《Habitat International》：Mapping urban underutilization in data-scarce global South Cities: A multidimensional open-data framework for spatial planning
编辑推荐：
•构建了一种全新的开放数据框架，该框架将深度学习与多维城市未充分利用指数相结合，用于在数据匮乏的环境中识别未被充分利用的城市土地。•整合了光谱、结构、活动以及人口统计指标，从而超越简单的二元空置检测，实现更具规划意义的连续性评估。•在也门萨那这一受冲突影响且数据极为匮乏的全球南方
- •
构建了一种全新的开放数据框架，该框架将深度学习与多维城市未充分利用指数相结合，用于在数据匮乏的环境中识别未被充分利用的城市土地。
- •
整合了光谱、结构、活动以及人口统计指标，从而超越简单的二元空置检测，实现更具规划意义的连续性评估。
- •
在也门萨那这一受冲突影响且数据极为匮乏的全球南方城市中进行测试时，该框架展现了出色的性能，AUC值达到0.815。
- •
研究显示，48.1%的城市区域存在高程度或极度的未充分利用现象，这些结果为提升土地使用效率、推动城市更新、规划绿色基础设施以及监测可持续发展目标11提供了实用参考。
引言
城市未充分利用现象包括空地、废弃工业用地、破损建筑、发展停滞的地块以及未能充分发挥其功能潜力的土地，这一问题虽十分重要，但却难以准确衡量（Newman等人，2016；Northam，1971；Pagano与Bowman，2000）。在全球南方那些不断扩张的城市中，由于地籍数据不完整或缺失、土地登记记录分散以及机构运作紊乱等原因，往往难以系统地监测土地使用变化（Hashem等人，2022；Nassauer与Raskin，2014；联合国人居署，2022）。未被充分利用的土地会导致基础设施供给效率低下、城市无序扩张、环境承载能力下降以及城市发展模式碎片化。在也门萨那这类受冲突影响的城市中，由于人口流离失所、城市发展缺乏规范以及政府职能受限，上述问题更为严重（Kuffer等人，2016；Lubin与Saleem，2019）。空间信息的缺乏进一步限制了基于证据开展城市更新项目及制定土地使用计划的能力（Al Hothaufi等人，2025；Chen与Hashimoto，2025；Herath与Bai，2024；Kremer等人，2013）。土地的规划价值不应仅仅取决于空置率，还取决于土地在何种情况下以及以何种方式被未充分利用，而这一点很难通过二元分类系统来准确衡量（Liu与Russo，2021；Mohamad Selamat等人，2023）。目前关于城市空置和未充分利用的研究大多集中在数据较为丰富的地区——比如北美的萎缩城市、欧洲的废弃工业区以及中国那些快速城市化的城市，因为这些地方拥有完善的地块清单、地籍系统以及各类行政数据集（Haase等人，2014；Hollander与Németh，2011；Karg等人，2019；Riad等人，2020）。相比之下，那些处于冲突之中、治理体系混乱且几乎不存在正式土地记录的城市，至今仍很少出现在相关研究文献中。
本研究的核心在于区分空置与未充分利用两种概念。通常情况下，空置被视为一种二元性的土地覆盖状态，即土地要么被占用，要么处于空置状态（Kim等人，2018；Lee与Newman，2019）。而未充分利用则是一种更为广泛且连续的状态，它不仅包含空置土地，还包括部分被使用的土地、发展停滞的区域、受损的建筑、低强度的城郊土地利用以及功能上处于闲置状态的建成区。在受冲突影响或城市发展较为随意的地区，某块土地可能在物理上已经具备开发条件，但在社会或经济层面却处于闲置状态（Maldonado López等人，2021；Mohamad Selamat等人，2023；Roy，2005；Watson，2009）。
除了区分空置与未充分利用之外，本研究还将城市未充分利用视为一种社会空间关系状态，而非单纯的土地覆盖类别。当土地的物理结构、城市活动以及人口功能与其所处的城市环境不相匹配时，就会出现未充分利用的现象。这种关系视角有助于将真正处于闲置状态的区域与那些只是密度较低、刚刚开发或被非正规方式占用的区域区分开来。因此，UUI的多维度整合逻辑并非通过某一单一特征的存在与否来判定未充分利用情况，而是通过多个维度同时体现出结构、活动以及人口方面的不足来体现这一概念。
城市未充分利用与可持续发展目标11尤其是目标11.3密切相关，后者旨在推动包容且可持续的城市化进程。该目标的官方指标（SDG 11.3.1：土地消耗率与人口增长率之比）需要连续的土地使用和人口统计数据，而这些数据在受冲突影响或数据匮乏的城市中往往难以获取（Melchiorri等人，2019；联合国人居署，2022）。这一概念也与可持续发展目标15.3关于实现土地退化中和的目标相关，因为未经妥善管理的空置土地和发育停滞的土地会导致土壤暴露以及生态系统功能衰退（Herath与Bai，2024；Liu与Russo，2021）。在这种背景下，UUI可作为土地使用效率的替代指标，帮助在无法获取官方指标的情况下进行与可持续发展目标相关的评估。
虽然目前有许多用于识别空置土地的框架（如Mao等人，2022；Lin等人，2025；Zhang与Park，2023；Xu与Ehlers，2022），它们都依赖地块级别的影像资料和行政数据集，但UUI仅使用全球范围内可获取的开放地理空间数据源。此外，UUI还整合了结构、人口统计以及基于活动的各种指标，因此能够比传统的高分辨率空置识别方法捕捉到更广泛的社会空间动态（Wang与Long，2026；Zhao、Ding等人，2023）。尽管遥感技术为城市环境的大规模分析提供了诸多可能性，但目前仍然难以利用现有方法准确确定可用土地的位置，尤其是在干旱城市中，裸露的土壤、受损的建筑、建筑工地以及开发程度较低的区域往往具有相似的光谱特征（Campos--Taberner等人，2020；Zhu等人，2017）。近年来，越来越多的研究开始将光谱指标与其他地理空间指标（如建筑物占地面积、灯光排放、土地覆盖类型以及人口密度等）相结合，以此更准确地描述城市环境状况（Song等人，2022；Wenger等人，2022；Zhao、Xia等人，2023）。与此同时，空置检测方法也从单纯的光谱阈值判断和基于对象的分类，发展为基于深度学习的语义分割以及基于Transformer的技术（Hu与Zhuang，2024；Kirillov等人，2023；Mao等人，2022；Wang与Long，2026）。新兴的多维度框架则进一步整合了形态学、社会以及生态学方面的指标（Qu等人，2020；Zhao等人，2024）。
为解决上述问题，本研究开发了一种多维度的开放数据框架，用于在受冲突影响且数据匮乏的城市中识别城市未充分利用现象。该框架旨在捕捉那些仅通过空置检测难以发现的多种形式的未充分利用现象。它并不认为所有未充分利用的土地都是完全空置的，而是通过整合多个独立的证据层，来描述城市中各种不同程度的低强度或功能紊乱的城市土地利用状况。该框架将基于Sentinel-2影像的深度学习空置检测结果与七种其他开放地理空间数据源相结合，包括建筑物占地面积、建筑密集度、夜间灯光亮度、土地覆盖类型以及人口分布情况，进而构建出一个连续的城市未充分利用指数（UUI）（见图1）。此外，本研究并未将未充分利用视为一种预先定义的类别，而是通过在对多维度特征空间进行无监督聚类分析，得出了基于实证的四类城市状况分类。
章节要点
材料与方法
该方法论框架包含五个依次进行的步骤（见图2）：（1）利用深度学习模型进行光谱空置检测；（2）整理八个能够反映城市未充分利用不同方面的证据维度；（3）评估多源证据的融合效果以及各数据层对整体评估的贡献程度；（4）对二进制空置检测结果进行阈值优化并进行空间后处理；（5）计算并解读城市未充分利用指数（UUI）。具体内容如下
空置检测模型的构建及其分割性能
表2列出了经过系统测试的五种模型配置。其中性能最佳的配置（v6-opt）在空间交叉验证下的IoU值为0.317±0.047，而在像素级上的AUC值为0.815。值得注意的是，仅使用U-Net的光谱层并结合相同的多层感知器模型时，其IoU值仅为0.302——这表明辅助数据层带来的性能提升相当有限。这些指标与基于Sentinel-2的城市土地分类基准测试结果基本一致（Hebryn-Baidy与Rees，2024；
中分辨率地球观测技术在土地评估中的应用潜力
研究结果表明，所提出的框架能够利用中分辨率地球观测数据以及多源地理空间数据，识别并描述萨那市中城市未充分利用的空间分布特征。Sentinel-2空置检测模型的AUC值达到了0.815，这一数值与已有的Sentinel-2城市分类系统的性能相当。不过，较低的IoU值（0.317）表明，在干旱的城市环境中存在相当大的光谱模糊性，那些功能退化的
结论
本研究开发了一种可复制的开放数据框架，用于在数据匮乏且受冲突影响的城市中识别城市未充分利用现象。该框架将基于Sentinel-2的深度学习空置检测技术与七种不同的证据数据源相结合，构建出了连续的城市未充分利用指数，同时还提出了基于实证的四类城市状况分类，并实现了对数据来源不确定性的量化分析。通过将多维度分析方法应用于此类城市研究，本研究进一步丰富了当前关于城市未充分利用现象的相关研究文献。
研究的局限性及未来发展方向
本研究存在若干重要的局限性。首先，所使用的Sentinel-2影像分辨率为10米，这限制了对细节的刻画，且在干旱气候条件下，分辨率相近的不同地表特征也难以准确区分。此外，所使用的辅助数据集（VIIRS和WorldPop）原本分辨率较低，经过10米分辨率的重采样处理后，虽然仍能作为背景信息使用，但其精细度也受到了限制。本研究还缺乏地籍数据以及详细的经济社会数据
资金支持
本研究并未获得任何来自公共部门、商业机构或非营利组织的资助。
作者贡献说明
Amal S.M. Al hothaufi：概念设计、数据整理、正式分析、方法论构建、项目管理、资源协调、软件应用以及初稿撰写。Yike Hu：指导工作。Nour El Houda Ben Ameur：文章修订与编辑工作。Ghada A. Alssadah：结果验证工作。Haitham A. Ashah：结果验证工作。
利益冲突声明
作者声明，他们不存在任何可能影响本研究结果的已知财务利益冲突或个人关系。
Amal S.M. Al hothaufi|Yike Hu|Nour El Houda Ben Ameur|Ghada A. Alssadah|Haitham A. Ashah
