2.1 我国主要城市及城市群高精细土地利用类型数据集建设

几十年来，人们对城市化导致的自然景观向人为城市景观的转变过程进行了广泛的研究（Oke，1982），并努力将对该过程的理解用各种城市气候模型表达出来。这些模型对于城市地表描述的重点和复杂性各不相同，但都需要对城市建筑物的物理特征进行参数化描述。基于数值模型模拟城市气候及空气质量过程可以有效地评估城市化过程对生态环境的影响，从而支撑城市管理，减轻有害影响并提供有效的生态复原策略。然而该方法存在一定的瓶颈，例如这些模拟工具通常需要准确的城市下垫面信息（Masson et al.，2014b）。由于城市景观的复杂性，准确的城市地表特征信息不易获取。IPCC近期关于城市地区对气候变化的影响，适应和脆弱性的第五次评估报告中即强调了城市地表数据的缺乏问题（Field and Barros，2014）。基于数值模型模拟城市气候及空气质量过程中，需要对城市建筑物的物理特征进行参数化描述，从而使城市效应能够有效地包含在较大尺度模式的物理过程中。这些参数包括建筑物的占地面积、植被覆盖率、建筑物的尺寸（包括高度）、道路和其他粗糙度元素，以及不同表面的反照率、人为热排放等。由于模式分辨率和大型计算机的计算量之间的矛盾，这些物理过程通常以次网格尺度的参数化方案表示，称之为城市冠层模型，嵌套在天气气候模型中，从而实现了从城市微观尺度到对更大尺度天气过程影响的计算。因此，面对城市气候模拟的土地利用数据集，除了要给出城市下垫面的详细分类，还需要给出这些次网格尺度参数化方案所需的各种城市建筑物特征参数。

当前，在城市气候模拟工作中，精细的城市土地利用类型数据主要来源有两方面，其一是基于大范围卫星数据反演或者测绘所获取的区域或全球范围的十米或者数十米分辨率的二维土地覆盖图（Zhang et al.，2014；Gong et al.，2019），其二为更精细城市尺度的具有建筑物三维立体特征的数据（Zheng and Weng，2015；Shahzad and Zhu，2015；Awrangjeb et al.，2018；Wang et al.，2018b）。这些地图一定程度上为科学研究和城市化的可持续发展奠定了基础。但是也存在一些不足。一方面，大多数区域或全球尺度的高分辨土地利用地图不能提供详细的建筑物细节信息，在建成区内往往只有一种土地利用类型，对城市形态和功能的描述存在一定偏差。由于缺乏建筑高度、建筑密度、街道间距等描述城市冠层的详细信息，导致模式不能很好地捕获城市区域内的地表湍流和边界层特征，进而限制了城市气候的高分辨模拟（Stewart et al.，2014；Wang et al.，2018b；Ching et al.，2018；Tse et al.，2018；Patel et al.，2020）。因此，详细的城市形态信息对城市气候的模拟至关重要。另一方面，城市尺度的多维建筑地图或土地利用地图虽能弥补建筑物细节信息的不足，但因数据来源、土地利用类型分类方案、制图标准等不同，导致城市土地利用类型数据存在很大的空间差异（空间分辨率和详细城市形态因子等信息不一致），从而无法比较和评估土地政策及其他相关环境政策对城市之间的影响（Gong et al.，2020），阻碍了城市气候研究的进展（Brousse et al.，2016；Bechtel et al.，2015；Liu et al.，2020）。因此，建立一致且具有详细空间细节信息的高分辨城市形态数据集，对当前模式的高分辨模拟尤为重要（戴永久，2020；苗世光等，2020）。

局地气候区LCZ分类方案是一种既能够兼顾高分辨数据中城市建筑物分类和功能分区的表示，又具有大范围可操作性的分类方法（Stewart and Oke，2012）。与传统的土地利用分类方法相比，该方案对城市形态和功能分区进行了标准化，提供了10类详细的建筑物分类信息。通过LCZ方案对城市下垫面进行分类，可得到具有建筑物分类的高分辨率LCZ数据集和不透水面比例、人为热排放以及天空可视因子等数值模式所需的基本参数，将这些参数引入数值模式，能够更好地刻画城市下垫面的异质性，进而更好地表征地表对大气的动力强迫以及热力影响，对城市气候研究（Tse et al.，2018；Bechtel et al.，2019；Patel et al.，2020）至关重要。

除了为天气、气候及环境的数值模型提供输入数据，高空间分辨率的LCZ数据集还可以为土地政策和环境治理等提供有效信息支撑。当前，中国城市化进程加快，城乡快速转型的同时，也面临着耕地流失、土地污染、水土流失等土地利用问题。这些问题已经引起了中国政治和学术领域的高度关注，包括土地可持续利用、耕地保护和粮食安全以及土地管理等问题（Liu et al.，2014）。LCZ数据集作为基础地理数据，可以被用来比较和评估不同决策对城市环境的影响，从而对大规模环境进行管理，为空间管控和科学治理提供决策依据。同时，这些城市的LCZ地图拓宽了我们对区域城市建筑物的认识，有助于构建全球城市形态数据库。

科学家们正致力于如何获取LCZ土地利用分类数据的研究（Bechtel et al.，2015；Ching et al.，2018；Bechtel et al.，2019）。其中世界城市数据库及门户工具（World Urban Database and Access Portal Tools，WUDAPT）是一个旨在创建全球高分辨城市土地利用数据的项目（Bechtel et al.，2015）。该项目不仅提供了获取和存储城市形态和功能数据的平台，还提供了制得LCZ数据的详细操作流程（http：// www. wudapt. org/）。当前已经有数百个城市的LCZ地图在WUDAPT门户网站上开放。在未来的研究中，这些数据可以应用于气候、环境以及城市规划研究，并为理论及模型研究提供技术支撑。基于WUDAPT对小尺度区域进行LCZ分类时具有一定优势，利用免费且易于获取的卫星数据和软件即可完成。为获取精细的具有建筑物分类的城市土地利用类型数据提供了有效的工具及方法。

中国正处于快速的城市化进程中，高精度的土地利用数据不仅能有效地提高城市天气及气候的预报精度，对于城市规划及环境治理等也具有重要意义。另外，由于中国城市化进程较快，针对复杂城市形态进行中国大城市LCZ分类的算法，对于中国城市化建设具有重要意义。

2.1.1 LCZ局地气候区分类体系

随着城市热岛现象的提出，城市气候研究正式拉开了序幕。1976年，Oke（Oke，1976）将城市冠层定义为从建筑物顶端到地面的大气层，首次明确区分了城市冠层的概念。1978年，美国气象学家Auer（Auer，1978）讨论了土地利用类型和气象异常之间的关系，得出在大城市观测到的气象数据是否异常与观测区域的地表覆盖特征相关，并进一步提出在预测天气变化时，应考虑人口、城市面积、大城市的土地利用和土地覆盖类型等具体细节。为了标准化城市气候研究，Oke（Oke，2004）在2006 年的国际气象组织会议上提出了城市气候分区概念，即将城市结构（建筑物的尺寸和间距、街道的宽度和间距）、地表覆盖（建筑物、路面、植被、裸露的土壤、水域）、城市肌理（建筑材料和自然覆盖物）和城市新陈代谢（人为热、水和污染物）等指标纳入描述观测站点的元数据中。尽管已经新增了和城市冠层相关的指标，但是由于各个分区类型的部分参数值范围还存在重叠，因此仍然不能很好地划分城市气候区域。

为了进一步提高城市气候分区的普适性和可操作性，Stewart和Oke在2012 年提出了LCZ分类体系（Stewart and Oke，2012）。LCZ分类体系一方面增加了原有城市气候分区的类型数量，尤其是自然型和乡村环境的分类，另一方面，完善了对热环境敏感的地表指标体系，使其更适合用于城市冠层热岛效应的研究。与LCZ局地气候相关的城市地表元素主要包括城市规模、建筑高度、建筑材料、植被特征、地表不透水率等。LCZ精细分类是基于大部分城市形态特征进行的统一下垫面类型分类方法，主要目的是描述近地表局部热环境特性，尤其是人为热排放和地表覆盖对城市热岛效应的影响。LCZ分类方法主要分城市景观与自然土地覆盖类型两大类，根据天空可视因子、建筑高宽比、建筑占地面积百分比、地表不透水率、植被情况、建筑高度等又将城市区域分为1～10类、自然环境分为A～G类。

如表2.1.1和图2.1.1所示，LCZ精细下垫面1～3 类分别为：紧凑高层建筑、紧凑中层建筑、紧凑低层建筑，楼层数分别为10层以上、3～9层与1～3层，共同特点是建筑物紧密排列，几乎无绿色植被，天空可视因子较小，在0.2 到0.6 之间，不透水率在40％以上；建筑物材料多为混凝土、钢材、石材与玻璃等；高、中层建筑昼夜温差较小，低层建筑昼夜温差适中。LCZ 4～6分别为开放高层建筑、开放中层建筑与开放低层建筑，同样楼层数分别为10 层以上、3～9 层与1～3 层；共同点为有大量的植被（多为低矮植被）和透水地表，天空可视因子0.5至0.9，建筑面积占比20～50％，植被面积与建筑面积占比相当；高中层建筑材料多为钢筋及混凝土，低层建筑物一般存在于乡村农舍，材料多为木材瓷砖等。LCZ 7 为轻型低层建筑，一般1至2层高，地表覆盖紧密，植被很少，昼夜温差大。LCZ 8为大型开放低层建筑，一般1至3层高，地表铺设道路，少树，昼夜温差适中。LCZ 9 为小型或中型稀疏建筑，多为自然环境，如城区内公园、绿地等，有丰富的透水地表，昼夜温差大。

自然土地覆盖类型LCZ A～G分别为茂密落叶或常绿乔木树林、散生树木、灌木丛、草本植物或作物组成的低矮植物、裸岩或道路、裸地或沙地以及水体，前四种均为可透水地表。自然土地覆盖类型中建筑高宽比指树木空间，共同点为天空可视因子较高，除茂密及散生树林外均在0.7及以上，除裸岩和道路外建筑占比小于10％，地表透水率在90％以上。密集树木及散生树木高度分别是30 m及3至15 m，灌木丛高度为2 m，其余自然类型高度均在1 m以下。此17种下垫面类型几乎概括了大部分城市及郊区所有土地利用类型，可以较好地反映出城市特征。

2.1.2 基于WUDAPT的LCZ制图方法

自LCZ分类体系被提出以后，国内外研究者针对LCZ制图展开大量研究。其中使用最为广泛的方法是Bechtel等（2015）提出的WUDAPT制图流程。WUDAPT提供的制图体系凭借免费且易于获取的遥感数据和Google Earth平台，在开源软件SAGA GIS中即可实现快速制图，对数据源、制图软件及地理或遥感知识专业程度要求较小（Wang et al.，2018a；Ching et al.，2019）。该分类流程最初应用于下垫面较为均一的欧美城市，并获得了较高的准确率（Bechtel et al.，2015；Bechtel et al.，2016；Danylo et al.，2016）。

近些年，国内外运用WUDAPT方法制作LCZ地图的研究大量涌现。现有的研究结果表明，当WUDAPT方法应用于欧洲等建筑物比较均一的区域时，其总体准确率高达96％左右（Bechtel et al.，2015；Bechtel et al.，2016）。但是进一步的研究结果表明，在建筑物形态比较复杂的区域使用WUDAPT方法时，很难得到与欧洲城市类似精度的下垫面数据，需要对方法进行调整或者使用更多的辅助数据（Ren et al.，2016；Ren et al.，2019；Verdonck et al.，2017；Fonte et al.，2019）。Ren等（2016）针对具有复杂形态的高密度城市评估了WUDAPT基本流程的适用性和局限性：若无高分辨卫星数据或其他辅助数据集的引入，WUDAPT方法尚不能很好地区分高层和中层建筑类型。而维基世界地图（OpenStreetMap，OSM）（Bechtel et al.，2019）及高程数据（Ren et al.，2019）等辅助数据集的引入能明显提高LCZ分类的准确性。邻域信息的使用能够使得LCZ地图准确率显著提高，并有望将该方法应用于其他具有复杂下垫面的城市（Verdonck et al.，2017）。对研究区域内的卫星数据进行大气校正，消除影像之间的大气差异，也能获得质量更高的LCZ地图（Cai et al.，2018）。

科学家们还发现，目前WUDAPT生成LCZ下垫面数据采用“离线”的工作方式。该方法中标记训练样本等步骤需要花费大量时间，且很难进行大范围地图的制作。为进一步推进城市气候研究，少数研究开始致力于制作大尺度LCZ地图（Demuzere et al.，2019）。2019年，Demuzere等（2019）提出了在云计算环境中利用Sentinel-1 SAR数据及其他光谱数据进行大规模LCZ制图的方法。该方法使得进一步制作一致且完整的大尺度LCZ地图成为可能。在中国，已有部分城市及区域应用WUDAPT方法开展了LCZ地图的制作（Cai et al.，2016；Cai et al.，2018；Ren et al.，2019；He et al.，2019；Wang et al.，2019）。但是，中国已有的LCZ下垫面数据目前尚较少，不能满足大范围城市区域精细化城市气候预报的需求。更大范围，包括整个中国范围的LCZ下垫面信息仍然需要制作。

发达国家和发展中国家的城市建筑物类型有所不同，LCZ制图标准需要根据实际城市用地类型进行调整（Kotharkar and Bagade，2018；He，et al.，2019）。中国人口众多，城市形态复杂。近年来，高速发展中的中国LUCC变化很大（Weber and Puissant 2003；Sun，et al.，2016；张强等，2017），城市建设用地不断扩张。LCZ方法中规定的所有LCZ类型是否包含中国建筑物所有类型值得考证。因此，更适合中国建筑物分布的类型尚待进一步去研究。

本节介绍了基于LCZ的分类方法，制作了中国63 个城市的具有详细建筑物分类的HRLUC数据集。在未来的研究中，这些数据可以应用于气候、环境以及城市规划研究，并为理论及模型研究提供技术支撑。

2.1.3 数据和方法

（1）研究区域

研究区域选取了中国省会城市、直辖市、重要地级市及特别行政区共63个城市进行LCZ分类。该区域介于东经90°53′～126°54′和北纬46°02′～18°11′之间，横跨温带大陆性气候、温带季风气候、亚热带季风气候、热带季风气候及高原山地气候。

（2）LCZ制图方法与步骤

基于WUDAPT分类流程进行LCZ地图的构建最早由Bechtel等（2015）提出，最初主要运用于欧洲城市。该流程主要是通过Google Earth平台上不同LCZ分类的训练样本与Landsat 8卫星数据整合获得LCZ地图。本研究将WUDAPT基本流程应用于地表形态复杂的中国大城市时，制作基本步骤如下：

选择研究范围并准备Landsat 8卫星数据。运用Google Earth软件分别对63个目标城市选择研究范围。下载2017—2019年且覆盖云量少于3％的Landsat 8 卫星数据，对其进行大气校正、拼接、投影和重采样至120 m，为后期在SAGA GIS中生成LCZ分类结果做准备。制作LCZ数据如下步骤：

①创建训练样本。该步骤中，训练样本的质量和数量是实现LCZ地图高准确率的关键。本节通过目视解译的方法获取训练样本。除少数LCZ类型典型样本较少外，其他LCZ类型的训练样本均超过WUDAPT基本分类流程里最初规定的15个，训练样本总数达51933个。这是因为WUDAPT分类流程最初运用于欧洲城市，精细规划下的欧洲城市形态机理规整稳定（图2.1.2b），每种LCZ类型一般收集5～15 个样本即可，而中国城市在粗放式规划管理下，形态机理相对混乱（图2.1.2a），同一种LCZ类型一般对应着多种城市形态。本节在对大量城市制图之前，选取西安做了样本测试，结果发现，随着训练样本数的增多，准确率升高，最后趋于饱和状态（图2.1.3）。因此，在中国的大城市中，应尽可能收集足够多的训练样本帮助分类。

除训练样本数量外，样本的质量也是提高数据精度的关键。本研究通过对长沙市测试表明，面积更大的同质样本（图2.1.4）能够获得更高准确率（表2.1.2）。因此，城市创建训练样本过程中，尽可能寻找城市中最大的同质区域，尽量保证每个样本的最小边长大于200 m，从而获得更好的分类效果。

②生成LCZ分类结果图。运用SAGA GIS软件根据训练样本与卫星资料光谱性质的相似性，在随机森林分类器中计算并生成LCZ分类结果图。与Google Earth高分辨率影像进行对比。通过修改现有的训练样本及添加新的训练样本，不断改善LCZ分类结果图。继续重复此过程，直到LCZ分类结果达到令人满意的质量为止。

③建立具有多种建筑物分类的城市HRLUC数据集。本数据集采用的原始卫星数据为2019年的Landsat 8卫星数据。常用的数值模型所使用的土地利用类型数据的空间分辨率通常在几百米到1 km左右。用于制作本数据集的原始卫星数据为30 m分辨率，最后重采样到120 m的分辨率进行输出。当城市HRLUC数据集运用于模拟时，仍然需要进一步插值。

本节所做的城市HRLUC数据集具有11 种城市土地利用分类，对建筑物的高度和开阔度都作了很好的区分。在实际运用数据进行城市的精细模拟时，不同建筑物类型的建筑物高度、宽度、间距、反照率、不透水面比例等参数在Stewart和Oke（2012）的文章里有详细的定义。因此，根据Stewart和Oke（2012）的定义，在模式的参数文件中定义即可。

（3）基于LCZ分类新增加修建区类型

现有的WUDAPT分类流程是在Stewart和Oke（2012）所定义的原始LCZ分类体系上进行的。然而，该分类体系对于城市化进程较快、土地利用和土地覆盖变化迅速的国家并不完全适用。例如，在中国的大城市中存在大量诸如图2.1.5的下垫面。这类下垫面通常处于一个动态变化的过程，前期（图2.1.5a）其表面主要为土，性质与裸土或沙土相似；中期（图2.1.5b）为土和建筑材料的混合物；后期（图2.1.5c）覆盖物与中期类似，与中期不同的是，后期已经能看到建筑物的基本轮廓。在中国，这是一种非常重要的下垫面。因此，在原始LCZ分类的基础上，本节将这类下垫面定义为修建区，作为LCZ分类的基本类型之一。

（4）精度评估方法

采用Cai等（2018）提出的随机点验证法对新建立的具有建筑物分类的HRLUC数据进行检验和评估。该方法主要是借助同期Google Earth高分辨率影像对每个城市的LCZ分类结果图进行验证和评估。具体方法为：在LCZ分类结果图上对每种LCZ类型随机采集0.5％的像元作为验证样本，并将验证样本与同期Google Earth高分辨率影像对比从而得到准确率。本节用于验证的像素点超过15841个。验证方法中涉及的精度评估指标包括总体准确率（Overall accuracy of all LCZ classification，OA）、城市用地类型准确率（Overall accuracy of built types，OA _u ）和自然覆盖类型准确率（Overall accuracy of natural land cover types，OA _n ）。在本节中，准确率定义为如下公式：

公式中，当i为1～10，18时分别代表城市用地类型LCZ 1～10，LCZ H，i为11～17分别表示自然覆盖类型LCZ A～G。n表示每一LCZ类型验证的像元点中正确的像元点数，N表示每一LCZ类型验证的像元点数。p在公式（2.1.1）中表示的是在城市中每种LCZ类型对应的像元面积在所有LCZ类型所对应的像元面积中的占比，在公式（2.1.2）中表示的是每种城市用地类型所对应的LCZ在所有城市用地类型中的占比，在公式（2.1.3）中表示的是每种自然覆盖类型中的LCZ在所有自然覆盖类型中的占比。

2.1.4 中国典型城市的LCZ空间特征

（1）精度评估

研究制得63个中国主要城市的LCZ分类结果如图2.1.6所示。大多数城市的空间布局结构为块状，如北京、天津、西安、洛阳、成都、昆明和呼和浩特等。一些城市沿河谷、河流或海岸线分布，呈条带状，如兰州、太原、拉萨等。一部分城市因自然地理条件的限制呈组团状分布，如重庆、武汉、鄂尔多斯等。少数城市呈环状（厦门）或星状（广州）分布。总体来说，中国大城市的形态较为复杂。

城市的总体准确率在71％～93％，平均总体准确率为82％。城市用地类型准确率在57％～83％，平均城市用地类型准确率为72％，高于国内同类研究结果（Cai et al.，2018；Ren et al.，2019；Wang et al.，2019）。这是因为本研究用于数字化研究区域的训练样本数远高于其他研究中的样本数。这说明，由于中国城市形态较为复杂，同一种LCZ类型可能对应多种城市形态，因此我们在数字化训练区域时，尽可能收集所有形态的训练样本有利城市用地类型的正确分类。本研究中城市的自然覆盖类型准确率在70％～99％，平均自然覆盖类型准确率为90％。

与欧美城市（表2.1.3）相比，中国城市的总体准确率偏低。这是因为不同区域的城市人口数量和经济发展水平差异较大，使得城市结构和形态迥异，导致准确率有所差异。中国快速城镇化了二十余年，城市形态的演变快速而剧烈（许剑峰，2010），城市空间得到了前所未有的扩张（陈易，2016），呈现出了与欧美城市截然不同的城市特征。欧美城市在精细化的规划控制下形成了规整稳定的形态机理，而中国城市在粗放式规划管理下，形态机理相对混乱（姚圣，2013）。因此，中国城市下垫面LCZ的识别也相对困难，使得准确率偏低。

（2）典型中国大城市总体及分类精度差异

由于不同区域之间经济发展水平、区域规划、地方政策和气候条件不一致，导致城市格局和建筑形态不同。为了比较不同区域内LCZ方法的适用性，本研究选择了来自不同区域的四个典型中国大城市进行研究，四个城市分别为北京、上海、广州和昆明。

不同区域城市形态有差异，导致LCZ地图的准确率不同。从图2.1.7（a）可以看出，上海的总体准确率和城市用地类型准确率均最高。结合Google在线地图（www. google. com.hk/ maps/）可以看出，上海的城市形态整体较为规整，因此LCZ的识别相对准确，总体准确率最高，达到84％。而北京由于历史和社会原因，在核心区域传统建筑和现代建筑相互交错、并置和混杂（图2.1.8a），核心区域外围则因为城市化导致景观破碎化（图2.1.8b），形成了复杂多样的肌理模式。高度异质的城市形态使得北京城市用地类型准确率（OA _u ）较低，仅为64％。广州的城市形态复杂性介于上海和北京之间，城市用地类型准确率也介于两者之间，为77％。与以上三个城市不同，昆明处于城市的早期发展阶段，城市外部形态日益复杂、不规则化，导致LCZ识别混乱，因此城市用地类型准确率较低，为67％。

不同LCZ分类精度有差异。如图2.1.7（b）所示，在所识别的城市用地类型中，简易低层建筑（LCZ 7）的分类结果在四个城市中表现良好。该种LCZ类型的建筑多为简易厂房，建筑材料多为蓝色或白色轻质波纹金属，建筑周围没有植被覆盖，能够提供较强的光谱信息，因此准确率较高。在上海、广州和昆明，紧凑中层建筑（LCZ 2）多集中分布在城市中心区域，建筑多为范围较大的同质区域，光谱信息易识别，因此准确率高。北京的低层密集建筑（LCZ 3）风貌较为统一，地块格局完整，LCZ识别准确。

利用Landsat 8进行LCZ分类时，由于数据缺乏高度信息，仅能用目视解译的方法来确定建筑物高度，因此存在对形态形似（区别主要为建筑高度）的建筑不能进行很好划分的可能，这是导致城市用地类型准确率较低的主要原因。例如昆明紧凑中低层建筑（LCZ 2和LCZ 3）之间、开敞中高层建筑（LCZ 4 和LCZ 5）和开敞中低层建筑（LCZ 5 和LCZ 6）之间（图2.1.9a～e）形态相似，均存在不同程度的混淆。在Demuzere等（2019）的研究中也观察到类似的混淆现象。这说明，未来LCZ作图除了添加传统二维遥感影像外，还应添加具有高度信息的辅助数据集作为输入特征，从而获得更好的分类效果。

除上述原因外，部分LCZ类型因其自身规模较小、LCZ类型之间本身具有相似性以及LCZ类型在实际下垫面中的连续分布造成LCZ分类错误。根据图2.1.7b，紧凑高层建筑（LCZ 1）准确率在55％～67％，相对其他两类紧凑建筑（LCZ 2和LCZ 3）较低，这是因为在大部分城市中，该类型所占比例小（图2.1.9f），只能提供较小规模的光谱信息。类似的情况还发生在各气候区内的稀疏低层建筑（LCZ 9）、重工业区（LCZ 10）和硬化地面（LCZ E）以及广州的低矮植被覆盖区域（LCZ D）等分类上。大型低层建筑（LCZ 8）和硬化地面LCZ E地表特征相似（图2.1.9g），从而具有相似的光谱特征，导致其不能很好的区分。此外，简易低层建筑（LCZ 7）、大型低层建筑（LCZ 8）和工业区（LCZ 10）常为连续分布状态，高度混合，导致分类错误（图2.1.9h）。

以上研究表明：①利用带有光谱信息的Landsat 8卫星数据进行LCZ分类总体上能够获得较好的分类结果，但部分LCZ类型的精度仍有待改善；②当样本数量接近饱和，样本大小较为均一后，LCZ地图的准确率主要取决于城市形态，城市形态越规整，准确率越高；③城市用地类型准确率较低的主要原因是缺乏高度信息的输入。另外，部分LCZ类型自身规模较小、LCZ类型之间本身具有相似性以及LCZ类型在实际下垫面中的连续分布也是造成部分城市用地类型准确率低的原因。后续研究应添加更多的辅助数据集作为输入特征来改善其分类效果。

（3）修建区类型在中国大城市的分布特征

修建区是一种在快速城市化建设中出现的类型，在我国高速的城市化过程中，各大城市中修建区分布广泛。其中，有35％的城市中修建区在整个下垫面中的占比超过了5％。修建区在城市用地类型中的占比则更高，70％的城市中修建区占比超过5％。这些城市大多为大城市（副省级市和直辖市）。修建区的比例在一定程度上能代表城市扩张的程度。与Liu等（2020）研究结果不同的是，我们发现中国城市扩张不仅集中在华北和华中区域，西南地区的城市也有很大程度的扩张。例如重庆、成都、昆明和贵阳等城市，其修建区在研究区域中的占比分别为7.91％，8.45％，6.17％和6.43％。

以郑州市为例，郑州市研究区域内修建区被识别的比例为22.33％。图2.1.10（a）为郑州市的LCZ地图，从图中可以看出，修建区多分布于城乡或城郊结合部。结合来自Google Earth的部分修建区域的截图来看（图2.1.10b），修建区域表面覆盖物复杂，通常为土和建筑材料的混合物。在建设前期其性质与裸土（LCZ F）较为接近，后期则多为开阔性建筑或工业建筑。在郑州市这类下垫面通常以破坏低矮植被（LCZ D）为主。从图2.1.10（b～e）中可以看出，2009年，郑州市城郊地区主要是低矮植被和低矮建筑；2015年，部分低矮植被被修建区替代；2019年，以低矮植被为主的下垫面和小范围的低矮建筑区域被修建区所取代，城郊地区修建区的比例显著增加。