全球所有 4,000 多个城市和人口超过 10 万的大都市区 2020 年的土地利用地图

全球城市内土地利用¶

该数据集提供了全球所有 4,000 多个城市和人口超过 10 万的大都市区 2020 年的土地利用地图。由此产生的产品是第一个免费提供的、分辨率为 5 米的全球城市内土地利用地图。该数据包括四级土地利用分类法，从根本上区分开放空间和建成区。在第二层，它将建成区细分为非住宅区和住宅区。第三层区分正式和非正式住宅用地，第四层进一步将正式和非正式住宅用地进一步细分为更详细的类别。还提供了基于相同方法的单独道路/街道分类模型的结果。前言 – 人工智能教程您可以在此处阅读论文的更多内容

城市内土地利用地图为城市规划者和政策制定者提供了重要信息，但这些地图的制作成本高昂、耗时，而且在大多数城市发展正在发生的发展中国家往往无法获得。本文报告了利用 Sentinel-2 图像的无云马赛克自动生成土地利用地图的机器学习方法。我们训练了一种新颖的神经网络架构，为全球 200 个城市的分层样本生成 5 米分辨率的土地利用地图。该样本包括世界所有地区、78 个国家和各种人口规模。该模型架构比 UNet ( Ronneberger, Fischer, & Brox, 2015 ) 和 DeeplabV3+ ( Chen, Zhu, Papandreou, Schroff, & Adam, 2018 ) 等类似架构大约小 1 到 2 个数量级，显着降低了成本和生成地图的计算要求。我们正在为世界上所有 4,000 多个人口超过 100,000 的城市和大都市区制作土地利用地图。由此产生的产品将是第一个定期更新、免费提供、分辨率为 5 米的全球城市内土地利用地图。

我们提出了一个四级土地利用分类法，从根本上区分了开放空间和建成区。在第二层，它将建成区细分为非住宅区和住宅区。第三层区分正式和非正式住宅用地，第四层进一步将正式和非正式住宅用地进一步细分为更详细的类别。1 级和 2 级的准确度分数分别为 86% 和 79%。第 3 层和第 4 层的准确度分数分别为 75% 和 71%。此外，我们训练了仅道路模型，并将其输出与城市扩张地图集的主干道路数据集和开放街道地图进行比较。作为示例用例，我们训练了一个非正式聚落分类器，对 87% 的聚落进行了正确分类。

 

城市内土地利用测绘的最新技术

近年来，随着时间的推移，绘制和测量全球范围内城市内土地利用情况的一系列相互关联的方法已经成熟，并出现了六种通用方法：

• 1.

  通过将免费提供的中分辨率遥感图像分类为可比较的土地利用来制作大比例但粗略的地图（Commission et al., 2016; Melchiorri et al., 2018; Angel et al., 2016; Blei et al., 2016） ，2018）

• 2.

  使用高分辨率卫星图像或激光雷达数据制作小比例、高精度但成本高昂的地图（Zhang et al., 2019；Zhang et al., 2018）

• 3.

  使用免费提供的 Google Earth 或 Bing 图像以及训练有素的图像分析师来确定城市区域内的地点或点样本内的土地利用，并获取城市内土地利用的一组指标，但不是地图（Angel 等人） ., 2016)

• 4.

  使用混合数据输入和超高分辨率 (VHR) 图像来重点关注贫民窟和非正规住区，并生成这些区域的地图和指标，而不是城市其他区域的地图和指标（Kuffer 等人，2016 年，Wurm 和Taubenböck，2018；Duque 等人，2015；Weeks 等人，2007；Burke 等人，2021；Gram-Hansen 等人，2019）

• 5.

  使用高分辨率图像样本来训练机器从高分辨率卫星图像或中分辨率卫星图像中识别城市内土地利用（Hu et al., 2016; Yao et al., 2017; Verma et al., 2017） ，2019，Gunter，2009，Stewart 和 Oke，2012，Wurm 等人，2017）

• 6.

  使用众包数据创建城市内土地利用的详细地图，但城市之间的一致性有限且没有正式验证（Arsanjani 等人，2015 年；Patriarca 等人，2019 年；Schultz 等人，2017 年， Liu 和 Long，2016；Grippa 等人，2018；Liu 等人，2020；Fonte 等人，2017）

这些方法都有自己的优点，并且非常适合许多应用。它们也各有缺点：许多全球地图在分类或空间分辨率方面的粗糙度严重限制了它们的应用。通过手动分析获取地图是一个资源密集型过程，需要经过培训的人员和先进的分析能力。高分辨率图像的成本，尤其是在全球范围内，往往令人望而却步。Google 地球或 Bing 图像可免费获取，但无法将该图像与特定日期相关联并进行定期更新。VHR 图像极其昂贵，不太适合全球研究。众包地图在城市之间的一致性有限，并且没有正式验证。

引文¶

Guzder-Williams, Brookie, Eric Mackres, Shlomo Angel, Alejandro M. Blei, and Patrick Lamson-Hall. "Intra-urban land use maps for a global sample of
cities from Sentinel-2 satellite imagery and computer vision." Computers, Environment and Urban Systems 100 (2023): 101917.

地球引擎片段¶

var ULU = ee.ImageCollection('projects/wri-datalab/cities/urban_land_use/V1')

// Define classes and set color parameters.
var CLASSES_7=[
  "open_space",
  "nonresidential",
  "atomistic",
  "informal_subdivision",
  "formal_subdivision",
  "housing_project",
  "road"]
var COLORS_7=[
  '33A02C',
  'E31A1C',
  'FB9A99',
  'FFFF99',
  '1F78B4',
  'A6CEE3',
  'bdbdbd']
var CLASSES=CLASSES_7
var colors=COLORS_7
var ULU7Params = {bands: ['lulc'], min: 0, max: 6, opacity: 1, palette: colors};

// Generate image of 6-class land use from the highest probability class at each pixel.
var ULUimage = ULU.select('lulc').reduce(ee.Reducer.firstNonNull()).rename('lulc')
ULUimage=ULUimage.mask(ULUimage.mask().gt(0))

// Generate image of road areas based on a pixels with greater than 50% probability of being road.
var roadsImage = ULU.select('road').reduce(ee.Reducer.firstNonNull()).rename('lulc')
var roadProb = 50
var roadsMask = roadsImage.updateMask(roadsImage.gt(roadProb)).where(roadsImage, 1)

// Composite 6-class land use and roads into as single image.
var ULUandRoads = ULUimage.where(roadsMask,6).select('lulc')

// Map both the 6-class land use and composite images.
Map.addLayer(ULUimage, ULU7Params, 'Intra-urban land use, 6-class (2020)');
Map.addLayer(ULUandRoads, ULU7Params, 'Intra-urban land use, 7-class (2020)');

示例代码：https://code.earthengine.google.com/? scriptPath=users/sat-io/awesome-gee-catalog-examples:global-landuse-landcover/GLOBAL-INTRA-URBAN-LANDUSE

执照¶

该数据集根据Creative Commons BY-4.0 许可提供

关键词：城市土地利用图；土地利用土地覆盖；哨兵-2；神经网络; 计算机视觉; 监督分类；谷歌地球引擎；非正规住区

提供者：世界资源研究所

GEE 策划：WRI

GEE 最后更新：2023-05-29