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 |
| 区域跨度 | 全国36个大城市 |
| 数据格式 |
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。
Table 1. The classification system and legend of the UBGG-3m.
| Value | Type | Descriptions | Color | |||
| 0 | Urban Blue Space(UBS) | UBS 代表所有水体，包括河流、湖泊、海洋、水库和池塘等 | ||||
| 1 | Urban Impervious Surfaces (UIS) | UIS 代表建设用地，包括建筑、道路、广场等 | ||||
| 2 | Urban Green Space(UGS-Tree) | UGS-Trees 代表城市森林，包括城市林地、灌木等 | ||||
| 3 | Urban Green Space(UGS-Grass) | UGS-Grass 代表城市草地，包括草坪，高尔夫球场等。 | ||||
| 4 | Urban Green Space(UGS-Farm) | UGS-Farm 代表城市耕地，代表城区外的耕地。 | ||||
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.
兑换码获取
数据会员单独购买优惠