urban canyon-klassifisering spiller en viktig rolle i å analysere virkningen av urban canyon-geometri på urban morfologi og mikroklima. Eksisterende klassifiseringsmetoder som bruker aspektforhold krever et stort antall feltundersøkelser, som ofte er dyre og arbeidskrevende. Videre er det vanskelig for disse metodene å håndtere den komplekse geometrien av street canyons, som ofte kreves av bestemte applikasjoner. For å overvinne disse vanskelighetene utvikler vi en street canyon-klassifiseringsmetode ved hjelp av offentlig Tilgjengelige Google Street View-bilder (GSV). Vår metode er inspirert av de siste fremskrittene innen dyp multitask-læring basert på tett sammenkoblede convolutional networks (DenseNets) og skreddersydd for flere street canyon-klassifiseringer, dvs.H/W-basert (Nivå 1), symmetribasert (Nivå 2) og kompleksgeometribasert (Nivå 3) klassifiseringer. Vi gjennomførte en rekke eksperimenter for å verifisere den foreslåtte metoden. For Det Første, med Hong Kong-området som et eksempel, oppnådde metoden en nøyaktighet på henholdsvis 89, 3%, 86, 6% og 86, 1% for de tre nivåene. Selv ved å bruke feltundersøkelsesdataene som grunn sannhet, fikk den omtrent 80% for ulike nivåer. Deretter testet vi vår pretrained modell i fem andre byer og sammenlignet resultatene med tradisjonelle metoder. Overførbarheten og effektiviteten av ordningen ble demonstrert. Til slutt, for å berike representasjonen av mer komplisert gategeometri, kan tilnærmingen separat generere tematiske kart over street canyons på flere nivåer for bedre å lette mikroklimatiske studier i tettbygde miljøer. De utviklede teknikkene for klassifisering og kartlegging av street canyons gir et kostnadseffektivt verktøy for å studere virkningen av kompleks og utviklende urban canyon geometri på mikroklimaendringer.