一种改进的特征融合方法，用于利用SDGSAT-1的昼夜图像和多维地理空间数据进行城市功能区制图

《Remote Sensing Applications: Society and Environment》：An enhanced feature fusion method for urban functional zone mapping with SDGSAT-1 day-night imagery and multi-dimensional geospatial data

本研究提出一种渐进式跨尺度深度融合架构，结合白天多光谱影像与夜间灯光数据，融合POI、建筑高度及数字表面模型等多源数据，实现城市功能区（UFZ）的高精度细粒度映射。实验表明该方法在语义分割和拓扑解释上显著优于传统方法，整体准确率>0.91，且在小样本训练（1:4）下仍保持高效。

　　城市功能区（Urban Functional Zones, UFZs）作为城市规划中的重要组成部分，其精准识别对于实现可持续发展目标具有重要意义。城市功能区通常指城市中具有明确社会经济活动特征和复合土地利用模式的特定区域，例如住宅区、工业区、商业区以及蓝绿空间等。随着城市化进程的加快，特别是在中国等快速发展的国家，城市功能区的精细化映射成为支持城市更新和转型发展的关键工具。城市功能区的识别不仅有助于优化城市空间结构，还能提升城市宜居性和可持续性。

然而，传统的城市功能区映射方法主要依赖于二维（2D）特征，如兴趣点（Point of Interest, POI）数据和多光谱遥感影像。这些方法在一定程度上能够识别城市功能区，但往往忽略了三维（3D）特征，如建筑物高度和数字表面模型（Digital Surface Model, DSM）。此外，夜间光数据，如DMSP/OLS、NPP/VIIRS和Luojia 1–01等，虽然在城市土地利用研究中被广泛用作辅助数据，但其低分辨率限制了其在城市功能区精细化识别中的应用。随着新型遥感技术的发展，特别是可持续发展目标科学卫星1号（Sustainable Development Goals Satellite 1, SDGSAT-1）的出现，其在单传感器观测模式下能够提供高质量的白天和夜间光谱特征，为城市功能区的识别提供了新的可能性。

SDGSAT-1卫星能够提供白天的多光谱影像（Multi-Spectral Imagery, MSI）和夜间的光闪烁影像（Glimmer Imagery, GLI），这两种数据源分别反映了城市白天和夜间的土地利用特征与社会经济活力。白天的多光谱影像能够捕捉到城市土地覆盖的详细信息，而夜间的光闪烁影像则能够反映城市夜间活动的强度和分布。通过将这两种数据进行融合，可以更全面地理解城市功能区的空间组织和动态变化。例如，在城市功能区识别中，白天的多光谱影像可以用于识别不同类型的土地利用，而夜间的光闪烁影像则能够揭示不同功能区之间的活动差异，从而提高识别的准确性。

在城市功能区识别的研究中，多模态数据融合成为一种前沿趋势。多模态数据融合不仅包括白天和夜间遥感数据的结合，还涉及二维和三维地理信息数据的整合。例如，POI数据能够提供城市功能区的社会经济分布特征，建筑物高度（Building Height, BDH）和数字表面模型（DSM）则能够补充城市空间结构的垂直信息。这些数据的融合能够显著提升城市功能区识别的性能，使其在复杂的城市环境中更加准确和可靠。

为了验证所提出方法的有效性和通用性，研究团队在中国两个具有不同城市功能区景观的特大城市进行了实验。实验结果表明，中分辨率的SDGSAT-1影像可以作为可靠的数据来源，用于提取白天和夜间特征，并结合其他地理大数据中的二维和三维特征，生成高精度的城市功能区地图。此外，跨方法的比较分析显示，该方法在不同城市功能区类型的语义分割和拓扑解释方面均表现出显著的提升。

在研究过程中，团队还系统地进行了模块消融实验，以评估不同多模态数据融合模块对城市功能区识别性能的影响。实验结果显示，每个融合模块都对识别性能有所贡献，尤其是在小样本训练的情况下，该方法仍然能够保持较高的识别准确率。例如，在训练测试比例为1:4的情况下，整体准确率（Overall Accuracy, OA）和平均F1分数（Ave_F1）均超过了0.91，这表明该方法在实际应用中具有较强的泛化能力。

城市功能区识别不仅在城市规划和管理中具有重要应用，还能够为其他城市研究提供支持。例如，通过识别城市功能区的变化，可以监测城市化进程，分析城市结构和形态的变化，识别城市环境问题，并为人类行为分析和公共卫生研究提供数据支持。因此，城市功能区识别的研究具有广泛的现实意义和应用前景。

本研究的主要贡献在于验证了基于SDGSAT-1影像的白天和夜间特征融合在城市功能区识别中的有效性。不同于传统的土地利用分类流程，本研究提出了一种以城市功能区为中心的框架，能够更全面地理解城市空间组织和时间动态变化。此外，研究团队还开发了一种专门针对多模态数据融合的卷积神经网络（Convolutional Neural Networks, CNNs）架构，该架构能够有效整合白天和夜间遥感数据，以及POI、BDH和DSM等地理信息数据，从而显著提升城市功能区识别的性能。

为了实现这一目标，研究团队采用了逐步细化的深度融合架构，从特征表示和关系提取到上下文建模，逐步优化城市功能区的识别效果。这种方法不仅能够提取丰富的光谱、纹理和空间信息，还能够通过深度学习模型的端到端训练，实现对复杂城市功能区的准确分类。此外，该方法在小样本训练的情况下依然能够保持较高的识别准确率，这表明其在大规模城市功能区识别中的应用潜力。

总之，城市功能区的精细化识别对于推动城市可持续发展具有重要意义。通过整合白天和夜间遥感数据，以及二维和三维地理信息数据，可以更全面地理解城市功能区的空间组织和动态变化。本研究提出的方法不仅在理论上具有创新性，而且在实际应用中也表现出良好的性能，为城市功能区识别提供了新的思路和技术手段。未来的研究可以进一步探索该方法在不同城市环境中的适用性，并结合更多的数据源，以实现更精准的城市功能区识别和应用。