A escala del vecindario, reconocer el espacio verde comunitario urbano (UCGS) es importante para la evaluación de las condiciones de vida residencial y la planificación urbana. Sin embargo, los estudios actuales han incorporado dos problemas clave. En primer lugar, los estudios existentes se han centrado en escalas geográficas grandes, mezclando áreas urbanas y rurales, descuidando la precisión de los contornos del espacio verde en escalas geográficas finas. En segundo lugar, los espacios verdes cubiertos por sombras a menudo sufren de mala clasificación. Para abordar estos problemas, creamos un conjunto de datos de espacio verde comunitario urbano (UCGS) a escala de vecindario y propusimos un decodificador de segmentación para la estructura de HRNet con dos decodificadores auxiliares. Nuestro modelo propuesto añade dos ramas adicionales a las representaciones de baja resolución para mejorar su capacidad discriminativa, mejorando así el rendimiento general cuando se fusionan las representaciones de alta y baja resolución. Para evaluar el rendimiento del modelo, lo probamos en un conjunto de datos que incluye imágenes satelitales de Shanghái, China. El modelo superó a otros nueve modelos en la extracción de UCGS, con una precisión del 83.01, un recall del 85.69, un IoU del 72.91, un F1-score del 84.33 y un OA del 89.31. Nuestro modelo también mejoró la integridad de la identificación de espacios verdes sombreados en comparación con HRNetV2. El método propuesto podría ofrecer una herramienta útil para la detección y mapeo eficiente de UCGS en la planificación urbana.