ABSTRACT

Land-use maps are instrumental to inform urban planning and environmental research. Street view images (SVIs) have shown great potential for automated land-use classification for land-use mapping. However, previous studies overlooked SVI-derived location contextual information that may help improve land-use classification. This study proposes a novel land-use classification method that synthesizes location semantics from SVIs to account for contextual information from SVIs, land parcels and roads around the SVIs. The proposed method first generates land-use scene images (LUSIs) by using an SVI-derived straightforward algorithm. The LUSIs are then relocated to land parcels by using a displacement strategy and classified into land-use types by using a deep learning network. This study determines the land-use types of land parcels with classified LUSIs. Two case studies, consisting of LUSIs for five land-use types, show that introducing location semantics of SVIs can remarkably improve the classification accuracy of land-use types.

摘要

土地利用地图有助于为城市规划和环境研究提供信息。街景图像 (SVI) 显示了土地利用地图自动土地利用分类的巨大潜力。然而，之前的研究忽略了可能有助于改善土地利用分类的 SVI 派生的位置上下文信息。本研究提出了一种新的土地利用分类方法，该方法综合来自 SVI 的位置语义，以解释来自 SVI、地块和 SVI 周围道路的上下文信息。所提出的方法首先通过使用 SVI 派生的直接算法生成土地利用场景图像 (LUSI)。然后使用位移策略将 LUSI 重新定位到地块，并使用深度学习网络将其分类为土地利用类型。本研究确定了具有分类 LUSI 的地块的土地利用类型。由五种土地利用类型的 LUSI 组成的两个案例研究表明，引入 SVI 的位置语义可以显着提高土地利用类型的分类精度。