Идентификация функциональных зон городских кварталов является важной основой для городского планирования и управления. С ускорением урбанизации разделение лишь по единому назначению не может удовлетворить потребности сложного городского пространства. Являясь отражением многофункционального слияния города, идентификация смешанных функциональных кварталов, особенно автоматическая, имеет большое значение для понимания разнообразия городских функций и повышения эффективности использования земли. В этом контексте данная работа основывается на функциональных метках, содержащихся в открытых интересных областях (AOI) и точках интереса (POI), совместно с открытыми картами OSM и спутниковыми снимками Sentinel-2, предлагая метод автоматического извлечения чистых и смешанных функциональных образцов, далее с использованием модели ResNet34 реализуется конкретная функциональная идентификация кварталов. Сначала с помощью энтропии распределения POI различают кварталы с единственным и смешанным использованием, затем на основании данных Sentinel-2 и образцов земель с единственным назначением разрабатывается модуль многовидового дифференциального обучения для дальнейшего выделения образцов с единичным и смешанным использованием. Кроме того, учитывая разницу в масштабе между AOI и реальными кварталами, схема автоматического извлечения образцов применяется к двум единицам — AOI и кварталам, чтобы увеличить количество и разнообразие масштабов образцов. Предложенный метод автоматической классификации показал общую точность 72,9%, 78,3%, 73,4% и 75,1% для городов Пекин, Хэфэй, Вэйфан и Чэнду соответственно, при этом по сравнению с методом, использующим только энтропию распределения POI, объединение AOI и POI повысило точность идентификации смешанных категорий на 7%, 18%, 20% и 13% соответственно. Эти результаты подтверждают применимость и эффективность метода в различных городских условиях, а также потенциал сочетания краудсорсинговых геоданных и дистанционного зондирования в исследовании назначения городских кварталов, особенно смешанного использования.

Смешанные кварталы; спутниковые данные Sentinel-2; глубокое обучение; точки интереса; области интереса; функциональные зоны города; многовидовое обучение