《Remote Sensing Applications: Society and Environment》:Predicting Local Climate Zones using Urban Morphometrics and Satellite Imagery
编辑推荐:
局地气候分区(LCZ)框架常用于在形态学分析中表征城市形态,尽管其制图主要依赖卫星影像。城市形态计量学通过对城市要素物理属性及其空间关系进行数值测度来描述城市形态,为此提供了另一种路径。本研究评估了形态计量评估预测LCZ的能力,具体包括:a)基于形态计量的LC
局地气候分区(LCZ)框架常用于在形态学分析中表征城市形态,尽管其制图主要依赖卫星影像。城市形态计量学通过对城市要素物理属性及其空间关系进行数值测度来描述城市形态,为此提供了另一种路径。本研究评估了形态计量评估预测LCZ的能力,具体包括:a)基于形态计量的LCZ预测;b)结合形态计量与卫星影像的融合式LCZ预测。研究人员计算了321项二维(2D)形态计量属性,涵盖多个空间尺度上的建筑、街道与地块层面特征。随后,研究人员构建了4种分类方案:基于形态计量的预测、两种形态计量与影像融合的技术,以及一种作为基线的基于影像的预测方法,并在5个研究地点上对其进行评估。基于形态计量的预测结果表明,二维城市形态计量与城市LCZ之间的对应关系具有选择性且不一致,使得该方法的有效性依赖于具体研究地点。尽管如此,该方法表明,与标准参数相比,更广泛范围的城市形态属性均与LCZ区分相关。相对于基于影像的基线方法,融合方法在其中两个研究地点对城市LCZ类型带来了相对明显的精度提升;然而,在其余研究地点,提升幅度可忽略不计,甚至略有下降,表明融合的收益有限且不稳定。总体而言,这些结果表明,LCZ与城市形态可测方面之间的关系较为脆弱,因此在形态学研究中应谨慎使用LCZ框架。
论文标题为《基于城市形态计量学与卫星影像的局地气候分区预测》,发表于《Remote Sensing Applications: Society and Environment》。该研究聚焦于局地气候分区(LCZ)这一在城市气候与城市形态研究中广泛使用的类型框架,并围绕一个关键问题展开:LCZ作为一种常用的城市类型学工具,虽然经常被用于形态学分析,但其制图长期主要依赖卫星遥感影像,而非对城市形态本身进行细粒度、系统化的量化刻画。这导致LCZ与真实可测的城市形态特征之间究竟具有多强对应关系,尚缺乏充分验证。与此同时,定量城市形态学持续发展,城市形态计量学(urban morphometrics)已能够从建筑、街道、地块及其空间关系出发,对城市建成环境进行大规模、可重复、可比较的数值描述。因此,研究人员提出,有必要系统检验二维(2D)城市形态计量属性能否独立预测LCZ,以及它们与卫星影像融合后是否能够提高LCZ制图精度。这项研究的开展,既是对LCZ形态学适用性的实证检验,也是对遥感制图与城市形态分析之间关系的反思。
现有研究中,LCZ制图主要包括基于地理信息系统(GIS)的方法、基于遥感(RS)的方法,以及二者结合的方法。GIS方法常通过天空可视因子、长宽比、建筑覆盖率等城市冠层参数进行判别,精度较高但对输入数据要求严格。RS方法则凭借卫星影像的全球覆盖和较高时空分辨率成为主流,尤其是基于卷积神经网络(CNN)的场景分类方法已逐步取代早期像素级随机森林(RF)方法。然而,将二维城市形态计量指标系统引入LCZ预测的工作仍较少,既往研究多只使用少量孤立的建筑指标,如建筑密度、建筑面积、邻近建筑距离等,难以全面表征城市形态。此外,将形态计量特征与遥感影像融合的研究数量有限,且结论并不一致。因此,本研究的核心问题在于:更全面的二维城市形态计量描述,能否作为LCZ预测的有效信息源;以及这种信息与遥感光谱特征融合后,是否能稳定提升LCZ分类表现。
为回答上述问题,研究人员构建了一个系统的方法框架。研究使用5个研究地点,即Berlin、Hong Kong、Paris、Rome和S?o Paulo,参考数据来自2017 IEEE GRSS Data Fusion Contest提供的LCZ真值多边形样本;GIS数据来自Overture Maps,包括建筑轮廓、街道网络、水系线和水体;遥感数据采用Sentinel-2无云、大气校正后的多光谱影像。方法上,研究人员首先基于建筑轮廓、街道网络和封闭镶嵌单元(enclosed tessellation cells, ETCs)计算二维城市形态计量属性。其次,构建4种分类方案:方案1(S1)为仅基于形态计量的LCZ预测;方案2(S2)为仅基于影像的遥感基线方法;方案3(S3)和方案4(S4)为将形态计量与影像进行融合的两种不同预测策略。最后,通过分层5折交叉验证,结合总体精度(OA)、加权F1值(F1)、城市类型F1(F1U)和自然类型F1(F1N)等指标进行评估。总体结论显示,二维城市形态计量与LCZ之间存在一定但并不稳健的联系;融合策略在部分城市对城市LCZ有一定增益,但整体收益有限且不一致;LCZ作为城市形态代理指标的能力较弱,因此在形态学研究中应谨慎使用。这一结论的重要意义在于,它挑战了将LCZ直接视作城市形态分析替代物的常见做法,指出LCZ在概念上更接近粗粒度代理框架,而非严格的形态学类型体系。
研究所用关键技术方法主要包括以下几类。第一,基于`momepy`库开展二维城市形态计量分析,从建筑、街道和地块三个层级提取107项基础属性,并进一步计算邻域25
th、50
th、75
th分位数,形成321项上下文形态计量属性。第二,采用随机森林(RF)对高维、相关性较强的形态计量特征进行分类,并利用基尼重要性筛选20项关键特征。第三,采用面向LCZ制图设计的多尺度多层级注意力卷积神经网络MSMLA-50,以Sentinel-2场景影像开展基线分类。第四,设计两种融合策略:一种将形态计量栅格作为附加波段与影像联合输入RF,另一种将CNN提取的特征向量与形态计量统计特征拼接后再由RF分类。样本队列来源为2017 IEEE GRSS Data Fusion Contest的5个城市LCZ参考样本。
在“Morphometric-based prediction”部分,研究人员评估了仅依赖二维形态计量特征预测城市LCZ类型的能力。结果表明,S1在不同城市间表现差异显著,F1从Rome的64.2%到Paris的92.5%不等,且不同折次之间波动很大,说明模型稳定性不足、对训练数据构成高度敏感。通过混淆情况分析,研究发现紧凑型(LCZ 1–3)与开放型(LCZ 4–6)之间通常可以较好区分,但在Rome这种区分较弱。稀疏建成型(LCZ-9)在所有出现该类型的城市中几乎都被系统性误判为开放低层型(LCZ-6),表明二维形态计量难以有效区分“稀疏”与“开放”布局。不同建筑高度类型之间的判别能力也较有限,识别往往集中于各城市中的主导高度层级,而较少见的高度类型容易被归入主导类型。大型低层区(LCZ-8)与开放低层区(LCZ-6)之间仅有较小混淆,说明建筑尺度在某些情境下可被识别。重工业区(LCZ-10)则整体识别困难,在Rome中完全误分,在S?o Paulo中仅边缘性识别,在Hong Kong中识别相对较好但伴随其他类型误分。
在“Fusion-based prediction and comparisons with RS-based method”部分,研究人员比较了形态计量方法、遥感基线方法以及两种融合方法的表现。将S1聚合到100 m网格后与其他方法比较可见,除Paris外,S1在4个研究地点均明显劣于遥感基线与融合方法,且稳定性最差。进一步比较S2与融合方法发现,融合带来的收益总体较小且缺乏一致性。以各城市表现较优的融合方案计,F1U相对S2在Berlin、Hong Kong、Paris和Rome分别有所提升,但在S?o Paulo下降;F1N多数情况下下降,仅Rome略有增加;综合F1仅在Paris和Rome略有提升,在其他城市反而下降2%–3%。这说明融合并未稳定改善总体制图质量。两种融合策略之间也不存在绝对优者:S3在城市LCZ类型识别上更具优势,在5个城市中3个明显优于S4;S4则在自然LCZ类型上更有利。混淆矩阵比较进一步表明,在Hong Kong与Rome中,光谱与形态计量信息具有较明显互补性,改善了多数类型的识别;但在Berlin与Paris中,融合效果极为有限;在S?o Paulo中,多数类型反而出现退化。值得注意的是,对于S1中已出现的LCZ-9与LCZ-6混淆,融合并未缓解,反而常进一步加剧;而LCZ-10在S3相对于基线在所有城市中都有明显改进,但在S4中除Hong Kong外均下降,显示不同融合机制对特定类型的适配性不同。自然类型方面,密树型(LCZ-A)和水体型(LCZ-G)相对稳定,而疏树型(LCZ-B)更容易在融合后被误分为密树型或低植被型(LCZ-D)。
在“LCZ Maps”部分,研究展示了5个城市中表现最佳折次下的三类LCZ地图,即基于形态计量的原生ETC尺度地图、基于遥感的100 m分辨率地图,以及较优融合方案产生的100 m分辨率地图。该部分主要以空间制图结果支持前述定量结论,说明不同方法在不同城市中的空间识别格局存在明显差异,也体现出融合并未形成跨城市一致的改进模式。
在“Comparison with previous studies”部分,研究人员将本研究与既有文献进行了系统比较。相较于以往仅采用少数基础建筑指标的研究,本研究证明,与LCZ区分相关的二维形态计量属性远不止建筑密度、建筑覆盖比或建筑间距等常见指标。研究筛选出的关键特征显示,建筑形状指标如立面比、分形维数,复杂尺度指标如周界墙长度、最长轴长度,以及街道网络属性如街道开敞度、平均节点度和地块的尺度与形状,都对LCZ判别具有作用。相较于先前关于影像与城市形态特征融合的研究,本研究在研究地点数量、方法设计、评估稳健性和基线设定方面更为严格,所得结论更接近Yoo等研究所揭示的“不一致增益”而非稳定提升。
在“Potential of 2D urban morphometrics for LCZ prediction”部分,研究人员总结认为,二维城市形态计量与LCZ类型学之间的关系具有不一致性、选择性和地点依赖性。模型不稳定性说明同一LCZ类型内部存在较高形态异质性,不同城市甚至同一城市内同一LCZ类别都可能具有差异明显的形态构型;在参考样本不均衡条件下,这种异质性会进一步放大训练集与测试集之间的偏差。结果同时表明,二维形态计量在区分紧凑型与开放型、以及开放低层中的不同建筑尺度时较有潜力,但对建筑高度差异、稀疏与开放布局差异、工业区识别等方面能力有限。由此可见,二维形态计量对LCZ的映射并非全面成立,而是仅在部分形态维度上有效。这从根本上限制了纯形态计量LCZ预测的适用性,也解释了其跨城市性能波动较大的现象。
在“Limitations and future work”部分,研究指出若干局限。首先,研究未纳入建筑高度数据;其次,参考样本数量在若干类型上偏少,部分城市某些LCZ类型样本不足5个,这可能影响5折交叉验证中各折的类别覆盖和性能稳定性;再次,Overture Maps的GIS数据来自2025年,而参考LCZ数据为2017年,二者时间不一致可能影响形态计量与真值之间的匹配度。未来研究可进一步识别简约且可迁移的高相关形态计量特征子集,明确何种条件下光谱数据与形态计量融合能够带来优势,并探索新的融合机制。同时,也可进一步考察二维形态计量与三维建筑指标的协同整合。
研究结论部分可概括为:研究人员检验了综合二维城市形态计量评估在LCZ预测中的潜力,并设计了纯形态计量方法与两种形态计量—卫星影像融合方法。结果表明,二维形态计量与城市LCZ之间的对应关系有限、选择性明显且依赖研究地点;它虽然揭示出比传统参数更广泛的相关形态属性,但单独用于LCZ预测时稳定性不足。形态计量与遥感影像的融合在部分城市可提升城市LCZ识别精度,但总体增益有限且缺乏一致性。综合来看,LCZ类型学与城市形态可测属性之间的联系较为脆弱,LCZ更适合作为粗略代理而非严格的城市形态分析工具。因此,在形态学研究中使用LCZ框架应保持谨慎,以避免过度简化、内部不一致及跨地点可比性下降等问题。