鄧章，陳毅興，2?

（1.湖南大學(xué)土木工程學(xué)院，湖南長(zhǎng)沙 410082；2.建筑安全與節(jié)能教育部重點(diǎn)實(shí)驗(yàn)室（湖南大學(xué)），湖南長(zhǎng)沙 410082）

隨著城鎮(zhèn)化進(jìn)程加快，建筑能耗總量不斷上升，建筑成為第三“能耗大戶”［1］，因此建筑節(jié)能對(duì)城市的可持續(xù)發(fā)展尤為關(guān)鍵.建筑能耗模擬可用于評(píng)價(jià)節(jié)能技術(shù)措施［2］.城市尺度的建筑群能耗模擬是國(guó)際城市能源研究領(lǐng)域的一個(gè)新興方向，可以更好地評(píng)估新區(qū)能源規(guī)劃和舊區(qū)節(jié)能改造等技術(shù)方案，從而推動(dòng)節(jié)能減排目標(biāo)的實(shí)施.由于缺乏每棟建筑的詳細(xì)數(shù)據(jù)，在城市建筑群能耗模擬中，圍護(hù)結(jié)構(gòu)和空調(diào)系統(tǒng)等參數(shù)一般根據(jù)典型建筑進(jìn)行假定，而建筑類型及建造年代是典型建筑參考的主要依據(jù)［3］.

目前獲取數(shù)據(jù)最直接的方法是利用政府機(jī)構(gòu)公開(kāi)的數(shù)據(jù)平臺(tái)，絕大部分的研究中都采用這種方式.歐美一些大城市的數(shù)據(jù)平臺(tái)存儲(chǔ)了大量城市建筑信息，如建筑輪廓、樓層數(shù)、建筑類型和建造年代等數(shù)據(jù)［4-5］，可用于建筑群能耗模擬.公開(kāi)數(shù)據(jù)平臺(tái)節(jié)省了大量收集數(shù)據(jù)的時(shí)間，但受限于特定的城市.另一種直接的方法是實(shí)地調(diào)研［6］.當(dāng)調(diào)研的范圍擴(kuò)大至城市級(jí)別，是極其耗時(shí)耗力的.

當(dāng)較難獲取直接的數(shù)據(jù)時(shí)，可運(yùn)用相關(guān)的數(shù)據(jù)來(lái)間接推斷建筑類型及年代.對(duì)于建筑分類，首先可以利用多種數(shù)據(jù)進(jìn)行識(shí)別.Wang 等人［7］使用建筑輪廓和城市電子地圖信息點(diǎn)（POI）數(shù)據(jù)，運(yùn)用邏輯回歸的監(jiān)督學(xué)習(xí)算法識(shí)別出南京市2 275 棟商業(yè)建筑.Niu 等人［8］使用微信定位數(shù)據(jù)、出租車GPS 軌跡及POI等數(shù)據(jù)，運(yùn)用空間聚類算法推斷廣州天河區(qū)各建筑功能.Deng 等人［9］提出了基于POI 和區(qū)域邊界輪廓等地理信息系統(tǒng)（GIS）數(shù)據(jù)，運(yùn)用分類和無(wú)監(jiān)督學(xué)習(xí)聚類的方法，識(shí)別出長(zhǎng)沙市區(qū)68 966 個(gè)建筑輪廓中69%的建筑類型.對(duì)于未識(shí)別的21 538 個(gè)建筑輪廓，其大部分為老舊住宅建筑，只含建筑輪廓面積和樓層數(shù)等幾何信息.僅已知建筑幾何信息時(shí)，Hecht等人［10］基于建筑輪廓數(shù)據(jù)的幾何特征，運(yùn)用隨機(jī)森林的監(jiān)督學(xué)習(xí)算法，主要將住宅建筑分為11 種類型，非住宅建筑分為工業(yè)和商業(yè)建筑.Lu 等人［11］基于建筑輪廓的面積、周長(zhǎng)和高度，周邊80 m內(nèi)其他建筑信息和周邊道路、停車場(chǎng)、植被的信息，運(yùn)用決策樹(shù)和隨機(jī)森林等四種監(jiān)督學(xué)習(xí)算法，將建筑分為單戶住宅、多戶住宅和非住宅建筑，四種算法中準(zhǔn)確率最高為76.1%.

對(duì)于建造年代，Biljecki等人［12］基于3D建筑模型（CityGML）的建筑類型、高度、鄰近建筑數(shù)量及體積等9 種屬性，運(yùn)用隨機(jī)森林的監(jiān)督學(xué)習(xí)算法推測(cè)建筑年代.Tooke等［13］和Rosser等［14］均基于遙感數(shù)據(jù)的建筑輪廓面積、周長(zhǎng)、屋頂傾斜度及體積等二維和三維屬性，運(yùn)用隨機(jī)森林算法分別推測(cè)3 282棟和2 553棟住宅的建筑年代.監(jiān)督學(xué)習(xí)需要大量已知的樣本進(jìn)行訓(xùn)練，更適用于城市內(nèi)的街區(qū)尺度.Zirak 等［15］根據(jù)建筑年代普查數(shù)據(jù)隨建筑類型和供熱面積的分布，指定對(duì)應(yīng)建筑的年代.Schwanebeck 等［16］根據(jù)土地普查數(shù)據(jù)獲取住宅地塊內(nèi)的建筑年代.然而這些普查數(shù)據(jù)有時(shí)較難獲得.Li等［17］和Zeppelzauer 等［18］運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法提取街景圖像特征，對(duì)不同時(shí)期的特征進(jìn)行分類從而推斷獨(dú)戶住宅的年代.近些年來(lái)，遙感影像（航空等影像）被廣泛用于提取建筑物信息［19］.Deng 等人［9］通過(guò)人工對(duì)比歷史衛(wèi)星影像數(shù)據(jù)，獲取243 棟建筑年代信息.相比于街景圖像受限于地理位置，航空影像成圖范圍小，衛(wèi)星影像對(duì)整個(gè)城市具有更全面的覆蓋，因此歷史影像的自動(dòng)對(duì)比對(duì)于大規(guī)模運(yùn)用是省時(shí)省力的.

綜上所述，一種基于有限和公開(kāi)數(shù)據(jù)來(lái)識(shí)別建筑類型和年代的方法將具有更好的適用性.本文基于長(zhǎng)沙市區(qū)未識(shí)別的21 538 個(gè)建筑輪廓的幾何特征，運(yùn)用監(jiān)督式分類學(xué)習(xí)算法識(shí)別建筑類型.本文同時(shí)利用基于深度學(xué)習(xí)的圖像識(shí)別算法，自動(dòng)提取歷史衛(wèi)星影像的建筑輪廓，檢測(cè)建筑物變化，用于推斷長(zhǎng)沙市區(qū)大量建筑的建造年代.

1 研究方法

1.1 基本信息

本文的研究區(qū)域?yàn)殚L(zhǎng)沙市.在建筑類型識(shí)別方面，先前的研究通過(guò)城市地圖信息點(diǎn)POI 和區(qū)域邊界輪廓數(shù)據(jù)已成功識(shí)別出長(zhǎng)沙市區(qū)68 966 個(gè)建筑輪廓中69%的建筑類型.圖1展示了21 538個(gè)沒(méi)有POI和區(qū)域邊界輪廓數(shù)據(jù)的建筑輪廓在長(zhǎng)沙市五區(qū)的分布及示例，數(shù)據(jù)來(lái)源于2017 年.其中18 933 個(gè)建筑輪廓包含地上樓層數(shù)信息，6 層及以下建筑占比為91%.衛(wèi)星影像是指衛(wèi)星拍攝的真實(shí)地理面貌，可用來(lái)檢測(cè)地面上建筑、道路等信息.通過(guò)歷史衛(wèi)星影像的對(duì)比，可觀測(cè)地理信息的變化.目前谷歌地球免費(fèi)支持查看和下載高精度的歷史影像，因此根據(jù)時(shí)間軸獲取長(zhǎng)沙市五區(qū)2005—2014年的影像數(shù)據(jù).

圖1 長(zhǎng)沙市五區(qū)建筑輪廓及示例Fig.1 Building footprints in five districts of Changsha

1.2 建筑類型分類

圖2 所示為建筑類型分類的流程圖.第一步是通過(guò)分析建筑輪廓和樓層數(shù)據(jù)來(lái)獲取每棟建筑的特征參數(shù)，包括地上樓層數(shù)、輪廓面積、輪廓周長(zhǎng)、近似矩形短邊寬度、近似矩形長(zhǎng)寬比、近似矩形系數(shù).首先，地上樓層數(shù)的信息大部分來(lái)自GIS 數(shù)據(jù)庫(kù)，對(duì)于2 605 個(gè)缺少樓層信息的建筑，利用百度街景手動(dòng)補(bǔ)全.然后，利用地理信息系統(tǒng)軟件QGIS 計(jì)算獲得每個(gè)建筑輪廓的面積和周長(zhǎng).建筑輪廓的形狀與建筑類型有較大關(guān)系，但是建筑輪廓的信息很難直接使用輪廓的坐標(biāo)點(diǎn)進(jìn)行分析，因此需要引入其他參數(shù)來(lái)反映輪廓的形狀特點(diǎn)，如住宅建筑大多為長(zhǎng)條形.本文就此提出了近似矩形的概念，當(dāng)對(duì)輪廓進(jìn)行旋轉(zhuǎn)操作后，每個(gè)旋轉(zhuǎn)角度都對(duì)應(yīng)一個(gè)矩形框包圍輪廓各邊界點(diǎn).選取面積最小的矩形框作為輪廓的近似矩形，如圖2 所示.輪廓面積與最小矩形面積的比值定義為近似矩形系數(shù)，系數(shù)越接近1，表示輪廓形狀越近似于矩形.同時(shí)近似矩形的長(zhǎng)寬比和短邊寬度也能描述形狀特征，因此增加了近似矩形短邊寬度、近似矩形長(zhǎng)寬比和近似矩形系數(shù)3個(gè)特征參數(shù).

圖2 建筑分類流程圖Fig.2 Workflow of building type identification

第二步是根據(jù)百度街景對(duì)3 036 個(gè)建筑輪廓的實(shí)際建筑類型進(jìn)行標(biāo)記.通過(guò)衛(wèi)星圖發(fā)現(xiàn)建筑輪廓中絕大部分為老舊住宅建筑，由于當(dāng)時(shí)沒(méi)有小區(qū)邊界的概念而未被識(shí)別.其他類型的建筑由于數(shù)量較少，進(jìn)一步細(xì)分后將沒(méi)有足夠的數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，因此本文將建筑輪廓的類型分為低層住宅、公寓式住宅和其他類型.標(biāo)記得到低層住宅845 個(gè)，公寓式住宅1 547個(gè)，其他類型644個(gè).圖3所示為各類建筑輪廓的特征參數(shù)分布.從圖3 可看出低層住宅和公寓式住宅具有不同的特點(diǎn)，如絕大部分低層住宅的輪廓面積、輪廓周長(zhǎng)小于公寓式住宅，低層住宅地上樓層數(shù)的中位數(shù)為2，而公寓式住宅地上樓層數(shù)的中位數(shù)為6.后續(xù)的隨機(jī)森林分類模型學(xué)習(xí)分析各類特征參數(shù)的特點(diǎn)，從而識(shí)別出不同類型.

圖3 標(biāo)記的3 036個(gè)建筑輪廓特征參數(shù)分布Fig.3 Characteristic parameter distribution of 3 036 labeled building footprints

本文采用了隨機(jī)森林的分類模型，將6 個(gè)參數(shù)作為模型輸入，建筑類型作為模型輸出.隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類器，決策樹(shù)是機(jī)器學(xué)習(xí)中一種常用的分類方法，基于if-then-else規(guī)則，根據(jù)待分類項(xiàng)中相應(yīng)的特征屬性值判斷進(jìn)入相應(yīng)的分支，直至到達(dá)葉子節(jié)點(diǎn)，得到分類結(jié)果，從而形成一個(gè)樹(shù)狀結(jié)構(gòu).隨機(jī)森林是用隨機(jī)的方式生成多個(gè)互不關(guān)聯(lián)的決策樹(shù)，各自獨(dú)立地學(xué)習(xí)和預(yù)測(cè)，最后統(tǒng)計(jì)多個(gè)決策樹(shù)投票結(jié)果來(lái)決定最終結(jié)果，因此優(yōu)于任何一個(gè)單分類器的分類結(jié)果.本文決策樹(shù)的數(shù)量取值為100，最大深度為10.之后采用k折交叉驗(yàn)證法，評(píng)估訓(xùn)練后模型的性能，避免模型出現(xiàn)過(guò)擬合.k折交叉驗(yàn)證是指將數(shù)據(jù)集等比例劃分成k份，以其中的1 份作為測(cè)試數(shù)據(jù)，其他的k-1 份數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，隨機(jī)重復(fù)驗(yàn)證k次，k通常取10.最后將訓(xùn)練完成的模型用于18 502個(gè)建筑輪廓的分類.

1.3 建造識(shí)別

由于衛(wèi)星影像是可見(jiàn)光成像，極易受氣候條件影響，存在云層遮擋和光線不同等問(wèn)題，因此篩選出高質(zhì)量成像且光影效果較為接近的影像，分別是2005 年、2008 年、2012 年和2014 年，地面分辨率為0.53 m，圖像格式為tiff 格式.圖4 所示為建筑建造年代識(shí)別示意圖.兩個(gè)不同年代的衛(wèi)星影像作為輸入，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)圖像分割，分別識(shí)別和生成建筑物輪廓矢量數(shù)據(jù).由于每次衛(wèi)星拍攝影像時(shí)角度不同，導(dǎo)致不同的影像中建筑物存在一定的偏移，因此利用QGIS 的相交分析工具，考慮兩建筑相交重疊部分超過(guò)50%，判斷為同一建筑，然后檢測(cè)出變化的建筑，從而確定它們的建造年代為2013—2014年.

圖4 建造年代識(shí)別示意圖Fig.4 Workflow of built year identification

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，屬于深度學(xué)習(xí)的范疇，在圖像識(shí)別中得到廣泛應(yīng)用.相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)需要讀取整幅圖像，CNN能夠有效地將大數(shù)據(jù)量的圖像降維成小數(shù)據(jù)量，且同時(shí)保留圖片特征.典型的CNN 由卷積層、池化層和全連接層3個(gè)部分構(gòu)成.卷積層通過(guò)卷積核（過(guò)濾器）的過(guò)濾提取出圖片中局部的特征；池化層用于繼續(xù)降低數(shù)據(jù)維度，可大大減少運(yùn)算量；全連接層與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類似，用來(lái)輸出結(jié)果.目前CNN有FCN、U-Net等多種代表算法用于圖像語(yǔ)義分割，Mask R-CNN算法用于實(shí)例分割.語(yǔ)義分割是指為圖像中的每個(gè)像素打上類別標(biāo)簽，而實(shí)例分割是目標(biāo)檢測(cè)和語(yǔ)義分割的結(jié)合，能區(qū)分同類中的不同實(shí)例.影像中識(shí)別出建筑物并提取輪廓，屬于實(shí)例分割的范圍，因此本文選取Mask R-CNN算法.

Mask R-CNN 算法屬于監(jiān)督學(xué)習(xí)，需要用標(biāo)記的樣本對(duì)模型進(jìn)行訓(xùn)練，我們選取了2014 年影像中的一個(gè)區(qū)域，運(yùn)用已有的1 602 個(gè)建筑輪廓矢量數(shù)據(jù)作為標(biāo)記數(shù)據(jù)，包含多種不同形狀，但不包括建筑的陰影，如圖5 所示.由于衛(wèi)星在拍攝影像時(shí)存在一定的傾斜角度，導(dǎo)致GIS 數(shù)據(jù)與影像存在偏差，如圖6（a）所示，神經(jīng)網(wǎng)絡(luò)對(duì)這種類型的噪聲較為敏感，為了提高標(biāo)記數(shù)據(jù)的質(zhì)量，對(duì)建筑輪廓進(jìn)行了相應(yīng)的平移調(diào)整，如圖6（b）所示.然后將影像通過(guò)滑動(dòng)窗口切片成256×256 像素尺寸，并且考慮切片邊緣的重疊，再使用旋轉(zhuǎn)、縮放、平移等數(shù)據(jù)增強(qiáng)方法來(lái)增加有限的數(shù)量集，確保模型的識(shí)別精度和泛化能力，獲得2 145 個(gè)地圖瓦片圖片作為數(shù)據(jù)集.之后選用Python 和PyTorch 深度學(xué)習(xí)框架對(duì)模型進(jìn)行訓(xùn)練和調(diào)參.數(shù)據(jù)集按9∶1 劃分為訓(xùn)練集和驗(yàn)證集，模型的骨干網(wǎng)絡(luò)（backbone）選取ResNet50，訓(xùn)練輪數(shù)（ep?ochs）選取20，并且在學(xué)習(xí)曲線中自動(dòng)提取最佳學(xué)習(xí)率.最后基于訓(xùn)練好的模型輸入不同年代的影像進(jìn)行預(yù)測(cè)生成相應(yīng)的建筑輪廓.

圖5 標(biāo)記的建筑輪廓和影像Fig.5 Labeled building footprints and imagery

圖6 建筑輪廓和影像對(duì)齊調(diào)整Fig.6 Alignment and adjustment of building footprints and imagery alignment

2 結(jié)果分析

2.1 建筑分類結(jié)果

隨機(jī)森林模型中采用C4.5 算法，以信息增益率為準(zhǔn)則選擇屬性.圖7 展示了各特征參數(shù)重要度，可見(jiàn)樓層數(shù)對(duì)建筑分類最為重要，其次是近似矩形短邊寬度，輪廓周長(zhǎng)的影響最小.采用混淆矩陣對(duì)各個(gè)類型的識(shí)別效果進(jìn)行評(píng)估，如表1 所示，其中對(duì)角線上的值表示正確分類的樣本.10 折交叉驗(yàn)證后結(jié)果顯示，整體準(zhǔn)確率為81.7%，與文獻(xiàn)［11］中用面積、周長(zhǎng)等基本屬性分類得到的76.1%準(zhǔn)確率相比，該方法得到了有效提升.準(zhǔn)確率表示預(yù)測(cè)正確的結(jié)果占總樣本的百分比.除了準(zhǔn)確率外，還采用精確率和召回率評(píng)估不同類型的識(shí)別效果.精確率表示所有被預(yù)測(cè)為某類的樣本中實(shí)際為該類樣本的概率，召回率表示實(shí)際為該類樣本中被預(yù)測(cè)正確的概率.由表1 可看出，低層和公寓式住宅召回率都在98%左右，表示可以很好地被推斷正確.但低層和公寓式住宅精確率在80%左右，是由于其他類型中包含零售商店和飯店等類型，在幾何特征上與低層住宅相似，其他類型中包含學(xué)校和行政樓等類型，在幾何特征上與公寓式住宅相似，因此它們中有一部分被錯(cuò)誤地推斷為其他類型.

圖7 各特征參數(shù)重要度Fig.7 Importance of each characteristic parameter

表1 隨機(jī)森林模型分類結(jié)果Tab.1 The result of random forest model

將訓(xùn)練好的模型用于預(yù)測(cè)剩下的18 502 棟建筑類型，結(jié)果見(jiàn)表2.數(shù)量最多的為低層住宅，共有10 428 棟，以1～3 層為主，較為密集地分布在區(qū)域內(nèi).公寓式住宅共有5 686 棟，以5～6 層為主，住宅群分布較為均勻.其他類型共有2 388 棟，分布較為分散.

表2 建筑類型預(yù)測(cè)結(jié)果Tab.2 The prediction result of building type

2.2 建造年代識(shí)別結(jié)果

Mask R-CNN 模型一般選用平均精確度（aver?age precision）作為評(píng)價(jià)指標(biāo)，平均精確度是對(duì)精確率-召回率曲線上的精確率求均值.結(jié)果顯示平均精確度為80%，對(duì)于相互有間隔的建筑能較好地識(shí)別，而對(duì)密集分布的低層建筑識(shí)別較弱.本文選取長(zhǎng)沙市中心范圍為4.17 km×4.33 km 的區(qū)域作為研究區(qū)域，將訓(xùn)練完成的模型應(yīng)用于該區(qū)域進(jìn)行建筑物識(shí)別和提取.圖8 展示了2014 年、2012 年、2008 年和2005 年四個(gè)年代的示例.從圖8 可以明顯看出每棟建筑隨不同年代的變化.

圖8 各年代建筑輪廓提取示例Fig.8 The example of building footprints extraction in different ages

根據(jù)已有的2017 年建筑矢量數(shù)據(jù)，依次與各個(gè)年代提取的建筑輪廓進(jìn)行交集計(jì)算，將建造年代分為2015—2017 年、2013—2014 年、2009—2012 年、2005—2008 年、2005 年之前等五個(gè)階段，結(jié)果如表3所示.在7 900 個(gè)建筑輪廓中，5 077 棟（64%）建筑的建造年代在2005 年之前，符合中心城區(qū)早期開(kāi)發(fā)建設(shè)的情況.

表3 建造年代分布Tab.3 The distribution of built year

3 結(jié)論

本文提出了基于GIS 和歷史衛(wèi)星影像數(shù)據(jù)識(shí)別城市建筑類型和建造年代的方法.運(yùn)用隨機(jī)森林的監(jiān)督學(xué)習(xí)方法，將建筑類型分為低層住宅、公寓式住宅和其他類型.利用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法進(jìn)行歷史衛(wèi)星影像識(shí)別，成功提取各個(gè)年代建筑輪廓，然后相交分析推斷出建筑年代.主要結(jié)論如下：

1）建筑類型識(shí)別方面，針對(duì)長(zhǎng)沙市區(qū)21 538 個(gè)建筑輪廓（不含POI 和區(qū)域邊界輪廓信息），提出近似矩形的概念，新增近似矩形短邊寬度、近似矩形長(zhǎng)寬比、近似矩形系數(shù)作為特征參數(shù)反映輪廓形狀特征.分析顯示，樓層數(shù)和近似矩形短邊寬度是影響分類最為重要的兩個(gè)特征參數(shù).訓(xùn)練結(jié)果顯示，分類模型的整體準(zhǔn)確率為81.7%.在用于預(yù)測(cè)的18 502個(gè)建筑輪廓中，成功識(shí)別出10 428 棟低層住宅、5 686 棟公寓式住宅.

2）建造年代識(shí)別方面，訓(xùn)練結(jié)果顯示，建筑輪廓提取模型的平均精確度為80%.將其應(yīng)用于長(zhǎng)沙市中心區(qū)域7 900 個(gè)建筑輪廓，交集計(jì)算推斷出5 077個(gè)建筑的建造年代為2005年之前，1 606個(gè)建筑的建造年代為2005—2014年，1 217個(gè)建筑的建造年代為2015—2017年.