Se utiliza un enfoque basado en SIG en este estudio para obtener un mejor mapa de LCZ de Berlín en comparación con el enfoque WUDAPT L0 basado en teledetección. La clasificación de LCZ de uso/cobertura del suelo se puede utilizar, entre otras aplicaciones, para caracterizar la isla de calor urbano. Se emplea un método de lógica difusa mejorado con el propósito de clasificar las propiedades de la zona para generar el mapa GIS-LCZ sobre mosaicos de 100 m x 100 m que cubren la región de Berlín. Las propiedades de la zona se calculan a partir de conjuntos de datos raster y vectoriales con la ayuda del predictor ambiental urbano a múltiples escalas (UMEP), QGIS y scripts de Python. El marco estándar se modifica reduciendo el umbral para la fracción de superficie impermeable de la propiedad de la zona LCZ E para detectar mejor las superficies pavimentadas en áreas urbanas. Otra modificación es la reducción del tamaño de la ventana en el filtro de mayoría durante el post-procesamiento, en comparación con el método WUDAPT L0, para retener más detalles en el mapa GIS-LCZ. Además, se generan nuevas áreas de entrenamiento considerando la información sobre la altura de los edificios. El resultado del enfoque GIS-LCZ se compara con las nuevas áreas de entrenamiento para la evaluación de precisión, lo que muestra una mejor precisión general en comparación con la del método WUDAPT L0. Las nuevas áreas de entrenamiento también se envían al generador de LCZ y el mapa LCZ resultante ofrece un mejor valor de precisión general en comparación con la presentación anterior (WUDAPT). Este estudio muestra una limitación del método WUDAPT L0: no utiliza explícitamente la información sobre la altura de los edificios, lo que lleva a una clasificación errónea de los LCZ en varios casos. El método GIS-LCZ aborda esta limitación de manera efectiva. Finalmente, se aplica un método de aprendizaje automático no supervisado, el agrupamiento k-means, para agrupar los mosaicos de la cuadrícula según sus propiedades de zona en clases personalizadas. Los clústeres personalizados se comparan con las clases GIS-LCZ y los resultados indican que el agrupamiento k-means puede identificar clases más complejas específicas de la ciudad o tipos de transición de LCZ, mientras que el método GIS-LCZ siempre divide las regiones en las clases estándar de LCZ.