Wu Y, Li X, Gong Y, et al. A flexible framework for identifying urban villages using Sentinel-2 observations and deep learning[J]. International Journal of Applied Earth Observation and Geoinformation, 2025, 141: 104631.
识别城中村（Urban Villages, UVs）对于推动城市更新与治理至关重要，这些混乱的聚居区对城市可持续发展构成了显著挑战。尽管已有多模态深度学习研究在单个城市中实现了较高的UV识别精度，但其在大范围推广中的可扩展性受限于高昂的计算资源需求和数据可获取性。目前，基于公开的Sentinel-2数据，面向大尺度、统一UV制图的高效深度学习模型仍研究较少。为此，本研究提出了一种灵活的框架，结合多时相Sentinel-2观测数据与深度学习模型，以低成本支持大尺度UV制图。具体而言，采用双分支编码器提取判别特征：一条分支从年度影像中提取静态信息，另一条分支则从四个季节影像中提取受建筑阴影影响的季节动态特征。随后通过特征融合模块进行联合表示，并通过跳跃连接实现UV识别。模型在自建的广深样本上进行训练与测试，并以珠三角区域用于适用性与可迁移性分析。结果表明，引入动态信息显著提升了UV识别的准确性。所提出的框架在空间泛化能力方面表现出色，mIoU达83.33%，较传统方法提高0.46–12.49%。与依赖多模态数据的方法相比，本框架在复杂城市环境中更易部署，且在大尺度应用中兼具高效性与准确性。本研究提供了一种低成本、高质量的大尺度UV制图方案，为城中村的精细化管理与规划提供了有力支撑。
图 1.研究区位置。(a) 珠三角九个城市；(b)–(c) 样本数据总览；(i)–(iv) 城中村示例的Google Earth影像。
图 2. 城中村识别总体框架。(a) 模型开发与部署流程；(b) 精度评估。
图3. 所提出的UVNet结构。(a) 动态分支；(b) 静态分支。
图 4. 加权多尺度特征融合模块。
图 7. 跨城市迁移实验结果。(a) 广州·长隆片区；(b) 佛山·青云片区；(c) 东莞·广城片区。 注：椭圆标注为识别结果不一致的区域。
图 8. 与最新公开成果（Tu等, 2024）对比。所选代表性城中村示例包括： (a), (g) 东莞·白濠村；(b), (h) 佛山·长岔街；(c), (i) 江门·古涌村； (d), (j) 珠海·南屏社区；(e), (k) 佛山·南海区；(f), (l) 佛山·高丰村。 其中，橙色标注的A类为结果一致区域，红色标注的B类为仅本研究识别出的城中村。地图数据来源：Google Earth Pro。
图 9. 城中村空间分布特征。(a) 2018年UVNet识别的珠三角城中村分布图；(b)-(c) 2018年县域与乡镇级建设用地中城中村占比。
图 11. (a)–(c) 不同聚落类型中，建筑屋顶像元（红色）及其周围1–3像素（黄色、灰色、橙色）平均近红外反射率的时序变化；相关图示见图A3。 Pearson相关系数（r）用于衡量建筑屋顶与周边像元的光谱相似性； (d) 年度太阳方位角（SAA）的季节性变化。
所有数据和代码可在以下链接直接获取：https://zenodo.org/records/15108735声明：本推文仅用于学习交流，不做其他任何目的。若有侵权，请联系微信号：GeeStudy_2020删除或修改！论文doi链接：https://doi.org/10.1016/j.jag.2025.104631
