如何及时有效地监测全球城市扩展过程？针对这一问题，地表过程与资源生态国家重点实验室何春阳教授、刘志峰副教授等基于深度学习结构中的全卷积网络，研究发展了一种新的城市扩展过程监测方法。该方法的基本思路是先利用输入层复合夜间灯光数据、植被指数数据、地表温度数据和经纬度数据，然后利用三个卷积层和一个池化层分别获取像元、邻域和背景区域等三个尺度上的特征信息，最后基于连结层结合三个尺度的特性信息进行分类，提取全球城市土地，进而基于多期提取结果监测全球城市扩展过程。利用该方法，监测了全球1992-2016年城市扩展过程。

图1 流程图

本研究发展的基于全卷积网络的全球城市扩展过程监测方法的主要优势在于可以有效复合多源遥感数据、综合集成多尺度特征并弥补历史城市土地训练样本的不足。因此该方法能够适用于不同空间分辨率、不同类型的遥感数据，在全球不同尺度的城市扩展过程监测方面具有良好的推广应用价值。利用该方法，本文准确地监测了全球1992-2016年城市扩展过程。监测结果的平均总体精度为90.89%，平均Kappa系数为0.47；比已有数据平均总体精度高出0.42%-3.47%，平均Kappa系数高出0.27-0.32。测量结果显示，全球1992-2016年经历了大规模的城市扩展过程。全球城市土地总面积从27.47万 km2增长到62.11万 km2，城市扩展面积为34.65万km2，是1992年城市土地面积的1.26倍。在六个大洲中，亚洲的城市扩展面积最大，达14.42万km2，占全球城市扩展总面积的41.61%。在所有国家中，中国的城市扩展面积最大，达7.22万km2，占全球城市扩展面积的20.83%。

图2精度评价

图3全球1992-2016年城市扩展过程

该研究于2019年3月11日正式刊登于杂志《Environmental Research Letters》（SCI二区，2018年影响因子6.192）。截止2019年9月18日，文章下载量达1292次。

注：全球1992-2016年城市扩展过程数据可免费下载，下载地址：https://doi.pangaea.de/10.1594/PANGAEA.892684.

供稿人：刘志峰