Beyond Binary Rooftop Mapping: A Four-Class Deep Learning Framework for Green Roof Potential Assessment from Open Swiss Geospatial Data

技术摘要：超越二元论的屋顶制图

问题陈述
有效的城市气候适应策略需要全面的屋顶空间数据，以评估生态系统服务，特别是用于缓解城市热岛（UHI）效应。虽然绿化屋顶已被公认为一种重要的解决方案，但现有的研究和数据集通常仅侧重于绘制“现有”绿化屋顶或“潜在”绿化场地，却极少同时对两者进行制图。此外，目前的方法往往依赖于专有图像，限制了可复现性，或者未能区分现有的绿化屋顶、太阳能装置、潜在绿化场地以及不适用的平坦表面。目前存在一个关键的研究空白，即亟需一个能够整合结构约束（如坡度）与光谱分析，以提供城市级屋顶适宜性评估的可操作的多类别开源框架。

方法论
本研究提出了一种基于现有“Roofpedia”架构的改进深度学习框架，旨在执行四类语义分割。该工作流整合了高分辨率航空影像与数字表面模型（DSM）数据，以强制执行物理可行性约束。

• 数据源： 该框架完全依赖于开源的 Swisstopo 数据集：
  • SWISSIMAGE： 10 厘米分辨率的 RGB 正射影像。
  • swissSURFACE3D： 用于计算屋顶坡度的 DSM。
  • swissTLM3D： 矢量建筑轮廓。
  • 注： 研究还基准测试了 Mapbox 影像和 SWISSIMAGE RS（包含近红外波段），但由于 SWISSIMAGE 在全开源可用性以及比模糊的 SWISSIMAGE RS 具有更优越的几何锐度方面表现更好，因此最终选择了 SWISSIMAGE 用于城市规模的应用。
• 预处理： 坡度过滤阶段（使用 QGIS 区域统计）排除了平均坡度大于 6.5 度的建筑物，仅保留适合绿色基础设施的平顶结构。
• 模型架构： 采用了带有 ResNet-50 编码器主干（在 ImageNet 上预训练）的改进型 U-Net。该模型将屋顶分为四个不同类别：
  1. 现有绿化屋顶： 当前已有植被覆盖。
  2. 潜在绿化屋顶： 目前无植被的平坦适宜表面。
  3. 太阳能屋顶： 被光伏面板占据的表面。
  4. 不适用： 由于材料或替代用途而无法进行绿化的平坦表面。
• 标签分配： 当一个建筑轮廓内预测出多个类别时，研究评估了两种分配单一类别的策略：
  • 基于优先级： 太阳能 > 潜在绿化 > 绿化 > 不适用。
  • 基于面积： 分配相交面积比例最大的类别。
• 评估： 模型在伯恩（Bern）的 9,814 个人工标注的建筑物上进行了训练和验证。性能通过交叉熵损失（Cross-Entropy Loss）、平均交并比（mIoU）和总体准确率（OA）进行衡量。

核心贡献

1. 四类分类系统： 本研究引入了第一个能够同时区分现有绿化屋顶、现有太阳能屋顶、潜在绿化屋顶和非适宜平坦表面的全开源模型。
2. 集成结构约束： 与纯光谱方法不同，该框架整合了基于 DSM 的坡度阈值，在分类前过滤掉物理上不适宜的屋顶，从而确保“潜在绿化”类别反映了现实世界的安装可行性。
3. 影像来源对比分析： 论文系统地评估了三种航空影像源（Mapbox、SWISSIMAGE 和 SWISSIMAGE RS）在四类任务中的表现，发现虽然 RGB 影像（Mapbox 和 SWISSIMAGE）在总体表现上相当，但增加近红外波段（SWISSIMAGE RS）并未提高四类分割得分，反而因其几何锐度降低而导致性能下降。
4. 开源可复现性： 整个工作流，从数据处理到模型训练，均基于开源工具和数据构建，使其可推广至其他瑞士城市及全球范围。

结果

• 模型性能： 改进后的 Roofpedia 模型在四类任务中实现了 0.86 的训练 mIoU 和 0.78 的验证 mIoU。
• 影像源比较：
  • SWISSIMAGE (10 cm RGB)： 实现了 51% 的建筑级总体准确率。它展现了最佳的平衡性，漏检率最低（443 栋建筑），且误差主要集中在“潜在绿化”类别（即将现有绿化误判为潜在绿化）。
  • Mapbox (~50 cm RGB)： 实现了 59.7% 的建筑级准确率，但由于低分辨率导致的纹理模糊，更容易将“不适用”屋顶误分类为“潜在绿化”。
  • SWISSIMAGE RS (RGB + NIR)： 由于图像模糊，导致检测太阳能板等几何特征的能力下降，表现显著较差（15.2% 准确率），尽管其 NIR 波段对植被具有实用价值。
• 基准对比： 原有的二元 Roofpedia 模型在单一类别（绿化 vs 非绿化）上实现了 77.5% 的准确率，而 proj-vegroofs-DL 模型（针对植被类型学训练）在映射到四类任务时仅达到 11% 的准确率。所提出的四类模型虽然其原始准确率百分比低于二元基准模型，但提供了更丰富、更具政策相关性的输出。
• 伯恩案例研究： 应用于瑞士伯恩市，该模型识别出约 9,898 栋平顶建筑（占总存量的 9.6%）。标签策略的选择显著影响了结果：基于优先级的策略估计有 11.7% 的建筑为太阳能屋顶，而基于面积的策略仅估计为 6.3%。

意义与主张
论文声称，该框架通过提供一个统一、透明且可复现的工具，填补了主要的教学空白。通过超越二元的“绿/非绿”制图，本研究提供了用于协调气候适应规划的循证信息。作者强调，对开源 Swisstopo 数据的依赖确保了该工作流对于资源有限的城市是可触达的，并且可以进行国际化扩展。结果表明，伯恩在未开发的绿化屋顶潜力方面具有显著空间，特别是在目前被归类为“不适用”或“潜在绿化”的平坦屋顶中，这为缓解城市热岛效应提供了具体的依据。研究结论指出，尽管模型并非完美（例如在苔藓覆盖的裸露屋顶与绿化屋顶之间，或在太阳能板与波纹屋顶的几何相似性方面存在混淆），但它代表了在可操作的多类屋顶评估领域取得的实质性进展。