基于夜間燈光數據的長沙市城市建成區提取結果對比分析

王 敏，李景保，梁莉莉，黃 欽，龔熊波

(湖南師范大學地理科學學院，地理空間大數據挖掘與應用湖南省重點實驗室，中國 長沙 410081)

城鎮用地作為社會經濟活動的基本空間載體，是推進城市化進程的重要物質基礎[1，2]。城市建設用地面積大小也從一定程度上反映了某個城市的發展狀況。自改革開放以來，中國城鎮化率從1978年的17.92%上升至2019年的60.6%，快速的城市化過程，使得大量的農用地轉化為城市用地[3-5]。 傳統的方法已經很難有效對城市建成區范圍進行動態監測[6，7]。因此，如何及時準確地提取城市建成區范圍為城市研究提供基礎信息仍然具有重要的研究意義。

隨著衛星技術的發展，越來越多的學者開始利用遙感影像進行城市的動態監測[8-10]，夜間燈光數據反映了夜晚地球表面的分區燈光強度，可以反映城市甚至小規模居民聚集地、車流等發出的微弱光亮，因此可以明顯地區分城區和非城區，且夜光數據能夠頻繁快速地獲取夜間地球表面信息，因而被廣泛應用于長時間序列的城市監測研究[11-13]。目前，應用最為廣泛的夜間燈光數據由美國國防衛星計劃DMSP (Defense Meteorological Satellite Program)搭載的線性掃描系統OLS和Suomi NPP衛星上搭載的可見光近紅外成像輻射儀(VIIRS)收集。燈光數據本身不具有連續性和對比性,在進行長時間序列研究時需要進行燈光校正。夜間燈光數據的校正方法主要有兩種：一種是以穩定燈光數據為參考影像的燈光校正方法[14，15]；另一種是以輻射定標產品為參考影像的燈光校正方法[16]。然而，長時間序列的城市化研究所采用的影像絕大多數都是以穩定燈光為基礎將NPP-VIIRS模擬成與DMSP-OLS數據具有相同輻射特征的夜光影像[17-20]，尚未有研究對比分析過不同燈光校正方法下城市建成區的提取精度，且夜間燈光數據本身有飽和效應和燈光溢出現象，導致提取的城市區域普遍偏高。已有學者基于燈光亮度與植被指數之間的負相關關系，在一定程度上解決了由于燈光飽和效應導致的過度提取問題[21，22]。

綜上，鑒于目前尚未有研究對比分析過不同燈光校正方法下的城鎮用地提取精度，本文以長沙市為例，用兩種主要的燈光校正方法對DMSP-OLS夜光數據進行校正，并選取2010年經過預處理后的影像，分別與增強型植被指數EVI構建燈光修正指數，用于城市建成區提取。最后，根據2010年長沙市土地利用數據以及Google地球影像，選用混淆矩陣與空間位置對比法，對比評價兩種燈光校正方法下的夜光數據以及在此基礎上構建的燈光修正指數在提取城市建成區時的精度差異。

1 研究區與數據預處理

1.1 研究區

長沙市位于湖南省東部偏北位置，是湖南省省會城市，長江中游重要的中心城市，經濟實力雄厚，城市化水平高，截至2019年，城鎮化率達79.5%。長沙市下轄6個市轄區、2個縣級市、1個縣，分別為芙蓉區、天心區、岳麓區、開福區、雨花區、望城區、瀏陽市、寧鄉市以及長沙縣，總面積達到11 819 km2。隨著社會經濟的發展，長沙城市規模不斷擴大，城市聚集程度不斷提高，長沙市建成區主要集中分布在長沙市市區范圍內。因此，后文在進行空間位置對比時，考慮到長沙市范圍遼闊，僅選取長沙市市區作為空間位置對比區域，進行空間位置的精度對比。

1.2 數據來源

圖1 2010年長沙市土地利用分類圖Fig. 1 Land use classification map of Changsha city in 2010

DMSP-OLS數據來源于美國國家地球物理數據中心https://www.ngdc.noaa.gov/eog/dmsp/downloadV4com- posites.html，每顆DMSP衛星搭載的OLS傳感器可以獲取3 km范圍內的遙感影像，傳感器平均每6 h監控一次地球信息。目前，美國國家地球物理中心所提供的DMSP-OLS燈光數據有第4版夜間燈光時間序列產品和全球輻射校準夜間燈光產品，文中使用的DMSP-OLS數據涉及2000—2013年的第4版穩定燈光數據產品以及2006年輻射校準燈光數據。植被增強指數EVI來源于美國航空航天局(https://lpdaacsvc.cr.usgs.gov-/appeears/explore)提供的2010年6到12月具有1 km分辨率的MYD13A3月度合成數據。2010年長沙市土地利用分類數據，如圖1所示，來源于中國科學院資源環境與數據中心(http://www.resdc.cn/data.aspx)。

1.3 數據預處理

目前，主要的夜間燈光數據校正方法有基于穩定燈光數據的校正方法和基于全球輻射定標產品燈光校正法兩種，為了對比不同校正方法下夜光影像的城市建成區提取精度，以2000—2013年非輻射定標產品為載體分別用兩種主要的燈光校準方法進行校正，為城鎮提取的精度對比提供基礎影像。

1.3.1 以穩定燈光影像為參考數據校正夜光影像 參考鄒進貴的校正方法，首先對燈光數據進行掩膜提取，并將參考坐標設置為GCS_WGS_1984,分辨率為1 km的遙感影像，對中國區域DN>0的像元進行提取，獲取2000—2013年間的穩定亮值像元，選取燈光亮度年際變化小且經濟發展穩定的F162007雞西市的夜間燈光數據作為參考數據，將參考數據分別與不同傳感器各個年度的燈光數據建立如下式所示的一元二次方程，根據各個參數值進行回歸校正，最后將DN>63的燈光灰度值賦值為63[14]。

DNa=a×DN2+b×DN+c，

(1)

式中：DNa和DN分別為校正后、校正前的夜間燈光數據，a，b和c為一元二次函數的擬合參數。

同年度不同傳感器的夜間燈光影像，通過取其平均值獲取多傳感器同年度的遙感影像。最后，根據下式，進行夜光數據的連續性校正，即前一年影像中某一像元的DN值不應大于后一年影像中同一位置像元的DN值。

(2)

n=2000，2001，2002,…,式中：DN(n-1,i)和DN(n,i)分別表示像元i的在第n-1和第n年的燈光亮度值。

1.3.2 以輻射定標產品為參考數據校正夜光影像 參考曹子陽的燈光校正方法，選取黑龍江鶴崗市作為偽不變區，將2000—2013年間DMSP-OLS穩定燈光數據與F162006輻射定標產品作為待校正影像和參考影像，選擇相關系數最高的一元二次方程，構建回歸模型，進行燈光回歸校正[16]。對相互校正后的影像進行同年度不同傳感器之間的影像校正，最后根據下式，完成影像的連續性校正。

(3)

圖2 長沙市各年度夜光影像的灰度值變化Fig. 2 Gray value change of night light image in Changsha

n=2000，2001，2002，…n式中：DN(n-1,i)，DN(n,i)和DN(n+1,i)分別為像元i的在第n-1，n和n+1年的燈光亮度值。

1.4 數據處理結果驗證

利用長沙市1：100萬矢量地圖進行掩膜提取，根據下式統計不同方法校正后的長沙市夜光影像總DN值，

(4)

式中：DNi表示研究區內第i個像元的DN值；n為研究區內影像中的總柵格數；TNLI：研究區內的總DN值。由圖2可見，在經過預處理后的夜光影像中穩定亮值像元表現出持續增長趨勢，具有很好的連續性和一致性，可以用于后續的對比分析[14]。

2 研究方法

2.1 基于增強型植被指數(EVI)修正的燈光指數EANI

已有研究表明植被覆蓋度和不透水面之間密切相關且成負相關關系，Zhang等人對城市區域的NDVI與NTL做剖面圖發現，離城市中心越遠植被覆蓋度越高，基于歸一化植被指數NDVI定義了如下式所示的城市燈光指數VANUI[22]。

VANUI=(1-NDVI)NTL，

(5)

式中：VANUI指利用歸一化植被指數校正的夜間燈光指數，NDVI指歸一化植被指數，NTL指進行試驗的夜間燈光數據。

增強型植被指數EVI是改進后歸一化植被指數NDVI，減小了大氣、土壤對植被指數的影響，同時避免了高植被覆蓋區的飽和問題[23]。為了避免部分月份對植被覆蓋度的影響，選取2010年6到12月MYD13A3中的EVI產品取平均值作為試驗數據，將年平均增強型植被指數EVI歸一化，根據植被指數與夜間燈光之間的反比關系，構建如下式所示的燈光修正指數[24]。

EANI=(1-EVInorm)NTL，

(6)

式中：EANI指利用增強型植被指數校正的夜間燈光指數，EVInorm指將年平均增強型植被指數的數值映射到[0,1]之間，NTL指進行試驗的夜間燈光數據。

2.2 城市建成區提取

1997年，Imhoff首次將突變檢測法應用于城市邊界檢測中。Imhoff認為城市區域是一個完整的斑塊，設定一個初始閾值并不斷增加提取邊界的閾值，城市區域邊界的周長不斷減小，當增大閾值到某一點時，城市開始破碎，城市斑塊周長突然增加或者保持不變，這個值即為提取城市邊界的最佳閾值[25]。

選用如圖3所示，經過預處理后的夜間燈光影像以及在此基礎上構建的燈光修正指數進行突變檢測，其中(a)以穩定燈光為參考數據校正后的長沙市夜間燈光影像；(b)以輻射定標產品為參考數據校正后的長沙市夜間燈光影像；(c)圖(a)經過EANI修正的長沙市燈光指數；(d)圖(b)經過EANI修正的長沙市燈光指數。由圖4所示其中(a)，(b)，(c)和(d)分別指以圖3(a)，(b)，(c)和(d)為檢測對象的突變檢測結果，周長突變點即為城市提取的最佳閾值，根據閾值提取相應影像的城市區域，提取結果如圖5所示，其中(a)，(b)，(c)和(d)分別指以圖3(a)，(b)，(c)和(d)為對象的城市建成區提取結果。

圖3 長沙市2010年夜間燈光影像Fig. 3 The night-light time images of Changsha city in 2010

圖4 2010年長沙市城市區域斑塊周長變化圖Fig. 4 Patch perimeter change of Changsha city in 2010

圖5 長沙市城市建成區提取結果Fig. 5 Extraction results of urban build-up area in Changsha city

2.3 精度評定方法

2.3.1 混淆矩陣 混淆矩陣也稱為誤差矩陣，是精度評價的標準格式，文中選用應用最為廣泛的總體分類精度(Overall Accurcy)和Kappa系數作為評價指標。總體精度是正確分類的像元個數與研究區總體像元個數之比。Kappa系數常用于一致性檢驗。

Po=Tr/N，

(7)

式中：Po為總體分類精度；Tr表示正確分類的像元個數；N為研究區像元總個數。

Pe=(a1×b1+a2×b2+…+ac×bc)/N×N，

(8)

K=(Po-Pe)/1-Pe，

(9)

式中：K表示Kappa系數；Po代表總體分類精度。

2.3.2 Google Earth影像空間位置對比 混淆矩陣是對建成區的面積數量進行精度檢驗的常用方法，但是要驗證建成區提取結果是否準確，不僅需要對城市提取區域的面積數量進行檢驗，還需要對其空間位置進行精度驗證。因此，為了進一步對比與檢驗城市建成區提取精度，選取長沙市市域范圍內建成區集中連片分布的長沙市市區作為對比區域與2010 年長沙市中心城區歷史GoogleEarth影像疊置，進行空間位置的精度對比分析，結果如圖6所示。

圖6 長沙市城市建成區提取結果空間位置對比Fig. 6 Spatial location comparison of urban land extraction results in Changsha city

3 結果驗證與分析

3.1 混淆矩陣精度驗證

以2010年長沙市的土地利用數據作為驗證數據。首先，將土地利用數據的類別合并為城市區域與非城市區域兩大類，再分別對提取的城鎮用地結果進行精度驗證。利用python計算混淆矩陣，并根據式(7)，(8)和(9)分別計算經過兩種燈光校正方法后夜光影像以及在此基礎上構建的EANI指數提取城市區域時的總體精度與Kappa系數。本文的主要目的是對比分析基于兩種主要燈光校正方法下夜光數據的城市建成區提取精度，因此視長沙整個市域為一個整體進行驗證，驗證結果如表1所示。由表1可知，利用突變檢測法提取4幅影像的城市區域效果較好，總體分類精度都達到90%以上，Kappa系數均在0.7以上。在提取城鎮用地時，以輻射定標產品為參考影像校正的夜光數據及以此為載體構建的燈光修正指數比以穩定燈光數據為參考影像校正的夜光數據及以此為載體構建的燈光修正指數，表現出更高的總體分類精度和Kappa系數。以輻射定標產品為參考影像校正后的燈光數據以及以此為載體構建的燈光修正指數在提取城市的Kappa時均達到0.93，但后者在提取城市區域的總體分類精度比前者高0.14個百分點；而以穩定燈光為參考影像校正后的燈光數據為載體構建的燈光修正指數在提取城鎮用地時，總體分類精度和Kappa系數上均低于未構建燈光修正指數的影像。

表1 城市建成區提取結果精度評定

3.2 Google Earth影像空間位置對比檢驗

用突變檢測法分別對預處理后的4幅影像進行檢測，根據檢測出來的最佳閾值提取城市區域，提取結果如圖4所示。在ArcGIS 10.6中，將提取出來的城市建成區通過轉換工具轉化為矢量面狀數據，再與Google Earth影像進行空間疊置，得到如圖6所示的空間位置對比圖。圖6(a)，(b)，(c)和(d)共4幅影像中藍色方框部分可以明顯看出建成區提取的空間位置差異。在序號為1，2，3和4的藍色方框中，圖6(a)所提取的城市區域面積最大，在(b)中面積明顯縮小，說明以輻射定標產品為參考影像所校正的夜間燈光數據在提取城市建成區時能夠有效緩解燈光溢出帶來的過度提取問題。圖6中(c)和(d)都是基于兩種方法校正后的燈光影像為載體構建的燈光修正指數EANI用于城市提取的結果，其中(c)是以穩定燈光數據為參考影像校正后的燈光數據為載體構建的燈光修正指數所提取的城市區域與Google Earth影像的空間疊置結果，(d)是以輻射定標產品為參考影像校正后的燈光數據為載體構建的燈光修正指數所提取的城市區域與Google Earth影像的空間疊置結果。在序號為2和3的藍色方框中，圖6(a)將城市邊緣的部分林地錯分為城鎮用地，圖6(c)通過構建燈光修正指數提取城鎮用地，在城市邊界有效的避免了錯分的現象；序號為1和4的藍色方框區域，分別是長沙市望城區和黃花國際機場，在圖6(c)中都將其分為了非城鎮用地，可能是因為望城區和黃花機場的城市經濟發展水平較低因而燈光亮度值不高，且該區域植被覆蓋度較高，在經過增強型植被指數修正之后，導致亮度進一步降低，因而被錯誤識別為非城鎮用地。圖6(b)和(d)中序號為2，3和4的藍色方框中建成區范圍存在明顯的空間位置差異。圖6(b)中，序號為2和3方框所在區域，由于燈光溢出現象，導致與城市邊界相鄰的非城鎮用地判別為城鎮用地，由圖6(d)可見，通過構建燈光修正指數，一定程度上緩解了燈光溢出導致的錯分現象。對比圖6(b)和(d)中序號為4的區域，燈光修正指數緩解燈光溢出現象的作用則更為明顯。但是，在圖6(c)中未識別出的長沙市望城區(序號為1的藍色方框)與黃花機場(序號為4的藍色方框)，在圖6(d)中可以明顯識別出來，且比圖6(a)和(b)中的空間位置更準確。

通過上述分析可得：(1)以輻射定標產品為參考影像校正的夜間燈光數據在提取城市建成區時具有比以穩定燈光數據為參考影像校正的夜間燈光數據在提取城市區域時具有更高精度的空間位置。(2)以兩種主要燈光校正方法校正過的燈光影像為載體構建的燈光修正指數EANI在提取城市建成區時都能在一定程度上緩解燈光溢出現象導致的城市區域過度提取問題。(3)以輻射定標產品這一參考數據校正的夜光影像為載體構建的EANI指數，在提取的城市區域時即能夠有效緩解過度提取，也能識別燈光亮度值不高、經濟發展相對落后的城鎮區域。

4 結論與展望

4.1 結論

本文選用兩種主要的燈光校正方法，建立2000—2013年兩種長時間序列的燈光數據集，選取2010年長沙市夜間燈光影像并以此為載體構建EANI指數，提取城市區域。最后，利用2010年長沙市土地利用數據與Google Earth影像進行精度驗證，得出以下結論：基于圖3中4幅夜光影像進行城市區域提取的總體精度差異較小，在3%以內；但通過對比提取的城市區域的空間位置與Google Earth影像中城市區域的空間位置，發現以輻射定標產品為參考影像校正的燈光影像所提取的城市邊界范圍比以穩定燈光為參考影像校正的夜光數據所提取的城市區域更加準確，原因是輻射定標產品具有更高的輻射分辨率，由此校正的燈光數據具有更高的輻射分辨率，夜光數據本身的飽和效應和燈光溢出現象得到一定的緩解，因此可以更準確的識別城鎮用地。

4.2 展望

DMSP/OLS夜間燈光影像能夠大范圍，多尺度的監測城市動態信息，但是DMSP/OLS夜光數據本身的連續性和可比性方面存在不一致。因此，在進行城市監測時需要進行燈光校正。不同的燈光校正方法也間接影響著夜間燈光數據的動態變化進而對城鎮用地信息提取產生影響。本文通過對比分析不同燈光校正方法下城鎮用地提取精度，發現以輻射定標產品為參考影像校正的夜間燈光數據在城鎮提取時精度更高，為未來城市動態監測前燈光校正方法的選擇提供科學依據。此外，文中驗證了根據增強型植被指數修正的夜間燈光影像能夠在一定程度上緩解燈光飽和效應和溢出現象，提高城市區域的提取精度。由于DMSP/OLS夜光數據和EVI增強型植被指數的分辨率不高，城鎮用地信息提取過程中仍有部分區域存在一定誤差。如何利用現有數據(如：地表溫度數據、人口密度、POI等)對夜間燈光影像進行修正，提高夜間燈光的城市監測能力，還需要進一步深入研究。