《Geocarto International》：Application of multi-dimensional remote sensing technology in urban built-up space extraction and overall planning
编辑推荐：
为解决高精度量化与动态监测城市建成区的难题，本研究构建了基于多维遥感数据融合的城市建成区信息提取与规划支持框架。通过整合光学、合成孔径雷达(SAR)、激光雷达(LiDAR)点云等多维数据，采用面向对象的深度卷积神经网络(O-DCNN)对建成区与土地利用进行精细分类与三维量化。结果表明，该框架显著提升了高密度建成区与道路的分类精度（分别达93.62%和91.94%），O-DCNN模型的总体分类准确率达94.02%，F1分数为91.72%，并成功实现了建筑三维形态参数（如高度、容积率）的精确提取与城市时空动态（扩张、地面沉降）的协同监测，为精准认知城市空间、支持国土空间规划科学决策提供了强有力的技术范式与客观数据基础。
城市是人类活动的主要载体，其结构、形态和动态演变深刻影响着社会经济发展与生态环境质量。随着城市化进程在全球范围内的加速，如何精准、高效地“读懂”并“管理”城市这个复杂巨系统，成为规划者、管理者和科学家共同面临的挑战。传统的城市空间监测方法往往依赖于统计数据和人工调查，存在周期长、成本高、空间细节不足等局限，难以满足现代城市规划对高精度、动态化和多维信息的需求。尽管近年来遥感与地理信息技术飞速发展，地球观测能力为城市空间监测提供了前所未有的机遇，相关研究不断深入，但现有方法大多聚焦于特定要素或单一维度，缺乏一个能系统融合多源、多模态数据，并同时提取二维与三维、静态与动态信息的综合性框架。各类先进模型也常为特定任务设计，其在从精细分类到三维量化，再到时序动态监测的整个城市空间分析链条中的协同应用与效能验证尚不充分。
为应对上述挑战，一项发表于《Geocarto International》的研究，提出并验证了一个基于多维遥感数据融合的城市建成空间信息提取与规划支持框架，旨在实现从数据感知到规划决策的全链条支持，提升城市空间分析的精度、维度和动态能力。该研究以武汉市主城区为案例区，系统性地整合了高分辨率光学影像、合成孔径雷达(SAR)数据、激光雷达(LiDAR)点云、时序影像和夜间灯光数据，创新性地结合了面向对象的深度卷积神经网络(O-DCNN)模型进行地物精细分类，并利用三维形态分析和时序监测技术，揭示了城市空间的静态形态特征与动态演变规律。
本研究主要采用了几个关键技术方法：首先，构建了一个多维数据特征层融合策略，将光学影像的光谱特征、SAR影像的后向散射与纹理特征、以及LiDAR点云生成的高度特征统一到同一地理坐标系下，形成多通道特征立方体，为后续分析提供信息完备的输入。其次，设计了创新的O-DCNN模型，该模型采用像素级与对象级双分支并行结构，融合了U-Net编码器-解码器的细节还原能力与对象级CNN的全局形态特征学习能力，显著提升了复杂城市背景下地物分类的精度和边界完整性。再者，基于归一化数字表面模型(nDSM)，通过结合归一化植被指数(NDVI)光谱特征与三维形态规则决策，精确分离建筑物与高大植被，并进一步量化了建筑高度、基底面积、体积、建筑密度和容积率(FAR)等关键三维形态参数。此外，利用对象级时序变化检测方法和时序干涉合成孔径雷达(InSAR)技术，分别对城市建成区二维扩张和地面垂向沉降进行了动态监测。研究数据来源于公开遥感数据集，包括Landsat 8光学影像、Sentinel-1 SAR影像、OpenTopography平台的数字表面模型(DSM)以及NPP-VIIRS夜间灯光数据。
精细分类与三维量化结果
研究首先验证了多源数据融合策略的有效性。实验结果表明，融合光学、SAR和DSM数据的全融合策略，在高密度建成区、道路和植被的分类生产者精度(PA)上均显著优于单一数据源或其他组合方案，其中高密度建成区PA从91.47%提升至93.62%。这证明了多维数据在特征互补上的显著效益。
在模型性能方面，研究所提出的O-DCNN模型展现出卓越的竞争力。经过100次迭代训练后，其总体分类准确率达到94.02%，F1分数为91.72%，均明显优于引入注意力机制的U-Net(Attention U-Net)和金字塔场景解析网络(PSPNet)等对比模型。进一步对典型地物类别的分析显示，O-DCNN在低密度居住区、高密度商业区、道路和绿地的分类中，无论是生产者精度(PA)还是用户精度(UA)都保持领先，尤其在识别高密度商业区（PA 96.01%）和低密度居住区（PA 95.23%）方面表现突出。
基于O-DCNN模型和全融合策略，研究对案例区进行了详细的建成区分类统计。结果显示，高、低密度建成区合计占研究区总面积的44.53%，构成了城市的主要空间骨架。道路覆盖率达6.89%，路网密度为1.84 km/km2，植被覆盖率高达38.74%，这些精确提取的数据为城市空间结构分析和生态网络构建提供了直接依据。
三维形态量化结果清晰地揭示了不同城市功能区的空间形态差异。商业金融区呈现出高强度开发特征，平均建筑高度达45.23米，容积率高达3.45。居住区则表现为高密度、适中高度的空间格局，建筑密度最高（0.42），但平均高度（22.67米）和容积率（1.82）相对适中。工业仓储区是低层、大体量的独特形态，平均高度仅15.42米，但平均基底面积达2356.89平方米。这些量化的三维参数，为评估土地开发强度合规性、进行城市风热环境模拟和天际线管控提供了直接的数据输入。
城市时空动态综合分析
研究对武汉市2017年至2023年的城市扩张与地面沉降进行了时序监测。结果显示，武汉市建成区扩张呈现出显著的放缓趋势，年扩张面积从2018-2019年高峰期的约23.5平方公里降至2023年的11.35平方公里，年增长率从2.85%下降至1.26%。这一转变与2020年后国土空间规划体系建立并强化刚性约束的背景密切相关。与此同时，地面沉降问题虽然持续存在，但沉降速率增长率从2017-2018年的超过10%迅速下降至2023年的不足1%，表明沉降态势趋于稳定。扩张速度与沉降速率变化在时间上的同步性，凸显了高强度土地开发对地质环境的压力。
进一步的空间分析发现，城市扩张强度随距市中心距离呈现明显的单峰分布模式，在15-20公里处达到峰值（0.61%/年），此处是城市副中心重点发展区域。而地面沉降速率与建筑高度呈显著正相关，30-50米的高层建筑区段平均沉降速率达到-6.50至-7.80毫米/年，其累计沉降面积占比达18.95%。这揭示了城市扩张前沿与沉降风险区在空间上高度关联。
基于2020-2023年多维遥感数据的动态监测结果显示，武汉市各区的空间发展存在显著差异。洪山区扩张面积最大（1.91平方公里），扩张强度指数最高（0.10），夜间灯光强度增长也最快（20.83%），印证了其作为新兴城市发展区的定位。而青山区的平均沉降速率最高（-6.34毫米/年），最大速率达-17.85毫米/年，与该区域工业集聚、地质结构复杂的特点相符。这些精准量化的时空指标，共同构建了一个从物理变形到社会经济活动的城市三维动态过程监测系统。
研究结论与意义
本研究表明，基于多维遥感数据融合的技术框架能够有效实现城市建成区的高精度精细分类、三维形态量化与多维度动态监测。所提出的O-DCNN模型与多源特征融合策略显著提升了复杂城市场景下的信息提取能力。三维量化结果清晰揭示了不同城市功能区的形态差异，为规划控制提供了直接的量化基准。时序动态监测则精准捕捉了城市扩张模式的转变及其与地质环境变化的互动关系。
该研究的核心贡献在于建立了一个从多维数据感知到规划决策支持的综合性分析框架。其产生的可量化空间指标，如建筑合规监测图、沉降风险分级图和城市扩张热力图等，可直接应用于规划审查、安全预警和生态评估。这不仅为精确理解与科学治理城市建成空间建立了新的技术范式，也实质性地推动了从技术认知到政策干预的跨越。尽管在走向规模化、业务化应用中仍面临数据成本、模型泛化等挑战，但该研究无疑为利用先进对地观测技术赋能国土空间规划现代化、实现城市精细化治理与可持续发展，提供了强有力的方法论支撑和富有前景的实践路径。
