Urban land-use maps outlining the distribution, pattern, and composition of various land use types are critically important for urban planning, environmental management, disaster control, health protection, and biodiversity conservation. Recent advances in remote sensing and social sensing data and methods have shown great potentials in mapping urban land use categories, but they are still constrained by mixed land uses, limited predictors, non-localized models, and often relatively low accuracies. To inform these issues, we proposed a robust and cost-effective framework for mapping urban land use categories using openly available multi-source geospatial “big data”. With street blocks generated from OpenStreetMap (OSM) data as the minimum classification unit, we integrated an expansive set of multi-scale spatially explicit information on land surface, vertical height, socio-economic attributes, social media, demography, and topography. We further proposed to apply the automatic ensemble learning that leverages a bunch of machine learning algorithms in deriving optimal urban land use classification maps. Results of block-level urban land use classification in five metropolitan areas of the United States found the overall accuracies of major-class (Level-I) and minor-class (Level-II) classification could be high as 91% and 86%, respectively. A multi-model comparison revealed that for urban land use classification with high-dimensional features, the multi-layer stacking ensemble models achieved better performance than base models such as random forest, extremely randomized trees, LightGBM, CatBoost, and neural networks. We found without very-high-resolution National Agriculture Imagery Program imagery, the classification results derived from Sentinel-1, Sentinel-2, and other open big data based features could achieve plausible overall accuracies of Level-I and Level-II classification at 88% and 81%, respectively. We also found that model transferability depended highly on the heterogeneity in characteristics of different regions. The methods and findings in this study systematically elucidate the role of data sources, classification methods, and feature transferability in block-level land use classifications, which have important implications for mapping multi-scale essential urban land use categories.

概述各种土地利用类型的分布、模式和组成的城市土地利用图对于城市规划、环境管理、灾害控制、健康保护和生物多样性保护至关重要。遥感和社会传感数据和方法的最新进展在绘制城市土地利用类别图方面显示出巨大潜力，但它们仍然受到土地利用混合、预测因子有限、模型非局部化以及精度通常相对较低的限制。为了告知这些问题，我们提出了一个强大且具有成本效益的框架，用于使用公开可用的多源地理空间“大数据”绘制城市土地利用类别。以从 OpenStreetMap (OSM) 数据生成的街道街区作为最小分类单元，我们整合了关于地表、垂直高度、社会经济属性、社交媒体、人口统计学和地形的一组广泛的多尺度空间显性信息。我们进一步建议应用自动集成学习，利用一系列机器学习算法来推导最佳城市土地利用分类图。美国五个大都市区的街区级城市土地利用分类结果发现，主要类（Level-I）和次要类（Level-II）分类的总体准确率高达91%和86%，分别。多模型比较表明，对于具有高维特征的城市土地利用分类，多层堆叠集成模型比随机森林、极端随机树、LightGBM、CatBoost、和神经网络。我们发现，在没有非常高分辨率的国家农业图像计划图像的情况下，基于 Sentinel-1、Sentinel-2 和其他基于开放大数据的特征得出的分类结果可以达到 88 级的 I 级和 II 级分类的总体准确度% 和 81%，分别。我们还发现模型可移植性高度依赖于不同区域特征的异质性。本研究的方法和发现系统地阐明了数据源、分类方法和特征可转移性在块级土地利用分类中的作用，这对绘制多尺度基本城市土地利用类别具有重要意义。来自 Sentinel-1、Sentinel-2 和其他基于开放大数据的特征的分类结果可以分别达到 88% 和 81% 的 Level-I 和 Level-II 分类的总体准确率。我们还发现模型可移植性高度依赖于不同区域特征的异质性。本研究的方法和发现系统地阐明了数据源、分类方法和特征可转移性在块级土地利用分类中的作用，这对绘制多尺度基本城市土地利用类别具有重要意义。来自 Sentinel-1、Sentinel-2 和其他基于开放大数据的特征的分类结果可以分别达到 88% 和 81% 的 Level-I 和 Level-II 分类的总体准确率。我们还发现模型可移植性高度依赖于不同区域特征的异质性。本研究的方法和发现系统地阐明了数据源、分类方法和特征可转移性在块级土地利用分类中的作用，这对绘制多尺度基本城市土地利用类别具有重要意义。我们还发现模型可移植性高度依赖于不同区域特征的异质性。本研究的方法和发现系统地阐明了数据源、分类方法和特征可转移性在块级土地利用分类中的作用，这对绘制多尺度基本城市土地利用类别具有重要意义。我们还发现模型可移植性高度依赖于不同区域特征的异质性。本研究的方法和发现系统地阐明了数据源、分类方法和特征可转移性在块级土地利用分类中的作用，这对绘制多尺度基本城市土地利用类别具有重要意义。