全球城市三维结构制图揭示垂直空间利用的日益增强和建筑空间分配的不平等加剧

刘小平 ,  吴欣昕 ,  李雪草 ,  许晓聪 ,  廖威林 ,  焦利民 ,  曾振中 ,  陈广照 ,  黎夏

Engineering ›› 2025, Vol. 47 ›› Issue (4) : 93 -107.

PDF (8290KB)
Engineering ›› 2025, Vol. 47 ›› Issue (4) : 93 -107. DOI: 10.1016/j.eng.2024.01.025
研究论文

全球城市三维结构制图揭示垂直空间利用的日益增强和建筑空间分配的不平等加剧

作者信息 +

Global Mapping of Three-Dimensional Urban Structures Reveals Escalating Utilization in the Vertical Dimension and Pronounced Building Space Inequality

Author information +
文章历史 +
PDF (8488K)

摘要

城市三维建筑结构在制定城市气候减缓政策和促进城市可持续发展方面起着关键作用。遗憾的是，由于数据收集和模型校准过程等方面的困难，目前尚缺乏详细且一致的全球范围内三维建筑空间数据集。在本研究中，我们在建立全球海量三维建筑样本库的基础上，结合合成孔径雷达（SAR）、光学影像、地形信息、建成环境等多源遥感特征，构建了高精度的制图模型，并研制了全球首套500 m分辨率的城市三维建筑结构数据集（GUS-3D），包括建筑体积、高度和占地面积等要素信息。根据该数据产品，我们发现2015年全球建筑总体积超过1 × 1012 m3。在1985年至2015年期间，三维建筑体积增长幅度略有增加（即从1985—2000期间的166.02 km3增加到2000—2015期间的175.08 km3），而二维建筑占地面积（22.51 × 103 km2 vs. 13.29 × 103 km2）和城市范围（157 × 103 km2 vs. 133.8 × 103 km2）的扩张幅度显著减少，这一趋势凸显了城市土地垂直维度利用强度的不断增强。此外，我们发现全球城市在建筑空间供给及其不平等方面存在显著的异质性。这种不平等性在亚洲许多人口稠密的城市中尤为明显，而这一点在以往有关经济不平等研究中往往被忽视。GUS-3D数据集为发现城市三维扩张规律、评估人均建筑空间提供重要数据支撑，并有望为众多城市相关研究拓展至三维视角提供可靠的数据基础。

Abstract

Three-dimensional (3D) urban structures play a critical role in informing climate mitigation strategies aimed at the built environment and facilitating sustainable urban development. Regrettably, there exists a significant gap in detailed and consistent data on 3D building space structures with global coverage due to the challenges inherent in the data collection and model calibration processes. In this study, we constructed a global urban structure (GUS-3D) dataset, including building volume, height, and footprint information, at a 500 m spatial resolution using extensive satellite observation products and numerous reference building samples. Our analysis indicated that the total volume of buildings worldwide in 2015 exceeded 1 × 1012 m3. Over the 1985 to 2015 period, we observed a slight increase in the magnitude of 3D building volume growth (i.e., it increased from 166.02 km3 during the 1985–2000 period to 175.08 km3 during the 2000–2015 period), while the expansion magnitudes of the two-dimensional (2D) building footprint (22.51 × 103 vs 13.29 × 103 km2) and urban extent (157 × 103 vs 133.8 × 103 km2) notably decreased. This trend highlights the significant increase in intensive vertical utilization of urban land. Furthermore, we identified significant heterogeneity in building space provision and inequality across cities worldwide. This inequality is particularly pronounced in many populous Asian cities, which has been overlooked in previous studies on economic inequality. The GUS-3D dataset shows great potential to deepen our understanding of the urban environment and creates new horizons for numerous 3D urban studies.

关键词

三维 / 全球制图 / 建筑体量 / 建筑高度 / 建筑空间不平等性

Key words

Three-dimensional / Global mapping / Building volume / Building height / Building space inequality

引用本文

引用格式 ▾
刘小平,吴欣昕,李雪草,许晓聪,廖威林,焦利民,曾振中,陈广照,黎夏. 全球城市三维结构制图揭示垂直空间利用的日益增强和建筑空间分配的不平等加剧[J]. 工程（英文）, 2025, 47(4): 93-107 DOI:10.1016/j.eng.2024.01.025

登录浏览全文

4963

注册一个新账户 忘记密码

1 绪论

城市地区是人口聚居和支持各种社会经济活动的主要中心[1]，尽管它们仅占世界陆地表面的不到1% [2]。在过去200年前所未有的城市化过程中，城市地区的人工建筑逐渐在水平和垂直方向上形成了各种形态结构[3‒4]，例如，东京湾的中央紧凑型城市和美国西部的分散蔓延模式。目前，对城市形态结构的感知和理解主要基于水平维度，即城市范围和建成区[5‒6]，而城市建筑的垂直维度通常因缺乏数据而被忽略。许多研究表明，城市三维结构，尤其是建筑高度和密度的变化，与当地城市气候[7]、能源消耗[1]、温室气体排放[8]、污染物扩散[9]以及极端天气风险如洪水和热浪[10‒11]息息相关。

最近几十年来，不断加速的城市扩张和人口增长给城市建筑空间和土地资源带来了巨大的压力，如建筑空间的供给不足和分配的不平等[12‒13]。大量研究表明，城市建筑空间的高效利用对联合国2030年可持续发展目标（SDGs）议程中的13个目标和25个子目标的实现有着直接或间接影响[14‒15]。因此，深入了解城市建筑空间的格局和时序变化，对于实现可持续发展目标至关重要。值得注意的是，联合国人居署（UH-Habitat）特别强调了SDG 11目标中解决建筑空间供应不足问题的重要性，其具体目标之一是估算居住在贫民窟、非正式定居点或不合格住房中的城市人口比例指标[16]。此外，加深对不同地区人均建筑空间分配的均衡性的认识还能间接促进 SDG 10 [13,17]目标中的减少社会不平等性的实现。对这些目标的推进以及对目标差距的监测，都依赖于精细空间尺度且一致可靠的城市三维建筑结构信息。然而，目前此类数据的缺失导致我们对不同地区和全球建筑空间供给及其不平等的认识仍然存在很大的不足。

当前，已有大量学者致力于从二维水平视角研制全球尺度的城市扩张数据[5‒6]，这些数据信息为认识城市发展规律及其对地表过程的影响提供了不可或缺的数据源[18‒19]。尽管详细且一致的城市三维结构数据对各种学术研究和城市规划应用至关重要[1,20‒21]，但获取可靠的全球覆盖的城市三维结构信息仍然极具挑战。近年来遥感技术的发展，包括合成孔径雷达[4,22]、散射仪[23]、机载激光雷达系统[24‒25]和高分辨率光学立体影像[26]等卫星观测手段，为绘制大范围建筑垂直高度信息提供了巨大的潜力。

当前越来越多学者开始尝试对城市建筑的三维信息进行绘制（附录A中的表S1），但这些研究得到的数据产品在地理覆盖范围[3‒4,27‒31]（如北美洲、欧洲和亚洲的特定城市和国家）或建筑结构信息（如建筑体积、高度和占地面积等信息）[32]上仍然存在一定的局限性。例如，最近发表的一项研究使用多源遥感观测数据绘制了大洲尺度1 km分辨率的垂直建筑结构[3]；另外，也有其他的研究开展单一国家范围内的建筑高度绘制，包括美国（约500 m分辨率）[4]、中国（约10 m分辨率）[33]和德国（约10 m分辨率）[28]等。然而，由于收集全球范围内具有代表性的高度参考数据、构建适用不同区域的稳健模型仍存在各种困难，因此，这些研究和数据在空间覆盖的完整性、分辨率的精细程度[34]以及三维结构信息的全面性[35]等方面尚未满足研究和应用的需求。

为了填补上述三维城市结构数据的空白和认知的差距，我们研制了一套2015年500 m空间分辨率的全球统一且空间详细的三维建筑结构数据产品（GUS-3D）。该数据产品完全公开，描绘了全球城市群中的建筑结构，提供了500 m×500 m网格内部平均建筑高度、建筑体积、建筑占地面积及建筑覆盖率（BCR）和建筑体积密度（BVD）等衍生信息（附录A）。为了减少建筑高度和体积估计的局部不确定性，我们并不是针对于单个建筑物进行估算，而是专注于规则方形格网内整体建筑结构的平均情况（附录A中的图S1）。GUS-3D数据集采用了局部自适应的极端梯度提升回归模型（XGBoost，见2.3节）进行研制，针对不同区域模型采用当地的建筑参考数据（即带有高度信息的矢量建筑轮廓）进行校准，确保了模型在全球范围内的适用性。模型使用了多源遥感观测数据作为特征输入参与训练，包括合成孔径雷达数据、光学卫星影像、数字表面高程模型、全球边界数据以及其他数据产品（附录A中的表S2）。然我们使用独立的参考数据样本对研制的GUS-3D数据集的准确性和不确定性进行了全面评估（详见第3.1节，以及附录A中的表S3和表S4）。基于该GUS-3D数据集，我们量化了过去几十年城市三维建筑体积和传统二维城市范围增长率的差异，并识别了全球城市群中不同类型的城市三维空间典型形态。最后，我们在格网尺度估算了人均三维建筑体积（BVPC），并在城市和国家尺度上评估其不平等性，从而探究全球建筑环境中供给的充裕程度和不平等状况。本论文的数据、分析和结论可以从三维城市建筑的视角为决策者提供全球建筑空间供应和均衡性等定量信息，并强调了其在城市可持续发展实现中的关键作用。

2 数据与方法

2.1 城市三维建筑体积及高度制图的数据来源

本研究使用公开的全球覆盖多源遥感观测数据，绘制了全球范围内的三维建筑体积和高度（表S2）。这些数据包括来自Sentinel-1 C波段和先进地球观测卫星（ALOS）L波段[36]的合成孔径雷达（SAR）观测数据，以及从Landsat 8卫星[37]所获取的光学地表反射数据。其中，SAR的微波后向散射强度与地表起伏紧密相关，对具有垂直高度的地表物体结构比较敏感，因此在建筑结构的信息提取中非常实用[4,38]。我们收集了2015年Sentinel-1卫星上升轨道的C波段SAR数据，包括垂直发射/垂直接收（VV）和垂直发射/水平接收（VH）两种极化方式，并对其进行噪声去除、辐射校准和地形校准的预处理，进而计算VV和VH极化下的平均后向散射系数。对于ALOS L波段SAR数据，我们也进行了类似的处理，得到后向散射系数。此外，光学卫星影像也常用作反映城市建成环境的补充信息源[3,28]，在本文中，我们使用了2015年Landsat 8卫星大气层顶（TOA）反射数据中的6个波段（即波段2、波段3、波段4、波段5、波段6和波段7）[37,39]。在去云处理后，我们对每一个波段的所有可用影像进行了中值聚合。对于2015年Landsat 8影响未完全覆盖的区域，我们使用2014—2016年期间卫星获取的影响进行补充。为了提高模型可靠性，我们还收集了多个辅助数据集用于建模，包括可见光和红外成像套件昼/夜频带（DNB）夜光数据NPP-VIIRS、ALOS World 3D 全球数字表面模型（DSM）数据AW3D30 [40]、归一化植被指数（NDVI）数据，以及从全球年度城市动态产品（GAUD）[6]中提取的城市土地比例数据。所有这些数据都被重采样为500 m×500 m的空间分辨率，为构建稳健可靠的建筑高度和体积产品估算模型提供特征输入。

在本研究中，我们将城市的范围定义为不透水面，与GAUD数据集中的定义保持一致。GAUD数据集提供了全球范围内30 m×30 m空间分辨率的不透水面信息，我们使用这些不透水面信息用于确定城市范围，并计算每一个500 m土地网格内的城市覆盖率，因此，我们研究中的不透水表面同时包括城市和农村地区。在已有的研究中，研究人员也常常使用不透水面来指代城市的规模，并同时与城市土地或城市范围等术语混用[6,41‒42]。此外，为了减小尺度效应的影响，我们通过多次预实验剔除了每个500 m×500 m网格中不透水面比例小于20%的区域（即非城市区域），这一预处理保证了500 m尺度下的城市范围与原始30 m尺度的GAUD保持较好的空间一致性（附录A中的图S2），同时也能够减轻在制图过程中这些低不透水面比例区域的散射噪声和高敏感性影响。

我们收集了全球范围内不同地区的建筑结构的参考样本（大部分为带有高度信息的矢量建筑边界数据），用于校准和评估所构建的制图模型（附录A中的表S5）。这些建筑参考样本包括不同的数据来源：激光雷达（LiDAR）数据（美国、澳大利亚和墨西哥）、立体影像（欧洲国家）、高分辨率数字地表模型和高程模型（加拿大）以及基于调查的建筑物轮廓和高度（中国）。为了获得用于构建模型的代表性样本，我们对这些不同来源的数据进行了一系列处理，主要包括以下三个步骤：①对原始数据进行预处理，如激光雷达点云数据转换、零值建筑高度过滤以及楼层数转换为高度（假设每层楼高3 m）等，以获得具有有效高度信息的建筑结构数据；②使用高分辨率卫星影像和街景影像对细尺度建筑数据进行目视判别检查，以确保数据完整性；③根据建筑覆盖面积对精细尺度的建筑数据进行加权聚合，汇总成500 m空间分辨率的网格化建筑体积和高度数据（图S1）。考虑到单元格内建筑比例较小的样本对噪声非常敏感，且这些样本可能是源于建筑物数据缺失，因此我们在样本集排除了这些样本。经过以上处理和过滤，我们总共收集了覆盖300多个城市超过89 000个带有高度信息的原始建筑样本。这些样本所在的城市覆盖了不同发展水平的地区，因此能较好涵盖全球不同城市的三维建筑结构特性。上述大部分预处理流程是在Google Earth Engine（GEE）这一前沿的云计算平台上进行[43]。

2.2 城市三维建筑指标的定义

在GUS-3D数据的研制中，我们使用了三个指标来表征全球城市三维建筑结构特征，包括建筑体积、建筑平均高度和建筑占地面积（或建筑足迹）。这些指标在500 m×500 m的网格尺度上进行汇总和定义[图S1（a）]，并在区域尺度（不同行政区划）上进行聚合以进行进一步分析（附录A中的表S6）。其中，建筑体积定义为网格[面积为0.25 km2，见图S1（b）]内所有建筑物的总体积（单位：m³），其计算公式如下：

Vgrid=∑i=0nAiHi

式中，n表示建筑物的数量；Ai和Hi表示建筑i的覆盖面积和高度。建筑平均高度（H¯grid，单位：m）被定义为网格内所有建筑物的面积加权平均高度[图S1（c）]，其公式如下：

H¯grid=∑i=0nAiHi∑i=0nAi

建筑体积和建筑平均高度分别由XGBoost模型（见2.3节）估算得出，模型根据多源遥感观测数据和本地参考样本数据（即建筑占地面积和建筑高度信息）进行校准。通过建筑体积、建筑平均高度这两个指标，我们可以推导出建筑占地面积指标（Fgrid，单位：m3·m-1，或称为建筑足迹），即每个0.25 km2网格内建筑物的覆盖面积，其概念上等同于体积与平均高度的比值，公式如下：

Fgrid=VgridH¯grid

值得注意的是，由于Fgrid计算了每个网格内建筑物覆盖的比例，因此在区域尺度上聚合得到的建筑占地面积总是小于已有不透水面产品（如GAUD数据集）中的传统城市范围。为了进一步表征城市结构，我们额外使用了BCR（m2·m-2）和BVD（m3·m-2）两个衍生指标，分别从二维和三维视角来刻画建筑物的密度。BCR从二维视角衡量了一个网格内的建筑覆盖的比例，因此每一网格内的BCR值（BCRgrid）等于建筑占地面积除以网格的总面积（Agrid，0.25 km2）：

BCRgrid=FgridAgrid

式中，Agrid表示每一个格网的面积。类似地，BVD从水平和垂直两方面表征了建筑物的密度，其定义为建筑体积与网格面积的比值。因此，每一格网内的BVD值（BVDgrid）等于BCR乘以平均建筑高度H¯grid，这相当于将所有建筑体积摊平到整个网格后的理论高度：

BVDgrid=VgridAgrid=BCRgridH¯grid

2.3 全球城市建筑体积和高度的制图模型

我们使用多源数据融合的思路和分层抽样的策略对全球城市建筑体积和高度信息进行建模和制图，其整体框架如图1所示，包括以下步骤：首先，我们收集了必要的空间特征数据（解释变量）和建筑参考数据（因变量），并对其进行预处理，使其可用于制图模型的训练和验证。具体而言，使用的解释变量包括SAR数据（Sentinel-1和ALOS）后向散射系数的均值和标准差、Landsat 8数据的反射率、NPP-VIIRS夜光数据、NDVI、GAUD产品中不透水面的比例以及AW3D30产品中的DSM数据，并重采样统一到500 m分辨率。因变量是从精细尺度的原始建筑高度和体积数据聚合到500 m分辨率的参考建筑体积/高度数值。其次，在数据预处理后，我们匹配了解释变量和因变量的空间位置，并通过采用分区分层策略进行随机采样，生成用于模型训练和验证的具有代表性的样本集。我们根据聚合的平均体积/高度构建了6个不同的数据层，对于所有拥有参考数据的每一个城市，我们从每一层中随机选择特定数量的数据样本（在本研究中为100个）。这一分层随机抽样策略的主要目的是使得样本中尽可能涵盖不同的建筑体积/高度数据，从而保证模型的稳健性。我们将上述步骤采集得到的数据样本分为两组，其中70%的样本用于训练校准，剩余30%用于验证模型，如图1所示。

利用收集的训练样本，我们尝试了三种不同的机器学习方法来估算500 m分辨率的建筑体积和建筑高度，这三种模型包括XGBoost模型[44]、反向传播神经网络[45]和随机森林算法[46]。在利用验证样本进行初步评估后，我们发现XGBoost回归模型的表现整体优于其他两种方法（附录A中的图S3），因此，最终选择了XGBoost回归方法来研制全球数据集GUS-3D。我们采用了分层分区策略构建全球的体积/高度模型，该策略旨在异质性利用不同区域的样本集（表S3和表S4）构建局部地区的本地模型，以反映建筑结构与解释变量之间的对应关系在全球不同地区的空间异质性，确保制图的准确性。具体而言，我们首先根据各自收集的样本为不同地区构建本地模型，并将这些模型应用于各国及其相应大洲区域的建筑结构数据制图（附录A中的表S7）。其中，国家边界来自全球行政区域数据库（GADM），大洲区域边界来自大规模国际边界（LSIB）数据集（表S6）。然而，在全球范围内一些地区存在缺乏有效样本集或样本有限的情况，对于这些地区和国家，我们利用邻近地区的模型或结合邻近地区的训练样本来构建制图模型。例如，中亚和西南亚地区完全没有代表性的样本数据，通过考虑中亚和西南亚地区与欧洲的地理邻近性，我们将训练表现良好的欧洲地区模型应用于中亚和西南亚地区，以推算绘制这些地区的建筑结构；对于北亚地区，可用样本非常有限（主要为俄罗斯样本集），我们通过将邻近欧洲地区样本集中的部分样本添加到俄罗斯样本集中，以训练北亚地区稳健的估算模型。这一策略有利于构建稳健的模型，确保制图结果的质量和稳定性。综上，我们在全球范围内不同地理区域构建了11个特定区域模型（图1、表S7），最终的全球GUS-3D产品由这些区域模型的输出拼接而成。

2.4 建筑体积和高度的评价指标

我们采用了三种不同的评价指标来评估区域模型的性能及所估算数据集在每个区域的可靠性，包括相关系数（R）、平均绝对误差（MAE）和均方根误差（RMSE），其计算公式如下：

R=Covx, yσxσy
MAE=xi-yim
RMSE=∑j=1mxi-yi2m

式中，x和y分别是估算和参考的建筑高度/体积；Cov(x, y)是变量x和y的协方差；σx和σy分别是变量x和y的标准差；m是观测样本数量。利用独立的建筑体积和高度参考数据样本（图2和图3），我们计算了每个区域的三个评价指标。此外，我们通过目视解译和核密度评估的方式（图S4），将GUS-3D数据集与欧洲、美国和中国现有的区域城市三维结构数据进行比较。此外，我们还尝试不同模型初始化和数据样本重复100次模型训练，以评估每个本地估算模型的稳定性，并通过计算变异系数（CV）来进行衡量：

CV=σμ

式中，σ和μ分别是100次模型训练结果的标准差和均值。变异系数CV的计算结果见附录A中的图S5。

2.5 城市建筑空间的增长率估算

我们将研制的GUS-3D数据集与全球逐年城市扩张数据集GAUD [6]进行空间叠加，从而间接推导1985年的城市建筑结构，并估算1985—2015年间的城市建筑空间的增长率。值得注意的是，通过这种方式推算得到的1985年城市三维建筑结构并未考虑该期间由于城市更新而导致的建筑体积变化，这可能会导致估算的增长率存在一定的不确定性。为了与2015年的GUS-3D数据集保持一致，我们将GAUD数据集中的不透水面数据聚合到500 m分辨率，并且与2015年的处理类似，排除了500 m×500 m网格内不透水面比例小于20%的区域。1985—2015年的建筑体积和城市范围增长率计算公式如下：

Rvol=Vol2015-Vol1985Vol1985
Rext=Ext2015-Ext1985Ext1985

式中，Rvol和Rext分别表示1985—2015年建筑体积和城市范围的增长率（以1985年为基准年）；Vol2015和Vol1985分别是2015年和1985年的建筑体积；Ext2015和Ext1985分别表示2015年和1985年的城市范围。

2.6 建筑空间的供给与不平等性度量

我们联合GUS-3D数据集中的三维建筑体积信息和LandScan产品中的人口信息，计算每个500 m×500 m网格中的BVPC，并在城市和国家尺度上量化其不平等性。LandScan产品提供了1 km空间分辨率的网格化人口数据，因此，我们将建筑体积聚合到相同的1 km网格中，并按照以下公式计算BVPC：

BVPC=VgridPgrid

式中，Pgrid表示1 km网格内的人口数量。在此基础上，我们通过BVPC的基尼系数来量化全球范围内在城市和国家层面上的建筑空间不平等性。基尼系数以洛伦兹曲线为基础，提供了对两个变量分布不均状况的定量度量，是世界银行用于度量收入或经济不平等的主要指标，在多个科学领域得到广泛应用[35,47‒49]。我们基于格网尺度的BVPC构建了洛伦兹曲线[附录A中的图S6（a）]，该曲线是一个排序分布，曲线上的每一个点表示累积人口百分比（横轴）对应的累积建筑体积百分比（纵轴）。基尼系数被定义为完全平等线与洛伦兹曲线之间的面积与完全平等线下方面积之比，公式如下：

Gini=ALCAPE

式中，ALC为洛伦兹曲线与完全平等线之间的面积[图S6（a）中标记为A的区域]；APE为完全平等线下的面积[图S6（a）中A和B区域的组合]。通过BVPC的基尼系数，我们可以定量评估特定地理区域内的不平等程度[图S6（b）]。在我们的研究中，由于使用GAUD数据集的不透水面来确定城市的范围，因此，这种统计方式得到的城市实际上包括城市建成区和农村居民点。另外，我们也确认了在城市尺度上有足够的BVPC网格样本构建洛伦兹曲线，从而计算城市级别的基尼系数（附录A中的图S7）。基尼系数的范围是从0到1，0表示完全平等的状态，1表示完全不平等状态[图S6（b）]。

3 结果与讨论

3.1 GUS-3D数据集精度评价

我们从多个数据平台收集了全球不同地区超过89 000个建筑占地面积和高度数据样本（表S5），这些数据样本经过处理后聚合成500 m×500 m网格内的建筑总体积/平均高度（参见第2.2节）。正如方法部分所言，这些数据样本中70%的数据用于校准全球11个分区的XGBoost模型，其余30%的数据用于验证研制的GUS-3D数据集（图1）。

从精度评价结果可以看出，GUS-3D数据集的建筑体积[图2（a）和表S3]和高度[图3（a）和表S4]均与参考数据样本保持较高的一致性，并且在不同地理分区[图2（b）和图3（b）]表现出较好的稳健性。利用超过78 000个代表性城市区域的参考样本进行定量评价，发现建筑体积和高度的相关系数（R）值分别为0.91和0.87，RMSE值分别为2.43×105 m3和3.70 m。从不同地理区域上来看，在美国（R = 0.96, RMSE = 2.01 × 105 m3）、加拿大（R = 0.93, RMSE = 1.51 × 105 m3）、欧洲国家（R = 0.93, RMSE = 1.85 × 105 m3）和中国（R = 0.84, RMSE = 2.78 × 105 m3）的城市中取得了相对较高的建筑体积精度，这主要是因为这些区域拥有充足的数据样本可用于单独校准本地的自适应估算模型。对于俄罗斯（R = 0.72, RMSE =1.34 × 105 m3）、非洲（R = 0.55, RMSE = 0.62× 105 m3）和南美洲国家（R = 0.52, RMSE = 1.41 × 105 m3），其城市估算结果的精度相对较低，因为这些地区可用于模型校准的参考数据相对有限（表S3）。

GUS-3D数据集中建筑平均高度的精度评价结果表现出与建筑体积相似的空间模式。在美国（R = 0.90, RMSE = 3.11 m）、欧洲国家（R = 0.83, RMSE = 2.96 m）和中国（R = 0.81, RMSE = 5.63 m）的城市中，建筑平均高度结果具有较高的精度水平。对于加拿大、墨西哥、澳大利亚和其他拥有参考样本的城市，建筑平均高度结果也取得了可接受的精度水平，R值为0.39~0.67，RMSE值为1.12~8.68 m（表S4）。我们还将GUS-3D数据集与欧洲、美国和中国区域现有的城市三维结构数据产品[3]进行对比，结果显示我们的建筑平均高度估算结果不仅能够提供了更多的空间细节，而且在视觉上与参考建筑数据的高度保持更好的一致性（图S4）。此外，定量比较结果也表明，我们的建筑平均高度估算结果在大多数城市的准确性显著高于现有数据产品，表现为较低的bias偏差、更高的 R 值和更低的 RMSE 值（附录A中的表S8）。此外，我们发现在不同地区解释变量的相对重要性有所不同，SAR和DSM数据以及高程相关特征对于估算建筑高度最为重要；而城市空间特征（如城市面积比例和夜光数据）对于估算建筑体积至关重要（附录A中的图S8）。

然而，我们的GUS-3D数据集仍存在一些局限性。首先，全球南方国家地区的地面建筑高度和轮廓的参考数据并不充足，这导致了这些地区的模型训练和数据结果存在一定的不确定性。为部分克服这一挑战，我们利用了临近地区的代表性样本参与模型训练和制图，尽可能提升模型的稳健性和制图的准确性。其次，我们的500 m分辨率格网数据结果无法直接用于城市微气候分析，这些分析往往需要建筑物级别的三维结构信息用于推导精确的城市形态参数[50]，如地面视域因子（SVF）和城市峡谷的高宽比[51‒52]。尽管如此，我们的GUS-3D数据集包含全球覆盖的建筑高度、建筑覆盖面积和建筑体积等指标，具有丰富的建筑结构信息，可以支撑大量的城市相关研究。另外，由于我们的模型使用了开源数据和模型，后续研究可以采用相同模型框架进行建筑物级别三维结构估算和制图。我们的全球城市三维建筑结构数据产品（GUS-3D数据集）提供公开下载链接（见数据可用性），供所有科研工作者免费使用。

3.2 全球三维建筑结构的空间布局

根据研制的GUS-3D数据集，我们估算得出2015年全球城市建筑体积总量达到1.06 × 1012 m3（图4），如果将这些建筑累加，理论上可以构建一个横截面积为50 m ×50 m的地月桥梁。在全球地理分布上，城市三维建筑体积和垂直建筑高度呈现出显著空间分异[图4（a）]，大部分建筑体积分布在北半球的中低纬度地区，如北美、东亚和欧洲的大都市区和城市群[见图4（a）中的经度和纬度剖面的峰值]。中国（237.37 × 109 m3, 22.35%）、美国（170.88 × 109 m3, 16.13%）、日本（62.69 × 109 m3, 5.91%）、俄罗斯（54.80 × 109 m3, 5.17%）和德国（50.47 × 109 m3, 4.76%）是全球建筑体积前五的国家，其建筑体积共占全球总量一半以上（附录A中的表S9）。美国和欧洲国家由于城市面积较广，其对应的建筑体积也相对较大，可以发现这些国家的城市建筑高度从城市中心向农村区域迅速下降[如图4（b）中的纽约和伦敦，见附录A的图S9 [53]中拟合的S形曲线]。东亚地区的城市情况略有不同，中国的建筑体积占全球22%以上，主要归因于近几十年快速的城市扩张，以及城市和周边地区新增的高层建筑[如附录A的图4（b）中的上海]。尽管日本和印度的城市面积相当，分别约占全球城市范围的3.5%左右，但是日本城市的建筑平均高度更高（16.973 m），因此其建筑体积是印度的两倍多（62.69 × 109 m3 vs 24.48 × 109 m3）。

通过将GUS-3D数据集与全球逐年城市扩张数据集（GAUD）[6]（见2.5节）进行重叠，我们发现1985—2015年全球建筑体积的净增长量为341.10 × 109 m3，相当于1985年前所有建筑总体积的47.44%。相比之下，同期全球城市面积增加了80.11% [6]，几乎是建筑体积增长率的两倍（附录A中的表S10）。分时段研究发现，1985—2000年期间三维建筑体积的增长率低于同时期二维建筑面积（即建筑足迹）的增长率（23.09% vs 27.95%）；与之相反，2000—2015年期间，三维建筑体积增长率则超过了二维建筑面积的增长率（19.77% vs 12.62%；详见表S10），这一趋势与近期的几项研究结果基本一致[29,54‒55]。尽管三维建筑体积增长率从1985—2000年的23.09%下降到2000—2015年的19.77%，但在过去15年间的三维建筑体积增长量相比早期的15年仍略有增加（1985—2000年为166.02 km3，2000—2015年为175.08 km3），这一趋势的对比在亚洲尤为明显（表S10）。然而，城市面积（即不透水面）在1985—2000年和2000—2015年的增长率分别为43.25%和25.58%，始终高于三维建筑体积和二维建筑面积的增长率。

1985—2015年间，全球新增建筑的垂直空间利用（建筑平均高度为9.53 m）相比于1985年前已有建筑（建筑平均高度为8.93 m）略有增加（表S10），但城市地区的BCR却显著下降，从1985年前的22.18%下降到1985—2015年间的12.31%。这表明大量的新开发城市土地并不是用于建筑建设，而是作为建筑物之间的大型开放空间和宽阔道路等形式出现。这种城市范围和建筑体积之间的不平衡增长在德国、意大利和英国等发达欧洲国家更加明显。同期，联合国的统计数据显示人口的增长率为53% [56]，考虑到建筑体积的类似增长率（47.44%），全球的人均建筑空间没有发生显著变化，然而，考虑到新开发的城市区域中有更多的开放空间，城市内部的建成环境得到了改善。

值得注意的是，由于许多国家的城市的可用于建筑的土地已经逐渐饱和，部分城市正在经历不同程度的城市更新，这导致了城市内部区域的建筑形态发生变化[57]。然而，城市更新过程的检测极其复杂，目前通过遥感技术在全球范围内识别这一过程仍然面临人力和物力等方面的挑战[58‒59]，因此我们的研究简化了建筑空间变化过程，只考虑城市扩张部分，并不考虑城市更新对建筑空间增长率计算的影响。在未来的研究中，有必要进一步探索和分析城市更新对建筑空间动态的影响。

在以往的认知中，我们习惯从水平俯视的视角来观察大尺度上的地表城市，通过城市覆盖范围来量化城市的规模。而事实上，完整的三维视角同时考虑了水平规模和垂直空间，可以更完备地观察和度量城市规模和城市形态。GUS-3D数据集中有关城市建筑体积和建筑高度的信息，从垂直的维度补全了城市中容纳居民生活和社会经济活动的建筑规模和立体形态特征。为了研究这两种认知视角之间的城市规模差异，我们计算了全球城市群在水平城市范围和三维建筑体积视角下的占比和排名（图5；附录A中的图S10和图S11）。我们发现，根据GAUD数据集[6]，虽然美国城市覆盖面积最大（1.40 × 1011 m2, 21.13%），但其建筑体积仅占全球的16.12% [170.9 × 109 m3，排名第二，见图5和图S10（a）]，这主要是美国城市相对较低的建筑平均高度（7.12 m，排名第15）和BVD（见第2.2节，1.22 m3∙m-2，排名第18）所致。而在印度、澳大利亚以及大多数非洲和南美洲国家（如苏丹、刚果和巴西）的城市中，我们也发现了类似的较大城市面积与较小建筑体积之间的不匹配热点区域[体积占比与面积占比的比率小于1，图S10（b）中的暖色]。此外，这些国家较低的BVD和BCR结果（图5和表S9）表明建筑建设对水平和垂直空间的利用率较低。

相比之下，尽管中国的城市面积（1.34× 1011 m2, 20.23%）相对小于美国，但其建筑体积所占比例却是全球所有国家最高（237.4 × 109 m3, 22.39%）。这一结果有别于传统认知，凸显从三维视角来看，中国的城市总规模比美国更大的事实。类似地，通过三维体积来衡量城市规模，则东亚、中东和欧洲国家的城市排名也明显比从二维城市范围衡量城市规模的排名更靠前[图S10（b）中的冷色区域]。其中，日本和韩国的建筑平均高度显著更高（分别为16.97 m和27.53 m，图5），从而导致较高的BVD，凸显了更加充分的垂直空间利用率。相比之下，俄罗斯、西班牙、德国和英国等欧洲国家的BCR值更大（0.25~0.31；图5、表S9），表明了这些国家较为密集且起伏较小的建筑格局，其城市天际线相对较低。

3.3 城市三维建筑结构的典型特征

为了进一步增强对城市三维建筑形态的了解，我们联合BCR（用于表征水平建筑密度）和平均建筑高度（用于描述垂直建筑天际线），在城市尺度上将全球城市群分为四种典型类别，包括“稀疏-低层”“紧凑-低层”“稀疏-高层”和“紧凑-高层”（见第2.2节），并进一步将其细分为16个子类别（附录A中的图S12）。显然，从全球视角看，城市三维建筑形态的典型类别在不同地区上存在明显差异（图6）。东亚和东南亚大多数城市具有典型的“紧凑-高层”特征（约50%）和“稀疏-高层”特征（40%），形成了非常高的城市天际线，特别是在沿海地区，如日本的太平洋带、中国的大湾区和马来西亚的大吉隆坡[图6（a）、附录A中的表S11]。其中，东亚城市的建筑平均高度达到16.88 m（中位数，下同），几乎是南亚（8.13 m）和西南亚（8.30 m）城市的两倍[图6（b）、附录A中的表S12]。相比之下，非洲和南美洲的城市以“稀疏-低层”为主，超过85%的城市天际线（建筑平均高度：约5 m）和建筑密度[BCR：约0.05，见图6（c）和表S12]普遍较低。

与其他大洲相比，在欧洲和北美洲发达国家的城市中观察到丰富多样的城市三维结构特征。近90%的欧洲城市表现出密集的建筑模式（BCR：0.23），但建筑高度（平均：7.11 m）普遍较低。其中，一些国家的首都城市和俄罗斯的部分城市是例外，显示出“密集-高层”的建筑布局，以容纳更多的欧洲人口[60]（附录A中的表S13）。在北美地区，不同区域呈现出混杂的三维建筑特征，整体上以“稀疏-低层”（30.4%）和“密集-低层”（65.2%）的建筑模式为主，但是在美国东北部的大城市则是以“稀疏-高层”和“密集-高层”的建筑模式为主。

3.4 全球建筑空间的供给和不平等

过去全球快速的城市化进程推动着城市建筑形态翻天覆地的变化，但同时也在一定程度上对人类可持续发展带来一定阻碍[61‒62]，其中面临的最大挑战之一是建筑空间供给的不充足和分配的不平等状况[12‒13]。这对于推进SDG至关重要，如SDG 10的减少不平等和SDG 11的发展可持续城市和社区等。GUS-3D数据集中精细尺度的建筑体积信息，使我们能够从三维建筑视角探究建筑空间的供给充足性和建筑空间分配的均衡性这两个重要的主题。在本研究中，建筑空间提供的充足性是通过BVPC进行评估，而建筑空间分配的均衡性则通过BVPC的基尼系数（BV-Gini）进行度量。

通过在城市和国家尺度上汇总BVPC指标（见第2.6节），我们发现全球人均建筑体积的平均值为308.18 m3，但各国之间存在很大差异（图7、附录A中的图S13）。欧洲和北美发达国家的BVPC远高于全球平均水平，从波兰的500.13 m3到美国的715.93 m3，甚至到比利时的973.78 m3 [图7（a）、图S13]，这主要归因于这些国家中大量的独立住宅建筑和相对稀少的人口[63‒64]。尽管日本和韩国的人口众多且土地资源稀缺，但是其人均三维建筑空间仍然超过全球平均水平（分别为632.98 m3 和490.19 m3），这主要是因为他们的城市建筑对于垂直空间利用率相对较高[图5和图7（a）、图S13]。作为2015年全球人口最多的国家，中国的BVPC为321.10 m3，接近全球平均水平，这主要归因于中国过去几十年的快速城市扩张及沿海城市地区大量的高层住宅楼建造。相比之下，印度（64.12 m3）、巴西（56.61 m3）、印度尼西亚（143.55 m3）和非洲许多欠发达国家的BVPC值低于全球平均水平，这些国家的居民面临着建筑空间不足和过度拥挤的问题（图S13）。考虑到拥挤的建筑空间条件是许多社会问题和传染病传播（如COVID-19）的关键诱因之一，因此这一问题需要引起更多关注[65‒67]。

我们进一步使用人均建筑空间的基尼系数BV-Gini以及洛伦兹曲线量化全球城市群的三维建筑空间不平等性（见第2.6节），结果发现，全球范围内人均建筑空间和人均收入的不平等性存在显著差异。这表明，在许多人口稠密地区，无法通过经济不平等性来间接推断建筑空间的不平等性[图7（b）、附录A中的图S14和图S15]。对于东亚、东南亚和南亚的许多人口稠密的城市（居住着超过33.8亿人，约占世界人口的54%），尽管世界银行统计的人均收入不平等性相对较低[68]，但是其人均三维建筑空间的不平等状况却是非常显著的[图7（b）中红色标识的城市，附录A中的表S14]。例如，韩国华城（0.544）、中国天津（0.537）、中国珠海（0.625）、越南胡志明（0.502）、印度浦那（0.609）、新加坡市（0.440）和马来西亚马六甲（0.615）等城市都发现较高的BV-Gini值[图7（b）]，这些结果凸显了无法从经济角度去有效反映建筑空间不平等性（图S15）。在这些国家中，印度不仅面临建筑空间短缺的问题（仅为全球平均水平的1/5，见图S13），而且人均建筑空间的不平等性也较高。考虑到其未来持续快速的人口增长，这种情况在不久的将来会持续恶化。在墨西哥和非洲南部国家的大多数城市，我们也观察到收入和建筑空间的显著不平等性[图7（b）、附录A中的图S14至图S16]，如墨西哥莱昂（0.630）、南非布隆方丹（0.606）和赞比亚卢萨卡（0.571），这些结果强调需要呼吁各界对其加强关注，在减少经济不平等性的同时，还要减少这些地区的人均建筑空间不平等性，以推动未来的可持续发展目标的实现。

相比之下，尽管南美洲国家（如巴西）人均收入不平等性相对较高，但大多数城市的人均建筑空间呈现相对均衡的模式，表明了这些地区高、低收入人群之间的人均居住空间差异较小。类似地，尽管近年来美国的收入不平等性持续增加[69]，但美国城市中的BV-Gini值则相对较低。美国东部城市的人均建筑空间的不平等相对高于西部城市，这与美国在城市和县级的人均收入不平等性模式一致[图7（b）、附录A中的图S17]。在北欧和西欧人口稠密的发达城市中，人均建筑空间的不平等也较低，如伦敦（英国，0.127）、巴黎（法国，0.171）和马德里（西班牙，0.229）；而东欧城市的人均建筑空间不平等性则相对较高，如基辅（乌克兰，0.520）和莫斯科（俄罗斯，0.404）。此外，我们发现一些典型地区（如非洲国家）尽管表现出较低的不平等（低基尼系数），但其建筑空间显著不足以容纳当地人口（BVPC值远低于全球平均水平），对于这些地区而言，解决建筑空间不足的问题可能是需要优先关注的重点。

需要注意的是，我们估算的人均建筑空间和基尼系数的结果并不能直接与收入水平的基尼系数等经济指标进行比较，这是因为它们在研究主体和数据来源上存在差异。具体而言，本研究中的三维建筑空间和不平等性主要来源于GUS-3D数据集和网格化人口数据，将这些数据以1 km2的空间分辨率进行处理并汇总到行政边界之中。相反，人均收入等许多经济指标则是基于家庭单位和人口普查区进行统计的。此外，由于栅格格式数据与区域行政边界矢量数据之间的范围差异以及三维城市结构估算结果的不确定性，人均建筑空间及基尼系数结果可能存在潜在的偏差。未来将尝试使用不同级别的替代边界和区域划分边界进行进一步的验证和分析。此外，我们的结果将城市和农村区域当做一个整体纳入计算，因此并没有考虑到城乡之间的差异。

总体而言，我们的分析以全球城市之间的建筑空间供给和不平等比较的概念为基础，着重关注低于全球平均水平的地区。我们分析的初衷主要是提供一种额外视角（三维），可能并不适合直接与相关官方标准或基准进行比较，因为其关注的主题和涵盖的关注点并不完全相同。尽管存在这些局限性，我们估算的BVPC及其基尼系数的框架提供了一种经济高效的方式，可以用于快速识别和评估全球三维建筑空间的供给和不平等性。理解建筑空间的不平等性有助于评估SDG的实现过程，特别是SDG 11和SDG 10中推进构建可充足的建筑空间、减少不平等性等方面。我们的研究和发现对那些正在经历快速城市化但缺乏精细城市调查数据或数据获取成本较高的地区尤为有用，可为政策制定者和城市规划者提供有价值的定量参考，以解决建筑空间供给和不平等性问题，推进并实现城市的可持续发展。

4 结论

城市地区的三维建筑结构是人类活动主导下地表土地覆盖变化的关键体现。当前研究对城市建筑空间的刻画仍不充分，主要是缺乏包含多种形态指标的详细且一致的城市三维空间建筑空间数据。在本研究中，我们研制了一套公开可访问的高分辨率全球建筑结构数据集GUS-3D，提供了一致的体积、高度和占地面积的建筑空间信息，以刻画全球城市群的城市三维建筑形态。我们的数据集凭借其精细的空间分辨率和丰富的三维建筑信息，可以为城市相关研究提供新的视角和见解，从而解决关键问题并缓解与城市可持续性相关的挑战。利用GUS-3D数据集，我们整合了建筑空间结构的水平和垂直视角，量化全球建筑空间的形态指标，并识别全球城市群的多样典型的城市形态。此外，我们探究了全球背景下建筑空间的供给和不平等性，揭示了它们在实现SDGs中的重要作用。我们强调了东亚、东南亚和南亚许多人口稠密的城市（这些地区居住着超过世界一半的人口）存在显著的建筑空间不平等，这一点在以往侧重于经济不平等的研究中经常被忽视。展望未来，GUS-3D数据集中所提供的建筑空间结构形态信息具有推进各方面研究的巨大潜力，如能源消耗、空气污染、碳足迹、风险管理等城市可持续发展研究，可以进一步促进解决实现SDGs的众多关键问题。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Güneralp B, Zhou Y, Ürge-Vorsatz D, Gupta M, Yu S, Patel PL, et al. Global scenarios of urban density and its impacts on building energy use through 2050. Proc Natl Acad Sci USA 2017;114(34):8945‒50. . 10.1073/pnas.1606035114
[2]

Zhou Y, Smith SJ, Zhao K, Imhoff M, Thomson A, Bond-Lamberty B, et al. A global map of urban extent from nightlights. Environ Res Lett 2015;10(5):054011. . 10.1088/1748-9326/10/5/054011
[3]

Li M, Koks E, Taubenböck H, van Vliet J. Continental-scale mapping and analysis of 3D building structure. Remote Sens Environ 2020;245:111859. . 10.1016/j.rse.2020.111859
[4]

Li X, Zhou Y, Gong P, Seto KC, Clinton N. Developing a method to estimate building height from Sentinel-1 data. Remote Sens Environ 2020;240:111705. . 10.1016/j.rse.2020.111705
[5]

Gong P, Li X, Wang J, Bai Y, Chen B, Hu T, et al. Annual maps of global artificial impervious area (GAIA) between 1985 and 2018. Remote Sens Environ 2020;236:111510. . 10.1016/j.rse.2019.111510
[6]

Liu X, Huang Y, Xu X, Li X, Li X, Ciais P, et al. High-spatiotemporal-resolution mapping of global urban change from 1985 to 2015. Nat Sustainability 2020;3(7):564‒70. . 10.1038/s41893-020-0521-x
[7]

Clarke LE, Jiang K, Akimoto K, Babiker M, Blanford GJ, Fisher-Vanden K, et al. Chapter 6 assessing transformation pathways. In: Climate Change 2014: Mitigation of Climate Change. IPCC Working Group III Contribution to AR5. Cambridge: Cambridge University Press; 2014. . 10.1017/cbo9781107415416.012
[8]

Glaeser E. Triumph of the city: how urban spaces make us human. Basingstoke: Pan Macmillan; 2011.
[9]

Hassan AM, El Mokadem AAF, Megahed NA, Eleinen OMA. Improving outdoor air quality based on building morphology: numerical investigation. Front Archit Res 2020;9(2):319‒34. . 10.1016/j.foar.2020.01.001
[10]

Jalayer F, de Risi R, de Paola F, Giugni M, Manfredi G, Gasparini P, et al. Probabilistic GIS-based method for delineation of urban flooding risk hotspots. Nat Hazards 2014;73(2):975‒1001.
[11]

Javanroodi K, Nik VM, Scartezzini JL. Quantifying the impacts of urban morphology on modifying microclimate conditions in extreme weather conditions. J Phys Conf Ser 2021;2042(1):012058. . 10.1088/1742-6596/2042/1/012058
[12]

Pandey B, Brelsford C, Seto KC. Infrastructure inequality is a characteristic of urbanization. Proc Natl Acad Sci USA 2022;119(15):e2119890119. . 10.1073/pnas.2119890119
[13]

Ghosh T, Coscieme L, Anderson SJ, Sutton PC. Building Volume Per Capita (BVPC): a spatially explicit measure of inequality relevant to the SDGs. Front Sustainable Cities 2020;2:37. . 10.3389/frsc.2020.00037
[14]

Omer MAB, Noguchi T. A conceptual framework for understanding the contribution of building materials in the achievement of Sustainable Development Goals (SDGs). Sustainable Cities Soc 2020;52:101869. . 10.1016/j.scs.2019.101869
[15]

Adshead D, Thacker S, Fuldauer LI, Hall JW. Delivering on the Sustainable Development Goals through long-term infrastructure planning. Global Environ Change 2019;59:101975. . 10.1016/j.gloenvcha.2019.101975
[16]

un.org [Internet]. New York City: United Nations; c2022 [cited 2022 Dec 28]. Available from:

[17]

Reddy A, Leslie TF. Volume per capita as a useful measure of residential space. Urban Geogr 2015;36(7):1099‒112. . 10.1080/02723638.2015.1060696
[18]

Ren Q, He C, Huang Q, Shi P, Zhang D, Güneralp B. Impacts of urban expansion on natural habitats in global drylands. Nat Sustainability 2022;5(10):869‒78. . 10.1038/s41893-022-00930-8
[19]

Chen G, Li X, Liu X, Chen Y, Liang X, Leng J, et al. Global projections of future urban land expansion under shared socioeconomic pathways. Nat Commun 2020;11(1):537. . 10.1038/s41467-020-14386-x
[20]

Henderson JV, Venables AJ, Regan T, Samsonov I. Building functional cities. Science 2016;352(6288):946‒7. . 10.1126/science.aaf7150
[21]

Bhardwaj G, Esch T, Lall SV, Marconcini M, Soppelsa ME, Wahba S. Cities, crowding, and the coronavirus: predicting contagion risk hotspots [Internet]. Washington, DC: The World Bank; 2020 Apr 21 [cited 2022 Dec 28]. Available from: 10.1596/33648
[22]

Soergel U, Michaelsen E, Thiele A, Cadario E, Thoennessen U. Stereo analysis of high-resolution SAR images for building height estimation in cases of orthogonal aspect directions. ISPRS J Photogramm Remote Sens 2009;64(5):490‒500. . 10.1016/j.isprsjprs.2008.10.007
[23]

Mathews AJ, Frazier AE, Nghiem SV, Neumann G, Zhao Y. Satellite scatterometer estimation of urban built-up volume: validation with airborne lidar data. Int J Appl Earth Obs Geoinformation 2019;77:100‒7. . 10.1016/j.jag.2019.01.004
[24]

Park Y, Guldmann JM. Creating 3D city models with building footprints and LIDAR point cloud classification: a machine learning approach. Comput Environ Urban Syst 2019;75:76‒89. . 10.1016/j.compenvurbsys.2019.01.004
[25]

Yu B, Liu H, Wu J, Hu Y, Zhang L. Automated derivation of urban building density information using airborne LiDAR data and object-based method. Landscape Urban Plann 2010;98(3,4):210‒9. . 10.1016/j.landurbplan.2010.08.004
[26]

Liasis G, Stavrou S. Satellite images analysis for shadow detection and building height estimation. ISPRS J Photogramm Remote Sens 2016;119:437‒50. . 10.1016/j.isprsjprs.2016.07.006
[27]

Geiß C, Leichtle T, Wurm M, Pelizari PA, Standfuß I, Zhu XX, et al. Large-area characterization of urban morphology—mapping of built-up height and density using TanDEM-X and Sentinel-2 Data. IEEE J Sel Top Appl Earth Obs Remote Sens 2019;12(8):2912‒27. . 10.1109/jstars.2019.2917755
[28]

Frantz D, Schug F, Okujeni A, Navacchi C, Wagner W, van der Linden S, et al. National-scale mapping of building height using Sentinel-1 and Sentinel-2 time series. Remote Sens Environ 2021;252:112128. . 10.1016/j.rse.2020.112128
[29]

Mahtta R, Mahendra A, Seto KC. Building up or spreading out? Typologies of urban growth across 478 cities of 1 million+. Environ Res Lett 2019;14(12):124077. . 10.1088/1748-9326/ab59bf
[30]

Frolking S, Milliman T, Seto KC, Friedl MA. A global fingerprint of macro-scale changes in urban structure from 1999 to 2009. Environ Res Lett 2013;8(2):024004. . 10.1088/1748-9326/8/2/024004
[31]

Falcone JA. US national categorical mapping of building heights by block group from Shuttle Radar Topography Mission data [Internet]. Reston: The U.S. Geological Survey; 2016 Dec 21 [cited 2022 Dec 28]. Available from:

[32]

Esch T, Brzoska E, Dech S, Leutner B, Palacios-Lopez D, Metz-Marconcini A, et al. World Settlement Footprint 3D—a first three-dimensional survey of the global building stock. Remote Sens Environ 2022;270:112877. . 10.1016/j.rse.2021.112877
[33]

Wu WB, Ma J, Banzhaf E, Meadows ME, Yu ZW, Guo FX, et al. A first Chinese building height estimate at 10 m resolution (CNBH-10 m) using multi-source earth observations and machine learning. Remote Sens Environ 2023;291:113578. . 10.1016/j.rse.2023.113578
[34]

Li M, Wang Y, Rosier JF, Verburg PH, van Vliet J. Global maps of 3D built-up patterns for urban morphological analysis. Int J Appl Earth Obs Geoinformation 2022;114:103048. . 10.1016/j.jag.2022.103048
[35]

Zhou Y, Li X, Chen W, Meng L, Wu Q, Gong P, et al. Satellite mapping of urban built-up heights reveals extreme infrastructure gaps and inequalities in the Global South. Proc Natl Acad Sci USA 2022;119(46):e2214813119. . 10.1073/pnas.2214813119
[36]

Shimada M, Itoh T, Motooka T, Watanabe M, Shiraishi T, Thapa R, et al. New global forest/non-forest maps from ALOS PALSAR data (2007-2010). Remote Sens Environ 2014;155:13‒31. . 10.1016/j.rse.2014.04.014
[37]

Vermote E, Justice C, Claverie M, Franch B. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product. Remote Sens Environ 2016;185(2):46‒56. . 10.1016/j.rse.2016.04.008
[38]

Koppel K, Zalite K, Voormansik K, Jagdhuber T. Sensitivity of Sentinel-1 backscatter to characteristics of buildings. Int J Remote Sens 2017;38(22):6298‒318. . 10.1080/01431161.2017.1353160
[39]

Chander G, Markham BL, Helder DL. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sens Environ 2009;113(5):893‒903. . 10.1016/j.rse.2009.01.007
[40]

Takaku J, Tadono T, Tsutsui K, Ichikawa M. Validation of “AW3D” global DSM generated from ALOS PRISM. ISPRS Ann Photogramm Remote Sens Spat Inf Sci 2016;3:25‒31. . 10.5194/isprsannals-iii-4-25-2016
[41]

Li X, Gong P, Zhou Y, Wang J, Bai Y, Chen B, et al. Mapping global urban boundaries from the global artificial impervious area (GAIA) data. Environ Res Lett 2020;15(9):094044. . 10.1088/1748-9326/ab9be3
[42]

Weng Q. Remote sensing of impervious surfaces in the urban areas: requirements, methods, and trends. Remote Sens Environ 2012;117:34‒49. . 10.1016/j.rse.2011.02.030
[43]

Gorelick N, Hancher M, Dixon M, Ilyushchenko S, Thau D, Moore R. Google Earth Engine: planetary-scale geospatial analysis for everyone. Remote Sens Environ 2017;202:18‒27. . 10.1016/j.rse.2017.06.031
[44]

Chen T, Guestrin C. XGBoost: a scalable tree boosting system. In: KDD’16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016 Aug 13‒17; San Francisco, CA, USA. New York City: Association for Computing Machinery; 2016. p. 785‒94. . 10.1145/2939672.2939785
[45]

Xavier G, Yoshua B. Understanding the difficulty of training deep feedforward neural networks. In: TehYW, TitteringtonDM, editors. Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics; 2010 May 13‒15; Chia Laguna Resort, Italy. Brookline: Proceedings of Machine Learning Research; 2010. p. 249‒56.
[46]

Breiman L. Random forests. Mach Learn 2001;45(1):5‒32. . 10.1023/a:1010933404324
[47]

Chen B, Wu S, Song Y, Webster C, Xu B, Gong P. Contrasting inequality in human exposure to greenspace between cities of Global North and Global South. Nat Commun 2022;13(1):4636. . 10.1038/s41467-022-32258-4
[48]

Wang Q, Fan J, Kwan MP, Zhou K, Shen G, Li N, et al. Examining energy inequality under the rapid residential energy transition in China through household surveys. Nat Energy 2023;8(3):251‒63. . 10.1038/s41560-023-01193-z
[49]

Xu R, Yue W, Wei F, Yang G, Chen Y, Pan K. Inequality of public facilities between urban and rural areas and its driving factors in ten cities of China. Sci Rep 2022;12(1):13244. . 10.1038/s41598-022-17569-2
[50]

Scrucca F, Ingrao C, Barberio G, Matarazzo A, Lagioia G. On the role of sustainable buildings in achieving the 2030 UN sustainable development goals. Environ Impact Assess Rev 2023;100:107069. . 10.1016/j.eiar.2023.107069
[51]

Park Y, Guldmann JM, Liu D. Impacts of tree and building shades on the urban heat island: combining remote sensing, 3D digital city and spatial regression approaches. Comput Environ Urban Syst 2021;88:101655. . 10.1016/j.compenvurbsys.2021.101655
[52]

Miao C, Yu S, Hu Y, Zhang H, He X, Chen W. Review of methods used to estimate the sky view factor in urban street canyons. Build Environ 2020;168:106497. . 10.1016/j.buildenv.2019.106497
[53]

Jiao L. Urban land density function: a new method to characterize urban expansion. Landscape Urban Plann 2015;139:26‒39. . 10.1016/j.landurbplan.2015.02.017
[54]

Frolking S, Mahtta R, Milliman T, Seto KC. Three decades of global trends in urban microwave backscatter, building volume and city GDP. Remote Sens Environ 2022;281:113225. . 10.1016/j.rse.2022.113225
[55]

Balk DL, Nghiem SV, Jones BR, Liu Z, Dunn G. Up and out: a multifaceted approach to characterizing urbanization in Greater Saigon, 2000-2009. Landscape Urban Plann 2019;187:199‒209. . 10.1016/j.landurbplan.2018.07.009
[56]

United Nations, Department of Economic and Social Affairs. World urbanization prospects: the 2018 revision, highlights. New York City: United Nations publication; 2018. . 10.18356/b9e995fe-en
[57]

Ni H, Yu L, Gong P, Li X, Zhao J. Urban renewal mapping: a case study in Beijing from 2000 to 2020. J Remote Sens 2023;3:0072. . 10.34133/remotesensing.0072
[58]

Qi Z, Gar-On Yeh A, Li X, Liu X. A land clearing index for high-frequency unsupervised monitoring of land development using multi-source optical remote sensing images. ISPRS J Photogramm Remote Sens 2022;187:393‒421. . 10.1016/j.isprsjprs.2022.03.017
[59]

Wang N, Li W, Tao R, Du Q. Graph-based block-level urban change detection using Sentinel-2 time series. Remote Sens Environ 2022;274:112993. . 10.1016/j.rse.2022.112993
[60]

City Mayors Statistics. Europe’s largest cities [Internet]. London: The City Mayors Foundation; 2021 [cited 2022 Dec 28]. Available from:

[61]

Seto KC, Golden JS, Alberti M, Turner BL II. Sustainability in an urbanizing planet. Proc Natl Acad Sci USA 2017;114(34):8935‒8. . 10.1073/pnas.1606037114
[62]

United Nations Department of Economic and Social Affairs. World Social Report 2020: Inequality in a rapidly changing world. New York City: United Nations publication; 2020. . 10.18356/7f5d0efc-en
[63]

Smith SK, Rayer S, Smith EA. Aging and disability: implications for the housing industry and housing policy in the United States. J Am Plann Assoc 2008;74(3):289‒306. . 10.1080/01944360802197132
[64]

Whittemore AH, Curran-Groome W. A case of (decreasing) american exceptionalism. J Am Plann Assoc 2022;88(3):335‒51. . 10.1080/01944363.2021.1985591
[65]

Motesharrei S, Rivas J, Kalnay E, Asrar GR, Busalacchi AJ, Cahalan RF, et al. Modeling sustainability: population, inequality, consumption, and bidirectional coupling of the Earth and Human Systems. Natl Sci Rev 2016;3(4):470‒94.
[66]

Piketty T. Capital in the twenty-first century. Boston: Harvard University Press; 2014.
[67]

Sachs J, Lafortune G, Kroll C, Fuller G, Woelm F. From crisis to sustainable development: the SDGs as roadmap to 2030 and beyond: includes the SDG index and dashboards. In: Sustainable Development Report 2022. Cambridge: Cambridge University Press; 2022. . 10.1017/9781108992411
[68]

worldbank.org [Internet]. Washington, DC: The World Bank. c2022 [cited 2022 Dec 18]. Available from:

[69]

Horowitz JM, Igielnik R, Kochhar R. Most Americans say there is too much economic inequality in the U.S., but fewer than half call it a top priority. Report. Washington, DC: Pew Research Center; 2020 Jan.
AI Summary AI Mindmap
PDF (8290KB)

4210

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉