中國大城市具有建筑物分類的土地利用分類數(shù)據(jù)集構建研究

馬倩 王詠薇 苗世光 張亦洲 穆清晨

摘要 局地氣候分區(qū)（Local Climate Zone，LCZ）方案是一種新的城市高分辨率土地利用分類（High Resolution Land Use Classification，HRLUC）數(shù)據(jù)集構建方法。基于LCZ分類體系制作了中國63個城市的具有建筑物分類的HRLUC數(shù)據(jù)集。原數(shù)據(jù)采用2017—2019年的Landsat 8衛(wèi)星數(shù)據(jù)及高分辨Google Earth影像，涵蓋51 933個訓練樣本（>100 m×100 m）和15 841個驗證樣本。精度評估結果表明：中國63個城市的HRLUC數(shù)據(jù)集總體質量較好，總體準確率為72%～92%，平均準確率為81%;城市用地類型準確率為59%～82%，平均準確率為72%;自然覆蓋類型準確率為71%～100%，平均準確率為89%。與同類研究相比，本研究的城市用地類型準確率較高。此外，基于原始LCZ分類體系，增加修建區(qū)為中國城市LCZ分類的基本類型;63個城市中有24個城市的修建區(qū)占比超過5%，該類下墊面多位于城郊結合部。

關鍵詞土地利用分類;高分辨;中國大城市;建筑物類型;修建區(qū)

土地利用/覆蓋變化（Land Use Cover Change，LUCC）過程對全球及區(qū)域環(huán)境有重要影響（Pielke，2005;李婧華等，2013;Hu et al.，2019）。由于當前全球城市化進程速度加快（Gao and ONeill，2020），城市土地利用的變化是最突出和集中的科學問題（Zhou and Chen，2018;Gong et al.，2020;Li et al.，2020;Rath and Panda，2020）。城市土地利用變化對輻射平衡（Pielke et al.，2002）、氣象環(huán)境（謝志清等，2015;Zhang et al.，2016;郭良辰等，2019）、空氣污染（Shi et al.，2019a）以及氣候變化（Mahmood et al.，2010;Liu et al.，2016;Findell et al.，2017;Song et al.，2018）的影響受到了廣泛關注。

在研究LUCC對局地、區(qū)域乃至全球氣候影響的過程中，土地利用類型數(shù)據(jù)是首要和關鍵的信息來源，是研究陸面過程的重要基礎（華文劍等，2014;Liu et al.，2020）。從土地利用類型數(shù)據(jù)中，可以獲取城市氣候模型的關鍵因子-城市形態(tài)信息。數(shù)值實驗和模式研究表明，使用更準確的城市形態(tài)數(shù)據(jù)可以獲取更好的空氣污染和氣候變化情景模擬研究結果，更具指導意義（Salamanca et al.，2011;Ching et al.，2018;Hammerberg et al.，2018;Wong et al.，2019;Mu et al.，2020）。

在數(shù)值模式中引入建筑物的高度信息可以提高模擬性能（Xu et al.，2017a）。將建筑物高度信息引入模式后，可以獲得更好的城市三維形態(tài)，從而較好地模擬風速（陳燕和蔣維楣，2006）、溫度（Mu et al.，2020）和降水（Patel et al.，2020）等。然而，對于許多城市而言，由于城市建筑物高度信息的缺失，阻礙了城市氣候研究的進展（Bechtel et al.，2015;Brousse et al.，2016;Liu et al.，2020）。因此，建立具有詳細空間細節(jié)信息的高分辨城市形態(tài)數(shù)據(jù)集，對當前模式的高分辨率模擬尤為重要（戴永久等，2020;苗世光等，2020）。

為了在全球范圍內更好地理解城市景觀以及刻畫城市足跡，學者們紛紛置身于解決高分辨城市形態(tài)數(shù)據(jù)匱乏問題。當前獲取的城市形態(tài)數(shù)據(jù)大多來自區(qū)域或全球的高分辨率土地覆蓋數(shù)據(jù)集（Zhang et al.，2014;Gong et al.，2019）。這些數(shù)據(jù)產(chǎn)品為在一定程度上為城市氣候科學的研究和城市化的可持續(xù)發(fā)展奠定了基礎，但是也存在一些不足。該類數(shù)據(jù)集雖然空間分辨率很高，但未提供詳細的建筑物細節(jié)信息，在城市形態(tài)和功能的評估方面也存在一定的偏差。例如，在數(shù)百米至數(shù)千米的范圍內，城市建筑物或建成區(qū)內只有一種土地利用類型，在一定程度上模糊了城市建筑物的具體功能及信息。

為了彌補建筑物細節(jié)信息的不足，一些研究者提出了城市多維地圖構造理論（Zheng and Weng，2015;Shahzad and Zhu，2016）。其中數(shù)據(jù)驅動和模型驅動方法是目前構建多維建筑地圖的兩種主要方法。數(shù)據(jù)驅動方法基于激光雷達數(shù)據(jù)，通過三維重建來創(chuàng)建或更新現(xiàn)有的地圖數(shù)據(jù)庫，但目前該技術僅在數(shù)據(jù)密度較高且屋頂平整的情況下有效（Awrangjeb et al.，2018）。而模型驅動方法所使用的簡化原型屋頂是建立在一些假設基礎之上的，一旦建筑結構過于復雜或者研究區(qū)域尺度過大則不再適用（Zheng and Weng，2015）。此外，Wang et al.（2018a）使用Landsat衛(wèi)星數(shù)據(jù)并結合全球高程數(shù)據(jù)構造了英格蘭城市3D結構地圖。他們指出，方法中所使用的數(shù)據(jù)源之間有時間上差異會對結果帶來極大的不確定性，因此他們的研究方法僅適用于英格蘭等城市化進程緩慢的區(qū)域。以上研究為具有建筑物分類的土地利用類型數(shù)據(jù)奠定了基礎，但在實際運用過程中，尤其是針對中國復雜的建筑物形態(tài)數(shù)據(jù)的構建存在局限性。

Stewart and Oke（2012）提出了局地氣候分區(qū)（Local Climate Zone，LCZ）的概念及方法。LCZ方法是一種既能夠兼顧高分辨率數(shù)據(jù)中城市建筑物分類和功能分區(qū)的表示，又具有大范圍制作可操作性的方法。與傳統(tǒng)的土地利用和土地覆蓋分類方法相比，LCZ分類方法對城市形態(tài)和功能分區(qū)進行了標準化，提供了10類詳細的建筑物分類信息以及數(shù)值模式所需的基本參數(shù)設置，推進了城市氣候研究（Shi et al.，2018）。LCZ最初是為規(guī)范城市熱島研究而提出的，但其作用不局限于城市熱島研究?；贚CZ對城市詳細的分類可得到城市高分辨率土地利用分類（High Resolution Land Use Classification，HRLUC）數(shù)據(jù)集，對于城市天氣預報，城市規(guī)劃和設計以及未來城市生活環(huán)境的改善至關重要（Bechtel et al.，2019）。

基于LCZ的基本分類，WUDAPT（World Urban Database and Access Portal Tools，WUDAPT）方法提供了一系列制得LCZ地圖的流程。該流程是基于免費的遙感數(shù)據(jù)，通過隨機森林之類的分類器，在開源軟件SAGA GIS中生成LCZ地圖（Bechtel et al.，2015），對數(shù)據(jù)源、制圖軟件及地理或遙感知識專業(yè)程度要求較?。╓ang et al.，2018a;Ching et al.，2019）?；赪UDAPT基本流程獲取城市數(shù)據(jù)的方法已廣泛運用于歐洲和亞洲國家的部分城市（Qiu et al.，2018;Wang et al.，2018a;Bechtel et al.，2019;Demuzere et al.，2019;Fonte，2019;He et al.，2019;Ren et al.，2019;Wang et al.，2019）。Danylo et al.（2016）通過評估LCZ分類方法在基輔和利沃夫（地理位置相近;但城市形態(tài)和地形差異較大）的適用性表明，在某個區(qū)域內，LCZ是一種通用的城市分類方法，但是否在全球城市通用還有待考證。Demuzere et al.（2019）提出了在云計算環(huán)境中利用Sentinel-1 SAR數(shù)據(jù)及其他光譜數(shù)據(jù)進行大規(guī)模LCZ制圖的方法。該方法使得進一步制作一致且完整的大陸尺度的LCZ地圖成為可能。基于LCZ制圖獲取的城市數(shù)據(jù)對于城市氣候和其他相關學科的發(fā)展至關重要。在中國，已有部分城市開展了LCZ地圖的制作（Cai et al.，2016，2018;Ren et al.，2019），但是基于當前精細化城市預報等需求，仍然有大量城市的地圖信息需要構建。

發(fā)達國家和發(fā)展中國家的城市建筑物類型有所不同，LCZ制圖標準需要根據(jù)實際城市用地類型進行調整（Kotharkar and Bagade，2018;He et al.，2019）。中國人口眾多，城市形態(tài)復雜。近年來，高速發(fā)展中的中國的LUCC變化很大（Weber and Puissant 2003;Sun et al.，2016，張強等，2017），城市建設用地不斷擴張。LCZ方法規(guī)定的所有LCZ類型是否包含中國建筑物所有類型值得考證。因此，更適合中國建筑物分布的類型尚待進一步研究。

本文基于LCZ的分類方法，制作了中國63個城市的具有詳細建筑物分類的HRLUC數(shù)據(jù)集。在未來的研究中，這些數(shù)據(jù)可以應用于氣候、環(huán)境以及城市規(guī)劃研究，并為理論及模型研究提供技術支撐。

1 數(shù)據(jù)和方法

本文基于WUDAPT分類流程，為中國主要的大城市制作具有11種詳細建筑物分類的HRLUC數(shù)據(jù)，為城市精細化天氣預報以及空氣污染等相關研究提供信息支撐。

1.1 LCZ土地利用分類的簡述

本文制作的中國主要城市的HRLUC遵循Stewart and Oke（2012）的LCZ分類體系，該體系根據(jù)建筑材料和地表覆蓋特性將下墊面劃分為17種基本類型，包含城市用地類型和自然覆蓋類型兩大類。其中，城市用地類型為LCZ 1～10，自然覆蓋類型為LCZ A-G。LCZ根據(jù)樓層數(shù)將城市用地類型劃分為低層建筑、中層建筑和高層建筑，低層建筑為1～3層，中層建筑為3～9層，高層建筑為10層及以上;根據(jù)建筑物之間的開闊程度和植被豐富度將建筑劃分為開敞建筑和緊湊建筑。每一種LCZ類型都有與其熱環(huán)境相對應的指標，比如：天空視覺因子、高寬比、建筑密度、不透水百分比、粗糙元高度、粗糙度等級、地面發(fā)射率、地表反照率和人為熱通量。

1.2 研究區(qū)域

本研究選取了中國重要地級市、直轄市及特別行政區(qū)共63個城市進行LCZ分類（圖1）。該區(qū)域介于東經(jīng)90°53′～126°54′和北緯46°02′～18°11′之間，橫跨溫帶大陸性氣候、溫帶季風氣候、亞熱帶季風氣候、熱帶季風氣候及高原山地氣候。

1.3 LCZ制圖方法與步驟

基于WUDAPT分類流程進行LCZ地圖的構建最早由Bechtel et al.（2015）提出，最初主要運用于歐洲城市。該流程主要是通過Google earth平臺上不同LCZ分類的訓練樣本與Landsat 8衛(wèi)星數(shù)據(jù)整合獲得LCZ地圖。本研究將WUDAPT基本流程應用于地表形態(tài)復雜的中國大城市時，制作基本步驟如下：

1）選擇研究范圍并準備Landsat 8衛(wèi)星數(shù)據(jù)。運用Google Earth軟件分別對63個目標城市選擇研究范圍。下載2017—2019年且覆蓋云量少于3%的Landsat 8衛(wèi)星數(shù)據(jù)，對其進行大氣校正、拼接、投影和重采樣至120 m，為后期在SAGA GIS中生成LCZ分類結果做準備。

2）創(chuàng)建訓練樣本。該步驟中，訓練樣本的質量和數(shù)量是實現(xiàn)LCZ地圖高準確率的關鍵。本文通過目視解譯的方法獲取訓練樣本。除少數(shù)LCZ類型典型樣本較少外，其他LCZ類型的訓練樣本均超過WUDAPT基本分類流程里最初規(guī)定的15個，訓練樣本總數(shù)達51 933個。這是因為WUDAPT分類流程最初運用于歐洲城市，精細規(guī)劃下的歐洲城市形態(tài)機理規(guī)整穩(wěn)定（圖2a），每種LCZ類型一般收集5～15個樣本即可，而中國城市在粗放式規(guī)劃管理下，形態(tài)機理相對混亂（圖2b），同一種LCZ類型一般對應著多種城市形態(tài)。本文在對大量城市制圖之前，選取西安做了樣本測試，結果發(fā)現(xiàn)，隨著訓練樣本數(shù)的增多，準確率升高，最后趨于飽和狀態(tài)（圖3）。因此，在中國的大城市中，應盡可能收集足夠多的訓練樣本幫助分類。

除訓練樣本數(shù)量外，樣本的質量也是提高數(shù)據(jù)精度的關鍵。本研究通過對長沙市測試結果顯示，樣本2較樣本1能夠獲得更高的準確率，這表明面積更大的同質樣本（圖4）能夠獲得更高準確率。因此，城市創(chuàng)建訓練樣本過程中，盡可能尋找城市中最大的同質區(qū)域，盡量保證每個樣本的最小邊長大于200 m，從而獲得更好的分類效果。

3）生成LCZ分類結果圖。運用SAGA GIS軟件根據(jù)訓練樣本與衛(wèi)星資料光譜性質的相似性，在隨機森林分類器中計算并生成LCZ分類結果圖。與Google Earth 高分辨率影像進行對比。通過修改現(xiàn)有的訓練樣本及添加新的訓練樣本，不斷改善LCZ分類結果圖。繼續(xù)重復此過程，直到LCZ分類結果達到令人滿意的質量為止。

4）建立具有多種建筑物分類的城市HRLUC數(shù)據(jù)集。

本數(shù)據(jù)集采用的原始衛(wèi)星數(shù)據(jù)為2017—2019年的Landsat 8衛(wèi)星數(shù)據(jù)。常用的數(shù)值模型所使用的土地利用類型數(shù)據(jù)的空間分辨率通常在幾百米到1 km左右。用于制作本數(shù)據(jù)集的原始衛(wèi)星數(shù)據(jù)為30 m分辨率，最后重采樣到120 m的分辨率進行輸出。當城市HRLUC數(shù)據(jù)集運用于模擬時，仍然需要進一步插值。

此外，本文所做的城市HRLUC數(shù)據(jù)集具有11種城市土地利用分類，對建筑物的高度和開闊度都做了很好的區(qū)分。在實際運用數(shù)據(jù)進行城市的精細模擬時，不同建筑物類型的建筑物高度、寬度、間距、反照率、不透水面比例等參數(shù)在Stewart and Oke（2012）的文章里有詳細的定義。因此，根據(jù)Stewart and Oke（2012）等的定義，在模式的參數(shù)文件中定義即可。

1.3.1 基于LCZ分類新增加修建區(qū)類型

現(xiàn)有的WUDAPT 分類流程是在Stewart and Oke（2012）所定義的原始LCZ分類體系上進行的。然而，該分類體系對于城市化進程較快、土地利用和土地覆蓋變化迅速的國家并不完全適用。例如，在中國的大城市中存在大量諸如圖5的下墊面。這類下墊面通常處于一個動態(tài)變化的過程，前期（圖5a）其表面主要為土，性質與裸土或沙土相似;中期（圖5b）為土和建筑材料的混合物;后期（圖5c）覆蓋物與中期類似，與中期不同的是，后期已經(jīng)能看到建筑物的基本輪廓。在中國，這是一種非常重要的下墊面。因此，在原始LCZ分類的基礎上，本文將這類下墊面定義為修建區(qū)，作為LCZ分類的基本類型之一。

1.4 精度評估方法

采用Cai et al.（2018）提出的隨機點驗證法對新建立的具有建筑物分類的HRLUC數(shù)據(jù)進行檢驗和評估。該方法主要是借助同期Google Earth 高分辨率影像對每個城市的LCZ分類結果圖進行驗證和評估。具體方法為：在LCZ分類結果圖上對每種LCZ類型隨機采集0.5%的像元作為驗證樣本，并將驗證樣本與同期Google Earth 高分辨率影像對比從而得到準確率。本文用于驗證的像素點超過15 841個。驗證方法中涉及的精度評估指標包括總體準確率（Overall Accuracy of all LCZ classification，OA）、城市用地類型準確率（Overall Accuracy of built types，OAu）和自然覆蓋類型準確率（Overall Accuracy of natural land cover types，OAn）。在本文中，準確率定義為如下公式：

式中：當i為1～10、18時分別代表城市用地類型LCZ 1-10、LCZ H;i為11～17分別表示自然覆蓋類型LCZ A～G;n表示每一LCZ類型驗證的像元點中正確的像元點數(shù);N表示每一LCZ類型驗證的像元點數(shù);p在式（1）中表示的是在城市中每種LCZ類型對應的像元面積在所有LCZ類型所對應的像元面積中的占比，在式（2）中表示的是每種城市用地類型所對應的LCZ在所有城市用地類型中的占比，在式（3）中表示的是每種自然覆蓋類型中的LCZ在所有自然覆蓋類型中的占比。

2 結果

2.1 精度評估

2.1.1 總體精度評估

本文制得的63個中國主要城市中，部分城市的LCZ分類結果如圖6所示。大多數(shù)城市的空間布局結構為塊狀，如北京、天津、西安、洛陽、成都、昆明和呼和浩特等。一些城市沿河谷、河流或海岸線分布，呈條帶狀，如：蘭州、太原、拉薩等。一部分城市因自然地理條件的限制呈組團狀分布，如重慶、武漢、鄂爾多斯等。少數(shù)城市呈環(huán)狀（廈門）或星狀（廣州）分布?？傮w來說，中國大城市的形態(tài)較為復雜。

圖7給出了不同城市準確率的總體分布，城市的總體準確率在71%～93%，平均總體準確率為82%。城市用地類型準確率在57%～83%，平均城市用地類型準確率為72%，高于國內同類研究結果（Cai et al.，2018;Ren et al.，2019;Wang et al.，2019）。這是因為本研究用于數(shù)字化研究區(qū)域的訓練樣本數(shù)遠高于其他研究中的樣本數(shù)。這說明，由于中國城市形態(tài)較為復雜，同一種LCZ類型可能對應多種城市形態(tài)，因此在數(shù)字化訓練區(qū)域時，盡可能收集所有形態(tài)的訓練樣本有利城市用地類型的正確分類。本研究中城市的自然覆蓋類型準確率在70%～99%，平均自然覆蓋類型準確率為90%。

和歐美城市（表1）相比，中國城市的總體準確率偏低。這是因為不同區(qū)域的城市人口數(shù)量和經(jīng)濟發(fā)展水平差異較大，使得城市結構和形態(tài)迥異，導致準確率有所差異。中國快速城鎮(zhèn)化了二十余年，城市形態(tài)的演變快速而劇烈（許建鋒，2010），城市空間得到了前所未有的擴張（陳易，2016），呈現(xiàn)出了與歐美城市截然不同的城市特征。歐美城市在精細化的規(guī)劃控制下形成了規(guī)整穩(wěn)定的形態(tài)機理，而中國城市在粗放式規(guī)劃管理下，形態(tài)機理相對混亂（姚圣，2013）。因此，中國城市下墊面LCZ的識別也相對混亂，使得準確率偏低。

2.1.2 典型中國大城市總體及分類精度差異

由于不同區(qū)域之間經(jīng)濟發(fā)展水平、區(qū)域規(guī)劃、地方政策和氣候條件不一致，導致城市格局和建筑形態(tài)不同。為了比較不同區(qū)域內LCZ方法的適用性，本研究選擇了來自不同區(qū)域的四個典型中國大城市進行研究，四個城市分別為北京、上海、廣州和昆明。

不同區(qū)域城市形態(tài)有差異，導致LCZ地圖的準確率不同。從圖8a可以看出，上海的總體準確率和城市用地類型準確率均最高。結合Google在線地圖（www.google.com.hk/maps/）可以看出，上海的城市形態(tài)整體較為規(guī)整，因此LCZ的識別相對準確，總體準確率最高，達到84%。而北京由于歷史和社會原因，在核心區(qū)域傳統(tǒng)建筑和現(xiàn)代建筑相互交錯、并置和混雜（圖9a），核心區(qū)域外圍則因為城市化導致景觀破碎化（圖9b），形成了復雜多樣的肌理模式。高度異質的城市形態(tài)使得北京城市用地類型準確率（OAu）較低，僅為64%。廣州的城市形態(tài)復雜性介于上海和北京之間，城市用地類型準確率也介于二者之間，為77%。與以上三個城市不同，昆明處于城市的早期發(fā)展階段，城市外部形態(tài)日益復雜、不規(guī)則化，導致LCZ識別混亂，因此城市用地類型準確率較低，為67%。

不同LCZ分類精度有差異。如圖8b所示，在所識別的城市用地類型中，簡易低層建筑（LCZ 7）的分類結果在四個城市中表現(xiàn)良好。該種LCZ類型的建筑多為簡易廠房，建筑材料多為藍色或白色輕質波紋金屬，建筑周圍沒有植被覆蓋，能夠提供較強的光譜信息，因此準確率較高。在上海、廣州和昆明，緊湊中層建筑（LCZ 2）多集中分布在城市中心區(qū)域，建筑多為范圍較大的同質區(qū)域，光譜信息易識別，因此準確率高。北京的低層密集建筑（LCZ 3）風貌較為統(tǒng)一，地塊格局完整，LCZ識別準確。

利用Landsat 8進行LCZ分類時，由于數(shù)據(jù)缺乏高度信息，僅能用目視解譯的方法來確定建筑物高度，因此存在對形態(tài)形似（區(qū)別主要為建筑高度）的建筑不能進行很好地劃分的可能，這是導致城市用地類型準確率較低的主要原因。例如昆明緊湊中低層建筑（LCZ 2和LCZ 3）之間、開敞中高層建筑（LCZ 4和LCZ 5）和開敞中低層建筑（LCZ 5和LCZ 6）之間（圖10a—e）形態(tài)相似，均存在不同程度的混淆。在Demuzere et al.（2019）的研究中也觀察到類似的混淆現(xiàn)象。這說明，未來LCZ作圖除了添加傳統(tǒng)二維遙感影像外，還應添加具有高度信息的輔助數(shù)據(jù)集作為輸入特征，從而獲得更好的分類效果。

除上述原因外，部分LCZ類型因其自身規(guī)模較小、LCZ類型之間本身具有相似性以及LCZ類型在實際下墊面中的連續(xù)分布造成LCZ分類錯誤。根據(jù)圖9b，緊湊高層建筑（LCZ 1）準確率在0.55～0.67，相對其他兩類緊湊建筑（LCZ 2和LCZ 3）較低，這是因為在大部分城市中，該類型所占比例?。▓D10f），只能提供較小規(guī)模的光譜信息。類似的情況還發(fā)生在各氣候區(qū)內的稀疏低層建筑（LCZ 9）、重工業(yè)區(qū)（LCZ 10）和硬化地面（LCZ E）以及廣州的低矮植被覆蓋區(qū)域（LCZ D）等分類上。大型低層建筑（LCZ 8）和硬化地面LCZ E地表特征相似（圖10g），從而具有相似的光譜特征，導致其不能很好地區(qū)分。此外，簡易低層建筑（LCZ 7）、大型低層建筑（LCZ 8）和工業(yè)區(qū)（LCZ 10）常為連續(xù)分布狀態(tài)，高度混合，導致分類錯誤（圖10h）。

以上研究表明：1）利用帶有光譜信息的Landsat 8衛(wèi)星數(shù)據(jù)進行LCZ分類總體上能夠獲得較好的分類結果，但部分LCZ類型的精度仍有待改善;2）當樣本數(shù)量接近飽和，樣本大小較為均一后，LCZ地圖的準確率主要取決于城市形態(tài)，城市形態(tài)越規(guī)整，準確率越高;3）城市用地類型準確率較低的主要原因是缺乏高度信息的輸入。另外，部分LCZ類型自身規(guī)模較小、LCZ類型之間本身具有相似性以及LCZ類型在實際下墊面中的連續(xù)分布也是造成部分城市用地類型準確率低的原因。后續(xù)研究應添加更多的輔助數(shù)據(jù)集作為輸入特征來改善其分類效果。

2.3 本文新增的修建區(qū)類型在中國大城市所占的比例

在中國大城市中修建區(qū)分布廣泛。圖11a為本文所研究的城市中修建區(qū)被識別的比例，圖11b為修建區(qū)在城市用地類型中的占比。其中，有35%的城市的修建區(qū)在整個下墊面中的占比超過了5%。修建區(qū)在城市用地類型中的占比則更高，70%的城市修建區(qū)占比超過5%。這些城市大多為大城市（副省級市和直轄市）。修建區(qū)的比例在一定程度上能代表城市擴張的程度。與Liu et al.（2020）研究結果不同的是，發(fā)現(xiàn)中國城市擴張不僅集中在華北和華中區(qū)域，西南地區(qū)的城市也有很大程度的擴張。例如重慶、成都、昆明和貴陽等城市，其修建區(qū)在研究區(qū)域中的占比分別為7.91%、8.45%、6.17%和6.43%。

以鄭州市為例，鄭州市研究區(qū)域內修建區(qū)被識別的比例為22.33%。圖12a為鄭州市的LCZ地圖，可以看出，修建區(qū)多分布于城鄉(xiāng)或城郊結合部。結合來自Google earth的部分修建區(qū)域的截圖來看（圖12b），修建區(qū)域表面覆蓋物復雜，通常為土和建筑材料的混合物。在建設前期其性質與裸土（LCZ F）較為接近，后期則多為開闊性建筑或工業(yè)建筑。在鄭州市這類下墊面通常以破壞低矮植被（LCZ D）為主。從圖12b—e中可以看出，2009年，鄭州市城郊地區(qū)在主要是低矮植被和低矮建筑;2015年，部分低矮植被被修建區(qū)替代;2019年，以低矮植被為主的下墊面和小范圍的低矮建筑區(qū)域被修建區(qū)所取代，城郊地區(qū)修建區(qū)的比例顯著增加。

3 結論和討論

以2017—2019年的多時相Landsat 8衛(wèi)星數(shù)據(jù)為主要數(shù)據(jù)源，基于改進的LCZ分類體系理論，采用WUDAPT方法構建了中國63個城市的具有建筑物分類的HRLUC數(shù)據(jù)集。根據(jù)精度評估，該數(shù)據(jù)集總體準確率在71%～93%，平均準確率為82%;城市用地類型準確率在57%～83%，平均準確率為72%;自然覆蓋類型準確率在70%～99%，平均準確率為90%。分類結果總體表現(xiàn)較好，可用于城市精細化天氣預備、氣候變化評估和城市規(guī)劃等多個方面。

利用Landsat 8衛(wèi)星數(shù)據(jù)進行LCZ分類時，總體上能夠獲得較好的分類結果，但部分LCZ類型的精度仍有待改善。訓練樣本的質量和數(shù)量是實現(xiàn)LCZ地圖高準確率的關鍵，較大面積的均質樣本數(shù)量越多，準確率越高;當樣本數(shù)量接近飽和，LCZ地圖的準確率主要取決于城市形態(tài)，城市形態(tài)越規(guī)整，準確率越高。

不同LCZ類型精度差異較大。在所識別的城市用地類型中，簡易低層建筑（LCZ 7）準確率最高，緊湊中層建筑（LCZ 2）次之。簡易低層建筑為藍色或白色波紋金屬質地，能夠提供較強的光譜信息，LCZ識別準確。而緊湊中層建筑多集中分布在城市中心區(qū)域，建筑多為范圍較大的同質區(qū)域，光譜信息易識別，因此準確率高。其他城市用地類型表現(xiàn)稍遜，主要原因是缺乏高度信息的輸入。另外，部分LCZ類型自身規(guī)模較小、LCZ類型之間本身具有相似性以及LCZ類型在實際下墊面中的連續(xù)分布也是造成部分城市用地類型準確率低的原因。

中國處于快速發(fā)展階段，城市修建區(qū)占比較大，然而在Stewart and Oke（2012）對LCZ的原始定義中，并沒有這種分類。本文研究表明，修建區(qū)在我國是一種非常重要的城市用地類型。在我國，有35%的城市的修建區(qū)在整個下墊面中的占比超過了5%，有70%的城市修建區(qū)在城市用地類型中的占比超過5%。因此本文所做的地圖集中，新增了該種下墊面類型。

本文的局限性主要有：1）驗證數(shù)據(jù)僅來自Google earth，未采用城市建筑數(shù)據(jù)等更加客觀和權威的數(shù)據(jù)進行驗證，這就使得數(shù)據(jù)的準確率更大程度上決定于數(shù)據(jù)驗證者的先前經(jīng)驗和地理知識。在未來的研究中，應該補充更多的外部建筑數(shù)據(jù)進行驗證，保證數(shù)據(jù)的客觀準確性。2）輸入特征僅來自多光譜衛(wèi)星數(shù)據(jù)，高程信息不足，導致部分LCZ類型準確率相對有一定誤差。后續(xù)研究應添加更多的燈光數(shù)據(jù)、開放街景地圖等輔助數(shù)據(jù)集作為輸入特征來改善其分類效果。3）本文人為收集了大量的訓練樣本，雖然保證了LCZ地圖的準確性，同時也耗費了巨大的人力和物力。進一步工作中需要嘗試使用機器學習方法制作LCZ地圖，今后將探討機器學習方法對地表形態(tài)復雜的中國城市的適用性。更大范圍的城市群乃至整個中國的數(shù)據(jù)制作工作，目前也在進行中。此外，由于中國城市發(fā)展速度較快，該數(shù)據(jù)集需定期更新，尤其是發(fā)展中城市。

致謝：本論文的數(shù)值計算得到了南京信息工程大學高性能計算中心的計算支持和幫助。

參考文獻（References）

Awrangjeb M，Gilani S，Siddiqui F，2018.An effective data-driven method for 3-D building roof reconstruction and robust change detection[J].Remote Sens，10（10）：1512.doi：10.3390/rs10101512.

Bechtel B，Alexander P，Bhner J，et al.，2015.Mapping local climate zones for a worldwide database of the form and function of cities[J].ISPRS Int J Geo Inf，4（1）：199-219.doi：10.3390/ijgi4010199.

Bechtel B，See L D，Mills G，et al.，2016.Classification of local climate zones using SAR and multispectral data in an arid environment[J].IEEE J Sel Top Appl Earth Obs Remote Sens，9（7）：3097-3105.doi：10.1109/JSTARS.2016.2531420.

Bechtel B，Alexander P J，Beck C，et al.，2019.Generating WUDAPT level 0 data：current status of production and evaluation[J].Urban Clim，27：24-45.doi：10.1016/j.uclim.2018.10.001.

Brousse O，Martilli A，F(xiàn)oley M，et al.，2016.WUDAPT，an efficient land use producing data tool for mesoscale models？Integration of urban LCZ in WRF over Madrid[J].Urban Clim，17：116-134.doi：10.1016/j.uclim.2016.04.001.

Cai M，Ren C，Xu Y，et al.，2016.Local climate zone study for sustainable megacities development by using improved WUDAPT methodology：a case study in Guangzhou[J].Procedia Environ Sci，36：82-89.doi：10.1016/j.proenv.2016.09.017.

Cai M，Ren C，Xu Y，et al.，2018.Investigating the relationship between local climate zone and land surface temperature using an improved WUDAPT methodology：a case study of Yangtze River Delta，China[J].Urban Clim，24：485-502.doi：10.1016/j.uclim.2017.05.010.

陳燕，蔣維楣，2006.城市建筑物對邊界層結構影響的數(shù)值試驗研究[J].高原氣象，25（5）：824-833. Chen Y，Jiang W M，2006.The numerical experiments of the effect of urban buildings on boundary layer structure[J].Plateau Meteor，25（5）：824-833.doi：10.3321/j.issn：1000-0534.2006.05.008.（in Chinese）.

陳易，2016.轉型期中國城市更新的空間治理研究：機制與模式[D].南京：南京大學. Chen Y，2016.Study on spatial governance of urban renewal in China transformation period：mechanism and model.Nanjing：Nanjing University.（in Chinese）.

Ching J，Mills G，Bechtel B，et al.，2018.WUDAPT：an urban weather，climate，and environmental modeling infrastructure for the anthropocene[J].Bull Amer Meteor Soc，99（9）：1907-1924.doi：10.1175/bams-d-16-0236.1.

Ching J，Aliaga D，Mills G，et al.，2019.Pathway using WUDAPT’s Digital Synthetic City tool towards generating urban canopy parameters for multi-scale urban atmospheric modeling[J].Urban Clim，28：100459.doi：10.1016/j.uclim.2019.100459.

戴永久，2020.陸面過程模式研發(fā)中的問題[J].大氣科學學報，43（1）：33-38. Dai Y J，2020.Issues in research and development of land surface process model[J].Trans Atmos Sci，43（1）：33-38.doi：10.13878/j.cnki.dqkxxb.20200103006.（in Chinese）.

Danylo O，See L D，Bechtel B，et al.，2016.Contributing to WUDAPT：a local climate zone classification of two cities in Ukraine[J].IEEE J Sel Top Appl Earth Obs Remote Sens，9（5）：1841-1853.doi：10.1109/JSTARS.2016.2539977.

Demuzere M，Bechtel B，Middel A，et al.，2019.Mapping Europe into local climate zones[J].PLoS One，14（4）：e0214474.doi：10.1371/journal.pone.0214474.

Findell K L，Berg A，Gentine P，et al.，2017.The impact of anthropogenic land use and land cover change on regional climate extremes[J].Nat Commun，8：989.doi：10.1038/s41467-017-01038-w.

Fonte C C，Lopes P，See L D，et al.，2019.Using Open Street Map（OSM） to enhance the classification of local climate zones in the framework of WUDAPT[J].Urban Clim，28：100456.doi：10.1016/j.uclim.2019.100456.

Gao J，O’Neill B C，2020.Mapping global urban land for the 21st century with data-driven simulations and shared socioeconomic pathways[J].Nat Commun，11：2302.doi：10.1038/s41467-020-15788-7.

Gong P，Liu H，Zhang M N，et al.，2019.Stable classification with limited sample：transferring a 30 m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J].Sci Bull，64（6）：370-373.doi：10.1016/j.scib.2019.03.002.

Gong P，Chen B，Li X C，et al.，2020.Mapping essential urban land use categories in China （EULUC-China）：preliminary results for 2018[J].Sci Bull，3：182-187.

郭良辰，付丹紅，王詠薇，等，2019.北京城市化對一次降雪過程影響的數(shù)值模擬研究[J].氣象學報，77（5）：835-848. Guo L C，F(xiàn)u D H，Wang Y W，et al.，2019.A numerical study of urbanization impacts on a snowfall event in Beijing area[J].Acta Meteorol Sin，77（5）：835-848.doi：10.11676/qxxb2019.053.（in Chinese）.

Hammerberg K，Brousse O，Martilli A，et al.，2018.Implications of employing detailed urban canopy parameters for mesoscale climate modelling：a comparison between WUDAPT and GIS databases over Vienna，Austria[J].Int J Climatol，38：e1241-e1257.doi：10.1002/joc.5447.

He S，Zhang Y W，Gu Z L，et al.，2019.Local climate zone classification with different source data in Xi’an，China[J].Indoor Built Environ，28（9）：1190-1199.doi：10.1177/1420326x18796545.

華文劍，陳海山，李興，2014.中國土地利用/覆蓋變化及其氣候效應的研究綜述[J].地球科學進展，29（9）：1025-1036. Hua W J，Chen H S，Li X，2014.Review of land use and land cover change in China and associated climatic effects[J].Adv Earth Sci，29（9）：1025-1036.doi：10.11867/j.issn.1001-8166.2014.09.1025.（in Chinese）.

Hu Y F，Batunacun，Zhen L，et al.，2019.Assessment of land-use and land-cover change in Guangxi，China[J].Sci Rep，9：2189.doi：10.1038/s41598-019-38487-w.

Kotharkar R，Bagade A，2018.Local Climate Zone classification for Indian cities：a case study of Nagpur[J].Urban Clim，24：369-392.doi：10.1016/j.uclim.2017.03.003.

李婧華，陳海山，華文劍，2013.大尺度土地利用變化對東亞地表能量、水分循環(huán)及氣候影響的敏感性實驗[J].大氣科學學報，36（2）：184-191. Li J H，Chen H S，Hua W J，2013.Sensitivity experiments on impacts of large-scale land use change on surface energy balance，hydrological cycle and regional climate over East Asia[J].Trans Atmos Sci，36（2）：184-191.（in Chinese）.

Li X C，Gong P，Zhou Y Y，et al.，2020.Mapping global urban boundaries from the global artificial impervious area （GAIA） data[J].Environ Res Lett，15（9）：094044.doi：10.1088/1748-9326/ab9be3.

Liu J Y，Shao Q Q，Yan X D，et al.，2016.The climatic impacts of land use and land cover change compared among countries[J].J Geogr Sci，26（7）：889-903.doi：10.1007/s11442-016-1305-0.

Liu X P，Huang Y H，Xu X C，et al.，2020.High-spatiotemporal-resolution mapping of global urban change from 1985 to 2015[J].Nat Sustain，3（7）：564-570.doi：10.1038/s41893-020-0521-x.

Mahmood R，Pielke R A Sr，Hubbard K G，et al.，2010.Impacts of land use/land cover change on climate and future research priorities[J].Bull Amer Meteor Soc，91（1）：37-46.doi：10.1175/2009bams2769.1.

苗世光，蔣維楣，梁萍，等，2020.城市氣象研究進展[J].氣象學報，78（3）：477-499. Miao S G，Jiang W M，Liang P，et al.，2020.Advances in urban meteorology in China[J].Acta Meteorol Sin，78（3）：477-499.（in Chinese）.

Mu Q C，Miao S G，Wang Y W，et al.，2020.Evaluation of employing local climate zone classification for mesoscale modelling over Beijing metropolitan area[J].Meteor Atmos Phys，132（3）：315-326.doi：10.1007/s00703-019-00692-7.

Patel P，Karmakar S，Ghosh S，et al.，2020.Improved simulation of very heavy rainfall events by incorporating WUDAPT urban land use/land cover in WRF[J].Urban Clim，32：100616.doi：10.1016/j.uclim.2020.100616.

Pielke R A，2005.Land use and climate change[J].Science，310（5754）：1625-1626.doi：10.1126/science.1120529.

Pielke R A，Marland G，Betts R A，et al.，2002.The influence of land-use change and landscape dynamics on the climate system：relevance to climate-change policy beyond the radiative effect of greenhouse gases[J].Philos Trans A Math Phys Eng Sci，360（1797）：1705-1719.doi：10.1098/rsta.2002.1027.

Qiu C P，Schmitt M，Mou L C，et al.，2018.Feature importance analysis for local climate zone classification using a residual convolutional neural network with multi-source datasets[J].Remote Sens，10（10）：1572.doi：10.3390/rs10101572.

Rath S S，Panda J，2020.Urban induced land-use change impact during pre-monsoon thunderstorms over Bhubaneswar-Cuttack urban complex[J].Urban Clim，32：100628.doi：10.1016/j.uclim.2020.100628.

Ren C，Cai M，Li X W，et al.，2019.Assessment of local climate zone classification maps of cities in China and feasible refinements[J].Sci Rep，9：18848.doi：10.1038/s41598-019-55444-9.

Salamanca F，Martilli A，Tewari M，et al.，2011.A study of the urban boundary layer using different urban parameterizations and high-resolution urban canopy parameters with WRF[J].J Appl Meteorol Climatol，50（5）：1107-1128.doi：10.1175/2010jamc2538.1.

Shahzad M，Zhu X X，2016.Automatic detection and reconstruction of 2-D/3-D building shapes from spaceborne TomoSAR point clouds[J].IEEE Trans Geosci Remote Sens，54（3）：1292-1310.doi：10.1109/TGRS.2015.2477429.

Shi Y，Lau K K L，Ren C，et al.，2018.Evaluating the local climate zone classification in high-density heterogeneous urban environment using mobile measurement[J].Urban Clim，25：167-186.doi：10.1016/j.uclim.2018.07.001.

Shi Y，Ren C，Lau K K L，et al.，2019a.Investigating the influence of urban land use and landscape pattern on PM2.5 spatial variation using mobile monitoring and WUDAPT[J].Landsc Urban Plan，189：15-26.doi：10.1016/j.landurbplan.2019.04.004.

Shi Y R，Xiang Y R，Zhang Y F，2019b.Urban design factors influencing surface urban heat island in the high-density city of Guangzhou based on the local climate zone[J].Sensors，19（16）：3459.doi：10.3390/s19163459.

Song X P，Hansen M C，Stehman S V，et al.，2018.Global land change from 1982 to 2016[J].Nature，560（7720）：639-643.doi：10.1038/s41586-018-0411-9.

Stewart I D，Oke T R，2012.Local climate zones for urban temperature studies[J].Bull Amer Meteor Soc，93（12）：1879-1900.doi：10.1175/bams-d-11-00019.1.

Sun L，Wei J，Duan D H，et al.，2016.Impact of land-use and land-cover change on urban air quality in representative cities of China[J].J Atmos Sol Terr Phys，142：43-54.doi：10.1016/j.jastp.2016.02.022.

Wang C Y，Middel A，Myint S W，et al.，2018a.Assessing local climate zones in arid cities：the case of Phoenix，Arizona and Las Vegas，Nevada[J].ISPRS J Photogramm Remote Sens，141：59-71.doi：10.1016/j.isprsjprs.2018.04.009.

Wang P S，Huang C Q，Tilton J C，2018b.Mapping three-dimensional urban structure by fusing landsat and global elevation data[EB/OL].[2020-01-13].https：//arxiv.org/abs/1807.04368

Wang R，Cai M，Ren C，et al.，2019.Detecting multi-temporal land cover change and land surface temperature in Pearl River Delta by adopting local climate zone[J].Urban Clim，28：100455.doi：10.1016/j.uclim.2019.100455.

Weber C，Puissant A，2003.Urbanization pressure and modeling of urban growth：example of the Tunis Metropolitan Area[J].Remote Sens Environ，86（3）：341-352.doi：10.1016/S0034-4257（03）00077-4.

Wong M M F，F(xiàn)ung J C H，Ching J，et al.，2019.Evaluation of uWRF performance and modeling guidance based on WUDAPT and NUDAPT UCP datasets for Hong Kong[J].Urban Clim，28：100460.doi：10.1016/j.uclim.2019.100460.

謝志清，杜銀，曾燕，等，2015.上海城市集群化發(fā)展顯著增強局地高溫熱浪事件[J].氣象學報，73（6）：1104-1113. Xie Z Q，Du Y，Zeng Y，et al.，2015.The exacerbated intensity and duration of the heat waves events over Shanghai as caused by urban clusters expansion[J].Acta Meteorol Sin，73（6）：1104-1113.doi：10.11676/qxxb2015.075.（in Chinese）.

許劍峰，2010.基于政策法規(guī)體系下的城市形態(tài)研究[D].天津：天津大學. Xu J F，2010.The urban morphology study based on the policies and regulations[D].Tianjin：Tianjin University.（in Chinese）.

Xu Y，Ren C，Ma P F，et al.，2017a.Urban morphology detection and computation for urban climate research[J].Landsc Urban Plan，167：212-224.doi：10.1016/j.landurbplan.2017.06.018.

Xu Y，Ren C，Cai M，et al.，2017b.Issues and challenges of remote sensing-based local climate zone mapping for high-density cities[C]//2017 Joint Urban Remote Sensing Event （JURSE）.Dubai，United Arab Emirates.IEEE：1-4.doi：10.1109/JURSE.2017.7924558.

姚圣，2013.中國廣州和英國伯明翰歷史街區(qū)形態(tài)的比較研究[D].廣州：華南理工大學. Yao S，2013.Comparative study between urban morphology of the historical districts in Guangzhou and Birmingham[D].Guangzhou：South China University of Technology.（in Chinese）.

Zhang N，Wang X M，Chen Y，et al.，2016.Numerical simulations on influence of urban land cover expansion and anthropogenic heat release on urban meteorological environment in Pearl River Delta[J].Theor Appl Climatol，126（3/4）：469-479.doi：10.1007/s00704-015-1601-0.

張強，王蓉，岳平，等，2017.復雜條件陸-氣相互作用研究領域有關科學問題探討[J].氣象學報，75（1）：39-56. Zhang Q，Wang R，Yue P，et al.，2017.Several scientific issues about the land-atmosphere interaction under complicated conditions[J].Acta Meteorol Sin，75（1）：39-56.doi：10.11676/qxxb2017.003.（in Chinese）.

Zhang Z X，Wang X，Zhao X L，et al.，2014.A 2010 update of National Land Use/Cover Database of China at 1∶100000 scale using medium spatial resolution satellite images[J].Remote Sens Environ，149：142-154.doi：10.1016/j.rse.2014.04.004.

Zheng Y F，Weng Q H，2015.Model-driven reconstruction of 3-D buildings using LiDAR data[J].IEEE Geosci Remote Sens Lett，12（7）：1541-1545.doi：10.1109/LGRS.2015.2412535.

Zhou X F，Chen H，2018.Impact of urbanization-related land use land cover changes and urban morphology changes on the urban heat island phenomenon[J].Sci Total Environ，635：1467-1476.doi：10.1016/j.scitotenv.2018.04.091.

（責任編輯：張福穎）