基于 K 均值增强的密度梯度分析用于城市和交通指标——多模态卫星图像

本文提出了一种新颖的计算方法，用于通过密度梯度分析评估城市指标，应用场景包括公共交通和其他城市系统。通过结合光学和合成孔径雷达（SAR）数据，我们开发了一种方法，用于分割城市区域、识别城市中心并量化密度梯度。我们的方法计算两个关键指标：密度梯度系数（$\alpha$）和最小有效距离（LD），即密度达到目标阈值的距离。我们进一步采用机器学习技术， Specifically K 均值聚类，以客观方式识别密度梯度图中的均匀区域和高变异区域。我们演示，这些指标提供了一种有效的公共交通分析筛选工具，通过揭示城市结构来实现此目的。通过对两个具有不同城市形态（单中心与多中心）的代表性城市进行比较分析，我们建立了密度梯度特征与公共交通网络拓扑之间的关系。密度梯度图中具有清晰密度峰值的城市表明具有 distinct 城市中心，需要不同的交通策略，而那些密度分布更均匀的城市则不同。该方法为城市规划提供了一种基于可免费获取的卫星数据的、具有成本效益且适用于全球范围内的初步公共交通评估方法。完整实现、附加示例和文档均已置于 MIT 许可证下的开源仓库中，地址为 https://github.com/nexri/Satellite-Imagery-Urban-Analysis。