Идентификация функций городских кварталов является важной основой для городского планирования и управления. С ускорением урбанизации традиционное разделение на зоны с одним видом использования уже не удовлетворяет потребности сложного городского пространства. Как проявление многофункциональной интеграции города, идентификация смешанных функциональных кварталов, особенно автоматическая, имеет важное значение для понимания разнообразия городских функций и повышения эффективности использования земли. В этом контексте в статье на основе функциональных меток, содержащихся в открытых объектах интереса (AOI) и точках интереса (POI), объединённых с открытыми картами OSM и изображениями Sentinel-2, предложен метод автоматического извлечения чистых и смешанных функциональных образцов, а затем с помощью модели ResNet34 реализована конкретная идентификация функций кварталов. Сначала с помощью энтропии распределения POI осуществляется различие кварталов с одиночным и смешанным использованием, затем на основе Sentinel-2 и образцов земель с одиночным использованием разработан модуль многовидового дифференциального обучения для дальнейшего выделения чистых и смешанных образцов. Кроме того, с учетом различий в масштабах между AOI и реальными кварталами, схема автоматического извлечения образцов применяется к двум единицам — AOI и кварталам — для увеличения объема и разнообразия масштабов образцов. Предложенный метод автоматической классификации показал общую точность в 72,9 %, 78,3 %, 73,4 % и 75,1 % в городах Пекин, Хэфэй, Вэйфан и Чэнду соответственно. По сравнению с методом, использующим только энтропию распределения POI, совместное использование AOI и POI повысило точность распознавания смешанных классов на 7 %, 18 %, 20 % и 13 % соответственно. Эти результаты подтверждают применимость и эффективность метода в различных городской средах, а также потенциал интеграции краудсорсинговых геоданных и спутниковых изображений в исследованиях использования городских кварталов, особенно смешанного использования.

Кварталы со смешанным использованием; изображения Sentinel-2; глубокое обучение; точки интереса; области интереса; городские функциональные зоны; многовидовое обучение