《Sustainability》:Multi-Source Geographical Knowledge Fusion and Deep Learning Framework for Fine-Scale Urban Building Function Classification
编辑推荐:
精细尺度城市建筑功能识别对于理解城市空间结构、社会经济组织和可持续城市发展至关重要。然而,大规模建筑功能制图仍受限于对专有数据的依赖、地理语境表征不足以及跨城市泛化能力有限。为解决这些挑战,研究人员提出了一种利用独家开源数据进行精细尺度建筑功能分类的多源地理知
精细尺度城市建筑功能识别对于理解城市空间结构、社会经济组织和可持续城市发展至关重要。然而,大规模建筑功能制图仍受限于对专有数据的依赖、地理语境表征不足以及跨城市泛化能力有限。为解决这些挑战,研究人员提出了一种利用独家开源数据进行精细尺度建筑功能分类的多源地理知识融合框架。除传统的形态、基于兴趣点(POI)和光谱特征外,该框架系统整合了开源地理环境因素,以在建筑层面表征可达性、基础设施关系、生态周边及环境条件。研究人员选取北京作为训练区,天津作为独立跨城市验证区。研究人员系统评估了十种代表性模型(包括深度学习、集成学习和传统机器学习方法)对六类建筑功能的分类效果。结果表明,地理环境因素的系统整合提升了分类性能和可解释性。深度学习和集成模型优于传统方法,其中卷积神经网络(CNN)在北京达到87.07%的最高精度,在天津达到69.83%。特征贡献分析进一步表明地理环境因素在功能判别中起主导作用,而POI特征提供重要的社会语义信息。总体而言,本研究为城市建筑功能制图提供了可复现的开源数据框架,支持可持续城市规划、土地利用优化、基础设施配置及智慧城市治理。
研究背景与意义
精细尺度建筑功能识别是理解城市系统结构组织和动态演化的基础,建筑作为城市基本空间单元反映了人类活动分布、社会经济强度和土地利用效率。准确的建筑功能信息支撑城市形态分析、公共服务设施评估、社会经济结构解读及人口分布推断,有助于揭示功能区划、评估空间公平性并识别资源配置失衡。从可持续城市发展视角,建筑功能信息为优化土地利用结构、提升公共服务可达性、促进职住平衡及提高基础设施配置效率提供关键依据。现有研究虽整合了遥感影像、建筑足迹、POI、轨迹和夜光数据,但非住宅类别(如工业和商业)识别精度常较低,因其外观相似且周边POI重叠;轨迹数据常受隐私和许可限制影响可复现性与跨区转移性。地理环境因子可提供补充信息,捕捉建筑与交通可达性、生态暴露、基础设施邻近性及环境梯度的关系。方法论上,基于规则、传统机器学习、集成学习和深度学习各有优劣,尚无单一方法在精度、稳定性与跨区泛化上均优。为此,研究人员构建四类开源特征系统(形态、POI、光谱、地理环境),以北京训练、天津验证,系统比较十种算法,旨在通过整合地理环境特征增强分类性能与可解释性,链接建筑功能与更广泛城市空间组织及环境梯度,为智能建筑功能识别和可持续规划提供可转移技术框架。该文发表于《Sustainability》。
主要关键技术方法
研究人员选取北京(380,088栋建筑)为训练区、天津(284,155栋建筑)为独立跨城市测试区。数据包括东亚建筑足迹数据集、百度地图建筑高度、Google Maps 0.5米分辨率卫星影像、OpenStreetMap(OSM)功能标签(经Google Maps及街景验证)、A Map POI(1,048,575条,重分为8类)、OSM交通数据、中国1:250,000三级流域数据集、全球光伏太阳能板数据集、UGS-1m城市绿地数据及中国国家环境监测中心空气质量数据。样本按六类功能(居住、商业、公共服务、工业、办公、其他)分层随机采样,北京7:3分训练测试集,天津全作测试。提取91维特征:形态(大小、形状、朝向)、POI(500米及1000米缓冲区核密度)、光谱(红波段均值与标准差)、地理(人类活动中心性、能源设施关系、路网关系、空气质量关系,后者用反距离加权(IDW)插值AQI及SO2、PM2.5等)。模型涵盖深度学习(CNN一维卷积、GCN)、集成学习(AdaBoost、GCN+XGBoost)及传统机器学习(LR、SVM、KNN、DT、XGBoost、LGBM)。评估指标为总体精度、Kappa系数、Macro-F1得分及归一化混淆矩阵,并用SHAP(Shapley Additive exPlanations)值解释特征贡献,开展消融实验与跨城市泛化实验。
研究结果
4.1. Comparison of Model Performance
研究人员在600轮训练后CNN在北京测试集精度达87.07%,验证损失趋稳;天津独立测试集精度为69.83%,显示跨城泛化待提升。十种模型中CNN最高,次之GCN+XGBoost(86.91%)与XGBoost(86.85%),集成学习稳定,传统模型较低。CNN对居住建筑召回超0.90,工业约0.85–0.88,办公约0.80–0.83,商业与公共服务约0.45–0.55,主要混淆在商业与办公(0.20–0.25)及商业与公共服务(0.15–0.20)。GCN对主导类稳定但商业与公共服务召回低于0.45,GCN+XGBoost略提升至0.48–0.52。北京西城与朝阳应用显示预测与人工标注空间一致性好,但工业、办公等因形态相似有误分。特征重要性显示地理位置变量(如道路距离DisSecondary、AQI_var、SO2mean、PM2.5mean、MeanRadius、ELG)跨类别高重要,地理环境解释力强。
4.2. Ablation Experiments with Different Feature Combinations
单特征输入时形态与地理环境变量精度高于光谱与POI,CNN仅用形态达0.761,地理独立贡献强。四特征联合(形态+POI+光谱+地理)精度升至0.872,较仅形态提升约0.111,证实地理环境变量提供重要语境信息,联合提升特征表征完备性与判别力。
4.3. Generalization Experiments in Other Areas
跨城验证北京训–天津测总体精度由0.8707降至0.6983,CNN最高0.6983,XGBoost 0.6910,传统模型LR 0.4024、SVM 0.3999、DT 0.3517较弱,AdaBoost 0.5130、LGBM 0.5289中等,GCN与GCN+XGBoost降解明显。降解源于两城形态、产业结构、路网、POI及环境差异使特征–功能关系偏移(如道路可达性、AQI/PM2.5/SO2、POI密度功能含义不同)。天津河东与津南应用显示居住与工业预测与标注一致好,但混合功能仍有混淆。
讨论部分总结
研究人员讨论多特征开源数据驱动制图的贡献在于系统整合交通可达性、生态周边、能源设施关系及空气质量暴露于建筑级地理语境,非单一新变量发明。跨城性能下降主因地理环境变量与建筑功能判别关系在两城变化(道路距离、空气质量、POI密度功能含义异质)。特征贡献机制显示地理环境因素捕获可达性、环境暴露、基础设施邻近性及区位逻辑,形态特征描述高度、面积、紧凑度等内在属性,POI提供社会语义但受覆盖与混合使用限制,空气质量指示活动强度与排放关联而非直接决定功能,光谱在密集城市判别力有限但互补。模型范式上CNN借卷积捕局部空间结构与非线性交互最优,GCN因基于邻近构图引入噪声致次优,GCN+XGBoost部分缓解但受图质量制约,传统中XGBoost与LGBM较稳,LR等受限线性与噪声。局限包括CNN长程依赖不足、91维特征计算贵(M+G 73维可作轻量方案)、类别不平衡(居住主导、商业工业少)未采过采样/加权、跨城泛化受结构功能环境差异限、与既往方法难直接比因数据特征与评估异质,未来可探Transformer轻量变体、时序语义动态信息、多城训练与域适应、类别平衡策略及统一基准。
结论部分翻译
本研究提出一种利用完全开源数据的精细尺度城市建筑功能识别多源地理知识融合框架。与主要依赖形态、光谱或基于POI特征的传统方法不同,本研究明确整合地理环境因素以捕捉支配建筑功能的更广泛空间语境,包括可达性、环境暴露及基础设施关系。通过整合形态、基于POI的社会语义、光谱及地理特征,所提框架实现了高分类精度与鲁棒性。实验结果显示,地理环境因素与形态属性共同构成分类性能和跨城市泛化的最关键决定因素,而POI特征提供互补的社会语义信息,光谱特征在密集城市环境中判别力相对有限。地理环境因素的纳入通过将交通可达性、基础设施分布、生态条件及环境梯度在建筑层面整合,系统扩展了传统语境特征系统,从而提升模型可解释性并支持更可复现的基于开源数据的建筑功能制图。本研究为基于开源数据的大规模建筑功能制图提供了可复现且可扩展的方案,为城市空间分析、功能区划优化、可持续城市规划及循证城市治理提供可靠支撑。通过揭示精细尺度城市功能格局,所提框架可进一步为土地利用优化、公共服务配置、低碳空间规划及更可持续的城市发展提供信息。然而,北京至天津的精度下降表明跨城市转移性仍受城市空间结构、功能组成及环境条件差异限制。因此,未来将该框架应用于更广泛区域应纳入多城市训练样本与城市特定校准策略以提升转移鲁棒性。