基于光譜特征分析的城市建設用地信息提取

樊舒迪 ，劉振華 ，胡月明

（1.航天精一（廣東）信息科技有限公司，廣州 510665；2.華南農業大學資源環境學院，廣州 510642；3.國土資源部建設用地再開發重點實驗室，廣州 510642）

1 研究背景

在社會經濟迅速發展的背景之下，土地利用的主要特征為建設用地的擴張和城市空間的蔓延，城市化的推進也成為了人類利用土地的重要方式[1]。從近百年的世界城鎮發展來看，經濟全球化是推動各城鎮走上擴張道路的原動力。從20世紀50年代起（1950-1980），西方世界城鎮擴展態勢明顯，汽車產業的發展拉近了城市內部的時間距離，這使得消費者購房置業的可選擇區域擴大，同時帶動了城市邊界向近郊村域蔓延步伐[2]，[3]，[4]。在中國，城市擴張階段與西方世界相對應的是改革開放時期（1978-2010），國內城鎮化水平以年均1.048%增速從17.91%增長至45.67%[5]，[6]，[7]。國家經濟發展的整體水平、生產條件、人民的生活質量得到了一定改善。其中，東南沿海地區的城鎮化水平高于內陸地區，城鎮化速度具有一定優勢，城市空間被利用范圍更大，在當時缺少有組織的規劃（商業圈、中軸線）及相應政策限制的條件下，大城市邊緣的擴張呈現出盲目蔓延的趨勢，且情況較為嚴重[8]。除此之外，區域建設用地的開發規模也存在著巨大的差距，建設用地的區域配置并不均衡。因此，研究城市的空間擴展、快速準確地獲取城市建設用地信息，對于土地資源的合理利用，對城市擴張與自然資源的關系研究都有著十分重要的意義。

從20世紀70年代開始，傳感器技術的革新帶動了遙感信息技術的不斷發展[9]，[10]，[11]。將衛星傳感器和航空機載傳感器對地觀測投入城市擴展的城市信息提取和動態監測，逐漸成為城市遙感研究的重要領域。在城市遙感研究中，城市建設用地信息提取是城市遙感重要的方面，在該方面的研究中，學者們主要從非監督/監督分類和光譜特征分析入手，進行建筑信息的提取。在監督分類方面，主要利用科學的采樣方式，將地物已知區域的作為樣本區，樣本點按一定規則排布并置入非監督/監督分類模型中，完成對建設用地信息的分類和提取，MA Reveshty利用多時相衛星數據對地觀測方法對伊朗省會德黑蘭東南部的贊詹地區進行土地利用變化監測[12]。Q Zhang等學者利用非監督分類對研究區的城市擴展狀況進行監測和分析，實驗表明該方法可以快速地獲取城市變化信息并通過得到城市發展規模隨時間變化的空間特點[13]，[14]，[15]。在光譜特征分析方面，主要通過對地物波譜空間特征，分析不同地物之間的光譜信息差異，并建立模型，對指定的地物信息進行分類提取。其中，有學者利用像元中植被、不透水面和土壤之間的波譜關系，建立線性模型對城市建筑信息進行提取[16]，[17]，[18]；利用差異性分析和邏輯判斷對遙感影像中的單一光譜或多光譜數據進行分析，從中提取城市建筑物信息[19]，[20]，[21]，[22]；在對多光譜影像的光譜特征進行分析的基礎之上，構建歸一化指數提取城市建筑物的信息，并分析歸一化指數法與監督分類方法的適用范圍以及精度差異[23]，[24]，[25]，[26]；利用多光譜影像與全色波段融合技術，采用監督分類法對城市擴展過程中，城市邊緣進行提取，分析城市擴展動態[27]，[28]，[29]。總之，利用遙感信息的光譜空間特征提取專題信息已成為該領域的研究熱點，本研究以廣州市為例，通過分析地物的光譜特征和歸一化指數，綜合運用歸一化差異指數組合快速提取，為土地資源調查提供有效的信息和數據支撐。

2 基本原理

2.1 光譜特征分析

本研究主要涉及被動遙感器，被動式傳感器通過接收地表輻射、地表反射的電磁波獲取地物信息。電磁波存在多個波段，不同地物由于表面溫度、表面粗糙程度、顏色外觀的差異，對于不同波段的輻射敏感性不同，從而表現出不同的波譜反射，這個過程被記錄在被動傳感器，并制成遙感影像。研究者通過對遙感影像中，不同地物的光譜間差異特征進行分析，可以將目標地物區分出來。本研究利用光譜差異性分析這一原理將城市建筑信息從其他地物類型中提取出來。

一般得到的多光譜數據是以灰度值（DN值）來表示，DN是無量綱的值，數值越大表示地表輻射強度越大，溫度越高，反之亦然。最簡單的應用就是根據圖像的DN值來解譯地表的相對反射的高低。也可以對多光譜圖像進行定標，將DN值轉換為反射率（或輻射率），這個強度值是傳感器接收到的總的能量值，包括地表輻射、大氣輻射等。

Landsat8 OLI多光譜傳感器記錄觀測地物7個波段的信息：海岸線/大氣（0.4430μm）、藍波段（0.4826μm）、綠波段（0.5613μm）、紅波段（0.6546μm）、近紅外（0.8646μm）、短波紅外-1（1.6090μm）和短波紅外-2（2.2010μm）。各種地物對應的光譜特征曲線，可以看出個地物在某些特定波段存在著明顯的差異。例如：圖1中，廣州市區主要包括以下幾種地物類型：高密度建筑、低密度建筑、裸土地、森林、灌木林和水體。灌木林和森林在近紅外波段存在明顯的反射峰值，通過這一特點可以將這兩類地物從背景中提取出來；水體的光譜呈現單調遞減的趨勢，可通過短波紅外與近紅外的差異將其與背景地物區別開來。

2.2 歸一化指數分析

歸一化差異植被指數在20世紀70年代被引入遙感學領域，后續的研究中，適用于不同地物的模型如：歸一化濕度指數（NDMI）、歸一化差異雪指數（NDSI）、歸一化建筑指數（NDBI）等被引入，用于提取目標地物信息。這些指數都有個共同特點，都采用了歸一化運算方法。數值上，歸一化指數的值域在[-1，1]，構建該模型的原理是，通過光譜分析，尋找地物中反射率差異最大的兩個波段，分子中的差值可體現反射率的差異，分母則通過比值的方式將差異放大，而其他地物由于特定波段的差值較小，在指數中會被作為背景值受到抑制，最后得到的結果將是目標地物在亮度上增強，而背景值受到削弱。

本研究主要構建與建設用地信息相關的幾種指數。

（1）歸一化植被指數：植被中的葉綠素具有在可見光0.4～0.7μm強吸收的特性，在Landsat8影像對應第4波段紅色波段反射率較低，而與之相鄰的綠色波段（0.55μm）反射相對較高，這也是大部分植被在肉眼中呈綠色或藍色的原因，同時在近紅外波段（0.7～1.3μm），植被的高反射率特點則更加明顯，到了中紅外范圍（1.3～2.5μm），由于植被中水分的吸收作用，該波段范圍內的反射率逐漸降低。根據以上的植被光譜特性，可構建相關的植被指數，其中，最具有代表性的歸一化差異植被指數構建模型如下：

式中，NDVI代表歸一化植被指數；NIR為近紅外波段反射率；Red為紅色波段反射率。歸一化植被指數在土壤屬性相同的區域能夠達到很好的區分效果，但是，在部分地區土壤屬性存在變化，僅僅用歸一化植被指數不能很好地將植被和背景像元區分開來，存在一部分植被覆蓋稀疏的地區和裸土，二者的紅色波段與近紅外差值與植被的相似，采用閾值法難以消除土壤背景的干擾，可能出現將植被錯分的現象。對于該問題，有學者提出了引入土壤調節因子的方案，并提出了SAVI（Soil Adjusted Vegetation Index），通過該因子將分子分母的值進行優化，優化過程可根據區域植被覆蓋度的實際情況進行合理調整，增加了歸一化指數在不同土壤背景下使用的彈性，SAVI可通過如下公示表達：

式中，L為土壤調節因子，取值范圍（0，1），取0對應植被覆蓋度極低的情況，取1對應完全植被覆蓋的情況。本研究通過取L=0.3，0.4，0.5…0.8多次實驗，確定L=0.6更適用于廣州市的植被覆蓋區。

（2）歸一化水體指數：歸一化差異水體指數可用于一般影像的水體信息提取，其表達式如下：

式中，Green為綠色波段（0.5613μm）反射率。從圖1的地物光譜特征中可以看出，綠色波段與近紅外差值為正的只有水體，水體指數利用這一特點可以將影像中的水體區分出來。但在實際應用中，利用公式（3）來提取有較多建筑物背景的水體，效果不能達到預期，而改進的歸一化差異水體指數MNDWI（Modified NDWI）可以很好地突破這一局限性：

式中，SWIR為短波紅外波段（0.74～2.5μm）反射率。經過對不同類型的水體進行實驗，從實驗結果發現，MNDWI比NDWI更能夠揭示水體微細特征，如懸浮沉積物的分布、水質的變化。另外，MNDWI可以很容易地區分陰影和水體，解決了水體提取中水體陰影造成的影響。

（3）歸一化建筑指數：NDBI同樣是利用歸一化模型的原理，從建筑物的光譜特征出發，尋找最大差異的波段，并建立模型，其表達式如下：

該指數主要是利用短波紅外和近紅外之間的差異進行構建的，從圖1中可以看出，建筑物的波段5（近紅外）到波段6（短波紅外）是呈上升趨勢，而灌木林、森林對應波段為下降趨勢，利用這一光譜特性，可以將一些具有明顯建筑物特征的地物提取出來。但需要注意的是，建筑物的近紅外與短波紅外的差異并沒有NDVI或MNDWI中的波段差異（反差）明顯，僅僅采用NDBI＞a，a∈（-1，1）提取城市建筑物的方法是不可靠的。因此，可以采用NDBI與NDVI做差值的方法剔除植被對建筑信息的干擾。以上內容是對各種歸一化指數的基本信息的描述，本研究將綜合上述3種指數在信息提取中的作用，并運用于研究區的建筑物信息提取中，需要解決以下問題：一是建設用地的土地利用類型屬于人工建筑而天然形成，具有一定的復雜性，單一的NDBI閾值法無法準確提取建筑物信息，需要其他指數作為補充；二是城市地區土地利用被分類基本的幾個類型：建筑物、植被和水體，根據歸一化指數的閾值，還可以進行分類上的細化。

3 技術方法

3.1 研究區及數據源

廣州市是華南地區的政治、經濟、文化中心，近年來其城鎮規模在不斷地擴大，在中國城鎮化進程中占有相當重要的地位。本研究選用廣州市作為研究區，研究城市建筑信息的快速提取方法。研究區總面積7，434平方千米，建成區面積1，237.11平方千米。

圖2 研究區示意圖

研究區采用2015年11月29日過境的Landsat8 OLI（陸地成像儀）影像。影象質量良好，云量低于5%，研究區內無云層覆蓋，空間參考為WGS1984大地坐標系，原始影像數據均為衛星接收的信號值（DN）需要經過輻射定標，轉化為反射率或輻射亮度，圖3為經過大氣校正（輻射定標和FLAASH模型），并用廣州市行政區劃矢量數據進行掩膜處理的標準假彩色合成影像（RGB對應5、4、3波段）。

圖3 研究區標準假彩色合成影像圖

3.2 歸一化指數的影像構建

根據目視解譯，研究區被分為以下幾個類型：高密度建筑物、低密度建筑、拆除建筑、裸土地、森林、灌木林、草地、河流、湖泊，各類型地物在Landsat8 OLI中對應波段的反射率和光譜特征如表1。從光譜的變化趨勢來看，高密度建筑物、低密度建筑、拆除建筑和裸土地的光譜反射率變化趨勢相同；森林和灌木林的變化趨勢相同；河流和湖泊的光譜反射率變化趨勢相同。因此，本研究將9類地物簡化為3大類：植被、水體和建筑，在此基礎上再進行分類的細化，以便提高后續信息提取過程中的數據處理效率。

表1 各類地物對應波段反射率

?

（1）SVAI參數L取值，本研究采用SAVI替代NDVI，原因主要有：一是在部分低植被覆蓋地區，NDVI由于受土壤背景影響，容易成噪聲，降低判別精度；二是SAVI的動態范圍比NDVI更大，更容易檢測出同地區內的植被區；三是SAVI的L參數具有可調整性，這使得SAVI的適用性高于NDVI。本研究分別對L=0.3，0.4，…，0.8的SAVI取值范圍與NDVI進行比較，發現SVAI的動態范圍（極差）在L取值為0.6時（SAVI4）最大，且在L為0.6是SAVI的變化范圍比NDVI高出0.594，即88個灰度級（灰度范圍是0～256），更多的灰度級意味著在植被區分上，SAVI比NDVI更具有優勢。因此，本研究采用SAVI作為區分植被的歸一化指數。

表2 SAVI與NDVI的取值范圍及參數L取值比較

（2）MNDWI歸一化指數：該指數是在NDWI指數的模型基礎上，將模型中的近紅外用短波紅外替換得到的。MNDWI模型構建的原理在于，當水體中的固體顆粒或雜質增加時，反射率與波長的映射關系逐漸發生改變，即相同反射率的位置，對應的波長增加，換言之，在水體中雜質增多的情況下，短波紅外比近紅外更能夠反映歸一化指數中的差異。因此，本研究采用Landsat8 OLI的第3波段（Green）和第6波段（SWIR-1）作為參數，根據公式（4）構建MNDWI。

（3）NDBI歸一化指數：在上文歸一化指數分析中已對NDBI模型的基本信息進行了介紹，并闡述了該指數在建筑信息提取中存在的問題，即受到低值被覆蓋背景的影響，反射率差異不明顯的建筑物和植被覆蓋地區難以區分，從而造成信息提取誤差。所以，本研究采用NDBI與NDVI的差值作為組合，用于后續的建筑信息提取。

表3 三種歸一化指數及指數

表4 三類地物的指數差值絕對值的對比

根據表3和表4可看出，NDBI-NDVI指數組合能夠將建筑物的指數均值由0.15提升至0.21，同時植被覆蓋區域的指數值從-0.02降至-0.12（表3），這能夠有效地增強建筑物信息在植被覆蓋背景下的顯示，對建筑信息提取的精度提升有關鍵作用。從表4三類地物的指數差值絕對值的對比中，可以看出，采用NDBI-NDVI指數組合后，建筑物與植被的指數差值的絕對值由0.17提升至0.33，雖然植被與水體的差值的絕對值有所下降，但是MNDWI已經能夠有效地將其區分，所以不會此處差值絕對值下降并不會增加水體分類的誤差。同理，建筑物與水體差值的絕對值下降也不會對建筑信息提取造成影響。圖4為縮放至柵格分辨率（30m）的影像圖，包括a.標準假彩合成、b. MNDWI影像圖、c. SAVI影像圖和d. NDBI-NDVI影像圖，其中b、c、d為灰度圖，參照a中的地物可以看出，灰度圖b中的水體呈高亮度（呈白色），可明顯與周圍的地物區分開來，因此，可采用閾值法進行區分，同樣地，圖c中的植被（參照a中的紅色區域）也能夠被區分出來，而d中的建筑物有一部分與植被區發生重合，難以區分，需要進行進一步的分析。

圖4 縮放至柵格分辨率的多光譜及歸一化指數影像圖

3.3 建設用地信息分析與提取

針對圖4，d中的建設用地與植被在歸一化指數的值有交集，導致難以區分的問題，需要進一步的分析。由于建筑物的人工建造特性使其具有一定的光譜復雜性，通過光譜特征分析構造的單一指數影像或兩個指數組合，已經不能滿足建筑物信息的提取。本研究通過指數影像合成的方法，將MNDWI影像圖、SAVI影像圖和NDBI-NDVI影像圖，從三個通道進行合成并且將其合成為單幅影像進行光譜曲線分析，為了使三個通道不出現信息冗余，需要進行相關性分析。從表5可知，NDBI-NDVI通道與其他通道的相關性較低或不相關，滿足指數影像合成的條件，同時也降低了建筑物與背景地物發生混淆的程度。

表5 歸一化指數相關性系數

現在需要用不同地物光譜間的差異分析來提取植被背景下的建筑物信息。根據目視解譯的地物的像元，將三個指數影像在三大類（植被、水體、建筑物）地物的全色波段（Landsat8 OLI中的Pan波段）反射率進行對比，如圖5所示。已知水體和植被之間有明顯的劃分，現在僅需要針對建筑物進行分析，可以看出，隨著橫坐標的增加，植被的反射率是單調遞增，水體呈單調遞減趨勢，而建筑物的反射率在NDBI-NDVI處為極大值，隨后則遞減。因此，若進行柵格計算，判斷某處像元是否為建筑物的邏輯表達式（用con函數表示）應該為：con（b2＞b1，con（b2＞b3，1，2），con（b2＞b3，3，4））。式中，1表示建筑物；2表示植被；3表示其他地物；4表示水體；b1表示MNDWI；b2表示植被NDBI-NDVI；b3表示SAVI。分類結果如圖6所示，已經通過廣州市的行政區劃矢量數據對結果進行掩膜處理，由于NDVI較容易區分植被，還可以通過閾值法對植被進行細分（植被分為灌木林和森林），根據目視解譯，被分類為“其他”的地物屬于介于建筑和稀疏植被之間的裸土地，所以在圖6中注記為“裸土地”（用黃色表示）。

圖5 三大類地物歸一化指數在合成影像的光譜曲線

圖6 廣州市建筑物信息提取結果

4 精度驗證

本研究采用隨機抽樣法對研究區進行精度驗證。由于Landsat8 OLI的全色波段（Pan）的空間分辨率（15m）高于多光譜波段的空間分辨率（30m），可以該波段作為基準，將影像進行二值化后，進行空間配準，然后對每個樣點的分類結果進行判斷，本研究隨機選取了100個樣本點，經過異常值剔除，得到84各樣點。在抽取的84個樣點中，62個分為建筑物，其中，建筑物有56個正確分類，6個被錯分類為非建筑，用戶精度為90.32%；22個分為非建筑，其中19個正確分類，3個被錯分類為建筑物，用戶精度為86.36%，實驗的總體精度為89.29%。

表6 精度驗證

5 結束語

針對稀疏植被背景下，復雜建筑物信息提取困難的問題，本研究通過選取SAVI、MNDWI、NDBI指數，在區分出植被和水體這兩大類土地利用類型的基礎之上，將三者進行波段組合，得到新的影像，并根據其中三類地物（植被、水體、建筑物）的光譜差異特征，進行進一步分析，并做出基于邏輯判斷的柵格計算，得到建筑信息提取結果，總體精度為89.29%，并得到結論：一是基于歸一化指數的波譜間差異分析和邏輯判斷的柵格計算，可以簡化光譜分析過程，并快速、準確地獲取建筑物信息，為土地科學的后需研究提供有效的數據支撐和城市信息分析結果；二是利用NDBI與NDVI的差異可以突出稀疏植被背景下的建筑物信息，但仍然需要根據實際情況確定閾值，在無法確定閾值的情況下，還需要構建歸一化指數的波段合成影像進行波譜差異分析來進行建筑信息提取。