يُعَدّ تحديد وظائف الأحياء الحضرية أساسًا مهمًا للتخطيط والإدارة الحضرية. مع تسارع التمدن، لم تعد تقسيمات الاستخدام الأحادي كافية لتلبية احتياجات الفضاء الحضري المعقد. كمظهر لاندماج الوظائف المتعددة في المدينة، فإن التعرف على الأحياء ذات الوظائف المختلطة، لا سيما التعرف الآلي، ذو أهمية كبيرة لفهم تنوع الوظائف الحضرية وتحسين كفاءة استخدام الأراضي. في هذا السياق، يعتمد هذا البحث على تسميات الوظائف الضمنية في نُقاط الاهتمام المفتوحة (AOI) ونقاط الاهتمام (POI)، ويجمع بين خرائط OSM المفتوحة وصور القمر الصناعي Sentinel-2 لاقتراح طريقة لاستخراج عينات نقية ومختلطة الوظائف تلقائيًا، ثم يستخدم نموذج ResNet34 لتحقيق التعرف المحدد لوظائف الأحياء. أولًا، يتم التمييز بين الأحياء ذات الاستخدام الأحادي والمختلط باستخدام قياس إنتروبيا توزيع نقاط الاهتمام، ثم يتم تصميم وحدة تعلم الاختلافات متعددة المناظير بناءً على صور Sentinel-2 وعينات استخدام الأراضي الأحادية الوظيفة لاستخراج عينات الاستخدام الأحادي والمختلط بشكل أعمق. بالإضافة إلى ذلك، ولأخذ الفروق في مقياس AOI والأحياء الحقيقية في الاعتبار، يتم تطبيق خطة الاستخراج التلقائي على وحدتين هما AOI والأحياء لزيادة كمية العينات وتنوع القياسات. أظهرت الطريقة المقترحة دقة كلية في مدن بكين، هيفي، وي فاغ، وتشينغدو بنسبة 72.9٪، 78.3٪، 73.4٪ و 75.1٪ على التوالي، وبالمقارنة مع طريقة تعتمد فقط على إنتروبيا توزيع نقاط الاهتمام، فقد حسنت الطريقة المشتركة AOI وPOI دقة التعرف على الفئة المختلطة بنسبة 7٪، 18٪، 20٪، و13٪ على التوالي. تؤكد هذه النتائج على جدوى وفعالية الطريقة عبر بيئات حضرية مختلفة، وكذلك على إمكانات دمج بيانات الجغرافيا الجماعية وصور الاستشعار عن بُعد في دراسات استخدامات الأحياء الحضرية، خاصة التعرف على الاستخدام المختلط.

الأحياء ذات الاستخدام المختلط؛ صور Sentinel-2؛ التعلم العميق؛ نقاط الاهتمام؛ مناطق الاهتمام؛ المناطق الوظيفية الحضرية؛ التعلم متعدد المناظير