基于遙感圖像提取不透水面的房屋空置率分析

(武漢大學測繪遙感信息工程國家重點實驗室 湖北 武漢 430000)

一、簡介

房屋空置率(HVR)是房產中在特定時間內未被占用的所有單元的百分比[1]。對城市開發和建設的過度追求造成了“鬼城”現象，這個城市一般被定義為一個建筑物豐富但居民很少的地方。這種現象反映了中國部分城市高HVR和巨大的房地產價值泡沫。據一些國際學術界人士稱，中國的房地產價值泡沫一直是全球最大的潛在經濟危機之一[2]。高房產價值泡沫的本質是房地產市場供需不平衡。它對中國有限的土地資源造成了巨大的浪費。

HVR是評估住宅房地產市場健康狀況的重要指標，有助于政府干預房地產市場，防范市場風險。同時也凸顯了中國不合理和不可持續的城市規劃，特別是增長率。大城市的人口遠遠落后于城市建設的增長[3]。隨著城市擴張將通過土地拍賣吸引更多勞動力，帶來高額財政收入，中國許多地方政府仍然非常熱衷于快速建設新區和擴大農村地區，進一步推動HVR。準確估計HVR將有助于城市規劃者提出更合適的土地使用策略，并調整住房價格和租金。HVR為政府干預和房地產投資運營商提供了可靠的理論基礎。

從以前的研究中得出結論，我們意識到一些嚴重的缺點模仿了HVR估計的研究。估算HVR的傳統統計方法包括觀察電流表，檢查水表，計算空調數量等。這些方法不僅耗費大量人力和物力，而且準確性不足。此外，近年來的相關統計數據也不具備。

與其他數據來源相比，珞珈一號數據的一個明顯優勢是，在區分城市邊界時，它在大面積和相對高分辨率上具有空間連續性，這對HVR估計具有重要意義，特別是在城市規模上由于土地政策，人口結構和城市與農村地區之間的建筑水平存在巨大差異。大量研究為使用珞珈一號數據區分城市邊界提供了新的見解。已有論文表明，遙感圖像提取的不透水面可用于計算居住面積。

不透水表面(IS)通常被定義為人為地面，可防止水滲入土壤，例如建筑物屋頂，道路，停車場和人行道[4]。意味著城市的繁榮和發展，IS成為城市化的重要指標。

隨著遙感技術的快速發展，我們可以優化估算過程。衛星衍生的夜間照明(NTL)數據已被證明可用于研究人類活動和城市發展。2018年6月，珞珈一號推出。數據很容易獲得。因此，我們通過landset-8圖像提取了橫琴的土地利用信息，然后結合珞珈一號夜光圖像的數據，計算了該區域的HVR。

二、研究區域和數據

研究區橫琴位于珠海市南部，如圖1所示。它位于珠江口的西側，毗鄰香港和澳門。隨著經濟社會的加速發展，“生態優先”的發展和建設理念得到了發展。橫琴新區總面積僅106.46平方公里，其中73%為禁區和限建區，其余開發建設用地僅28平方公里。具有重大影響的城市不透水表面逐漸受到關注。橫琴市是典型的“港澳”新型合作示范區，也是廣東省自由貿易區的一部分，本文以橫琴市為研究對象，探討城市防滲層的評價住房空置率具有重要意義。研究數據我們使用landSat8，珞珈一號夜光遙感數據和珠海橫琴的Shapfile數據。

圖1 研究區域

Landsat 8是美國地球觀測衛星。這是美國宇航局與美國地質調查局(USGS)的合作。位于馬里蘭州格林貝爾特的美國宇航局戈達德太空飛行中心提供開發，任務系統工程和收購運載火箭，同時USGS提供地面系統的開發，并將進行持續的任務操作。

珞珈一號是由武漢大學建造的CubeSat(6U)大小的地球觀測衛星。該衛星充當未來60-80地球觀測衛星星座的原型。珞珈一號采用130米地面分辨率的成像儀。在理想條件下，它可以在15天內繪制全球發光圖像，提供中國和全球GDP指數，碳排放指數，城市住房空置率指數等特殊產品的動態監測。中國和世界的宏觀經濟表現為政府決策提供了客觀依據。同時，該衛星還可以對中國新一代導航信號增強的關鍵技術進行研究。形狀文件是橫琴的邊界。

三、方法

(一)不透水面提取方法

據我們所知，現有方法基于IS[4,5,6,7]的光譜或空間特征，主要方法包括基于指數，光譜混合分析(SMA)，決策樹和基于分類。[4,8]。IS提取方法的性能在不同的研究區域隨著場景的各種復雜性而變化。因此，選擇了三種在土地利用土地覆蓋分類中廣泛使用的有效方法來生成IS。在定量比較之后，具有最高的IS結果將應用于HVR計算。三種IS提取方法如下：(1)支持向量機(SVM)，作為一種基于統計學習理論的監督分類方法，支持向量機(SVM)[9]已被證明是一種功能強大且廣泛使用的方法。即使是很小的訓練樣本，也能實現高水平的分類準確性[10,11]。它使用最佳超平面將類分開，從而最大化類之間的余量。(2)人工神經網絡(ANN)，一種分層前饋神經網絡分類技術。使用標準反向傳播進行監督學習，它可以執行非線性分類。(3)隨機森林(RF)，一種綜合學習算法，通過整合學習的思想整合多棵樹。它的基本單位是決策樹。從直觀的角度來看，每個決策樹都是分類器，然后對于輸入樣本，N個樹將具有N個分類結果。隨機森林綜合了所有分類投票結果，并指定投票最多的類別作為最終輸出。

(二)房屋空置率計算方法

工作流程如圖2所示，包括以下四個步驟。

1.珞珈一號數據預處理

此步驟消除了原始Luojia_1數據中的背景噪聲和突然亮點。采用Li等人提出的數據校正方法。并由Shi等人改編。按照這種方法，首先將珠海都市區設置為最發達的珞珈一號數據都市區，并選擇其最大光強值作為所有像素的最大值。然后，遍歷數據中的每個像素，識別其值大于該值的像素，并用其校正的相鄰像素中的最大值替換它們。

2.估算像素級UAR

在步驟2中，從土地覆蓋數據中提取城市區域的像素，然后估計UAR。在之前的一項研究中，Letu.等人。使用日本的土地利用數據(LUD)估算建筑面積率(類似于UAR)，這樣的研究表明LUD可以是產生相對準確的UAR的良好來源。我們選擇高分數據(而不是LUD數據)以獲得更高的空間分辨率。

3.消除非住宅區燈光的影響

目前為止，從珞珈一號數據中確定了待計算的像素，并進行了估算每個像素的UAR。然而，珞珈一號的像素不僅可以包含住宅區，還可以包含非住宅區(例如道路和公園)。非住宅光源(例如，街燈)的光也被計為每個像素的光強度值的一部分[12]。為了更準確地估算HVR，應該消除非住宅區域的影響。

通過一種監督方法來消除非住宅區的影像。首先，從每個選定的都市區域手動識別250個像素，其中不包含居住區域(例如，僅包含道路)。通過列出這些像素的UAR，觀察到它的UAR通常低于0.3。

基于這種觀察，將UAR低于0.3的像素分類為非住宅像素，將其他像素分類為混合像素(即，它們可以包含住宅和非住宅區域)。由于UAR高于0.3的像素也受到來自非住宅來源的光的影響，因此應該消除這種影響以提供更準確的估計。為此，首先計算已被歸類為非住宅區域的像素的平均光強度(ALI)。然后，我們從每個都市區域的每個混合像素中減去ALI。

4.計算房屋空置率

這是整個工作流程的最后一步，輸出估計的HVR值。在此步驟中，首先計算每個珞珈一號像素的城市光強度(ULI)。由于像素具有不同的UAR，我們將光強度值除以UAR以得出更準確的ULI估計。

通過視覺檢查，發現最高UAR的像素被居民完全占據。然而，在最高UAR區域中存在異常值，使用作為LINV的光強度的平均值用作相應大都市區域中的LINV。在估計LINV的情況下，然后可以使用計算每個像素的HVR。

四、實驗和討論

(一)透水面提取比較

進行了一項實驗以驗證3.1節中介紹的IS提取方法的性能。使用The Environment for Visualizing Images(ENVI)5.3軟件的第2部分的數據，在研究區域中實施所提出和比較的方法的實驗。實驗過程，結果和比較如下所示。為了推動比較的方法，需要針對每種土地覆蓋類型的典型訓練樣本。由三種方法產生的IS結果如圖2所示。

圖2 由以下結果產生的IS結果

(a)SVM，(b)ANN，(C)RF。紅色為IS，綠色像素為植被，藍色為水。

為了定性評估上述方法的性能，總體準確度(OA)和Kappa系數(KC)是根據檢測結果與驗證區域中人工選擇的地面實況之間的混淆矩陣計算的[11]。通過驗證樣本，計算兩種精度測量值，并比較三種比較方法的IS輸出，如表1所示。這三種方法都具有強大的IS提取能力。SVM在此實驗中表現最佳。

表1 SVM，ANN和RF的IS輸出之間的精度比較

(二)HVR計算和分析

HVR由SVM和珞珈一號數據提取的IS計算，使用3.2節中介紹的方法。實施了該部分的實驗，結果如圖3所示。從圖中我們可以看出橫琴大部分地區的住房空置率很高[12]。圖片中的顏色越綠，該地區的住房空置率越低，顏色越紅，該地區的住房空置率越高。

圖3 橫琴房屋空置率

五、結論和未來的工作

總之，HVR是通過結合光學和夜間圖像從遙感技術生成的。為了生產高質量的IS，在橫琴中提取了三種方法(SVM，ANN，RF)來提取IS。所有方法都具有強大的功能。SVM在此實驗中表現最佳。橫琴的住宅用地是從遙感圖像中提取的不透水表面得出的。以節省資源和時間的方式計算和分析HVR。