【地理数据】UBGG-3m: 基于深度学习网络的中国36个大城市精细化景观数据集

1425

【地理数据】UBGG-3m: 基于深度学习网络的中国36个大城市精细化景观数据集

数据简介

城市景观绘图，尤其是城市蓝绿灰（UBGG）连续图，是了解人与自然耦合城市系统的第一步。然而，高分辨率城市景观的大规模精细测绘仍面临挑战，高分辨率图像的获取、精确的人工标注以及城市景观的空间异质性都阻碍了测绘工作。为了弥补这一不足，我们利用 336 幅高分辨率行星图像，通过可转移的多尺度高分辨率卷积神经网络，生成了中国 36 个大都市的 3 米城市蓝绿灰景观产品（UBGG-3m）。为了提高深度学习模型的准确性和鲁棒性，我们还创建了一个大容量 UBGG 景观样本数据集（UBGGset），涵盖 2,272 平方公里的3米分辨率城市景观样本。利用这一广泛的数据集，我们的深度学习模型实现了卓越的分类准确性，这一点在不同地理区域的五个城市中通过视觉解读和定量评估得到了证明。UBGG- 3m 产品的总体准确率高达 91.2%，频率加权交集比联合准确率高出 82.8%。交集超过联合的 82.8%。

此外，在对比实验中，我们的方法超越了最先进的深度学习网络，凸显了我们提出的方法的有效性。与现有产品的比较分析，包括 2020 年 30 mGlobeLand30（Junetal.，2014 年）、2020 年 10 m Esri土地覆被图（Karra et al.，2021 年）、2020年10 m ESA 世界覆被图（Zanagaetal.，2021 年）、1 m 国家尺度土地覆被图（SinoLC- 1m）（Lietal、 2023）、2m城市树木覆盖数据集（UTC-2m）（Heetal）。

本数据集提供了丰富的新数据和该数据集为了解中国大都市复杂多变的城市环境提供了大量新数据和新见解。

通过打开城市景观结构的 "黑箱"，UBGG-3m 产品能够显著量化 36 个中国大都市中建筑和自然成分的微妙异质性。它的高分辨率和高精度为精确了解城市景观提供了可能，有助于加深对城市化模式、进程和影响的理解。研究人员、城市规划者和决策者可以利用 UBGG-3m 产品获得宝贵的见解，并做出明智的决策，以创造可持续和有弹性的城市环境。

数据来源

基于谷歌地球高分辨率行星图像，采用深度学习网络算法制作而成。

时间跨度

2023年

数据范围

全国36个大城市

数据概览

Table 1. The classification system and legend of the UBGG-3m.

Fig1.样图

Fig2. 6个城市的样本图

(a) Beijing, (b) Changchun, (c) Wuhan, (d) Fuzhou, (e) Chongqing, and (f) Shenzhen.

参考文献

[1] He D, Shi Q, Liu X, Zhong Y, Zhang L. 2022. Generating 2m fine-scale urban tree cover product over 34 metropolises in China based on deep context-aware sub-pixel mapping network. International Journal of Applied Earth Observation and Geoinformation; 106:1 02667.

[2] Jun C, Ban Y, Li S. 2014. Open access to Earth land-cover map. Nature; 514: 434-434.

[3] Karra K, Kontgis C, Statman-Weil Z, Mazzariello JC, Mathis M, Brumby SP. 2021. Global land use / land cover with Sentinel 2 and deep learning. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS: 4704 -4707.

[4] Li Z, He W, Cheng M, Hu J, Yang G, Zhang H. 2023. SinoLC- 1: the first 1-meter resolution national-scale land-cover map of China created with the deep learning framework and open-access data. Earth Syst. Sci. Data Discuss.; 2023: 1 -38.

[5] Shi Q, Liu M, MarinoniA, Liu X. 2023. UGS- 1m: fine-grained urban green space mapping of 31 major cities in China based on the deep learning framework. Earth Syst. Sci. Data; 15: 555 - 577.

[6] Xu Z, Zhao S. UBGG-3m: Fine-grained urban blue-green-gray landscape dataset for 36 Chinese cities based on deep learning network, Zenodo, 2023 .

[7] ZanagaD, Van De Kerchove R, De Keersmaecker W, SouverijnsN, Brockmann C, Quast R, et al. ESA WorldCover 10 m 2020 v100, Zenodo, 2021 .

声明：本数据由数据皮皮侠团队整理，仅用于学术研究

皮皮侠数据库引用声明

请您在任何基于“数据皮皮侠”数据库所产生的中文研究成果（含学术论文、公开发表的研究报告等）均包括以下表述或类似表述声明：

本研究使用的数据来自“数据皮皮侠”数据库。

同时以电子文献形式进行引用标注，形式如下：

数据皮皮侠团队. 区县行政区划变更数据库[EB/OL]. [2023-1-1]. http://www.ppmandata.cn/.

其中，“2023-1-1”应当替换成实际引用日期，“区县行政区划变更数据库”替换成实际使用的数据库名称。

请您在任何基于“数据皮皮侠”数据库所产生的英文研究成果（含学术论文、公开发表的研究报告等）均包括以下表述或类似表述声明：

数据专题	统计年鉴
	实证资源
	经济研究数据
	文本数据
	数字经济专题
	绿色碳中和系列
	企业数据
	地理数据
	论文复刻