课程简介
城市土地利用信息反映着社会经济功能和活动，是城市规划和区域管理的重要基础，单一数据源逐渐无法满足进行高精度土地利用分类的需要，挖掘并融合多源数据能更有效地进行土地利用分类。兴趣点（Points-of-interest，简称 POI）包含区域社会经济属性，高分辨率遥感影像数据包含区域外部物理属性。
基于深度学习技术，使用长三角区域小样本数据子集，此次 workshop 将带你融合兴趣点数据和遥感影像数据，实现土地利用分类。
核心挑战
- 如何加载、读取与清洗遥感影像数据和 POI 数据？
- 为了识别区域地块功能，如何挖掘遥感影像的深度语义特征？
- 遥感影像和 POI 数据一个有外部物理属性，一个有社会经济属性，如何融合？
授课人
高荣徽
中国地质大学（武汉）研究生
UrbanComp团队成员
课程大纲
数据介绍及其预处理
主要内容：对数据集中的遥感影像数据和POI数据进行读取、加载、简易分析及可视化。
- 数据集介绍
- 数据的加载、读取与可视化
- 数据分析及预处理
特征提取模块
主要内容：分别使用word2vec和ResNet对POI和遥感影像进行特征提取，挖掘深度语义特征。
- 特征提取模型介绍
- 遥感影像特征提取
- 兴趣点数据（POI）特征提取
融合模型的训练及评估
主要内容：采用多种方法融合POI和遥感影像数据以进行土地利用分类。
- 多源数据融合模型的训练
- 模型评估
- 数据融合有效性分析
作业
主要内容：给定 POI 跟遥感影响数据，请分别提取特征，并使用单一数据源进行土地利用分类测试特征提取效果，然后使用多种基础的融合方法，训练多源数据融合模型，完成土地利用分类。
- 基础：分别使用 POI 和遥感影像训练土地利用模型。
- 进阶：融合两种数据，训练土地利用分类模型，评价模型，并对比多源数据和单一数据源的结果差异。
日程安排
- 5.9日起：报名、查看教案
- 5.23日12:00前：提交作业
- 5:25日：参加讲解&作业汇报交流会（线下，讲解会录屏会后会更新至活动页面）
授课详情与报名链接
详情链接：基于多源数据融合的土地利用分类模型 | GIS WORKSHOP
Q.E.D.