基于Landsat 8遥感影像的喀什城市建成区提取方法研究

刘霄 赵来 刘福寿 黄金亮 杨新临 阿也提古丽·斯迪克

引言

城市建成区具体包括市区内分布比较集中能够连成片的区域以及分散在城市周边距离市区较近的但是与城市有很密切联系的农村区域[1]。本文所述的城市建成区是基于Landsat8遥感影像提取的喀什市建成区的范围，使用OLI影像数据，在分析区建城区光谱特征的基础上，分别利用监督分类法、非监督分类法、面向对对象法以及基于几种光谱指数的分类方法对喀什市的建城区信息进行提取。目的在于找出适合研究区的建城区信息提取方法，为城市扩张动态监测、城市科学合理规划和土地资源保护提供技术支撑[2]。

1 研究区概况与数据来源

1.1 研究区概况

喀什市位于73°20′～79°57′E，35°20′～40°18′N，其东西部与下辖县疏附县接壤，北部被古玛塔格山环绕，南面和疏勒县隔克孜勒苏河遥相对。喀什市具有独特的区位优势，喀什地区行政公署设立在此处，所以喀什市具有指挥和连接喀什地区的政治、军事、经济文化以及交通的重要地位。

1.2 研究区数据来源

本文使用的数据包括由地理空间数据云共享平台提供的，获取时间为2018年6月13日的Landsat8遥感影像的OLI数据。本文利用Landsat8数据的1～7波段进行建成区信息提取，为了便于识别组合5、4、3波段生成标准假彩色合成图像。

2 研究方法

2.1 数据预处理及建成区光谱特征分析

为了消除各种系统内部和外部因素导致的辐射畸变和大气散射等的影响，本文利用ENVI软件的FLAASH工具对Landsat8 OLI数据的每个波段进行辐射定标及大气校正，然后进行波段组合得到用于建成区信息提取的多波段图像[3]。通过ENVI软件提供的Z波谱剖面工具从影像上获取建成区的波谱曲线，建成区在第1波段和第5波段的反射率较高，第2和第3波段的反射率较低，在第6和第7波段的反射率没有相同的变化趋势。因此在建成区信息提取中前五个波段能够发挥较好的作用。

2.2 建城区信息提取方法

2.2.1 监督分类

在ENVII 软件中创建红色感兴趣区建成区，白色感兴趣区非建成区，在 Zoom窗口绘制多边形感兴趣区[4]。通过ENVI软件使用 Jeffies-Matusita 和 TransformedDivergence 两个参数来衡量可分离性，两个参数值在 0～2.0 之间，代表所选感兴趣区之间的可分离性的好坏，大于1.9的值说明所选的感兴趣区之间分离性较好;如果参数值偏低，应该通过编辑感兴趣区或选择新的感兴趣区来提高它们之间的可分离性;如果参数值小于1，將它们合并为一个地类[5]。

2.2.2 非监督分类法

非监督分类，也称为聚类分析或点群分析，是在预先不知道图像中地物的类别特征的情况下，由计算机根据像间光谱特征的相似程度进行归类合并的分类方法[6]。本次项目中，根据高德地图中的喀什地区遥感图的目视解译结果，将喀什土地利用类型划分为建设用地、耕地、林地、草地未利用地和水域六类。确定在非监督分类中的类别为15，选择ISODATA，在display中显示原始影像，在display选择ISODATA分类结果，在Interactive Class Tool面板中选择各个分类结果的显示，得出影像与分类结果的叠加。

2.2.3 面向对象法

判断建成区范围主要有三个条件：“实际开发建设”、“集中连片”、“设施基本具备”[7]。利用面向对象影像分析方法在Landsat 8 影像中提取城市建设用地，本文选择喀什市作为实验区，首先采用面向对象的影像分析技术，在Landsat 8 影像中提取城市建设用地区域，以满足“实际开发建设”和“设施基本具备”这两个条件，之后对初步提取出的城市建设用地区域，采取二次分割与分类的方法进行处理，以满足“集中连片”的条件。

2.2.4 基于几种光谱指数的分类方法

本文将归一化建筑指数、归一化差异水体指数和归一化植被指数组合，用于建成区的提取。在植被遥感中，归一化植被指数（NDVI）的应用最为广泛，它是植被覆盖度的最佳指示因子，是植被监测的重要指标，常用于植被显示分布[8]，ENVI中NDBI使用算法如下：

在上述公式中，NIR为Landsat8数据中的5波段，RED为Landsat8数据中的第4波段。

归一化差异水体指数会受到土壤背景的影响，用中红外波替代了近红外波，得到了改进后的归一化水体指数（MNDWI），其公式为：

在上述公式中，GREEN为Landsat8数据中的第3波段，MIR为Landsat8数据中的第6波段。通过ENVI的波段运算工具分别计算三个指数，将三个指数组合成一个三波段影像，通过监督分类中的最大似然法对图像进行分类，提取建成区[9]。

2.3 精度评价方法

本文利用混淆矩阵法评价上述几种信息提取方法的提取结果，利用ENVI提供的Confusion Matrix工具计算混淆矩阵来评价分类结果的精度[10]。混淆矩阵中，能最直观的反映影像分类的是总体分类精度和Kappa系数，总体分类精度是被正确分类的像元数与总像元数的比值，分类精度数值越大则分类精度越高，Kappa系数是评价分类结果一致性和衡量分类精度的重要指标记作K，K的取值范围是[-1，1]，K>0.8时表明一致性极好，0.6

3 结果与分析

利用ENVI提供的Confusion Matrix工具分别计算原始影像的监督分类和非监督分类结果、人工解译的新影像以及NDBI的新影像的最大似然分类结果的混淆矩阵，如表1。

分析四种方法所得分类结果和输出的混淆矩阵可以看出：（1）总体分类效果最好的方法是NDBI法，分类精度达到93.28%，Kappa系数为0.85，分类结果与原始影像的一致性较好，制图精度和用户精度分别为90.57%和90.98%均高于最大似然法、K-mean法和人工解译法，从输出的分类结果也可以看出NDBI法的分类结果效果最好，建成区大多比较集中且连成片，主城区与机场的边界线比较清晰并且它们之间的主要公路也能清楚地辨别。（2）其次是最大似然法，分类精度为84.07%，Kappa系数为0.64，从分类结果可以看到主城区的建设用地分布比较集中，但是建成区边界相对来说有些模糊，连接主城区与机场的主要交通道路也被漏分。（3）分类效果最差的是人工解译法，总体分类精度仅78.39%，Kappa系数也只有0.59，分类结果与原始影像数据的一致性低很多。并且其漏分误差最高达到了42.61%，表示有42.61%的建成区的像元未被分类到建成区类别内，输出的分类结果结合原始影像可以看出最大似然法把喀什市主城区几块面积较大的建设用地都划分到非建成区内，且分类得出的建成区范围都比较零散和稀疏。

为进一步验证四种方法的精度，本文计算各结果中建成区的面积与喀什市国民经济和发展统计公报中提供的喀什市建成区面积进行精度评价。打开ENVI中的Class Statisticis工具计算各分类结果中的建成区面积，将计算得到的面积与之相比较并计算其误差，最大似然法提取的建成区面积为62.61km2，提取结果的误差为11.80%，K-mean法提取的建成区面积为61.05km2，提取结果的误差为14.00%，而NDBI法是误差最小的方法，提取的建成区面积与喀什市建成区面积最为相似为74.18km2，误差仅为4.40%。

4 结论与展望

本文对基于Landsat8的OLI遥感影像的城市建成区提取方法进行了研究，得出了结论，但由于操作者自身专业背景知识不够丰富，技术操作水平有局限，存在许多不足之处需要改进。

（1）本文直接使用的Landsat8OLI数据空间分辨率为30m，属于中空间分辨率。若通过主成分变换融合，能够得到具有高分辨率的多光谱融合图像，通过高分辨率影像提取建成区信息会更好。

（2）另一方面，在进行监督分类选择训练样本时，本文遥感图像的解译者相关背景知识与专業知识有限，选择和评价样本的时候存在误差。可通过非监督做聚类，选择样本时以聚类图做参考，提高样本质量。

参考文献：

[1]崔靓. 改革开放以来中国城镇居民消费结构研究[D].吉林大学，2017.

[2]陈可欣. 基于高分辨率遥感影像的建成区扩张与驱动力研究[D].浙江大学，2016.

[3]李爱民. 基于遥感影像的城市建成区扩张与用地规模研究[D].解放军信息工程大学，2009.

[4] 史晓云. 城市化加速期城市用地规模扩展研究——以南京市为例[D].南京农业大学，2004.

[5]孙毓晗.基于DMSP-OLS夜间灯光数据的城市扩张监测与分析[D].辽宁师范大学，2017.

[6]孙善磊，周锁铨，魏国栓，吉宗伟，陈红梅.环杭州湾地区城市扩张的遥感动态监测[J].自然资源学报，2008，（02）：327-335.

[7]Yang X，Lo C P . Using a time series of satellite imagery to detect land use and land cover changes in the Atlanta，Georgia metropolitan area[J]. International Journal of Remote Sensing，2002，23（9）：1775-1798.

[8]高啸.遥感影像城市范围自动提取方法研究[D].西北大学，2014.

[9]杨智翔，何秀凤.基于改进的NDBI指数法的遥感影像城镇用地信息自动提取[J].河海大学学报（自然科学版），2010，（02）：181-184.

[10]张学.基于RS和GIS城市扩展动态研究[D].同济大学，2007.

（作者单位：新疆农业大学）