全球千座大城市10米分辨率工业用地动态图谱（2017-2023）：工业化、城市化与环境可持续性的空间关联研究

本研究通过多源遥感数据与机器学习方法，首次构建了2017-2023年全球1093个大型城市（≥100 km2）的10米分辨率工业用地数据集（OA达92.07%），揭示了工业用地人均面积与CO2排放的强相关性（r=0.72），为平衡经济发展与环境保护提供了关键空间决策工具。

　　

工业用地作为经济发展的核心载体，在创造就业和技术创新的同时，也带来了碳排放、热岛效应等环境挑战。然而，全球尺度的城市工业用地动态监测长期缺失，现有数据往往局限于局部区域或单一年份，难以支撑跨区域可持续发展评估。香港理工大学土地测量及地理资讯学系JC STEM地球观测实验室的Cheolhee Yoo、Yuhan Zhou和Qihao Weng团队通过整合Sentinel-2多光谱数据、VIIRS夜间灯光、OSM土地利用标签等37项空间特征，采用随机森林算法构建了首套全球1093个大城市的10米分辨率工业用地年度图谱（2017-2023），相关成果发表于《Scientific Data》。

研究团队创新性地采用城市生态区（Urban Ecoregions）分层建模策略，将1093个城市划分为43个建模集群（29个独立建模城市+14个生态区集群）。通过融合GLCM纹理特征（Contrast/Homogeneity等5类）、GHSL非住宅建筑体积、全球电力系统密度等工业特征指标，模型在七年间的总体精度稳定在91.87%-92.21%，F1-score达91.48%。验证显示，该数据与官方工业区地图的网格级相关性高达0.89-0.99，且工业用地人均面积与化石燃料CO₂排放的关联强度（r=0.72）显著高于传统建成区指标（r=0.57）。

方法学亮点

1）样本构建：基于OSM工业标签与ESRI 10m土地覆盖数据提取训练样本（5000工业/30000非工业点），采用1.5km缓冲区定义城市边界；

2）特征工程：整合Sentinel-2多波段反射率、GLCM纹理（10-50m邻域）、VIIRS夜间灯光年度中值等37维特征；

3）时空滤波：采用3×3高斯滤波与多数投票法降低噪声。

关键结果

1. 精度验证：亚洲城市（如乌鲁木齐、广州）在Urban Ecoregion 8/10区域的分类精度超95%，而欧美城市因混合用地特征精度略低（OA<90%）。

   

2. 空间模式：上海、莫斯科等城市工业用地呈"核心-边缘"分布，而洛杉矶、凤凰城则形成工业走廊集群。

   

3. 环境关联：工业用地占比与全球电厂数据库（53）、钢铁资产分布（54）的空间耦合度达89%，显著提升排放热点识别精度。

   

讨论与展望

该研究突破了传统工业用地监测的时空局限，其10米分辨率数据能精准识别混合用地中的小型工业区（如新加坡港口未被官方标注的区域）。尽管存在OSM标注偏差（约6.7%FP）、GHSL数据更新延迟等局限，但时空滤波技术有效提升了数据稳定性。未来可结合企业级排放数据，深化工业用地效率评估，为SDG11（可持续城市）和碳中和目标提供空间优化路径。数据集已开源（Zenodo:10.5281/zenodo.14832219），将成为城市化-工业化-环境效应三联体研究的基础空间框架。