La clasificación del uso del suelo urbano a nivel de bloque (BLULUC), como la clasificación residencial y comercial, es muy útil para los planificadores urbanos. Se puede lograr en forma de cobertura completa de alta frecuencia sin sesgos, basándose en datos de imágenes de teledetección de alta resolución espacial (HSRRSIs), que los datos de percepción social como los datos de puntos de interés (POI) o los datos de teléfonos móviles no pueden proporcionar. Sin embargo, en la actualidad, la extracción de características cuantitativas de HSRRSIs para BLULUC se basa principalmente en métodos de visión por computadora o aprendizaje profundo basados en características de señales de imagen en lugar de patrones de cobertura del suelo, como vegetación, agua o edificios, desconectando así el conocimiento existente entre los patrones del paisaje y sus funciones, además de obstaculizar en gran medida el BLULUC mediante HSRRSIs. Las métricas de paisaje bien conocidas podrían desempeñar un papel importante de conexión, pero también enfrentan el problema de selección de escala; es decir, el tamaño óptimo de la unidad espacial es un píxel de imagen o un objeto de imagen segmentado. Aquí, utilizamos la tarea de BLULUC con imágenes satelitales de 2 m en Beijing como estudio de caso. Los resultados muestran lo siguiente: (1) la clasificación basada en píxeles puede lograr una mayor precisión que la clasificación basada en objetos segmentados, con un promedio del 3% en aspectos generales, mientras que algunos tipos de uso del suelo podrían alcanzar el 10%, como el suelo comercial. (2) A escala de píxel, si se eliminan las métricas de cantidad a nivel de clase, como el número de parches, y las métricas de proporción a nivel de paisaje, como la proporción de vegetación, la precisión puede reducirse considerablemente. Además, eliminar métricas a nivel de paisaje puede llevar a una reducción más significativa en la precisión que eliminar métricas a nivel de clase. Esto indica que, para lograr una mayor precisión en BLULUC a partir de HSRRSIs, se pueden utilizar métricas de cobertura del suelo a nivel de paisaje, incluidos los números de parches y proporciones a escala de píxel, en lugar de métricas a escala de objeto.