都市キャニオン分類は、都市の形態と微気候に対する都市キャニオン幾何学の影響を分析する上で重要な役割を果たしている。 アスペクト比を使用した既存の分類方法は、多くの場合、高価で面倒なフィールド調査の数が多い必要があります。 さらに、これらの方法は、特定の用途によってしばしば必要とされる通りの峡谷の複雑な幾何学的形状を処理することは困難である。 これらの困難を克服するために、我々は公に利用可能なGoogleストリートビュー（GSV）画像を使用してストリートキャニオン分類アプローチを開発します。 我々の方法は、密に接続された畳み込みネットワーク（DenseNets）に基づいて深いマルチタスク学習の最新の進歩に触発され、複数のストリートキャニオン分類、すなわち、H/wベース（レベル1）、対称ベース（レベル2）、および複雑な幾何学ベース（レベル3）分類に合わせて調整されています。 提案した方法を検証するために一連の実験を行った。 まず、香港エリアを例にとると、この方法は、三つのレベルでそれぞれ89.3％、86.6％、86.1％の精度を達成しました。 現地調査データを地上の真実として使用しても、さまざまなレベルで約80％を獲得しました。 次に、他の5つの都市で事前学習モデルをテストし、その結果を従来の方法と比較しました。 このスキームの譲渡性と有効性を実証した。 最後に、より複雑な通りの幾何学の表現を豊かにするために、このアプローチは、高密度の構築された環境における微気候研究を容易にするために、複数のレベルで通りの峡谷の主題図を別々に生成することができる。 通りの峡谷の分類そして地図を描くことのための開発された技術は微気候の変更の複雑な、展開の都市峡谷の幾何学の影響を調査するための費用効