A identificação das funções dos quarteirões urbanos é uma base importante para o planejamento e gestão urbanos. Com a aceleração da urbanização, a divisão de uso único tornou-se insuficiente para atender às demandas dos espaços urbanos complexos. Como uma manifestação da integração multifuncional urbana, a identificação dos quarteirões de uso misto, especialmente a automática, é de grande importância para compreender a diversidade funcional urbana e melhorar a eficiência do uso do solo. Neste contexto, este artigo baseia-se nas etiquetas funcionais implícitas nas Áreas de Interesse Abertas (AOI) e nos Pontos de Interesse (POI), combinando o mapa aberto OSM com imagens Sentinel-2, e propõe um método capaz de extrair automaticamente amostras de funções puras e mistas, utilizando o modelo ResNet34 para realizar o reconhecimento específico das funções dos quarteirões. Inicialmente, a entropia da distribuição de POI é usada para distinguir quarteirões de uso único e misto, seguido do design de um módulo de aprendizado diferencial multivista baseado em imagens Sentinel-2 e amostras de uso de solo de função única para extrair ainda mais amostras das classes puras e mistas. Além disso, considerando as diferenças de escala entre AOI e os quarteirões reais, o esquema de extração automática de amostras é aplicado tanto às unidades AOI quanto aos quarteirões para aumentar a quantidade e a diversidade de escalas das amostras. O método automático de classificação proposto obteve precisões gerais de 72,9%, 78,3%, 73,4% e 75,1% nas cidades de Pequim, Hefei, Weifang e Chengdu, respectivamente. Em comparação com o método que utiliza apenas a entropia da distribuição de POI, a combinação de AOI e POI aumentou a precisão do reconhecimento da categoria mista em 7%, 18%, 20% e 13%, respectivamente. Esses resultados comprovam a viabilidade e efetividade do método em diferentes ambientes urbanos, bem como o potencial da combinação de dados geográficos colaborativos e imagens de sensoriamento remoto no estudo dos usos dos quarteirões urbanos, especialmente no reconhecimento de usos mistos.

Quarteirões de uso misto; imagens Sentinel-2; aprendizado profundo; pontos de interesse; áreas de interesse; zonas funcionais urbanas; aprendizado multivista