利用珞珈一號提取城市建成區的方法對比分析

陸 雙，楊 柳*

（1. 中國礦業大學（北京） 地球科學與測繪工程學院，北京 100083）

城市建成區面積是判別城鎮化水平的重要根據，也是區域經濟發展和城市擴張的重要理論依據。如何快速精確地獲取城市建成區是城鎮規劃的熱點問題。利用遙感技術可以快速、精確、高效地獲取城市建設用地信息。目前較成熟的城市建成區獲取方法為基于Landsat8遙感影像，構建歸一化建筑指數（NDBI）和遙感建筑用地指數（IBI），可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[1-4]。

近年來，夜間燈光數據被廣泛應用于建成區提取，主要為1 km 分辨率的DMSP/OLS 和500 m 分辨率的NPP/VIIRS 數據[5-7]，但這兩種數據分辨率過低，不適合小尺度區域研究。珞珈一號（Luojia1-01）夜間燈光數據的分辨率為130 m，能處理小尺度區域研究問題，對夜間燈光強度的識別精度遠高于傳統夜間燈光數據[8-9]。夜間燈光數據雖然能直接反映城市建成區的夜間燈光亮度，但受城市邊緣亮度影響較大，單獨提取城鎮建筑物用地的準確度不高，因此許多研究采用融合多源遙感數據的方法來獲取更精細尺度的城市建成區[10]。

興趣點（POI）泛指互聯網電子地圖中的點數據，基本包含名稱、地址、坐標、類別4 個屬性，分為住宅、購物、文化、娛樂、交通、公園和公共設施等類別，與人類社會生活密切相關[11]。在空間上POI數據可反映城市的肌理結構，其密度動態變化可反映城市規模和聚集程度以及區域經濟發展差異。細類別POI 數據會對不同城市邊界確定產生不同程度的誤差，可采用全類別的POI數據提取城市建成區，獲得更精確的建成區邊界范圍[12-13]。

為進一步提升夜間燈光數據提取城市建成區的精度，本文以成都市為例，采用Luojia1-01、植被調整NTL 城市指數（VANUI）和Luojia1-01&POI 指數3 種方法，基于二分迭代法確定最佳閾值并提取建成區，并通過總體精度和Kappa 系數對比了3 種方法提取建成區的精度，以期為夜間燈光數據在城市建成區提取的應用提供參考。

1 研究區概況與數據來源

1.1 研究區概況

成都市別名錦城，是四川省省會，市域范圍地貌類型包括平原、丘陵和山地；位于川西北高原向四川盆地過渡的交接地帶，具有春早、夏熱、秋涼、冬暖的氣候特點，年平均氣溫為16 ℃，年降雨量約為1 000 mm[14]；作為我國的西南門戶，經濟發達、城市化水平高。2016 年簡陽市由成都代管，截至2018 年9月，成都市下轄11個區、5個縣級市和4個縣。

1.2 數據來源

夜間燈光遙感數據來源于武漢大學發射的Luojia1-01 衛星（59.175.109.173:8888/app/login.html），空間分辨率為130 m，軌道重訪周期為15 d，理論上每15 d 即可獲得一期全球夜間燈光數據。Landsat8 衛星遙感影像數據，空間分辨率為30 m，全色波段分辨率為15 m。2018年成都市Landsat8 OLS數據來源于地理空間數據云（gscloud.cn）。2018 年成都市土地利用分類數據來源于中國科學院地理科學與資源研究所（resdc.cn）。POI 數據通過高德地圖提供的API 接口獲取，獲取時間為2018年。

1.3 數據處理

利用ArcGIS 軟件，將Luojia1-01 夜間燈光數據重投影至蘭勃特等角圓錐投影坐標系下，利用雙線性卷積法采樣至100 m 空間分辨率，根據輻射亮度計算公式進行輻射校正。由于該數據存在一定誤差，因此還需進行去噪。本文基于ArcGIS 平臺的空間分析模塊，利用濾波器減少噪聲；進而利用ENVI5.3平臺對Landsat8 OLS 影像進行輻射校正、大氣校正、重采樣、鑲嵌融合等操作，便于后續指數計算。根據“珞珈一號”官網提供的輻射定標公式調整參數，得到符合本文的輻射校正公式（式（1））。基于ArcGIS10.2 平臺，對POI數據進行清洗，篩選整理后的有效數據共162 954條。

式中，L為校正后輻射亮度值；DN為原始影像灰度值。

2 研究方法

2.1 研究思路與流程

本文的研究思路與流程見圖1。

圖1 研究思路與流程圖

2.2 VANUI的建成區提取

Zhang Q L[15]、王敏[16]等利用植被與城市表面呈負相關關系，計算了世界各地城市區域的VANUI，并以VANUI 反映城市規模、地理和經濟基礎的廣泛變化。單獨使用Luojia1-01 夜間燈光數據提取建成區易誤提村鎮、道路、漁船等非城市建成區地物。本文引入VANUI，利用NDVI 校正Luojia1-01 夜間燈光數據，增大城市間影像像元的亮度值差異[17]，計算公式為：

2.3 Luojia1-01&POI的建成區提取

2.3.1 核密度估計

核密度估計法主要是以某一要素（本文指POI 數據點）為中心，在搜索半徑內對要素密度進行分析的方法，可體現分析目標在空間上的集聚情況。數據點的權重與要素中心的距離相關，距中心點越近，權重越大[18]，計算公式為：

式中，f(x)為空間中任意一點的核密度；h為搜索半徑；x-xi為點xi與中心點x之間距離；n為距離空間中任意一點x（距離≤h）的要求點數；K為空間權重函數。

由圖2可知，當搜索半徑為1 500 m時，核密度分析效果最好。

圖2 核密度計算結果

2.3.2 Luojia1-01&POI指數計算

POI 數據與人類社會活動息息相關，POI 密度的空間分布差異可反映區域發展差異。本文利用全類別的POI 數據結合Luojia1-01 夜間燈光數據，基于閾值法提取建成區，可有效去除非城市建成區的地物干擾，并在一定程度上改善夜間燈光溢出問題，填補僅使用Luojia1-01 數據提取建成區造成的孔隙，緩和斑塊破碎情況，獲得更加精確的城市建成區[19-20]，計算公式為：

式中，Pi為i點的POI 核密度值；NTLi為i點的夜間燈光亮度值。

3 研究結果與分析

3.1 建成區提取結果分析

本文分別基于Luojia1-01 夜間燈光數據、VANUI和Luojia1-01&POI指數，利用閾值法提取成都市建成區，再根據土地利用數據的建成區地物類型統計得到參考建成區，最后將3 種方法的結果與參考建成區進行對比，結果見圖3，可以看出：①3種方法提取的結果范圍大致重合，成都市建成區分布在中心位置的老城區和發展快速的新興地區；②除市中心外，Luojia1-01數據和Luojia1-01&POI指數的結果仍有較多重疊部分，如都江堰市的城區中心、崇州市的崇州站以及雙流區的成都雙流國際機場，但雙流區的天府公園和新官山區域植被較多，Luojia1-01數據將其誤提為城市建成區；③VANUI的提取結果圖斑破碎度高，信息更詳細，但會誤提非建成區，如成華區東邊的建設村，因此VANUI的提取結果比另外兩種方法大；④VANUI和Luojia1-01&POI指數都提取了龍泉驛區的東風渠和成都大學區域，而Luojia1-01數據沒有識別到。

圖3 城市建成區提取結果

利用Luojia1-01 夜間燈光數據提取的城市建成區邊緣存在孔隙，主城區附近區域存在零碎圖斑。Luojia1-01夜間燈光數據分辨率高，道路等非建成區信息由于路燈原因被誤提，主城區外的小區域建成區未被提取，導致建成區提取出現誤差。Luojia1-01&POI指數考慮了人類社會活動，對農村這些細微信息也會進行處理，有效消除了非城市建成區的道路等其他地物干擾，填補了僅使用Luojia1-01 提取建成區的不足；且提取的建成區邊界信息更完整，與參考建成區更符合。VANUI 的提取結果邊界輪廓完整、信息更詳細，VANUI 由NDVI 和夜間燈光數據計算得到，對農田植被等區域更敏感，存在把部分裸地、農田等區域劃分為建成區的現象，建成區內部存在破碎圖斑，整體效果不夠完整。

3.2 結果驗證與分析

3.2.1 建成區面積對比

建成區面積和相對誤差對比結果見表1，可以看出，相對誤差最大的是Luojia1-01 夜間燈光數據的提取結果，Luojia1-01&POI指數提取的城市建成區面積最符合實際，相對誤差最小。

3.2.2 混淆矩陣精度驗證

基于上述結果，選取316 個符合規范的建成區樣本和非建成區樣本，以2018年成都市土地利用數據為標準，分別采用總體精度和Kappa 系數進行建成區提取結果精度評價。總體精度為被正確分類的類別像元數與總類別個數的比值；Kappa系數為分類與完全隨機的分類產生錯誤減少的比例，能全面評估提取結果的準確性[21]。研究結果表明，Luojia1-01 數據、VANUI、Luojia1-01&POI 指數3 種提取建成區方法的總體精度分別為96.52%、97.15%、97.47%，Kappa系數分別為73.68%、77.55%、81.24%。3 種方法的總體精度均在95%以上，Kappa 系數均在70%以上；單獨使用Luojia1-01 夜間燈光數據提取建成區的精度最低，Luojia1-01&POI指數提取建成區的精度最高、效果最好。

POI 數據密度估算能準確反映城市建成區的邊界信息，利用POI 數據結合Luojia1-01 夜間燈光數據可改善燈光外溢問題，修補夜間燈光數據提取建成區造成的孔隙，提高建成區提取精度；且POI數據處理方便，計算步驟簡單。鄭洪晗[11]等對比了夜間燈光數據、POI 以及二者結合提取建成區的效果，結果表明夜間燈光數據結合POI數據能較好地區分水面和建成區，提高建成區提取精度，證明POI數據在提取城市建成區方面具有更廣的應用。本文未將POI 結果與其他數據進行對比，但著重對比了Luojia1-01 與其他數據結合的提取結果，均驗證了夜間燈光結合POI數據在提取建成區方面的高精度。厲飛[19]等利用Luojia1-01 和NPP/VIIRS 分別與POI 相結合構建NTL&POI指數，證明POI與夜間燈光數據結合可改善燈光外溢，提高建成區提取精度。本文基于Luojia1-01&POI 指數的提取結果與之一致；不同點在于本文利用Luojia1-01 與不同類型數據結合提取建成區，對比驗證了POI 結合夜間燈光提取建成區的優勢，驗證方法更科學。

本文的不足之處以及后續研究方向為：①根據Landsat8 數據僅構造了VANUI，遙感影像的指數應用較單一，后續可根據遙感數據構建多種指數進行對比分析，探究遙感數據在建成區提取方面的應用；②構建的VANUI和Luojia1-01&POI指數方法無法剔除燈光區內的少量低密度植被覆蓋區和裸地，后續可采用其他指數方法消除裸地區域，提高建成區提取精度；③Luojia1-01 夜間燈光數據時限短，無法進行長時序研究，若進行長時間序列分析需結合NPP/VIIRS數據。

4 結 語

本文以成都市為例，采取單獨使用Luojia1-01 數據、構建VANUI、Luojia1-01&POI 指數3 種方法提取城市建成區；并以成都市2018年土地利用數據和遙感影像數據為參照，利用總體精度和Kappa 系數對3 種方法提取的建成區精度進行評價。結果表明，Luojia1-01&POI指數改善了燈光外溢和Luojia1-01造成的孔隙問題，建成區提取精度最高，與實際情況最符合，證實了POI 數據結合Luojia1-01 夜間燈光數據提取建成區方法的可靠性。