基于開放型數據的城市用地性質識別
——以貴陽市中心城區為例

文/貴陽市地理信息大數據中心 安 寧

0 引言

城市作為人類生活、學習、勞動和交流的主要聚集地，其土地使用情況備受關注。隨著信息存儲傳輸、計算機及遙感技術的發展，人們通過網絡間接或直接免費獲取的開放型數據呈爆發式增長，為人類探索城市規律提供了新思路和渠道。如于晶濤等[1-2]基于遙感影像解譯的土地利用數據分析城市土地利用及運用情況；洪明蘭等[3-6]利用POI數據識別城市土地利用類型或實現城市建筑功能分類的判斷和情況分析。但目前利用遙感影像對城市建筑解譯主要集中在正使用的建筑的提取，忽略了正在建設中的建筑物，忽視了實體對象的占地面積，僅網格化、趨勢化地進行POI面狀城市功能識別，與實際功能邊界存在一定差異，有待進一步細化。

鑒于以往研究中的缺漏，本文通過對影像數據的解譯，用道路網對土地利用數據進行分割，然后疊加POI使建筑地塊和城市用地性質相統一，最終實現城市用地的識別。

1 研究區概況

本文選擇貴陽市中心城區作為研究區域，包含云巖、南明、觀山湖、白云、花溪和烏當6個主要建成區。其中東起南明區的小碧鄉、永樂鄉、東風鎮，西至觀山湖區的朱昌鎮、金華鎮、久安鄉、石板鎮，南起花溪區的黨武鄉、孟關鄉，北至白云區的麥架鎮、沙文鎮、都拉鄉，覆蓋面積1244km2。貴陽市規劃到2020年完成公平共享創新型中心城市的打造，建成大數據綜合創新試驗區和全國生態文明示范城市。

2 數據來源及處理

2.1 數據來源

研究數據采用開放型、可提供下載的網絡數據為主，主要有2018年11月3日哨兵2A遙感影像數據(見表1)和通過Python語言爬取的2018年8月高德地圖POI數據，分為商務住房、公司企業、風景名勝和公共設施、餐飲服務、道路附屬設施、交通設施服務、金融保險服務、科教文化服務、商務服務、生活服務、體育休閑服務、醫療保健服務、住宿服務和政府機構及社會團體共14種類別，132257條記錄，具有經度、緯度、名稱、地址等屬性。此外還有17級高德在線電子地圖和在線影像數據，以及貴陽市中心城區矢量范圍數據。

表1 哨兵2A（Sentinel2A）部分數據光譜波段和分辨率

2.2 數據處理

對下載的哨兵2A數據進行輻射定標和大氣校正等預處理，并進行影像重采樣，融合生成分辨率為10m的多光譜影像數據。對17級高德在線電子地圖和矢量范圍數據進行幾何精校正（RMS誤差均控制在0.5個像元內），所有數據最終均采用統一的WGS84坐標系。

對爬取的14類POI數據通過Arcgis軟件轉換成矢量點數據并參照GB 50137-2011《城市用地分類與規劃建設用地標準》，結合貴陽實際情況按居住用地（R）、公共管理與公共服務設施用地（A）、商業服務業設施用地（B）、工業用地（M）、交通與道路設施用地（S）、綠地與廣場用地（G）和物流倉儲用地（W）7種用地大類進行分類（見表2）。

由表2可知，商業服務業設施用地POI數據最多，占總POI數的72.80%；公共管理與公共服務設施用地、工業用地、居住用地POI數據次之；綠地與廣場用地、道路與交通設施用地、物流倉儲用地POI數據相對較少。

表2 興趣點（POI）分類體系

3 研究方法

研究的總體思路是利用哨兵2A遙感影像數據快速提取貴陽市中心城區土地利用/覆被數據，再利用道路數據對提取的不透水面數據進行分割，并以落在各地塊的POI數量統計值分析識別地塊的用地性質，從而得到貴陽市中心城區城鄉土地利用現狀數據。具體技術流程如圖1所示。

圖1 技術流程

3.1 遙感影像解譯

3.1.1 土地利用/覆被的提取

基于影像的土地利用解譯方法包括目視解譯、監督分類、非監督分類3種方法，其中目視解譯精度較高，但用時多、工作量大；非監督分類速度較快，但分類精度較差；監督分類因兼具較高精度和較少用時等特點被廣泛應用于影像解譯工作。監督分類中的決策樹分類通過挖掘和提取遙感影像中多種特征變量信息的規律，進行特征值域分割，實現遙感影像非經驗、直觀、高效的解譯，被廣泛接受。

為實現快速土地利用/覆蓋決策樹分類，選擇能有效剝離水體信息的改進歸一化差異水體指數（MNDWI）、有效反映綠色植被光譜情況的歸一化植被指數（NDVI）、歸一化差異綠度指數（NDGI）和對黏土礦物、有色礦物等裸土光譜相對敏感的黏土礦物質指數（CLAY）、氧化鐵指數（IRON）及突出實體建筑物信息的歸一化建筑指數（MNDBI）等6個指數組合成全新的六波段“指數光譜數據”[7-9]，并在ENVI軟件中選取100個典型地類的訓練樣本統計該多光譜數據的光譜平均值（見表3），得到指數光譜平均值折線圖（見圖2），從而確定各地類的光譜特征值并進行土地利用/覆蓋分類。

圖2 “指數光譜”平均值曲線

表3 典型地類的“指數光譜數據”的光譜平均值

根據實際分類可知，簡單的MNDWI和MNDBI數值大于0并不能準確提全相對應的水體和不透水面數據，在分類中當NDVI〉0.6和CLAY〉1.7時全為植被；NDGI〉0.1和MNDWI〉0.07時全為水體；而其他地類則依據決策樹不斷逼近的二叉樹脅迫性分類原理，利用相應的閾值和節點分割方法進行細化分類。

結合城市用地分類體系，本文將土地利用/覆被分為植被、不透水面、建筑工地、耕地和水體5類。由于如今建筑上采用新型材料（如部分房頂采用黃色、褐色琉璃瓦或藍色、淺藍色的鐵皮覆蓋）和建筑工地上水泥砂漿的大量散布，使地物的遙感光譜信息存在“同物異譜”和“同譜異物”現象，建筑工地和不透水面部分存在錯分情況。哨兵2A等高分辨率影像的光譜數據紋理特征更具變異[10]，同一地類內部組成要素細節得到了表現，但光譜統計特征并不穩定[11-12]，相對簡單的灰度共生矩陣方法提取的紋理數據參與分類均無法有效解決建筑工地和不透水面部分錯分問題，因而在決策樹土地利用/覆被分類的基礎上結合商務住宅、餐飲、購物、住宿、金融保險服務等5類POI點數據對建筑工地和不透水面進行核實。當不透水面斑塊中無POI點數據落到該斑塊上應為建筑工地。

為確認分類的精確度，在研究范圍內以50m為最小點間距隨機采取1000個點提取對應的圖斑分類信息與在線Google Earth影像地圖進行對比、判斷，建立混淆矩陣[13]。計算得到總體分類精度為95.1%，KAPPA系數為0.922，說明基于指數組合影像的決策樹土地利用遙感解譯的精度較高，與現實情況一致性較好（見表4）。

表4 土地利用分類混淆矩陣

3.1.2 道路的提取

通過二值化的方法對校正后的17級高德在線電子地圖進行分類，提取道路數據并轉成矢量數據，鑒于電子地圖的更新頻率，存在提取的道路數據與實際部分不符情況，因而本文借助合成的多光譜哨兵影像數據對其進行更新修改。

3.2 城市用地性質的識別

城市土地利用和土地利用/覆被都是對土地利用的分類，但分類標準和側重點不同，這是由于國土和城市規劃分屬不同的系統所致。通過城市土地用地類別與土地利用/覆被的標準對比實現土地利用/覆被向城市用地分類的轉變（見表5）。不透水面是指城市中由各種不透水建筑材料所覆蓋的表面[14]，包括城市建筑物、城市道路、水泥硬化地表等，按要求對不透水面進一步細分。

表5 城市用地類別與土地利用覆被對比

提取上述土地利用/覆被數據中不透水面與矢量道路數據進行疊加去除，得到按路網分割的不透水面矢量斑塊。參照池嬌等[15]的研究方法，對每個斑塊中的POI點數據進行統計，通過計算斑塊內第i 類POI數據占該類POI總數的頻數密度Fi及第i 種類型POI的頻數密度占單元內所有類型的POI頻數密度的類型比例Ci來識別城市用地類別。計算公式如下：

式中，i 表示POI數據的類別數，取值為i =1，2，3，…7；ni表示斑塊內第i 種類別POI數量；Ni代表第i 種類別POI的總數。當斑塊內某POI類型比例達到50%，判定該斑塊為單一功能用地；當斑塊內所有POI類型比例均小于50%且不全為0時，判定該斑塊單元為混合性質用地；當斑塊內不存在POI數據時，判定為城鄉居民點建設用地，即建筑工地和無POI覆蓋無法識別用途的建筑區域用地。最終得到單一性質用地、混合性質用地、城鄉居民點建設用地，其中混合性質用地選取2種POI類型比例Ci之和大于70%并按其數值大小進行排序，如斑塊中居住用地和商業服務用地的POI類型比例Ci皆不大于50%，兩者之和大于70%且居住用地的POI類型比例大于商業服務用地的POI類型比例則各取2種用地類的第一個字命名為“居商用地”，如此進一步細分，如果斑塊中各POI類型比例達不到上述要求則劃分為混合用地。

由于POI數據是只具有屬性的空間定位點，無法代表實體對象的面積和體積占比的差異情況，而不同實體對象的面積占比是城市用地性質判別的重要指標，所以單一的以斑塊內POI的類別數量占比來判別地塊的用地性質并不能反映實際情況。而公眾認知度代表人們對實體對象認知的顯著程度，同時在一定程度上代表地塊的用地性質。參考趙衛鋒等[16]關于各類POI認知度的排列順序和實際情況，在POI統計前引入POI權重值對原始各類POI數量進行修正處理，具體權重賦值情況如表6所示。

表6 POI類別權重值

貴陽市高鐵站、火車站和龍洞堡機場，金華鎮物流產業園及花溪大學城，客車站旁的商貿城等重點地標都可以準確識別。但對于云巖、南明等老城區，由于前期缺少有效的城市規劃，各種用地功能重合度較高，如老城區噴水池等商業中心通過POI數據單獨分離較難，但總體以商業服務和居住用地等混合用地為主。17級高德電子地圖的道路網數據也不夠密集，對世紀城、花果園等大型樓盤土地利用細部識別造成一定的影響，地塊劃分不夠細，一些地方也只能被識別成混合用地。對于并不局限于人工建筑范圍的森林公園、濕地等風景名勝的城市綠地與廣場用地識別還有待探討。

4 結語

在實際影像解譯中影像數據的單一指數指標并不能準確提取相應的地類用地。不能通過改進歸一化差異水體指數、歸一化建筑指數等特殊對象指數簡單的臨界閾值劃分方法提取對象事物，需借助更多的特定指數信息，利用決策樹脅迫性分類方法達到與現實情況一致性較好的影像解譯。10m分辨率及以下的遙感影像中狹窄的長條形河流的提取方法還有待進一步深入探索。

依托POI數據和Sentinel2A遙感影像可實現對城市用地性質的有效判讀，一定程度上反映城市用地的分布情況。雖精度還有待提高，但高效、經濟的特點可使開放型數據的研究成為城市規劃和管理的一種補充，為城市治理提供參考，類似POI和影像的共享開放型數據的價值還有待深入挖掘和利用。