Die rasche Stadtentwicklung und die sich ständig ändernden Funktionsanforderungen machen die Arten der städtischen Flächennutzung komplexer und vielfältiger. Die automatische und effiziente Erfassung detaillierter Informationen zur städtischen Flächennutzung ist zu einem dringenden Problem geworden. Angesichts der Schwächen datengetriebener Ansätze, vertreten durch Deep Learning, wie geringe Interpretierbarkeit und starke Abhängigkeit von Stichproben, schlägt dieser Artikel eine wissensbasierte Methode zur Klassifizierung der städtischen Flächennutzung unter semantischer Anleitung vor. Die Methode integriert multisource Daten und Produkte, wie Fernerkundungsbilder, OpenStreetMap (OSM)-Daten mit Points of Interest (POI) und Areas of Interest (AOI), Daten zu lokalen Klimazonen (LCZ) sowie globale Daten zur menschlichen Besiedlung (WSF). Basierend auf der EAGLE-Matrix (EIONET Arbeitsgruppe für Landüberwachung in Europa) rekonstruiert sie die Semantik der Landnutzungstypen, analysiert ontologische Primitive und extrahiert Merkmale der multisource Daten, Fernerkundungsindizes und zugehörige Morphologie-Indizes zur Zuordnung zu den Eigenschaften der Primitiven. Durch die Kombination der Primitiven und Merkmalsbeschränkungen wird ein Ontologiemodell erstellt. Darauf aufbauend wird eine Segmentierungsstrategie vorgeschlagen, die "Spektrum + Straßennetz" kombiniert, wobei die erzeugten homogenen städtischen Landnutzungsflächen als Ontologie-Inferenzinstanzen dienen. Schließlich bestimmt eine logische Inferenz den Landnutzungstyp für jedes Flurstück und liefert die Klassifikationsergebnisse. Zur Validierung der Methode wurde das Stadtzentrum von Toronto, Kanada, mit hochkomplexer Landnutzung ausgewählt. Die Ergebnisse zeigen, dass die Wissens-basierte Klassifikation unter semantischer Anleitung eine Gesamtexaktheit von 87,02% und einen Kappa-Koeffizienten von 0,84 erreicht. Die Methode erzielt somit nicht nur eine hohe Klassifikationsgenauigkeit, sondern durch die Kombination von Spektrum und Straßennetz bei der Segmentierung sind die Klassifikationsgrenzen auch besser an die tatsächlichen Bodenverhältnisse angepasst, was einen zuverlässigen und interpretierbaren neuen Ansatz für die präzise Erkennung und Überwachung der städtischen Flächennutzung bietet.

Wissensgesteuert;semantische Informationen;EAGLE-Matrix;multisource Daten;städtische Flächennutzung