Urban canyon-luokituksella on tärkeä rooli analysoitaessa urban canyon-geometrian vaikutusta kaupunkimorfologiaan ja mikroilmastoon. Nykyiset kuvasuhteita käyttävät luokittelumenetelmät vaativat paljon kenttätutkimuksia, jotka ovat usein kalliita ja työläitä. Lisäksi näillä menetelmillä on vaikea käsitellä katukanjonien monimutkaista geometriaa, jota tietyt sovellukset usein vaativat. Näiden vaikeuksien voittamiseksi kehitämme street canyon-luokituksen käyttäen yleisesti saatavilla olevia Google Street View (GSV) – kuvia. Menetelmämme on saanut innoituksensa uusimmista edistysaskeleista syvässä moniajo-oppimisessa, joka perustuu tiheästi yhdistettyihin convolutionaalisiin verkkoihin (DenseNets) ja joka on räätälöity useisiin katukanjoniluokituksiin, eli H/W-pohjaisiin (Taso 1), symmetriapohjaisiin (Taso 2) ja kompleksigeometriapohjaisiin (Taso 3) luokituksiin. Teimme useita kokeita tarkistaaksemme ehdotetun menetelmän. Ensinnäkin, kun otetaan esimerkiksi Hongkongin alue, menetelmällä saavutettiin 89,3%: n, 86,6%: n ja 86,1%: n tarkkuus kolmelle tasolle. Vaikka kenttätutkimusaineistoa käytettiinkin perustotuutena, se sai noin 80% eri tasoille. Sitten testasimme esikasvatettua malliamme viidessä muussa kaupungissa ja vertasimme tuloksia perinteisiin menetelmiin. Järjestelmän siirrettävyys ja tehokkuus osoitettiin. Lopuksi, monimutkaisemman katugeometrian esittämisen rikastamiseksi lähestymistavalla voidaan erikseen tuottaa katukanjonien temaattisia karttoja useilla tasoilla, jotta voidaan paremmin helpottaa mikroilmastollisia tutkimuksia tiheästi rakennetuissa ympäristöissä. Kehitetyt tekniikat katukanjonien luokittelemiseksi ja kartoittamiseksi tarjoavat kustannustehokkaan työkalun tutkia monimutkaisen ja kehittyvän kaupunkikanjonin geometrian vaikutusta mikroilmaston muutoksiin.