摘要
海岸城市化日益受到传统土地使用模式和日益严重的气候风险的限制，但由于卫星时代之前的档案中缺乏多光谱数据，长期的城市形态演变过程仍难以准确量化。本研究提出了一种可扩展的深度学习框架，通过增强注意力机制的Pix2Pix着色步骤和少量样本的U-Net++分割步骤，实现了从1920年至1971年的全色历史航空影像、1997年的数字航空照片到2024年高分辨率卫星数据的自动化重建，研究对象为法国莱萨布勒多隆（Les Sables-d’Olonne）地区。该方法的创新之处在于将生成式着色技术与时期特定的微调相结合，克服了长期以来阻碍从卫星时代之前档案中进行定量城市重建的辐射度测量和注释处理的瓶颈。着色步骤达到了较高的光谱保真度（PSNR 35.21 dB，SSIM 0.9762），分割技术在现代影像上的表现也十分出色（mIoU 0.9789）。尽管分割模型在现代影像上表现良好，但由于辐射度差异的影响，直接将其应用于历史数据会导致显著的结果偏差。通过对特定年份的校准数据集进行少量样本训练，能够在整个时间线上恢复可靠的建筑轮廓（mIoU 0.53–0.65）。对重建结果的多尺度分析显示，城市扩张呈现明显的各向异性特征：沿海历史核心区域早期就已饱和，1971年后由于地理障碍驱动，内陆地区迅速出现了城市化现象。这种时空变化导致了空间锁定效应，使得近期城市化主要发生在容易淹没且植被严重破坏的滨海地带。该框架打破了历史档案的访问限制，为定量监测城市发展提供了新途径，有助于深入理解无限制增长带来的长期影响，并为应对气候变化下的沿海地区规划提供重要启示。
