基于Landsat数据和DMSP/OLS夜间灯光数据的城市扩展提取：以天津市为例

柴宝惠　李培军　张瑞洁　赵鹏北京大学地球与空间科学学院遥感与地理信息系统研究所北京100871； 通信作者E-mail：pjli@pku.edu.cn



基于Landsat数据和DMSP/OLS夜间灯光数据的城市扩展提取：以天津市为例

柴宝惠李培军†张瑞洁赵鹏
北京大学地球与空间科学学院遥感与地理信息系统研究所北京100871；† 通信作者E-mail：pjli@pku.edu.cn

以天津市为例将多时相的Landsat TM/ETM+影像与DMSP/OLS夜间灯光数据结合起来提取城市建成区扩展信息并进行验证和分析。首先利用DMSP/OLS夜间灯光数据得到城市建成区的大致范围利用这个范围内的Landsat TM/ETM+数据和多波段纹理进行图像分类得到城市建成区的空间分布。然后利用分类后比较法得到城市建成区的变化信息将提取的建成区变化结果与利用 DMSP/OLS 数据得到的城市建成区扩展信息以及基于统计数据的城市建成区变化趋势进行对比验证方法的有效性。结果表明结合DMSP/OLS数据和 Landsat数据的光谱特征以及提取的多波段纹理特征可有效地减少裸土与城市建成区的混淆与只利用光谱信息的建成区提取及变化检测相比得到更高的精度。因此结合 Landsat TM/ETM+数据和DMSP/OLS夜间灯光数据提供了一种进行大型城市建成区扩展检测的有效方法。

城市扩展；Landsat TM/ETM+影像；DMSP/OLS夜间灯光数据；变化检测；图像分类

北京大学学报（自然科学版） 第52卷 第3期 2016年5月

Acta Scientiarum Naturalium Universitatis PekinensisVol. 52No.3（May 2016）doi：10.13209/j.0479-8023.2015.138

城市化水平是衡量一个国家和地区经济、社会、文化、科技发展水平的重要标志而城市空间范围的扩展是城市化的一个重要衡量指标。尽管城市区域只占地球表面很小的面积（约3%）然而其扩展变化对局地气候、生态环境以及全球变化影响显著［1］。

遥感是获取城市范围及其扩展信息的重要手段。国内外学者在利用遥感数据进行城市范围提取和扩展研究方面开展了大量工作并且提出不少方法［2-4］。各种不同分辨率的图像数据用于城市建成区的提取和变化分析［5-7］其中美国 Landsat系列卫星数据（MSSTMETM+和OLI）和美国军事气象卫星计划（Defense Meteorological Satellite Program，DMSP）搭载的OLS （Operational Linescan System）传感器提供的夜间灯光数据因获取时间早（均自1972年开始获取数据）、历史数据丰富并免费开放获取广泛应用于城市范围提取以及城市扩展研究［8-9］。

Landsat 系列卫星数据因其较高的空间分辨率（30

m）、较大的空间覆盖范围以及丰富的光谱信息和空间信息适合单个城市或区域城市范围的提取和扩展分析［10］。但是利用 Landsat 系列数据进行城市建成区提取和扩展分析仍然存在许多问题。在30 m 分辨率尺度上城市内部不同地物类别（植被和人造地物）之间混合现象普遍导致混合像元大量存在。由于不同地物类别在像元尺度混合的比例在空间上变化显著因此城市类别的光谱特征差异性很大［11］；同时城市类别与周围的地物类别（如裸土）之间存在显著的光谱特征相似性。这些因素给利用 Landsat 系列数据进行城市建成区的提取与变化分析带来困难。因此只利用光谱信息提取城市建成区及探测城市扩展的精度有限。近年来不少研究者尝试加入空间信息（如图像纹理）以及综合利用不同传感器的数 据来改进城市建成区及其扩展信息的提取精度［12-14］。

DMSP/OLS 夜间灯光数据具有独特的夜间低光探测能力和反映人类活动信息（尤其是城市区域的人类活动信息）的特点可以提供大范围的城市用地信息因此广泛应用于区域或全球尺度的城市范围提取和变化分析研究［15-16］。但是夜间灯光数据的空间分辨率比较低（1km）并且存在溢出效应（overglow）［17-19］。

尽管Landsat TM/ETM+数据和DMSP/OLS夜间灯光数据提供了互补的信息但由于 DMSP/OLS夜间灯光数据的分辨率较低很少有研究者将夜间灯光数据与 Landsat TM/ETM+数据结合起来用于提取城市建成区范围及扩展信息。许多研究利用DMSP/OLS 夜间灯光数据提取区域尺度的城市范围并利用 Landsat TM/ETM+来验证 DMSP/OLS夜间灯光数据的提取结果［15，20］。最近有研究利用DMSP/OLS夜间灯光数据对 Landsat 数据的城市提取结果进行后处理和优化进行区域城市扩展的提取和分析［21］但是后处理和优化的过程依赖于较高分辨率的 Landsat TM/ETM+数据的城市提取结果。本文的目的是结合 DMSP/OLS 夜间灯光数据和 Landsat TM/ETM+数据以及提取的多波段图像纹理［12］提取城市扩展信息并进行比较分析。城市地区主要由具有不透水表面的建成区土地所组成。本文中城市建成区代表被特定的物理结构直接覆盖的区域包括建筑物、街道和不透水层等一切人造结构［5，22］。

1　研究区及数据

1.1 研究区

本文以我国北方的超大城市天津市为研究区（图 1）。天津市位于华北平原的东北部面积为11946.88 km2是中国第三大城市和直辖市区位优势明显。天津市是华北、西北广大地区的出海口重要的国际港口城市以及生态城市是中国北方对内、对外开放两个扇面的轴心是中国北方的经济中心、环渤海地区经济中心具有极其重要的社会、经济、生态价值。由于经济的快速发展天津市的城市范围也显著扩展。

1.2 数据及预处理

本文采用 LandsatTM/ETM+数据和 DMSP/ OLS夜间灯光数据提取和分析近 20年来天津市及其周边的城市扩展信息。选取 1992 年7月、2001 年9月和2006年7月的Landsat TM/ETM+多光谱数据。上述3个时相的图像数据的获取时间均为夏季季相基本一致。同时选取天津地区上述3个年份的 DMSP/OLS 夜间灯光数据。此外本文还收集了天津市行政区图和由《天津市统计年鉴》得到的3个年份的建成区面积统计数据。

首先对 3个年份的 Landsat TM/ETM+数据进行预处理。由于2001年的图像有少量云雾覆盖，对该图像进行去雾霾处理（haze reduction）去除一部分薄云。对3个时相的TM/ETM+图像进行几何配准配准的均方根误差（RMS）在0.4个像元以内。将3幅配准后的图像均裁剪成为4435×2997像元大小裁剪后的图像如图2所示。该地区的主要地物类别包括建成区、农田、裸地、陆地水体、海洋、林地等 6类。对每个时相的 Landsat图像分类所采用的训练样本和精度评价所用的检验样本见表1。

由于DMSP/OLS传感器没有进行辐射校正，不同卫星的OLS灯光数据不能直接对比因此采用 Elvidge等［23］提出的相互校正（intercalibration）方法对不同卫星的 OLS灯光数据进行校正。为了便于对两类图像数据所得到的信息进行叠加与对比分析将夜间灯光数据重采样为与 Landsat TM/ ETM+数据相同的30m像元大小并转换为 UTM椭球坐标系统。天津地区 3个年份的 OLS夜间灯光图像如图3所示。

2　方法

本文的总体思路可以概括为：将 Landsat TM/ ETM+数据与DMSP/OLS数据结合起来提取多年的城市建成区范围得到不同时间段的城市扩展情况。为了减少因裸土和城市建成区的光谱相似性导致的误分首先利用 DMSP/OLS数据得到城市建成区的大致范围并且利用这个范围内的光谱数据以及图像纹理信息提取城市建成区范围。通过与只利用 Landsat TM/ETM+数据光谱信息和利用由DMSP/OLS 数据提取的建成区范围和城市扩展信息以及统计数据中相应的建成区面积对比评价和验证由 Landsat TM/ETM+数据得到的城市建成区扩展结果。总体流程如图4所示。

表1　Landsat TM/ETM+图像分类和精度评价所采用的样本（像元数）Table1 Pixel numbers of the samples used in Landsat TM/ETM+ image classification and accuracy assessment

2.1 城市范围提取与扩展检测

本文采用分类后比较方法［24］从多时相数据提取城市扩展即首先分别对不同时相的图像数据进行分类然后比较分类结果得到城市扩展结果。

尽管 Landsat TM/ETM+数据广泛应用于城市范围提取及扩展分析［10，13］但由于城市建成区光谱特征的复杂性［12］及与周围地物类别（如裸土）的相似性只利用光谱信息来提取城市建成区范围及扩展信息的精度有限因此将光谱信息与其他信息相结合是改进提取精度的重要策略［12-13］。为了改进基于 Landsat TM/ETM+数据的分类精度本文利用DMSP/OLS夜间灯光数据和纹理信息。利用灯光数据的目标是消除灯光区外裸土与城市建成区的混淆加入纹理信息是为了减少灯光区内裸土与建成区的混淆。

首先利用 DMSP/OLS 夜间灯光数据得到城市建成区的大致范围然后对这个范围内的 Landsat TM/ETM+图像进行进一步分类。由于 DMSP/OLS夜间灯光数据反映的是人类活动的特征城市建成区和大型居民点等在 DMSP/OLS 夜间灯光图像上具有较高的灰度值在图像上表现为较亮的特征；裸土和植被等区域在 DMSP/OLS 夜间灯光图像上的灰度值为零或很低在图像上较暗。由于夜间灯光数据的分辨率不高范围较小的村庄在图像上基本上不显示所以可以通过灰度的差异把城市区域与裸土和植被等区域区分开。因此采用一个较小的阈值从 DMSP/OLS 图像上提取大致的城市区域。尽管由于 DMSP/OLS 灯光数据具有溢出效应，导致图像上探测到的灯光区面积往往大于实际城市建成区范围但对利用灯光数据提取的城市区域范围内的Landsat TM/ETM+图像进行分类可以消除灯光区域以外地区裸土与城市建成区的混淆在一定程度上改善分类精度。

为了减少灯光区范围内的城市建成区与裸土的混淆将图像的纹理特征与原始的光谱信息相结合进行地表覆盖类别分类。由于城市建成区的光谱特征变异性大纹理特征比较显著而裸土的光谱特征较均匀纹理特征并不明显因此加入纹理信息可减少两类地物间的混淆。

本文采用一种基于多元变差函数（multivariate variogram）的多波段纹理（multivariate texture）特征［12，25］。利用多波段纹理的一个优点是不需要进行波段选择［12，25］即可以利用多光谱图像的所有波段来计算图像的纹理反映的是图像灰度值的多元空间变化；而利用经典的单波段图像纹理（如经典的基于灰度共现矩阵gray-level co-occurrence matrix，GLCM）［26］需要选择一个合适的波段计算图像纹理。多波段纹理特征成功地应用于地表覆盖分类，尤其是城市地区的地表覆盖分类［12，25］以及岩性识别和提取［27］。基于多元变差函数的多波段纹理计算公式为

DN（x）是像元位置为x处的像元矢量DN（x+h）是像元位置为x+h处的像元矢量h是距离矢量；E是数学期望；M 为距离函数如欧氏距离、马氏距离和光谱角距离等。本文采用光谱角距离来计算多元变差函数纹理特征因为该纹理在城市地区的地表覆盖分类中的性能最好［12］。基于光谱角距离的多元变差函数纹理计算公式为

其中dnk（x）是像元x的第k波段的灰度值dnk（x+h)是像元x+h的第k波段的灰度值p是图像的波段数；N（h）是距离矢量为 h 的像元对数。多波段纹理计算中主要有两个参数：窗口大小和距离矢量长度（步长）［12］本文通过试验选出最佳参数。

为了有效地利用所得到的多波段纹理信息和光谱信息进行地表覆盖分类本文采用支持向量机（SVM）作为分类算法得到不同年份的地表覆盖分类图。支持向量机是一种统计学习方法主要通过解算最优化问题在高维特征空问中寻找最优分类超平面解决分类问题可有效地处理小样本和高维数据［28］。研究表明支持向量机方法能得到比最大似然法和决策树等传统分类方法更高的分类精度［28］。分类后将农田、裸地、陆地水体、海洋、林地等类别合并为“非城市”类这样每个年份最终的分类结果只包括城市和非城市两个类别。通过比较两个不同年份的城市建成区提取结果得到相应时间段的城市建成区扩展信息。

2.2 结果评价与验证方法

为了全面评价所提出的方法本文采用以下几种方法。

1）比较本文提出的方法与只利用 Landsat TM/ ETM+光谱数据的城市范围提取与变化检测精度。通过选取检验样本采用混淆矩阵计算分类精度及变化检测精度。混淆矩阵通过逐像元比较分类结果与地表真实数据得到从中可计算总体分类精度、Kappa 系数和各类精度（生产者精度和用户精度［29］。

2）采用阈值法从 DMSP/OLS夜间灯光数据提取城市建成区范围以及城市扩展信息验证本文提出的结合Landsat TM/ETM+数据与DMSP/OLS数据的城市范围与扩展检测方法。阈值法简单容易操作并可在一定程度减少灯光的溢出问题［30-31］，是广泛采用的城市建成区范围提取方法［17，30-32］。通过对灯光影像设定不同的阈值将得到的建成区范围与参考图像中的城市范围进行对比得到的建成区范围与参考图像最接近时的灯光数据阈值为最佳阈值［17］。本文采用从较高分辨率的 Landsat TM/ ETM+图像提取的城市范围作为参考数据。与已有研究［33］相同对多年的DMSP/OLS数据采用同样的阈值提取城市范围。在利用阈值法得到每个年份的城市建成区范围之后通过比较不同年份的城市建成区范围得到不同时间段的城市扩展情况。与Landsat TM/ETM+数据和 DMSP/OLS数据相结合得到的城市范围与扩展检测结果进行对比比较1992—2001年和2001—2006年两个时间段的城市扩展区域分析城市随着时间推移的空间分布变化信息。

3） 计算并比较不同方法得到的城市区域面积的年增长率。城市面积年增长率（annual growth rate，AGR）［34］表达城市在某一时段的面积变化情况计算公式为

研究时间跨度。本文分别对 Landsat TM/ETM+数据与灯光数据相结合所得结果、DMSP/OLS 夜间灯光数据所得结果及建成区面积统计数据计算 AGR，并做定量比较。

3 结果与讨论

3.1 结合 Landsat TM/ETM+数据和 DMSP/ OLS数据的城市扩展结果

首先选取阈值为 15对 DMSP/OLS 数据提取3个时相天津市建成区的大致范围。在结合纹理信息的分类中步长选为 1分别计算窗口大小为3×35×5和7×7的多波段纹理。通过试验发现窗口大小为5×5时分类效果最好。对得到的城市建成区大致范围内不同时间的 Landsat TM/ETM+图像和相应的多波段纹理进行分类并合并后得到城市和非城市两类。3个时相图像的建成区提取精度见表2。

从表2可以看出与灯光数据结合的 3个时相图像分类总体精度均在 93%以上Kappa 系数均在0.86以上显著高于只利用Landsat TM/ETM+数据光谱信息的分类精度。例如在 1992 年的结果中，

表2　只利用Landsat TM/ETM+数据光谱信息以及本文方法的城市建成区提取精度Table 2 Accuracy assessment of Landsat TM/ETM+ image classification with and without DMSP/OLS nighttime light data and texture information

式中UEstart为在初始年份的城市面积范围UEend为在末尾年份的城市面积范围d 为以年为单位的总体精度（OA）从 87.11%提升到 94.51%Kappa 系数从 74.35%提升到 89.03%。从各类别的分类精度来看与只利用光谱数据的分类结果相比本文所提方法的结果中城市类别的用户精度（UA）显著提高生产者精度（PA）基本上保持不变；与此相对应，非城市类别的生产者精度显著提高用户精度基本不变。例如在1992年的分类结果中城市类别的用户精度从 79.82%提高到 91.00%生产者精度均为 98.48%；非城市类别的生产者精度从 76.26%提高到 90.71%用户精度基本上不变。这表明结合DMSP/OLS 夜间灯光数据和多波段纹理大大减少了非城市类别（裸土）与城市类别的混淆显著提高了分类精度。

图5为只利用 Landsat TM/ETM+数据光谱信息的分类结果与结合灯光数据和 Landsat TM/ETM+数据的分类结果的对比（以 1992 年图像局部为例）。从图5可以看出只利用Landsat TM/ETM+数据的光谱信息存在显著的混淆（图 5（b））；然而在结合了纹理信息和灯光数据的结果中（图 5（c））灯光区域外裸土与建成区的混淆被消除。在灯光区内结合纹理信息的分类结果对裸土与建成区的混淆现象也有所减少（如图 5（a）中红圈区域在图 5（b）中误分为建成区的裸土区域在图 5（c）中正确分为裸土），建成区范围提取结果更加准确。其他两个年份的结果与此相似。上述结果验证了方法的有效性。

图6为与灯光数据结合的分类结果。从图6可看出天津市的范围随着时间变化显著扩展：1992年时中心城区和滨海新区的面积均比较小且二者之间没有明显的连接区域；2001年分类结果显示中心城区呈蔓延式扩展滨海新区已经显著发展起来与中心城区显示出互相连接的趋势；2006年，中心城区进一步向周边地区扩展滨海新区也有所扩大已经与中心城区沿着二者之间的海河连接带明显相连。

表3是只利用 Landsat TM/ETM+数据光谱信息与本文方法的城市扩展信息检测精度评价对比。可以看出与只利用光谱数据的城市扩展检测结果相比本文方法城市扩展检测精度更高如 1992—2001 年的城市扩展检测总体精度（OA）从 84.02%提高到88.40%Kappa系数从57.61%提高到67.33%；各类别的变化检测精度也均有所提高。本文提出的方法在两个时间间隔的城市变化检测精度均为87%以上Kappa系数均大于67%。

图7为结合3个时相的Landsat TM/ETM+数据和灯光数据得到的不同时间段天津的城市扩展结果。可以看出1992—2001年扩展的部分主要分布在天津市中心城区和滨海新区以二者为中心呈辐射式扩展并沿二者连接部分有一定扩展；2001—2006年中心城区和滨海新区进一步扩展呈现内部紧密扩展与外围稀疏扩展相结合的趋势。

表3　只利用Landsat TM/ETM+数据光谱信息以及本文所提出的方法的城市扩展检测精度Table3Accuracy assessment of urban change detection with and without DMSP/OLS nighttime light data and texture information

3.2 结果对比

采用阈值法从 DMSP/OLS 数据提取不同时间的天津市城市范围。通过试验发现阈值为 60 的结果最好。图8是由 DMSP/OLS 夜间灯光数据得到的不同时间段天津城市扩展情况。从图8可以看出1992—2001年天津市主要围绕中心城区和滨海新区扩展2001—2006 年在中心城区和滨海新区持续向外扩展的同时二者间的连接区域也逐渐加宽与结合灯光数据的Landsat TM/ETM+数据城市扩展提取结果一致。

表4是由 Landsat TM/ETM+数据结合灯光数据得到的建成区面积、由 DMSP/OLS 夜间灯光数据得到的建成区面积和建成区面积统计数据以及相应的年增长率。从年增长率来看利用本文提出方法提取的建成区面积年增长率与统计数据年增长率基本上一致由 DMSP/OLS 夜间灯光数据得到的城市年增长率则均偏大这可能是由 DMSP/OLS夜间灯光数据溢出效应导致的。我们可以看到由Landsat TM/ETM+数据结合灯光数据得到的建成区面积、DMSP/OLS 夜间灯光数据得到的建成区面积和建成区面积统计数据三者反映的城市扩展趋势是一致的即 2001—2006 年的城市年增长率均高于 1992—2001 年表明 2001—2006 年城市的加速扩展。这些结果说明结合 Landsat TM/ETM+数据和灯光数据所得到的 1992—2006 年天津市城市范围变化是可信的。从建成区面积来看本文提出的方法以及由灯光数据得到的城市建成区面积均高于建成区面积统计数据原因可能为建成区面积统计数据统计的只是市区面积本文方法提取的建成区以及夜间灯光数据提取的建成区包括天津市辖区范围内的县和镇即大的居民点。

前面的分析验证了本文提出方法的有效性。因此虽然本文以天津市为研究区但结合 Landsat TM/ETM+数据与 DMSP/OLS 夜间灯光数据的方法可以应用于其他大型城市建成区范围提取和扩展检测的研究中。

4　结论

表4 由Landsat TM/ETM+数据结合灯光数据得到的建成区面积、由DMSP/OLS夜间灯光数据得到的建成区面积和建成区面积统计数据以及相应的年增长率Table4 Areasexpansion areas and AGRs derived from Landsat TM/ETM+ data combining with DMSP/OLS nighttime light dataDMSP/OLS nighttime light data and urban built-up area data

本文将多时相的 Landsat TM/ETM+数据与DMSP/OLS夜间灯光数据相结合提取天津市的城市范围与扩展信息并对结果进行了对比。结果表明与只利用 Landsat TM/ETM+的光谱数据相比，利用夜间灯光数据并加入多波段的图像纹理可减少裸土与建成区的混淆情况有效提高城市建成区提取精度和扩展检测的精度。通过与只利用 Landsat TM/ETM+数据光谱信息和利用 DMSP/OLS 夜间灯光数据提取结果及建成区面积统计数据对比，验证了本文所提出方法的有效性。对天津地区来说1992—2006 年城市建成区面积逐渐增加且在大致 2000 年之后扩展速率明显加快。从空间分布来看城市建成区的扩展主要分布在中心城区、滨海新区以及二者之间的连接地区。因此综合利用Landsat TM/ETM+数据和DMSP/OLS夜间灯光数据提取和分析城市扩展可得到可靠的城市建成区扩展趋势是一种大型城市建成区范围提取和扩展信息研究的有效方法。

［1］ Small C. High spatial resolution spectral mixture analysis of urban reflectance. Remote Sensing of Environment200388（1）：170-186

［2］ Lu DWeng Q. Use of impervious surface in urban land-use classification. Remote Sensing of Environment2006102（2）：146-160

［3］ 龙玄耀李培军. 基于图像分割的城市变化检测.地球信息科学200810（1）：121-127

［4］ Acqua F DGamba P. Texture-based characterization of urban environments on satellite SAR images. IEEE Transactions on Geoscience and Remote Sensing，200341（1）：153-159

［5］ Taubenböck HEsch TFelbier Aet al. Monitoring urbanization in mega cities from space. Remote Sensing of Environment2012117：162-176

［6］ Schneider AFriedl M APotere D. Mapping global urban areas using MODIS 500-m data：new methods and datasets based on “urban ecoregions”. Remote Sensing of Environment2010114（8）：1733-1746

［7］ Pu RLandry SYu Q. Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery. International Journal of Remote Sensing201132（12）：3285-3308

［8］ 李旭文. 主成分变换和彩色变换在 TM图像信息提取中的应用：以苏州市为例. 环境遥感19927（4）：251-260

［9］ Elvidge C DSafran JTuttle Bet al. Potential for global mapping of development via a nightsat mission. Geojournal200769：45-53

［10］ 戴昌达唐伶俐陈刚等. 卫星遥感监测城市扩展与环境变化的研究. 环境遥感199510（1）：1-8

［11］ Small CLu J. Estimation and vicarious validation of urban vegetation abundance by spectral mixture analysis. Remote Sens Environ2006100：441-456

［12］ Zhang JLi PWang J. Urban built-up area extraction from Landsat TM/ETM+ images using spectral information and multivariate texture. Remote Sensing，20146（8）：7339-7359

［13］ Zhang QWang JPeng Xet al. Urban built-up land change detection with road density and spectral information from multi-temporal Landsat TM data. International Journal of Remote Sensing2002，23（15）：3057-3078

［14］ Griffiths PHostert PGruebner Oet al. Mapping megacity growth with multi-sensor data. Remote Sensing of Environment2010114：426-439

［15］ Gallo K PElvidge C DYang Let al. Trends in night-time city lights and vegetation indices associated with urbanization within the conterminous USA. International Journal of Remote Sensing2004，25（10）：2003-2007

［16］ Elvidge C DImhoff M LBaugh K Eet al. Nighttime lights of the world：1994-1995. ISPRS Journal of Photogrammetry and Remote Sensing200156（2）：81-99

［17］ Imhoff M LLawrence W TElvidge C Det al. Using nighttime DMSP/OLS images of city lights to estimate the impact of urban land use on soil resources in the United States. Remote Sensing of Environment，199759（1）：105-117

［18］ Small CPozzi FElvidge C D. Spatial analysis of global urban extent from DMSP-OLS night lights. Remote Sensing of Environment200596：277-291

［19］ Welch R. Monitoring urban population and energy utilization patterns from satellite data. Remote Sensing of Environment19809（1）：1-9

［20］ Liu ZHe CZhang Qet al. Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data. Landscape and Urban Planning，2012106（1）：62-72

［21］ 陈征胡德勇曾文华等. 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. 国土资源遥感201426（1）：83-89

［22］ Bagan HYamagata Y. Landsat analysis of urban growth：how Tokyo became the world's largest megacity during the last 40 years. Remote Sensing of Environment2012127：210-222

［23］ Elvidge C DZiskin DBaugh K Eet al. A fifteen year record of global natural gas flaring derived from satellite data. Energies20092（3）：595-622

［24］ Singh A. Digital change detection techniques using remotely-sensed data. International Journal of Remote Sensing198910（6）：989-1003

［25］ Li PCheng TGuo J. Multivariate image texture by multivariate variogram for multispectral image classification. Photogrammetric Engineering & Remote Sensing200975（2）：147-157

［26］ Haralick R MShanmugan KDinstein I. Textural features for image classification. IEEE Transactions on SystemsMan and Cybernetics，19733（6）：610-621

［27］ Li PYu HCheng T. Lithologic mapping using ASTER imagery and multivariate texture. Canadian Journal of Remote Sensing200935：S117-S125

［28］ Huang C. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing200223（4）：725-749

［29］ Congalton R GGreen K. Assessing the accuracy of remotely sensed data：principles and practices. Boca Raton：Taylor & Francis1998

［30］ Henderson MYeh E TGong Pet al. Validation of urban boundaries derived from global night-time satellite imagery. International Journal of Remote Sensing200324（3）：595-609

［31］ Milesi C EChristopher DNemani R Ret al. Assessing the environmental impacts of human settlements using satellite data. Management of Environmental Quality200314（1）：99-107

［32］ Owen T W. Using DMSP-OLS light frequency data to categorize urban environments associated with US climate observing stations. International Journal of Remote Sensing1998. 19（17）：3451-3456

［33］ Ma TZhou CPei Tet al. Quantitative estimation of urbanization dynamics using time series of DMSP/ OLS nighttime light data：a comparative case study from China's cities. Remote Sensing of Environment，2012124：99-107

［34］ Seto K CFragkias MGüneralp Bet al. A metaanalysis of global urban land expansion. PLoS ONE，20116（8）：e23777

Urban Expansion Extraction Using Landsat Series Data and DMSP/OLS Nighttime Light Data: A Case Study of Tianjin Area

CHAI BaohuiLI Peijun†ZHANG RuijieZHAO Peng
Institute of Remote Sensing and Geographical Information SystemSchool of Earth and Space SciencesPeking University，Beijing 100871；† Corresponding authorE-mail：pjli@pku.edu.cn

By taking Tianjin urban area as an examplea method is proposed to extract urban expansion by combining multi-temporal Landsat TM/ETM+ images and DMSP/OLS nighttime light dataand validated and analyzed. Firstthe candidate built-up area extent were obtained from DMSP/OLS data. Multitemporal Landsat TM/ETM+ images and derived multivariate textures of the obtained urban extent were classified to extract built-up areas for different dates. Urban expansions for different time intervals were obtained by post-classification comparison method. In additionthe thresholding method was applied to multitemporal DMSP/OLS nighttime light data to extract urban extents for different years and urban expansions of different time intervals were produced. The urban expansion results from DMSP/OLS data and urban statistical data were used to verify the Landsat TM/ETM+ results. The results demonstrate that the combination of Landsat data and DMSP/OLS data effectively reduce the spectral confusion between bare land and urban area and thus produce higher accuracy than useing spectral data from Landsat TM/TM+ images alone in extraction of urban built-up area expansion. Combination of Landsat TM/ETM+ data and DMSP/OLS nighttime light data provides an effective method for urban expansion extraction in mega-city areas.

urban expansion；Landsat TM/ETM+ images；DMSP/OLS nighttime light data；change detection；image classification

P627

国家自然科学基金（41371329）资助

2015-02-08；

2015-07-23；网络出版日期：2016-03-18