利用Sentinel-2时间序列对中国街区层面的城市发展与更新情况进行每月监测

《Remote Sensing of Environment》：Monthly monitoring of urban development and renewal at the block-level in China using Sentinel-2 time series

语义相似性对比方法与Sentinel-2时间序列影像结合实现街道块高精度动态监测，在长江中游城市群验证中空间精度达90.4%，检测准确率68.8%-54.9%，迁移学习保持80%性能，为城市更新提供可扩展解决方案。

　　城市更新在中国已被提升为国家战略，这一政策的实施推动了街道块的快速开发与改造。然而，由于现有方法在监测建设事件时存在一定的局限性，如易受噪声干扰、缺乏连续监测能力等，导致在高时间分辨率下的监测工作面临挑战。为了解决这些问题，本研究提出了一种基于语义相似度对比的街道块监测方法（Semantic Similarity Contrast-based Street Block Monitoring, SSC-SB）。该方法利用Sentinel-2时序遥感影像，实现了街道块开发与更新的自动化、高频次检测。通过提取预训练编码器的深度语义特征，SSC-SB分析相似度曲线，以识别开发和拆除建设事件。应用在中游长江流域（Middle Yangtze River Basin, MYRB）城市集聚区的实验结果表明，SSC-SB在空间域上达到了90.4%的准确率，建设开始和结束日期的检测准确率分别为68.8%和54.9%。结果还显示，城市更新的重视程度不断提高，2023年拆除的街道块数量首次超过新增的开发数量，其中湖南省在更新工作中表现突出，更新街道块占所有变化街道块的41.5%，反映出在扩展与基础设施更新之间达到了一种平衡。此外，在西安的迁移实验进一步表明，即使不进行微调，SSC-SB在跨区域应用时仍能保留本地训练模型性能的80%，显示出良好的泛化能力。通过提供细粒度、连续的监测能力，SSC-SB为跟踪城市转型提供了一种可扩展的解决方案。

城市更新作为一个国家战略，其实施不仅促进了城市空间资源的重新配置，还对满足公众需求、适应经济发展起到了重要作用。随着城市化进程的推进，城市更新逐渐成为城市发展的重点，特别是在城市成熟阶段，通过维护、改造、拆除等方式优化现有城市空间，以提高空间利用效率和居民生活质量。目前，中国已有超过400个城市建立了城市更新领导机构。仅在2024年上半年，全国范围内就启动了33,000个老旧小区的城市更新项目。这些项目的推进不仅体现了国家对城市更新的重视，也为进一步推动城市可持续发展奠定了基础。

街道块作为城市管理的基本单位，在研究城市功能布局和开发规划中占据着重要地位。对街道块的研究，包括土地利用分类、建筑密度评估、建筑高度反演以及灾后恢复潜力分析，为智慧城市的数字化建设提供了关键支持。遥感技术因其大范围覆盖和精确数据，已成为这些研究的重要工具。特别是在时序遥感影像的应用上，结合高空间和时间分辨率，能够有效捕捉街道块层面的动态变化。这对于快速城市扩张和旧城更新背景下的城市管理工作尤为重要。遥感数据的实时和连续监测能力是应对这些挑战的关键所在。基于此，本研究探索了遥感技术在街道块建设动态监测中的应用，旨在帮助决策者快速识别发展热点并准确评估建设进度。

目前，基于遥感时序数据监测街道块建设主要有两种方法：基于土地覆盖分类的方法和基于特征相似度的方法。基于土地覆盖分类的方法首先进行年度土地覆盖分类，然后分析不同土地覆盖类型的占比，以检测建设时间及类型。虽然这种方法能够有效识别建设日期、类型和规模，但其主要局限在于难以实现更高时间分辨率（如月度尺度）的监测。高频次的土地覆盖分类受到实施成本高昂的限制。为了解决这一问题，一些研究者开发了基于特征相似度的方法，通过利用街道块的月度遥感影像，提取月度纹理特征，并对高相似度影像进行聚类以检测建设事件。尽管这种方法简单易用，但其对噪声非常敏感，提取的特征往往难以满足建设监测的精度要求。此外，特征在时间点之间的成对对比限制了建设事件的连续监测。当新观测数据被加入时，检测结果需要重新调整，从而限制了该方法在快速城市化背景下准确捕捉动态建设并进行长期监测的能力。

其他方法包括使用双时相街道块或建筑影像进行变化检测，这种方法缺乏足够的时序信息以全面反映建设过程。像素级变化检测也被用于跟踪街道块建设，虽然这些方法提供了更细粒度的表示，但它们并不符合我们对街道块变化的关注，且计算成本较高，因此在此不再进一步讨论。总体来看，现有方法在高时间分辨率和高精度下直接监测街道块建设方面存在不足。同时，也存在对快速城市化和复杂环境中建设监测的需求，亟需一种稳健的技术来实现这一目标。

为了满足快速城市更新背景下对高频次监测的需求，本研究提出了一种基于语义相似度对比的街道块建设监测方法（Semantic Similarity Contrast-based Street Block Monitoring, SSC-SB）。该方法首先利用监督对比学习模型，从遥感影像中提取街道块层面的语义特征。然后构建一个连续的时间对比机制，以评估语义特征随时间的变化。最后，定义一个变化标准，以判断建设事件是否发生。SSC-SB的贡献体现在以下几个方面：

首先，该方法通过对比学习提取具有时间一致性和语义区分度的特征，从而增强了对季节性和云层干扰噪声的鲁棒性。其次，该方法专注于建模街道块发展过程中的连续性和渐进变化，使得能够有效跟踪时间上的使用类型转变。最后，该方法支持月度街道块层面的监测，满足了对城市建设事件高频次跟踪的需求。

在研究区域和材料方面，本研究以中游长江流域城市集聚区为案例，验证所提出方法的有效性。该区域是中国最具经济活力的地区之一，同时也是国家新城市化和城市更新试点的重要区域。该区域涵盖了湖北、湖南和江西三省的部分地区，包括武汉、长沙和南昌等核心城市。近年来，该地区经历了快速的城市扩张和更新，为本研究提供了丰富的数据支持。

在方法部分，街道块状态的变化通常包括两个阶段：稳定期和建设期。稳定期指的是街道块保持不变、没有建设活动的阶段。经过一段时间的稳定后，街道块可能进入建设阶段，此时可以出现不同的变化轨迹。在本研究中，我们将街道块的变化分为两种类型：发展和更新。发展通常指新增的建设活动，而更新则涉及对现有建筑的改造和功能调整。通过区分这两种类型，我们能够更准确地识别建设事件，并评估其对城市空间的影响。

在语义编码器的训练过程中，我们使用了一个批次大小为64的对比学习模型，以提取街道块层面的语义特征。从图中可以看出，对比损失在训练和验证数据集上都显著下降，表明模型的学习效果良好。此外，图中展示了正样本对和负样本对之间的相似度差异，可以看到语义编码器逐渐增强了正样本对之间的相似度，同时降低了负样本对之间的相似度，从而提高了特征提取的准确性。

在对语义编码器优势的定性分析中，我们选择了几个具有代表性的街道块变化和稳定案例进行可视化，以评估语义特征相较于浅层特征（如纹理）的优势。图中显示了三种不同的建设事件：发展、拆除和拆除后的再发展。绿色线条代表了从单时相街道块纹理特征中提取的相似度曲线，这些纹理特征是通过方向梯度直方图（HOG）操作符提取的。实验结果表明，基于语义特征的相似度曲线能够更有效地识别建设事件，为城市更新监测提供了更准确的依据。

在结论部分，本研究提出了一种基于语义对比学习的框架，用于利用时序遥感影像监测街道块动态变化。该框架应用于中游长江流域城市集聚区，覆盖了30个城市和超过24,000个街道块，检测到了发展和更新过程，验证了其在区域尺度上的可扩展性和实际应用价值。本研究的创新点在于引入了一种新的方法，以实现对城市更新的精准监测。此外，该方法在不同地区之间的迁移实验表明，即使不进行微调，其性能也能保持在本地训练模型的80%左右，显示出良好的泛化能力。

在作者贡献声明中，Haixu He负责撰写初稿、验证、监督、方法设计和数据管理；Jining Yan负责验证、监督和资金获取；Lirong Liu负责方法设计和形式化分析；Xu Long负责撰写初稿和方法设计；Runyu Fan负责形式化分析和数据管理；Zhongchang Sun负责验证和监督。这些贡献表明了团队在本研究中的共同努力，也为后续研究提供了参考。

在竞争利益声明中，作者声明他们没有已知的可能影响本研究报告工作的财务利益或个人关系。这确保了研究的公正性和可信度，也为读者提供了透明的信息。

综上所述，本研究提出了一种基于语义相似度对比的街道块监测方法（SSC-SB），通过结合遥感影像和监督对比学习模型，实现了对城市更新和发展的精准监测。该方法在空间域上达到了较高的准确率，并支持月度层面的连续监测，为城市管理者提供了科学依据。此外，该方法在跨区域应用时表现出良好的泛化能力，为大规模城市更新监测提供了可行的解决方案。通过引入语义特征和对比学习机制，SSC-SB不仅提高了监测的准确性，还增强了对复杂环境和噪声干扰的鲁棒性，为未来城市更新研究提供了新的思路和技术支持。