土地利用/覆盖变化(Land Use Cover Change,LUCC)过程对全球及区域环境有重要影响(Pielke,2005;李婧华等,2013;Hu et al.,2019)。由于当前全球城市化进程速度加快(Gao and ONeill,2020),城市土地利用的变化是最突出和集中的科学问题(Zhou and Chen,2018;Gong et al.,2020;Li et al.,2020;Rath and Panda,2020)。城市土地利用变化对辐射平衡(Pielke et al.,2002)、气象环境(谢志清等,2015;Zhang et al.,2016;郭良辰等,2019)、空气污染(Shi et al.,2019a)以及气候变化(Mahmood et al.,2010;Liu et al.,2016;Findell et al.,2017;Song et al.,2018)的影响受到了广泛关注。

在研究LUCC对局地、区域乃至全球气候影响的过程中,土地利用类型数据是首要和关键的信息来源,是研究陆面过程的重要基础(华文剑等,2014;Liu et al.,2020)。从土地利用类型数据中,可以获取城市气候模型的关键因子-城市形态信息。数值实验和模式研究表明,使用更准确的城市形态数据可以获取更好的空气污染和气候变化情景模拟研究结果,更具指导意义(Salamanca et al.,2011;Ching et al.,2018;Hammerberg et al.,2018;Wong et al.,2019;Mu et al.,2020)。

在数值模式中引入建筑物的高度信息可以提高模拟性能(Xu et al.,2017a)。将建筑物高度信息引入模式后,可以获得更好的城市三维形态,从而较好地模拟风速(陈燕和蒋维楣,2006)、温度(Mu et al.,2020)和降水(Patel et al.,2020)等。然而,对于许多城市而言,由于城市建筑物高度信息的缺失,阻碍了城市气候研究的进展(Bechtel et al.,2015;Brousse et al.,2016;Liu et al.,2020)。因此,建立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率模拟尤为重要(戴永久等,2020;苗世光等,2020)。

为了在全球范围内更好地理解城市景观以及刻画城市足迹,学者们纷纷置身于解决高分辨城市形态数据匮乏问题。当前获取的城市形态数据大多来自区域或全球的高分辨率土地覆盖数据集(Zhang et al.,2014;Gong et al.,2019)。这些数据产品为在一定程度上为城市气候科学的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。该类数据集虽然空间分辨率很高,但未提供详细的建筑物细节信息,在城市形态和功能的评估方面也存在一定的偏差。例如,在数百米至数千米的范围内,城市建筑物或建成区内只有一种土地利用类型,在一定程度上模糊了城市建筑物的具体功能及信息。

为了弥补建筑物细节信息的不足,一些研究者提出了城市多维地图构造理论(Zheng and Weng,2015;Shahzad and Zhu,2016)。其中数据驱动和模型驱动方法是目前构建多维建筑地图的两种主要方法。数据驱动方法基于激光雷达数据,通过三维重建来创建或更新现有的地图数据库,但目前该技术仅在数据密度较高且屋顶平整的情况下有效(Awrangjeb et al.,2018)。而模型驱动方法所使用的简化原型屋顶是建立在一些假设基础之上的,一旦建筑结构过于复杂或者研究区域尺度过大则不再适用(Zheng and Weng,2015)。此外,Wang et al.(2018a)使用Landsat卫星数据并结合全球高程数据构造了英格兰城市3D结构地图。他们指出,方法中所使用的数据源之间有时间上差异会对结果带来极大的不确定性,因此他们的研究方法仅适用于英格兰等城市化进程缓慢的区域。以上研究为具有建筑物分类的土地利用类型数据奠定了基础,但在实际运用过程中,尤其是针对中国复杂的建筑物形态数据的构建存在局限性。

Stewart and Oke(2012)提出了局地气候分区(Local Climate Zone,LCZ)的概念及方法。LCZ方法是一种既能够兼顾高分辨率数据中城市建筑物分类和功能分区的表示,又具有大范围制作可操作性的方法。与传统的土地利用和土地覆盖分类方法相比,LCZ分类方法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以及数值模式所需的基本参数设置,推进了城市气候研究(Shi et al.,2018)。LCZ最初是为规范城市热岛研究而提出的,但其作用不局限于城市热岛研究。基于LCZ对城市详细的分类可得到城市高分辨率土地利用分类(High Resolution Land Use Classification,HRLUC)数据集,对于城市天气预报,城市规划和设计以及未来城市生活环境的改善至关重要(Bechtel et al.,2019)。

基于LCZ的基本分类,WUDAPT(World Urban Database and Access Portal Tools,WUDAPT)方法提供了一系列制得LCZ地图的流程。该流程是基于免费的遥感数据,通过随机森林之类的分类器,在开源软件SAGA GIS中生成LCZ地图(Bechtel et al.,2015),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)。基于WUDAPT基本流程获取城市数据的方法已广泛运用于欧洲和亚洲国家的部分城市(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)通过评估LCZ分类方法在基辅和利沃夫(地理位置相近;但城市形态和地形差异较大)的适用性表明,在某个区域内,LCZ是一种通用的城市分类方法,但是否在全球城市通用还有待考证。Demuzere et al.(2019)提出了在云计算环境中利用Sentinel-1SAR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陆尺度的LCZ地图成为可能。基于LCZ制图获取的城市数据对于城市气候和其他相关学科的发展至关重要。在中国,已有部分城市开展了LCZ地图的制作(Cai et al.,2016,2018;Ren et al.,2019),但是基于当前精细化城市预报等需求,仍然有大量城市的地图信息需要构建。

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,高速发展中的中国的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研究。

本文基于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。

1 数据和方法

本文基于WUDAPT分类流程,为中国主要的大城市制作具有11种详细建筑物分类的HRLUC数据,为城市精细化天气预报以及空气污染等相关研究提供信息支撑。

1.1 LCZ土地利用分类的简述

本文制作的中国主要城市的HRLUC遵循Stewart and Oke(2012)的LCZ分类体系,该体系根据建筑材料和地表覆盖特性将下垫面划分为17种基本类型,包含城市用地类型和自然覆盖类型两大类。其中,城市用地类型为LCZ 1~10,自然覆盖类型为LCZ A-G。LCZ根据楼层数将城市用地类型划分为低层建筑、中层建筑和高层建筑,低层建筑为1~3层,中层建筑为3~9层,高层建筑为10层及以上;根据建筑物之间的开阔程度和植被丰富度将建筑划分为开敞建筑和紧凑建筑。每一种LCZ类型都有与其热环境相对应的指标,比如:天空视觉因子、高宽比、建筑密度、不透水百分比、粗糙元高度、粗糙度等级、地面发射率、地表反照率和人为热通量。

1.2 研究区域

本研究选取了中国重要地级市、直辖市及特别行政区共63个城市进行LCZ分类(图1)。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。

1.3 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 et al.(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:

1)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120m,为后期在SAGA GIS中生成LCZ分类结果做准备。

2)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。本文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51 933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2a),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2b),同一种LCZ类型一般对应着多种城市形态。本文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结果显示,样本2较样本1能够获得更高的准确率,这表明面积更大的同质样本(图4)能够获得更高准确率。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200m,从而获得更好的分类效果。

3)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。

4)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2017—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1km左右。用于制作本数据集的原始卫星数据为30m分辨率,最后重采样到120m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。

此外,本文所做的城市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做了很好的区分。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 and Oke(2012)的文章里有详细的定义。因此,根据Stewart and Oke(2012)等的定义,在模式的参数文件中定义即可。

1.3.1 基于LCZ分类新增加修建区类型

现有的WUDAPT分类流程是在Stewart and 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5a)其表面主要为土,性质与裸土或沙土相似;中期(图5b)为土和建筑材料的混合物;后期(图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,本文将这类下垫面定义为修建区,作为LCZ分类的基本类型之一。

1.4 精度评估方法

采用Cai et al.(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。本文用于验证的像素点超过15 841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,OAu)和自然覆盖类型准确率(Overall Accuracy of natural land cover types,OAn)。在本文中,准确率定义为如下公式:

式中:当i为1~10、18时分别代表城市用地类型LCZ 110、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在式(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,在式(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,在式(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 结果

2.1 精度评估

2.1.1 总体精度评估

本文制得的63个中国主要城市中,部分城市的LCZ分类结果如图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。

图7给出了不同城市准确率的总体分布,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%。

和欧美城市(表1)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(许建锋,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的识别也相对混乱,使得准确率偏低。

2.1.2 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8a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9a),核心区域外围则因为城市化导致景观破碎化(图9b),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(OAu)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二者之间,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8b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地划分的可能,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10a—e)形态相似,均存在不同程度的混淆。在Demuzere et al.(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9b,紧凑高层建筑(LCZ 1)准确率在055~067,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10f),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10g),从而具有相似的光谱特征,导致其不能很好地区分。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10h)。

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。

2.3 本文新增的修建区类型在中国大城市所占的比例

在中国大城市中修建区分布广泛。图11a为本文所研究的城市中修建区被识别的比例,图11b为修建区在城市用地类型中的占比。其中,有35%的城市的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 et al.(2020)研究结果不同的是,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12a为郑州市的LCZ地图,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12b),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12b—e中可以看出,2009年,郑州市城郊地区在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。

3 结论和讨论

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 and Oke(2012)对LCZ的原始定义中,并没有这种分类。本文研究表明,修建区在我国是一种非常重要的城市用地类型。在我国,有35%的城市的修建区在整个下垫面中的占比超过了5%,有70%的城市修建区在城市用地类型中的占比超过5%。因此本文所做的地图集中,新增了该种下垫面类型。

本文的局限性主要有: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)本文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。

致谢:本论文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助。

参考文献