全色影像與珞珈一號在建設用地提取中的應用

肖亞來，劉小生，范哲南，譚建林，劉紹龍

(江西理工大學 土木與測繪工程學院，江西 贛州 341000)

0 引言

城市可持續發展需要科學的城市規劃，科學規劃離不開對城市擴張的研究。城鎮建筑物用地作為城市在擴張過程中有力的見證者，是確定城鎮化水平發展的有力依據[1]。城鎮建筑物用地的面積是計算城市的人口密度、公共設施水平、城市單位面積產值和城市擴張系數等一系列指標的基礎[2]。城鎮建筑用地信息的準確與快速提取對于測繪制圖、空間信息更新、城市規劃、統計普查、災害評估等進一步應用都具有十分重要的意義[3]。因此，準確提取城鎮建筑物用地是研究城市擴張、土地利用變化等問題的關鍵，為城市經濟發展、優化城市土地利用配置和城市發展戰略的制定等奠定夯實的基礎[4-5]。然而，目前建筑專題指數提取城鎮建筑物用地的方法已經無法適應月新日異的土地利用變化問題，需要引入新的方法來適應這種土地利用變化情況，以提取更高精度的城鎮建筑物用地。

夜間燈光數據具有大尺度、存儲量小以及能反映人類活動等綜合優點，為研究人類活動及城市化進程提供了一種獨特的視角和穩定便捷的途徑。利用夜間燈光數據與光學遙感影像提取城市城鎮建筑物用地是當今的一個研究熱點[6-8]。珞珈一號夜間燈光數據比傳統的夜間燈光數據具有更加精細的數值特征，其輻射值的數量級達到1E+6，對夜間燈光強度的識別精度遠遠高于傳統的夜間燈光數據[9-10]。夜間燈光數據雖然能夠直接反映城市城鎮建筑物用地的夜間亮度，但受城市邊緣亮度影響較大，因而單獨提取城鎮建筑物用地的準確度不高[11]。

因此，本文以南昌為例，基于珞珈一號夜間燈光數據與Landsat-8 OLS遙感影像構建UBLI指數對城鎮建筑物用地進行提取。通過乘積處理，提取燈光數據和各運算指數的優點，并摒棄燈光數據和各運算指數的局限性，以達到提高城鎮建筑物用地提取精度的目的。

1 研究區概況與數據源

1.1 研究區概況

本研究以南昌市作為研究區。南昌市作為江西省都會，是江西省的政治、經濟、文化、科教和交通中心。截至2018年，全市下轄6個區3個縣，總面積7 402 km2。常住人口554.55萬人，城鎮人口411.64萬人，城鎮化率74.2%[12]。南昌地處江西省中部偏北，在贛江和撫河的下游，自古就有“粵戶閩庭，吳頭楚尾”“襟三江而帶五湖”之稱，“控蠻荊而引甌越”之地。研究區域如圖1所示。

注：該圖基于江西省自然資源廳標準地圖服務下載的審圖號為贛S(2019)013號的標準地圖制作，底圖無修改。圖1 研究區影像

1.2 數據處理

本文使用的數據包含2018年10月的Landsat-8 OLS遙感影像(分辨率30 m)、2018年10月的珞珈一號夜間燈光數據和2018年南昌市土地利用數據。其中,Landsat-8 OLS遙感影像利用ENVI軟件進行拼接鑲嵌，得到南昌市影像并進行大氣校正等處理，以便下一步指數的計算。珞珈一號夜間燈光影像與SNPP-VIIRS夜間燈光影像中的DN數量分布關系相似，且斷點值更加明顯。根據珞珈一號夜間燈光數據產品的輻射亮度計算公式進行輻射校正，然后利用南昌市2016年的年平均SNPP-VIIRS夜間燈光數據作為掩膜數據對輻射校正后的珞珈一號夜間燈光數據進行去噪處理。

2 研究方法

2.1 技術路線

本文所提出的方法用于城鎮建筑物用地的提取。首先，基于Landsat-8 OLS數據獲取歸一化建筑指數(normalized difference build-up index，NDBI)、土壤調節植被指數(soil adjusted vegetation index，SAVI)、改進型歸一化水體指數(modified normalized differential water index，MNDWI)、建筑用地指數(index-based built-up index，IBI)；然后，對其進行二值化處理和乘積處理，分別得到基于歸一化建筑指數的城鎮建筑物用地提取結果、基于建筑用地指數(index-based built-up index，IBI)的城鎮建筑物用地提取結果、基于城鎮建筑物用地指數(urban building land index，UBLI)的城鎮建筑物用地提取結果、基于珞珈一號的城鎮建筑物提取結果；最后，結合土地利用數據和天地圖進行精度驗證與對比分析。技術路線如圖2所示。

圖2 技術路線圖

2.2 歸一化建筑指數計算

查勇等[13]所提出歸一化建筑指數被廣泛用于提取城鎮建筑物用地。本文首先通過NDBI提取城鎮建筑物用地，如圖3所示。NDBI的表達如式(1)所示。

(1)

注：該圖基于江西省自然資源廳標準地圖服務下載的審圖號為贛S(2019)013號的標準地圖制作，底圖無修改。圖3 NDBI提取城鎮建筑物用地結果

式中：MIR為中紅外波段的像元值；NIR為近紅外波段的像元值。在一般情況下，當NDBI取值大于0時為城鎮建筑用地，NDBI的取值小于0時為非城鎮建筑用地。將NDBI計算結果二值化，NDBI大于0的單位像元賦值為1，以白色顯示；NDBI小于0的單位像元賦值為0，以黑色顯示。如圖3(b)所示，NDBI能大致完整地提取出城鎮建筑用地區域，但由于光譜特征復雜性和同譜異物現象的普遍存在[14]，使得裸土和低植被覆蓋區域等地物難以區分，在細節表現上較差。

2.3 改進型歸一化水體指數計算

文獻[15-16]提出的水體指數MNDWI有效地解決了NDWI在提取含有較多建筑物背景的水體時難以區別建筑用地和水體信息的問題。MNDWI的計算如式(2)所示。

(2)

式中：Green為綠光波段的像元值；MIR為近紅外波段的像元值。MNDWI大于0的單位像元為水體區域，MNDWI小于0的單位像元為非水體區域。以MNDWI單位像元為0的值作為分界線，將MNDWI計算結果反向二值化。

2.4 土壤調節植被指數計算

研究表明，在提取城市植被覆蓋區域時，使用SAVI優于NDVI[17]。由于許多城市地區的植被覆蓋率在30%以下，對植被覆蓋地區只有30%靈敏度的NDVI來說，難以達到理想的效果。而SAVI引入土壤調節指數，不容易受到土壤等背景噪聲的影響，可探測植被覆蓋率只有15%的地區。因此，用SAVI更有優勢。SAVI的計算如式(3)所示。

(3)

式中：NIR為近紅外波段的像元值；R為紅光波段的像元值；L為土壤調節因子，取值范圍為[0-1]。在一般情況下，SAVI大于0的單位像元為植被覆蓋區，SAVI小于0的單位像元為非植被覆蓋區。由于南昌市城鎮建筑周邊有行道樹、居民小區綠化帶等不少數量的植被覆蓋區域，為避免誤剔除，經過多次訓練，發現取SAVI的值為0.32對SAVI進行反向二值化效果最好。

3 結果與討論

3.1 基于珞珈一號的城鎮建筑物用地提取結果

珞珈一號夜間燈光數據與傳統的夜間燈光數據相比具有更加精細的數值特征，可以更好地反映人類活動的特征。在珞珈一號夜間燈光數據中，城市建筑物有著較高的灰度值，而低密度覆蓋的植被、裸露的土地和水體等灰度值均較低。因此，可以選擇一個合適的閾值對珞珈一號夜間燈光數據進行二值化，用來劃分城鎮建筑物用地和其他地物。但由于夜間燈光具有輻射性等特征，使得建筑物周邊的水體、植被等都包含在城鎮建筑物用地的范圍內，往往導致城鎮建筑物用地的范圍比正常城鎮建筑物用地范圍要大[18]，如圖4所示。

圖4 燈光數據提取城鎮建筑物用地結果

3.2 基于建筑用地指數的城鎮建筑物用地提取結果

為更好地區分建筑用地和其他地類，文獻[19-20]提出了基于NDBI、MNDWI、SAVI的建筑用地指數，如圖5、式(4)所示。

(4)

式中：NDBI為歸一化建筑指數；SAVI為土壤調節植被指數；MNDWI為改進型歸一化水體指數。IBI可以使得影像中的水體和植被等地物的信息為負值，而建筑物的信息為正值，大大增加了建筑物與其他地物的亮度值差異，從而降低低植被對建筑區提取的干擾。但IBI很難區分裸土與建筑物，且還有少量的低植被覆蓋區域難以剔除。

3.3 基于城鎮建筑物用地指數城鎮建筑物用地的提取結果

雖然NDBI、IBI、珞珈一號夜間燈光數據都可以提取城鎮建筑物用地，但有著各自的局限性，使得提取的城鎮建筑物用地精度達不到要求。在NDBI二值化的圖像中，城鎮建筑物用地的值是1，其他地物的值是0，但在NDBI提取的城鎮建筑物用地中有部分的低植被和裸土沒有剔除出來。在NL二值化圖像中，所提取出來的城鎮建筑物用地包含建筑物周邊的水體和植被。而在SAVI二值化圖像中，植被區域的值為0，其他地物的值為1，在提取的植被中包含建筑物周邊的低植被區域。MNDWI二值化圖像將城鎮建筑物用地周邊的水體提取出來，但SAVI和MNDWI都不能單獨提取城鎮建筑物用地。本研究將珞珈一號夜間燈光數據和NDBI、SAVI、MNDWI聯立，以提取城鎮建筑物用地指數(urban building land index，UBLI)，進而達到互補的效果，可以很好地解決各自存在的問題，表達如式(5)所示。

UBLI=NL×NDBI×SAVI×MNDWI

(5)

式中：NDBI、SAVI、MNDWI、NL分別為歸一化建筑指數、土壤調節植被指數、改進型歸一化水體指數以及珞珈一號夜間燈光數據二值化后的圖像。聯立式(5)以NDBI二值化圖像為基礎，通過NL二值化圖像剔除NDBI中城鎮建筑物用地周邊外的裸土和低植被區域；通過SAVI二值化圖像剔除NDBI二值化圖像中建筑物周邊的裸土區域；通過MNDWI二值化圖像剔除NDBI二值化圖像中城鎮建筑物用地周邊的水體。根據NL、SAVI、MNDWI三者的特點，通過珞珈一號夜間燈光數據和NDBI、SAVI、MNDWI的聯立，不但避免了NDBI中的水體、裸土區域、低植被區域的影響，還對NDBI中分類的結果進一步校正，從而達到提高提取精度的目的，如圖6所示。

注：該圖基于江西省自然資源廳標準地圖服務下載的審圖號為贛S(2019)013號的標準地圖制作，底圖無修改。圖6 UBLI提取城鎮建筑物用地結果

3.4 對比分析

從整體而言，NDBI、IBI、UBLI和夜間燈光數據所提取的影像均能在總體上區分水體、植被、建筑物等地物。NDBI能將大塊的城鎮建筑物較好地提取，而城鎮建筑物外的區域部分的裸土和低植被覆蓋區域誤判為城鎮建筑物用地。夜間燈光數據在提取城鎮建筑物用地成規模，夜間燈光亮度較高的區域時，提取精度較好,但在提取城鎮建筑物用地斑塊聚集性較低，燈光亮度聚集性不足的區域時，提取精度較低。IBI通過增強了城鎮建筑物用地的信息和抑制水體和植被區域的信息，能較好地提取城鎮建筑物用地，但在區分城鎮建筑物用地外的裸土區域時仍有不足。UBLI能較好完整地提取城鎮建筑物用，能剔除城鎮建筑物外絕大多數的裸土和低植被區域。就提取精度而言，UBLI提取精度最高，IBI次之；夜間燈光數據較差，NDBI最差。

從局部來看，如圖7所示的是南昌市的新建縣，該縣左上角有一大塊裸土和低植被的混合典型區域。由于夜間燈光數據在該區域不具有代表性，故不作考慮。在該典型區域中，NDBI將該區域中的大部分裸土和低植被覆蓋區域誤判為建筑物，嚴重影響城鎮建筑物用地的提取精度。雖然IBI可以有效地剔除該區域中的大部分裸土和低植被覆蓋區域，但仍將部分裸土與低植被覆蓋區域誤判為建筑物。而UBLI在該區域能有效剔除裸土和低植被覆蓋區域，沒有出現誤判現象。這表明UBLI剔除遙感影像中裸土和低植被覆蓋區域的能力要比NDBI和IBI強，通過UBLI能有效地提升城鎮建筑物用地的提取精度。

注：圖7(a)基于江西省自然資源廳標準地圖服務下載的審圖號為贛S(2019)013號的標準地圖制作，底圖無修改；圖7(b)至圖7(d)基于江西省自然資源廳標準地圖服務下載的審圖號為贛S(2018)090號的標準地圖制作，底圖無修改。圖7 不同指數典型區域裸土剔除情況

3.5 精度評價

本文選用南昌市天地圖高分辨率影像作為參照，并采用南昌市2018年的土地利用調查數據作為對照。在NDBI、NL、IBI、UBLI二值化后的影像中選取1 000個符合規范的建筑物樣本和非建筑樣本構建混淆矩陣，進而計算總體精度、Kappa系數、生產者精度和用戶精度等指標進行精度檢驗[21]。其中：用戶精度表示被正確提取為建成區的樣本所占比例；生產者精度表示所有真實地表為建成區的樣本被正確提取的概率；總體精度代表被正確分類的類別像元數與總的類別個數的比值；Kappa系數代表分類與完全隨機的分類產生錯誤減少的比例，這能夠全面地評估提取結果的準確性[22]。精度對比如圖8所示。

圖8 不同數據源提取的城市城鎮建筑物用地的精度對比

從圖8可知，在UBLI中提取的城鎮建筑物用地的總體精度、生產者精度、用戶精度、Kappa系數都比NDBI和IBI中的高。其中，UBLI的Kappa系數為84.08%、總體精度為95%、生產者精度為89%、用戶精度為85%。從單一角度看，UBLI的Kappa系數分別比NDBI、夜間燈光數據和IBI要高出0.226 4、0.116 6和0.090 7，且UBLI、NDBI、夜間燈光數據、IBI的平準總體精度都達到了90%以上。F1分數是分類問題的一個衡量指標，本研究利用F1分數對三者總體提取效果做出評價，UBLI最高為86.95%，IBI次之為79.80%，夜間燈光數據較低為78.11%，NDBI最低為71.34%。

3.6 魯棒性檢驗

為檢驗本文所提方法的穩定性，選取長沙市作為檢驗區。分別利用夜間燈光數據、NDBI、IBI、UBLI提取城鎮建筑物用地，如圖9所示。從圖9可知，夜間燈光數據、NDBI、IBI、UBLI均能將大塊的城鎮建筑物用地提取出來，但在細節表現上，夜間燈光數據、NDBI、IBI都不如UBLI。選取樣本對四者的提取結果進行精度分析，如圖10所示。從總體來說，UBLI、NDBI、IBI的平準總體精度都達到了90%以上，從單一的Kappa系數來看，UBLI最高為79.22%，其次是IBI為70.20%，接著是夜間燈光數據為67.59%，最后是NDBI為63.46%。精度檢驗結果基本與研究區域保持一致，說明本文所提出的方法操作性強，可行性高。

注：該圖基于湖南省自然資源廳標準地圖服務下載的審圖號為湘S(2018)251號的標準地圖制作，底圖無修改。圖9 檢驗區域不同方法提取結果

圖10 檢驗區域精度對比

4 結束語

本研究以南昌市為例，構建UBLI指數來提取城鎮建筑物用地的范圍。運用總體精度、Kappa系數、F1分數等多種指標，以南昌市土地利用調查數據為對照和天地圖高分辨影像數據為參照，對NDBI、夜間燈光數據、IBI、UBLI 4個方法所提取的南昌市城鎮建筑物用地的提取精度作出評價。研究表明，在城市尺度上進行建設用地提取時，UBLI所提取的城鎮建筑物用地的總體精度明顯優于NDBI、夜間燈光數據和IBI；在縣級尺度上，UBLI對城鎮建筑物用地的提取在細節表現上比NDBI、夜間燈光數據和IBI好，能有效剔除NDBI和IBI難以區分的裸土和低植被覆蓋區域及夜間燈光數據上城鎮建筑物周邊的水體。以長沙市為檢驗區域，對本文所提方法進行魯棒性檢驗，檢驗結果和本文研究區域的結果一致，表明了利用珞珈一號夜間燈光數據和Landsat-8 OLS遙感影像構建的UBLI能有效識別城鎮建筑用地，也證明了珞珈一號夜間燈光數據在研究人類社會經濟活動中的應用潛力，為后續珞珈一號夜間燈光數據在城鎮建筑物用地研究提供參考依據。