.png){kind=icon}
返回
Urban shrinkage morphology: A quantitative classifying framework using deep learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cities.2025.105956.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
城市收缩（US）已成为制约城市高质量发展的全球性重大挑战，引发了广泛的学术讨论。然而，城市收缩形态（USM）的形态分类学相对被忽视，需要在科学边界识别、形态量化、精细内容分析和先进分类技术方面取得突破。本研究以中国十大都市圈（UAs）内的城市物理区域（UPA）为研究对象，提出并验证了一个综合框架。结果表明，改进的BP神经网络（BPNN）在等密映射中表现优异，而优化的卷积神经网络（CNN）在USM分类中达到了98.7%的准确率。USM揭示了演化轨迹，局部收缩更可能演变为收缩城市（SCs）。城市规模越大、扩张强度越高，USM的复杂性和多样性也越高。提出的复合形态（CM）具有显著意义，占比达22.3%。东部和东南部UAs的CM比例相对较低，而东北部UAs则呈现相反趋势。本研究建立了一个新范式，突显了USM研究的巨大潜力，为城市规划与可持续发展提供了技术视角。
Keyword:
Urban shrinkage
Typology
Composite morphology
Deep learning
Quantitative classification
Transformation rules
期刊
IF:
6.6
论文数:
6.6K
被引数:
2.5W
机构
引用论文
分享收藏分享收藏Historical trajectories of currently shrinking Portuguese cities: A typology of urban shrinkage.png)
CITIES
OAAI
CITIESIF6.6
OAAI分享收藏High Resolution Population Maps for Low Income Nations: Combining Land Cover and Census in East AfricaPLoS ONEOAAI
PLoS ONEIF0
OAAI分享收藏Population Shrinkage in Resource-dependent Cities in China: Processes, Patterns and Drivers中国资源型城市人口萎缩: 过程、模式与驱动因素OAAI
OAAI分享收藏Research on spatiotemporal patterns and influencing factors of county-level urban shrinkage in urbanizing China城市化进程中县级城市收缩的时空格局及影响因素研究
PREAI
分享收藏
查看更多内容