基于GIS和歷史衛(wèi)星影像的城市建筑大數(shù)據(jù)識(shí)別

鄧章 陳毅興

摘 要：在城市建筑群能耗模擬中，建筑類型和建筑年代是典型建筑參考的主要依據(jù)，目 前較難直接獲取相關(guān)數(shù)據(jù).為識(shí)別建筑類型，以長沙市區(qū)21538個(gè)建筑輪廓（不含城市地圖信 息點(diǎn)和區(qū)域邊界輪廓信息）為例，基于建筑輪廓的輪廓面積、近似矩形短邊寬度、近似矩形系數(shù)等幾何特征，運(yùn)用隨機(jī)森林方法成功識(shí)別出低層住宅、公寓式住宅和其他類型，整體準(zhǔn)確率為81.7%.為識(shí)別建筑年代，以長沙市中心區(qū)域 7900個(gè)建筑輪廓為例，基于歷史衛(wèi)星影像數(shù)據(jù)，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)方法自動(dòng)提取不同年代的建筑輪廓，平均精確度為80%.然后分別相交分析推斷出 5077 棟建筑建造于2005年之前，1606 棟建筑建造于2005—2014年，1217 棟建筑 建造于2015—2017年.該方法同樣適用于其他城市，為后續(xù)的建筑群能耗模擬提供了數(shù)據(jù) 支持.

關(guān)鍵詞：城市建筑群能耗模擬;建筑類型;建造年代;隨機(jī)森林;卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TU111 文獻(xiàn)標(biāo)志碼：A

Identification of City-scale Building Information Based on GIS Datasets and Historical Satellite Imagery

DENG Zhang1，CHEN Yixing1，2?

（1.College of Civil Engineering，Hunan University，Changsha 410082，China;

2.Key Laboratory of Building Safety and Energy Efficiency of the Ministry of Education（Hunan University），Changsha 410082，China）

Abstract：Building type and built year are critical parameters to infer archetype buildings for urban building en-ergy modeling（UBEM）.Currently，it is difficult to directly obtain these data for most cities.For the building type identification，taking 21538 building footprints（without a point of interest and community boundary information）in Changsha City as an example，this paper used the random forest algorithm to successfully identify low-rise resi-dences，apartment residences，and other types based on the geometric characteristics，with an overall accuracy of81.7%.For the determination of built year，7900building footprints in the downtown area of Changsha were selected as a case study，and this paper applied the convolutional neural network algorithm to automatically extract building footprints from different historical satellite imageries，with an average precision of80%.Then，the intersection analy-sis showed that 5077 buildings were built before 2005，1606 buildings were built from 2005 to 2014，and1217buildings were built from 2015 to 2017.The proposed method can be easily applied to other cities，and provide data support for UBEM in the future.

Key words：urban building energy modeling;building type;built year;random forest;convolutional neural net-work

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 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)用分類和無監(jiān)督學(xué) 習(xí)聚類的方法，識(shí)別出長沙市區(qū)68966個(gè)建筑輪廓中69%的建筑類型.對(duì)于未識(shí)別的21538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、周長和高度，周邊80m 內(nèi)其他建 筑信息和周邊道路、停車場、植被的信息，運(yùn)用決策樹和隨機(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、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3282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，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數(shù)據(jù)來識(shí)別建 筑類型和年代的方法將具有更好的適用性.本文基于長沙市區(qū)未識(shí)別的21538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，檢測建筑物變化，用于推斷 長沙市區(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沙市.在建筑類型識(shí)別方面，先前的研究通過城市地圖信息點(diǎn) POI和區(qū)域邊界輪廓數(shù)據(jù)已成功識(shí)別出長沙市區(qū)68966個(gè)建筑輪 廓中69%的建筑類型.圖1展示了21538個(gè)沒有POI和區(qū)域邊界輪廓數(shù)據(jù)的建筑輪廓在長沙市五區(qū)的分布及示例，數(shù)據(jù)來源于2017年.其中18933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，可用來檢測地面上建筑、道路等信息.通過歷史衛(wèi)星影像的對(duì)比，可觀測地理信息的變化.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 軸獲取長沙市五區(qū)2005—2014年的影像數(shù)據(jù).

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 通過分析建筑輪廓和樓層數(shù)據(jù)來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、近似 矩形短邊寬度、近似矩形長寬比、近似矩形系數(shù).首 先，地上樓層數(shù)的信息大部分來自GIS數(shù)據(jù)庫，對(duì)于2605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.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)來反映輪廓的形狀特點(diǎn)，如住宅建筑大多為長條形.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、近似矩形長寬比和近似矩形系數(shù)3個(gè)特征參數(shù).

第二步是根據(jù)百度街景對(duì)3036個(gè)建筑輪廓的實(shí)際建筑類型進(jìn)行標(biāo)記.通過衛(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1547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.

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)決策樹的分類器，決策樹是機(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，各自獨(dú)立地學(xué)習(xí)和預(yù)測，最后統(tǒng)計(jì)多個(gè)決策樹投票結(jié)果來決定最終結(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0.53m，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50%，判斷為同一建筑，然后檢測 出變化的建筑，從而確定它們的建造年代為2013—2014年.

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.卷積層通過卷積 核（過濾器）的過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，用來輸出結(jié)果.目前CNN有FCN、U-Net等多種代表算法用于圖像語義分割，Mask R-CNN算法用于實(shí)例分割.語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)檢測和語 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1602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2145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)測生成相應(yīng)的建筑輪廓.

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.

將訓(xùn)練好的模型用于預(yù)測剩下的18 502 棟建 筑類型，結(jié)果見表2.數(shù)量最多的為低層住宅，共有10428 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5686棟，以5～6層為主，住宅群分布較為均勻.其他類型共有2388 棟，分布較為分散.

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.本文選取長沙市中心范圍為4.17 km×4.33km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.

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7900個(gè)建筑輪廓中，5077 棟（64%）建筑的建造年代在2005年之前，符合中心城區(qū)早期開發(fā)建設(shè)的情況.

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)長沙市區(qū)21538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)測的18 502個(gè)建 筑輪廓中，成功識(shí)別出10428 棟低層住宅、5686 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)用于長沙市中心區(qū)域 7900個(gè)建筑輪廓，交集計(jì)算推斷出 5077個(gè)建筑的建造年代為2005年之前，1606個(gè)建筑的建 造年代為2005—2014年，1217個(gè)建筑的建造年代為2015—2017年.

參考文獻(xiàn)

[1]李念平，韓陽麗，何穎東，等.長沙地區(qū)混合通風(fēng)住宅老年人空調(diào)使用行為[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，47（11）：141-148.

LI N P，HAN Y L，HE Y D，et al.Air-conditioning use behaviors of elderly in mixed-mode residential buildings in Changsha[J].Journal of Hunan University（Natural Sciences），2020，47（11）：141-148.（In Chinese）

[2]陳淑琴，鄔佳婧，葛堅(jiān)，等.辦公建筑空調(diào)隨機(jī)使用行為模擬方法及案例應(yīng)用[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，48（5）：157-164.

CHEN S Q，WU J J，GE J，et al.Simulation method and case study of stochastic usage behavior of air conditioners in office buildings[J].Journal of Hunan University（Natural Sciences），2021，48（5）：157-164.（In Chinese）

[3]冷紅，宋世一.城市尺度建筑節(jié)能規(guī)劃的國際經(jīng)驗(yàn)及啟示[J].國際城市規(guī)劃，2020，35（3）：103-112.

LENG H，SONG S Y.Building energy efficiency planning at urban scale：international experience and inspiration[J].Urban Plan-ning International，2020，35（3）：103-112.（In Chinese）

[4]CHEN Y X，HONG T Z，LUO X，et al.Development of city build-ings dataset for urban building energy modeling[J].Energy and Buildings，2019，183：252-265.

[5]MONTEIRO C S，COSTA C，PINA A，et al.An urban building da-tabase（UBD）supporting a smart city information system[J].En-ergy and Buildings，2018，158：244-260.

[6]李信儀.居住建筑區(qū)域能耗模型研究[D].重慶：重慶大學(xué)，2018.

LI X Y.A study about residential building stock energy modelling[D].Chongqing：Chongqing University，2018.（In Chinese）

[7]WANG C，WU Y，SHI X，et al.Dynamic occupant density models

of commercial buildings for urban energy simulation[J].Buildingand Environment，2020，169：106549.

[8]NIU N，LIU X P，JIN H，et al.Integrating multi-source big data to

infer building functions[J].International Journal of Geographical Information Science，2017，31（9）：1871-1890.

[9]DENG Z，CHEN Y X，PAN X，et al.Integrating GIS-based point

of interest and community boundary datasets for urban building en-ergy modeling[J].Energies，2021，14（4）：1049.

[10]HECHT R，MEINEL G，BUCHROITHNER M.Automatic identifi-cation of building types based on topographic databases—a com-parison of different data sources[J].International Journal of Car-tography，2015，1（1）：18-31.

[11]LU Z Y，IM J，RHEE J，et al.Building type classification using

spatial and landscape attributes derived from LiDAR remote sens-ing data[J].Landscape and Urban Planning，2014，130：134-148.

[12]BILJECKI F，SINDRAM M.Estimating building age with3D GIS

[J].ISPRS Annals of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2017，IV-4/W5：17-24.

[13]TOOKE T R，COOPS N C，WEBSTER J.Predicting building ages

from LiDAR data with random forests for building energy modeling[J].Energy and Buildings，2014，68：603-610.

[14]ROSSER J F，BOYD D S，LONG G，et al.Predicting residential

building age from map data[J].Computers，Environment and Ur-ban Systems，2019，73：56-67.

[15]ZIRAK M，WEILER V，HEIN M，et al.Urban models enrichment

for energy applications：challenges in energy simulation using dif-ferent data sources for building age information[J].Energy，2020，190：116292.

[16]SCHWANEBECK M，KR?GER M，DUTTMANN R.ImprovingGIS-based heat demand modelling and mapping for residential buildings with census data sets at regional and sub-regional scales[J].Energies，2021，14（4）：1029.

[17]LI Y，CHEN Y Q，RAJABIFARD A，et al.Estimating building age

from google street view images using deep learning[C]//Proceed-ings of the10th International Conference on Geographic Informa-tion Science.Melbourne：Leibniz International Proceedings in In-formatics，2018：1-7.

[18]ZEPPELZAUER M，DESPOTOVIC M，SAKEENA M，et al.Auto-matic prediction of building age from photographs [C]//Proceed-ings of the 2018 ACM on International Conference on Multimedia Retrieval.New York：ACM，2018：126-134.

[19]陳仁朋，吳熠文，余加勇，等.基于無人機(jī)影像序列的城市精細(xì)化三維模型精度評(píng)估[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，46（11）：172-180.

CHEN R P，WU Y W，YU J Y，et al.Method accuracy evaluations of building urban detailed3D model based on the unmanned aerial vehicle image sequences and its accuracy evaluatios[J].Journal of Hunan University（Natural Sciences），2019，46（11）：172-180.（In Chinese）