多源遥感与城市大数据融合视角下的城市土地利用分类潜力评估

来自多领域的研究人员针对传统城市土地利用分类精度不足的问题，创新性地整合多源遥感(Multi-source RS)与城市大数据(Urban Big Data)，构建了智能化分类模型。该研究通过特征融合与机器学习算法，显著提升了分类精度至92.3%，为智慧城市(Smart City)规划提供了动态监测新范式，相关成果发表于《International Journal of Applied Earth Observation》。

　　

这项突破性研究揭示了多源遥感(包括高光谱HyperSpectral、合成孔径雷达SAR)与城市移动定位数据(LBS)、社交网络数据的协同分析机制。通过构建深度卷积神经网络(DCNN)框架，研究人员成功实现了建筑密度、绿地覆盖率等指标的亚米级识别，其中商业用地分类F1-score达0.91。特别值得注意的是，研究创新性地引入夜间灯光数据(NPP-VIIRS)辅助工业区识别，将传统监督分类方法的Kappa系数从0.75提升至0.88。该技术路线为城市热岛效应(UHI)监测、碳排放估算提供了新的数据融合(Data Fusion)方法论，相关算法已封装为开源工具包UrbanLUC^TM。