基于TM圖像和夜間燈光數據的區域城鎮擴張監測——以浙江省為例

陳 征，胡德勇，曾文華，鄧 磊

(1.首都師范大學資源環境與旅游學院，北京 100048;2.浙江省測繪資料檔案館，杭州 310012)

0 引言

近年來，經濟快速發展、人口向城鎮聚集，使得我國城鎮用地面積不斷增加，范圍不斷擴大，城市周邊土地覆被類型不斷變化，大片鄉村地區轉化為城鎮地區[1]。因此對區域尺度上的城市擴張進行有效的監測可為土地規劃和生態環境保護等提供科學參考，具有重要的現實意義。

遙感技術具有多尺度、時效性強等特點，已廣泛應用于區域資源和環境監測領域。目前，用于城鎮用地信息提取的主要方法有圖像分類法、閾值分割法等[2－4]。然而，由于受到遙感圖像“同物異譜、同譜異物”特征的影響，閾值分割法在精確獲取城鎮專題信息過程中，受像元值的一致性干擾較大，需要對提取結果做進一步處理。20世紀90年代，DMSP/OLS夜間燈光數據(night－time light，NTL)作為一種新的數據源，為動態監測城鎮分布及其變化提供了新的方法和途徑。運用NTL數據進行城鎮擴張動態監測主要有燈光指數法[5]和多層次閾值法[6－8]等。前者綜合考慮區域平均燈光強度和燈光面積構建燈光指數表征城市化水平，利用閾值技術獲取城鎮空間分布特征及其變化;后者通過構建燈光指數數據的多層次閾值，對夜間燈光圖像進行閾值分割，獲取城鎮專題信息。但NTL數據空間分辨率較低，對于城鎮擴張監測存在局限性，因而它常用作城鎮擴張遙感信息提取的輔助數據源。以上方法雖然能夠滿足城鎮變化監測的基本要求，但如何應用多源數據提高城鎮信息提取精度，正確反映城鎮擴張特征是目前亟待解決的問題。

本文以浙江省為研究區，收集了1995年、2005年、2010(或部分2009)年 3個時期的TM圖像，同時收集了1995年、2005年、2010年的 NTL數據和其他輔助數據，在圖像監督分類樣本制備的基礎上，運用Breiman等[9]提出的分類回歸樹(classification and regression tree，CART)算法進行圖像分類，提取了研究區各時期城鎮用地空間分布專題信息;為進一步提高專題信息提取的精度，將NTL數據應用到城鎮用地結果優化處理中，獲得了最終所需的城鎮專題信息，在此基礎上采用GIS手段和統計方法宏觀把握浙江省1995—2010年城鎮擴張的時空特征。

1 研究區概況及數據源

近20 a間，浙江省經濟快速發展，土地利用類型變化明顯，變化最快的是城市用地和交通用地，變化率分別達187.50%和 110.03%[10]。人口向城鎮聚集，大片鄉村地區轉化為城鎮地區，尤以杭州、寧波、浙中地區最為明顯，形成了以杭州為核心的大都市、以浙中為主要區域的中小城鎮群發展模式。

為了對浙江省1995年后城市擴張情況進行監測，本文選擇了前述3個時期的TM圖像，空間分辨率為30 m。每時期各9景圖像。數據覆蓋范圍如圖1所示，時相及特性如表1所示。

圖1 研究區及Landsat TM數據景幅覆蓋范圍Fig.1 Study area and the coverage of Landsat TM data

表1 研究用到的Landsat TM數據及其特性Tab.1 Landsat TM data and their characteristics

收集的NTL數據來源于NOAA下屬的國家地球物理數據中心(national oceanic and atmospheric administration，NGDC，http://www.ngdc.noaa.gov/dmsp/downloadV4composites.html)。NTL 數據是美國國防氣象衛星(defense meteorological satellite program，DMSP)搭載的線性掃描業務系統(operational line scan system，OLS)獲取的，該產品是一段時期內無云條件下燈光被連續探測到的頻率，并去除了亮云，水體及火光等的影響[11]，通過明暗對比反映城鎮信息，灰度范圍0～63，空間分辨率1 km。從NTL數據產品中，提取穩定燈光數據，經投影轉換、裁剪等預處理后，作為該研究區的城鎮專題信息提取的輔助數據。

2 研究方法

2.1 城鎮專題信息的遙感提取

城鎮專題信息的遙感提取主要包括以下3個步驟:

1)圖像分類數據準備。為了更好地區分植被、裸地和城鎮用地，以歸一化差值植被指數(normalized difference vegetation index，NDVI)和歸一化燃燒率(normalized burn ratio，NBR)作為遙感圖像分類的輔助數據[12－13]，即

式中:R為TM第3波段(紅光波段)亮度值;NIR為TM第4波段(近紅外波段)亮度值;IR為TM第7波段(短波紅外波段)亮度值。

NDVI通過比值算法增強植被、耕地與其他地物的差別，能夠更好地反映植被的分布狀況;NBR突出了植被變化前后的情況，可以提高對于因植被數量變化而造成的裸露地表的提取精度。將TM圖像的7個波段(熱紅外第6波段重采樣為30 m)及其衍生數據(NDVI，NBR)組合為9個圖層，作為圖像分類輸入變量。

2)圖像分類算法。研究選擇CART作為圖像分類的具體算法。該方法自1984年被提出以來，在美國國家土地覆蓋數據庫(national land cover database，NLCD)開發中得到了推廣和應用，如 NLCD 2000采用CART方法，基于多種輔助數據層疊加分析，依據各層的權重進行分類。CART算法是空間數據挖掘領域的一種常用分析方法，其算法是一個二叉樹遞歸過程，利用訓練樣本建立基于規則的模型，每一個規則集均定義了多元線性回歸模型建立的條件。同時，回歸樹模型能夠說明目標變量和預測變量之間的非線性關系并允許連續變量和離散變量作為輸入變量，其分類精度優于其他簡單線性回歸模型[9，14－16]。

CART模型的精度取決于訓練樣本的質量。在實際操作中，多景圖像拼接后的鑲嵌圖像給訓練樣本的采集帶來較大困難。為規避處理過程中的干擾因素，本文采用分幅處理的方式提取單景TM圖像中的城鎮信息。此外，區別于其他數據挖掘算法，CART模型需要采集較多的訓練樣本，本文在每景圖像選取50 000個像元以上城鎮用地樣本為測試變量，同時保證交叉驗證樣本在5 000個像元以上。繼而基于訓練樣本構建CART模型，并利用該模型對待分類圖層變量進行圖像分類。

通常情況下，鄉村城市化轉化是一個不可逆的過程，多時序城鎮專題信息提取及其城市擴張動態監測過程中，前期城鎮專題信息可以作為下一時期的訓練樣本，從而保證獲得足夠的訓練樣本數量。

3)后處理建模及分類結果優化。基于CART算法輸出的圖像分類結果，不可避免地存在錯分或誤分情況，在研究區，沿海灘地、裸地等對城鎮用地信息提取的干擾尤為明顯。為了減小乃至消除干擾因素對分類結果的影響，進一步提高圖像分類精度，采用輔助數據進一步優化CART圖像分類輸出結果，是后處理的常用手段。

針對研究區地表覆蓋特性，利用NTL數據對CART初步分類結果進行后處理和優化。其主要技術思路是選取最佳閾值范圍內NTL數據與CART圖像分類結果的疊置像元(公共像元)，并將其定義為實際的城鎮專題信息。采用經驗閾值與統計相結合的方法來確定NTL數據的城鎮類別最佳閾值范圍。綜合 TM圖像、CART分類結果(像元值為DNcart)和NTL(像元值為DNntl)3者疊加的統計結果，結合 Milesi[17]的經驗閾值設定動態閾值，將CART分類結果和NTL數據分別劃分為3個層次(表2)。表中，2 ≤DNcart≤100，0≤DNntl≤63;m，n，j分別為2～100之間的1個數;l，k，f分別為1～63之間的1個數。以上6個參數根據實際情況取值，A，B，C為劃分的3個層次。若提取滿足A，B，C這3個條件并與TM圖像中城鎮用地疊加誤差最小，則上述條件為最佳優化閾值范圍。

表2 優化過程條件Tab.2 Condition in the optimization process

2.2 技術流程

城市擴張動態監測的總體技術流程如圖2所示。首先，數據預處理包括去云處理、圖像配準以及簡單大氣校正，其中圖像配準精度平坦地區控制在0.5個像元以內，山區控制在1.5個像元以內。然后，利用CART算法提取遙感圖像的城鎮專題信息，主要包括訓練樣本制作、決策樹構建和圖像分類3個步驟;期間輔以土地利用現狀圖、TM圖像等為參考，選取訓練樣本;同時為保證樣本的數量和質量，須對選自土地利用現狀圖的樣本進一步篩選，僅保留置信度較高(如核心城鎮區域)的樣本，應用CART算法提取TM圖像中城鎮信息，并利用NTL數據對分類結果進行優化，最終得到能夠滿足精度要求的分類結果。最后，在分類結果滿足要求的基礎上，結合GIS和統計分析方法對城鎮擴張的時空特征進行分析。

圖2 總體技術流程Fig.2 Overall flow chart

3 結果及精度驗證

3.1 城鎮信息提取結果

按照圖2中的技術流程，以單景TM圖像為單位，獲取每景數據的CART算法運行結果，然后采用NTL數據對該結果進行優化處理。在結果優化的過程中，在每景圖像的分類結果上采集隨機點，并對這些點所對應的分類結果像元值和燈光數據像元進行統計，選取適當的閾值范圍，并進行結果優化。

在結果后處理過程中，為消除細碎圖斑對城鎮制圖的影響，先濾除了少于5個像元的斑塊，得到單景遙感圖像的專題結果;然后對每個時相的9景數據進行鑲嵌處理，最終得到3個時相的城鎮分布專題圖，如圖3所示。

3.2 精度檢驗

為了分析對比CART算法的圖像分類精度和經過NTL數據優化后的專題信息提取精度，進一步驗證CART算法在圖像分類中的優勢，本研究分別對2個過程的城鎮信息提取結果進行了精度評估。在每景圖像隨機采集300個樣本，計算其信息提取的總體精度，結果如表3所示。

表3 精度評價結果Tab.3 Accuracy assessment results (%)

從表3可以看出，CART算法的圖像總體分類精度達到80%以上，且局部達到90%以上，個別景受城鎮用地分布不均的影響(如P120/R39景多數地段為山地，城鎮用地比重低)精度偏低。由此可見在訓練樣本采集的過程中，樣本選取對CART算法的運行精度存在一定的影響。

利用DMSP/OLS夜間燈光數據對CART運行輸出結果進行優化后，城鎮專題信息提取的總體精度和優化前相比有大幅提升，特別是CART算法運行輸出結果精度較低的圖像(P120/R39，P120/R40等)提升效果尤為明顯，所有圖像的專題信息提取精度均達到85%以上，平均值達到91.09%，且數值波動較小，表明提取結果具有一定的穩定性，可以滿足后續城鎮擴張時空分析的數據要求。

4 城鎮擴張分析

4.1 縣級單位城鎮擴張分析

城鎮擴張特征可以從擴張面積(△A)、擴張速度(Uv)和擴張強度(Uindex)等方面分析，表示為

式中:Ui，Uj為某一時間段起止城鎮面積;i，j為起止年份。

擴張面積反映了某一時間段內城鎮面積的增加總量，擴張速度為城鎮面積年均增長量[18－19]，擴張強度是在某一段時間內年均城市面積增長比率[20]。分別對研究區的城市擴張特征指數進行計算分析，擴張速度較快的11個市的統計結果如表4所示。

表4 1995—2005年、2005—2010年各市擴張面積、擴張速度、擴張強度統計Tab.4 Statistical analysis of expansion area，velocity and strength from 1995 to 2005 and from 2005 to 2010

通過對比圖3可以發現:①1995—2005年浙江省城鎮面積共增加1 992.1 km2，寧波市擴張速度最快，其次為溫州市和杭州市;②2005—2010年浙江省城鎮面積共增加3 245.4 km2，寧波市和溫州市繼續保持高速擴張，臺州市擴張速度明顯提高;③總體說來，1995—2010年間，浙江省城鎮用地面積處于擴張態勢，除洞頭縣，慶元縣，文成縣，云和縣，紹興市，蘭溪市及龍泉市等7個縣市擴張速度有所減緩外，全省其余市、縣均處于加速擴張階段。

圖4 城鎮用地比率空間分布圖Fig.4 Spatial distribution of urban area ratio

4.2 城市擴張空間特征

為定量描述浙江省城市擴張空間特征，定義每個縣級行政單元的城鎮用地比率(R)，即

式中:R為城鎮用地比率;Au為某一行政單元城鎮用地面積;At為該行政單元總面積。1995—2010年城鎮用地比率空間分布如圖4所示。

從圖4可以看出，1995年研究區城市化水平總體較低，最高城鎮覆蓋比率僅為29.2%;2005年部分沿海城市城市化水平有明顯提高，其中紹興市城鎮覆蓋比率超過50%，杭州市提高到42.4%，并且帶動了周圍城市的發展，全省城市化水平較1995年有較大提高;2010年城市化水平全面提高，紹興市、杭州市城鎮覆蓋比率達50%以上，全省有20個縣市城鎮覆蓋比率超過10%。

1995—2010年，沿海地區的城市化水平整體高于內陸地區，地勢平坦地區高于地形復雜地區，形成了杭州，紹興，溫州3大沿海城市群和以金華為中心的內陸地區中小城市帶。

5 結論

本文以浙江省為研究區，利用CART算法對1995年、2005年及2010年3個時期的TM圖像進行分類，并利用DMSP/OLS夜間燈光數據對分類結果進行了優化，在此基礎上利用GIS和統計方法對1995—2010年間浙江省城鎮擴張特征進行統計和分析，主要結論如下:

1)基于CART算法，綜合利用TM圖像和DMSP/OLS夜間燈光數據，是適用于區域尺度城鎮擴張監測的一種有效且穩定性較好的信息提取方法。本研究中，采用CART算法以TM圖像作為單一數據源進行信息提取，得到1995年、2005年及2010年總體分類精度分別為83.3%，78.5%和81.1%，但由于受地形和圖像光譜特征的影響，分類精度偏低且不夠穩定;增加DMSP/OLS夜間燈光數據對分類結果進行優化，提高了分類精度及其穩定性，平均精度分別達到 92.0%，91.1%和 90.1%。

2)1995—2010年間，浙江省城鎮用地持續增加，浙江省城鎮用地面積處于擴張態勢。除洞頭縣，慶元縣，文成縣，云和縣，蘭溪市，龍泉市及紹興市等7個縣市擴張速度有所減緩外，全省其余市、縣、區均處于加速擴張階段。其中，1995—2005年城鎮擴張面積達1 992.1 km2，2005—2010年城鎮擴張面積為3 245.4 km2，寧波市，溫州市，杭州市和臺州市均處于快速擴張階段。

3)城市擴張的空間特征方面，沿海地區的城市化水平整體高于內陸地區，地勢平坦地區高于地形復雜地區，形成了杭州、紹興、溫州3大沿海城市群和以金華為中心的內陸地區中小城市帶。

由于TM圖像和NTL數據的空間分辨率存在較大差異(TM數據空間分辨率為30 m，而NTL空間分辨率為1 km)，造成在結果優化的過程中小面積城鎮信息的遺漏，對城鎮擴張的動態監測結果的準確性帶來一定的影響，如何克服這一問題也成為今后本研究的工作重點。

[1]胡德勇，李 京，陳云浩，等.基于多時相Landsat數據的城市擴張及其驅動力分析[J].國土資源遙感，2006，18(4):46－49，54.Hu D Y，Li J，Chen Y H，et al.An analysis of urban expansion and its dynamics based on multi－ temporal Landsat data[J].Remote Sensing for Land and Resources，2006，18(4):46－49，54.

[2]查 勇，倪紹祥，楊 山.一種利用TM圖像自動提取城鎮用地信息的有效方法[J].遙感學報，2003，7(1):37－40.Zha Y，Ni S X，Yang S.An effective approach to automatically extract urban land－ use from TM imagery[J].Journal of Remote Sensing，2003，7(1):37－40.

[3]徐涵秋.基于譜間特征和歸一化指數分析的城市建筑用地信息提取[J].地理研究，2005，24(2):311－319.Xu H Q.Fast information extraction of urban built－up land based on the analysis of spectral signature and normalized difference index[J].Geographical Research，2005，24(2):311－319.

[4]潘衛華，徐涵秋.泉州市城市擴展的遙感監測及其城市化核分析[J].國土資源遙感，2004，16(4):36－40.Pan W H，Xu H Q.A study of urban spatial expansion of Quanzhou City on the basis of remote sensing technology and urbanization core analysis[J].Remote Sensing for Land and Resources，2004，16(4):36－40.

[5]卓 莉，史培軍，陳 晉，等.20世紀90年代中國城市時空變化特征——基于燈光指數 CNLI方法的探討[J].地理學報，2003，58(6):893－901.Zhuo L，Shi P J，Chen J，et al.Application of compound night light index derived from DMSP/OLS data to urbanization analysis in China in the 1990s[J].ACTA Geographica Sinica，2003，58(6):893－901.

[6]徐夢潔，陳 黎，劉煥金，等.基于DMSP/OLS夜間燈光數據的長江三角洲地區城市化格局與過程研究[J].國土資源遙感，2011，23(3):106－112.Xu M J，Chen L，Liu H J，et al.Pattern and process of urbanization in the Yangtze Delta based on DMSP/OLS data[J].Remote Sensing for Land and Resources，2011，23(3):106－112.

[7]Liu Z F，He C Y，Zhang Q F，et al.Extracting the dynamics of urban expansion in China using DMSP－OLS nighttime light data from 1992 to 2008[J].Landscape and Urban Planning，2012，106(1):62－72.

[8]Zhang Q L，Seto K C.Mapping urbanization dynamics at regional and global scales using multi－temporal DMSP/OLS nighttime light data[J].Remote Sensing of Environment，2011，115(9):2320－2329.

[9]Breiman L，Friedman J，Olshen R，et al.Classification and regression trees[M].New York:Chapman and Hall，1984:358.

[10]趙哲遠，馬 奇，華元春，等.浙江省1996—2005年土地利用變化分析[J].中國土地科學，2009，23(11):55－60，54.Zhao Z Y，Ma Q，Hua Y C，et al.Analysis on land use changes from 1996 to 2005 in Zhejiang Province[J].China Land Science，2009，23(11):55－60，54.

[11]王翠平，王豪偉，李春明，等.基于DMSP/OLS影像的我國主要城市群空間擴張特征分析[J].生態學報，2012，32(3):942－954.Wang C P，Wang H W，Li C M，et al.Analysis of the spatial expansion characteristics of major urban agglomerations in China using DMSP/OLS images[J].Acta Ecologica Sinica，2012，32(3):942－954.

[12]Alphan H，Derse M A.Change detection in southern Turkey using normalized difference vegetation index(NDVI)[J].Journal of Environmental Engineering and Landscape Management，2013，21(1):12－18.

[13]Epting J，Verbyla D，Sorbel B.Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+[J].Remote Sensing of Environment，2005，96(3－4):328－339.

[14]Yang L M，Huang C Q，Homer C G，et al.An approach for mapping large－area impervious surfaces:Synergistic use of Landsat－7 ETM+and high spatial resolution imagery[J].Canadian Journal of Remote Sensing，2003，29(2):230－240.

[15]劉勇洪，牛 錚，王長耀.基于MODIS數據的決策樹分類方法研究與應用[J].遙感學報，2005，9(4):405－411.Liu Y H，Niu Z，Wang C Y.Research and application of the decision tree classification using MODIS data[J].Journal of Remote Sensing，2005，9(4):405－411.

[16]Huang C，Townshend J R G.A stepwise regression tree for nonlinear approximation:Applications to estimating subpixel and cover[J].International Journal of Remote Sensing，2003，24(1):75－90.

[17]舒 松，余柏蒗，吳健平，等.基于夜間燈光數據的城市建成區提取方法評價與應用[J].遙感技術與應用，2011，26(2):169－175.Shu S，Yu B L，Wu J P，et al.Methods for deriving urban built－ up area using night－ light data:Assessment and application[J].Remote Sensing Technology and Application，2011，26(2):169－175.

[18]Fan F L，Wang Y P，Qiu M H，et al.Evaluating the temporal and spatial urban expansion patterns of Guangzhou from 1979 to 2003 by remote sensing and GIS methods[J].International Journal of Geographical Information Science，2009，23(11):1371－1388.

[19]林目軒，師迎春，陳秧分，等.長沙市區建設用地擴張的時空特征[J].地理研究，2007，26(2):265－274.Lin M X，Shi Y C，Chen Y F，et al.A study on spatial－ temporal features of construction land expansion in Changsha urban area[J].Geographical Research，2007，26(2):265－274.

[20]穆曉東，劉慧平，薛曉娟.基于遙感監測的北京1984—2007年城市擴展研究[J].北京師范大學學報:自然科學版，2012，48(1):81－85.Mu X D，Liu H P，Xue X J.Urban growth in Beijing from 1984 to 2007 as gauged by remote sensing[J].Journal of Beijing Normal University:Natural Science，2012，48(1):81－85.