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 division à usage unique ne suffit plus à répondre aux besoins des espaces urbains complexes. En tant que manifestation de l’intégration multifonctionnelle urbaine, l’identification des quartiers à usage mixte, en particulier automatique, est d’une grande importance pour comprendre la diversité des fonctions urbaines et améliorer l’efficacité de l’utilisation des terres. Dans ce contexte, cet article s’appuie sur les étiquettes fonctionnelles implicites dans les zones d’intérêt ouvertes (AOI) et les points d’intérêt (POI), combinant les cartes ouvertes OSM et les images Sentinel-2 pour proposer une méthode permettant d’extraire automatiquement des échantillons à fonction pure et mixte, puis utilise le modèle ResNet34 pour réaliser l’identification précise des fonctions des quartiers. Tout d’abord, l’entropie de la distribution des POI est utilisée pour différencier les quartiers à usage unique et mixte, puis, sur la base des images Sentinel-2 et des échantillons de terrains à fonction unique, un module d’apprentissage différentiel multi-vues est conçu pour extraire davantage d’échantillons mono et mixtes. En outre, compte tenu des différences d’échelle entre les AOI et les quartiers réels, le schéma d’extraction automatique des échantillons est appliqué sur les deux unités AOI et quartiers pour augmenter la quantité d’échantillons et la diversité des échelles. La méthode de classification automatique proposée a obtenu une précision globale de 72,9 %, 78,3 %, 73,4 % et 75,1 % dans les villes de Pékin, Hefei, Weifang et Chengdu respectivement. Comparée à la méthode reposant uniquement sur l’entropie de distribution des POI, l’approche combinant AOI et POI a amélioré la précision de reconnaissance de la catégorie mixte de 7 %, 18 %, 20 % et 13 % respectivement. Ces résultats confirment 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 des usages des quartiers urbains, en particulier pour l’identification des usages mixtes.

Quartiers à usages mixtes ; images Sentinel-2 ; apprentissage profond ; points d’intérêt ; zones d’intérêt ; zones fonctionnelles urbaines ; apprentissage multi-vues