基于多源数据和投票集成方法识别山区城市的功能区：以中国重庆为例

《Habitat International》：Identification of urban functional zones in mountainous cities based on multi-source data and voting ensemble methods: A case study of Chongqing, China

多源数据融合与集成投票法在山地城市功能区识别中的应用研究。基于重庆山地城市多中心空间结构，整合高分辨率遥感影像、POI标签、建筑形态及夜间灯光数据，通过RFE和PCA降维后，采用7种机器学习模型集成多数投票算法，实现85.74%和82.04%的一二级分类准确率，揭示复杂地形下功能混合特征及空间分布规律，为山地城市精细化管理提供技术支撑。

　　在现代城市化进程不断推进的背景下，城市功能区的识别已成为城市规划、发展和资源管理中的重要环节。城市功能区不仅是城市空间结构的核心组成部分，还承载着多样化的社会经济活动，对于优化城市功能布局、提升城市运行效率以及推动可持续发展具有重要意义。然而，当前大多数研究集中在平原城市的功能区识别上，针对山地城市的研究相对较少。这主要是因为山地城市由于地形复杂、空间结构多样，使得传统方法在识别过程中面临诸多挑战。为了解决这一问题，本研究提出了一种基于多源数据融合与多数投票集成方法的城市功能区识别框架。该框架结合了建筑形态、兴趣点（POI）标签属性以及高分辨率遥感影像等多类数据，通过特征降维和集成学习方法，实现了对山地城市功能区的高效识别。这一方法不仅提高了识别的准确性，还增强了对复杂地形下城市功能区识别的适应性。

城市功能区的识别涉及对不同土地利用类型的综合分析。传统方法主要依赖于土地利用和土地覆盖数据、城市地籍信息以及专题地图等，这些方法在实际应用中往往表现出较强的主观性、较高的成本以及更新速度慢等缺点。随着遥感技术的不断发展，学者们开始利用遥感影像提供的信息，如光谱、纹理和地貌属性特征，以及由此衍生的特征，如建筑形状特征、夜间灯光属性特征和景观指数等，来进行城市功能区的识别。然而，这些方法在处理复杂城市功能区时仍然存在一定的局限性，尤其是在地形因素对识别结果产生影响的情况下。因此，将多种数据源进行融合，可以有效弥补单一数据源的不足，提高城市功能区识别的准确性和鲁棒性。

本研究以中国重庆市的中央城区为案例，探索了山地城市功能区识别的新方法。重庆市是中国重要的山地城市之一，其复杂的地形和地貌特征使得城市的发展不同于平原城市。城市采用多中心和组团式布局，这给传统方法的识别带来了额外的难度。因此，本研究结合了多种数据源，包括高分辨率遥感影像、夜间灯光数据、建筑屋顶数据、建筑高度数据以及POI数据，通过特征提取、降维和集成学习等步骤，实现了对城市功能区的识别。此外，本研究还通过实地采样和百度街景地图对识别结果进行了验证，确保了识别结果的科学性和可靠性。

在方法上，本研究首先利用OSM（OpenStreetMap）道路网络数据和多尺度分割（MRS）技术，将研究区域划分为最小的单元进行特征提取。然后，从遥感影像、POI数据和辅助数据中提取了多种特征，包括影像的纹理特征、POI标签属性特征以及建筑数据的辅助特征。在特征提取之后，研究采用了递归特征消除（RFE）和主成分分析（PCA）两种特征降维方法，以减少特征冗余并提高模型的泛化能力。最后，研究使用了多数投票集成方法，将多个基础分类器的预测结果进行整合，从而实现对城市功能区的识别。这种方法在识别过程中展现出较高的准确性和稳定性，尤其是在处理复杂的城市功能区时。

研究结果表明，本方法在识别重庆市中央城区的功能区时，达到了85.74%和82.04%的总体准确率，分别对应于一级和二级功能区的识别。这些结果表明，多源数据融合和集成学习方法在复杂地形下的城市功能区识别中具有良好的应用前景和显著的优越性。此外，研究还对功能区的混合程度进行了评估，发现一级功能区的混合度相对较低，而二级功能区的混合度较高，这表明在城市规划中，二级功能区的布局更加多样化和集成化。

本研究的成果为城市功能区识别提供了重要的支持，同时也为类似地形的城市提供了有价值的参考。通过结合多源数据和集成学习方法，本研究在识别复杂地形下的城市功能区方面取得了良好的效果，这不仅有助于提升城市规划和管理的科学性，还为城市可持续发展提供了数据基础和技术支持。此外，研究还发现，地形条件对城市功能区的识别具有显著影响。平坦地区的识别准确率较高，而地形复杂、高海拔和地形起伏较大的区域则面临更大的识别挑战。因此，在识别过程中，应充分考虑地形条件，并采取针对性的技术措施，以提高识别的准确性。

总体而言，本研究提出了一种适用于山地城市功能区识别的多源数据融合和集成学习方法，为城市规划和管理提供了新的思路和工具。未来的研究可以进一步探索深度学习方法在功能区识别中的应用，以提升特征提取的效率和准确性。同时，应关注基础模型在小样本情况下的识别稳定性，以确保在实际应用中能够获得可靠的结果。