IEEE JSTARS专刊文章精选 | 基于遥感数据与GeoAI的城市居住区潜在更新区域自动识别

城市更新是推动城市复兴与可持续发展的重要途径。准确识别城市居住区中的更新区域则是制定有效更新策略的关键。然而，由于城市系统的内在复杂性，现有研究在大规模空间分类与更新区域自动识别方面仍面临诸多挑战。此外，完全拆除与重建的模式并不总是有利于长期的可持续发展。为此，本研究提出了一种基于遥感数据与地理人工智能（GeoAI）的城市居住区潜在更新区域自动识别框架，并以上海市为例进行实证分析。该框架首先通过建立分类规则，将更新类别划分为保留区域、更新区域与拆除区域，利用Segment Anything模型进行数据标注，并结合DeepLabv3+深度学习模型对不同更新类别进行综合识别。研究结果表明：（1）自动识别出保留区域327.18km2、更新区域130.76km2、拆除区域37.31km2；（2）保留区域在全市范围内分布较为均匀，潜在的更新区域主要集中在中心城区，而拆除区域则多位于郊区。该自动识别框架显著丰富了对城市系统空间复杂性的理解，拓宽了遥感技术在城市研究中的应用范围。研究结果为城市规划者提供了重要参考，有助于明确更新优先区域并制定针对性策略。

为实现城市居住区潜在更新区域的自动识别，本研究提出了一种四步框架。首先，基于高分辨率遥感影像（HRRS）及其他多源数据，构建针对不同更新类别（保留、更新与拆除）的分类规则。其次，利用兴趣区域（AOI）数据与Segment Anything模型（SAM）划定居住区边界，并对每种更新类别的潜在区域进行标注。接着，训练不同的DeepLabv3+模型，以识别与各类别相对应的更新区域。最后，对预测的更新区域进行后处理，并通过人工校正进一步优化结果。

1) 城市居住区更新类别的分类规则

在“留改拆”城市更新政策的指导下，本研究基于高分辨率遥感影像（HRRS）中识别出的特征，对城市居住区进行分类。保留区域包括历史文化保护区、独立住宅区、现代高层住宅区以及高质量多层住宅区。这些区域通常具有规整的建筑布局、较高的绿化覆盖率以及点状分布特征。更新区域则主要包括老旧多层住宅区，如职工宿舍与保障性住房等。此类区域多呈现行列式布局，绿化覆盖率较低，建筑以 平顶为主，且多为2000年之前建成。拆除区域则涵盖危房、棚户区及城中村等，其特征为建筑密度高、布局拥挤混乱、轮廓不规则且无序蔓延。这些居住区在高分辨率影像中具有鲜明的城市肌理特征，易于识别。根据中国政府政策，2000年之前建成的居住社区被视为更新的重点目标。因此，本研究采用建筑年代数据作为辅助分类依据，将2000年之前建成的老旧多层住宅区划为需更新区域。同时，参考政府文件，进一步明确历史文化保护区的范围。

2) 潜在更新居住区域的数据标注

4 ) 精度评估与后处理

识别结果的精度通过精确率（Precision）和召回率（Recall）进行计算，F2 -score作为评估指标。另外，我们对预测结果进行后处理，以 生成高质量的更新区域矢量文件，减少噪声并平滑锯齿状边界。首先，使用Python的OpenCV库（version 4.1.2）中的cv2.connectedComponentsWithStats()方法对自动识别过程生成的栅格标签进行分析。该方法执行连通组件分析，将小于预设面积阈值的组件（视为噪声）分配为背景像素值，从而有效消除噪声。接着，我们应用膨胀操作以平滑边界。最后，使用ArcPy脚本进行批量地理配准和矢量化处理。所有结果在ArcGIS 10.8中进行审查，并进行必要的修正。为确保分类居住区的准确性，我们对结果进行了人工审查和校正。随后，使用街景图像和用户上传的照片及视频作为额外参考，进一步验证结果。经过全面审查后，对任何差异或遗漏进行修正，最终确定潜在更新区域。

经过一系列参数优化后，我们为三种城市更新类别选择了表现最佳的模型。保留、更新和拆除模型的最终验证F2-score分别为0.85、0.85和0.91，平均F2-score达到0.87，优于以往研究的结果。此外，该框架的平均交并比（IoU）为0.74，表明自动框架具有较高的稳定性和可靠性。

为了进一步评估框架的整体性能，我们将其效率与传统手动识别方法、使用SAM方法的手动标注以及提出的自动识别框架进行了比较。在过程中，我们手动标注了107.12km2的选定网格区域，耗时23h，效率为0.21h/km2。接着，我们将SAM应用于剩余选定网格的数据标注过程，完成了127.47km2的标注，耗时18小时，效率提升至0.14h/km2，较传统手动方法有显著改进。对于提出的自动框架（结合SAM和DeepLab v3+），标注、训练和预测的总时间分别为36h、15h和7h，覆盖495.25km2区域，效率达到0.12h/km2。这表明自动识别框架在效率上有明显提升。随着识别区域的增加，尤其是在大规模、高密度的城市环境中，自动方法的优势更加显著。

2) 自动识别的潜在 更新区域 描述性统计

提出的框架自动识别了上海市 495.25 km ² 的城市居住区，包括中心城区的 183.12 km ² 、郊区的 261.38 km ² 以及外郊区的 50.75 km ² 。这些区域的居住特征差异显著。进一步分类显示， 保留区域 总面积为 327.18 km ² ， 更新区域 为 130.76 km ² ， 拆除区域 为 37.31 km ² 。大多数识别区域被分类为 保留区域 ，其次是 更新区域 ， 拆除区域 最少。这一 模式 与上海市的城市发展政策一致，即优先保留，其次是更新，仅在必要时考虑拆除以支持可持续城市发展。

此外，这些区域表现出不同的城市更新 模式 。具体而言， 更新区域 主要集中在中心城区（ 79.53 km ² ，占 43.43% ），主要是由于老旧社区的生活条件恶化。相比之下， 保留区域 在郊区更为普遍，覆盖 200.46 km ² （占 76.69% ），这些社区的房屋较新且空间质量较好。 拆除区域 则更多分布在郊区和外郊区，分别为 28.15 km ² （占 10.77% ）和 5.06 km ²