全色影像与珞珈一号在建设用地提取中的应用

肖亚来，刘小生，范哲南，谭建林，刘绍龙

(江西理工大学 土木与测绘工程学院，江西 赣州 341000)

0 引言

城市可持续发展需要科学的城市规划，科学规划离不开对城市扩张的研究。城镇建筑物用地作为城市在扩张过程中有力的见证者，是确定城镇化水平发展的有力依据[1]。城镇建筑物用地的面积是计算城市的人口密度、公共设施水平、城市单位面积产值和城市扩张系数等一系列指标的基础[2]。城镇建筑用地信息的准确与快速提取对于测绘制图、空间信息更新、城市规划、统计普查、灾害评估等进一步应用都具有十分重要的意义[3]。因此，准确提取城镇建筑物用地是研究城市扩张、土地利用变化等问题的关键，为城市经济发展、优化城市土地利用配置和城市发展战略的制定等奠定夯实的基础[4-5]。然而，目前建筑专题指数提取城镇建筑物用地的方法已经无法适应月新日异的土地利用变化问题，需要引入新的方法来适应这种土地利用变化情况，以提取更高精度的城镇建筑物用地。

夜间灯光数据具有大尺度、存储量小以及能反映人类活动等综合优点，为研究人类活动及城市化进程提供了一种独特的视角和稳定便捷的途径。利用夜间灯光数据与光学遥感影像提取城市城镇建筑物用地是当今的一个研究热点[6-8]。珞珈一号夜间灯光数据比传统的夜间灯光数据具有更加精细的数值特征，其辐射值的数量级达到1E+6，对夜间灯光强度的识别精度远远高于传统的夜间灯光数据[9-10]。夜间灯光数据虽然能够直接反映城市城镇建筑物用地的夜间亮度，但受城市边缘亮度影响较大，因而单独提取城镇建筑物用地的准确度不高[11]。

因此，本文以南昌为例，基于珞珈一号夜间灯光数据与Landsat-8 OLS遥感影像构建UBLI指数对城镇建筑物用地进行提取。通过乘积处理，提取灯光数据和各运算指数的优点，并摒弃灯光数据和各运算指数的局限性，以达到提高城镇建筑物用地提取精度的目的。

1 研究区概况与数据源

1.1 研究区概况

本研究以南昌市作为研究区。南昌市作为江西省都会，是江西省的政治、经济、文化、科教和交通中心。截至2018年，全市下辖6个区3个县，总面积7 402 km2。常住人口554.55万人，城镇人口411.64万人，城镇化率74.2%[12]。南昌地处江西省中部偏北，在赣江和抚河的下游，自古就有“粤户闽庭，吴头楚尾”“襟三江而带五湖”之称，“控蛮荆而引瓯越”之地。研究区域如图1所示。

注：该图基于江西省自然资源厅标准地图服务下载的审图号为赣S(2019)013号的标准地图制作，底图无修改。图1 研究区影像

1.2 数据处理

本文使用的数据包含2018年10月的Landsat-8 OLS遥感影像(分辨率30 m)、2018年10月的珞珈一号夜间灯光数据和2018年南昌市土地利用数据。其中,Landsat-8 OLS遥感影像利用ENVI软件进行拼接镶嵌，得到南昌市影像并进行大气校正等处理，以便下一步指数的计算。珞珈一号夜间灯光影像与SNPP-VIIRS夜间灯光影像中的DN数量分布关系相似，且断点值更加明显。根据珞珈一号夜间灯光数据产品的辐射亮度计算公式进行辐射校正，然后利用南昌市2016年的年平均SNPP-VIIRS夜间灯光数据作为掩膜数据对辐射校正后的珞珈一号夜间灯光数据进行去噪处理。

2 研究方法

2.1 技术路线

本文所提出的方法用于城镇建筑物用地的提取。首先，基于Landsat-8 OLS数据获取归一化建筑指数(normalized difference build-up index，NDBI)、土壤调节植被指数(soil adjusted vegetation index，SAVI)、改进型归一化水体指数(modified normalized differential water index，MNDWI)、建筑用地指数(index-based built-up index，IBI)；然后，对其进行二值化处理和乘积处理，分别得到基于归一化建筑指数的城镇建筑物用地提取结果、基于建筑用地指数(index-based built-up index，IBI)的城镇建筑物用地提取结果、基于城镇建筑物用地指数(urban building land index，UBLI)的城镇建筑物用地提取结果、基于珞珈一号的城镇建筑物提取结果；最后，结合土地利用数据和天地图进行精度验证与对比分析。技术路线如图2所示。

图2 技术路线图

2.2 归一化建筑指数计算

查勇等[13]所提出归一化建筑指数被广泛用于提取城镇建筑物用地。本文首先通过NDBI提取城镇建筑物用地，如图3所示。NDBI的表达如式(1)所示。

(1)

注：该图基于江西省自然资源厅标准地图服务下载的审图号为赣S(2019)013号的标准地图制作，底图无修改。图3 NDBI提取城镇建筑物用地结果

式中：MIR为中红外波段的像元值；NIR为近红外波段的像元值。在一般情况下，当NDBI取值大于0时为城镇建筑用地，NDBI的取值小于0时为非城镇建筑用地。将NDBI计算结果二值化，NDBI大于0的单位像元赋值为1，以白色显示；NDBI小于0的单位像元赋值为0，以黑色显示。如图3(b)所示，NDBI能大致完整地提取出城镇建筑用地区域，但由于光谱特征复杂性和同谱异物现象的普遍存在[14]，使得裸土和低植被覆盖区域等地物难以区分，在细节表现上较差。

2.3 改进型归一化水体指数计算

文献[15-16]提出的水体指数MNDWI有效地解决了NDWI在提取含有较多建筑物背景的水体时难以区别建筑用地和水体信息的问题。MNDWI的计算如式(2)所示。

(2)

式中：Green为绿光波段的像元值；MIR为近红外波段的像元值。MNDWI大于0的单位像元为水体区域，MNDWI小于0的单位像元为非水体区域。以MNDWI单位像元为0的值作为分界线，将MNDWI计算结果反向二值化。

2.4 土壤调节植被指数计算

研究表明，在提取城市植被覆盖区域时，使用SAVI优于NDVI[17]。由于许多城市地区的植被覆盖率在30%以下，对植被覆盖地区只有30%灵敏度的NDVI来说，难以达到理想的效果。而SAVI引入土壤调节指数，不容易受到土壤等背景噪声的影响，可探测植被覆盖率只有15%的地区。因此，用SAVI更有优势。SAVI的计算如式(3)所示。

(3)

式中：NIR为近红外波段的像元值；R为红光波段的像元值；L为土壤调节因子，取值范围为[0-1]。在一般情况下，SAVI大于0的单位像元为植被覆盖区，SAVI小于0的单位像元为非植被覆盖区。由于南昌市城镇建筑周边有行道树、居民小区绿化带等不少数量的植被覆盖区域，为避免误剔除，经过多次训练，发现取SAVI的值为0.32对SAVI进行反向二值化效果最好。

3 结果与讨论

3.1 基于珞珈一号的城镇建筑物用地提取结果

珞珈一号夜间灯光数据与传统的夜间灯光数据相比具有更加精细的数值特征，可以更好地反映人类活动的特征。在珞珈一号夜间灯光数据中，城市建筑物有着较高的灰度值，而低密度覆盖的植被、裸露的土地和水体等灰度值均较低。因此，可以选择一个合适的阈值对珞珈一号夜间灯光数据进行二值化，用来划分城镇建筑物用地和其他地物。但由于夜间灯光具有辐射性等特征，使得建筑物周边的水体、植被等都包含在城镇建筑物用地的范围内，往往导致城镇建筑物用地的范围比正常城镇建筑物用地范围要大[18]，如图4所示。

图4 灯光数据提取城镇建筑物用地结果

3.2 基于建筑用地指数的城镇建筑物用地提取结果

为更好地区分建筑用地和其他地类，文献[19-20]提出了基于NDBI、MNDWI、SAVI的建筑用地指数，如图5、式(4)所示。

(4)

式中：NDBI为归一化建筑指数；SAVI为土壤调节植被指数；MNDWI为改进型归一化水体指数。IBI可以使得影像中的水体和植被等地物的信息为负值，而建筑物的信息为正值，大大增加了建筑物与其他地物的亮度值差异，从而降低低植被对建筑区提取的干扰。但IBI很难区分裸土与建筑物，且还有少量的低植被覆盖区域难以剔除。

3.3 基于城镇建筑物用地指数城镇建筑物用地的提取结果

虽然NDBI、IBI、珞珈一号夜间灯光数据都可以提取城镇建筑物用地，但有着各自的局限性，使得提取的城镇建筑物用地精度达不到要求。在NDBI二值化的图像中，城镇建筑物用地的值是1，其他地物的值是0，但在NDBI提取的城镇建筑物用地中有部分的低植被和裸土没有剔除出来。在NL二值化图像中，所提取出来的城镇建筑物用地包含建筑物周边的水体和植被。而在SAVI二值化图像中，植被区域的值为0，其他地物的值为1，在提取的植被中包含建筑物周边的低植被区域。MNDWI二值化图像将城镇建筑物用地周边的水体提取出来，但SAVI和MNDWI都不能单独提取城镇建筑物用地。本研究将珞珈一号夜间灯光数据和NDBI、SAVI、MNDWI联立，以提取城镇建筑物用地指数(urban building land index，UBLI)，进而达到互补的效果，可以很好地解决各自存在的问题，表达如式(5)所示。

UBLI=NL×NDBI×SAVI×MNDWI

(5)

式中：NDBI、SAVI、MNDWI、NL分别为归一化建筑指数、土壤调节植被指数、改进型归一化水体指数以及珞珈一号夜间灯光数据二值化后的图像。联立式(5)以NDBI二值化图像为基础，通过NL二值化图像剔除NDBI中城镇建筑物用地周边外的裸土和低植被区域；通过SAVI二值化图像剔除NDBI二值化图像中建筑物周边的裸土区域；通过MNDWI二值化图像剔除NDBI二值化图像中城镇建筑物用地周边的水体。根据NL、SAVI、MNDWI三者的特点，通过珞珈一号夜间灯光数据和NDBI、SAVI、MNDWI的联立，不但避免了NDBI中的水体、裸土区域、低植被区域的影响，还对NDBI中分类的结果进一步校正，从而达到提高提取精度的目的，如图6所示。

注：该图基于江西省自然资源厅标准地图服务下载的审图号为赣S(2019)013号的标准地图制作，底图无修改。图6 UBLI提取城镇建筑物用地结果

3.4 对比分析

从整体而言，NDBI、IBI、UBLI和夜间灯光数据所提取的影像均能在总体上区分水体、植被、建筑物等地物。NDBI能将大块的城镇建筑物较好地提取，而城镇建筑物外的区域部分的裸土和低植被覆盖区域误判为城镇建筑物用地。夜间灯光数据在提取城镇建筑物用地成规模，夜间灯光亮度较高的区域时，提取精度较好,但在提取城镇建筑物用地斑块聚集性较低，灯光亮度聚集性不足的区域时，提取精度较低。IBI通过增强了城镇建筑物用地的信息和抑制水体和植被区域的信息，能较好地提取城镇建筑物用地，但在区分城镇建筑物用地外的裸土区域时仍有不足。UBLI能较好完整地提取城镇建筑物用，能剔除城镇建筑物外绝大多数的裸土和低植被区域。就提取精度而言，UBLI提取精度最高，IBI次之；夜间灯光数据较差，NDBI最差。

从局部来看，如图7所示的是南昌市的新建县，该县左上角有一大块裸土和低植被的混合典型区域。由于夜间灯光数据在该区域不具有代表性，故不作考虑。在该典型区域中，NDBI将该区域中的大部分裸土和低植被覆盖区域误判为建筑物，严重影响城镇建筑物用地的提取精度。虽然IBI可以有效地剔除该区域中的大部分裸土和低植被覆盖区域，但仍将部分裸土与低植被覆盖区域误判为建筑物。而UBLI在该区域能有效剔除裸土和低植被覆盖区域，没有出现误判现象。这表明UBLI剔除遥感影像中裸土和低植被覆盖区域的能力要比NDBI和IBI强，通过UBLI能有效地提升城镇建筑物用地的提取精度。

注：图7(a)基于江西省自然资源厅标准地图服务下载的审图号为赣S(2019)013号的标准地图制作，底图无修改；图7(b)至图7(d)基于江西省自然资源厅标准地图服务下载的审图号为赣S(2018)090号的标准地图制作，底图无修改。图7 不同指数典型区域裸土剔除情况

3.5 精度评价

本文选用南昌市天地图高分辨率影像作为参照，并采用南昌市2018年的土地利用调查数据作为对照。在NDBI、NL、IBI、UBLI二值化后的影像中选取1 000个符合规范的建筑物样本和非建筑样本构建混淆矩阵，进而计算总体精度、Kappa系数、生产者精度和用户精度等指标进行精度检验[21]。其中：用户精度表示被正确提取为建成区的样本所占比例；生产者精度表示所有真实地表为建成区的样本被正确提取的概率；总体精度代表被正确分类的类别像元数与总的类别个数的比值；Kappa系数代表分类与完全随机的分类产生错误减少的比例，这能够全面地评估提取结果的准确性[22]。精度对比如图8所示。

图8 不同数据源提取的城市城镇建筑物用地的精度对比

从图8可知，在UBLI中提取的城镇建筑物用地的总体精度、生产者精度、用户精度、Kappa系数都比NDBI和IBI中的高。其中，UBLI的Kappa系数为84.08%、总体精度为95%、生产者精度为89%、用户精度为85%。从单一角度看，UBLI的Kappa系数分别比NDBI、夜间灯光数据和IBI要高出0.226 4、0.116 6和0.090 7，且UBLI、NDBI、夜间灯光数据、IBI的平准总体精度都达到了90%以上。F1分数是分类问题的一个衡量指标，本研究利用F1分数对三者总体提取效果做出评价，UBLI最高为86.95%，IBI次之为79.80%，夜间灯光数据较低为78.11%，NDBI最低为71.34%。

3.6 鲁棒性检验

为检验本文所提方法的稳定性，选取长沙市作为检验区。分别利用夜间灯光数据、NDBI、IBI、UBLI提取城镇建筑物用地，如图9所示。从图9可知，夜间灯光数据、NDBI、IBI、UBLI均能将大块的城镇建筑物用地提取出来，但在细节表现上，夜间灯光数据、NDBI、IBI都不如UBLI。选取样本对四者的提取结果进行精度分析，如图10所示。从总体来说，UBLI、NDBI、IBI的平准总体精度都达到了90%以上，从单一的Kappa系数来看，UBLI最高为79.22%，其次是IBI为70.20%，接着是夜间灯光数据为67.59%，最后是NDBI为63.46%。精度检验结果基本与研究区域保持一致，说明本文所提出的方法操作性强，可行性高。

注：该图基于湖南省自然资源厅标准地图服务下载的审图号为湘S(2018)251号的标准地图制作，底图无修改。图9 检验区域不同方法提取结果

图10 检验区域精度对比

4 结束语

本研究以南昌市为例，构建UBLI指数来提取城镇建筑物用地的范围。运用总体精度、Kappa系数、F1分数等多种指标，以南昌市土地利用调查数据为对照和天地图高分辨影像数据为参照，对NDBI、夜间灯光数据、IBI、UBLI 4个方法所提取的南昌市城镇建筑物用地的提取精度作出评价。研究表明，在城市尺度上进行建设用地提取时，UBLI所提取的城镇建筑物用地的总体精度明显优于NDBI、夜间灯光数据和IBI；在县级尺度上，UBLI对城镇建筑物用地的提取在细节表现上比NDBI、夜间灯光数据和IBI好，能有效剔除NDBI和IBI难以区分的裸土和低植被覆盖区域及夜间灯光数据上城镇建筑物周边的水体。以长沙市为检验区域，对本文所提方法进行鲁棒性检验，检验结果和本文研究区域的结果一致，表明了利用珞珈一号夜间灯光数据和Landsat-8 OLS遥感影像构建的UBLI能有效识别城镇建筑用地，也证明了珞珈一号夜间灯光数据在研究人类社会经济活动中的应用潜力，为后续珞珈一号夜间灯光数据在城镇建筑物用地研究提供参考依据。