基于压缩数据维的郑州市建筑用地提取分析

肖欣怡，李 霞，史飞航

（长安大学土地工程学院，陕西 西安 710064）

1 研究背景

随着中国经济水平的高速增长，城镇化水平的急速推进，乡镇城区扩改建项目的高速执行，以及城镇保障性住房项目的实施，城乡建筑业保持着快速高涨的发展态势。而相应的高速城镇化造成的土地利用空间格局变化已对中国生态环境造成了不同程度的影响[1]，其中最显著的就是近些年来高速城镇化进程所造成的气候变化和热岛效应的产生[2]。因此要研究解决这些问题都离不开对城乡建筑用地的精确提取，研究如何对城镇建筑用地信息的精确提取已经成为当今正确合理对待城市化的扩展的重要话题，对城市化合理扩张，生态及自然景观及时正确的保护，城市热岛效应变化的检测，以及土地资源更合理的开发利用具有重要的指导意义。

国内外不少学者对城镇建筑用地信息的提取进行过大量的相关研究，利用遥感影像信息提取城镇建筑用地的方法已是当前研究的主流，它也已经从最开始复杂的人工目视解译演变为快速简便的计算机解译，目前基于遥感影像提取建筑用地信息的方法主要有3类：①利用计算机分类方法提取研究区城镇建筑用地信息；WELCH、MASEK等[3-4]对如何精确提取城镇建筑用地信息在分类中的多种研究；②通过分析研究区样本库中不同地物的光谱特征等对城乡建筑用地的提取；徐涵秋等[5-6]通过分析典型地物谱间差异和逻辑判别对城市空间地物类型提取进行了相关研究；③通过分析研究区样本库中城乡建筑用地的光谱特征，构建相应的指数提取建筑用地；杨山、查勇、唐璎等[7-9]通过构建不同的建筑用地指数提取建筑用地，另外徐涵秋[10-13]也利用压缩数据维，将遥感数据压缩为土壤调节植被指数（SAVI）、修正归一化差异水体指数（MNDWI）和归一化建筑指数（NDBI）波段，并利用它们构建指数型建筑用地指数，从而最大程度地去除植被和水体对提取建筑用地过程中的干扰，最后在提取的最终结果中设置合适的阈值去剔除建筑用地中混杂的少量裸地，使城镇用地的提取结果和提取精度均得到提高。只通过构建指数型建筑用地指数（IBI）提取精度较高的建筑用地信息，要保证研究区裸地尽可能少，但是难免会发现乡镇地区裸地出现较多的情况，因此区分裸地和建筑用地一直是不少国内外学者研究的重要课题。为了能较好地提取建筑用地，选取数据要尽可能选取裸地较少的月份，另外利用RIKIMARU[14]提出了裸土指数（BSI），尽可能地从建筑用地中区分出裸地，最后与构建的IBI进行掩模处理，提取出较为准确的建筑用地。

2 研究地区和方法

2.1 研究区概况

郑州市位于河南省中部偏北，地跨东经112°42′—114°13′，北纬34°16′—34°58′，东与开封市相邻，地处黄河下游，是“中原崛起计划”中的重要城市和河南省省会，其现如今常住人口近千万。现辖6区5市1县及郑州航空港区，全市总面积7 446.2 km2，市区面积1 000多km2，城镇化水平高达70%以上。近年来，随着中部地区城市化的加剧，郑州市常住人口的激增，造成对城市建筑用地面积的需求不断增加，城市的建筑用地快速增加造成了城市用地紧张、生态环境污染问题加剧及城市交通拥堵问题[15]。

2.2 数据来源

本文的研究数据来源于：覆盖整个郑州市行政区的遥感影像数据，包括2001-05-06和2017-04-28的Landsat系列卫星数据，两幅影像质量较好，云量小于5%的影像保证研究区基本无云，数据来自地理空间数据云；郑州市行政区划矢量图、DEM数据；郑州市2001年和2017年统计年鉴数据；2001-05-06和2017-04-28郑州市分辨率为1.96 mGoogle Earth影像图。

2.3 研究方法

提取建筑用地之前需要对两期遥感影像进行预处理，其包括辐射校正、几何校正和影像裁剪。利用ENVI分别打开能一景完全覆盖郑州市的2期Landsat系列影像，利用辐射定标工具完成辐射定标，之后对定标输出结果使用大气校正模块进行遥感影像大气校正；以郑州市行政区划图对经过大气校正后的Landsat系列遥感影像进行规则裁剪，将两期影像数据进行标准假彩色合成。2001年和2017年郑州市Landsat标准假彩色合成图如图1所示。

图1 2001年和2017年郑州市Landsat标准假彩色合成图

2.3.1 建立典型地物样本库

提取建筑用地前对郑州市主要地物光谱特征进行分析，需要先建立典型地物样本库。选取四种典型地物，同时以高分辨率Google Earth影像为选取参考，在预处理后Landsat系列影像上提取各类地物的样本数据，保证每种地物样本至少选取多个感兴趣区。为了保证样本数据尽可能的精确，提取样本的原则为：在较大面积的相同地物中只提取其中的一小块。在不同地物提取的所有样本数据中，除了一大部分用于进行光谱特征分析，还要取其中一小部分样本数据用于最终结果精度验证。

2.3.2 研究区遥感影像指数提取

修正归一化差异水体指数（MNDWI）：水体对太阳光有强吸收性，在波长范围内，总体表现出比较弱的地表反射率，反射率从可见光到近红外依次降低。因此MCFEETERS[16]提出了归一化差异化水体指数（NDWI）。

由于在构建归一化水体指数时，忽略了建筑用地和裸地的影响，所以利用NDWI提取水体时，建筑物和裸地也可能会出现正值，将导致水体的提取结果误差较大。因此徐涵秋[17]用中红外波段代替近红外波段进行水体信息的提取，即修正归一化水体指数（MNDWI）。

式（1）（2）中，G、MNIR、TMIR1分别代表绿光、近红外光波段、短波红外波段1的反射率。QMNDWI值越大表示为水体区域的可能性越大。

土壤调节植被指数（SAVI）：植被在可见光波长范围内对太阳光具有较强的吸收性，其中红光波段最明显，反射率较低。可以利用归一化植被指数（NDVI）进行植被信息提取。

但利用NDVI提取植被的前提就是研究区内的土壤类型是一样的，而研究区土壤类型各异。基于此HUETE[18]引入了土壤调节指数（SAVI）。其引入了土壤调节系数L，取值范围[0，1]。当系数为0时，说明研究区无植被；当系数为1时，说明研究区植被较多。通常系数取值为0.5时，就可以比较好地降低研究区内不同地区土壤的差异造成的影响。

式（4）中，MNIR、R分别为影像近红外光、红光波段的地表反射率。SSAVI值越小表示此区域植被较少；反之，则说明越多。

归一化建筑指数（NDBI）：根据郑州市典型地物光谱特征曲线，分析建筑用地中红外光波段与近红外光波段地表反射率的差异。查勇等[7-8]提出归一化建筑指数。

通过分析研究区的建筑用地信息光谱特征曲线图，发现NDBI需要的短波红外1、近红外光波段之间的地表反射率差异不是很大，再加上可能也存在有的地物也有此光谱特征，因此仅通过BNDBI＞0，就说明是建筑用地的提取方法是不精确的。

指数型建筑用地指数（IBI）：通过分析郑州市主要地物在各波段的光谱特征，发现建筑用地有SAVI和MNDWI同时小于NDBI的特性，基于此徐涵秋构建了指数型建筑用地指数（IBI），对建筑用地信息的提取结果和精度均得到提高。

裸土指数（BSI）：分析研究区光谱特征曲线发现建筑用地和裸地很难选择合适的波段进行区分。通过构建的IBI虽能较准确地提取建筑用地信息，但提取的结果中通过阈值处理也会包含少量的裸地。因此从提取的最终中把裸土去除掉一直是当前准确提取建筑用地信息的研究难点。基于此RIKIMARU[14]提出了裸土指数（BSI）。

式（7）中：TMIR1、R、MNIR和B分别为短波红外波段1、红波段、近红外波段和蓝波段的地表反射率。CBSI值越大，表示该地区是裸地的可能性越大。

通过建立样本库分析典型地物间差异特征来提取建筑用地，对郑州市主要土地利用情况分析，发现郑州市5月份主要3种地物类型是植被、建筑用地、水体，其地表反射率具有不同的光谱特征，因而通过构造3个指数，即SAVI、NDBI、MNDWI分别代表以上地物类型，达到图像增强的效果。通过这3个指数构建IBI，达到对郑州市城镇用地的提取。但分析各类地物的光谱特征，建筑用地与裸地的光谱曲线非常接近，因此提取的建筑用地结果中包含少量的裸地，构建裸土指数BSI剔除裸地。通过压缩数据维的方法对郑州市2001年和2017年的建筑用地进行提取，对建筑用地的提取结果进行时空分析，利用象限方位法对郑州市城镇化扩展模式分析预测。

2.3.3 典型地物光谱特征分析

城镇建筑用地分为农村建筑用地和城市建筑用地，利用各类地物在遥感影像上的光谱特征差异来研究郑州市土地利用情况。对提取的五种典型地物进行统计，得到各地物各波段的地表反射率。郑州市2001-05-06典型地物光谱特征如图2所示。郑州市2017-04-28典型地物光谱特征如图3所示。

图2 郑州市2001-05-06典型地物光谱特征

图3 郑州市2017-04-28典型地物光谱特征

2001年和2017年两期遥感影像中，各波段光谱特征曲线会有所差异。建筑用地和裸地的光谱特征曲线变化趋势接近，它们在短波红外波段反射率最高，而其他典型地物在短波红外波段的反射率较低，通过比较短波红外波段与近红外波段的反射率差值，植被和水体均为负值，建筑用地和裸土为正值，通过构建NDBI来提取出建筑用地和裸地，但提取过程中部分建筑用地的短波红外波段与近红外波段差值较小或为负值，部分林地差值与建筑用地接近，提取的结果中混有林地，提取的结果精度不高。因此只通过构建一种NDBI对郑州市建筑用地的提取效果并不是很好。水体有区别于其他地类的独特光谱特征，主要为水体在近红外波段与短波红外波段的反射率较低，且所有波段中只有水体的近红外波段反射率低于绿光波段，基于此易于将水从其他地类中区分出来，因此利用其差值来提取出水体效果较理想。耕地与林地的光谱特征几乎一样，将它们都归为植被，耕地也处于耕种状态，通过光谱图发现植被在近红外波段反射率最大，在红光波段的反射率较小，其差值最大，可以利用近红外波段和红光波段的差值运算，设置合适的阈值提取出精确的植被。通过光谱曲线分析找出待提取的建筑用地和其他土地覆盖类型之间的区别，对植被、建筑用地及水体三种地类分别用SAVI、NDBI、MNDWI进行提取，达到对图像增强的效果。对两期影像进行NDBI、MNDWI和SAVI的计算，分别将各类地物的训练样本作为感兴趣区，统计出各地物的各平均值特征曲线。2001-05-06典型地物各指数特征值如图4所示。2017-04-28典型地物各指数特征值如图5所示。

图4 2001-05-06典型地物各指数特征值

图5 2017-04-28典型地物各指数特征值

构建IBI的关键是提取的建筑用地具有NDBI同时大于SAVI和MNDWI的特性。通过分析不同年份各地物指数光谱特征可知，2017年NDBI不满足此条件，因此为了能更好地提取建筑用地需要对NDBI进行增强，吴志杰等[19]提出了归一化差值裸地和建筑用地指数NDBBI，对NDBI进行了适当的增强处理，在IBI模型构建过程中利用NDBBI代替NDBI能更好地提取建筑用地信息。

式（8）中：KMIR2、MNIR、R分别代表短波红外2、近红外、红光波段的反射率。ENDBBI值越大表示建筑用地和裸地程度越高；反之，则越低。

由以上光谱特征曲线图知，需要提取的建筑用地具有NDBI同时大于SAVI和MNDWI的特征，基于此特征徐涵秋则提出压缩数据维的方法，并建立指数型建筑用地指数IBI，由光谱曲线特征知，水体在MNDWI指数中值最大，只要满足QMNDWI＞0即可提取出来较精确的水体信息，通过分析SAVI可知，林地和耕地的平均值最大，设置合适的阈值即2001年阈值为0.4和2017年阈值为0.6提取出植被信息；通过比较IBI和NDBI的光谱曲线图，可知IBI比NDBI更适合提取建筑用地信息，IBI尽可能避免了植被和水体的干扰，其通过降低植被的指数均值，而相应增强建筑用地信息的亮度值，因此设置指数阈值为0时，能最大程度地减少植被的影响，从而提取出比较精确的建筑用地。对于裸土的去除，选用仅可能有少量裸地的月份影像。对2001年影像中裸地比较多，首先通过分析裸地与建筑用地光谱波段图发现，裸地与建筑用地光谱特征接近，但是裸地在短波红外波段1的反射率值最大，且远远高于建筑用地，另外裸地在红光波段和近红外波段的反射率值也高于建筑用地，因此利用这三个波段之间的反射率平均值区分建筑用地，计算分析阈值大于2 950时即为裸地，同时再结合裸土指数BSI进行阈值分割对裸地进行最大程度的剔除，对于2017年裸地较少，可以直接通过构建BSI密度分割提取出裸土信息。最后将提取的结果二值化与提取的建筑用地IBI进行掩模处理得到较精确的建筑用地信息。

3 讨论

3.1 郑州市建筑用地信息提取结果与精度评价

通过计算分析得到2001-05-06和2017-04-28郑州市主要地物类型提取成果图，如图6所示。

图6 郑州市2001年和2017年土地利用信息

3.1.1 定性分析

为检验建筑用地信息提取结果精度，需要对提取结果进行直观的定性分析。结合两期影像图可知，基于压缩数据维方法提取建筑用地总体效果较理想，但存在少量漏分及错分情况。由2001年图可知，每个局部区域中都存在少量裸地与建筑用地难以区分，提取的建筑用地中或存在少量的裸地和建筑用地被当成裸地剔除。2017年图知提取建筑用地过程中，也有少量建筑用地漏分，林地阴影也造成一些建筑物被遮挡漏分。但2017年的提取效果优于2001年，主要与影像质量及天气等诸多因素有关。

3.1.2 定量分析

对主要地物的提取结果利用混淆矩阵分析，将提取的样本库中部分典型地物用于精度验证的样本进行定量分析。2001年建筑用地提取结果总体精度为87.379 8%，Kappa系数为0.831 1；2017年建筑用地提取结果总体精度为88.103 7%，Kappa系数为0.840 2，主要在裸地与建筑用地和黄河中含沙量较大会出现建筑用地的错分。在提取的过程中，选取的月份为4月份和5月份，裸地尽量较少，同时在剔除裸地的过程中，IBI阈值取值过大，造成裸地剔除不完全，造成精度较低。混淆矩阵精度验证如表1所示。

表1 混淆矩阵精度验证

3.2 郑州市建筑用地信息变化特征分析

中国中部地区的城市建筑用地信息提取研究中，以郑州市为例的学者甚少，而且缺乏各个方向城市用地的扩展强度及模式的研究。针对提取的建筑用地信息分布特点，扩张强度和扩张模式进行分析。2001年和2017年郑州市建筑用地面积提取结果如图7所示。2001年和2017年郑州市建筑用地对比分析图如图8所示。2001年和2017年郑州市建筑用地信息表如表2所示。

图7 2001年和2017年郑州市建筑用地面积提取结果

表2 2001年和2017年郑州市建筑用地信息表

城市建筑用地变化特征。研究某城镇化扩张水平，首要分析其建筑用地形态变化，它整体反映了城市化过程中城市空间布局及城市结构的变化[20-21]。基于图7、8及表2可知郑州市建筑用地主要集中于东北部、东部及东南部地区，以中牟县和新郑市占比最大，其中建筑用地密度除市中心以外以中牟县和新郑市变化最大。另外2001—2017年郑州市的建筑用地扩张变化，空间上，城市扩张方式大致以城镇为中心进行同心圆型扩张为主，而整体也以向各个方向延伸型扩展为辅，向各个空间方位均有所扩展，但扩展程度不同，其中新郑市和中牟县为扩张变化最大，目前郑州市空间扩张重心也整体逐渐向东部地区移动。时间上，2001年以来，郑州市扩张速度以中牟县、新郑市和荥阳市扩张最快，其相应的扩张强度亦如此，从建筑面积变化及扩展速率分析，如今郑州市城镇化进程正处于高速扩张时期。

在郑州市城市扩张中，以中牟县和新郑市扩张为主，从年均扩张速率来看，亦如此。其中主要与2013年起郑州航空港区启动实施建设有关，查阅资料可知，郑州市城镇化扩张主要受城市产业调整，人口数量激增，经济发展加快的影响[22-23]。同时建筑用地也呈现沿着公、铁路等交通路线发展的一大特点。

郑州市城镇化扩张方向分析。研究建筑用地扩展空间的方向性对于更好地指导城镇化发展具有重要意义，采用适当方法对研究城市空间扩展是至关重要的。采用空间象限方位分析法是通过比较分析不同空间方位上建筑用地的扩张差异，来反映城市扩张空间分异的特征[24-25]。根据郑州市主要建筑用地分布、政治和经济等因素的综合分析，确定以郑州市二七商圈为中心点，陇海路为横轴，选取合适的半径使之能包含所有建筑用地，将郑州市分为八个空间方位象限进行城镇化扩张的分析与预测。利用空间象位分析统计来分析郑州市面积的扩张模式，分析2001—2017年郑州市建筑用地的空间扩张的分异特征。郑州市城市扩展空间示意效果图如图9所示。

图9 郑州市城市扩展空间示意效果图

2001—2017年郑州市建筑用地在沿不同的方向进行扩展，郑州市的面积增加最大的方位是第三、四象限，由城市建筑用地变化特征分析对比可知，中牟县和新郑市位于郑州市的东北方向和东南方向，这预示郑州市的扩张方向主要是朝东发展，与城市建筑用地变化特征刚好呼应。郑州市未来的城市化扩张模式主要为加速发展郑东新区，同时兼顾东西两翼拓展，整体向东南部扩展。通过查阅资料知河南省的政策（郑汴一体化）[26]及航空港区建设有关，开封市位于郑州市的东部区域，与中牟县和新郑市接壤，同时开封西部在开封市的城市近期建设规划中据首要地位。因此郑东新区和汴西新区中间正是郑州发展最快的中牟县和新郑市，其作为郑州、开封的连接区，在中原城市群发展战略中，优先发展它们是快速实现“郑汴一体化”的关键之路，因此未来郑州城市化率先发展的主要是郑汴一体化，优先发展位于郑州东部的中牟县和新郑市。

4 结论

采用徐涵秋提出的压缩数据维方法，构建IBI，完成了对郑州市建筑用地较准确地提取，并分析了郑州市近16年来建筑用地的变化特征。

通过构建NDBI，MNDWI和SAVI来代表3种主要的土地利用：建筑物、水体和植被，对3个指数波段构造IBI指数，最后对裸地进行剔除。2001年和2017年的建筑用地信息的提取精度都达到85%以上。

2001—2017年郑州市建筑用地面积呈现出快速增加的趋势，从760.96 km2增到1 508.54 km2，增长幅度较大。空间上以中牟县和新郑市建筑用地变化最大，同时各个地区向四周均有扩展，其中郑州市东部方向扩展较多，时间也以中牟县和新郑市增长速率最快，年均增长率分别为16.16%和11.90%，建筑用地面积增长幅度较高，能反映出城市的快速发展变化离不开政府的政策支持。

通过各地物光谱特征，发现裸地和建筑用地混杂在一起较难区分，本文方法提取建筑用地中也会出现少量的裸地剔除不完全等弊端。虽然采取构建BSI可以去除裸地，但阈值确定对裸地的提取精度起很大作用，所以区分建筑用地与裸地一直是遥感影像地物信息提取的难点，因此遥感影像选择时应选择裸地较少的月份，能最大程度地提高提取精度。