基于Landsat8数据的建筑用地信息提取方法研究——以济南市市中区为例

刘小萍，王召海，商令杰

(山东师范大学 地理与环境学院,山东 济南 250014)



基于Landsat8数据的建筑用地信息提取方法研究
——以济南市市中区为例

刘小萍，王召海，商令杰

(山东师范大学 地理与环境学院,山东 济南 250014)

摘要：以山东省济南市市中区作为研究对象，获取的2015年6月12日的 Landsat8 OLI影像作为数据源，对影像数据进行了辐射定标、几何校正等预处理，对影像作了图像增强处理，利用对数据进行主成分分析运算以及建筑用地指数运算，突出建设用地专题信息，提高了影像的视觉效果，以便更容易地识别图像内容；采用监督分类中的不同的分类器对其进行了建筑用地信息的提取，比较了不同分类器的分类精度，从而提取了最佳的建筑用地信息。

关键词：Landsat8数据；建筑用地信息；建筑用地指数；监督分类

1引言

土地作为人类生存必不可少的基础资源，对快速发展的城市化进程发挥着重要的作用，目前郊区中的耕地经常会被开发成建设用地，从而使土地资源的空间布局发生了变化。对于这种大面积的实时获取建筑用地信息，用常规的野外采集数据手段很难获得，而遥感影像数据被广泛应用到了土地利用研究中。遥感数据的分类是用于遥感数据分析和信息提取的重要内容，主要是将图像中的每个像元根据在不同波段下的亮度和空间结构特征，按照某种规则或算法划分为不同类别[1]。

2研究区概况

市中区地处济南市中南部，东邻历下区，西靠长清区、槐荫区，北倚天桥区，南接历城区，面积280 km2；气候属于暖温带大陆性季风型，春季干燥少雨，夏季酷热多雨，秋季天高气爽，冬季严寒干燥；年平均气温14.8 ℃，年平均降雨量592 mm；地势南部多为低山丘陵，西部、北部地势平坦。市中区按照主城带动、板块布局、全域发展的理念，加大了对建筑用地的投资，加快对旧城区的改造和新区的开发，使该区城乡统筹的发展格局加快形成；城郊西南部释放新空间，完成6大产业基地，以及南部山区生态产业格局的形成，都促使市中区的建筑用地区域发生变化。

3数据源及方法

3.1数据源

Landsat8 OLI数据是2013年2月11号美国航空航天局成功发射的携OLI(Operational Land Imager)陆地成像仪和TIRS(Thermal Infrared Sensor)推扫式成像仪。其中OLI陆地成像仪共9个波段，包括8个多光谱波段以及1个全色波段。全色可见光波段的空间分辨率为15 m,其他波段地面分辨率为30 m[2]。OLI的影像质量比较高，对于提取建筑用地信息非常有利。研究选取的是2015年6月12日的山东省济南市市中区的Landsat-8影像作为研究的数据源(图1)。

图1　济南市市中区的影像

3.2研究方法

研究是在ENVI软件中进行数据的处理，首先对影像数据进行辐射定标、大气校正等预处理，以获得更加可靠的数据。对于建筑用地的提取目前已经有很多方法，比如监督分类与非监督分类等，为了获取准确的样本像元，通过进行建筑用地指数运算，分析建筑用地指数、主成分中的第1主成分以及原始波段的相关性，最后将建筑用地指数、主成分中的第1主成分以及原始波段的第1波段进行假彩色合成，以达到图像增强的效果，比较监督分类中6种分类器的分类精度，提取出最精确的建筑用地信息。

3.3NDBI指数

为了提取有效的建筑用地信息，查勇将归一化植被指数改为归一化建筑指数，即短波红外波TM5 与近红外波段TM4数值之差与这2者波段数值之和的比值，即为：

(1)

式中，TM5 是地物在短波红外波段的亮度值；TM4是地物在近红外波段的亮度值。

对于Landsat-8 数据，NDBI为第6与5波段的反射光谱值之差与这2者波段数值之和的比值，即为：

(2)

式中，B6是第6波段的反射光谱值；B5是第5波段的反射光谱值。

NDBI指数取值范围为[-1,1]，大于0的NDBI指数为建筑用地信息，小于0的为非建筑用地信息。通过对研究区影像图的建筑用地信息进行提取，发现提取的建筑用地信息中包含一部分水体和草地，因此单纯的使用NDBI指数无法提取有效的建筑用地。由此为了突出精准的专题地物信息，提高影像的视觉效果，使分析者识别图像内容变得更加容易，以从中提取有用的专题信息，需要进行图像增强操作[3]。为了剔去提取的建筑用地信息中所包含的其他地物，进行基于波段组合的假彩色合成，即RGB彩色图像中的RGB加入建筑用地指数和第1主成分及原始波段的第1波段进行假彩色合成，来更好的突出建筑用地信息[4]。

4信息提取

4.1数据源预处理

对影像进行辐射定标，从而使传感器记录的DN值变为绝对辐射亮度值。对影像进行Flash大气校正，消除大气和光照等因素对地物反射的影响，获得地物反射率等真实物理模型参数；消除大气分子和气溶胶散射的影响，使校正后的数据更加接近真实值、更可靠[5]。最后利用济南市市中区的矢量文件，裁剪出研究区域。

4.2图像增强

通过主成分分析，去除波段之间多余信息，将多波段的图像信息压缩到原波段更有效的少数波段上。从得到的结果可知第1波段包含的信息量是最多的，而前3个波段具有很大的特征值，通过主成分分析后，原本几乎一个颜色的地物，颜色变为多种。因此作为主要的特征值。

利用ENVI中的Band Ratios工具进行波段比的计算，计算NDBI指数。分析统计原波段、主成分分析的第1主成分以及NDBI指数之间的相关性(表1)，相关性越大，合成的图像饱和度越高。

表1　NDBI值、主成分分析得到的第1分量以及原始波段之间的相关性

通过将NDBI值、主成分分析得到的第1分量以及原始波段进行多次组合与对比，得到最佳图像增强效果。最终确定将NDBI值作为R波段，PCA得到的第1分量PCI作为G波段，选取原始波段的第1波段作为B波段进行假彩色合成。

4.3监督分类

通过图像增强得到的济南市市中区的影像数据，将研究区域的土地类型划分为林地、耕地、建筑用地、水体、草地。各种训练区选取250个左右的样本，由于研究区域的水体信息很少，因此水体训练区的样本选取了7个样本，总计950个样本数[6，7]。根据选取的训练样本比较2种地物之间的可分离性，对于样本区的组合，2个参数的可分离性值为0～2.0，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将2类样本合成1类样本。比如水体和耕地的很容易区分，可分离性为2。

分别利用监督分类的平行六面体、最小距离、马氏距离、最大似然、基于神经网络的、支持向量机的6种分类器进行监督分类[8～10]。分类结果如图2所示。

评价分类结果，分类精度评价是对分类结果与实际地表准确的土地使用状况进行比较，通过正确分类的比例来表示精度，最常用的评价系数就是总体精度系数和Kappa系数[11]。

(1)混淆矩阵是从随机位上获取参考验证信息，并与遥感分类图进行逐像元比较，然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。混淆矩阵是一个n×n矩阵，其中n为分类数，研究中n是5。此外，有的分类结果中含有未分类的图像，所以在计算精度时，为了保证数据的准确性，这时n则是6。

(2)整体分类精度(Overall accuracy)是指分类结果与对应地区实际类型相一致的比例，由正确分类的像元总和除以总像元数决定的。此外，Kappa系数也是常与整体分类精度一起比较，并且结果相近(表2)。

表2　6种分类器精度对比

5结果分析

经过监督分类后，主要地物可以被分类出来，而且经过编号调整后可以较清楚的看出大概的分类结果和主要地物的分布情况，但由于算法本身存在问题和选取训练区时的人为因素造成存在错分的现象。

由以上几种分离器方法的监督分类的总精度对比，结果差异比较明显，发现最大似然法、基于神经网络、支持向量机这3种分离器的整体分类精度都在90 %以上，其中整体分类精度最高的是基于神经网络的分类器，说明所选用的样本作用比较明显，结果较理想，达到了93.3 %。而平行六面体法的分类结果的总体精度最低，整体分类精度为64.9254 %。同时由表2可以看出，各种分离器的整体分类精度与Kappa系数呈正相关的关系，整体分类精度越高，Kappa系数越高。因此最后将基于神经网络的分类器的分类结果作为最后的分类结果，从而提取出建筑用地信息，对各种土地利用类型统计其面积，得到建筑用地的面积占本区域总面积的11.616 %，即32.53 km2。

6结语

通过对济南市市中区影像的图像增强，提高图像的视觉效果，更容易地识别图像内容，以便训练样本的提取，对比不同分类器的整体分离精度，选出最佳的分类结果。也存在一些不足，经过监督分类后，主要地物可以被分类出来，而且经过调整后可以较清楚地看出大概的分类结果和主要地物的分布情况，但由于算法本身存在问题、选取训练区时的人为因素以及在进行分类结果评价时参照样本的选取等造成存在错分的现象，对结果有所影响。

致谢：在笔者进行论文设计期间,从最初的选题、资料收集到写论文大纲、论文写作过程中的修改，最后论文格式的调整的每一个环节，王召海老师都会给予认真负责的指导。王老师高度的敬业精神、渊博的知识和开阔的眼界对笔者产生重要的影响。在此谨向王老师致以真挚的谢意和崇高的敬意。

同时这次的毕业论文设计笔者也得到了诸多老师、同学的帮助，解决了很多困难，再次向所有帮助过笔者的老师和同学们表示最衷心的感谢！

参考文献：

[1]赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003．

[2]徐涵秋，唐菲.新一代Landsat 系列卫星：Landsat 8 遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249～3257．

[3]邓书斌.遥感图像处理与方法[M].北京：科学出版社，2010．

[4]李艳梅.图像增强的相关技术及应用研究[D].成都：电子科技大学，2013.

[5]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.

[6]杨鑫.浅谈遥感图像监督分类与非监督分类[J].四川地质学报,2008,28(3):251～254．

[7]华一新，吴升，赵军喜.地理信息系统原理与技术[M].北京: 解放军出版社，2001．

[8]钱茹茹.遥感影像分类方法比较研究[D].西安：长安大学，2007.

[9]汪少华，张茂震，赵平安，等.基于TM 影像、森林资源清查数据和人工神经网络的森林碳空间分布模拟[J].生态学报,2011,31(4):998～1008．

[10]骆剑承，周成虎，梁怡，等.支撑向量机及其遥感影像空间特征提取和分类的应用研究[J].遥感学报,2002,6(1):50～55.

[11]付佳，黄海军，杨曦光.基于ENVI 的唐山湾三岛土地利用遥感分类方法的比较分析[J].海洋科学,2014,38(1):20～26．

Construction Land Information Extraction Method Based on Landsat8 Data——A Case of the Central District of Ji’nan City

Liu Xiaoping，Wang Zhaohai，Shang Lingjie

(CollegeofGeographyandEnvironment,ShandongNormalUniversity,Ji’nan250014,China)

Abstract:This researchtook the Central District of Jinan City, Shandong Province as the research objectandregardedthe acquired Landsat8 OLI image in 2015 June 12as the data source, havingpreprocessedtheimage data by radiation calibration geometric correction etc. Wefacilitatedthe the principal component analysis arithmetic and the NDBI index to highlightbuilding land thematic information, andimproved the image visual effect so that we could more easily identify the image content; weuseddifferent classifiersof supervised classificationin construction land information extraction, comparing the classification accuracy of different classifiers, in order to extract the informationof best land for construction.

Key words:Landsat8；construction land information；NBDI；supervised classification

收稿日期：2016-04-11

作者简介：刘小萍(1992—)，女，山东师范大学地理与环境学院硕士研究生。 通讯作者：王召海(1966—)，男，副教授，主要从事遥感技术应用等相关专业的教学与研究工作。

中图分类号：P237

文献标识码：A

文章编号：1674-9944(2016)10-0206-04