基于多源數據融合的城市建成區提取方法

王 恒，江麗鈞

（1.麗水市建設技術管理中心，浙江 麗水 323000）

城市建成區是指城市行政區內實質已成片開發建設、市政公用設備和公共設備基本具備的地區[1]，其范圍是衡量城市化發展水平的重要指標。我國城市建成區的提取和劃分主要依據政府統計年鑒和規劃文件，而城市建成區是動態變化的，研究城市擴張需要持續監測建成區的變化，但無法從《中國城市統計年鑒》中獲得城市建成區的準確時間序列[2]。雖然近年來衛星遙感、興趣點（POI）等社會大數據開放程度大大提高，但由于城市建成區的復雜性，準確獲取動態建成區仍是一項具有挑戰性的工作。

城市建成區提取方法主要包括兩種：①基于單一數據源的提取，如參考文獻[3]～[6]根據城市建成區燈光亮度值明顯高于其他地區這一特征，利用夜光遙感數據提取城市建成區范圍，但城市中心夜光遙感數據存在明顯的光飽和[3]，導致提取區域大于實際范圍，且存在開花效應，影響提取精度，參考文獻[7]、[8]利用POI在城市與農村邊界處的密度突然變化這一特征提取城市建成區，但受限于本身數據質量和閾值選擇，城市建成區提取精度不高；②多源數據融合提取，如參考文獻[9]～[14]通過融合POI 與燈光數據，利用閾值法提取城市建成區，該方法能在一定程度上實現數據互補，但仍存在邊界溢出、閾值選取受人為主觀因素影響等問題，參考文獻[15]通過融合POI 與不透水面指數來提取建成區，在局部可獲得較好效果。上述方法在提取建成區方面都具有合理性，但也有自身缺陷，參考文獻[16]～[18]利用深度神經網絡來解決遙感數據提取道路、土地覆蓋分類等問題，結果優于傳統方法。目前尚無研究利用多源數據融合結合深度學習提取建成區，因此本文提出一種融合夜光、POI 數據并結合深度學習的城市建成區提取方法，以彌補傳統方法的不足，提高城市建成區提取的準確性。

1 數據來源與處理方法

1.1 數據來源

夜光數據采用2018年7月珞珈一號影像，空間分辨率為130 m，幅寬為260 km。POI數據來源于2018年高德地圖數據，包括餐飲、購物、文化、生活、公園等。由于Sentinel-2 的B2、B4、B6、B11 和B12 波段對建筑用地提取有積極影響[19]，因此本文采用這5 個波段數據的合成影像，空間分辨率為10 m。《2018 年城鄉建設統計年鑒》數據來源于住房和城鄉建設部。

1.2 數據處理方法

1.2.1 夜光數據處理方法

為減少光飽和的影響，對珞珈夜光遙感數據進行輻射校正，采用數據分發網站提供的公式：

式中，L為絕對輻射較正后的輻射亮度值，單位為W/(m2?sr?μm)；DN為圖像灰度值。

為消除珞珈數據的地理參考誤差，本文參照遙感影像進行幾何校正，通過閾值分割獲取目標數據。

1.2.2 POI數據處理方法

本文采用核密度估計分析POI 數據，通過閾值分割獲取目標數據。估算公式為：

式中，n為樣本數量；h為帶寬；K為核函數；x為計算函數的向量；Xj為樣本向量。

本文使用的核函數基于四次核函數，即

1.2.3 ResUNet深度學習方法

參考文獻[19]利用深度殘差ResUNet，基于遙感影像提取道路網，并取得了良好效果。本文利用ResUNet方法對哨兵2號衛星遙感影像進行深度學習提取建設用地數據。具體訓練步驟為：①首先下載目標區域哨兵2號遙感影像，利用ENVI軟件合成目標波段，裁剪興趣區域，形成訓練影像數據，再通過ArcGIS軟件提取Esri Land Cover 2020 10 m土地覆蓋數據中的建設用地作為訓練標簽數據；②由于深度學習框架不能直接使用現有的樣本數據，因此采用滑動窗口方法將樣本數據制作成256×256 大小的圖片，步長為128 像素，對圖像進行90°、180°、270°旋轉增強處理，對切片數據在0～1 范圍內進行歸一化處理；③隨機選取90%樣本數據作為訓練集，10%樣本數據作為驗證集；④采用Keras框架進行ResUNet學習模型的數據訓練，網絡迭代次數為50，以二分類交叉熵作為損失函數來評估訓練性能，采用Adam 優化器調整學習率，初始學習率為0.000 1，訓練損失值連續5個迭代次數不降低時，學習率衰減一半，保存基于驗證損失的最優模型；⑤對目標區域遙感影像進行預測。

1.2.4 數據歸一化處理方法

由于各因子核密度的數量級不同，因此本文對夜光遙感數據、POI 數據、深度學習提取數據進行歸一化處理。根據數據標準化原理，本文采用最小—最大值歸一化方法進行標準化，消除因子大小差異對精度的影響。

式中，xi為第i個因子的值；minxi、maxxi分別為xi的最小、最大值。

1.2.5 數據融合方法

幾何平均可在圖像融合中有效消除圖像極值的影響，保留圖像的原始信息，因此得到了廣泛應用[20]，融合后的數據可消除密度分析值過大造成的數量級差異，且在一定程度上消除了夜光圖像的背景噪聲，減少了光線溢出的影響。本文采用幾何平均數融合ResUnet學習數據、夜光數據和POI數據，計算公式為：

式中，IUrban 為綜合指數；Pi為POI 核密度灰度值；Ri為ResUNet 學習數據灰度值；Ni為夜光數據灰度值。

1.2.6 精確度評估

本文以實際建成區為參考進行精確度評估，通過統計分類評價指標[21]精確率（precision）、召回率（recall）、F1分數進行定量評估。

式中，TP為模型提取結果為建成區，實際也是建成區的面積；FP為模型提取結果為建成區，實際不是建成區的面積；FN為模型提取結果不是建成區，實際是建成區的面積。

1.3 多源數據融合處理流程

數據處理流程包括夜光數據提取建成區、POI數據提取建成區、遙感影像提取建成區和多源數據融合提取建成區等內容，具體工作流程見圖1。

圖1 數據處理流程圖

2 實驗與結果分析

本文選取浙江省杭州市和麗水市數據進行城市建成區提取研究，分別利用夜光數據、POI 數據以及本文提出的多源數據融合方法提取建成區，并對3 種方法的提取結果進行比較分析。

2.1 基于POI數據提取建成區

杭州市采用2018 年高德POI 數據（23 大類，約84 萬個點）進行核密度分析，采用閾值分割法提取建成區邊界；麗水市采用2018 年天地圖POI 數據（10大類，約18萬個點）進行核密度分析，采用閾值分割法提取建成區邊界；對公園POI數據進行單獨處理，提取范圍后再融合到最后的成果中，提取結果見圖2，可以看出，POI 數據提取城市建成區邊界較平滑，周圍小圖斑較少，采用合適的閾值可有效去除周邊的村莊、集鎮，但POI數據進行核密度分析后邊界數據溢出問題較突出（圖中紅色框部分）。

圖2 POI數據提取建成區結果

2.2 基于夜光數據提取建成區

利用夜光數據對杭州市和麗水市進行了建成區提取，并對提取結果進行圖斑綜合，結果見圖3，可以看出，夜光遙感影像提取建成區范圍能反映城市的輪廓、邊界清晰，但周邊存在很多分散的小區域，且建成區范圍線內存在不少面積較大的空洞，圖中標記1、2、3、5位于學校附近，由于影像獲取時間正是學校暑假時間，因此夜光暗淡，使城市建成區提取產生較大偏差；標記6、7 為建成區內公園，公園夜光較暗，容易因閾值選取而被剔除；標記8 為河面，部分區域夜光明亮，存在光溢現象。

圖3 夜光遙感影像建成區提取

2.3 基于深度學習提取建設用地

本文選取2020 年12 月南京市區及其周邊范圍的哨兵2 號影像以及Esri Land Cover 2020 10 m 土地覆蓋中的建設用地（Built Area）數據作為訓練的輸入數據，按照數據處理流程進行深度學習，訓練曲線見圖4，曲線網絡的訓練損失（TrainLoss）和驗證損失（ValLoss）隨訓練次數的增加而減小并收斂；訓練精度（TrainAccuracy）和驗證精度（ValAccuracy）隨訓練次數的增加而提高并收斂。模型選取驗證損失最小值時的模型用于后續數據的預測。

圖4 ResUNet網絡訓練

利用訓練好的模型對目標遙感影像進行預測提取，并對圖斑進行綜合處理獲取建設用地范圍，提取數據為地面上有建筑物的地塊，結果見圖5，可以看出，提取范圍中包括很多分散的小區塊，主要為城市周邊的村莊、小鎮，其中麗水城區遙感影像部分區域存在云層（圖中a、b區域），影響建設用地提取。

圖5 深度學習建設用地提取

2.4 多源數據融合提取建成區

本文按照數據處理流程和方法進行數據融合，提取杭州市和麗水市的建成區，并對圖斑數據進行綜合，結果見圖6，可以看出，標記1、3 為學校區域，在采用夜光數據提取時被剔除；利用POI或夜光數據提取城市建成區時存在數據溢出現象（標記2、4），導致邊界范圍不準確，但采用數據融合后能有效彌補單一數據源的不足。

圖6 杭州、麗水市區融合后建成區成果

以麗水市為例，本文分別比較了3 種方法的提取精度，計算結果見表1，可以看出，多源數據融合方法的整體精度最優。以2018年杭州市地理國情公報數據和麗水市住房和城鄉建設廳2018 年城鄉建設統計年鑒為檢查數據，與融合后的數據進行比較，結果見表2，其中杭州市統計數據不包含臨安區、富陽區數據，可以看出，基于多源數據融合提取建成區與實際數值基本一致。

表1 多源數據融合提取建成區精度評定

表2 提取建成區面積與實際建成區面積比較

從3 種提取方法結果來看，多源數據融合方法能更準確地反映城市建成區的實際范圍，充分實現多源數據的互補，集中表現在：①城鄉分界明顯，采用POI 和夜光數據提取的建成區范圍，在城市和非城市區域界限非常明顯，該方法充分利用這一優勢，消除了城市周邊的噪聲，減少了人工判讀工作量，提高了提取效率；②融合互補，多源數據融方法能實現數據互補，圖6的實際提取結果說明了這一點。

3 結語

本文分別采用POI 數據、夜光數據、多源數據融合提取建成區，并與已知的建成區數據進行比較，以評價各方法的提取精度。結果表明，多源數據融合方法的提取精度最高，能克服單一數據提取方法建成區內部數據空洞、溢出效應問題，所用遙感影像獲取周期短、POI 數據獲取便捷、方法操作相對簡單，可保證城市建成區提取的時效性。在未來研究中將繼續朝多源數據融合方向發展，充分利用深度學習工具進一步簡化提取流程，提高自動化提取程度。