题
目
：
Mapping urban form into local
climate zones for the continental
US
from 1986–2020
期刊：Scientific Data
第一作者：MengQi
发表单位：Virginia Polytechnic Institute and State University
发表日期：2024年
城市化改变了
地表特性
，
推动微气候发生变化
。城市形态影响着人们的活动、环境暴露和健康状况。开发
详细和统一的城市形态
的
长期测量指标
对于量化这些关系至关重要。本地
气候区域（LCZ）
是一种文化中立的城市形态分类方案。城市化是当今世界面临的重要挑战之一，因此对城市形态的准确理解至关重要。城市形态对气候和环境有重要影响，因此对城市的
本地气候区域进行准确的绘制和分类
可以为城市规划和气候适应提供重要的基础信息。迄今为止，在大尺度（即国家、大陆或全球范围）上尚无可用的纵向LCZ地图。
拟解决的科学问题
-
如何准确地绘制城市的形态并将其转化为本地气候区域？
-
-
创新点
-
该研究将城市形态绘制为
本地气候区域
，为城市规划和气候适应提供了新的视角和方法。
-
通过对城市形态和气候之间关系的深入分析，揭示了
城市形态对气候的影响机制
，为未来的研究提供了新的思路和方向。
研究方法
研究的地理重点是美国本土（CONUS），时间跨度为
1986年至2020年
。为每年在CONUS范围内收集了
16个LCZ类别的训练区域
（TAs）。按照之前的工作，没有将LCZ 7（轻型低层建筑）纳入的模型，因为在我们的研究区域中很少出现。我们的混合建模流程包括（1）混合TA标注，（2）基于云端的
RF分类器开发
，以及（3）
模型预测和后处理分类
。在模型开发和预测之后，我们采用了多种方法来评估模型性能，包括
5倍空间交叉验证
以
评估准确性
，与外部土地利用和LCZ地图的基准比较，以及基于我们的LCZ产品进行的城市扩张分析。
模型开发工作流程。(a) 包括使用 MTurk 平台进行基准年（2017年）的众包标注以及专家对其他年份（1986年至2020年）进行手动标注的 TA 多边形标注。(b) 从 TA 多边形中进行平衡标签采样和模型特征提取，包括来自年度 Landsat 组合图层、LULC 图层（LCMAP 和 LCMS）和人口普查图层的特征。(c) 在本地计算机上使用 Python scikit-learn 库进行模型训练、微调和评估。(d) 将模型从本地计算机转移到 GEE 平台，进行后处理处理，并在整个美国大陆范围内以 100m×100m 分辨率生成1986年至2020年的最终 LCZ 预测表面
研究结果
研究结果表明模型表现良好：整体准确率为
0.76
（各类别F1分数为
0.55-0.96
）。据我们所知，这是美国大陆首个高分辨率的纵向LCZ地图。我们的工作可能对地球系统科学、城市规划和公共卫生等多个领域有用。
LCZ分类方案包括（a）10种建成类别（即LCZs 1–10）和（b）7种土地覆盖类别（即LCZs A-G）。面板（a）和（b）改编自Demuzere等人的图1。
代表性的航拍地图（© Google Earth 2020）显示了每个LCZ类型。
（c）LCZ TAs在整个美国大陆的时空分布。TAs的颜色与面板（a）和（b）中呈现的调色板一致。（d）按年份计算的（1）总TA数（红线）、（2）2020年各LCZ类别的TA数（黑色实线条）以及（3）每年在TA多边形内按类别采样的点数（黑色条纹条）进行模型开发
基于5倍空间交叉验证的模型性能。（a）按本地模型、GEE模型和最终模型（即带有时空后处理的GEE模型）的整体模型性能。报告的指标包括总体准确率（OA）、城市类别的整体准确率（OAu）、建筑与自然类别的整体准确率（OAbu）和加权准确率（OAw）。（b）按本地模型、GEE模型和最终模型的类别模型性能。（c）按州报告的最终模型性能的空间分布。报告的指标包括OA、OAu、OAbu和OAw
混淆矩阵是最终LCZ模型的重要指标。每个单元格中的值表示测试样本的数量。精度显示在混淆矩阵的底部。召回率和F1分数显示在混淆矩阵的右侧
时间上与最终LCZ模型的一致性。(a) 从1986年到2020年的总体模型性能，包括总体精度（OA）、城市类别的总体精度（OAu）、建成区与自然区的总体精度（OAbu）和加权精度（OAw）。(b、c) 显示了从1986年到2020年CONUS LCZ类别之间的年平均过渡（单位：%）。(b) 显示了仅具有空间过滤的GEE模型的过渡情况。(c) 显示了我们最终的LCZ模型的过渡情况，即具有空间和时间过滤的GEE模型。过渡方向是从行到列。例如，在(c)的第1行中，CONUS中93%的LCZ 1像素从上一年保持为LCZ 1到当前年份的平均值
LCZ制图。(a) 使用2020年的CONUS预测表面，分辨率为100m×100m进行示例。(b) 每年以100m×100m的分辨率绘制一个示例城市（内华达州的拉斯维加斯）的LCZ制图。为了说明，基于约5年的间隔显示了城市形态的变化，以及2020年人口普查城市区边界。我们的LCZ数据集包含所有年份（1986年至2020年）的完整结果
专题基准测试。(a) 使用2019年的二值（城市 vs. 自然）LCZ和NLCD地图进行示例。定义城市 vs. 自然的阈值为10%的不透水表面分数。LCZ 9（稀疏建筑）未纳入专题基准测试，因为LCZ 9像素的不透水分数可能属于任一类别。比较分别针对整个CONUS和使用2020年人口普查城市区边界的CONUS-UA进行。(b) 总体精度以及城市和自然像素的比较结果
1986年和2020年六个示例都会区的LCZ地图（西部、中部和东部各两个城市），以及相应的谷歌地球航拍图（© Google Earth 2020）。航拍图中的蓝色线条是2020年人口普查城市区的边界。列出了边界内的陆地和水域面积以供参考
1986年至2020年间6个美国大都市区LCZ组成比例的趋势。所有组成比例均基于上图中显示的2020年人口普查城市区边界进行计算
展示6个美国大都市区在1986年和2020年之间LCZ类别的主要转变，使用弦图。转变的方向由箭头表示。弦的颜色与转变源的颜色一致。弧上的刻度表示转变率。例如，如图中丹佛-奥罗拉地区的LCZ C弧所示，7%的像素从LCZ C转变为LCZ 6（弦的颜色与LCZ C一致）；4%从LCZ C转变为LCZ F（弦的颜色与LCZ C一致）；其他LCZ类型转变为LCZ C的比例为0%。为了说明主要转变，将在城市像素中发生的任何少于1%的LCZ转变从弦图中删除；保持相同类型的像素也将被删除。所有转变率均基于图8中显示的2020年人口普查城市区边界进行计算
讨论
研究结果表明，城市形态对本地气候区域具有显著影响，不同类型的城市形态会导致不同的本地气候特征。随着时间的推移，城市形态的演变也会对本地气候区域产生影响，进一步加剧城市热岛效应等气候问题。因此，合理规划城市形态可以改善本地气候环境，提高城市的适应性和可持续性。
Qi M, Xu C, Zhang W, et al. Mapping urban form into local climate zones for the continental US from 1986–2020[J]. Scientific Data, 2024, 11(1): 195.
