La classificazione del canyon urbano svolge un ruolo importante nell’analisi dell’impatto della geometria del canyon urbano sulla morfologia e sui microclimi urbani. I metodi di classificazione esistenti che utilizzano le proporzioni richiedono un gran numero di indagini sul campo, che sono spesso costose e laboriose. Inoltre, è difficile per questi metodi gestire la complessa geometria dei canyon stradali, che è spesso richiesta da applicazioni specifiche. Per superare queste difficoltà, sviluppiamo un approccio di classificazione street canyon utilizzando le immagini disponibili pubblicamente di Google Street View (GSV). Il nostro metodo è ispirato ai più recenti progressi nell’apprendimento multitasking profondo basato su reti convoluzionali densenet (DenseNets) e su misura per la classificazione multipla street canyon, cioè, H/W-based (livello 1), simmetria-based (livello 2), e geometria complessa-based (livello 3) classificazioni. Abbiamo condotto una serie di esperimenti per verificare il metodo proposto. In primo luogo, prendendo come esempio l’area di Hong Kong, il metodo ha raggiunto una precisione dell ‘ 89,3%, 86,6% e 86,1%, rispettivamente per i tre livelli. Anche utilizzando i dati dell’indagine sul campo come la verità a terra, ha guadagnato circa l ‘ 80% per diversi livelli. Poi, abbiamo testato il nostro modello pre-addestrato in altre cinque città e confrontato i risultati con i metodi tradizionali. Sono state dimostrate la trasferibilità e l’efficacia del regime. Infine, per arricchire la rappresentazione della geometria stradale più complicata, l’approccio può generare separatamente mappe tematiche di canyon stradali a più livelli per facilitare meglio gli studi microclimatici in ambienti costruiti ad alta densità. Le tecniche sviluppate per la classificazione e la mappatura dei canyon stradali forniscono uno strumento economico per studiare l’impatto della complessa e in evoluzione geometria dei canyon urbani sui cambiamenti del microclima.