Urban canyon klassificering spiller en vigtig rolle i analysen af virkningen af urban canyon geometri på bymorfologi og mikroklimaer. Eksisterende klassificeringsmetoder, der bruger billedformater, kræver et stort antal feltundersøgelser, som ofte er dyre og besværlige. Desuden er det vanskeligt for disse metoder at håndtere den komplekse geometri af gadekløfter, hvilket ofte kræves af specifikke applikationer. For at overvinde disse vanskeligheder udvikler vi en street canyon-klassificeringsmetode ved hjælp af offentligt tilgængelige Google Street Vis (GSV) billeder. Vores metode er inspireret af de seneste fremskridt inden for dyb multitask-læring baseret på tæt forbundne konvolutionsnetværk (DenseNets) og skræddersyet til flere street canyon-klassifikationer, dvs.H/H-baserede (Niveau 1), symmetribaserede (niveau 2) og komplekse geometribaserede (niveau 3) klassifikationer. Vi gennemførte en række eksperimenter for at verificere den foreslåede metode. Først ved at tage Hong Kong-området som et eksempel opnåede metoden en nøjagtighed på henholdsvis 89,3%, 86,6% og 86,1% for de tre niveauer. Selv ved at bruge feltundersøgelsesdataene som grundsandheden, fik de cirka 80% for forskellige niveauer. Derefter testede vi vores pretrained model i fem andre byer og sammenlignede resultaterne med traditionelle metoder. Ordningens overførbarhed og effektivitet blev påvist. Endelig, for at berige repræsentationen af mere kompliceret gadegeometri, kan tilgangen separat generere tematiske kort over gadekløfter på flere niveauer for bedre at lette mikroklimatiske studier i miljøer med høj densitet. De udviklede teknikker til klassificering og kortlægning af gadekløfter giver et omkostningseffektivt værktøj til at studere virkningen af kompleks og udviklende Urban canyongeometri på mikroklimaændringer.