujianProvince，350108China

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

Keywords：Surveyingandmappingdata;Underlyingsurface;Clusteringmodel;Modularization

海绵城市是一种创新型城市规划理念，其设计理念将城市转变为一个类似海绵的结构，旨在通过整合自然和人工系统，最大程度地减少城市的洪涝风险，改善水质，提升生态系统的健康状况，在适应环境变化和应对自然灾害等方面具有良好的“弹性”，提高城市生态可持续性[1]。海绵城市包括河、湖、池塘等水系和相应的城市配套设施[2]，建设需要综合考虑城市规划、景观设计、工程建设等多个领域的因素，并通过合理的土地利用和绿色基础设施的建设，实现城市的可持续发展目标。因此，海绵城市在降雨时实现吸水、蓄水、渗水和净水功能，并在需要时释放并利用蓄存的水资源。该系统使雨水在城市中能够自由迁移，有效提升城市排水系统的水准，有力缓解城市内涝问题的压力[3]。

• 材料与方法

1.1数据来源

本文采用2023年所拍摄的福州市鹤林片区无人机影像，实验区位于119°19′14.66"～119°22′2.65"E，26°4′34.66"～26°6′52.30"N。2023年8月上旬进行航拍作业，无人机拍摄高度约150m，低空拍摄，航拍时天气晴朗、无风且无云雾，空间分辨率为0.05m。无人机所拍摄的影像不受大气因素影响，按实际情况正常使用。2023年鹤林片区海绵城市建设工程1∶500数字线划图。

1.2&nup031C+y9icjnEfRReLlyvHs/EMzHS265ii46YnzxbY=bsp;数据处理

1.2.1下垫面类型划分

按照海绵城市建设工程下垫面分类体系，结合1∶500数字线划图，将实验区的下垫面类型划分为屋面、一般路面、一般草地、水体、广场（不渗水）、广场（渗水）、树林、裸土。

1.2.2下垫面矢量数据

利用制图软件将实验区1∶500数字线划图进行多边形构面，形成面数据，按照下垫面类型划分标准对其进行赋值。利用GIS软件将赋值后的面数据进行拓扑修正，得到下垫面矢量数据（验证数据）。

1.2.3实验区范围

以2023年鹤林片区海绵城市建设工程1∶500数字线划图所测量范围作为实验区范围，本文将下垫面矢量数据进行融合，形成实验区范围。

1.2.4无人机影像处理

首先将获取的无人机影像经过正射纠正、拼接等数据处理，其次对无人机影像进行投影转换，与1∶500数字线划图保持相同坐标系统，最后按照实验区范围对无人机影像进行裁剪，得到实验区的数字正射影像。

1.2.5建立解译标志

根据实验区下垫面划分类型，结合数字正射影像的色调、色彩、大小、纹理、形状等地物特征，建立下垫面各类型的解译标志，为聚类分析提供分类参考。

1.3基于聚类的下垫面模块化生成模型

1.3.1GHNG聚类理论

基于生长神经气的层次聚类模型（GrowingHierarchicalNeuralGas，GHNG）是一种启发式神经网络树模型[4]，其各层神经元处理的输入受到前一层神经元的影响。刘天松等人[5]提出了一种基于启发式神经气的数据奇异性监测模型，该模型能够实时展现数据实例的动态聚类结果。通过对铝电解过程数据进行监测实例验证，证明该模型和算法具有更强的奇异性监测能力，能够准确、有效地监测和控制铝电解工艺过程。

GHNG层次聚类模型具有自适应性机制、节点生成和淘汰机制等特性。然而，在神经元适应性机制中的学习系数通常设置为固定值；节点淘汰机制中，GHNG神经网络拓扑结构中老化节点和边缘节点也无法实时被更新和删除[5]。

1.3.2自适应GHNG神经网络模型

在自适应GHNG神经网络模型中，通过具体应用数据的不断调整和更新学习系数。此外，在水平和垂直生长机制中采用类似算法，实时进行生长检验和自适应误差调整。采用不同颜色分层用于数据聚类结果显示，以便区分应用数据之间的差异。同理，子代节点在其父代所属的簇内进行拓扑结构的自适应调整，以生成获胜节点，从而分析数据特性。该神经网络继承了GHNG生长机制还拥有K-means的聚类效果。

在启发式GHNG神经网络中，获胜节点的误差是指其领域所有数据点的距离的总和。每当新数据点被输入时，GHNG神经网络会遍历所有节点，实时更新获胜节点，并计算该节点的局部误差，其计算方式如下[5]：

借助自适应权值系数对获胜节点及其邻域节点进行参数权重调整，其权值系数的更新方法定义如下：

根据式（2）获得的自适应权值系数实时更新获胜节点及其邻域节点权重，权重计算定义如下：

式（1）、式（2）、式（3）中，α表示GHNG神经网络权值系数；表示网络获胜节点误差（次获胜节点误差相同）；表示网络中获胜节点的误差总和，根据自适应权值系数α对相关节点的权值进行调整；WS表示获胜节点权重及邻域节点权重。

将新获胜节点插入当前获胜节点与其邻域获胜节点之间的方法包括以下几个步骤。

第一步：当前迭代步数是定义参数λ的整数倍时，即可插入一个新的获胜节点；

第二步：遍历网络中节点误差，获得最大获胜节点误差，同时计算其邻域节点最大误差，建立一个网络新节点（新获胜节点），使网络新获胜节点位置介于最大获胜节点和最大误差邻域节点之间，确定新获胜节点具体位置计算定义如下：

第三步：新的获胜节点被插入后，最大误差获胜节点与新获胜节点、最大误差邻域节点与新获胜节点会重新链接形成新的网络拓扑。在网络模型中，拓扑结构的更新检验被定义为：

式（5）中，a和b表示随机参数（通常设为正值）。为促使GHNG神经网络拓扑结构中全局误差系数最小化，其全局误差定义如下：

第四步：在网络垂直生长机制中，利用水平生长机制中存储的获胜节点进行纵向衍生，即以这些获胜节点为中心，并以类似算法生成新的拓扑结构。

在GHNG层次聚类算法中，通过以上步骤（水平和垂直生长），由于新的数据不断加入，形成了一个实时连续调整的过程，网络神经元的数量不断增加，同时这水平和垂直生长机制相互关联并相互约束：在垂直生长机制中，网络上一层神经节点被称为一个“父”代，而水平生长机制中，其拓扑结构类似于垂直生长机制中的“父”与代“子”代神经元。

2实例验证

2.1数字正射影像与模型参数

本文以福州鹤林片区数字正射影像为基础，验证GHNG聚类模型对下垫面类型识别的有效性和可行性。

自适应GHNG神经网络是无监督数据聚类方法，其仅依赖于实际应用数据分布特征。自适应GHNG鲁棒性较强。其经过水平和垂直生长机制形成影像之间的拓扑结构，最终影像数据特征被提取和聚类。在网络分层聚类中，聚类结果以垂直生长机制中第一层获胜节点为聚类中心进行划分，本文GHNG模型参数取值及范围如表1所示。

2.2聚类结果与下垫面生成结果

城市化建设中城市下垫面的特性由于增加不同的功能形成不同的下垫面，城市的产汇流与城市下垫面特性息息相关，城市的产汇流特性也随之变化，通常表现为地表径流量大幅增加和汇流速度明显加快。不同下垫面类型的径流系数差别较大。通过下垫面数据分析，解析下垫面种类及其分布情况，有助于更为准确地模拟城市地表的产汇流，从而提升排水防涝模型的模拟精度。

通过自适应GHNG神经网络模型对福州市鹤林片区数字正射影像进行聚类分析，将相邻同类图斑合并，形成下垫面分类结果。为获得更精确的聚类结果，将下垫面数据归一化，通过建立的模型获得八类聚类结果，如图1所示。同时，根据建立的下垫面各类型解译标志对聚类结果进行精准分类标识，并将其进行矢量化，通过要素综合，进一步生成福州市鹤林片区下垫面分类结果。

2.3精度验证

为了评价实验区下垫面提取的精度，以下垫面矢量数据为参考数据，通过混淆矩阵的方式对分类结果进行分析，得到分类精度评价表如表2所示。根据表2可知，分类总体精度达到94.18%，kappa系数为0.9295，生产者精度和用户精度在88.13%～98.28%之间，提取精度较高。基于实验区的分类精度验证结果，认为生成的模块化下垫面符合实际，进一步验证了层析聚类模型的精确性、有效性和实用性。

3结语

在海绵城市规划中，针对领域经验和人工识别城市下垫面效率低、准确度不高等问题，基于福州鹤林片区实验数据，提出了一种基于自适应聚类（GHNG）学习模型，建立自适应权值系数、邻域误差更新、节点平均距离的节点生成机制，并且在城市下垫面模块化生成中验证该模型和算法的有效性和可行性。实验结果表明，本文建立的城市下垫面自动识别结果是有效可行的，在海绵城市建设过程中为管理者/决策者提供理论和决策支持。

参考文献

[1] 姜建成，钱振明，陈一，等.中国式现代化江苏新实践苏州样本（笔谈）[J].苏州大学学报（哲学社会科学版），2023，44（5）：1-23.

[2] 王维奇，刘晨晖，陈延菲，等.公园城市目标下城市公园绿地开放共享理念的核心要义和科学路径[J].风景园林，2023，30（11）：28-34.

[3] 郭渠，王勇，李瑞，等.三峡库区局地风特征分析[J].气象与环境学报，2023，39（3）：97-105.

[4] 柯澳，王宇聪，胡博宇，等.基于图像的野生动物检测与识别综述[J].计算机系统应用，2024，33（1）：22-36.

[5] 刘天松，吴永明，李少波，等.基于自适应GHNG的铝电解过程奇异性数据监测方法[J].计算机集成制造系统，2023，29（11）：3614-3623.