本研究由Junjun Zhi、Liangwei Ge、Tao Geng、Zhonghao Zhang、Lin Li、Hong Zhu、Zequn Zhou、Wei Jiang、Le’an Qu、Yue Su及Wangbing Liu共同完成，作者来自安徽师范大学地理与旅游学院、河海大学地理与遥感学院、安徽农业大学经济管理学院及江淮耕地资源保护与生态修复重点实验室。研究成果发表于《International Journal of Digital Earth》2024年第17卷第1期，标题为《Accurately mapping social functional zones of urban green spaces by integrating remote sensing images and crowd-sourced geospatial data》。

学术背景

城市绿地（Urban Green Spaces, UGSs）作为城市生态空间的核心，对维持生态系统平衡和居民福祉具有双重意义。传统研究多关注绿地的物理特征（如植被类型、结构），但其社会功能（如休闲、生态服务）的精准分类长期缺乏系统性方法。现有研究存在三大局限：(1) 中高分辨率遥感影像对分类精度的影响不明；(2) 附属绿地（如口袋公园、防护绿地）识别困难；(3) 众源地理数据（如POI、OpenStreetMap）的个体贡献未量化。为此，本研究提出融合遥感影像、众源数据与深度学习算法的新框架，旨在实现UGS社会功能的高精度制图，并为城市规划提供数据支持。

研究流程与方法

1. 数据准备与预处理

研究以中国合肥市中心城区（1632 km²）为案例区，整合四类数据：
- 遥感影像：包括2米分辨率的CBERS-04A（2022年）、10米Sentinel-2和30米Landsat-9影像，通过辐射校正、大气校正及图像融合（生成2米多光谱合成影像）预处理。
- 众源地理数据：
- POI数据：通过百度地图API获取242,695条记录，建立与UGS功能类型的语义关联表；
- OpenStreetMap路网：经拓扑分析剔除冗余道路，按中国标准分级（主干道40米、次干道20米、支路10米缓冲）；
- 百度地图边界：用于界定居住区和公园范围。
- 验证数据：基于野外调查和Google Earth影像生成1500个分层随机样本点。

2. 植被分布提取

采用U-Net深度学习模型（基于ResNet-101骨干网络），输入包括4个多光谱波段及NDVI、NDWI、SAVI指数。通过ArcGIS Pro 3.1平台训练，参数设置：切片尺寸512×512、批量大小4、迭代25次（早停法）。对比实验显示，CBERS-04A的植被分类总体精度（OA）达91.80%，显著高于Sentinel-2（80.13%）和Landsat-9（73.01%）。

3. UGS社会功能分类

分类体系：依据中国《城市绿地分类标准》（CJJ/T85-2017），将UGS分为4大类（公园绿地、防护绿地、广场绿地、附属绿地）和8小类（如综合公园、社区公园）。
分类流程：
- 空间叠加：植被分布图与路网缓冲带、百度边界叠加，生成UGS功能单元；
- 指标计算：面积、形状指数、宽度及植被占比；
- POI语义关联：通过查找表将POI类别映射至UGS功能类型（如“健身房”POI关联社区公园）。

4. 消融实验与精度验证

通过逐步引入众源数据（POI、OSM路网、百度边界）的消融实验，量化其贡献：
- 仅用遥感数据：OA=61.40%；
- 加入POI：OA提升12.81%（贡献最大）；
- 引入OSM路网：OA再增7.11%；
- 整合百度边界：OA达91.87%（Kappa=0.888）。
最终模型对防护绿地和附属绿地的分类精度超90%，但口袋公园（UA=80%）因分类标准模糊存在误判。

主要结果与结论

1. 空间分辨率影响：2米影像的UGS分类精度比10米/30米影像提高11~19%，证实高分辨率数据对细碎绿地（如口袋公园）识别的必要性。
   
2. 众源数据贡献：POI通过语义关联解决“语义鸿沟”，OSM路网辅助防护绿地划分，百度边界提升居住区绿地精度。三者协同使OA提升30.47%。
   
3. 空间格局分析：合肥UGS呈现“中心-外围”梯度差异，附属绿地占比最高（27.55%），老城区公园绿地密集（4.77%），而外围以防护绿地为主。
   

科学价值与应用亮点

• 方法论创新：首次量化众源数据在UGS功能分类中的个体贡献，提出“遥感+众源+深度学习”的可扩展框架。
  
• 技术突破：改进OSM路网拓扑处理方法，结合百度边界实现自动化单元分割，效率优于传统人工修正。
  
• 应用前景：成果可为城市绿地规划提供高精度数据，尤其适用于快速城市化区域的绿地功能动态监测。例如，识别出合肥2.46%的综合公园集中于老城区，提示需加强外围绿地均衡配置。
  

局限与展望

1. 分类标准模糊性：社区公园与口袋公园的界定需引入更多语义指标（如设施密度）。
   
2. 多功能复合区域：大学校园等兼具附属与广场绿地的区域需开发多标签分类算法。
   
3. 大尺度推广：未来可结合GEE平台与Sentinel-2数据，降低全国尺度应用成本。
   

本研究为UGS功能精细化治理提供了新工具，其开源数据策略（如共享POI关联表）亦有助于推动学科交叉创新。