《Remote Sensing of Environment》：Urban building height mapping in Beijing-Tianjin-Hebei megalopolis by synergy of spaceborne LiDAR and multisource geospatial datasets
编辑推荐：
•利用子区域建模和模型耦合构建建筑物高度制图的新框架。•变量重要性随子区域的变化凸显了子区域建模的必要性。•在建筑物高度预测中，XGBoost 优于 GAM、SVR 和 RF。•通过克里金插值将残差纳入 XGBoost，使均方根误差（RMSE）从 5.22m 降低至 4.32
- •
利用子区域建模和模型耦合构建建筑物高度制图的新框架。
- •
变量重要性随子区域的变化凸显了子区域建模的必要性。
- •
在建筑物高度预测中，XGBoost 优于 GAM、SVR 和 RF。
- •
通过克里金插值将残差纳入 XGBoost，使均方根误差（RMSE）从 5.22m 降低至 4.32m。
- •
与参考数据相比，我们的地图准确反映了建筑物高度分布。
引言
城市区域仅占地球陆地表面的 3-4%，却容纳了全球一半以上的人口，预计到 2050 年这一比例将接近 70%（联合国，2024）。随着城市人口持续增长，城市正在横向和纵向扩张，形成日益复杂的三维形态（Che et al., 2024; Frolking et al., 2024）。这种快速城市化加剧了可持续性压力，包括资源短缺、极端天气风险、空气质量下降以及自然碳汇的损失（Zhong et al., 2021; Creutzig et al., 2022）。因此，联合国的可持续发展目标 11——可持续城市和社区已成为全球优先事项，建筑物高度成为监测城市化过程的关键指标（Zhou et al., 2022）。该指标是研究城市气候效应、人口估算和三维城市形态的基础，也为评估建筑物能耗、碳排放和生态效益提供了依据（Wu et al., 2023; Huang et al., 2024）。鉴于这些各种需求，精确的建筑物高度获取已成为一个显著的研究议程。
为了在本地、区域和全球尺度上获取建筑物高度，已开发了一系列基于遥感和地形的方法。例如，高分辨率光学影像分析利用阴影长度计算或立体像片匹配方法来绘制建筑物高度（Liasis and Stavrou, 2016; Wang et al., 2023），例如全球人类住区图层建筑物高度（GHSL-Built-H）产品（Pesaresi et al., 2024）。然而，这种方法对影像质量、相邻地面物体遮挡和环境干扰高度敏感（Cao and Huang, 2023）。合成孔径雷达（SAR）/干涉合成孔径雷达（InSAR）技术消除了天气限制并实现了建筑物高度获取（Li et al., 2020a; Sun et al., 2022），但其复杂的后向散射机制和侧视成像几何形状对稳健的高度反演提出了挑战（Chen et al., 2023）。数字高程模型（DEM）产品也可以通过归一化数字表面模型（nDSM）计算提供高度信息（Esch et al., 2022; Huang et al., 2022; He et al., 2023）。然而，大多数可用的 DEM 数据集是在十年前采集的，这使得它们不适合分析当前的城市环境（Ma et al., 2023）。光探测与测距（LiDAR）测量提供了高精度，但受限于覆盖范围有限和成本高昂（Bonczak and Kontokosta, 2019; Guo et al., 2021）。相比之下，星载激光雷达为大陆尺度的垂直结构信息提供了互补的数据源。
自首个冰云陆地高程卫星（ICESat）任务以来，星载激光雷达一直被用于城市建筑物高度计算（Gong et al., 2011; Yang, 2019）。后续任务，包括 ICESat-2 和全球生态系统动力学调查（GEDI）仪器，也已证明在获取建筑物高度信息方面的有效性（Mulverhill et al., 2022; Ma et al., 2024）。然而，星载激光雷达的离散采样策略需要与空间连续的遥感数据融合，才能实现全覆盖制图（Lian et al., 2022; Zhao et al., 2023）。这种多源数据融合方法涉及利用机器学习或深度学习算法，在建筑物高度样本与来自光学/SAR 影像及其他地理空间数据的建筑物相关解释变量之间开发回归模型（Cai et al., 2023; Liu et al., 2025）。最近，通过这种数据融合生成了一些网格化建筑物高度产品，包括大陆尺度三维建筑物结构数据集（Li et al., 2020b）、三维全球建筑物足迹（3D-GloBFP）数据集（Che et al., 2024）和中国建筑物高度（CNBH-10 m）数据集（Wu et al., 2023）。这些产品证明了大规模高度制图的可能性，但也突出了三个剩余挑战：(1) 尽管 Li et al. (2020b) 报告了变量重要性的区域差异，但土地利用类型（住宅、商业、工业、交通以及公共管理和公共服务）对变量相关性的影响仍需进一步探索；(2) 广泛使用的模型，如随机森林（RF）、极端梯度提升（XGBoost）和其他机器学习方法，仍需要验证其在不同城市背景下的比较优势；(3) 回归建模后，预测的建筑物高度可能由于传感器饱和、特征提取不完整和样本密度变化而保留系统偏差。整合回归模型的残差普通克里金插值可以缓解这种偏差并提高预测精度（Hengl et al., 2007; Dai et al., 2014）。
对此，本研究旨在开发一个新框架，用于绘制 2020 年京津冀城市群内 30 m 分辨率的建筑物高度。该方法整合了基于土地利用类型的建模、机器学习和残差克里金插值，以利用全覆盖的建筑物相关变量外推 ICESat-2 衍生的建筑物高度（IBH）样本。具体目标是：(1) 量化预测变量重要性如何随土地利用类型变化；(2) 测试并确定表现最佳的估算模型；以及 (3) 评估残差克里金插值增强基于机器学习的预测的潜力。
章节片段
研究区域
本研究聚焦于京津冀城市群（JJJ），这是中国三大城市群之一，也是全国首都圈，旨在生成高精度建筑物高度地图。该区域表现出明显的社会经济梯度：两个超大城市核心（北京和天津）与河北省的十一个地级市形成鲜明对比（图 1）。这种空间异质性有助于比较住宅、商业和工业之间的变量重要性
方法
在本研究中，我们提出了一种基于土地利用类型的建模框架，并结合残差插值，以生成 30 m 分辨率的全覆盖建筑物高度地图。每个网格内的建筑物高度计算为所有 IBH 样本的平均高度。图 2 提供了工作流的可视化表示，该流程按四个连续步骤进行：(1) 土地利用类型分类。根据 EULUC-China 数据集将建模区域划分为五种土地利用类型，其中
解释变量的相对重要性
图 3 说明了建筑物高度与解释变量之间的 Spearman 相关系数（r）。为了进行比较，初步分析所有建成区（不区分土地利用类型）显示所有变量均具有统计显著相关性（ρ < 0.01）。与 SDGSat-1 亮度观察到的正相关性最强（r = 0.50），其次是海拔、人口和 VH。原始光谱波段（B2-B4, B8, B11, B12）发现为负相关性，
基于土地利用类型模型与全球模型的比较
如变量重要性分析所示，仅观察到解释变量与建筑物高度相关性在土地利用类型之间的微小差异。然而，这种表面上的相似性并不减少基于土地利用类型建模的必要性。相反，模型性能的定量比较（表 6）显示，基于土地利用类型的方法在捕捉精细空间模式方面优于全球模型，这种能力对于提高至关重要
结论
在本研究中，我们提出了一种新工作流程，通过协同 ICESat-2 数据与多源地理空间数据集，在区域尺度上生成全覆盖、高分辨率的建筑物高度地图。虽然 ICESat-2 提供精确但离散的建筑物高度样本，但多源地理空间数据集提供了表征建筑物高度分布的连续解释变量。所提出的方法利用它们各自的优势，整合基于土地利用类型的建模与
CRediT 作者贡献声明
Jieying Lao: 撰写——审阅与编辑，撰写——初稿，方法论，数据管理，概念化。Sheng Nie: 撰写——审阅与编辑，方法论，形式分析，概念化。Cheng Wang: 撰写——审阅与编辑，方法论，形式分析，概念化。Xiaohuan Xi: 撰写——审阅与编辑，监督，验证。Xiaoxiao Zhu: 撰写——审阅与编辑，可视化。
利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报道的工作。
作者声明以下财务利益/个人关系，这些可能被视为潜在的竞争利益：
作者声明没有竞争利益。
致谢
本工作得到 中国国家自然科学基金（42271365，42601776）和 云南省基金（202601AT070177）的支持。研究成果构成由空天院进行的 SDGSAT-1 开放科学计划的一部分。本研究中使用的夜间数据来自 SDGSAT-1，由空天院提供。作者衷心感谢匿名审稿人和编辑对手稿提出的建设性意见。
Jieying Lao|Sheng Nie|Cheng Wang|Xiaohuan Xi|Xiaoxiao Zhu
