DeepC4：面向大规模城市形态多任务空间细化的深度条件人口普查约束聚类
摘要
为理解许多发展中国家在可持续发展和灾害风险减缓方面的全球进展，最近两个大型项目——全球地震模型（GEM）基金会的非洲暴露统一数据集和基于地球观测程序的暴露建模项目（METEOR）——均实现了经典的空间细化技术，通过从各种卫星影像及其衍生数据、建筑环境的地理空间数据集以及子国家人口普查统计数据中获取信息来生成大规模的城市形态映射。然而，由于弱和条件标签监督，本地化的人口普查统计数据与经过充分验证的统计数据之间的差异以及传播的模型不确定性仍是粗糙到细粒度映射问题中的挑战。因此，我们提出了深度条件人口普查约束聚类（Deep Conditional Census-Constrained Clustering, DeepC4），这是一种新颖的基于深度学习的空间细化方法，纳入了作为聚类级别约束的本地人口普查统计数据，并在联合多任务学习中考虑卫星影像图案的多个条件标签关系。通过针对刚果卢干阿城市形态进行演示，DeepC4 在屋顶、墙壁和高度预测方面分别获得了0.63、0.78 和0.45 的宏F1分数，以及0.57、0.71 和0.42 的宏mIoU分数；其 dwelling 和 occupant 计数误差分别为1.13% 和1.11%，均低于GEM（2.03% 和3.29%），且在各省份的500米网格像素上占比比METEOR高出32%~49%。随着世界接近2030年许多全球框架的终结，我们的工作提供了一种新型深度学习映射技术，显式地编码经过充分验证的人口普查及专家信念体系，以实现对大规模现有粗糙细化信息的可解释且可解释的审计。
引用
@article{arxiv.2507.22554,
title = {DeepC4: Deep Conditional Census-Constrained Clustering for Large-scale Multitask Spatial Disaggregation of Urban Morphology},
author = {Joshua Dimasaka and Christian Geiß and Emily So},
journal= {arXiv preprint arXiv:2507.22554},
year = {2026}
}
备注
Major Revised Preprint Submitted to ISPRS Journal of Photogrammetry and Remote Sensing (in review) | Keywords: urban morphology, building exposure, physical vulnerability, spatial disaggregation, deep clustering | Data: https://doi.org/10.5281/zenodo.13119552 | Code: https://github.com/riskaudit/DeepC4