合肥主城區建筑密度的珞珈一號夜光影像估算

王興，周侗，王文懋

(1.南通大學 地理科學學院，江蘇 南通 226007；2.南通大學 經濟與管理學院，江蘇 南通 226019)

0 引言

建筑密度是指在一定范圍內建筑物的基底面積總和與總面積的比例。作為城市不透水表面的一個組成部分，建筑密度能在一定程度上直觀反映城市內集約化度和用地效率[1]，它同時還是重要的綜合性社會指標，能夠多角度地衡量城市規劃布局[2]、資源利用效率[3]、城市生態環境保護[4]和居住區環境評估[5]等。利用遙感影像估算城市建筑密度信息是一種快速有效的途徑，能夠彌補傳統人工測繪方法的不足[6]。目前常用的遙感數據源主要包括高分辨QuickBird衛星影像[7-8]、合成孔徑雷達SAR影像[9]、GF-1衛星影像[10]等。

夜光遙感影像依靠其輻射范圍廣、運行周期短的特點，被廣泛應用于宏觀的社會經濟參量估算[11-12]、城市監測[13-14]、重大事件變革[15]、生態環境評估[16]以及公共健康[17]等領域。2018年6月2日，由武漢大學研發的珞珈一號科學實驗衛星成功發射，該星攜帶大視場高靈敏夜光遙感相機，具備130 m分辨率、260 km幅寬的夜光成像能力。相比目前常用的是DMSP/OLS(defense meteorological satellite program/operational linescan system)和NPP-VIIRS(national polar-orbiting partnership/visible infrared imaging radiometer suite)2種夜光遙感影像，珞珈一號在空間分辨率、影像飽和度以及暈染效果等方面有較大改進(圖1)。在城市發展研究方面，夜光遙感作為客觀實時數據源，國內外學者已廣泛應用于建成區范圍的提取和城市化監測。早在1978年，Croft[18]就提出了DMSP-OLS夜光影像在建成區提取的研究有巨大潛力。2006年，卓莉等[19]提出基于DMSP/OLS數據灰度值的強度與城市用地擴張提取/識別的方法。唐梁博等[20]將TM數據與NPP-VIIRS結合，提取城鎮建設用地，改進傳統的歸一化建筑、城鎮用地指數方法，獲取更加精確的建設用地信息。目前利用夜光遙感進行的城市研究大多集中在宏觀尺度。然而，從城市管理者的角度來看，城市微觀層面的動態監測和城市內部的信息提取更能了解城市發展變化的機制。因此，高分辨率的夜光遙感數據成為現階段研究的迫切需要。目前針對珞珈一號夜光影像的研究才剛剛起步，Jiang等[21]首先將珞珈一號運用在調查城市內人造光污染潛力研究中，研究發現珞珈一號夜光影像具有更高的檢測人造光污染能力。Li等[22]則率先使用珞珈一號研究城市范圍的提取，通過對人居環境指數分析，以及對簡單閾值分割、SVM監督分類等多種提取方法的比較，證實了珞珈一號夜光影像在很大程度上提高了城市范圍提取的準確性，具有比前代產品更高的分辨率和更豐富的空間信息。本文以合肥市主城區為例，將珞珈一號夜光遙感影像作為主要數據源，探討如何利用全新的夜光遙感數據精確、便捷地提取城市建筑密度信息。

圖1 3種夜光遙感影像對比示意圖

1 研究區概況與數據處理

1.1 研究區概況

合肥市(31.51°N，117.17°E)是安徽省省會，位于長三角西端，江淮之間?？偯娣e11 445 km2，下轄4個市轄區、4個縣，代管1個縣級市。合肥市作為“一帶一路”和長江經濟帶戰略雙節點城市，近年來經濟社會發展速度不斷加快，大量外來人口涌入，城市規模不斷擴張。截至2018年合肥市全域面積11 445.1 km2，常住人口 808.7 萬人。如何利用有限的土地資源解決更多人的用地需求，已成為城市發展中迫切需要解決的問題。城市建筑密度信息作為衡量城市化發展程度的重要指標，能夠在城市擴展與土地利用上提供科學依據和數據支持，如何快速便捷地提取建筑密度信息就成為關鍵。本文以合肥市主城區(包河區、蜀山區、瑤海區及廬陽區)為研究對象，利用珞珈一號夜光影像估算城市建筑密度。

1.2 數據源

珞珈一號夜光影像獲取自高分辨率對地觀測系統湖北數據與應用網 (http：//59.175.109.173：8888/)，影像采集時間為 2018年7月15日，該日數據無云層遮擋，影像質量較好。另選用同期的資源三號02衛星(以下簡稱ZY3-02)高分辨率影像作為輔助數據，空間分辨率為2.1 m。行政區劃范圍底圖下載自天地圖 (http：//map.tianditu.gov.cn，審圖號：GS(2019)1719號-甲測資字1100471)。

1.3 數據預處理

為了保持不同數據源之間的一致性，首先將所有遙感影像數據統一轉換為WGS_1984_Albers投影坐標系。

1)夜光遙感影像的校正處理。高精度幾何定位是遙感應用的基礎[23]。珞珈一號影像的輻射校準仍在改進當中，為了減小最終結果的誤差，需要對其進行幾何校正[24]。由于珞珈一號影像的空間分辨率較高，可以清晰地觀察到交通路網發出的燈光。因此，通過圖像映射的方式對珞珈一號影像進行校正，將2.1 m高精度的ZY3-02遙感影像作為基準圖，在ZY3-02影像上收集同名點來配準珞珈一號影像，使相同地物出現在校正后影像的相同位置。本文利用交通干道和橋梁等標志性的地物信息，布設50個地面控制點進行同位校正，最終校正的結果如圖2所示。在圖2(a)中，可以清楚地發現珞珈一號影像存在幾何誤差。圖2(b)是正射校正后的影像，可以看出幾何定位精度明顯提高。

圖2 珞珈一號夜光影像正射校正前后對比

2)樣本區選取和數字化基底圖制作。在評估建筑密度的研究中，一般采用固定大小的網格為單位計算建筑面積。為了達到小尺度的研究目的及減小最終結果的誤差，結合珞珈一號影像空間分辨率，通過實驗，最終確定將研究區劃分為1 km×1 km的單元格網。由于珞珈一號輻射定標處于改進中，本文使用影像的灰度值(DN)進行分析。首先提取研究區影像DN值范圍，通過自然間斷點分級法將研究區DN值劃分為32種燈光強度類型[25]，每種燈光強度類型設置5個樣本區。依據均衡分布的原則，最終在合肥市4個轄區內布設160個樣本區，如圖3(a)所示。一般情況下，可利用建筑物屋頂面積代替建筑基底面積進行建筑密度的估算[9]。結合ZY3-02號高分辨率遙感影像，利用建筑物屋頂面積近似看作建筑物基底面積，通過人工數字化獲取每個樣本區域內的建筑基底面積。圖3(b)、圖3(c)為某一樣本區人工數字化過程的示意圖。

注：該圖基于天地圖網站下載的審圖號為 GS(2019)1719號-甲測資字1100471號的標準地圖制作，底圖無修改。圖3 樣區分布和建筑物數字化示意圖

2 建筑密度估算的研究方法

2.1 修正道路干擾因素

對于建筑密度的計算，一般采取傳統的建筑密度/統計區域單位面積的方法，利用人工數字化得到的樣本區建筑物基底面積，利用式(1)算得160個樣本區的建筑密度，其計算結果直接視為實際的建筑密度，并參與后期的研究和對比。

ρi=smi/s

(1)

式中：ρi為第i個樣區的建筑密度；smi是n類燈光強度樣區第i個樣區的建設面積；s為樣區面積，即1 km2。

在各種土地利用類型中，高亮度的照明燈光被廣泛應用于交通，而住宅區的照明亮度較低，道路沿線燈光成為干擾研究結果準確性的因素之一[21]。通過珞珈一號夜光影像這一特性，設想利用道路光源提取交通干道的面積，剔除干擾因素之后建立建筑密度的估算模型，使得估算結果更精確。近年來，國內外學者針對高分辨率遙感影像提取道路信息方法眾多[26]。本文結合文獻[27-28]的方法，進行提取道路的實驗。

步驟一：對ZY3-02原始影像進行灰度化處理，圖4(c)是均值遷移法(Mean-Shift)實現道路的初步分割。設定雙閾值可以更好分辨不同灰度的地物，剔除植被、車輛等小面積陰影的干擾，分割出含道路信息的二值化圖像。

步驟二：因為道路通常為一定寬度的長條狀，對圖像進行初步的形狀特征處理，設定面積S、長寬比R和充滿度F。圖4(d)中面積S為40，長寬比R設定為2.5，矩形度F為0.36。

圖4 某樣區道路影像提取實驗1

步驟三：為了提取道路網，利用形態學濾波對進一步分割的結果進行邊緣平滑和道路細化(本文設定主干道為30 m寬度)，獲得最終的道路信息。

步驟四：在珞珈一號影像上，道路周圍的像元灰度值比實際的灰度值高，結合提取的道路信息，對珞珈一號影像采用K-means 聚類，賦予暈染部分新的灰度值[29]。為了驗證此方法的有效性，用另一組同面積的道路圖像進行實驗，如圖5所示。最終對研究區全域進行道路提取，圖6為珞珈一號影像剔除道路面積示意圖。

圖5 某樣區道路影像提取實驗2

圖7(a)和圖7(b)是剔除道路光源干擾信息前后樣區實際建筑密度與對應的燈光強度DN值的散點圖。通過對比可看出，排除道路光源干擾后，樣區燈光強度與樣區建筑密度之間的相關性更為緊密，決定系數R2由原來的0.667 8提升到0.766 3，達到了提高精確度的效果。

注：該圖基于天地圖網站下載的審圖號為 GS(2019)1719號-甲測資字1100471號的標準地圖制作，底圖無修改。圖6 珞珈一號影像剔除道路面積示意圖

圖7 樣區建筑密度與燈光強度灰度值的散點圖

2.2 建筑密度估算模型

剝離樣本區的交通路網面積之后，結合1 km×1 km的單元網格，將珞珈一號的32種燈光強度類型樣區的建筑密度取平均值,計算方法如式(2)所示。

(2)

式中：ρn是n類燈光強度樣本區的平均建筑密度；N是樣本個數；ρi是n類燈光強度樣區中第i個樣區的建筑密度；ρir是n類燈光強度樣區中第i個樣區的道路所占密度；S為樣區面積；Smi是n類燈光強度樣區第i個樣區的建設面積；Sr第i個樣區的道路面積。

將32類燈光強度樣區的平均建筑密度與對應樣區燈光強度DN值進行線性擬合和非線性曲面擬合(圖8)，決定系數R2分別為0.798 9和0.802 1，二者之間都達到擬合關系的要求。通過計算得到各類燈光強度樣區平均建筑密度擬合結果統計圖，如圖9所示。利用反距離加權(IDW)插值，將上文計算所得的各樣區平均燈光強度值賦值給對應的中心點，由此獲得160個樣本點。在ArcGIS空間分析中，對分散的160個樣本點的建筑密度值進行空間插值，具體模型如下式(3)所示。

圖9 各類燈光強度樣區平均建筑密度擬合結果

圖8 樣區燈光強度平均DN值與平均建筑密度相關性對比

(3)

式中：ρn是n類燈光強度樣本區的建筑密度估算值；n是樣本點個數；ρi是n類燈光強度樣區中第i個樣區中心點的建筑密度平均值；di是第i個樣區中心點與點n之間的距離。

3 結果分析

3.1 估算結果可靠性分析

結合人工數字化的基底面積數據，選取4個轄區內8個街道面積進一步交叉驗證，估算最終結果的可靠性。如表1所示，8個檢驗樣區中5個樣區的建筑密度絕對誤差小于3.5%，只有2個樣區絕對誤差高于5%。從平均值來看，樣本區建筑密度與估算建筑密度的絕對差值為3.07%，證明估算結果可靠度較高。就單個數據來看，估算建筑密度整體上偏高于實際建筑密度，原因在于光源具有擴散性，暈染效果導致估算的建筑面積大于實際的建筑面積；從絕對誤差來看，平均DN值低值區的絕對誤差小于高值區，原因在于低值區燈光干擾強度更小，夜晚能監測到更符合實際的燈光指數。這也從側面反映出某區域的經濟的高低、人口的多少及環境植被等發展狀況。

表1 合肥市主城區建筑密度抽樣驗證結果

3.2 建筑密度空間分布特征分析

根據式(3)可得到合肥市主城區建筑密度空間分布圖(圖10)。從圖10可分析其建筑密度總體空間變化規律。

注：該圖基于天地圖網站下載的審圖號為 GS(2019)1719號-甲測資字1100471號的標準地圖制作，底圖無修改。圖10 合肥市主城區建筑密度分布圖

1)合肥市區的建筑密度總體走勢由中心分別由城市核心區向城市外圍遞減。高建筑密度最集聚的地方位于3個區(廬陽區、瑤海區和蜀山區)交匯處，以南淝河圍成的一個環形區域附近，平均建筑密度高于25%。南淝河是合肥的母親河，該區域為合肥市老城區，主要包括市府廣場、合肥市市政府舊址和合肥市第一人民醫院等行政、商業和居住的混合區。特點是建筑密度大、人口密集、綠化率低且破碎，道路網稠密。

2)合肥市建筑密度空間分布呈現一個核心和多個中心并存的特征。建筑密度最高值并不在核心區域，而是位于包河區的濱湖新區內，建筑密度最高值點達到44.8%。究其原因是由于合肥市濱湖新區的發展，該區域屬于近幾年來合肥市著力打造的新興城市圈，隨著安徽省政府等行政機構的搬遷、合肥大學城的建立、萬達茂等大型商業廣場的入駐，濱湖新區的發展突飛猛進，在建筑密度上呈現了新的集聚效應。

3)建筑密度空間分布在一定程度上受到地形的影響。如蜀山區的西部屬于山地丘陵區，居住人口較少，植被覆蓋率高，主要定位是生態建設功能，所以建筑密度較低；包河區東南部囊括了部分巢湖水域，受制于湖泊的阻隔，建筑密度由內向外呈現緩慢遞減到突然降至為0的變化趨勢。

4 結束語

珞珈一號作為全球首顆專業夜光遙感衛星，可在全球范圍內獲取高分辨率的夜光影像。本文研究珞珈一號夜光影像在估算城市建筑密度的潛力，總結如下。

1)珞珈一號夜光影像與建筑密度呈現較強的相關性，實際樣本估算的絕對誤差為3.07，證明珞珈一號在城市建筑密度估算上有較高的精度。

2)珞珈一號夜光影像存在道路周圍DN值過高的問題，在估算建筑密度過程中，排除道路光源的干擾能夠有效提高估算結果的準確性。在后期研究中，也可以增加植被、水體等其他因素共同分析。

3)通過估算結果的可視化分析，探明了當前合肥市建筑密度空間分布狀況和特點，為未來的合肥市的城市化發展提供科學依據。

本文研究目的是將珞珈一號夜光影像這種前沿的遙感影像數據源應用到城市內部研究中，證實它可以更有效地用于城市信息的提取。然而，光譜范圍、輻射校準以及高強度燈光干擾等因素仍然限制了珞珈一號夜光影像的廣泛使用，這也是未來需要研究的方向。