L'identification des fonctions des quartiers urbains est une base importante pour la planification et la gestion urbaine. Avec l'accélération de l'urbanisation, la simple classification par usage unique ne suffit plus à répondre aux besoins de l'espace urbain complexe. En tant que reflet de la fusion multifonctionnelle de la ville, l'identification des quartiers à usages mixtes, en particulier l'identification automatique, revêt une grande importance pour comprendre la diversité fonctionnelle urbaine et améliorer l'efficacité de l'utilisation des terres. Dans ce contexte, cet article s'appuie sur les étiquettes fonctionnelles contenues dans les AOI (Zones d'intérêt open source) et POI (Points d'intérêt), en combinant les cartes ouvertes OSM et les images Sentinel-2 pour proposer une méthode capable d'extraire automatiquement des échantillons de fonctions pures et mixtes, puis utilise un modèle ResNet34 pour réaliser la reconnaissance précise des fonctions des quartiers. Tout d'abord, l'entropie de distribution des POI est utilisée pour distinguer les quartiers à usage unique et mixte, puis, basée sur Sentinel-2 et des échantillons de terrains à usage unique, une module d'apprentissage par différences multi-vues est conçu pour extraire davantage des échantillons purs et mixtes. En outre, compte tenu de la différence d'échelle entre les AOI et les quartiers réels, la méthode d'extraction automatique des échantillons est appliquée aux deux unités, AOI et quartiers, afin d'augmenter la quantité et la diversité des échantillons. La méthode de classification automatique proposée dans cet article a obtenu une précision globale de 72,9 %, 78,3 %, 73,4 % et 75,1 % respectivement pour les villes de Pékin, Hefei, Weifang et Chengdu. Comparée à la méthode utilisant uniquement l'entropie de distribution des POI, l'association des AOI et POI a amélioré la précision de reconnaissance des catégories mixtes de 7 %, 18 %, 20 % et 13 %. Ces résultats démontrent la faisabilité et l'efficacité de la méthode dans différents environnements urbains, ainsi que le potentiel de la combinaison des données géographiques participatives et des images de télédétection dans l'étude de l'usage des quartiers urbains, en particulier de l'usage mixte.

Quartiers à usage mixte; images Sentinel-2; apprentissage profond; points d'intérêt; zones d'intérêt; zones fonctionnelles urbaines; apprentissage multi-vues