多模态融合框架下的城市功能区识别

doi:10.13474/j.cnki.11-2246.2026.0814

测绘通报 ›› 2026, Vol. 0 ›› Issue (8): 96-102.doi: 10.13474/j.cnki.11-2246.2026.0814

• 学术研究 • 上一篇

多模态融合框架下的城市功能区识别

张用川^1,2, 高洁^1,2, 张治清^2,3, 周正强⁴, 王陆潇³, 官冬杰¹

1. 重庆交通大学智慧城市学院, 重庆 400074;
2. 自然资源部国土空间规划监测评估预警重点实验室, 重庆 401120;
3. 重庆市规划和自然资源信息中心, 重庆 401147;
4. 重庆市铜梁区规划和自然资源信息中心, 重庆 402560

收稿日期:2025-12-02 发布日期:2026-09-12
通讯作者: 高洁。E-mail：622230100006@mails.cqjtu.edu.cn
作者简介:张用川(1986—)，男，博士，讲师，主要研究方向为智能城市与空间规划。E-mail：zhangyc@cqjtu.edu.cn
基金资助:
自然资源部国土空间规划实施监测评价预警重点试验室开放基金(LMEE-KF2024011)

Identification of urban functional zones based on a multi-modal fusion framework

Zhang Yongchuan^1,2, Gao Jie^1,2, Zhang Zhiqing^2,3, Zhou Zhengqiang⁴, Wang Luxiao³, Guan Dongjie¹

1. School of Smart City, Chongqing Jiaotong University, Chongqing 400074, China;
2. Key Laboratory of Monitoring, Evaluation and Early Warning of Territorial Spatial Planning Implementation, Ministry of Natural Resources, Chongqing 401120, China;
3. Chongqing Municipal and Natural Resources Information Center, Chongqing 401147, China;
4. Chongqing Tongliang District Planning and Natural Resources Information Center, Chongqing 402560, China

Received:2025-12-02 Published:2026-09-12

摘要/Abstract

摘要： [目的] 针对传统城市功能区识别方法在多源异构数据融合能力不足、复杂地形条件下特征表达受限等问题，本文提出了一种基于深度学习的多模态融合框架。[方法] 分别从遥感影像、POI及DEM数据中提取异构特征，设计辅助权重层(AWL)实现辅助数据源重要性的自适应评估；设计双分支注意力模块(DBAM)，通过跨模态注意力机制动态平衡主辅数据分支贡献，构建多模态特征融合模块(MFFM)，融合深度可分离卷积与Transformer编码器，增强跨模态语义关联建模能力，实现城市功能区的精准识别。[结果] 以重庆市南岸区2019个样本进行验证试验，本文方法总体精度达到88.02%，Kappa系数为0.847。[结论] 本文提出的框架能够有效地提升复杂城市环境下的功能区识别精度。

关键词: 多模态数据, 城市功能区, 特征提取, 深度学习, 城市规划

Abstract: [Purposes] To address the limitations of traditional urban functional zone (UFZ)identification methods，such as insufficient multi-source data fusion and limited feature representation under complex terrain conditions. [Methods] This study proposes a deep learning-based multimodal fusion framework.The model extracts heterogeneous features from Sentinel-2 imagery，POI data，and DEM information.An auxiliary weighting layer (AWL)is designed to adaptively evaluate the contribution of each auxiliary data source.A dual-branch attention module (DBAM)dynamically balances the influence of remote sensing and auxiliary data through a cross-modal attention mechanism.Additionally，a multi-modal feature fusion module (MFFM)is constructed by integrating depthwise separable convolutions with Transformer encoders to enhance cross-modal semantic representation and improve classification of urban areas. [Findings] Experiments conducted in Nan'an district，Chongqing，using 2019 labeled samples across nine UFZ categories demonstrate that the proposed method achieves an overall accuracy of 88.02% and a Kappa coefficient of 0.847. [Conclusions] These results confirm the effectiveness of the framework in UFZ classification for complex urban environments．

Key words: multi-modal data, urban functional zones, feature extraction, deep learning, urban planning

中图分类号:

P208

张用川, 高洁, 张治清, 周正强, 王陆潇, 官冬杰. 多模态融合框架下的城市功能区识别[J]. 测绘通报, 2026, 0(8): 96-102.

Zhang Yongchuan, Gao Jie, Zhang Zhiqing, Zhou Zhengqiang, Wang Luxiao, Guan Dongjie. Identification of urban functional zones based on a multi-modal fusion framework[J]. Bulletin of Surveying and Mapping, 2026, 0(8): 96-102.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.0814

http://tb.chinasmp.com/CN/Y2026/V0/I8/96

参考文献

[1] 骆少华，刘扬，高思岩，等.基于空间格网的城市功能区定量识别[J].测绘通报，2020(S1):214-217．
[2] 陈才，仇阿根，赵习枝，等.兴趣面数据和随机森林方法的城市功能区划分[J].测绘科学，2022，47(7):160-168．
[3] 刘鹏南，徐冬冬，白春梦.基于尺度不变特征变换的异源图像配准方法[J].激光与光电子学进展，2021，58(24):172-181．
[4] 余卓渊，闾国年，张夕宁，等.全息高精度导航地图:概念及理论模型[J].地球信息科学学报，2020，22(4):760-771．
[5] 施仲添，沈正伟，杨四海.基于前景感知的遥感影像建筑物提取方法[J].测绘通报，2023(2):134-138．
[6] Shi Qian，Liu Mengxi，Marinoni A，et al.UGS-1m:fine-grained urban green space mapping of 31major cities in China based on the deep learning framework[J].Earth System Science Data，2023，15(2):555-577．
[7] Pešek O，Brodský L，Halounová L，et al.Convolutional neural networks for urban green areas semantic segmentation on Sentinel-2 data[J].Remote Sensing Applications:Society and Environment，2024，36:101238．
[8] Guo Yiwen，Tang Jianbo，Liu Huimin，et al.Identifying up-to-date urban land-use patterns with visual and semantic features based on multisource geospatial data[J].Sustainable Cities and Society，2024，101:105184．
[9] 张慧馨，张丽君，秦耀辰，等.基于POI大数据的开封市城市功能扩张与演替特征分析[J].地球信息科学学报，2023，25(3):560-572．
[10] 李满娥，缪淑佳，王小龙.基于POI数据的城市功能区识别方法研究[J].测绘与空间地理信息，2025，48(1):133-135．
[11] 张欣杰，许振北，仇雅倩，等.融合多源地理信息数据的城市地块功能精细化识别研究[J].测绘与空间地理信息，2024，47(12):89-92．
[12] Halás M.Temporality in the delimitation of functional regions:the use of mobile phone location data[J].Regional Studies，2024，58(11):2175-2187．
[13] 靳萍，陈明，孙志豪.基于手机信令数据的城市用地功能区识别方法研究[J].信息通信，2018，31(1):268-270．
[14] 谢永俊，彭霞，黄舟，等.基于微博数据的北京市热点区域意象感知[J].地理科学进展，2017，36(9):1099-1110．
[15] Zhang Jinbao，Li Xia，Yao Yao，et al.The Traj2Vec model to quantify residents' spatial trajectories and estimate the proportions of urban land-use types[J].International Journal of Geographical Information Science，2021，35(1):193-211．
[16] 杨喜平，方志祥.移动定位大数据视角下的人群移动模式及城市空间结构研究进展[J].地理科学进展，2018，37(7):880-889．
[17] Wang Zijia，Liu Haixu，Zhu Yadi，et al.Identifying urban functional areas and their dynamic changes in Beijing:using multiyear transit smart card data[J].Journal of Urban Planning and Development，2021，147(2):04021002．
[18] Zhai Wei，Bai Xueyin，Shi Yu，et al.Beyond Word2Vec:an approach for urban functional region extraction and identification by combining Place2vec and POIs[J].Computers，Environment and Urban Systems，2019，74:1-12．
[19] Qian Zhen，Liu Xintao，Tao Fei，et al.Identification of urban functional areas by coupling satellite images and taxi GPS trajectories[J].Remote Sensing，2020，12(15):2449．
[20] Mo You，Guo Zhaocheng，Zhong Ruofei，et al.Urban functional zone classification using light-detection-and-ranging point clouds，aerial images，and point-of-interest data[J].Remote Sensing，2024，16(2):386．
[21] Ghasemian S N，Wang Jinfei，Najafi M R.Fusion of Google street view，LiDAR，and orthophoto classifications using ranking classes based on F1 score for building land-use type detection[J].Remote Sensing，2024，16(11):2011．
[22] Chen Junyu，Chen Yingbiao，Zheng Zihao，et al.Urban functional zone classification based on high-resolution remote sensing imagery and nighttime light imagery[J].Remote Sensing，2025，17(9):1588．

多模态融合框架下的城市功能区识别

Identification of urban functional zones based on a multi-modal fusion framework

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张卉冉, 白子涵, 高建伟, 张郁, 吴辉. 融合全景影像和车载点云的道路杆状物实例化提取[J]. 测绘通报, 2026, 0(7): 124-129.
[2]	刘伟丽, 田志勇, 罗勇强. 基于深度学习的武汉市屋顶光伏地理潜力评估[J]. 测绘通报, 2026, 0(7): 167-172.
[3]	杜韵琦, 施泓羽, 张红娟, 李必军. RefDC:聚焦远距离深度特征细化的深度补全方法[J]. 测绘通报, 2026, 0(6): 67-73.
[4]	徐超. 基于质量图引导的深度学习相位解缠方法[J]. 测绘通报, 2026, 0(6): 92-97.
[5]	杨刚, 王淼, 陈思, 周佺, 李江川. 基于改进的YOLO11的天际线检测算法[J]. 测绘通报, 2026, 0(5): 12-16.
[6]	陈冲, 杨扬. 基于视觉状态空间模型的城市遥感影像语义分割方法[J]. 测绘通报, 2026, 0(5): 103-109.
[7]	郭明, 张潇澜, 仇宫润, 郭帅, 朱丽. 基于激光雷达点云的地下空间目标智能识别[J]. 测绘通报, 2026, 0(4): 65-72.
[8]	梁卫涛, 王跃东, 谢亚奇, 丁武, 杨红磊, 吴波, 薛启浪. 基于InSAR和深度学习的韩城市地表形变监测与预测[J]. 测绘通报, 2026, 0(4): 112-118,139.
[9]	李宏强, 杨魁, 车国伟. 融合注意力机制的加权ResNet在SAR洪水淹没区提取中的应用[J]. 测绘通报, 2026, 0(4): 134-139.
[10]	杨宇挺, 胡婷, 潘子永, 童旭东, 马爱龙. 基于多源遥感地理空间数据的建筑物用途识别[J]. 测绘通报, 2026, 0(3): 44-50.
[11]	原志芳, 李俊晓, 康倩. 融合多尺度雷达后向散射特征深度学习的多极化SAR影像山区水体高精度提取[J]. 测绘通报, 2026, 0(2): 1-6.
[12]	张欢, 黄秋影, 刘胜, 王奇, 李凯. 基于全局和局部特征融合的作物细粒度分类算法[J]. 测绘通报, 2026, 0(2): 144-148.
[13]	叶元元, 陈春晖, 厉香蕴, 方婷婷, 李金超. 基于SNUNet的国产卫星影像耕地变化检测[J]. 测绘通报, 2026, 0(1): 130-134.
[14]	刘丹莹, 夏既胜. 基于改进PSPNet网络的林窗信息提取方法[J]. 测绘通报, 2026, 0(1): 151-155,171.
[15]	杨颜光, 钱建国, 于斌, 郭洁, 焦扬. 轻量的增强型激光雷达-惯性-视觉里程计系统[J]. 测绘通报, 2025, 0(9): 78-83,104.