城市更新背景下融合深度学习的非正式绿地数字识别技术研究进展
摘要：城市更新过程中，非正式绿地在为城市提供环境、社会和生态效益方面发挥着至关重要的补充作用。然而，非正式绿地由于数量繁多、面积较小、种类多样、边界模糊等特征导致其难以高效识别。深度学习在分割图像进行识别及自主学习方面有极大的优势。
因此，基于深度学习，对多源数据依托下的非正式绿地识别研究进行综述。首先,基于非正式绿地内涵归纳其识别特征与识别难点；其次，梳理识别非正式绿地常用的4种数据类型，即基于深度学习识别的高分辨遥感影像、街景图片，用于辅助识别的网络媒体数据、PPGIS平台数据；再次，对现有深度学习进行非正式绿地整体布局识别、耦合多源数据进行辅助识别的方法研究进展进行归纳总结；最后，对未来非正式绿地空间识别应用与发展提出展望与建议。
随着城市发展由增量不断转向存量优化，城市更新成为城市建设中突出的规划发展理念。2021年3月，城市更新被正式写入《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》，正式上升为国家层面战略[1]。
当前，城市化是全球范围内的主导趋势，城市人口数量不断上升[2]。高密度的建成区与人类对高品质生活的追求逐渐不平衡，城市绿地需求不断增加[3]。然而，由于改造成本高、权属复杂等问题，在城市更新过程中，城市正式绿地难以进行进一步挖掘利用[4]。非正式绿地是城市绿化的重要组成部分，在提高城市居民生态环境和生活质量方面可以发挥重要作用。现有学者提出将城市“非正式绿地”作为城市绿色基础设施的重要“补丁”，以丰富城市绿地生态功能[5]。
相较于正式绿地，非正式绿地具有居民接触频率高、绿地类型多元化、避免绿地使用的不公平性等优势[6]。非正式绿地可以作为提供灵活、活力、贴近自然的公共空间，发挥与城市正式绿地类似的生态系统服务功能，满足人口多样化的“自然需求”[7-8]。非正式绿地在城市中高密度分布，在城市更新过程中具有极高的规划及发展潜力，应对现有非正式绿地进行充分挖掘[9]。
然而非正式绿地由于面积较小、分布破碎化、类型繁多等问题导致其无法进行快速、大规模范围识别[4]。传统非正式绿地识别通常采用实地调研、系统抽样法，并在此基础上进行人工目视判读。如Minseo等采用系统抽样法，基于4种抽样策略，在日本市川北部建立网格后，在交叉点设置50m2的采样点进行采样，并通过人工目视对非正式绿地进行识别[10]。
该方法人力消耗较大、效率较低，人可行动区域有限，对于识别区域范围有一定限制。因此，在城市更新提升城市环境的进程中，城市规划过程迫切需要一套快速、精确、普及的非正式绿地识别技术方法[11]。现有学者对非正式绿地的研究多集中在定义、功能价值与应用方面，而识别方面的研究相对较少，因此高效识别非正式绿地的方法值得深入研究[7]。
对非正式绿地的自动识别可以有效降低时间及人工成本，扩大识别范围[12]。深度学习由于其对图像特征提取具有强大的分析能力，近年来逐渐成为自动识别地表类型的工具[13]。深度学习较早由多伦多大学Hinton提出[14]。通过构建深度学习模型，可以对图像进行语义分割，即运用语义单元，将图像进行分割后形成不同语义标识的区域，最终获得不同类别的影像区域结果[15-16]。
相较于人工目视判读，深度学习模型可以分析大量数据并从中学习，识别相对客观，识别结果具有更高的精度、准确性及识别效率[17]。此外，深度学习模型可以扩展到更大的区域，从而可以在短时间内分析多个城市和地区。因此，本文从深度学习识别非正式绿地入手，对现阶段大规模自动识别非正式绿地研究进展进行综述。
