深度学习识别非正式绿地数据分类
不同类型的数据为深度学习识别非正式绿地提供基础，同时结合多源数据能够有效解决非正式绿地特征而导致的识别难点，提高识别的精度。在非正式绿地识别过程中，首先，需要高精度的图片来源。目前，深度学习识别非正式绿地影响的常用方法包括2种：一种是运用高分辨遥感影像，从俯视视角进行识别；另一种是街景数据，对人视视角的大样本街景图像进行深度学习。其次，为了提高识别准确性，可以基于网络媒体数据及PPGIS进行辅助识别，对非正式绿地识别难点进行具有针对性的补充与二次筛选。
2.1用于深度学习识别的高分辨遥感影像数据
点状非正式绿地一般面积较小，部分面积甚至小于500m2，其中5m2以下绿地进行深度学习识别的难度极高[21]。而高分辨遥感影像为大规模精确识别非正式绿地提供了识别基础图像。遥感技术运用以来，时间、空间、光谱分辨率精度不断提升，深度学习的发展对遥感影像的处理提供了新的支撑[27]。在空间分辨率方面，GoogleEarth卫星影像、QuickBird卫星、WorldView卫星的遥感影像精度可达0.3~1m，可以为语义分割识别非正式绿地提供精细的地物细节[28]。在光谱分辨率方面，EuroSAT、KSC等数据集来源与Sentinel-2、AVIRIS等多光谱卫星，在识别非正式绿地时可以通过绿地的光谱特征来进行遥感分类[28]。
基于深度学习模型识别遥感影像可以精准识别场地空间，如Pei等利用深度学习MSG-GCN模型及高分辨影像，精确识别复杂植物群落的边界[29]；蓝健均等基于高分辨遥感影像，运用BR-net模型对面积较小的待拆迁建筑轮廓进行提取，最终提取精度高于83％[30]。
2.2用于场所空间量化的街景影像数据
城市内部非正式绿地与其周边环境的区别集中于基础设施、植被覆盖等。利用街景图片可以直观地展示城市的实际表征，反映人们接收到的城市建成环境绿量信息[31]。在某些特定情况下，俯瞰视角的高分辨遥感影像无法反映城市建成环境，但在街景地图中可以人视角360°显示特定位置全景影像，具有覆盖范围大、定位数据易获取、收集成本低等优势，为补充识别非正式绿地提供了数据源，同时能够直接量化非正式空间绿地绿度、植被类型等信息[32]。街景数据来源通常包含百度街景、谷歌街景、腾讯街景数据集等。
通过深度学习对大量街景影像进行语义分割，可以精确区分不同空间要素，对非正式绿地进行补充识别。街景图像还可解决非正式绿地识别过程中地物遮挡问题。如白钊成等基于街景数据，运用DeepLabv3+模型，精准识别不同层次植被，解决了以往识别植被时灌木、草本被乔木遮挡的问题[33]。
2.3用于公众感知分析的网络媒体数据
除了遥感影像数据等基础空间数据外，网络媒体数据还可以作为非正式绿地的识别数据补充。网络媒体数据通常是指借助互联网平台和社交媒体平台，通过公众自愿提交信息、完成任务、提供反馈，产生的大量、不同类型的数据。网络媒体数据包括多种数据类别，如社交网络数据、定位通信数据、网络媒体数据等类型[34]，具有实时性及广泛性，可以反映人群位置、居民对场地形态认知、环境设施的使用程度等情况，可以作为重要的补充数据分析非正式绿地的活力，以及识别使用率较低的空地。
随着智能移动通信设备的不断普及，手机信令、微博数据、POI等大数据随之而生。以往通常采用访谈、观察等定性研究，往往涉及对参与者和环境进行有目的的抽样[35]。而网络媒体数据样本量大，相较于现场调研、问卷调查等形式具有更高的鲁棒性，可以作为深度学习模型模块构建中重要的数据来源，提高非正式绿地识别精度[36]。如钮心毅等通过手机定位数据，对上海中心的城市空间结构进行识别，说明网络媒体数据对空间识别方面具有巨大潜力[37]。
2.4自下而上辅助识别的PPGIS平台数据
20世纪60年代以来，地理信息系统(GIS)的使用使得规划与景观设计可以进行定量的理性分析，然而这种自上而下的分析往往忽视使用者的感受[38]。公众参与地理信息系统(PublicParticipationGeographicInformationSystem，PPGIS)通过共享的公众地理数据信息，自下而上地对数据来源进行补充，以此评估周边居民具体的需求，可以作为连接公众需求与非正式绿地规划设计的桥梁[39]。PPGIS与GIS结合使用时，PPGIS可以生成空间位置描述，从而对每个位置的空间产生更深入的了解，以此进行定位与识别[40]。
PPGIS的使用强调公众参与，这也为非正式绿地的识别提供了广泛的数据来源。Agata等运用PPGIS，评估带有空间定位的非正式绿地非货币价值[41]。基于PPGIS平台，公众对非正式绿地的评判可纳入深度学习模型，分析公众对非正式绿地的感知与正式绿地的差异以提高识别准确性，补充现有非正式绿地数据资源，并获得公众对非正式绿地利用及改造发展方向的期望。
