يُعد التعرف على وظائف أحياء المدينة أساسًا هامًا للتخطيط والإدارة الحضرية، ومع تسارع عملية التمدن، أصبح من الصعب تلبية احتياجات الفضاء الحضري المعقد من خلال تقسيم الاستخدامات الفردية فقط. كتمثيل لدمج الوظائف المتعددة في المدينة، فإن التعرف على الأحياء ذات الاستخدام المختلط، وخاصة التعرف التلقائي، له أهمية كبيرة في فهم تنوع وظائف المدينة وتحسين كفاءة استخدام الأراضي. في هذا السياق، يعتمد هذا البحث على علامات الوظائف المستخلصة من مناطق الاهتمام المفتوحة المصدر (AOI) ونقاط الاهتمام (POI)، ويقترح طريقة قادرة على استخراج عينات نقية ومختلطة الوظائف بشكل تلقائي باستخدام خرائط OpenStreetMap وبيانات القمر الصناعي Sentinel-2، ومن ثم استخدام نموذج ResNet34 لتحقيق التعرف الدقيق لوظائف الأحياء. يُستخدم أولًا إنتروبيا توزيع POI لتمييز الأحياء ذات الاستخدام الفردي والمختلط، ثم يتم تصميم وحدة تعلم اختلاف متعدد المناظر استنادًا إلى Sentinel-2 وعينات الأرض ذات الاستخدام الفردي لاستخراج عينات الاستخدام الفردي والمختلط بشكل أعمق. بالإضافة إلى ذلك، وبالنظر إلى اختلاف مقياس مساحة AOI عن الأحياء الفعلية، يُطبق نظام الاستخراج التلقائي للعينات على وحدتي AOI والأحياء على حد سواء لزيادة عدد العينات وتنوع المقاييس. أظهرت نتائج التصنيف التلقائي المقترحة دقة إجمالية تبلغ 72.9% و78.3% و73.4% و75.1% في مدن بكين، هفهى، وي فو، وتشينغدو على التوالي، وبالمقارنة مع طرق تعتمد فقط على إنتروبيا توزيع POI، حسَّن الجمع بين AOI وPOI دقة التعرف على الفئة المختلطة بنسبة 7% و18% و20% و13% على التوالي. تؤكد هذه النتائج قابلية وفعالية الطريقة في بيئات حضرية مختلفة، بالإضافة إلى إمكانات دمج بيانات الجغرافيا الجماعية وتقنيات الاستشعار عن بعد في دراسة استخدامات الأحياء، وخاصة الاستخدام المختلط.

أحياء استخدام مختلط; بيانات القمر الصناعي Sentinel-2; التعلم العميق; نقاط الاهتمام; مناطق الاهتمام; مناطق وظائف المدينة; التعلم متعدد المناظر