下载掌阅APP，畅读海量书库
立即打开
以2017—2019年的多时相Landsat 8卫星数据为主要数据源，基于改进的LCZ分类体系理论，采用WUDAPT方法构建了中国63个城市的具有建筑物分类的HRLUC数据集。根据精度评估，该数据集总体准确率在71％～93％，平均准确率为82％；城市用地类型准确率在57％～83％，平均准确率为72％；自然覆盖类型准确率在70％～99％，平均准确率为90％。分类结果总体表现较好，可用于城市精细化天气预备、气候变化评估和城市规划等多个方面。
利用Landsat 8卫星数据进行LCZ分类时，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。训练样本的质量和数量是实现LCZ地图高准确率的关键，较大面积的均质样本数量越多，准确率越高；当样本数量接近饱和，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。
不同LCZ类型精度差异较大。在所识别的城市用地类型中，简易低层建筑（LCZ 7）准确率最高，紧凑中层建筑（LCZ 2）次之。简易低层建筑为蓝色或白色波纹金属质地，能够提供较强的光谱信息，LCZ识别准确。而紧凑中层建筑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。其他城市用地类型表现稍逊，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。
中国处于快速发展阶段，城市修建区占比较大，然而在Stewart和Oke（2002）对LCZ的原始定义中，并没有这种分类。本章研究表明，修建区在我国是一种非常重要的城市用地类型。在我国，35％的城市中修建区在整个下垫面中的占比超过了5％，70％的城市中修建区在城市用地类型中的占比超过5％。因此本章所做的地图集中，新增了该种下垫面类型。
本章内容的局限性主要有：①验证数据仅来自Google Earth，未采用城市建筑数据等更加客观和权威的数据进行验证，这就使得数据的准确率更大程度上决定于数据验证者的先前经验和地理知识。在未来的研究中，应该补充更多的外部建筑数据进行验证，保证数据的客观准确性。②输入特征仅来自多光谱卫星数据，高程信息不足，导致部分LCZ类型准确率相对有一定误差。后续研究应添加更多的灯光数据、开放街景地图等辅助数据集作为输入特征来改善其分类效果。③本章人为收集了大量的训练样本，虽然保证了LCZ地图的准确性，同时也耗费了巨大的人力和物力。进一步工作中需要尝试使用机器学习方法制作LCZ地图，今后将探讨机器学习方法对地表形态复杂的中国城市的适用性。更大范围的城市群乃至整个中国的数据制作工作，目前也在进行中。此外，由于中国城市发展速度较快，该数据集需定期更新，尤其是发展中城市。
基于LCZ精细下垫面分类方法，以北京为研究目标，建立LCZ地图并将下垫面分类数据集导入中尺度数值预报WRF模式中测试其对数值模拟结果的影响，得到以下结论：
①北京LCZ地图显示城市区域与自然环境有明显分界，可清晰看出水体、森林、沙地等分布情况，城区内以小区尺度通过对建筑高度、地表不透水率、建筑材料及使用功能等划分级别，对建筑物进行精细分类，显著提升对实际下垫面状况还原能力。
②将精细下垫面分类数据集导入中尺度数值预报WRF模式中测试其对数值模拟结果的影响，通过下垫面与实际建筑资料参数的对比分析发现，LCZ数据集中对城区下垫面建筑的精细分类明显优于现在广泛使用的按照不透水面积百分比划分的3 类城市默认下垫面资料。
北京实际建筑分布特征为二环以内多为密集紧凑古老的中低建筑，高度在9～15 m之间，有较大面积高度不透水区域，达到0.8以上；二环到四环主要以高大建筑为主，为21 m以上建筑的主要集中区，不透水率在0.6至0.8之间；五六环则多为低矮建筑，有大量村庄及自然景观，不透水率大多在0.5以下。默认下垫面资料对五环以内建筑高度及地表不透水率无明确区分，均认定为15 m以上高大建筑，且地表不透水率整体偏高在0.9以上。LCZ数据集能将五环内城区建筑物高度及不透水率区分出来，二环内建筑高度在2.5 m到9.5 m范围内，符合中低高度建筑分布，大部分区域不透水率在0.8以上；二到四环中部及北部多为高大建筑，高度约为25.5 m，不透水率有所下降，在0.8 左右；五环外以低矮建筑为主，不透水率显著降低。
北京旧城区在二环范围内，多为密集的四合院平房，随着现代化进程的发展，北京城区扩张，二至四环集中建立大面积高大建筑，五到六环之间多为县区、村舍等，以低矮建筑为主，大量植被使地表透水率升高，随着城区进一步扩张，北部有零星新开发高层建筑群，六环附近多为自然环境，东部东北部及南部主要以农田为主，西部与西北部为山体森林。北京建筑高度及地表不透水率在六环内有明显区别，不同环内随着城市变迁发展有着不同建筑特征，默认下垫面对城区进行的笼统划分不能准确反映北京建筑规律，LCZ精细下垫面数据集则较好的弥补了这一点。
③将3类默认城市下垫面与LCZ9类精细下垫面分别应用于单层及多层城市冠层模型中，在气温及风速日变化上，模拟结果显示下垫面资料对2 m气温模拟结果影响很大，精细下垫面下LCZ算例对气温日变化曲线有更好的掌握，有效改善模型夏季气温模拟最低温偏高的问题，尤其在单层UCM模式中更为明显。但10 m风速日变化的模拟结果受下垫面影响较小，两个不同下垫面下算例对风速模拟十分相近，多层城市冠层模型模拟结果略优于单层。
在地表热通量日变化模拟上，不论是单层还是多层城市冠层模型，白天时精细下垫面LCZ算例地表感热通量和地表潜热通量模拟结果显著提升，夜晚情况下地表热通量对下垫面资料及城市冠层模式均不敏感。模拟结果的提升主要与精细分类下垫面明显降低地表不透水率有关，尤其表现在潜热通量模拟上，几乎完全还原了实际地表潜热通量日变化曲线，精细下垫面合理还原实际地表植被情况，大量植被蒸腾作用提升潜热，使潜热模拟结果有较大改善。
④在地表热通量的空间分布模拟上，默认下垫面DEF算例在空间分布上反差极大，五环以内及五六环之间呈现割裂式分布，这种突变与实际情况不符。LCZ下垫面则很好地弥补了五环内无明显区分的缺点，逐环具有不同的特征使热通量模拟结果过渡更加平缓。不论是时间分布还是空间分布规律，LCZ精细下垫面都与北京实际感热潜热通量分布规律更加吻合。
在温度空间分布上，单层城市冠层模型中DEF-UCM算例与实测站点温度差在0.5 ℃以内站点数为30个，0.5 ℃到1.5 ℃之间站点数为37个；LCZ-UCM算例与实测站点温度差在0.5 ℃以内站点数为38个，0.5 ℃到1.5 ℃之间站点数为40个，误差明显降低，模拟精度进一步提升。
⑤将所有站点按土地利用类型分类，计算2 m气温日平均偏差与均方根误差，结果显示密集低层建筑、开放中层建筑、开放低层建筑与轻型低矮建筑这四类土地利用类型不论在单层还是多层城市冠层模型中均显著优化气温模拟结果，绝对偏差在1.49 ℃以下，均方根误差在1.98 ℃以下。模拟结果的优化说明其较好地补充了默认下垫面类型的空缺，更合理更精细的下垫面分类可明显提升气温模拟精度。
⑥在对10 m风速空间分布模拟上，LCZ精细下垫面中建筑参数更符合实际特征，能更好地呈现出城区内的风速分布情况，对单层及多层城市冠层模式风速空间分布均有较好提升。
本章内容在数据集应用方面，将精细下垫面资料引入中尺度数值模式，首次将其与单层城市冠层模型结合起来，模拟结果显示：单层城市冠层模式中气温模拟对下垫面分类精细程度敏感性极高，建筑参数设置可明显提升气温随时间变化及空间分布上的模拟效果。
缺少基础数据是制约城市气象发展的主要因素之一，建立城市气候三维数据集，为数值预报提供基础资料是发展城市预报的重要步骤。完善城市基础数据对数值模拟预报有重大意义，后续会陆续进行国内其他重点城市数据集制作及参数调试，为进一步提高城市数值预报精度提供基础资料。