基于Landsat8數據的建筑用地信息提取方法研究
——以濟南市市中區為例

劉小萍，王召海，商令杰

(山東師范大學 地理與環境學院,山東 濟南 250014)

?

基于Landsat8數據的建筑用地信息提取方法研究
——以濟南市市中區為例

劉小萍，王召海，商令杰

(山東師范大學 地理與環境學院,山東 濟南 250014)

摘要：以山東省濟南市市中區作為研究對象，獲取的2015年6月12日的 Landsat8 OLI影像作為數據源，對影像數據進行了輻射定標、幾何校正等預處理，對影像作了圖像增強處理，利用對數據進行主成分分析運算以及建筑用地指數運算，突出建設用地專題信息，提高了影像的視覺效果，以便更容易地識別圖像內容；采用監督分類中的不同的分類器對其進行了建筑用地信息的提取，比較了不同分類器的分類精度，從而提取了最佳的建筑用地信息。

關鍵詞：Landsat8數據；建筑用地信息；建筑用地指數；監督分類

1引言

土地作為人類生存必不可少的基礎資源，對快速發展的城市化進程發揮著重要的作用，目前郊區中的耕地經常會被開發成建設用地，從而使土地資源的空間布局發生了變化。對于這種大面積的實時獲取建筑用地信息，用常規的野外采集數據手段很難獲得，而遙感影像數據被廣泛應用到了土地利用研究中。遙感數據的分類是用于遙感數據分析和信息提取的重要內容，主要是將圖像中的每個像元根據在不同波段下的亮度和空間結構特征，按照某種規則或算法劃分為不同類別[1]。

2研究區概況

市中區地處濟南市中南部，東鄰歷下區，西靠長清區、槐蔭區，北倚天橋區，南接歷城區，面積280 km2；氣候屬于暖溫帶大陸性季風型，春季干燥少雨，夏季酷熱多雨，秋季天高氣爽，冬季嚴寒干燥；年平均氣溫14.8 ℃，年平均降雨量592 mm；地勢南部多為低山丘陵，西部、北部地勢平坦。市中區按照主城帶動、板塊布局、全域發展的理念，加大了對建筑用地的投資，加快對舊城區的改造和新區的開發，使該區城鄉統籌的發展格局加快形成；城郊西南部釋放新空間，完成6大產業基地，以及南部山區生態產業格局的形成，都促使市中區的建筑用地區域發生變化。

3數據源及方法

3.1數據源

Landsat8 OLI數據是2013年2月11號美國航空航天局成功發射的攜OLI(Operational Land Imager)陸地成像儀和TIRS(Thermal Infrared Sensor)推掃式成像儀。其中OLI陸地成像儀共9個波段，包括8個多光譜波段以及1個全色波段。全色可見光波段的空間分辨率為15 m,其他波段地面分辨率為30 m[2]。OLI的影像質量比較高，對于提取建筑用地信息非常有利。研究選取的是2015年6月12日的山東省濟南市市中區的Landsat-8影像作為研究的數據源(圖1)。

圖1　濟南市市中區的影像

3.2研究方法

研究是在ENVI軟件中進行數據的處理，首先對影像數據進行輻射定標、大氣校正等預處理，以獲得更加可靠的數據。對于建筑用地的提取目前已經有很多方法，比如監督分類與非監督分類等，為了獲取準確的樣本像元，通過進行建筑用地指數運算，分析建筑用地指數、主成分中的第1主成分以及原始波段的相關性，最后將建筑用地指數、主成分中的第1主成分以及原始波段的第1波段進行假彩色合成，以達到圖像增強的效果，比較監督分類中6種分類器的分類精度，提取出最精確的建筑用地信息。

3.3NDBI指數

為了提取有效的建筑用地信息，查勇將歸一化植被指數改為歸一化建筑指數，即短波紅外波TM5 與近紅外波段TM4數值之差與這2者波段數值之和的比值，即為：

(1)

式中，TM5 是地物在短波紅外波段的亮度值；TM4是地物在近紅外波段的亮度值。

對于Landsat-8 數據，NDBI為第6與5波段的反射光譜值之差與這2者波段數值之和的比值，即為：

(2)

式中，B6是第6波段的反射光譜值；B5是第5波段的反射光譜值。

NDBI指數取值范圍為[-1,1]，大于0的NDBI指數為建筑用地信息，小于0的為非建筑用地信息。通過對研究區影像圖的建筑用地信息進行提取，發現提取的建筑用地信息中包含一部分水體和草地，因此單純的使用NDBI指數無法提取有效的建筑用地。由此為了突出精準的專題地物信息，提高影像的視覺效果，使分析者識別圖像內容變得更加容易，以從中提取有用的專題信息，需要進行圖像增強操作[3]。為了剔去提取的建筑用地信息中所包含的其他地物，進行基于波段組合的假彩色合成，即RGB彩色圖像中的RGB加入建筑用地指數和第1主成分及原始波段的第1波段進行假彩色合成，來更好的突出建筑用地信息[4]。

4信息提取

4.1數據源預處理

對影像進行輻射定標，從而使傳感器記錄的DN值變為絕對輻射亮度值。對影像進行Flash大氣校正，消除大氣和光照等因素對地物反射的影響，獲得地物反射率等真實物理模型參數；消除大氣分子和氣溶膠散射的影響，使校正后的數據更加接近真實值、更可靠[5]。最后利用濟南市市中區的矢量文件，裁剪出研究區域。

4.2圖像增強

通過主成分分析，去除波段之間多余信息，將多波段的圖像信息壓縮到原波段更有效的少數波段上。從得到的結果可知第1波段包含的信息量是最多的，而前3個波段具有很大的特征值，通過主成分分析后，原本幾乎一個顏色的地物，顏色變為多種。因此作為主要的特征值。

利用ENVI中的Band Ratios工具進行波段比的計算，計算NDBI指數。分析統計原波段、主成分分析的第1主成分以及NDBI指數之間的相關性(表1)，相關性越大，合成的圖像飽和度越高。

表1　NDBI值、主成分分析得到的第1分量以及原始波段之間的相關性

通過將NDBI值、主成分分析得到的第1分量以及原始波段進行多次組合與對比，得到最佳圖像增強效果。最終確定將NDBI值作為R波段，PCA得到的第1分量PCI作為G波段，選取原始波段的第1波段作為B波段進行假彩色合成。

4.3監督分類

通過圖像增強得到的濟南市市中區的影像數據，將研究區域的土地類型劃分為林地、耕地、建筑用地、水體、草地。各種訓練區選取250個左右的樣本，由于研究區域的水體信息很少，因此水體訓練區的樣本選取了7個樣本，總計950個樣本數[6，7]。根據選取的訓練樣本比較2種地物之間的可分離性，對于樣本區的組合，2個參數的可分離性值為0～2.0，大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要重新選擇樣本；小于1，考慮將2類樣本合成1類樣本。比如水體和耕地的很容易區分，可分離性為2。

分別利用監督分類的平行六面體、最小距離、馬氏距離、最大似然、基于神經網絡的、支持向量機的6種分類器進行監督分類[8～10]。分類結果如圖2所示。

評價分類結果，分類精度評價是對分類結果與實際地表準確的土地使用狀況進行比較，通過正確分類的比例來表示精度，最常用的評價系數就是總體精度系數和Kappa系數[11]。

(1)混淆矩陣是從隨機位上獲取參考驗證信息，并與遙感分類圖進行逐像元比較，然后將結果歸納到混淆矩陣，進而完成混淆矩陣分析。混淆矩陣是一個n×n矩陣，其中n為分類數，研究中n是5。此外，有的分類結果中含有未分類的圖像，所以在計算精度時，為了保證數據的準確性，這時n則是6。

(2)整體分類精度(Overall accuracy)是指分類結果與對應地區實際類型相一致的比例，由正確分類的像元總和除以總像元數決定的。此外，Kappa系數也是常與整體分類精度一起比較，并且結果相近(表2)。

表2　6種分類器精度對比

5結果分析

經過監督分類后，主要地物可以被分類出來，而且經過編號調整后可以較清楚的看出大概的分類結果和主要地物的分布情況，但由于算法本身存在問題和選取訓練區時的人為因素造成存在錯分的現象。

由以上幾種分離器方法的監督分類的總精度對比，結果差異比較明顯，發現最大似然法、基于神經網絡、支持向量機這3種分離器的整體分類精度都在90 %以上，其中整體分類精度最高的是基于神經網絡的分類器，說明所選用的樣本作用比較明顯，結果較理想，達到了93.3 %。而平行六面體法的分類結果的總體精度最低，整體分類精度為64.9254 %。同時由表2可以看出，各種分離器的整體分類精度與Kappa系數呈正相關的關系，整體分類精度越高，Kappa系數越高。因此最后將基于神經網絡的分類器的分類結果作為最后的分類結果，從而提取出建筑用地信息，對各種土地利用類型統計其面積，得到建筑用地的面積占本區域總面積的11.616 %，即32.53 km2。

6結語

通過對濟南市市中區影像的圖像增強，提高圖像的視覺效果，更容易地識別圖像內容，以便訓練樣本的提取，對比不同分類器的整體分離精度，選出最佳的分類結果。也存在一些不足，經過監督分類后，主要地物可以被分類出來，而且經過調整后可以較清楚地看出大概的分類結果和主要地物的分布情況，但由于算法本身存在問題、選取訓練區時的人為因素以及在進行分類結果評價時參照樣本的選取等造成存在錯分的現象，對結果有所影響。

致謝：在筆者進行論文設計期間,從最初的選題、資料收集到寫論文大綱、論文寫作過程中的修改，最后論文格式的調整的每一個環節，王召海老師都會給予認真負責的指導。王老師高度的敬業精神、淵博的知識和開闊的眼界對筆者產生重要的影響。在此謹向王老師致以真摯的謝意和崇高的敬意。

同時這次的畢業論文設計筆者也得到了諸多老師、同學的幫助，解決了很多困難，再次向所有幫助過筆者的老師和同學們表示最衷心的感謝！

參考文獻：

[1]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003．

[2]徐涵秋，唐菲.新一代Landsat 系列衛星：Landsat 8 遙感影像新增特征及其生態環境意義[J].生態學報,2013,33(11):3249～3257．

[3]鄧書斌.遙感圖像處理與方法[M].北京：科學出版社，2010．

[4]李艷梅.圖像增強的相關技術及應用研究[D].成都：電子科技大學，2013.

[5]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.

[6]楊鑫.淺談遙感圖像監督分類與非監督分類[J].四川地質學報,2008,28(3):251～254．

[7]華一新，吳升，趙軍喜.地理信息系統原理與技術[M].北京: 解放軍出版社，2001．

[8]錢茹茹.遙感影像分類方法比較研究[D].西安：長安大學，2007.

[9]汪少華，張茂震，趙平安，等.基于TM 影像、森林資源清查數據和人工神經網絡的森林碳空間分布模擬[J].生態學報,2011,31(4):998～1008．

[10]駱劍承，周成虎，梁怡，等.支撐向量機及其遙感影像空間特征提取和分類的應用研究[J].遙感學報,2002,6(1):50～55.

[11]付佳，黃海軍，楊曦光.基于ENVI 的唐山灣三島土地利用遙感分類方法的比較分析[J].海洋科學,2014,38(1):20～26．

Construction Land Information Extraction Method Based on Landsat8 Data——A Case of the Central District of Ji’nan City

Liu Xiaoping，Wang Zhaohai，Shang Lingjie

(CollegeofGeographyandEnvironment,ShandongNormalUniversity,Ji’nan250014,China)

Abstract:This researchtook the Central District of Jinan City, Shandong Province as the research objectandregardedthe acquired Landsat8 OLI image in 2015 June 12as the data source, havingpreprocessedtheimage data by radiation calibration geometric correction etc. Wefacilitatedthe the principal component analysis arithmetic and the NDBI index to highlightbuilding land thematic information, andimproved the image visual effect so that we could more easily identify the image content; weuseddifferent classifiersof supervised classificationin construction land information extraction, comparing the classification accuracy of different classifiers, in order to extract the informationof best land for construction.

Key words:Landsat8；construction land information；NBDI；supervised classification

收稿日期：2016-04-11

作者簡介：劉小萍(1992—)，女，山東師范大學地理與環境學院碩士研究生。 通訊作者：王召海(1966—)，男，副教授，主要從事遙感技術應用等相關專業的教學與研究工作。

中圖分類號：P237

文獻標識碼：A

文章編號：1674-9944(2016)10-0206-04