基于TM图像和夜间灯光数据的区域城镇扩张监测——以浙江省为例

陈 征，胡德勇，曾文华，邓 磊

(1.首都师范大学资源环境与旅游学院，北京 100048;2.浙江省测绘资料档案馆，杭州 310012)

0 引言

近年来，经济快速发展、人口向城镇聚集，使得我国城镇用地面积不断增加，范围不断扩大，城市周边土地覆被类型不断变化，大片乡村地区转化为城镇地区[1]。因此对区域尺度上的城市扩张进行有效的监测可为土地规划和生态环境保护等提供科学参考，具有重要的现实意义。

遥感技术具有多尺度、时效性强等特点，已广泛应用于区域资源和环境监测领域。目前，用于城镇用地信息提取的主要方法有图像分类法、阈值分割法等[2－4]。然而，由于受到遥感图像“同物异谱、同谱异物”特征的影响，阈值分割法在精确获取城镇专题信息过程中，受像元值的一致性干扰较大，需要对提取结果做进一步处理。20世纪90年代，DMSP/OLS夜间灯光数据(night－time light，NTL)作为一种新的数据源，为动态监测城镇分布及其变化提供了新的方法和途径。运用NTL数据进行城镇扩张动态监测主要有灯光指数法[5]和多层次阈值法[6－8]等。前者综合考虑区域平均灯光强度和灯光面积构建灯光指数表征城市化水平，利用阈值技术获取城镇空间分布特征及其变化;后者通过构建灯光指数数据的多层次阈值，对夜间灯光图像进行阈值分割，获取城镇专题信息。但NTL数据空间分辨率较低，对于城镇扩张监测存在局限性，因而它常用作城镇扩张遥感信息提取的辅助数据源。以上方法虽然能够满足城镇变化监测的基本要求，但如何应用多源数据提高城镇信息提取精度，正确反映城镇扩张特征是目前亟待解决的问题。

本文以浙江省为研究区，收集了1995年、2005年、2010(或部分2009)年 3个时期的TM图像，同时收集了1995年、2005年、2010年的 NTL数据和其他辅助数据，在图像监督分类样本制备的基础上，运用Breiman等[9]提出的分类回归树(classification and regression tree，CART)算法进行图像分类，提取了研究区各时期城镇用地空间分布专题信息;为进一步提高专题信息提取的精度，将NTL数据应用到城镇用地结果优化处理中，获得了最终所需的城镇专题信息，在此基础上采用GIS手段和统计方法宏观把握浙江省1995—2010年城镇扩张的时空特征。

1 研究区概况及数据源

近20 a间，浙江省经济快速发展，土地利用类型变化明显，变化最快的是城市用地和交通用地，变化率分别达187.50%和 110.03%[10]。人口向城镇聚集，大片乡村地区转化为城镇地区，尤以杭州、宁波、浙中地区最为明显，形成了以杭州为核心的大都市、以浙中为主要区域的中小城镇群发展模式。

为了对浙江省1995年后城市扩张情况进行监测，本文选择了前述3个时期的TM图像，空间分辨率为30 m。每时期各9景图像。数据覆盖范围如图1所示，时相及特性如表1所示。

图1 研究区及Landsat TM数据景幅覆盖范围Fig.1 Study area and the coverage of Landsat TM data

表1 研究用到的Landsat TM数据及其特性Tab.1 Landsat TM data and their characteristics

收集的NTL数据来源于NOAA下属的国家地球物理数据中心(national oceanic and atmospheric administration，NGDC，http://www.ngdc.noaa.gov/dmsp/downloadV4composites.html)。NTL 数据是美国国防气象卫星(defense meteorological satellite program，DMSP)搭载的线性扫描业务系统(operational line scan system，OLS)获取的，该产品是一段时期内无云条件下灯光被连续探测到的频率，并去除了亮云，水体及火光等的影响[11]，通过明暗对比反映城镇信息，灰度范围0～63，空间分辨率1 km。从NTL数据产品中，提取稳定灯光数据，经投影转换、裁剪等预处理后，作为该研究区的城镇专题信息提取的辅助数据。

2 研究方法

2.1 城镇专题信息的遥感提取

城镇专题信息的遥感提取主要包括以下3个步骤:

1)图像分类数据准备。为了更好地区分植被、裸地和城镇用地，以归一化差值植被指数(normalized difference vegetation index，NDVI)和归一化燃烧率(normalized burn ratio，NBR)作为遥感图像分类的辅助数据[12－13]，即

式中:R为TM第3波段(红光波段)亮度值;NIR为TM第4波段(近红外波段)亮度值;IR为TM第7波段(短波红外波段)亮度值。

NDVI通过比值算法增强植被、耕地与其他地物的差别，能够更好地反映植被的分布状况;NBR突出了植被变化前后的情况，可以提高对于因植被数量变化而造成的裸露地表的提取精度。将TM图像的7个波段(热红外第6波段重采样为30 m)及其衍生数据(NDVI，NBR)组合为9个图层，作为图像分类输入变量。

2)图像分类算法。研究选择CART作为图像分类的具体算法。该方法自1984年被提出以来，在美国国家土地覆盖数据库(national land cover database，NLCD)开发中得到了推广和应用，如 NLCD 2000采用CART方法，基于多种辅助数据层叠加分析，依据各层的权重进行分类。CART算法是空间数据挖掘领域的一种常用分析方法，其算法是一个二叉树递归过程，利用训练样本建立基于规则的模型，每一个规则集均定义了多元线性回归模型建立的条件。同时，回归树模型能够说明目标变量和预测变量之间的非线性关系并允许连续变量和离散变量作为输入变量，其分类精度优于其他简单线性回归模型[9，14－16]。

CART模型的精度取决于训练样本的质量。在实际操作中，多景图像拼接后的镶嵌图像给训练样本的采集带来较大困难。为规避处理过程中的干扰因素，本文采用分幅处理的方式提取单景TM图像中的城镇信息。此外，区别于其他数据挖掘算法，CART模型需要采集较多的训练样本，本文在每景图像选取50 000个像元以上城镇用地样本为测试变量，同时保证交叉验证样本在5 000个像元以上。继而基于训练样本构建CART模型，并利用该模型对待分类图层变量进行图像分类。

通常情况下，乡村城市化转化是一个不可逆的过程，多时序城镇专题信息提取及其城市扩张动态监测过程中，前期城镇专题信息可以作为下一时期的训练样本，从而保证获得足够的训练样本数量。

3)后处理建模及分类结果优化。基于CART算法输出的图像分类结果，不可避免地存在错分或误分情况，在研究区，沿海滩地、裸地等对城镇用地信息提取的干扰尤为明显。为了减小乃至消除干扰因素对分类结果的影响，进一步提高图像分类精度，采用辅助数据进一步优化CART图像分类输出结果，是后处理的常用手段。

针对研究区地表覆盖特性，利用NTL数据对CART初步分类结果进行后处理和优化。其主要技术思路是选取最佳阈值范围内NTL数据与CART图像分类结果的叠置像元(公共像元)，并将其定义为实际的城镇专题信息。采用经验阈值与统计相结合的方法来确定NTL数据的城镇类别最佳阈值范围。综合 TM图像、CART分类结果(像元值为DNcart)和NTL(像元值为DNntl)3者叠加的统计结果，结合 Milesi[17]的经验阈值设定动态阈值，将CART分类结果和NTL数据分别划分为3个层次(表2)。表中，2 ≤DNcart≤100，0≤DNntl≤63;m，n，j分别为2～100之间的1个数;l，k，f分别为1～63之间的1个数。以上6个参数根据实际情况取值，A，B，C为划分的3个层次。若提取满足A，B，C这3个条件并与TM图像中城镇用地叠加误差最小，则上述条件为最佳优化阈值范围。

表2 优化过程条件Tab.2 Condition in the optimization process

2.2 技术流程

城市扩张动态监测的总体技术流程如图2所示。首先，数据预处理包括去云处理、图像配准以及简单大气校正，其中图像配准精度平坦地区控制在0.5个像元以内，山区控制在1.5个像元以内。然后，利用CART算法提取遥感图像的城镇专题信息，主要包括训练样本制作、决策树构建和图像分类3个步骤;期间辅以土地利用现状图、TM图像等为参考，选取训练样本;同时为保证样本的数量和质量，须对选自土地利用现状图的样本进一步筛选，仅保留置信度较高(如核心城镇区域)的样本，应用CART算法提取TM图像中城镇信息，并利用NTL数据对分类结果进行优化，最终得到能够满足精度要求的分类结果。最后，在分类结果满足要求的基础上，结合GIS和统计分析方法对城镇扩张的时空特征进行分析。

图2 总体技术流程Fig.2 Overall flow chart

3 结果及精度验证

3.1 城镇信息提取结果

按照图2中的技术流程，以单景TM图像为单位，获取每景数据的CART算法运行结果，然后采用NTL数据对该结果进行优化处理。在结果优化的过程中，在每景图像的分类结果上采集随机点，并对这些点所对应的分类结果像元值和灯光数据像元进行统计，选取适当的阈值范围，并进行结果优化。

在结果后处理过程中，为消除细碎图斑对城镇制图的影响，先滤除了少于5个像元的斑块，得到单景遥感图像的专题结果;然后对每个时相的9景数据进行镶嵌处理，最终得到3个时相的城镇分布专题图，如图3所示。

3.2 精度检验

为了分析对比CART算法的图像分类精度和经过NTL数据优化后的专题信息提取精度，进一步验证CART算法在图像分类中的优势，本研究分别对2个过程的城镇信息提取结果进行了精度评估。在每景图像随机采集300个样本，计算其信息提取的总体精度，结果如表3所示。

表3 精度评价结果Tab.3 Accuracy assessment results (%)

从表3可以看出，CART算法的图像总体分类精度达到80%以上，且局部达到90%以上，个别景受城镇用地分布不均的影响(如P120/R39景多数地段为山地，城镇用地比重低)精度偏低。由此可见在训练样本采集的过程中，样本选取对CART算法的运行精度存在一定的影响。

利用DMSP/OLS夜间灯光数据对CART运行输出结果进行优化后，城镇专题信息提取的总体精度和优化前相比有大幅提升，特别是CART算法运行输出结果精度较低的图像(P120/R39，P120/R40等)提升效果尤为明显，所有图像的专题信息提取精度均达到85%以上，平均值达到91.09%，且数值波动较小，表明提取结果具有一定的稳定性，可以满足后续城镇扩张时空分析的数据要求。

4 城镇扩张分析

4.1 县级单位城镇扩张分析

城镇扩张特征可以从扩张面积(△A)、扩张速度(Uv)和扩张强度(Uindex)等方面分析，表示为

式中:Ui，Uj为某一时间段起止城镇面积;i，j为起止年份。

扩张面积反映了某一时间段内城镇面积的增加总量，扩张速度为城镇面积年均增长量[18－19]，扩张强度是在某一段时间内年均城市面积增长比率[20]。分别对研究区的城市扩张特征指数进行计算分析，扩张速度较快的11个市的统计结果如表4所示。

表4 1995—2005年、2005—2010年各市扩张面积、扩张速度、扩张强度统计Tab.4 Statistical analysis of expansion area，velocity and strength from 1995 to 2005 and from 2005 to 2010

通过对比图3可以发现:①1995—2005年浙江省城镇面积共增加1 992.1 km2，宁波市扩张速度最快，其次为温州市和杭州市;②2005—2010年浙江省城镇面积共增加3 245.4 km2，宁波市和温州市继续保持高速扩张，台州市扩张速度明显提高;③总体说来，1995—2010年间，浙江省城镇用地面积处于扩张态势，除洞头县，庆元县，文成县，云和县，绍兴市，兰溪市及龙泉市等7个县市扩张速度有所减缓外，全省其余市、县均处于加速扩张阶段。

图4 城镇用地比率空间分布图Fig.4 Spatial distribution of urban area ratio

4.2 城市扩张空间特征

为定量描述浙江省城市扩张空间特征，定义每个县级行政单元的城镇用地比率(R)，即

式中:R为城镇用地比率;Au为某一行政单元城镇用地面积;At为该行政单元总面积。1995—2010年城镇用地比率空间分布如图4所示。

从图4可以看出，1995年研究区城市化水平总体较低，最高城镇覆盖比率仅为29.2%;2005年部分沿海城市城市化水平有明显提高，其中绍兴市城镇覆盖比率超过50%，杭州市提高到42.4%，并且带动了周围城市的发展，全省城市化水平较1995年有较大提高;2010年城市化水平全面提高，绍兴市、杭州市城镇覆盖比率达50%以上，全省有20个县市城镇覆盖比率超过10%。

1995—2010年，沿海地区的城市化水平整体高于内陆地区，地势平坦地区高于地形复杂地区，形成了杭州，绍兴，温州3大沿海城市群和以金华为中心的内陆地区中小城市带。

5 结论

本文以浙江省为研究区，利用CART算法对1995年、2005年及2010年3个时期的TM图像进行分类，并利用DMSP/OLS夜间灯光数据对分类结果进行了优化，在此基础上利用GIS和统计方法对1995—2010年间浙江省城镇扩张特征进行统计和分析，主要结论如下:

1)基于CART算法，综合利用TM图像和DMSP/OLS夜间灯光数据，是适用于区域尺度城镇扩张监测的一种有效且稳定性较好的信息提取方法。本研究中，采用CART算法以TM图像作为单一数据源进行信息提取，得到1995年、2005年及2010年总体分类精度分别为83.3%，78.5%和81.1%，但由于受地形和图像光谱特征的影响，分类精度偏低且不够稳定;增加DMSP/OLS夜间灯光数据对分类结果进行优化，提高了分类精度及其稳定性，平均精度分别达到 92.0%，91.1%和 90.1%。

2)1995—2010年间，浙江省城镇用地持续增加，浙江省城镇用地面积处于扩张态势。除洞头县，庆元县，文成县，云和县，兰溪市，龙泉市及绍兴市等7个县市扩张速度有所减缓外，全省其余市、县、区均处于加速扩张阶段。其中，1995—2005年城镇扩张面积达1 992.1 km2，2005—2010年城镇扩张面积为3 245.4 km2，宁波市，温州市，杭州市和台州市均处于快速扩张阶段。

3)城市扩张的空间特征方面，沿海地区的城市化水平整体高于内陆地区，地势平坦地区高于地形复杂地区，形成了杭州、绍兴、温州3大沿海城市群和以金华为中心的内陆地区中小城市带。

由于TM图像和NTL数据的空间分辨率存在较大差异(TM数据空间分辨率为30 m，而NTL空间分辨率为1 km)，造成在结果优化的过程中小面积城镇信息的遗漏，对城镇扩张的动态监测结果的准确性带来一定的影响，如何克服这一问题也成为今后本研究的工作重点。

[1]胡德勇，李 京，陈云浩，等.基于多时相Landsat数据的城市扩张及其驱动力分析[J].国土资源遥感，2006，18(4):46－49，54.Hu D Y，Li J，Chen Y H，et al.An analysis of urban expansion and its dynamics based on multi－ temporal Landsat data[J].Remote Sensing for Land and Resources，2006，18(4):46－49，54.

[2]查 勇，倪绍祥，杨 山.一种利用TM图像自动提取城镇用地信息的有效方法[J].遥感学报，2003，7(1):37－40.Zha Y，Ni S X，Yang S.An effective approach to automatically extract urban land－ use from TM imagery[J].Journal of Remote Sensing，2003，7(1):37－40.

[3]徐涵秋.基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究，2005，24(2):311－319.Xu H Q.Fast information extraction of urban built－up land based on the analysis of spectral signature and normalized difference index[J].Geographical Research，2005，24(2):311－319.

[4]潘卫华，徐涵秋.泉州市城市扩展的遥感监测及其城市化核分析[J].国土资源遥感，2004，16(4):36－40.Pan W H，Xu H Q.A study of urban spatial expansion of Quanzhou City on the basis of remote sensing technology and urbanization core analysis[J].Remote Sensing for Land and Resources，2004，16(4):36－40.

[5]卓 莉，史培军，陈 晋，等.20世纪90年代中国城市时空变化特征——基于灯光指数 CNLI方法的探讨[J].地理学报，2003，58(6):893－901.Zhuo L，Shi P J，Chen J，et al.Application of compound night light index derived from DMSP/OLS data to urbanization analysis in China in the 1990s[J].ACTA Geographica Sinica，2003，58(6):893－901.

[6]徐梦洁，陈 黎，刘焕金，等.基于DMSP/OLS夜间灯光数据的长江三角洲地区城市化格局与过程研究[J].国土资源遥感，2011，23(3):106－112.Xu M J，Chen L，Liu H J，et al.Pattern and process of urbanization in the Yangtze Delta based on DMSP/OLS data[J].Remote Sensing for Land and Resources，2011，23(3):106－112.

[7]Liu Z F，He C Y，Zhang Q F，et al.Extracting the dynamics of urban expansion in China using DMSP－OLS nighttime light data from 1992 to 2008[J].Landscape and Urban Planning，2012，106(1):62－72.

[8]Zhang Q L，Seto K C.Mapping urbanization dynamics at regional and global scales using multi－temporal DMSP/OLS nighttime light data[J].Remote Sensing of Environment，2011，115(9):2320－2329.

[9]Breiman L，Friedman J，Olshen R，et al.Classification and regression trees[M].New York:Chapman and Hall，1984:358.

[10]赵哲远，马 奇，华元春，等.浙江省1996—2005年土地利用变化分析[J].中国土地科学，2009，23(11):55－60，54.Zhao Z Y，Ma Q，Hua Y C，et al.Analysis on land use changes from 1996 to 2005 in Zhejiang Province[J].China Land Science，2009，23(11):55－60，54.

[11]王翠平，王豪伟，李春明，等.基于DMSP/OLS影像的我国主要城市群空间扩张特征分析[J].生态学报，2012，32(3):942－954.Wang C P，Wang H W，Li C M，et al.Analysis of the spatial expansion characteristics of major urban agglomerations in China using DMSP/OLS images[J].Acta Ecologica Sinica，2012，32(3):942－954.

[12]Alphan H，Derse M A.Change detection in southern Turkey using normalized difference vegetation index(NDVI)[J].Journal of Environmental Engineering and Landscape Management，2013，21(1):12－18.

[13]Epting J，Verbyla D，Sorbel B.Evaluation of remotely sensed indices for assessing burn severity in interior Alaska using Landsat TM and ETM+[J].Remote Sensing of Environment，2005，96(3－4):328－339.

[14]Yang L M，Huang C Q，Homer C G，et al.An approach for mapping large－area impervious surfaces:Synergistic use of Landsat－7 ETM+and high spatial resolution imagery[J].Canadian Journal of Remote Sensing，2003，29(2):230－240.

[15]刘勇洪，牛 铮，王长耀.基于MODIS数据的决策树分类方法研究与应用[J].遥感学报，2005，9(4):405－411.Liu Y H，Niu Z，Wang C Y.Research and application of the decision tree classification using MODIS data[J].Journal of Remote Sensing，2005，9(4):405－411.

[16]Huang C，Townshend J R G.A stepwise regression tree for nonlinear approximation:Applications to estimating subpixel and cover[J].International Journal of Remote Sensing，2003，24(1):75－90.

[17]舒 松，余柏蒗，吴健平，等.基于夜间灯光数据的城市建成区提取方法评价与应用[J].遥感技术与应用，2011，26(2):169－175.Shu S，Yu B L，Wu J P，et al.Methods for deriving urban built－ up area using night－ light data:Assessment and application[J].Remote Sensing Technology and Application，2011，26(2):169－175.

[18]Fan F L，Wang Y P，Qiu M H，et al.Evaluating the temporal and spatial urban expansion patterns of Guangzhou from 1979 to 2003 by remote sensing and GIS methods[J].International Journal of Geographical Information Science，2009，23(11):1371－1388.

[19]林目轩，师迎春，陈秧分，等.长沙市区建设用地扩张的时空特征[J].地理研究，2007，26(2):265－274.Lin M X，Shi Y C，Chen Y F，et al.A study on spatial－ temporal features of construction land expansion in Changsha urban area[J].Geographical Research，2007，26(2):265－274.

[20]穆晓东，刘慧平，薛晓娟.基于遥感监测的北京1984—2007年城市扩展研究[J].北京师范大学学报:自然科学版，2012，48(1):81－85.Mu X D，Liu H P，Xue X J.Urban growth in Beijing from 1984 to 2007 as gauged by remote sensing[J].Journal of Beijing Normal University:Natural Science，2012，48(1):81－85.